Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

DOI 10.2195/LJ_proc_supriyanto_de_201108_01

Fuzzy Multi-Objective Linear Programming dan Pendekatan

Simulasi Penyusunan Jadwal Produksi Induk yang Valid dan
Realistis

Ilham Supriyanto MSc., Prof. Dr. Ing. Bernd Noche

Universität Duisburg – Essen Institut Transportsysteme
und -Logistik

Abstrak–Jadwal induk produksi (MPS) memainkan peran penting dalam sistem perencanaan
produksi terpadu. Ini mengubah perencanaan strategis yang ditentukan dalam rencana
produksi menjadi pelaksanaan operasi taktis. MPS juga dikenal sebagai alat untuk manajemen
puncak untuk mengontrol sumber daya manufaktur dan menjadi masukan dari tingkat
perencanaan hilir seperti perencanaan kebutuhan material (MRP) dan perencanaan kebutuhan
kapasitas (CRP). Oleh karena itu, keputusan yang tidak tepat pada pengembangan MPS dapat
menyebabkan eksekusi yang tidak layak, yang pada akhirnya menyebabkan kinerja pengiriman
yang buruk. Seseorang harus memastikan bahwa MPS yang diusulkan valid dan realistis untuk
implementasi sebelum dirilis ke sistem manufaktur nyata. Dalam praktiknya, di mana lingkungan
produksi bersifat stokastik, pengembangan MPS bukan lagi tugas yang sederhana. Waktu proses
yang bervariasi, peristiwa acak seperti kegagalan mesin hanyalah beberapa penyebab
ketidakpastian yang mungkin sulit ditangani pada tahap perencanaan sehingga pada akhirnya
MPS yang valid dan realistis sulit diwujudkan. Masalah pembuatan MPS menjadi semakin rumit
ketika para pembuat keputusan mencoba mempertimbangkan berbagai tujuan; meminimalkan
persediaan, memaksimalkan kepuasan pelanggan, dan memaksimalkan pemanfaatan sumber
daya. Studi ini mencoba mengusulkan suatu metodologi pembuatan MPS yang mampu
mengatasi hambatan tersebut. Pendekatan ini mempertimbangkan ketidakpastian dan
membuat pertukaran di antara berbagai tujuan yang saling bertentangan pada saat yang
bersamaan. Ini menggabungkan pemrograman linier multi-objektif fuzzy (FMOLP) dan simulasi
peristiwa diskrit (DES) untuk pengembangan MPS.

Kata kunci: Jadwal Induk Produksi, Fuzzy Multi-Objective Linear Programming, ERP,
Discrete Event Simulation, Perencanaan Produksi

1 Perkenalan
Menurut American Production and Inventory Control Society (APICS), MPS adalah deklarasi
tentang apa yang diharapkan perusahaan untuk diproduksi dalam hal konfigurasi, jumlah,
dan tanggal tertentu yang mendorong MRP dan aktivitas selanjutnya dari perusahaan
manufaktur. Karena perannya yang vital dalam sistem perencanaan produksi, MPS perlu
dipastikan valid dan realistis; jika tidak, perusahaan mungkin tidak responsif terhadap
kebutuhan pelanggan atau boros dalam penggunaan sumber dayanya.

Banggaberpendapat bahwa tantangan nyata pembuatan MPS adalah untuk menyeimbangkan kapasitas yang
tersedia dan kebutuhan [Pro99]. Dalam konteks ini, solusi yang layak dapat dengan mudah ditemukan

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 1

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

untuk kapasitas deterministik, bagaimanapun, ini berubah menjadi masalah yang rumit jika kapasitas yang
tersedia dan yang dibutuhkan adalah stokastik atau fuzzy. Adalah fakta bahwa kapasitas sumber daya
produktif yang tersedia tidak dapat ditentukan secara tepat karena peristiwa yang tidak dapat diprediksi
seperti kerusakan yang tidak direncanakan, kekurangan tenaga kerja, atau kekurangan bahan. Kapasitas
persyaratan untuk menghasilkan permintaan juga tidak jelas karena waktu pemrosesan, waktu penyetelan,
atau waktu antrean yang bervariasi.

Dalam praktiknya, tampaknya fenomena ini tidak diperhitungkan oleh sistem ERP modern.
Fungsi Rough-cut capacity planning (RCCP), yang menyediakan profil sumber daya produktif
untuk MPS, tidak dirancang untuk menghadapi ketidakpastian. RCCP bahkan hanya
mempertimbangkan sumber daya kunci atau kritis. Sedangkan fungsi CRP yang diharapkan
dapat memberikan pemeriksaan kapasitas yang lebih detail juga mengabaikan ketidakpastian
bahkan hanya bekerjapemuatan maju tak terbatasbukan analisis kapasitas terbatas. Dalam
pengertian inilah sistem MPS saat ini terbatas pada menjawab pertanyaan: Apakah kita memiliki
peluang untuk memenuhi rencana produksi? Dan apakah kita memiliki kesempatan untuk
memenuhi jadwal induk?

Berkaitan dengan hal tersebut, beberapa penelitian telah mengusulkan proses verifikasi untuk
mengecek validitas MPS tentatif.Higgins dkk.telah mengusulkan simulasi analisis “Bagaimana-
jika” untuk dieksekusi pada MPS tentatif untuk menemukan MPS yang optimal dan realistis
[Hig92].Kochhar et al.telah mengembangkan pendekatan sistem berbasis pengetahuan, yang
menggabungkan keahlian manusia dengan komputasi komputer, untuk mencapai jadwal induk
yang akurat dan realistis [Koc98].Heizer et al.berbagi ide tentang proses perencanaan berulang
yang memungkinkan perencana untuk memeriksa validitas setiap proses perencanaan [Hei06].

Selain proses verifikasi substitusi, peneliti juga menggunakan berbagai teknik optimasi lanjutan
untuk meningkatkan kualitas MPS. Contohnya, Vieira dkk.menerapkan anil simulasi untuk
memecahkan masalah MPS [Vie04]. Studi ini mengungkapkan beberapa kelemahan dari anil
simulasi seperti mengatasi optimal lokal. Soares dkk.memperkenalkan struktur algoritma
genetik baru untuk memecahkan masalah MPS [Soa08]. Ini merumuskan fungsi kebugaran yang
bertujuan untuk meminimalkan tingkat persediaan, memaksimalkan tingkat layanan,
meminimalkan waktu lembur dan meminimalkan tingkat persediaan di bawah safety stock. Pada
akhirnya,Vieira dkk.telah membandingkan algoritma genetika dan simulasi anil untuk masalah
penjadwalan produksi induk [Vie03].

Pendekatan yang ditinjau telah memberikan kontribusi yang layak untuk pengembangan MPS,
terutama untuk menyeimbangkan kapasitas persyaratan dan sumber daya yang tersedia secara
efektif dengan tetap menjaga pertukaran di antara tujuan yang saling bertentangan. Hanya satu hal
yang perlu diperbaiki adalah asumsi yang mendasari pendekatan-pendekatan tersebut yang
mengabaikan ketidakpastian kapasitas. Untuk menjembatani kesenjangan tersebut, penelitian ini
mengusulkan sebuah metodologi, yang menggunakan FMOLP untuk memodelkan tujuan dan
kendala fuzzy matematis serta DES untuk menangkap perilaku dinamis sistem manufaktur dan untuk
memverifikasi MPS tentatif.

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 2

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

2 Perencanaan Produksi Iteratif

Untuk memastikan pelaksanaan operasi yang berhasil, thesahDanrealistisMPS harus
dikembangkan [She03]. Dalam konteks ini, istilahsahberarti bahwa kapasitas yang
tersedia harus sama dengan kapasitas yang dibutuhkan dan tanggal jatuh tempo
material sama dengan tanggal kebutuhan material [Pro99]. Sedangkan,realistisberarti
bahwa MPS harus layak untuk diterapkan dan mampu menyampaikan tujuan
perencanaan atau target pembuat keputusan (DM) yang ditetapkan. BerdasarkanSyekh,
pengembangan penjadwalan aktual biasanya iteratif, dengan jadwal awal yang disusun,
diperiksa masalah, dan direvisi [She03]. Setelah jadwal ditentukan, beberapa hal yang
harus diperiksa adalah: Apakah jadwal tersebut layak untuk dilaksanakan? Apakah
jadwal memenuhi perkiraan permintaan? Apakah jadwal memberikan fleksibilitas dan
cadangan jika terjadi gangguan? dan seterusnya. Masalah di salah satu area ini dapat
memaksa revisi jadwal dan pengulangan langkah sebelumnya. Proses iteratif berlanjut
sampai semua pertanyaan terjawab dan tujuan perencanaan tercapai.

Potongan kasar Penjualan &

Kapasitas Operasi
Perencanaan Perencanaan

- Meminimalkan Tingkat Inventaris (EI)

- Meminimalkan IE Di Bawah Safety Stock (BSS) Pembangkit MPS Tuntutan
- Meminimalkan Persyaratan Tidak Memenuhi (RNM) (FMOLP) Pengelolaan
- Meminimalkan Lembur (OC)

Barang Guru
Solusi MPS (BOM)

MPS
Optimasi Di tangan
MRP
Inventaris

TIDAK

YA Dijadwalkan
Apakah Tujuan Pesanan yang Direncanakan
AKHIR Tanda terima
puas? Rilis (POR)

Simulasikan penyebab mendasar

dari ketidakpastian seperti waktu
Pertunjukan Simulasi proses yang bervariasi,
Ukuran (DOSIMIS) kegagalan, kekurangan tenaga kerja,

memo, dll.

Gambar 1: Skema pengembangan MPS iteratif

Penelitian ini menggunakan konsep yang sama dengan ide tetapi menggunakan DES sebagai alat
verifikasi jadwal induk. Gambar 1 menggambarkan skema pembuatan MPS yang valid dan realistis
yang diusulkan dalam penelitian ini. Manajemen permintaan memasok semua persyaratan
permintaan dan pesanan pelanggan ke generator MPS. Demikian pula, perencanaan penjualan dan
operasi (SOP) menunjukkan kendala operasi di mana fungsi MPS harus bekerja. Generator MPS
menghasilkan solusi MPS tentatif yang memenuhi target DM dalam hal tingkat persediaan (EI),
persyaratan tidak terpenuhi (RNM), persediaan di bawah Safety Stock (BSS) dan kelebihan kapasitas
(OC). Berdasarkan MPS yang diberikan, fungsi MRP menghasilkan satu set permintaan pesanan yang
direncanakan (POR) dengan mempertimbangkan bill of material (BOM), persediaan di tangan dan
penerimaan yang dijadwalkan. POR adalah dokumen kerja yang berisi informasi yang berkaitan
dengan produksi seperti part number, jumlah yang akan diproduksi, pusat kerja, tanggal mulai
produksi, tanggal jatuh tempo, dan pelanggan. Ke
© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 3
 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

memverifikasi validitas jadwal induk, pelaksanaan POR disimulasikan di berbagai

lingkungan stokastik. MPS dianggap valid dan realistis hanya jika keluaran simulasi
memenuhi tujuan DM yang ditentukan.

Pembangkit MPS

Model Simulasi
Solusi MPS

Gambar 2: Alur informasi pengembangan MPS

Untuk mewujudkan konsep tersebut, dikembangkan sistem perencanaan terpadu yang

terdiri dari tiga perangkat lunak komersial (SAP, Matlab, dan Dosimis-3). Gambar 2
menunjukkan arus informasi pembangunan MPS. Untuk menjaga konsistensi logika
perencanaan, semua fungsi perencanaan produksi dijalankan di SAP kecuali MPS. Solusi
MPS dihasilkan secara terpisah di Matlab dengan mengadopsi teknik FMOLP yang
perumusannya dijelaskan secara rinci di bab 3. Parameter input (yaitu kebutuhan kotor,
ukuran lot, safety stock, dll) dijelaskan olehVieira dkk.diambil secara otomatis dari SAP
[Vie04]. Dengan menggunakan input tersebut, MPS tentatif dihasilkan dan selanjutnya
dimasukkan ke dalam SAP sebagai input MRP. Secara bersamaan, Dosimis-3 mengambil
data master (yaitu stasiun kerja, perutean, waktu pemrosesan, kapasitas, dll.) dari SAP untuk
membangun model simulasi.Ziems dkk.telah menjelaskan prosedur langkah demi langkah
untuk mengembangkan model simulasi menggunakan Dosimis-3 [Zie93]. Kemudian hasil
simulasi dikirim ke Matlab. Indikator kinerja utama dihitung dan dibandingkan dengan
tujuan perencanaan awal. Jika sasaran DM tidak terpenuhi, MPS yang diberikan akan
dioptimalkan ulang dan diverifikasi lagi. Proses ini diulang sampai tujuan DM tercapai.

3 Pembangkit MPS
BerdasarkanVieira dkk.[Vie03] danSoares dkk.[Soa08], masalah MPS dapat dimodelkan secara
matematis sebagai program bilangan bulat campuran sebagai berikut.

⎛∑ P=1EI kp⎟⎞
P
R P
MinimalkanOC=∑∑OC
K
Minimalkan IE=∑⎜ Rp
k=1⎝⎜⎜ TH ⎟⎟ R=1P=1
⎠

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 4

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

K P K P

∑∑BSS kp ∑∑RNM kp

Minimalkan BSS=k=1P=1 Minimalkan RNM=k=1P=1

TH TH
Di mana,

K (BSkpBNkp R
CUHRp =∑ MPSTkp=∑MPSkpr
k=1 URkr R=1

EIkp=maks[0, (MPSkp+DUAkp) -GRkp] MPSkpr=BNkpr×BSkpr

BSSkp=maks[0, (SSkp−EIkp)]

RNMkp=maks[0, (GRkp− (MPSTkp+DUAkp))]

OCRp=maks[0, (CUHRp−ACRp)]

⎧OH k se(P=1)
DUA
kp = ⎨ (1)
⎩EIk(P−1) se(P>1)

Ketika semua tujuan kabur dan masing-masing memiliki tingkat aspirasiZ*Saya(i = 1,2,3,4),model
crisp di atas diubah menjadi pernyataan fuzzy sebagai berikut.

MenemukanX=[X111,X112,X113,...,Xkpr]memuaskan

⎜∑⎛ PEI ⎞
~ ~ ⎟
Z(1X) =EI(X) =∑
K P=1 kp
~*
⎟ <Z
k=1⎝⎜⎜
1
TH ⎟
⎠
K P

~ ~
∑∑RNM kp
1 P=1
Z2(X) =RNM(X) =k= <~Z2 *
TH
K P

~ ~
∑∑BSS kp
1 P=1
Z3(X) =BSS (X) =k= <~Z*3
TH
~ ~ R P
Z(4X ) =OC (X) =∑∑ OCRp<~Z4 *

R=1P=1

Tunduk pada

G2(X) =CUHRp−ACRp≤OLmaks ;Xkpr≥0 (2)

Di manaOLmaksmerupakan waktu lembur maksimum yang diperbolehkan untuk setiap periode. Berasumsi bahwa

Z0SayaDanZ1 Sayamenunjukkan nilai fungsi tujuanZSaya(i = 1,2,3)sehingga derajat

fungsi keanggotaan masing-masing adalah 0 atau 1. Fungsi linier dari fungsi
keanggotaan untuk tujuanZ1,Z2,Z3diuraikan sebagai berikut.

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 5

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

⎧0 ZSaya(X)≥Z1 Saya
⎪
μZi(X) =⎨(Z1 −ZSaya(X)) /(Z1 Saya−ZS0aya)Z0 Saya
Saya ≥ZSaya(X)≥Z1 Saya ;Saya=1,2,3 (3)
⎪⎩1 Z( )≤ 0
ZSaya
X Saya

KapanADanBmenunjukkan batas pelanggaran yang dapat diterima dari kelebihan kapasitas,

fungsi keanggotaan segitiga untuk tujuanZ4ditulis sebagai berikut.

⎧1− (Z14−Z(X4)) /A Z14−A≤Z(X)≤

4 Z1 4
⎪
μZ4 (X) =⎨1− (Z(X4) -Z1) /B4 Z14≥Z(X)≥
4 Z1 4+B (4)
⎪⎩0 kalau tidak

Menggunakan model fuzzy cembung yang diusulkan olehBellman dkk.[Bel70] dan

Sakawa [Sak93], model crisp ekivalen untuk formulasi fuzzy (eq.2) dapat dinyatakan
sebagai pemrograman linier berikut.

maksw1μZ1+w2μZ2+w3μZ3+w4μZ4

tunduk pada.

μ Z1≤ (Z11−Z1 (X)) /( Z11−Z1) 0

μZ 2 ≤ (Z12− Z(2X)) /( Z21−Z2) 0

μZ 3 ≤ (Z13−Z(X3)) /(Z1 3− Z03)

μZ4≤1− (Z4(X) -Z1 4 ) /B

μZ4≤1− (Z1 4−Z4(X)) /A

CUHRp−ACRp≤OLmaks

w1+w2+w3+w4= 1

μZi∈[0,1];Xkpr≥0 ;Saya=1,2,3,4 R=1,2,3,... ;P=1,2,3,... (5)

Di manawSayamenunjukkan koefisien pembobotan yang menunjukkan kepentingan relatif di

antara tujuan fuzzy. Solusi MPSX*diperoleh dengan menyelesaikan model crisp di atas
menggunakan algoritma genetika.

4 Optimasi MPS
SBeberapa gejala MPS yang salah urus dapat diidentifikasi dari waktu lembur atau kelebihan
kapasitas yang tidak direncanakan, rencana kapasitas yang dimuat di depan secara ekstensif,
pesanan toko yang lewat jatuh tempo dan peningkatan inventaris komponen [She03, Pro99].
Dalam studi ini, gejala tersebut akan digunakan untuk membenarkan kelayakan MPS tentatif.
Optimalisasi dilakukan segera setelah salah satunya dikenali selama simulasi. Untuk tujuan ini,
dikembangkan model perataan beban berbasis fuzzy.

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 6

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

Prinsip teknik perataan beban hanyalah menggeser sejumlah produk yang akan diproduksi
dari sumber daya yang kelebihan beban ke sumber daya yang kekurangan beban. Namun,
tugas ini menjadi rumit karena banyak sumber daya, banyak produk, dan banyak periode
dipertimbangkan. Seseorang harus menentukan berapa banyak jumlah dan produk mana
yang harus dialihkan, dari atau ke sumber daya mana, dan dari atau ke periode mana.
Keputusan yang tidak tepat dapat menyebabkan kinerja yang buruk dari kriteria lain.
Misalnya, memproduksi terlalu banyak kuantitas pada periode perencanaan awal dapat
menurun dari waktu ke waktu selama beban puncak tetapi akibatnya menyebabkan tingkat
persediaan yang tinggi. Tugas menjadi lebih kompleks karena multi-tujuan yang saling
bertentangan terlibat. Untungnya, teknik pengoptimalan tingkat lanjut seperti FMOLP
memungkinkan seseorang untuk memecahkan masalah rumit tersebut.

~ ⎡ K
yk⎤⎥ ~ K
minRT(y) = maks⎢0,OL−∑ min DI(y) =∑Sku×yk
⎣ k=1ASko⎦ k=1

tunduk pada.

1)( =∑y
gy k ≤RC
k=1 ASku

yk≤Xko ;yk≥0 ;k=1,2,...,K (6)

Di manaG1(y)adalah kendala untuk memastikan sumber daya ituRkamutidak berubah menjadi

kelebihan beban setelah leveling. Ketika kapasitas berkurang[RT]dan jumlah produk cacat [DI]
fuzzy, maka model crisp ekuivalen persamaan 6 dapat ditulis sebagai berikut.

maksβ1μRT+β2μDI

Tunduk pada.

RT(y) -RT0 DI(y) -DI0

μRT≤ μDI≤
RT1−RT0 DI1−DI0
K y
G1(y) =∑ k
≤RC
k=1 ASku

yk≤Xko ;yk≥0 ;k=1,2,...,K

μRT|DI∈[0,1];β1+β2= 1 (7)

[RT0, RT1]menunjukkan batas bawah dan atas tingkat aspirasi untuk kapasitas beban yang
dikurangi, sedangkan[DI0, DI1]menunjukkan batas bawah dan batas atas tingkat aspirasi
untuk produk cacat. Tingkat aspirasi tersebut diperoleh dengan memecahkan masalah
multi-tujuan sebagai tujuan tunggal, setiap kali, hanya menggunakan satu tujuan.
Parameter[β1, β2] menunjukkan kepentingan relatif antara tujuan fuzzy dan derajat fungsi
keanggotaan untuk setiap tujuan adalah sebagai berikut.

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 7

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

⎧1 RT(y)≤RT0
⎪⎪RT(y) -RT0
μ RT ( y) =⎨ 1 0
RT0<RT(y) <RT1 (8)
⎪RT−RT
1
⎪⎩0 RT(y)≥RT

⎧1 DI(y)≤DI0
⎪⎪DI(y) -DI0
μDI(y) =⎨ 1 0
DI0<DI(y) <DI1 (9)
⎪DI−DI
⎪⎩0 DI(y)≥DI1

Untuk mendapatkan solusiy*k(k=1,2,..K),yang merupakan jumlah produk yang akan dialihkan ke sumber daya
yang tersedia, persamaan garing di atas diselesaikan dengan menggunakan algoritma genetika.

5 Studi Kasus
Untuk menguji dan memberikan ilustrasi menyeluruh tentang metodologi yang diusulkan,
skenario produksi yang disederhanakan diberikan dan dipecahkan. Mari kita asumsikan
sistem manufaktur tipikal yang terdiri dari empat sumber daya produksi (dapat berupa
mesin atau lini produksi) dan masing-masing memiliki kapasitas tersedia per periode 8 jam.
Detail input MPS dan parameter produksi lainnya disajikan pada Tabel 1.

Parameter Notasi Nilai

• Jumlah produk K 4 (P-403, P-404, P-405, P-406)
• Jumlah lini produksi R 4 (WCFXM01, WCFXM02, WCFXM03, WCFXM04)
• Cakrawala perencanaan P 20 hari
• Ukuran lot standar BSkp 10 unit untuk semua produk dan semua periode perencanaan

• Rata-rata tingkat produksi URRp Laju produksi untuk P-403, P-404, P-40, dan P-405
masing-masing adalah 100, 150, 200, dan 400 unit/jam

• Persediaan awal OHk Nol untuk semua produk

• Tingkat persediaan pengaman SSkp 200 unit untuk semua produk dan semua periode perencanaan

• Persyaratan kotor GRkp Tabel 2

• Kapasitas yang tersedia ACRp 8 jam/periode untuk setiap sumber daya

• Lembur keseluruhan maksimum ACtot 4 jam selama cakrawala perencanaan 4

• Maksimum yang diizinkan OLmaks jam/periode untuk setiap sumber daya

• Tingkat Aspirasi EI Z0= 50, Z1= 5250

RNM Z0= 0, Z1= 3200
BSS Z03 = 10,Z1 3= 2000
OC A=B=Z1= 4
• Faktor Bobot Tujuan wSaya w1= 0,3, w2= 0,3, w3= 0,3,w4= 0,1
βSaya β1= 0,7, β2= 0,3
• Produk cacat (%) Sku 0% untuk semua sumber daya

Tabel 1: Input MPS dan Parameter Produksi

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 8

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

Hari P-403 P-404 P-405 P-406 Hari P-403 P-404 P-405 P-406
1 1300 1250 1390 580 11 1400 1000 1610 680
2 930 1360 1360 530 12 340 1200 1460 690
3 1100 1660 1450 1650 13 420 320 1310 960
4 720 1490 1420 840 14 760 1440 1440 500
5 740 590 1270 230 15 880 1300 1070 280
6 1030 1520 1710 210 16 940 1030 1670 560
7 970 1570 1540 1710 17 1190 1010 1270 1360
8 1500 1500 1700 1810 18 720 840 1320 2040
9 850 1760 1360 1660 19 720 1240 1710 920
10 1610 1380 1240 140 20 580 1180 1530 320

Tabel 2: Kebutuhan Bruto

Solusi MPS tentatif diperoleh dengan mensubstitusikan parameter-parameter yang sesuai ke dalam
MPS Generator yang menggunakan persamaan 5 sebagai dasar algoritma. Data yang diberikan
menghasilkan solusi MPS yang tingkat kepuasan keseluruhannya tercapai padaμD=0,8943 dengan
tingkat pencapaian masing-masing tujuan sebagai berikut.

IE* (Z1) = 1201; RNM*(Z2) = 160; BSS*(Z3) = 172; OC*(Z4) = 240 mnt

Tingkat pencapaian ini dianggap sebagai tujuan perencanaan yang harus dicapai sebagai
eksekusi. Gambar 4 menggambarkan profil distribusi kapasitas beban yang dihasilkan oleh
generator MPS. Ini menunjukkan bahwa kapasitas persyaratan tidak terdistribusi secara
merata di antara sumber daya yang tersedia. Beberapa sumber daya kelebihan beban,
beberapa di antaranya telah terisi penuh, dan sisanya sebagian terisi (kekurangan beban).
Jika informasi historis tentang potensi ketidakpastian dalam sistem manufaktur diketahui
atau dapat diramalkan, distribusi kapasitas beban dapat disesuaikan sehingga dampak yang
tidak terduga dapat diminimalkan.

Gambar 3 Profil distribusi kapasitas beban

Demi kesederhanaan, dalam hal ini kerusakan mesin acak (Tabel 3) dan waktu
pemrosesan yang bervariasi (Tabel 4) dipilih sebagai penyebab yang mendasari

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 9

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

ketakpastian. Waktu pemrosesan atau tingkat produksi setiap produk diasumsikan

sebagai distribusi normal acak, bukan bilangan konstan.
Kegagalan Melecut. Stokastik MTBF (min) MTTT (menit)
Ketersediaan
Kontrol Sumber Distribusi Berarti Deviasi Berarti Deviasi
STO_1 WCFXM01 normal 98% 490 160 10.0 3.33
STO_2 WCFXM02 normal 96% 300 100 12.5 4.20
STO_3 WCFXM03 normal 97% 356 119 11.0 3.67
STO_4 WCFXM04 normal 95% 238 79.2 12.5 4.20

Tabel 3 Statistik kerusakan mesin

WCFXM01 WCFXM02 WCFXM03 WCFXM04

Item
Berarti St Berarti St Berarti St Berarti St
P-403 360 20 360 60 360 25 360 90
P-404 240 20 240 60 240 25 240 90
P-405 180 20 180 60 180 25 180 90
P-406 90 20 90 60 90 25 90 90

Tabel 4 Variasi waktu proses (s/lot-size)

Untuk tujuan analisis, simulasi dilakukan dalam beberapa skenario.

skenario 1 Tidak ada ketidakpastian atau gangguan yang terjadi selama simulasi

Skenario 2 Ketidakpastian diterapkan tetapi tidak ada optimasi yang dilakukan

Skenario 3 Ketidakpastian diterapkan dan penyesuaian dilakukan dengan mengalihkan beban berlebih ke

sumber daya yang tersedia pada periode yang sama,P.

Skenario 4 Ketidakpastian diterapkan dan penyesuaian dilakukan dengan mengalihkan beban berlebih ke

sumber daya yang tersedia pada suatu periodePDanhal – 1.

Skenario 5 Ketidakpastian diterapkan dan penyesuaian dilakukan dengan mengalihkan beban berlebih ke

sumber daya yang tersedia pada suatu periodehal, hal – 1Danhal – 2.

Skenario 6 Ketidakpastian diterapkan dan penyesuaian dilakukan dengan mengalihkan beban berlebih ke

sumber daya yang tersedia pada suatu periodep, p – 1, p – 2Danhal – 3.

Output simulasi untuk semua skenario dirangkum dalam Tabel 5. Dalam hal ini, tujuan DM
adalah satu-satunya indikator yang digunakan untuk menjustifikasi validitas perencanaan.
Jadwal induk yang mampu memberikan tujuan DM dianggap sebagai solusi akhir.

TIDAK Ketakpastian Skenario Komentar EI RNM BSS OC(menit)

1 TIDAK 1 Sasaran DM Tercapai 1201 160 172 240
2 Ya 2 Belum Optimal 1201 160 172 740
3 Ya 3 Optimasi Tahap 1 1201 160 172 304
4 Ya 4 Optimasi Tahap 2 1215 160 171 266
5 Ya 5 Optimasi Tahap 3 1261 160 169 88
6 Ya 6 Optimasi Tahap 4 1248 160 177 8

Tabel 5 Keluaran Simulasi

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 10

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

6 Evaluasi
Skenario pertama diasumsikan sebagai lingkungan ideal dimana tidak terjadi gangguan yang tidak
diharapkan. Simulasi ini dimaksudkan untuk menunjukkan bahwa tujuan perencanaan mudah
diperoleh jika tidak ada ketidaksesuaian antara kenyataan dan jadwal (semua variabel bersifat
deterministik). Ketidakpastian mulai diterapkan pada skenario kedua. Waktu pemrosesan diatur
secara acak dalam penyimpangan tertentu alih-alih konstan dan beberapa mesin mengalami
kegagalan. Dapat dilihat bahwa sasaran DM tidak lagi dapat dipenuhi, yang ditunjukkan dengan
peningkatan waktu lembur yang signifikan, dari 240 menjadi 740 menit. Ini menegaskan bahwa MPS
tentatif berubah menjadi tidak realistis karena ketidakpastian.

Skenario ketiga, di mana beberapa kapasitas beban dialihkan ke sumber daya lain pada periode yang
sama, mampu hampir setengah dari waktu lembur yang tidak direncanakan dari 740 menjadi 304
menit tanpa mempengaruhi kriteria lainnya. Namun, itu belum memenuhi tujuan DM. Skenario
keempat, di mana beberapa kelebihan kapasitas diratakan ke periode sebelumnya, dapat berhasil
menurunkan lembur yang tidak direncanakan mendekati waktu lembur yang direncanakan
sementara kriteria lain tampaknya tidak berubah. Skenario kelima dan skenario keenam
menunjukkan hasil yang hampir sama, dimana lembur dapat ditekan secara signifikan namun
berimplikasi pada peningkatan tingkat persediaan. Ini menekankan bahwa dalam masalah MPS,
tingkat persediaan dan waktu lembur merupakan tujuan yang saling bertentangan.

Secara keseluruhan, hasil menunjukkan bahwa pergeseran beban ke periode awal perencanaan mampu
membuat MPS menjadi lebih realistis. Dalam praktiknya, hal ini menyiratkan bahwa seseorang harus
memproduksi produk sedini mungkin untuk mengantisipasi beban puncak di periode mendatang jika
sistem produksinya cukup tidak stabil. Strategi ini dapat meningkatkan inventaris tetapi mempertahankan
tingkat layanan tetap tinggi. Di antara hasil yang diberikan, skenario keempat mungkin merupakan salah
satu yang paling mendekati tujuan DM dan dapat dipilih sebagai solusi akhir.

Model simulasi ini mempertimbangkan sistem manufaktur yang fluktuatif yang ditandai dengan
seringnya kerusakan yang terjadi 1 – 2 kali sehari. Dalam lingkungan yang tidak stabil seperti itu,
hanya mengandalkan tindakan reaktif selama fase eksekusi dapat menyebabkan alokasi sumber
daya yang buruk dan menyebabkan penundaan yang tidak perlu. Oleh karena itu, jadwal yang
realistis dan optimal, yang memperhitungkan prediksi kerusakan dalam tahap perencanaannya,
tidak dapat dihindari. Dalam konteks ini, dapat dilihat bahwa prediksi ketidakpastian memainkan
peran penting dalam pembuatan MPS menggunakan metodologi ini. Gagal memperoleh
informasi yang akurat tentang perilaku dinamis sistem manufaktur dapat membuat hasil
perencanaan semakin buruk.

7 Kesimpulan dan Pekerjaan Masa Depan

Ketidakpastian merupakan salah satu akar penyebab ketidaktepatan perencanaan produksi.

Studi ini telah membuktikan bahwa penyebab ketidakpastian seperti variasi waktu pemrosesan,
kegagalan mesin, dll memiliki implikasi yang cukup besar pada MPS. Mengabaikan mereka dapat
menyebabkan keputusan yang salah dan pada akhirnya membuat kinerja produksi dan
pengiriman yang buruk. Melalui pendekatan simulasi, penelitian ini telah mampu mengenali

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 11

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

pengaruh ketidakpastian dan selanjutnya mencoba untuk mengurangi pengaruhnya terhadap

jadwal induk.

Namun, diakui bahwa model yang diberikan mungkin hanya realitas sistem manufaktur yang
disederhanakan. Model yang lebih canggih harus dikembangkan untuk memeriksa lebih lanjut
keandalan metodologi yang diusulkan. Penyebab mendasar dari ketidakpastian perlu diperluas
juga; tidak hanya melibatkan perincian acak dan waktu pemrosesan stokastik tetapi juga
kejadian tak terduga lainnya karena ruang penyangga yang terbatas, kekurangan tenaga kerja,
kekurangan bahan, dll. Selain itu, penerapan metodologi ini di berbagai lingkungan dengan
tingkat ketidakpastian yang berbeda mungkin bermanfaat untuk diselidiki karena Sehat.
Perhatikan bahwa metodologi ini mungkin tidak dipertimbangkan untuk lingkungan yang stabil
di mana ketidakpastian tidak signifikan dan dapat diabaikan.

Variabel
K Jumlah total produk yang berbeda (SKU) Jumlah
R total sumber daya produktif yang berbeda Jumlah
P total periode perencanaan
TH Total cakrawala perencanaan

OHk Inventaris awal yang tersedia (on-hand), pada periode penjadwalan pertama
GRkp Kebutuhan bruto untuk produkkpada periodeP Ukuran lot standar untuk
BSkp produkkpada periodeP
NRkp Kebutuhan bersih untuk produkkpada periodeP, dengan mempertimbangkan kapasitas tak

SSkp terhingga Tingkat persediaan keamanan untuk produkkpada periodeP Tingkat produksi untuk

URkp produkkdi sumber dayaR(unit per jam) Kapasitas yang tersedia, dalam jam, pada sumber dayaR

ACkp pada periodeP

BNkpr Kuantitas ukuran lot standar yang diperlukan untuk produksi produkkdi sumber
dayaR, pada periodeP(jumlah lot)
MPSkpr Jumlah total yang akan diproduksi dari produkkdi sumber dayaR, periodeP
MPSTkp Jumlah total yang akan diproduksi dari produkkpada sumber daya, pada periodeP
(mempertimbangkan semua sumber daya yang tersedia)
DUAkp Tingkat persediaan awal produkkpada periodeP Kapasitas
CUHRp yang digunakan dari sumber dayaRpada periodeP
CANGKIRRp Tingkat persen diperoleh dari hubungan jumlah jam yang dikonsumsi dari sumber dayaR
pada periodeP, dan jumlah jam yang tersedia untuk sumber daya dan periode yang sama

GRkp Persyaratan kotor untuk produkkpada periodeP

RMkp Persyaratan total terpenuhi untuk produkkpada periodeP
RMkpr Persyaratan total terpenuhi untuk produkkpada periodePdi sumber dayaR Persyaratan

RNMkp tidak terpenuhi untuk produkkpada periodeP Sumber daya produksi yang terlalu banyak

RHai digunakan atau kelebihan beban atau kelebihan kapasitas Sumber daya produksi yang

Rkamu kurang dimanfaatkan atau kurang beban

yk Jumlah produkkuntuk digeser dariRHaikeRkamu

Xko Jumlah produk yang direncanakankuntuk diproduksi diRHai
ASku Rata-rata tingkat produksiRkamuuntuk menghasilkan produkk(unit/jam)
ASko Rata-rata tingkat produksiRHaiuntuk menghasilkan produkk(satuan/jam)

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 12

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

OL Lembur sebenarnya terjadi diRHai

RC Tetap kapasitas diRkamu
Sku Persentase produk cacat potensial terjadi diRkamuselama pelaksanaan operasi
RT Jumlah kapasitas beban yang akan dikurangiRHai(min) Jumlah total produk cacat
DI

literatur
[Bel70] Bellman, RE, Zadeh, LA:Pengambilan keputusan dalam lingkungan yang kabur.
Ilmu Manajemen, Vol. 17 No.4 Tahun 1970
[Hei06] Heizer, JH, Render, B.:Manajemen operasi, Upper Saddle River, New York:
Pearson Prentice Hall, 2006
[Hig92] Higgins, P., Browne, J.:Penjadwalan produksi induk: pendekatan perencanaan
bersamaan. Perencanaan & Pengendalian Produksi, Vol. 3, 1992
[Hop08] Hopp, WJ, Spearman, ML:Fisika Pabrik, Edisi ke-3, New York: McGraw Hill,
2008
[Kla96] Klafehn, K., Weinroth, J., Boronico, J.:Simulasi komputer dalam manajemen
operasi, Westport: Greenwood Publishing Group, Inc, 1996
[Koc98] Kochhar, AK, Ma, X., Khan, MN:Pendekatan sistem berbasis pengetahuan
untuk pengembangan jadwal produksi induk yang akurat dan realistis,
Jurnal Pembuatan Teknik, Vol. 212 hal.453-60, 1998
[Koh05] Koh, SL, Gunasekaran, A., Saad, SM:Mengatasi ketidakpastian dalam lingkungan
pembuatan yang dikendalikan oleh ERP: pendekatan manajemen pengetahuan,
International Journal Advanced Manufacturing Technology, DOI 10.1007/
s00170-005-0251-2, 2005
[Moo05] Moon, YB, Phatak, D.:Meningkatkan fungsionalitas sistem ERP dengan
simulasi kejadian diskrit, Manajemen Industri dan Sistem Data, Vol. 105
No.9, hlm.1206-1224, 2005
[Pro99] Bangga, JF:Penjadwalan Induk,Edisi ke-2,John-Wile-Sons Inc, 1999
[Sak93] Sakawa, M.:Himpunan fuzzy dan pengoptimalan multiobjektif interaktif,New
York: Plenum Press, 1993
[Sap01] Dokumentasi SAP IDES, Rilis 4.6C., Walldorf, Jerman: SAP, 2001
[Sdz03] DOSIMIS-3 untuk MS-WINDOWS, Versi 3.2, Dortmund: SDZ GmbH, 2003
[Dia03] Syekh, K.:Perencanaan Sumber Daya Manufaktur (MRP II),New York, AS:
McGraw-Hill, 2003
[Soa08] Soares, MM, Vieira, GE:Metode optimisasi multi-objektif baru untuk
masalah penjadwalan produksi induk berdasarkan algoritma genetika,
Jurnal Internasional Teknologi Manufaktur Lanjut, DOI 10.1007/
s00170-008-1481-x, 2008
[Vie03] Vieira, GE, Favaretto, F., Ribas, PC:Membandingkan algoritma genetika
dan annealing simulasi dalam masalah penjadwalan produksi induk,
Prosiding Konferensi Internasional ke-17 tentang Riset Produksi,
Blacksburg, Virginia, AS, 2003

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 13

 DOI 10.2195/LJ_proc_supriyanto_de_201108_01

[Vie04] Vieira, GE, Ribas, CP:Metode pengoptimalan multi-tujuan baru untuk

masalah penjadwalan produksi utama menggunakan anil simulasi, Jurnal
Riset Produksi Internasional, Vol.42, 2004
[Zie93] Ziems, D., Neumann, G., Georgiev, M., Tolujev, J., Sujev, W.:
Materialflußsimulation dengan Dosimis-3,Magdeburg, 1993
[Zim78] Zimmerman, HJ:Fuzzy programming dan linear programming dengan
beberapa fungsi objektif, Himpunan dan Sistem Fuzzy, 1, hlm. 45-55, 1978

© 2011 Jurnal Logistik : Prosiding – ISSN 2192-9084 Seite 14