EVALUASI EFISIENSI TAMBANG TERBUKA (OPEN PIT) MENGGUNAKAN

METODE DATA ENVELOPMENT ANALYSIS ARTIFICIAL NEURAL

NETWORK (STUDI KASUS: PT. KPC)

Gary Adiwangsa Utoro, Moses Laksono Singgih

Jurusan Teknik Industri
Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Kampus ITS Sukolilo Surabaya 60111
Email: garyutoro@gmail.com ; moses@ie.its.ac.id

ABSTRAK
PT. Kaltim Prima Coal (KPC) adalah perusahaan tambang batubara terbuka terbesar di
dunia khususnya dalam hal pemindahan material overburden (overburden removal) dan batubara.
KPC mempunyai sejumlah pit tambang yang beroperasi di area penambangan Sangatta yang
ditambang langsung oleh KPC maupun kontraktornya. Target produksi perusahaan tiap tahun
yang terus ditingkatkan mengharuskan perusahaan untuk terus meningkatkan efisiensi proses
penambangan yang ada di tiap pitnya. Efisiensi menjadi penting karena fakta menunjukkan bahwa
data trend operating cost di salah satu pit cenderung meningkat dari Januari 2009 hingga
Februari 2011. Namun, jumlah batu bara yang ditambang, sebagai sumber profit perusahaan,
cenderung menurun.
Penelitian ini bertujuan untuk menentukan variabel yang berpengaruh signifikan terhadap
efisiensi pit pit perusahaan. Setelah variabel ditetapkan, maka dilakukan pengukuran efisiensi
pit pit perusahaan dengan menggunakan integrasi Data Envelopment Analysis Artificial
Neural Network untuk dibandingkan hasilnya dengan DEA murni. DEA ANN bisa memberikan
solusi di dalam cara penetapan target perbaikan agar pit yang kurang efisien bisa lebih efisien.
Berdasarkan hasil uji korelasi didapatkan bahwa variabel variabel yang berpengaruh
terhadap efisiensi pit adalah untuk variabel input terdiri dari blasting cost, total time, jumlah alat
berat, dan manpower; sedangkan untuk variabel output adalah coal mined. Perbandingan hasil
perbaikan yang diperoleh menunjukkan bahwa DEA ANN bisa menjadi komplementer bagi DEA
karena perhitungan efisiensi maupun penetapan target perbaikan DEA ANN, berbeda dengan
DEA murni, yaitu berdasarkan time series. Penetapan target perbaikan yang bisa dilakukan
didasarkan pada perhitungan dan pertimbangan hasil metode DEA dan DEA ANN yang paling
relevan dan mungkin untuk dilakukan di lapangan. Penetapan perbaikan yang dilakukan pada
DMU 1, sebagai contoh, adalah blasting cost sebesar $772.997, total time sebesar 20.211 jam,
jumlah alat berat tetap pada level 45 unit, manpower sebesar 295 orang, dan coal mined sebesar
181.919 ton.

Kata kunci: Efisiensi, Data Envelopment Analysis, Artificial Neural Network

ABSTRACT
PT. Kaltim Prima Coal (KPC) is the largest open pit coal mining company in the world,
especially in terms of overburden removal and coal mined. KPC has several number of pit
operation in the mining area, Sangatta, which is mined directly by KPC and its contractors.
Companys production target that continually increased each year requires efficiency
improvement of the mining process in each pit. Efficiency is important because the fact shows that
the operating cost indicated an increasing trend from January 2009 to February 2011 based on
data from one of its pit. However, the amount of coal mined is relatively stable with no significant
increasing even decreasing.
This study aims to determine the variables that significantly influence the efficiency of the
pit. After the variables are set, the pits efficiency is measured using integration of Data
Envelopment Analysis Artificial Neural Network method. The result is compared to pure DEA.
DEA ANN can provide solutions in the way of setting improvement targets that are less efficient
so that the pit could be more efficient.
Results, obtained from correlation test, found the variables that affect the efficiency of the pit.
The input variables consist of blasting costs, total time, number of heavy equipment, and
manpower. While, the output is coal mined. DEA ANN could be a complementary to the DEA
because it calculates efficiency score by time series which is different with DEA. Improvement
target setting is based on calculation and consideration from DEA and DEA ANN method which

1
 is the most reasonable to be applied. Improvement could be performed by DMU 1, for example, is
blasting cost of $ 772.997, the total time of 20.211 hours, the amount of heavy equipment remain
at 45 units, manpower of 295 people, and 181.919 tons of coal mined.

Keywords: Efficiency, Data Envelopment Analysis, Artificial Neural Network

perusahaan untuk terus meningkatkan efisiensi

1. Pendahuluan
proses penambangan yang ada di tiap pitnya.
Perkembangan dunia industri saat ini
Pemindahan overburden yang memakan
semakin pesat seiring dengan laju arus
waktu, tidak bernilai ekonomis, dan
globalisasi yang terus berjalan. Perkembangan
membutuhkan cost yang tidak sedikit, namun
ini berdampak pada kebutuhan akan energi yang
harus tetap dilakukan, mengharuskan
terus meningkat. Batu bara merupakan salah
perusahaan untuk melakukan proses
satu sumber energi yang banyak dipakai untuk
penambangan yang lebih efisien agar
pembangkit energi listrik dan industri besar
menghemat operating cost. Penghematan
lainnya. Konsumsi batu bara yang meningkat
operating cost akan berdampak pada
menyebabkan perusahaan tambang batu bara
meningkatnya profit margin perusahaan.
harus terus meningkatkan kinerjanya untuk
Permasalahan tersebut memicu pentingnya
meningkatkan produktivitas di dalam memenuhi
efisiensi di dalam melakukan proses tambang.
permintaan batu bara di dunia. Produktivitas
Salah satu metode untuk mengukur efisiensi
merupakan hal yang sangat penting bagi
adalah Data Envelopment Analysis (DEA). DEA
perusahaan sebagai alat untuk mengukur kinerja
digunakan untuk mengevaluasi efisiensi relatif
produksi dan dapat dijadikan sebagai pedoman
dari unit unit analisa yang disebut dengan
untuk melakukan perbaikan secara terus
Decision Making Unit (DMU). DMU yang
menerus (continuous improvement). Hal ini
efisien digunakan sebagai acuan benchmarking
terkait dengan daya saing perusahaan untuk
bagi DMU yang belum efisien. DEA sangat
terus berkompetisi yang mengakibatkan analisis
cocok diterapkan untuk mengevaluasi proses
performansi menjadi salah satu perhatian bagi
tambang yang ada karena tambang mempunyai
pihak management. Top management ingin
banyak pit yang bisa dibandingkan efisiensinya.
mengidentifikasi dan mengurangi inefisiensi
DEA juga mampu mengakomodasi beda satuan
yang terjadi di perusahaan untuk mendapatkan
pengukuran yang dipakai di tambang.
competitive advantage.
Permasalahan efisiensi yang ada di tambang
PT. Kaltim Prima Coal (KPC) adalah
bersifat non linear dan kompleks. Oleh sebab
perusahaan tambang batubara terbuka terbesar
itu, Artificial Neural Network (ANN) sangat
di dunia khususnya dalam hal pemindahan
berguna untuk membantu di dalam menghadapi
material overburden (overburden removal) dan
permasalahan tersebut. Kemampuan ANN di
batubara. Perusahaan yang mulai beroperasi di
dalam mempelajari pola tanpa memperhatikan
tahun 1991 ini terus berekspansi dan
hubungan antar input dan output menjadi
meningkatkan jumlah produksinya tiap tahun.
keungulannya. ANN juga bisa melengkapi
Perusahaan ini mempunyai tiga belas divisi
kekurangan DEA di dalam melakukan prediksi
yang mempunyai lingkup masing masing.
efisiensi. ANN diharapkan mampu melakukan
Dalam kegiatan penambangan, coal mining and
pengukuran efisiensi yang jauh lebih baik lagi
processing merupakan kegiatan inti perusahaan
dibandingkan dengan DEA murni.
di dalam memenuhi demand dari customer.
KPC mempunyai sejumlah pit tambang yang
2. Metodologi Penelitian
beroperasi di area penambangan Sangatta yang
Terdapat beberapa tahapan dalam
ditambang langsung oleh KPC maupun
metodologi ini, yaitu tahap identifikasi dan
kontraktornya. Juni 2005, operasi penambangan
perumusan masalah, pengumpulan data,
diperluas sampai Bengalon yang berjarak sekitar
pengolahan data, analisis dan pembahasan, serta
25 Km sebelah utara Sangatta. Operasi tambang
kesimpulan.
Bengalon dikontrakkan kepada PT. Darma
Henwa. Target produksi perusahaan tiap tahun
yang terus ditingkatkan mengharuskan

2
2.1 Tahap Identifikasi dan Perumusan
Masalah
Tahapan ini dimulai dengan mengenal
perusahaan secara umum sebagai perusahaan
tambang dan mengeksplor lebih dalam kegiatan
tambang yang terjadi di lapangan. Kemudian
dapat dilakukan pengidentifikasian masalah dan
penentuan tujuan penelitian, dimana dalam hal
ini permasalahan dapat diidentifikasi sebagai
seberapa besar efisiensi dari proses coal mined
di lapangan. Setelah itu, permasalahan tersebut
dirumuskan hingga memperoleh rencana
penyelesaian. Studi literatur dilakukan guna
memperkuat dasar penyelesaian.
2.2 Tahap Pengumpulan Data
Adapun data yang akan digunakan pada
penelitian adalah data kuantitatif yang terdapat
pada tiap pit yang dikelola di masing masing
departemen perusahaan untuk pengukuran awal
Data Envelopment Analysis. Data tersebut
antara lain:
a. Blasting cost ($) (Input)
b. Total time (jam) (Input)
c. Total Equipment (unit) (Input)
d. Manpower (orang) (Input)
e. Coal mined (ton) (Output)
2.3 Tahap Pengolahan Data
Setelah data yang diperlukan diperoleh
kemudian dilakukan pengolahan data melalui
tahapan berikut.
2.3.1 Perhitungan Korelasi
Sebelum dilakukan perhitungan dan
pengolahan menggunakan metode DEA ANN
maka tahap awal yang dilakukan adalah
menentukan variabel variabel apa saja yang
memiliki korelasi dan menghitung tingkat
korelasinya. Syarat suatu data input bisa
digunakan pada DEA adalah independen
terhadap satu sama lain sehingga nilai korelasi
haruslah kecil.
2.3.2 Pengolahan Data DEA
Pada penelitian ini digunakan metode
DEA CRS input oriented. Metode ini
mengidentifikasikan ketidakefisienan dan
memberikan target perbaikan dengan
meminimasi input dan mempertahankan output
yang dihasilkan.
DEA CRS input oriented
(1)
(2)
(3)
(4)
Dimana:
DMUo = salah satu dari n DMU yang diukur
xij = input ke i dari DMU ke j
yrj = output ke r dari DMU ke j
xio = input ke i untuk DMUo
yro = output ke r untuk DMUo
j = bobot
si--, sr+ = slack
2.3.3 Pengolahan Data Artificial Neural
Network
Hasil yang diperoleh perhitungan DEA
adalah skor efisiensi dari tiap DMU yang
dibandingkan. Variabel input dan output DEA
digunakan sebagai input bagi ANN dan target
pelatihan network yang ingin dicapai ANN
adalah nilai efisiensi yang dihasilkan DEA.
Pelatihan network digunakan untuk mencari
kombinasi terbaik dari penggunaan jumlah
node, delay, dan proporsi data. Kombinasi
terbaik adalah network hasil pelatihan yang
menghasilkan nilai MSE terkecil.
2.3.4 Penetapan Target Perbaikan
Penetapan target yang dilakukan
berdasarkan hasil yang diperoleh dari
perhitungan dua metode, yaitu DEA dan DEA
ANN. Penetapan target perbaikan pada metode
DEA input oriented dilakukan DMU yang tidak
efisien dengan melakukan penurunan variabel
input dan peningkatan variabel output sebesar
slack variable yang didapat dari perhitungan
DEA CRS.
(5)
Sedangkan metode DEA ANN
menetapakan target perbaikan dengan mengikuti
referensi input output DMU pada bulan yang
paling efisien (nilai efisiensi tertinggi).
2.4 Tahap Analisis dan Pembahasan
3
Pada tahap ini dilakukan analisis mengenai hasil nilai dan slack variable dari masing masing
perhitungan korelasi, hasil pelatihan network DMU baik input maupun output. Berikut ini
ANN, dan hasil yang diperoleh metode DEA disajikan rekapitulasi hasil perhitungan:
dan DEA ANN ditinjau dari skor efisiensi
yang dihasilkan dan cara penentuan target Tabel 2. Rekapitulasi skor efisiensi DEA CRS
perbaikannya.
DMU DMU
Bulan DMU 3 DMU 4 DMU 5
1 2
2.5 Tahap Kesimpulan dan Saran
0,9543 0,58179 0,60840
Setelah melakukan analisis, hasil Jan 2009
67
1
3 2
1

pengolahan data tersebut ditarik kesimpulan Feb 2009 1

0,844 0,64507 0,78848
1
2 6 4
kesimpulan untuk menjawab tujuan dari 0,42334 0,56473
penelitian tugas akhir ini. Setiap kesimpulan Mar 2009 1 1
1 3
1

harus sesuai dengan tujuan sebelumnya. Apr 2009 1

0,716 0,66462 0,47837
1
169 8 1
Sedangkan manfaat yang diekspektasikan 0,9645 0,57405
diterima oleh perusahaan tetapi belum tercapai May 2009
98
1 1
2
1

sepenuhnya dapat dituangkan dalam saran Jun 2009 1

0,906
1
0,45175
1
145 7
perbaikan. 0,9436 0,698 0,68513 0,77851
3. Pengumpulan dan Pengolahan Data Jul 2009
68 748 6 3
1

Dalam tahap ini, setelah melakukan Aug 2009 1 1 1

0,72136
6
1
peninjauan langsung ke lapangan, spesifikasi 0,6749 0,78337 0,66502
Sep 2009 1 1
data yang akan digunakan untuk mendukung 01 3 2

penelitian ini didapatkan berdasarkan Oct 2009

0,9303
1 1
0,72100
1
22 4
brainstorming dengan tenaga ahli di perusahaan 0,7671 0,973
Nov 2009 1 1 1
maupun berdasarkan jurnal penelitian yang telah 9 126
0,7683 0,94092
disesuaikan dengan kondisi di perusahaan. Dec 2009
94
1 1
4
1

0,7624 0,872
Jan 2010 1 1 0,80453
3.1 Klasifikasi DMU 78 685
0,6614 0,54531
Untuk proses pengolahan data, diperlukan Feb 2010
32
1 1 1
7
pemilihan pit pit yang ingin dibandingkan. Pit Mar 2010
0,7709 0,705
1 1
0,98787
yang dipilih adalah yang sudah mencapai proses 67 22 8
0,563 0,67190
overburden removal dan coal mined. Setelah Apr 2010 1
145
1 1
9
dipilih, selanjutnya pit diklasifikasikan ke dalam May 2010
0,5888 0,293
1 1 1
DMU. Pengklasifikasianya adalah sebagai 77 379
0,861 0,98186
berikut: Jun 2010 1
661
1 1
4
Tabel 1. Klasifikasi DMU 0,8226 0,95316 0,75037
Jul 2010 1 1
97 2 2
DMU Pit Departemen Aug2010
0,8600 0,860
1 1
0,48985
68 211 2
1 Pit J Pit J 0,8141 0,817 0,21236
Sep 2010 1 0,75023
2 Pit AB Hatari 92 235 1

3 Pit Khayal Contract mining A Oct 2010

0,6454
2
0,514
586
0,67676
3
1 1
4 Pit Bendili Bintang Nov2010
0,6553 0,751 0,97875
1 1
5 Pit Melawan Contract mining A 66
0,5762
449
0,474
7
Dec 2010 1 1 1
65 903
3.2 Model DEA Constant Return to Scale Jan 2011
0,6488 0,503 0,21597
1 1
92 545 5
Model DEA Constant Return to Scale 0,7381 0,541 0,99282
Feb 2011 1 1
(CRS) digunakan dengan asumsi kasus input 46 805 8
output non linear didekati dengan pendekatan
linear. Model ini diolah dengan software 3.3 Rancangan Pelatihan Tiap DMU / Pit
LINGO 8. Sebelum diolah, dilakukan uji Berikut ini merupakan rancangan yang
korelasi. Hasil pengujiannya menunjukkan digunakan sebagai skenario penelitian yang
bahwa korelasi yang terjadi antar variabel kecil diolah dengan software MATLAB. Skenario
sehingga bisa diolah pada proses selanjutnya. yang dipakai adalah skenario dengan MSE
Hasil perhitungan LINGO yang didapat adalah terkecil. Kemudian melalui network yang

4
terbentuk dengan parameter tersebut akan [Y, Pf, Af, E, perf] = sim (net, P, Pi, Ai, T) (6)
digunakan sebagai simulasi prediksi efisiensi di
tiap pit pada bulan bulan selanjutnya. Keterangan:
Net = network
Jumlah layer =3 P = network inputs
Jumlah node tiap layer Pi = initial input delay conditions
o Hidden = 1, 2, 3,, 10 Ai = initial layer delay conditions
o Output =1 T = network targets
Delay = 2, 3, 4, 5
Proporsi = 80;10;10, Bulan yang diujikan untuk memprediksi
70;15;15 efisiensi adalah sepanjang 6 bulan terakhir dari
Fungsi pembelajaran = Levenberg data yang ada. Alasan pemilihannya adalah
Marquardt karena range skor efisiensi pada rentang waktu
Algoritma pembelajaran = tersebut akan lebih bervariasi dan mampu
Backpropagation memberikan gambaran hasil yang lebih
menyeluruh bagaimana DEA ANN
Pada umumnya, struktur data input masih diterapkan.
berupa data double. Data double tidak bisa Tabel 3 Tabel 7 menunjukkan hasil
diproses pada network time series tool, sehingga perhitungan DEA ANN di tiap tiap DMU.
strukturnya harus diubah terlebih dahulu Pada DMU 1, bulan November 2010 merupakan
menjadi cell array karena urutan data sangat bulan yang paling efisien dalam rentang waktu 6
berpengaruh. Syntax yang digunakan untuk bulan terakhir. Target perbaikan yang ditetapkan
mengubah data double menjadi cell array di bulan berikutnya untuk DMU 1 pun mengacu
adalah sebagai berikut: input dan output yang digunakan pada bulan
a. Terdapat satu data dalam sebuat timesteps November 2010. Hal yang sama diterapkan
>> datacell = num2cell(datadouble); pada DMU lainnya. DMU 2 mengacu pada
b. Terdapat lebih dari satu data dalam sebuah bulan September 2010. DMU 3 mengacu pada
timesteps bulan Februari 2011. DMU 4 mengacu pada
>> datacell = cell (1,26); bulan Oktober 2010. Terakhir, DMU 5 mengacu
>> for n = 1:26 pada bulan November 2010.
Datacell{1,n} = [datadouble(1,n);
datadouble(2,n);]; Tabel 3. Perbandingan Efisiensi DEA dan DEA -
End ANN DMU 1
Proses pelatihan network dilakukan berdasarkan Bulan DEA DEA - ANN
tiap pit / DMU. Hal ini dilakukan agar hasil Sep 2010 0,814192 1,1340
yang diperoleh bisa lebih akurat karena variasi Oct 2010 0,64542 1,1557
angka input di tiap pit berbeda beda. Setiap pit Nov 2010 0,655366 1,1856
memiliki kapasitas tertentu sehingga angka Dec 2010 0,576265 1,1287
input yang dimiliki pasti berbeda. Jan 2011 0,648892 1,1158
Dari hasil pelatihan kelima DMU, Feb 2011 0,738146 1,1166
didapatkan nilai MSE terkecil di tiap tiap
DMU urut dimulai dari DMU 1 hingga DMU 5 Tabel 4. Perbandingan Efisiensi DEA dan DEA -
sebesar 8,948E-04; 1,100E-02; 2,506E-03; ANN DMU 2
2,882E-03 dan 3,686E-05. Bulan DEA DEA - ANN
Sep 2010 0,817235 0,6627
3.4 Prediksi Efisiensi dengan Network Hasil Oct 2010 0,514586 0,6326
Pelatihan Nov 2010 0,751449 0,5123
Network yang telah dilatih dengan nilai Dec 2010 0,474903 0,3035
MSE terkecil berdasarkan DMU masing Jan 2011 0,503545 0,2090
masing digunakan untuk memprediksi efisiensi Feb 2011 0,541805 0,2055
DMU yang ada. Untuk menggunakan network
yang telah dlatih, syntax yang digunakan dapat
dilihat pada persamaan berikut.

5
 Tabel 5. Perbandingan Efisiensi DEA dan DEA - Tabel 9. Hasil penetapan target DMU 2
ANN DMU 3 Februari
September
Impro
Bulan DEA DEA - ANN Variabel 2010
2011 ve (%)
(Acuan)
Sep 2010 0,212361 1,0053 Blasting cost 772.997 1.226.989 -
Oct 2010 0,676763 0,9720 Total time 20.211 29.331 -
Nov 2010 0,978757 0,9888 Jumlah Alat
34 45 -
Dec 2010 1 0,9909 Berat
Jan 2011 0,215975 0,9731 Manpower 239 295 -
Feb 2011 0,992828 1,0151 Coal mined 89.178 181.919 103%

Tabel 6. Perbandingan Efisiensi DEA dan DEA - Tabel 10. Hasil penetapan target DMU 3
ANN DMU 4 Februari
Improve
Bulan DEA DEA - ANN Variabel - 2011
(%)
(Acuan)
Sep 2010 1 0,9866
Blasting cost - 886.890 -
Oct 2010 1 0,9869
Total time - 18.954 -
Nov 2010 1 0,9865 Jumlah Alat Berat - 17 -
Dec 2010 1 0,9868 Manpower - 331 -
Jan 2011 1 0,9862 Coal mined - 112.331 -
Feb 2011 1 0,9800
Tabel 11. Hasil penetapan target DMU 4
Tabel 7. Perbandingan Efisiensi DEA dan DEA - Oktober
ANN DMU 5 Februari Improve
Variabel 2010
2011 (%)
Bulan DEA DEA - ANN (Acuan)
Sep 2010 0,75023 1,1796 Blasting cost 1.913.161 3.742.957 -
Oct 2010 1 1,1907 Total time 72.031 83.134 -
Jumlah Alat Berat 117 122 -
Nov 2010 1 1,2403
Manpower 730 711 2,6%
Dec 2010 1 1,2074 Coal mined 474.584 909.799 91,71%
Jan 2011 1 1,1707
Feb 2011 1 1,1629
Tabel 12. Hasil penetapan target DMU 5
3.5 Penetapan Target Perbaikan Metode November
Februari Improve
DEA ANN Faktor
2011
2010
(%)
Penetapan target perbaikan untuk input (Acuan)
maupun output di tiap DMU dapat dicapai Blasting cost 2.641.112 6.878.886 -
melalui referensi pada bulan yang efisien di Total time 52.715 36.570 30,63%
DMU tersebut. Bulan yang dinilai paling baik Jumlah Alat Berat 77 81 -
dan efisien dijadikan referensi untuk bulan Manpower 466 478 -
berikutnya agar bisa menjadi sama atau lebih Coal mined 512.469 890.492 73,77%
baik dan efisien lagi. Nilai target perbaikan
untuk DMU 1, DMU 2, DMU 3, DMU 4, dan 3.6 Penetapan Target Perbaikan Metode
DMU 5 dapat dilihat melalui perhitungan pada DEA
Tabel 8 Tabel 12. Penetapan target perbaikan untuk input
maupun output dapat dicapai melalui
Tabel 8. Hasil penetapan target DMU 1 perhitungan slack variable dimana koefisien
Februari
November
Improve dari slack variable diperoleh dari hasil
Variabel 2010 pengolahan DEA CRS sebelumnya dengan
2011 (%)
(Acuan)
Blasting cost 1.754.479 3.693.555 -
menggunakan software LINGO 8. Tujuannya
Total time 36.922 45.299 - adalah untuk membandingkan target perbaikan
Jumlah Alat Berat 61 70 - yang dihasilkan metode DEA dengan metode
Manpower 432 467 - DEA ANN. Berikut ini disajikan rekapitulasi
Coal mined 255.579 356.404 39,45% hasil perhitungan di bulan Februari 2011:

6
 Tabel 13. Hasil perhitungan DEA CRS 4.1 Analisis Perbedaan Hasil Efisiensi DEA
dan DEA ANN
DMU Nilai z Slack variable Berdasarkan rekapitulasi pada Tabel 3
1 0,738146 Si1 = 0,5758277 Tabel 7 menunjukkan bahwa ANN mampu
Si3 = 4,728351 mengikuti pola skor efisiensi yang dihasilkan
Si4 = 74,08415 oleh DEA berdasarkan variabel input pada DEA
2 0,541805 Si3 = 1,523985 per bulannya di tiap DMU. Lebih dari itu, ANN
Si4 = 25,55098 juga menghasilkan hasil prediksi efisiensi yang
3 0,992828 Si1 = 301609 lebih baik dan lebih akurat dibandingkan dengan
Si2 = 7263,157 DEA.
Si4 = 226,4808 Pengujian network hasil pelatihan akan
4 1 - menghasilkan nilai efisiensi yang lebih akurat
5 1 - karena lebih sensitif terhadap pola masukan
yang serupa (tapi tidak sama dalam hal besaran
Berdasarkan hasil perhitungan DEA CRS nilainya). Hal inilah yang membedakan dengan
yang terekapitulasi pada Tabel 13, dapat metode DEA. DEA menetapkan skor efisiensi
diketahui bahwa DMU yang tidak efisien adalah tertinggi adalah 1. Hal ini disebabkan karena
DMU 1, DMU 2, dan DMU 3 dikarenakan perbedaan cara perhitungan.
ketiga DMU ini memiliki nilai efisiensi kurang DEA menggunakan program linear yang
dari satu. Slack variable yang dihasilkan dari dibatasi oleh konstrain konstrain. Konstrain
perhitungan digunakan untuk melakukan merupakan penjumlahan dari perkalian nilai
perhitungan penetapan perbaikan. input ataupun output sejenis di tiap DMU
dengan variabel bobot yang dibatasi oleh nilai
Tabel 14. Hasil penetapan target DMU 1 input dan output DMU yang ditinjau. Konstrain
Improve
Faktor Aktual Target
(%)
ini berfungsi agar nilai efisiensi tidak bisa
Blasting melebihi 1. Konstrain yang terdiri dari nilai
1.754.479 1.295.061 26,19%
cost input ataupun output DMU DMU yang
Jumlah alat
61 40 33,33% dibandingkan menyebabkan nilai efisiensi yang
berat diperoleh pun berdasarkan bobot relatif terhadap
Manpower 432 245 43,29%
DMU yang ada. Sedangkan ANN menggunakan
algoritma backpropagation untuk melatih
Tabel 15. Hasil penetapan target DMU 2 network di tiap DMU dengan mempelajari input
Improve dari DEA untuk dikenali polanya dan
Faktor Aktual Target
(%) menyesuaikan bobotnya sehingga target berupa
Jumlah alat
34 17 50% skor efisiensi seperti pada DEA diperoleh.
berat Dari kedua metode tersebut, terlihat bahwa
Manpower 239 104 56,49%
DEA merupakan efisiensi relatif yang
menyebabkan nilai efisiensi bernilai maksimal
Tabel 16. Hasil penetapan target DMU 3 1. ANN yang berorientasi pada masing masing
Improve DMU mampu menghasilkan nilai efisiensi lebih
Faktor Aktual Target
(%) dari 1 karena tidak tergantung terhadap DMU
Blasting yang lainnya dan lebih sensitif terhadap
886.890 578.920,23 34,73%
cost
perubahan nilai input. Batasan maksimal nilai
Total time 18.954 11.554,91 39,04%
Manpower 331 102 69,18% efisiensi pada DEA inilah yang
membedakannya dengan ANN.
4. Analisis dan Pembahasan
Bagian ini akan memaparkan analisis 4.2 Analisis Penetapan Target Perbaikan
mengenai perbandingan hasil perhitungan Metode DEA ANN
efisiensi di antara kedua metode yang digunakan ANN mempunyai perbedaan dengan DEA
dalam penelitian ini. di dalam penetapan target perbaikan. Pada DEA
penetapan target dilakukan berdasarkan slack
variable hasil perhitungan. Slack variable
didapatkan bedasarkan acuan pada DMU yang
efisien. Namun hal tersebut tidak dapat

7
dilakukan pada ANN karena pada penelitian ini,
ANN hanya berfungsi sebagai tool prediksi
efisiensi. Perhitungan dengan ANN pun tidak
tergantung antar DMU. Hal ini menyebabkan
perbaikan yang dilakukan di DMU dilakukan
berdasarkan acuan pada bulan yang efisien di
DMU tersebut. Dengan mengacu pada bulan
yang efisien diharapkan perusahaan bisa
menetapkan standar input dan output yang harus
dicapai pada bulan berikutnya sehingga efisiensi
ikut meningkat.
4.3 Analisis Penetapan Target Perbaikan
Metode DEA
Bedasarkan hasil perhitungan DEA
didapatkan tiga DMU yang belum mencapai
nilai optimal atau tidak efisien. DMU tersebut
adalah DMU 1, DMU 2, dan DMU 3. Penetapan
target perbaikan diperlukan agar kedua DMU
tersebut menjadi efisien. Penetapan target
perbaikan didasari pada nilai slack variable
yang didapatkan dari perhitungan DEA CRS.
Tabel 17. Hasil perhitungan DEA CRS
DMU Nilai z Slack variable
1 0,738146 Si1 = 0,5758277
Si3 = 4,728351
Si4 = 74,08415
2 0,541805 Si3 = 1,523985
Si4 = 25,55098
3 0,992828 Si1 = 301609
Si2 = 7263,157
Si4 = 226,4808
4 1 - yang berbeda beda dan performanya tidak bisa
5 1 - dipaksakan untuk sama dengan DMU acuan.
Dari tabel di atas didapatkan nilai efisiensi dari
DMU 1 adalah 0,738146; nilai efisiensi untuk
DMU 2 adalah 0,541805; dan nilai efisiensi
untuk DMU 3 adalah 0,992828 yang berarti
ketiga DMU ini tidak efisien, agar menjadi
efisien maka perlu dilakukan perbaikan pada
variabel variabel mengandung nilai slack
variable. Pada penetapan perbaikan nantinya
untuk variabel input akan dilakukan penurunan
sebesar nilai slack variable sedangkan pada
variabel output akan dilakukan peningkatan
sebesar nilai slack variable.
4.4 Analisis Perbedaan Penetapan Target
Perbaikan DEA dan DEA ANN
Metode DEA menghasilkan nilai efisiensi
dengan slack variable berdasarkan DMU
DMU yang dibandingkan. Slack variable terjadi
apabila rasio output per input yang dihasilkan
oleh suatu DMU masih belum efisien
dibandingkan rasio output per input DMU
lainnya Hal ini menyebabkan nilai efisiensi
DMU tersebut belum mencapai 1. Apabila nilai
efisiensi DMU tersebut sudah mencapai 1 maka
target perbaikan tidak perlu dilakukan lagi.
Berbeda dengan DEA, metode DEA
ANN menghasilkan nilai efisiensi secara time
series (dalam kasus ini bulan per bulan) dari
DMU itu sendiri tanpa tergantung DMU yang
lainnya. Metode ini juga memberikan cara bagi
DMU untuk bisa meningkatkan efisiensinya.
Dari perhitungan yang dilakukan pada sub bab
4.2.4 dan 4.2.5 terdapat perbedaan di dalam
penetapan target perbaikan oleh DEA dan DEA
ANN. Metode DEA menetapkan target
perbaikan berdasarkan slack variable yang
dihasilkan dari perhitungan sedangkan metode
DEA ANN menetapkan target perbaikan
berdasarkan acuan input dan output yang
menghasilkan skor efisiensi terbaik dari DMU
tersebut.
Perbedaan dalam penetapan target
perbaikan dari dua metode tersebut menjadi hal
yang bisa dikombinasikan. Metode DEA ANN
bisa menjadi komplementer bagi DEA.
Penetapan target perbaikan DEA yang mengacu
pada DMU DMU yang dibandingkan
terkadang menghasilkan target yang kurang
relevan dengan kemampuan DMU itu sendiri.
Hal ini dikarenakan tiap DMU memiliki
kemampuan menghasilkan input dan output
Kelemahan tersebut bisa diisi oleh DEA ANN
yang memberikan target perbaikan yang lebih
relevan berdasarkan kemampuan dan kapasitas
DMU itu sendiri.
Sebagai contoh ilustrasi untuk
menggambarkan hasil penetapan target
perbaikan DEA yang kurang relevan adalah
sebagai berikut:
8
Tabel 18. Perbandingan target perbaikan 2 metode di Tabel 21. Perbandingan target perbaikan 2 metode di
DMU 1 bulan Februari 2011 DMU 4 bulan Februari 2011
Target Target Target Target
Variabel Perbaikan Perbaikan Keputusan Variabel Perbaikan Perbaikan Keputusan
DEA DEA - AAN DEA DEA - AAN
Blasting cost 1.295.061 1.754.479 1.295.061 Blasting cost - 1.913.161 1.913.161
Total time 36.922 36.922 36.922 Total time - 83.134 83.134
Jumlah alat Jumlah alat
40 61 61 - 122 122
berat berat
Manpower 245 432 432 Manpower - 711 711
Coal Mined 255.579 356.404 356.404 Coal Mined - 909.799 909.799

Berdasarkan Tabel 17, bisa dilihat bahwa DEA

Tabel 22. Perbandingan target perbaikan 2 metode di
memberikan target perbaikan yang bila
DMU 5 bulan Februari 2011
diaplikasikan ke lapangan akan sangat sulit
Target Target
untuk dilakukan bahkan cenderung mustahil. Variabel Perbaikan Perbaikan Keputusan
Sebagai contoh, jumlah alat berat dikurangi DEA DEA - AAN
menjadi 40 unit saja untuk menghasilkan output Blasting cost - 2.641.112 2.641.112
berupa coal mined 255.579 ton. Jumlah alat Total time - 36.570 36.570
Jumlah alat
berat 40 unit tidak akan bisa menghasilkan berat
- 81 81
output sebanyak itu bila dilihat berdasarkan data Manpower - 478 478
2 tahun belakangan. Di sinilah kegunaan metode Coal Mined - 890.492 890.492
DEA ANN yang bisa memberikan
perbandingan penetapan target perbaikan. DEA 5. Kesimpulan
ANN dalam beberapa kasus mampu Berdasarkan dari semua proses penelitian,
memberikan saran target perbaikan yang lebih hasil yang dapat disimpulkan beberapa hal
relevan berdasarkan efisiensi secara time series sebagai berikut:
di suatu DMU. Sebagai contoh, dengan jumlah 1. Berdasarkan analisis korelasi, variabel
alat berat 61 unit masih dimungkinkan untuk variabel yang berpengaruh terhadap efisiensi
menghasilkan output berupa coal mined hingga pit adalah untuk variabel input terdiri dari
356.407 ton. Keputusan untuk menetapkan blasting cost, total time, jumlah alat berat,
target perbaikan di tiap DMU secara lengkap dan manpower; sedangkan untuk variabel
bisa dilihat pada kolom Keputusan di Tabel output adalah coal mined.
17, Tabel 18, Tabel 19, Tabel 20, dan Tabel 21. 2. Dari hasil pelatihan network di tiap DMU,
diambil nilai MSE pengujian terkecil untuk
Tabel 19. Perbandingan target perbaikan 2 metode di
digunakan dalam prediksi efisiensi di tiap
DMU 2 bulan Februari 2011
Target Target
DMU menggunakan ANN.
Variabel Perbaikan Perbaikan Keputusan a. MSE DMU 1: 8,948E-04
DEA DEA - AAN b. MSE DMU 2: 1,100E-02
Blasting
cost
772.997 1.226.989 772.997 c. MSE DMU 3: 2,506E-03
Total time 20.211 29.331 20.211 d. MSE DMU 4: 2,882E-03
Jumlah alat
17 45 45
e. MSE DMU 5: 3,686E-05
berat 3. Berdasarkan hasil yang diperoleh dari hasil
Manpower 104 295 295
Coal Mined 89.178 181.919 181.919 perhitungan efisiensi menggunakan metode
DEA dan DEA ANN dapat disimpulkan
Tabel 20. Perbandingan target perbaikan 2 metode di bahwa DEA ANN menjadi komplementer
DMU 3 bulan Februari 2011 bagi DEA karena perhitungan efisiensi
Target Target maupun penetapan target perbaikan DEA
Variabel Perbaikan Perbaikan Keputusan ANN berdasarkan time series.
DEA DEA - AAN
Blasting 4. Saran penetapan perbaikan yang bisa
578.920 886.890 578.920
cost dilakukan perusahaan untuk meningkatkan
Total time 11.554 18.954 11.554 efisiensi proses di tiap DMU didasarkan pada
Jumlah alat
berat
17 17 17 perhitungan dan pertimbangan hasil metode
Manpower 102 331 331 DEA dan DEA ANN sebagai berikut:
Coal Mined 112.331 112.331 112.331

9
 a. DMU 1
- Blasting cost sebesar US$ 1.295.061
- Total time sebesar 36.922 jam
- Jumlah alat berat sebesar 61 unit
- Manpower sebesar 432 orang
- Coal mined sebesar 356.404 ton
b. DMU 2
- Blasting cost sebesar US$ 772.997
- Total time sebesar 20.211 jam
- Jumlah alat berat sebesar 45 unit
- Manpower sebesar 295 orang
- Coal mined sebesar 181.919 ton
c. DMU 3
- Blasting cost sebesar US$ 578.920
- Total time sebesar 11.554 jam
- Jumlah alat berat sebesar 17 unit
- Manpower sebesar 331 orang
- Coal mined sebesar 112.331 ton
d. DMU 4.
- Blasting cost sebesar US$ 1.913.161
- Total time sebesar 83.134 jam
- Jumlah alat berat sebesar 122 unit
- Manpower sebesar 711 orang
- Coal mined sebesar 909.799 ton
e. DMU 5
- Blasting cost sebesar US$ 2.641.112
- Total time sebesar 36.570 jam
- Jumlah alat berat sebesar 81 unit
- Manpower sebesar 478 orang
- Coal mined sebesar 890.492 ton
6. Saran
Berdasarkan kesimpulan yang di dapat dari
penelitian ini, maka terdapat saran yang bisa
diajukan untuk perbaikan maupun
pengembangan penelitian ini ke depannya, yaitu
penelitian dengan metode yang sama bisa
dikembangkan untuk bidang yang berbeda,
contohnya adalah di bidang marketing maupun
supply chain & logistics.
7. Daftar Pustaka
Azadeh, A., Ghaderi, S. F., Anvari, M. &
Saberi, M. 2007. Performance assessment of
electric power generations using an adaptive
neural network algorithm. Energy Policy, 35,
3155 - 3166.
Banker, R. D., Charnes, A. & Cooper, W. W.
1984. Some models for estimating technical
and scale efficiencies in data envelopment
analysis. Management Science, 30, 1078 -
1092.
Celebi, D. & Bayrakatar, D. An integrated
neural network and data envelopment
analysis for suplier evaluation under
incomplete information. Expert Systems with
Applications, 35, 1698 - 1710.
Charnes, A., Cooper, W. & Rhodes, E. 1978.
Measuring the efficiency of decision making
units. European Journal of Operational
Research, 2, 429 - 444.
Fausett, L. 1994. Fundamentals of Neural
Network: Architectures, Algorithms, and
Applications, New Jersey, Prentice Hall.
Giovannini, E. & Nezu, R. 2001. Measuring
Productivity OECD Manual: Measurement
of Aggregate and Industry - Level
Productivity Growth
Liang, L. & Wu, D. 2005. An application of
pattern recognition on scoring Chinese
corporation financial conditions based on
backproagation neural network. Computers
and Operation Research, 32.
Mostafa, M. M. 2009. Modeling the efficiency
of top Arab banks: A DEA - neural network
approach. Expert Systems with Applications,
309-320.
Rumelhart, D. E. & McClelland, J. L. 1986.
Parallel Distributed Processing: Explorations
in the Microstructure of Cognition.
Foundation. Cambridge, MA: MIT Press.
Santosa, B. 2007. Data Mining: Teknik
Pemanfaatan Data untuk Keperluan Bisnis,
Yogyakarta, Graha Ilmu.
Siang, J. J. 2005. Jaringan Syaraf Tiruan &
Pemrogramannya Menggunakan MATLAB,
Yogyakarta, Penerbit ANDI.
Sozen, A., Menlik, T. & Unvar, S. 2008.
Determination of efficiency of flat - plate
solar collectors using neural network
approach. Expert Systems with Applications,
35, 1533 - 1539.
Sumanth, D. J. 1985. Productivity Engineering
and Management, New York, McGraw - Hill
Talluri, S. 2000. Data Envelopment Analysis:
Models and Extensions. Production /
Operation Management.
Tersine, R. J. 1994. Principles of Inventory and
Material Management, New Jersey, Prentice
Hall.
Wang, S. 2003. Adaptive non - parmetric
efficiency frontier analysis: A neural -
network - based model. Computer and
Operation Research, 30, 279 - 295.
10
Werbos, P. L. 1974. Beyond regressions: new
tools for prediction and analysis in the
behavior sciences. Ph.D Thesis, Harvard
University.
Wu, D., Yang, Z. & Liang, L. 2006. Using DEA
- neural network approach to evaluate branch
efficiency of a large Canadian bank. Expert
Systems with Applications, 31, 108-115.
Zhu, W. D. C. J. 2008. Data Envelopment
Analysis: Modeling Operational Processes
and Measuring Productivity, Lexington, KY.

11