OPTIMASI PERENCANAAN PRODUKSI UNTUK PRODUK PESANAN

PADA PERUSAHAAN PESTISIDA MENGGUNAKAN

METODE GOAL PROGRAMMING
Nama
: Rossy Susanti
NRP
: 1207 100 007
Jurusan
: Matematika FMIPA-ITS
Dosen Pembimbing : Drs. Suharmadi S., DiplSc.,Mphil
Abstrak
Perencanaan produksi mempunyai peranan penting dalam manajemen perusahaan. Pada
Perusahaan Pestisida yang menghasilkan beberapa produk berdasarkan jumlah pesanan, perencanaan
produksi sangat diperhatikan agar jumlah pesanan terpenuhi dalam satu periode. Produk yang dipilih
pada Tugas Akhir ini adalah dua produk pesanan yang bersifat kontinu. Pengolahan data pada Tugas
Akhir ini menggunakan Minitab, SPSS, SAS, dan LINDO. Metode yang digunakan untuk optimasi
perencanaan produksi adalah metode goal programming karena mampu menyelesaikan permasalahan
optimasi yang menghendaki beberapa sasaran dengan berbagai prioritas untuk mencapai semua tujuan
secara optimal dan simultan.
Biaya transportasi ke gudang sebesar Rp. 2.299.190 pada periode pertama dan Rp. 2.842.810 pada
periode kedua dari anggaran perusahaan sebesar Rp. 4.500.000 per periode. Biaya penyimpanan produk
di gudang sebesar Rp. 1.839.352 pada periode pertama dan Rp. 2.274.248 pada periode kedua dari
anggaran sebesar Rp. 2.500.000 per periode. Perusahaan dapat menambah penggunaan mesin untuk
produksi produk I hingga 27.778 menit pada periode pertama dan 34.993 menit pada periode kedua dari
target sebesar 15.000 menit per periode.
Kata kunci: Goal Programming, Optimasi, Perencanaan Produksi.
gudang, pemanfaatan kapasitas gudang, serta
terpenuhinya pesanan produk setiap periode.
Batasan masalah pada penelitian ini adalah:
a. Fungsi tujuan yang akan dicapai antara lain:
terpenuhinya pesanan produk, meminimumkan biaya transportasi dari pabrik ke gudang,
meminimumkan biaya penyimpanan produk
di gudang, dan memaksimumkan pemanfaatan kapasitas mesin.
b. Data yang dianalisis adalah data penjualan
dari Perusahaan Pestisida selama periode
Januari 2006 Maret 2011, dan perencanaan
produksi dilakukan untuk dua periode.
c. Tidak ada masalah dalam pengadaan bahan
baku (pembelian, penyimpanan, transportasi,
dsb), pabrik berproduksi menggunakan
sistem mesin tunggal, dan proses produksi
dianggap berjalan normal, sehingga tidak ada
hambatan dalam proses produksi.
d. Peramalan jumlah permintaan dianalisis dari
data penjualan periode sebelumnya dengan
metode time series model ARIMA.

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

adalah bahan baku, jam tenaga kerja, dan

kapasitas mesin. Sedangkan pada penelitian
ini akan dibahas bagaimana menentukan model
optimasi perencanaan produksi dan penyelesaiannya sehingga diperoleh hasil optimal, dalam
hal ini lebih ditekankan pada kendala dan tujuan
yang mempengaruhi setiap periode produksi atau
pesanan, yaitu mempertimbangkan persediaan
bahan baku, pemanfaatan kapasitas mesin secara
maksimum, terpenuhinya anggaran dana untuk
biaya transportasi dan penyimpanan produk di

Pendekatan goal programming digunakan

dalam menentukan model optimasi perencanaan
produksi karena menghendaki beberapa sasaran
dengan berbagai prioritas dari perencanaan produksi. Pada dasarnya, struktur goal programming
1

dan linier programming adalah sama, namun

konsep goal programming adalah untuk memperkenalkan tambahan variabel bantu yang
disebut deviasi, jarak atau selisih antara nilai
target yang diinginkan dan hasil yang diperoleh,
yang bertindak bukan sebagai pengambil
keputusan tetapi hanya sebagai fasilitator untuk
merumuskan model (Leung & Chan, 2009).
Pengolahan data untuk peramalan dan optimasi
goal programming menggunakan Minitab, SPSS,
SAS, dan LINDO.

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).

2.3 Program Linier

Program linier adalah cara untuk menyelesaikan persoalan pengalokasian sumber yang
terbatas di antara beberapa aktivitas yang bersaing. Program linier menggunakan model matematis yang berkarakteristik linier untuk menemukan suatu penyelesaian optimal, yaitu dengan
memaksimumkan atau meminimumkan fungsi
tujuan terhadap suatu susunan kendala (Dimyati,
2009). Langkah penting pertama pada penerapan
teknik riset operasi adalah perumusan model,
yaitu membuat peralihan dari realita ke model
kuantitatif. Model program linier mempunyai
tiga unsur utama, yaitu variabel keputusan yang
mempengaruhi nilai tujuan yang hendak dicapai,
fungsi tujuan yang dimaksimumkan atau diminimumkan terhadap kendala yang ada, fungsi
kendala berupa pembatas, syarat, atau keharusan.
Menurut Siswanto (2007), bentuk umum
model matematis program linier adalah:
Fungsi tujuan:

2.2 Manajemen Produksi dan Perencanaan

Produksi Pesanan
Dalam pengorganisasian kegiatan pabrik
dikendalikan oleh manajemen pabrik. Salah satu
kinerja manajemen pabrik yaitu melakukan
fungsi perencanaan. Pandangan modern dalam
operasional pabrik adalah menetapkan hasil dari
setiap elemen sebagai upaya mencapai tujuan
global yang optimum. Optimasi produksi adalah
mendayagunakan keterbatasan sumber daya
untuk mendapatkan hasil yang maksimum pada
proses produksi. Sehingga dalam proses optimasi
produksi diperlukan adanya perencanaan
produksi agar kebutuhan produksi terpenuhi
meskipun adanya keterbatasan sumber daya.
Perencanaan produksi adalah aktivitas untuk
menetapkan produk yang diproduksi, jumlah
yang dibutuhkan, kapan produk tersebut harus
selesai dan sumber-sumber yang dibutuhkan
(Kliping Nurmala, 2010). Proses produksi
pesanan adalah perusahaan akan melakukan
produksi apabila terdapat pesanan. Tujuan
produksi pesanan adalah menghasilkan barang
dengan spesifikasi tertentu memenuhi permin-

=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

pada variabel deviasi ( + ) yang muncul

pada fungsi kendala dan fungsi tujuan. Oleh
karena itu, konsep dasar program linier selalu
melandasi pembahasan model goal programming
(Siswanto, 2007). Variabel deviasional berfungsi
untuk menampung deviasi hasil terhadap sasaran
yang dikehendaki. Menurut Siswanto (2007),
Variabel deviasional dibedakan menjadi dua
yaitu:
a. Variabel deviasional untuk menampung deviasi di bawah sasaran. Variabel deviasional
berfungsi untuk menampung deviasi
negatif, maka persamaan (3) menjadi:

(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

dan bentuk persamaannya

1 = 0 + ()
(10)
dengan orde p sebagai operator dari AR, orde d
merupakan differencing, dan orde q sebagai
operator dari MA.
Dalam metode time series perlu diperhatikan
kestasioneran data, fungsi autokorelasi, dan fungsi autokorelasi parsial. Namun kebanyakan deret
berkala bersifat tidak stasioner, sehingga untuk
menghilangkan ketidakstasioneran maka data
tersebut dapat dibuat lebih mendekati stasioner
dengan cara melakukan penggunaan metode
differencing
atau
dengan
menggunakan
transformasi Box-Cox. Transformasi Box-Cox
yang didefinisikan sebagai berikut: (Wei, 2006)
( 1)

ln

, 0

(11)

, = 0

Transformasi Box-Cox untuk nilai yang sering

digunakan dapat dilihat pada Tabel 2.1.
Tabel 2.1 Transformasi Box-Cox
Transformasi
Nilai estimasi
1.0
1
0.5
1
0.0
ln
0.5

(tidak ada transformasi)

1.0
Sumber: Wei (2006)

goal
(6)
(7)
(8)

Identifikasi Model ARIMA Box-Jenkins dan

Penaksiran Parameter
Setelah data sudah stationer dalam mean dan
varian maka selanjutnya membuat plot ACF dan
PACF yang digunakan untuk mengidentifikasi
model awal ARIMA. Selanjutnya dilakukan
penaksiran parameter yang bertujuan untuk
menentukan apakah parameter model sudah
layak masuk kedalam model. Uji kesignifikanan
paramater dapat dilakukan sebagai berikut:
Hipotesis
H0 : = 0 (paramater tidak signifikan)
H1 : 0 (paramater signifikan)

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

>

dengan : banyak pengamatan

: banyak parameter yang ditaksir
d : pembedaan
maka H0 ditolak dan parameter model signifikan.

c. Perumusan model optimasi dengan fungsi

kendala dan fungsi tujuan.
d. Peramalan permintaan.
e. Penyelesaian model optimasi.
f. Analisis dan kesimpulan.

Pengujian Nilai Residual

Berikut ini adalah langkah-langkah dalam
melakukan tahap pengujian residual:
a. Pengujian residual white noise
Uji yang digunakan untuk asumsi white
noise adalah uji Ljung-Box. Uji white noise
adalah sebagai berikut:
Hipotesis
H0 : 1 = 2 = = = 0 (residual
memenuhi asumsi white noise)
H1 : minimum ada satu 0, untuk
= 1, 2, , (residual tidak white
noise)

4. Analisis dan Pembahasan

4.1 Pengumpulan Data yang Mempengaruhi
Perencanaan Produksi
Pada penelitian ini dipilih dua produk pestisida yang produksinya bersifat kontinu. Periode
setiap perencanaan produksi adalah satu bulan
karena penyelesaian setiap pesanan selama satu
bulan. Produk pestisida memiliki kadaluarsa
selama dua tahun. Karena perencanaan produksi
dilakukan untuk dua periode, maka masa
kadaluarsa produk diabaikan. Data yang digunakan dalam perencanaan produksi ini antara lain:
a. Persediaan dan Penggunaan Bahan Baku
Persediaan bahan baku selama satu periode
dan penggunaan bahan baku setiap produksi
dapat dilihat pada Tabel 4.1.

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)

Tabel 4.1 Penggunaan bahan baku tiap produk dan

ketersediaannya selama satu periode
Persediaan bahan
baku selama
1 bulan/liter

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

b. Kapasitas Jam Kerja Mesin

Tingkat kemampuan pabrik untuk memenuhi
permintaan pesanan dipengaruhi pemaksimuman
penggunaan kapasitas jam kerja mesin. Jenis dan
kapasitas jam kerja mesin untuk memformulasikan pestisida dapat dilihat pada Tabel 4.2.

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

Tabel 4.2 Penggunaan mesin untuk proses produksi

tiap produk dalam satu periode
Mesin

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

c. Biaya Transportasi Pabrik ke Gudang

Gudang produk terletak diluar atau terpisah
dengan komplek pabrik sehingga diperlukan anggaran dana untuk transportasi. Biaya transportasi
dapat dilihat pada Tabel 4.3.

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.

Tabel 4.3 Biaya transportasi tiap jenis produk

Biaya transportasi
Produk
per produk (Rp)
Produk I
10
Produk II
10

d. Biaya Penyimpanan Produk di Gudang

Perusahaan menyewa gudang di luar area
perusahaan untuk menyimpan hasil produksi.
Kapasitas gudang dapat menampung sebanyak
294.000 botol produk. Biaya penyimpanan
produk di gudang dapat dilihat pada Tabel 4.4.
Tabel 4.4 Biaya penyimpanan produk di gudang
dalam satu periode
Biaya penyimpanan
Produk
per produk (Rp)
Produk I
8
Produk II
8

Gambar 4.1 Plot ACF dan PACF produk I

Model ARIMA terbaik dari produk I adalah

ARIMA (1,1,[5][17]), dengan pengujian
parameter dan white noise pada Tabel 4.6 dan
Tabel 4.7 berikut:
Tabel 4.6 Uji signifikan parameter produk I

e. Anggaran dan target perusahaan

Anggaran adalah ketetapan biaya yang disediakan perusahaan untuk memenuhi kebutuhan
selama satu periode perencanaan. Target adalah
sasaran hasil kerja yang direncanakan perusahaan untuk dicapai selama satu periode perencanaan. Anggaran dan target perusahaan tiap periode
ditunjukkan pada Tabel 4.5.

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

dari ketiga parameter adalah 1,960. Karena

diperoleh nilai | | > atau <
= 0.05, maka H0 ditolak, sehingga dapat
dikatakan estimasi parameter signifikan.

Tabel 4.5 Anggaran & target perusahaan tiap periode

Tujuan
Ketetapan Perusahaan
Penggunaan mesin
15.000 menit
Biaya transportasi gudang
Rp. 4.500.000
Biaya sewa gudang
Rp. 2.500.000

Tabel 4.7 Uji residual white noise produk I

, P-value
Lag (K)
Q
6
7,37
7,815
0,0612
12
11,55
16,919
0,2410
18
14,40
24,996
0,4967
24
20,95
32,671
0,4619

4.2 Model dan Hasil Peramalan Permintaan

Peramalan ini menggunakan beberapa program, yaitu Minitab untuk mendapatkan plot time
series dan plot Box-Cox, SPSS untuk mendapatkan plot ACF dan PACF, dan SAS untuk
analisis model dan mendapatkan hasil ramalan.
Untuk memperoleh model peramalan terbaik
telah dilakukan overfitting. Berikut ini merupakan model peramalan terbaik untuk produk I dan
produk II yang diperoleh dari proses overfitting.
a. Permintaan Produk I
Pada tahap identifikasi, rounded value pada
data permintaan produk I sebelum dtransformasi
adalah 0,5 dan setelah transformasi pertama diperoleh = 1, maka deret telah
stasioner dalam varians. Selanjutnya dibuat plot
ACF dan PACF. Dari plot tersebut terlihat bahwa
deret belum stasioner dalam means, maka perlu
dilakukan differencing. Setelah deret stasioner
dalam varian dan mean, maka ditentukan model
ARIMA berdasarkan outlier pada plot ACF dan
PACF pada Gambar 4.1.

2
atau > 0,05
Karena < 0.05,
maka H0 diterima, sehingga dapat dikatakan
bahwa residual white noise.

Pada tahap identifikasi diketahui bahwa deret

sudah stasioner dalam means dan varians, maka
model dapat dikatakan sudah identik.
Berdasarkan uji normalitas hasil dari SAS
diperoleh nilai = 0,065925 dan nilai
> 0,15. Karena < (0.5 ,62 = 0,17272)
atau ( > 0,15) > ( = 0,05) maka H0
diterima, sehingga dapat dikatakan bahwa
residual model berdistribusi normal.
b. Permintaan Produk II
Pada tahap identifikasi, rounded value pada
data permintaan produk II sebelum transformasi
adalah 0. Setelah dilakukan transformasi pertama
diperoleh = 1.33, maka perlu
dilakukan transformasi kedua hingga diperoleh
= 1 dan deret dikatakan stasioner dalam varians. Selanjutnya dibuat plot
ACF dan PACF. Dari plot tersebut terlihat bahwa
deret belum stasioner dalam means, maka dilaku5

P-value
0,0029
0,0382
0,0035

diolah menggunakan SAS dapat dilihat pada

Tabel 4.10.

kan differencing. Setelah deret stasioner dalam

varian dan mean, ditentukan model ARIMA
berdasarkan outlier pada plot ACF dan PACF
pada Gambar 4.2.

Tabel 4.10 Ramalan permintaan produk I dan

produk II (dalam liter)
Bulan
Produk I
Produk II
April
208.860
21.059
Mei
263.103
21.178
Juni
169.267
23.480
Juli
206.896
22.225
Agustus
251.387
21.903
September
246.902
22.573

4.3 Perancangan Model Goal Programming

Variabel keputusan adalah variabel persoalan
yang akan memberikan nilai tujuan yang hendak
dicapai. Pendefinisian variabel keputusan yang
digunakan dalam model goal programming ini
adalah sebagai berikut:
: jumlah produk yang diproduksi pada
periode-.

: jenis produk yang dihasilkan, = 1 2.

: periode produksi, = 1 2 ().
: jenis bahan baku yang tersedia,
= 1, 2, 3, 4.

Gambar 4.2 Plot ACF dan PACF produk II

Model ARIMA terbaik dari produk II adalah

ARIMA (2,1,0), dengan pengujian parameter dan
white noise pada Tabel 4.8 dan Tabel 4.9 berikut:
Tabel 4.8 Uji signifikan parameter produk II
Parameter
1
2

Estimasi
-0,51032
-0,41340

SE
0,11780
0,11787

t hitung
-4,33
-3,51

P-value
<0,0001
0,0009

Perumusan Model Lengkap

Notasi dan variabel yang digunakan dalam
permasalahan perencanaan produksi ini adalah
sebagai berikut:
1 : notasi prioritas pertama, yaitu terpenuhinya target jumlah produk pesanan
yang akan diproduksi.
2 : notasi prioritas kedua, yaitu terpenuhinya
anggaran biaya yang tersedia untuk
transportasi dari pabrik ke gudang.
3 : notasi prioritas ketiga, yaitu terpenuhinya
anggaran biaya yang tersedia untuk sewa
gudang produksi.
4 : notasi prioritas keempat, yaitu terpenuhinya
target
memaksimumkan
penggunaan mesin.
1 , 2 , 3 , 4 : deviasi negatif menunjukkan tingkat pencapaian produksi kurang
dari target jumlah permintaan yang
ditetapkan.
1 , 2 , 3 , 4 : deviasi positif menunjukkan
tingkat pencapaian produksi lebih dari
target jumlah permintaan yang ditetapkan.
5 : deviasi positif menunjukkan tingkat pencapaian biaya lebih dari target biaya
pengeluaran total.
6 : deviasi positif menunjukkan tingkat pencapaian biaya lebih dari target biaya
pengeluaran total.

dari kedua parameter adalah 1,960. Karena

diperoleh nilai | | > atau <
= 0.05, maka H0 ditolak, sehingga dapat
dikatakan estimasi parameter signifikan.
Tabel 4.9 Uji Asumsi Residual White noise produk I
Lag (K)
6
12
18
24

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.

Pada tahap identifikasi diketahui bahwa deret

sudah stasioner dalam means dan varians, maka
model dapat dikatakan sudah identik.
Berdasarkan uji normalitas hasil dari SAS
diperoleh nilai = 0,055853 dan nilai
> 0,15. Karena < (0.5 ,62 = 0,17272)
atau ( > 0,15) > ( = 0,05) maka H0
diterima, sehingga dapat dikatakan bahwa
residual model berdistribusi normal.
Hasil Peramalan Permintaan
Hasil ramalan untuk produk I dan produk II
yang sesuai dengan model ARIMA terbaik dan
6

7 : deviasi negatif menunjukkan tingkat penggunaan mesin kurang dari target

penggunaan mesin yang ditetapkan.
11 : jumlah produk I yang diproduksi pada
periode 1.
12 : jumlah produk I yang diproduksi pada
periode 2.
21 : jumlah produk II yang diproduksi pada
periode 1.
22 : jumlah produk II yang diproduksi pada
periode 2.

produk dan nilai target berupa kapasitas

gudang selama sebulan pada model
diperoleh dari Tabel 4.4. Perumusan
model sebagai berikut:
11 + 21 294.000
12 + 22 294.000

c. Kendala Sasaran atau Tujuan

1. Target pemenuhan jumlah pesanan
Nilai target berupa peramalan
permintaan periode yang akan datang
pada model diperoleh dari Tabel 4.10.
Perumusan model:

Model lengkap permasalahan perencanaan

produksi berdasarkan bentuk umum model goal
programming dapat dirumuskan sebagai berikut:
a. Fungsi Tujuan
Minimumkan , dengan:
= 1 1 + 1 + 2 + 2 + 3 +
3 + 4 + 4 + 2 5 +
3 6 + 4 (7 )

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:

1011 + 1021 5 = 4.500.000

1012 + 1022 5 = 4.500.000

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

811 + 821 6 = 2.500.000

812 + 822 6 = 2.500.000

4. Target memaksimumkan penggunaan

mesin
Tujuan ini adalah pemaksimuman
penggunaan mesin untuk produksi
produk I sehingga proses produksi dapat
berjalan secara maksimum dalam menghasilkan produk pesanan. Nilai-nilai koefisien berupa jam kerja mesin per bulan
untuk produk I dan nilai target berupa
kapasitas jam kerja mesin selama sebulan untuk menghasilkan produk I pada
model diperoleh dari Tabel 4.2 dan 4.5.
Perumusan model sebagai berikut:

2. Kendala kapasitas jam kerja mesin

Nilai koefisien berupa jam kerja
mesin per bulan untuk tiap produk dan
nilai target berupa kapasitas jam kerja
mesin selama sebulan pada model diperoleh dari Tabel 4.2. Perumusan model:
Mesin Pengadukan
0,07311 + 0,06921 22.500
0,07312 + 0,06922 22.500
Mesin Pengemasan
0,06011 + 0,06921 21.600
0,06012 + 0,06922 21.600

0,13311 + 7 = 15.000
0,13312 + 7 = 15.000

3. Kendala kapasitas gudang

Nilai koefisien berupa penggunaan
lahan gudang per bulan untuk tiap
7

Rp. 2.200.810. Pada prioritas III, sasaran untuk

meminimumkan biaya penyimpanan hasil produk
memenuhi target dengan simpangan negatif
Rp. 660.648 dan simpangan positif nol, perusahaan dapat menampung seluruh hasil produk pesanan tanpa mengeluarkan biaya tambahan untuk
produk yang tidak tertampung di gudang. Pada
prioritas IV, sasaran untuk memaksimumkan
penggunaan mesin memenuhi target dengan
simpangan positif 12.778,379883 dan simpangan
negatif nol, perusahaan dapat menambah penggunaan mesin sebesar 12.778,379883 menit.

d. Fungsi Kendala untuk Setiap Variabel

11 0
12 0
21 0
22 0
1 0

2 0
3 0
4 0
7 0
1 0

2
3
4
5
6

0
0
0
0
0

4.4 Hasil Pemrograman LINDO

Berikut ini adalah hasil dari model goal programming yang diolah dengan LINDO. Analisis
dari setiap tujuan untuk perencanaan produksi
periode pertama dapat dilihat pada Tabel 4.11.
Tabel 4.11 Hasil LINDO untuk periode pertama
Prioritas

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

4.5 Analisis Pemanfaatan Sumber Daya

Dari hasil optimasi goal programming
dengan menggunakan LINDO menghasilkan
output untuk penggunaan sumber daya. Analisis
pemanfaatan sumber daya untuk dua periode
dapat dilihat pada Tabel 4.13.
Tabel 4.13 Pemanfaatan sumber daya untuk 2 periode
Sumber
Periode Kapasitas Pemanfaatan Ket
Daya
1
150.000
98.767,393
T
Bahan A
2
150.000 123.203,756
T
1
100.000
46.827,591
T
Bahan B
2
100.000
57.014,943
T
1
8.000
3.448,785
T
Bahan C
2
8.000
4.264,215
T
Muatan
1
294.000
229.919
T
Gudang
2
294.000
284.281
T
Jam Kerja
1
22.500
16.699,851
T
Mesin
2
22.500
20.667,801
T
Pengadukan
Jam Kerja
1
21.600
13.984,671
T
Mesin
2
21.600
17.247,462
T
Pengemasan

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

dapat dipenuhi sebesar 3%. Analisis dari setiap

tujuan perencanaan produksi dapat dilihat pada
Tabel 4.15.
Tabel 4.15 Hasil LINDO untuk periode kedua
dengan kenaikan permintaan 3%

Berdasarkan Tabel 4.13 dapat dilihat bahwa

sumber daya yang terdiri dari bahan baku, kapasitas gudang produk, jam kerja mesin pengadukan, dan jam kerja mesin pengemasan, digunakan
sebesar nilai pemanfaatannya. Hal ini menunjukkan bahwa bahan baku, kapasitas gudang produk,
jam kerja mesin pengadukan, dan jam kerja
mesin pengemasan yang dimanfaatkan untuk
menghasilkan produk pesanan selama dua
periode memenuhi nilai target dan kapasitasnya.

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

4.6 Hasil Model Goal Programming pada

LINDO dengan Kenaikan Permintaan
Kenaikan maksimal untuk permintaan kedua
produk pada periode pertama yang masih dapat
dipenuhi sebesar 25%. Analisis setiap tujuan
perencanaan produksi dapat dilihat pada
Tabel 4.14.

IV

Keterangan:
T : Tercapai
TT : Tidak Tercapai

Tabel 4.14 Hasil LINDO untuk periode pertama

dengan kenaikan permintaan 25%
Prioritas

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

Berdasarkan Tabel 4.15 diketahui bahwa semua

target dapat tercapai. Pada prioritas II, perusahaan dapat mengurangi biaya transportasi sebesar
Rp. 1.71.910. Pada prioritas III, perusahaan dapat
mengurangi biaya penyimpanan produk sebesar
Rp. 157.528, hal ini menunjukkan bahwa
perusahaan dapat menampung seluruh hasil
produk pesanan tiap periode tanpa harus
mengeluarkan biaya tambahan untuk produk
yang tidak tertampung di gudang produk. Pada
prioritas IV, perusahaan dapat menambah penggunaan mesin sebesar 21.042,468750 menit.

Ket

5. Kesimpulan dan Saran

Berdasarkan hasil analisis dan pembahasan
dapat diambil kesimpulan sebagai berikut:

Keterangan:
T : Tercapai
TT : Tidak Tercapai

1. Goal programming diaplikasikan dengan

pengembangan model matematik pada
optimasi perencanaan produksi terutama
dalam menghasilkan produk pesanan
sehingga jumlah pesanan terpenuhi
dalam suatu periode. Dalam perumusan
model diperlukan fungsi kendala berupa
pembatas dan fungsi tujuan yang
meminimumkan atau memaksimumkan
deviasi terhadap kendala yang ada.
2. Analisis hasil untuk sasaran yang telah
ditetapkan adalah sebagai berikut:
a. Jumlah pesanan dari kedua produk
untuk dua periode dapat terpenuhi.
Pesanan produk I bulan pertama
sebesar 208.860 dan bulan kedua

Berdasarkan Tabel 4.14 diketahui bahwa semua

target dapat tercapai. Pada prioritas II, perusahaan dapat mengurangi biaya transportasi sebesar
Rp. 1.626.010. Pada prioritas III, perusahaan
dapat mengurangi biaya penyimpanan produk
sebesar Rp. 200.808, hal ini menunjukkan bahwa
perusahaan dapat menampung seluruh hasil
produk pesanan tiap periode tanpa harus
mengeluarkan biaya tambahan untuk produk
yang tidak tertampung di gudang produk. Pada
prioritas IV, perusahaan dapat menambah penggunaan mesin sebesar 19.722,974609 menit.
Kenaikan maksimal untuk permintaan
kedua produk pada periode kedua yang masih
9

Ket

sebesar 263.103 dapat terpenuhi.

Pesanan produk II bulan pertama
sebesar 21.059 dan bulan kedua
sebesar 21.178 dapat terpenuhi.
b. Biaya transportasi dari pabrik ke
gudang yang dikeluarkan perusahaan

duksi tiap periode, terlebih dalam menyediakan bahan dan memperhitungkan

kapasitas gudang. Bila jumlah pesanan
dalam suatu periode lebih besar dari
kapasitas gudang, maka perusahaan harus
melakukan pendistribusian secara cepat
tanpa harus menunggu masa pesanan
agar produk tidak menumpuk di gudang
yang dapat mengakibatkan overload.

sebesar Rp. 2.299.190 pada periode

pertama dan Rp. 2.842.810 pada periode
kedua, sehingga perusahaan dapat
mengurangi biaya transportasi sebesar
Rp. 2.200.810 pada periode pertama dan
Rp. 1.657.190 pada periode kedua dari
anggaran yang disediakan sebesar
Rp. 4.500.000 setiap periode.

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.

d. Target penggunaan mesin pengadukan dan mesin pengemasan

untuk produksi produk I sebesar
15.000 menit setiap periode dapat
dicapai dengan model yang ada yaitu
sebesar 27.778,379883 pada periode
pertama dan 34.992,699219 menit pada
periode kedua.

3. Jumlah produk yang dihasilkan telah

memenuhi jumlah pesanan. Namun
produksi tersebut kurang maksimal
karena pemakaian bahan baku, jam kerja
mesin, dan kapasitas gudang masih
kurang dari ketersediaannya.
Berdasarkan hasil analisis dan pembahasan
yang didapatkan maka ada beberapa hal yang
harus diperhatikan, yaitu:
1. Untuk memperoleh hasil optimasi yang
mendekati kondisi nyata perusahaan maka
sebaiknya pada penelitian selanjutnya
menambah fungsi tujuan dan memperbanyak
fungsi kendalanya. Diperlukan informasi
yang lebih mengenai tujuan dan kendala
perusahaan dalam produksi sehingga hasil
perencanaan produksi lebih optimal.
2. Bagi perusahaan, dengan adanya peren-

canaan produksi maka perusahaan bisa

lebih mempersiapkan kebutuhan pro10