Volume 4 No. 1, Juli 2003 (19 – 26)
Perencanaan Produksi Agregat Dengan Metode Goal Programing Mastiadi Tamjidillah1
Abstract - A Production planning is very important to all activities in manufacturing company. For a company producing a variety of product the production planning will be complicated. In this case it’s necessary to make an aggregate production planning. A Company has goals to achieve the products, althought there differenciate between each other. Other wise, if needs to make a production planning that accommodate such goals. Goal programming model can be used for aggregate production planning. This multi objective model can accommodate more than one goal which will be achieved by the company. Product demand forecasting is input for aggregate production planning. From this aggregate production planning, futhermore, disaggregation must be conducted, then it will be continued by raw material planning. The raw material planning is made by lot size each order economically. The aim of goal programming model is to maximize profits, to minimize subcontract products amount, to minimize overtime labours cost and to minimize inventory amount. The results show that the goal programming model could accommodate three goals that will be achieved by the company, except that goal to maximize profit high goal is to minimize inventory amount. The comparison between planning and realitation show that the goal programming model could reduce the minimize overtime labours cost.
Keywords - Planning, Controlling, Production Aggregate, Goal programming Model
PENDAHULUAN
kerja dengan overtime yang konstan sebagai gagasannya. Solusi yang diberikan model dapat mengurangi total biaya relevan dari perusahaan sebesar 8,1%. Ciptomulyono, U. (1996), menulis tentang pendekatan model fuzzy goal programming dengan mengambil pengandaian bahwa penetapan besarnya tingkat aspirasi goal suatu objektif keputusan memenuhi sifat-sifat fuzzy. Sebagai implementasi- nya model diterapkan untuk aggregate production planning pada 5 jenis produk tekstil. Tujuan model yang dibuat untuk meminimumkan biaya produksi langsung, biaya turn over dan meminimumkan biaya penyimpanan. Lukitarini (1993), mengaplikasikan metoda goal linier untuk perencanaan produksi aggregate pada PG KPH Lawu. Dalam perencanaan produksi aggregate Lukitarini menggunakan target produksi perusahaan sebagai dasar untuk membuat perencanaan produksi
Latar Belakang Untuk mencapai perencanaan yang baik, berbagai teknik dan pendekatan sudah dikenal dan diaplikasikan di perusahaan-perusahaan. Akinc, U. dan Roodman, G.M. (1986), membuat kerangka baru untuk model persoalan aggregate production planning yang penekanannya pada flexibility untuk pilihan produksi yang digunakan, hubungan diantara pilihan dan struktur biaya yang relevan. Penulis menggunakan Bowmann’s transportation untuk pemecahan masalah pada pendekatan aggregate production planning dengan kerangka large mixed integer programming. Silva, J.P., dkk (2000), menulis tentang model konstrain tenaga kerja untuk aggregate production planning dengan studi kasus pada Portuguese Building Material Company. Model aggregate production planning yang berhubungan dengan tingkat tenaga 1
Staff pengajar Fakultas Teknik Unlam Banjarmasin
19
20
INFO TEKNIK, Volume 4 No. 1, Juli 2003
aggregate. Tujuan model yang dibuat Lukitarini untuk memaksimalkan keuntungan, minimasi biaya penyimpanan, minimasi fluktuasi tenaga kerja dan minimasi total jam lembur. Uslianti, S (2002) mencoba menerapkan perencana-an produksi yang berhirarki pada kayu olahan, dimana pencapaian solusi optimal akan tercapai jika dilakukan perubahan target profit dan target biaya overtime. Berdasarkan latar belakang diatas, maka dalam penelitian ini penulis ingin memecahkan permasalahan yang terjadi dengan membuat perencanaan produksi aggregate untuk tiga jenis produk yang dihasilkan. Untuk mengakomodasikan tujuan-tujuan yang ingin dicapai oleh perusahaan yaitu memaksimalkan tingkat keuntungan perusahaan, meminimumkan biaya overtime tenaga kerja, meminimumkan jumlah produk subkontrak, dan meminimumkan jumlah inventory, maka rencana produksi aggregate yang dibuat menggunakan model Goal Programming, karena metode goal programming merupakan metode yang dapat digunakan untuk persoalan multi kriteria.
KAJIAN TEORITIS
Perencanaan produksi aggregate menurut Nasution (1999) adalah perencanaan yang dibuat untuk menyesuaikan kemampuan produksi dalam menghadapi permintaan pasar yang tidak pasti dengan mengoptimumkan penggunaan tenaga kerja dan peralatan produksi yang tersedia sehingga ongkos total produksi dapat ditekan seminim mungkin. Kata aggregate menyatakan bahwa perencanaan dibuat pada tingkat kasar untuk memenuhi total kebutuhan semua produk yang akan dihasilkan dengan menggunakan sumber daya yang ada. Menurut Schoeder (1994) Perencanaan aggregate berkaitan dengan pengimbangan antara suplai dan permintaan akan output dalam jangka waktu menengah, sampai dengan kurang lebih 12 bulan ke depan. Istilah aggregate mengandung arti bahwa perencanaan dilakukan untuk ukuran tunggal output yang menyeluruh, yang paling banyak atau beberapa kategori produk aggregate. Sasaran perencanaan aggregate adalah menetapkan tingkat output menyeluruh dalam jangka waktu pendek atau menengah untuk menghadapi permintaan yang berfluktuasi atau tidak pasti. Dari pengertian di atas, perencanaan produksi aggregate mencerminkan strategi perusahaan dalam hal pelayanan kepada pelanggan, tingkat
inventory, tingkat produksi, jumlah tenaga kerja dan lain-lain. Perencanaan produksi aggregate merupakan jembatan yang menghubungkan antara peramalan permintaan dengan perencanaan kebutuhan bahan selama 6 bulan. Perencanaan produksi aggregate berdasarkan sifatnya dibedakan menjadi dua, yaitu metode optimasi dan metode heuristik. Metode optimasi bersifat mampu memberikan hasil yang optimal, sedangkan metode heuristik memberikan hasil yang tidak mesti optimal namun cukup memuaskan. Dalam penelitian ini akan digunakan metode optimasi dengan menggunakan goal programming. Goal Programming Goal Programming (GP) merupakan pengembang-an dari linear programming. Goal programming adalah salah satu teknik optimasi dengan tujuan ganda. Perbedaan antara goal programming dengan linear programming terletak pada struktur dan penggunaan fungsi tujuan. Dalam linear programming fungsi tujuannya hanya mengandung satu tujuan sementara dalam goal programming mempunyai multi objektif. Adapun perbedaan model pendekatan LP dibandingkan dengan GP sebagai berikut (Ciptomulyono, 1996) : Konseptualisasi fungsi objektif sebagai “goal” Penetapan prioritas dan pembobotan setiap goal dalam pencapaian objektif keputusan. Penambahan variabel deviasi yang mengukur pencapaian tingkat aspirasi goal yang telah ditetapkan. Perilaku terhadap fungsi kendala dalam model tidak selalu dipandang sebagai sistem kendala yang “strict”. Istilah dan lambang yang biasa digunakan dalam GP (Hillier dan Lieberman,1990) sebagai berikut: Decision Variables (variabel keputusan) yaitu seperangkat variabel yang tidak diketahui yang mana akan dicari nilainya. Lambangnya Xij , dimana j = 1, 2, ..., n. Right Hand Side values (RHS) atau nilai kanan yaitu nilai-nilai yang biasanya menunjukkan ketersediaan sumber daya yang akan ditentukan kekurangan atau kelebihan penggunaanya yang dilambangkan dengan bi. Goal (tujuan) yaitu keinginan untuk meminimumkan angka penyimpangan dari suatu nilai RHS pada suatu goal constraint tertentu yang dituangkan dalam suatu fungsi pencapaian (achievement function). Goal constraint/goal equation (kendala tujuan) yaitu suatu tujuan yang diekspresikan dalam
Mastiadi Tamjidillah, Perencanaan Produksi Agregat…
persamaan matematika yang memasukkan variabel simpangan. Preemptive priority factor, yaitu suatu sistem urutan yang memungkinkan tujuan-tujuan disusun secara ordinal dalam model GP. Dalam GP dilambangkan dengan p k dimana k = 1, 2, ..., k dan k menunjukkan banyaknnya tujuan dalam model. Sistem urutan menempatkan tujuan-tujuan dalam susunan dengan hubungan sebagai berikut : P1 P2 Pk dimana P1 merupakan tujuan yang paling penting, P2 menunjukkan hubungan yang lebih kurang penting dan seterusnya. Deviation Variables (variabel simpangan) yaitu variabel-variabel yang menunjukkan penyimpangan negatif atau penyimpangan positif dari suatu nilai RHS kendala tujuan. Dalam GP variabel penyimpangan negatif dilambangkan dengan di- dan variabel penyimpangan positif dilambangkan dengan di+, dimana i = 1, 2, ..., m dan m adalah banyaknya kendala tujuan dalam model. Differential Weight (bobot) yaitu timbangan matematis yang diekspresikan dengan angka kardinal dan digunakan untuk membedakan variabel simpangan i di dalam suatu tingkat prioritas k. Dalam GP dilambangkan dengan Wki dimana k = 1, 2, ..., k dan i = 1, 2, ..., m. Technological Coefficient (koefisien teknologi) yaitu nilai-nilai numerik yang menggunakan nilai bi/unit untuk menciptakan Xj dalam GP dilambangkan dengan cij. Dalam GP ada enam jenis kendala tujuan yang berlainan. Maksud setiap jenis kendala ditentukan oleh hubungannya dengan fungsi pencapaian (Mulyono, 1999). Tabel 2.1 berikut ini menunjukkan enam jenis kendala tujuan tersebut : Persamaan pertama pada Tabel 2.1 maknanya serupa dengan kendala pertidaksamaan dalam masalah program linier maksimasi. Persamaan kedua maknanya serupa dengan kendala pertidak-
21
daya yang diinginkan sama dengan bi. Hal ini serupa dengan kendala persamaan dalam linier programming (LP), tetapi tidak menempel pada solusi karena dimungkinkan adanya penyimpangan negatif dan positif. Jika kendala persamaan dianggap perlu dalam perumusan model GP, ia dapat dimasukkan dengan menempatkan sebuah artificial variable di+ seperti pada persamaan keenam. Persamaan ketiga dan keempat memperbolehkan adanya penyimpangan positif dan negatif dari nilai RHSnya. Dalam kendala LP tidak ada pembanding untuk kedua persamaan tersebut. Bentuk-bentuk pencapaian sasaran yang dikehendaki dalam GP dapat dilihat pada Tabel 2.2 berikut ini : Tabel 2.2 Bentuk-bentuk Pencapaian Sasaran Pembatas Sasaran Minimasi didi+
di- + di+
Sasaran dicapai jika
Sasaran Minimumkan penyimpangan di bawah sasaran Minimumkan penyimpangan di atas sasaran Minimumkan penyimpangan di bawah dan di atas sasaran
di- = 0; di+ 0 di- 0; di+ = 0
di- = 0; di+ = 0
Jika penyimpangan di atas sasaran merupakan kondisi yang diinginkan maka yang diminimumkan dalam fungsi tujuan adalah d i-, sedangkan di+ akan diminimumkan dalam fungsi tujuan jika kondisi di bawah sasaran yang dikehendaki. Jika penyimpangan di atas dan di bawah sasaran tidak dikehendaki, maka yang diminimumkan adalah di- + di+. Untuk membuat model goal programming dari suatu masalah asumsi-asumsi harus dipenuhi. Apabila asumsi-asumsi tersebut tidak dapat
Tabel 2.2 Bentuk-bentuk Pencapaian Sasaran
Minimasi didi+ di + di+
Pembatas Sasaran Sasaran Minimumkan penyimpangan di bawah sasaran Minimumkan penyimpangan di atas sasaran Minimumkan penyimpangan di bawah dan di atas sasaran
samaan pada masalah program linier minimasi. Persamaan ketiga, keempat dan kelima semuanya memperbolehkan penyimpangan 2 arah tetapi persamaan kelima mencari penggunaan sumber
Sasaran dicapai jika di- = 0; di+ 0 di- 0; di+ = 0 di- = 0; di+ = 0
dipenuhi, maka goal programming bukan merupakan model yang cocok untuk memecahkan permasalahan tersebut. Adapun asumsi-asumsi
22
INFO TEKNIK, Volume 4 No. 1, Juli 2003
yang digunakan dalam goal programming menurut Mulyono (1999) sebagai berikut : 1. Additivitas dan linieritas 2. Divisibilitas 3. Terbatas 4. Kepastian dan periode waktu statis Langkah pertama dalam membangun model matematis pengambilan keputusan adalah memisahkan variabel keputusan yaitu parameterparameter yang dapat dikendalikan dan menentukan hasil keputusan. Kemudian diikuti dengan formulasi semua tujuan yang ditentukan oleh : Keinginan pengambil keputusan Keterbatasan sumber daya Batasan-batasan yang lain, baik secara eksplisit maupun implisit membatasi pemilihan variabel keputusan. Bentuk umum model Goal Programming Preemptive sebagai berikut : Fungsi Tujuan : Minimumkan a (d- , d+ ) = (a1 , a2 , a3 , ..., ak) Subject to :
g j (x) bi f(x) d d
Pada penelitian ini perubahan yang akan dilakukan adalah perubahan nilai kanan fungsifungsi batasan dan perubahan target tujuan yang ingin dicapai.
METODELOGI PENELITIAN
Dalam metodologi penelitian akan diuraikan secara rinci seluruh kegiatan yang dilaksanakan selama penelitian berlangsung. Uraian disajikan dalam bentuk tahapan yaitu : 1. Identifikasi masalah, penetapan tujuan dan manfaat penelitian 2. Studi kepustakaan 3. Pengumpulan data 4. Pengembangan model 5. Pengolahan data 6. Analisa dan interpretasi 7. Kesimpulan dan saran Tahapan yang dilalui memiliki keterkaitan secara sistematis, sebab output dari tahapan sebelumnya merupakan input bagi tahapan selanjutnya. Oleh karena itu setiap tahapan harus dilalui dengan teliti dan penuh koreksi menurut diagram alur (flow chart) yang dibuat.
HASIL DAN PEMBAHASAN
f
d , d , x 0
Data Kuisioner (Hasil olahan) Data kuisioner diperoleh dari hasil penyebaran kuisioner ke bagian produksi, bagian bahan baku, bagian logistik, pimpinan dan wakil pimpinan perusahaan. Skala penilaian tingkat kepentingan yang digunakan adalah bilangan mulai 1 sampai dengan 9, semakin besar nilai yang diberikan, maka semakin penting prioritas yang dinilai tersebut. Makna dari skala penilaian sebagai berikut :
Langkah-langkah perumusan goal programming melalui beberapa tahapan berikut ini : Penentuan variabel keputusan Variabel keputusan yang tidak diketahui dinyatakan dengan jelas. Makin tepat definisi variabel keputusan, semakin mudah untuk memodelkannya. Pernyataan sistem kendala Merupakan penentuan nilai kanan dan 1 = Sangat tidak penting koefisien teknologi serta variabel keputusan 3 = Tidak penting yang diikut sertakan dalam kendala. Jenis 5 = Biasa saja penyimpangan untuk RHS perlu diperhatikan 7 = Penting apakah satu arah atau dua arah. 9 = Sangat penting Penentuan prioritas utama 2, 4, 6, 8 = Tingkat kepentingannya ialah makna Merupakan penentuan urutan tujuan-tujuan. antara batas atas dan batas bawahnya. Urutan-urutan ini dapat diperoleh dari preferensi individu. Tabel-tabel dibawah menyatakan agregasi dan untuk periode 6 bulanan. Pernyataan fungsi tujuan Tabeldissagregrasi 4.2 Jumlah Hari Kerja Merupakan pemilihan variabel simpangan Tabel 4.3 Kapasitas Jam Orang Regular dan Overtime yang benar untuk dimasukkan dalam fungsi Jumlah Hari Tabel 4.1 RangkumanKerja Hasil Penyebaran Kuisioner Tenaga Kerja Bulan Total tujuan. Senin-Jum’at Sabtu Pernyataan keperluan non negatif Januari 23 hari 4 hari 27 hari Februari Prioritas 20 hari Maret Profit 21 hari Maksimumkan April 22Tenaga hari Kerja Mininimumkan Biaya Overtime Mei 22 hari Minimumkan Jumlah Produk Subkontrak Juni 21 Minimumkan Jumlah Inventory hari
1 9 8 8 6
42hari 59hari 48hari 57hari 46hari
3 9 6 7 6
Responden 4 5 9 9 6 8 8 8 7 7
246hari 279hari 266hari 279hari 257hari
7 9 6 8 7
8 9 8 9 6
Mastiadi Tamjidillah, Perencanaan Produksi Agregat…
Bulan Januari Februari Maret April Mei Juni
Kapasitas Jam Orang Regular Overtime 19796 Jam 5252 Jam 19796 Jam 4040 Jam 18685 Jam 5050 Jam 19796 Jam 5252 Jam 19796 Jam 5252 Jam 14948 Jam 5252 Jam
Fungsi Tujuan Minimumkan (dj- + d18+t+ + d36+t+), d43- , d44+ , d45+ , d46+
Januari Februari Maret April Mei Juni
Kapasitas Jam Mesin Regular Overtime 392 Jam 104 Jam 392 Jam 80 Jam 370 Jam 100 Jam 392 Jam 104 Jam 392 Jam 104 Jam 296 Jam 104 Jam
6
i 1
Bulan
d24+t+ + d30+t+ +
Subject to : Fungsi Tujuan Memaksimumkan Keuntungan (Profit) 3
Tabel 4.4 Kapasitas Jam Mesin Regular dan Overtime
23
t 1
(XSit) 3
HJi (XRit + XOit + XSit) -
3
6
i 1
t 1
6
3
6
i 1
t 1
crt biXRit -
cit Iit + d43- - d43+ = TP
i 1
t 1 6
6
i 1
t 1
csit
cmit (XRit + XOit) -
i 1 3
3
cot biXOit
-
t 1
Tabel 4.5 Biaya Bahan Baku Per M3 (Tipis, Medium dan Tebal) (dalam Rp)
Produk Tipis Medium Tebal
Bulan Jan 1271200 1280280 1271200
Feb 1271200 1280280 1271200
1271200 1280280 1271200
Maret
April
1271200 1280280 1271200
1271200 1280280 1271200
Mei
Juni 1271200 1280280 1271200
Fungsi Tujuan Meminimumkan Jumlah Produk Subkontrak Tabel 4.6 Inventory Awal dari tiap Item Produk (M3) Produk
Item
Tipis (2.4mm)
Lembaran Lembaran Lembaran Lembaran Lembaran Lembaran
Medium (3.7mm) Tebal (5.2mm)
Inventory Awal (M3) 0 0 0 0 2,9 1,8
3
6
i 1
t 1
Fungsi Tujuan Meminimumkan Biaya Overtime Tenaga Kerja 3
6
i 1
cot biXOit + d45- - d45+ = TBO
t 1
Fungsi Tujuan Meminimumkan Jumlah Inventory 3
6
Perencanaan Produksi Aggregate Untuk perencanaan produksi aggregate digunakan model goal programming, koefisienkoefisien dan nilai kanan dari model diisi dengan menggunakan data untuk perencanaan produksi aggregate. Berdasarkan hasil penentuan prioritas, maka formulasi model secara matematis sebagai berikut :
XSit + d44- - d44+ = TSC
i 1
Iit + d46- - d46+ = TI
t 1
Rigid Constraint : Kendala Keseimbangan Produksi XRit + XOit + XSit + Ii(t-1) - Iit + dj- = Dit Kendala Kapasitas Jam Mesin Kapasitas Jam Mesin Regular
24
INFO TEKNIK, Volume 4 No. 1, Juli 2003 3
ai XRit + d18+t- - d18+t+ = KMRt
i 1
Kapasitas Jam Mesin Overtime 3
diperoleh dengan mengalikan output disagregasi dengan pemakaian bahan baku tiap-tiap item yaitu untuk produk Tipis sebesar 1.4, Medium sebesar 1.41 dan Tebal sebesar 1.4. (Lihat tebal dibawah)
ai XOit + d24+t- - d24+t+ = KMOt
i 1
HASIL DAN PEMBAHASAN
Kendala Kapasitas Jam Orang Kapasitas Jam Orang Regular 3
bi XRit + d30+t- - d30+t+ = KRt
i 1
Kapasitas Jam Orang Overtime 3
bi XOit + d36+t- - d36+t+ = KOt
i 1
Goal yang ingin dicapai pada model yang dikembangkan ada 5 yaitu : Goal pertama adalah kendala sistem (KS). Goal kedua adalah memaksimumkan profit (MP). Goal ketiga adalah meminimumkan jumlah produk subkontrak (MJPS). Goal keempat adalah meminimumkan biaya overtime tenaga kerja (MBOTK). Goal kelima adalah meminimumkan jumlah inventory produk jadi (MJIPJ)
XRit , XOit , XSit , Iit , dj- , d18+t-, d18+t+, d24+t-, d24+t+, d30+t-, d30+t+, d36+t-, d36+t+, d43- , d43+, d44- , d44+, d45- , d45+, d46- , d46+ 0
Perubahan urutan pencapaian tujuan dapat dilakukan dengan 23 skenario. Adapun urutan skenarionya sebagai berikut :
Dalam proses optimasi dengan model goal programming ini digunakan software Quantitative System Version 3. Rangkuman hasil perencanaan aggregate mengenai rencana total produk yang akan diproduksi dapat dilihat pada tabel 4.7 berikut ini :
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21.
Tabel 4.7 RencanaTotal Jumlah Produk yang diproduksi Bulan Januari Februari Maret April Mei Juni
Tipis 65,8 66,0 66,2 66,4 66,5 66,7
Produk Plywood Medium Tebal 252,5 85,9 229,5 85,9 255,1 85,9 256,5 85,9 287,4 85,9 253,8 85,9
Perencanaan Bahan Baku Logs Permintaan bahan baku tiap-tiap item produk
KS, MP, MJPS, MJIPJ, MBOTK. KS, MP, MBOTK, MJPS, MJIPJ. KS, MP, MBOTK, MJIPJ, MJPS. KS, MJPS, MBOTK, MJIPJ, MP. KS, MJPS, MJIPJ, MBOTK, MP. KS, MJPS, MP, MBOTK, MJIPJ. KS, MJPS, MBOTK, MP, MJIPJ. KS, MJPS, MP, MJIPJ, MBOTK. KS, MJPS, MJIPJ, MP, MBOTK. KS, MP, MJIPJ, MJPS, MBOTK. KS, MP, MJIPJ, MBOTK, MJPS. KS, MBOTK, MP, MJPS, MJIPJ. KS, MBOTK, MP, MJIPJ, MJPS. KS, MBOTK, MJPS, MP, MJIPJ. KS, MBOTK, MJPS, MP, MJIPJ. KS, MBOTK, MJIPJ, MJPS, MP. KS, MBOTK, MJIPJ, MP, MJPS. KS, MJIPJ, MBOTK, MJPS, MP. KS, MJIPJ, MBOTK, MP, MJPS. KS, MJIPJ, MP, MBOTK, MJPS. KS, MJIPJ, MP, MJPS, MBOTK.
Tabel 4.8 Rangkuman Hasil Rencana Bahan Baku Jumlah Jumlah Inventory Total Cost Order (M3) Tujuan Fixed Order Quantity (FOQ) 24 0Tabel 4.9 Hasil Pencapaian Rp 2.229.839.000,Lot for Lot (L4L) 24 0 Rp 2.229.839.000,Fixed Period Requirements (FPR) 12 1223,92 Rp 2.229.765.000,Tujuan Target Pencapaian Least Unit Cost (LUC) 14 1004,01681 Rp 2.229.731.000,Least Total Cost (LTC) 12 1223,920903 Rp 2.229.765.000,- 0 Rigid Constraint 0 Part-Period Balancing (PPB) 12 1223,920903 Rp 2.229.765.000,Maks. Profit Rp 2.104.100.000,Wagner-Whitin Algorithm (WW) 14 1004,016 Rp 2.049.831.360,Rp 2.229.731.000,Min. Jumlah Produk Subkontrak 0 0 Min. Biaya Overtime Tenaga Kerja Rp 81.866.560,Rp 30.147.452,Min. Jumlah Inventory Produk Jadi 0 29,58026 M3 Metode
Keterangan : T = Terpenuhi ,
TT = Tidak Terpenuhi
Keterangan T T T T TT
Mastiadi Tamjidillah, Perencanaan Produksi Agregat…
22. KS, MJIPJ, MJPS, MP, MBOTK. 23. KS, MJIPJ, MJPS, MBOTK, MP. Penyelesaian perencanaan produksi aggregate menggunakan model goal programming dengan fungsi tujuan (goal) yang ingin dicapai dapat dilihat pada Tabel 4.9 dan penjelasan berikut: Dari tabel dapat dilihat bahwa tujuan pertama yaitu rigid constraint dapat dipenuhi. Hal ini menunjukkan kendala-kendala dalam model yang telah ditetapkan mampu memberikan solusi yang fisibel terhadap tujuan yang diharapkan. Pada tujuan kedua perusahaan berusaha untuk mencapai tingkat profit semaksimal mungkin dengan menetapkan target profit selama horizon perencanaan sebesar Rp 2.049.831.360,-. Hasil yang diperoleh menunjukkan bahwa keuntungan yang dicapai mampu melebihi target yang ditetapkan. Pada tujuan ketiga yaitu meminimumkan jumlah produk subkontrak dapat dipenuhi. Ini disebabkan jumlah produk yang diproduksi dengan kapasitas subkontrak tidak ada. Manajemen perusahaan membuat kebijaksanaan melakukan lembur untuk mengatasi permintaan yang melebihi kapasitas regular.
KESIMPULAN DAN SARAN
Kesimpulan Kesimpulan yang dapat diambil dari penelitian ini adalah : 1. Metode-metode lot size yang dapat memberikan total biaya minimum untuk perencanaan bahan baku logs adalah metode Least Unit Cost (LUC) dan Wagner-Whitin Algorithm (WW). Hanya saja perbedaan total biaya yang dihasilkan oleh motode-metode lot sizing tersebut tidak terlalu besar. 2. Perbandingan antara rencana dengan realisasi diperoleh hasil bahwa pencapaian tujuan memaksimumkan profit, meminimumkan jumlah produk subkontrak dan meminimumkan biaya overtime tenaga kerja baik rencana maupun realisasi dapat memenuhi tujuan tersebut. Sedangkan tujuan untuk meminimumkan jumlah inventory produk jadi baik rencana maupun realisasi tidak dapat memenuhi tujuan tersebut. 3. Perubahan target profit dengan menaikkan dan menurunkan target profit dari model awal sebesar 10% sampai dengan 20% tidak mengakibatkan perubahan yang berarti terhadap pencapaian tujuan untuk
25
memaksimumkan profit, akan tetapi mengakibatkan perubahan yang berarti terhadap pencapaian tujuan untuk meminimumkan jumlah inventory produk jadi. Pada pencapaian tujuan untuk meminimumkan jumlah produk subkontrak tidak terjadi perubahan yang berarti pada penambahan target profit sebesar 10% dari target awal. Sedangkan pada pencapaian tujuan untuk meminimumkan biaya overtime tenaga kerja terjadi perubahan yang berarti pada penambahan target profit sebesar 20% dari target awal. 4. Perubahan target biaya overtime tenaga kerja dengan perubahan target sebesar 100%, 90%, 70% dan 60% tidak mengakibatkan perubahan yang berarti terhadap pencapaian tujuan untuk memaksimumkan profit, meminimumkan jumlah produk subkontrak dan meminimumkan biaya overtime tenaga kerja. Akan tetapi untuk tujuan meminimumkan jumlah inventory produk jadi terjadi perubahan yang berarti yaitu pada perubahan target biaya overtime tenaga kerja sebesar 70% dan 60%. Saran Saran-saran yang dapat diberikan untuk peneliti lanjutan sebagai berikut : 1. Peramalan permintaan dapat dilakukan dengan menggunakan data permintaan tiap item produk sehingga hasil yang diperoleh lebih baik. 2. Perusahaan dapat menggunakan model goal programming untuk perencanaan produksi aggregate, sebab dapat mengakomodasikan beberapa tujuan yang ingin dicapai. 3. Untuk perencanaan bahan baku logs metodemetode lot sizing dapat digunakan jika perusahaan mempunyai pasokan bahan baku yang tetap. 4. Bagi peneliti lanjutan dapat melakukan perencanaan dengan menggunakan strategy jumlah tenaga kerja berfluktuasi dengan mengintegerkan jumlah tenaga kerja.
DAFTAR PUSTAKA Akinc, U. and Roodman, G.M. (1986) A New Approach to Aggregate Production Planning : Transactions, Industrial Engineering Research & Development, Volume 18, Number 1, pp. 88 - 94.
Subject to : 26
INFO TEKNIK, Volume 4 No. 1, Juli 2003
Chang, Y.L. (1995) Quantitative System Version 3.0, Prentice Hall, Englewood Cliffs, New Jersey. Ciptomulyono, U. (1996) programming produksi terpadu Planning), Jurnal 127.
Model fuzzy goal untuk perencanaan (Aggregate Production IPTEK ITS, pp. 116 -
Hillier, F.S and Lieberman, G.J. (1990) Introduction to Operation Research, Fifth Edition, McGraw-Hill, Inc. Lukitarini (1993) Perencanaan Metode Goal Linier Pada Perencanaan Produksi Aggregate di PT. KPH Lawu, Skripsi, TI-ITS, Surabaya. Mulyono, S. (1999) Operations Research, Edisi kedua, Penerbit Fakultas Ekonomi Universitas Indonesia, Jakarta. Nasution, A.H. (1999) Perencanaan dan Pengendalian Produksi, Penerbit Guna Widya, Surabaya. Scroeder,
R.G. (1994) Manajemen Operasi : Pengambilan Keputusan Dalam Fungsi Operasi, Penerbit Erlangga, Jakarta.
Silva, J.P., Lisboa, J., and Huang, P. (2000) A LabourConstrained Model for Aggregate Production Planning, International Journal Production Research, Volume 38, Number 9, pp 2143-2152. Uslianti, S (2002) Perencanaan produksi berhirarki produk olahan kayu di PT. Arga Tirta
