PEMODELAN ADAPTIVE INVENTORY CONTROL UNTUK PROCUREMENT DAN PENGENDALIAN PERSEDIAAN DENGAN TEKNIK ASSOCIATIVE RULES PADA AGROINDUSTRI PEMBUATAN BAN
SKRIPSI
PRALINGGA SAPUTRA F34070076
DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2013
MODELLING OF ADAPTIVE INVENTORY CONTROL FOR PROCUREMENT AND INVENTORY CONTROL WITH ASSOCIATIVE RULES TECHNIQUE: A TYRE INDUSTRY CASE Pralingga Saputra and Taufik Djatna Division of Industrial System Engineering, Department of Agro-Industrial Technology, Faculty of Agricultural Technology, Bogor Agricultural University, IPB Darmaga Campus, PO BOX 220, Bogor, West Java, Indonesia
ABSTRACT Current tough industrial competition has been pushing tyre industry to strengthen customer’s satisfaction and to improve production planning and inventory control (PPIC). There are so many problems found in PPIC aspect that are reflected as a consequence of stochastic lead times and stochastic changes in this aspect. By using this model, we are trying to minimize inventory without causing any harm to the industry. This concept offers a way to face the stochastic problems and to help company to deal with adaptive data .The Adaptive Inventory Control is the latest invent for production planning to replace the MRP method. Double Exponential Smoothing method is used in Adaptive Inventory Control model specifically, because this is the best method to forecast the demand of raw material. The Associative Rules is one of data mining technique that used to optimized inventory control system in production activity. The double exponential smoothing method and associative rules mining technique processed by using historical data of transaction in the warehouse. The associative rules mining is used to decide which material that should be attached with another material as one package of material. The results of this analyzed data are 14 rules that show which material bundling should be chosen to make an optimized and simplified PPIC management system. All of those result, provide a better way of PPIC system that can improve industry’s performances. Keywords: Production Planning and Inventory Control, Adaptive Inventory Control, Double Exponential Smoothing, Associative Rules.
Pralingga Saputra, F34070076. PEMODELAN ADAPTIVE INVENTORY CONTROL UNTUK PROCUREMENT DAN PENGENDALIAN PERSEDIAAN DENGAN TEKNIK ASSOCIATIVE RULES PADA AGROINDUSTRI PEMBUATAN BAN. Dibawah bimbingan Dr. Eng. Taufik Djatna, S.TP, M.Si. 2011.
RINGKASAN Perencanaan produksi dan pengendalian persediaan (production planning and inventory control) memiliki posisi krusial dalam sistem produksi semua perusahaan sehingga sangat menentukan pemenuhan permintaan konsumen atas produk suatu perusahaan. Namun, tidak jarang ditemukan permasalahan dalam perencanaan produksi dan pengendalian persediaan yang menghambat produktivitas perusahaan dalam berproduksi. Tujuan dari penelitian ini adalah menganalisa dan mengidentifikasi permasalahan perencanaan produksi dan pengendalian persediaan pada suatu industri ban, mengaplikasikan metode Adaptive Inventory Control yaitu dengan melakukan peramalan jumlah kebutuhan material (production planning) dengan menggunakan metode Double Exponential Smoothing atau Pemulusan Eksponensial Ganda, dan mengaplikasikan teknik Associative Rules Data Mining untuk menghitung nilai asosiasi antar material yang tersimpan sehingga dapat menentukan frequent item set dalam pengendalian persediaan material dalam gudang. Penerapan Adaptive Inventory Control dan Associative Rules Mining didasarkan pada penggunaan data historis transaksi gudang. Adaptive Inventory Control untuk Procurement diharapkan mampu memberikan jalan keluar dalam perencanaan produksi berupa forecast jumlah material yang dapat diminimalisir dan dioptimalisasikan. Model ini juga merupakan jawaban dari data permintaan yang bersifat stochastic yang kemudian berdampak pada perencanaan produksi. Penerapan teknik Associative Rules Data Mining untuk pengendalian persediaan bertujuan membantu Warehouse Manager untuk melihat kedekatan material satu dengan material lainnya berdasarkan nilai asosiasi material-material tersebut, sehingga selanjutnya dapat mempermudah proses penggudangan (transaksi in-out) serta dapat memberikan nilai efektifitas dan efisiensi Pemodelan sistem ini diawali dengan melihat data historis (stored data) penggudangan yang berisi tanggal transaksi, jumlah penggunaan material setiap bulannya, material yang digunakan secara bersamaan., serta deskripsi spesifik material. Data tersebut kemudian diolah menjadi dua jenis data sesuai yang dibutuhkan yaitu untuk Adaptive Inventory Control maupun Associative Rules. Perhitungan dengan teknik AIC menggunakan metode Double Exponensial Smoothing Brown’s Method. Metode DES ini dipilih karena memiliki nilai eror yang relatif kecil dibandingkan dengan metode lainnya. Perhitungan Associative Rules menggunakan metode kedekatan satu material dengan material lainnya dalam proses penggudangan dan pemakaian material. Associative Rules dengan rules if-then, diterapkan untuk mengetahui rules yang sebaiknya diterapkan dalam kegiatan proses penggudangan. Hasil perhitungan dengan teknik Adaptive Inventory Control dengan nilai inisiasi α=0.2 secara kasat mata dapat terlihat dari data yang bersifat sangat dinamis dapat berubah menjadi data forecast yang lebih stabil dan lebih mudah diramalkan. Teknik Associative Rules dengan dua puluh (20) jenis material utama, 300 transaksi penggudangan dalam setahun, dan nilai parameter frequent item set φ=85, menghasilkan ada sekitar 14 rules item set yang masing-masing terdiri dari dua material yang berbeda (k=2).
PEMODELAN ADAPTIVE INVENTORY CONTROL UNTUK PROCUREMENT DAN PENGENDALIAN PERSEDIAAN DENGAN TEKNIK ASSOCIATIVE RULES PADA AGROINDUSTRI PEMBUATAN BAN
SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN pada Departemen Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor
Oleh: PRALINGGA SAPUTRA F34070076
DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2013
Judul Skripsi : Pemodelan Adaptive Inventory Control untuk Procurement dan Pengendalian Persediaan dengan Teknik Associative Rules pada Agroindustri Pembuatan Ban Nama : Pralingga Saputra NRP : F34070076
Menyetujui, Pembimbing,
Dr. Eng. Taufik Djatna, S.TP, M.Si NIP 19700614 199512 1 001
Mengetahui, Ketua Departemen,
Prof. Dr. Ir. Nastiti Siwi Indrasti NIP 19621009 198903 2 001
Tanggal Lulus : 28 November 2011
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI
Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul Pemodelan Adaptive Inventory Control untuk Procurement dan Pengendalian Persediaan dengan Teknik Associative Rules pada Agroindustri Pembuatan Ban adalah hasil karya saya sendiri dengan arahan Dosen Pembimbing Akademik, dan belum diajukan dalam bentuk apapun pada perguruan tinggi manapun. Adapun sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Bogor, November 2011 Yang membuat pernyataan,
Pralingga Saputra F34070076
© Hak cipta milik Pralingga Saputra, tahun 2013 Hak cipta dilindungi
Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, microfilm, dan sebagainya.
BIODATA PENULIS
Pralingga Saputra dilahirkan di Jakarta pada tanggal 27 Juli 1989 dari bapak Achmad Prabu dan ibu Lily Agustyanti, sebagai anak pertama dari tiga bersaudara. Penulis menamatkan pendidikan SMA pada tahun 2007 dari SMA Negeri 3 Bogor dan pada tahun yang sama diterima di Departemen Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Institur Petanian Bogor melalui jalus Undangan Seleksi Masuk IPB (USMI). Selama masa perkuliahan penulis pernah menjadi asisten praktikum mata kuliah Teknologi Pengemasan, Distribusi, dan Transportasi. Penulis melakukan praktek lapang pada tahun 2010 di PT. Goodyear Indonesia, Tbk untuk mempelajari penerapan sistem perencanaan produksi dan pengendalian persediaan. Penulis menyelesaikan skripsi dengan judul “Pemodelan Adaptive Inventory Control untuk Procurement dan Pengendalian Persediaan dengan Teknik Associative Rules pada Agroindustri Pembuatan Ban” untuk mendapatkan gelar Sarjana Teknologi Pertanian di bawah bimbingan Dr. Eng. Taufik Djatna, S.TP, M,Si.
KATA PENGANTAR
Segala puji dan syukur penulis sampaikan kepada Allah SWT atas karunia, kemudahan, kelancaran, pertolonga, dan kasih sayang-Nya sehingga penulis mampu merampungkan skripsi yang berjudul “Pemodelan Adaptive Inventory Control untuk Procurement dan Pengendalian Persediaan dengan Teknik Associative Rules pada Agroindustri Pembuatan Ban”. Penulis secara khusus mengucapkan rasa terima kasih yang sebesar-besarnya kepada kedua orang tua penulis yang telah memberikan dukungan baik secara materi maupun dukungan moril selama penulis menempuh pendidikan. Tanpa kedua orang tua, penulis tidak akan dapat menyelesaikan skripsi ini dengan baik. Semoga Allah SWT selalu melindungi dan memberikan kasih sayang-Nya untuk kedua orang tua penulis. Sejak awal penelitian hingga skripsi ini selesai ditulis, banyak sekali pihak yang sangat membantu kelancaran penyelesaian skripsi ini. Penulis menyampaikan terima kasih sebesarbesarnya kepada: 1. Dr. Eng. Taufik Djatna, S.TP, M.Si selaku pembimbing utama yang dengan penuh kesabaran dan pengertian memberikan arahan-arahan kepada penulis. 2. Ir. Faqih Udin, M. Sc. dan M. Arif Darmawan, S.TP, MT. sebagai dosen penguji yang telah memberikan saran dan kritik membangun pada penelitian ini. 3. Agung Sudrajat selaku manajer gudang dan staf warehouse di PT. Goodyear Indonesia, Tbk atas pengetahuan dan pengalaman kerja yang diberikan kepada penulis dalam menyelesaikan praktek lapang dan skripsi. 4. Untuk sahabat-sahabat penulis Bayu, Vina, Fina, Erbe, Septi, Shiva, Yoda, Lutfi, dan Nova yang selalu memberikan bantuan, semangat, dan teguran demi kelancaran penelitian dan penulisan skripsi ini. 5. Seluruh teman-teman seperjuangan TIN 44 atas doa, bantuan, dan dukungannya. Semoga skripsi ini dapat memberikan tambahan pengetahuan dan manfaat, terutama bagi civitas akademi Fakultas Teknologi Pertanian. Penulis menyadari masih banyak kekurangan dan kesalahan dalam tulisan ini, oleh sebab itu saran dan kritik yang membangun sangat diharapkan.
Bogor, November 2011
Pralingga Saputra
i
DAFTAR ISI Halaman KATA PENGANTAR ................................................................................................................. i DAFTAR ISI ................................................................................................................................ ii DAFTAR TABEL........................................................................................................................ iii DAFTAR GAMBAR ................................................................................................................... iv DAFTAR LAMPIRAN ............................................................................................................... v I. PENDAHULUAN................................................................................................................. 1 1.1 Latar Belakang ............................................................................................................ 1 1.2 Tujuan ......................................................................................................................... 2 1.3 Ruang Lingkup ............................................................................................................ 2 II. TINJAUAN PUSTAKA ....................................................................................................... 3 2.1 Perencanaan Produksi dan Pengendalian Persediaan .................................................. 3 2.2 Data Mining ................................................................................................................ 4 2.3 Ban .............................................................................................................................. 5 2.3.1 Karet.............................................................................................................. 5 2.3.2 Sifat-Sifat Karet Alam .................................................................................. 6 2.3.3 Penggunaan Karet Alam ............................................................................... 6 2.3.4 Karet Sintetis ................................................................................................. 6 2.3.5 Proses Pembuatan Ban .................................................................................. 7 2.3.6 Jenis-jenis Ban .............................................................................................. 9 2.4 Penelitian Terdahulu ................................................................................................... 9 III. METODE PENELITIAN .................................................................................................... 11 3.1 Kerangka Pemikiran .................................................................................................... 11 3.2 Sumber Data Transaksi Penggudangan ....................................................................... 13 3.3 Formulasi Double Exponential Smoothing .................................................................. 13 3.4 Formulasi Associative Rules Data Mining .................................................................. 14 3.5 Verifikasi ..................................................................................................................... 15 IV. PEMBAHASAN ................................................................................................................... 16 4.1 Adaptive Inventory Control untuk Procurement ......................................................... 16 4.1.1 Pemulusan Eksponensial Berganda ............................................................... 18 4.2 Pengendalian Persediaan dengan Teknik Associative Rules Mining ........................... 23 .V. KESIMPULAN DAN SARAN ............................................................................................ 27 5.1 Kesimpulan ................................................................................................................. 27 5.2 Saran ...................................................................................................................... 27 DAFTAR PUSTAKA .................................................................................................................. 28
ii
DAFTAR TABEL Halaman Tabel 1. Data Penggunaan Bahan Baku A (t = 24) ....................................................................... 17 Tabel 2. Hasil Perhitungan Pemulusan Pertama dan Kedua ......................................................... 19 Tabel 3. Hasil Peramalan (t = 24) ................................................................................................. 20 Tabel 4. Hasil Analisis Frequent Item Set K-Item Set = 2 ............................................................ 23 Tabel 5. Hasil Perhitungan Nilai Support, Confidence, dan Perkalian Keduanya ......................... 24
iii
DAFTAR GAMBAR Halaman Gambar 1. Diagram Alir Peneliltian .............................................................................................. 11 Gambar 2. Formulasi Double Exponential Smoothing .................................................................. 12 Gambar 3. Formulasi Associative Rules Data Mining .................................................................. 13 Gambar 4. Grafik Penggunaan Bahan Baku A t = 24 ................................................................... 18 Gambar 5. Grafik Hasil Peramalan t = 24 ..................................................................................... 21
iv
DAFTAR LAMPIRAN Halaman Lampiran 1. Proses Produksi Ban di PT. Goodyear Indonesia, Tbk ............................................. 30 Lampiran 2. Demo Perhitungan Pemulusan Eksponensial Berganda ........................................... 31 Lampiran 3. Demo Perhitungan Pemulusan Eksponensial Berganda (2) ...................................... 32 Lampiran 4. Demo Proses Perhitungan Nilai MSE ....................................................................... 33 Lampiran 5. Demo Perhitungan Teknik Associative Rules Data Mining ...................................... 34 Lampiran 6. Demo Perhitungan Teknik Associative Rules Data Mining (2) ................................ 35 Lampiran 7. Demo Perhitungan Teknik Associative Rules Data Mining (3) ................................ 36
v
I. 1.1
PENDAHULUAN
Latar Belakang Banyaknya persaingan di bidang industri saat ini, menuntut perusahaan untuk terus maju dan berkembang agar dapat bertahan dalam derasnya persaingan. Untuk dapat bertahan, suatu industri harus mampu meningkatkan produktivitas melalui kebijakan yang efektif dan efisien. Aspek production planning and inventory control atau perencanaan produksi dan pengendalian persediaan menjadi salah satu aspek penting dalam peningkatan produktivitas suatu perusahaan. Manajemen pengendalian persediaan yang optimal terjadi ketika jumlah persediaan dapat memenuhi seluruh kebutuhan produksi, namun tidak disertai dengan pembengkakan biaya atau timbulnya biaya lain yang tidak diperlukan. Penerapan aspek perencanaan produksi dan pengendalian persediaan banyak menemukan kendala di banyak industri. Data permintaan yang bersifat stochastic menjadi kendala bagi industri untuk mendapatkan data mengenai penambahan persediaan yang bersifat pasti. Hal ini dikhawatirkan akan mengakibatkan penurunan permintaan atau bahkan kelebihan beban persediaan. Pengertian dari stochastic itu sendiri adalah sifat yang berkaitan dengan suatu proses yang melibatkan urutan pengamatan yang ditentukan secara acak serta masing-masing dianggap sebagai sampel dari satu elemen dari sebuah distribusi probabilitas. Dalam permasalahan seperti inilah, Adaptive Inventory Control cocok untuk diterapkan. Konsep dasar dari Adaptive Inventory Control adalah suatu metode perencanaan produksi dan pengendalian persediaan yang bersifat adaptif sebagai bentuk respon atas segala perubahan data permintaan yang terjadi. Metode ini juga dipercaya merupakan pengganti model MRP (Material Requirements Planning) yang sudah dianggap kurang relevan lagi untuk diterapkan dalam sistem perencanaan produksi dan pengendalian persediaan yang terus berkembang saat ini. Pemodelan Adaptive Inventory Control dimulai dengan melakukan peramalan kebutuhan produksi dengan menggunakan teknik pemulusan eksponensial berganda melalui data historis permintaan. Hal ini sesuai dengan literatur (Packer, 1967) bahwa penggunaan pemulusan eksponensial sangat cocok untuk digunakan karena pemulusan eksponensial cenderung bersifat reaktif dan adaptive terhadap segala perubahan (dalam hal ini ‘Jumlah’). Berbeda dengan model-model pendekatan perencanaan produksi dan pengendalian persediaan yang jamak digunakan, pemodelan untuk menangani jumlah permintaan konsumen yang dinamis dengan menggunakan distribusi statistik sudah tidak mungkin dapat dilakukan. Maka dari itu diperlukan suatu teknik pendekatan yang baru agar dapat mampu mengendalikan parameter-parameter yang di desain mengikuti pola perubahan jumlah permintaan konsumen, yaitu dengan teknik Associative Rules Data Mining. Penentuan rules yang merujuk pada nilai kedekatan atau asosiasi antar material dimulai dengan menentukan nilai parameter frequent item set yang selanjutnya menentukan keberhasilan rules tersebut. Penerapan Adaptive Inventory Control untuk perencanaan produksi dan pengendalian persediaan diharapkan mampu memberikan jalan keluar dalam perencanaan produksi berupa forecast jumlah material yang dapat diminimalisir tanpa menyebabkan kerugian apapun bagi perusahaan. Penerapan teknik Data Mining dengan Associative Rules untuk pengendalian persediaan bertujuan untuk membantu Warehouse Manager untuk melihat kedekatan material satu dengan material lainnya berdasarkan nilai asosiasi material-material tersebut, sehingga selanjutnya dapat mempermudah proses penggudangan (transaksi in-out) serta dapat mengefisiensikan volume gudang dan menghemat biaya pengiriman karena tidak terjadi pengiriman yang berulang.
1
Tujuan
1.2
1. 2.
3.
1.3
Tujuan penelitian ini adalah sebagai berikut: Menganalisa dan mengidentifikasi permasalahan perencanaan produksi dan pengendalian persediaan pada suatu industri pembuatan ban. Mengaplikasikan metode Adaptive Inventory Control yaitu dengan menghitung peramalan jumlah kebutuhan material (production planning) menggunakan metode Double Exponential Smoothing atau Pemulusan Eksponensial Ganda. Mengaplikasikan teknik Associative Rules Data Mining untuk menghitung nilai asosiasi antar material yang tersimpan sehingga dapat menentukan frequent item set dalam pengendalian persediaan material dalam gudang.
Ruang Lingkup Penulis membatasi kajian penelitian perencanaan produksi menggunakan model Adaptive Inventory Control dan pengendalian persediaan dengan teknik Associative Rules data mining meliputi aspek-aspek sebagai berikut. 1. Analisa dan identifikasi permasalahan yang muncul di aspek perencanaan produksi dan pengendalian persediaan dalam suatu proses produksi. Hasil analisa dan identifikasi tersebut selanjutnya akan dijadikan bahan untuk pemodelan Adaptive Inventory Control untuk procurement dan teknik Associative Rules data mining untuk pengendalian persediaan. 2. Penerapan sistem perencanaan produksi dengan model Adaptive Inventory Control dan pengendalian persediaan dengan teknik Associative Rules. Sebagian data yang digunakan dan dijadikan dasar penelitian ini didapatkan dari salah satu perusahaan agroindustri yang bergerak dalam industri produksi ban.
2
II. 2.1
TINJAUAN PUSTAKA
Perencanaan Produksi dan Pengendalian Persediaan Menurut Assauri (1980), salah satu faktor yang dapat meningkatkan efektifitas dan efisiensi produksi adalah pengendalian persediaan (inventory control). Secara harfiah, pengendalian adalah suatu kegiatan yang dilakukan untuk menjaga agar kegiatan aktual terealisasikan sesuai dengan rencana, selanjutnya persediaan adalah suatu aktiva yang meliputi barang-barang milik perusahaan dengan maksud untuk dijual dalam suatu periode tertentu atau persediaan barang yang masih menunggu untuk digunakan dalam proses produksi. Beberapa manfaat pengendalian persediaan, antara lain: Menghilangkan resiko keterlambatan barang datang Menghilangkan resiko barang yang dipesan rusak Menumpuk barang yang dihasilkan secara musiman Menjamin kelancaran arus produksi Mencapai penggunaan mesin yang optimal Memberikan pelayanan yang baik kepada pelanggan Memberikan jaminan barang selalu ada Membuat pengadaan / produksi Persediaan akan dipengaruhi oleh keterbatasan modal, kapasitas gudang, dan daya simpan produk atau bahan. Oleh sebab itu, untuk pengadaan material, perusahaan melakukan pembelian dengan jumlah seminimal mungkin. Hal ini selain bertujuan untuk memperlancar arus barang juga dapat mengefisiensi pengeluaran perusahan dalam pembelian bahan baku dan suku cadang. (Gaspersz, 1998) Dalam kegiatan pengendalian persediaan, terdapat pula aspek yang berperan penting dalam kegiatan pengendalian tersebut yaitu sistem penggudangan. Sistem penggudangan memiliki peranan penting dalam kelancaran produksi suatu industri terutama industri manufaktur. Hal ini disebabkan karena kelancaran distribusi bahan baku dan suku cadang yang digunakan dalam produksi bergantung pada sistem penggudangan yang diterapkan di perusahaan tersebut. Oleh karena itu dalam perencanaan pembangunan gudang, gudang harus bersifat dinamis karena pergerakan barang yang selalu berubah. (Warman, 1988) Adaptive Inventory Control dibangun dengan tujuan untuk meminimalkan total biaya persediaan. Permasalahan inventory control yang ada dirumuskan sebagai model pemrograman dinamis dan estimasi adaptive dengan parameter distribusi permintaan menggunakan data pola permintaan yang sudah ada sebelumnya. Sementara model optimasi menunjukkan beberapa hasil konvergensi permintaan stasioner matematika dimana hal ini tidak didukung dalam konteks yang pernah diterapkan yaitu proses permintaan yang non-stasioner. (Bernard, 1999). Kebijakan persediaan Adaptive Inventory Control dalam single-site inventory control dilakukan dengan cara mengambil keuntungan dari menggunakan sejarah permintaan untuk mengurangi biaya persediaan yang terkait. Secara khusus, kuantitas pesanan Q dihitung dengan kuantitas pesanan ekonomi (EOQ) model, yang tingkat permintaan rata-rata diperkirakan oleh rumus pemulusan eksponensial. Rumus ini akan menyajikan data mengenai peramalan atau forecast jumlah material tertentu untuk periode pengadaan berikutnya. Penggunaan pemulusan eksponensial tersebut sangat cocok untuk digunakan untuk sistem ini karena pemulusan eksponensial cenderung bersifat reaktif dan adaptive terhadap segala perubahan (dalam hal ini ‘Jumlah’). (Packer, 1967)
3
2.2
Data Mining Data dan informasi memiliki nilai dan pengertian yang berbeda. Data dikatakan sebagai bahan mentah dari informasi, sedangkan informasi adalah data yang sudah dikelola sedemikian rupa sehingga memiliki nilai tambah untuk mengambil keputusan. Sumber daya pada sebuah perusahaan terdiri dari lima, yaitu: material, manusia, mesin (fasilitas dan energi), uang, dan data atau informasi. Berbeda dengan empat sumber daya lainnya, data atau informasi sifatnya invisible. Tumpukan-tumpukan data yang dihasilkan oleh perusahaan saat beraktivitas dan bertransaksi lebih tidak terlihat lagi, bahkan sering dianggap tidak ada nilainya. Pada bagian inilah penggalian data menjalankan perannya, membuat data yang sebelumnya dianggap tidak bernilai menjadi sangat berharga (Sulianta dan Juju 2010). Penggalian data atau data mining (DM) adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. Sehingga dengan DM dapat mengungkapkan pola-pola tersembunyi dari sebuah data. Alasan utama untuk menggunakan DM adalah membantu dalam analisis koleksi pengamatan perilaku. DM merupakan pengambilan informasi yang tersembunyi, dimana informasi tersebut sebelumnya tidak dikenal dan berpotensi bermanfaat. Proses ini meliputi sejumlah pendekatan teknis yang berbeda seperti clustering, data summarization, learning classification rules dan sebagainya (Han dan Kamber 2001). Salah satu tuntutan dari DM adalah penerapan pada data berskala besar yang memerlukan metodologi sistematis, tidak hanya ketika melakukan analisa saja tetapi juga ketika mempersiapkan data dan juga melakukan interpretasi dari hasilnya sehingga dapat menjadi aksi ataupun keputusan yang bermanfaat. DM dipahami sebagai suatu proses yang memiliki tahapantahapan tertentu dan juga ada umpan balik dari setiap tahapan ke tahapan sebelumnya. Pada umumnya proses DM berjalan interaktif karena tidak jarang hasil DM pada awalnya tidak sesuai dengan harapan analisnya sehingga perlu dilakukan desain ulang proses. Berikut tahapan dalam DM: 1. Pembersihan data (untuk membuang data yang tidak konsisten dan noise) 2. Integrasi data (penggabungan dari beberapa sumber) 3. Transformasi data (data diubah menjadi bentuk yang sesuai untuk digali) 4. Aplikasi teknik Penggalian data 5. Evaluasi pada pola yang ditemukan (untuk menemukan yang menarik atau bernilai) 6. Presentasi pengetahuan (dengan teknik visualisasi) Beberapa teknik DM yang dapat digunakan untuk penentuan target pasar menurut Kusnawi (2007) adalah: a) Klasifikasi Suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah didefinisikan. Teknik ini memberikan klasifikasi pada data baru dengan memanipulasi data yang ada dan telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Decision tree adalah salah satu teknik klasifikasi yang paling mudah untuk diinterpretasikan, yaitu struktur flowchart yang menyerupai pohon (tree), dimana setiap simpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan kelas atau distribusi kelas. Alur pada decision tree ditelusuri dari simpul akar ke simpul daun yang memegang prediksi. Algoritma decision tree yang paling terkenal adalah C4.5, tetapi untuk penanganan data besar biasanya digunakan jaringan neural, algoritma genetik, fuzzy, casebased reasoning dan k-nearest reasoning.
4
b) Asosiasi Digunakan untuk mengenali kelakuan dari kejadian-kejadian khusus atau proses dimana hubungan asosiasi muncul pada setiap kejadian. Contoh dari aturan asosiatif adalah dari analisa pembelian di pasar swalayan, dapat diketahui seberapa besar kemungkinan seorang pembeli membeli susu dan roti pada waktu yang bersamaan yang kemudian akan mempengaruhi desain tataletak pasar swalayan. c) Penggerombolan Berbeda dengan asosiasi dan klasifikasi dimana kelas data telah ditentukan sebelumnya, penggerombolan melakukan pengelompokan data tanpa berdasarkan kelas data tertentu. Bahkan penggerombolan dapat dipakai untuk memberikan label pada kelas data yang belum diketahui. Prinsip penggerombolan adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas. Mining Association Rules atau pencarian aturan-aturan hubungan antar item dari suatu basis data transaksi atau basis data relasional, telah menjadi perhatian utama dalam masyarakat basis data. Tugas utamanya adalah untuk menemukan suatu himpunan hubungan antar item dalam bentuk A1A…AAm => B1A…ABn dimana A, (for i E {1,…,m}) dan B, (for j C {1,…,n}) adalah himpunan atribut nilai dari sekumpulan data yang relevan dalam suatu basis data. Sebagai contoh, dari suatu himpunan data transaksi, seseorang mungkin menemukan suatu hubungan berikut, yaitu jika seorang pelanggan membeli selai, ia biasanya juga membeli roti dalam satu transaksi yang sama. Oleh karena proses untuk menemukan hubungan antar item ini mungkin memerlukan pembacaan data transaksi secara berulang dalam sejumlah besar data-data transaksi untuk menemukan pola-pola hubungan yang berbeda, maka waktu dan biaya komputasi tentunya juga akan sangat besar, sehingga untuk mnemukan hubungan tersebut diperlukan suatu algoritma yang efisien dan metode tertentu. (Berry dan Linoff, 2004) Teknik data mining yang digunakan dalam penelitian ini adalah teknik asosiasi. Teknik ini juga dikenal sebagai teknik market basket karena teknik ini biasa digunakan untuk menentukan pola pembelian konsumen di pasar dengan menggunakan data transaksi. Namun dalam penelitian ini, teknik asosiasi digunakan untuk mendapatkan pola penggunaan material di gudang dalam kaitannya dengan proses produksi. Data diambil dari setiap transaksi penggunaan material bahan baku oleh masing-masing user dalam hal ini bagian produksi. Data transaksi ini mencakup jenis material serta waktu dan hari transaksi pengeluaran dari gudang.
2.3
Ban 2.3.1
Karet
Karet merupakan politerpena yang disintesis secara alami melalui polimerisasi enzimatik isopentilpirofosfat. Unit ulangnya adalah sama sebagaimana 1,4-poliisoprena. Dimana isoprena merupakan produk degradasi utama karet. Bentuk utama dari karet alam, yang terdiri dari 97% cis-1,4-isoprena, dikenal sebagai Hevea Rubber. Hampir semua karet alam diperoleh sebagai lateks yang terdiri dari 32-35% karet dan sekitar 5% senyawa lain, termasuk asam lemak, gula, protein, sterol ester dan garam. Lateks biasa dikonversikan ke karet busa dengan aerasi mekanik yang diikuti oleh vulkanisasi (Malcom,2001). Karet adalah polimer hidrokarbon yang terkandung pada lateks beberapa jenis tumbuhan. Sumber utama produksi karet dalam perdagangan internasional adalah para atau Hevea brasiliensis (suku Euphorbiaceae). Beberapa tumbuhan lain juga menghasilkan getah lateks dengan sifat yang sedikit berbeda dari karet, seperti anggota suku ara-araan (misalnya beringin), sawo-sawoan (misalnya getah perca dan sawo manila), Euphorbiaceae lainnya, serta dandelion. Pada masa Perang Dunia II, sumber-sumber ini dipakai untuk mengisi
5
kekosongan pasokan karet dari para. Sekarang, getah perca dipakai dalam kedokteran (guttapercha), sedangkan lateks sawo manila biasa dipakai untuk permen karet (chicle). Karet industri sekarang dapat diproduksi secara sintetis dan menjadi saingan dalam industri perkaretan (Anonim,2011). Karet adalah polimer dari satuan isoprena (politerpena) yang tersusun dari 5000 hingga 10.000 satuan dalam rantai tanpa cabang. Diduga kuat, tiga ikatan pertama bersifat [[isomer|trans]] dan selanjutnya cis. Senyawa ini terkandung pada lateks pohon penghasilnya. Pada suhu normal, karet tidak berbentuk (amorf). Pada suhu rendah ia akan mengkristal. Dengan meningkatnya suhu, karet akan mengembang, searah dengan sumbu panjangnya. Penurunan suhu akan mengembalikan keadaan mengembang ini. Inilah alasan mengapa karet bersifat elastis (Anonim, 2011).
2.3.2
Sifat-Sifat Karet Alam
Warnanya agak kecoklat-coklatan, tembus cahaya atau setengah tembus cahaya, dengan berat jenis 0,91-093. Sifat mekaniknya tergantung pada derajat vulkanisasi, sehingga dapat dihasilkan banyak jenis sampai jenis yang kaku seperti ebonite. Temperatur penggunaan yang paling tinggi sekitar 99oC, melunak pada 130oC dan terurai sekitar 200oC. Sifat isolasi listriknya berbeda karena pencampuran dengan aditif. Namun demikian, karakteristik listrik pada frekuensi tinggi, jelek. Sifat kimianya jelek terhadap ketahanan minyak dan ketahanan pelarut. Zat tersebut dapat larut dalam hidrokarbon, ester asam asetat, dan sebagainya. Karet yang kenyal agar mudah didegradasi oleh sinar UV dan ozon (Marthan,1998).
2.3.3
Penggunaan Karet Alam
Karet alam banyak digunakan dalam industri-industri barang. Umumnya alat-alat yang dibuat dari karet alam sangat berguna bagi kehidupan sehari-hari maupun dalam industri seperti mesin-mesin pengerak barang yang dapat dibuat dari karet alam antara lain ban mobil, tetapi juga ditemukan dalam skelompok produk-produk komersial, sol sepatu, segel karet, insulasi listrik, sabuk penggerak mesin besar dan mesin kecil, pipa karet, kabel, isolator, bahan-bahan pembungkus logam, aksesoris olah raga dan lain-lain. (Muis, 1992)
2.3.4
Karet Sintetis
Karet sintetis sebagian besar dibuat dengan mengandalkan bahan baku minyak bumi. Biasanya karet sintetis yang dibuat akan memiliki sifat tersendiri yang khas. Ada jenis yang tahan tehadap panas atau suhu tinggi, pengaruh udara, bahkan ada yang kedap gas. (Tim Penulis PS, 1999) Dalam agroindustri pembuatan ban, jenis karet sintetis yang cocok dan banyak digunakan adalah karet sintetis jenis SBR (Styrene Butadiene Rubber). Menurut Anonim (2010), jenis SBR merupakan karet sintetis yang paling populer. SBR merupakan kopolimer acak dari 75% butadiena dan 25% stirena yang diproduksi dengan cara polimerisasi emulsi. Jika dibandingkan dengan karet alam, karet sintetis SBR memiliki beberapa kelebihan seperti tidak memerlukan proses mastikasi, lebih toleran terhadap extender oil tanpa menyebabkan terjadinya penurunan sifat, dan ketahanan terhadap penuaan dan abrasi. Karet SBR merupakan polimer amorfus yang tidak menguat sendiri, sehingga perlu penambahan pengisi penguat saat komponding. Seperti karet alam, karet SBR juga divulkanisasi dengan menggunakan sistem vulkanisasi sulfur terakselerasi. Oleh karena ikatan ganda yang dimiliki SBR lebih sedikit dibandingkan karet alam, maka jumlah sulfur yang dipakai tidak sebanyak yang digunakan untuk karet alam.
6
2.3.5
Proses Pembuatan Ban
Penjelasan proses pembuatan ban mengacu dari PT. Goodyear Indonesia (2010), Bahan baku utama yang digunakan dalam pembuatan ban adalah karet. Terdapat dua jenis karet yang digunakan, yaitu karet alam dan karet sintetik. Perbedaan karet sintetik dan karet alami ini adalah dari segi tekstur, dimana karet alami bersifat keras, sedangkan karet sintetik bersifat lembek. Karet sintetik yang digunakan diimpor dari Jepang, Jerman, Belgia, Amerika, dan Korea. Selain itu digunakan bahan baku lain, yaitu benang dari jenis nilon, polyester, dan kevlar. Selain karet, bahan-bahan yang digunakan dalam pembuatan ban di PT Goodyear Indonesia, Tbk. adalah bahan kimia (chemical) yang digunakan antara lain : PIG 1202, PIG 87, PIG 72, PIG 295, PIG 450, DIROSIC, JOPLINE, HINDAX, GROGIC, STICIC. Karbon hitam (carbon black) berfungsi sebagai bahan yang memperkuat struktur ban dan ikatan polimer. Karbon hitam yang digunakan adalah CB 228, CB 510, CB 405, dan CB 599. Pada proses pembuatan ban, diperlukan bahan baku cair. Bahan baku cair yang digunakan adalah minyak yang berasal dari destilasi minyak bumi. Minyak ini berfungsi sebagai pelunak karet dan memberikan sifat lengket pada karet, minyak yang dipakai adalah sardine, urbonine, dan lucine. Bahan lain yang digunakan adalah kawat tembaga 7 yang digunakan untuk membuat bead sebagai dasar ban agar ban tidak mudah lepas dari velg saat mendapat goncangan atau tekanan, serat baja digunakan untuk melapisi breaker. Bahan dasar pembuat ban diantaranya adalah benang/kawat baja, nylon, araMid fiber, rayon, fiberglass, polyester (biasanya bahan kombinasi, misalnya benang polyester pada lapisan ban dan kawat baja pada bagian sabuk baja dan bead yang umumnya terdapat pada ban mobil penumpang radial), digunakan pula karet alam dan sintetis (terdapat puluhan jenis karet/polimer), lalu campuran kimia yang terdiri dari karbon black, silica, resin. Antidegradants berupa antioksidan, ozonan, parafin wax, juga merupakan salah satu bahan dasar pembuat ban. Lalu bahan dasar lain adalah adhesion promoters, yaitu cobalt salt, brass untuk kawat baja, resin dan benang serta curatives, yaitu cure accelerators, activators, sulfur, dan processing aids (minyak, tackifier, peptizer, softener). Di satu ban ukuran populer 195/70R14 ban mobil penumpang untuk semua musim, mempunyai berat sekitar 8 kg yang terdiri dari : 1. 2 kg terdiri dari 30 jenis bahan karet sintetis 2. 1.5 kg terdiri dari 8 jenis bahan karet alam 3. 2 kg terdiri dari 8 jenis bahan karbon black 4. 0.5 kg sabuk kawat baja 5. 0.5 kg. benang polyester dan nylon 6. 0.5 kg bead kawat baja 7. 1.5 kg terdiri dari 40 jenis bahan kimia, minyak dan lain-lain. Campuran umum antara bahan karet sintetis dan karet alam menurut jenis ban adalah: 1. Ban Mobil Penumpang 55% : 45% 2. Ban Truk Kecil 50% : 50% 3. Ban Mobil Balap 65% : 35% 4. Ban Off-The-Road (giant/earthmover) 20% : 80% Proses pembuatan ban digambarkan pada Lampiran 1. Secara sederhana, proses produksi ban dapat diuraikan sebagai berikut: 1.
Pencampuran Bahan Pembuatan sebuah ban radial dimulai dengan mempersiapkan berbagai jenis bahan mentah, seperti pigmen, zat-zat kimia, kurang lebih 30 jenis karet yang berbeda, benangbenang, kawat bermanik-manik (bead wire), dan sebagainya.
7
Proses lalu dimulai dengan mencampurkan bahan-bahan dasar karet dengan oli proses, karbon hitam, pigmen, anti oksidan, akselerator, dan berbagai zat tambahan lainnya. Masing-masing dari bahan ini menambahkan sifat tertentu dari campuran (compound) ini. Semua bahan ini diaduk dalam mesin mixer yang dinamakan Banbury. Mesin ini bkerja dengan suhu yang tinggi. Bahan campuran yang panas, hitam, dan lembek ini diproses berulang kali. 2.
Pencetakan Ban Setelah itu karet ini didinginkan ke dalam beberapa bentuk. Biasanya diproses menjadi lembaran-lembaran, lalu dibawa ke mesin extruder. Kilang ini memasukkan karet di antara pasangan penggulung (roller) yang berulang-ulang sehingga menjadi komponen-komponen ban. Mereka lalu dibawa dengan ban berjalan lalu menjadi dinding samping, telapak, ataupun bagian lain dari ban. Ada jenis karet yang melapisi rajutan benang yang akan menjadi badan dari ban. Rajutan ini datang dalam rol-rol yang besar dan mereka juga sama pentingnya dengan campuran karet yang dipakai. Berbagai jenis benang dipakai, termasuk polyester, rayon, atau nylon. Kebanyakan dari ban untuk kendaraan penumpang dewasa ini menggunakan badan yang terbuat dari benang polyester.
3.
Kawat Pengikat Sebuah komponen lainnya, yang berbentuk gulungan, disebut bead. Komponen ini terdiri dari kawat baja high-tensile yang berfungsi sebagai tulang ban yang akan menempel pada pinggiran velg mobil. Kawat baja tersebut diselaraskan dengan pita yang dilapis dengan karet untuk pelekat, kemudian digulung dan diikat untuk selanjutnya disatukan dengan bagian ban lainnya. Ban-ban radial dibuat menggunakan satu atau dua mesin ban. Di bagian dalam sekali dari ban ada dua lapis karet lembek sintetis yang disebut innerliner. Lapisanlapisan ini akan mengurung udara dan membuat ban menjadi tubeless
4.
Lapisan Kemudian ada dua lapisan rajutan ply. Dua strip yang dinamakan apex membuat kaku area diatas bead. Lalu ditambahkan sepasang strip chafer, yang dinamakan demikian karena keduanya mencegah kerusakan yang diakibatkan pinggiran velg ketika ban dipasang. Mesin perakit ban membentuk ban-ban radial menjadi bentuk yang sudah sangat dekat dengan dimensi final untuk memastikan bahwa semua komponen yang berjumlah banyak itu berada dalam posisi yang tepat sebelum ban masuk ke mesin pencetak.
5.
Telapak Ban Pembuat ban menambahkan sabuk baja yang menahan kebocoran dan menekan telapak ban ke permukaan jalan. Telapak ban adalah bagian terakhir yang dipasang. Setelah sebuah pemutar otomatis menjepit semua komponen sehingga menempel kuat satu dengan yang lain, ban radial yang kini disebut green tire kini siap untuk diperiksa dan disempurnakan.
6.
Pematangan atau Pemasakan Ban Alat penekan curing memberi bentuk final ban serta pola telapaknya. Alat yang digunakan untuk mencetak bentuk telapak ban disebut mold. Cetakan ini dilengkapi
8
dengan pola telapak, kode-kode di dinding samping sebagaimana diwajibkan oleh peraturan yang berlaku. Ban-ban dipanaskan dalam temperatur lebih dari 300 derajat selama 12 hingga 25 menit tergantung ukurannya. Begitu mesin cetak terbuka, ban-ban akan keluar dari cetakannya dan langsung jatuh ke ban berjalan yang lalu akan membawanya ke bagian finish dan inspeksi terakhir. 7.
Pemeriksaan Pemeriksaan dilakukan untuk memeriksa ban yang memiliki kecacatan, walaupun hanya cacat sedikit, ban itu ditolak (reject). Sebagian dari cacat bisa dideteksi hanya 9 dengan mata dan tangan pemeriksa yang sudah terlatih, sebagian lagi baru bisa ditemukan menggunakan mesin-mesin khusus. Inspeksi tidak hanya dilakukan pada permukaan saja, ada ban yang ditarik dari lini produksi dan diperiksa dengan X-ray untuk mendeteksi kelemahan-kelemahan yang tersembunyi atau kerusakan-kerusakan internal. Di samping itu, para teknisi pengendalian mutu secara rutin membongkar ban yang diambil secara acak untuk mempelajari setiap detil dari konstruksinya yang mempengaruhi performa, kenyamanan dan keselamatan pemakai.
2.3.6
Jenis-jenis Ban
Pada umumnya jenis ban terbagi menjadi tiga jenis, yaitu ban bias, ban radial, dan ban tubeless. Ban bias adalah ban yang paling banyak dipakai. Ban jenis ini terbuat dari banyak lembar cord yang berfungsi sebagai rangka ban. Cord tersebut ditenun dengan cara zig-zag membentuk sudut 40 sampai 65 derajat sudut terhadap keliling lingkaran ban. Berbeda dengan ban bias, ban radial mempunyai konstruksi carcass cord yang membentuk sudut 90 derajat sudut terhadap keliling lingkaran ban. Jika dilihat dari samping, konstruksi cord adalah dalam arah radial terhadap pusat dari ban. Bagian dari ban berhubungan langsung dengan permukaan jalan diperkuat oleh semacam sabuk pengikat yang dinamakan breaker atau belt. Ban jenis ini hanya menderita sedikit deformasi dalam bentuknya dari gaya sentrifugal, walaupun pada kecepatan tinggi. Ban radial ini juga mempunyai rolling resistance yang kecil. Sedangkan ban tubeless adalah ban yang dirancang tanpa mempunyai ban dalam. Ban tubeless ini diciptakan sekitar tahun 1990. (Anonim, 2011)
2.4
Penelitian Terdahulu Berdasarkan penelitian yang dilakukan oleh Kofjac (2007), pendekatan pengendalian persediaan dilakukan melalui optimalisasi proses pemesanan (ordering), dimana strategi pemesanan ditentukan untuk meminimalisasi fungsi biaya. Dalam penelitian ini juga diperkenalkan fungsi biaya yang cukup kompleks seperti biaya kapital, biaya fisik penyimpanan, biaya transportasi, fixed ordering cost, manipulation cost, dan biaya ambil alih produk. Optimalisasi proses ordering dilakukan dengan metode simulasi dan logika fuzzy. Model pengendalian persediaan diimplementasikan dengan dibantu oleh metode sistem dinamik. Dalam penelitiannya, Kofjac memperkenalkan algoritma adaptive inventory control yang ditemukan dalam fuzzy logic dan algortima pengendalian persediaan yang telah dibahas sebelumnya. Algoritma adaptif didefiniskan sebagai strategi penempatan yang tepat guna berdasarkan periode waktu dan fungsi biaya. Selama masa optimalisasi proses, metode ini mengggunakan strategi fuzzy logic yang mengevaluasi algoritma fuzzy stock-outs, level persediaan tertinggi, dan total biaya. Dengan menggunakan data historis, Kofjac berhasil membuktikan bahwa algoritma adaptif menyajikan hasil yang lebih baik dibanding algoritma pengendalian persediaan yang lain dan
9
cukup baik menghadapai lingkungan pasar modern yang adaptif, serta data yang bersifat stochastic. Sedangkan penelitian terdahulu mengenai Associative Rules Mining banyak ditemukan penerapannya dalam berbagai penelitian mengenai penetapan strategi penjualan dan sangat jarang ditemukan penerapannya dalam aspek pengendalian persediaan. Sebagai contoh adalah penelitian Arrahman (2011) mengenai penerapan metode Associative Rules Mining dalam penetapan strategi penjualan. Penelitian ini juga terkait dengan cutomer relationship management, yang mencakup cross/up selling, product affinity analysis, dan product bundling yang dapat digunakan sebagai alternatif solusi dalam sistem strategi penjualan di suatu industri. Revenue perusahaan dapat semakin ditingkatkan melalui penjualan secara Cross Selling dimana dilakukannya penjualan additional products dari produk utama sehingga semakin terjaganya hubungan pelanggan dan semakin meningkatnya kepuasan pelanggan terhadap sistem pemasaran perusahaan. Dalam penelitian ini, dilakukan analisis terhadap data transaksi penjualan sebuah perusahaan yang bergerak di bidang agroindustri dengan produk ban menggunakan teknik Associative Rules. Hasil penelitian ini menunjukkan strategi penjualan dari penggunaan teknik Associative Rules Mining.
10
III. 3.1
METODE PENELITIAN
Kerangka Pemikiran Persaingan dalam dunia industri dewasa ini sudah tidak dapat dielakkan lagi. Masing-masing usaha industri berlomba untuk mendapatkan keuntungan sebesar-besarnya ditengah persaingan yang semakin ketat. Selain itu, pelaku industri juga tertantang untuk terus mempertahankan keberlangsungan industri mereka secara terus menerus. Beragam usaha telah dikerahkan untuk mencapai tujuan itu. Salah satunya adalah menciptakan sistem perencanaan produksi dan pengendalian persediaan yang tepat guna dalam rangka optimalisasi produksi seefisien dan seefektif mungkin. Aspek perencanaan produksi dan pengendalian persediaan dalam proses produksi, memegang peran yang cukup penting dalam kelancaran proses produksi tersebut. Aspek ini memegang tanggung jawab untuk pengadaan material input maupun material output. Material input yang dimaksud adalah material-material yang berhubungan langsung terhadap proses produksi seperti, bahan baku utama, bahan baku tambahan, bahan baku substitute, hingga material-material penunjang lainnya dalam produksi. Sedangkan material output adalah material yang sudah melalui proses sedemikian rupa hingga menjadi sesuatu yang langsung dapat dipasarkan atau dengan kata lain adalah produk atau hasil dari proses produksi tersebut. Dalam aspek perencanaan produksi dan pengendalian persediaan yang berlangsung saat ini di banyak industri, sering ditemukan permasalahan yang dinilai mengganggu kelangsungan proses produksi sehingga secara bertahap menyebabkan efek domino berupa kerugian bagi industri. Permasalahan utama yang sering ditemukan di lapangan antara lain, data historis penggudangan yang bersifat stochastic, transaksi keluar-masuk material dari dan ke dalam gudang tidak terdata, pemenuhan kebutuhan material yang bersifat terlambat atau tidak tepat waktu melampaui lead time, kesalahan penghitungan jumlah aktual dengan jumlah yang terdata, dan banyak permasalahan lainnya. Permasalahan yang terdapat dalam aspek perencanaan produksi dan pengendalian persediaan diharapkan mampu diminimalisir hingga tereliminasi dengan menggunakan dua teknik yaitu teknik perhitungan peramalan atau forecast dengan pemulusan eksponensial berganda yang merupakan bagian dari teknik Adaptive Inventory Control untuk perencanaan produksi khususnya tahap procurement dan teknik Associative Rules Data Mining untuk pengendalian persediaan. Pemisahan aspek ini dilakukan berdasarkan asumsi bahwa perencaan produksi dan pengendalian persediaan merupakan satu kesatuan yang terdiri dari dua aspek yang berbeda namun saling terkait satu sama lain. Penggunaan salah satu bagian dari teknik Adaptive Inventory Control yaitu pemulusan eksponensial berganda, dinilai mampu mengatasi permasalahan jenis data yang bersifat stochastic sehingga menjadi data yang relatif bersifat adaptif terhadap segala perubahan yang terjadi. Selain itu, penggunaan teknik ini dapat meredam jumlah material yang mengalami keterlambatan dalam proses pengadaannya diluar lead time atau bahkan dapat mengurangi lead time itu sendiri. Selanjutnya, penggunaan teknik ini juga dinilai mampu membantu warehouse manager dalam proses penggudangan secara keseluruhan. Aplikasi penggunaan teknik Associative Rules Data Mining sering digunakan dalam menentukan strategi pemasaran produk industri dengan menentukan bundling produk sehingga dapat meningkatkan revenue perusahaan secara signifikan. Namun kali ini, penggunaan teknik Associative Rules Data Mining coba diterapkan dalam aspek pengendalian persediaan dalam kaitannya dengan proses produksi. Penggunaan teknik ini juga dapat diterapkan dalam aspek pengendalian persediaan dengan menentukan bundling material bahan baku. Penentuan bundling yang berupa frequent item set ini mampu membantu warehouse manager mengurangi jumlah
11
material yang tidak terdata proses keluar-masuknya. Selain itu, penerapan teknik ini juga dapat berpengaruh dapat mengurangi lead time pengadaan material secara tidak langsung. Flowchart lengkap dari penelitian dapat dilihat pada Gambar 1 dibawah ini.
Mulai Mengolah Data Penggudangan
Hitung Jumlah Transaksi Material (I-O) per tahun
Data Penggudangan 1
Hitung Jumlah Transaksi dari Tiap Item Set (k=2)
Data Awal: - Tanggal - Kode Material - Nama Material - Jumlah - Ukuran
Nilai φ Tentukan Nilai φ
Hitung Jumlah Transaksi dari Tiap Item Set (k=3)
Jumlah Item Set (Σk=2)
Hitung Nilai Support tiap Item Set
Jumlah Item Set (Σk=3)
Hitung Jumlah Transaksi dari Tiap Item Set (k=n)
Jumlah Item Set (Σk=n)
Support = (Σitem set/ Σtotal set) x 100%
Hitung Nilai Confidence tiap Item Set Confidence = (Σitem set/Σtotal
Nilai Support
set antecedent) x 100% Nilai Confidence
Hitung Nilai Support x Confidence =Nilai Support x Nilai Confidence Nilai Support
Data Item Set Associative Rule
x Confidence
Hitung Jumlah Penggunaan Material Tertentu setiap bulannya dlm periode produksi t=24
Data Penggudangan 2
Jumlah Penggunaan Material
Plot Data Penggunaan Grafik Plot
Tentukan Nilai Inisiasi α
Nilai St’ dan St”
Hitung Nilai at, bt, dan Ft
Nilai MSE, et, dan et2
Hitung Ft untuk periode ke depan t = 24
Selesai
Nilai α
Hitung Nilai St' dan St”
Nilai at, bt, dan Ft
Hitung MSE (et dan et2)
Nilai Ft untuk 24 periode ke depan
Gambar 1. Diagram Alir Penelitian
12
3.2
Sumber Data Transaksi Penggudangan Untuk menghitung nilai asosiasi antar material yang disimpan di gudang dan untuk menghitung peramalan jumlah material yang dibutuhkan pada periode berikutnya maka dibutuhkan data transaksi penggudangan material bahan baku dari suatu perusahaan agroindustri yang bergerak di bidang industri ban. Data transaksi penggudangan bahan baku tersebut berisi data mengenai bahan baku, tanggal keluar-masuk material, serta jumlah material yang digunakan. Data tersebut dikumpulkan dari data transaksi penggudangan dalam jangka waktu satu tahun. Semua pengolahan data yang telah didapat dilakukan dengan menggunakan program Microsoft Excel 2007.
3.3
Formulasi Double Exponential Smoothing Pada dasarnya metode double exponential smoothing atau pemulusan eksponensial ganda lazim digunakan untuk menghitung atau memprediksikan jumlah kebutuhan suatu material pada periode ke depannya (forecast) dengan menggunakan data penggunaan pada periode sebelumnya. Metode ini digunakan bertujuan untuk mendapatkan peramalan jumlah kebutuhan material dengan eror terkecil. Penggunaan metode ini diharapkan mampu menghasilkan forecast jumlah kebutuhan material yang bersifat adaptif terhadap perubahan data penggunaan yang bersifat stochastic, yang kemudian mampu mengoptimalisasi jumlah dan lead-time pengadaan suatu material. Formulasi perhitungan metode double exponential smoothing dapat dilihat pada Gambar 2 dibawah ini.
Mulai
Data Penggunaan Mateial periode x-1
Plotting data menjadi Grafik
Inisiasi awal dengan menentukan nilai α, S1’=S1”=X1
Grafik
Menghitung nilai St’, St”, at, dan bt
Menghitung Nilai Ft Menghitung nilai MSE Menghitung forecast jumlah
Selesai Forecast t = 24
Gambar 2. Formulasi Double Exponential Smoothing
13
3.4
Formulasi Associative Rules Data Mining Dari pengamatan terhadap pola interaksi user (bagian produksi) dan warehouse manager, pada transaksi penggudangan dan penggunaan suatu material dari gudang penyimpanan, banyak hal yang harus diperhatikan dalam waktu bersamaan. Hal ini tentu dapat menjadi suatu permasalahan ketika terjadi kesalahan perhitungan baik untuk perencaan produksi maupun pengendalian persediaan yang dituntut terus untuk melakukan peninjauan terhadap jumlah material yang dibutuhkan, jumlah material yang telah digunakan, dan jumlah material yang tersimpan. Berdasarkan Witten (2005), associative rules adalah salah satu teknik dalam data mining untuk menemukan hubungan antar item dalam suatu suatu kumpulan data yang telah ditentukan. Konsep ini diturunkan dari terminologi market basket analysis. Konsep ini banyak digunakan untuk pencarian hubungan dari beberapa produk dalam suatu transaksi pembelian. Namun konsep ini juga dapat diaplikasikan terhadap transaksi penggunaan material di gudang. Maka dari itu associative rules data mining digunakan untuk mencari hubungan atau nilai kedekatan antar material satu dengan material lainnya (antar item) untuk meminimalisir kesalahan perhitungan tiga aspek utama dalam kegiatan gudang. Proses formulasi associative rules data mining dapat dilihat pada Gambar 3 dibawah ini.
Mulai
Analisis frequent item set awal
Menghitung nilai Support Selesai
Menghitung Nilai Confidence
Rules frequent item set Menentukan rules material bahan baku
Gambar 3. Formulasi Associative Rules Data Mining Penggunaan konsep ini bertujuan untuk mencari kombinasi material (item set) yang sering muncul (frequent). Pada dasarnya konsep ini memiliki dua langkah utama dalam menghitung nilai asosiasi yaitu pertama adalah menghitung untuk menemukan frequent item set dan langkah kedua adalah mencari kaidah asosiasinya (rules) dari kumpulan frequent item set tadi. Seperti yang telah terlihat diatas, dengan menggunakan associative rules data mining, terdapat dua kriteria nilai, yaitu: 1. Support : suatu nilai kriteria untuk menentukan tingkat dominasi item set dari keseluruhan transaksi penggudangan (dari seluruh transaksi penggudangan yang didapat, seberapa besar kemungkinan item A dan item B digunakan secara bersamaan). Support ({A,B}) = Number of Transaction (A,B) 2. Confidence (probability): suatu ukuran untuk menyatakan hubungan antar satu item dengan item lainnya secara conditional (misal: seberapa sering item A digunakan, jika pengguna menggunakan item B). Confidence (A U B) = Probability (B | A) = Support (A,B) / Support (A)
14
3.5
Verifikasi Verifikasi adalah proses pemeriksaan apakah logika operasional model sesuai dengan logika diagram alur. Verifikasi melakukan pemeriksaan apakah program komputer simulasi berjalan dengan yang diinginkan dan mencapai tujuannya. (Anonim, 2001). Pengolahan data berawal dari data historis seperti data mengenai material, penggunaan jumlah material selama 24 bulan, dan tanggal transaksi pengambilan material dari gudang selama periode satu tahun. Data-data tersebut kemudian diolah dengan kedua teknik perhitungan tersebut. Hasil dari pengolahan data kemudian dianalisis dan dinilai rasionalitas hasilnya dengan kemungkinan hasil yang mungkin terjadi serta mengacu pada hasil pengolahan data penelitian terdahulu.
15
IV.
PEMBAHASAN
Peningkatan jumlah industri yang terus meningkat mendorong perusahaan-perusahaan untuk mengoptimalkan produksi guna memenuhi permintaan yang juga terus meningkat serta meningkatkan daya saing antar indutri yang serupa. Optimalisasi produksi ditandai dengan terus meningkatnya profit perusahaan sejalan dengan peningkatan jumlah permintaan terhadap produk. Peningkatan permintaan selain disebabkan karena kebutuhan dari konsumen, juga disebabkan oleh nilai produk tersebut. Nilainilai produk yang menjadi tolak ukur konsumen memilih produk antara lain kualitas, fungsi, pelayanan terhadap konsumen, dan terpenting adalah harga. Optimalisasi produk inilah yang nantinya diharapkan mampu meningkatkan kualitas produk namun tetap meminimalisir biaya produksi sehingga dapat memberikan harga jual terbaik terhadap konsumen. Salah satu aspek penting dalam sistem produksi suatu industri adalah perencanaan produksi dan pengendalian persediaan (production planning and inventory control/PPIC). Aspek ini memperhatikan aspek peramalan jumlah produksi, pengadaan material bahan baku produksi, hingga proses penggudangan. Salah satu manfaat dari aspek ini menurut Assauri (1980) adalah menjamin kelancaran produksi. Kelancaran ini yang terkait dengan pengadaan bahan baku yang tepat, pembelian bahan baku yang seoptimal mungkin, menghilangkan resiko keterlambatan barang datang, menghilangkan resiko barang yang dipesan rusak, menumpuk barang yang dihasilkan secara musiman, mencapai penggunaan mesin yang optimal, serta memberikan jaminan barang selalu ada. Namun pada pelaksanaannya, banyak juga ditemukan kendala dan permasalahan dalam aspek PPIC. Ada beberapa hal penting yang sering kali menjadi kendala untuk menciptakan sistem PPIC yang optimal, antara lain keterlambatan pengadaan material, pembelian material yang berlebih dan tidak efisien, proses penggudangan yang kurang efektif untuk transaksi keluar-masuk material di gudang, serta adanya kesalahan dalam pencatatan dokumen material dalam proses penggudangan. Maka dari itu, penelitian ini terfokus untuk meminimalisir permasalahan-permasalahan tersebut dengan menggunakan dua teknik yaitu pemulusan eksponensial ganda (double exponential smoothing) untuk perencanaan produksi dan teknik associative rules mining untuk pengendalian persediaan.
4.1
Adaptive Inventory Control untuk Procurement Adaptive Inventory Control atau selanjutnya disingkat menjadi AIC adalah suatu metode pengendalian persediaan yang dikembangkan untuk menggantikan metode MRP yang sejak dulu sudah dipercaya untuk mengelola aspek perencanaan produksi dan pengendalian persediaan. Menurut Ovacik (2011), penggunaan Advanced Planning System, yang di dalamnya mencakup metode Adaptive Inventory Control, merupakan penggantian dari sistem MRP terdahulu yang sejalan juga dengan evolusi SCM (Supply Chain Management). Dalam sistem MRP terdahulu banyak kekurangan yang ditemukan serta banyak hal yang dinilai sudah tidak sejalan dengan perkembangan aspek PPIC. Permasalahan utama yang sering ditemukan adalah mengenai data yang bersifat stochastic. Perkembangan data yang digunakan dalam metode MRP bersifat sangat dinamis, yang selanjutnya berimbas pada perubahan stochastic dalam produksi dan penjualan. Hal ini juga diungkapkan oleh Kofjac (2007), Adaptive Inventory Control merupakan jalan keluar dari permasalahan pengendalian persediaan sebagai konsekuensi stochastic lead-time dan perubahan stochastic dalam proses produksi dan penjualan. Sesuai dengan tinjauan pustaka dalam bab sebelumnya, Adaptive Inventory Control dibangun dengan tujuan untuk meminimalkan total biaya persediaan. Metode AIC yang bersifat sangat adaptif terhadap semua perubahan yang terjadi dapat membantu perusahaan untuk menghemat biaya pengadaan material. Metode AIC yang menggunakan perhitungan double exponential smoothing atau pemulusan eksponensial berganda untuk menghitung peramalan kebutuhan material pada satu periode ke depannya. Menurut Packer (1967), penggunaan pemulusan
16
eksponensial dalam AIC tersebut sangat cocok untuk digunakan dalam sistem ini karena pemulusan eksponensial cenderung bersifat reaktif dan adaptive terhadap segala perubahan (dalam hal ini ‘Jumlah’). Penggunaan metode AIC dengan metode pemulusan eksponensial dalam penelitian ini bertujuan untuk melakukan peramalan jumlah kebutuhan material pada periode ke depannya. Metode peramalan adalah suatu cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Dengan kata lain metode peramalan bersifat sangat objektif. Selain itu, metode peramalan juga memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan, sehingga bila digunakan pendekatan yang sama dalam suatu permasalahan dalam suatu kegiatan peramalan, akan menghasilkan dasar pemikiran dan pemecahan yang sama. Dalam aspek PPIC sering terdapat senjang waktu (time lag) antara kesadaran akan peristiwa serta adanya waktu tenggang (lead time) yang dijadikan alasan utama untuk melakukan perencanaan dan peramalan. Peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan. Dapat dikatakan bahwa peramalan sangat berguna bagi suatu industri untuk membantu dalam mengadakan analisis terhadap data masa lalu, sehingga dapat memberikan cara pemikiran, pengerjaan yang teratur dan terarah, perencanaan yang sistematis serta memberikan ketepatan hasil peramalan yang telah dibuat. Dalam perencanaan di suatu industri atau perusahaan, peramalan merupakan kebutuhan yang sangat penting. Baik buruknya suatu peramalan dapat mempengaruhi seluruh bagian organisasi karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari beberapa waktu yang lalu. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Ada beberapa kegunaan peramalan dalam suatu industri atau perusahaan antara lain: 1. Berguna untuk penjadwalan sumber daya yang tersedia. Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi, transportasi, keuangan, personalia, dan sebagainya. Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat permintaan dari user atau pengguna. 2. Berguna dalam penyediaan sumber daya tambahan seperti waktu tenggat (lead time) untuk memperoleh bahan baku, menerima pekerja baru atau membeli mesin dan peralatan yang dapat berkisar selama beberapa waktu. 3. Berguna untuk menentukan sumber daya yang diinginkan. Setiap industri atau perusahaan harus dapat menentukan sumber daya yang harus atau akan dimiliki dalam jangka panjang ke depan. Keputusan seperti itu bergantung kepada faktor-faktor lingkungan, manusia, dan sumber daya keuangan. Semua penentuan ini memerlukan peramalan yang baik.
1.
2.
Pada dasarnya teknik peramalan terbagi menjadi dua kategori, yaitu: Metode Peramalan Kualitatif Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang membuatnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat, dan pengetahuan dari orang yang membuatnya. Metode Peramalan Kuantitatif Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada metode yang digunakan dalam peramalan tersebut. Dengan metode yang berbeda, perbedaan atau penyimpangan antara hasil ramalan dengan aktual yang terjadi berarti metode yang digunakan semakin baik.
17
4.1.1
Pemulusan Eksponensial Berganda
Metode pemulusan eksponensial banyak diartikan sebagai metode peramalan dengan melakukan penghalusan data masa lalu, yaitu dengan mengambil rata-rata dari nilai di masa lalu untuk menaksir nilai pada periode ke depan. Penggunaan nilai rata-rata bertujuan untuk memanfaatkan data masa lalu untuk mengembangkan suatu sistem peramalan pada periode mendatang. Bentuk umum dari metode pemulusan adalah:
Keterangan: = ramalan satu periode ke depan = parameter pemulusan = data aktual pada periode ke t = ramalan pada periode ke t Selain itu, dikatakan pula bahwa metode Pemulusan Eksponensial merupakan sekelompok metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi yang lalu atau dengan kata lain obsevasi yang baru diberikan bobot yang relatif besar dengan nilai observasi yang lalu. Pada dasarnya, telah kita ketahui bahwa pemulusan eksponensial terdiri dari empat macam yang berbeda kegunaan dan fungsinya masing-masing, yaitu pemulusan eksponensial tunggal, pemulusan eksponensial ganda, pemulusan eksponensial triple, dan pemulusan eksponensial menurut klasifikasi Pegels. Penggunaan metode pemulusan eksponensial ganda dikarenakan data yang ada menunjukkan pola data tren linier yang dapat juga dilihat dari plot nilai-nilai autokorelasi yang menunjukkan pola data tren linier. Analisa dan Pengolahan Data Analisa diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah ditafsirkan dan menguraikan masalah secara parsial ataupun keseluruhan. Analisa data dilakukan agar diperoleh hasil sesuai dengan yang diinginkan. Selanjutnya akan dilakukan analisa terhadap data penggunaan bahan baku karet sintetis yang selanjutnya disebut sebagai material A. Metode analisa yang dipakai dalam peramalan kebutuhan material ini adalah metode pemulusan berganda Brown, dimana datanya adalah sebagai berikut: Tabel 1. Data Penggunaan Bahan Baku A (t = 24) Periode
Q (Xt)
1
150
2
178
3
209
4
133
5
140
6
142
7
187
18
Tabel 1. Data Penggunaan Bahan Baku A (t = 24) (lanjutan) Periode
Q (Xt)
8
232
9
220
10
253
11
114
12
148
13
155
14
163
15
176
16
130
17
202
18
240
19
244
20
176
21
198
22
200
23
160
24
156
Setelah mendapatkan data penggunaan historis 24 bulan lalu, tahap selanjutnya adalah plotting data tersebut menjadi grafik. Transformasi setelah menjadi bentuk grafik adalah sebagai berikut.
Data Penggunaan Bahan Baku A 300 250 200 150 100 50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Gambar 4. Grafik Penggunaan Bahan Baku A t = 24 Dari grafik diatas dapat terlihat bahwa data tersebut termasuk data musiman. Data ini terjadi bila seriesnya dipengaruhi oleh faktor musiman, seperti tahunan, bulanan, atau mingguan. Pada pemulusan eksponensial tunggal dilakukan peramalan dengan satu kali pemulusan saja. Sedangkan metode pemulusan eksponensial ganda Brown ini dilakukan dua kali pemulusan dan kemudian dilakukan peramalan. Dasar pemikiran dari pemulusan eksponensial ganda Brown ini hampir sama dengan rata-rata bergerak linier karena kedua nilai pemulusan tunggal dan ganda tertinggal dari data yang sebenarnya jika terdapat unsur tren. Perbedaan nilai pemulusan tunggal dan ganda ditambahkan
19
kepada nilai pemulusan tunggal dan disesuaikan dengan tren. Persamaan yang dipakai dalam implementasi pemulusan eksponensial ganda linier Brown dengan satu parameter adalah:
, dimana m = 1, 2, 3,… Dimana m adalah jumlah periode ke muka yang diramalkan. Pada t = 1 nilai dan tidak tersedia jadi harus ditentukan pada periode awal yaitu dengan menetapkan dan sama dengan Xt atau dengan menggunakan suatu nilai rata-rata dari beberapa nilai pertama sebagai titik awal. Berikut adalah tabel hasil perhitungan pemulusan pertama hingga pemulusan kedua. Tabel 2. Hasil Perhitungan Pemulusan Pertama dan Kedua Periode
Q (Xt)
St'
St"
at
bt
Ft
1
150
150
150
-
-
-
2
178
155.60
151.12
160.08
1.12
-
3
209
166.28
154.15
178.41
3.032
161.20
4
133
159.62
155.25
164.00
1.0944
181.44
5
140
155.70
155.34
156.06
0.09056
165.10
6
142
152.96
154.86
151.06
-0.47552
156.15
7
187
159.77
155.84
163.69
0.98121
150.58
8
232
174.21
159.52
188.91
3.674268
164.67
9
220
183.37
164.29
202.45
4.770855
192.59
10
253
197.30
170.89
223.70
6.601836
207.23
11
114
180.64
172.84
188.44
1.949591
230.31
12
148
174.11
173.09
175.13
0.25417
190.39
13
155
170.29
172.53
168.04
-0.56107
175.38
14
163
168.83
171.79
165.87
-0.74037
167.48
15
176
170.26
171.49
169.04
-0.30552
165.13
16
130
162.21
169.63
154.79
-1.85499
168.74
17
202
170.17
169.74
170.60
0.107551
152.94
18
240
184.14
172.62
195.65
2.879274
170.71
19
244
196.11
177.32
214.90
4.698005
198.53
20
176
192.09
180.27
203.90
2.954073
219.60
21
198
193.27
182.87
203.67
2.599794
206.86
22
200
194.62
185.22
204.01
2.349063
206.27
23
160
187.69
185.71
189.67
0.494633
206.36
24
156
181.35
184.84
177.87
-0.87199
190.17
20
Dalam perhitungan pemulusan eksponensial ganda ini akan selalu muncul permasalahan inisiasi. Jika parameter pemulusan (α) tidak mendekati nol, pengaruh dari proses inisiasi ini akan menjadi kurang berarti dengan berjalannya waktu. Tetapi jika α mendekati nol, proses inisiasi ini dapat memainkan peranan yang nyata selama beberapa periode waktu ke depan. Maka dari itu ditetapkan nilai α = 0.2. Setelah mendapat hasil pemulusan pertama dan pemulusan kedua baru setelah itu dicari hasil ramalan untuk periode ke depannya, dalam hal ini t = 24. Untuk peramalan ini menggunakan nilai m = 1, 2, 3, …, 12 mengikuti periode ke-m. Berikut adalah hasil peramalan yang disajikan dalam bentuk tabel. Tabel 3. Hasil Peramalan t = 24 Periode
Ft
1
177.00
2
176.13
3
175.25
4
174.38
5
173.51
6
172.64
7
171.77
8
170.89
9
170.02
10
169.15
11
168.28
12
167.41
13
166.53
14
165.66
15
164.79
16
163.92
17
163.05
18
162.17
19
161.30
20
160.43
21
159.56
22
158.69
23
157.81
24
156.94
Hasil peramalan diatas yang akan dijadikan dan diperhatikan selanjutnya untuk pengadaan material bahan baku pada periode berikutnya (24 bulan ke dapan). Dapat terlihat dari hasil peramalan diatas bahwa dari waktu ke waktu jumlah stok semakin menurun. Hal ini dapat terjadi dikarenakan data historis yang bersifat musiman sehingga menjadikan data yang sangat dinamis. Hal ini juga dapat diartikan sebagai bentuk ‘antisipasi’ terhadap jumlah material bahan baku agar tidak menumpuk di dalam gudang atau dengan kata lain mengoptimalkan stok di dalam gudang agar efektif dan efisien. Optimalisasi stok di dalam gudang dapat memberikan manfaat, antara lain:
21
1.
Pemerataan stok dari satu periode ke periode berikutnya. Contoh, jika terdapat selisih berlebih antara hasil peramalan dengan jumlah actual di lapangan, maka user dan warehouse manager dapat mensiasatinya dengan menggunakan selisih tersebut pada periode berikutnya. 2. Selanjutnya, dengan pengalokasian selisih berlebih dari penggunaan material pada periode sebelumnya ke periode berikutnya, akan berimbas pada berkurangnya waktu tenggat (lead time) pengadaan material bahan baku tersebut. Dengan berkurangnya lead time, maka waktu produksi juga akan lebih stabil dan juga dapat mengurangi idle dalam kegiatan berproduksi. 3. Dengan optimalisasi stok material bahan baku di gudang, hal ini juga akan sejalan dengan optimalisasi ruang penyimpanan dalam gudang. Pengurangan jumlah stok yang tidak diperlukan tentunya akan menghemat ruang penyimpanan dalam gudang. 4. Tidak hanya memberi manfaat dalam proses penggudangan dan penggunaan bahan baku, hasil peramalan diatas juga akan memberikan manfaat terhadap aspek financial perusahaan. Perusahaan akan lebih mudah melakukan penjadwalan pengeluaran untuk pengadaan bahan baku. Hal ini sering menjadi kendala ketika user memerlukan material bahan baku A namun bagian finance memerlukan waktu tambahan diluar lead time untuk mengambil keputusan melakukan pembelian material tersebut. Dengan manfaat tersebut diatas, peramalan dengan menggunakan metode pemulusan ganda Brown akan memperlancar proses produksi sesuai dengan jadwal produksi untuk memenuhi permintaan konsumen akan produk yang diproduksi. Selanjutnya akan menyebabkan peningkatan revenue perusahaan dengan pemenuhan permintaan yang tepat waktu sebagai akibat kepuasan konsumen atas pelayanan perusahaan. Demo lengkap mengenai tahapan peramalan dengan menggunakan Microsoft Excel 2007 (Microsoft, 2006) dapat dilihat pada Lampiran 2 dan Lampiran 3.
Hasil Peramalan t = 24 180.00 175.00 170.00 165.00 Ft
160.00 155.00 150.00 145.00 1
3
5
7
9
11 13 15 17 19 21 23
Gambar 5. Grafik Hasil Peramalan t = 24 Berdasarkan teori sebelumnya, ramalan yang baik adalah ramalan yang mempunyai nilai galat (eror) yang paling rendah. Hal ini juga bertujuan untuk menetapkan metode peramalan yang terbaik untuk diterapkan pada perhitungan Adaptive Inventory Control. Dari pengamatan terhadap tiga jenis metode peramalan, perataan bergerak, pemulusan eksponensial, dan metode Winter’s, didapat nilai MSE terkecil pada pemulusan eksponensial berganda. Nilai MSE atau Mean Squared Error (nilai tengah kesalahan kuadrat) yang didapat adalah sebesar 1388.79. Hasil tersebut didapat dengan menggunakan persamaan:
22
dimana dan n = 12. Demo lengkap mengenai perhitungan nilai eror sebagai pembanding metode pemulusan eksponensial dengan metode lainnya dapat dilihat pada Lampiran 4. Dan berikut adalah tabel berisi perbandingan nilai MSE dari metode-metode peramalan lainnya. Tabel 4. Perbandingan Nilai MSE antar Metode Peramalan Metode Peramalan Perataan Bergerak (MA 3x3) Pemulusan Eksponensial Metode Winter’s
Nilai MSE 2866.99 1388.79 2114.21
Pengendalian Persediaan dengan Teknik Associative Rules Mining
4.2
Data Mining (penggalian data) didefiniskan sebagai sebuah proses untuk menemukan hubungan, pola, dan tren baru yang bermakna dengan menyaring data yang sangat besar yang tersimpan dalam database, menggunakan teknik pengenalan pola seperti teknik stastistik dan matematika. (Ponniah, 2001). Hubungan yang dicari dalam data mining dapat berupa hubungan antara dua atau lebih dalam satu dimensi, misalnya dalam transaksi penggudangan material bahan baku, kita dapat melihat keterkaitan penggunaan suatu material bahan baku dengan material bahan baku lainnya. Penggalian kaidah asosiasi mempunyai peranan penting dalam proses pengambilan keputusan. Tahapan besar dari proses data mining adalah mengidentifikasikan frequent item set dan membentuk kaidah asosiasi dari itemset tersebut. Kaidah asosiasi digunakan untuk menggambarkan hubungan antar item pada tabel data transaksional ataupun data relasional. Tapi semakin berkembangnya teknologi komputer dalam dunia industri, semakin pesat pula perkembangan ukuran data yang dihasilkan. Analisa asosiasi dikenal juga sebagai salah satu teknik penggalian data yang menjadi dasar dari berbagai teknik penggalian data lainnya. Metodologi dasar analisis asosiasi terbagi menjadi dua tahap, yaitu: 1. Analisa Frequent Item Set Tahap mencari kombinasi item set yang memenuhi syarat minimum dari nilai support dalam basis data. Nilai support sebuah item diperoleh dengan rumus berikut:
2.
Pembentukan Associative Rules Setelah semua frequent item set ditemukan, kemudian dicari associative rules atau aturan assosiatifnya yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A>B. Nilai confidence dari aturan A>B diperoleh dari rumus sebagai berikut:
23
Analisa dan Pengolahan Data Dalam proses analisis data untuk menentukan associative rules, yang perlu dilakukan pertama kali adalah melakukan perhitungan frequent item set. Perhitungan ini dilakukan untuk mendapatkan rules yang nantinya akan digunakan untuk membantu perhitungan nilainilai yang dibutuhkan yaiu nilai support dan nilai confidence. Dengan kata lain, pada tahap ini akan dilakukan penentuan item set yang nantinya akan ditransformasikan menjadi nilai dari item set itu sendiri. Ini berlaku pada semua himpunan yang mungkin terjadi pada tahap analisis frequent item set. Data awal yang digunakan adalah data transaksi pengambilan material dari gudang simpan oleh user, dalam hal ini bagian produksi, yang dilakukan selama 300 hari kerja (periode). Data transaksi pengambilan material secara lengkap dapat dilihat pada Lampiran 5. Untuk menentukan nilai frequent item set, sebelumnya harus ditentukan bilangan item set terlebih dahulu yang selanjutnya digunakan sebagai parameter perhitungan penentuan frequent item set. Pada penelitian ini ditetapkan nilai bilangan parameter item set adalah 85. Penentuan nilai bilangan parameter item set sebesar 85 cukup baik diterapkan dalam perhitungan frequent item set karena cukup baik menjadi ambang batas jumlah kemunculan material bahan baku dalam satu transaksi. Kombinasi awal material k = 2 secara lengkap dapat dilihat pada Lampiran 6. Hasil dari analisis frequent item set dengan bilangan item set 85 memunculkan sebanyak 14 item set yang telah sesuai dengan literatur karena menghasilkan jumlah item set dibawah jumlah penggolongan awal material bahan baku yang berjumlah 20. Dari 14 item set yang dihasilkan kemudian dijadikan rules yang berasal dari proses K-item set = 2 (dua anggota himpunan set). Rules disajikan dalam bentuk tabel sebagai berikut. Tabel 5. Hasil Analisis Frequent Item Set K-Item Set = 2 K-Item Set = 2 If Antecedent thenConsequent If Use B then Use D If Use B then Use H If Use B then Use M If Use B then Use S If Use B then Use T If Use D then Use E If Use D then Use M If Use D then Use P If Use E then Use M If Use H then Use M If Use M then Use S If Use O then Use Q If Use O then Use S If Use Q then Use T
24
Setelah menghitung dan menentukan frequent item set atau rules, selanjutnya ada melakukan perhitungan nilai-nilai associative rules mining. Ini adalah tahap akhir dari proses analisis data pada penelitian ini. Setelah mendapatkan rules yang signifikan, selanjutnya dilakukan perhitungan kebenarannya melalui nilai-nilai associative rules mining yaitu nilai support dan nilai confidence. Perhitungan nilai support bertujuan untuk mengetahui ukuran dominasi suatu item set dalam keseluruhan transaksi penggudangan. Sedangkan perhitungan nilai confidence bertujuan untuk menghitung ukuran hubungan antara dua item secara kondisional. Yang menjadi acuan untuk menetapkan rules terbaik dari rules yang ada adalah melalui nilai yang dihasilkan dari perkalian nilai support dengan nilai confidence. Berikut adalah hasil perhitungan nilai support, nilai confidenc, dan nilai hasil perkalian keduanya. Seperti yang telah dibahas sebelumnya bahwa nilai utama yang dijadikan patokan dalam penyusunan rules dari suatu frequent item set adalah nilai support dan nilai confidence. Setelah mendapatkan dua nilai tersebut barulah ditentukan nilai hasil perkalian kedua nilai tersebut. Nilai ini yang akhirnya yang menjadi patokan hubungan yang disajikan dalam bentuk nilai asosiasi antar dua item material bahan baku. Tabel 6. Hasil Perhitungan Nilai Support, Confidence, dan Perkalian Keduanya If Antecedent thenConsequent
Support
Confidence
Support x Confidence
If Use B then Use D
0.287
0.534
0.15
If Use B then Use H
0.283
0.528
0.15
If Use B then Use M
0.293
0.547
0.16
If Use B then Use S
0.297
0.553
0.16
If Use B then Use T
0.283
0.528
0.15
If Use D then Use E
0.287
0.541
0.16
If Use D then Use M
0.317
0.598
0.19
If Use D then Use P
0.287
0.541
0.16
If Use E then Use M
0.283
0.556
0.16
If Use H then Use M
0.300
0.596
0.18
If Use N then Use S
0.290
0.531
0.15
If Use O then Use Q
0.310
0.612
0.19
If Use O then Use S
0.307
0.605
0.19
If Use Q then Use T
0.283
0.535
0.15
Dari tabel di atas dapat dilihat bahwa DM, OQ, dan OS memiliki nilai korelasi tertinggi dibanding item set yang lain. Hal ini juga dapat diterjemahkan bahwa ketika user menggunakan material bahan baku D, maka user juga akan menggunakan material M secara bersamaan. Kedua bahan material tersebut ditemukan paling sering digunakan berdasarkan data transaksi keluarnya material bahan baku untuk digunakan oleh bagian produksi. Begitupun berlaku terhadap material bahan baku O terhadap material Q dan material O terhadap material bahan baku S. Dikarenakan penggunaan kedua material bahan baku tersebut dilakukan secara bersamaan atau hampir bersamaan, maka selanjutnya diharapkan memberikan manfaat seperti: 1. Warehouse manager dapat lebih memperhatikan pengeluaran material bahan baku dari gudang jika salah satu dari material digunakan oleh user. Sering ditemukan di lapangan
25
2.
3.
terjadi loses pada jumlah material yang tersimpan dan ini sering terjadi dikarenakan terlalu banyaknya material yang disimpan serta pengeluaran material bahan baku atau penggunaan oleh material yang tidak terhitung oleh warehouse manager. Tidak hanya berlaku untuk penggunaan material oleh user, hal ini juga berlaku pada saat melakukan pengadaan terhadap material-material tersebut. Pengadaan material secara bersamaan akan mempersingkat lead time material lainnya, sehingga mengurangi waktu menunggu yang terbuang pada saat pengadaan material tertentu. Penggunaan teknik ini juga berimbas terhadap tata letak penyimpanan material bahan baku di dalam gudang. Material-material bahan baku yang memiliki nilai asosiasi tertinggi dapat diletakkan berdekatan untuk mempermudah warehouse manager melakukan cek dan penyesuaian pada material-material bahan baku tersebut. Jika dibandingkan dengan penggunaan teknik Data Mining lainnya, yaitu klasifikasi dan penggerombolan, teknik asosiasi memiliki jumlah himpunan material paling sedikit. Hasil penggalian data dengan teknik asosiasi hanya melihat nilai kedekatan atau nilai asosiasi antar dua hingga tiga material. Hal tersebut tentunya akan mengefisiensikan biaya pengadaan material, dari biaya pembelian hingga biaya distribusi. Berbeda dengan kedua teknik lainnya, yang justru akan mengakibatkan pembengkakkan biaya seiring dengan banyaknya jumlah material yang menjadi satu himpunan teknik klasifikasi atau penggerombolan.
Setelah melakukan analisis terhadap data yang ada dan melakukan perhitungan dengan metode pemulusan eksponensial berganda dan perhitungan dengan teknik Associative Rules Mining, didapatkan hasil yang sesuai dengan yang sudah diharapkan. Namun hasil tersebut masih membutuhkan penyempurnaan kedepannya guna mendapatkan hasil yang lebih baik lagi. Tidak dapat dipungkiri secara sadar maupun tidak, masih mungkin ditemukan kekurangan pada penerapan teknik-teknik ini, masalah yang paling mencolok adalah mengenai data. Hal ini dikarenakan bahasan penelitian ini yang terkait erat dengan bahan baku. Sangat jarang pihak industri atau perusahaan dapat mengeluarkan data rinci mengenai bahan baku produksi mereka karena dianggap sebagai bagian yang sangat rahasia. Namun tidak menutup kemungkinan ada perusahaan yang dapat memberikan data tersebut. Masalah lain yang muncul adalah mengenai data yang harus update setiap harinya. Maka dari itu dibutuhkan suatu sistem aplikasi komputer yang mampu mengerjakan semua tahapan teknik penelitian secara menyeluruh. Aplikasi tersebut diharapkan nantinya mampu membantu warehouse manager melakukan pekerjaannya dengan mudah, sesuai prosedur, dan terperinci.
26
V. 5.1
KESIMPULAN DAN SARAN
Kesimpulan Berdasarkan hasil penelitian dan perhitungan yang penulis lakukan dalam melakukan peramalan kebutuhan material dengan menggunakan teknik pemulusan eksponensial berganda dan melakukan perhitungan nilai asosiasi dengan menggunakan teknik associative rules mining, diambil beberapa kesimpulan sebagai berikut: 1. Permasalahan dalam aspek perencanaan produksi dan pengendalian persediaan pada industri pembuatan ban dinilai dapat mengganggu kelangsungan proses produksi yang menyebabkan efek domino berupa kerugian bagi industri secara bertahap. Permasalahan utama yang sering ditemukan di lapangan antara lain, data historis penggudangan yang bersifat stochastic, transaksi keluar-masuk material dari dan ke dalam gudang tidak terdata dan terdokumentasi dengan baik, keterlambatan pemenuhan kebutuhan material hingga melampaui lead time, kesalahan penghitungan jumlah aktual dengan jumlah yang terdata, dan banyak permasalahan lainnya 2. Penggunaan teknik pemulusan eksponensial berganda Brown sangat cocok diaplikasikan untuk membentuk sistem perencanaan produksi yang optimal dengan mempertimbangkan efektifitas dan efisiensi kegiatan industri secara menyeluruh. Teknik ini juga cocok untuk menggantikan teknik MRP terdahulu, untuk menghadapi data yang bersifat stochastic. Begitu banyak keuntungan yang didapat jika mengaplikasikan metode ini untuk menghadapi permasalahan perencaan produksi, lebih tepatnya tahap procurement. Penggunaan teknik pemulusan jenis ini juga dapat menghasilkan suatu sistem yang bersifat adaptif terhadap segala perubahan yang terjadi selama proses produksi berlangsung. 3. Metode associative rules mining dapat digunakan untuk menentukan strategi penjualan suatu produk di suatu perusahaan. Penggunaan metode ini untuk membantu industri dalam aspek pengendalian persediaan merupakan suatu tantangan terbaru dan patut di uji coba terdahulu. Dari hasil penelitian ini terlihat bahwa metode ini juga cukup aplikatif dilakukan pada aspek pengendalian persediaan. Hasil perhitungan yang dihasilkan pun dinilai mampu membantu memecahkan permasalahan yang ada dalam aspek pengendalian persediaan dan memberikan keuntungan untuk menciptakan sistem pengendalian persediaan yang lebih baik. Secara menyeluruh, hasil penelitian ini sedikit banyak dapat membantu industri dalam memecahkan permasalahan yang sering ditemukan di lapangan. Manfaat tersebut selanjutnya dapat membantu perusahaan untuk memenuhi permintaan konsumen serta memberikan kepuasan secara berkesinambungan. Dengan begitu, akan tercipta sistem industri yang lebih baik dan pada akhirnya memberikan revenue dan keuntungan financial terhadap perusahaan.
5.2
Saran Untuk memberikan hasil yang optimal dan mengembangkan sistem ini menjadi lebih baik hingga mendekati kesempurnaan ke depannya, ada beberapa hal yang perlu diperhatikan, antara lain: 1. Warehouse manager diharapkan terus mampu meng-update data-data penggunaan material bahan baku sejalan dengan penggunaan metode pemulusan eksponensial berganda dalam aspek perencanaan produksi. Hal ini mampu mengurangi adanya eror atau galat untuk perhitungan selanjutnya. 2. Perhitungan item set untuk melakukan bundling terhadap material bahan baku sebaiknya dilakukan pada tiap akhir tahun produksi. Hal ini diharapkan dapat membantu warehouse manager melihat perkembangan yang terjadi dari waktu ke waktu.
27
DAFTAR PUSTAKA Anonim. 2001. Verifikasi dan Validasi Model Simulasi. http://ocw.gunadarma.ac.id/course/komputer science-and-information/komputer-system-s1/simulasi-dan-pemodelan/verifikasi-danvalidasi-sistem-pemodelan. [17 Oktober 2011] Anonim. 1999. Panduan Lengkap Karet. http://books.google.com/books/Panduan_Lengkap_Karet. [29 November 2011] Anonim. 2010. Industri Karet. http://industrikaret.wordpress.com/penggolongan-karet. [29 November 2011] Anonim. 2011. Karet. http://id.wikipedia.org/wiki/Karet. [29 September 2011]. Anonim. 2011. Ban. http://id.wikipedia.org/wiki/ban. [7 Oktober 2011]. Arrahman, Triyoda. 2011. Customer Relationship Management untuk Penetapan Strategi Penjualan Menggunakan Teknik Associative Rules Mining. Bogor: Institut Pertanian Bogor. Assauri. 1980. Manajemen Produksi. Jakarta: Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Bernard, P. 1999. Integrated Inventory Management. Wiley. USA. Berry, Michael J. A dan Linoff, Gordon S. 2004. Data Mining Techniques for Marketing, Sales, Customer Relationship Management Second Edition. Wiley Publishing Inc Gasperz, V. 1998. Production Planning and Inventory Control. PT. Gramedia Pustaka Umum. Jakarta. Han J, Kamber M. 2001. Data Mining Concepts and Techniques. Morgan Kaufmann, California. Indonesia, Goodyear Tbk. 2010. Dokumen PT Goodyear Indonesia. Bogor: PT Goodyear Indonesia, Tbk. Kofjac, D. 2007. The Adaptive Inventory Control Algorithm with Fuzzy Logic in an Uncertain Environment. University of Maribor, Maribor. Kusnawi. 2007. Pengantar Solusi Data Mining. STMIK AMIKOM, Yogyakarta. Malcom, P. 2001. Polimer. Jakarta: Pradnya Paramita Marthan. 1998. Rubber Engineering. New Delhi: Mc Graw Hill. Muis. 1992. Karet: Strategi Pemasaran Tahun 2000 Budidaya dan Pengolahannya. Penebar Swadaya. Ovacik, K. 2011. Planning Production and Inventories in The Extended Enterprises. Springer, New York.
28
Packer, A. 1967. Simulation and Adaptive Forecasting As Applied to Inventory Control. PrenticeHall, USA. Ponniah, P. 2001. Datawarehouse Fundamentals: A Comprehensive Guide for IT Professional. John Willey & Sons Inc. Sulianta F. dan Juju D. 2010. Data Mining. PT. Elex Media Komputindo, Jakarta. Warman J. 1988. Manajemen Penggudangan. Sinar Harapan. Jakarta. Witten. 2005. Data Mining-Practical Machine Learning Tools and Techniques 2 nd Edition. Morgan Kaufmann Publisher.
29
LAMPIRAN
30
Lampiran 1. Proses Produksi Ban di PT. Goodyear Indonesia, Tbk
31
Lampiran 2. Demo Proses Perhitungan Pemulusan Eksponensial Berganda
32
Lampiran 3. Demo Proses Perhitungan Pemulusan Eksponensial Berganda (2)
33
Lampiran 4. Demo Proses Perhitungan Nilai MSE
34
Lampiran 5. Demo Perhitungan Teknik Associative Rules Data Mining
35
Lampiran 6. Demo Perhitungan Teknik Associative Rules Data Mining (2)
36
Lampiran 7. Demo Perhitungan Teknik Associative Rules Data Mining (3)
37
