Anda di halaman 1dari 85

UNIVERSITAS INDONESIA

MODEL PEMILIHAN SUPPLIER DENGAN MENGGUNAKAN


DATA ENVELOPMENT ANALYSIS (DEA) DAN
TEKNIK DATA MINING

TESIS

PEPY ANGGELA
1006735422

FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK INDUSTRI
DEPOK
JUNI 2012

Model pemilihan..., Pepy Anggela, FT UI, 2012


UNIVERSITAS INDONESIA

MODEL PEMILIHAN SUPPLIER DENGAN MENGGUNAKAN


DATA ENVELOPMENT ANALYSIS (DEA) DAN
TEKNIK DATA MINING

TESIS
Diajukan sebagai syarat untuk memperoleh gelar Magister Teknik

PEPY ANGGELA
1006735422

FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK INDUSTRI
DEPOK
JUNI 2012

Model pemilihan..., Pepy Anggela, FT UI, 2012


Model pemilihan..., Pepy Anggela, FT UI, 2012
Model pemilihan..., Pepy Anggela, FT UI, 2012
KATA PENGANTAR

Puji Syukur saya panjatkan kehadirat Allah SWT, karena atas rahmat dan
bimbinganNya penulis mampu menyelesaikan tesis ini dengan tepat waktu. Penulisan
tesis ini ditujukan untuk memenuhi salah satu syarat mendapatkan gelar Magister
Teknik Departemen Teknik Industri pada Fakultas Teknik Universitas Indonesia.
Penulis sangat menyadari bahwa tanpa adanya bimbingan dan bantuan dari berbagai
pihak, akan sangat sulit bagi penulis untuk dapat menyelesaikan tesis ini.
Melalui kesempatan ini pula perkenankanlah penulis untuk mengucapkan
terima kasih yang sebesar-besarnya kepada :
1. Ibu Ir. Isti Surjandari, Ph.D selaku Dosen Pembimbing 1, yang selalu
sabar dalam membimbing, mengarahkan, memotivasi, menyarankan,
memperbaiki, dan membantu setiap langkah penyusunan tesis ini.
2. Ibu Arian Dhini, ST., MT selaku Dosen Pembimbing 2, yang selalu
sabar dalam membimbing, mengarahkan, memotivasi, menyarankan,
memperbaiki, dan membantu setiap langkah penyusunan tesis ini.
3. Ibu Ir. Erlinda Muslim, MEE selaku Pembimbing Akedemik, yang
selalu memotivasi selama masa perkuliahan.
4. Bapak Djati Pratisto selaku staf Purchasing PT. TMMIN, yang telah
memberikan kesempatan kepada penulis untuk melakukan penelitian,
serta membantu pengambilan data.
5. Ibu Santi Anggarini, yang telah membantu penulis untuk mendapatkan
tempat penelitian.
6. Ayu, Dewi, Mb NJ, yang telah menjadi sahabat terbaik, tempat
berkeluh kesah, dan selalu menemani penulis menghadapi masa-masa
sulit dan senang selama 2 tahun ini.
7. Mas Selani, Mas Arif, Mb Yanti, Mb Ning, Mb Juni, Dimas, dan teman
- teman S2 TI UI Depok 2010 atas persahabatan dan kerjasamanya
yang luar biasa selama 2 tahun yang sangat mengesankan ini.

iv

Model pemilihan..., Pepy Anggela, FT UI, 2012


8. Mb Tities S2 TI UI Salemba 2010 yang telah membantu dan
kerjasamanya dalam penyelesaian tesis ini.
9. Keluarga besar tercinta Mama, Ayah, dan Dedek atas segala kasih
sayang dan dukungan yang diberikan. Terutama untuk Ibunda tercinta,
yang tidak henti-hentinya mendoakan penulis.
10. Aris Munandar atas kesetiaan, kesabaran, pengertian dan dorongan
yang telah diberikan kepada penulis.
11. Terakhir untuk pihak-pihak lain yang tidak bisa penulis sebutkan satu
persatu, terima kasih atas segala bantuannya.

Akhir kata, penulis menyadari bahwa tulisan ini masih sangat jauh dari
sempurna. Akan tetapi, penulis berharap agar kehadiran tesis ini bisa bermanfaat dan
berkontribusi bagi pegembangan ilmu pengetahuan.

Jakarta , 23 Juni 2012

Pepy Anggela

Model pemilihan..., Pepy Anggela, FT UI, 2012


Model pemilihan..., Pepy Anggela, FT UI, 2012
ABSTRAK

Nama : Pepy Anggela


Program Studi : Teknik Industri
Judul : Model Pemilihan Supplier dengan Menggunakan Data
Envelopment Analysis (DEA) dan Teknik Data Mining

Pemilihan supplier dengan mengukur performansi supplier adalah hal penting


yang harus dilakukan oleh perusahaan untuk memenangkan persaingan dengan
perusahaan lain dalam hal kepuasan pelanggan. Perhitungan performansi supplier
menggunakan DEA yang mampu mengevaluasi tingkat efisiensi relatif sebuah
DMU yang bersifat non parametrik dan multi faktor baik input maupun output.
Sedangkan dengan menggunakan teknik data mining yaitu dengan decision tree
dan neural network, untuk mendapatkan prediksi dari nilai efisiensi supplier.
Penelitian ini dilakukan pada sebuah perusahaan otomotif. Perusahaan saat ini
menggunakan 104 supplier untuk material tools. Penelitian ini dilakukan untuk
membantu perusahaan dalam mendapatkan framework dari suatu pemilihan
supplier yang sesuai dengan kriteria yang ditetapkan oleh perusahaan. Hasil
penelitian ini didapatkan bahwa model CRS-neural network memberikan hasil
yang lebih baik dibandingkan dengan decision tree. Ini telihat dari nilai error
yang lebih kecil yaitu 5.7 dibandingkan decision tree yang sebesar 6.7

Kata kunci : Pemilihan supplier, efisiensi relatif, data envelopment analysis,


decision tree, neural network

vii

Model pemilihan..., Pepy Anggela, FT UI, 2012


ABSTRACT

Name : Pepy Anggela


Study Program : Industrial Engineering
Title : Supplier Selection Model Using Data Envelopment Analysis
(DEA) and Data Mining Techniques

Supplier selection to measure supplier performance are important things to


be performed by the company to win the competition with other companies in
terms of customer satisfaction. Calculation of supplier performance using DEA is
capable of evaluating the relative efficiency of a DMU that is non-parametric and
multi factor inputs and outputs. While using data mining techniques, the decision
tree and neural network, to get the efficiency prediction of the supplier. The
research was conducted at a automotive company. The Company currently uses
104 suppliers for material tools. The study was conducted to assist companies in
getting the framework of a supplier selection in accordance with criteria
established by the company. The results of this study found that the CRS-neural
network models give better results than the decision tree. It is seen from the error
value that is 5.7 smaller than the decision tree for 6.7

Key words: Supplier selection, relative efficiency, Data Envelopment Analysis,


Decision Tree, Neural Network

viii

Model pemilihan..., Pepy Anggela, FT UI, 2012


DAFTAR ISI

HALAMAN JUDUL ....................................................................................... i

HALAMAN PERNYATAAN ORISINALITAS ............................................... ii

HALAMAN PERSETUJUAN ....................................................................... iii

KATA PENGANTAR ................................................................................... iv

HALAMAN PERSETUJUAN PUBLIKASI TUGAS AKHIR ....................... vi

ABSTRAK ..................................................................................................... vii

ABSTRACT .................................................................................................... viii

DAFTAR ISI ................................................................................................... ix

DAFTAR TABEL .......................................................................................... xii

DAFTAR GAMBAR ..................................................................................... xiii

DAFTAR LAMPIRAN ................................................................................... xv

BAB 1 PENDAHULUAN

1.1 Latar Belakang ..................................................................................... 1

1.2 Diagram Keterkaitan Masalah ............................................................. 3

1.3 Perumusan Masalah ............................................................................. 3

1.4 Tujuan Penelitian ................................................................................ 5

1.5 Ruang Lingkup Penelitian ................................................................... 5

1.6 Metodologi Penelitian ......................................................................... 5

1.7 Sistematika Penulisan .......................................................................... 6

BAB 2 TINJAUAN LITERATUR

2.1 Konsep Pembelian ............................................................................... 9

ix
Model pemilihan..., Pepy Anggela, FT UI, 2012
2.1.1 Manajemen Pembelian............................................................... 9

2.1.1.1 Strategi-Strategi Pembelian .............................................. 10

2.1.2 Manajemen Hubungan dengan Supplier ...................................... 12

2.2 Seleksi dan Evaluasi Supplier ............................................................... 13

2.2.1. Kriteria Pemilihan Supplier......................................................... 14

2.2.2. Metode Pemilihan Supplier ......................................................... 15

2.3 Konsep Pengukuran Efisiensi ............................................................... 18

2.3.1. Data Envelopment Analysis (DEA) ............................................. 18

2.3.2. Decision Making Unit (DMU)..................................................... 19

2.3.3. Konsep Dasar DEA..................................................................... 19

2.3.4. Model DEA ................................................................................ 20

2.3.4.1. Model CCR (Charnes-Cooper-Rhodes) ............................. 20

2.3.4.2. Model BCC (Banker-Charnes-Cooper) .............................. 22

2.3.4.3. Perbandingan Model CCR dan BCC .................................. 24

2.3.5. Keunggulan dan Kelemahan DEA............................................... 24

2.3.6. Pemilihan Variabel Input dan Output .......................................... 26

2.3.7. Pengolahan Data dengan Software EMS versi 1.3 ....................... 27

2.4 Data Mining ......................................................................................... 28

2.4.1. Teknik Data Mining .................................................................... 30

2.4.1.1. Classification .................................................................... 30

2.4.1.2. Clustering ......................................................................... 31

2.4.1.3. Decision Tree .................................................................... 31

2.4.1.4. Neural Network ................................................................. 32

2.4.1.4.1. Model Neuron.......................................................... 34

2.4.1.4.2. Single – Input Neuron .............................................. 35

x
Model pemilihan..., Pepy Anggela, FT UI, 2012
2.4.1.4.3. Multiple Input Neuron ............................................. 35

2.4.1.4.4. Arsitektur Neural Network ....................................... 36

2.4.1.4.5. Proses Pembelajaran pada Neural Network .............. 38

2.4.1.4.6. Backpropagation Multilayer Perceptron .................. 38

2.5 Pengolahan Data dengan Software WEKA 3.7.5 .................................. 40

BAB 3 PENGUMPULAN DAN PENGOLAHAN DATA

3.1 Profil Perusahaan ................................................................................ 43

3.1.1. Visi dan Misi Perusahaan ............................................................ 44

3.1.2. Struktur Organisasi ..................................................................... 44

3.1.3. Mekanisme Pembelian ................................................................ 49

3.2 Pengumpulan Data ............................................................................... 50

3.2.1. Penentuan Kriteria dan Atribut.................................................... 51

3.3 Pengolahan Data .................................................................................. 52

3.3.1. Pengolahan dengan Data Envelopment Analysis (DEA) .............. 52

3.3.2. Pengolahan dengan Teknik Data Mining .................................... 64

BAB 4 ANALISIS HASIL

4.1 Analisis Hasil Pengolahan Data Envelopment Analysis (DEA) ............. 66

4.2 Analisis Hasil Pengolahan Teknik Data Mining .................................. 67

BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan ..................................................................................... ...69

5.2 Saran ................................................................................................ ...69

DAFTAR REFERENSI .............................................................................. ...71

xi
Model pemilihan..., Pepy Anggela, FT UI, 2012
DAFTAR TABEL

Tabel 2.1 Kriteria Seleksi Supplier .................................................................... 15

Tabel 2.2 Review Metode Pemilihan Supplier ................................................... 16

Tabel 3.1 Variabel Input dan Output ................................................................. 53

Tabel 3.2 Skor Efisiensi .................................................................................... 63

Tabel 3.3 Nilai Test Error Data Mining ............................................................ 65

xii
Model pemilihan..., Pepy Anggela, FT UI, 2012
DAFTAR GAMBAR

Gambar 2.1 Proses – proses kunci terkait fungsi pengadaan ............................ 13

Gambar 2.2 Efficient Frontier DEA model CCR ............................................. 22

Gambar 2.3 Efficient Frontier DEA model BCC ............................................. 23

Gambar 2.4 Perbandingan Model CCR dan BCC ............................................ 24

Gambar 2.5 Hasil Pengolahan Data dengan Software EMS versi 1.3 ................ 28

Gambar 2.6 Tahap – tahap Data Mining........................................................... 29

Gambar 2.7 Bentuk dasar Neuron .................................................................... 33

Gambar 2.8 Model Neuron............................................................................... 34

Gambar 2.9 Single – Input Neuron ................................................................... 35

Gambar 2.10 Multiple – Input Neuron .............................................................. 36

Gambar 2.11 Arsitektur Dasar Neural Network ................................................ 36

Gambar 2.12 Single-Layer Neural Network ...................................................... 36

Gambar 2.13 Multilayer Perceptron Neural Network ....................................... 37

Gambar 2.14 Recurrent Perceptron Neural Network ........................................ 37

Gambar 2.15 Tampilan Layar Software WEKA 3.7.5 ....................................... 40

Gambar 2.16 Tampilan menu Explorer ............................................................ 41

Gambar 3.1 Struktur Organisasi PT. TMMIN .................................................. 48

Gambar 3.2 Purchasing sebagai jendela bagi outsource ................................... 49

Gambar 3.3 Mekanisme Pembelian di PT. TMMIN ......................................... 50

Gambar 3.4 Bagan Supplier di PT. TMMIN ..................................................... 51

Gambar 3.5 Model Keputusan DEA ................................................................. 54

xiii
Model pemilihan..., Pepy Anggela, FT UI, 2012
DAFTAR LAMPIRAN

LAMPIRAN 1. Kuesioner Penilaian Kemampuan Supplier


LAMPIRAN 2. Kuesioner Penilaian Kinerja Supplier
LAMPIRAN 3. Hasil Pengolahan Data Mining dengan Menggunakan Weka
3.7.5

xiv
Model pemilihan..., Pepy Anggela, FT UI, 2012
BAB 1
PENDAHULUAN

1.1 Latar Belakang


Rantai pasok (supply chain) merupakan suatu jaringan kompleks yang
terdiri dari seluruh tahap misalnya, pemesanan, pembelian, pengendalian
persediaan, manufaktur dan distribusi, yang terlibat dalam produksi dan
penyampaian produk/jasa akhir. Seluruh rantai menghubungkan pelanggan,
manufaktur dan supplier, yang dimulai dengan penciptaan bahan baku atau
komponen oleh supplier, dan berakhir dengan konsumsi produk oleh pelanggan
(Ting dan Cho, 2008).
Ketersediaan bahan baku berkualitas memegang peranan sangat penting
dari seluruh rangkaian kegiatan produksi suatu perusahaan industri terutama untuk
menghasilkan produk akhir yang berkualitas tinggi dan banyak diminati oleh
konsumen. Bahan baku suatu perusahaan industri dapat bervariasi dari satu jenis
hingga berbagai jenis harus disiapkan sebelum kegiatan proses produksi
dilaksanakan. Pada lingkungan yang sangat kompetitif, tidak mungkin bagi suatu
perusahaan untuk sukses, dengan menghasilkan biaya rendah dan produk yang
berkualitas tinggi tanpa adanya supplier yang memuaskan.
Menentukan bahan baku yang baik atau supplier yang tepat semakin
penting agar memperoleh bahan baku yang berkualitas tinggi. Permasalahan
dalam pemilihan supplier adalah tidak terstruktur, rumit, dan masalah keputusan
yang multi kriteria (Yang et al. 2008). Pemilihan supplier merupakan salah satu
kegiatan kritis pada manajemen pembelian dalam rantai pasok, karena kinerja
supplier berperan penting terhadap biaya, kualitas, pengiriman dan jasa dalam
mencapai tujuan dari sebuah rantai pasok (Amiri et al. 2008). Selama ini menurut
(Blocher et al. 2002), para manajer pembelian suatu perusahaan industri lebih
sering menggunakan pertimbangan faktor penawaran harga terendah untuk
memilih pemasok diantara para pemasok. Salah satu faktor lain yang juga
dominan digunakan adalah keinginan untuk segera memiliki dan memenuhi
kebutuhan persediaan (stock) bahan baku. Pengambilan keputusan dalam

1
UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


2

pemilihan supplier seperti ini dapat beresiko besar terhadap penggunaan bahan
baku saat perusahaan akan memulai kegiatan proses produksinya.
Pemilihan supplier yang digunakan merupakan kegiatan yang kompleks
karena melibatkan banyak kriteria. Dickson (1966) menyebutkan bahwa terdapat
23 kriteria dalam memilih supplier. Namun, tidak semua kriteria tersebut akan
digunakan oleh perusahaan. Beberapa kriteria yang umum dipakai adalah kualitas,
harga, kuantitas, ketepatan dan kecepatan pengiriman. Terdapat beberapa metode
yang dapat digunakan dalam pemilihan supplier. Dimana tujuan utama dari proses
pemilihan supplier adalah untuk mengurangi resiko pembelian, memaksimalkan
nilai keseluruhan untuk pembeli, dan membangun hubungan yang erat dan jangka
panjang antara pembeli dan supplier (Tahriri et al. 2008). Metode untuk pemilihan
supplier harus disesuaikan dengan kriteria-kriteria kinerja supplier yang
ditetapkan perusahaan dan faktor lain. Bahan baku perusahaan merupakan bahan
baku yang bersifat fluktuatif baik dari segi harga maupun ketersediaan. Sehingga,
dalam pemilihan supplier, seringkali digunakan pertimbangan dari fleksibilitas
supplier.
Kriteria-kriteria mungkin memiliki dimensi kuantitatif dan kualitatif.
Sebuah pendekatan strategis terhadap pembelian lebih lanjut, menekankan perlu
mempertimbangkan beberapa kriteria. Dalam kasus pemilihan supplier strategis,
Wu (2011) menekankan tidak hanya perlu untuk mempertimbangkan kriteria
tradisional seperti harga dan kualitas, tetapi juga jangka panjang dan kriteria
kualitatif seperti “strategic fit” dan penilaian dari kemampuan manufaktur di
masa depan.
PT. TMMIN menerapkan supply chain management (SCM), untuk tetap
mempertahankan misinya, yaitu unggul di bidang otomotif. Hal terpenting untuk
meraih kesuksesan pada SCM adalah melakukan manajemen terhadap supplier.
Selama ini pemilihan supplier di PT. TMMIN dilakukan oleh bagian purchasing,
dengan mempertimbangkan 4 hal, yaitu : harga, kualitas, pengiriman, dan
pelayanan.
Dalam hal ini perlu dilakukan rancangan pemilihan supplier yang tidak
hanya melibatkan preferensi perusahaan tetapi juga preferensi dari supplier itu
sendiri. Metode yang dipandang tepat untuk menyelesaikan masalah ini adalah

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


3

dengan Data Envelopment Analysis (DEA) dan Teknik Data Mining. Dimana
DEA merupakan suatu teknik pemrograman matematis, yang membangun sebuah
program linier untuk mengidentifikasi perbatasan produksi non parametrik. DEA
merupakan suatu alat manajemen untuk mengevaluasi tingkat efisiensi relatif
sebuah DMU (Decision Making Unit) yang bersifat non-parametrik dan multi
faktor baik input maupun output.
Dengan menggunakan DEA, kinerja untuk keseluruhan supplier dapat
dikategorikan ke dalam supplier yang efisien dan tidak efisien. Pengelompokkan
ini tidak hanya berdasarkan dari preferensi perusahaan saja, melainkan
berdasarkan preferensi dari supplier itu sendiri. Selanjutnya, untuk hasil evaluasi
dengan metode DEA, dengan bantuan teknik data mining yaitu Decision Tree dan
Neural Network maka bisa diprediksi model pemilihan supplier yang potensial
untuk masa yang akan datang. Dimana teknik data mining itu sendiri memiliki
kelebihan diantaranya adalah dapat mencakup permasalahan yang kompleks dan
penuh dengan ketidakpastian, serta memiliki fleksibilitas yang tinggi. Sehingga
akan membantu dalam penyelesaian masalah yang ada.

1.2 Diagram Keterkaitan Masalah


Berdasarkan latar belakang permasalahan diatas, maka dapat dibuat diagram
keterkaitan masalah yang menampilkan hubungan dari sub-sub permasalahan
secara visual dan sistematis mulai dari penyebab hingga tujuan yang akan dicapai.
Diagram keterkaitan masalah penelitian ini ditunjukkan oleh Gambar 1.1

1.3 Perumusan Masalah


Masalah yang dihadapi adalah mengenai diperlukannya suatu framework
dari pemilihan supplier yang sesuai dengan kriteria perusahaan, agar supplier
yang terpilih nantinya mampu melaksanakan kewajibannya menyediakan bahan
baku yang dibutuhkan perusahaan untuk proses produksinya.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


4

Gambar 1.1 Diagram Keterkaitan Masalah

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


5

1.4 Tujuan Penelitian


Tujuan dari penelitian ini adalah untuk mendapatkan framework dari
pemilihan supplier yang memiliki kinerja yang baik sesuai dengan kriteria yang
telah ditentukan perusahaan.

1.5 Ruang Lingkup Penelitian


Ruang lingkup penelitian dibatasi pada :
Penelitian dilakukan pada kegiatan pembelian tools pada yang dilakukan
oleh divisi purchasing di PT. TMMIN.
Data yang diambil merupakan data primer yang didapatkan dari hasil
kuesioner, dimana kuesioner diberikan kepada pihak perusahaan serta
masing-masing supplier.
Pengolahan data dilakukan dengan menggunakan Data Envelopment
Analysis (DEA), serta Teknik Data Mining, yaitu Decsision Tree dan
Neural Network.
Pemecahan masalah dibatasi hanya sampai dengan mendapatkan
framework dari pemilihan supplier.

1.6 Metodologi Penelitian


Pelaksanaan penelitian ini mengikuti tahap-tahap seperti tampak pada
Gambar 1.2. Dimana hal pertama yang dilakukan adalah identifikasi masalah
yaitu dalam hal pemilihan supplier. Selanjutnya dilakukan studi literatur
mengenai Metode Data Envelopment Analysis (DEA), Data Mining, dan teori
mengenai pemilihan supplier. Tahap ini sangat krusial karena terkait dengan
pemilihan metode atau teknik untuk menyelesaikan permasalahan yang dihadapi.
Langkah selanjutnya adalah pengumpulan data, yang diperlukan untuk
pengolahan data. Data yang tersebut didapatkan dari hasil penyebaran kuesioner,
dimana ada dua kuesioner yaitu penilaian kemampuan supplier yang diisi masing
– masing supplier dan penilaian kinerja supplier yang diisi oleh perusahaan.
Pengolahan data dilakukan dengan menggunakan metode Data
Envelopment Analysis (DEA), yang bertujuan untuk mengelompokkan supplier ke
dalam kelompok supplier yang efisien dan tidak efisien berdasarkan hasil skor

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


6

efisiensi. Kemudian selanjutnya dengan menggunakan data kinerja perusahaan


yang berkaitan untuk melatih teknik data mining yaitu Neural Network dan
Decision Tree, agar bisa memprediksi model supplier yang baru.
Dan yang terakhir adalah dilakukan analisis hasil pengolahan data, untuk
kemudian bisa menarik kesimpulan dari analisis tersebut. Selengkapnya
Metodologi Penelitian ini dapat dilihat pada gambar 1.2.

1.7 Sistematika Penulisan


Sistematika penulisan Tesis ini dibagi menjadi 5 Bab. Masing-masing Bab
berisi tentang :
Bab 1 - Pendahuluan. Bagian ini menjelaskan latar belakang permasalahan,
diagram keterkaitan masalah, perumusan masalah, tujuan penelitian, ruang
lingkup masalah, metodologi penelitian serta sistematika penulisan.
Bab 2 - Landasan Teori. Bagian ini menguraikan tinjauan literatur mengenai
teori pemilihan supplier, Metode Data Envelopment Analysis (DEA) dan teknik
Data Mining.
Bab 3 - Pengumpulan Data. Bagian ini menjelaskan mengenai data-data yang
berkaitan dalam pemilihan supplier, serta sumber data yang digunakan dan cara
mendapatkannya.
Bab 4 - Pengolahan Data dan Analisis. Bagian ini menjelaskan proses
pengolahan dan analisis data yang telah dilakukan dengan menggunakan Metode
Data Envelopment Analysis (DEA) dan teknik Data Mining
Bab 5 - Kesimpulan dan Saran. Bagian ini berisi kesimpulan dari hasil
penelitian dan saran-saran untuk penelitian berikutnya.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


7

Gambar 1.2 Diagram Alir Metodologi Penelitian

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


8

Gambar 1.2 Diagram Alir Metodologi Penelitian (lanjutan)

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


BAB 2
TINJAUAN LITERATUR

2.1 Konsep Pembelian


Purchasing atau pembelian merupakan kegiatan menyeluruh yang
berfokus pada pengadaan material dan jasa yang dibutuhkan untuk mencapai
tujuan organisasi. Dalam pandangan sempit, purchasing digambarkan sebagai
proses membeli, dalam arti luas purchasing didefinisikan sebagai proses
pembelian yang diawali dengan pengenalan kebutuhan, mencari dan menyeleksi
supplier, negosiasi harga dan kesepakatan penting lainnya, serta menindaklanjuti
kepastian pengiriman (Leenders et al. 1997).
Saat ini aktivitas pembelian semakin berkembang dan memerlukan
keahlian khusus. Sedikitnya diperlukan 3 macam keahlian untuk dapat melakukan
fungsi pembelian, yaitu business skill (keahlian dalam mengelola sebuah badan
usaha agar mendapat keuntungan), interpersonal skill (keahlian melakukan
pendekatan pribadi dengan pihak lain dalam upaya menciptakan kesamaan
pdanangan dan kesepakatan suatu diskusi kerja) dan technical skill (keahlian
dalam memahami proses manufaktur sertaa spesifikasi material yang diperlukan)
(Humpreys et al. 1999).

2.1.1 Manajemen Pembelian


Rantai pasokan menerima perhatian yang besar karena di sebagian besar
perusahaan, pembelian merupakan kegiatan yang paling memakan biaya.
Pembelian berarti perolehan barang atau jasa. Kegiatan pembelian adalah salah
satu tugas bagian pengadaan barang yang paling rutin dilakukan. Pembelian
memberikan peluang besar pengurangan biaya dan peningkatan margin kontribusi.
Tujuan utama dari pembelian material dan komponen menurut Gasperz, 2004
adalah :
1. Mempertahankan kontinuitas dari supplier agar sesuai dengan jadwal.
2. Memberikan material dan komponen yang memenuhi atau tingkat kualitas
yang ditetapkan kepada bagian produksi untuk diproses menjadi produk
akhir guna memenuhi permintaan dari pelanggan.

9
UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


10

3. Memperoleh item-item yang dibutuhkan pada ongkos yang serendah


mungkin tetapi masih tetap konsisten dengan kubutuhan kualitas, waktu
penyerahan, dan performansi lainnya.
Sedangkan tujuan dari kegiatan pembelian menurut Render dan Heizer, 2001
adalah :
1. Membantu mengidentifikasi produk atau jasa yang dapat diperoleh secara
eksternal.
2. Mengembangkan, mengevaluasi, dan menentukan supplier, harga dan
pengiriman yang terbaik bagi barang atau jasa tersebut.

2.1.1.1 Strategi – Strategi Pembelian


Strategi pembelian sering dikaitkan dengan kemampuan perusahaan untuk
mengendalikan dan mengatur hubungan dengan suppliernya. Berikut ini beberapa
strategi pembelian yang mungkin dikembangkan oleh perusahaan (Render dan
Heizer, 2001).
a) Banyak Supplier
Dengan strategi banyak supplier, supplier menanggapi permintaan
dan spesifikasi dari “permintaan untuk kutipan”, pesanan biasanya
jatuh ke penawar yang paling murah. Strategi ini memainkan antara
supplier satu dengan yang lainnya dan membebankan supplier untuk
memenuhi permintaan pembeli. Supplier secara agresif bersaing satu
sama lainnya. Meskipun banyak pendekatan negosiasi yang dapat
digunakan dengan strategi ini, hubungan jangka panjang bukan
merupakan tujuan. Pendekatan ini membebankan tanggung jawab pada
supplier agar mempertahankan teknologi, keahlian, dan kemampuan
ramalan yang diperlukan ditambah dengan biaya, kualitas, dan
kemampuan pengiriman.
b) Beberapa Supplier
Strategi dimana suppliernya ada beberapa supplier
mengimplikasikan bahwa bukannya mencari atribut-atribut jangka
pendek, pembeli lebih baik membentuk hubungan jangka panjang
dengan supplier yang komit. Penggunaan hanya beberapa supplier

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


11

dapat menciptakan nilai dengan memungkinkan supplier mempunyai


skala ekonomis dan kurva belajar yang menghasilkan biaya transaksi
dan biaya produksi yang lebih rendah.
c) Integrasi Vertikal
Pembelian dapat diperluas menjadi bentuk integrasi vertikal.
Integrasi vertical, artinya pengembangan kemampuan memproduksi
barang dan jasa yang sebelumnya dibeli, atau dengan benar-benar
membeli supplier atau distributor. Integrasi vertikal dapat mengambil
bentuk integrasi ke belakang atau ke depan.
Integrasi vertikal dapat menawarkan peluang-peluang strategis bagi
para manajer operasi. Untuk perusahaan-perusahaan yang analisis
internalnya menampakkan bahwa mereka mempunyai modal,
kemampuan manajemen, dan permintaan yang ada, integrasi vertikal
dapat memberikan kesempatan-kesempatan substansial dalam
mengurangi biaya. Keuntungan-keuntungan lainnya dalam
pengurangan persediaan dan penjadwalan persediaan dapat diperoleh
perusahaan yang mengelola integrasi vertikal atau hubungan yang erat
dan saling menguntungkan dengan supplier. Integrasi vertikal dapat
menghasilkan pengurangan biaya, peningkatan kualitas, dan
pengiriman yang tepat waktu. Tambahan pula, integrasi vertikal
terlihat baik bila pangsa pasar organisasi besar atau bila keahlian
menajemennya dapat mengoperasikan penjual yang diakuisisi.
d) Jaringan Keiretsu
Banyak perusahaan manufaktur yang menemukan jalan tengah
antara membeli dari sedikit supplier dan integrasi vertikal. Perusahaan-
perusahaan menaufaktur seringkali mendukung supplier secara
finansiallewat kepemilikan atau pinjaman. Supplier kemudian menjadi
bagian dari koalisi perusahaan yang dikenal dengan sebutan keiretsu.
Anggota keiretsu dipastikan akan mempunyai hubungan jangka
panjang dan oleh sebab itu diharapkan dapat berfungsi sebagai mitra,
menularkan keahlian teknis, dan mutu produksi yang stabil kepada

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


12

perusahaan manufaktur. Para anggota keiretsu dapat juga beroperasi


sebagai subkontraktor rantai dari pemasok-pemasok yang lebih kecil.
e) Perusahaan Maya (Virtual)
Perusahaan maya mengdanalkan berbagai hubungan supplier untuk
memberikan pelayanan pada saat diperlukan. Perusahaan maya batasan
organisasinya tidak tetap dan bergerak sehingga mereka bisa
menciptakan perusahaan yang unik agar dapat memenuhi permintaan
pasar yang berubah-ubah. Hubungan yang ada dapat berjangka pendek
ataupun berjangka panjang, mitra sejati atau hanya pemberi kolaborasi,
dan supplier atau subkontraktor yang mampu. Keuntungan bentuk
perusahaannya mencakup keahlian manajemen yang terspesialisasi,
investasi modal yang rendah, fleksibilitas, dan kecepatan. Hasilnya
adalah efisiensi.

2.1.2 Manajemen Hubungan dengan Supplier


Dalam rantai pasokan, koordinasi antara perusahaan manufaktur dengan
para supplier biasanya merupakan hubungan yang sulit sekaligus penting dalam
jaringan distribusi. Oleh karena supplier adalah bagian eksternal perusahaan
manufaktur, koordinasi menjadi tidak mudah, kecuali kerjasama dan pertukaran
informasi antara keduanya sudah terintegrasi. Kegagalan koordinasi dapat
menyebabkan keterlambatan yang berlebih, dan pada akhirnya berdampak pada
buruknya pelayanan konsumen. Akibatnya, persediaan barang yang didatangkan
dari supplier atau produk jadi pada perusahaan manufaktur dan distributor
menjadi terakumulasi. Pada akhirnya, total biaya dari kesuluruhan pasokan akan
meningkat (Lee et al. 2001).
Kebanyakan perusahaan manufaktur yang sukses telah mengembangkan
strategi pegelolaan pasokan (sourcing) dengan para pemasoknya untuk
menghasilkan peluang keuntungan bersama. Aliansi strategis formal dengan
kesamaan tujuan, investasi, obligasi, dan kesalingpercayaan dibangun bersama-
sama (Gullen, 2007). Dalam perspektif SCM, manajemen hubungan dengan
supplier perlu dijalankan secara terintegrasi dengan dua proses makro rantai
pasokan lainnya ; manajemen rantai pasokan internal dan manajemen hubungan

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


13

dengan konsumen. Dimensi keputusan dalam bingkai hubungan dengan supplier


ini berkaitan erat dengan fungsi pengadaan yang dijalankan perusahaan.
Pengadaan menunjuk pada seluruh rangkaian proses bisnis yang diperlukan untuk
memperoleh barang (material) atau jasa. Proses pengadaan meliputi seleksi
supplier, desain kontrak, kolaborasi desain produk, pengadaan barang atau jasa,
dan evaluasi kinerja supplier, sebagaimana ditunjukkan oleh Gambar 2.1 (Chopra
dan Meindl, 2001).

Penilaian dan Seleksi Supplier Perencanaan


assessment dan negosiasi Kolaborasi Pembelian dan
supplier kontrak desain analisis pengadaan

Gambar 2.1 Proses – proses kunci terkait fungsi pengadaan

(Sumber : Chopra dan Meindl, 2001)

2.2. Seleksi dan Evaluasi Supplier


Selama lebih dari satu dekade terakhir ini, kebutuhan untuk memperoleh
daya saing global pada sisi pasokan meningkat pesat (Ting dan Cho, 2008).
Manajemen rantai pasokan yang efektif dalam kondisi persaingan saat ini
mendorong terjalinnya hubungan strategis yang dekat dalam jangka panjang
dengan lebih sedikit rekanan (Koprulu dan Albayrakoglu, 2007; Narasimhan et al.
2004). Dalam tuntutan kondisi yang demikian, proses seleksi supplier sangatlah
penting bagi kesuksesan organisasi perusahaan manufaktur apa pun. (Tahriri et al.
2008)
Pemilihan supplier yang kompeten merupakan keputusan strategis pertama
yang menentukan kesuksesan implementasi manajemen rantai pasokan. Seleksi
supplier sangat disadari sebagai salah satu tanggung jawab terpenting dakam
fungsi manajemen pengadaan. Supplier yang terkelola dengan baik dalam suatu
rantai pasokan akan memberikan efek jangka panjang terhadap daya saing
keseluruhan rantai pasokan itu sendiri dan dampak yang mendalam pada kepuasan
pelanggan. Pearson dan Ellram (1995) menyebutkan beberapa alasan mengapa
seleksi dan evaluasi supplier menjadi hal yang begitu penting, terutama
sehubungan dengan dampak yang diberikan oleh manajemen rantai pasokan,
sebagai berikut (Hou dan Huang, 2002).

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


14

1. Tren reduksi basis pasokan dan hubungan jangka panjang dengan supplier.
Adopsi praktek just in time yang semakin meningkat dalam industri
manufaktur telah meningkatkan perhatian terhadap reduksi basis pasokan,
sehingga proses seleksi dan evaluasi supplier menjadi lebih penting.
Reduksi basis pasokan ini melibatkan komitmen jangka panjang dengan
supplier, yang pada gilirannya mendorong adanya sharing sumber daya
karena adanya interaksi yang lebih kuat antara pembeli dan supplier. Pada
umumnya evaluasi supplier dapat dijadikan alat untuk mengurangi
variabilitas supplier dari sisi pengiriman, kualitas, fleksibilitas, dan
sebagainya.
2. Strategi pelibatan supplier dalam proses desain produk. Praktek ini
dianggap sabagai salah satu kontributor yang signifikan dalam mengurangi
biaya dan meningkatkan kualitas pada siklus produksi.
3. Perkembangan system informasi electronic data interchangeable (EDI)
yang memfasilitasi koordinasi dan interaksi yang lebih dekat antara
pembeli dan supplier.

2.2.1 Kriteria Pemilihan Supplier


Seleksi supplier merupakan keputusan yang sulit karena berbagai macam
kriteria harus dipertimbangkan dalam proses pembuatan keputusannya. Analisis
mengenai kriteria untuk memilih dan mengukur kinerja supplier telah menjadi
fokus perhatian banyak ilmuan dan praktisi pengadaan sejak 1960-an. Dickson
(1966) pertama kali melakukan studi ekstensif mengidentifikasi, menentukan, dan
menganalisis kriteria apa yang digunakan dalam memilih suatu perusahaan
sebagai supplier. Sebanyak lebih dari 23 kriteria dipertimbangkan dalam studinya,
dimana responden diminta untuk memberikan nilai kepentingan bagi setiap
kriteria.
Selanjutnya, Weber et al. (1991) menyajikan klasifikasi semua artikel yang
dipublikasikan sejak 1966 berdasarkan perhatian kriterianya. Berdasarkan 74
paper, kriteria harga, pengiriman, kualitas, kapasitas produksi dan lokasi
merupakan kriteria yang paling banyak disebut dalam literatur.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


15

Tabel 2.1 Kriteria Seleksi Supplier (Dickson, 1966)

Rank Faktor Rank Faktor

1. Quality 13. Management and Organization

2. Delivery 14. Operating controls

3. Performance History 15. Repair services

4. Warranties & Claim Policies 16. Attitude

5. Production Facilities and Capacities 17. Impression

6. Price 18. Packaging Ability

7. Technical Capability 19. Labor Relation Record

8. Financial Position 20. Geographical Location

9. Procedural Compliance 21. Amount of Past Business

10. Communication System 22. Training aids

11. Reputation and Position 23. Reciprocal arrangement

12. Desire for Business

Pada prinsipnya kriteria-kriteria yang digunakan dalam evaluasi supplier


sangat tergantung kepada kondisi aktual perusahaan yang terkait dengan fokus
manajemen terhadap hubungan dengan supplier.

2.2.2 Metode Pemilihan Supplier


Dalam literatur, terdapat beberapa metode pemilihan supplier. Beberapa
peneliti menggunakan model linear weighting seperti metode pembobotan
(Timmerman, 1986) dan Analytical Hierarchy Process (Nydick dan Hill, 1992).
Pendekatan total cost of ownership (Ellram, 1995). Serta model mathematical
programming dianggap sebagai pendekatan secara kuantitatif, seperti principal
component analysis (Petroni dan Braglia, 2000) dan neural network (Wei, 1997).

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


16

Tabel 2.2 Review Metode Pemilihan Supplier

No. Penulis Metode Review

1. Narasimhan, Data Envelopment Model DEA digunakan untuk mengevaluasi


R., Talluri, S., Analysis(DEA) supplier alternatif untuk sebuah perusahaan
Mendez, D multinasional di industri telekomunikasi. 11
(2001) faktor evaluasi dianggap dalam model, di mana
ada enam input terkait dengan kemampuan
supplier, dan lima output terkait dengan kinerja
supplier. Berdasarkan skor kinerja, supplier
diklasifikasikan menjadi empat kategori: yang
berkinerja tinggi dan efisien, berkinerja tinggi
dan tidak efisien, berkinerja rendah dan efisien,
dan rendah dan tidak efisien.

2. Ng, W.L., Linear Programming Mengembangkan sebuah model weighted linear


(2008) programming untuk masalah seleksi supplier,
dengan tujuan memaksimalkan nilai supplier.
Mirip dengan AHP, melibatkan para pembuat
keputusan dalam menentukan bobot relatif
kepentingan kriteria.

3. Hajidimitriou, Goal Programming Teknik GP untuk masalah pemilihan mitra


Y.A., supplier yang mampu mencapai tujuan ganda
Georgiou, untuk berbagai tingkat kinerja atribut terkait.
A.C., (2002) Namun, metode ini tidak mempertimbangkan
kombinasi dari mitra potensial yang dapat
menghasilkan solusi yang lebih baik untuk
rantai pasokan secara keseluruhan
membandingkan dengan hanya satu calon yang
diidentifikasi.

4. Chan, F.T.S., Analytical Hierarchy Mengembangkan keputusan AHP untuk


Chan, H.K., Process (AHP) memecahkan masalah seleksi supplier. Supplier
Ip, R.W.L., potensial dievaluasi berdasarkan 14 kriteria.
Lau, H.C.W., Sebuah analisis sensitivitas menggunakan
(2007) Expert Choice dilakukan untuk memeriksa
respon dari alternatif ketika Peringkat
kepentingan relatif dari setiap kriteria diubah

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


17

Tabel 2.2 Review Metode Pemilihan Supplier (lanjutan)

No. Penulis Metode Review

5. Chen, C.T., Fuzzy Sets Disajikan sebuah model hirarki yang didasarkan
Lin, C.T., pada fuzzy-set untuk mengatasi masalah seleksi
Huang, S.F., supplier. Nilai-nilai linguistik yang digunakan
(2006) untuk menilai peringkat dan bobot untuk
mengevaluasi supplier faktor. Linguistik
peringkat ini dapat diekspresikan dalam
trapezoidal dan triangular fuzzy numbers.
Model yang diusulkan itu mampu menangani
kriteria kuantitatif dan kualitatif.

6. Lau, H.C.W., Artificial Neural Mengembangkan Integrasi ANN dan GA untuk


Lee, C.K.M., Network (ANN) & seleksi supplier. ANN bertanggung jawab
Ho, G.T.S., Genetic Algorithm untuk pembandingan supplier potensial
Pun, K.F., (GA) berkaitan dengan empat faktor evaluasi. Setelah
Choy, K.L., itu, GA digunakan untuk menentukan
(2006) kombinasi terbaik dari supplier. Empat kriteria
evaluasi digunakan lagi dalam fungsi fitness
dari GA

7. Parag C. Data Envelopment Motivasi utama dari penelitian ini adalah untuk
Pendharkar Analysis (DEA) & mengatasi beberapa pembatasan model DEA
(2011) Neural Network sehingga model ini dapat digunakan untuk
(NN) berbagai masalah klasifikasi. Secara
khusus,dalam penerapan model DEA untuk
masalah klasifikasi atribut pengambilan
keputusan adalah non-negatif; pengambilan
keputusan mengasumsikan monotonisitas,
masalah klasifikasi adalah masalah klasifikasi
biner dimana dua kelas yang linear dipisahkan

8. Wu, D.S., Data Envelopment Terdiri dari 2 modul metodologi penelitian :


(2009) Analysis (DEA), Modul 1, menggunakan DEA 2-stages untuk
Decision Tree (DT), mengklasifikasikan suppliers kedalam
and Neural Network kelompok yang efisien dan tidak efisien. Modul
(NN) 2 adalah klasifikasi atau modul regresi
berdasarkan DT atau NN, yang memanfaatkan
data kinerja suppliers yang terkait untuk
melatih DT atau model NN dan menerapkan
pengklasifikasi terlatih atau prediksi ke
suppliers baru.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


18

2.3 Konsep Pengukuran Efisiensi


Pengukuran efisiensi modern pertama kali diperkenalkan oleh Farrrel
(1957), bekerja sama dengan Debreu dan Koopmas, dengan mendefinisikan suatu
ukuran yang sederhana untuk mengukur efisiensi suatu perusahaan. Efisiensi yang
dimaksud adalah efisiensi teknis (technical efficiency) dan efisiensi alokatif
(allocative efficiency). Efisiensi teknis merupakan refleksi kemampuan dari suatu
perusahaan untuk memaksimalkan output dengan input tertentu, sementara
efisiensi alokatif merefleksikan suatu organisasi untuk mamanfaatkan input secara
optimal dengan tingkat harga yang telah ditentukan. Pengukuran efisiensi secara
khusus terhadap kinerja supplier, diantaranya dilakukan oleh Narasimhan et al.
(2001), Talluri et al. (2004), Garfamy (2006), Ross et al. (2006), Seydel (2006),
Wu et al. (2007), Saen (2010), Wu dan Olson (2010), serta Wu dan Blackhurst
(2009).

2.3.1 Data Envelopment Analysis (DEA)


Data Envelopment Analysis (DEA) pertama kali dikembangkan oleh
Charnes, Choper, Rhodes (1978) yang merupakan pengembangan dari konsep
efisiensi teknikal yang dibuat oleh Farrel (1957). DEA diciptakan sebagai suatu
alat evaluasi kinerja suatu aktivitas di sebuah unit entitas. Secara sederhana
pengukuran dinyatakan sebagai rasio antara output/input yang merupakan satuan
pengukuran produktivitas yang bisa dinyatakan secara parsial (misalnya, output
per jam atau output per pekerja, dengan output berupa penjualan, profit, dan
sebagainya) atau secara total (melibatkan semua output dan input dalam suatu
entitas ke dalam pengukuran). Namun perluasan pengukuran produktivitas dari
parsial ke total akan membawa kesulitan dalam memilih input dan output apa
yang harus disertakan dana bagaimana pembobotannya (Cooper et al. 2002).
Penggunaan bobot yang bersifat fixed untuk semua input dan ouput dari
entitas yang dievaluasi dikenal sebagai konsep Total Factor Productivity dalam
ilmu ekonomi. Konsep ini berlawanan dengan metode DEA dimana digunakan
bobot yang bersifat variabel berdasarkan ukuran terbaik yang dimungkinkan untuk
setiap entitas yang dievaluasi.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


19

2.3.2 Decision Making Unit (DMU)


DEA adalah linear programming yang berbasis pada pengukuran tingkat
performance suatu efisiensi dari suatu organisasi dengan menggunakan Decision
Making Unit (DMU). Istilah DMU dalam DEA dapat berupa bermacam-macam
unit seperti bank, rumah sakit, unit dari pabrik, departemen, universitas, sekolah,
pembangkit listrik, kantor polisi, kantor samsat, kantor pajak, penjara dan apa saja
yang memiliki kesamaan karakteristik operasional (Siswadi dan Purwantoro,
2006). Ramanathan (2003) menyebutkan ada dua faktor yang mempengaruhi
dalam pemilihan DMU, yaitu :
1. DMU harus merupakan unit-unit yang homogen. Unit-unit tersebut
melakukan tugas (task) yang sama. Dan memiliki obyektif yang sama.
Input dan output yang mencirikan kinerja dari DMU harus identik, kecuali
berbeda hanya intensitas dan jumlah/ukurannya (magnitude). Hal ini juga
sejalan dengan pendapat Sufian (2006).
2. Hubungan antara jumlah DMU terhadap jumlah input dan output kadang
kala ditentukan berdasarkan “rule of thumb”, yaitu jumlah DMU yang
diharapkan lebih banyak dibandingkan dengan jumlah input dan output
dan ukuran sampel seharusnya dua atau tiga kali ebih banyak
dibandingkan dengan jumlah keseluruhan input dan output.
Hal yang sama dikemukakan oleh Barnum dan Gleason (2008), bahwa
pertimbangan dalam pemilihan sampel DMU adalah jumlah dari DMU itu sendiri.
Untuk dapat membedakan secara selektif DMU yang efisien dan inefisien maka
diperlukan jumlah DMU yang lebih besar dari perkalian jumlah input dan jumlah
output. Jumlah DMU sekurang-kurangnya tiga kali lebih besar dari total jumlah
variabel input dan output (Dyson, 2001). Namun pada beberapa penelitian lain
mengenai DEA terdapat pula penggunaan sampel DMU yang lebih kecil.

2.3.3 Konsep Dasar DEA


DEA adalah pengembangan programasi linear yang didasarkan pada
teknik pengukuran kinerja relatif dari sekelompok unit input dan output. DEA
dapat mengatasi keterbatasan yang dimiliki analisis rasio parsial maupun regresi
berganda. DEA merupakan prosedur yang dirancang secara khusus untuk

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


20

mengukur efisiensi relatif suatu decision making unit (DMU) yang menggunakan
banyak input maupun output. Dalam DEA efisiensi relatif DMU didefinisikan
sebagai rasio dari total output tertimbang dibagi total input tertimbangnya.
Inti dari DEA adalah menentukan bobot (weights) atau timbangan untuk
setiap input dan output DMU. Bobot tersebut memiliki sifat tidak bernilai negatif
dan bersifat universal, artinya setiap DMU dalam sampel harus dapat
menggunakan seperangkat bobot yang sama untuk mengevaluasi rasionya (total
weighted output/total weighted input) dan rasio tersebut tidak boleh lebih dari satu
(total weighted output/total weighted input 1).
DEA berasumsi bahwa setiap DMU akan memilih bobot yang
memaksimumkan rasio efisiensinya (maximize total weighted output/total
weighted input). Karena setiap DMU menggunakan kombinasi input yang berbeda
untuk menghasilkan kombinasi output yang berbeda pula, maka setiap DMU akan
memilih seperangkat bobot yang mencerminkan keragaman tersebut. Bobot-bobot
tersebut bukan merupakan nilai ekonomis dari input dan outputnya, melainkan
sebagai penentu untuk memaksimumkan efisiensi dari suatu DMU.
Cara pengukuran yang digunakan dalam DEA adalah dengan
membandingkan antara output yang dihasilkan dengan input yang ada
(Ramanathan, 2003).
Efisiensi = Output / Input (2.1)
Dalam kenyataannya, baik input maupun output dapat lebih dari satu.
Dalam membandingkan output dan input, digunakan bobot untuk masing-masing
input dan output yang ada (Ramanathan, 2003).
Efisiensi = total weighted output / total weighted input (2.2)

2.3.4 Model DEA


2.3.4.1 Model CCR (Charnes-Cooper-Rhodes)
Pertama kalinya model CCR ditemukan oleh Charnes, Cooper dan Rhodes
pada tahun 1978. Pada model ini diperkenalkan suatu ukuran efisiensi untuk
masing-masing decision making unit (DMU) yang merupakan rasio maksimum
antara output yang terbobot dan input yang terbobot. Masing-masing nilai bobot
yang digunakan dalam rasio tersebut ditentukan dengan batasan bahwa rasio yang

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


21

sama untuk tiap DMU harus memiliki nilai yang kurang dari atau sama dengan
satu. Model CCR dapat dituliskan sebagai berikut ini :

Maks : Efficiency = (2.3)

Dengan keterangan :

m = jumlah input
s = jumlah output
ur = bobot output ke-r
vi = bobot input ke-i
xio = jumlah input ke-i yang digunakan oleh DMU
yio = jumlah output ke-r yang digunakan oleh DMU

Dengan syarat : untuk setiap DMU dalam sampel.

j = 1,……,n (jumlah dari DMU)


ur , vr 0
Model DEA memberikan satu set bobot unik untuk masing-masing
DMU. Jumlah bobot yang akan memaksimalkan efisiensi suatu DMU dibatasi
dengan nilai antara 0 dan 1 (antara nol dan kurang dari atau sama dengan satu).
Dengan demikian, nilai optimal dari efisiensi (nilai tujuan dari program linier)
mendekati nilai 1. Pada model DEA CCR ini mengasumsikan return to scale yang
konstan (CRS) menghasilkan perbatasan efisien yang terukur berbentuk linier.
Persamaan 2.3 diatas dapat dilinierkan dengan mengharuskan jumlah
total bobot dari input memiliki nilai konstan, yaitu 1. Kondisi ini menghasilkan
alternatif masalah optimasi, model CCR input oriented, dimana fungsi tujuan
untuk memaksimalkan jumlah bobot dari output.
Maks : ho = (2.4)

Dengan syarat :

ur , vr 0

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


22

Untuk tujuan output oriented, CCR model dapat dibuat dimana jumlah total bobot
dari output dibuat konstan dan fungsi tujuan meminimalkan jumlah bobot dari
input :
Min : ho = (2.5)

Dengan syarat :

ur , vr 0

Gambar 2.2 Efficient Frontier DEA model CCR

(Sumber : Kim et al. 2009)


Model CCR dikenal dengan nama constant return to scale (CRS), yaitu
perbandingan nilai output dan input bersifat konstan, penambahan nilai input dan
output sebanding. Pada model CCR, tidak terdapat syarat convexity constraint,
berbeda dengan model Banker-Charnes-Cooper (BCC) yang terdapat syarat
convexity constraint.

2.3.4.2 Model BCC (Banker-Charnes-Cooper)


Hasil model DEA yang memberikan variabel return to scale disebut model
BCC (Banker, Charnes, Cooper, 1984). Pada model solusi primal, sebuah DMU
akan berada pada garis efisiensi apabila memenuhi syarat
(atau ) dalam kondisi optimal. Pada model ini syarat bahwa

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


23

bahwa ur dan vi harus bersifat positif. Model solusi primal input oriented dapat
dituangkan dalam persamaan sebagai berikut :
Min : ho = (2.6)

Dengan syarat :

ur , vi
Sedangkan solusi model primal dengan ouput oriented dapat dituangkan dalam
persamaan sebagai berikut :
Maks : ho = (2.7)

Dengan syarat :

ur , vi
Agar variabel return terskala, maka perlu ditambahkan kondisi convexity bagi
nilai-nilai bobot , yaitu dengan menambahkan dalam model diatas batasan
berikut :

Gambar 2.3 Efficient Frontier DEA model BCC

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


24

(Sumber : Kim et al. 2009)


Model BCC juga dikenal dengan nama variable return to scale (VRS), yaitu
peningkatan input dan output tidak berproporsi sama. Peningkatan proporsi yang
bersifat increasing return to scale (IRS) atu bisa juga bersifat decreasing return to
scale (DRS).

2.3.4.3 Perbandingan Model CCR dan BCC


Pada model DEA CCR atau sering dikenal dengan nama constant return to
scale (CRS), perbandingan nilai output dan input bersifat konstan, penambahan
nilai input dan output sebanding. Pada model DEA BCC yang juga dikenal
dengan nama variable return to scale (VRS), peningkatan input dan output tidak
berproporsi sama. Peningkatan proporsi bisa bersifat increasing return to scale
(IRS) atau bisa juga bersifat decreasing return to scale (DRS). Berikut ini
perbandingan model CCR dan model BCC dalam bentuk grafik :

Gambar 2.4 Perbandingan Model CCR dan BCC

(Sumber : Chehade, 1998)

2.3.5 Keunggulan dan Kelemahan DEA


Mengingat setiap organisasi mempunyai level input yang bervariasi dan juga
menghasilkan level output yang bervariasi, maka DEA telah membuka
kesempatan untuk menangani berbagai kasus yang tidak dapat didekati dengan
metode lain karena sifat hubungan yang kompleks antara banyak input dan banyak

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


25

output yang terlibat. Seperti halnya ukuran efisiensi pada umumnya, ukuran
efisiensi dalam DEA dinyatakan sebagai nisbah output dibagi input, sehingga nilai
efisiensi maksimalnya adalah satu atau seratus persen. Menurut Purwantoro
(2004) model DEA digunakan sebagai perangkat untuk mengukur kinerja
setidaknya memiliki tiga keunggulan dibandingkan dengan model lainnya, yaitu ;
1. Model DEA dapat mengukur banyak variabel input dan variabel output.
2. Tidak diperlukan asumsi hubungan fungsional antara variabel-variabel
yang diukur.
3. Variabel input dan output dapat memiliki satuan pengukuran yang
berbeda.
Kelebihan lain juga dikemukakan oleh Trick (1996), yaitu :
1. DEA tepat untuk model yang mempunyai banyak input dan output.
2. Fungsi persamaan / pertidaksamaan dari DEA tidak memerlukan asumsi
yang berkaitan dengan input dan outputnya.
3. Unit yang diukur akan dibandingkan secara langsung dengan unit-unit
yang dievaluasi input dan output dapat mempunyai satuan yang berbeda.
Makmun (2002) berpendapat, walaupun analisis DEA memiliki banyak
kelebihan dibandingkan analisis rasio parsial dan analisis regresi, DEA memiliki
beberapa keterbatasan, yaitu ;
1. DEA mensyaratkan semua input dan output harus spesifik dan dapat
diukur (demikian pula dengan analisis rasio dan regresi). Kesalahan dalam
memasukkan input dan output akan memberikan hasil yang bias.
2. DEA berasumsi bahwa setiap unit input atau output identik dengan unit
lain dalam tipe yang sama. Tanpa mamapu mengenali perbedaan-
perbedaan tersebut, DEA akan member hasil yang bias.
3. Dalam bentuk dasarnya DEA berasumsi constant return to scale (CRS).
CRS menyatakan bahwa perubahan proporsional pada semua tingkat input
akan menghasilkan perubahan proporsional yang sama pada tingkat
output.
4. Bobot input dan output yang dihasilkan oleh DEA tidak dapat ditafsirkan
dalam nilai ekonomi.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


26

Kelemahan / keterbatasan metode DEA menurut Purwantoro (2004) adalah :


1. Bersifat simpel spesifik.
2. Merupakan extreme point technique, kesalahan pengukuran dapat
berakibat fatal.
3. DEA sangat bagus untuk estimasi efisiensi relatif DMU tetapi sangat
lambat untuk mengukur efisiensi absolut dengan kata lain bisa
membandingkan sesama DMU tetapi bukan membandingkan maksimasi
secara teori.
4. Uji hipotesis secara statistic atas hasil DEA sulit dilakukan.
5. Menggunakan perumusan linear programming terpisah untuk tiap DMU
(perhitungan secara manual sulit dilakukan apalagi untuk masalah
bersakala besar).
6. Bobot dan input yang dihasilkan oleh DEA tidak dapat ditafsirkan dalam
nilai ekonomi.
Lebih spesifik lagi, Hadad dan Santoso (2003) telah menunjukkan bahwa
DEA tidak dapat memperkirakan adanya sampel error yang tak terhingga. Hal ini
terjadi jika banyaknya variabel input dan output relatif lebih banyak dibandingkan
dengan banyaknya observasi. Hal ini berlaku untuk sebagian besar model DEA.

2.3.6 Pemilihan Variabel Input dan Output


Kesulitan utama dalam aplikasi DEA adalah pemilihan input dan output.
Kriteria pemilihan input dan output adalah sangat subjektif. Tidak ada aturan yang
spesifik dalam menentukan pemillihan input dan output. Namun demikian,
Ramanathan (2003) telah menyarankan beberapa petunjuk pemilihan input dan
output. Umumnya input didefinisikan sebagai sumber daya yang dimanfaatkan
oleh DMU atau kondisi yang mempengaruhi kinerja dari DMU, sementara output
merupakan keuntungan (benefit) yang dihasilkan sebagai hasil dari kegiatan
operasi DMU.
Dalam setiap aplikasi DEA, sangatlah penting untuk menentukan input
dan output secara benar. Beberapa aturan rule of thumb dapat membantu dalam
menentukan jumlah yang ideal untuk input dan output. Umumnya, pada saat

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


28

Berikut adalah tampilan hasil pengolahan data dengan metode DEA


dengan menggunakan software EMS versi 1.3.

Gambar 2.5 Hasil Pengolahan Data dengan Software EMS versi 1.3

2.4 Data Mining


Data mining merupakan teknologi yang menggabungkan metode
analisis tradisional dengan algoritma yang canggih untuk memproses data dengan
volume besar. Data mining adalah suatu istilah yang digunakan untuk
menemukan pengetahuan yang tersembunyi di dalam database. Data mining
merupakan proses semi otomatik yang menggunakan teknik statistik, matematika,
kecerdasan buatan, dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi pengetahuan potensial dan berguna yang
bermanfaat yang tersimpan di dalam database besar (Turban et al. 2005).
Beberapa definisi awal dari data mining meyertakan fokus pada
proses otomatisasi. Berry dan Linoff (2004) dalam buku Data Mining
Technique for Marketing, Sales, and Customer Support mendefinisikan data
mining sebagai suatu proses eksplorasi dan analisis secara otomatis maupun
semi otomatis terhadap data dalam jumlah besar dengan tujuan menemukan
pola atau aturan yang berarti (Larose, 2006). Data Mining mengeksplorasi basis
data untuk menemukan pola-pola yang tersembunyi, mencari informasi untuk
memprediksi yang mungkin saja terlupakan oleh para pelaku bisnis karena
terletak di luar ekspektasi mereka.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


29

Perkembangan yang cepat dalam teknologi pengumpulan dan


penyimpanan data telah memudahkan organisasi untuk mengumpulkan sejumlah
data berukuran besar, sehingga menghasilkan gunung data. Data Mining adalah
proses pencarian secara otomatis informasi yang berguna dalam tempat
penyimpanan data berukuran besar. Istilah lain yang sering digunakan diantaranya
knowledge discovery (mining) in databases (KDD).
Istilah data mining dan Knowledge Discovery in Database (KDD) sering
kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi
tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut
memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah
satu tahapan dalam keseluruhan proses KDD adalah data mining.

Gambar 2.6 Tahap – tahap Data Mining

(Sumber : Han J dan Kamber, 2001)


Berdasarkan tugas dan tujuan analisis, proses data mining dapat dibagi
menjadi dua kategori utama. Tujuan pada adanya target variabel dan metode
belajar (learning) yaitu antara proses belajar yang diawasi (supervised) dan tanpa
pengawasan (unsupervised).

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


30

1. Belajar yang diawasi (supervised learning). Dalam analisis supervised


learning, atribut target/label menggambarkan kelas yang dimiliki setiap
catatan. Atau dengan kata lain metode belajar dengan adanya latihan
(training) dan pelatih/label. Contoh : regresi, analisa diskriminan, artificial
neural network, dan support vector machine.
2. Belajar tanpa pengawasan (unsupervised learning). Tanpa pengawasan
analisis belajar tidak dipandu oleh atribut target/label. Oleh karena itu,
data mining dalam hal ini ditujukan untuk menemukan pola berulang dan
kedekatan dalam kumpulan data. Atau dengan kata lain metode belajar
tanpa adanya latihan (training) adan pelatih/label. Contoh : clustering dan
self organizing map (SOM)

2.4.1 Teknik Data Mining


Data mining adalah serangkaian proses untuk menggali nilai tambah
dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui
secara manual. Perlu diingat bahwa kata mining sendiri berarti usaha untuk
mendapatkan sedikit data berharga dari sejumlah besar data dasar. Karena itu data
mining sebenarnya memiliki akar yang panjang dari bidang ilmu seperti
kecerdasan buatan (artificial intelligent), machine learning, statistik dan basis
data. Beberapa teknik yang sering disebut-sebut dalam literatur data mining
antara lain yaitu association rule mining,clustering, klasifikasi, neural network,
genetic algorithm dan lain-lain.

2.4.1.1 Classification
Suatu teknik dengan melihat pada kelakuan dan atribut dari
kelompok yang telah didefinisikan. Teknik ini dapat memberikan klasifikasi pada
data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan
dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Aturan-
aturan tersebut digunakan pada data-data baru untuk diklasifikasi. Teknik
ini menggunkan supervised induction, yang memanfaatkan kumpulan pengujian
dari record yang terklasifikasi untuk menentukan kelas-kelas tambahan. Salah
satu contoh yang mudah dan popular adalah dengan Decision tree yaitu

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


31

salah satu metode klasifikasi yang paling populer karena mudah untuk
diinterpretasi. Decision tree adalah model prediksi menggunakan struktur
pohon atau struktur berhirarki. Decision tree adalah struktur flowchart yang
menyerupai tree (pohon), dimana setiap simpul internal menandakan suatu tes
pada atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun
merepresentasikan kelas atau distribusi kelas. Alur pada decision tree di telusuri
dari simpul akar ke simpul daun yang memegang prediksi kelas untuk
contoh tersebut. Decision tree mudah untuk dikonversi ke aturan
klasifikasi (classification rules).

2.4.1.2 Clustering
Digunakan untuk menganalisis pengelompokkan berbeda terhadap
data, mirip dengan klasifikasi, namun pengelompokkan belum didefinisikan
sebelum dijalankannya tool data mining. Biasanya menggunakan metode
neural network atau statistik. Clustering membagi item menjadi kelompok-
kelompok berdasarkan yang ditemukan tool data mining. Prinsip dari
clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan
meminimumkan kesamaan antar cluster. Clustering dapat dilakukan pada data
yang memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi.

2.4.1.3 Decision Tree


Pohon keputusan merupakan salah satu teknik yang dapat digunakan untuk
melakukan klasifikasi terhadap sekumpulan objek. Yang akan digunakan dalam
penelitian ini adalah classification tree, karena penelitian ini menggunakan
metode klasifikasi dengan menggunakan algoritma J48.
Decision tree terdiri dari node internal yang menggambarkan data yang
diuji, cabang menggambarkan nilai keluaran dari data yang diuji, sedangkan leaf
node menggambarkan distribusi class dari data yang digunakan. Decision tree
digunakan untuk mengklasifikasi suatu sampel data yang tidak dikenal.
Pembentukan decision tree terdiri dari 3 tahap, yaitu ;
a. Pembentukan pohon

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


32

Pada tahap ini akan dibentuk suatu pohon yang terdiri dari akar yang
merupakan node paling awal, daun sebagai distribusi class, dan batang
yang menggambarkan hasil keluaran dari pengujian. Pada
pembentukan pohon ini dilakukan pemillihan atribut untuk penentuan
posisi dalam pembentukan pohon.
b. Pemangkasan pohon
Pemangkasan pohon (tree pruning), yaitu mengidentifikasi dan
membuang cabang yang tidak diperlukan pada pohon yang telah
terbentuk. Ada dua metode dalam melakukan pemangkasan dalam
decision tree, yaitu :
1. Preprunning
Yaitu pemangkasan dilakukan sejak awal pembentukan pohon.
2. Postprunning
Yaitu pemangkasan dilakukan saat pohon telah terbentuk secara
utuh.
Pemangkasan pohon dapat dilakukan dengan metode preprunning
atau postprunning. Namun alternatif lain yang dapat dilakukan adalah
mengkombinasikan preprunning dan postprunning untuk menghasilkan
pohon yang lebih baik.
c. Pembentukan aturan keputusan
Aturan yang dihasilkan dari decision tree dapat ditampilkan dalam
bentuk aturan IF-THEN. Aturan dibentuk dari tiap path pada pohon.
Setiap node yang bukan leaf node berperan sebagai IF sedangkan
bagian THEN diambil dari leaf node yang merupakan konsekuensi dari
aturannya

2.4.1.4 Neural Network


Secara umum Neural Network (NN) adalah jaringan dari sekelompok
unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia.
NN ini merupakan sistem adaptif yang dapat merubah strukturnya untuk
memecahkan masalah berdasarkan informasi eksternal maupun internal yang
mengalir melalui jaringan tersebut. Secara sederhana NN adalah sebuah alat

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


33

pemodelan data statistik non-linear. NN dapat digunakan untuk memodelkan


hubungan yang kompleks antara input dan output untuk menemukan pola-pola
pada data.
Secara mendasar, sistem pembelajaran merupakan proses
penambahan pengetahuan pada NN yang sifatnya kontinuitas sehingga pada
saat digunakan pengetahuan tersebut akan dieksploitasikan secara maksimal
dalam mengenali suatu objek. Neuron adalah bagian dasar dari pemrosesan suatu
Neural Network. Dibawah ini merupakan bentuk dasar dari suatu neuron.

Gambar 2.7 Bentuk dasar Neuron

Keterangan Gambar 2.7 di atas adalah sebagai berikut.


1. Input merupakan masukan yang digunakan baik saat pembelajaran
maupun dalam mengenali suatu objek.
2. Weight, beban yang selalu berubah setiap kali diberikan input sebagai
proses pembelajaran.
3. Processing Unit merupakan tempat berlangsungnya proses pengenalan
suatu objek berdasarkan pembebanan yang diberikan.
4. Output, keluaran dari hasil pengenalan suatu objek.

Persamaan dari fungsi penjumlah atau fungsi transformasi neuron (neuron


transfer function) adalah :
Netk (t) = (2.8)
Dimana :
Netj = fungsi transformasi neuron
xi = masukan neuron
wi = pembobot penghubung
t = variabel waktu

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


34

Dalam gambar 2.7 dapat dijelaskan bahwa setelah pemetaan sinyal masukan
neuron akan mengahasilkan keluaran melalui fungsi aktivasi. Fungsi aktivasi
mentransformasikan nilai keluarannya melalui pemetaan sinyal masukannya ke
dalam sebuah nilai yang sama dengan nilai neuron lainnya.
Persamaan fungsi aktivasi sebuah neuron adalah :
Ok = factv (netk) (2.9)
Dimana :
fact = fungsi aktivasi
Ok = keluaran neuron
Pada fungsi aktivasi bipolar neuron akan menghasilkan nilai keluaran positif dan
negatif, sedangkan pada jenis unipolar hanya menghasilkan keluaran positif.

Keuntungan penggunaan Neural Network.


1. Perangkat yang mampu untuk mengenali suatu objek secara non-linier.
2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui
proses sebenarnya.
3. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek.
4. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam
pengenalan suatu objek.
5. Neural Network mampu diimplementasikan pada suatu Hardware atau
perangkat keras.
6. Perangkat yang mampu diimplementasikan secara parallel.

2.4.1.4.1 Model Neuron


Satu sel syaraf terdiri dari tiga bagian, yaitu : fungsi penjumlah (summing
function), fungsi aktivasi (activation function) dan keluaran (output).

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


35

Gambar 2.8 Model Neuron


Jika kita lihat, neuron buatan diatas mirip dengan sel neuron biologis.
Informasi (input) akan dikirim ke neuron dengan bobot tertentu. Input ini akan
diproses oleh suatu fungsi yang akan menjumlah nilai-nilai bobot yang ada. Hasil
penjumlahan kemudian akan dibandingkan dengan suatu nilai ambang (threshold)
tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati
suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, jika tidak,
maka neuron tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka
neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke
semua neuron yang berhubungan dengannya.

2.4.1.4.2 Single – Input Neuron


Sebuah neuron dengan sebuah masukan (single-input) dapat dilihat pada
Gambar 2.8 dibawah. Dalam gambar dapat dilihat sebuah Input (p) dikalikan
dengan weight (w) kemudian ditambahkan dengan bobot bias (b) dan
menghasilkan suatu keluaran (n), suatu nilai keluaran ini biasanya disebut dengan
net input, selanjutnya masuk ke dalam suatu fungsi transfer (f) dan akan
menghasilkan output neuron (a).

Gambar 2.9 Single – Input Neuron

2.4.1.4.3 Multiple – Input Neuron

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


36

Secara khas, suatu neuron mempunyai input lebih dari satu. Suatu neuron
dengan R input diperlihatkan dalam Gambar 2.9. masukan tunggal p1, p2,…,
pR masing-masing di beri beban oleh unsur-unsur yang bersesuaian dengan w1,1 ,
w1,2,…..w1,R dari matriks bobot W.

Gambar 2.10 Multiple – Input Neuron

2.4.1.4.4 Arsitektur Neural Network


Bentuk dasar arsitektur suatu Neural Network adalah sebagai berikut :

Gambar 2.11 Arsitektur Dasar Neural Network


Secara umum, terdapat tiga jenis Neural Network yang sering digunakan
berdasarkan jenis network-nya, yaitu :
1. Single-Layer Neural Network
Neural Network jenis ini memiliki koneksi pada inputnya secara langsung
ke jaringan output.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


37

Gambar 2.12 Single-Layer Neural Network


Jenis Neural Network ini sangatlah terbatas, hanya digunakan pada kasus-
kasus sederhana.

2. Multilayer Perceptron Neural Network


Jenis Neural Network ini memiliki layer yang dinamakan “hidden”,
ditengah layer input dan output. Hidden ini bersifat variabel, dapat
digunakan lebih dari satu hidden layer.

Gambar 2.13 Multilayer Perceptron Neural Network

3. Recurrent Neural Network


Pada sistem dengan karakteristik recurrent neural network terdapat
koneksi umpan balik dari layer output ke layer input, sehingga hasil sistem
output mempengaruhi sistem input itu sendiri. Proses umpan balik ini
mengakibatkan adanya delay selama proses komputasi.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


38

Gambar 2.14 Recurrent Perceptron Neural Network


2.4.1.4.5 Proses Pembelajaran pada Neural Network
Proses pembelajaran merupakan suatu metode untuk proses pengenalan
suatu objek yang sifatnya kontinuitas yang selalu direspon secara berbeda
dari setiap proses pembelajaran tersebut. Tujuan dari pembelajaran ini
sebenarnya untuk memperkecil tingkat suatu error dalam pengenalan suatu objek.
Secara mendasar, Neural Network memiliki sistem pembelajaran yang terdiri
atas beberapa jenis berikut :
1. Supervised Learning
Sistem pembelajaran pada metode supervised learning adalah sistem
pembelajaran yang mana, setiap pengetahuan yang akan diberikan kepada
sistem, pada awalnya diberikan suatu acuan untuk memetakan suatu
masukan menjadi suatu keluaran yang diinginkan. Proses pembelajaran
ini akan terus dilakukan selama kondisi error atau kondisi yang
diinginkan belum tercapai. Adapun setiap perolehan error akan
dikalkulasikan untuk setiap pemrosesan hingga data atau nilai yang
diinginkan telah tercapai.
2. Unsupervised Learning
Sistem pembelajaran pada Neural Network, sepenuhnya memberikan
hasil pada komputasi dari setiap pemrosesan, sehingga pada sistem
ini tidak membutuhkan adanya acuan awal, agar perolehan nilai
dapat dicapai. Meskipun secara mendasar, proses ini tetap

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


39

mengkalkulasikan setiap langkah pada setiap kesalahannya dengan


mengkalkulasikan setiap nilai weight yang didapat.

2.4.1.4.6 Back Propagation Multilayer Perceptron Neural Network


Back Propagation adalah istilah dalam penggunaan metode MLP-NN
untuk melakukan proses update pada nilai vektor weight dan bias. Adapun bentuk
metode weight ini memiliki beberapa macam, antara lain sebagai berikut ;
1. Gradient Descent Back Propagation (GD)
Metode ini merupakan proses update untuk nilai weight dan bias dengan
arah propagasi fungsinya selalu menurunkan nilai weight sebelumnya.
Bentuk vektor weight tersebut berlaku seperti metode berikut :
Wk + 1 = Wk - . gk (2.10)
Dimana , merupakan learning rate, serta g merupakan gradient yang
berhubungan dengan nilai error yang diakibatkan oleh weight tersebut.
2. Gradient Descent Back Propagation dengan Momentum
Penggunaan momentum pada metode ini memberikan nilai tambah dimana
hasil update diharapkan tidak berhenti pada kondisi yang dinamakan
“local minimum”, sehingga proses penelusuran hingga mencapai nilai
minimum yang paling puncak dalam pengertian nilai error yang paling
kecil dapat tercapai. Adapun bentuk metode penggunaan momentum ini
adalah seperti dibawah ini :
Wk + 1 = Wk - . gk + . Wk -1 (2.11)
3. Variable Learning Rate Back Propagation dengan Momentum
Penggunaan metode ini bertujuan untuk mempercepat waktu penyelesaian
sehingga proses mendapatkan nilai error yang paling kecil dapat tercapai
dengan cepat serta penelusuran yang lebih singkat. Sebaliknya, jika nilai
yang digunakan dalam praktisnya maka hasil yang didapatkan biasanya
akan memperlambat proses penelusuran nilai error yang paling kecil.
Dalam penggunaan metode ini para peneliti biasanya menggunakan cara
memperbesar nilai dari variable learning rate saat hasil yang dicapai jauh
dari target, dan sebaliknya saat hasil yang dicapai dekat dengan nilai
target. Secara perhitungan metode ini memang tidak begitu jauh dari

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


40

metode yang telah dijelaskan sebelumnya, namun perbedaannya adalah


seperti persamaan dibawah ini ;
Wk + 1 = Wk - k + 1 . gk + . Wk -1 (2.12)
k + 1 = . k (4)
0.7 jika nilai new error 1.04 (old error) (2.13)
1.05 jika nilai new error 1.04 (old error) (2.14)
4. Conjugate Gradient Back Propagation
Conjugate Gradient Back Propagation memiliki perbedaan dibandingkan
dengan metode GD yaitu pada saat melakukan proses update, dimana
untuk metode GD proses tersebut dilakukan setiap penggunaan rumus
sedangkan pada proses CGX, update dilakukan setiap iterasi dilakukan.
Berikut ini merupakan proses update nilai weight.
Wk + 1 = Wk + . pk (2.15)
Dimana : pk = -gk + k . pk-1 (2.16)

(2.17)

(2.18)
5. Quasi-Newton Back Propagation
Metode Newton ini merupakan improvisasi dari metode CGX, dimana
pencapaian nilai konfigurasi dapat dilakukan lebih cepat. Metode yang
digunakan adalah sebagai berikut :
Wk + 1 = Wk - Ak . gk (2.19)
Ak merupakan Hessian Matrix untuk nilai weight dan bias.

2.5 Pengolahan Data dengan Software WEKA 3.7.5

Pengolahan data mining ini, dibantu dengan menggunakan software Weka


versi 3.7.5, yang dikembangkan oleh Waikato University, yang bertujuan untuk
edukasi. Weka adalah aplikasi data mining open source berbasis java. Weka
terdiri dari koleksi algoritma machine learning yang dapat digunakan untuk
melakukan generalisasi/formulasi dari sekumpulan data sampling.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


41

Berikut adalah tahap-tahap pengolahan data dengan menggunakan


software Weka versi 3.7.5 :
a. Buka software Weka versi 3.7.5

Gambar 2.15 Tampilan Layar Software WEKA 3.7.5

b. Tampak pada layar terdapat empat tombol utama dalam aplikasi


WEKA
Explorer, digunakan untuk menggali lebih jauh data dengan
aplikasi WEKA.
Experimenter, digunakan untuk melakukan percobaan
dengan pengujian statistik skema belajar.
Knowledge Flow, digunakan untuk pengetahuan pendukung.
Simple CLI, antar muka dengan menggunakan tampilan
command line yang memungkinkan langsung mengeksekusi
perintah WEKA untuk sistem operasi yang tidak
menyediakan secara langsung.
c. Selanjutnya masuk pada menu Explorer, tampilannya akan terlihat
seperti gambar

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


43

1. Use training set, Pengetesan dilakukan dengan menggunakan data


training itu sendiri.
2. Supplied test set, Pengetesan dilakukan dengan menggunakan data
lain. Dengan menggunakan option inilah, kita bisa melakukan
prediksi terhadap data tes.
3. Cross-validation, Pada cross-validation, akan ada pilihan berapa
fold yang akan digunakan. Nilai default-nya adalah 10.
4. Percentage split, Hasil klasifikasi akan dites dengan
menggunakan k% dari data tersebut. k merupakan masukan dari
user.
f. Setelah itu klik tombol ‘Start’, maka akan muncul hasil dari
pengolahan data software WEKA.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


BAB 3
PENGUMPULAN DAN PENGOLAHAN DATA

3.1 Profil Perusahaan


Berdirinya PT. Toyota Astra Motor diawali dengan kerjasama antara PT.
Astra International Tbk dengan PT. Toyota Motor Corporation dari Jepang untuk
mendirikan pabrik perakitan di Indonesia pada tanggal 12 April 1971. Perusahaan
ini merupakan salah satu perusahaan otomotif yang terbesar di Indonesia yang
masih dapat bertahan di tengah kondisi krisis ekonomi yang menyerang Indonesia
pada saat itu.
PT. Toyota Astra Motor mulai beroperasi sejak 1 Januari 1972 dan pada
bulan Desember 1998 bergabung dibawah PT. Toyota Engine Indonesia, dengan
95% saham dimiliki oleh PT. Toyota Motor Corporation dan 5% saham dimiliki
oleh PT. Astra International Tbk. Terhitung sejak 15 Juli 2003, TAM berubah
menjadi PT. Toyota Motor Manufacturing Indonesia (TMMIN) dan didirikan PT.
Toyota Astra Motor (TAM) sebagai distributor. Selama 30 tahun, PT. TMMIN
telah memainkan peranan penting dalam pengembangan industri otomotif di
Indonesia serta membuka lapangan pekerjaan termasuk dalam industri pendukung
lainnya. Pada saat ini, PT. TMMIN telah memiliki pabrik produksi yaitu :
Stamping, Casting, Engine, dan Assembly di area industri Sunter, Jakarta. Untuk
meningkatkan kemampuan produksi, maka dibangun pabrik di Karawang yang
menggunakan teknologi terbaru di Indonesia yang telah selesai dibangun pada
tahun 1998, berikut sistem manajemen kualitas dan lingkungan.
PT. TMMIN juga mempelopori program ekspor komponen otomotif dan
kendaraan CBU ke berbagai Negara berkembang lebih dari 200.000 unit, antara
lain :
Mobil Kijang pertama ke Brunei Darussalam dan Papua New Guinea
(November 1987)
Kijang CKD yang baru ke Malaysia (September 1997)
Kijang CKD baru ke Filipina dan Taiwan (Maret 1998)

43
UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


44

Mesin seri K yang diproduksi oleh PT. TMMIN juga telah merambah ke
Malaysia, Taiwan, Filipina dan Jepang seperti :
5K – engine/ mesin / motor cylinder / cylinder block ke TMC, Jepang
(Maret 1991)
Mesin pengujian kadar logam ke Taiwan dan Filipina (April 1996)
Penjualan Toyota secara ritel naik 16% pada Januari-Oktober 2012 menjadi
270.921 unit dibandingkan periode yang sama tahun lalu. Mobil Toyota Avanza
masih menjadi pemberi kontribusi penjualan terbesar dengan angka 14.587.
jumlah tersebut naik lima persen dibandingkan bulan sebelumnya. Pencapaian
pada Oktober itu menunjukkan bahwa PT. TAM telah memberikan kontribusi
positif pada perekonomian, ditengah berbagai hambatan yang mewarnai industri
otomotif.

3.1.1 Visi dan Misi Perusahaan


Visi : Profesional berkelas internasional
Hal ini menunjukkan suatu acuan dengan adanya komitmen untuk selalu
mengutamakan kepuasan seluruh pelanggan PT. TMMIN. Dan PT. TMMIN
sebagai suatu perusahaan pelopor industri otomotif di Indonesia, senantiasa harus
dapat terus menerus menciptakan inovasi terbaiknya yang tentu saja berpandangan
pada 5K.
Misi : Untuk mewujudkan hal tersebut diatas, PT. TMMIN mencanangkan
suatu misi untuk tetap menjadi unggul di bidang industri otomotif, diantaranya
dengan mengutamakan kepuasan para pelanggan, memberikan kontribusi bagi
pembangunan ekonomi dan sosial, meningkatkan kesejahteraan melalui
pembinaan kepercayaan dengan karyawan, dealer, dan supplier ; memelihara
kelangsungan lingkungan hidup dan keselamatan kerja, juga serta menjunjung
tinggi pada kemampuan individu tanpa mengesampingkan kerja sama tim.

3.1.2 Struktur Organisasi


Board of Directors, merupakan jajaran Direksi yang terdiri dari President
Directors, Vice President, dan Directors yang memegang manajemen

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


45

tertinggi di perusahaan. Beberapa Directors mengepalai sebuah Direktorat


dengan satu atau lebih divisi di dalamnya.
1. Plant Sunter I, Area produksi Plant Sunter I terdiri atas 5 divisi, yaitu
Machining, Jig Tooling, Kijang Production, Quality, dan
Administrasi.
2. Plant Sunter II, merupakan area produksi TMMIN yang lain berada
di Sunter II dan terdiri dari 4 divisi, yaitu : Stamping Production,
Stamping Tools, Casting, Packing dan Vanning. Hasil produk
utamanya adalah press part, stamping tools, serta persiapan packing
dan vanning untuk diekspor.
3. Plant Karawang, PT. TMMIN memiliki plant Karawang yang
tepatnya berada di Kawasan Industri KIIC (Karawang International
Industrial City). Pada Direktorat ini terdiri dari 2 divisi, yaitu
Assembly and Painting, serta Press and Welding.
4. Corporate Planning, merupakan struktur organisasi yang terpisah dari
Direktorat dengan seorang General Manager yang mengepalainya.
Fungsi utama Corporate Planning adalah sebagai badan independen
yang menangani masalah Yayasan Toyota dan Astra, Komite Total
Quality Management (TQM), Komite kesejahteraan karyawan
meliputi keamanan kerja, kesehatan dan kenyamanan lingkungan,
serta reporting yang harus dilaporkan ke jajaran Board of Directors
terutama yang berhubungan dengan area kerja perusahaan.
5. Quality, terdiri atas satu divisi saja yaitu Divisi Quality dengan
definisi kerja untuk mengamankan jalannya produksi serta mengontrol
semua kualitas bahan baku, komponen, barang setengah jadi, barang
jadi, maupun kualitas kendaraan yang telah dijual serta melayani
pengaduan konsumen atas produk yang telah dibeli. Divisi ini
mempunyai peran penting terhadap kepuasan pelanggan ditinjaudari
kualitas produk karena akan mempertaruhkan kelangsungan produk
Toyota di masa yang akan datang.
6. Plant Administration, terdiri dari satu divisi saja yaitu Divisi Plant
Adminstration yang bertugas untuk menangani semua proses

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


46

administratif produksi, seperti penyediaan consumable parts (bahan


bakar, sarung tangan, ear plug, safety shoes, helmet, cat, dan
sebagainya) serta keamanan dan kenyamanan kerja karyawan di
lingkungan perusahaan seperti pengolahan limbah, pengurusan
kepersonaliaan, fasilitas toilet, dan sebagainya.
7. Finance dan ISTD. Bagian ini terdiri dari 2 divisi yang bertugas
menangani masalah keuangan perusahaan dan sistem jaringan internal
(information technology).
Divisi Finance
Divisi finance merupakan divisi yang berfungsi untuk mengatur
keuangan perusahaan dan melakukan transaksi atas semua
komponen/material yang diperlukan untuk proses produksi. Sistem
transaksi perusahaan dengan nama SAP (speed, accuration,
precision). Sistem ini mampu memonitor pergerakan material di
semua area untuk menjaga keakurasian asset perusahaan.
Divisi Information, System, and Technology (ISTD)
Divisi ISTD menangani masalah sistem jaringan komputer.
Database mengenai part list disediakan oleh divisi ini dan bisa
diakses oleh masing-masing user yang telah diberi wewenang
untuk mengkasesnya. Selain itu divisi ini juga memiliki workshop
untuk menangani masalah kerusakan komputer maupun hardware.
8. Human Resources and General Affairs
Divisi Human Resources
Divisi ini menangani masalah administratif kepegawaian, seperti
proses rekrutmen tenaga kerja, pengangkatan karyawan,
pemberhentian kerja karyawan, penentuan jabatan, surat-surat
perijinan, pembayaran gaji dan kesejahteraan karyawan lainnya.
Selain itu, divisi ini juga memiliki Training Centre yang bertugas
untuk membekali keterampilan kerja karyawan untuk mendukung
kerja di masing-masing bagian.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


47

Divisi General Affair


Divisi General Affair berfungsi untuk perawatan dan pengadaan
asset-asset perusahaan seperti gedung, instalasi listrik/air/telepon,
kendaraan pool, fasilitas parker, keamanan perusahaan (security),
dan sebagainya.
9. Production Control and Export Import, merupakan satu-satunya
divisi yang berwenang untuk mengatur penyediaan komponen untuk
kebutuhan produksi, mengatur heijunka produksi, menentukan
rencana produksi melalui Material Requirement Planning (MRP),
menyuplai komponen ekspor dari warehouse ke line produksi,
merencanakan serta mengontrol sistem operasional logistik di seluruh
plant, dan sebagainya.
10. Purchasing, dalam Direktorat Purchasing hanya terdapat satu divisi
saja, yaitu Divisi Purchasing. Divisi ini memiliki tugas untuk mencari
referensi komponen/material yang akan digunakan untuk proses
produksi dengan harga penawaran telah disepakati, maka divisi
Purchasing akan membuat Purchase Order (PO) yang dikirim kepada
semua supplier, dan penagihannya oleh supplier diteruskan langsung
ke divisi Finance.
11. Engineering, merupakan salah satu divisi yang menangani
administratif yang menyangkut spesifikasi komponen/material. Semua
komponen/material akan diterima dari mother company TMMIN di
Jepang, yaitu Toyota Motor Corporation (TMC).

Secara bagan, struktur organisasi PT. TMMIN dapat dilihat pada gambar 3.1
dibawah ini :

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


48

Gambar 3.1 Struktur Organisasi PT. TMMIN

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


49

3.1.3 Mekanisme Pembelian


Mekanisme pembelian di PT. TMMIN melalui Purchasing. Kegiatan
Divisi Purchasing berfokus pada pengadaan material suplai dan jasa yang
dibutuhkan perusahaan. Dalam arti sempit, prurchasing berkaitan dengan proses
membeli, dalam arti luas purchasing berfungsi dalam memilih supplier,
menetapkan harga, menebitkan purchase order, dan sebagainya. Divisi ini
merupakan jendela outsource PT. TMMIN.

Gambar 3.2 Purchasing sebagai jendela bagi outsource

Dalam usahanya untuk terus menjaga hubungan yang baikdengan supplier,


maka PT. TMMIN melakukan manajemen rantai pasok. Sehingga diharapkan
dengan begitu, akan tercapainya kinerja yang baik dari keseluruhan rantai pasok.
Dan tercapainya misi dari PT. TMMIN, yaitu untuk menjadi unggul di bidang
otomotif.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


50

- RF or WO selection - Check & confirm item & qty on PR


- Check stock condition - Spec & maker confirmation
- PR preparation - Request for Quotation (tender if
- Check user name (requester) of PR needed)
(name & ext. no.) - Compare and evaluation
- Check purchasing group on PR - Decide price & sourcing
(based on PuD mapping) - Make sure of delivery schedule
- Check goods condition (receiving) - PO release and approval
together with user

- Goods preparation based on


PO (spec, qty, & delivery)

- Spec clarification (complete


with type & maker)
- RF or WO preparation
- Schedule delivery

Gambar 3.3 Mekanisme Pembelian di PT. TMMIN

3.2 Pengumpulan Data


Data-data yang digunakan untuk penelitian ini adalah data primer yang
didapatkan dari hasil kuesioner yang diberikan kepada perusahaan yaitu
PT.TMMIN dan juga kepada masing-masing supplier.
PT. TMMIN memiliki sejumlah supplier yang dikelompokkan berdasarkan
kategori material. Namun pada penelitian ini, penulis akan meneliti mengenai
supplier tools pada bagian consumable supplier. Hal ini dikarenakan pada bagian
consumable supplier, belum memiliki suatu metode yang terstruktur dalam
pemilihan supplier. Sedangkan untuk pemilihan supplier tools, dikarenakan
pendapatan/bulan sebesar 20% pada bagian consumable berasal dari supplier
tools. Dapat dilihat pada gambar 3.4 mengenai bagan dari supplier yang ada di
PT. TMMIN.
Adapun untuk penelitian ini, kuesioner yang dibuat terdiri dari 2 jenis,
yaitu kuesioner penilaian kemampuan supplier dan kuesioner penilaian kinerja
supplier. Kuesioner penilaian kemampuan supplier diberikan kepada masing-
masing supplier untuk mengisinya, sedangkan untuk kuesioner penilaian kinerja

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


51

supplier diberikan kepada perusahaan untuk menilai kinerja satu-persatu


keseluruhan supplier tools. Dimana untuk keseluruhan supplier tools yang
berjumlah 104 suppliers. Dalam penelitian ini, dengan menggunakan Data
Envelopment Analysis (DEA), supplier tersebut menjadi Decision Making Unit
(DMU). DMU merupakan unit yang akan dianalisis dalam penelitian ini,

Gambar 3.4 Bagan Supplier di PT. TMMIN

3.2.1 Penentuan Kriteria dan Atribut


Penelitian ini menggunakan metode Data Envelopment Analysis (DEA)
dan Teknik Data mining. Dimana kedua metode ini memungkinkan untuk
memiliki multi input mapun multi output, sesuai yang diinginkan.
Berdasarkan brainstorming dengan pihak perusahaan khususnya bagian
purchasing, maka diputuskan untuk menggunakan kuesioner dengan skala biner
0-1. Dimana untuk jawaban dari masing-masing pertanyaan, yaitu ya dan tidak.
Dimana untuk konteks permasalahan yang ada, pemilihan skala biner dinilai
objektif untuk melakukan penilaian.
Pada penelitian ini, terbagi dari beberapa kriteria penilaian yaitu :
1. Kuesioner Penilaian Kemampuan Supplier
Pada kuesioner ini, terdapat beberapa kriteria yang akan digunakan untuk
menilai kemampuan supplier, diantaranya :
Sistem Manajemen Mutu
Dokumentasi dan Self Audit
Kemampuan Proses/Manufacturing
Manajemen Perusahaan

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


52

Kemampuan Pengembangan Desain


Kemampuan Pengurangan Biaya
2. Kuesioner Penilaian Kinerja Supplier
Kualitas
Harga
Pengiriman
Pelayanan
Kedua kuesioner tersebut, memiliki keterkaitan dimana dengan
menggunakan metode Data Envelopment Analysis (DEA), hasil kuesioner
penilaian kemampuan supplier akan menjadi input, dan sebaliknya untuk hasil
kuesioner penilaian kinerja supplier sebagai output.

3.3 Pengolahan Data


Data yang didapat hasil pengisian kuesioner yaitu berjumlah 104 buah
kuesioner penilaian kemampuan supplier dan 104 buah kuesioner penilaian
kinerja supplier. Dalam tahap pengolahan data, yang pertama kali dilakukan
adalah pengolahan data hasil kuesioner dengan menggunakan Data Envelopment
Analysis (DEA). Selanjutnya,hasil output dari pengolahan DEA tersebut,
digunakan dalam pengolahan data selanjutnya, yaitu Teknik Data mining.

3.3.1 Pengolahan dengan Data Envelopment Analysis (DEA)


Dalam melakukan pengolahan data menggunakan Data Envelopment
Analysis (DEA) dilakukan dengan beberapa tahap yaitu :
1. Penentuan Decision Making Unit (DMU)
DMU yang akan dianalisis merupakan supplier yang sudah terdaftar dalam
approved supplier list yang menandakan bahwa supplier tersebut adalah
supplier yang terpercaya, karena sudah menjalin hubungan kerjasama
dengan pihak perusahaan. Tetapi perlu diingat bahwa kinerja dari suatu
sistem pasti memiliki fluktuasi adan ketidakstabilan, sehingga perlu
dilakukan kegiatan evaluasi. DMU yang merupakan objek penelitian ini
adalah supplier pada tools, yanga mana berjumlah 104 suppliers.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


53

2. Identifikasi Variabel Input dan Output


Variabel input dan output yang diidentifikasi merupakan input dan
output yang berasal dari kemampuan dan kinerja DMU, dalam hal ini
adalah supplier. Penentuan variabel-variabel ini juga disertakan dengan
proses brainstorming dengan pihak perusahaan terutama bagian
purchasing.
Pemilihan variabel input dan output umumnya tidak jauh dari
kriteria standar yang sudah ditetapkan oleh pihak perusahaan dalam
mengevaluasi supplier. Setelah melalui proses brainstorming dengan
bagian purchasing serta dikombinasikan dengan literatur dari Talluri,
2004, maka disepakati untuk memilih beberapa variabel, yaitu ;
Tabel 3.1 Variabel Input dan Output
Variabel Input Variabel Output
Sistem Manajemen Mutu Kualitas
Dokumentasi dan Self Audit Harga
Kemampuan Proses/Manufacturing Pengiriman
Manajemen Perusahaan Pelayanan
Kemampuan Pengembangan Desain
Kemampuan Pengurangan Biaya

Penempatan variabel input dan output disesuaikan dengan kondisi


supplier yang diharapkan perusahaan. Dalam artian, bahwa variabel input
merupakan variabel sumber daya (resources) yang dapat mempengaruhi
kinerja supplier dalam pemenuhan kebutuhan pemesanan, sedangkan
variabel output adalah hasil/keluaran yang merupakan hasil tangible yang
dapat dilihat dan dirasakan manfaatnya oleh perusahaan sebagai user.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


54

Gambar 3.5 Model Keputusan DEA

3. Model DEA
Dalam penggunaan model DEA dikenal dengan adanya orientasi
yaitu input oriented dan output oriented. Model yang berorientasi pada
output oriented melihat sejauh mana input dapat dikurangi dengan tetap
mempertahankan tingkat output. Sebaliknya model yang menggunakan
input oriented, melihat sejauh mana output dapat ditingkatkan dengan
tetap mempertahankan input.
Dalam hal ini dipilih untuk menggunakan input oriented atau
output maximization. Hal ini berdasarkan pada pertimbangan pihak
purchasing, yang lebih mengutamakan kriteria kualitas, harga, pengiriman,
dan pelayanan. Hasil dari input oriented mungkin dapat
merekomendasikan untuk peningkatan output sekaligus pengurangan input
pada saat bersamaan. Namun hal ini, hanya menunjukkan terjadinya
penggunaan input yang berlebihan dalam pencapaian output.
Disamping pemilihan orientasi model, hal lain yang mesti
diperhatikan dalam menganalisa hasil dari DEA adalah karakteristik return
to scale yang merefleksikan operasi DMU dalam suatu sampel. Menurut
Feryzon (2004), dalam satu sampel homogen sekalipun, beberapa DMU
mungkin beroperasi pada return to scale yang konstan/constan return to

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


55

scale (CRS), sedangkan yang lain mungkin beroperasi pada return to scale
yang variabel/variable return to scale (VRS).
Seperti yang telah diungkapkan bahwa CRS berarti output
bertambah secara proporsional dengan penambahan input atau skala
operasi tidak mempengaruhi efisiensi unit kerja tersebut. Sedangkan VRS
berarti output akan bertambah atau berkurang secara tidak proporsional
dengan bertambahnya input. Artinya sejalan dengan berkembangnya suatu
unit kerja efisiensinya akan menurun atau meningkat.
Dalam penelitian ini, kedua asumsi return to scale ini digunakan
dengan alasan bahwa tidak semua DMU beroperasi secara optimal. Seperti
yang telah dijelaskan sebelumnya, bahwa asumsi CRS menyatakan
perubahan input akan mempengaruhi perubahan output secara
proporsional, yang berarti skala operasi tidak akan mempengaruhi tingkat
efisiensi yang ada. Namun, faktor-faktor yang tidak dapat dikontrol bisa
saja terjadi saat operasi, seperti halnya persaingan antara supplier yang
memungkinkan tiap DMU tidak beroperasi secara optimal. Oleh karena
itu, digunakan asumsi VRS yang menyatakan bahwa perubahan input akan
mempengaruhi perubahan output secara tidak proporsional sehingga
tingkat efisiensi selalu dapat berubah.
Berdasarkan penggunaan input oriented, maka penentuan bobot
kriteria ini berdasarkan dari pertimbangan pihak purchasing itu sendiri,
yaitu bobot kualitas : harga : pengiriman : pelayanan adalah 25 : 20 : 10
:10
Berdasarkan pemilihan model, yaitu dengan menggunakan input
oriented, maka model DEA dapat diformulasikan sebagai berikut (untuk 1
DMU) ;
Min : ho =

Dengan syarat :

ur , vi
Fungsi tujuan :

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


56

Min ho = 9vSMM + 6vDSA + 9vKPM + 7vMP + 2vKDP + 9vKPB

Fungsi kendala :
5uq + 6up + 5ud + 2us + Co = 1
1. 5uq + 6up + 5ud + 2us - 9vSMM - 6vDSA - 9vKPM - 7vMP - 2vKDP -
9vKPB - Co 0
2. 5uq + 5up + 5ud + 2us - 9vSMM - 7vDSA - 9vKPM - 9vMP - 5vKDP -
8vKPB - Co 0
3. 5uq + 6up + 5ud + 2us - 9vSMM - 7vDSA - 9vKPM - 9vMP - 5vKDP -
8vKPB - Co 0
4. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP -
9vKPB - Co 0
5. 5uq + 5up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 2vKDP -
9vKPB - Co 0
6. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 1vKDP -
9vKPB - Co 0
7. 4uq + 5up + 5ud + 1us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP -
9vKPB - Co 0
8. 5uq + 6up + 5ud + 2us - 9vSMM - 7vDSA - 9vKPM - 9vMP - 5vKDP -
8vKPB - Co 0
9. 3uq + 5up + 5ud + 1us - 4vSMM - 1vDSA - 6vKPM - 7vMP - 2vKDP -
7vKPB - Co 0
10. 5uq + 6up + 5ud + 2us - 9vSMM - 6vDSA - 10vKPM - 9vMP - 1vKDP -
9vKPB - Co 0
11. 5uq + 6up + 5ud + 1us - 9vSMM - 7vDSA - 10vKPM - 9vMP - 1vKDP -
9vKPB - Co 0
12. 4uq + 6up + 5ud + 2us - 5vSMM - 1vDSA - 9vKPM - 9vMP - 4vKDP -
7vKPB - Co 0
13. 3uq + 5up + 5ud + 1us - 4vSMM - 1vDSA - 6vKPM - 7vMP - 2vKDP -
7vKPB - Co 0
14. 4uq + 6up + 5ud + 2us - 5vSMM - 1vDSA - 5vKPM - 6vMP - 1vKDP -
6vKPB - Co 0

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


58

31. 5uq + 6up + 5ud + 2us - 9vSMM - 2vDSA - 6vKPM - 7vMP - 1vKDP -
8vKPB - Co 0
32. 5uq + 6up + 5ud + 2us - 9vSMM - 2vDSA - 6vKPM - 7vMP - 1vKDP -
8vKPB - Co 0
33. 4uq + 6up + 5ud + 2us - 6vSMM - 1vDSA - 6vKPM - 7vMP - 1vKDP -
7vKPB - Co 0
34. 4uq + 6up + 5ud + 2us - 6vSMM - 1vDSA - 6vKPM - 7vMP - 1vKDP -
7vKPB - Co 0
35. 4uq + 6up + 5ud + 2us - 7vSMM - 1vDSA - 6vKPM - 7vMP - 1vKDP -
7vKPB - Co 0
36. 4uq + 6up + 5ud + 2us - 8vSMM - 2vDSA - 6vKPM - 7vMP - 1vKDP -
7vKPB - Co 0
37. 4uq + 6up + 5ud + 2us - 8vSMM - 2vDSA - 6vKPM - 7vMP - 1vKDP -
7vKPB - Co 0
38. 4uq + 6up + 5ud + 1us - 9vSMM - 2vDSA - 6vKPM - 7vMP - 1vKDP -
7vKPB - Co 0
39. 4uq + 6up + 5ud + 2us - 8vSMM - 2vDSA - 6vKPM - 7vMP - 1vKDP -
7vKPB - Co 0
40. 4uq + 6up + 5ud + 2us - 5vSMM - 1vDSA - 6vKPM - 7vMP - 1vKDP -
6vKPB - Co 0
41. 4uq + 6up + 5ud + 2us - 5vSMM - 1vDSA - 6vKPM - 7vMP - 1vKDP -
6vKPB - Co 0
42. 4uq + 6up + 5ud + 2us - 4vSMM - 3vDSA - 6vKPM - 7vMP - 1vKDP -
6vKPB - Co 0
43. 4uq + 6up + 5ud + 2us - 4vSMM - 3vDSA - 6vKPM - 7vMP - 1vKDP -
6vKPB - Co 0
44. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 9vKPM - 7vMP - 5vKDP -
9vKPB - Co 0
45. 4uq + 6up + 5ud + 2us - 5vSMM - 1vDSA - 6vKPM - 7vMP - 1vKDP -
6vKPB - Co 0
46. 4uq + 6up + 5ud + 2us - 5vSMM - 1vDSA - 6vKPM - 7vMP - 1vKDP -
7vKPB - Co 0

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


59

47. 4uq + 6up + 5ud + 2us - 5vSMM - 1vDSA - 6vKPM - 7vMP - 1vKDP -
7vKPB - Co 0
48. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 9vKPM - 7vMP - 5vKDP -
9vKPB - Co 0
49. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 9vKPM - 7vMP - 1vKDP -
9vKPB - Co 0
50. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP -
9vKPB - Co 0
51. 5uq + 6up + 4ud + 1us - 8vSMM - 3vDSA - 6vKPM - 6vMP - 1vKDP -
7vKPB - Co 0
52. 5uq + 6up + 5ud + 2us - 9vSMM - 7vDSA - 10vKPM - 8vMP - 5vKDP -
9vKPB - Co 0
53. 5uq + 6up + 5ud + 2us - 9vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP -
8vKPB - Co 0
54. 5uq + 6up + 4ud + 2us - 8vSMM - 1vDSA - 6vKPM - 6vMP - 1vKDP -
7vKPB - Co 0
55. 5uq + 6up + 5ud + 2us - 9vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP -
8vKPB - Co 0
56. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP -
9vKPB - Co 0
57. 4uq + 5up + 4ud + 1us - 4vSMM - 1vDSA - 3vKPM - 6vMP - 5vKDP -
6vKPB - Co 0
58. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 8vMP - 5vKDP -
9vKPB - Co 0
59. 5uq + 6up + 5ud + 1us - 9vSMM - 7vDSA - 10vKPM - 8vMP - 5vKDP -
9vKPB - Co 0
60. 5uq + 5up + 4ud + 1us - 8vSMM - 1vDSA - 6vKPM - 6vMP - 1vKDP -
7vKPB - Co 0
61. 4uq + 6up + 5ud + 2us - 4vSMM - 3vDSA - 5vKPM - 6vMP - 1vKDP -
6vKPB - Co 0
62. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP -
9vKPB - Co 0

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


62

95. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 8vMP - 5vKDP -
9vKPB - Co 0
96. 4uq + 5up + 4ud + 1us - 4vSMM - 1vDSA - 3vKPM - 6vMP - 5vKDP -
6vKPB - Co 0
97. 5uq + 6up + 4ud + 2us - 7vSMM - 1vDSA - 5vKPM - 6vMP - 1vKDP -
6vKPB - Co 0
98. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP -
9vKPB - Co 0
99. 5uq + 6up + 5ud + 2us - 9vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP -
8vKPB - Co 0
100. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP
- 8vKPB - Co 0
101. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA – 10vKPM - 9vMP - 5vKDP
- 9vKPB - Co 0
102. 5uq + 6up + 4ud + 2us - 7vSMM - 1vDSA - 5vKPM - 6vMP - 1vKDP -
6vKPB - Co 0
103. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP
- 9vKPB - Co 0
104. 4uq + 5up + 4ud + 1us - 4vSMM - 1vDSA - 3vKPM - 6vMP - 5vKDP -
6vKPB - Co 0
Uq – 1.25 UP 0
Uq – 2.5 Ud 0
Uq – 2.5 Us 0
Up – 2 Ud 0
Up – 2 Us 0
Ud – Us 0
2. Pengolahan Data dengan software EMS versi 1.3 (Efficiency
Measurement System)
Untuk membantu pengolahan data, maka digunakan software
Eficiency Measurement System (EMS) versi 1.3. yang dikembangkan oleh
Dortmund University untuk tujuan edukasi.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


65

Untuk hasil nilai predicted dari pengolahan data menggunakan software Weka
3.7.5, dapat dilihat di Lampiran 3.
Berikut adalah nilai error dari pengolahan data mining menggunakan decision
tree dan neural network.
Tabel 3.3 Nilai test error data mining
DMU CRS-DT CRS-NN VRS-DT VRS-NN
Test error 6.7 5.7 11.4 9.5

Berdasarkan nilai test error pada tabel 3.3, terlihat bahwa nilai test error untuk
model CRS lebih kecil dibandingkan dengan nilai model VRS.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


BAB 4
ANALISIS HASIL

4.1 Analisis Hasil Pengolahan Data Envelopment Analysis (DEA)


Hasil utama optimasi model DEA adalah nilai efisiensi untuk masing-
masing DMU. Dimana seperti dapat dilihat pada tabel 3.2, hasil dari skor efisiensi
untuk masing-masing keseluruhan DMU.
Nilai efisiensi menggambarkan tingkat efisiensi masing-masing DMU
yang nilainya berkisar antara 0 – 1. Suatu DMU yang memperoleh nilai efisiensi 1
atau 100% mengindikasikan suatu kondisi dimana tidak ada input atau ouput yang
masih dapat ditingkatkan tanpa mengurangi tingkat input dan output yang lain.
DMU dengan tingkat efisiensi 100% jika dilihat dari orientasi input, DMU yang
memiliki efisiensi 100% berarti tidak ada DMU atau kombinasi DMU manapun
yang mampu menghasilkan tingkat output yang lebih banyak dengan
menggunakan tingkat input yang sama. Sedangkan jika dilihat dari orientasi
output, maka DMU dengan efisiensi 100% berarti bahwa tidak ada DMU atau
kombinasi DMU yang mampu menggunakan tingkat input yang lebih sedikit
untuk menghasilkan tingkat output yang sama.
Untuk DMU yang memiliki nilai efisiensi dibawah 100% atau inefisien
juga dapat dilihat dari kedua orientasi. Dilihat dari orientasi input, DMU yang
inefisien berarti bahwa ada DMU ataupun kombinasi DMU lain yang mampu
menghasilkan tingkat output yang sama atau lebih banyak dengan menggunakan
tingkat input yang sama. Demikian pula, jika dilihat dari orientasi output, DMU
yang inefisien berarti ada DMU atau kombinasi DMU lainnya yang mampu
menggunakan tingkat input yang sama ataupun lebih sedikit untuk menghasilkan
tingkat output yang sama.
Berdasarkan pengertian diatas, maka suatu DMU yang misalnya memiliki
efisiensi sebesar 70%, memiliki arti bahwa DMU tersebut hanya menghasilkan
output sebesar 70% sebesar dibandingkan DMU efisien dengan menggunakan
tingkat output yang sama.
Nilai efisiensi DEA yang dihasilkan kurang tepat bila digunakan untuk
menyusun peringkat bagi seluruh supplier yang dinilai. Hal ini dikarenakan nilai

66
UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


68

maka model CRS akan lebih cocok digunakan. Dimana prinsip CRS adalah bahwa
output bertambah secara proporsional dengan penambahan input, dengan kata lain
bahwa skala operasi tidak mempengaruhi efisiensi unit kerja tersebut.
Perbandingan penggunaan teknik data mining yaitu Decision Tree dan
Neural Network, dapat dilihat pada Lampiran 3, terlihat bahwa nilai predicted
error lebih besar untuk neural network dibandingkan dengan decision tree. Hal itu
juga dapat terlihat dari nilai test error untuk masing-masing pada tabel 3.3 , yaitu
untuk model CRS-DT memiliki nilai test error sebesar 6.7, sedangkan untuk
CRS-NN nilai test error nya sebesar 5.7. Untuk kasus ini, neural network
memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan decision tree, hal
ini disebabkan neural network mampu untuk mengatasi permasalahan data set
yang besar dan tidak informatif. Dikarenakan pada neural network dibutuhkan
untuk waktu training (pembelajaran) lebih lama dibandingkan teknik lainnya.
Waktu training yang lama ini akan membuat neural network akan lebih mampu
mengenal karakteristik data input, sehingga akan menghasilkan nilai error yang
lebih kecil.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


BAB 5
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan hasil penelitian, framework dalam pemilihan supplier adalah
berbeda antara model DEA-CRS dan model DEA-VRS. Hal ini dikarenakan pada
konsep CRS nilai output bertambah secara proporsional dengan penambahan
input dengan kata lain bahwa skala operasi tidak mempengaruhi efisiensi unit
kerja, sedangkan VRS berarti output akan bertambah atau berkurang secara tidak
proporsional dengan bertambahnya input. Nilai efisiensi yang didapatkan dari
masing-masing model berbeda antara penggunaan model CRS dan VRS. Dimana
untuk model CRS ada 40 suppliers yang memiliki nilai efisiensi sebesar 1 dan 54
suppliers yang memiliki nilai efisiensi sebesar 1 untuk model VRS.
Pengolahan data mining yang bertujuan untuk prediksi, memiliki hasil
yang berbeda diantara decision tree dan neural network. Model CRS dengan
menggunakan neural network memiliki nilai prediksi yang lebih tinggi
dibandingkan dengan penggunaan decision tree. Hal ini dapat terlihat dari
besarnya error yaitu 5.7 dibandingkan dengan decision tree sebesar 6.7. Hal ini
menunjukkan dalam kasus penelitian seperti ini, neural network lebih cocok untuk
digunakan. Dikarenakan neural network memiliki waktu lebih lama untuk
melakukan training, sehingga lebih mendalam untuk mengenal karakteristik data.

5.2 Saran
Penelitian ini memiliki beberapa keterbatasan, yaitu mengenai data
mengenai supplier. Untuk itu penulis memberikan saran untuk penelitian-
penelitian berikutnya yaitu :
1. Data yang akan digunakan dalam pengolahan data yang berupa kuesioner
dapat dikembangkan, dimana dengan penggunaan skala likert, untuk hasil
yang lebih akurat.
2. Pengembangan model DEA yang digunakan yaitu dengan menggunakan
output oriented.

69
UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


70

3. Penambahan variabel input yang digunakan dalam pengolahan data


mining, tidak hanya terbatas penggunaan skor efisiensi, bisa menggunakan
data lokasi dari supplier, keadaan ekonomi supplier, dan sebagainya.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


71

DAFTAR REFERENSI

Bevilacqua, M. and A. Petroni, 2002. From traditional purchasing to supplier management: A


fuzzy logic based approach to supplier selection. Int. J. Logist. Res. Appli.: Leading J.
Supply Chain Manage., 5: 235-255.

Chan, F.T.S., H.K. Chan, R.W.L. Ip and H.C.W. Lau, 2007. A decision support system for
supplier selection in the airline industry. Proc. Inst. Mechanical Eng. Part B: J. Eng.
Manufacture, 221: 741-758.

Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the ef ciency of decision-
making units. European Journal of Operational Research, 2, 429–444.

De Boer, L., Labro, E., & Molrlacchi, P. (2001). A review of methods supporting supplier
selection. European Journal of Purchasing and Supply Management, 7, 75–89.

Dickson, G. W. (1966). An analysis of vendor selection systems and decisions. Journal of


Purchasing, 2, 5–17.

Gencer, C. and D. Gurpinar, 2007. Analytic network process in supplier selection: A case study
in an electronic firm. Applied Math. Model., 31: 2475-2486.

Lee, A.H.I., 2009. A fuzzy supplier selection model with the consideration of bene ts,
opportunities, costs and risks. Expert Syst. Appl., 36: 2879-2893.

Ng, W.L., 2008. An efficient and simple model for multiple criteria supplier selection problem.
Eur. J. Oper. Res., 186: 1059-1067.

Olsen, R. F., & Ellram, L. M. (1997). A portfolio approach to supplier relationships. Industrial
Marketing Management, 26, 101–113.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


72

Saen, R.F., 2010. A decision model for selecting appropriate suppliers. Int. J. Adv. Oper.
Manage., 2: 46-56.

Talluri, S., & Narasimhan, R. (2005). A methodology for supply base optimization. IEEE
Transactions on Engineering Management, 52(1), 130–139.

Ting, S.C. and D.I. Cho, 2008. An integrated approach for supplier selection and purchasing
decisions. Supply Chain Manage.: Int. J., 13: 116-127.

Weber, C. A., & Desai, A. (1996). Determination of paths to vendor market ef ciency using
parallel coordinates representation: A negotiation tool for buyer. European Journal
of Operational Research, 90, 142–155.

Weber, C. A., & Ellram, L. M. (1993). Supplier selection using multiobjective


programming: A decision support system approach. International Journal of Physical
Distribution and Logistics Management, 23(2), 3–14.

Witten, I., & Frank, E. (2000). Data mining – practical machine learning tools and techniques
with java implementations. Morgan Kaufmann.

Wu, D. (2006). Detecting information technology impact on rm performance using DEA and
decision tree. International Journal of Information Technology and Management, 5,
162–174.

Wu, D., (2008). Supplier selection in a fuzzy group setting: A method using grey related analysis
and dempster–Shafer theory. Expert Systems with Applications, In Press.

Wu, D. (2009). Performance evaluation: An integrated method using data


envelopment analysis and fuzzy preference relations. European Journal of Operational
Research, 194(1), 227–235.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


73

Wu, D., & Olson, D. L. (2008). A comparison of stochastic dominance and stochastic DEA for
vendor evaluation. International Journal of Production Research(8), 2313–2327.

Wu, D., Yang, Z, & Liang, L. (2006). Using DEA-neural network approach to evaluate branch
ef ciency of a large canadian bank. Expert Systems with Applications, 31(1), 108–115.

UNIVERSITAS INDONESIA

Model pemilihan..., Pepy Anggela, FT UI, 2012


Lampiran 1
Kuesioner Penilaian Kemampuan Supplier

PENILAIAN KEMAMPUAN SUPPLIER


Nama Perusahaan :
Jenis Material :

Item Penilaian Ya Tidak


Sistem Manajemen Mutu
- Apakah perusahaan memiliki kebijakan kualitas yang jelas sebagai panduan
untuk melakukan rencana kualitas ?

- Apakah manajer kualitas bertanggung jawab langsung ke Top Management


atau ke level yang berhubungan langsung dengan Top Management ?

- Apakah perencanaan kualitas fokus untuk melakukan pencegahan defect ?

- Apakah perencanaan kualitas menggunakan pendekatan Plan, Do, Check,


Act (PDCA) untuk peningkatan kualitas ?

- Apakah perusahaan memiliki sertifikasi ISO ?

- Apakah pembelian material dari supplier terdokumentasikan secara detail


dan spesifik?

- Apakah perusahaan melakukan pengontrolan terhadap kualitas dari material


yang diterima dengan teknik sampling ?

- Apakah perusahaan memiliki program peningkatan kualitas secara


berkesinambungan?

- Apakah perusahaan menggunakan Statistical Process Control (SPC) untuk


meningkatkan kemampuan proses ?

- Apakah perusahaan mengukur dan mendokumentasikan kemampuan proses


secara rutin ?

Dokumentasi dan Self Audit


- Apakah perusahaan memiliki suatu sistem untuk menjamin pengontrolan
semua dokumen yang berhubungan dengan program kualitas ?

- Apakah pertanggungjawaban untuk hasil, perubahan, dan pemeliharaan


semua dokumen tertulis dalam form ?

- Apakah perusahaan memelihara dokumentasi terhadap catatan penghapusan


dokumen-dokumen yang telah usang ?

- Apakah verifikasi dilakukan oleh Quality Audit, guna melakukan koreksi


terhadap rencana yang akan di implementasikan ?

- Apakah ada personil yang bertanggung jawab untuk melakukan Quality


Audit ?

Model pemilihan..., Pepy Anggela, FT UI, 2012


- Apakah perusahaan menggunakan Customer Service Representatives yang
dapat merespon permintaan konsumen meliputi harga, kualitas pengiriman,
design/engineering, dan masalah waktu pengiriman ?

- Apakah tujuan perusahaan yang telah ditetapkan pada rencana bisnis,


direview/ditinjau bersama dengan karyawan setiap tahun ?

Kemampuan Desain dan Pengembangan


- Apakah perusahaan mampu melakukan desain dan pengembangan produk
baru ?

- Apakah perusahaan melakukan pembelajaran terhadap evaluasi kualitas,


keamanan, dan strategi pengurangan biaya ?

- Apakah perusahaan memiliki pengalaman dalam perancangan desain awal


dengan melibatkan konsumen ?

- Apakah perusahaan memiliki tim untuk melakukan desain dan


pengembangan ?

- Apakah perusahaan menggunakan staf desain untuk melakukan desain


produk ?
Kemampuan Pengurangan Biaya
- Apakah perusahaan memiliki sistem untuk memonitor semua elemen –
elemen biaya ?

- Apakah perusahaan menggunakan pendekatan sistematik untuk menetapkan


standar dasar pekerja, material, dan pengeluaran ?

- Apakah perusahaan mengetahui tentang Cost of Quality nya ?

- Apakah perusahaan memelihara dokumentasi biaya untuk analisa sebagai


upaya dalam perbaikan kualitas ?

- Apakah laporan perbandingan biaya actual dengan biaya standar dilakukan


setiap bulan ?

- Apakah perusahaan memiliki sistem untuk mendokumentasikan variansi


biaya ?

- Apakah perusahaan memiliki metode formal untuk memonitor tujuan


perbaikan biaya ?

- Apakah perusahaan menggunakan teknik Statistical Process Control (SPC)


untuk membantu mengurangi biaya-biaya yang tidak sesuai ?

- Apakah perusahaan ikut berpartisipasi dalam program pengurangan biaya


bersama konsumen ?

Model pemilihan..., Pepy Anggela, FT UI, 2012


Lampiran 2
Kuesioner Penilaian Kinerja Supplier
PENILAIAN KINERJA SUPPLIER
Nama Perusahaan :
Jenis Material :

Item Penilaian Ya Tidak


Kualitas
- Apakah supplier menyediakan komponen berdasarkan spesifikasi perusahaan ?

- Apakah supplier ini membantu dalam pengurangan biaya kualitas ?

- Apakah rencana manajemen kualitas supplier memungkinkan perusahaan untuk


mengeliminasi inspeksi penerimaan (acceptance inspection ) ?

- Apakah supplier dapat dengan cepat memberikan salinan hasil tes/inspeksi


proses dan proses produk mereka ?

- Apakah kinerja kualitas secara keseluruhan dari supplier dalam 1 tahun terakhir
dapat diterima ?
Harga
- Apakah kinerja harga keseluruhan dari supplier dalam 1 tahun terakhir dapat
diterima ?

- Apakah supplier memiliki sistem untuk memperkirakan biaya ?

- Apakah supplier memiliki sistem untuk monitoring biaya ?

- Apakah supplier membuat informasi mengenai struktur biaya yang tersedia


untuk perusahaan (detail struktur harga, elemen harga, kebijakan faktor
keuntungan, dll) ?

- Apakah supplier menggunakan program perbaikan biaya secara


berkesinambungan ?

- Apakah supplier membantu perusahaan dalam pencapaian target biaya ?


Pengiriman
- Apakah kinerja pengiriman oleh supplier dalam 1 tahun terakhir dapat diterima?

- Apakah supplier memiliki sistem penjadwalan ?

- Apakah waktu pengiriman dari supplier sesuai target perusahaan dalam 1 tahun
terakhir ?

- Apakah supplier menggunakan metode pengiriman Just In Time (JIT) ?

- Apakah supplier memberikan pemberitahuan pengiriman terlebih dahulu ?


Pelayanan
- Apakah supplier memiliki respon yang cepat dalam mengatasi keluhan
konsumen ?
- Apakah supplier menanggapi terhadap masalah-masalah yang dihadapi
perusahaan pada waktu yang tepat ?

Model pemilihan..., Pepy Anggela, FT UI, 2012


Lampiran 3
Hasil Pengolahan Software WEKA 3.7.5
Actual Score Actual score Decision Tree (DT) Neural Network (NN) Decision Tree (DT) Neural Network (NN)
DMU CRS VRS CRS CRS VRS VRS
actual actual predicted error predicted error predicted error predicted error
DMU1 0.889 0.864 0.867 -0.022 0.886 -0.003 0.859 -0.004 0.906 0.042
DMU2 0.778 0.763 0.799 0.021 0.771 -0.007 0.697 -0.066 0.784 0.021
DMU3 0.889 0.78 0.887 -0.002 0.893 0.004 0.774 -0.005 0.784 0.004
DMU4 0.8 0.694 0.799 -0.001 0.803 0.003 0.697 0.003 0.708 0.014
DMU5 0.7 0.682 0.683 -0.017 0.701 0.001 0.697 0.015 0.71 0.028
DMU6 1 1 1 0 0.999 -0.001 0.984 -0.016 0.994 -0.006
DMU7 0.667 0.588 0.683 0.017 0.667 0 0.655 0.067 0.603 0.015
DMU8 0.889 0.78 0.887 -0.002 0.891 0.002 0.774 -0.005 0.794 0.014
DMU9 1 0.994 1 0 1 0 0.998 0.004 1 0.006
DMU10 1 1 1 0 1 0 0.984 -0.016 0.995 -0.005
DMU11 1 1 1 0 1 0 0.984 -0.016 0.998 -0.002
DMU12 1 1 1 0 1.001 0.001 0.998 -0.002 0.986 -0.014
DMU13 1 0.994 1 0 1 0 0.998 0.004 0.984 -0.01
DMU14 1 1 1 0 1.002 0.002 0.998 -0.002 0.997 -0.003
DMU15 0.8 0.694 0.799 -0.001 0.803 0.003 0.697 0.003 0.71 0.016
DMU16 0.8 0.694 0.799 -0.001 0.801 0.001 0.697 0.003 0.708 0.014
DMU17 0.8 0.694 0.799 -0.001 0.804 0.004 0.697 0.003 0.715 0.021
DMU18 0.889 0.714 0.887 -0.002 0.886 -0.003 0.722 0.008 0.731 0.017
DMU19 0.889 0.714 0.887 -0.002 0.889 0 0.722 0.008 0.719 0.005
DMU20 1 1 1 0 0.999 -0.001 0.984 -0.016 0.99 -0.01

Model pemilihan..., Pepy Anggela, FT UI, 2012