BAB III TINJAUAN PUSTAKA

3.1.

Persediaan 2 Persediaan dapat diartikan sebagai barang-barang yang disimpan untuk

digunakan atau dijual pada masa atau periode yang akan datang. Persediaan terdiri dari persediaan bahan baku, persediaan bahan setengah jadi dan persediaan barang jadi. Persediaan bahan baku dan bahan setengah jadi disimpan sebelum digunakan atau dimasukkan ke dalam proses produksi, sedangkan persediaan barang jadi atau barang dagangan disimpan sebelum dijual atau dipasarkan. Dengan demikian, setiap perusahaan yang melakukan kegiatan usaha umumnya memiliki persediaan. Perusahaan yang melakukan kegiatan produksi (industri manufaktur) akan memiliki tiga jenis persediaan, yaitu persediaan bahan baku dan penolong, persediaan bahan setengah jadi dan persediaan barang jadi. Sedangkan perusahaan perdagangan minimal memiliki satu jenis persediaan, yaitu persediaan barang dagangan. Adanya berbagai macam persediaan ini menuntut pengusaha untuk melakukan tindakan yang berbeda untuk masing-masing persediaan, dan ini akan sangat terkait dengan permasalahan lain seperti masalah peramalan kebutuhan bahan baku serta peramalan penjualan atau permintaan konsumen. Bila melakukan kesalahan dalam menetapkan besarnya persediaan maka akan merembet ke masalah lain, misalnya tidak terpenuhinya permintaan konsumen
2

Ristono, Agus. 2009. Manajemen Persediaan. Graha Ilmu : Yogyakarta. Hal : 1-3.

atau bahkan berlebihnya persediaan sehingga tidak semuanya terjual, timbulnya biaya ekstra penyimpanan atau pesanan bahan dan sebagainya. Persediaan merupakan suatu model yang umum digunakan untuk menyelesaikan masalah yang terkait dengan usaha pengendalian bahan baku maupun barang jadi dalam suatu aktivitas perusahaan. Ciri khas dari model persediaan adalah solusi optimalnya difokuskan untuk menjamin persediaan dengan biaya yang serendah-rendahnya. lnventory adalah suatu teknik untuk manajemen material yang berkaitan dengan persediaan. Manajemen material dalam inventory dilakukan dengan beberapa input yang digunakan yaitu permintaan yang terjadi (demand) dan biayabiaya yang terkait dengan penyimpanan, serta biaya apabila terjadi kekurangan persediaan (shortage). Secara teknis, inventory adalah suatu teknik yang berkaitan dengan penetapan terhadap besarnya persediaan bahan yang harus diadakan untuk menjamin kelancaran dalam kegiatan operasi produksi, serta menetapkan jadwal pengadaan dan jumlah pemesanan barang yang seharusnya dilakukan oleh perusahaan. Penetapan jadwal dan jumlah pemesanan yang harus dipesan merupakan pernyataan dasar yang harus terjawab dalam pengendalian persediaan. Pengendalian pengadaan persediaan perlu diperhatikan karena berkaitan langsung dengan biaya yang harus ditanggung perusahaan sebagai akibat adanya persediaan. Oleh sebab itu, persediaan yang ada harus seimbang dengan kebutuhan, karena persediaan yang terlalu banyak akan mengakibatkan perusahaan menanggung risiko kerusakan dan biaya penyimpanan yang tinggi di

samping biaya investasi yang besar. Tetapi, jika terjadi kekurangan persediaan akan berakibat terganggunya kelancaran dalam proses produksinya. Oleh karenanya, diharapkan terjadi keseimbangan dalam pengadaan persediaan sehingga biaya dapat ditekan seminimal mungkin dan dapat memperlancar jalannya proses produksi. Beberapa pengertian persediaan menurut para ahli adalah sebagai berikut: 1. Suatu kegiatan untuk menentukan tingkat dan komposisi dari part atau bagian, bahan baku dan barang hasil produksi, sehingga perusahaan dapat melindungi kelancaran produksi dan penjualan serta kebutuhan pembelanjaan perusahaan dengan efektif dan efisien. 2. Serangkaian kebijakan dengan sistem pengendalian yang memonitor tingkat persediaan yang harus dijaga kapan persediaan harus diisi dan berapa pesanan yang harus dilakukan. Berdasarkan pada kedua pengertian di atas, maka dapat diambil kesimpulan bahwa pengertian pengendalian merupakan suatu usaha memonitor dan menentukan tingkat komposisi bahan yang optimal dalam menunjang kelancaran dan efektivitas serta efisiensi dalam kegiatan perusahaan.

3.2.

Faktor Biaya Persediaan 3 Dikarenakan persediaan merupakan salah satu faktor yang menentukan

kelancaran produksi dan penjualan, maka persediaan harus dikelola secara tepat. Dalam hal ini, perusahaan harus dapat menentukan jumlah persediaan optimal,
3

Ibid. Hal : 3-4.

sehingga di satu sisi kontinuitas produksi dapat terjaga dan pada sisi lain perusahaan dapat memperolah keuntungan, karena perusahaan dapat memenuhi setiap permintaan yang datang. Karena persediaan yang kurang akan sama tidak baiknya dengan persediaan yang berlebihan, sebab kondisi keduanya memiliki beban dan akibat masing-masing. Bila persediaan kurang, maka perusahaan tidak akan dapat memenuhi semua permintaan sehingga akibatnya pelanggan akan kecewa dan beralih ke perusahaan lainnya. Sebaliknya, bila persediaan berlebih, ada beberapa beban yang harus ditanggung, yaitu: 1. Biaya penyimpanan di gudang, semakin banyak barang yang disimpan maka akan semakin besar biaya penyimpanannya. 2. Risiko kerusakan barang, semakin lama barang tersimpan di gudang maka risiko kerusakan barang semakin tinggi. 3. Risiko keusangan barang, barang-barang yang tersimpan lama akan out of date atau ketinggalan zaman.

3.3.

Tujuan Pengelolaan Persediaan 4 Suatu pengendalian persediaan yang dijalankan oleh suatu perusahaan

sudah tentu memiliki tujuan-tujuan tertentu. Pengendalian persediaan yang dijalankan adalah untuk menjaga tingkat persediaan pada tingkat yang optimal sehingga diperoleh penghematan-penghematan untuk persediaan tersebut. Hal inilah yang dianggap penting untuk dilakukan perhitungan persediaan sehingga
4

J. Bowersox, Donald. 2002. Manajemen Logistik. PT. Bumi Aksara : Jakarta. Hal : 32-34.

dapat menunjukkan tingkat persediaan yang sesuai dengan kebutuhan dan dapat menjaga kontinuitas produksi dengan pengorbanan atau pengeluaran biaya yang ekonomis. Dengan demikian, yang dimaksud dengan pengelolaan persediaan adalah kegiatan dalam memperkirakan jumlah persediaan (bahan baku/penolong) yang tepat, dengan jumlah yang tidak terlalu besar dan tidak pula kurang atau sedikit dibandingkan dengan kebutuhan atau permintaan. Dari pengertian tersebut, maka tujuan pengelolaan persediaan adalah sebagai berikut: 1. Untuk dapat memenuhi kebutuhan atau permintaan konsumen dengan cepat (memuaskan konsumen). 2. Untuk menjaga kontinuitas produksi atau menjaga agar perusahaan tidak mengalami kehabisan persediaan yang mengakibatkan terhentinya proses produksi, hal ini dikarenakan alasan: a. Kemungkinan barang (bahan baku dan penolong) menjadi langka sehingga sulit untuk diperoleh. b. Kemungkinan supplier terlambat mengirimkan barang yang dipesan. 3. Untuk mempertahankan dan bila mungkin meningkatkan penjualan dan laba perusahaan. 4. Menjaga agar pembelian secara kecil-kecilan dapat dihindari, karena dapat mengakibatkan ongkos pesan menjadi besar. 5. Menjaga supaya penyimpanan dalam emplacement tidak besar-besaran, karena akan mengakibatkan biaya menjadi besar.

Dari beberapa tujuan pengendalian di atas maka dapat disimpulkan bahwa tujuan pengendalian persediaan adalah untuk menjamin terdapatnya persediaan sesuai kebutuhan. Ada dua macam kelompok bahan baku, yaitu: 1. Bahan baku langsung (direct material), yaitu bahan yang membentuk dan merupakan bagian dari barang jadi yang biayanya dengan mudah bisa ditelusuri dari biaya barang jadi tersebut. Jumlah bahan baku langsung bersifat variabel, artinya sangat tergantung atau dipengaruhi oleh besar kecilnya volume produksi atau perubahan output. 2. Bahan baku tak langsung (indirect material), yaitu bahan baku yang dipakai dalam proses produksi, tetapi sulit menelusuri biayanya pada setiap barang jadi.

3.4.

Sistem Persediaan 5 Masalah persediaan merupakan hal yang penting dalam logistik. Karena

persediaan sendiri menunjukkan kemampuan perusahaan dalam memenuhi permintaan. Secara umum, ada dua macam sistem persediaan yang biasa dipakai yang satu sama lain bervariasi yaitu : 1. Sistem pemesanan ukuran tetap (fixed order size inventory system) atau sering disebut dengan Q system. 2. Sistem pemesanan interval tetap (fixed order interval inventory system) atau sering disebut P system.
5

Pujawan, I Nyoman. 2002. Manajemen Logistik. PT. Bumi Aksara : Jakarta. Hal : 105-110.

Adapun ciri-ciri dari Q system adalah sebagai berikut : 1. Jumlah bahan yang dipesan selalu sama untuk setiap kali pemesanan yaitu sebesar lot ekonomis. 2. Selang waktu pemesanan tidak tetap, bervariasi sesuai fluktuasi pemakaian bahan. 3. Pemesanan dilakukan kembali apabila jumlah persediaan telah mencapai titik pemesanan kembali (reorder point). 4. Titik pemesanan kembali besarnya sama dengan perkiraan pemakaian selama lead time ditambah dengan safety stock. Adapun ciri ciri P system adalah sebagai berikut : 1. Jumlah bahan yang dipesan tidak tetap, tetapi tergantung pada jumlah persediaan yang ada di gudang pada saat pemesanan dilakukan. 2. Selang waktu persediaan adalah tetap untuk setiap kali pemesanan dilakukan. 3. Model P tidak mempunyai titik pemesanan kembali, tetapi lebih menekankan pada target persediaan. 4. Model P tidak mempunyai nilai EOQ karena jumlah pemesanan akan bervariasi tergantung permintaan yang sesuai dengan target persediaan. Adapun gambar dari Q system dan P system dapat dilihat pada Gambar 3.1. dan Gambar 3.2.

Gambar 3.1. Q System

Gambar 3.2. P System Titik pemesanan kembali (reorder point) dapat dilihat pada Gambar 3.3.

Gambar 3.3. Titik Pemesanan Kembali (Reorder Point) Dari Gambar 3.3. terlihat bahwa dalam satu siklus Persediaan Y, saat memesan adalah t 1 yaitu saat jumlah persediaan sudah mencapai titik R (Reorder Point). Lead Time (L) adalah selang waktu antara pesanan dibuat dan pesanan datang. Maka, selama t 1 -t 2, proses menggunakan persediaan gudang selama L. R/t adalah tingkat penggunaan persediaan sejak pesanan dibuat. Artinya, selama itu pula titik kritis dimulai, karena penyimpangan atau perubahan R/t

akan menyebabkan persediaan tidak tepat habis di t 2 padahal persediaan yang sudah dipesan saat t 1 akan datang tepat di t 2 . Masalah pokok pengendalian inventory dengan menggunakan metode Q adalah penentuan jumlah pemesanan optimal dengan biaya minimum dan masalah titik pemesanan kembali atau reorder point (ROP). Penentuan titik pemesanan kembali mencakup penentuan persediaan pengaman (safety stock) dan kebutuhan selama lead time. Keadaan yang dihadapi adalah permintaan terhadap suatu item bersifat kontinu dengan tingkat yang seragam dengan lead time (tenggang waktu) tetap, perhitungan EOQ (Economic Order Quantity) biasa tidak dapat menyelesaikan masalah tersebut sehingga dibutuhkan perhitungan metode Q sesuai kondisi tersebut. Mencari harga Q optimal (Q*), yaitu: Q* = Keterangan: Q* C0 D H = Jumlah pemesanan optimum = Ongkos pemesanan (Rp/pemesanan) = Jumlah permintaan tiap periode = Ongkos simpan (Rp) Jika model EOQ yang diterapkan, maka faktor penting adalah lead time. Lead time adalah jarak waktu antara saat melakukan order hingga order datang. Adanya lead time membuat kita harus menentukan waktu pemesanan. Pada model EOQ, lead time diketahui dengan pasti. Namun pada kenyataannya, baik permintaan maupun lead time sama-sama tidak pasti. Oleh karena itu, waktu pemesanan suatu barang harus mempertimbangkan ketidakpastian dari dua aspek 2C o D H

tersebut. Maka, pada situasi dimana ada ketidakpastian pada sisi pasokan maupun permintaan, reorder point dapat dihitung dengan menggunakan rumus berikut: ROP = d x l + SS Keterangan: d = rata-rata permintaan l = lead time

SS = safety stock

3.5.

Safety Stock 6 Ketidakpastian jumlah dan waktu permintaan, lead time, dan jumlah serta

penyelesaian produksi merupakan problem yang sering terjadi. Ketidakpastian ini dapat menyebabkan kehabisan persediaan atau sebaliknya jumlah persediaan yang terlalu banyak. Resiko kehabisan persediaan antara lain disebabkan oleh beberapa hal yaitu permintaan yang lebih besar, lead time bertambah serta permintaan terlalu tinggi. Untuk mengantisipasi ketidakpastian tersebut, khususnya dalam permintaan dan lead time, maka disediakan suatu jumlah tertentu (safety stock = SS) yang akan mengurangi resiko kehabisan persediaan. Penentuan safety stock dipengaruhi oleh beberapa hal tergantung pada tujuannya yaitu untuk mencapai service level tertentu, berdasarkan distribusi permintaan seperti distribusi normal, distribusi empiris, dan permintaan yang

Baroto, Teguh. 2002. Perencanaan dan Pengendalian Produksi. Ghalia Indonesia : Jakarta. Hal : 84.

tidak pasti. Pada kesempatan ini, penentuan safety stock dibatasi pada service level dan permintaan yang berdistribusi normal. Tujuan penentuan safety stock dengan service level tertentu adalah mengurangi resiko kekurangan persediaan tersebut menjadi hanya 5% atau 10% saja (umumnya). Bila diinginkan resiko terjadi kekurangan persediaan adalah 5%, maka tingkat keyakinan tidak terjadi kekurangan persediaan adalah sebesar 95% (yaitu didapat dari 100% - 5%). Permintaan berdistribusi normal adalah bila permintaan berpola pada kurva normal dalam bidang ilmu statistika. Pareto adalah seorang peneliti mengenai persediaan menemukan fakta bahwa penggunaan suatu item tertentu kadang kala dalam jumlah sedikit, kadang kala dalam jumlah besar dan kadang kala dalam jumlah yang sangat besar. Bila dibuat grafik peluangnya, dimana garis mendatar menunjukkan jumlah penggunaan dan grafik vertikal menunjukkan peluang, maka akan didapatkan kurva berbentuk lonceng. Pola data seperti inilah yang dimaksud dengan distribusi (pola) normal. Bila permintaan berdistribusi normal, parameter yang digunakan untuk menentukan safety stock adalah rata-rata () dan standar deviasi ( ). Misalnya, suatu perusahaan mempunyai item persediaan yang permintaannya berdistribusi normal selama periode pemesanan ulang. Rata-rata permintaan selama periode pemesanan ulang sebesar 300 unit dengan standar deviasi 20 unit. Manajemen ingin menjaga agar kemungkinan terjadinya stock out hanya 5% (dengan kata lain, tingkat pelayanan sebesar 95% dari permintaan). Besarnya persediaan pengaman dapat dicari sebagai berikut:

: rata-rata permintaan = 300 unit : standar deviasi = 20 unit : rata-rata permintaan + persediaan pengaman : persediaan pengaman = X-
Z= X SS atau SS = Z. =

X SS

Tingkat pelayanan (service level) 95% menentukan besarnya nilai Z. Dengan menggunakan tabel distribusi normal, nilai Z pada daerah di bawah kurva normal 95% (1-0,05) dapat diperoleh, yaitu 1,65. Maka SS = 1,65 (20) = 33 unit.

3.6.

Perencanaan Produksi 7 Perencanaan produksi adalah pernyataan rencana produksi ke dalam

bentuk agregat. Perencanaan produksi ini merupakan alat komunikasi antara manajemen teras (top management) dan manufaktur. Di samping itu juga, perencanaan produksi merupakan pegangan untuk merancang Jadwal Induk Produksi (JIP). Beberapa fungsi lain dari perencanaan produksi adalah: 1. Menjalin rencana penjualan dan rencana produksi konsisten terhadap rencana strategis perusahaan. 2. Sebagai alat ukur performansi proses perencanaan produksi. 3. Menjamin kemampuan produksi konsisten terhadap rencana produksi.

Ginting, Rosnani. 2007. Sistem Produksi. Graha Ilmu : Yogyakarta. Hal : 69-70.

4. Memonitor hasil produksi aktual terhadap rencana produksi dan membuat penyesuaian. 5. Mengatur persediaan produk jadi untuk mencapai target produksi dan rencana strategis. 6. Mengarahkan penyusunan dan pelaksanaan Jadwal Induk Produksi (JIP). Sedangkan tujuan perencanaan produksi adalah: 1. Sebagai langkah awal untuk menentukan aktivitas produksi yaitu sebagai referensi perencanaan lebih rinci dari rencana agregat menjadi item dalam jadwal induk produksi. 2. Sebagai masukan sumber daya sehingga perencanaan sumber daya dapat dikembangkan untuk mendukung perencanaan produksi. 3. Meredam (stabilisasi) produksi dan tenaga kerja terhadap fluktuasi permintaan.

3.7.

Fungsi Perencanaan dan Pengendalian 8 Perencanaan dan pengendalian adalah dua fungsi manajemen yang tidak

dapat dipisahkan dalam setiap bidang kegiatan termasuk kegiatan produksi. Perencanaan adalah langkah pertama dalam proses manajemen yang meliputi penetapan tujuan dan sasaran yang ingin dicapai dan keputusan tentang bagaimana cara untuk mencapai tujuan dan sasaran tersebut. Hubungan perencanaan dan pengendalian dapat dilihat pada Gambar 3.4.
8

Sinulingga, Sukaria. 2009. Perencanaan dan Pengendalian Produksi. Graha Ilmu : Yogyakarta. Hal : 81.

Perencanaan

Eksekusi

Hasil

Pengendalian

Gambar 3.4. Hubungan Perencanaan dan Pengendalian dalam Sistem Produksi

3.8.

Karakteristik Perencanaan Produksi 9 Agar manajemen dapat memfokuskan seluruh tingkat produksi tanpa harus

rinci, maka perencanaan produksi dinyatakan dalam kelompok produk atau famili (agregat). Satuan unit yang dipakai dalam perencanaan produksi bervariasi dari satu pabrik ke pabrik lain. Hal ini bergantung dari jenis produk seperti : ton, liter, kubik, jam mesin atau jam orang. Jika satuan menit sudah ditetapkan maka faktor konversi harus ditetapkan sebagai alat komunikasi dengan departemen lainnya seperti departemen pemasaran dan akuntansi. Satuan unit di atas harus dikonversikan dalam bentuk satuan rupiah. Di samping menjaga konversi diperlukan untuk menterjemahkan perencanaan produksi ke jadwal induk produksi. Perencanaan produksi mempunyai waktu perencanaan yang cukup panjang, biasanya 5 tahun. Rencana ini digunakan untuk perencanaan sumber daya seperti : ekspansi dan pembelian mesin. Proses peramalan telah memberikan
9

Ginting, Rosnani. 2007. Sistem Produksi. Graha Ilmu : Yogyakarta. Hal :70-71.

informasi mengenai besarnya permintaan akan produk yang direncanakan. Langkah selanjutnya adalah membuat rencana produksinya itu sendiri. Dalam hal ini, tidak semua permintaan dari hasil peramalan mungkin bisa diproduksi karena kapasitas produksi yang dimiliki tidak mencukupi. Pada dasarnya, perencanaan produksi adalah upaya menjabarkan hasil peramalan menjadi rencana produksi yang layak dilakukan dalam bentuk jadwal rencana produksi.

3.9.

Definisi Simulasi 10 Simulasi dapat didefinisikan sebagai pengimitasian proses dan kejadian

nyata. Imitasi dalam rangka penelitian, penyelidikan ataupun pengujian bersifat terbatas dan terfokus pada suatu aktivitas atau operasi tertentu dengan maksud untuk mengetahui karakteristik, keadaan dan hal-hal lainnya yang berkaitan dengan kehadiran dan keberadaan dari aktivitas dan peristiwa dalam bentuk nyata. Imitasi pada simulasi tidak menghasilkan sistem atau objek yang sama dan tidak bertujuan untuk menggandakan sistem atau objek. Imitasi pada simulasi bertujuan untuk menghadirkan sistem nyata dalam bentuk maya melalui penggunaan tiruan dari komponen-komponen dan strukturnya. Imitasi suatu keberadaan nyata pada prinsipnya tidak bersifat total menyeluruh melainkan terbatas untuk satu atau beberapa hal tertentu. Sebagai contoh, imitasi suatu perhiasan terbatas hanya untuk meniru warna dan kemilau

10

Napitupulu, Humala L. 2009. Simulasi Sistem Pemodelan dan Analisis. USU Press : Medan.

Hal :1.

dari logam emas, tidak termasuk bentuk, bahan dan komposisi dari perhiasan asli yang terbuat dari emas.

3.10. Tujuan Imitasi pada Simulasi 11 Menurut pendefinisian pada berbagai kamus, kata simulasi diartikan sebagai cara mereproduksi kondisi dari suatu keberadaan dengan menggunakan model dalam rangka studi pengenalan atau pengujian atau pelatihan dan yang sejenis lainnya. Simulasi dalam bentuk pengolahan data merupakan imitasi dari proses dan input nyata yang menghasilkan data output sebagai gambaran karakteristik operasional dan keadaan pada sistem. Imitasi dalam simulasi menghasilkan model representasi dari suatu proses atau operasi dan keadaan nyata. Model sebagai imitasi disusun dalam bentuk yang sesuai menyajikan sistem nyata atas hal-hal tertentu yang perlu direpresentasikan dengan maksud untuk menghadirkan tiruan dari kegiatan dan sistem nyata. Sebagai contoh, model sistem antrian sebagai imitasi dari sistem pelayanan disusun untuk menggambarkan posisi dari pelanggan di depan stasiun pelayanan. Tujuan imitasi sistem nyata dengan menghadirkan elemen dan komponen tiruan adalah untuk peniruan fungsi dan hubungan nyata serta interaksi antar objek dan komponen nyata pada sistem tiruan. Komponen-komponen sistem tiruan hadir dalam bentuk fungsi dan interaksi imitasi yang disajikan dalam bentuk rangkaian proses dalam aktivitas dan operasi sistem yang disimulasi. Operasi tiruan yang berlangsung dengan penggunaan data input tiruan diperlukan
11

Ibid. Hal :2.

untuk menghasilkan output sebagai gambaran dari hasil operasi dan keadaan pada sistem yang disimulasi.

3.11. Prinsip Dasar Simulasi 12 Pada sistem nyata dalam dunia nyata, setiap komponen sistem hadir dengan bentuk hubungan dan interaksi antar komponen yang tidak berubah-ubah dalam aktivitas sistem yang berlangsung berkesinambungan dari waktu ke waktu. Berdasarkan hubungan dan interaksi yang beraturan serta fungsi komponen yang tidak berubah-ubah dalam aktivitas sistem yang sama, kehadiran suatu komponen dalam aktivitas sistem adalah khas dengan karakteristik tertentu. Sebagai contoh, fungsi mobil bus pada suatu sistem transportasi adalah khas sebagai sarana pengangkutan penumpang dari satu kota ke kota lainnya. Dengan bentuk kehadiran dan fungsi komponen yang tidak berubah-ubah dalam aktivitas yang serupa, imitasi komponen atas suatu fungsi tertentu layak dilakukan pada pengoperasian sistem tiruan tanpa perubahan ataupun

penyimpangan. Sebagai contoh, imitasi suatu sistem sebagai satu komponen dalam sistem produksi dapat dihadirkan dengan fungsi yang tidak berubah-ubah sebagai sarana produksi dengan batas kapasitas tertentu. Mesin dimaksud adalah tetap sebagai komponen sarana produksi dengan kapasitas efektif yang diprediksi pada pengoperasian sistem. Kapasitas mesin atas fungsi yang sama dapat berubah, tetapi fungsi mesin adalah tetap dan tidak berubah sebagai sarana produksi.
12

Ibid. Hal : 8.

Kehadiran komponen-komponen sistem dengan fungsi yang berubah-ubah merupakan dasar dari simulasi sistem dengan pengoperasian sistem tiruan. Pengoperasian sistem tiruan dapat berlangsung melalui imitasi fungsi komponen nyata dalam bentuk nilai dan persamaan pada proses pengolahan data input tiruan sesuai dengan bentuk hubungan input-output dalam operasi nyata. Perumusan proses dan fungsi yang tidak berubah-ubah dalam aktivitas sistem merupakan dasar penyusunan model simbolik dan prosedur pengoperasian sistem tiruan. Penggunaan model-model simbolik untuk berbagai proses ataupun fungsi pada pengoperasian sistem tiruan dalam simulasi berlaku valid selama bentuk sistem dan susunan komponen serta bentuk dari hubungan dan interaksi dalam aktivitas sistem tidak mengalami perubahan.

3.12.

Langkah-langkah Simulasi 13 Adapun langkah-langkah dalam melakukan simulasi adalah sebagai

berikut: 1. Formulasi Masalah Pendefinisian masalah yang akan dipelajari meliputi pernyataan pemecahan masalah. 2. Membangun Model Abstraksi dari sistem ke dalam hubungan matematis yang logis sesuai dengan formulasi masalah.
13

Pritsker, A. Alan B. 1986. Introduction to Simulation and Slam II. West Lafayette : Indiana. Hal 10-11.

3. Akuisisi Data Identifikasi, spesifikasi, dan pengumpulan data. 4. Menerjemahkan Model Persiapan model untuk pemrosesan dengan komputer. 5. Verifikasi Proses pembuktian bahwa program komputer berjalan sesuai dengan maksud yang diharapkan. 6. Validasi Proses pembuktian bahwa ada keakuratan yang diinginkan atau hubungan antara model simulasi dan sistem nyata. 7. Perencanaan Taktis dan Strategis Proses penentuan kondisi eksperimen yang akan digunakan pada model. 8. Eksperimen Eksekusi model simulasi dengan kondisi eksperimen yang telah ditentukan untuk memperoleh nilai output. 9. Analisis Hasil Proses analisis hasil simulasi untuk menarik kesimpulan dan membuat rekomendasi untuk pemecahan masalah. 10. Implementasi dan Dokumentasi Proses mengimplementasikan hasil keputusan simulasi dan

mendokumentasikan model dan kegunaannya.

3.13.

Sistem Umpan Balik (Feedback System) 14 Permasalahan yang dimodelkan dengan pendekatan sistem dinamis

sebaiknya mengandung dua karakteristik yaitu: 1. Masalah yang akan dimodelkan mempunyai sifat dinamis, yakni menyangkut kuantitas yang berubah menurut waktu sehingga dapat direpresentasikan dalam grafik kuantitas terhadap waktu. 2. Adanya sistem umpan balik (feedback system). Lingkaran umpan balik merupakan suatu lingkaran tertutup dimana sederetan keputusan dihubungkan untuk menentukan tindakan, keadaan (level) sistem serta informasi mengenai keadaan sistem. Informasi tersebut kemudian akan kembali kepada keputusan. Hal-hal yang mempengaruhi keputusan bukanlah keadaan (level) saja, melainkan juga informasi tentang keadaan yang mungkin berbeda dari keadaan sebenarnya akibat kesalahan atau keterlambatan (delay) yang terjadi dalam lintasan. Diagram lingkar umpan balik dapat dilihat pada Gambar 3.5.

Keputusan

Informasi Keadaan Sistem (Level)

Keadaan (Level)

Gambar 3.5. Diagram Lingkar Umpan Balik

14

Utami, Rahayu. 2006. Simulasi Dinamis Sistem Ketersediaan Ubi Kayu (Studi Kasus di Kabupaten Bogor). IPB : Bogor. Hal : 29-31.

Lingkar umpan balik dibedakan menjadi dua yaitu positif dan negatif. Lingkar umpan balik positif menghasilkan proses pertumbuhan yang

menghasilkan kegiatan yang selalu meningkat, hal ini akan merupakan gangguan terhadap sistem yang dicirikan sebagai ketidakstabilan, ketidakseimbangan, makin memperkuat pertumbuhan. Lingkar umpan balik positif jika jumlah tanda (-) dalam loop genap. Tanda (-) ini dibentuk dari hubungan antara dua parameter. Hubungan positif jika : 1. Parameter A menambah terhadap parameter B. 2. Atau, jika parameter A berubah maka parameter B berubah searah. Lingkar umpan balik negatif jika jumlah tanda (-) dalam loop ganjil. Hubungan negatif jika : 1. Parameter A sifatnya mengurangi terhadap parameter B. 2. Atau, jika parameter A berubah maka parameter B berubah berlawanan arah. Lingkar umpan balik hubungan positif dan hubungan negatif dapat dilihat pada Gambar 3.6.

Gambar 3.6. Lingkar Umpan Balik Positif dan Negatif Lingkar umpan balik tersebut terdiri atas lingkar umpan balik positif yaitu hubungan antara kelahiran dengan penduduk, dimana semakin banyak kelahiran bayi semakin bertambah jumlah penduduk, di lain pihak semakin banyak jumlah penduduk, semakin banyak jumlah kelahiran bayi. Sebaliknya, lingkar umpan

balik negatif yaitu hubungan antara kematian dengan penduduk, dimana semakin banyak kematian bayi semakin berkurang jumlah penduduk, di lain pihak semakin banyak jumlah penduduk, semakin banyak jumlah kematian bayi.

3.14.

Powersim 15 Powersim adalah salah satu software untuk simulasi model sistem dinamis.

Jadi, Powersim hanyalah merupakan alat (tool) untuk mempermudah simulasi model sistem dinamis. Perlu ditegaskan di sini bahwa menggunakan software Powersim tidak berarti dengan sendirinya menggunakan metodologi sistem dinamis. Sistem dinamis dapat disimulasikan dengan berbagai jenis software, termasuk dengan software spreadsheet, misalnya Excel. Software-software yang didisain untuk membuat simulasi model sistem dinamis, sampai saat ini tersedia di pasar adalah : Dynamo, Vensim, Stella, I-think, Powersim. Masing-masing software ini mempunyai versi yang beragam, sesuai dengan perkembangannya. Software yang akan dipakai untuk pengenalan simulasi sekarang ini adalah Powersim Constructor. Membuka Powersim dapat dilakukan dengan cara 16: 1. Dari start menu. Klik start geser cursor ke Programs geser cursor ke Powersim klik Constructor dengan ikon yang dapat dilihat pada Gambar 3.7.
15 16

Avianto, Teten W. 2006. Tutorial Powersim. Lablink. Hal : 3-4. Ibid. Hal : 15-17.

Gambar 3.7. Ikon Powersim Constructor 2. Dari desktop komputer. Klik 2 kali ikon pada Gambar 3.7. 3. Kemudian akan muncul di layar seperti terlihat pada Gambar 3.8.

Gambar 3.8. Tampilan Powersim Constructor Adapun keterangan tampilan Powersim Constructor dapat dilihat pada Gambar 3.9.

Gambar 3.9. Keterangan Tampilan Powersim Constructor

Beberapa tools dalam Powersim Constructor dapat dilihat pada Gambar 3.10.

Gambar 3.10. Beberapa Tools dalam Powersim Constructor

3.15.

Komponen Powersim 17 Dalam simulasi menggunakan powersim terdapat besaran-besaran pokok

yang terdiri atas variabel-variabel. Variabel dalam powersim yang digunakan adalah variabel level, variabel rate, variabel auxiliary, dan variabel constant.
17

Utami, Rahayu. 2006. Simulasi Dinamis Sistem Ketersediaan Ubi Kayu (Studi Kasus di Kabupaten Bogor). IPB : Bogor. Hal : 31-33.

a. Level Level merupakan variabel yang menyatakan akumulasi dari sejumlah benda (nouns) seperti orang, uang, inventori, dan lain-lain terhadap waktu. Level dipengaruhi oleh variabel rate dan dinyatakan dengan simbol persegi panjang. Pada bagian bawah simbol variabel level menunjukkan nama variabel level tersebut. Adapun simbol variabel level dapat dilihat pada Gambar 3.11.

Gambar 3.11. Simbol Variabel Level b. Rate Rate merupakan suatu aktivitas, pergerakan (movement), atau aliran yang berkontribusi terhadap perubahan per satuan waktu dalam suatu variabel level. Rate merupakan satu-satunya variabel yang mempengaruhi variabel level. Dalam Powersim simbol rate dinyatakan dengan kombinasi antara flow dan auxiliary. Simbol ini harus terhubung dengan sebuah variabel level. Adapun simbol variabel rate dapat dilihat pada Gambar 3.12.

Gambar 3.12. Simbol Variabel Rate c. Auxiliary Auxiliary merupakan variabel tambahan untuk menyederhanakan hubungan informasi antara level dan rate. Seperti variabel level, variabel auxiliary juga

dapat digunakan untuk menyatakan sejumlah benda (nouns). Simbol auxiliary dinyatakan dengan sebuah lingkaran. Adapun simbol variabel auxiliary dapat dilihat pada Gambar 3.13.

Gambar 3.13. Simbol Variabel Auxiliary d. Constant Constant merupakan input bagi persamaan rate baik secara langsung maupun melalui auxiliary. Constant menyatakan nilai parameter dari sistem nyata. Simbol constant dinyatakan dengan segi empat. Adapun simbol variabel constant dapat dilihat pada Gambar 3.14.

Gambar 3.14. Simbol Variabel Constant Selain keempat variabel di atas, dikenal pula istilah snapshot dalam software Powersim Studio. Snapshot adalah sebuah simbol variabel dengan sebuah extra set of corners yang menunjukkan representasi dari sebuah variabel yang sama dan telah ada pada simulasi. Snapshot digunakan untuk melakukan link antar semua sub model agar dapat menjadi sebuah main model yang utuh. Snapshot juga dapat digunakan sebagai connector saat melakukan simplifikasi main model menjadi beberapa sub model dengan melakukan blocking. Adapun simbol snapshot dapat dilihat pada Gambar 3.15.

Gambar 3.15. Simbol Snapshot

3.16.

Persamaan Simulasi Dinamis 18 Dalam proses simulasi, perhitungan persamaan dilakukan setahap demi

setahap terhadap waktu. Pertambahan waktu yang kontinyu, dipecah-pecah dalam interval waktu yang pendek dan sama besar. Menurut Tasrif (2004), persamaan model sistem dinamis merupakan persamaan discrete differential. Sistem persamaan tersebut memiliki bentuk umum sebagai berikut: L sk PLsbsk = Lsb + PL sbsk = f (L sb ) .................... (1) .................... (2)

Persamaan (1) menyatakan nilai variabel level (L) pada saat sekarang (L sk ) adalah sama dengan nilai variabel L pada saat sebelumnya (L sb ) ditambah dengan perubahan nilai variabel L dari sebelumnya sampai sekarang (PL sbsk ). Persamaan (2) menyatakan bahwa perubahan nilai variabel L dari sebelumnya (sb) sampai sekarang (sk), PLsbsk , merupakan suatu fungsi dari nilai variabel sebelumnya (L sb ). Apabila interval waktu antarask dinyatakan sb sebagai t, dan dipilih cukup kecil, maka perilaku L terhadap waktu mendekati perilaku suatu sistem kontinyu. Dalam formulasi pemodelan sistem dinamis digunakan operasi aritmatika sebagai berikut :
18

Ibid. Hal : 35-41.

+ * / ^ ()

= Penjumlahan = Pengurangan = Perkalian = Pembagian = Pangkat = Pengelompokkan Dalam simulasi dinamis, urutan komputasi simulasi dapat dilihat pada

Gambar 3.16.

Gambar 3.16. Urutan Komputasi Simulasi Dinamis dimana: Sb : Sebelumnya Sk : Sekarang Ya : Yang akan datang Dt : Interval waktu simulasi (t) Sesuai dengan banyaknya jenis variabel dan konstanta, dikenal beberapa macam persamaan yaitu : 1. Persamaan Level Persamaan level merupakan persamaan yang menghitung akumulasi aliran masuk dan aliran keluar pada selang waktu tertentu. Harga baru suatu level dihitung dengan menambah atau mengurangi harga level suatu interval waktu

sebelumnya dengan rate yang bersangkutan dikalikan dengan interval waktu yang digunakan. Harga variabel level dapat diubah oleh beberapa buah variabel rate. Contoh : Lsk = L sb + DT * (RM sbsk RK sbsk ) dimana: L L sk L sb DT RM RK RM sbsk : level (unit) : harga baru dari level yang akan dihitung pada saat sekarang (sk) : harga level pada saat sebelumnya (sb) : interval waktu (satuan waktu) : rate yang akan menambah level L (rate masuk) : rate yang akan mengurangi level L (rate keluar) : harga rate yang akan menambah level L selama interval waktu sbsk (unit/satuan waktu) RK sbsk : harga rate yang akan mengurangi level L selama interval waktu sbsk (unit/satuan waktu) 2. Persamaan Rate Persamaan rate menyatakan bagaimana aliran di dalam sistem diatur. Harga variabel rate dalam suatu interval waktu sering dipengaruhi oleh variabel variabel level, auxiliary, atau constant dan tidak dipengaruhi oleh panjangnya waktu. Persamaan rate dihitung pada saat sk, dengan menggunakan informasi dari level atau auxiliary pada saat sk untuk mendapatkan rate aliran selama interval waktu selanjutnya (sk ya). Asumsi yang diambil dalam perhitungan rate ini adalah bahwa selama interval waktu DT, harga rate konstan. Hal ini

merupakan pendekatan dari keadaan sebenarnya dimana rate berubah terhadap waktu secara kontinyu. Bentuk persamaan rate adalah: RM
skya

= f (level, auxiliary, dan constant)

3. Persamaan Auxiliary Persamaan auxiliary berfungsi untuk membantu menyederhanakan persamaan rate yang rumit. Harga auxiliary dipengaruhi oleh variabel level, variabel auxiliary lain dan constant yang telah diketahui. Contoh : A sk = Lsk / C dimana: A : variabel auxiliary A sk : harga variabel auxiliary A yang akan dihitung pada saat sk L sk : harga variabel level L pada saat sk

C : harga constant 4. Persamaan Constant / Parameter Suatu constant mempunyai harga yang tetap sepanjang selang waktu simulasi, sehingga tidak memerlukan notasi waktu di belakangnya. Persamaan constant menunjukkan nilai parameter yang selalu mengikuti persamaan variabel level, rate, atau auxiliary. Contoh : Const = 0,04 dimana: Const : nama dari suatu Constant

5. Persamaan Fungsi Tabel (Graph) Persamaan fungsi tabel nilainya ditentukan melalui sebuah tabel sebagai fungsi dari besaran tertentu. Dalam Powersim, tabel ini dinyatakan dalam fungsi GRAPH yang dapat memberikan solusi hubungan antara dua variabel dalam bentuk grafik. Fungsi GRAPH digunakan bila data berupa tabel atau data menunjukkan hubungan yang nonlinier. Di samping fungsi GRAPH sendiri, terdapat beberapa bentuk fungsi GRAPH antara lain : GRAPH CURVE, GRAPH LINAS, dan GRAPH STEP. Perbedaan keempat fungsi GRAPH tersebut adalah terletak pada output yang dimunculkan. Contoh : GR = GRAPH [X, X 1 , D x , Y(N)] dimana: X X1 Dx : variabel input, variabel independen (bebas), disebut juga sumbu X : nilai pertama dari variabel X : pertambahan nilai (increment) dari variabel bebas X, nilainya selalu positif Y(N) : vektor (sumbu Y, disebut juga output) 6. Persamaan Fungsi Tunda (Delay) Delay merupakan suatu bentuk kelambatan (waktu) yang terjadi pada aliran material, informasi, ataupun aliran lainnya dan merupakan aspek yang penting dalam sistem dinamis. Delay sering terjadi dalam sistem nyata, misalnya dalam pengambilan keputusan, dalam transportasi, penyebaran informasi, dan lain-lain Dalam Powersim terdapat tiga bentuk persamaan yang dapat digunakan untuk menyatakan delay. Delay aliran material dinyatakan oleh

fungsi DELAYMTR, delay aliran informasi dinyatakan oleh fungsi DELAYINF, dan delay aliran material dengan infinite order dinyatakan dengan fungsi DELAYPPL. Contoh bentuk fungsi delay adalah : DELAYMTR (Input, Delay_Time, n, Initial) DELAYINF (Input, Delay_Time, n, Initial) DELAY PPL (Input, Delay_Time, Initial) dimana: Input : variabel yang menjadi input bagi variabel yang mengalami delay Delay_Time n Initial : rata-rata waktu delay : orde delay : nilai inisial dari delay

7. Persamaan Fungsi Logika Beberapa fungsi logika yang terdapat dalam Powersim adalah fungsi IF, TIMECYCLE, MAX, dan MIN. a. IF Digunakan untuk menggambarkan suatu kondisi (conditional function). IF (Condition, Val1, Val2) dimana: Condition : suatu logical value (true or false) Val1 : angka sembarang (computational parameter) Val2 : angka sembarang (computational parameter)

b. TIMECYCLE Digunakan untuk menguji siklus waktu atau interval waktu. TIMECYCLE (First, Interval) dimana: First : waktu pertama untuk pengecekan

Interval : waktu diantara pengecekan satu ke pengecekan berikutnya c. MAX Digunakan untuk memilih nilai yang paling besar dari beberapa nilai. MAX (X 1 , X 2 , X 3 ,...., X n ) d. MIN Digunakan untuk memilih nilai yang paling kecil dari beberapa nilai. MIN (X 1 , X 2 , X 3 ,...., X n ) 8. Persamaan Fungsi Bilangan Acak (Random Number) Beberapa fungsi bilangan acak antara lain : fungsi RANDOM, dan fungsi NORMAL. a. RANDOM Digunakan untuk membangkitkan sejumlah bilangan acak yang

berdistribusi uniform. RANDOM (0,5;1,5) b. NORMAL Digunakan untuk memberikan bilangan acak yang sebarannya sesuai dengan sebaran normal. NORMAL (Mean, StdDev)

dimana: Mean : mean nilai yang ditentukan

StdDev : nilai standar deviasinya Setiap persamaan yang telah disebutkan di atas dalam Powersim diberi simbol sesuai dengan jenis persamaan yang diwakilinya, yaitu : persamaan level, persamaan rate, persamaan auxiliary, dan persamaan constant. Persamaan level merupakan penjumlahan/akumulasi, atau persamaan integral. Persamaan rate dan auxiliary adalah perhitungan aritmatik. Sedangkan persamaan constant

merupakan masukan nilai untuk parameter yang harganya konstan selama simulasi.

3.17.

Validitas dan Sensitivitas Model 19 Model yang baik adalah model yang dapat merepresentasikan keadaan

yang sebenarnya. Untuk menguji kebenaran suatu model dengan kondisi objektif dilakukan uji validasi. Ada dua jenis validasi dalam model, yakni validasi struktur dan validasi kinerja. Validasi struktur dilakukan untuk memperoleh keyakinan konstruksi model valid secara ilmiah, sedangkan validitas kinerja untuk memperoleh keyakinan sejauh mana model sesuai dengan kinerja sistem nyata atau sesuai dengan data empiris. Validitas struktur meliputi dua pengujian, yaitu validitas konstruksi dan validitas kestabilan. Validitas konstruksi melihat apakah konstruksi model yang
19

Dradio. 2007. Tinjauan Pustaka Validasi Model. Jakarta. Hal : 30-31.

dikembangkan sesuai dengan teori. Uji validitas konstruksi ini sifatnya abstrak, tetapi konstruksi model yang benar secara ilmiah berdasarkan teori yang ada akan terlihat dari konsistensi model yang dibangun. Validitas kestabilan merupakan fungsi dari waktu. Model yang stabil akan memberikan output yang memiliki pola yang hampir sama antara model agregat dengan model yang lebih kecil (disagregasi). Validitas kinerja atau output model bertujuan untuk memperoleh keyakinan sejauh mana kinerja model sesuai (compatible) dengan kinerja sistem nyata, sehingga memenuhi syarat sebagai model ilmiah yang taat fakta. Caranya adalah memvalidasi kinerja model dengan data empiris, untuk melihat sejauh mana perilaku output model sesuai dengan perilaku data empiris. Hal ini dapat dilakukan dengan cara: 1. Membandingkan pola output model dengan data empiris. 2. Melakukan pengujian secara statistik untuk melihat penyimpangan antara output simulasi dengan data empiris dengan beberapa cara, antara lain : AVE (Absolute Variation Error), AME (Absolute Mean Error), dan uji kecocokan dengan Kalman Filter. Adapun penjelasan untuk tiga metode pengujian yang akan digunakan untuk menguji kinerja atau output model yaitu: a. Uji penyimpangan rata-rata (Absolute Mean Error / AME) Uji penyimpangan rata-rata bertujuan untuk melihat penyimpangan rata-rata simulasi terhadap rata-rata aktual. Nilai AME ditentukan dengan persamaan:

AME = ( Si - A i ) / A i

Dimana:

Si = S i / N

A i = Ai / N b. Uji penyimpangan variasi (Absolute Variation Error / AVE) Uji penyimpangan variasi bertujuan untuk melihat penyimpangan variasi simulasi terhadap variasi aktual. Nilai AVE ditentukan dengan persamaan: AVE = (S S - S A ) / S A Dimana: S S = (S i - Si )2 / N S A = (A i - A i )2 / N c. Uji Kecocokan Kalman Filter (KF) Uji kecocokan Kalman Filter (KF) bertujuan untuk melihat kecocokan (fitting) antara nilai simulasi dengan nilai aktual. Nilai KF ditentukan dengan persamaan: KF = V S / (V S + V A ) Dimana: V S = (S i - Si )2 / (N-1) V A = (A i - A i )2 / (N-1) Keterangan:

Si : Rata-rata nilai simulasi

A i : Rata-rata nilai aktual Si

:

Nilai simulasi

A i : Nilai aktual S S : Standar deviasi nilai simulasi

S A : Standar deviasi nilai aktual V S : Varians nilai simulasi V A : Varians nilai aktual KF : Kalman Filter Adapun batas kritis untuk setiap metode pengujian kinerja model dapat dilihat pada Tabel 3.1. Tabel 3.1. Batas Kritis untuk Setiap Metode Pengujian Kinerja Model No. 1 2 3 Metode Validasi Uji penyimpangan rata-rata (AME) Uji penyimpangan variasi (AVE) Uji kecocokan Kalman Filter (KF) Batas Kritis <5% <5% 47,5 % - 52,5 %

Untuk mengetahui kekuatan (robustness) model dalam dimensi waktu dilakukan uji sensitivitas. Uji ini dilakukan untuk mengetahui respon model terhadap stimulus. Tujuan utamanya adalah untuk mengetahui alternatif tindakan baik untuk menjelaskan sensitivitas parameter, variabel, dan hubungan antar variabel dalam model. Hasil uji sensitivitas dalam bentuk perubahan perilaku atau kinerja model, digunakan untuk menganalisis efek intervensi terhadap model. Uji sensitivitas model dapat dilakukan dengan dua cara yaitu: 1. Intervensi fungsional, yakni dengan memberikan fungsi-fungsi khusus terhadap model dengan menggunakan fasilitas, antara lain : step, random, pulse, ramp dan forecast, trend, if, sinus, dan setengah sinus.

2. Intervensi struktural, yakni dengan mempengaruhi hubungan antar unsur atau struktur model dengan cara mengubah struktur modelnya. Sensitivitas model mengungkapkan hasil-hasil intervensi terhadap unsur dan struktur sistem. Di samping itu, analisis sensitivitas model juga berfungsi dalam menemukan alternatif tindakan atau kebijakan, baik untuk mengakselerasi kemungkinan pencapaian hasil positif maupun untuk mengantisipasi

kemungkinan dampak negatif.

BAB IV METODOLOGI PENELITIAN

4.1.

Tempat dan Waktu Penelitian Penelitian ini dilakukan pada PT. Batanghari Tebing Pratama yang

berlokasi di Jalan Prof. HM. Yamin, SH, Kelurahan Tambangan, Kecamatan Padang Hilir, Kota Tebing Tinggi, Provinsi Sumatera Utara. Penelitian ini dilakukan selama 1 bulan.

4.2.

Objek Penelitian Objek penelitian yang diamati adalah sistem penentuan jumlah persediaan

bahan baku dan jumlah produksi pada perusahaan serta berbagai faktor yang mempengaruhi sistem tersebut.

4.3.

Variabel Penelitian Penentuan variabel penelitian didasarkan atas studi pendahuluan, studi

kepustakaan, dan pengalaman pihak perusahaan yang berkaitan dengan permasalahan yang sedang dihadapi. Ada dua jenis varibel penelitian yang akan diamati dalam penelitian ini yaitu: 1. Variabel Independen Variabel independen adalah variabel yang dijadikan objek utama dalam penelitian dan menjadi penentu dalam rangka perbaikan kondisi operasi.

Variabel independen yang digunakan pada penelitian ini yaitu persediaan bokar dan persediaan produk crumb rubber 2. Variabel Dependen Variabel dependen adalah variabel-variabel atau faktor-faktor yang

berpengaruh terhadap variabel independen. Variabel-variabel dependen yang digunakan pada penelitian ini antara lain: a. Lead time pemesanan bahan baku. b. Reorder point bahan baku. c. Persediaan awal bokar. d. Persediaan awal produk crumb rubber. e. Effisiensi dan scrap proses produksi.

4.4.

Kerangka Pikir Suatu penelitian dapat dilaksanakan apabila tersedianya sebuah

perancangan kerangka berpikir yang baik sehingga langkah-langkah penelitian lebih sistematis. Kerangka berpikir inilah yang merupakan landasan awal dalam melaksanakan penelitian. Adapun kerangka berpikir penelitian ini dapat dilihat pada Gambar 4.1.

Proses Input - Data primer - Data sekunder - Informasi Pendukung Penentuan jumlah persediaan bahan baku dan jumlah produksi dengan teknik simulasi dinamis

Output Hasil simulasi yang akan dijadikan pertimbangan pihak perusahaan untuk memecahkan masalah yang sedang dihadapi

Tujuan perusahaan dapat tercapai

Fluktuasi permintaan produk crumb rubber dapat terpenuhi

Target produksi tercapai

Gambar 4.1. Kerangka Berpikir Penelitian

4.5.

Rancangan Penelitian Rancangan penelitian yang digunakan adalah rancangan analitik sebab

penelitian ini menggunakan data historis pada masa lalu dan kemudian diolah dengan melakukan perhitungan secara analitik dalam sebuah simulasi dinamis dengan menggunakan software Powersim Studio. Penelitian ini dilaksanakan dengan mengikuti langkah-langkah berikut: 1. Pada awal penelitian dilakukan studi pendahuluan untuk mengetahui kondisi perusahaan, proses produksi, dan informasi pendukung yang diperlukan serta studi literatur tentang metode pemecahan masalah yang digunakan dan teori pendukung lainnya. 2. Tahapan selanjutnya adalah melakukan pengumpulan data. 3. Data yang dikumpulkan dipilah menjadi dua jenis yaitu: a. Data primer berupa uraian proses produksi b. Data sekunder berupa data historis penggunaan bokar, data historis permintaan produk crumb rubber, lead time pemesanan bahan baku,

persediaan awal bokar, persediaan awal produk crumb rubber, data effisiensi dan scrap proses produksi. 4. Dilakukan pengolahan data primer dan sekunder yang telah dikumpulkan. 5. Dilakukan analisis terhadap hasil pengolahan data. 6. Ditarik kesimpulan dan diberikan saran untuk penelitian Adapun blok diagram langkah-langkah penelitian yang dapat dilihat pada Gambar 4.2.
Mulai

Studi Pendahuluan 1. Kondisi Perusahaan 2. Proses Produksi 3. Informasi Pendukung

Studi Literatur 1. Metode Pemecahan Masalah 2. Teori Pendukung

Pengumpulan Data

Data Primer - Uraian proses produksi

Data Sekunder - Data historis penggunaan bokar - Data historis permintaan produk crumb rubber - Lead time pemesanan bahan baku - Persediaan awal bokar - Persediaan awal produk crumb rubber - Data effisiensi dan scrap proses produksi

Pengolahan Data

Analisis Pemecahan Masalah

Kesimpulan dan Saran

Selesai

Gambar 4.2. Blok Diagram Langkah-langkah Penelitian

4.6.

Instrumen Penelitian Adapun instrumen yang digunakan dalam penelitian ini adalah sebagai

berikut: 1. Lembar checklist yang digunakan untuk mengarahkan observasi (pengamatan) agar terfokus pada objek penelitian. 2. Pedoman wawancara yang digunakan untuk mengarahkan wawancara agar dapat diperoleh data yang relevan dengan objek penelitian. 3. Software Powersim Studio sebagai alat (tool) untuk melakukan simulasi dinamis.

4.7.

Sumber Data Sumber data adalah tempat data diperoleh yaitu proses produksi di lantai

pabrik dan juga pihak manajemen perusahaan. Adapun jenis-jenis data yang dikumpulkan dalam melakukan penelitian ini adalah sebagai berikut: 1. Data Primer Data primer adalah data yang diperoleh dari hasil pengamatan secara langsung selama melakukan penelitian. Adapun data primer yang dikumpulkan dalam penelitian ini adalah uraian proses produksi perusahaan. 2. Data sekunder Data sekunder adalah data yang diperoleh dari hasil dokumentasi dan penelitian yang telah ada sebelumnya. Adapun data sekunder yang dikumpulkan dalam penelitian ini adalah data historis penggunaan bokar, data

historis permintaan produk crumb rubber, lead time pemesanan bahan baku, persediaan awal bokar, persediaan awal produk crumb rubber, dan data effisiensi dan scrap proses produksi.

4.8.

Metode Pengumpulan Data Data primer yang dibutuhkan dalam penelitian ini dikumpulkan dengan

cara sebagai berikut: 1. Observasi (Pengamatan) Pengumpulan data ini dilakukan dengan pengamatan dan pengukuran secara langsung terhadap objek penelitian di lapangan terutama pada bagian produksi. Instrumen yang digunakan dalam pengumpulan data secara observasi ini adalah lembar checklist. 2. Wawancara Pengumpulan data ini dilakukan dengan tanya jawab dan diskusi secara langsung dengan pimpinan atau karyawan mengenai hal-hal yang

berhubungan dengan pekerjaan mereka di perusahaan dimana data tersebut dapat digunakan untuk menunjang pembahasan masalah. Instrumen yang digunakan dalam pengumpulan data secara wawancara ini adalah pedoman wawancara. Data sekunder yang dibutuhkan dalam penelitian ini dikumpulkan dengan cara telaah dokumentasi yatiu meninjau dan mencatat dokumen-dokumen perusahaan yang berhubungan dengan penelitian yang dilakukan.

4.9.

Pengolahan Data Adapun beberapa tahapan dalam pengolahan data menggunakan teknik

simulasi adalah sebagai berikut: 1. Formulasi Masalah Penentuan masalah utama yang akan dipecahkan dengan menggunakan teknik simulasi serta tujuan simulasi yang ingin dicapai. 2. Membangun Model Diawali dengan membentuk causal loop untuk menentukan hubungan antar komponen. Setelah itu, dilakukan penentuan kedinamisan sistem berdasarkan prinsip dasar sistem dinamis yakni terdapat kesinambungan proses dimana output mesin pertama akan menjadi input mesin berikutnya, demikian seterusnya. Setelah itu, pembuatan main model simulasi yang mencakup

kegiatan pembelian bahan baku, penggunaan bahan baku, penentuan persediaan bahan baku, sistem produksi dari bahan baku bokar menjadi produk crumb rubber, penentuan jam kerja overtime apabila terjadi defisit (kekurangan) produksi akibat kapasitas reguler harian terpakai tidak dapat mencukupi permintaan harian produk crumb rubber, dan penentuan upah buruh produksi per hari. Namun, sebelum membuat main model, terlebih dahulu dibuat sub model tiap bagian untuk mempermudah penyusunan main model nantinya. 3. Akuisisi Data Pada tahap ini, dilakukan identifikasi terhadap data yang dikumpulkan. Identifikasi dilakukan untuk mengetahui pola data masa lalu untuk

memperoleh spesifikasi data yakni parameter distribusi dari data yang akan dijadikan acuan untuk pembangkitan data tiruan pada simulasi dinamis nantinya. Pola data masa lalu ditentukan dengan melakukan uji distribusi data. 4. Menerjemahkan Model Pada tahap ini, dilakukan penerjemahan model dengan cara mendefinisikan komponen yang digunakan. Mendefinisikan komponen dilakukan dengan kuantifikasi yaitu melakukan double click pada komponen dan menginput formulasi untuk komponen rate dan auxiliary, sedangkan untuk komponen level dan constant yang diinput adalah nilai. Setelah selesai mendefinisikan komponen maka tanda tanya akan hilang dan komponen akan menjadi terdefinisi dan dapat digunakan untuk simulasi dinamis. 5. Verifikasi Langkah ini dilakukan untuk mengetahui apakah program simulasi dinamis yang dibuat berjalan sesuai dengan maksud yang diharapkan. Verifikasi model dilakukan dengan dua cara yakni: a. Pengujian verifikasi struktur model dengan verifikasi teoritis dan konsistensi unit analisis. b. Melakukan test run untuk melihat apakah ada trouble yang terjadi. 6. Validasi Validasi model dilakukan dengan uji kinerja atau output model yakni dengan melakukan pengujian secara statistik dengan uji penyimpangan rata-rata (Absolute Mean Error / AME), uji penyimpangan variasi (Absolute Variation

Error / AVE), dan uji kecocokan Kalman Filter (KF) terhadap data penggunaan bokar dan data permintaan produk crumb rubber. 7. Perencanaan Taktis dan Strategis Pada tahap ini, dilakukan penerapan kebijakan tertentu yakni melakukan modifikasi terhadap model. Modifikasi terhadap model dilakukan dengan memberikan perlakuan-perlakuan atau kondisi-kondisi eksperimen pada model untuk melihat sensitivitas model yang dibangun. 8. Eksperimen Pada tahap ini, dilakukan eksekusi model simulasi dengan kondisi eksperimen yang telah ditentukan untuk memperoleh nilai output eksperimen. 9. Analisis Hasil Pada tahap ini, dilakukan analisis terhadap semua hasil simulasi. 10. Implementasi dan Dokumentasi Pada tahap ini, dilakukan implementasi hasil simulasi dan didokumentasikan model yang telah dibuat dalam bentuk hard copy dan soft copy. Adapun blok diagram pengolahan data dapat dilihat pada Gambar 4.3.

Formulasi Masalah

Membangun Model

Akuisisi Data

Menerjemahkan Model

Verifikasi

Validasi

Perencanaan Taktis dan Strategis

Eksperimen

Analisis Hasil

Implementasi dan Dokumentasi

Gambar 4.3. Blok Diagram Pengolahan Data Sebelum mulai membuat simulasi, perlu dibuat struktur sistem sebagai landasan awal bagi pola pikir penulis. Adapun struktur sistem dalam penelitian ini dapat dilihat pada Gambar 4.4.

Gambar 4.4. Struktur Sistem

4.10.

Analisis Pemecahan Masalah Analisis yang akan dilakukan adalah analisis terhadap hasil pengolahan

data dengan menggunakan teknik simulasi dinamis.

4.11.

Kesimpulan dan Saran Langkah akhir yang dilakukan adalah penarikan kesimpulan yang berisi

hal-hal penting dalam penelitian tersebut dan pemberian saran untuk penelitian selanjutnya bagi peneliti yang ingin mengembangkan penelitian ini secara lebih mendalam lagi.

BAB V PENGUMPULAN DAN PENGOLAHAN DATA

5.1.

Pengumpulan Data

5.1.1. Penggunaan Bokar Data penggunaan bokar diambil dari periode 01 April 2011 - 31 Mei 2011. Data ini disajikan dalam periode per hari. Data ini digunakan untuk melihat pola distribusi data penggunaan bokar masa lalu yang akan dijadikan dasar untuk melihat distribusi penggunaan bokar pada masa mendatang. Data penggunaan bokar periode 01 April 2011 - 31 Mei 2011 dapat dilihat pada Tabel 5.1. Tabel 5.1. Data Penggunaan Bokar Periode 01 April 2011 - 31 Mei 2011 Periode 01/04/2011 02/04/2011 04/04/2011 05/04/2011 06/04/2011 07/04/2011 08/04/2011 09/04/2011 11/04/2011 12/04/2011 Penggunaan Bokar (Ton) 68 69 67 75 70 69 69 67 75 77

Tabel 5.1. Data Penggunaan Bokar Periode 01 April 2011 - 31 Mei 2011 (Lanjutan) Periode 13/04/2011 14/04/2011 15/04/2011 16/04/2011 18/04/2011 19/04/2011 20/04/2011 21/04/2011 23/04/2011 25/04/2011 26/04/2011 27/04/2011 28/04/2011 29/04/2011 30/04/2011 02/05/2011 03/05/2011 04/05/2011 05/05/2011 Penggunaan Bokar (Ton) 69 70 74 65 73 77 68 70 71 75 76 70 72 75 69 69 67 66 72

Tabel 5.1. Data Penggunaan Bokar Periode 01 April 2011 - 31 Mei 2011 (Lanjutan) Periode 06/05/2011 07/05/2011 09/05/2011 10/05/2011 11/05/2011 12/05/2011 13/05/2011 14/05/2011 16/05/2011 18/05/2011 19/05/2011 20/05/2011 21/05/2011 23/05/2011 24/05/2011 25/05/2011 26/05/2011 27/05/2011 28/05/2011 Penggunaan Bokar (Ton) 72 72 68 71 75 72 74 70 69 76 69 67 72 72 68 71 71 67 73

Tabel 5.1. Data Penggunaan Bokar Periode 01 April 2011 - 31 Mei 2011 (Lanjutan) Periode 30/05/2011 31/05/2011 Penggunaan Bokar (Ton) 68 71

Sumber : PT. Batanghari Tebing Pratama

5.1.2. Permintaan Produk Crumb Rubber Data permintaan produk crumb rubber diambil dari periode 01 April 2011 - 31 Mei 2011. Data ini disajikan dalam periode per hari. Data ini digunakan untuk melihat pola distribusi data permintaan produk crumb rubber masa lalu yang akan dijadikan dasar untuk melihat distribusi permintaan produk crumb rubber pada masa mendatang. Data permintaan produk crumb rubber periode 01 April 2011 - 31 Mei 2011 dapat dilihat pada Tabel 5.2. Tabel 5.2. Data Permintaan Produk Crumb Rubber Periode 01 April 2011 - 31 Mei 2011 Periode 01/04/2011 02/04/2011 04/04/2011 05/04/2011 06/04/2011 07/04/2011 Permintaan Produk Crumb Rubber (Ton) 61 59 61 59 56 56

Tabel 5.2. Data Permintaan Produk Crumb Rubber Periode 01 April 2011 - 31 Mei 2011 (Lanjutan) Periode 08/04/2011 09/04/2011 11/04/2011 12/04/2011 13/04/2011 14/04/2011 15/04/2011 16/04/2011 18/04/2011 19/04/2011 20/04/2011 21/04/2011 23/04/2011 25/04/2011 26/04/2011 27/04/2011 28/04/2011 29/04/2011 30/04/2011 Permintaan Produk Crumb Rubber (Ton) 58 63 64 64 56 56 60 59 54 56 61 58 59 62 59 57 59 58 55

Tabel 5.2. Data Permintaan Produk Crumb Rubber Periode 01 April 2011 - 31 Mei 2011 (Lanjutan) Periode 02/05/2011 03/05/2011 04/05/2011 05/05/2011 06/05/2011 07/05/2011 09/05/2011 10/05/2011 11/05/2011 12/05/2011 13/05/2011 14/05/2011 16/05/2011 18/05/2011 19/05/2011 20/05/2011 21/05/2011 23/05/2011 24/05/2011 Permintaan Produk Crumb Rubber (Ton) 58 57 62 55 59 60 62 61 62 58 58 60 58 53 55 59 62 56 66

Tabel 5.2. Data Permintaan Produk Crumb Rubber Periode 01 April 2011 - 31 Mei 2011 (Lanjutan) Periode 25/05/2011 26/05/2011 27/05/2011 28/05/2011 30/05/2011 31/05/2011
Sumber : PT. Batanghari Tebing Pratama

Permintaan Produk Crumb Rubber (Ton) 59 62 54 61 54 53

5.1.3. Lead Time Pemesanan Bahan Baku, Persediaan Awal Bahan Baku dan Persediaan Awal Produk Crumb Rubber Periode 01 Juni 2011 Adapun data lead time pemesanan bahan baku, persediaan awal bahan baku dan persediaan awal produk crumb rubber periode 01 Juni 2011 adalah sebagai berikut: Lead time pemesanan bahan baku Persediaan awal bokar periode 01 Juni 2011 : 1-2 hari : 71 Ton

Persediaan awal produk crumb rubber periode 01 Juni 2011: 23 Ton

5.1.4. Data Effisiensi dan Scrap Proses Produksi Data effisiensi dan scrap proses produksi diklasifikasi berdasarkan proses yang terjadi yakni proses produksi yang dilakukan secara manual oleh operator dan proses produksi yang dilakukan dengan mesin. Adapun data effisiensi dan scrap proses produksi secara manual dapat dilihat pada Tabel 5.3. Tabel 5.3. Data Effisiensi dan Scrap Proses Produksi Secara Manual Proses Produksi Secara Manual Proses penyortiran dan penimbangan Proses penyimpanan bahan baku Proses penjemuran Proses pendinginan Proses pembungkusan
Sumber : PT. Batanghari Tebing Pratama

Effisiensi (%) 98 100 100 100 100

Scrap (%) 2 0 0 0 0

Adapun data effisiensi dan scrap mesin produksi PT. Batanghari Tebing Pratama dapat dilihat pada Tabel 5.4. Tabel 5.4. Data Effisiensi dan Scrap Mesin Produksi PT. Batanghari Tebing Pratama Mesin Slab Cutter I Slab Cutter II Hummer Mill Rotary Cutter Effisiensi (%) 99 99 99 99 Scrap (%) 1 1 1 1

Tabel 5.4. Data Effisiensi dan Scrap Mesin Produksi PT. Batanghari Tebing Pratama (Lanjutan) Mesin Creeper I Creeper II Creeper III Shredder Dryer Press Hidrolik Effisiensi (%) 99 99 99 98 99 98 Scrap (%) 1 1 1 1 1 2

Sumber : PT. Batanghari Tebing Pratama

5.1.5. Blok Diagram Pembuatan Crumb Rubber Blok diagram memberikan petunjuk mengenai proses yang terjadi dalam pembuatan crumb rubber. Adapun blok diagram pembuatan crumb rubber di PT. Batanghari Tebing Pratama dapat dilihat pada Gambar 5.1.

Bokar

Penyortiran dan penimbangan

Penyimpanan di gudang bahan baku

Pencincangan dengan mesin Slab Cutter I

Pencincangan dengan mesin Slab Cutter II

Pencincangan dengan mesin Hummer Mill Pencincangan dan penyeragaman dengan mesin Rotary Cutter
Pembentukan lembaran dengan mesin Creeper I

Pembentukan lembaran dengan mesin Creeper II

Pembentukan lembaran dengan mesin Creeper III

Penjemuran selama 12-16 hari

Pencincangan dengan mesin Shredder

Pemanasan dengan mesin Dryer

Pendinginan selama 3 jam

Penimbangan dengan timbangan duduk

Pengepresan dengan mesin Press Hidrolik

Pembungkusan dengan kantong plastik

Palleting

Penyimpanan di gudang produk crumb rubber

Gambar 5.1. Blok Diagram Pembuatan Crumb Rubber di PT. Batanghari Tebing Pratama

5.2.

Pengolahan Data

5.2.1. Formulasi Masalah Langkah awal dalam melakukan simulasi adalah melakukan formulasi masalah untuk menentukan masalah utama yang akan dipecahkan dengan menggunakan teknik simulasi. Dari hasil formulasi masalah, diketahui bahwa yang menjadi masalah utama yang dialami oleh perusahaan adalah permintaan yang datang secara fluktuatif yang menyebabkan perusahaan sulit menentukan jumlah bahan baku yang diperlukan serta jumlah produksi yang harus dihasilkan secara tepat. Pemecahan masalah yang menjadi tujuan simulasi ini adalah menentukan jumlah persediaan bahan baku yang diperlukan serta jumlah produksi yang harus dihasilkan untuk dijadikan pertimbangan pihak perusahaan.

5.2.2. Membangun Model Sebelum membangun model simulasi, terlebih dahulu dibentuk loop umpan balik (causal loop) yaitu sebuah diagram yang menggambarkan hubungan antara komponen yang digunakan dalam simulasi dinamis. Hubungan yang terjadi antara komponen terbagi menjadi dua yaitu : 1. Hubungan similar (s) yaitu hubungan berbanding lurus yakni apabila nilai satu komponen bertambah besar, nilai komponen yang dipengaruhinya juga bertambah besar dan sebaliknya. 2. Hubungan opposite (o) yaitu hubungan berbanding terbalik yakni apabila nilai satu komponen bertambah besar, nilai komponen yang dipengaruhinya menjadi bertambah kecil dan sebaliknya.

Pembentukan causal loop harus dilakukan secara logis dan tepat sebab causal loop ini akan menjadi dasar dalam pembuatan model simulasi dinamis. Akan diberikan satu contoh pembuatan causal loop secara rinci dari awal sampai selesai. Causal loop yang akan diuraikan secara rinci sebagai contoh adalah causal loop untuk bagian persediaan bokar. Pertama-tama bentuk dulu entitias utama sistem yakni persediaan bokar serta varibel yang mempengaruhinya yakni penerimaan bokar dan penggunaan bokar. Kemudian ditentukan hubungan variabel dengan entitas. Penerimaan bokar berbanding lurus dengan persediaan bokar sebab makin besar penerimaan bokar tentu persediaan bokar akan semakin besar. Oleh karena itu, terjadi hubungan similar (s) antara penerimaan bokar dan persediaan bokar. Demikian pula, ditentukan hubungan antara penggunaan bokar dan persediaan bokar, makin besar penggunaan bokar maka persediaan bokar akan makin kecil. Oleh karena itu, terjadi hubungan opposite (o) antara penggunaan bokar dengan persediaan bokar. Langkah pertama pembentukan causal loop persediaan bokar dapat dilihat pada Gambar 5.2.
Pe ne rim a a n Bok a r

Gambar 5.2. Langkah Pertama Pembentukan Causal Loop Persediaan Bokar Langkah kedua, adalah mengembangkan variabel yang mempengaruhi entitas. Untuk penggunaan bokar sendiri, akan menjadi input proses penyortiran dan penimbangan. Hubungan yang terjadi antara penggunaan bokar dengan input proses penyortiran dan penimbangan adalah hubungan similar (s) sebab makin besar penggunaan bokar maka akan semakin besar pula yang menjadi input proses

penyortiran dan penimbangan. Untuk penerimaan bokar sendiri, dipengaruhi oleh dua faktor yakni reorder point bokar dan beli bokar. Hubungan antara penerimaan bokar dan reorder point bokar adalah hubungan similar (s) sebab makin besar besar reorder point bokar maka akan semakin besar pula penerimaan bokar. Untuk hubungan antara penerimaan bokar dan beli bokar adalah hubungan similar (s) juga sebab makin besar jumlah bokar yang dibeli maka akan semakin besar pula bokar yang diterima. Langkah kedua pembentukan causal loop persediaan bokar dapat dilihat pada Gambar 5.3.

Pe ne rim aan Bok ar

Gambar 5.3. Langkah Kedua Pembentukan Causal Loop Persediaan Bokar Langkah ketiga, adalah melakukan pengembangan lagi dengan

menambahkan variabel yang mempengaruhi variabel pada langkah kedua sebelumnya. Untuk variabel beli bokar, dipengaruhi secara bersamaan oleh dua variabel yaitu persediaan bokar main supplier dan persediaan bokar additional supplier. Hubungan beli bokar dengan persediaan bokar main supplier dan persediaan bokar additional supplier adalah hubungan similar (s) sebab semakin banyak persediaan bokar pada main supplier dan additional supplier maka akan semakin banyak bokar yang dapat dibeli (sesuai dengan kebutuhan yang diperlukan). Untuk reorder point bokar sendiri dipengaruhi oleh tiga variabel yakni : rata-rata penggunaan bokar, safety stock bokar dan lead time bokar.

Hubungan antara reorder point bokar dengan ketiga variabel tersebut dapat dilihat dari rumus yang digunakan untuk menghitung reorder point bokar yaitu : (ratarata penggunaan bokar x lead time bokar) + safety stock bokar. Dari rumus tersebut terlihat bahwa ada hubungan similar (s) antara reorder point bokar dengan ketiga variabel yang mempengaruhinya dimana apabila terjadi penambahan nilai pada salah satu variabel dari ketiga variabel tersebut maupun penambahan nilai pada semua variabelnya tentu nilai reorder point bokar akan senakin besar. Langkah ketiga pembentukan causal loop persediaan bokar dapat dilihat pada Gambar 5.4.

Penerimaan Bokar

Gambar 5.4. Langkah Ketiga Pembentukan Causal Loop Persediaan Bokar Langkah terakhir, adalah penyempurnaan dengan penambahan sub-sub variabel yang mempengaruhi variabel pada langkah ketiga sebelumnya. Variabel yang akan ditinjau pada langkah ini adalah variabel safety stock bokar. Safety stock bokar dipengaruhi oleh dua sub variabel yakni standar deviasi penggunaan bokar dan service level 95 % (tingkat pelayanan ditentukan oleh penulis 95 % berarti stock out atau resiko kekurangan persediaan hanya diperbolehkan 5 %). Hubungan antara safety stock bokar dengan kedua sub variabel tersebut dapat

dilihat dari rumus yang digunakan untuk menghitung safety stock bokar yaitu : (service level 95 % x standar deviasi penggunaan bokar). Dari rumus tersebut terlihat bahwa ada hubungan similar (s) antara safety stock bokar dengan kedua variabel yang mempengaruhinya dimana apabila terjadi penambahan nilai pada service level 95 % maupun standar deviasi penggunaan bokar tentu nilai safety stock bokar akan semakin besar. Setelah dilakukan penentuan hubungan antara variabel dan sub variabel, selesailah causal loop persediaan bokar yang dapat dilihat pada Gambar 5.5.

Penerim aan Bokar

Gambar 5.5. Causal Loop Persediaan Bokar Untuk causal loop selanjutnya, dapat dilihat langsung hasilnya. Causal loop untuk bagian persediaan produk crumb rubber dapat dilihat pada Gambar 5.6.
Kapasitas Produksi Reguler Harian Terpakai Estim asi Jam Kerja Overtim e Harian yang Dibutuhkan L j P i t

Kapasitas Produksi

Jum lah Produksi Crum b Rubber dalam Ton

Gambar 5.6. Causal Loop Persediaan Produk Crumb Rubber

Causal loop untuk bagian sub proses produksi crumb rubber dapat dilihat pada Gambar 5.7.

Scrap Proses Pendinginan

Gambar 5.7. Causal Loop Sub Proses Produksi Crumb Rubber Causal loop untuk bagian penentuan total upah kerja buruh harian dapat dilihat pada Gambar 5.8.

Jam Ke rja R e gule r dalam Se hari

Gambar 5.8. Causal Loop Penentuan Total Upah Kerja Buruh Harian Setelah membuat causal loop tiap bagian, dilakukan penggabungan dan penambahan komponen yang diperlukan sehingga diperoleh main causal loop yang dapat dilihat pada Gambar 5.9.

Proses Penimbangan

Output Proses Penimbangan

Input Mesin Press Hidrolik

Input Proses Palleting

Estimasi Jam Kerja Overtime yang Dibutuhkan Jumlah Produksi Crumb Rubber dalam Pallet Jumlah Buruh

Upah Kerja Overtime Per Jam

s
Input Proses Pembungkusan

s s

s
Upah Kerja Buruh Overtime Harian

s
Output Mesin Press Hidrolik

s
Input Proses Penimbangan Effisiensi Mesin Press Hidrolik

Output Proses Pembungkusan

Proses Palleting

s
Effisiensi Proses Pembungkusan Output Proses Pendinginan

o
Scrap Proses Pembungkusan

Jam Kerja Reguler dalam Sehari

s s s
Upah Kerja Buruh Reguler Harian Total Upah Kerja Buruh Harian Effisiensi Mesin Creeper II Scrap Mesin Creeper II Effisiensi Mesin Creeper I Scrap Mesin Creeper I

o
Scrap Mesin Press Hidrolik

Output Proses Palleting

Upah Kerja Buruh Reguler Per Jam

s
Jumlah Produksi Crumb Rubber dalam Ton

s o

Input Proses Pendinginan

s s

Output Mesin Dryer

s o

Persediaan Produk Crumb Rubber

Input Mesin Dryer

s s
Output Mesin Shredder

Penyaluran Produk Crumb Rubber

s
Kapasitas Produksi s Pabrik Harian Terpakai Kapasitas Produksi Overtime Harian s Terpakai Kapasitas Produksi Reguler Harian Terpakai

Effisiensi Proses Pendinginan

s s
Input Mesin Shredder

Output Proses Penjemuran

Output Mesin Creeper III

Output Mesin Creeper II

o s

Scrap Proses Pendinginan

Effisiensi Mesin Dryer

o
Input Mesin Creeper II Input Mesin Creeper I

Scrap Mesin Dryer

s s
Estimasi Jam Kerja Overtime Harian yang Dibutuhkan Permintaan Harian

Safety Stock

s s s
Laju Permintaan Input Mesin Creeper I

Effisiensi Mesin Shredder

s
Scrap Mesin Shredder

Input Proses Penjemuran

Input Mesin Creeper III

o
Effisiensi Proses Penjemuran

s s

s
Output Mesin Creeper I

Service Level 95 %

o s s o

Standar Deviasi Permintaan

Scrap Proses Penjemuran Effisiensi Mesin Scrap Mesin Creeper III Creeper III

Kapasitas Produksi Tahunan Terpasang

Kapasitas Produksi Reguler Harian Terpasang

Kapasitas Produksi Per Jam Terpakai

Effisiensi Mesin Slab Cutter I

Scrap Mesin Slab Cutter I

Standar Deviasi Penggunaan Bokar

Service Level 95 %

s
Safety Stock Bokar Lead Time Bokar

s o

s
Kapasitas Produksi Per Jam Terpasang

s
Jam Kerja Reguler dalam Sebulan

s
Output Mesin Rotary Cutter Output Mesin Hummer Mill Input Mesin Rotary Cutter Output Mesin Slab Cutter II Output Mesin Slab Cutter I

Persediaan Bokar Main Supplier

Persediaan Bokar Additional Supplier

s s
Input Mesin Slab Cutter I Output Proses Penyimpanan Bahan Baku

o
Jumlah Jam Kerja dalam Sehari

s
Input Mesin Hummer Mill

s s

Output Proses Penyortiran dan Penimbangan

s
Beli Bokar

Rata-rata Penggunaan Bokar

s o

Jumlah Hari Kerja dalam Seminggu

Input Mesin Slab Cutter II

o
Effisiensi Mesin Rotary Cutter

s
Scrap Mesin Rotary Cutter

o
Effisiensi Mesin Hummer Mill

s
Scrap Mesin Hummer Mill

Input Proses Penyimpanan Bahan Baku

Input Proses Penyortiran dan Penimbangan

Reorder Point Bokar

s s

Penerimaan Bokar

Persediaan Bokar

Penggunaan Bokar

o
Effisiensi Proses Penyimpanan Bahan Baku

s
Scrap Proses Penyimpanan Bahan Baku

o
Effisiensi Proses Penyortiran dan

s
Scrap Proses Penyortiran dan

Effisiensi Mesin Scrap Mesin Slab Slab Cutter II Cutter II

Gambar 5.9. Main Causal Loop

Setelah membentuk causal loop, maka dibangunlah main model simulasi. Main model simulasi yang dibangun adalah main model yang dinamis sebab terdapat kesinambungan proses diman output mesin pertama akan menjadi input mesin berikutnya, demikian seterusnya. Main model simulasi yang dibangun mencakup kegiatan pembelian bahan baku, penggunaan bahan baku, penentuan persediaan bahan baku, sistem produksi dari bahan baku bokar menjadi produk crumb rubber, penentuan jam kerja overtime apabila terjadi defisit (kekurangan) produksi akibat kapasitas reguler harian terpakai tidak dapat mencukupi permintaan harian produk crumb rubber, dan penentuan upah buruh produksi per hari. Namun, sebelum membuat main model, terlebih dahulu dibuat sub model tiap bagian untuk mempermudah penyusunan main model nantinya. Legend untuk model dan sub model dapat dilihat pada Gambar 5.10.
?
C o ns ta nt Ra te

?
Auxilia ry

Le ve l

Gambar 5.10. Legend Sub model untuk persediaan bokar dapat dilihat pada Gambar 5.11.

Gambar 5.11. Sub Model Persediaan Bokar

Sub model untuk persediaan produk crumb rubber dapat dilihat pada Gambar 5.12.

Gambar 5.12. Sub Model Persediaan Produk Crumb Rubber Sub model untuk sub proses produksi crumb rubber dapat dilihat pada Gambar 5.13.

Jumlah Produksi Crumb Rubber dalam Ton Input Pr Output Proses Pending Pendinginan

Effisiensi Proses S Pendinginan P

Gambar 5.13. Sub Model untuk Sub Proses Produksi Crumb Rubber

Sub model untuk penentuan total upah kerja buruh harian dapat dilihat pada Gambar 5.14.

Gambar 5.14. Sub Model Penentuan Total Upah Kerja Buruh Harian Setelah membuat sub model tiap bagian, dilakukan penggabungan sehingga diperoleh main model simulasi dinamis yang dapat dilihat pada Gambar 5.15.

Input Mesin Press Hidrolik Output Proses Proses Penimbangan Penimbangan

Input Proses Pembungkusan Output Mesin Press Hidrolik

Input Proses Palleting Output Proses Pembungkusan Output Proses Palleting Proses Palleting

Upah Kerja Buruh Reguler Per Jam

Upah Kerja Buruh Reguler Harian

Total Upah Kerja Buruh Harian

Effisiensi Mesin Press Hidrolik Input Proses Penimbangan Scrap Mesin Press Effisiensi Proses Hidrolik Pembungkusan Scrap Proses Pembungkusan

Jam Kerja Reguler Dalam Sehari Jumlah Produksi Crumb Rubber dalam Pallet Jumlah Buruh

Upah Kerja Buruh Overtime Harian Estimasi Jam Kerja Overtime Harian Yang Dibutuhkan Upah Kerja Overtime Per Jam

Kapasitas Produksi Pabrik Harian Terpakai

Jumlah Produksi Crumb Rubber dalam Ton

Persediaan Produk Crumb Rubber

Output Mesin Dryer Penyaluran Produk Crumb Rubber Output Proses Pendinginan Input Proses Pendinginan

Output Mesin Shredder Input Mesin Shredder Output Proses Penjemuran Output Mesin Creeper I Output Mesin Creeper II Input Mesin Creeper II Input Mesin Cre

Input Mesin Dryer

Input Mesin Creeper III Effisiensi Mesin Effisiensi Proses Effisiensi Mesin Dryer Creeper I Effisiensi Mesin Scrap Proses Effisiensi Mesin Penjemuran Kapasitas Produksi Effisiensi Proses Scrap Proses Scrap Mesin Shredder Penjemuran Creeper II Scrap Mesin Creeper II Standar Deviasi Service Level 95 % Reguler Harian Terpakai Kapasitas Produksi Pendinginan Pendinginan Scrap Mesin Dryer Permintaan Scrap Mesin Shredder Effisiensi Mesin Scrap Mesin Creeper III Reguler Harian Laju Permintaan Creeper III Terpasang Kapasitas Produksi Per Jam Terpakai Kapasitas Produksi Kapasitas Produksi Reguler Harian Terpakai Tahunan Terpasang Kapasitas Produksi Per Persediaan Bokar Kapasitas Produksi Per Output Proses Jam Terpakai Output Proses Jam Kerja Reguler Penerimaan Bokar Jam Terpasang Penyimpanan Bahan Input Proses Penggunaan Bokar Penyimpanan Bahan Penyortiran & Input Proses Dalam Sehari Output Mesin Slab Input Mesin Slab Cutter Baku Input Mesin Slab Cutter Baku Penimbangan Penyortiran & Cutter II I Output Mesin Slab II Penimbangan Cutter I Output Mesin Rotary Output Mesin Hummer Jumlah Hari Kerja dalam Cutter Mill Reorder Point Bokar Beli Bokar Jumlah Jam Kerja dalam Seminggu Input Mesin Rotary Input Mesin Hummer Persediaan Bokar Main Sehari Scrap Mesin Slab Cutter Cutter Mill Supplier Effisiensi Proses I Scrap Proses Effisiensi Proses Effisiensi Mesin Slab Scrap Mesin Slab Cutter Penyimpanan Bahan II Penyortiran & Penyortiran & Lead Time Bokar Cutter II Effisiensi Mesin Slab Baku f k k

Estimasi Jam Kerja Kapasitas Produksi Overtime Harian Yang Overtime Harian Dibutuhkan Terpakai

Permintaan Harian

Safety Stock

Input Proses Penjemuran

Output Mesin Creeper III

Gambar 5.15. Main Model Simulasi Dinamis

Logika dasar yang digunakan dalam membangun main model simulasi dinamis pada Gambar 5.15. dapat dilihat pada blok diagram model yang disajikan dalam Gambar 5.16.
Siklus Perhitungan Output yang sama

Proses Penimbangan Formula : INTEGER('Input Proses Penimbangan'/ 35*1<<Bongkahan>>/1<<Kg>>)

Output Proses Penimbangan

Input Mesin Press Hidrolik

Jumlah Produksi Crumb Rubber dalam Pallet

Kapasitas Produksi Reguler Harian Terpakai Formula : 'Kapasitas Produksi Per Jam Terpasang'*'Jam Kerja Reguler Dalam Sehari'

Input Proses Penimbangan

Effisiensi Proses Pendinginan

Scrap Proses Pendinginan

Kapasitas Produksi Overtime Harian Terpakai Formula : ('Kapasitas Produksi Per Jam Terpakai'*'Estimasi Jam Kerja Overtime Harian Yang Dibutuhkan')/1<<hr>>

Formula : 'Kapasitas Produksi Reguler Harian Terpakai'+'Kapasitas Produksi Overtime Harian Terpakai'

Kapasitas Produksi Harian Terpakai

Jumlah Produksi Crumb Rubber dalam Ton

Output Proses Pendinginan

Formula : (100<<%>>/'Effisiensi Proses Pendinginan')*(100<<%>>/(100%-'Scrap Proses Pendinginan'))*'Output Proses Pendinginan'

Input Proses Pendinginan

Siklus Perhitungan Input Input yang Output Proses sama Mesin Penyortiran & Dryer Penimbangan

Persediaan Bokar Main Supplier

Persediaan Bokar Additional Supplier

Persediaan Bokar

Kapasitas Produksi Per Jam Terpaka

Estimasi Jam Kerja Overtime Harian Yang Dibutuhkan Formula : IF('Kapasitas Produksi Reguler Harian Terpakai'>='Permintaan Harian';0<<hr>>;INTEGER(INTEGER( ('Permintaan Harian'-'Kapasitas Produksi Reguler Harian Terpakai'))/ INTEGER('Kapasitas Produksi Per Jam Terpakai'))*1<<hr>>)

Penggunaan Bokar

Beli Bokar Formula : IF('Persediaan Bokar Main Supplier'>='Penggunaan Bokar'*1<<da>>+'Safety Stock Bokar';'Penggunaan Bokar'*1<<da>>+'Safety Stock Bokar';IF('Persediaan Bokar Additional Supplier'>='Penggunaan Bokar'*1<<da>>+'Safety Stock Bokar';'Penggunaan Bokar'*1<<da>>+'Safety Stock Bokar';'Persediaan Bokar Main Supplier'+'Persediaan Bokar Additional Supplier'))

Penerimaan Bokar Formula : STEP(IF('Persediaan Bokar'<='Reorder Point Bokar';'Beli Bokar';0<<Ton>>);STARTTIME+' Lead Time Bokar')/1<<da>>

Safety Stock Bokar Data Tiruan Laju Permintaan Formula : INTEGER(NORMAL( ;;0,99))*1<<Ton>> Data Aktual Penggunaan Bokar Uji Distribusi Diterima (Normal) Safety Stock Bokar

Permintaan Harian

Service Level 95 % x

Persediaan Produk Crumb Rubber

Service Level 95 %

Reorder Point Formula : ('Rata-rata Penggunaan Bokar'

Data Aktual Permintaan Produk Crumb Rubber

Lead Time Bokar Uji ; Distribusi Diterima (Normal)

Penyaluran Produk Crumb Rubber Formula : IF('Persediaan Produk Crumb Rubber'>='Permintaan Harian';'Permintaan Harian';'Persediaan Produk Crumb Rubber'+'Safety Stock')/1<<da>>

()*'Lead Time Bokar')/ 1<<da>>+'Safety Stock Bokar'

Service Service Level 95 % Safety Level 95 % x Standar Deviasi Stock Permintaan

Gambar 5.16. Blok Diagram Model

5.2.3. Akuisisi Data Pada langkah ini, akan dilakukan identifikasi terhadap data yang dikumpulkan. Identifikasi dilakukan untuk mengetahui pola data masa lalu agar dapat memperoleh spesifikasi data yakni parameter distribusi dari data yang akan dijadikan acuan untuk pembangkitan data tiruan pada simulasi dinamis nantinya. Pola data masa lalu ditentukan dengan melakukan uji distribusi data. Adapun data yang akan diuji polanya adalah data penggunaan bokar dan data permintaan produk crumb rubber. Uji distribusi data penggunaan bokar dilakukan secara statistik dengan uji Chi Square. Adapun langkah-langkah dalam melakukan pengujian distribusi data penggunaan bokar adalah sebagai berikut: 1. Menetapkan hipotesis awal Ho : Data berdistribusi normal Ha : Data tidak berdistribusi normal Ho diterima apabila X2 hitung < X2 tabel dan sebaliknya ditolak apabila X2 hitung > X2 tabel . 2. Menentukan nilai deskriptif statistik dari data penggunaan bokar dengan menggunakan software Microsoft Excel a. Menentukan jumlah data (N) dengan formula : COUNT (Range Data) b. Menentukan nilai maksimum data dengan formula : MAX (Range Data) c. Menentukan nilai minimum data dengan formula : MIN (Range Data) d. Menentukan nilai Range (J) dengan formula : MAX MIN

e. Menentukan banyak kelas (k) dengan formula : ROUNDUP(1+(3,3*LOG10(COUNT(Range Data)));0) f. Menentukan panjang kelas dengan formula : ROUNDUP(range/banyak kelas;0) g. Menentukan nilai rata-rata dengan formula : AVERAGE (Range Data) h. Menentukan nilai standar deviasi dengan formula : ROUND(STDEV(Range Data);2) Adapun hasil penentuan nilai deskriptif statistik dari data penggunaan bokar dapat dilihat pada Tabel 5.5. Tabel 5.5. Hasil Penentuan Nilai Deskriptif Statistik dari Data Penggunaan Bokar Deskriptif Statistik N Max Min Range (J) Banyak kelas (k) Panjang kelas Rata-rata Standar Deviasi Nilai 50 77 65 12 7 2 71 3,05

Sumber : Pengolahan dengan Microsoft Excel

3. Membuat tabel distribusi frekuensi data yang dapat dilihat pada Tabel 5.6.

Tabel 5.6. Distribusi Frekuensi Data Penggunaan Bokar Kelas 1 2 3 4 5 6 7 Interval 65 - 66 67 - 68 69 - 70 71 - 72 73 - 74 75 - 76 77 - 78 Jumlah
Sumber : Pengolahan dengan Microsoft Excel

BKB 64,5 66,5 68,5 70,5 72,5 74,5 76,5

BKA 66,5 68,5 70,5 72,5 74,5 76,5 78,5

Frekuensi 2 10 13 12 4 7 2 50

4. Membuat tabel penentuan nilai X2 hitung yang dapat dilihat pada Tabel 5.7. Tabel 5.7. Penentuan Nilai X2 hitung Data Penggunaan Bokar Kelas 1 2 3 4 5 6 7 Interval 65 - 66 67 - 68 69 - 70 71 - 72 73 - 74 75 - 76 77 - 78 Jumlah fo 2 10 13 12 4 7 2 50 n(x;;) 0,077375 0,144102 fe 3,86876 7,20511 (fo-fe)2/fe 0,902683 1,084149 0,142781 0,025186 2,70018 1,9275 0,107318 6,889796

0,234142 11,70711 0,25125 12,56249

0,178061 8,903041 0,083324 4,16621

0,031745 1,587274 1 50

Sumber : Pengolahan dengan Microsoft Excel

5. Menentukan nilai X2 tabel dimana tingkat kepercayaan ( ) = 5 %. Nilai X2 tabel ditentukan menggunakan software Microsoft Excel dengan formula : ROUND(CHIINV( ;banyak kelas-3);3). Dengan menggunakan formula tersebut diperoleh nilai X2 tabel = 9,488. 6. Melakukan uji hipotesis data X2 hitung = 6,889796 X2 tabel = 9,488 X2 hitung < X2 tabel maka Ho diterima (data berdistribusi normal). Setelah melakukan uji distribusi data penggunaan bokar, dilakukan pula uji distribusi data permintaan produk crumb rubber dengan uji Chi Square. Adapun langkah-langkah dalam melakukan pengujian distribusi data permintaan produk crumb rubber adalah sebagai berikut: 1. Menetapkan hipotesis awal Ho : Data berdistribusi normal Ha : Data tidak berdistribusi normal Ho diterima apabila X2 hitung < X2 tabel dan sebaliknya ditolak apabila X2 hitung > X2 tabel . 2. Menentukan nilai deskriptif statistik dari data permintaan produk crumb rubber dengan menggunakan software Microsoft Excel a. Menentukan jumlah data (N) dengan formula : COUNT (Range Data) b. Menentukan nilai maksimum data dengan formula : MAX (Range Data) c. Menentukan nilai minimum data dengan formula : MIN (Range Data) d. Menentukan nilai Range (J) dengan formula : MAX MIN

e. Menentukan banyak kelas (k) dengan formula : ROUNDUP(1+(3,3*LOG10(COUNT(Range Data)));0) f. Menentukan panjang kelas dengan formula : ROUNDUP(range/banyak kelas;0) g. Menentukan nilai rata-rata dengan formula : AVERAGE (Range Data) h. Menentukan nilai standar deviasi dengan formula : ROUND(STDEV(Range Data);2) Adapun hasil penentuan nilai deskriptif statistik dari data permintaan produk crumb rubber dapat dilihat pada Tabel 5.8. Tabel 5.8. Hasil Penentuan Nilai Deskriptif Statistik dari Data Permintaan Produk Crumb Rubber Deskriptif Statistik N Max Min Range (J) Banyak kelas (k) Panjang kelas Rata-rata Standar Deviasi Nilai 50 66 53 13 7 2 59 3,03

Sumber : Pengolahan dengan Microsoft Excel

3. Membuat tabel distribusi frekuensi data yang dapat dilihat pada Tabel 5.9.

Tabel 5.9. Distribusi Frekuensi Data Permintaan Produk Crumb Rubber Kelas 1 2 3 4 5 6 7 Interval 53 - 54 55 - 56 57 - 58 59 - 60 61 - 62 63 - 64 65 - 66 Jumlah
Sumber : Pengolahan dengan Microsoft Excel

BKB 52,5 54,5 56,5 58,5 60,5 62,5 64,5

BKA 54,5 56,5 58,5 60,5 62,5 64,5 66,5

Frekuensi 5 9 9 12 11 3 1 50

4. Membuat tabel penentuan nilai X2 hitung yang dapat dilihat pada Tabel 5.10. Tabel 5.10. Penentuan Nilai X2 hitung Data Permintaan Produk Crumb Rubber Kelas 1 2 3 4 5 6 7 Interval 53 - 54 55 - 56 57 - 58 59 - 60 61 - 62 63 - 64 65 - 66 Jumlah fo 5 9 9 12 11 3 1 50 n(x;;) fe [fo-fe]2/fe 0,155224 0,256677 0,758534 0,01866 0,724233 0,174583 0,099436 2,187346

0,083864 4,193224 0,152061 7,603031 0,240389 12,01947 0,249652 12,48262 0,170329 8,516472 0,076325 3,816241 0,027379 1,368948 1 50

Sumber : Pengolahan dengan Microsoft Excel

5. Menentukan nilai X2 tabel dimana tingkat kepercayaan ( ) = 5 %. Nilai X2 tabel ditentukan menggunakan software Microsoft Excel dengan formula : ROUND(CHIINV( ;banyak kelas-3);3). Dengan menggunakan formula tersebut diperoleh nilai X2 tabel = 9,488 6. Melakukan uji hipotesis data X2 hitung = 2,187346 X2 tabel = 9,488 X2 hitung < X2 tabel maka Ho diterima (data berdistribusi normal).

5.2.4. Menerjemahkan Model Setelah membangun main model, langkah selanjutnya adalah

menerjemahkan model dengan cara mendefinisikan komponen yang digunakan. Sebelum didefinisikan, komponen masih berupa undefined variable yang memiliki tanda tanya. Mendefinisikan komponen dilakukan dengan kuantifikasi yaitu melakukan double click pada komponen dan menginput formulasi untuk komponen rate dan auxiliary, sedangkan untuk komponen level dan constant yang diinput adalah nilai. Setelah selesai mendefinisikan komponen maka tanda tanya akan hilang dan komponen akan menjadi terdefinisi dan dapat digunakan untuk simulasi dinamis. Pendefinisian komponen yang dilakukan adalah sebagai berikut:

Setelah semua komponen terdefinisi, maka dapat dilakukan perhitungan dengan model simulasi dinamis yakni dengan cara menjalankan simulasi dinamis yang dibuat. Menjalankan simulasi dinamis dilakukan dengan cara mengklik perintah RUN pada menu bar atau dapat juga dilakukan dengan cara shortcut melalui keyboard yakni dengan menekan tombol Ctrl dan Space secara bersamaan. Adapun hasil simulasi dinamis penggunaan bokar dapat dilihat melalui Time Table pada Tabel 5.11. dan Time Graph pada Gambar 5.17.

Tabel 5.11. Time Table Hasil Simulasi Dinamis Penggunaan Bokar

Time 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Penggunaan Bokar (Ton/da) 70,11 69,32 72,77 71,00 69,32 66,17 71,69 78,48 73,26 72,48 73,26 72,18 72,18 74,05 72,08 70,11 74,74 71,69 70,90 66,96 65,39 69,32 70,11 74,84 72,48 72,48 73,26 71,69 70,90 63,81

Sumber : Pengolahan dengan Powersim Studio 2005

Ton/da

75

70

65

03

04

05

06

07

08

09

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

01

02

Sumber : Pengolahan dengan Powersim Studio 2005

Gambar 5.17. Time Graph Hasil Simulasi Dinamis Penggunaan Bokar Adapun hasil simulasi dinamis jumlah produksi crumb rubber dapat dilihat melalui Time Table pada Tabel 5.12. dan Time Graph pada Gambar 5.18.

Tabel 5.12. Time Table Hasil Simulasi Dinamis Jumlah Produksi Crumb Rubber
Time 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Jumlah Produksi Crumb Rubber dalam Ton (Ton/da) 55,63 55,00 57,73 56,33 55,00 52,50 56,88 62,27 58,13 57,50 58,13 57,27 57,27 58,75 57,19 55,63 59,30 56,88 56,25 53,13 51,88 55,00 55,63 59,38 57,50 57,50 58,13 56,88 56,25 50,63 Jumlah Produksi Crumb Rubber dalam Pallet (Pallet) 42,00 42,00 44,00 43,00 42,00 40,00 43,00 47,00 44,00 44,00 44,00 44,00 44,00 45,00 44,00 42,00 45,00 43,00 43,00 40,00 40,00 42,00 42,00 45,00 44,00 44,00 44,00 43,00 43,00 39,00

Sumber : Pengolahan dengan Powersim Studio 2005

60

55

50

45

40 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 02

Sumber : Pengolahan dengan Powersim Studio 2005

Gambar 5.18. Time Graph Hasil Simulasi Dinamis Jumlah Produksi Crumb Rubber Adapun hasil simulasi dinamis permintaan harian produk crumb rubber dapat dilihat melalui Time Table pada Tabel 5.13. dan Time Graph pada Gambar 5.19. Tabel 5.13. Time Table Hasil Simulasi Dinamis Permintaan Harian Produk Crumb Rubber
T im e 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Perm int aan Harian (T on) 54,00 60,00 58,00 57,00 61,00 54,00 62,00 63,00 60,00 52,00 58,00 59,00 60,00 51,00 57,00 54,00 60,00 60,00 60,00 53,00 57,00 54,00 59,00 59,00 60,00 60,00 57,00 61,00 57,00 56,00

Sumber : Pengolahan dengan Powersim Studio 2005

Ton

60

55

03

04

05

06

07

08

09

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

01

02

Sumber : Pengolahan dengan Powersim Studio 2005

Gambar 5.19. Time Graph Hasil Simulasi Dinamis Permintaan Harian Produk Crumb Rubber Adapun hasil simulasi dinamis persediaan bokar dapat dilihat melalui Time Table pada Tabel 5.14. dan Time Graph pada Gambar 5.20. Tabel 5.14. Time Table Hasil Simulasi Dinamis Persediaan Bokar
T ime 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Persediaan Bokar (T on) 71,00 0,89 8,76 79,99 8,99 16,86 24,73 32,60 40,47 48,34 56,21 64,08 141,90 69,72 77,59 155,51 85,40 10,66 18,53 26,40 34,27 42,14 50,01 57,88 65,75 135,28 62,80 70,67 78,54 86,41

Sumber : Pengolahan dengan Powersim Studio 2005

Ton 150

100

50

0 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 02

Sumber : Pengolahan dengan Powersim Studio 2005

Gambar 5.20. Time Graph Hasil Simulasi Dinamis Persediaan Bokar Adapun hasil simulasi dinamis penentuan upah kerja buruh Harian dapat dilihat melalui Time Table pada Tabel 5.15. dan Time Graph pada Gambar 5.21. Tabel 5.15. Time Table Hasil Simulasi Dinamis Penentuan Upah Kerja Buruh Harian
(Rupiah)

Sumber : Pengolahan dengan Powersim Studio 2005

R upiah 10.000.000

5.000.000

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 02

Sumber : Pengolahan dengan Powersim Studio 2005

Gambar 5.21. Time Graph Hasil Simulasi Dinamis Penentuan Upah Kerja Buruh Harian

5.2.5. Verifikasi Langkah ini dilakukan untuk mengetahui apakah program simulasi dinamis yang dibuat berjalan sesuai dengan maksud yang diharapkan. Verifikasi model dapat dilakukan dengan pengujian verifikasi struktur model. Adapun langkah-langkah uji verifikasi struktur model adalah sebagai berikut: 1. Verifikasi Teoritis Verifikasi teoritis dilakukan dengan membandingkan causal loop yang dibuat dengan sistem nyata yang ada. Pada sistem nyata, semakin besar penerimaan bokar tentu persediaan bokar akan makin besar. Pada causal loop, hubungan penerimaan bokar dan persediaan bokar adalah similar atau berbanding lurus artinya semakin besar penerimaan bokar maka persediaan bokar akan makin besar. Oleh karena itu, verifikasi teoritis menunjukkan hubungan antara penerimaan bokar dan persediaan bokar pada sistem nyata dengan causal loop yang dibuat telah sesuai dan benar. Untuk komponen distribusi produk crumb

rubber dan persediaan produk crumb rubber, pada sistem nyata tentu semakin besar distribusi produk crumb rubber tentu jumlah persediaan produk crumb rubber akan semakin kecil. Pada causal loop, hubungan distribusi produk crumb rubber dan persediaan produk crumb rubber adalah opposite atau berbanding terbalik artinya semakin besar distribusi produk crumb rubber maka jumlah persediaan produk crumb rubber akan semakin kecil. Oleh karena itu, verifikasi teoritis menunjukkan hubungan antara distribusi produk crumb rubber dan persediaan produk crumb rubber pada sistem nyata dengan causal loop yang dibuat telah sesuai dan benar. Demikian pula, verifikasi teoritis untuk komponen-komponen lain. 2. Konsistensi Unit Analisis Konsistensi unit analisis dilakukan dengan membandingkan formulasi secara manual dengan formulasi powersim pada equation window powersim. Formulasi pada powersim harus dibuat sesuai dengan konsep formulasi secara manual. Satuan yang terdapat pada formulasi powersim juga harus sesuai dengan satuan yang terdapat pada formulasi secara manual. Adapun perbandingan formulasi beberapa komponen secara manual dengan formulasi pada powersim dapat dilihat pada Tabel 5.16.

Tabel 5.16. Perbandingan Formulasi Beberapa Komponen Secara Manual dengan Formulasi pada Powersim No. 1 Komponen Jumlah jam kerja dalam sehari Effisiensi Mesin Creeper I Formulasi Secara Manual 8 jam Formulasi pada Powersim 8<<hr>>

99%

99<<%>> Mesin

(100% / Effisiensi Mesin Creeper (100<<%>>/Effisiensi Input Mesin 3 Creeper I Creeper I)) x Output Creeper I Jika persediaan produk crumb rubber > = permintaan harian maka yang disalurkan adalah IF(Persediaan Produk I) x (100% / (100% -Scrap Mesin Creeper

I)*(100<<%>>/(100%-

Mesin Scrap Mesin Creeper I))*Output Mesin Creeper I

Crumb Harian;

sebesar permintaan harian, jika Rubber>=Permintaan Penyaluran Produk 4 Crumb Rubber persediaan produk crumb rubber Permintaan

Harian;Persediaan

< permintaan harian maka yang Produk Crumb Rubber+Safety disalurkan adalah sebesar Stock)/1<<da>>

persediaan produk crumb rubber ditambah safety stock Dari Tabel 5.16. di atas, terlihat bahwa formulasi secara manual sudah sesuai dengan formulasi pada powersim. Dengan demikian, konsistensi unit analisis menunjukkan bahwa formulasi secara manual konsisten dengan formulasi pada powersim.

Verifikasi dilakukan pula dengan melakukan test run untuk melihat apakah ada trouble yang terjadi. Test run dilakukan dengan menginput nilai minimum yakni 0. Dengan logika, seharusnya jika input nilai adalah 0 maka output juga haruslah bernilai 0. Pada model yang dibuat, laju permintaan dibuat 0 ton dan jam kerja dibuat 0 jam dan diperoleh hasil permintaan harian adalah 0 ton, penggunaan bokar adalah 0 ton, jumlah produksi bokar adalah 0 ton, dan total upah kerja buruh harian adalah Rp 0,-. Dari hasil test run, terlihat bahwa tidak terjadi trouble, yang berarti model telah terverifikasi.

5.2.6. Validasi Setelah selesai melakuan verifikasi, barulah dilakukan validasi model untuk menilai kesahihan alat yang digunakan untuk melakukan simulasi yakni software powersim studio. Validasi model dilakukan dengan uji kinerja atau output model. Ada tiga metode pengujian yang akan digunakan untuk menguji kinerja atau output model yaitu: a. Uji penyimpangan rata-rata (Absolute Mean Error / AME) Uji penyimpangan rata-rata bertujuan untuk melihat penyimpangan rata-rata simulasi terhadap rata-rata aktual. Nilai AME ditentukan dengan persamaan:

AME = ( Si - A i ) / A i

Dimana: Si = S i / N

A i = Ai / N

b.

Uji penyimpangan variasi (Absolute Variation Error / AVE) Uji penyimpangan variasi bertujuan untuk melihat penyimpangan variasi simulasi terhadap variasi aktual. Nilai AVE ditentukan dengan persamaan: AVE = (S S - S A ) / S A Dimana: S S = (S i - Si )2 / N S A = (A i - A i )2 / N

c.

Uji Kecocokan Kalman Filter (KF) Uji kecocokan Kalman Filter (KF) bertujuan untuk melihat kecocokan (fitting) antara nilai simulasi dengan nilai aktual. Nilai KF ditentukan dengan persamaan: KF = V S / (V S + V A ) Dimana: V S = (S i - Si )2 / (N-1) V A = (A i - A i )2 / (N-1)

Keterangan:

Si : Rata-rata nilai simulasi

A i : Rata-rata nilai aktual Si

:

Nilai simulasi

A i : Nilai aktual S S : Standar deviasi nilai simulasi S A : Standar deviasi nilai aktual V S : Varians nilai simulasi

V A : Varians nilai aktual KF : Kalman Filter Adapun langkah-langkah validasi model dengan melakukan uji statistik AME, AVE, dan Kalman Filter terhadap data penggunaan bokar dengan menggunakan software Microsoft Excel adalah sebagai berikut: 1. Menghitung rata-rata nilai simulasi dengan formula : AVERAGE (Range Data Hasil Simulasi Penggunaan Bokar) 2. Menghitung rata-rata nilai aktual dengan formula : AVERAGE (Range Data Aktual Penggunaan Bokar) 3. Menghitung standar deviasi nilai simulasi dengan formula : ROUND (STDEV (Range Data Hasil Simulasi Penggunaan Bokar);2) 4. Menghitung standar deviasi nilai aktual dengan formula : ROUND (STDEV (Range Data Aktual Penggunaan Bokar);2) 5. Menghitung varians nilai simulasi dengan formula : ROUND (VARA (Range Data Hasil Simulasi Penggunaan Bokar);2) 6. Menghitung varians nilai aktual dengan formula : ROUND (VARA (Range Data Aktual Penggunaan Bokar);2) 7. Menghitung nilai AME dengan formula : (Cell Rata-rata Nilai Simulasi - Cell Rata-rata Nilai Aktual) / Cell Rata-rata Nilai Aktual 8. Menghitung nilai AVE dengan formula : (Cell Standar Deviasi Nilai Simulasi - Cell Standar Deviasi Nilai Aktual) / Cell Standar Deviasi Nilai Aktual 9. Menghitung nilai Kalman Filter dengan formula : Cell Varians Nilai Simulasi / (Cell Varians Nilai Simulasi + Cell Varians Nilai Aktual)

Adapun hasil uji statistik AME, AVE, dan Kalman Filter terhadap data penggunaan bokar dapat dilihat pada Tabel 5.17. Tabel 5.17. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap Data Penggunaan Bokar Keterangan Rata-rata nilai simulasi Rata-rata nilai aktual Standar deviasi nilai simulasi Standar deviasi nilai aktual Varians nilai simulasi Varians nilai aktual AME AVE Kalman Filter
Sumber : Pengolahan dengan Microsoft Excel

Nilai 71,00 72,00 2,97 3,05 8,84 9,32 -0,01389 = 1,389 % -0,02623 = 2,623 % 0,4868 = 48,68 %

Adapun hasil uji validitas model terhadap data penggunaan bokar dapat dilihat pada Tabel 5.18. Tabel 5.18. Hasil Uji Validitas Model Terhadap Data Penggunaan Bokar Nilai Uji No. Metode Validasi Batas Kritis Statistik 1 2 3 Uji penyimpangan rata-rata (AME) Uji penyimpangan variasi (AVE) Uji kecocokan Kalman Filter (KF) <5% <5% 47,5 % - 52,5 % 1,389 % 2,623 % 48,68 % Valid Valid Valid Keterangan

Setelah itu, dilakukan lagi validasi model dengan melakukan uji statistik AME, AVE, dan Kalman Filter terhadap data permintaan produk crumb rubber dengan menggunakan software Microsoft Excel dimana langkah-langkahnya adalah sebagai berikut: 1. Menghitung rata-rata nilai simulasi dengan formula : AVERAGE (Range Data Hasil Simulasi Permintaan Produk Crumb Rubber) 2. Menghitung rata-rata nilai aktual dengan formula : AVERAGE (Range Data Aktual Permintaan Produk Crumb Rubber) 3. Menghitung standar deviasi nilai simulasi dengan formula : ROUND (STDEV (Range Data Hasil Simulasi Permintaan Produk Crumb Rubber);2) 4. Menghitung standar deviasi nilai aktual dengan formula : ROUND (STDEV (Range Data Aktual Permintaan Produk Crumb Rubber);2) 5. Menghitung varians nilai simulasi dengan formula : ROUND (VARA (Range Data Hasil Simulasi Permintaan Produk Crumb Rubber);2) 6. Menghitung varians nilai aktual dengan formula : ROUND (VARA (Range Data Aktual Permintaan Produk Crumb Rubber);2) 7. Menghitung nilai AME dengan formula : (Cell Rata-rata Nilai Simulasi - Cell Rata-rata Nilai Aktual) / Cell Rata-rata Nilai Aktual 8. Menghitung nilai AVE dengan formula : (Cell Standar Deviasi Nilai Simulasi - Cell Standar Deviasi Nilai Aktual) / Cell Standar Deviasi Nilai Aktual 9. Menghitung nilai Kalman Filter dengan formula : Cell Varians Nilai Simulasi / (Cell Varians Nilai Simulasi + Cell Varians Nilai Aktual)

Adapun hasil uji statistik AME, AVE, dan Kalman Filter terhadap data permintaan produk crumb rubber dapat dilihat pada Tabel 5.19. Tabel 5.19. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap Data Permintaan Produk Crumb Rubber Keterangan Rata-rata nilai simulasi Rata-rata nilai aktual Standar deviasi nilai simulasi Standar deviasi nilai aktual Varians nilai simulasi Varians nilai aktual AME AVE Kalman Filter
Sumber : Pengolahan dengan Microsoft Excel

Nilai 57,77 59,00 3,09 3,08 9,50 9,20 -0,02085 = 2,085 % 0,003247 = 0,3247 % 0,5080 = 50,80 %

Adapun hasil uji validitas model terhadap data permintaan produk crumb rubber dapat dilihat pada Tabel 5.20. Tabel 5.20. Hasil Uji Validitas Model Terhadap Data Permintaan Produk Crumb Rubber Nilai Uji No. Metode Validasi Batas Kritis Statistik 1 2 Uji penyimpangan rata-rata (AME) Uji penyimpangan variasi (AVE) <5% <5% 2,085 % 0,3247 % Valid Valid Keterangan

Tabel 5.20. Hasil Uji Validitas Model Terhadap Data Permintaan Produk Crumb Rubber (Lanjutan) Nilai Uji No. Metode Validasi Batas Kritis Statistik 3 Uji kecocokan Kalman Filter (KF) 47,5 % - 52,5 % 50,80 % Valid Keterangan

5.2.7. Perencanaan Taktis dan Strategis Langkah selanjutnya adalah perencanaan taktis dan strategis dengan menerapkan kebijakan tertentu yakni melakukan modifikasi terhadap model. Modifikasi terhadap model dilakukan dengan memberikan perlakuan-perlakuan atau kondisi-kondisi eksperimen pada model untuk melihat sensitivitas model yang dibangun. Adapun perlakuan yang akan diberikan pada model adalah sebagai berikut: 1. Lead time bokar berfluktuasi secara probabilistik dengan interval 1-3 hari. 2. Reorder point bokar dibuat deterministik sebesar 75 ton.

5.2.8. Eksperimen Pada tahap ini, dilakukan eksekusi model simulasi dengan kondisi eksperimen yang telah ditentukan untuk memperoleh nilai output eksperimen. Perlakuan pertama adalah perlakuan lead time bokar dibuat berfluktuasi secara probabilistik dengan interval 1-3 hari. Perlakuan ini diberikan karena bisa saja terjadi keterlambatan penerimaan bokar dari supplier akibat masalah-masalah yang terjadi saat transportasi.

Adapun hasil simulasi dinamis penerimaan bokar dengan lead time bokar berfluktuasi secara probabilistik dapat dilihat melalui Time Table pada Tabel 5.21. dan Time Graph pada Gambar 5.22. Tabel 5.21. Time Table Hasil Simulasi Dinamis Penerimaan Bokar dengan Lead Time Bokar Berfluktuasi Secara Probabilistik
T im e 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Penerim aan Bokar (T on/da) 0,00 0,00 79,08 77,51 79,77 73,57 76,72 79,08 78,30 68,84 155,00 74,36 72,78 69,63 69,63 69,63 73,57 75,14 72,78 0,00 72,78 73,57 76,72 79,48 78,10 80,07 70,42 78,30 74,36 73,57

Sumber : Pengolahan dengan Powersim Studio 2005

T o n/da 150

100

50

03

04

05

06

07

08

09

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

01

02

Sumber : Pengolahan dengan Powersim Studio 2005

Gambar 5.22. Time Graph Hasil Simulasi Dinamis Penerimaan Bokar dengan Lead Time Bokar Berfluktuasi Secara Probabilistik

Perlakuan kedua adalah reorder point bokar dibuat deterministik sebesar 75 ton. Perlakuan ini diberikan untuk mempermudah penentuan waktu pembelian bokar. Adapun hasil simulasi dinamis persediaan bokar dan penerimaan bokar dengan reorder point bokar dibuat deterministik dapat dilihat melalui Time Table pada Tabel 5.22. dan Time Graph pada Gambar 5.23. Tabel 5.22. Time Table Hasil Simulasi Dinamis Persediaan Bokar dan Penerimaan Bokar dengan Reorder Point Bokar Dibuat Deterministik

Sumber : Pengolahan dengan Powersim Studio 2005

150

100

50

0 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 02

Sumber : Pengolahan dengan Powersim Studio 2005

Gambar 5.23. Time Table Hasil Simulasi Dinamis Persediaan Bokar dan Penerimaan Bokar dengan Reorder Point Bokar Dibuat Deterministik

5.2.9. Analisis Hasil Adapun analisis yang dapat diberikan untuk semua hasil simulasi di atas, adalah terdapat konsistensi model yaitu periode 10 Juni 2011 permintaan harian produk crumb rubber paling kecil sehingga penggunaan bokar pada periode periode 10 Juni 2011 juga paling kecil yang tentu saja menyebabkan jumlah produksi crumb rubber pada periode 10 Juni 2011 menjadi paling kecil. Untuk hasil simulasi persediaan bokar, terdapat perbedaan dimana persediaan bokar paling kecil adalah pada periode 04 Juni 2011 dan persediaan bokar paling besar adalah pada periode 18 Juni 2011. Hal ini disebabkan reorder point bokar tidak deterministik karena reorder point bokar dihitung dengan rumus : (rata-rata penggunaan bokar x lead time bokar) + safety stock bokar. Dimana lead time bokar sendiri adalah probabilistik dengan interval 1-2 hari.

5.2.10. Implementasi dan Dokumentasi Implementasi hasil simulasi diserahkan sepenuhnya kepada pihak perusahaan. Perusahaan berhak mempercayai dan mengimplementasikan hasil simulasi atau hanya menjadikannya sebagai pertimbangan dalam menentukan jumlah persediaan bahan baku yang diperlukan serta jumlah produksi yang harus dihasilkan. Dokumentasi model dilakukan dalam bentuk penyerahan hard copy (print out) dan soft copy (CD) kepada pihak perusahaan.

BAB VI ANALISIS PEMECAHAN MASALAH

6.1.

Analisis Langkah Formulasi Masalah Berdasarkan hasil pengolahan data, analisis yang dapat diberikan adalah

formulasi masalah harus dilakukan secara tajam dan tepat agar diperoleh masalah utama yang dialami oleh perusahaan. Adapun yang menjadi masalah utama yang dialami oleh perusahaan adalah permintaan yang datang secara fluktuatif yang menyebabkan perusahaan sulit menentukan jumlah bahan baku yang diperlukan serta jumlah produksi yang harus dihasilkan secara tepat.

6.2.

Analisis Langkah Membangun Model Analisis yang diberikan untuk langkah ini adalah analisis terhadap

pembuatan causal loop dan analisis terhadap pembuatan model simulasi dinamis. Analisis yang diberikan untuk pembuatan causal loop adalah pembuatan causal loop harus dilakukan secara logis dan tepat sebab causal loop ini akan menjadi dasar dalam pembuatan main model simulasi dinamis. Hubungan antar komponen harus ditentukan secara tepat dan tidak boleh terbalik karena sangat menentukan hasil simulasi main model nantinya terutama untuk komponen yang menjadi rate pada main model. Analisis yang diberikan untuk pembuatan main model adalah main model simulasi dinamis harus dibuat secara kompleks dengan mempertimbangkan

faktor-faktor

yang dominan berpengaruh terhadap masalah

yang telah

diidentifikasi agar dapat merepresentasikan sistem nyata dengan tepat.

6.3.

Analisis Langkah Akuisisi Data Analisis yang diberikan untuk langkah ini adalah analisis terhadap hasil

pengujian distribusi untuk mengetahui pola data masa lalu agar dapat memperoleh spesifikasi dari data. Dari hasil pengujian distribusi, analisis yang dapat diberikan adalah data penggunaan bokar aktual berdistribusi normal dengan nilai rata-rata () sebesar 71 ton dan nilai standar deviasi ( ) sebesar 3,05 ton. Data permintaan produk crumb rubber aktual berdistribusi normal dengan nilai rata-rata () sebesar 59 ton dan nilai standar deviasi ( ) sebesar 3,03 ton. Nilai rata-rata () dan standar deviasi ( ), kedua nilai parameter distribusi normal inilah yang akan dijadikan acuan dalam pembangkitan data tiruan untuk simulasi dinamis perencanaan persediaan bahan baku dan jumlah produksi di PT. Batanghari Tebing Pratama.

6.4.

Analisis Langkah Menerjemahkan Model Analisis yang diberikan untuk langkah ini adalah analisis cara

pendefinisian komponen yang digunakan dalam menerjemahkan model. Pendefinisian komponen harus dilakukan dengan benar dan logis agar simulasi dapat berjalan. Pendefinisian komponen harus mempertimbangkan satuan dari tiap komponen yang disimulasikan. Satuan waktu yang digunakan untuk semua rate

pada main model harus konsisten. Apabila hasil simulasi yang diinginkan adalah harian maka semua rate harus dibuat harian. Selain itu, pada langkah ini akan dilakukan analisis terhadap hasil perhitungan simulasi dinamis. Hasil simulasi dinamis untuk penggunaan bokar adalah fluktuatif tiap harinya dimana penggunaan bokar paling kecil adalah pada periode 02 Juli 2011 yaitu sebesar 63,81 ton dan penggunaan bokar paling besar adalah pada periode 10 Juni 2011 yaitu sebesar 78,48 ton. Hasil simulasi dinamis untuk penggunaan bokar dapat dilihat pada Tabel 6.1. Tabel 6.1. Time Table Hasil Simulasi Dinamis Penggunaan Bokar
T im e 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Penggunaan Bokar (T on/da) 70,11 69,32 72,77 71,00 69,32 66,17 71,69 78,48 73,26 72,48 73,26 72,18 72,18 74,05 72,08 70,11 74,74 71,69 70,90 66,96 65,39 69,32 70,11 74,84 72,48 72,48 73,26 71,69 70,90 63,81

Sumber : Pengolahan dengan Powersim Studio 2005

Hasil simulasi dinamis untuk jumlah produksi crumb rubber adalah fluktuatif tiap harinya dimana jumlah produksi crumb rubber paling kecil adalah pada periode 02 Juli 2011 yaitu sebesar 50,63 ton dan jumlah produksi crumb rubber paling besar adalah pada periode 10 Juni 2011 yaitu sebesar 62,27 ton.

Hasil simulasi dinamis untuk jumlah produksi crumb rubber dapat dilihat pada Tabel 6.2. Tabel 6.2. Time Table Hasil Simulasi Dinamis Jumlah Produksi Crumb Rubber
Time 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Jumlah Produksi Crumb Rubber dalam Ton (Ton/da) 55,63 55,00 57,73 56,33 55,00 52,50 56,88 62,27 58,13 57,50 58,13 57,27 57,27 58,75 57,19 55,63 59,30 56,88 56,25 53,13 51,88 55,00 55,63 59,38 57,50 57,50 58,13 56,88 56,25 50,63 Jumlah Produksi Crumb Rubber dalam Pallet (Pallet) 42,00 42,00 44,00 43,00 42,00 40,00 43,00 47,00 44,00 44,00 44,00 44,00 44,00 45,00 44,00 42,00 45,00 43,00 43,00 40,00 40,00 42,00 42,00 45,00 44,00 44,00 44,00 43,00 43,00 39,00

Sumber : Pengolahan dengan Powersim Studio 2005

Hasil simulasi dinamis untuk permintaan harian produk crumb rubber adalah fluktuatif tiap harinya dimana permintaan harian produk crumb rubber paling kecil adalah pada periode 16 Juni 2011 yaitu sebesar 51,00 ton dan permintaan harian produk crumb rubber paling besar adalah pada periode 10 Juni 2011 yaitu sebesar 63,00 ton. Hasil simulasi dinamis untuk permintaan harian produk crumb rubber dapat dilihat pada Tabel 6.3.

Tabel 6.3. Time Table Hasil Simulasi Dinamis Permintaan Harian Produk Crumb Rubber
Time 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Permintaan Harian (Ton) 54,00 60,00 58,00 57,00 61,00 54,00 62,00 63,00 60,00 52,00 58,00 59,00 60,00 51,00 57,00 54,00 60,00 60,00 60,00 53,00 57,00 54,00 59,00 59,00 60,00 60,00 57,00 61,00 57,00 56,00

Sumber : Pengolahan dengan Powersim Studio 2005

Hasil simulasi dinamis untuk persediaan bokar adalah fluktuatif tiap harinya dimana persediaan bokar paling kecil adalah pada periode 04 Juni 2011 yaitu sebesar 0,89 ton dan persediaan bokar paling besar adalah pada periode 18 Juni 2011 yaitu sebesar 155,51 ton. Hasil simulasi dinamis untuk persediaan bokar dapat dilihat pada Tabel 6.4.

Tabel 6.4. Time Table Hasil Simulasi Dinamis Persediaan Bokar

Time 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Persediaan Bokar (Ton) 71,00 0,89 8,76 79,99 8,99 16,86 24,73 32,60 40,47 48,34 56,21 64,08 141,90 69,72 77,59 155,51 85,40 10,66 18,53 26,40 34,27 42,14 50,01 57,88 65,75 135,28 62,80 70,67 78,54 86,41

Sumber : Pengolahan dengan Powersim Studio 2005

Hasil simulasi dinamis untuk total upah kerja buruh harian adalah fluktuatif tiap harinya sebab upah kerja lembur (overtime) buruh tiap hari berbeda tergantung jam lembur tiap harinya. Hasil simulasi dinamis untuk total upah kerja buruh harian dapat dilihat pada Tabel 6.5.

Tabel 6.5. Time Table Hasil Simulasi Dinamis Total Upah Kerja Buruh Harian
(Rupiah)

Sumber : Pengolahan dengan Powersim Studio 2005

6.5.

Analisis Langkah Verifikasi Analisis yang diberikan untuk langkah ini adalah analisis terhadap

verifikasi struktur model dan analisis terhadap hasil test run Adapun analisis yang dilakukan terhadap verifikasi struktur model adalah sebagai berikut: 1. Verifikasi Teoritis Verifikasi teoritis yang dilakukan sudah benar dan tepat. Hal ini terlihat dari kesesuaian antara causal loop yang dibuat dengan sistem nyata yang ada.

2. Konsistensi Unit Analisis Dari pengolahan data, terlihat bahwa formulasi secara manual sudah sesuai dan konsisten dengan formulasi pada powersim. Hal ini berarti menunjukkan bahwa konsistensi unit analisis sudah benar dan tepat Adapun analisis yang diberikan terhadap hasil test run adalah dari hasil test run pada pengolahan data, terlihat bahwa tidak terjadi trouble, yang berarti model telah terverifikasi dengan baik.

6.6.

Analisis Langkah Validasi Pada langakah validasi ini, yang akan dianalisis adalah hasil uji statistik

AME, AVE, dan Kalman Filter terhadap data penggunaan bokar dan data permintaan produk crumb rubber. Dari hasil pengolahan data, diperoleh hasil uji statistik AME, AVE, dan Kalman Filter terhadap data penggunaan bokar yang dapat dilihat pada Tabel 6.6. Tabel 6.6. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap Data Penggunaan Bokar Keterangan Rata-rata nilai simulasi Rata-rata nilai aktual Standar deviasi nilai simulasi Standar deviasi nilai aktual Varians nilai simulasi Varians nilai aktual Nilai 71,00 72,00 2,97 3,05 8,84 9,32

Tabel 6.6. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap Data Penggunaan Bokar (Lanjutan) Keterangan AME AVE Kalman Filter
Sumber : Pengolahan dengan Microsoft Excel

Nilai -0,01389 = 1,389 % -0,02623 = 2,623 % 0,4868 = 48,68 %

Setelah memperoleh hasil uji statistik AME, AVE, dan Kalman Filter terhadap data penggunaan bokar dapat dilakukan uji validitas model terhadap data penggunaan bokar yang dapat dilihat pada Tabel 6.7. Tabel 6.7. Hasil Uji Validitas Model Terhadap Data Penggunaan Bokar No. 1 2 3 Metode Validasi Uji penyimpangan rata-rata (AME) Uji penyimpangan variasi (AVE) Uji kecocokan Kalman Filter (KF) Batas Kritis <5% <5% 47,5 % - 52,5 % Nilai Uji Statistik 1,389 % 2,623 % 48,68 % Keterangan Valid Valid Valid

Dari Tabel 6.7. di atas, terlihat bahwa semua nilai uji statistik yaitu AME, AVE, dan Kalman Filter (KF) tidak melewati batas kritis. Ini menunjukkan bahwa model yang dibuat telah valid. Dari hasil pengolahan data, juga diperoleh hasil uji statistik AME, AVE, dan Kalman Filter terhadap data permintaan produk crumb rubber yang dapat dilihat pada Tabel 6.8.

Tabel 6.8. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap Data Permintaan Produk Crumb Rubber Keterangan Rata-rata nilai simulasi Rata-rata nilai aktual Standar deviasi nilai simulasi Standar deviasi nilai aktual Varians nilai simulasi Varians nilai aktual AME AVE Kalman Filter
Sumber : Pengolahan dengan Microsoft Excel

Nilai 57,77 59,00 3,09 3,08 9,50 9,20 -0,02085 = 2,085 % 0,003247 = 0,3247 % 0,5080 = 50,80 %

Setelah memperoleh hasil uji statistik AME, AVE, dan Kalman Filter terhadap data permintaan produk crumb rubber, dilakukan lagi uji validitas model terhadap data permintaan produk crumb rubber yang dapat dilihat pada Tabel 6.9. Tabel 6.9. Hasil Uji Validitas Model Terhadap Data Permintaan Produk Crumb Rubber Nilai Uji No. Metode Validasi Batas Kritis Statistik 1 2 3 Uji penyimpangan rata-rata (AME) Uji penyimpangan variasi (AVE) Uji kecocokan Kalman Filter (KF) <5% <5% 47,5 % - 52,5 % 2,085 % 0,3247 % 50,80 % Valid Valid Valid Keterangan

Dari Tabel 6.9. di atas, terlihat bahwa semua nilai uji statistik yaitu AME, AVE, dan Kalman Filter (KF) tidak melewati batas kritis. Ini menunjukkan bahwa model yang dibuat telah valid.

6.7.

Analisis Langkah Perencanaan Taktis dan Strategis Analisis yang diberikan untuk langkah ini adalah perencanaan taktis dan

strategis berupa pemberian perlakuan-perlakuan dalam melakukan modifikasi terhadap model haruslah dipilih perlakuan yang benar-benar diperlukan yaitu perlakuan yang sering terjadi pada sistem nyata sehingga dapat dilihat sensitivitas model dalam memberikan tanggapan (respon) atas perlakuan yang diberikan

6.8.

Analisis Langkah Eksperimen Analisis yang diberikan untuk langkah ini adalah analisis terhadap nilai

output eksperimen dari perlakuan-perlakuan yang diberikan. Untuk perlakuan lead time bokar dibuat berfluktuasi secara probabilistik dengan interval 1-3 hari, hasil simulasi dinamis penerimaan bokarnya dapat dilihat pada Tabel 6.10.

Tabel 6.10. Time Table Hasil Simulasi Dinamis Penerimaan Bokar dengan Lead Time Bokar Berfluktuasi Secara Probabilistik
Time 03 Jun 04 Jun 05 Jun 06 Jun 07 Jun 08 Jun 09 Jun 10 Jun 11 Jun 12 Jun 13 Jun 14 Jun 15 Jun 16 Jun 17 Jun 18 Jun 19 Jun 20 Jun 21 Jun 22 Jun 23 Jun 24 Jun 25 Jun 26 Jun 27 Jun 28 Jun 29 Jun 30 Jun 01 Jul 02 Jul Penerimaan Bokar (Ton/da) 0,00 0,00 79,08 77,51 79,77 73,57 76,72 79,08 78,30 68,84 155,00 74,36 72,78 69,63 69,63 69,63 73,57 75,14 72,78 0,00 72,78 73,57 76,72 79,48 78,10 80,07 70,42 78,30 74,36 73,57

Sumber : Pengolahan dengan Powersim Studio 2005

Dari Tabel 6.10. di atas, terlihat bahwa perlakuan lead time bokar dibuat berfluktuasi secara probabilistik dengan interval 1-3 hari memberikan pengaruh yang cukup besar pada penerimaan bokar.

Untuk perlakuan reorder point bokar dibuat deterministik sebesar 75 ton, hasil simulasi dinamis persediaan bokar dan penerimaan bokarnya dapat dilihat pada Tabel 6.11. Tabel 6.11. Time Table Hasil Simulasi Dinamis Persediaan Bokar dan Penerimaan Bokar dengan Reorder Point Bokar Dibuat Deterministik

Sumber : Pengolahan dengan Powersim Studio 2005

Dari Tabel 6.11. di atas, terlihat bahwa perlakuan reorder point bokar dibuat deterministik sebesar 75 ton membuat persediaan bokar dan penerimaan bokar menjadi lebih stabil. Hal ini disebabkan sudah ada kepastian tentang besarnya reorder point bokar sehingga lebih mudah dalam menentukan waktu pembelian bokar dari supplier.

6.9.

Analisis Hasil Simulasi Secara Keseluruhan Pada tahap ini akan dilakukan analisis terhadap hasil simulasi secara

keseluruhan. Adapun analisis yang dapat diberikan adalah terdapat konsistensi model yaitu periode 10 Juni 2011 permintaan harian produk crumb rubber paling kecil sehingga penggunaan bokar pada periode periode 10 Juni 2011 juga paling kecil yang tentu saja menyebabkan jumlah produksi crumb rubber pada periode 10 Juni 2011 menjadi paling kecil. Untuk hasil simulasi persediaan bokar, terdapat perbedaan dimana persediaan bokar paling kecil adalah pada periode 04 Juni 2011 dan persediaan bokar paling besar adalah pada periode 18 Juni 2011. Hal ini disebabkan reorder point bokar tidak deterministik karena reorder point bokar dihitung dengan rumus : (rata-rata penggunaan bokar x lead time bokar) + safety stock bokar. Dimana lead time bokar sendiri adalah probabilistik dengan interval 1-2 hari.

6.10. Analisis Langkah Implementasi dan Dokumentasi Analisis yang dapat diberikan untuk langkah ini adalah implementasi hasil simulasi diserahkan sepenuhnya kepada pihak perusahaan. Perusahaan yang berhak menentukan apakah akan menggunakan hasil penelitian ini atau tidak. Sedangkan untuk dokumentasi harus dilakukan dengan baik yakni dengan melakukan dokumentasi dalam bentuk hard copy (print out) dan soft copy (CD) agar data tersimpan dengan baik sehingga dapat digunakan kembali bila diperlukan nanti.

BAB VII KESIMPULAN DAN SARAN

7.1.

Kesimpulan Adapun kesimpulan yang dapat diberikan penulis sesuai dengan hasil

pengolahan data dan analisis adalah sebagai berikut : 1. Formulasi masalah harus dilakukan secara tajam dan tepat agar diperoleh masalah utama yang dialami oleh perusahaan. Adapun yang menjadi masalah utama yang dialami oleh perusahaan adalah permintaan yang datang secara fluktuatif yang menyebabkan perusahaan sulit menentukan jumlah bahan baku yang diperlukan serta jumlah produksi yang harus dihasilkan secara tepat. 2. Pembuatan causal loop harus dilakukan secara logis dan tepat sebab causal loop ini akan menjadi dasar dalam pembuatan main model simulasi dinamis. Hubungan antar komponen harus ditentukan secara tepat dan tidak boleh terbalik karena sangat menentukan hasil simulasi main model nantinya terutama untuk komponen yang menjadi rate pada main model. 3. Model simulasi dinamis yang dibuat secara kompleks harus

mempertimbangkan faktor-faktor yang dominan berpengaruh terhadap masalah yang telah diidentifikasi agar dapat merepresentasikan sistem nyata dengan tepat. 4. Data penggunaan bokar aktual berdistribusi normal dengan nilai rata-rata () sebesar 71 ton dan nilai standar deviasi ( ) sebesar3,05 ton.

5. Data permintaan produk crumb rubber aktual berdistribusi normal dengan nilai rata-rata () sebesar 59 ton dan nilai standar deviasi ( ) sebesar 3,03 ton. 6. Pendefinisian komponen harus dilakukan dengan benar dan logis agar simulasi dapat berjalan. 7. Hasil simulasi dinamis untuk penggunaan bokar adalah fluktuatif tiap harinya dimana penggunaan bokar paling kecil adalah pada periode 02 Juli 2011 yaitu sebesar 63,81 ton dan penggunaan bokar paling besar adalah pada periode 10 Juni 2011 yaitu sebesar 78,48 ton. 8. Hasil simulasi dinamis untuk jumlah produksi crumb rubber adalah fluktuatif tiap harinya dimana jumlah produksi crumb rubber paling kecil adalah pada periode 02 Juli 2011 yaitu sebesar 50,63 ton dan jumlah produksi crumb rubber paling besar adalah pada periode 10 Juni 2011 yaitu sebesar 62,27 ton. 9. Hasil simulasi dinamis untuk permintaan harian produk crumb rubber adalah fluktuatif tiap harinya dimana permintaan harian produk crumb rubber paling kecil adalah pada periode 16 Juni 2011 yaitu sebesar 51,00 ton dan permintaan harian produk crumb rubber paling besar adalah pada periode 10 Juni 2011 yaitu sebesar 63,00 ton. 10. Hasil simulasi dinamis untuk persediaan bokar adalah fluktuatif tiap harinya dimana persediaan bokar paling kecil adalah pada periode 04 Juni 2011 yaitu sebesar 0,89 ton dan persediaan bokar paling besar adalah pada periode 18 Juni 2011 yaitu sebesar 155,51 ton.

11. Dari hasil uji statistik terhadap data penggunaan bokar diperoleh nilai AVE sebesar 1,389 %, nilai AME sebesar 2,623 %, nilai Kalman Filter (KF) sebesar 48,68 %. 12. Dari hasil uji statistik terhadap data permintaan produk crumb rubber diperoleh nilai AVE sebesar 2,085 %, nilai AME sebesar 0,3247 %, nilai Kalman Filter (KF) sebesar 50,80 %. 13. Perlakuan lead time bokar dibuat berfluktuasi secara probabilistik dengan interval 1-3 hari memberikan pengaruh yang cukup besar pada penerimaan bokar. 14. Perlakuan reorder point bokar dibuat deterministik sebesar 75 ton membuat persediaan bokar dan penerimaan bokar menjadi lebih stabil.

7.2.

Saran Adapun saran yang dapat diberikan penulis sesuai dengan kesimpulan dan

analisis sebelumnya adalah sebagai berikut : 1. Sebaiknya peneliti berikutnya meneliti lebih lanjut dengan memperhitungkan komponen cost (biaya). 2. Sebaiknya dilakukan penelitian apakah perlu dilakukan produksi dua shift sebab pemenuhan permintaan dengan lembur (overtime) menghabiskan biaya yang besar.