ANALISIS DAN PERANCANGAN PRODUCTION PLANNING DECISION SUPPORTSYSTEM DENGAN IMPLEMENTASI METODE METAHEURISTICS-PROBABILISTIC PADAPT PFIZER INDONESIACalvin Aditya Sidharta, Muhamad Ridwan DwiKusuma, Reza Ariefianto, Anggara Hayun Anujuprana,HudiartoUniversitas Bina Nusantara, JL. K. H. Syahdan, 021-5245830,[emailprotected]
This thesis research activity were taking place at PT PfizerIndonesia. The main objective of this research study is to optimizethe process of production planning through the development ofDecision Support Systems (DSS), which expected that it may helpdecision makers in performing all analysis required regarding theproduction planning process, and also to improve the effectivenessand efficiency of the overall current business process in MaterialsDepartment, PT Pfizer Indonesia, where the scope of theoptimization subject covers the activity of production planningactivity which follows Flow Shop Models, material requirementanalysis, and process of evaluation and selection of suppliers. Theproposed method which to be implemented are Bat Algorithm for flowshop production planning, probabilistic inventory for materialplanning, and fuzzy TOPSIS for supplier evaluation and selection.Following the implementation, it is known that these method shownquite significant improvement and also enabled to be implemented.For instance, Bat Algorithm results at more than 10 % of averageimprovement rate of the total makespan. Furthermore, the fuzzyTOPSIS method and also probabilistic inventory give more optimalresults for evaluation and selection of suppliers and materialplanning problems. In addition to the implementation of thosemethod, this thesis writings also explain about the design anddevelopment of decision support systems which aims to supportcurrent business process and also simplify the application of thosethree above.
Keywords: Scheduling, Inventory, Supplier Selection,Probabilistic Bat Algorithm, Fuzzy TOPSIS, Information Systems.
AbstrakPenelitian tugas akhir ini dilakukan di PT. PfizerIndonesia. Tujuan studi kasus ini adalah untuk mengoptimisasiproses perencanaan produksi melalui pengembangan Sistem PendukungKeputusan (DSS) yang diharapkan mampu untuk membantu para DecisionMaker dalam melakukan analisa terkait perencanaan produksi, sertasecara keseluruhan agar mampu meningkatkan efektifitas danefisiensi dari proses bisnis di Departemen Materials PT PfizerIndonesia, dimana cakupan subjek optimisasinya mencakup aktivitasperencanaan produksi yang mengikuti model Flow Shop, analisaperencanaan kebutuhan bahan baku, serta analisa pemilihan sertaevaluasi supplier atau vendor. Metode yang disarankan untukditerapkan dalam studi kasus ini adalah, Bat Algorithm untukperencanaan produksi, Probabilistic Inventory untuk perencanaanbahan baku, serta metode Fuzzy TOPSIS untuk analisa pemilihan danevaluasi supplier. Setelah implementasi, diketahui bahwametode-metode ini menunjukan improvement yang signifikan sertamemungkinkan untuk diaplikasikan untuk mendukung proses bisnis diMaterials Department PT Pfizer Indonesia, dimana contohnya BatAlgorithm menunjukkan average improvement rate dari makespan secararata-rata sebesar lebih dari 10%. Selain itu hasil metode FuzzyTOPSIS serta Probabilistic Inventory juga dinilai memberikan hasilyang lebih optimal untuk permasalahan evaluasi Supplier sertaperencanan bahan baku. Selain mengimplementasi ketiga metodetersebut, pada penulisan tugas akhir ini juga membahas mengenaiperancangan Sistem Informasi yang bertujuan untuk mendukung prosesbisnis serta mempermudah pengaplikasian ketiga metode di atas.Katakunci: Penjadwalan, Inventory, Supplier, Probabilistic, AlgoritmaKelelawar, Fuzzy TOPSIS, Sistem Informasi
PENDAHULUANNama besar tidak memastikan PT Pfizer bebas dariberbagai permasalahan yang ada di dalam menjalankan rodaindustrinya. Salah satu permasalahannya adalah pada bagian aspekpenjadwalan produksi bagian hulu industrinya, dimana PT Pfizerbelum menggunakan metode yang optimal pada beberapa proses intiyang mana proses tersebut termasuk yang bersifat critical.
Untuk itu, solusi yang diusulkan kepada PT Pfizer Indonesiaadalah dengan mengembangkan berbagai metode yang berbasiskuantitatif hasil perkembangan ilmu pengetahuan terkini untuk dapatmembantu menjawab permasalahan seperti yang dipaparkan di atasdengan disusun dalam bentuksebuah Decision Support System (DSS)yang mana dapat digunakan oleh para decision maker untuk memecahkanmasalah semi struktur, dimana manajer dan komputer harus bekerjasama sebagai tim pemecah masalah dalam memecahkan masalah yangberada di area semi struktur.DSS terintegrasi inidiharapkan mampuuntuk bisa mengoptimalkan permasalahan berikut: Algoritma Kelelawaruntuk permasalahan Perencanaan Produksi.
Fuzzy TOPSIS untuk permasalahan pemilihan pemasok dengankriteria Green Selection.
Probabilistic Inventory Forecast untuk permasalahan perencanaanpersediaan bahan baku.Berikut adalah beberapa permasalahan yangakan dibahas dalam working paper ini adalah:
Bagaimana mengaplikasikan metode Probabilistic Inventory untukproses peramalan bahan baku yang tepat untuk bisa mendukungkeseluruhan proses produksi secara optimal?
Bagaimana mengaplikasikan metode Algoritma Kelelawaruntukmengoptimalkan penjadwalan produksi yang lebih baik?
Bagaimana mengaplikasikan metode Fuzzy TOPSIS untuk permasalahanvendor selectionagar mendapat pelayanan yang baik?
Bagaimana menyusun sebuah sistem yang dapat dimanfaatkan untukmendukung pengambilan keputusan terkait permasalahan productionplanning?Fuzzy TOPSIS
TOPSIS adalah salah satu metode classical multicriteriapengambilan keputusan, dikembangkan oleh Hwang dan Yoon. Hal inididasarkan pada konsep bahwa setiap alternatif yang terpilih harusmemiliki jarak terpendek dari ideal positif solusi (PIS) danterjauh dari solusi ideal negatif (NIS). Sejumlah Metode TOPSIStelah dikembangkan dalam beberapa tahun terakhir(Khamseh, A.A.& Mahmoodi, M., 2014, p.1-10). Selanjutnya konsep matematikadari Fuzzy ini dapat dijelaskan sebagai berikut(Khamseh, A.A. &Mahmoodi, M., 2014, p.1-10):1. Pilih linguistic ratings untukcriteria dan alternatif terhadap kriteria. Dalam langkah ini, bobotkriteria evaluasi dan penilaian alternatif dinyatakan dalam bentuklinguistic untuk menilai resiko dalam lingkungan fuzzy, sepertiditunjukan pada tabel:Tabel Linguistic terms for criteria(Criteria)
Linguistic TermsFuzzy Number
High Unimportant ( HU )( 0.0, 0.0, 0.25 )
Unimportant ( U )( 0.0, 0.25, 0.5 )
Fair ( F )( 0.25, 0.5, 0.75 )
Important ( I )( 0.5, 0.75, 1.0 )
High Important ( HI)( 0.75, 1.0, 1.0 )
Tabel Lingustic rating for alternatif (Supplier)
Linguistic TermsFuzzy Number
Very Poor ( VP )( 0.0, 0.0, 2.5 )
Poor ( P )( 0.0, 2.5, 5.0 )
Fair ( F )( 2.5, 5.0, 7.5 )
Good ( G )( 5.0, 7.5, 10.0 )
Very Good ( VG )( 7.5, 10.0, 10.0 )
2. Buatlah matrix keputusan fuzzy, jika menganggap bahwa jumlahdengan kiteria adalah n dan jumlah alternatif adalah m.3. Setelahmembangun matrix keputusan fuzzy, lakukan normalisasi terhadapkeputusan fuzzy tersebut dengan menggunakan transformasi skalalinear. Perhitungan dapat dilakukan dengan formula sebagaiberikut:
R = [rij ] mxn , i = 1,2,..,m; j = 1,2,..,nDimana rij adalahnilai normalisasi dari Xij = (aij, bij, cij).
4. Menghitung bobot normalisasimatrix keputusan fuzzy. BobotnormalisasifuzzyVij adalah kalkulasi dari perkalian antara bobotdari kriteria dengan normalisasimatrix keputusan fuzzyrij. 5.Hitung nilai fuzzy positive ideal solution (FPIS A+) dan fuzzynegatif ideal solution (FNIS A-) yang dijelaskan seperti padabagian berikut:A+ = (V1+, V2+, V3+,..Vn+) = { max Vij ( i =1,2,..,n) }
A- = (V1-, V2-, V3-,..Vn-) = { min Vij ( i = 1,2,..,n) }6.Setelah menempatkan FNIS dan FPIS, jarak dari masing-masingalternatif dari A+ dan A- dapat dihitung dengan persamaan:
Dimana jarak pengukuran antara dua fuzzy number a= (a1, a2, a3)dan b= (b1, b2, b3) dapat dikalkulasi menggunakan Vertex methodseperti formula berikut:
7. Menghitung The Closseness Coefficient (CCi). Clossenesscoefficient atau koefisien kedekatan ini memperhitungkan jarak FPISpada di+ dan FNIS pada di- secara bersamaan. Closseness coefficientuntuk setiap alternatif dapat diperoleh dengan persamaan:
8. Urutkan Nilai bobot sesuai dengan ranking yang paling besarhingga yang paling kecil (Descending).
Inventory Probabilistic Single PeriodModel inventory dalamsingle periodatau periode tunggal terjadi ketika suatu barangdipesan hanya satu kali untuk memenuhi periode tertentu. Misalnya,suatu barang dengan model tertentu segera menjadi usang dan kerenaitu tidak dapat dipesan kembali. Dalam bagian ini model-modelperiode tunggal akan diselidiki dalam kondisi yang berbeda-bedaantara lain setup model dan non-setup model.Diasumsikan bahwapengisian inventory barang akan segera terjadi. Tingkat kesediaanoptimal akan diperoleh berdasarkan minimasi dari biaya inventoryyang diharapkan meliputi pemesanan ( persiapan danpembelian/produksi), penyimpanan dan kekurangan. Karena permintaanbersifat probabilistic, biaya pembelian per unit, walaupun tetap,menjadi faktor yang efektif dalam fungsi biaya (A. Taha, Hamdy,2009, p.535).Simbol yang digunakan untuk membangun single periodmodel ini meliputi:
K= Setup cost per order
h= Holding cost per held unit selama periodep= Penalty cost pershortage unit selama periodeD= Random variabel yangmerepesentasikan permintaan selama periode (D)= Pdf dari permintaanselama periode
y= jumlah order
x= inventory on hand sebelum order ditempatkan
Non-Setup Model
Non-setup model ini terjadi dengan asumsi bahwa permintaanterjadi secara instan pada awal periode dan tidak ada biaya setupyang dikeluarkan (A. Taha, Hamdy, 2009, p.535). Dalam asumsi jumlahpermintaan dipenuhi diawal periode, jadi dapat diformulasikan biayaperkiraan untuk memenuhi suatu periode adalah biaya Pengembangansebelumnya mengasumsikan bahwa demand D adalah continuous. Jika Dadalah discrete , lalu adalah titik discrete dan fungsi biaya yangterkait adalah
Selanjutnya untuk menentukan perhitungan jumlah optimal dariproduk yang harus diproduksi agar mendapat profit yang maksimaldapat dilakukan dengan beberapa fase diantaranya adalah
1. Menentukan critical ratioMenentukan critical ratio yang akandigunakan untuk proses penghitungan selanjutnya, critical ratioadalah rasio yang terkait dengan probabilitas sampel, biasanyarasio deviasi dari rata-rata dengan deviasi standar.
2. Mencari PDF (Probabilistic Distributive Function)MenentukanPDF yang nantinya akan berguna untuk tahap selanjutnya yaitumencari CDF. PDF adalah fungsi yang menggambarkan kemungkinanrelatif variable random untuk mengambil nilai yang diberikan.
3. Mencari CDF (Cumulative Distibutive Function)Menentukan CDFyang nantinya akan berguna untuk tahap analisa kasus, CDF adalahnilai kumulatif dari PDF.
Penjadwalan Flow Shop-Algoritma Kelelawar
Bat Algorithm - Algoritma Kelelawar (BA) pertama kalidikembangkan oleh Yang (Yang, X,2010,p.65-74) pada tahun 2010,untuk menyelesaikan permasalahan optimisasi. BA terinspirasi olehgerak-gerik serta tingkah laku microbats yang memanfaatkankemampuan echolocation di dalam mencari mangsa. Marichelvam danPrabaharan, pada tahun 2012 berhasil menerapkan BA untukpermasalahan Flow Shop Scheduling Problem(FSSP) (Marichelvam M, P.T,2012,p.428-233) .Algoritma Kelelawar - AsumsiBeberapa aturanasumsi yang harus diterapkan dalam mengimplementasikan BA(Yang,X,2010,p.65-74) adalah:
1. Semua kelelawar menggunakan echolocation untuk mengindrajarak, serta echolocation ini juga dapat membedakan antara mangsadengan penghalang, dengan cara yang unik.
2. Kelelawarterbang secara random dengan kecepatan viserta padaposisi xidengan frekuensi fmin, selain itu kelelawar juga memilikipanjang gelombang serta loudness yang bervariasi dalam mencarimangsa. Setiap kelelawar dapat secara otomatis mengatur besaranfrekuensi serta pulse rate dengan besaran r , yang mana nilaitersebut memiliki ketergantungan dengan jauh-dekatnya jarak antarakelelawar dengan mangsanya.3. Meskipun secara alamiah tingkatanloudness dapat bervariasi, namun pada prakteknya, nilai loudnessdiasumsi hanya berkisar antara A0yang bernilai positif hinggamencapai nilai minimum konstan Amin.Secara keseluruhan, langkahalgoritma kelelawar dapat dirangkum menjadi pseudocode di bawahini
Sistem Informasi
Sistem informasi adalah sekumpulan komponen yang terorganisasidan saling berhubungan atau berinteraksi secara sistematis untukmembangun atau mengolah data menjadi informasi (Rainer, R.Kelly.Jr. Turban, E, 2009, p.8). Sedangkan pengertian lain darisistem informasi adalah mengumpulan, memproses, menyimpan,menganalisis dan menyebarkan informasi untuk sebuah tujuan spesifik(Rainer, R. Kelly.Jr. Turban, E, 2009, p.15) Selain itu sisteminformasi dapat membantu segala jenis bisnis untuk meningkatkanefisiensi dan efektivitas proses bisnis, pengambilan keputusanmanjerial dan kerja sama kelompok kerja hingga dapat memperkuatposisi kompetitif perusahaan dalam pasar yang cepat sekali tumbuh.(O'Brien, J. A., & Marakas, G. M, 2011, p.4).
Decision Support System (DSS)
Decision Support System adalah sebuah sistem informasi yangbersifat interaktif dan bertindak sebagai sistem penyokong dalampengambilan keputusan untuk memecahkan masalah dan mengambilkeputusan yang didasari oleh informasi (Biswas, T., T.-H.Wang, andR. Krishnamurti, 2008, p.85). Sedangkan menurut Al-Hamdany (2003:519), DSS adalah sistem informasi interaktif yang mendukung prosespembuatan keputusan melalui presentasi informasi yang dirancangsecara spesifik untuk pendekatan penyelesaian masalah dankebutuhan-kebutuhan aplikasi para pembuat keputusan, serta tidakmembuat keputusan untuk pengguna
Unfied Modeling Languange (UML)
Dalam membangun sistem informasi, diperlukan adanya notasi modeluntuk membangun suatu sistem yang dinamakan dengan Unified ModelingLanguange(Satzinger, Jackson, & Burd, 2009, p.240). Dalam UMLterdapat beberapa bentuk media yang dibuat dalam proses perencanaanini dimulai dari fase yang paling awal hingga fase paling akhirdari UML, diantaranya adalah:
A. Event Table
B. Activity Class Diagram
C. Use Case Diagram
D. Use Case Description
E. Domain Class Diagram
F. Activity Data MatrixG. System Sequance Diagram (SSD)H. StateTransition Diagram
Dari model penggambaran model UML yang telah diberikan, UMLtersebut dapat digunakan sebagai input data dalam merancang sistem,berikut langkah-langkah dalam menggunakan data dari model UMLtersebut diantaranya adalah
A. First-Cut Design Class Diagram
B. Software Architecture
C. Compeleted Three-Layer Sequance Diagram
D. Updated Design Class Diagram
E. Package Diagram
F. Interface Design StandardsMETODE PENELITIANBerikut merupakandiagram alir (flow chart) dari keseluruhan proses yang dikerjakandalam pengerjaan skripsi ini:
Studi awal merupakan Initiation Process dari keseluruhan rantaiproses pengerjaan skripsi ini. Berhubungan dengan menentukan topikyang akan di bahas sesuai dengan proses bisnis perusahaan. Adapunpermasalahan yang terlah diamati seperti, bagaimana mengoptimalkanproses penjadwalan tiap-tiap lini produksi, waktu untuk prosespengadaan barang dan menejemen pemilihan vendor yang baik.Dengandiperolehnya berbagai informasi terkait perusahaan, langkahselanjutnya adalah merumuskan kumpulan-kumpulan permasalahan yangdihadapi menjadi sebuah rumusan masalah yang terstruktur, denganmendefinisikan segala batasan masalah serta Objectives yang ingindicapai secara jelas untuk memudahkan proses penelitian. StudiLiteratur dilakukan untuk memperoleh berbagai teori-teori terkaitdengan permasalahan yang dihadapi serta teori-teori yang menyangkutmetode feasible dalam rangka penyelesaian masalah, literatur yangdicari pada dasarnya mengacu pada metode bat algorithm,FuzzyTOPSIS, green selection, dan probabilistic single periodicinventory control. Studi pustaka ini dilakukan dengan sumber teoriberupa buku-buku serta Jurnal-jurnal penelitian.
Analisis dan Pembahasan dilakukan untuk menemukan solusi darisemua perumusan masalah yang terdapat pada studi ini, denganmengukur hasil dari algoritma kelelawar dalam mengatur proses dariurutan jadwal produksi, dan melakukan analisi dari segi pengadaanbahan baku untuk persediaan dan pemilihan vendor, sebelumpenggunaan sistem yang dibangun serta setelah menggunakan sistemyang diusulkan. Sistem yang akan dirancang adalah sistem yang dapatmembantu perusahaan dalam memecahkan masalah utama terkait rantaiproses ini. Sistem yang akan dibangun adalah sistem berbasis konsepsistem informasi yang telah dikumpulkan dan dipelajari pada studiliteratur pada tahap sebelumnya.
HASIL DAN BAHASANPengolahan Data Dan Pembahasan SupplierSelection
Langkah untuk pemecahan permasalahan supplier adalah Pilihlinguisticratings untuk kriteria dan alternatif terhadap kriteria.Lalu dibuat decision matrix PT Pfizer yang Selanjutnya dilakukanuntuk normalisasi untuk masing-masing kriteria dengan menggunakanformula. Setelah melakukan normalisasi dari kriteria, langkahselanjutnya adalah dengan melakukan decision matrix untukalternatif serta normalisasi terhadap alternatif tersebut denganhasil sebagai berikut:Tabel Hasil Normalisasi fuzzy decisionmatrix
Kemudian dari 5 alternatif yang ada, akan dhitung nilai fuzzypositive ideal solution (FPIS, A+) dan nilai fuzzy negative idealsolution (FNIS, A-)dengan menggunakan rumus pada tahapan topsisdengan kriteria benefit(2.2 & 2.3). Kriteria benefit inimempunyai Vi+= (1, 1, 1, 1, 1) dan Vi-= (0, 0, 0, 0, 0). denganmenggunakan rumus menggunakan pesamaan. Sebagai contoh:
Di+= =0.50658
Di- = = 0.62845Selanjutnya dari Hasil perhitungan Di+danDi-,dilakukan penjumlahan dengan terhadap masing-masing alternatifsehingga diperoleh nilai dari Di+danDi- Sebagai berikut
Tabel Hasil penjumlahan Di+dan Di-
Dengan menggunakan formula kita dapat mencari CCi untukmenentukan rangking pemilihan alternatif sebagai berikut:
Tabel Hasil Perhitungan CCi dan Ranking
CCiRANK
AlternativesA0.5212
B0.5271
C0.5193
Pengolahan Data Dan Pembahasan InventoryTabel CDF
PDFCDF
9210.0833330.083333
94000.083333
9620.1666670.25
9820.1666670.416667
10030.250.666667
10230.250.916667
104000.916667
10610.0833331
Dari CDF langkah berikutnya adalah mencoco*kan nilai daricritical ratio yang sudah dihitung dari perhitungan diatas denganhasil CDF .Hasilnya adalah 98 karena nilai critical ratio (0.3939)berada di antara 0.25 dan 0.4167 dan nilainya lebih mendekati ke0.4167 maka dapat disimpulkan bahwa demand optimal untuk bulanJanuari 2014 adalah sebesar 98 batch.Maka dapat kita hitung berapajumlah bahan baku untuk produk X yang harus dipesan dari bahanbaku. .Berikut adalah contoh perhitungan dari bahan baku yang harusdipesan:Tabel Permintaan Optimum
Nama Bahan BakuJumlah/batchUOM
Sod. sacharine usp gran.(mcr)58.8KG
Acid benzoic usp147KG
Sodium citrate usp gran. (mcr)29.4KG
Water purified usp q.s. to98000LT
FD & C green no.3490GR
Eucalyptol nf-xii18.62KG
Acid citric anhydrous usp9.8KG
Methylsalicylate nf19.502KG
Thymol nf12.544KG
Anethole nf3.92KG
Kesimpulan dari pembahasan inventory di atas adalah perusahaanharus memproduksi 98 batch produk dan harus memesan bahan-bahanyang mencukupi untuk memproduksi 98 batch dan memenuhi safety stockuntuk 1 bulan kedepan.Algoritma Kelelawar untuk Flow ShopSchedulingPada dasarnya, Algoritma Kelelawar merupakan sebuahalgoritma yang tergolong sebagai algoritma metaheuristik yangartinya, dapat di implementasikan untuk berbagai aspek serta tujuanoptimisasi. Namun, meskipun begitu untuk dapat di terapkan dalamkasus FSSP ini, Marichelvam dan Prabaharan dalam jurnalpenelitiannya menyarankan untuk merepresentasikan notasi solusimenggunakan aturan Smallest Position Value (SPV).RepresentasiSolusiAturan SPV digunakan untuk merubah nilai solusi yang bersifatcontinuous menjadi sebuah solusi permutasi urutan kerja yangdiscrete.Sebagai contoh untuk satu buah kelelawar solusi, denganpermutasi pekerjaan sebanyak 5, maka variable X dibagi menjadi 5dimensi, dan untuk setiap Xij akan di-generate sebuah randomnumber. Sehingga solusi dapat dideskripsikan sebagaiberikut:Dimensi j
12345
Xij0.830.530.310.800.13
Seq53241
Dari representasi solusi di atas, nilai SPV yang paling keciladalah di posisi , sehingga job nomor 5 akan dikerjakan palingdahulu. Nilai terkecil kedua adalah , maka job nomor 3 akan menjadipekerjaan yang diproses kedua, dan seterusnya hingga pada pekerjaanke j.
Nilai Velocity, frekuensi, Pulse, dan LoudnessUntuk setiapkelelawar solusi, nilai velocity juga harus dedefinisi sebanyakjumlah dimensi pada satu buah kelelawar, sehingga jika misalnyamengikuti contoh inisialisasi populasi, dimana setiap kelelawarmemiliki 5 dimensi, atau 5 urutan pekerjaan, maka velocity untuksetiap kelelawar juga harus didefinisi sebanyak 5 buah. Nilai awalvelocity kembali di-generate melalui random number yangdistribusinya mengikuti distribusi uniform.
Untuk nilai frekuensi, setiap kelelawar akan men-generate satubuah random number yang nilainya antara 0-100, atau dengan katalain dapat menggunakan rumus (2.12)untuk merepresentasikan nilaifrekuensi setiap kelelawar solusi.
Selanjutnya untuk pulse dan loudness pada masing-masingkelelawar solusi, nilai pulse di inisialisasi dengan kembalimen-generate random number yang nilainya 0 < ri < 1.Sedangkan untuk nilai loudness, random number yang di-generatememiliki kisaran nilai 1 < Ai < 2.
Random WalkSelain pergerakan di atas, disebutkan apabila sebuahsolusi tersebut memiliki solusi yang lebih baik, atau dengan katalain nilai random yang di-generate lebih besar dari nilai r ataupulse rate, maka kelelawar tersebut akan mencari sebuah solusi barumelalui sebuah random walk. Perhitungan random walk ini menggunakanrumus.Tabel Nilai solusi kelelawar sebelum random walk
Dimensi j
12345
Xi+11.401.210.421.240.69
Setelah random walk dilakukan dan terbentuk sebuah solusi baru,maka selanjutnya adalah menguji apakah solusi baru tersebut lebihoptimal dibandingkan sebelumnya, caranya yaitu dengan meng-generatesebuah random number lalu melakukan perbandingan, apabila tercapaisebuah kondisi dimana
{[Rand < Ai]& [f(xi) < f(x*)]}
maka nilai solusi baru tersebut diterima dan menggantikan nilaisolusi yang lama.
Fitness FunctionFitness function dari untuk permasalahan iniadalah meminimalkan waktu pekerjaan secara keseluruhan pada satusiklus produksi (makespan), sehingga dengan kata lain, waktupenyelesaian satu siklus produksi akan tercapat sedini mungkin.Selain itu, apabila ada 2 kemungkinan pekerjaan yang dapat diprosesdi satu mesin pada waktu yang bersamaan, maka pekerjaan yang sudahlebih dahulu masuk ke dalam sistem akan mendapat prioritas, hal inijuga untuk meminimalisir jumlah mean flow time per setiap prosesproduksi produk.
Parameter Masalah
Beberapa parameter perlu didefinisi terlebih dahulu sebelummerancang serta mengimplementasi algoritma kelelawar pada kasusini, parameter tersebut antara lain:
Tabel Jenis dan jumlah Parameter Algoritma kelelawar untuk FSSP: studi kasus PT Pfizer IndonesiaParameterLevel
Jumlah stage9
Jumlah pekerjaan 30
Jumlah populasi 20
Variasi Produk9
Iterasi20
Average Improvement RateUntuk mendapatkan rata-rata nilaiimprovement yang dihasilkan oleh algoritma kelelawar, makadilakukan pengujian dengan random test case secara multiple, sertadengan parameter yang berbeda-beda. Hasilnya dari 50 kalipengujian, secara rata-rata, algoritma kelelawar ini menghasilkanaverage improvement rate sebesar 13.47 %.
Perancangan Sistem Informasi
Pada dasarnya perancangan sistem informasi di departemenMaterials di PT.Pfizer di titik beratkan untuk mengotomasi sertamengoptimisasi 3 hal, yaitu:
Fungsi penjadwalan produksi (Flow Shop).
Fungsi peramalan kapasitas produksi serta kebutuhan inventory,Fungsi assessment terhadap supplier atau supplier selection.
Selain itu, beberapa fungsi yang juga ditambahkan untukmelengkapi sistem informasi yang dibangun ini antara lainadalah:
Inventory Tracking untuk mencatat semua alur keluar-masuk bahanbaku / inventory.
Production Status Tracking, untuk melakukan tracking terhadapproses produksi yang berjalan, pada setiap staging. VendorManagement System, untuk menyimpan, serta tracking terhadapidentitas maupun performa dari vendor yang memiliki relasi bisnisdengan perusahaan.
Dari fase perancangan dan pengembangan, rancangan sisteminformasi ini terbagi menjadi dua fase utama, yaitu RequirementAnalysis dan Design System. Berikut dilampirkan Activity Diagram,Use Case Diagram Beserta dengan Class diagram yang sudah dibuat.ACTIVITY DIAGRAM
USE CASE DIAGRAMCLASS DIAGRAMSIMPULAN DAN SARAN1. Cara untukmemperoleh pengelolaan dari inventory yang optimal dengan metodeprobabilistik pada PT Pfizer Indonesia adalah dengan caramenghitung jumlah barang yang harus produksi dengan jumlah yangoptimal sehingga dari hasil tersebut dapat diketahui dan dihitungdengan tepat berapa jumlah dan apa saja bahan baku yang harusdipesan ke supplier oleh PT Pfizer Indonesia untuk setiap satuperiode waktu tertentu.
2. Algoritma kelelawar diterapkan dengan mengintegrasikan denganSistem informasi secara keseluruhan, dengan tujuan untuk memudahkanuser dalam merencanakan penjawalan. Selain itu input dari algoritmakelelawar haruslah mengikuti kondisi proses produksi secara nyata,agar hasil prediksi scheduling juga lebih akurat. Kunci daripenerapan algoritma kelelawar untuk bisa menjadwalkan dengan tepatadalah perancangan fitness function yang akurat, karena fitnessfunction inilah yang akan mencoco*kan hasil dari algoritma kelelawaruntuk dapat tepat guna di aplikasikan untuk penjadwalan FSSP.Dengan menerapkan metode algoritma kelelawar, melalui testcase diatas, diketahui bahwa improvement terbukti berhasil dicapai sejauh12.11 %.
3. Untuk mengaplikasikan Fuzzy TOPSIS Pada PT Pfizer harusdilakukan penilaian terlebih dahulu terhadap kriteria yang akandigunakan beserta dengan alternatif (Supplier) yang akan dipilih.Terlebih dahulu dilakukan survey terhadap beberapa responden untukmelakukan penilaian terhadap kriteria dan alternatif. Keutaamandalam menggunakan fuzzy TOPSIS ini adalah melakukan pembobotanserta normalisasi untuk menentukan jarak terpanjang dan terpendekdalam suatu perhitungan topsis yang akan menghasilkan rankingsehingga dapat diperoleh alternatif dari kriteria yang terbaik.
4. Untuk merancang sistem informasi yang terintegrasi antaraantara proses harus mempunyai database yang baik, perancangan datayang jelas dan memaksimalkan otamatisasi dengan baik.Adapunsaran-saran penulis untuk PT Pfizer Indonesia adalah:
1. Melakukan evaluasi dan pengecekan dari kinerja secara berkalaagar dapat menjaga performa semua rantai proses secaramaksimal.
2. Melakukan proses evaluasi secara berkala terhadap performadari supplier sehingga selalu terpilih supplier dengan performayang konsisten dan service yang memuaskan.
3. Melakukan maintenance-maintenance untuk sistem agar apabilaada kesalahan yang disebabkan oleh sistem dapat segeradiperbaiki.
4. Melakukan portofolio untuk masalah-masalah yang timbul padasetiap waktumya, membuat semacam knowledge management system,sehingga apabila ada masalah sama yang timbul pada masa yang akandatang solusi dari masalah tersebut sudah tersimpan di dalamknowledge management system.REFERENSIAkili, E. A. (2013). GreenSupplier Selection Criteria. International Journal Of IndustrialEngineering, 1-4.
Alavi, I., & Alinejad-Rokny, H. (2011). Comparison of FuzzyAHP and Fuzzy TOPSIS Methods for Plant Species Selection (Casestudy: Reclamation Plan of Sungun Copper Mine; Iran). AustralianJournal of Basic & Applied Sciences;2011, Vol. 5 Issue 12,1104.
Arthanary, T., & Ramasmawy, K. (1971). An Extension of TwoMachines Sequencing Problem. Journal Of the Operational ResearchSociety Of India Vol.8 No.4, 10-22.
Bean, J. C. (1994). Genetic Algorithm and Random Keys forSequencing and Optimization. Informs Jornal of Computing Vol.6No.2, 154-160.
Bismas, T., Wang, H., & Khisnamurti, R. (2008). IntegratingSustainable Building Rating Systems with Building InformationModels. CAARDIA Journal, 80-200.
C, C. (2000). Fuzzy Sets and System. Extensions of the Topsisfor group decision-making under fuzzy environment, 1-9.
Carson, G., Bolz, A., & Young, H. (1972). ProductionHandbook. New York: The Ronald Press Company.
Forgaty, Donald, W., & Dkk. (1991). Production &Inventory Management. United States of America: South-WesternPublishing.Co.
Khamseh, A. A., & Mahmoodi, M. (2014). A New FuzzyTopsis-Todim Hybrid Method For Green Supplier Selection Using FuzzyTime Function. Advances in puss* System Journal, 1-10.
Marichelvam, M. K., & Prabaharan, T. (2012). A Bat Algorithmfor Realistic Hybrid Flowshop Scheduling Problems to MinimizeMakespan and Flow Time. ICTACT Journl on Soft Computing Vol.3 No.1,428-433.
O'Brien, J. A., & Marakas, G. (2011). Introduction toInformation Systems. New York: McGraw-Hill.
Rainer, R., Kelly, J., & Turban, E. (2009). Introduction toinformation Systems: Enabling and Transforming Bussiness. Canada:John Wiley & Sons.
S.L. Adeyemi, A.O. Salami. (2010). Inventory Management: A ToolOf Optimizing Resouces in a Manufacturing Industry A Case Study ofCoca-Cola Bottling Company, Ilorun Plant.
Satzinger, J. W., jackson, R. B., & Burd, S. D. (2009).Systems Analysis and Design in a Charging World (6th). Boston:Cengage learning.
Siswanto. (2007). Pengantar Manajemen. Jakarta: Bumi Aksara.
Taha, H. A. (2009). Operation Research. New York:McGraw-Hill.
Yang, X. (2010). A New Metaheuristic Bat-Inspred Algorithm.Nature Inspired Cooperative Strategies for Optimization, 65-74.
Yang, X. (2013). Bat Algorithm : Literature Review andApplications. International Journal of Bio-Inspired Computation(IJBIC), Vol. 5, No. 3.RIWAYAT PENULIS
Calvin Aditya Sidharta lahir di Semarang pada tanggal 17 January1992. Penulis menamatkan pendidikan sma pada tahun 2009 di SMASEDES Sapientiae Semarang dan meraih gelar ST. dan S.Kom pada tahun2014 di Universitas Bina Nusantara. Muhamad Ridwan Dwi Kusuma lahirdi Jakarta pada tanggal 24 november 1990. Penulis menamatkanpendidikan sma pada tahun 2009 di SMAN 78 Jakarta dan meraih gelarST. dan S.Kom pada tahun 2014 di Universitas Bina Nusantara. RezaAriefianto lahir di Jakarta pada tanggal 1 April 1991. Penulismenamatkan pendidikan sma pada tahun 2009 di SMA Pribadi Depok danmeraih gelar ST. dan S.Kom pada tahun 2014 di Universitas BinaNusantara. EMBED Visio.Drawing.11
EMBED Visio.Drawing.11
EMBED Visio.Drawing.11
3
_1474285059.vsd
Pengumpulan Data Awal
A
Perumusan Masalah dan Tujuan Penelitian
A
Studi Literatur
Selesai
Pengumpulan Data
Mulai
Pengolahan Data
Analisis dan Pembahasan
Perancangan Sistem
Simpulan dan Saran
_1474286661.vsdSystem
PPIC & Purchasing Decision Support SystemsPT. PfizerIndonesia
Warehouse
QA/QC
Menerima KirimanMaterial
Memeriksa KualitasMaterial
Mengentry DataMesin
MengembalikanMaterial
Mengupdate Stockmaterial
Production
MenyiapkanMaterial Produksi
Memproduksi Barang
PPIC
Memeriksa KualitasHasil Produksi
Merilis Produk
MenganalisaRencana Produksi
Membuat RFQ
Memilih Supplier
Membuat PO
Purchasing
MenganalisaKebutuhan Bahan Baku
Mengentry DataProduk
Mendaftar Inventory
_1474277198.vsd
Activity
Warehouse
QA / QC
Purchasing
PPIC
Production
Warehousem*nerima Kiriman Material
PPIC Supervisor Membuat Rencana Kebutuhan Material BahanBaku
Purchasing DepartmentMencetak RFQ
Supplier Mengirim Quotation
Supplier
Warehousem*ngkarantina Material
QC Memeriksa Kualitas Material
Lolos ?
Warehouse Mengupdate Stock Material
Ya
Stock Returned
Tidak
Purchasing DepartmentMemilih Supplier
Warehouse MenyiapkanMaterial Untuk Produksi
Purchasing DepartmentMembuat PO
SupplierMengirim Material
Production Memproduksi Obat
QC Memeriksa KualitasHasil Produksi
Lolos ?
Production Merilis Bahan Baku
Yes
PPIC Supervisor Membuat Rencana Produksi
Warehouse Mengembalikan Material Ke Supplier
_1474277200.vsd+AddEmployee()+DeleteEmployee()+EditEmployee()
-EmployeeID-Name-Position-Department-DirectSupervisor(EmployeeID)
Employee
Static Structure
1
*
1
*
+AddProductionPlan()+DeleteProductionPlan()+EditProductionPlan()+AddProductionItem()+RunBatAlgorithm()
-ProductionPlanID-Month-ProductionSequence-ProductID
ProductionPlan
+AddReceivement()+DeleteReceivement()+EditReceivementStatus()
-ReceivementID-Date-POID-Status-LastUpdater
Receivement
+AddItemReceivement()+DeleteItemReceivement()
-ReceivementID-InventoryID-Quantity
DetailReceivement
1
*
+AddVSelection()+RunTOPSIS()
+AddPO()+DeletePO()
-POID-QuotNum-PODate-VendorID-Value-EstimateArrivalDate-MaximumReceiveDate
Purchase Order
1..*
1
+AddVendor()+EditVendor()+DeleteVendor()
-VendorID-VendorName-Address-Phone
Vendor
1
1..*
-VSelectionID-Month
VendorSelection
+AddVSelection()+DeletePO()
-VSelectionID-VendorID-PriceScore-QualityScore-DeliverScore-ResponsiveScore-GreenScore-TOPSISScore
VendorSelectionDetail
+AddProduction()+DeleteProduction()
-ProductionID-ProductiionPlanID-Date
Production
+AddInventory()+EditInventory()+TopUp()
-ItemID-Name-Stock-LastUpdate
Inventory
1..*
1
+UpdateProductionStatus()
-ProductionID-machineID-Process-Status
ProductionDetail
1
1
+AddItemRequisition()+DeleteItemRequisition()
-ItemID-Quantity
MaterialRequisitionDetail
+AddRequistion()+DeleteRequisition()+EditRequisitionStatus()
1
*
1
+AddMachine()+EditMachine()+DeleteMachine()
-MachineID-MachineName-MachineType
Machine
-MaterialRequisitionID-RequestDate-Month-EmployeeID-Status
MaterialRequisition
1
1..*
+SetSchedule()+DeleteSchedule()
-StandardTimeID-Time (Min)-MachineID-Sequence
1
DetailStandardTime
*
1
1
+AddReturn()+DeleteReturn()
-MaterialReturnID-ReceivementID-POID
MaterialReturn
1
1..*
+AddProduct()+DeleteProduct()+EditProduct()+AddFormula()
-ProductID-StandardTimeID-ProductName-Specifications
Product
+AddItem()
-ProductID-inventoryID-Quantity
Formulae
1
1..*
*
1
+AddStandardTime()+EditStandardTime()+DeleteStandardTime()
-StandardTimeID-TotalLeadTime
StandardTime
*
1
*
*
1
![2013-2-00469-TISI WorkingPaper002 - [DOC Document] (2024)](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAQAAAC1HAwCAAAAC0lEQVR42mP8/h8AAvMB+NzmkbcAAAAASUVORK5CYII=)
