BAB 2

LANDASAN TEORI

2.1 Kapasitas Produksi

Kapasitas adalah kemampuan pembatas dari unit produksi (tenaga

kerja, mesin, unit stasiun kerja, proses produksi, perencanaan produksi, dan

organisasi produksi) untuk dapat berproduksi dalam waktu tertentu.

M anfaat dari perhitungan kapasitas produksi ini adalah:

• Dapat meminimalkan keterlambatan pengiriman produk karena kesalahan

perhitungan kapasitas produksi.

• M enjembatani ketidakharmonisan antara kapasitas yang ada dengan

kapasitas yang diperlukan untuk memenuhi permintaan pasar.

• Sebagai bahan pertimbangan pihak perusahaan dalam penempatan

investasi mesin, operator, dan perubahan waktu kerja.

• Dapat meminimalkan biaya produksi dan harga pokok penjualan unit

produk.

Terdapat tiga metode dalam pengukuran kapasitas produksi yang ada

yaitu: (Gaspersz, 2005, hal 208)

a. Theoretical Capacity (Maximum Capacity atau Design Capacity)

M erupakan kapasitas maksimum yang mungkin dari sistem manufaktur

yang didasarkan pada asumsi mengenai adanya kondisi ideal seperti tiga
 30

shift per hari, tidak ada downtime mesin, dan lainnya. Jadi kapasitas ini

diukur berdasarkan jam kerja yang tersedia untuk melakukan pekerjaan,

tanpa suatu kesempatan untuk berhenti atau beristirahat.

b. Demonstrated Capacity (Actual Capacity atau Effective Capacity)

M erupakan tingkat output yang dapat diharapkan berdasarkan

pengalaman, yang mengukur produksi secara aktual dari pusat kerja di

waktu lalu, yang biasanya diukur menggunakan angka rata-rata

berdasarkan beban kerja normal.

c. Rated Capacity (Calculated Capacity atau Nominal Capacity)

M erupakan penyesuaian dari kapasitas teoritis dengan faktor

produktivitas yang telah ditentukan oleh demonstrative capacity.

Kapasitas ini didapatkan dengan menggandakan waktu kerja yang

tersedia dengan faktor utilisasi dan efisiensi.

2.2 Peta Kerja

Peta kerja adalah suatu alat yang menggambarkan kegiatan kerja

secara sistematis dan jelas. Lewat peta-peta ini, bisa dilihat semua langkah

atau kejadian yang dialami oleh suatu benda kerja dari mulai masuk ke pabrik

(berbentuk bahan baku); kemudian menggambarkan semua langkah yang

dialaminya, seperti: transportasi, operasi mesin, pemeriksaan dan perakitan;

 31

sampai akhirnya menjadi produk jadi, baik produk lengkap atau merupakan

bagian dari suatu produk lengkap.

Lambang-lambang yang dipergunakan dalam peta kerja dan

dikeluarkan oleh American Society of Mechanical Engineers (ASM E) adalah

sebagai berikut: (Sutalaksana, 1979, hal 16)

1. Operasi

Suatu kegiatan operasi terjadi apabila benda kerja mengalami

perubahan sifat, baik fisik maupun kimiawi, mengambil informasi

maupun memberikan informasi pada suatu keadaan juga termasuk

operasi.

Operasi merupakan kegiatan yang paling banyak terjadi dalam suatu

proses. Dan biasanya terjadi pada suatu mesin atau stasiun kerja,

contohnya:

• Pekerjaan menyerut kayu dengan mesin serut

• Pekerjaan merakit

2. Pemeriksaan

Suatu kegiatan pemeriksaan terjadi apabila benda kerja atau

peralatan mengalami pemeriksaan baik untuk segi kualitas maupun

kuantitas.

Contoh:

• M engukur dimensi benda

 32

• M emeriksa warna benda

3. Transportasi

Suatu kegiatan transportasi terjadi apabila benda kerja, pekerja atau

perlengkapan mengalami perpindahan tempat yang bukan merupakan

bagian dari suatu operasi.

Contoh:

• Benda kerja diangkut dari satu mesin ke mesin selanjutnya

• Suatu objek dipindahkan dari lantai bahwa ke lantai atas lewat

elevator

4. Penyimpanan

Proses penyimpanan terjadi apabila benda kerja disimpan untuk

jangka waktu yang cukup lama. Jika benda kerja tersebut akan diambil

kembali, biasanya memerlukan suatu prosedur perizinan tertentu.

Contoh:

• Barang jadi disimpan dalam warehouse

• Bahan baku disimpan dalam gudang

5. M enunggu

Proses menunggu terjadi apabila benda kerja, pekerja atau

perlengkapan tidak mengalami kegiatan apa-apa selain menunggu.

Contoh:
 33

• Objek menunggu untuk diproses atau diperiksa

• Peti menunggu untuk dibongkar

6. Aktivitas Gabungan

Kegiatan ini terjadi apabila antara aktivitas operasi dan pemeriksaan

dilakukan bersamaan atau dilakukan pada suatu tempat kerja.

Contoh:

• Proses pengelasan dengan pemeriksaan kondisi beban kerja

• Proses pemeriksaan warna dengan proses pengguntingan

Peta kerja yang umum digunakan adalah: (Apple, 1990 hal 136)

1. Peta (bagan) Rakitan 6. Bagan (diagram) Aliran

2. Peta Proses Operasi 7. Peta Proses Aliran

3. Peta Proses Produk-darab 8. Peta Dari Ke-

4. Diagram (bagan) Tali 9. Peta Prosedur

5. Peta Proses 10. Jaringan Lintasan Kritis

Berikut ini akan dibahas mengenai peta kerja yang berhubungan

dengan tugas akhir ini, yaitu: peta rakitan dan peta proses operasi.

2.2.1 Peta Rakitan

Peta rakitan adalah gambaran grafis dari urut-urutan aliran

komponen dan rakitan bagian ke dalam rakitan suatu produk. Peta

 34

rakitan menunjukkan cara yang mudah dipahami tentang: (Apple, 1990,

hal 137)

1. Komponen-komponen yang membentuk produk.

2. Bagaimana komponen-komponen ini bergabung bersama.

3. Komponen yang menjadi bagian suatu rakitan-bagian.

4. Aliran komponen ke dalam sebuah rakitan.

5. Keterkaitan antara komponen dengan rakitan-bagian.

6. Gambaran menyeluruh dari proses rakitan.

7. Urutan waktu komponen bergabung bersama.

8. Suatu gambaran awal dari pola aliran bahan.

Tujuan dari peta rakitan terutama untuk untuk menunjukkan

keterkaitan antar komponen.

2.2.2 Peta Proses Operasi

Peta proses operasi ini merupakan suatu diagram yang

menggambarkan langkah-langkah proses yang akan dialami bahan baku

mengenai urutan-urutan operasi dan pemeriksaan. (Sutalaksana, 1979,

hal 21).

Sejak dari awal sampai menjadi produk jadi utuh maupun sebagai

komponen, dan juga memuat informasi-informasi yang diperlukan

untuk analisa lebih lanjut seperti: (Purnomo, 2004, hal 90)

 35

• Deskripsi proses bagi setiap kegiatan/aktivitas

• Waktu penyelesaian masing-masing kegiatan

• Peralatan/mesin yang digunakan

• Persentase scrap selama berlangsungnya aktivitas

Peta proses operasi adalah salah satu teknik yang paling berguna

dalam perencanaan produksi. Kenyataannya peta ini adalah diagram

tentang proses, dan telah digunakan dalam berbagai cara sebagai alat

perencanaan dan pengendalian. Beberapa keuntungan dan kegunaan

dari peta proses operasi ini adalah sebagai berikut: (Apple, 1990, hal

140)

1. M engkombinasikan lintas produksi dan peta rakitan sehingga

memberikan informasi yang lebih lengkap.

2. M enunjukkan operasi yang harus dilakukan untuk tiap komponen

3. M enunjukkan urutan operasi pada tiap komponen

4. M enunjukkan urutan fabrikasi dan rakitan dari tiap komponen

5. M enunjukkan kerumitan nisbi dari fabrikasi tiap komponen

6. M enunjukkan hubungan antar komponen

7. M enunjukkan panjang nisbi dari lintas fabrikasi dan ruang yang

dibutuhkannya

8. M enunjukkan titik tempat komponen memasuki proses

9. M enunjukkan tingkat kebutuhan sebuah rakitan bagian

 36

10. M embedakan antara komponen yang dibuat dan dibeli

11. M embantu perencanaan tempat kerja mandiri

12. M enunjukkan jumlah pekerja yang dibutuhkan

13. M enunjukkan secara nisbi konsentrasi mesin, peralatan, dan pekerja

14. M enunjukkan sifat pola aliran bahan

15. M enunjukkan sifat masalah penanganan bahan

16. M enunjukkan kesulitan-kesulitan yang mungkin timbul dalam

aliran produksi

17. M encatat proses pembuatan untuk diperlihatkan pada yang lain

Ada empat hal yang perlu diperhatikan/dipertimbangkan agar

diperoleh suatu proses kerja yang baik melalui analisa peta proses

operasi, yaitu: (Sutalaksana, 1979, hal 26)

1. Bahan-bahan

Harus dipertimbangkan semua alternatif dari bahan yang digunakan,

proses penyelesaian dan toleransinya sedemikian rupa sehingga

sesuai dengan fungsi, reliabilitas, pelayanan, dan waktunya.

2. Operasi

Juga dalam hal ini harus dipertimbangkan semua alternatif yang

mungkin digunakan untuk proses pengolahan, pembuatan,

pengerjaan dengan mesin atau metode perakitannya, beserta alat dan

perlengkapan yang digunakan. M isalnya dengan menghilangkan,

 37

menggabungkan, mengubah atau menyederhanakan operasi-operasi

yang terjadi.

3. Pemeriksaan

Dalam hal ini harus mempunyai standar kualitas. Suatu objek

dikatakan memenuhi standar kualitas jika setelah dibandingkan

dengan standar ternyata baik atau minimal sama. Proses

pemeriksaan dapat dilakukan dengan menggunakan metode

sampling atau satu per satu dari semua objek yang dibuat. Tentunya

cara yang terakhir tersebut dilakukan apabila jumlah produknya

sedikit.

4. Waktu

Untuk mempersingkat waktu penyelesaian suatu pekerjaan, harus

mempertimbangkan semua alternatif metode, peralatan dan tentunya

perlengkapan-perlengkapan khusus.

2.3 Perhitungan Jumlah Mesin

Untuk menghitung jumlah mesin dilakukan perhitungan jumlah mes in

teoritis dari lembar pengurutan produksi (routing sheet). Routing sheet adalah

tabulasi langkah-langkah yang dicakup dalam memproduksi komponen

tertentu dan rincian yang perlu dari hal-hal yang berkaitan. (Apple, 1990, hal

86).
 38

Informasi dalam pengurutan ini dapat mencakup:

1. Nomor operasi

2. Nama operasi

3. Nama mesin atau alat yang dipakai

4. Waktu baku

5. Kapasitas mesin teoritis/bulan, diperoleh dari:

Jam Kerja Tiap Bulan

Kapasitas Alat Teoritis / bulan =
Waktu Baku Pr oses

6. Persentase scrap merupakan persentase kegagalan proses dan tidak dapat

digunakan lagi. Persentase scrap bukan sisa bahan yang tidak terpakai

lagi.

7. Jumlah yang diharapkan dan jumlah yang ingin disiapkan

Jumlah yang diharapkan merupakan jumlah produk yang ingin dicapai.

Nilai jumlah yang diharapkan untuk operasi ke-n diperoleh dari nilai

jumlah yang disiapkan pada operasi ke-(n+1), sedangkan operasi terakhir

didapat dari kapasitas produksi yang diinginkan. Untuk komponen-

komponen yang dengan jumlah pieces lebih dari satu, maka jumlah yang

diharapkan diperoleh dengan dikalikan jumlah pieces yang diperlukan.

Jumlah yang disiapkan nilainya selalu sama atau lebih besar, tergantung

dari persentase scrap untuk proses produksi yang bersangkutan.

Jumlah Diharapkan
Jumlah Disiapkan =
1 − Persentase Scrap
 39

8. Produksi dengan efisiensi

Tingkat produksi pada efisiensi adalah tingkat produksi mesin dengan

mempertimbangkan tingkat efisiensi rata-rata yang dimiliki pabrik.

Jumlah yang disiapkan

Pr oduksi pada Efisiensi =
Efisiensi Pabrik

9. Reliabilitas mesin

10. M enghitung jumlah mesin teoritis

Untuk menghitung jumlah mesin teoritis diperlukan tingkat reliabilitas

(keandalan) mesin.

Produksi pada efisiensi

Jumlah Mesin Teoritis =
Re liabilitas mesin × Kapasitas mesin teoritis

2.4 Peramalan

Peramalan (forecasting) adalah seni dan ilmu memprediksi peristiwa-

peristiwa masa depan yang memerlukan pengambilan data historis dan

memproyeksikannya ke masa depan dengan beberapa bentuk model

matematis. Dengan kata lain peramalan bisa juga disebut sebagai prediksi

subjektif atau intuitif tentang masa depan (Render, 2001, hal 16). Sedangkan

yang dimaksud dengan peramalan permintaan sendiri adalah usaha untuk

mengetahui jumlah suatu produk atau sekelompok produk di masa yang akan

datang dalam suatu kondisi tertentu. Lalu pengukuran permintaan

didefinisikan sebagai usaha untuk mengetahui permintaan atas suatu produk

 40

atau sekelompok produk di masa yang lalu dan masa sekarang dalam suatu

kondisi tertentu. Hasil peramalan yang baik adalah hasil yang paling

mendekati dengan nilai sebenarnya, sehingga biaya untuk menyesuaikan

produksi akibat penyimpangan jumlah permintaan dapat ditekan sebesar

mungkin. Usaha peramalan hanya mungkin dilakukan jika data-data dari

masa lampau tersedia. Apabila suatu perusahaan baru meluncurkan produk

jenis baru dan tidak memiliki data-data penjualan di masa lampau, maka

perusahaan hanya mampu melakukan prediksi dan bukanlah peramalan.

Usaha melakukan peramalan permintaan tidaklah dapat diartikan

sebagai kegiatan yang bertujuan untuk mengukur permintaan di masa yang

akan datang secara pasti, melainkan sekedar usaha untuk mengurangi

kemungkinan terjadinya hal yang berlawanan antara keadaan yang

sebenarnya terjadi di kemudian hari dengan apa yang menjadi hasil peramalan

tersebut. Dengan kata lain, hasil maksimal dari kegiatan peramalan adalah

melakukan minimasi ketidakpastian yang mungkin terjadi di masa yang akan

datang. Hal tersebut disebabkan karena peramalan memiliki banyak sekali

keterbatasan dan jarang sekali didapatkan hasil yang sempurna, bahkan

permalan juga memakan biaya dan waktu untuk menyiapkan dan

memantaunya.
 41

2.4.1 Metode Peramalan

Situasi peramalan sangat beragam dalam horizon waktu peramlan,

faktor yang menentukan hasil sebenarnya, tipe pola data dan berbagai

aspek lainnya. Untuk menghadapi penggunaan yang luas seperti itu,

beberapa teknik telah dikembangkan. Teknik tersebut dibagi dalam 2

kategori utama, yaitu:

1. Peramalan Kualitatif

Yaitu peramalan yang didasarkan atas perasaan dari orang yang

menyusunnya. Jenis peramalan ini memanfaatkan faktor-faktor

penting seperti intuisi, pengalaman pribadi, dan sistem nilai

pengambilan keputusan. Dalam hal ini pandangan dari penyusun

ramalan sangat menentukan baik tidaknya hasil dari peramalan

tersebut.

2. Peramalan Kuantitatif

Peramalan yang didasarkan atas data historis yang relevan pada

masa lalu, dengan menggunakan berbagai model dan atau variabel-

variabel kausal untuk meramalkan permintaan. Hasil peramalan

yang dibuat sangat tergantung pada metode yang dipergunakan

dalam peramalan tersebut. M etode yang terbaik adalah metode yang

memberikan nilai-nilai kesalahan peramalan ataupun penyimpangan

yang sekecil mungkin dan memberikan hasil yang paling mendekati

 42

dengan nilai sebenarnya.pandangan dari penyusun ramalan sangat

menentukan baik tidaknya hasil dari peramalan tersebut. Peramalan

kuantitatif dapat diterapkan bila terdapat 3 kondisi berikut:

(M akridakis, 1995, hal 19)

1. Tersedia informasi tentang masa lalu

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data

numerik

3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan

terus berlanjut di masa mendatang

Ada beberapa metode yang termasuk dalam peramalan kuantitatif

atau objektif ini yang dipakai dalam laporan ini, yaitu:

1. Time Series Models

M etode peramalan yang didasarkan atas penggunaan analisa

pola hubungan antara variabel yang akan diperkirakan dengan

variabel waktu, yang merupakan deret waktu atau time series.

Sering juga disebut dengan model seri waktu atau deret waktu,

memprediksi berdasarkan asumsi bahwa masa depan adalah fungsi

dari masa lalu. M odel ini melihat pada apa yang terjadi selama

periode waktu dan menggunakan seri data masa lalu untuk membuat

ramalan.
 43

¾ M etode Exponential Smoothing

Exponential Smoothing adalah metode peramalan yang paling

populer karena metode ini tersedia dalam software komputer

standar dan metode ini hanya memerlukan penyimpanan data

historis yang tidak terlalu banyak. M etode Exponential

Smoothing berbeda dari metode lainnya dalam hal pemberian

bobot untuk data historis yang digunakan. Pola pemberian bobot

pada data historis untuk metode ini adalah berbentuk

eksponensial. Data permintaan untuk periode yang paling baru

diberi bobot paling besar, sedangkan untuk data permintaan

periode berikutnya sampai periode paling lampau bobotnya

berkurang secara eksponensial. Dengan kata lain, pengurangan

bobot tidak bersifat linier.

Penggunaaan metode Exponential Smoothing harus didasari

dengan pemilihan Smoothing Coefficient (α ) yang tepat. Nilai

α memberikan pengaruh yang besar terhadap hasil peramalan,

apakah peramalan bersifat reaktif terhadap perubahan

permintaan atau kurang reaktif. Jika permintaan bersifat stabil

dan dipercaya dapat mempresentasikan permintaan di masa

yang akan datang, maka nilai α yang dipilih sebaiknya adalah

nilai yang kecil (misalnya 0.1, 0.2, atau 0.3) untuk

 44

menghaluskan perubahan permintaan yang tiba-tiba. Sebaliknya

jika data permintaan relatif kurang stabil, maka sebaiknya

dipilih nilai α yang besar (misalnya 0.4, 0.5, atau 0.6) agar

hasil peramalan dapat beradaptasi lebih cepat terhadap

perubahan permintaan. Begitu juga dengan β dan γ .

0 ≤ α ≤ 1;
0 ≤ β ≤ 1;
0 ≤ γ ≤1

• Metode Double Exponential Smoothing Dua Parameter

Dari Holt

Inisialisasi Awal: S1 = X 1

b1 = X 2 − X 1

S t = α * X t + (1 − α )(S(t −1) + b (t −1) )

b t = γ (St − S(t −1) ) + (1 − γ)b (t −1)

F(t + m) = St + b t * m

St = Pemulusan ke-t

b t = Nilai trend ke-t

F(t + m) = Nilai peramalan ke-t

 45

• Metode Triple Exponential Smoothing Metode Quadratik

Inisialisasi Awal: S '1 = S"1 = S'' '1 = X1

S ' t = α .X t + (1 − α )S' t−1 →Pemulusan pertama

S '' t = α .S ' t + (1 − α )S "t −1 →Pemulusan kedua

S '' ' t = α .S '' t + (1 − α )S ''' t −1 →Pemulusan ketiga

at = 3S ' t − 3S " t + S ' '' t

α
bt = [(6 − 5α )S ' t − (10 − 8α )S "t + (4 − 3α )S '' ' t ]
2(1 − α )
2

α2
ct = (S ' t − 2 S '' t + S '' 't )
(1 −α )2

1
Ft +m = at + bt .m + ct .m2
2

• Metode Triple Exponential Smoothing Tiga Parameter

dari Winter

Inisialisasi Awal: S L + 1 = X L+ 1

Xt
It =
X

∑X i
X= i= 1
; 1≤t ≤ L
L
 46

1
b L+ 1 = [(X L+1 − X 1 ) + ( X L +2 − X 2 ) + ... + (X L+ L − X L )]
L2

Pemulusan Keseluruhan:

+ (1 − α )(S( t−1) + b( t−1) )

Xt
St = α .
I t− L

Pemulusan Trend:

bt = γ (St − S (t −1 ) )+ (1 − γ )b(t −1)

Pemulusan M usiman:

Xt
It = β . + (1 − β )I( t −L ) ;t >L
St

Peramalan:

F(t +m ) = (St + bt ∗ m)I (t −L +m )

2. Causal Models

M odel kausal adalah pendekatan yang memperhatikan

hubungan sebab akibat (cause-effect method) atau pendekatan yang

menjelaskan terjadinya suatu keadaan (explenatory method) oleh

sebab-sebab tertentu. M odel ini didasarkan atas penggunaan analisa

pola hubungan antara variabel yang akan diperkirakan dengan

variabel lain yang mempengaruhinya, yang bukan waktu dan

disebut dengan metode korelasi atau sebab akibat (causal method).

 47

¾ M etode Peramalan Dekomposisi

Persamaan yang dipakai dalam melakukan peramalan

dekomposisi adalah sebagai berikut:

Seasonal :

12
12 months moving total = ∑ Yt
t =1

2 Year Moving Total = 12 Month Moving Totalx + 12 Month

Moving Totalx+1

2 year moving total

Centered =
24

Demand
Seasonal Index =
Centered

Adjusted Index = Index * Multiplier

Trend :

x y = Periode * Demand

Trend (T) = a + bx

n∑ xy − ∑ x ∑ y
b=
n∑ x 2 − (∑ x )
2
 48

− −
a = y− b x

Ft (TS) = Trend * Adjusted Index

Error = Data Permintaan – Ft (TS)

2.4.2 Uji Ketepatan Peramalan

™ Ukuran-ukuran Relatif
• Galat Persentase (Percentage Error)
⎛ X − Ft ⎞
PE = ⎜⎜ t ⎟⎟ *100
⎝ Xt ⎠
• Nilai Tengah Galat Persentase Absolut (Mean Absolute
Percentage Error)
1 n
n ∑t =1
MAPE = PEt
 49

2.5 Sistem Simulasi

2.5.1 Definisi Sistem

Sistem adalah suatu kesatuan usaha yang terdiri dari bagian-

bagian yang berkaitan satu sama lain yang berusaha mencapai suatu

tujuan dalam suatu lingkungan kompleks (M arimin, 2004, hal 1).

Lingkungan sistem adalah segala komponen yang berada di luar sistem

dan mempunyai pengaruh terhadap sistem tersebut. Contoh dari sistem

antara lain: sistem publik seperti pelayanan jasa di bank, sistem

transportasi seperti pengaturan distribusi area pemasaran, dan

sebagainya.

2.5.2 Definisi Simulasi

Simulasi adalah peniruan perilaku suatu gejala atau proses.

Simulasi bertujuan untuk memahami gejala atau proses tersebut,

membuat analisis dan peramalan perilaku gejala atau proses tersebut di

masa depan. (M uhammadi, 2001, hal 51)

Ada berbagai keuntungan yang bisa diperoleh dengan

memanfaatkan simulasi, yaitu sebagai berikut: (Kakiay, 2004, hal 3)

1. Compress time (menghemat waktu)

Kemampuan di dalam menghemat waktu ini dapat dilihat dari

pekerjaan yang bila dikerjakan akan memakan waktu tahunan tetapi

 50

kemudian dapat disimulasikan hanya dalam beberapa menit, bahkan

dalam beberapa kasus hanya dalam hitungan detik. Kemampuan ini

dapat dipakai oleh para peneliti untuk melakukan berbagai

pekerjaan desain operasional yang mana juga memperhatikan

bagian terkecil dari waktu untuk kemudian dibandingkan dengan

yang terdapat pada sistem yang nyata berlaku.

2. Expand time (dapat melebar-luaskan waktu)

Hal ini terlihat terutama dalam dunia statistik di mana hasilnya

diinginkan dapat tersaji dengan cepat. Simulasi dapat digunakan

untuk menunjukkan perubahan struktur dari suatu sistem nyata (real

system) yang sebenarnya tidak dapat diteliti pada waktu yang

seharusnya (real time). Dengan demikian simulasi dapat membantu

mengubah real system hanya dengan memasukan sedikit data.

3. Control sources of variation (dapat mengawasi sumber-sumber

yang bervariasi)

Kemampuan pengawasan dalam simulasi ini tampak terutama

apabila analisis statistik digunakan utnuk meninjau hubungan antara

variabel bebas (independent) dengan variabel terkait (dependent)

yang merupakan faktor-faktor yang akan dibentuk dalam percobaan.

Hal ini dalam kehidupan sehari-hari merupakan suatu kegiatan yang

 51

harus dipelajari dan ditangani dan tidak dapat diperoleh dengan

cepat.

4. Error in measurement correction (mengoreksi kesalahan-kesalahan

perhitungan)

Dalam prakteknya, pada suatu kegiatan ataupun percobaan dapat

saja muncul ketidak-benaran dalam mencatat hasil-hasilnya.

Sebaliknya, dalam simulas i komputer jarang ditemukan kesalahan

perhitungan terutama bila angka-angka diambil dari komputer

secara teratur dan bebas. Komputer mempunyai kemampuan untuk

melakukan perhitungan dengan akurat.

5. Stop simulation and restart (dapat dihentikan dan dijalankan

kembali)

Simulasi komputer dapat dihentikan untuk kepentingan peninjauan

ataupun pencatatan semua keadaan yang relevan tanpa berakibat

buruk terhadap program simulasi tersebut. Dalam dunia nyata,

percobaan tidak dapat dihentikan begitu saja. Dalam simulasi

komputer, setelah dilakukan penghentian maka kemudian dapat

dengan cepat dijalankan kembali (restart).

6. Easy to replicate (mudah diperbanyak)

Dengan simulasi komputer percobaan dapat dilakukan setiap saat

dan dapat diulang-ulang. Pengulangan dilakukan terutama utnuk

 52

mengubah berbagai komponen dan variabelnya, seperti dengan

perubahan pada parameternya, perubahan pada kondisi operasinya,

ataupun dengan memperbanyak output.

Simulasi dilakukan melalui tahap-tahap seperti berikut:

(M uhammadi, 2001, hal 52)

1. Penyusunan konsep

Gejala atau proses yang akan ditirukan perlu dipahami, antara lain

dengan jalan menentukan unsur-unsur yang berperan dalam gejala

atau proses tersebut. Unsur-unsur tersebut saling berinteraksi, saling

berhubungan, dan saling berketergantungan. Unsur-unsur tersebut

bersatu dalam melakukan suatu kegiatan. Dari unsur-unsur dan

keterkaitannya, dapat disusun gagasan atau konsep mengenai gejala

atau proses yang akan disimulasikan.

2. Pembuatan M odel

Gagasan tersebut selanjutnya dirumuskan sebagai model yang

berbentuk uraian, gambar, atau rumus. M odel adalah suatu bentuk

yang dibuat untuk menirukan suatu gejala atau proses. M odel dapat

dikelompokkan menjadi model kuantitatif, kualitatif, dan model

ikonik. M odel kuantitatif adalah model yang berbentuk rumus-

rumus matematika, statistika, atau komputer. M odel kualitatif

 53

adalah model yang berbentuk gambar, diagram, atau matriks, yang

menyatakan hubungan antar unsur. Dalam model kualitatif tidak

digunakan rumus-rumus matematik, statistik, atau komputer. M odel

ikonik adalah model yang mempunyai bentuk fisik sama dengan

barang yang ditirukan, meskipun skalanya dapat diperbesar atau

diperkecil. Dengan model ikonik tersebut dapat diadakan percobaan

untuk mengetahui perilaku gejala atau proses yang ditirukan.

3. Simulasi

Selanjutnya simulasi dapat dilakukan dengan menggunakan model

yang telah dibuat. Dalam model kuantitatif, simulasi dilakukan

dengan memasukkan data ke dalam model, dimana perhitungan

dilakukan untuk mengetahui perilaku gejala atau proses. Dalam

model kualitatif, simulasi dilakukan dengan menulusuri dan

mengadakan analisis hubungan sebab akibat antar unsur dengan

memasukkan data atau informasi yang dikumpulkan untuk

mengetahui perilaku gejala atau proses. Dalam model ikonik,

simulasi dilakukan dengan mengadakan percobaan secara fisik

dengan menggunakan model tersebut untuk mengetahui perilaku

model dalam kondisi yang berbeda. Perilaku model itu dianggap

menirukan gejala atau proses yang diamati.

 54

4. Validasi hasil simulasi

Validasi dilakukan untuk mengetahui kesesuaian antara hasil

simulasi dengan gejala atau proses yang ditirukan. M odel dapat

dinyatakan baik apabila kesalahan atau simpangan hasil simulasi

terhadap gejala atau proses yang ditirukan kecil.

Hasil simulasi tersebut selanjutnya digunakan untuk memahami

perilaku gejala atau proses serta mengetahui kecenderungannya di masa

mendatang. Struktur internal masalah dapat dipahami secara lebih rinci

dengan memahami perilaku dan kecenderungannya. Pemahaman ini

berguna untuk memperoleh solusi yang terbaik mengenai masalah yang

dihadapi dalam manajemen dan memperkirakan kecenderungan

keadaan di masa mendatang. Tahap-tahap simulasi tersebut di atas,

secara sederhana dapat dilihat dalam Gambar 4.1.

Gejala Pro ses

Val idasi

Penyusuna n Konsep

Si mul asi

Pembuata n Model

Model

Gambar 2.1 Tahap-Tahap Simulasi M odel (M uhammadi, 2001, hal 54)

 55

2.5.3 Diagram Simpal Kausal

Diagram simpal kausal adalah pengungkapan tentang kejadian

hubungan sebab-akibat (causal relationships) ke dalam bahasa gambar

tertentu. Di sini bahasa gambar tersebut adalah panah yang saling

mengait, sehingga membentuk sebuah diagram simpal (causal loop), di

mana hulu panah mengungkapkan sebab dan ujung panah

mengungkapkan akibat.

2.5.4 Perangkat Lunak Untuk Simulasi

Untuk melakukan simulasi dari sebuah model, diperlukan

perangkat lunak (software) yang secara cepat dapat melihat perilaku

(behavior) dari model yang telah dibuat. Ada berbagai macam

perangkat lunak yang dapat digunakan untuk keperluan ini, tetapi yang

akan digunakan dalam laporan ini adalah perangkat lunak berupa

program yang dinamakan Powersim.

Powersim digunakan untuk membangun dan melakukan simulasi

suatu model dinamik. Suatu model dinamik adalah kumpulan dari

variabel-variabel yang saling mempengaruhi antara satu dengan lainnya

dalam suatu kurun waktu. Setiap variabel berkorespondensi dengan

suatu besaran yang nyata atau besaran yang dibuat sendiri. Semua
 56

variabel tersebut memiliki nilai numerik dan sudah merupakan bagian

dari dirinya.

Pada waktu mensimulasikan model, variabel-variabel akan saling

dihubungkan membentuk suatu sistem yang dapat menirukan kondisi

sebenarnya. Pada perangkat lunak Powersim, suatu sistem yang

menggambarkan hubungan antara variabel-variabel itu dinamakan

diagram alir (flow diagram). Variabel-variabel tersebut akan

digambarkan dengan beberapa simbol, yang utama adalah simbol aliran

(flow symbol) yang selalu dihubungkan dengan simbol level (level

symbol) melalui simbol panah tebal untuk proses aliran seperti pada

Gambar 2.2.

Level
?
?

Fl ow

Gambar 2.2 Simbol Flow dan Level dalam powersim

Aliran benda yang dapat mengalir di sini adalah barang, uang, orang,

dan lain-lain yang dapat diamati dan diukur penambahan dan

pengurangannya dalam level. Dalam pemodelan, level adalah mewakili

pokok persoalan yang menjadi perhatian.

Selanjutnya panah halus (information link) yang menghubungkan

antara level dengan aliran adalah proses informasi umpan balik.

 57

Diagram alir menggambarkan struktur dari model sedangkan hasil

simulasi berupa gambar atau grafik menggambarkan perilaku dari

sistem.

M odel yang dibangun dengan menggunakan perangkat lunak

Powersim berbentuk simbol-simbol dan simulasinya mengikuti suatu

metode yang dinamakan dinamika sistem (system dynamics) yang telah

dikembangkan pada sekitar awal 1960-an. Dalam perkembangan

selanjutnya, simulasi dengan menggunakan perangkat lunak ini banyak

dipakai dalam bidang-bidang komersial, industri, manajemen, dan riset.

Simulasi ditujukan untuk mencari model yang paling cocok sebelum

diterapkan dalam kondisi sebenarnya.

2.5.5 Uji Validasi Model

Validasi model simulasi dilakukan untuk menguji sampai sejauh

mana keabsahan perilaku model terhadap sistem pada kondisi nyata,

maka digunakan uji statistik U-Theil. Perilaku uji ini adalah sebagai

berikut:

U=1 → Artinya bahwa kondisi aktual sama baiknya dengan hasil

simulasi.
 58

U<1 → Artinya hasil simulasi yang digunakan lebih baik daripada

kondisi aktual, makin kecil nilai statistik-U, makin baik hasil

simulasi dibanding kondisi aktual secara relatif.

U>1 → Artinya bahwa kondisi aktual menghasilkan prakiraan yang

lebih baik dibanding hasil simulasi.

Rumus dan uji statistik U-Theil’s (M akridakis, 1995, hal 64)

adalah sebagai berikut:

2
n −1 ⎛ Fi+1 − Xi +1 ⎞
∑ ⎜⎜
i= 1 ⎝ X
⎟⎟
⎠
i
U= 2
⎛ X i+ 1 − X i ⎞
n −1

∑ ⎜⎜
i =1 ⎝ Xi
⎟⎟
⎠

Dimana:

U = hasil uji statistik U-Theil’s

Fi+1 = hasil prakiraan periode ke i+1

Xi = data historis periode ke i

Xi+1 = data historis periode ke i+1

n = jumlah periode

i = periode