PERENCANAAN PRODUKSI KERIPIK KENTANG MENGGUNAKAN METODE FUZZY LINEAR

PROGRAMMING (FLP) (Studi Kasus di UKM Agronas Gizi Food Kota Batu).

POTATO CHIPS PRODUCTION PLANNING USING FUZZY LINEAR PROGRAMMING (FLP) (Case
Study at SME Agronas Gizi Food Batu City)
Devie Cahaya N 1)*, Imam Santoso 2), Mas’ud Effendi 2)
1)
Alumni Jurusan Teknologi Industri Pertanian Universitas Brawijaya
2)
Staf Pengajar Jurusan Teknologi Industri Pertanian Universitas Brawijaya
Jurusan Teknologi Industri Pertanian – Fakultas Teknologi Pertanian – Universitas Brawijaya
Jalan Veteran – Malang 65145
*
Email: deviecah@gmail.com

Abstrak
Agronas Gizi Food merupakan UKM yang memproduksi keripik kentang yang sampai saat ini masih
kesulitan untuk melakukan perencanaan produksi yang tepat untuk memenuhi permintaan karena keterbatasan
sumber daya yang dimiliki. Oleh karena itu, dalam penelitian ini akan dilakukan perencanaan produksi pada UKM
Agronas Gizi Food menggunakan metode Fuzzy Linear Programming. Perencanaan produksi diawali dengan
melakukan peramalan permintaan kemudian dilanjutkan dengan membentuk fungsi tujuan dan fungsi kendala.
Fungsi tujuan dalam penelitian ini adalah memaksimalkan keuntungan dengan 3 fungsi kendala yaitu kendala
kapasitas produksi, kendala jam kerja dan kendala permintaan. Penyelesaian model optimasi dilakukan
menggunakan metode simpleks dengan bantuan software LINDO sedangkan peramalan permintaan dilakukan
mengunakan metode time-series dengan bantuan Ms. Excel dan Minitab 15. Keuntungan yang dihasilkan fuzzy
linear programming selalu meningkat dari bulan Juli hingga Desember 2014 jika dibandingkan dengan rencana
produksi UKM. Persentase keuntungan bulan Juli hingga Desember berturut-turut adalah meningkat 0.8%,
meningkat 0.8%, meningkat 2.6%, meningkat 0.8%, meningkat 2.6%, meningkat 0.7%. Dibandingkan dengan
model linear programming, model fuzzy linear programming juga mengalami peningkatan keuntungan pada
seluruh bulan dari Juli hingga Desember berturut-turut sebesar 2.7%, 2.6%, 3.5%, 1.2%, 3.4% dan 2.6%.

Kata kunci: perencanaan produksi, peramalan permintaan, linear programming, fuzzy, simpleks

Abstract
Agronas Gizi Food is an SME that produce potato chips which is still difficult to do a proper planning of
production to complete the demand because of limited available resources. Therefore, in this study will be
conducted on the production planning Agronas Gizi Food SMEs using Fuzzy Linear Programming. Production
planning begins with a demand forecasting and then proceed with forming the objective function and constraint
functions. The objective function in this study is to maximize profits by 3 constraint functions that is production
capacity constraint, constraint on working hours and demand constraint. Completion of the model optimization is
solved using the simplex method with the help of software LINDO whereas demand forecasting is solved using
time-series methods with the help of Ms. Excel and Minitab 15th. Profits generated fuzzy linear programming is
increasing from July to December 2014 when compared with the production plans of SME. Percentage gains in
July and December respectively increased 0.8%, increased 0.8%, increased 2.6%, increased 0.8%, increased
2.6%, increased 0.7%. Compared with the model of linear programming, fuzzy linear programming models also
increased profits in the entire month of July to December, respectively for 2.7%, 2.6%, 3.5%, 1.2%, 3.4% and
2.6%

Keywords: production planning, demand forecasting, linear programming, fuzzy, simplex

1
 PENDAHULUAN
Agronas Gizi Food merupakan salah
satu UKM yang memproduksi keripik kentang
yang melakukan proses produksi setiap hari.
Proses produksi yang dilakukan oleh Agronas
Gizi Food masih sangat sederhana, hampir
semuanya dilakukan dengan tenaga manusia
dan bantuan beberapa peralatan yang masih
sederhana. Adanya keterbatasan sumber daya
yang dimiliki oleh UKM seperti keterbatasan
kapasitas produksi, jam kerja dan adanya
permintaan yang fluktuatif, menjadikan UKM
tersebut belum menemukan metode yang tepat
untuk rencana produksi yang harus dilakukan.
seperti yang diketahui perencanaan produksi
merupakan hal penting yang harus dilakukan
oleh suatu perusahaan karena perencanaan
produksi merupakan suatu proses penetapan
tingkat output manufaktur secara keseluruhan
guna memenuhi tingkat penjualan yang
direncanakan dan inventori yang diinginkan
(Gaspersz, 2005). Salah satu metode yang dapat
digunakan dalam perencanaan produksi adalah
metode Fuzzy Linear Programming yang
merupakan metode linear programming dengan
menggunakan cara berfikir manusia dalam
membedakan informasi secara kualitatif
sehingga kondisi yang muncul akibat
subyektifitas dan intuisi yang dominan dapat
diselesaikan, bukan hanya menggunakan
asumsi kepastian seperti pada linear
programming Teori himpunan fuzzy dapat
digunakan untuk mempresentasikan
ketidakpastian, ketidakjelasan, ketidaktepatan,
dan kekurangan informasi (Frans, 2006).
Secara umum model Fuzzy Linear
Programming dapat dituliskan sebagai berikut:
Max Z = x
st x ≤
x≥0
dimana:
x adalah variabel keputusan , dan adalah
angka fuzzy
Teori tentang fuzzy pertama kali
diperkenalkan oleh Lotfi A. Zadeh pada tahun
1965 dan telah banyak digunakan dalam
berbagai penelitian. Hal ini karena logika yang
ada dalam fuzzy mudah dimengerti, sangat
fleksibel, memiliki toleransi terhadap data-data
yang tidak tepat, mampu memodelkan fungsi-
fungsi nonlinear yang sangat kompleks, dapat
membangun dan mengaplikasikan pengalaman-
pengalaman pakar secara langsung tanpa harus
melalui proses pelatihan, dapat bekerjasama
dengan teknik-teknik kendali secara
konvensional, dan logika juga didasarkan pada
bahasa alami (Yulianto dkk, 2008).
BAHAN DAN METODE
Tempat dan Waktu Penelitian
Penelitian dilaksankan pada bulan Mei
2014 di UKM Agronas Gizi Food yang
beralamat di Jalan Bukit Berbunga No 55
Sidomulyo Batu. Pengolahan data dan analisis
data dilakukan di Laboratorium Komputasi dan
Analisis Sistem, Jurusan Teknologi Industri
Pertanian, Fakultas Teknologi Pertanian,
Universitas Brawijaya.
Pembentukan Fungsi Tujuan dan Fungsi
Kendala
Fungsi tujuan yang ingin dicapai
adalah memaksimalkan keuntungan dengan tiga
fungsi kendala yaitu kapasitas produksi, jam
kerja dan permintaan. Langkah-langkah untuk
membentuk fungsi tujuan dan fungsi kendala
adalah:
1. Melakukan peramalan permintaan
untuk permintaan 6 bulan yang akan
datang menggunakan bantuan Ms.
Excel dan Minitab 15.
2. Menentukan kapasitas produksi 6 bulan
yang akan datang. Kapasitas produksi
yang digunakan adalah kapasitas
produksi total yang dimiliki UKM.
3. Menghitung waktu standar dari setiap
stasiun kerja
Perhitungan waktu kerja dilakukan
untuk menentukan waktu standar dalam
pembuatan tiap produk. Pengukuran
waktu dilakukan menggunakan metode
stopwatch time study atau metode jam
henti. Setelah itu dilakukan uji
keseragaman data dan uji kecukupan
2
 data. Lalu data tersebut dapat diolah
untuk menghitung waktu standarnya.
4. Menghitung ketersediaan jam kerja
5. Pengembangan model optimasi
dilakukan dengan menentukan
variabel-varibel keputusan dalam
notasi, fungsi tujuan (objective) dan
fungsi kendala.
Model optimasi tersebut adalah:
a. Variabel-variabel keputusan yang
terdiri dari:
X1 = keripik kentang ukuran 40gr
X2 = keripik kentang ukuran 65gr
X3 = keripik kentang ukuran 115gr
X4 = keripik kentang ukuran 250gr
X5 = keripik kentang ukuran 350gr
b. Fungsi tujuan
Memaksimalkan keuntungan
Max HiXi
Dimana:
H = keuntungan per unit
X = variabel keputusan
c. Fungsi Pembatas
- Kendala kapasitas produksi
Xi ≤ B
Xi = variabel keputusan
B = kapasitas produksi
terpasang
- Kendala ketersediaan jam kerja
aiXi ≤ R
dimana:
a = jumlah waktu standar dari
stasiun kerja ke i
Xi = variabel keputusan
R = jumlah jam kerja yang
tersedia
- Kendala permintaan
Menurut Vasant (2004), dalam suatu
pengambilan keputusan variabel sumber daya
mungkin saja tidak pasti, karena pada kondisi
nyata terdapat potensi adanya ketidaklengkapan
data dan ketidakpastian pada berbagai
lingkungan dan penyuplai dan menurut Marie
(2011), pemakaian fasilitas produksi
merupakan angka fuzzy karena kerusakan
mesin, kesalahan operator atau kualitas bahan
baku dapat menyebabkan waktu proses yang
berbeda. Oleh karena itu dalam penelitian ini
kapasitas produksi, jam kerja dan permintaa
dijadikan sebagai fungsi kendala dalam
perencanaan produksi yang dilakukan.
Penggambaran Fungsi Keanggotaan Fuzzy
Setelah membentuk fungsi kendala dan
fungsi tujuan, selanjutnya adalah mencari nilai
dari model linear programming yang telah
terbentuk. Penyelesaian dilakukan dengan
menggunakan nilai logika fuzzy pada saat t=0
dan t=1. Setelah itu digambarkan dalam bentuk
fungsi keanggotaan fuzzy seperti yang terlihat
pada Gambar 1.
Gambar 1. Fungsi Keanggotaan Fuzzy
Pada Gambar 1. setiap fungsi kendala
dan fungsi tujuan akan digambarkan dan
dibentuk menjadi sebuah himpunan fuzzy
dengan fungsi keanggotaan pada himpunan ke-i
yang disimbolkan dengan:
μo[BoXi]
dimana:
do = nilai batasan pada saat t = 0
po = nilai toleransi interval yang dilakukan
penambahan atau pengurangan pada fungsi
tujuan maupun fungsi kendala/fungsi pembatas
po + do = nilai batasan pada saat t = 1
Bo = nilai dari variabel x
Nilai μi [BiX] pada selang [0, 1], yaitu:
μo[BoX]
Pembentukan Model Fuzzy Linear
Programming
3
 Setelah digambarkan dalam fungsi
keanggotaan fuzzy, selanjutnya adalah
Memformulasikan ke dalam model fuzzy linear
programming dengan dasar perbedaan selisih
pada t =0 dan t = 1 yang merupakan nilai dari
po. Formulasi dari model fuzzy linear
programming yaitu:
Memaksimumkan :ℷ
dengan batasan : ℷ p0 + B0X ≤ d0 + p0
HASIL DAN PEMBAHASAN
Peramalan Permintaan
Peramalan perlu dilakukan dalam
perencanaan produksi karena menurut Nasution
(2008), Peramalan permintaan adalah perkiraan
tingkat permintaan barang atau jasa yang
diharapkan dapat terealisasi pada masa yang
akan datang. Hasil dari peramalan permintaan
menjadi masukan dalam keputusan
perencanaan dan pengendalian oleh bagian
operasioanl produksi. Peramalan permintaan
dilakukan berdasarkan data permintaan yang
dimiliki UKM menggunakan metode time
series dengan bantuan Ms.Excel dan Minitab
15.
Metode peramalan yang dipilih
didasarkan atas metode yang mimiliki nilai
MAPE terkecil. Hasil peramalan permintaan
untuk 6 bulan yang akan datang dapat dilihat
pada Tabel 1. Hasil peramalan permintaan pada
Tabel 1 digunakan sebagai salah satu fungsi
kendala dalam model fuzzy linear
programming, agar nantinya hasil rencana
produksi yang diperoleh dapat menyesuaikan
dengan permintaan yang ada.
Model Linear Programming dengan Konsep
fuzzy
Konsep logika fuzzy memberikan
interval pada model linear programming
dimana saat t=0 memiliki arti bahwa semua
fungsi kendala yang terbentuk tidak
menggunakan batasan nilai toleransi interval,
sedangkan saat t=1 memiliki arti bahwa semua
fungsi kendala yang telah terbentuk
menggunakan batasan nilai toleransi interval.
Model ini diselesaikan menggunakan metode
simpleks menggunakan bantuan software
LINDO. Dari hasil perhitungan menggunakan
software LINDO didapatkan hasil perhitungan
pada saat t=0 dan t=1. Hasil perhitungan untuk
t=0 dapat dilihat pada Tabel 2 dan Tabel 3.
Dari Tabel 2 dapat dilihat bahwa masih
terjadi kekurangan produksi jika dibandingkan
dengan jumlah permintaan, hal ini
mengindikasikan perlu adanya penambahan
kapasitas produksi melalui jam lembur. Setelah
dilakukan penambahan jam lembur seperti yang
terlihat pada Tabel 3 menghasilkan produk
yang dapat memenuhi seluruh permintaan yang
ada, hal ini mengindikasikan hahwa perlu
dilakukan lembur untuk meningkatkan
kapasitas produksi.
Fuzzy Linear Programming
Dari perhitungan software LINDO
diperoleh perencanaan produksi Fuzzy Linear
Programming yang merupakan hasil produksi
optimal yang dapat dihasilkan oleh UKM
dengan mempertimbangkan semua kendala
yang ada. Rencana produksi menggunakan
motode fuzzy linear programming dapat dilihat
pada Tabel 4. Hasil rencana produksi
menggunakan fuzzy linear programming
tersebut memberikan peningkatan keuntungan
jika dibandingkan dengan rencana produksi
yang ada di UKM ataupun dari hasil rencana
linear programming. Perbandingan keuntungan
yang dihasilkan dari ketiga rencana produksi
tersebut dapat dilihat pada Tabel 5.
Dari tabel 5. Terlihat bahwa keuntungan
yang dihasilkan dari fuzzy linear programming
lebih besar dibandingkan dengan keuntungan
yang diperoleh dari hasil rencana UKM
ataupun dari metode linear programming.
Persentase peningkatan keuntungan metode
fuzzy linear programming dibandingkan
dengan rencana produksi UKM untuk bulan
Juli meningkat 0.8%, Agustus peningkatan
0.8%, September meningkat 2.6%, Oktober
meningkat 0.8%, November meningkat 2.6%
dan Desember meningkat 0.7% dan jika
dibandingkan dengan model linear
programming persentase peningkatan
keuntungan bulan Juli sebesar 2.7 %, Agustus
sebesar 2.6 %, September sebesar 3.5 %,
Oktober sebesar 1.2 %, November sebesar 3.4
4
% dan Desember sebesar 2.6 %. Adanya Dari penelitian yang dilakukan diketahui bahwa
peningkatan keuntungan ini diakibatkan adanya penggunaan metode fuzzy linear programming
penggunaan konsep logika fuzzy yang memberikan hasil lebih baik dari pada linear
memasukkan interval toleransi dalam programming dengan menghasilkan
penyelesaian fuzzy linear programming keuntungan lebih besar. Rencana produksi yang
sehingga diperoleh nilai ℷ yang merupakan nilai dihasilkan oleh metode fuzzy linear
optimal yang dapat digunakan untuk programming dapat dijadikan sebagai
memperoleh keuntungan yang maksimal pertimbangan dalam rencana produksi UKM,
Hal ini sesuai dengan penelitian yang
dilakukan oleh Abdullah and Abidin (2014)
Tabel 1. Peramalan Permintaan
Hasil Peramalan
No Bulan
40 gr 65 gr 115 gr 250 gr 350 gr
1 Juli 1154 242 9715 9831 234
2 Agustus 1136 242 9715 9831 234
3 September 1119 242 9715 9831 234
4 Oktober 1101 242 9715 9831 234
5 November 1084 242 9715 9831 234
6 Desember 1066 242 9715 9831 234

Tabel 2. Jumlah Produk dan Keuntungan Keripik Kentang Saat t = 0

Ukuran Kemasan (bungkus) Keuntungan
Bulan (Rupiah)
40 gr 65 gr 115 gr 250 gr 350 gr
Juli 1033 217 9715 9300 227 279.484.100
Agustus 1033 217 9715 9300 227 279.484.100
September 1000 210 9715 9000 220 273.139.500
Oktober 1033 217 9715 9300 227 279.484.100
November 1000 210 9715 9000 220 273.139.500
Desember 1033 217 9715 9300 227 279.484.100

Tabel 3. Jumlah Produk dan Keuntungan Keripik Kentang Saat t = 1

Ukuran Kemasan (bungkus) Keuntungan
Bulan
40 gr 65 gr 115 gr 250 gr 350 gr (Rupiah)
Juli 1154 242 9715 9831 234 290.893.300
Agustus 1136 242 9715 9831 234 290.833.900
September 1119 242 9715 9831 234 290.777.800
Oktober 1101 242 9715 9831 234 290.718.400
November 1084 242 9715 9831 234 290.662.300
Desember 1066 242 9715 9831 234 290.602.900

Tabel 4. Nilai Optimal Jumlah Produksi dan Keuntungan

Bulan ℷ Jumlah (bungkus) Keuntungan

5
 40 gr 65 gr 115 gr 250 gr 350 gr (Rupiah)
Juli 0.668 1154 242 9715 9643 234 287095700
Agustus 0.667 1133 242 9715 9644 234 287046600
September 0.556 1119 242 9715 9444 234 282960400
Oktober 0.666 1101 242 9715 9645 234 286961200
November 0.555 1084 242 9715 9444 234 282844900
Desember 0.665 1066 242 9715 9646 234
286865900
Tabel 5. Keuntungan rencana produksi UKM, Linear Programming dan Fuzzy Linear
Programming
Keuntungan rencana Keuntungan pada
produksi UKM pada Keuntungan pada Linear Fuzzy Linear
Bulan
jam regular (Rp) Programming (Rp) Programming
(Rp)
Juli 284.737.100 279.484.100 287.095.700
Agustus 284.737.100 279.484.100 287.046.600
September 275.562.000 273.139.500 282.960.400
Oktober 284.737.100 279.484.100 286.961.200
November 275.562.000 273.139.500 282.844.900
Desember 284.737.100 279.484.100 286.865.900

KESIMPULAN dan 234 dan pada bulan Desember adalah 1066,

Peramalan permintaan yang dilakukan
menghasilkan permintaan 6 bulan yang akan
datang yaitu bulan Juli hingga Desember 2014
untuk kelima ukuran keripik kentang dalam
jumlah bungkus. Permintaan untuk ukuran 40
gr adalah 1154, 1136, 1119, 1101, 1084 dan
1066. Ukuran 65 gr, 115 rg, 250 gr dan 350 gr
menghasilkan permintaan yang sama setiap
bulannya yang masing-masing sebesar 242
untuk ukuran 65 gr, 9715 untuk ukuran 115 gr,
9831 untuk ukuran 250 gram dan untuk ukuran
350 gr adalah 234.
Perencanaan produksi metode FLP
menghasilkan rencana produksi keripik kentang
ukuran 40 gram, 65 gram, 115 gram, 250 gram
dan 350 gram untuk 6 bulan yang akan datang
yaitu bulan Juli hingga Desember 2014 dalam
jumlah bungkus. Rencana produksi untuk
kelima ukuran keripik kentang pada bulan Juli
adalah 1154, 242, 9715, 9643 dan 234, untuk
bulan Agustus adalah 1133, 242, 9715, 9644
dan 234, untuk bulan September adalah 1119,
242, 9715, 9444 dan 244, untuk bulan Oktober
adalah 1101, 242, 9715, 9441 dan 234, untuk
bulan November adalah 1084, 242, 9715, 9444
242, 9715, 9646 dan 234.
Keuntungan yang diperoleh dari
metode FLP lebih tinggi dibandingkan dengan
keuntungan dari rencana produksi UKM dan
linear programming biasa, dimana persentase
keuntungan FLP terhadap rencana produksi
UKM pada bulan Juli hingga Desember
berturut-turut adalah meningkat 0.8 %,
meningkat 0.8 %, meningkat 2.6%, meningkat
0.8 %, meningkat 2.6 % dan meningkat 0.7 %.
Persentase keuntungan FLP terhadap linear
programming selalu meningkat untuk bulan Juli
hingga Desember secara berturut-turut sebesar
2.7 %, 2.6 %, 3.5 %, 1.2 %, 3.4 % dan 2.6%.
SARAN
Pada penelitian selanjutnya dapat
ditambahkan fungsi kendala BEP agar nilai
jumlah produksi yang diperoleh memiliki
sensitivitas yang tinggi. Dalam penelitian ini
penyelesaian model FLP menggunakan konsep
logika fuzzy t = 0 dengan t = 1, maka untuk
penelitian selanjutnya dapat digunakan metode
lain seperti menggunakan metode Big M untuk
mendapatkan solusi pembanding.
2
 DAFTAR PUSTAKA Model Fuzzy Multi Objective Linear
Abdullah, L and Abidin, N. H. 2004. A Fuzzy Programming Pada Industri Pangan
Linear Programming in Optimizing (Studi Kasus Pada Industri Roti PT
Meat Production. International NIC). Jurnal Teknik INdustri: 38-42
Journal of Engineering and
Technology (IJET) 6 (1): 436-444. Nasution, A. H dan Prasetyawan, Y. 2008.
Perencanaan & Pengendalian
Frans, S. S. 2006. Himpunan dan Logika Produksi. Graha Ilmu. Yogyakarta.
Kabur Serta Aplikasinya Jilid 2. Hal: 32-35
Graha Ilmu. Yogyakarta.
Vasant, P. M. 2004. Application Of Multi
Gaspersz, V. 2005. Production Planning and Objective Fuzzy Linear Programming
Inventory Control Berdasarkan In Supply Production Planning
Pendekatan Sistem Terintegrasi Problem. Jurnal Teknologi 40:37-48.
MRP II dan JIT Menuju
Manufacturing 21. Gramedia Pustaka Yulianto, S. W., Indrastanti dan Oktriani, M.
Utama. Jakarta. Hal: 128 2008. Aplikasi Pendukung Keputusan
dengan Menggunakan Logika Fuzzy.
Marie, I. A., Eriyatno., Arkeman, Y dan Jurnal Informatika 4 (2): 159-173.
Daihani, D. U. 2011. Penentuan
Jumlah Produksi Menggunakan