OPTIMASI PERENCANAAN PRODUKSI DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING Vera Devani Jurusan Teknik Industri Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau ABSTRAK Metode Goal Programming dapat menentukan jumlah produksi yang optimal karena metode Goal Programming potensial untuk menyelesaikan aspek- aspek yang bertentangan antara elemen-elemen dalam perencanaan produksi. Tujuan penelitian ini adalah untuk memperoleh rencana produksi yang optimal sebagai alternatif pemecahan masalah dalam meningkatkan keuntungan. Berdasarkan hasil penelitian, keuntungan bulan Januari Rp 5.059.254.600, Pebruari Rp 6.230.004.000, Maret Rp 5.137.988.000, April Rp 5.177.354.000, Mei Rp 5.216.720.000, Juni Rp 5.256.086.000, Juli Rp 5.295.450.000, Agustus Rp 5.334.816.000, September Rp 5.374.182.000, Oktober Rp 5.413.548.000, Nopember Rp 5.476.539.000 dan Desember Rp 5.515.903.000. Kata kunci : Goal Programming, Peramalan, Perencanaan Produksi.
ABSTRACT Goal Programming method can determine the optimal amount of production due to potential Goal Programming method for resolving conflicting aspects between the elements in the production planning. The arms of this research is to obtain optimal production plan as an alternative problem solving in improving profits. Based on research results, gains in January Rp 5.059.254.600, February Rp 6.230.004.000, March Rp 5.137.988.000, April Rp 5.177.354.000, May Rp 5.216.720.000, June Rp 5.256.086.000, July Rp 5.295.450.000, August Rp 5.334.816.000, September Rp 5.374.182.000, October Rp 5.413.548.000, November Rp 5.476.539.000 dan December Rp 5.515.903.000. Keywords : Aggregate Planning, Forecasting, Goal Programming
PENDAHULUAN Latar Belakang Perencanaan produksi merupakan salah satu hal yang penting dalam perusahaan manufaktur. Perencanaan produksi berhubungan dengan penentuan volume, ketepatan waktu penyelesaian, utilisasi kapasitas, dan pemerataan beban. Perencanaan produksi umumnya dilakukan dengan taksiran berdasarkan pengalaman masa lalu. Perencanaan produksi bertujuan memberikan keputusan yang optimum berdasarkan sumber daya yang dimilki perusahaan dalam memenuhi permintaan akan produksi yang dihasilkan, seperti kapasitas mesin, tenaga kerja, teknologi, dan lain-lain. (Nasution, A.H., 2008)
PT. “X” merupakan perusahaan yang bergerak dalam pengolahan karet mentah menjadi barang setengah jadi (crumb rubber) yang di ekspor ke luar negeri. Jenis produk yang dihasilkan yaitu crumb rubber SIR-10 (Standard Indonesia Rubber) dan SIR-20. Perbedaan dari dua jenis ini adalah SIR-10 menggunakan bahan baku yaitu 85% bokar (bongkahan karet) A dan 15% bokar (bongkahan karet) B, sedangkan untuk jenis sir 20 yang memiliki kualitas di bawah SIR10 yaitu dengan komposisi bokar (bongkahan karet) A sebanyak 40% dan bokar (bongkahan karet) B adalah sebanyak 60%.
Tabel 1. Permintaan Crumb Rubber SIR 10 dan SIR 20 (dalam Kg) Tahun
Bulan 2008
2009
2010
Januari
1.106.830
1.273.404
1.589.292
Februari
1.351.520
2.061.155
1.514.190
Maret
1.723.275
1.355.580
1.370.755
April
1.796.115
1.227.833
1.421.355
Mei
1.297.771
2.273.792
2.325.779
June
908.340
1.308.002
1.970.960
Juli
1.430.555
1.808.047
2.200.810
Augustus
2.486.070
2.226.578
1.499.045
September
1.406.952
1.827.195
1.920.030
Oktober
1.646.430
2.505.284
1.667.436
November
1.968.645
1.103.255
2.747.100
Desember
2.237.100
1.100.133
2.432.363
Total 19.359.603 Sumber: PT. “X” (2011)
20.070.258
22.659.115
Dari tabel 1, terlihat bahwa permintaan produk yang tidak menentu (berfluktuasi) membuat perusahaan sulit untuk mengendalikan produksi sehingga diperlukan perencanaan produksi untuk meminimumkan kekurangan produksi. Perencanaan produksi dengan menggunakan Goal Programming merupakan salah satu metode yang dapat mengoptimalkan perencanaan produksi. Goal Programming adalah salah satu model matematis yang dipandang sesuai digunakan untuk pemecahan masalahmasalah multi tujuan karena melalui variabel deviasinya. Goal Programming secara otomatis menangkap informasi tentang pencapaian relatif dari tujuan-tujuan yang ada (Charles D & Timothy Simpson, 2002). Rumusan Masalah Berdasarkan latar belakang masalah di atas, maka rumusan masalah dalam penelitian ini adalah bagaimana optimasi perencanaan produksi dengan menggunakan metode Goal Programming? Tujuan Tujuan penelitian ini adalah: 1. Untuk menentukan jumlah optimal SIR 10 dan SIR 20.
produksi
2. Untuk menentukan jumlah keuntungan optimal 3. Untuk menentukan sumber daya optimal untuk SIR 10 dan SIR 20. LANDASAN TEORI Perencanaan Produksi Perencanaan produksi merupakan penentuan arah awal dari tindakan yang harus dilakukan di masa yang akan datang, apa yang harus dilakukan, berapa banyak dan kapan harus melakukannya. Perencanaan produksi dimulai dengan meramalkan permintaan secara tepat sebagai input utamanya. Peramalan permintaan biasanya dibuat untuk kelompok-kelompok produk secara kasar (tanpa memperhatikan perbedaan spesifikikasi produk), khususnya selama periode waktu yang panjang. Perencanaan produksi adalah pernyataan rencana produksi ke dalam bentuk agregat (Ginting, 2007). Perencanaan produksi ini merupakan alat komunikasi antara manajemen teras (top management) dan manufaktur. Selain itu juga perencanaan produksi dapat diartikan sebagai suatu perencanaan taktis yang bertujuan memberikan keputusan yang optimum berdasarkan sumber daya yang dimiliki perusahaan dalam memenuhi permintaan akan produksi yang dihasilkan. Sumber daya yang dimiliki adalah kapasitas mesin, tenaga kerja, teknologi yang dimiliki dan lainnya. Beberapa fungsi lain perencanaan produksi adalah (Ginting, 2007): 1. Menjamin rencana penjualan dan rencana produksi konsisten terhadap rencana strategis perusahaan. 2. Sebagai alat ukur performansi proses perencanaan produksi 3. Menjamin kemampuan produksi konsisten terhadap rencana produksi 4. Memonitor hasil produksi aktual terhadap rencana produksi dan membuat penyesuaian. 5. Mengatur persediaan produk jadi untuk mencapai target produksi dan rencaan strategis. 6. Mengarahkan penyusunan dan pelaksanaan jadwal induksi produksi .
Peramalan (Forecasting) Peramalan adalah proses untuk memperkirakan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa (Nasution, H.A., 2008). Pada hakekatnya, peramalan hanya merupakan suatu perkiraan, tetapi dengan menggunakan teknik-teknik tertentu, maka peramalan menjadi lebih sekedar perkiraan. Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah permintaan terhadap suatu produk dan merupakan langkah awal dari proses perencanaan dan pengendalian produksi. Forecasting (Peramalan) adalah suatu usaha untuk meramalkan keadaan dimasa mendatang melalui pengujian keadaan di masa lalu (Handoko, 1984). Forecasting bertujuan mendapatkan forecast yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan mean squared error, mean absolute error, dan sebagainya (Subagyo, 1986). Forecasting yang dibuat selalu diupayakan agar dapat meminimumkan pengaruh ketidakpastian ini terhadap perusahaan. Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa yang akan dilakukan pada waktu yang akan datang (Subagyo, 1986). Tujuan peramalandalam kegiatan produksi adalah untuk meredam ketidakpastian, sehingga diperoleh suatu perkiraan yang mendekati keadaan yang sebenarnya. Ukuran Akurasi Hasil Peramalan Ukuran akurasi yang merupakan ukuran kesalahan peramalan merupakan ukuran tingkat perbedaaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. Ada 4 ukuran yang biasa digunakan yaitu: 1. Standard error (SE) SE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan yang dikurangi dengan derajat kebebasan peramalan lalu di akarkan. Derajat kebebasan dalam
penggunaan rumus standard error ini berbeda, diantaranya perbedaan itu adalah f = dejarat kebebasan Untuk data konstan, f = 1 Untuk data linier, f =2 Untuk data kwadratis, f = 3 Untuk data siklis,f = 3
(1) dimana: Xt = data aktual periode t Ft = nilai ramalan periode t N = Banyaknya periode 2. Rata-rata deviasi mutlak (Mean Absolute Deviation =MAD) MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramlan lebih besar atau lebih kecil dibandingkan kenyataanya. MAD didapat dari harga mutlak jumlah deviasi absolute penjualan aktual dikurangi peramalan dibagi dengan banyaknya data. Secara matematis MAD dirumuskan sebagai berikut:
(2) dimana: A t = permintaan aktual pada periode t F t = peramalan permintaan pada periode t n = jumlah periode peramalan yang terlibat 3. Rata-rata kuadrat kesalahan (Mean Square Error = MSE). MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan.
(3)
4. Bias Bias merupakan perhitungan yang dilakukan untuk melihat selisih rata-rata antara permintaan dengan peramalan. Dimana dalam perhitungannya nilai permintaan dikurangi nilai peramalan dan dibagi dengan jumlah data.
(4) Metode Peramalan Metode peramalan dilakukan untuk mengurangi ketidakpastian dalam memenuhi permintaan produk. Metode yang dipakai diantaranya: 1. Moving Average Moving average pada suatu periode merupakan peramalan untuk satu periode ke depan dari periode rata-rata tersebut. Secara matematis, rumus fungsi peramalan ini adalah:
3. Trend Analisis Bentuk persamaan trend analisis:
umum dari rumus
(7) dimana : = nilai ramalan pada periode t t = waktu /periode Dengan menggunakan metode kuadrat terkecil (least square method) maka harga konstanta a dan b diperoleh dari persamaan:
(8)
(9) (5) dimana: F = peramalan T = jumlah data Xi = data pengamatan periode i = nilai rata-rata 2. Exponential Smoothing Pengertian dasar dari metode ini adalah: nilai ramalan pada periode t + 1 merupakan nilai actual pada periode t ditambah dengan penyesuaian yang berasal dari kesalahan nilai ramalan yang terjadi pada periode t tersebut. Nilai peramalan dapat dicari dengan menggunakan rumus berikut:
(6) dimana: Xt = data permintaan pada periode t Α = faktor / konstanta pemulusan Ft+1 = peramalan untuk periode t
Linear Programming Linear Programming (Program linier) adalah metode atau teknik matematik yang digunakan dalam pengambilan keputusan. Secara umum, masalah dalam program linier adalah pengalokasian sumber daya yang terbatas seperti tenaga kerja, bahan baku, jam kerja mesin, dan modal dengan cara sebaikbaiknya sehingga diperoleh maksimisasi keuntungan atau minimisasi biaya produksi. Suatu penyelesaian program linier perlu dibentuk formulasi secara matematik dari masalah yang sedang dihadapi dengan syarat sebagai berikut: 1. Adanya variabel keputusan yang dinyatakan dalam simbol matemaik dan variabel keputusan ini tidak negatif. 2. Adanya fungsi tujuan dari variabel keputusan yang menggambarkan kriteria pilihan terbaik. Fungsi tujuan ini harus dapat dibuat dalam suatu sel fungsi linier yang dapat berupa maksimum atau minimum.
3. Adanya kendala sumber daya yang dapat dibuat dalam satu set fungsi linier.
am1 x 1 + a m 2 x 2 + . . . + a m n x n xi ≥ 0 (i = 1, 2, ..., n)
≤ bm (10)
Goal Programming Model Goal Programming merupakan perluasan dari model pemrograman linear, sehingga seluruh asumsi, notasi, formulasi model matematis, prosedur perumusan model dan penyelesaiannya tidak berbeda. Perbedaan hanya terletak pada kehadiran sepasang variabel deviasional yang akan muncul di fungsi tujuan dan fungsi-fungsi kendala. Program tujuan ganda yang dalam bahasa asingnya dikenal sebagai Goal Programming atau Multi Objective Goal Programming (MOGP) merupakan modifikasi atau variasi khusus dari program linier yang sudah kita kenal. Goal Programming bertujuan untuk memininumkan jarak antara atau deviasi terhadap tujuan, target atau sasaran yang telah ditetapkan dengan usaha yang dapat ditempuh untuk mencapai target atau tujuan tersebut secara memuaskan sesuai dengan syarat ikatan yang ada, yang membatasinya sumber daya yang tersedia, teknologi yang ada, kendala tujuan dan sebagainya. Variabel deviasional berfungsi untuk menampung penyimpangan atau deviasi yang akan terjadi pada nilai ruas kiri suatu persamaan kendala terhadap nilai ruas kanannya. Variabel deviasional terbagi menjadi dua : 1. Variabel deviasional untuk menampung deviasi yang berada di bawah sasaran yang dikehendaki 2. Variabel deviasional untuk menampung deviasi yang berada di atas sasaran yang dikehendaki. Model Umum Goal Programming Formulasi model matematis Linear Programming dari persoalan pengalokasian sumber-sumber pada aktivitas-aktivitas adalah sebagai berikut: Minimumkan z= c 1 x1 + c2 x2 +... + cn xn berdasarkan pembatas : a11 x1 + a12 x2 + … + a1n xn ≤ a 2 1 x 1 + a 2 2 x 2 + ... + a 2 n x n ≤
b1 b2
dimana : z = Fungsi tujuan. cn = Koefisien variabel keputusan. xn = Variabel keputusan. m = Macam batasan-batasan sumber atau fasilitas yang tersedia n = Macam-macam kegiatan yang menggunakan sumber atau fasilitas tersebut. i = Nomor setiap macam sumber atau fasilitas yang tersedia (1,2,3,...,m) j = Nomor setiap macam kegiatan yang menggunakan sumber atau fasilitas yang tersedia (1,2,3,...,n). Maka hal ini dapat diselesaikan dengan model Goal Programming sebagai berikut: Minimumkan: Z= P1(d1++ d1-) +P1(d1++ d1-)+….+ Pi(di++ di-) berdasarkan pembatas:
(11) dimana: Pi = Tujuan-tujuan yang ingin dicapai di+ = Penyimpangan negatif di- = Penyimpangan positif METODOLOGI PENELITIAN Data yang digunakan untuk pengolahan data adalah data permintaan Crumb Rubber SIR 10 dan SIR 20, harga pokok, harga penjualan, jam kerja reguler, kecepatan produksi, dan ketersedian bahan baku. Untuk menentukan motode peramalan yang sesuai digunakan software QM for Windows 2. Sedangkan metoda perencanaan produksi yang digunakan dalam penelitian ini adalah Goal Programming dengan menggunakan software Lingo 10. Tahapan dalam pengolahan data adalah sebagai berikut :
1. Metode peramalan yang digunakan adalah Trend Analisis, Moving Average, dan Exponential Smoothing. 2. Verifikasi Peramalan 3. Perhitungan MAD, MSE, Bias, Standar Error dan SEE. 4. Formulasi fungsi dengan menggunakan metoda Goal Programming a. Fungsi tujuan X1 = SIR 10 X2 = SIR 20 b. Fungsi kendala Kecepatan produksi Ketersedian jam kerja Ketersedian bahan baku c. Fungsi sasaran Memaksimunkan jumlah produksi Memaksimumkan keuntungan Meminimumkan pemakaian jam kerja Meminimumkan pemakaian bahan baku HASIL DAN PEMBAHASAN Setelah dilakukan peramalan permintaaan, maka akan dipilih metoda peramalan yang terbaik yaitu yang lebih akurat. Peramalan dikatakan baik apabila nilai-nilai MAD, MSE, Bias dan SE mendekati nol. Berdasarkan hasil peramalan dengan menggunakan tiga metoda yaitu Trend Analisis, Moving Average, dan Exponential Smoothing, maka metoda yang terpilih yaitu Trend Analyisis. Hasil peramalan dengan menggunakan metode Trend Analysis adalah sebagai berikut:
Tabel 3 Peramalan Crumb Rubber SIR 10 dan SIR 20 Crumb Rubber SIR 10 Bulan Jumlah (Kg) Januari 1.027.267 Pebruari 1.035.142 Maret 1.043.016 April 1.050.890 Mei 1.058.764 Juni 1.066.638 Juli 1.074.512 Agustus 1.082.386 September 1.090.260 Oktober 1.098.134 Nopember 1.113.883 Desember 1.121.757
Crumb Rubber SIR 20 Bulan Jumlah (Kg) Januari 988.727 Pebruari 9.965,99 Maret 1.004.470 April 1.012.342 Mei 1.020.214 Juni 1.028.086 Juli 1.035.957 Agustus 1.043.829 September 1.051.701 Oktober 1.059.573 Nopember 1.067.445 Desember 1.075.316
Model Goal Programming untuk bulan Januari adalah: a. Variabel keputusan: X1 = SIR 10 X2 = SIR 20 b. Fungsi tujuan Minimumkan Z = P1 (d1- + d1+ + d2- d2+) + P2d3+ + P3 d4+ + P3(d5+ + d6+) c. Fungsi kendala: Fungsi kendala untuk bulan Januari adalah: X1 + d1- - d1+ = 1.027.267 X2 + d2- - d2+ = 988.726,8 3.000X1 + 2.000X2 + d3- - d3+ = 5.059.254.600 30X1 + 20X2 + d4- - d4+ = 31.500 0,85X1 + 0,15X2 + d5- - d5+ = 4.000 0,40 X1 + 0,60X2 + d6- - d6+ = 40.000 X1, X2, d1-, d1+ , d2- , d2+, d3-, d4+, d5-, d5+, d6-, d6+ ≥ 0 (12) Tabel 4 Output Software Lingo
Tabel 2 Hasil Peramalan dengan Metoda Trend Analysis Keterangan Bias MAD MSE SE
Crumb Rubber SIR 20 SIR 10 -0,0191 0,1563 250.676,20 189.108,10 82.762.760.000 55.168.820.000 296.025,60 241.690
Berdasarkan output software Lingo untuk peramalan bulan Januari sampai dengan Desember, terlihat bahwa Nilai deviasi negatif (DN) bernilai nol berarti
fungsi kendala dapat terpenuhi. Dengan demikian jumlah produksi dan keuntungan dapat mengoptimalkan perencanaan produksi. Sedangkan deviasi positif (DP) bernilai nol berarti fungsi kendala dapat terpenuhi. Dengan demikian ketersediaan jam kerja dan bahan baku dapat diminumumkan. Hasil perencanan produksi bulan Januari adalah: Produksi Crumb Rubber SIR 10 = 1.027.267 kg Produksi Crumb Rubber SIR 20 = 988.726,80 kg Pemakaian jam kerja = 843.210 jam Pemakaian bahan baku Crumb Rubber SIR 10 = 1.021.486 kg Pemakaian bahan baku Crumb Rubber SIR 20 = 1.004.142,90 kg Keuntungan = Rp 5.059.254.600 Jumlah produksi dengan menggunakan metoda Goal Programming adalah sebagai berikut: Tabel 5 Jumlah Produksi Crumb Rubber SIR 10 dan SIR 20 dengan Menggunakan Metoda Goal Programming Crumb Rubber SIR 10 Bulan Jumlah (Kg) Januari 1.027.267 Pebruari 1.412.269 Maret 1.043.016 April 1.050.890 Mei 1.058764 Juni 1.066.638 Juli 1.074.512 Agustus 1.082.386 September 1.090.260 Oktober 1.098.134 Nopember 1.113.883 Desember 1.121.757
Tabel 6 Keuntungan dengan Menggunakan Metoda Goal Programming Keuntungan (Rp) 5.059.254.600 6.230.004.000 5.137.988.000 5.177.354.000 5.216.720.000 5.256.086.000
5.295.450.000 5.334.816.000 5.374.182.000 5.413.548.000 5.476.539.000 5.515.903.000
KESIMPULAN 1. Jumlah produksi Crumb Rubber SIR 10 dan SIR 20 dengan menggunakan metode Goal Programming adalah: Crumb Rubber SIR 10 Bulan Jumlah (Kg) Januari 1.027.267 Pebruari 1.412.269 Maret 1.043.016 April 1.050.890 Mei 1.058764 Juni 1.066.638 Juli 1.074.512 Agustus 1.082.386 September 1.090.260 Oktober 1.098.134 Nopember 1.113.883 Desember 1.121.757
2.
Crumb Rubber SIR 20 Bulan Jumlah (Kg) Januari 988.726,80 Pebruari 996.598,50 Maret 1.004.470 April 1.012.342 Mei 1.020.214 Juni 1.028.086 Juli 1.035.957 Agustus 1.043.829 September 1.051.701 Oktober 1.059.573 Nopember 1.067.445 Desember 1.075.316
Keuntungan dengan menggunakan metoda Goal Programming adalah sebagai berikut: Bulan Januari Pebruari Maret April Mei Juni
Juli Agustus September Oktober Nopember Desember
Keuntungan yang diperoleh dengan menggunakan metoda Goal Programming adalah sebagai berikut: Bulan Januari Pebruari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember
3.
Crumb Rubber SIR 20 Bulan Jumlah (Kg) Januari 988.726,80 Pebruari 996.598,50 Maret 1.004.470 April 1.012.342 Mei 1.020.214 Juni 1.028.086 Juli 1.035.957 Agustus 1.043.829 September 1.051.701 Oktober 1.059.573 Nopember 1.067.445 Desember 1.075.316
Keuntungan (Rp) 5.059.254.600 6.230.004.000 5.137.988.000 5.177.354.000 5.216.720.000 5.256.086.000 5.295.450.000 5.334.816.000 5.374.182.000 5.413.548.000 5.476.539.000 5.515.903.000
Semua kendala sasaran dapat terpenuhi, yaitu jumlah produksi, keuntungan, ketersediaan jam kerja, dan ketersediaan bahan baku. Dengan demikian dapat diartikan bahwa, metoda Goal Programming dapat mengoptimalkan perencanaan produksi.
DAFTAR PUSTAKA Biegel, J. E. 1992. Pengendalian Produksi suatu Pendekatan Kuantitatif. Akademika Pressindo. Jakarta, Charles, D. and Simpson, T. 2002. Goal Programming Aplication in Multidisciplinary Design Optimization. Gaspersz, V. 2001. Production Planning and Inventory Control. PT. Gramedia Pustaka Utama, Jakarta. Ginting, R. 2007. Sistem Produksi. PT. Graha Ilmu. Yogjakarta. Haming, M. dan Nurnajamuddin M. 2007. Manajeman Produksi Modern. Bumi Aksara. Jakarta. Heizer, J. dan Render B. 2005. Operations Management. Salemba Empat. Jakarta. Hiller, F. S. dan Gerald, J. L. 1990. Pengantar Riset Operasi. Erlangga. Jakarta. Kusuma, H. 2001. Perencanaan dan Pengendalian Produksi. Andi. Yogjakarta. Makridatis, S., dkk. 1999. Metode dan Aplikasi Peramalan. Binarupa Aksara. Jakarta. Nasution, A. H. 2008. Perencanaan dan Pengendalian Produksi. Andi offset. Yogyakarta. Siswanto. 1990. Sistem Komputer Manajeman Lindo. PT Elek Media Komputindo. Jakarta. Siswanto. 2006. Operations Research. Erlangga. Jakarta. Zhang, F and W. B. Roush. 2002. MultipleObjective (Goal) Programming Model for Feed Formulation: An Example for Reducing Nutrient Variation. Poultry Science 81:182–192.
