KAJIAN PUSTAKA MODEL
KETIDAKPASTIAN PADA PERENCANAAN
PRODUKSI DAN ALOKASI
1st Helmy Andamari Kwintanada
Departemen Teknik Mesin dan Industri
Universitas Gadjah Mada
Yogyakarta, Indonesia
helmyandamari@mail.ugm.ac.id
Abstract— Perencanaan produksi dan alokasi perlu
mempertimbangkan model ketidakpastian untuk membangun
perencanaan yang lebih merepresentasikan kondisi nyata pada
suatu kasus. [1]. Penelitian ini bertujuan untuk memetakan dan
mengetahui penggunaan fungsi tujuan, parameter – parameter
ketidakpastian, dan metode yang dominan digunakan dalam
mengolah parameter – parameter ketidakpastian. Selain itu
penelitian ini juga bertujuan memberikan rekomendasi peluang
penelitian yang mungkin dilakukan kedepan. Berdasarkan evaluasi
dari dua puluh paper dapat diperoleh bahwa fungsi tujuan yang
dominan digunakan adalah minimasi biaya, parameter – parameter
ketidakpastian yang dominan digunakan dalam model perencanaan
produksi adalah ketidakpastian lingkungan, metode penelitian yang
paling dominan digunakan adalah kombinasi model matematika
dan metode fuzzy. Kemudian diberikan rekomendasi peluang
penelitian berupa menambah parameter-parameter
ketidakpastian pada suatu model produksi dan alokasi pada
penelitian terdahulu. Atau mempertimbangkan parameter
ketidakpastian pada proses pembuatan model produksi dan
alokasi supaya model lebih merepresentasikan kondisi
nyata, memberikan hasil yang lebih valid, dan model lebih
kuat menghadapi ketidakpastian.
Keywords—uncertainty, production, allocation
I. PENDAHULUAN
Menurut Badan Statistik pertumbuhan industri
manufaktur besar, dan industri manufaktur sedang di
Indonesia pada tahun 2017 mengalami kenaikan sebesar
4,74 %, dibandingkan dengan tahun 2016. Tingginya
pertumbuhan dalam industry manufaktur Indonesia
menyebabkan naiknya tingkat kompetisi dalam industry
manufaktur. Untuk mampu bertahan dalam pasar yang
mempunyai tingkat kompetisi yang tinggi, perusahaan
manufaktur harus mampu meningkatkan produktifitas,
efisiensi, dan efektifitas di seluruh system di dalam
perusahaanya untuk memenuhi permintaan konsumen [2].
Selain peningkatan produktifitas dalam industri
manufaktur, minimasi biaya secara agregat juga harus di
lakukan supaya suatu industri manufaktur dapat
berkompetisi di pasar yang persainganya ketat [3].
Perencanaan produksi dan rantai pasok merupakan
komponen di dalam perusahaan yang memberikan
kontribusi biaya, baik dalam bentuk bahan baku dari
pemasok, maupun produk jadi. Perencanaan produksi dan
sistem rantai pasok merupakan proses yang sangat krusial
bagi perusahaan.[4].
XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE
Nur Aini Masruroh
Departemen Teknik Mesin dan Industri
Universitas Gadjah Mada
Yogyakarta, Indonesia
aini@ugm.ac.id
Untuk mencapai produktifitas yang tinggi dan minimasi
biaya secara agregat, tanpa mengganggu sistem nyata
dengan model yang merepresentasikan kondisi nyata, telah
banyak dikembangkan. Model matematis yang memasukan
parameter yang tidak pasti, akan memiliki hasil yang lebih
akurat dibandingkan dengan model yang tidak
mempertimbangkan parameter ketidakpastian, dikarenakan
model matematis yang mempertimbangkan parameter
ketidakpastian akan lebih merepresentasikan kondisi nyata
[1].
Dengan fungsi tujuan yang sama yaitu minimasi biaya
produksi, penelitian dapat memiliki uncertain parameter
yang berbeda, variable keputusan yang berbeda, dan metode
penelitian yang berbeda pula [1] [5] [6]. Usulan model pada
perencanaan produksi secara agregat, multi produk dan
multi tujuan yang saling bertentangan, diantaranya minimasi
total loss, maksimasi kepuasan konsumen, minimasi
variabilitas dipertimbangkan secara simultan untuk
memutuskan total produk, jumlah shortage produk, jumlah
unit produk akhir, dan jumlah inventory. Sedangkan
penelitian lain mempertimbangkan fluktuasi permintaan
sebagai parameter ketidakpastian, dan diselesaikan dengan
model matematika dan metode Fuzzy [7]. Penelitian lain
yang juga menyelesaikan masalah perencanaan produksi
dengan fungsi tujuan yang berbeda yakni meeting customers
need, minimasi biaya, minimasi waktu pengiriman dan
maksimasi profit ditetapkan sebagai fungsi tujuan yang
saling bertentangan, untuk memutuskan perencanaan
produksi dan jumlah peralatan yang tepat, dengan
mempertimbangkan biaya baku yang tidak pasti,
diselesaikan dengan model matematika ,metode Fuzzy, dan
algoritma [8].
Dari beberapa penelitian yang sudah dijelaskan
sebelumnya, dapat dilihat bahwa diperlukan suatu pemetaan
terhadap parameter-parameter ketidakpastian, fungsi tujuan
dari suatu model, metode penyelesaian dan data apa saja
yang diperlukan untuk masing – masing penggunaan
metode. Oleh karena itu penelitian ini dilakukan dengan
tujuan pemetaan parameter ketidakpastian, dan memberi
rekomendasi peluang penelitian yang dapat dilakukan.
Diharapkan, penelitian ini dapat menjadi referensi bagi
peneliti yang tertarik melakukan penelitian di bidang ini.
 II. METODE PENELITIAN didapatkan kesimpulan bahwa riset ini masih mendapat
Metode yang akan digunakan dalam penelitian ini yaitu banyak perhatin, dan merupakan permasalahan yang masil
Systematic Literature Review (SLR). Literatur review relevan untuk diteliti.
merupakan hal yang penting dan merupakan fondasi
dibidang akademis. Sistematic Literature Review (SLR)
digunakan untuk memetakan dan mengevaluasi literatur
untuk mengetahui kesenjangan penelitian potensial dan
untuk mengetahui batas pengetahuan, biasanya dilakukan
melalui siklus berulang untuk menentukan kata pencarian
yang sesuai, mencari literatur, kemudian menyelesaikan
analisis. SLR memiliki 3 tahapan, diantaranya perencanaan,
pelaksanaan dan pelaporan. [9] Tahapan tersebut dapat
dilihat pada Gambar 1.

2015 2016 2017 2018 2019

Gambar 2. Grafiik Peneitian Ketidakpastian 2015-2020

Dari Gambar 2, dapat diketahui bahwa penelitian

ketidakpastian pada produksi dan alokasi meningkat. Pada
tahun 2015 terdapat 244 jurnal penelitian yang
mempertimbangkan parameter ketidakpastian pada model
produksi dan alokasi, pada tahun 2016 terdapat 239
penelitian, pada tahun 2017 terdapat 270 jurnal penelitian,
pada tahun 2018 terdapat 310 jurnal penelitian, pada tahun
2019 terdapat 357 jurnal penelitian. Sehingga topik tersebut
masih relevan untuk dikaji.

A. Kajian Fungsi Tujuan Peneitian

Terdapat beragam fungsi tujuan yang digunakan dalam
Gambar 1. Langkah Systematic Literature Review (SLR)
penelitian dibidang produksi dan alokasi yang diterapkan
Tahap perencanaan dalam penelitian ini dilakukan
pada penelitian terdahulu, 70 persen penelitian yang telah
dengan memastikan apa yang dibutuhkan dalam studi
direview menggunakan satu fungsi tujuan, sedangkan 30
literatur, diantaranya dengan merumuskan masalah, dan
persen dari penelitian yang telah direview menggunakan
memvalidasi apakah masalah yang dirumuskan masih
multi tujuan. Berdasarkan gambar 3, ungsi tujuan minimasi
relefan untuk dibahas, dengan cara menganalisa trend
total biaya merupakan fungsi tujuan yang paling dominan
penelitian selama lima tahun terakhir dengan mencari
digunakan, dengan presentase 45 persen, diikuti fungsi
jumlah penelitian yang berkaitan dengan kata kunci
tujuan minimasi waktu produksi sebesar 15 persen, dan
“production”, “allocation”, dan “uncertainty” melalui
fungsi tujuan minimasi resiko sebesar 10 persen. Presentase
Scopus. Kemudian melanjutkan dengan mengembangkan
fungsi tujuan dapat dilihat pada Gambar 3.
protokol apa saja yang ditetapkan untuk melakukan review.
Pada tahap pelaksanaan dilakukan dengan mencari literatur
melalui review judul, kemudian menangkap inti literatur
dengan mereview abstrak, menilai kualitas isi dari literatur
tersebut, kemudian mengekstrak data, dan melakukan
Analisis dan sintesis data. Selanjutnya, pada tahap
pelaporan dilakukan pelaporan hasil berupa pemetaan
penelitian dan rekomendasi peluang penelitian dimasa
depan.

III. HASIL DAN PEMBAHASAN Gambar 3. Presentase Fungsi Tujuan

Perkembangan riset pada lini produksi dan alokasi yang
mempertimbangkan parameter ketidakpastian mengalami
peningkatan dari tahun ketahun. Peneliti telah melakukan
riset mengenai trend perkembangan riset tersebut melalui
scopus.com, dengan kata kunci uncertainty production,
allocation, dari tahun 2015 hingga tahun 2019, dan
Fungsi tujuan minimasi total biaya produksi
merupakan fungsi tujuan yang paling dominan, akan tetapi
walaupun dengan fungsi tujuan yang sama, setiap penelitian
mempunyai variabel keputusan yang bervariasi, seperti
penelitian terdahulu yang telah dilakukan menggunakan
variable keputusan letak lokasi inspeksi, serta kuantitas dari
inventory/WIP (Work In Process)[1]. Sedangkan
penggunaan variable keputusan kuantitas bahan baku,
kuantitas inventory bahan baku, kuantitas produksi,
kuantitas produk yang dikirim telah dipertimbangkan pada
penelitian lain [5]. Kemudian penelitian yang lain
menggunakan variable keputusan lot sizing dan penjadwalan
produksi. [6] [10] [11]. Selain fungsi tujuan minimasi total
biaya, terdapat juga penelitian yang menggunakan minimasi
waktu produksi sebagai fungsi tujuan. Minimasi waktu
produksi dari awal hingga akhir, dianggap signifikan
menaikan tingkat efektifitas dan efisiensi produksi. Fungsi
tujuan minimasi resiko sangat cocok apabila penelitian
mempertimbangkan parameter yang bersifat tidak pasti,
sehingga dapat dibangun model yang robust atau kuat
terhadap ketidakpastian dan mengurangi resiko menjadi
seminimal mungkin [12] [13].
Usulan model pada perencanaan produksi secara
agregat, multi produk dan multi tujuan yang saling
bertentangan, diantaranya minimasi total loss, maksimasi
kepuasan konsumen, minimasi variabilitas dipertimbangkan
secara simultan untuk memutuskan total produk, jumlah
shortage produk, jumlah unit produk akhir, dan jumlah
inventory [7]. Pada penelitian yang lain meeting customers
need, minimasi biaya, minimasi waktu pengiriman dan
maksimasi profit ditetapkan sebagai fungsi tujuan yang
saling bertentangan, untuk memutuskan perencanaan
produksi dan jumlah peralatan yang tepat [8]. Penyelesaian
masalah penjadwalan produksi dimana fungsi tujuanya
adalah untuk meminimasi make span/waktu penyelesaian
produksi, maksimal workload mesin, dan robust to
uncertainty juga telah dilakukan dimana fungsi tujuanya
adalah untuk meminimasi make span/waktu penyelesaian
produksi, maksimal workload mesin, dan robust to
uncertainty [14].
Terdapat juga penelitian lain yang mempertimbangkan
multi fungsi tujuan yakni minimasi biaya supply, minimasi
produk cacat dalam pengiriman dan maksimasi ketepatan
waktu. Variabel keputusan dalam penelitian ini adalah
tingkat supply dan jumlah inventory dengan mengguanakan
variable keputusan biner untuk memilih pembukaan supplier
disuatu lokasi, dan penentuan rute pengiriman supplier ke
customer, serta permintaan customer ke supplier tertentu.
Fungsi tujuan dalam penelitian ini harus diminimasi
Bersama, yakni minimasi biaya dan minimasi resiko.
Pengguanakan variable keputusan biner untuk memilih
pembukaan supplier disuatu lokasi, dan penentuan rute
pengiriman supplier ke customer, serta permintaan customer
ke supplier tertentu. [4].
B. Kajian Parameter Ketidakpastian Penelitian
Berdasarkan literatur yang sudah direview, parameter
ketidakpastian yang paling banyak digunakan atau
dipertimbangkan dalam suatu model produksi dan alokasi
adalah parameter ketidakpastian pada lingkungan atau
gangguan yang tidak terduga dengan presentase sebesar 27
persen, kemudian fluktuasi permintaan juga banyak
dipertimbangkan dalam model produksi dan alokasi sebesar
19 persen, kemudian parameter ketidakpastian mesin rusak
dan ketidakpastian waktu produksi memiliki presentase
yang sama yakni masing – masing 15 persen. Begitu juga
dengan parameter ketidakpastian variasi kualitas dan
ketidakpastian yang memiliki presentase yang sama yaitu
masing – masing 12 persen. Pada Gambar 4 dapat dilihat
presentase parameter ketidakpastian yang digunakan.
Gambar 4. Presentase Parameter Ketidakpastian
Mempertimbangkan parameter ketidakpastian atau
uncertain dalam model matematika dapat membuat model
menjadi lebih merepresentasikan kondisi nyata. Dalam lini
produksi manufaktur dapat mempertimbangkan parameter
yang tidak pasti seperti mesin rusak dengan waktu yang
tidak diketahui, kualitas produk yang tidak sesuai, dan
fluktuasi permintaan [1]. Fluktuasi permintaan juga
dipertimbangkan sebagai parameter yang tidak pasti untuk
optimasi di inventory. [6] [7].
Lingkungan yang tidak pasti juga dapat
dipertimbangkan sebagai aspek ketidakpastian dalam
penentuan kuantitas produksi dan kuantitas inventory [5].
Penelitian lain mengasumsikan kolerasi secara geografis
untuk mempertimbangkan potensi gangguan yang mungkin
muncul. [4]. Kemudian dengan mempertimbangkan
parameter ketidakpastian yakni waktu pemrosesan dan
waktu kedatangan, dioptimasikan waktu penyelesaian
produksi[10].
Pertimbangan ketidakpastian dalam waktu pemrosesan dan
waktu setup, untuk mengoptimasi perencanaan produksi dan
penentuan jumlah peralatan yang tepat juga telah diteliti
pada bidang manufaktur, Selain itu memasukan parameter
ketidakpastian dalam model produksi dan alokasi meliputi
ketidakpastian kualitas, dan ketidakpastian harga dalam
industri manufaktur juga telah dianalisa [11] [8]
C. Kajian Metodelogi Penelitian
Penggunaan metode matematika untuk membangun
model produksi dan alokasi sudah banyak dilakukan pada
penelitian terdahulu. Selain hanya menggunakan model
matematika saja, penelitian terdahulu juga telah
mengkombinasikan metode matematika dengan metode lain
seperti metode fuzzy, dan algoritma. Presentase penggunaan
metode pada penelitian terdahulu, dapat dilihat pada
Gambar 5.

Gambar 5. Presentase Penggunaan Metode
Penggunaan metode matematika dalam memodelkan suatu
kegiatan produksi dan alokasi dengan mempertimbangkan
parameter uncertainty, dapat menggunakan distribusi
statiska untuk memodelkan parameter yang bersifat tidak
pasti. Seperti parameter ketidakpastian kegagalan mesin
dapat menggunakan distribusi statistik Weibull [15] [16].
Kemudian untuk parameter ketidakpastian waktu, seperti
waktu produksi, atau waktu perbaikan mesin dapat
menggunakan distribusi probabilitas normal, dengan
perhitungan rata – rata waktu pengerjaan dan standar deviasi
dari data historis yang ada [15]. Sedangkan ketidakpastian
pada terjadinya suatu gangguan yang tidak diantisipasi oleh
sistem dapat dimodelkan dengan distribusi binomial [17].
Selain itu parameter ketidakpastian variasi hasil produksi
dapat menggunakan distribusi skewed [12]
Metode yang dominan digunakan pada penelitian
terdahulu adalah metode model matematika yang
dikombinasikan dengan fuzzy, sebagai pengkarakteristik
dari parameter ketidakpastian. Untuk membantu perusahaan
manufaktur untuk merasionalisasi perencanaan dan
penjadwalan produksi untuk menghadapi permintaan yang
tidakpasti, dengan menggunakan angka fuzzy segitiga, angka
fuzzy trapesium, interval fuzzy, dll untuk menangani
beberapa ketidakpastian, dilakukan simulasi dengan model
tersebut dan didapatkan hasil bahwa model tersebut layak
diaplikasikan [8]. Pemrograman mix integer multi-objective
model fuzzy dirumuskan dengan mempertimbangkan multi-
produk, multi-periode, dan lingkungan manufaktur multi-
situs, yang diterapkan pada kasus nyata dari industri
otomotif diambil untuk menunjukkan hasil analitis dari
pendekatan yang diusulkan, kemudian dilakukan analisa
sensitifitas. Model usulan dari penelitian ini dapat
membantu perusahaan untuk merasionalkan perencanaan
produksi [18].
Model matematika yang mempertimbangkan parameter
ketidakpastian, seringkali memiliki kompleksitas yang
sangat tinggi, sehingga untuk mendapat hasil optimal tidak
mungkin dilakukan perhitungan secara manual, seperti
penelitian yang bertujuan untuk menemukan penjadwalan
yang kuat dalam menghadapi ketidakpastian kerusakan
mesin yang dimodelkan dengan matematika stokastik yang
rumit pemrograman mixed-integer yang perlu menggunakan
algoritma genetika (GA), untuk mendapat hasil yang efektif
dan efisien [16]. Untuk pemetaan fungsi tujuan penelitian,
parameter ketidakpastian, dan metode penelitian dapat
dilihat pada Tabel 1.
D. Rekomendasi Peluang Penelitian
Menambah parameter-parameter ketidakpastian pada
suatu model produksi dan alokasi pada penelitian terdahulu.
Mempertimbangkan parameter ketidakpastian pada proses
pembuatan model produksi dan alokasi supaya model lebih
merepresentasikan kondisi nyata, memberikan hasil yang
lebih valid, dan model lebih kuat menghadapi
ketidakpastian.
Model ketidakpastian yang paling banyak digunakan
dalam penelitian terdahulu menggunakan fungsi tujuan
minimasi total biaya, dan diselesaikan dengan kombinasi
metode model matematika dan metode fuzzy. Kemudian
parameter ketidakpastian yang paling banyak
dipertimbangkan adalah kemungkinan terjadinya gangguan
pada lingkungan yang tidak dapat dikendalikan. Model
ketidakpastian tersebut dapat menjadi pertimbangan atau
referensi untuk peneliti yang tertarik di bidang ini. Akan
tetapi parameter ketidakpastian yang dipertimbangkan
sebaiknya disesuaikan dengan kondisi nyata dan mencakup
keseluruhan kondisi nyata, parameter ketidakpastian tidak
diasumsikan sebagai parameter deterministic.
IV. KESIMPULAN
Berdasarkan evaluasi dari dua puluh paper dapat
diperoleh bahwa fungsi tujuan yang dominan digunakan
adalah minimasi biaya, parameter – parameter
ketidakpastian yang dominan digunakan dalam model
perencanaan produksi adalah ketidakpastian lingkungan,
metode penelitian yang paling dominan digunakan adalah
kombinasi model matematika dan metode fuzzy.
Peneliti yang tertarik di bidang ini dapat
mempertimbangkan parameter ketidakpastian baik pada
model yang sudah ada maupun model yang baru dibangun
pada penelitianya dapat menjadikan pemetaan riset pada
Table 1 yang mencakup fungsi tujuan, parameter
ketidakpastian dan metode.
Reference
[1] A. Puchkova, D. McFarlane, R. Srinivasan, and A.
Thorne, “Resilient planning strategies to support
disruption-tolerant production operations,” Int. J.
Prod. Econ., no. November 2019, p. 107614, 2020,
doi: 10.1016/j.ijpe.2020.107614.
[2] M. Nasir, E. Arafah, and H. Sofyan, “The Efficiency
of Manufacturing Sector: Empirical Evidence From
Aceh Province Indonesia,” Indones. J. Bus. Entrep.,
no. February, 2018, doi: 10.17358/ijbe.4.1.55.
[3] E. Noegraheni and H. Nuradli, “Aggregate Planning
to Minimize Cost of Production in Manufacturing
Company,” Binus Bus. Rev., vol. 7, no. 1, p. 39,
 2016, doi: 10.21512/bbr.v7i1.1448. [14] X. N. Shen, Y. Han, and J. Z. Fu, “Robustness
[4] M. Pariazar and M. Y. Sir, “A multi-objective measures and robust scheduling for multi-objective
approach for supply chain design considering stochastic flexible job shop scheduling problems,”
disruptions impacting supply availability and Soft Comput., vol. 21, no. 21, pp. 6531–6554, 2017,
quality,” Comput. Ind. Eng., vol. 121, no. February doi: 10.1007/s00500-016-2245-4.
2017, pp. 113–130, 2018, doi: [15] B. S. Purohit and B. K. Lad, “Production and
10.1016/j.cie.2018.05.026. maintenance planning : an integrated approach under
[5] U. S. Sakalli, “Optimization of Production- uncertainties,” Int. J. Adv. Manuf. Technol., pp.
Distribution Problem in Supply Chain Management 3179–3191, 2016, doi: 10.1007/s00170-016-8415-9.
under Stochastic and Fuzzy Uncertainties,” Math. [16] Z. Lu, W. Cui, and X. Han, “Computers & Industrial
Probl. Eng., vol. 2017, 2017, doi: Engineering Integrated production and preventive
10.1155/2017/4389064. maintenance scheduling for a single machine with
[6] E. Curcio, P. Amorim, Q. Zhang, and B. Almada- failure uncertainty q,” Comput. Ind. Eng., vol. 80,
Lobo, “Adaptation and approximate strategies for pp. 236–244, 2015, doi: 10.1016/j.cie.2014.12.017.
solving the lot-sizing and scheduling problem under [17] I. Talay and Ö. Özdemir-Akyıldırım, “Optimal
multistage demand uncertainty,” Int. J. Prod. Econ., procurement and production planning for multi-
vol. 202, no. February 2017, pp. 81–96, 2018, doi: product multi-stage production under yield
10.1016/j.ijpe.2018.04.012. uncertainty,” Eur. J. Oper. Res., vol. 275, no. 2, pp.
[7] N. Gholamian, I. Mahdavi, and R. Tavakkoli- 536–551, 2019, doi: 10.1016/j.ejor.2018.11.069.
Moghaddam, “Multi-objective multi-product multi- [18] G. K. Badhotiya, G. Soni, and M. L. Mittal, “Fuzzy
site aggregate production planning in a supply chain multi-objective optimization for multi-site integrated
under uncertainty: Fuzzy multi-objective production and distribution planning in two echelon
optimisation,” Int. J. Comput. Integr. Manuf., vol. supply chain,” Int. J. Adv. Manuf. Technol., vol.
29, no. 2, pp. 149–165, 2016, doi: 102, no. 1–4, pp. 635–645, 2019, doi:
10.1080/0951192X.2014.1002811. 10.1007/s00170-018-3204-2.
[8] Y. F. Liu and Q. S. Zhang, “Multi-objective [19] A. Boudjelida, “On the robustness of joint
production planning model for equipment production and maintenance scheduling in presence
manufacturing enterprises with multiple of uncertainties,” J. Intell. Manuf., vol. 30, no. 4, pp.
uncertainties in demand,” Adv. Prod. Eng. Manag., 1515–1530, 2019, doi: 10.1007/s10845-017-1303-9.
vol. 13, no. 4, pp. 429–441, 2018, doi: [20] J. Han, Y. Liu, L. Luo, and M. Mao, “Knowledge-
10.14743/apem2018.4.301. Based Systems Integrated production planning and
[9] Y. Xiao and M. Watson, “Guidance on Conducting scheduling under uncertainty : A fuzzy bi-level
a Systematic Literature Review,” J. Plan. Educ. decision-making approach,” Knowledge-Based Syst.,
Res., vol. 39, no. 1, pp. 93–112, 2019, doi: vol. 201–202, p. 106056, 2020, doi:
10.1177/0739456X17723971. 10.1016/j.knosys.2020.106056.
[10] H. Hu, K. K. H. Ng, and Y. Qin, “Robust Parallel [21] Y. Saif, M. Rizwan, A. Almansoori, and A.
Machine Scheduling Problem with Uncertainties Elkamel, “Municipality solid waste supply chain
and Sequence-Dependent Setup Time,” Sci. optimization to power production under
Program., vol. 2016, 2016, doi: uncertainty,” Comput. Chem. Eng., vol. 121, pp.
10.1155/2016/5127253. 338–353, 2019, doi:
[11] S. M. Gholami-Zanjani, M. Hakimifar, N. Nazemi, 10.1016/j.compchemeng.2018.11.003.
and F. Jolai, “Robust and Fuzzy Optimisation [22] M. Manzini and M. Urgo, “Makespan estimation of
Models for a Flow shop Scheduling Problem with a production process affected by uncertainty:
Sequence Dependent Setup Times: A real case study Application on MTO production of NC machine
on a PCB assembly company,” Int. J. Comput. tools,” J. Manuf. Syst., vol. 37, pp. 1–16, 2015, doi:
Integr. Manuf., vol. 30, no. 6, pp. 552–563, 2017, 10.1016/j.jmsy.2015.10.001.
doi: 10.1080/0951192X.2016.1187293. [23] C. U. I. Weiwei, “Approximate Approach to Deal
[12] A. Noshadravan, G. Gaustad, R. Kirchain, and E. with the Uncertainty in Integrated Production
Olivetti, “Operational Strategies for Increasing Scheduling and Maintenance Planning,” vol. 25, no.
Secondary Materials in Metals Production Under 1, pp. 106–117, 2020.
Uncertainty,” J. Sustain. Metall., vol. 3, no. 2, pp. [24] M. Rabieh, M. Modarres, and A. Azar, “Robust-
350–361, 2017, doi: 10.1007/s40831-016-0100-6. fuzzy model for supplier selection under
[13] S. Göttlich and S. Knapp, “Uncertainty uncertainty: An application to the automobile
quantification with risk measures in production industry,” Sci. Iran., vol. 25, no. 4, pp. 2297–2311,
planning,” J. Math. Ind., vol. 10, no. 1, 2020, doi: 2018, doi: 10.24200/sci.2017.4456.
10.1186/s13362-020-00074-4.
 TABLE I. PEMETAAN LITERAUR (FUNGSI TUJUAN, PARAMETER KETIDAKPASTIAN, METODE)

Fungsi Tujuan Parameter Ketidakpastian Metode

Mesin Waktu Variasi Fluktuasi Biaya Lingkungan Model matematika Fuzzy Algoritma Hibrid
Rusak Produksi Kualitas Permintaan / Distruption
Integer Stokastik Math
Model
Minimasi total biaya [1] [16] [20] [1] [15] [1] [15] [6] [5] [21] [19] [17] [1] [21] [15] [16] [20] [5] [20] [5] [19] [16] [19]
[6] [21] [17]
[17]
Minimasi waktu produksi [22] [10] [22] [10] [11] [10] [11] [22]
[11]

Minimasi resiko [13] [13] [12] [12] [13] [12]

Meminimalkan jumlah [23] [23] [23]

quality robustness dan
solution robustness
Minimasi total biaya [4] [4] [4]
Minimai resiko
Minimasi total dan [7] [7] [7] [7]
maksimasi kepuasan
pelanggan
Minimasi biaya operasional [8] [8] [8] [8]
Minimasi waktu pengiriman
Minimasi produk cacat [24] [24] [24]
Minimasi biaya supply
Maksimasi ketepatan waktu
Minimasi waktu produksi [14] [14] [14]
Maksimasi kapasitas mesin
Kekuatan penjadwalan
terhadap ketidakpastian