ANALISIS DAN PERANCANGAN PRODUCTION PLANNING DECISION SUPPORT SYSTEM DENGAN IMPLEMENTASI METODE METAHEURISTICS-PROBABILISTIC PADA PT PFIZER INDONESIACalvin Aditya Sidharta, Muhamad Ridwan Dwi Kusuma, Reza Ariefianto, Anggara Hayun Anujuprana, HudiartoUniversitas Bina Nusantara, JL. K. H. Syahdan, 021-5245830, ridwan_kusuma24@yahoo.comAbstract

This thesis research activity were taking place at PT Pfizer Indonesia. The main objective of this research study is to optimize the process of production planning through the development of Decision Support Systems (DSS), which expected that it may help decision makers in performing all analysis required regarding the production planning process, and also to improve the effectiveness and efficiency of the overall current business process in Materials Department, PT Pfizer Indonesia, where the scope of the optimization subject covers the activity of production planning activity which follows Flow Shop Models, material requirement analysis, and process of evaluation and selection of suppliers. The proposed method which to be implemented are Bat Algorithm for flow shop production planning, probabilistic inventory for material planning, and fuzzy TOPSIS for supplier evaluation and selection. Following the implementation, it is known that these method shown quite significant improvement and also enabled to be implemented. For instance, Bat Algorithm results at more than 10 % of average improvement rate of the total makespan. Furthermore, the fuzzy TOPSIS method and also probabilistic inventory give more optimal results for evaluation and selection of suppliers and material planning problems. In addition to the implementation of those method, this thesis writings also explain about the design and development of decision support systems which aims to support current business process and also simplify the application of those three above.

Keywords: Scheduling, Inventory, Supplier Selection, Probabilistic Bat Algorithm, Fuzzy TOPSIS, Information Systems.

AbstrakPenelitian tugas akhir ini dilakukan di PT. Pfizer Indonesia. Tujuan studi kasus ini adalah untuk mengoptimisasi proses perencanaan produksi melalui pengembangan Sistem Pendukung Keputusan (DSS) yang diharapkan mampu untuk membantu para Decision Maker dalam melakukan analisa terkait perencanaan produksi, serta secara keseluruhan agar mampu meningkatkan efektifitas dan efisiensi dari proses bisnis di Departemen Materials PT Pfizer Indonesia, dimana cakupan subjek optimisasinya mencakup aktivitas perencanaan produksi yang mengikuti model Flow Shop, analisa perencanaan kebutuhan bahan baku, serta analisa pemilihan serta evaluasi supplier atau vendor. Metode yang disarankan untuk diterapkan dalam studi kasus ini adalah, Bat Algorithm untuk perencanaan produksi, Probabilistic Inventory untuk perencanaan bahan baku, serta metode Fuzzy TOPSIS untuk analisa pemilihan dan evaluasi supplier. Setelah implementasi, diketahui bahwa metode-metode ini menunjukan improvement yang signifikan serta memungkinkan untuk diaplikasikan untuk mendukung proses bisnis di Materials Department PT Pfizer Indonesia, dimana contohnya Bat Algorithm menunjukkan average improvement rate dari makespan secara rata-rata sebesar lebih dari 10%. Selain itu hasil metode Fuzzy TOPSIS serta Probabilistic Inventory juga dinilai memberikan hasil yang lebih optimal untuk permasalahan evaluasi Supplier serta perencanan bahan baku. Selain mengimplementasi ketiga metode tersebut, pada penulisan tugas akhir ini juga membahas mengenai perancangan Sistem Informasi yang bertujuan untuk mendukung proses bisnis serta mempermudah pengaplikasian ketiga metode di atas.Kata kunci: Penjadwalan, Inventory, Supplier, Probabilistic, Algoritma Kelelawar, Fuzzy TOPSIS, Sistem Informasi

PENDAHULUANNama besar tidak memastikan PT Pfizer bebas dari berbagai permasalahan yang ada di dalam menjalankan roda industrinya. Salah satu permasalahannya adalah pada bagian aspek penjadwalan produksi bagian hulu industrinya, dimana PT Pfizer belum menggunakan metode yang optimal pada beberapa proses inti yang mana proses tersebut termasuk yang bersifat critical.

Untuk itu, solusi yang diusulkan kepada PT Pfizer Indonesia adalah dengan mengembangkan berbagai metode yang berbasis kuantitatif hasil perkembangan ilmu pengetahuan terkini untuk dapat membantu menjawab permasalahan seperti yang dipaparkan di atas dengan disusun dalam bentuksebuah Decision Support System (DSS) yang mana dapat digunakan oleh para decision maker untuk memecahkan masalah semi struktur, dimana manajer dan komputer harus bekerja sama sebagai tim pemecah masalah dalam memecahkan masalah yang berada di area semi struktur.DSS terintegrasi inidiharapkan mampu untuk bisa mengoptimalkan permasalahan berikut: Algoritma Kelelawar untuk permasalahan Perencanaan Produksi.

Fuzzy TOPSIS untuk permasalahan pemilihan pemasok dengan kriteria Green Selection.

Probabilistic Inventory Forecast untuk permasalahan perencanaan persediaan bahan baku.Berikut adalah beberapa permasalahan yang akan dibahas dalam working paper ini adalah:

Bagaimana mengaplikasikan metode Probabilistic Inventory untuk proses peramalan bahan baku yang tepat untuk bisa mendukung keseluruhan proses produksi secara optimal?

Bagaimana mengaplikasikan metode Algoritma Kelelawaruntuk mengoptimalkan penjadwalan produksi yang lebih baik?

Bagaimana mengaplikasikan metode Fuzzy TOPSIS untuk permasalahan vendor selectionagar mendapat pelayanan yang baik?

Bagaimana menyusun sebuah sistem yang dapat dimanfaatkan untuk mendukung pengambilan keputusan terkait permasalahan production planning?Fuzzy TOPSIS

TOPSIS adalah salah satu metode classical multicriteria pengambilan keputusan, dikembangkan oleh Hwang dan Yoon. Hal ini didasarkan pada konsep bahwa setiap alternatif yang terpilih harus memiliki jarak terpendek dari ideal positif solusi (PIS) dan terjauh dari solusi ideal negatif (NIS). Sejumlah Metode TOPSIS telah dikembangkan dalam beberapa tahun terakhir(Khamseh, A.A. & Mahmoodi, M., 2014, p.1-10). Selanjutnya konsep matematika dari Fuzzy ini dapat dijelaskan sebagai berikut(Khamseh, A.A. & Mahmoodi, M., 2014, p.1-10):1. Pilih linguistic ratings untuk criteria dan alternatif terhadap kriteria. Dalam langkah ini, bobot kriteria evaluasi dan penilaian alternatif dinyatakan dalam bentuk linguistic untuk menilai resiko dalam lingkungan fuzzy, seperti ditunjukan 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 jumlah dengan kiteria adalah n dan jumlah alternatif adalah m.3. Setelah membangun matrix keputusan fuzzy, lakukan normalisasi terhadap keputusan fuzzy tersebut dengan menggunakan transformasi skala linear. Perhitungan dapat dilakukan dengan formula sebagai berikut:

R = [rij ] mxn , i = 1,2,..,m; j = 1,2,..,nDimana rij adalah nilai normalisasi dari Xij = (aij, bij, cij).

4. Menghitung bobot normalisasimatrix keputusan fuzzy. Bobot normalisasifuzzyVij adalah kalkulasi dari perkalian antara bobot dari kriteria dengan normalisasimatrix keputusan fuzzyrij. 5. Hitung nilai fuzzy positive ideal solution (FPIS A+) dan fuzzy negatif ideal solution (FNIS A-) yang dijelaskan seperti pada bagian 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-masing alternatif 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 method seperti formula berikut:

7. Menghitung The Closseness Coefficient (CCi). Closseness coefficient atau koefisien kedekatan ini memperhitungkan jarak FPIS pada di+ dan FNIS pada di- secara bersamaan. Closseness coefficient untuk setiap alternatif dapat diperoleh dengan persamaan:

8. Urutkan Nilai bobot sesuai dengan ranking yang paling besar hingga yang paling kecil (Descending).

Inventory Probabilistic Single PeriodModel inventory dalam single periodatau periode tunggal terjadi ketika suatu barang dipesan hanya satu kali untuk memenuhi periode tertentu. Misalnya, suatu barang dengan model tertentu segera menjadi usang dan kerena itu tidak dapat dipesan kembali. Dalam bagian ini model-model periode tunggal akan diselidiki dalam kondisi yang berbeda-beda antara lain setup model dan non-setup model.Diasumsikan bahwa pengisian inventory barang akan segera terjadi. Tingkat kesediaan optimal akan diperoleh berdasarkan minimasi dari biaya inventory yang diharapkan meliputi pemesanan ( persiapan dan pembelian/produksi), penyimpanan dan kekurangan. Karena permintaan bersifat 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 period model ini meliputi:

K= Setup cost per order

h= Holding cost per held unit selama periodep= Penalty cost per shortage unit selama periodeD= Random variabel yang merepesentasikan permintaan selama periode (D)= Pdf dari permintaan selama periode

y= jumlah order

x= inventory on hand sebelum order ditempatkan

Non-Setup Model

Non-setup model ini terjadi dengan asumsi bahwa permintaan terjadi secara instan pada awal periode dan tidak ada biaya setup yang dikeluarkan (A. Taha, Hamdy, 2009, p.535). Dalam asumsi jumlah permintaan dipenuhi diawal periode, jadi dapat diformulasikan biaya perkiraan untuk memenuhi suatu periode adalah biaya Pengembangan sebelumnya mengasumsikan bahwa demand D adalah continuous. Jika D adalah discrete , lalu adalah titik discrete dan fungsi biaya yang terkait adalah

Selanjutnya untuk menentukan perhitungan jumlah optimal dari produk yang harus diproduksi agar mendapat profit yang maksimal dapat dilakukan dengan beberapa fase diantaranya adalah

1. Menentukan critical ratioMenentukan critical ratio yang akan digunakan untuk proses penghitungan selanjutnya, critical ratio adalah rasio yang terkait dengan probabilitas sampel, biasanya rasio deviasi dari rata-rata dengan deviasi standar.

2. Mencari PDF (Probabilistic Distributive Function)Menentukan PDF yang nantinya akan berguna untuk tahap selanjutnya yaitu mencari CDF. PDF adalah fungsi yang menggambarkan kemungkinan relatif variable random untuk mengambil nilai yang diberikan.

3. Mencari CDF (Cumulative Distibutive Function)Menentukan CDF yang nantinya akan berguna untuk tahap analisa kasus, CDF adalah nilai kumulatif dari PDF.

Penjadwalan Flow Shop-Algoritma Kelelawar

Bat Algorithm - Algoritma Kelelawar (BA) pertama kali dikembangkan oleh Yang (Yang, X,2010,p.65-74) pada tahun 2010, untuk menyelesaikan permasalahan optimisasi. BA terinspirasi oleh gerak-gerik serta tingkah laku microbats yang memanfaatkan kemampuan echolocation di dalam mencari mangsa. Marichelvam dan Prabaharan, pada tahun 2012 berhasil menerapkan BA untuk permasalahan Flow Shop Scheduling Problem(FSSP) (Marichelvam M, P. T,2012,p.428-233) .Algoritma Kelelawar - AsumsiBeberapa aturan asumsi yang harus diterapkan dalam mengimplementasikan BA(Yang, X,2010,p.65-74) adalah:

1. Semua kelelawar menggunakan echolocation untuk mengindra jarak, serta echolocation ini juga dapat membedakan antara mangsa dengan penghalang, dengan cara yang unik.

2. Kelelawarterbang secara random dengan kecepatan viserta pada posisi xidengan frekuensi fmin, selain itu kelelawar juga memiliki panjang gelombang serta loudness yang bervariasi dalam mencari mangsa. Setiap kelelawar dapat secara otomatis mengatur besaran frekuensi serta pulse rate dengan besaran r , yang mana nilai tersebut memiliki ketergantungan dengan jauh-dekatnya jarak antara kelelawar dengan mangsanya.3. Meskipun secara alamiah tingkatan loudness dapat bervariasi, namun pada prakteknya, nilai loudness diasumsi hanya berkisar antara A0yang bernilai positif hingga mencapai nilai minimum konstan Amin.Secara keseluruhan, langkah algoritma kelelawar dapat dirangkum menjadi pseudocode di bawah ini

Sistem Informasi

Sistem informasi adalah sekumpulan komponen yang terorganisasi dan saling berhubungan atau berinteraksi secara sistematis untuk membangun atau mengolah data menjadi informasi (Rainer, R. Kelly.Jr. Turban, E, 2009, p.8). Sedangkan pengertian lain dari sistem informasi adalah mengumpulan, memproses, menyimpan, menganalisis dan menyebarkan informasi untuk sebuah tujuan spesifik (Rainer, R. Kelly.Jr. Turban, E, 2009, p.15) Selain itu sistem informasi dapat membantu segala jenis bisnis untuk meningkatkan efisiensi dan efektivitas proses bisnis, pengambilan keputusan manjerial dan kerja sama kelompok kerja hingga dapat memperkuat posisi 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 yang bersifat interaktif dan bertindak sebagai sistem penyokong dalam pengambilan keputusan untuk memecahkan masalah dan mengambil keputusan yang didasari oleh informasi (Biswas, T., T.-H.Wang, and R. Krishnamurti, 2008, p.85). Sedangkan menurut Al-Hamdany (2003: 519), DSS adalah sistem informasi interaktif yang mendukung proses pembuatan keputusan melalui presentasi informasi yang dirancang secara spesifik untuk pendekatan penyelesaian masalah dan kebutuhan-kebutuhan aplikasi para pembuat keputusan, serta tidak membuat keputusan untuk pengguna

Unfied Modeling Languange (UML)

Dalam membangun sistem informasi, diperlukan adanya notasi model untuk membangun suatu sistem yang dinamakan dengan Unified Modeling Languange(Satzinger, Jackson, & Burd, 2009, p.240). Dalam UML terdapat beberapa bentuk media yang dibuat dalam proses perencanaan ini dimulai dari fase yang paling awal hingga fase paling akhir dari 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. State Transition Diagram

Dari model penggambaran model UML yang telah diberikan, UML tersebut dapat digunakan sebagai input data dalam merancang sistem, berikut langkah-langkah dalam menggunakan data dari model UML tersebut 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 merupakan diagram alir (flow chart) dari keseluruhan proses yang dikerjakan dalam pengerjaan skripsi ini:

Studi awal merupakan Initiation Process dari keseluruhan rantai proses pengerjaan skripsi ini. Berhubungan dengan menentukan topik yang akan di bahas sesuai dengan proses bisnis perusahaan. Adapun permasalahan yang terlah diamati seperti, bagaimana mengoptimalkan proses penjadwalan tiap-tiap lini produksi, waktu untuk proses pengadaan barang dan menejemen pemilihan vendor yang baik.Dengan diperolehnya berbagai informasi terkait perusahaan, langkah selanjutnya adalah merumuskan kumpulan-kumpulan permasalahan yang dihadapi menjadi sebuah rumusan masalah yang terstruktur, dengan mendefinisikan segala batasan masalah serta Objectives yang ingin dicapai secara jelas untuk memudahkan proses penelitian. Studi Literatur dilakukan untuk memperoleh berbagai teori-teori terkait dengan permasalahan yang dihadapi serta teori-teori yang menyangkut metode feasible dalam rangka penyelesaian masalah, literatur yang dicari pada dasarnya mengacu pada metode bat algorithm,Fuzzy TOPSIS, green selection, dan probabilistic single periodic inventory control. Studi pustaka ini dilakukan dengan sumber teori berupa buku-buku serta Jurnal-jurnal penelitian.

Analisis dan Pembahasan dilakukan untuk menemukan solusi dari semua perumusan masalah yang terdapat pada studi ini, dengan mengukur hasil dari algoritma kelelawar dalam mengatur proses dari urutan jadwal produksi, dan melakukan analisi dari segi pengadaan bahan baku untuk persediaan dan pemilihan vendor, sebelum penggunaan sistem yang dibangun serta setelah menggunakan sistem yang diusulkan. Sistem yang akan dirancang adalah sistem yang dapat membantu perusahaan dalam memecahkan masalah utama terkait rantai proses ini. Sistem yang akan dibangun adalah sistem berbasis konsep sistem informasi yang telah dikumpulkan dan dipelajari pada studi literatur pada tahap sebelumnya.

HASIL DAN BAHASANPengolahan Data Dan Pembahasan Supplier Selection

Langkah untuk pemecahan permasalahan supplier adalah Pilih linguisticratings untuk kriteria dan alternatif terhadap kriteria. Lalu dibuat decision matrix PT Pfizer yang Selanjutnya dilakukan untuk normalisasi untuk masing-masing kriteria dengan menggunakan formula. Setelah melakukan normalisasi dari kriteria, langkah selanjutnya adalah dengan melakukan decision matrix untuk alternatif serta normalisasi terhadap alternatif tersebut dengan hasil sebagai berikut:Tabel Hasil Normalisasi fuzzy decision matrix

Kemudian dari 5 alternatif yang ada, akan dhitung nilai fuzzy positive ideal solution (FPIS, A+) dan nilai fuzzy negative ideal solution (FNIS, A-)dengan menggunakan rumus pada tahapan topsis dengan kriteria benefit(2.2 & 2.3). Kriteria benefit ini mempunyai Vi+= (1, 1, 1, 1, 1) dan Vi-= (0, 0, 0, 0, 0). dengan menggunakan rumus menggunakan pesamaan. Sebagai contoh:

Di+= =0.50658

Di- = = 0.62845Selanjutnya dari Hasil perhitungan Di+danDi-, dilakukan penjumlahan dengan terhadap masing-masing alternatif sehingga diperoleh nilai dari Di+danDi- Sebagai berikut

Tabel Hasil penjumlahan Di+dan Di-

Dengan menggunakan formula kita dapat mencari CCi untuk menentukan 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 mencocokan nilai dari critical ratio yang sudah dihitung dari perhitungan diatas dengan hasil CDF .Hasilnya adalah 98 karena nilai critical ratio (0.3939) berada di antara 0.25 dan 0.4167 dan nilainya lebih mendekati ke 0.4167 maka dapat disimpulkan bahwa demand optimal untuk bulan Januari 2014 adalah sebesar 98 batch.Maka dapat kita hitung berapa jumlah bahan baku untuk produk X yang harus dipesan dari bahan baku. .Berikut adalah contoh perhitungan dari bahan baku yang harus dipesan: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 perusahaan harus memproduksi 98 batch produk dan harus memesan bahan-bahan yang mencukupi untuk memproduksi 98 batch dan memenuhi safety stock untuk 1 bulan kedepan.Algoritma Kelelawar untuk Flow Shop SchedulingPada dasarnya, Algoritma Kelelawar merupakan sebuah algoritma yang tergolong sebagai algoritma metaheuristik yang artinya, dapat di implementasikan untuk berbagai aspek serta tujuan optimisasi. Namun, meskipun begitu untuk dapat di terapkan dalam kasus FSSP ini, Marichelvam dan Prabaharan dalam jurnal penelitiannya menyarankan untuk merepresentasikan notasi solusi menggunakan aturan Smallest Position Value (SPV).Representasi SolusiAturan SPV digunakan untuk merubah nilai solusi yang bersifat continuous menjadi sebuah solusi permutasi urutan kerja yang discrete.Sebagai contoh untuk satu buah kelelawar solusi, dengan permutasi pekerjaan sebanyak 5, maka variable X dibagi menjadi 5 dimensi, dan untuk setiap Xij akan di-generate sebuah random number. Sehingga solusi dapat dideskripsikan sebagai berikut:Dimensi j

12345

Xij0.830.530.310.800.13

Seq53241

Dari representasi solusi di atas, nilai SPV yang paling kecil adalah di posisi , sehingga job nomor 5 akan dikerjakan paling dahulu. Nilai terkecil kedua adalah , maka job nomor 3 akan menjadi pekerjaan yang diproses kedua, dan seterusnya hingga pada pekerjaan ke j.

Nilai Velocity, frekuensi, Pulse, dan LoudnessUntuk setiap kelelawar solusi, nilai velocity juga harus dedefinisi sebanyak jumlah dimensi pada satu buah kelelawar, sehingga jika misalnya mengikuti contoh inisialisasi populasi, dimana setiap kelelawar memiliki 5 dimensi, atau 5 urutan pekerjaan, maka velocity untuk setiap kelelawar juga harus didefinisi sebanyak 5 buah. Nilai awal velocity kembali di-generate melalui random number yang distribusinya mengikuti distribusi uniform.

Untuk nilai frekuensi, setiap kelelawar akan men-generate satu buah random number yang nilainya antara 0-100, atau dengan kata lain dapat menggunakan rumus (2.12)untuk merepresentasikan nilai frekuensi setiap kelelawar solusi.

Selanjutnya untuk pulse dan loudness pada masing-masing kelelawar solusi, nilai pulse di inisialisasi dengan kembali men-generate random number yang nilainya 0 < ri < 1. Sedangkan untuk nilai loudness, random number yang di-generate memiliki kisaran nilai 1 < Ai < 2.

Random WalkSelain pergerakan di atas, disebutkan apabila sebuah solusi tersebut memiliki solusi yang lebih baik, atau dengan kata lain nilai random yang di-generate lebih besar dari nilai r atau pulse rate, maka kelelawar tersebut akan mencari sebuah solusi baru melalui sebuah random walk. Perhitungan random walk ini menggunakan rumus.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 lebih optimal dibandingkan sebelumnya, caranya yaitu dengan meng-generate sebuah random number lalu melakukan perbandingan, apabila tercapai sebuah kondisi dimana

{[Rand < Ai]& [f(xi) < f(x*)]}

maka nilai solusi baru tersebut diterima dan menggantikan nilai solusi yang lama.

Fitness FunctionFitness function dari untuk permasalahan ini adalah meminimalkan waktu pekerjaan secara keseluruhan pada satu siklus produksi (makespan), sehingga dengan kata lain, waktu penyelesaian satu siklus produksi akan tercapat sedini mungkin. Selain itu, apabila ada 2 kemungkinan pekerjaan yang dapat diproses di satu mesin pada waktu yang bersamaan, maka pekerjaan yang sudah lebih dahulu masuk ke dalam sistem akan mendapat prioritas, hal ini juga untuk meminimalisir jumlah mean flow time per setiap proses produksi produk.

Parameter Masalah

Beberapa parameter perlu didefinisi terlebih dahulu sebelum merancang serta mengimplementasi algoritma kelelawar pada kasus ini, 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 nilai improvement yang dihasilkan oleh algoritma kelelawar, maka dilakukan pengujian dengan random test case secara multiple, serta dengan parameter yang berbeda-beda. Hasilnya dari 50 kali pengujian, secara rata-rata, algoritma kelelawar ini menghasilkan average improvement rate sebesar 13.47 %.

Perancangan Sistem Informasi

Pada dasarnya perancangan sistem informasi di departemen Materials di PT.Pfizer di titik beratkan untuk mengotomasi serta mengoptimisasi 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 untuk melengkapi sistem informasi yang dibangun ini antara lain adalah:

Inventory Tracking untuk mencatat semua alur keluar-masuk bahan baku / inventory.

Production Status Tracking, untuk melakukan tracking terhadap proses produksi yang berjalan, pada setiap staging. Vendor Management System, untuk menyimpan, serta tracking terhadap identitas maupun performa dari vendor yang memiliki relasi bisnis dengan perusahaan.

Dari fase perancangan dan pengembangan, rancangan sistem informasi ini terbagi menjadi dua fase utama, yaitu Requirement Analysis 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 untuk memperoleh pengelolaan dari inventory yang optimal dengan metode probabilistik pada PT Pfizer Indonesia adalah dengan cara menghitung jumlah barang yang harus produksi dengan jumlah yang optimal sehingga dari hasil tersebut dapat diketahui dan dihitung dengan tepat berapa jumlah dan apa saja bahan baku yang harus dipesan ke supplier oleh PT Pfizer Indonesia untuk setiap satu periode waktu tertentu.

2. Algoritma kelelawar diterapkan dengan mengintegrasikan dengan Sistem informasi secara keseluruhan, dengan tujuan untuk memudahkan user dalam merencanakan penjawalan. Selain itu input dari algoritma kelelawar haruslah mengikuti kondisi proses produksi secara nyata, agar hasil prediksi scheduling juga lebih akurat. Kunci dari penerapan algoritma kelelawar untuk bisa menjadwalkan dengan tepat adalah perancangan fitness function yang akurat, karena fitness function inilah yang akan mencocokan hasil dari algoritma kelelawar untuk dapat tepat guna di aplikasikan untuk penjadwalan FSSP. Dengan menerapkan metode algoritma kelelawar, melalui testcase di atas, diketahui bahwa improvement terbukti berhasil dicapai sejauh 12.11 %.

3. Untuk mengaplikasikan Fuzzy TOPSIS Pada PT Pfizer harus dilakukan penilaian terlebih dahulu terhadap kriteria yang akan digunakan beserta dengan alternatif (Supplier) yang akan dipilih. Terlebih dahulu dilakukan survey terhadap beberapa responden untuk melakukan penilaian terhadap kriteria dan alternatif. Keutaaman dalam menggunakan fuzzy TOPSIS ini adalah melakukan pembobotan serta normalisasi untuk menentukan jarak terpanjang dan terpendek dalam suatu perhitungan topsis yang akan menghasilkan ranking sehingga dapat diperoleh alternatif dari kriteria yang terbaik.

4. Untuk merancang sistem informasi yang terintegrasi antara antara proses harus mempunyai database yang baik, perancangan data yang jelas dan memaksimalkan otamatisasi dengan baik.Adapun saran-saran penulis untuk PT Pfizer Indonesia adalah:

1. Melakukan evaluasi dan pengecekan dari kinerja secara berkala agar dapat menjaga performa semua rantai proses secara maksimal.

2. Melakukan proses evaluasi secara berkala terhadap performa dari supplier sehingga selalu terpilih supplier dengan performa yang konsisten dan service yang memuaskan.

3. Melakukan maintenance-maintenance untuk sistem agar apabila ada kesalahan yang disebabkan oleh sistem dapat segera diperbaiki.

4. Melakukan portofolio untuk masalah-masalah yang timbul pada setiap waktumya, membuat semacam knowledge management system, sehingga apabila ada masalah sama yang timbul pada masa yang akan datang solusi dari masalah tersebut sudah tersimpan di dalam knowledge management system.REFERENSIAkili, E. A. (2013). Green Supplier Selection Criteria. International Journal Of Industrial Engineering, 1-4.

Alavi, I., & Alinejad-Rokny, H. (2011). Comparison of Fuzzy AHP and Fuzzy TOPSIS Methods for Plant Species Selection (Case study: Reclamation Plan of Sungun Copper Mine; Iran). Australian Journal of Basic & Applied Sciences;2011, Vol. 5 Issue 12, 1104.

Arthanary, T., & Ramasmawy, K. (1971). An Extension of Two Machines Sequencing Problem. Journal Of the Operational Research Society Of India Vol.8 No.4, 10-22.

Bean, J. C. (1994). Genetic Algorithm and Random Keys for Sequencing and Optimization. Informs Jornal of Computing Vol.6 No.2, 154-160.

Bismas, T., Wang, H., & Khisnamurti, R. (2008). Integrating Sustainable Building Rating Systems with Building Information Models. CAARDIA Journal, 80-200.

C, C. (2000). Fuzzy Sets and System. Extensions of the Topsis for group decision-making under fuzzy environment, 1-9.

Carson, G., Bolz, A., & Young, H. (1972). Production Handbook. New York: The Ronald Press Company.

Forgaty, Donald, W., & Dkk. (1991). Production & Inventory Management. United States of America: South-Western Publishing.Co.

Khamseh, A. A., & Mahmoodi, M. (2014). A New Fuzzy Topsis-Todim Hybrid Method For Green Supplier Selection Using Fuzzy Time Function. Advances in Pussy System Journal, 1-10.

Marichelvam, M. K., & Prabaharan, T. (2012). A Bat Algorithm for Realistic Hybrid Flowshop Scheduling Problems to Minimize Makespan and Flow Time. ICTACT Journl on Soft Computing Vol.3 No.1, 428-433.

O'Brien, J. A., & Marakas, G. (2011). Introduction to Information Systems. New York: McGraw-Hill.

Rainer, R., Kelly, J., & Turban, E. (2009). Introduction to information Systems: Enabling and Transforming Bussiness. Canada: John Wiley & Sons.

S.L. Adeyemi, A.O. Salami. (2010). Inventory Management: A Tool Of Optimizing Resouces in a Manufacturing Industry A Case Study of Coca-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 and Applications. International Journal of Bio-Inspired Computation (IJBIC), Vol. 5, No. 3.RIWAYAT PENULIS

Calvin Aditya Sidharta lahir di Semarang pada tanggal 17 January 1992. Penulis menamatkan pendidikan sma pada tahun 2009 di SMA SEDES Sapientiae Semarang dan meraih gelar ST. dan S.Kom pada tahun 2014 di Universitas Bina Nusantara. Muhamad Ridwan Dwi Kusuma lahir di Jakarta pada tanggal 24 november 1990. Penulis menamatkan pendidikan sma pada tahun 2009 di SMAN 78 Jakarta dan meraih gelar ST. dan S.Kom pada tahun 2014 di Universitas Bina Nusantara. Reza Ariefianto lahir di Jakarta pada tanggal 1 April 1991. Penulis menamatkan pendidikan sma pada tahun 2009 di SMA Pribadi Depok dan meraih gelar ST. dan S.Kom pada tahun 2014 di Universitas Bina Nusantara. 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. Pfizer Indonesia

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

WarehouseMenerima Kiriman Material

PPIC Supervisor Membuat Rencana Kebutuhan Material Bahan Baku

Purchasing DepartmentMencetak RFQ

Supplier Mengirim Quotation

Supplier

WarehouseMengkarantina 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