1. Pendahuluan
Perencanaan produksi merupakan hal penting
dalam manajemen perusahaan karena perusahaan
sering menghadapi masalah keterbatasan sumber
daya. Hal ini mengakibatkan penundaan dalam
produksi dan kekurangan persediaan barang sehingga perusahaan tidak dapat memenuhi pesanan. Dalam merencanakan produksi harus memperhatikan kendala yang ada di pabrik karena
seluruh konsep, rencana, dan umpan balik akan
ditransformasikan ke dalam pabrik (Hadiguna,
2009). Untuk produksi pesanan diperhatikan pula
ketepatan waktu dan jumlah pesanan.
Optimasi perencanaan produksi agregat
pernah diterapkan pada Tugas Akhir Megasari
(2010). Faktor kendala pada tugas akhir tersebut
taan pelanggan dan dalam kurun waktu yang telah disepakati. Sehingga perencanaan produksi
pesanan adalah aktivitas perencanaan produksi
untuk memenuhi jumlah pesanan dalam satu
periode. Perusahaan yang mengerjakan order
yang terputus-putus berdasarkan permintaan pelanggan yang pemenuhannya pada waktu yang
akan datang, tingkat kesulitan dalam menyusun
perencanaan lebih sulit dibanding perusahaan
yang mengerjakan produksi kontinu. Oleh karena
itu, produk yang dipilih dalam studi kasus ini
adalah produk pesanan herbisida yang produksinya bersifat kontinu. Produksi pada produk
herbisida dilakukan secara kontinu karena
produk ini banyak dibutuhkan dalam pertanian.
2. Tinjauan Pustaka
2.1 Pestisida
Pestisida adalah semua zat kimia atau bahan
lain serta jasad renik dan virus yang digunakan
untuk mengendalikan atau mencegah hama dan
penyakit tanaman, mengatur dan atau menstimulir pertumbuhan tanaman atau bagian-bagian
tanaman (Kementerian Pertanian Indonesia,
2010). Perusahaan pestisida merupakan pabrik
formulasi pestisida yang termasuk dalam industri
agrokimia. Formulasi adalah campuran bahan
aktif dan bahan tambahan tertentu agar pestisida
dapat efektif, efisien dan ekonomis. Dalam perdagangan pestisida, bahan aktif diformulasikan
terlebih dahulu dengan dicampur bahan pembantu, misalnya solvent (pelarut), emulsifier
(pembuat emulsi), diluent (pembasah dan pengencer), carrier (bahan pembawa), atau synergist
(untuk meningkatkan efektifitas pestisida).
=1
, = 1,2, ,
(1)
, = 1,2, , 0
(2)
Fungsi kendala:
=1
atau
=1
, = 1,2, , 0
(3)
dengan:
: koefisien dari fungsi tujuan
: koefisien variabel desain
: variabel desain
: target atau tujuan
2.4 Goal Programming
Model goal programming merupakan
perluasan dari model program linier, sehingga
seluruh asumsi, notasi, formulasi model matematis, prosedur perumusan model dan penyelesaiannya tidak berbeda. Perbedaan hanya terletak
2
(4)
=1 + =
= 1,2, , , = 1,2, , dan 0.
b. Variabel deviasional untuk menampung
deviasi di atas sasaran. Variabel deviasional
+ berfungsi untuk menampung deviasi
positif, maka persamaan (2) menjadi:
+
(5)
=1 =
+
= 1,2, , , = 1,2, , dan 0
Bentuk umum
model
matematis
programming dirumuskan sebagai berikut:
+
=1( + )
dengan kendala sasaran:
+
=1( ) + =
+
, , 0
= 1,2, , = 1,2, ,
dengan:
: batas bawah dari ketercapaian tujuan i
+: batas atas dari ketercapaian tujuan i
: koefisien variabel desain
: variabel desain
: target atau tujuan
ln
, 0
(11)
, = 0
goal
(6)
(7)
(8)
2.5 Peramalan
Permintaan menjadi perhatian karena akan
menentukan jenis dan jumlah produk yang harus
diproduksi. Peramalan permintaan merupakan
kegiatan yang mengawali rangkaian kegiatan
lainnya di dalam pabrik. Selanjutnya, rangkaian
kegiatan perencanaan dan penjadwalan dilakukan
berdasarkan hasil ramalan dengan memperhatikan kendala-kendala yang ada.
ARIMA sering disebut metode time series
Box-Jenkins. Metode ARIMA terdiri dari tiga
langkah dasar, yaitu tahap identifikasi, pengujian
parameter, dan Pengujian nilai residual. Selanjunya model ARIMA dapat digunakan untuk
melakukan peramalan jika model yang diperoleh
memadai. Notasi model umum Box-Jenkins
adalah sebagai berikut: (Makridakis, 1999)
, ,
(9)
Statistik Uji
= ( )
Kriteria Pengujian
Jika
<
(1 , = ) ,
2
atau
>
Statistik Uji
Ljung-Box statistik (Box-Pierce modified)
1 2
= ( + 2)
=1( )
dengan:
: taksiran autokorelasi residual lag k
Kriteria Pengujian
Jika > 21 ; = , dengan nilai p
dan q adalah order dari ARMA (p,q), atau
< , maka H0 ditolak.
b. Pengujian residual berdistribusi normal
Untuk mengetahui bahwa residual
berdistribusi normal, maka dilakukan uji
yaitu Kolmogorov Smirnov. Uji Kolmogorov
Smirnov adalah sebagai berikut:
Hipotesa
0 : = 0 () (residual berdistibusi
normal)
1 : 0 ()
(residual
tidak
berdistribusi normal)
Produk I
Produk II
Bahan A
Bahan B
Bahan C
150.000
100.000
8.000
0,450
0,187
0,015
0,227
0,369
0,015
Statistik Uji
D=sup|S(x)-F0(x)|
dengan,
S(x) : fungsi peluang kumulatif yang dihitung
dari data sampel
F0(x): fungsi peluang kumulatif distribusi
yang dihipotesiskan
F(x) : fungsi distribusi yang belum diketahui
Sup : nilai supremum semua x dari |S(x)-F0(x)|
Kriteria Pengujian
Jika
> (1,)
atau
< , maka H0 ditolak.
Penggunaan bahan
baku/botol (liter)
Bahan
baku
Jumlah
Kapasitas Jam
Kerja Mesin
(menit)
Pengadukan
Pengemasan
1
1
22.500
21.600
Jam Kerja
Mesin/bulan per
produk(menit)
Produk I
Produk II
0.073
0.069
0.060
0.069
nilai
3. Metodologi Penelitian
Metode yang digunakan dalam menyelesaikan permasalahan adalah:
a. Pengamatan dan identifikasi faktor perencanaan produksi pesanan.
b. Pengumpulan data dan pendefinisian
variabel.
Parameter
1
1
2
Estimasi
-0,36884
0,39757
0.32244
Standart Error
0,12122
0.12788
0,15207
t-hitung
-3,044
3,11
2,12
2
atau > 0,05
Karena < 0.05,
maka H0 diterima, sehingga dapat dikatakan
bahwa residual white noise.
P-value
0,0029
0,0382
0,0035
Estimasi
-0,51032
-0,41340
SE
0,11780
0,11787
t hitung
-4,33
-3,51
P-value
<0,0001
0,0009
Q
4,83
7,19
21,54
26,70
,
9,488
18,307
26,296
33,924
P-value
0,3050
0,7066
0,1575
0,2219
2
Karena < 0.05,
atau > 0,05
maka H0 diterima, sehingga dapat dikatakan
bahwa residual white noise.
11 + 1 1 = 208.860
12 + 2 2 = 263.103
21 + 3 3 = 21.059
22 + 4 4 = 21.178
2. Target
meminimumkan
biaya
transportasi
Nilai koefisien berupa biaya yang
dikeluarkan untuk transportasi dari
pabrik ke gudang dan nilai target berupa
anggaran biaya perusahaan pada model
diperoleh dari Tabel 4.3 dan 4.5.
Perumusan model sebagai berikut:
b. Fungsi Kendala
1. Kendala bahan baku
Nilai koefisien berupa pemakaian
bahan baku dan nilai target berupa
kapasitas bahan baku selama satu
periode pada model diperoleh dari Tabel
4.1. Perumusan model sebagai berikut:
Bahan A
0,45011 + 0,22721 150.000
0,45012 + 0,22722 150.000
3. Target
meminimumkan
biaya
penyimpanan produk
Nilai koefisien berupa biaya sewa
gudang
yang
dikeluarkan
untuk
penyimpanan produk dan nilai target
berupa anggaran biaya perusahaan pada
model diperoleh dari Tabel 4.4 dan 4.5.
Perumusan model sebagai berikut:
Bahan B
0,18711 + 0,36921 100.000
0,18712 + 0,36922 100.000
Bahan C
0,01511 + 0,01521 8.000
0,01512 + 0,01522 8.000
0,13311 + 7 = 15.000
0,13312 + 7 = 15.000
2 0
3 0
4 0
7 0
1 0
2
3
4
5
6
0
0
0
0
0
Sasaran
Target
Hasil
LINDO
Ket
Memenuhi
jumlah pesanan
11
= 208.860
21
= 21.059
11
= 208.860
21
= 21.059
Rp.
4.500.000
Rp.
2.299.190
Rp.
2.500.000
Rp.
1.839.352
15.000
menit
27.778,379
menit
II
III
IV
Meminimumkan biaya
transportasi
Meminimumkan biaya
gudang
Memaksimumkan penggunaan mesin
Berdasarkan Tabel 4.12 diketahui bahwa semua target dapat tercapai. Pada prioritas I, target
pesanan terpenuhi. Pada prioritas II, sasaran untuk meminimumkan biaya transportasi memenuhi target dengan simpangan positif nol dan
simpangan negatif Rp. 1.657.190, perusahaan
dapat mengurangi biaya transportasi sebesar
Rp. 1.657.190. Pada prioritas III, sasaran untuk
meminimumkan biaya penyimpanan hasil produk
memenuhi target dengan simpangan positif nol
dan simpangan negatif Rp.225.752, perusahaan
dapat menampung seluruh hasil produk pesanan
tanpa harus mengeluarkan biaya tambahan untuk
produk yang tidak tertampung di gudang. Pada
prioritas IV, sasaran untuk memaksimumkan
penggunaan mesin memenuhi target dengan
simpangan negatif nol dan simpangan positif
19.992,699219, perusahaan dapat menambah
penggunaan mesin sebesar 19.992,699219 menit.
Keterangan:
T : Tercapai
TT : Tidak Tercapai
Analisis setiap tujuan perencanaan produksi
periode kedua dapat dilihat pada Tabel 4.12.
Tabel 4.12 Hasil LINDO untuk periode kedua
Prioritas
II
III
IV
Sasaran
Target
Hasil
LINDO
Ket
Memenuhi
jumlah pesanan
12
= 263.103
22
= 21.178
12
= 263.103
22
= 21.178
Rp.
4.500.000
Rp.
2.842.810
Rp.
2.500.000
Rp.
2.274.248
15.000
menit
34.992,699
menit
Meminimumkan biaya
transportasi
Meminimumkan biaya
gudang
Memaksimumkan penggunaan mesin
Keterangan:
T : Tercapai
TT : Tidak Tercapai
Berdasarkan Tabel 4.11 diketahui bahwa
semua target dapat tercapai. Pada prioritas I,
target pesanan terpenuhi. Pada prioritas II,
sasaran untuk meminimumkan biaya transportasi
memenuhi target dengan simpangan negatif Rp.
2.200.810 dan simpangan positif nol, perusahaan
dapat mengurangi biaya transportasi sebesar
8
Keterangan :
T : Tercapai
TT : Tidak Tercapai
Prioritas
Sasaran
Target
Memenuhi
jumlah pesanan
12
= 270996
22
= 21.813
Hasil
LINDO
12
= 270996
22
= 21.813
Rp.
4.500.000
Rp.
2.928.090
Rp.
2.500.000
Rp.
2.342.472
15.000
menit
36.042,469
menit
II
III
IV
Keterangan:
T : Tercapai
TT : Tidak Tercapai
Sasaran
Target
Memenuhi
jumlah pesanan
11
= 261.075
21
= 26.324
Hasil
LINDO
11
= 261.075
21
= 26.324
Rp.
4.500.000
Rp.
2.873.990
Rp.
2.500.000
Rp.
2.299.192
15.000
menit
34.722,97
5 menit
II
III
IV
Meminimumkan biaya
transportasi
Meminimumkan biaya
gudang
Memaksimumkan penggunaan mesin
Meminimumkan biaya
transportasi
Meminimumkan biaya
gudang
Memaksimumkan penggunaan mesin
Ket
Keterangan:
T : Tercapai
TT : Tidak Tercapai
Ket
6. Daftar Pustaka
Dimyati, Tjutju T. & Dimyati, Ahmad. 2009.
Operation
Research:
Model-Model
Pengambilan Keputusan. Sinar Baru
Algesindo. Bandung.
Hadiguna, Rika A. 2009. Manajemen Pabrik.
Bumi Aksara. Jakarta.
Kementerian Pertanian Indonesia. 2010. Apa Itu
Pestisida?.
<URL:http://www.epetani.deptan.go.id/no
de/apa-itu-pestisida-1528> diakses pada 25
Februari 2011 pukul 20.15 WIB.
Kliping Nurmala. 2010. Perencanaan dan
Pengendalian Produksi.
<URL:http://klipingnurmala.blogspot.com/
2010/05/perencanaan-dan-pengendalianproduksi.html> diakses pada 13 Maret
2011 pukul 01.03 WIB.
Leung, Stephen C.H. & Chan, Shirley S.W.
2009. A Goal Programming Model for
Aggregate Production Planning with
Resource
Utilization
Constraint.
Computers & Industrial Engineering 56
(2009) 1053-1064.
Makridakis, S., Steven C. Wheelwright, and
Victor E. McGee. 1999. Metode dan
Aplikasi Peramalan, edisi kedua.
Binarupa Aksara. Jakarta.
Megasari, Kartika. 2010. Goal Programming
untuk Perencanaan Produksi Agregat
dengan Kendala Sumber Daya. Jurusan
Matematika ITS. Surabaya
Siswanto. 2007. Operation Research Jilid Satu.
Erlangga. Bogor.
Wei, William W.S. 2006. Time Series Analysis:
Univariate and Multivariate Methods.
Pearson Education, Inc. USA.
c. Biaya
penyimpanan produk di
gudang yang dikeluarkan perusahaan
sebesar Rp. 1.839.352 pada periode
pertama dan Rp. 2.274.248 pada periode
kedua, sehingga perusahaan dapat
mengurangi biaya penyimpanan produk
sebesar Rp. 660.648 pada periode
pertama dan Rp. 225.752 pada periode
kedua dari anggaran yang disediakan
Rp. 2.500.000 setiap periode.