Professional Documents
Culture Documents
Kumpulan kendala yang harus
diperhatikan adalah pengaturan jadwal agar
satu jadwal dengan jadwal lainnya tidak
bentrok. Setiap truk hanya melakukan
kegiatan satu jadwal di setiap perjalanan
=1 a=1,2,m; b=1,2,.n
Pengaturan setiap truk dilakukan
untuk menjamin truk yang tersedia bertugas
di lokasi yang berbeda di lokasi yang
berbeda di awal penugasan
=SUSU, c=1,2,.s
Kegiatan transportasi dilakukan
dalam satu kali trip sehingga perlu dijamin
truk ditugaskan mengangkut panen pada
lokasi sebelumnya yang belum diangkut.
1, 1,2, . .
Sistem Pendukung Keputusan Rantai Pasok (Rina Fitriana) 177
Tabel 2. Penjadwalan transportasi dengan menggunakan colt tangki ke petani susu
Gambar 7. Input Transportasi
Nilai Transportasi
Jumlah truk yang dibutuhkan < Jumlah
Truk tersedia = Baik
Jumlah truk yang dibutuhkan = Jumlah
Truk Tersedia = Sedang
Jumlah truk yang dibutuhkan > Jumlah truk
yang tersedia = Kurang
Jumlah rute yang dibutuhkan < jumlah rute
yang tersedia = Baik
Jumlah rute yang dibutuhkan = Jumlah rute
Tersedia = Sedang
Jumlah rute yang dibutuhkan > Jumlah rute
yang tersedia = Kurang
Contoh If then Rule Transportasi (9
rule)
No TPK
Jadwal Keberangkatan
Jarak Pagi Sore
1 Pencut 5 km 03.55 14.50
2 Ciater 37 km 04.08 14.55
3 Genteng 3 km 04.15 15.30
4 Barunagri 4 km 04.20 15.23
5 Pasiripis 4 km 04.20 15.30
6 Gunung Putri 4 km 04.27 15.43
7 Manoko 4 km 04.27 15.43
8 Pasar Kemis 6 km 04.20 15.20
9 Keramat 4 km 04.28 15.50
10 Citespong 4 km 04.30 15.25
11 Pojok 4 km 04.32 15.20
12 Cibulakan 4 km 04.25 15.10
13 Suntenjaya 15 km 03.45 14.40
14 Cibodas 15 km 04.20 15.20
15 Cibogo 4 km 04.35 15.50
16 Cikawari 7 km 04.20 15.20
17 Cikole 6 km 04.30 15.35
18 Cilumber 6 km 04.35 15.35
19 Cibedug 6 km 04.20 14.50
20 Nagrak 6 km 04.30 15.30
21 Bukanagara 4 km 04.30 15.30
22 Pagerwangi 4 km 04.33 15.40
23 Cibolang 12 km 04.20 14.20
24 Yampai 6 km 04.30 14.30
178 Jurnal Teknik Industri, ISSN:1411-6340
If jumlah truk baik, jumlah rute baik then
transportasi baik.
Berdasarkan hasil SPK Input Transporasi
Nilai Transportasi adalah sedang.
e. Sub Model Peramalan
SPK KPS dapat melakukan menilai
apakah peramalan untuk memperkirakan
tingkat penjualan dan tingkat pembelian
pada periode berikutnya, yang pengolahan
dilakukan dengan metode time series sudah
baik, sedang atau buruk berdasarkan rata-
rata penjualan. Tabel 3 dan 4 berikut adalah
tabel hasil peramalan menggunakan Single
Moving Average 3 dan 6.
Tabel 3. Peramalan Penjualan 2009
Penjualan SMA 3 SMA 6
2008 Peramalan 2009 Peramalan 2009
Januari 1.684.103.590 1.661.008.735 1.701.697.791
Februari 1.766.470.689 1.678.027.979 1.712.344.749
Maret 1.684.649.061 1.706.100.036 1.686.858.730
April 1.633.907.634 1.681.712.250 1.680.654.579
Mei 1.729.327.729 1.688.613.422 1.692.438.508
Juni 1.587.092.314 1.692.141.903 1.708.876.292
Juli 1.637.816.043 1.687.489.191 1.697.145.108
Agustus 1.865.260.863 1.689.414.839 1.696.386.328
September 1.724.083.635 1.689.681.978 1.693.726.591
Oktober 1.609.951.003 1.688.862.002 1.694.871.234
Nopember 1.593.811.805 1.689.319.606 1.697.240.677
Desember 1.779.263.396 1.689.287.862 1.698.041.038
Tabel 4 Peramalan Pembelian 2009
Pembelian SMA 3 SMA 6
2008 Peramalan 2009 Peramalan 2009
Januari 1.624.202.497 1.719.113.690 1.758.160.999
Februari 1.612.135.828 1.745.884.379 1.759.049.378
Maret 1.602.343.456 1.782.113.511 1.770.268.781
April 1.757.125.427 1.749.037.193 1.740.803.372
Mei 1.605.588.970 1.759.011.694 1.757.803.663
Juni 1.614.234.380 1.763.387.466 1.777.904.776
Juli 1.752.830.728 1.757.145.451 1.760.665.161
Agustus 1.691.732.959 1.759.848.204 1.761.082.522
September 1.947.061.238 1.760.127.041 1.761.421.379
Oktober 1.638.801.624 1.759.040.232 1.759.946.812
Nopember 1.637.196.984 1.759.671.826 1.763.137.386
Desember 1.881.342.463 1.759.613.033 1.764.026.339
Nilai Peramalan
Peramalan penjualan > rata-rata penjualan =
Baik
Peramalan penjualan = rata-rata penjualan =
Sedang
Peramalan penjualan < rata-rata penjualan =
Kurang
Peramalan pembelian > rata-rata pembelian
= Baik
Sistem Pendukung Keputusan Rantai Pasok (Rina Fitriana) 179
Peramalan pembelian = rata-rata pembelian
= Sedang
Peramalan pembelian < rata-rata pembelian
=Kurang
Contoh If Then Rule Peramalan (9 rule)
If peramalan penjualan baik, peramalan
pembelian baik then peramalan baik.
Gambar 8. Input Peramalan
Hasil Input Peramalan Pembelian dan
Penjualan berdasarkan hasil SPK adalah
Baik.
Penentuan Kualitas Rantai Pasok
Penentuan kualitas rantai pasok ditentukan
oleh empat faktor, yaitu :
1. Transaksi pembelian dan penjualan
(baik, sedang,kurang)
2. Resiko mutu susu (tinggi, sedang,
rendah)
3. Peramalan (baik, sedang, kurang)
4. Transportasi (baik,sedang, kurang)
Berdasarkan nilai dari keempat variable
tersebut maka dapat ditentukan Kualitas
Rantai Pasok (Baik,Sedang,Kurang)
Contoh If Then Rule Rantai Pasok (81
rule)
If rasio transaksi pembelian dan penjualan
baik, resiko mutu baik, peramalan baik,
transportasi baik then rantai pasok baik.
Gambar 9. Kualitas Rantai Pasok
Hasil Kualitas Rantai Pasok
berdasarkan SPK adalah Baik.
Validasi Model SPK KPS
Model SPK KPS divalidasi dengan
menggunakan teknik Face Validity
(Sargent,1999) yaitu dengan jalan meminta
pendapat para pakar yang merupakan
manajemen dari koperasi pengolahan susu
X Jawa Barat. Prosedur validasi dilakukan
dengan cara memberikan penjelasan
mengenai model SPK KPS dalam bentuk
presentasi dan demo program dan
dilanjutkan dengan diskusi dan Tanya
jawab.
Verifikasi Model SPK KPS
Resiko penurunan mutu yang
tertinggi terdapat pada petani susu,
ketersediaan truk susu dan waktu angkut.
Petani susu adalah unit pasok yang berisiko
paling tinggi terhadap penurunan susu.
Penanganan resiko mutu didasarkan
agregasi nilai resiko setiap unit rantai
pasok. Penanganan di petani menjemput
sendiri susu ke petani, pengawasan
pemuatan susu meminimumkan waktu
angkut, mengevaluasi jumlah trip dan
menjamin ketersediaan truk. Penanganan di
koperasi dilakukan pengawasan
pembongkaran susu, pendinginan,
kemudian pengawasan pemuatan susu.
Penanganan di pabrik meningkatkan mutu
perawatan dan kebersihan peralatan,
sedangkan penanganan di industri
pengolahan susu pengawasan
pembongkaran susu dengan baik.
180 Jurnal Teknik Industri, ISSN:1411-6340
5. KESIMPULAN
Usulan Sistem Pendukung Keputusan
(SPK) dari rantai pasok koperasi susu di
Jawa Barat terdiri sub model transaksi
penjualan dan pembelian, resiko mutu susu,
peramalan, transportasi dan Rantai Pasok.
6. DAFTAR PUSTAKA
[1] Arnold, J. R dan S. N. Chapman,
2004. Introduction to Materials
Management, Upper Saddle River.
New Jersey.
[2] Austin, J.E, 1981. Agroindustrial
Projet Analysis, The John Hopkin,
Marylnd.
[3] Brown, JG, 1994. Agroindustrial
Investment and Operation, The
World Bank, Washington.
[4] Chopra, Sunil et.al, 2007. Supply
Chain Management Strategy,
Planning & Operations. Third
Edition, Pearson International
Edition, New Jersey.
[5] Eriyatno. 2003. Ilmu Sistem:
Meningkatkan Mutu dan Efektivitas
Manajemen, Jilid 1, IPB Press.
[6] Gasperz, Vincent, 2002. Pedoman
Implementasi Program Six Sigma,
PT Gramedia Pustaka Utama,
Jakarta.
[7] Hadiguna Rika Ampuh, Marimin,
2007. Alokasi Pasokan Berdasarkan
Produk Unggulan untuk Rantai
Pasok Sayuran Segar, Jurnal Teknik
Industri, Vol 9, No.2, Desember
2007, 85-101
[8] ICH Harmonised Tripatite
Guidelines, 2005. Quality Risk
Management.International
Conference on Harmonisation of
Technical Requirement for
Registration of Pharmaceuticals for
Human Use.
[9] L. Niu, J. Lu dan G. Zhang, 2009.
Cognition-Driven Decision Support
for Business Intellegent,
Springerlink.com, Springer-Verlag
Berlin Heidelberg,
[10] Sargent, Robert G, 1998, Verification
and Validation of Simulation Model,
Proceedings of the 1998 Winter
Simulation Conference, pp.122-128.
[11] Stefanovic, N. dan D. Stefanovic,
2009. Supply Chain Business
Intelligence, Technology, Issues and
Trends in M. Bramer(Ed.): Artificial
Intelligence.LNAI 5640. IFIP
International Federation for
Information Processing.
[12] Vercellis Carlo, 2009. Business
Intelligence: Data Mining and
Optimization for Decision Making,
Italia: John Wiley & Sons, Ltd.
[13] Vorst, J.G.A.J. van der, 2004. Supply
Chain Management: Theory and
Practice. Di dalam T.Champs, P.
Diederm,G.J Hofstede,B.Vos (Eds).
The Emerging World of Chain &
Networks, Elsevier, Hoofdstuk.
Penerapan Simulasi Pada Perusahaan Berbasis Lean (Arie Respama Putra) 181
PENERAPAN SIMULASI PADA PERUSAHAAN BERBASIS LEAN
Arie Respama Putra
Alumni Jurusan Teknik dan Manajemen Industri, Sekolah Tinggi Manajemen Industri
ABSTRACT
Lean Manufacturing is an approach to make the system efficient using the waste
reduction. The approach is conducted by understanding the general picture of the company
using the flow of information and materials in the production floor by creating value stream
mapping. Lean Manufacturing is not only useful in the production floor; however it can be
implemented in various levels of company organization. However the simulation is a totally
different discipline which can support applications in other disciplines. Using the simulation,
the implementation process of Lean Manufacturing can be conducted precisely and result in
more alternative solutions in the production processes. Simulation has many types of tools, of
which the most popular one is the Pro Model. The tool tries to illustrate the model from the
actual production process by conducting several simulations until the optimum solution can be
achieved for the Lean Manufacturing.
Keywords: Lean Manufacturing, Waste, Value Stream Mapping, Simulation
1. PENDAHULUAN
7
1.1. Latar Belakang
Dasar pemikiran dari lean
manufacturing adalah berusaha
menghilangkan waste (pemborosan) di
dalam proses, atau dapat juga dikatakan
sebagai suatu konsep perampingan atau
efisiensi. Konsep lean ini dapat
diaplikasikan pada perusahaan manufaktur
maupun jasa, karena pada dasarnya
efisiensi selalu menjadi target yang ingin
dicapai oleh semua perusahaan. Untuk
dapat mengaplikasikan konsep lean, maka
perusahaan harus mampu untuk
mengidentifikasi kebutuhan dari konsumen,
dan apa yang dipentingkan oleh konsumen.
Pendekatan ini merupakan filosofi dasar
untuk mengoptimalkan performansi sistem
manufaktur. Toyota telah melakukan
identifikasi terhadap tujuh jenis aktivitas
utama yang tidak memiliki nilai tambah
dalam bisnis maupun proses manufaktur
antara lain produksi berlebihan, waktu
menunggu, transportasi, persediaan
berlebihan, gerakan yang tidak perlu dan
produk cacat. Seluruh kegiatan itu
Korespondensi :
Arie Respama Putra
E-mail : arierespama@yahoo.com
merupakan pemborosan (waste) yang dapat
memperpanjang production lead time.
Lean sekarang telah diakui sebagai
salah satu cara yang paling efektif untuk
meningkatkan daya saing dan
meningkatkan efisiensi operasional, tapi
ada banyak praktisi lean yang tidak
menyadari bahwa hasil dari penerapan lean
dapat diperoleh dengan cepat dengan
penggunaan teknologi simulasi.
182 Jurnal Teknik Industri, ISSN:1411-6340
Gambar 1. Simulasi dapat mengembangkan Lean dengan baik dan cepat
Promodel telah mengembangkan alat
khusus yang disesuaikan untuk metode
lean, dan dapat membantu mewujudkan
potensi penuh dari lean pada seluruh
perusahaan. Pada promodel ini, bisa diberi
gambaran lean diikuti dengan deskripsi
tentang bagaimana simulasi digunakan
untuk meningkatkan kinerja lean. Melalui
prediksi pemodelan simulasi, waktu untuk
implementasi lean sangat berkurang dan
bentuk waste (perencanaan operasional
yang buruk, optimalisasi sumber daya)
menjadi jauh lebih jelas. Simulasi dengan
promodel membuat perusahaan bisa
menciptakan solusi inovatif untuk
menciptakan nilai tambah dan
menghilangkan limbah dengan bebas risiko.
1.2. Tinjauan Lean
Untuk memahami bagaimana
simulasi dapat membantu penerapan lean,
tentu perlu dipahami dulu konsep berpikir
lean. Maka muncul pertanyaan Apa yang
lean dapat lakukan dan apa saja yang
dibutuhkan lean untuk mencapai
tujuannya. Bagaimana proses menjadi
perusahaan lean dan apa arti dari
perusahaan lean? Semua pertanyaan ini
harus dijawab untuk mendapatkan
gambaran yang memadai, untuk
mengetahui apapun tentang lean. Berikut
ini akan akan diberikan gambaran tentang
lean, dan bagaimana simulasi digunakan
untuk membantu mewujudkan potensi
penuh dari lean.
The Lean Enterprise Institute
mendefinisikan lean sebagai suatu prinsip,
praktek dan alat yang digunakan
menciptakan nilai yang tepat untuk
pelanggan dengan kualitas yang lebih tinggi
dan cacat lebih sedikit. Semua itu juga
didapat dengan mengurangi tenaga
manusia, mengurangi ruang, mengurangi
modal, mengurangi waktu kerja dari pada
sistem industri tradisional. Tujuan utama
dari lean mengembangkan proses yang
bebas dari waste. Pemborosan (waste) atau
muda didefinisikan oleh Shoichiro Toyoda
pendiri Toyota sebagai sesuatu yang tidak
memberi nilai tambah kepada produk.
Dalam industri jasa, ini ditunjukkan dengan
sesuatu yang tidak memberikan nilai
kepada layanan jasa pada perusahaan jasa.
Taiichi Ohno, pelopor Toyota Production
System (TPS) telah mengidentifikasi tujuh
bentuk dari waste di bidang manufaktur,
dan ini juga bisa berlaku untuk industri
jasa:
Over produksi
Idle time : menunggu bahan, peralatan,
personil atau informasi
Transportasi : gerakan yang tidak perlu
Kegiatan tanpa nilai tambah: kegiatan
tidak penting yang tidak memberi nilai
pada produk dan jasa
Kelebihan persediaan: terjadi karena
kelebihan produksi
Waste of motion : gerakan dalam proses
yang tidak memberi nilai tambah pada
produk
Produk cacat
Manfaat menggunakan lean manufacturing:
Mengurangi waktu siklus
Mengurangi work in process (WIP)
Mengurangi biaya
Penerapan Simulasi Pada Perusahaan Berbasis Lean (Arie Respama Putra) 183
Meningkatkan pemanfaatan sumber
daya
Memudahkan penjadwalan
Aliran proses lebih efisien
Mengurangi area produksi (ruang)
Meningkatkan kualitas
Meningkatkan moral tenaga kerja
Lean thinking menurut James P. Womack
dan Daniel T. Jones, ada lima yaitu :
Tentukan nilai, menentukan apa yang
pelanggan nilai dan inginkan dalam
sebuah produk atau jasa seperti dalam
hal fitur, fungsi, pengiriman, pelayanan
dan lain sebagainya.
Tentukan value stream,
mengidentifikasi proses atau urutan dari
langkah penyediaan produk dan
layanan secara efisien dan efektif.
Aliran dari produk dan pelayanan,
merampingkan proses sehingga setiap
langkah proses lebih terpadu, ganti
batch dan antrian dengan aliran
tunggal.
Sistem tarik, membuat atau
memberikan hanya apa yang diinginkan
pelanggan.
Mengejar kesempurnaan, terus
berusaha mengurangi waktu, ruang,
biaya dan cacat dan menawarkan
produk yang sesuai dengan keinginan
pelanggan.
1.3. Alat dan Teknik Lean
Ada banyak alat bantu dan teknik
untuk menciptakan proses lean, termasuk
yang dijelaskan di bawah ini. Alat dan
teknik di bawah tidak hanya terbatas pada
proses manufaktur tetapi dapat juga
digunakan dalam pelayanan proses.
Value Streaming Mapping (VSM) :
digunakan untuk visualisasi statis,
menganalisa dan meningkatkan proses
serta aliran informasi.
Laporan A3: digunakan untuk
mendefinisi masalah, mengidentifikasi
solusi dan mengembangkan,
mendokumentasikan,
mengimplementasikan rencana kegiatan
perbaikan proses.
Kanban produksi : digunakan untuk
mengatur produksi dan pergerakan
aliran produksi, kanban dapat
menghilangkan overproduksi karena
menggunakan sistem tarik.
Diagram Alir : tata letak yang
menggambarkan aliran fisik pekerjaan
(bahan dan orang), menghilangkan
gerakan yang tidak perlu dalam aliran
kerja tersebut.
Sel Kerja : sebuah pengaturan
streamline (biasanya dalam bentuk U).
5S : sebuah metode sistematis untuk
mengatur tempat kerja, menghilangkan
cacat dan gerakan yang tidak berguna.
Quick Changeover : metode untuk
mengurangi waktu set up operasi,
dengan ukuran batch yang lebih kecil,
dapat menghilangkan waktu tunggu dan
over produksi.
Total Productive Maintenance (TPM) :
sistematis untuk kegiatan pemeliharaan
yang dapat meminimalkan gangguan
kerja, menekankan keterlibatan semua
karyawan dalam kegiatan TPM
(preventif) dan mengurangi idle time.
Kontrol visual : pemanfaatan sinyal
visual untuk menghilangkan
overproduksi dan waktu menunggu.
Poka Yoke (pemeriksaan kesalahan):
membuat proses operasi sedemikian
rupa sehingga proses hanya bisa jalan
apabila dilakukan dengan cara benar,
apabila terjadi kesalahan, proses
otomatis terhenti sehingga produk cacat
dapat dicegah.
Pelatihan : dengan adanya pelatihan,
karyawan dapat menjalankan berbagai
fungsi kerja lebih fleksibel, sehingga
operator dapat menghilangkan idle time
nya.
Tools pada lean di atas harus
digunakan secara sistematis, dengan cara
mengidentifikasi waste yang paling
merugikan dalam sistem dan baru
ditetapkan solusi yang terbaik untuk
menghilangkan waste.
Lean tidak hanya menguntungkan
jika diterapkan pada pada proses operasi,
keuntungan lebih besar akan didapat jika
lean diterapkan pada perusahaan secara
menyeluruh. Lean merupakan sebuah
budaya yang dimulai dari atas dan
menembus ke divisi paling bawah. Sebuah
perusahaan yang ingin berbudaya lean,
terlebih dahulu harus menanamkan
kesadaran dan intoleransi terhadap waste.
184 Jurnal Teknik Industri, ISSN:1411-6340
Ketika kesadaran akan waste menyebar ke
seluruh oraganisasi, orang akan secara
proaktif mencari perbaikan dan memastikan
berada pada jalur tujuan bisnis dan nilai
terhadap pelanggan. Sebuah perusahaan
lean akan memberikan nilai maksimal
kepada para stakeholders dengan konsumsi
sumber daya yang tidak berlebihan. Lean
pada dasarnya adalah tentang mencapai
hasil yang diinginkan dengan limbah
minimal.
2. SIMULASI DAN LEAN
Dengan pemahaman tentang prinsip
dasar lean yang baik di tingkat proses dan
perusahaan, maka eksplorasi penerapan
simulasi dalam lean dapat dilakukan.
Simulasi menyediakan cara yang efektif
untuk mencapai tujuan dari lean pada
berbagai tingkatan. Pada tingkatan lean
manapun, simulasi dapat membantu
mencapai potensi penuh dari lean, secara
cepat dan lebih baik.
Contoh skenario penerapan simulasi
adalah sebagai berikut :
Sebuah produsen membuat tiga
model berbeda dari kolam air panas,
masing-masing dengan berbagai tuntutan.
Semua model memiliki beberapa operasi
awal yang sama, tapi kemudian memiliki
pipa yang berbeda dan persyaratan
perakitan menggunakan campuran yang
berbeda. Industrial Engineering pada
perusahaan mempelajari dalam workshop
lean untuk mengurangi batch produksi
sehingga menghasilkan produktivitas yang
besar. Setelah membuat perkiraan ukuran
batch yang tepat, Industrial Engineering
tadi membangun sebuah model simulasi
dan menemukan bahwa dengan
menggandakan ukuran batch yang bisa
mencapai throughput 12% lebih tinggi dari
perkiraan awal. Lebih lanjut ditemukan
bahwa dengan peningkatan ukuran batch
sebenarnya WIP jadi menurun.
Analisis ini menghasilkan
keuntungan bagi perusahaan, sehingga
perusahaan terhindar dari biaya sebesar
$100.000. Gambaran di atas merupakan
satu contoh bagaimana simulasi telah
terbukti efektif dalam perencanaan strategis
yang lebih taktis dalam perencanaan
operasional. Dalam tahapan lean manapun
berada, Promodel bisa membantu
mempercepat perjalanan dan menghindari
rintangan-rintangan yang tidak terduga.
Penerapan Simulasi Pada Perusahaan Berbasis Lean (Arie Respama Putra) 185
Tabel 1. Bagaimana Simulasi Membantu Mencapai Tujuan dari Lean
Proses simulator menyediakan alat
yang ideal untuk pengembangan skenario
proses alternatif untuk membantu
menyoroti inefisiensi operasional saat ini
dan melihat bagaimana dapat dieliminasi
melalui implementasi lean. Misalnya
seorang manajer operasi memiliki masalah
dalan mengurangi WIP di wilayah kerjanya,
karena takut pada jangka pendek akan
menghadapi konsekuensi terhadap kuota.
Maka dalam hal ini model simulasi dapat
membantu operator melihat persis
pengurangan pada WIP agar kuota juga
dapat dicapai, sementara pada saat yang
sama proses juga menunjukkan perbaikan
kinerja, cacat dan waktu siklus dapat
dikurangi dengan berkurangnya WIP.
Promodel simulator adalah alat yang
ideal untuk mendapatkan jadwal yang
cocok dalam proses produksi. Simulator
memberikan tampilan yang realistis pada
kebutuhan sumber daya dan waktu untuk
berbagai alternatif proyek lean, dan
mengidentifikasi jadwal terbaik untuk
dipilih. Selanjutnya dengan melakukan
analisis What-If, terhadap semua
keputusan proyek seperti sumber daya yang
digunakan, apakah nantinya akan tumpang
tindih atau tidak proyek tersebut. Simulator
dapat dengan cepat ke prioritas optimal dan
penjadwalan proyek lean untuk
menghasilkan ROI terbesar dalam waktu
terpendek. Berikut fungsi utama simulasi
dengan pengembangan portofolio
simulator:
Memvisualisasikan informasi mengenai
sumber daya dibandingkan dengan
kapasitas
Menganalisis bagaimana jadwal
alternatif dapat memberi pengaruh baik
terhadap hasil yang optimal
Mengoptimalkan proses
Solusi ini memberikan dasar untuk
memprediksi, jumlah dan jenis sumber daya
yang diperlukan serta urutan prioritas untuk
mencoba memenuhi waktu konsolidasi
yang diinginkan. Untuk hal ini juga
diberikan sarana untuk bereksperimen
dengan skenario konsolidasi dengan strategi
berbeda.
3. SIMULASI DALAM VALUE-
STREAM MAPPING (VSM)
VSM menyediakan cara yang efektif
untuk menvisualisasikan aliran logis dari
kerja dan informasi dalam proses. Gambar
2 menunjukkan contoh VSM dari suatu
proses. Perhatikan bahwa aliran material
dari kiri ke kanan, sedangkan aliran
186 Jurnal Teknik Industri, ISSN:1411-6340
informasi dari kanan ke kiri. Idenya adalah
tidak hanya memahami urutan aliran
material tetapi link informasi yang memicu
aliran dan produksi. Dari suatu SCM
dengan cepat bisa mendapat gambaran
umum dari proses termasuk parameter
aktivitas dasar seperti waktu siklus. Setelah
VSM dirancang, maka dilakukan analisa di
daerah berpotensi waste agar bisa segera
dihilangkan. Gambar 3 mengilustrasikan
bagaimana tidakan perbaikan diidentifikasi.
Gambar 2. Value-Stream Mapping
Gambar 3. Analisa VSM
Penerapan Simulasi Pada Perusahaan Berbasis Lean (Arie Respama Putra) 187
Perbaikan diusulkan ke VSM state
saat ini untuk digunakan membuat VSM
state yang baru untuk kegiatan yang akan
datang. Pada gambar 4 diilustrasikan aliran
proses yang lebih simpel, pengelasan
terisolasi dan proses perakitan telah
ditempatkan dalam aliran yang
berkesinambungan dalam sel. Setiap proses
dalam aliran menarik (sistem tarik) materi
dari langkah sebelumnya. Persediaan, hasil
dan waktu dikurangi lebih dari 75 persen
tanpa mengubah desain produk atau
melakukan investasi pada peralatan yang
mahal.
Gambar 4. Rancangan VSM Setelah Perbaikan
Kanban
Salah satu kegunaan efektif
simulasi adalah dalam membentuk kontrol
kanban. Putaran dari kanban dapat dilihat
pada gambar 5, yang perlu diketahui saat
membuat kontrol kanban adalah kapan
sinyal memberi instruksi mengenai jumlah
pemesanan. Kanban harus didasari oleh dua
hal yaitu tingkat penggunaan dan waktu
pemesanan.
Gambar 5. Kanban Kontrol
188 Jurnal Teknik Industri, ISSN:1411-6340
Tingkat penggunaan adalah tingkat
dimana barang-barang yang diambil dari
penyimpanan dan umumnya didasarkan
pada tingkat takt (tingkat permintaan untuk
item tersebut). Waktu untuk mengisi
permintaan kanban didasarkan pada waktu
tunda kumulatif yang terjadi untuk
produksi, pengangkutan barang, dansetiap
keterlambatan akibat pekerjaan lain yang
dilakukan, kegagalan peralatan, tidak
tersedianya operator dan lain sebagainya.
Tentu saja, anda tidak ingin merencanakan
sebuah skenario yang buruk, tapi setiap
kemungkinan wajar untuk diperhitungkan.
Perbaikan yang Sedang Berlangsung
Untuk perbaikan yang sedang
berlangsung, simulasi akan menjaga proses
transformasi lean. Salah satu hambatan
besar untuk mempertahankan lean adalah
cepat puas pada sistem yang ada sehingga
ide perbaikan menjadi tidak ada. Simulasi
merangsang untuk berpikir kreatif dan
melibatkan perencanaan untuk menemukan
bentuk waste yang lain. Jenis waste yang
paling merusak adalah waste yang tidak
dikenali. Dalam fase transformasi lean
banyak waste yang muncul ke permukaan
dan solusi dapat lebih jelas dilakukan.
Dengan mengurangi waktu set up dan
mengatur aliran proses dengan sistem tarik,
serta menerapkan single flow, WIP dan
waktu siklus sangat dapat dikurangi. Ketika
sedang merancang work cells atau
merampingkan rantai pasok, maka
ProModel merupakan solusi yang tepat
untuk membantu mencapai proses akhir
lean.
4. KESIMPULAN
Teknologi simulasi ProModel
menyediaakan alat dan layanan yang anda
butuhkan untuk memodelkan lean beserta
dengan analisa lean itu sendiri. Simulasi
akan membantu mencapai semua tingkatan
lean pada setiap level organisasi. Termasuk
juga tingkat strategis, dan membentuk suatu
budaya lean dan memprioritaskan proyek
yang lebih taktis. Dengan demikian
perencanaan operasional akan lebih mudah
dalam mendesain proses yang optimal
dengan waktu yang lebih cepat dan hasil
yang lebih baik.
5. DAFTAR PUSTAKA
[1] Mike R. and John S. 1999, Learning to
See: Value Stream Mapping to Add
Value and Eliminate Muda, Lean
Enterprise.
[2] Taiichi O. 1998, Toyota Production
System-Beyond Large Scale
Production. Cambridge, MA.
[3] Womack, J.P.and Daniel T. J, 1998.
Lean Thinking Free Press.
[4] Womack, J, 2007. The Challenge of BP
Transformation, BP Trends.
[5] http://www.lean.org/WhatsLean
[6] http://www.providence.edu/acc/pae/ais/
student/feene/feene.html
Pengukuran Kinerja Customer Relationship Management (Didien Suhardini) 189
PENGUKURAN KINERJA CUSTOMER RELATIONSHIP
MANAGEMENT (CRM) CDMA ESIA MENGGUNAKAN CRM
SCORECARD PADA PT BAKRIE TELECOM Tbk
Didien Suhardini dan Suci Lestari
Laboratorium Perancangan Organisasi dan Bisnis
Jurusan Teknik Industri, Fakultas Teknologi Industri, Universitas Trisakti
ABSTRACT
Bakrie Telecom realizes it is importance to know the customer needs that have not been
fulfilled and the effectiveness of its CRM (Solusi Esia). The purpose of this study is to analyze
the Importance-Performance Matrix and designing performance measurement systems and
measure of Solusi Esia performance, then propose development program of Solusi Esia for the
next year. Designing a CRM Scorecard start from cascading the vision, mission and strategy of
the company to the vision, mission and strategy of Solusi Esia, then translate into fours CRM
Scorecard perspective, setting strategic objectives, building a strategy map, set targets, and
strategic initiatives and weighing of each strategic objective as lag indicators relative to a
leading indicator in each perspective using pair wise comparisons. The score of Solusi Esia
Performance is 3.46 considered good. Some development programs are call center phone
charge change to be free of charge, establish training centers, network operations, voice
recording the conversation between costumer and costumer service and periodically doing a
market survey.
Keywords: IP Matrix, CRM, CRM Scorecard, Strategy Map
1. PENDAHULUAN
8
1.1 Latar Belakang Masalah
PT Bakrie Telecom, Tbk yang
selanjutnya disebut Bakrie Telecom adalah
perusahaan teleokmunikasi pemberi
layanan jaringan tetap lokal tanpa kabel
dengan mobilitas terbatas (fixed wireless
access with limited mobility) berteknologi
CDMA 2000 1x. Bakrie Telecom sebagai
perusahaan operator telekomunikasi
berbasis CDMA pertama di Indonesia
semakin sadar akan pentingnya kepuasan
pelanggan sehingga perlu terus
meningkatkan pelayanan agar pelanggan
tetap setia menggunakan Esia. Dengan
mempertimbangkan hal tersebut, Bakrie
Telecom mengaplikasikan program
Costumer Relationship Management
(CRM) guna mempertahankan hubungan
Korespondensi :
Didien Suhardini
E-mail : didien.suhardini@yahoo.com
Suci Lestari
E-mail : suciiilestariii@gmail.com
yang baik dengan pelanggan yang disebut
Solusi Esia.
Meskipun jumlah pelanggan Esia
Region 1 wilayah Jabodetabek dan Banten
meningkat dari bulan Juli sampai dengan
bulan Desember tetapi belum sebanyak
yang diharapkan. Ditambah lagi angka
perpindahan pelanggan (churn) yang masih
naik turun memerlukan usaha yang lebih
keras lagi dalam menahan pelanggan agar
tetap setia. Dari data pada Tabel 1 di bawah
ini terlihat jumlah keluhan pelanggan
kebanyakan mengenai jumlah tagihan yang
kondisinya naik turun setiap bulannya,
sehingga masih perlu diturunkan secara
konsisten.
190 Jurnal Teknik Industri, ISSN:1411-6340
Tabel 1. Jumlah Keluhan Pelanggan Region I Jabodetabek & Banten
Bakrie Telecom masih perlu
meningkatkan jumlah pelanggan dan
menurunkan jumlah perpindahan pelanggan
serta menurunkan jumlah keluhan
pelanggan. Sehingga belum bisa dipastikan
apakah program Solusi Esia berhasil atau
tidak atau berapa nilai kinerjanya.
1.2 Pokok Permasalahan
Bakrie Telecom sudah menjalankan
CRM yang disebut Solusi Esia tetapi belum
diketahui seberapa besar efektivitasnya
karena belum memiliki sistem pengukuran
kinerja CRM yang diperoleh dari
penerjemahan visi, misi, dan tujuan dari
strategi CRM perusahaan ke dalam
kerangka kerja dan ukuran yang jelas.
Dengan mengetahui skor kinerja dapat
diperbaiki efektifitas CRM terutama untuk
yang skornya masih rendah. Dampak dari
pelaksanaan inisiatif strategis yang
diusulkan diharapkan pelanggan tetap setia
menggunakan Esia dan tidak beralih kepada
operator lain.
1.3 Tujuan Penelitian
Tujuan yang ingin dicapai adalah
mengetahui keinginan pelanggan yang
belum terpenuhi dan memperoleh sistem
dan hasil pengukuran kinerja Solusi Esia
dengan pendekatan CRM Scorecard.
Kemudian memberikan usulan perbaikan
dengan memperhatikan hasil analisis IP
Matrix yang diperoleh dari atribut yang
ditetapkan berdasarkan lima dimensi
ServQual, dan peningkatan program Solusi
Esia berdasarkan atribut pada kuadran I dan
nilai yang terkecil pada tujuan strategis
setiap perspektif CRM Scorecard.
2. LANDASAN TEORI
2.1 Kualitas Pelayanan (Service
Quality)
Bagi perusahaan yang bergerak
dalam bidang jasa terutama untuk
perusahaan yang pelanggannya dapat
dengan mudah untuk keluar ataupun masuk
untuk menikmati jasa tersebut memenuhi
Service Quality sangat penting. Service
Quality adalah salah satu metode yang
digunakan untuk mengukur kepuasan
pelanggan atas kualitas jasa yang
ditawarkan oleh perusahaan. Kuesioner
tingkat kepuasan dan tingkat kepentingan
dirancang berdasarkan dimensi Service
Quality (SERVQUAL), yang
dikembangkan oleh Parasuraman, Zeithaml,
dan Berry [1988], yang terdiri dari lima
dimensi kualitas jasa, yaitu: tangibles,
reliability, responsiveness, assurance dan
emphaty.
2.2 Importance Performance Matrix
Importance-Performance Matrix
banyak digunakan untuk mengetahui atribut
pelayanan yang masih harus diperbaiki
dengan mengukur tingkat kepentingan
pelanggan (customer expectation) dan
tingkat kinerja perusahaan (perceived
performance). Tingkat kepentingan
pelanggan diukur dalam kaitannya dengan
apa yang seharusnya dikerjakan oleh suatu
organisasi agar menghasilkan produk atau
jasa yang berkualitas tinggi. Responden
diminta untuk menilai tingkat kepentingan
berbagai atribut relevan dan tingkat kinerja
perusahaan pada masing-masing atribut
tersebut. kemudian, nilai tingkat
kepentingan atribut dan kinerja perusahaan
akan di-plot pada importance-performance
Pengukuran Kinerja Customer Relationship Management (Didien Suhardini) 191
matrix dengan sumbu x adalah kinerja dan sumbu y adalah harapan.
Gambar 1 Diagram Importance & Performance
Sumber : Freddy Rangkuti,2006
Kuadran I
Ini adalah wilayah yang memuat
faktor-faktor yang dianggap penting
(diatas rata-rata) oleh pelanggan
tetapi pada kenyataannya faktor-
faktor ini belum sesuai dengan
seperti yang diharapkan (tingkat
kepuasan yang diperoleh masih
dibawah rata-rata). Atribut yang
berada pada kuadran ini adalah
faktor-faktor yang harus ditingkatkan
kepuasannya.
Kuadran II
Ini adalah wilayah yang memuat
faktor-faktor yang dianggap penting
oleh pelanggan dan faktor-faktor
yang dianggap oleh pelanggan sudah
sesuai dengan yang dirasakannya
sehingga tingkat kepuasannya relatif
tinggi dari rata-rata.
Kuadran III
Ini adalah wilayah yang memuat
faktor-faktor yang dianggap kurang
penting oleh pelanggan dan pada
kenyataanya kinerjanya tidak terlalu
istimewa. Peningkatan atribut-atribut
yang termasuk dalam kuadran ini
dapat dipertimbangkan kembali
karena pengaruhnya terhadap
manfaat yang dirasakan oleh
pelanggan sangat kecil.
Kuadran IV
Ini adalah wilayah yang memuat
faktor-faktor yang dianggap kurang
penting oleh pelanggan dan dirasakan
terlalu berlebihan. Atribut-atribut
yang termasuk dalam kuadran ini
dapat dikurangi agar perusahaan
dapat menghemat biaya.
2.3 Customer Relationship
Management (CRM)
Dalam persaingan yang ketat untuk
mempertahankan pelanggan Customer
Relationship Management sangat penting
untuk diperhatikan. CRM adalah
menajemen pelayanan kepada pelanggan
yang ditujukan untuk meningkatkan
kepuasan dan loyalitas pelanggan yang
didukung oleh sumber daya manusia yang
profesional, proses bisnis yang berpadu,
dan teknologi yang efisien dan efektif.
Konsep CRM berkembang sejak beberapa
tahun terakhir akibat meningkatnya
kompetisi untuk memenuhi tuntutan
pelanggan akan pelayanan yang lebih baik
dan perhatian yang lebih besar terhadap
kebutuhan individual pelanggan. Gagasan
utama CRM adalah membantu perusahaan
dengan menggunakan teknologi, proses
bisnis, dan sumber daya manusia untuk
memperoleh pengetahuan mengenai
perilaku dan nilai dari pelanggan tersebut.
2.4 CRM-Scorecard
Penerapan strategi CRM
seyogyanya diikuti dengan pengukuran
kinerja dari pelaksanaan strategi tersebut.
192 Jurnal Teknik Industri, ISSN:1411-6340
Model Balanced Scorecard yang digagas
oleh Kaplan dan Norton, (1992,1997, 2001)
merupakan suatu model sistem pengukuran
kinerja yang komprehensif, seimbang dan
menggambarkan keterkaitan antar tujuan
strategis. Model ini banyak dikembangkan
untuk pengukuran kinerja pada pelaksanan
strategi fungsional lainnya seperti Human
Resources Scorecard, Workforce
Scorecard, Information Technology
Scorecard. Jonghyeok Kim, Euiho Suh dan
Hyunseok Hwang (2003) mengajukan
empat perspektif untuk mengevaluasi CRM
dengan memodifikasi perspektif Balanced
ScoreCard (BSC). Empat perspective dalam
CRM Scorecard adalah:
Customer Value
Customer value mengarah pada
keuntungan nyata dan tidak nyata
(tangible and intangible benefits) yang
diperoleh dari aktivitas CRM.
Perspektif Customer Value terus
mencari cara untuk membangun
komitmen dan kesetiaan pelanggan
Customer Satisfaction
Customer Satisfaction menampilkan
pendekatan modern terhadap kualitas di
dalam perusahaan dan organisasi, dan
menyajikan perkembangan manajemen
dan budaya yang benar-benar fokus
pada pelanggan.
Customer Interaction
Hubungan pelanggan dapat diperkuat
melalui interaksi dengan pelanggan
yang efektif.
Customer Knowledge
Customer knowledge menampilkan
status dari segmen konsumen dan
manajemen data konsumen. Customer
Knowledge fokus pada pembelajaran
teknologi, memahami kebutuhan
konsumen, dan profil konsumen, yang
mempengaruhi cara berinteraksi dengan
konsumen.
3. METODOLOGI PENELITIAN
Penelitian ini menggunakan metode
survei untuk mengukur tingkat kepentingan
dan kepuasan pelanggan dan dilanjutkan
dengan pembuatan alat ukur kinerja CRM
yang didasarkan pada model CRM
Scorecard yang sudah dilengkapi dengan
bobot masing-masing tujuan strategis.
Pengukuran kinerja menggunakan alat ukur
yang dirancang menggunakan data obyektif
dan nilai dari tingkat kepuasan berdasarkan
hasil penyebaran kuesioner. Usulan
perbaikan diperoleh dari dua hal yaitu hasil
analisa Importance-Performance Matrix
untuk atribut yang berada pada kuadran I
dan dari Skor tujuan strategis yang masih
rendah yang harus ditingkatkan.
Data yang dikumpulkan untuk
menganalisis Importance-Performance
Matrix menggunakan kuesioner tingkat
kepentingan dan tingkat kepuasan
pelanggan yang disusun berdasarkan
dimensi ServQual yang disebarkan ke 100
responden yang menggunakan CDMA Esia.
Perancangan model CRM Scorecard Solusi
Esia dilakukan melalui penurunan
pernyataan visi, misi, tujuan dan strategi
bisnis Bakrie Telecom ke visi, misi, tujuan
dan strategi Solusi Esia dan penerjemahan
visi, misi dan strategi Solusi Esia kedalam
empat perspektif CRM Scorecard,
kemudian menetapkan tujuan strategis
setiap perspektif CRM Scorecard, yang
dilengkapi dengan peta strategi (strategy
map) Solusi Esia. Strategy map sebagai alat
komunikasi yang kuat dalam memberikan
gambaran jelas bagi orang-orang yang
berada dalam perusahaan mengenai strategi
CRM dan bagaimana upaya untuk
berkontribusi terhadap kesuksesan CRM
perusahaan. Selanjutnya ditentukan tolok
ukur, target, skala nilai dan bobot.
Pembobotan dilakukan dengan
menggunakan metode pairwise
comparison. Pengukuran dimulai dengan
penentuan nilai yang diperoleh dari
membandingkan hasil dengan target
sehingga diperoleh hasil tersebut berada
pada rentang tertentu pada nilai 1-5. Khusus
untuk tujuan strategis pada perspektif
customer satisfaction, nilai didapat dari
hasil kuesioner tingkat kepuasan pelanggan.
Skor setiap perspektif diperoleh dari nilai
dikalikan bobot.Skor total kinerja CRM
merupakan pengabungan nilai keempat
perspektif berbobot.
Pengukuran Kinerja Customer Relationship Management (Didien Suhardini) 193
Hasil analisa Importance-
Performance Matrix adalah mendapatkan
atribut yang terdapat pada wilayah kuadran
I untuk diperbaiki. Kemudian hasil
pengukuran kinerja CRM digunakan untuk
melengkapi usulan perbaikan terutama pada
tujuan strategis dengan skor kinerja yang
masih rendah.
4. HASIL DAN PEMBAHASAN
4.1 Nilai rata-rata tingkat kepentingan
dan tingkat kepuasan pelanggan yang
diperoleh dari pengolahan data
kuesioner adalah 3.86 dan 3.93.
Sebaiknya Prioritas yang diperbaiki
dilihat dari nilai rata-rata tingkat
kepuasan yang masih lebih kecil dari
tingkat kepentingan dan dari analisa
Importance-Performance Matrix di
bawah ini.
4.2 Importance-Performance Matrix
Nilai rata-rata setiap atribut tingkat
kepentingan dan tingkat kepuasan
yang didapat diplot dalam diagram
Importance-Performance Matrix.
Gambar 2. Importance Performance Matrix
Dari Gambar 2 di atas atribut yang berada
pada wilayah Kuadran I yang merupakan
atribut-atribut yang harus diperbaiki adalah:
Pelayanan Call Center
Pegawai Customer Service yang
memiliki totalitas dalam melayani
pelanggan
Wawasan pengetahuan pegawai
mengenai Esia
Signal (Jaringan)
Atribut pada Kuadran II tingkat
kepuasannya sudah di atas rata-rata dan
tingkat kepentingan di atas rata-rata
ditingkatkan hanya untuk yang
kepuasannya masih lebih rendah dari
kepentingannya.
Tanggapan pegawai Customer Service
saat menangani keluhan
Sikap pegawai Customer Service dalam
melayani pelanggan
Cara bicara pegawai Customer Service
dengan pelanggan
Lama pelayanan Customer Service saat
memberikan respon keluhan
Tanggapan pegawai Customer Service
saat memberikan solusi
Pulsa yang terpakai saat menghubungi
Call Center
Tanggapan pegawai Customer Service
saat merespon keluhan
Atribut pada Kuadran III tingkat kepuasan
dan tingkat kepentingan di bawah rata-rata
dan hampir semua atribut pada kuadran ini
nilai kepuasan lebih tinggi dari
kepentingan.
Ruang tunggu pada Gerai Esia
Lama waktu tersambung pada call
center 24 jam
Lokasi Gerai Esia
Harga pulsa yang terjangkau
194 Jurnal Teknik Industri, ISSN:1411-6340
Kondisi Gerai Esia
Interior Gerai Esia
Banyaknya kartu perdana yang
ditawarkan Esia
Atribut pada Kuadran IV merupakan
wilayah yang atribut yang tingkat kepuasan
sudah di atas rata-rata sedangkan tingkat
kepentingannya di bawah rata-rata sehingga
bisa dipertahankan saja.
Informasi waktu tenggang/sisa pulsa
melalui sms/telepon
Bonus yang ditawarkan pada merchant-
merchant tertentu
Mensponsori acara-acara yang dapat
menguntungkan masyarakat
Program Esia Gogo
Program-program HP Esia Bundling
4.3 Sistem Pengukuran Kinerja CRM
Scorecard Solusi Esia
Sistem Pengukuran Kinerja CRM
Scorecard Solusi Esia terdiri atas empat
perspektif dan sepuluh tujuan strategis yang
saling berkaitan yang dapat dilihat pada
peta strategis dilengkapi dengan tabel
penentuan nilai dan pengukuran skor.
Penilaian dilakukan menggunakan tabel
yang berisi perspektif, tujuan strategis,
tolok ukur, target dan skala penilaian.
Pengukuran skor menggunakan hasil
pembobotan antar tujuan strategis yang
saling berhubungan dikalikan nilai.
4.3.1. Strategy Map Solusi Esia
Peta strategi merupakan suatu
skenario strategi perusahaan yang
menggambarkan keterkaitan suatu
hubungan sebab akibat, atau dengan kata
lain menggambarkan keterkaitan antara
perspektif customer value, customer
satisfaction, customer interaction, dan
customer knowledge. Gambar 3 berikut
adalah peta strategi (strategy map) Solusi
Esia:
Pengukuran Kinerja Customer Relationship Management (Didien Suhardini) 195
Gambar 3. Strategy Map Solusi Esia
4.3.2. Skala Pengukuran Kinerja
Tujuan Strategis Setiap
Perspektif dalam CRM Scorecard
Solusi Esia
Skala pengukuran kinerja tujuan
strategis untuk setiap perspektif dilakukan
dengan cara membandingkan target setiap
tujuan perspektif dimasa depan dengan
kinerja yang sedang berjalan pada
perusahaan saat ini. Skala pengukuran yang
digunakan adalah konversi dari skala Likert
(1-5), menjadi skala yang kontinyu :
Tabel 2 Skala Penilaian
Skala Nilai
4.20 5.00 Sangat Baik
3.40 4.20 Baik
2.60 3.40 Cukup Baik
1.80 2.60 Tidak Baik
1.00 1.80 Sangat Tidak Baik
Pada setiap perspektif, tujuan
strategis ditetapkan melalui penurunan visi,
misi, dan strategi Bakrie Telecom menjadi
visi misi strategi Solusi Esia. Setiap tujuan
strategis memiliki target yang ingin dicapai
dimasa mendatang yang ditetapkan
berdasarkan tolok ukur. Kemudian hasil
yang didapat dibandingkan dengan target
yang ditetapkan dengan skala penilaian
untuk mendapatkan nilai tertentu.
Perspektif Customer Value
Pada perspektif customer value
terdapat tiga tujuan strategis pada perspektif
ini yaitu: menjadi prioritas pelanggan,
mendapatkan pelanggan baru, dan
peningkatan volume penjualan.
196 Jurnal Teknik Industri, ISSN:1411-6340
Tabel 3. Penentuan Nilai Setiap Tujuan Strategis Perspektif Customer Value
Dari target churn 0% yang baru
dicapai sebesar 2% sehingga mendapatkan
Nilai 3 karena berada pada rentang 1%-2%.
Sedangkan persentase peningkatan jumlah
pelanggan dicapai 2,88% dari target 10%
sehingga diperoleh nilai 2 karena berada
pada rentang 2,5-5%. Terakhir pada
perspektif Customer Value adalah
peningkatan jumlah pelanggan baru target
10% dicapai 5% berada pada rentang 2,5-
5% mendapat nilai 2.
Perspektif Customer Satisfaction
Terdapat tiga tujuan strategis pada
perspektif ini yaitu peningkatan kualitas
layanan, peningkatan inovasi produk dan
layanan, dan terciptanya kepuasan
pelanggan. Pada tabel 4 dapat dilihat hasil
yang telah dicapai oleh perusahaan
kemudian dibandingkan dengan target yang
ditetapkan sehingga diperoleh nilai setiap
tujuan strategis.
Penurunan Visi
Misi dan Strategi
Solusi Esia
Tujuan
Strategis Target Hasil Penilaian Nilai
Solusi Esia
berusaha untuk
menjadi nomor
satu dimata
pelanggan sebagai
penyedia produk
dan jasa
telekomunikasi
yang lengkap dan
berkualitas,
sehingga
pelanggan tetap
setia menggunakan
Esia
Menjadi
Prioritas
Pelanggan
Churn 0%
Churn
2%
churn = 0% 5
0% < churn = 1 % 4
1% < churn = 2% 3
2% < churn = 4% 2
churn > 4% 1
Mendapatkan
Pelanggan
Baru
Mendapatkan
pelanggan
baru 10%
lebih banyak
dari jumlah
sebelumnya
10%
Jumlah pelanggan baru = 10 % 5
7.5% < Jumlah pelanggan baru
= 10% 4
5% < Jumlah pelanggan baru =
7.5% 3
2.5% < Jumlah pelanggan baru
= 5% 2
Jumlah pelanggan baru = 2.5% 1
Peningkatan
Volume
Penjualan
Persentase
peningkatan
jumlah
pelanggan
10%
perbulan
3%
Peningkatan jumlah pelanggan
= 10 % 5
7.5% < peningkatan jumlah
pelanggan = 10% 4
5% < peningkatan jumlah
pelanggan = 7.5% 3
2.5% < peningkatan jumlah
pelanggan = 5% 2
peningkatan jumlah pelanggan
= 2.5% 1
Pengukuran Kinerja Customer Relationship Management (Didien Suhardini) 197
Tabel 4. Penentuan Nilai Setiap Tujuan Strategis Perspektif Customer Satisfaction
Pada perspektif Customer
Satisfaction, penurunan jumlah keluhan
baru dicapai sebesar 14 % dari target 30%
yang berada pada rentang 10-15%
mendapat nilai 2. Selanjutnya peningkatan
inovasi produk dan layanan dari target 6
produk inovatif dalam 1 periode baru
dicapai 5 dalam rentang 4-5 mendapat nilai
4. Untuk tujuan strategis Terciptanya
Kepuasan Pelanggan diperoleh dari hasil
kuesioner sebesar 3,93 berada pada rentang
3,4-4,2 mendapat nilai 4.
Perspektif Customer Interaction
Terdapat dua tujuan strategis pada
perspektif ini yaitu menyediakan SDM
yang kompeten pada Customer Service, dan
pendekatan hubungan langsung dengan
pelanggan. Pada tabel 5 dapat dilihat nilai
yang dicapai oleh kedua tujuan strategis
tersebut. Pelatihan yang ditargetkan setiap
bulan sekali dicapai 5 kali dalam 6 bulan
sehingga mendapat nilai 4. Sedangkan
pendekatan langsung dengan pelanggan
baru dilaksanakan 3 kali dari target
sebanyak 6 kali memperoleh nilai 3.
198 Jurnal Teknik Industri, ISSN:1411-6340
Tabel 5. Penentuan Nilai Setiap Tujuan Strategis Perspektif Customer Interaction
Perspektif Customer Knowledge
Terdapat dua tujuan strategis pada
perspektif ini yaitu pembaharuan teknologi
customer security dan pemahaman
kebutuhan pelanggan. Pada tabel 6 dapat
diketahui nilai yang didapatkan oleh kedua
tujuan strategis tersebut dengan
membandingkan hasil yang dicapai
sekarang dengan target yang ditetapkan.
Pada perspektif Customer Knowledge
pembaharuan customer security technology
pada tahap baik dan survey baru dilakukan
5 bulan sekali dari target 3 bulan sekali
mendapat nilai 4.
Tabel 6. Penentuan Nilai Setiap Tujuan Strategis Perspektif Customer Knowledge
Pengukuran Kinerja Customer Relationship Management (Didien Suhardini) 199
4.4. Pengukuran Kinerja Solusi Esia
Berikut adalah hasil pengukuran
kinerja Solusi Esia untuk perspektif
Customer Value, total hasil diperoleh dari
skor setiap tujuan strategis dikalikan
dengan bobotnya kemudian hasilnya
dijumlahkan untuk mendapatkan hasil
keseluruhan perspektif Customer Value.
Nilai yang diperoleh perspektif Customer
Value adalah sebesar 3.32. Nilai, bobot dan
skor dapat dilihat pada tabel 7 berikut ini.
Tabel 7. Pengukuran Kinerja Solusi Esia Perspektif Customer Value
Tujuan Strategis
Tolok Ukur
(Measurements)
Nilai Bobot
Skor
(Nilai x bobot)
Menjadi Prioritas
Pelanggan
Jumlah pelanggan yang berpindah
(churn)
3 0,36 1,08
Mendapatkan
Pelanggan Baru
Jumlah pelanggan baru 5 0,32 1,60
Peningkatan
Volume Penjualan
Persentase peningkatan jumlah
pelanggan 10% perbulan
2 0,32 0,64
Total 1 3,32
Skor terendah pada perspektif
Customer Value adalah pada tujuan
strategis peningkatan jumlah pelanggan
menyumbang skor hanya sebesar 0,64.
Berikutnya adalah pengukuran
kinerja Solusi Esia untuk perspektif
Customer Satisfaction dapat dilihat pada
tabel 8.
Tabel 8 Pengukuran Kinerja Solusi Esia Perspektif Customer Satisfaction
Tujuan Strategis
Tolok Ukur
(Measurements)
Nilai Bobot
Skor
(Nilai x bobot)
Peningkatan
kualitas layanan
Jumlah keluhan pelanggan 2 0,45 0,9
Terciptanya
kepuasan
pelanggan
Rata-rata tingkat kepuasan
pelanggan berdasarkan kuesioner
3,93 0,4 1,57
Peningkatan
Inovasi Produk dan
Layanan
Peningkatan jumlah inovasi produk 4 0,15 0,6
Total 1 3,07
Nilai yang diperoleh perspektif
Customer Satisfaction adalah sebesar 3.07
dengan kontribusi nilai terkecil yaitu oleh
tujuan strategis peningkatan inovasi produk
dan layanan berkontribusi sebesar 0,6
Kinerja Solusi Esia untuk perspektif
Customer Interaction, diperoleh dengan
menjumlahkan nilai yang dihasilkan oleh
kedua tujuan strategis sehingga nilai untuk
perspektif Customer Interaction adalah
3.44, dapat dilihat pada tabel 9
Tabel 9 Pengukuran Kinerja Solusi Esia Perspektif Customer Interaction
Tujuan Strategis
Tolok Ukur
(Measurements)
Nilai Bobot
Skor
(Nilai x bobot)
Menyediakan SDM yang
Berkompeten Pada CS
Jumlah Pelatihan Pegawai 4 0,44 1,76
Pendekatan langsung
dengan pelanggan
Jumlah acara yang
diadakan atau disponsori
oleh Bakrie Telecom
3 0,56 1,68
Total 1 3,44
200 Jurnal Teknik Industri, ISSN:1411-6340
Dengan kontribusi terkecil pada
jumlah inovasi produk sebesar 0,6 karena
bobotnya kecil, berikutnya adalah
penurunan keluhan pelanggan dengan skor
0,9.
Nilai yang dihasilkan oleh kedua
tujuan strategis dalam perspektif customer
knowledge yaitu pembaharuan Customer
Security Technology dan peningkatan
pemahaman kebutuhan pelanggan setelah
dijumlahkan sebesar 3.44 dapat dilihat
pada Tabel 10.
Tabel 10. Pengukuran Kinerja Solusi Esia Perspektif Customer Knowledge
Tujuan Strategis
Tolok Ukur
(Measurements)
Skor Bobot
Nilai
(skor x bobot)
Pembaharuan Customer
Security Technology
Performansi IT system Solusi
Esia dan kinerja database
(datawarehouse & datamining)
pelanggan
4 0,52 2,08
Peningkatan Pemahaman
Kebutuhan Pelanggan
Persentase pemahaman
kebutuhan pelanggan
4 0,48 1,92
Total 1 4,00
Hasil keseluruhan kinerja CRM dengan bobot pada setiap perspektif yang sama yaitu sebesar
0.25 dapat dilihat sebagai berikut.
Tabel 11. Pengukuran Kinerja Solusi Esia Berdasarkan CRM Scorecard
Perspektif Skor Bobot Skor x bobot
Customer Value 3,32 0,25 0,83
Customer Satisfaction 3,07 0,25 0,77
Customer Interaction 3,44 0,25 0,86
Customer Knowledge 4,00 0,25 1,00
Total 1 3,46
Ini berarti dari hasil pengukuran dengan
menggunakan CRM Scorecard, diperoleh
nilai kinerja Solusi Esia yaitu sebesar 3,46.
Dengan menggunakan interval skala nilai
pada tabel 2 dapat disimpulkan bahwa nilai
kinerja CRM Solusi Esia berdasarkan
model CRM Scorecard berada pada skala 4
(3.40 - 4,20) yang menunjukkan bahwa
kinerja Solusi Esia adalah baik.
4.5. Usulan Pengembangan
Meskipun skor yang diperoleh sudah
baik, tetapi masih perlu dikembangkan
program CRM terutama untuk atribut-
atribut pada kuadran 1 IP Matrix dan tujuan
strategis pada CRM Scorecard yang
memiliki skor (nilai X bobot) tidak baik
a. Usulan Pengembangan Program CRM
sumber dari IPM - kuadran I
1. Call Center yang mana sebelumnya
pelanggan terkena charge Rp 3 per
detik di ubah menjadi free of
charge.
2. Peningkatan wawasan pengetahuan
mengenai Esia untuk pegawai
customer service melalui pelatihan
yang lebih intensif dengan
mendirikan pusat pelatihan sebagai
wadah untuk SDM yang kompeten
melalui program pelatihan sesuai
dengan kebutuhan, diseminasi
informasi dengan menggunakan
intranet, brosur, leaflet, dan pamflet
agar seluruh pegawai memiliki
informasi mengenai produk Esia.
3. Peningkatan jumlah dan kualifikasi
pegawai Call Centre sehingga
memiliki totalitas dalam melayani
pelanggan melalui pelatihan
pengembangan kepemimpinan dan
soft skill lainnya seperti teknik
negosiasi, presentasi serta
mengikutsertakan dalam lomba/
kompetisi dengan antar call center
dan pemberian penghargaan bagi
yang berhasil memenangkan lomba.
Pengukuran Kinerja Customer Relationship Management (Didien Suhardini) 201
4. Meningkatkan kemampuan
memonitor kondisi signal dengan
mendirikan network operations
center yang dapat memantau dan
mengelola jaringan 24 jam sehari, 7
hari seminggu guna mendeteksi dan
memperingatkan adanya gangguan
dalam jaringan sehingga dapat
meminimalkan downtime yang
dialami pelanggan.
b. Peningkatan skor kinerja CRM
diusulkan melalui peningkatan skor
tujuan strategis yang berkontribusi kecil
pada nilai perspektif dan nilai
keseluruhan yaitu:
1. Tujuan Strategis peningkatan
volume penjualan pada perspektif
customer value dengan skor 0,64
melalui peningkatan kualitas dalam
segala aspek seperti kualtas produk,
layanan, tarif, dan jaringan.
Kemudian dengan memberikan
bonus-bonus khusus yang
bermanfaat kepada pelanggan
sehingga pelanggan tertarik untuk
menggunakan produk perusahaan.
2. Tujuan Strategis Peningkatan
kualitas layanan pada perspektif
Customer Satisfaction dengan skor
0,9 agar jumlah keluhan turun
menggunakan record voice agar
apa yang disampaikan pelanggan
dan apa yang disampaikan oleh
pegawai customer service dapat
dievaluasi.
3. Tujuan Strategis Peningkatan
inovasi produk dan layanan pada
perspektif Customer Satisfaction
meskipun nilainya cukup tinggi (4)
tetapi bobotnya kecil sehingga
kontribusinya juga kecil (0,6) perlu
ditingkatkan dengan mengadakan
survey pasar dan keinginan
pelanggan secara berkala dan
menarik kembali produk yang
kurang diminati oleh masyarakat.
5. KESIMPULAN
a. Berdasarkan IP Matrix, atribut-atribut
yang perlu ditingkatkan adalah atribut
yang tingkat kepentingannya tinggi
namun tingkat kepuasannya masih
dibawah rata-rata (Atributes to
Improve) adalah pelayanan Call Center,
Totalitas pelayanan dari pegawai
Customer Service, wawasan
pengetahuan mengenai Esia, dan signal
(jaringan).
b. Sistem pengukuran kinerja CRM
Bakrie Telecom (Solusi Esia)
berdasarkan model CRM Scorecard
menggunakan empat perspektif CRM
Scorecard gagasan Jonghyeok Kim,
Euiho Suh dan Hyunseok Hwang
(2003) diturunkan menjadi sepuluh
tujuan strategis, dilengkapi dengan peta
strategi dan tabel penilaian yang berisi
perspektif, tujuan strategis masing-
masing, tolok ukur, target dan skala
penilaian dilengkapi dengan
pembobotan antar tujuan strategis.
c. Hasil pengukuran kinerja CRM Bakrie
Telecom diperoleh skor total kinerja
Solusi Esia sebesar 3,46 (Baik).
Perspektif Customer Knowledge
memberikan kontribusi terbesar yaitu 4,
kemudian diikuti oleh perspektif
Customer Interaction. Kontribusi
perspektif Customer Satisfaction hanya
sebesar 3,07 disebabkan oleh kontribusi
terkecil oleh tujuan strategis
peningkatan inovasi produk dan
layanan yang memiliki skor 0,6 dan
peningkatan kualitas layanan dengan
skor 0,9
d. Alat ukur kinerja ini dapat terus
digunakan dengan melakukan
penyesuaian target dan pembobotan
antar tujuan strategis.
e. Pembobotan dapat dilakukan dengan
metode yang berbeda.
6. DAFTAR PUSTAKA
[1] Barnes, James. 2003. Secrets of
Customer Relationship Management
(terjemahan). Penerbit Andi,
Yogyakarta.
[2] Buttle, F. 2007. Customer Relationship
Management Concepts and Tools
(Terjemahan). Bayumedia, Jakarta.
[3] Dyche, Jill. 2002. The CRM Handbook
: A Business Guide to Customer
Relationship Management. Addison-
Wesley.
[4] Tjiptono, Gregorious Chandra. 2005.
Service, Quality, & Satisfaction.
Penerbit Andi. Yogyakarta.
202 Jurnal Teknik Industri, ISSN:1411-6340
MODEL OPTIMASI PERFORMANCE BATERAI MANGAN TIPE
GENERAL PURPOSE DENGAN PENDEKATAN METAMODEL
REGRESI POLINOMIAL MELALUI RESPONSE SURFACE
METHODOLOGY
Alwi Fauzi
Engineering Division PT. MATTEL Indonesia
Mahasiswa Magister Teknik Industri, FTI, Universitas Trisakti, Jakarta
ABSTRACT
Quality of a performance has relationship with operational process of a product or
whenever the company really implements or conducts a service and measurement towards the
degree of level of satisfaction for the consumer. In this research the writer tries to model the
optimization of the performance of general purpose manganese battery using polynomial
regression meta-model approach with the surface responses of the methodology from some
factors influencing the quality of manganese battery. There are some basic considerations that
underlie the research; one of them is the company has not known exactly the most optimum
performance condition from the general purpose battery type towards the influence of storage
time and temperature.
By implementing the polynomial regression meta-model with Response Surface
Methodology (RSM), we can model a optimization solution to the combination of input variable
of temperature and storage time at certain observation area by estimating the optimum output
value (response value) so that we can obtain the most optimum battery performance in order to
meet the consumers demand.
There are matters to be considered in implementing RSM: level of confidence (), meta-
model fitting area, step measurement on the steepest ascent and central composite design. The
result of the research on general purpose manganese battery shows the mathematical model of
the optimization of performance of general purpose manganese battery using appropriate
polynomial regression meta-model of Y (T, S) = 62.385 + 1.282 T + 0.00029 TS - 0.201 T
2
-
0.0052 S
2
using variable combination to the influence of temperature 32.347C, where the
storage time of 63.306 days obtain the optimum battery performance of 103.663 minutes, using
temperature performance index (PI) of 32C (rounded) and the storage time of 90 days obtain
the performance index-1 (PI-1) of 127.53% and PI-2 of 112.82%. Where the initial condition of
temperature Performance Index of 20C with the storage time of 90 days obtain PI-1 of
124.34% and PI-2of 109.81%. This shows that there is improvement and increase of battery
performance of 3% for PI-1 and PI-2.
Keywords: Response Surface Methodology, Polynomial Regression Meta-model, Central Composite
Design, Performance Index.
1. PENDAHULUAN
9
Banyak kemajuan yang telah
dicapai dalam pengembangan teknologi
baterai dalam dekade terakhir ini, seperti
perbaikan yang berkesinambungan terhadap
Korespondensi :
Alwi Fauzi
E-mail : alwifauzi@yahoo.com
sistem elektrokimia khusus dan
pengembangan serta pengenalan tentang
ilmu kimia baru mengenai baterai. Pada
umumnya baterai memiliki tingkat voltage
dan ampere tertentu, dan perlu dilakukan
pengendalian terhadap hal tersebut agar
kualitas baterai yang dihasilkan dapat
terjamin mutunya terutama terhadap
pengaruh temperatur serta lamanya masa
Model Optimasi Performance Baterai Mangan (Alwi Fauzi) 203
penyimpanan yang sangat berpengaruh
terhadap performansi baterai. Hal ini
diakibatkan karena baterai adalah suatu
produk yang mudah rusak dan memburuk
sebagai suatu hasil dari proses kimia selama
masa penyimpanan. Jenis pada desain sel,
sistem elektrokimia, temperatur, dan
lamanya masa penyimpanan merupakan
faktor-faktor yang mempengaruhi
performansi baterai, sehingga perlu adanya
suatu pengendalian dalam rangka menjaga
performansi baterai berupa informasi
mengenai tingkat performansi baterai
terhadap faktor-faktor yang
mempengaruhinya.
Oleh karena itu, desain ataupun
perbaikan dari suatu sistem dalam hal ini
performansi baterai merupakan proses yang
kompleks dimana model digunakan sebagai
dasar pertimbangan pengambilan keputusan
terhadap sistem yang telah ada atau sistem
yang diusulkan. Tujuan dari proses desain
adalah merancang sistem yang memenuhi
performansi tertentu tanpa melanggar
konstrain yang ada. Ketika hubungan yang
membentuk suatu model cukup sederhana,
maka dimungkinkan untuk menggunakan
metode matematis analitik (seperti program
linear, program dinamis, aljabar, kalkulus,
atau teori probabilistik) untuk memperoleh
informasi atau jawaban mengenai
pertanyaan berkaitan dengan sistem yang
diamati. Akan tetapi, kebanyakan sistem
nyata begitu kompleks sehingga model
yang dikembangkan harus dipelajari
melalui simulasi.
Metamodel merupakan simplifikasi
dari model simulasi, sehingga dapat
dipandang sebagai model dari model
simulasi (Du et al, 2001). Apabila terdapat
output respon simulasi, Y, yang
berhubungan dengan k variable
independent, katakanlah x
1
,x
2
, , x
k
dengan variable dependen Y adalah
bilangan acak, sementara variable
independent x
1
,x
2
, , x
k
adalah variabel
desain dan dapat dikontrol, maka hubungan
antara variabel Y dan x dapat
direpresentasikan oleh fungsi matematis
yang lebih sederhana Y = f(x
1
,x
2
, , x
k
).
fungsi matematis yang bersifat pendekatan
ini disebut metamodel dan dapat
merepresentasikan model simulasi yang
lebih kompleks. Dalam penjabaran lain,
metamodel adalah pendekatan transformasi
dari input/output (I/O) yang terkandung
dalam model simulasi untuk suatu lingkup
daerah amatan tertentu. Model ini bersifat
black-box dan dikenal juga sebagai
response surface (Klejnen, 2000:15).
Karena metamodel dihasilkan dari sampel
hubungan input dan output, maka validitas
metamodel dalam merepresentasikan model
simulasi terbatas pada daerah/dominan
yang dicakup oleh data asal tersebut. Dalam
tahapan studi simulasi, metamodel
mengambil peran sebagai salah satu alat
dalam menganalisis output simulasi.
Berikut adalah penggambaran hubungan
antara sistem diamati, model simulasi dan
metamodel.
Gambar 1. Sistem nyata, model simulasi
dan metamodel
Barton (1998) mengemukakan bahwa
terdapat tiga hal penting yang harus
diperhatikan dalam kontruksi metamodel
yaitu (1) pemilihan fungsi umum (apakah
regresi polynomial, neural network atau
model umum yang lain), (2) penentuan
kombinasi input yang akan digunakan
untuk menjalankan simulasi dan
mengumpulkan data I/O simulasi (desain
eksperimen), dan (3) penilaian validitas dari
metamodel yang telah dibentuk.
Sifat metamodel yang analitik
memungkinkan untuk dilakukan proses
optimasi, yaitu pencarian kombinasi input
terbaik diantara seluruh kemungkinan
kombinasi input tanpa secara langsung
melakukan evaluasi terhadap semua
kemungkinan alternative yang ada (Carlos
dan Maria, 1997). Salah satu aplikasi
metamodel yang sering digunakan dalam
proses optimasi adalah Response Surface
Methodology (RSM). Contoh aplikasi
metode ini dalam eksperimen real dapat
dilihat pada Box et al (1978) dan
Montgomery (1976).
Sistem nyata
Metamodel Model Simulasi
Analyzing
Metamodeling
Modeling
204 Jurnal Teknik Industri, ISSN:1411-6340
Dalam menganalisis permasalahan
sistem nyata, metamodel ditinjau dari segi
waktu dan biaya akan lebih efisien
dibanding simulasi sendiri, karena estimasi
performansi sistem dengan metamodel
tidak membutuhkan proses running seperti
halnya simulasi. Apabila running simulasi
memakan waktu yang besar dan secara
biaya mahal, maka metamodel dapat
digunakan sebagai alternatif simulasi
dengan kelebihan pada segi waktu dan
biaya yang lebih efisien.
Salah satu metode yang
menggunakan pendekatan metamodel
dalam optimasi output simulasi adalah
Response Surface Methodology (RSM).
RSM menggunakan metamodel regresi
polinomial, desain eksperimen dan konsep
steepest ascent untuk mencari kombinasi
parameter optimum dalam perancangan
sistem. Model regresi polynomial
merupakan hal khusus dari model regresi
linear berganda [Walpole dan Meyers,
1986:337]. Model regresi polynomial
adalah model yang paling sering digunakan
dalam konstruksi metamodel. Hal ini
disebabkan oleh kemudahan implementasi
dan konstruksi metamodel, tingkat akurasi
yang baik untuk permasalahan orde rendah,
dan tingkat transparasi yang baik, yaitu
kemampuan untuk menjelaskan hubungan
antara variabel independent dan dependen.
Model regresi polynomial yang
umumnya digunakan dalam konstruksi
metamodel adalah salah satu dari tiga
kelompok ini [Klejnen, 1997:3] ;
1. Polinomial orde satu dengan faktor
utama disamping rataan umum.
2. Polinomial orde satu dengan tambahan
faktor interaksi dua faktor.
3. Polynomial orde dua.
2. REGRESI POLINOMIAL
Model regresi polynomial merupakan
hal khusus dari model regresi linear
berganda (Walpole dan Meyers, 1986).
Model regresi polynomial adalah model
yang paling sering digunakan dalam
konstruksi metamodel. Gambar 2
menunjukkan strategi untuk membangun
sebuah model regresi.
3. RESPONSE SURFACE
METHODOLOGY
3.1. Karakteristik Umum
Response Surface Methodology
(RSM) adalah aplikasi teknik matematika
dan statistik yang digunakan untuk
menganalisis masalah ketika beberapa
variabel independen mempengaruhi
variabel dependen dan tujuannya adalah
mengoptimalkan respon/output
(Montgomery, 1976). Variabel-variabel
pada analisis RSM diasumsikan real
sedangkan variabel dependen adalah
variabel yang dapat dikendalikan
(controllable variabel). Implementasi RSM
secara garis besar adalah mencoba untuk
membangun metamodel melalui desain
eksperimen, tetapi bukan pada lingkup
global (daerah amatan yang luas) tetapi
local (daerah amatan yang sempit). RSM
menggunakan desain eksperimen,
metamodel regresi polynomial orde satu
dan dua untuk memprediksi model simulasi
pada daerah amatan awal yang kecil.
Metamodel regresi polynomial orde satu
digunakan pada tahap awal dan dengan
menggunakan steepest descent/ascent, arah
dimana penurunan/kenaikan output simulasi
yang terbesar ditentukan. Ketika berada
pada daerah yang diprediksikan berada
disekitar optimal, metamodel regresi
polynomial orde dua digunakan untuk
mengecek adanya profil lengkung
(curvature).
Optimasi simulasi dengan RSM
merupakan teknik pencarian statistik
(statistical search technique) (Fue.et al,
2000). Teknik RSM telah banyak
digunakan untuk menjawab pertanyaan-
pertanyaan sebagai berikut (Box et
al,1978):
1. Bagaimana respon tertentu dipengaruhi
oleh sekelompok variabel
dependen/input pada suatu daerah
ekperimen tertentu.
2. Bagaimana penentuan setting varabel
dependen/input agar diperoleh tingkat
respons yang diinginkan.
3. Berapakah nilai input yang akan
menghasilkan respon optimum, dan
bagaimana profil permukaan respon
pada daerah sekitar optimal ini.
Model Optimasi Performance Baterai Mangan
Gambar 2. Strategi untuk membangun sebuah model regresi
3.2. Langkah-langkah
RSM
Gambar 3 berikut ini adalah
penggambaran langkah implementasi RSM
Model Optimasi Performance Baterai Mangan (Alwi Fauzi)
Gambar 2. Strategi untuk membangun sebuah model regresi
langkah Implementasi
erikut ini adalah
penggambaran langkah implementasi RSM
dalam bentuk bagan. Bagan ini merupakan
modifikasi bagan tahapan RSM yang
terdapat pada Box, et al (1978) dan
Neddermeijer, et al (2000).
205
Gambar 2. Strategi untuk membangun sebuah model regresi
dalam bentuk bagan. Bagan ini merupakan
modifikasi bagan tahapan RSM yang
terdapat pada Box, et al (1978) dan
Neddermeijer, et al (2000).
206
Gambar 3. Langkah
4. HASIL PERANCANGAN
PERCOBAAN
Pengukuran dilakukan dengan
pengujian performansi baterai yaitu
lamanya ketahanaan baterai terhadap
discharge sampai batas voltage yang telah
distandarkan secara internasional setelah
disimpan pada temperatur dan waktu
Tabel 1. Data I/O simulasi dengan desain factorial 2
dan S [60,80] hari pada discharge 3,9
No
Faktor
Kombinasi
Faktor
T
S
T
S
1 - - 10 60
2 + - 30 60
3 - + 10 80
4 + + 30 80
5 0 0 20 70
Jurnal Teknik Industri, ISSN:1411
Gambar 3. Langkah-langkah Implementasi RSM
HASIL PERANCANGAN
Pengukuran dilakukan dengan
pengujian performansi baterai yaitu
lamanya ketahanaan baterai terhadap test
sampai batas voltage yang telah
rkan secara internasional setelah
disimpan pada temperatur dan waktu
penyimpanan yang berbeda. Peralatan
pengujian yang digunakan meliputi :
1. Voltmeter
2. Amperemeter
3. Ruangan khusus dengan dilengkapi
temperature setting.
4. Panel discharge dengan resistensi yang
telah ditetapkan sesuai dengan standar
IEC dengan kapasitas 1000 pcs.
Tabel 1. Data I/O simulasi dengan desain factorial 2
2
ditambah Titik tengah untuk T [10,30] C
dan S [60,80] hari pada discharge 3,9-C
asi Replikasi Output / Lamanya
Ketahanan Baterai (menit)
Rataan
Output
1 2 3 4
99.22 99.20 99.25 99.40 99.238
103.05 103.02 102.51 102.50 102.77
98.00 98.02 98.05 97.55 97.905
101.40 101.35 101.44 101.30 101.37
101.03 100.55 100.58 100.45 100.65
ISSN:1411-6340
penyimpanan yang berbeda. Peralatan
pengujian yang digunakan meliputi :
Ruangan khusus dengan dilengkapi
Panel discharge dengan resistensi yang
telah ditetapkan sesuai dengan standar
IEC dengan kapasitas 1000 pcs.
Titik tengah untuk T [10,30] C
Rataan
Output
Str.dev
.
Output
99.238 0.097
102.77 0.31
97.905 0.238
101.37 0.06
100.65 0.26
Model Optimasi Performance Baterai Mangan (Alwi Fauzi) 207
Berikut adalah persamaan metamodel yang
dihasilkan, diasumsikan dengan X
1
adalah
T dan X
2
adalah S tetapi dalam bentuk
terkode. Bentuk terkode adalah bentuk level
tinggi (+1) dan level rendah (-1) sesuai
dengan teori desain eksperimen.
Y=100,394+1.7425X
1
0.690X
2
(1)
4.1. Uji Statistik Metamodel
Berikut adalah tabel analisis variansi
untuk pengujian ketidaksesuaian dan
keberartian pengaruh variabel dependen dan
independen.
Tabel 2. Anova Untuk pengujian lack of fit dan Signifikansi metamodel orde 1 pers. (1)
Sumber variansi (Source) df SS MS F
Regresi 2 56.199 28.099 467.24
Residual 17 1.022 0.060
Ketidaksesuaian (Lack Of Fit) 2 0.337 0.168 3.68
Error Murni (Pure Error) 15 0.686 0.046
Total 19 57.221
Keterangan :
a. SS : Sum of Square (Jumlah Kuadrat)
b. df : Degree of Freedom (Derajat Kebebasan)
c. MS : Mean Square (Rataan Kuadrat)
4.2. Investigasi Daerah Metamodel
Dalam RSM, penentuan daerah
fitting metamodel menjadi suatu hal yang
kritis. Pada kasus ini, metamodel yang
diterima seperti pada persamaan (3)
memiliki nilai R
2
sebesar 0,994. Central
Composite Design yang digunakan pada
fitting metamodel ini memiliki 8 titik yang
berjarak sebesar r = 200 satuan dari titik
pusat. Apabila daerah fitting metamodel
orde dua diperkecil yaitu dengan
menggunakan Central Composite Design
dengan titik pusat yang sama tetapi dengan
jarak r = 50 satuan dan dilakukan fitting
metamodel orde dua, akan dihasilkan
metamodel dengan R
2
sebesar 0,975.
sedangkan bila daerah fitting diperluas yaitu
dengan jarak ke titik pusat sebesar r = 400
satuan, maka akan dihasilkan metamodel
dengan R
2
sebesar 0,937.
Gambar 4. Central Composite Design
dengan r = 50
Rekapitulasi hasil eksperimen dengan
simulasi ditabelkan dalam bentuk tabel 3
berikut.
Tabel 3. Rekapitulasi hasil eksperimen dengan simulasi.
No
Faktor dengan
= 1.414
Kombinasi
Faktor
Replikasi Output / Lamanya
Ketahanan Baterai (menit)
Rataan
Output
Stdev.
Output
T
S
T
S 1 2 3 4
1 -1 -1 25 65 102.25 102.35 102.32 102.28 102.3 0.04
2 +1 -1 45 65 99.54 100.02 99.50 99.46 99.63 0.262
3 -1 +1 25 85 100.05 99.58 100.07 100.05 99.9375 2.39
4 +1 +1 45 85 97.35 97.40 97.42 97.36 97.3825 0.033
5 -1.414 0 28 75 102.35 102.25 102.20 102.31 102.0775
0.0607
6
6 +1.414 0 42 75 99.56 99.50 99.57 99.55 99.545 0.031
7 0 -1.414 35 68 103.05 102.52 102.55 103. 102.78 0.28
8 0 1.414 35 82 101.58 101.50 101.52 102.05 101.6625 0.26
9 0 0 35 75 102.55 102.35 102.45 102.3 102.413 0.11
25 45
65
85
(45,65) (25,65)
(45,85) (25,85)
(35,75)
(35,82)
(42,75)
(35,68)
(28,75)
T (C)
S (Hari)
208 Jurnal Teknik Industri, ISSN:1411-6340
Jika dilakukan pelebaran daerah fitting dengan menggunakan Central Composite Design dengan
titik pusat sama tetapi dengan jarak r = 400 satuan, maka akan dihasilkan metamodel dengan
R
2
sebesar 0.937.
Gambar 5. Central Composite Design dengan r = 400
Tabel 4. Rekapitulasi hasil eksperimen dengan simulasi
No
Faktor dengan
= 1.414
Kombinasi
Faktor
Replikasi Output / Lamanya
Ketahanan Baterai (menit)
Rataan
Output
Stdev.
Output
T
S
T
S 1 2 3 4
1 -1 -1 25 65 102.25 102.35 102.32 102.28 102.3 0.04
2 +1 -1 45 65 99.54 100.02 99.50 99.46 99.63 0.262
3 -1 +1 25 85 100.05 99.58 100.07 100.05 99.9375 2.39
4 +1 +1 45 85 97.35 97.40 97.42 97.36 97.3825 0.033
5 -1.414 0 15 75 100.29 100.22 100.30 100.20 100.25 0.05
6 +1.414 0 55 75 92.55 92.50 92.50 92.48 92.508 0.030
7 0 -1.414 35 55 103.20 103.25 103.26 103.28 103.25 0.03
8 0 1.414 35 95 99.48 99.45 99.47 99.42 99.455 0.026
9 0 0 35 75 102.55 102.35 102.45 102.3 102.413 0.11
Gambar 6. Penggambaran residual
Tabel 5. Rekapitulasi uji statistik untuk metamodel orde dua dari titk awal 1
Metamodel
Uji Lack of
fit = 0,05
Uji. Sig regresi Titik Optimum Nilai
Maksimum T S
1. Daerah
diperkecil,
r = 50
19,52
(Signifikan)
227.28
(P-Value 0,00)
Signifikan
31,099 -118.863 135.08
2. Daerah mula-
mula, pers IV.3,
r = 200
1,66
(Tidak
Signifikan.)
1021,2848
(P-Value 0,00)
Signifikan
32,347 63,306 103.663
3. Daerah
diperbesar,
r = 400
198,56
(Signifikan)
195,78
(P-Value 0,00)
Signifikan
28.254 34.446 104.3303
15
90
95
25
35
45
Y
Temperature
100
105
65
55
55
85
75
Storage
65
95
Storage
Surface Plot of Y
93.5
96.0
98.5
101.0
103.5
15 25 35 45 55
55
65
75
85
95
Temperature
S
t
o
r
a
g
e
Contour Plot of Y
25 45
65
85
(45,65) (25,65)
(45,85) (25,85)
(35,75)
(35,95)
(55,75)
(35,55)
(15,75)
T (C)
S (Hari)
Model Optimasi Performance Baterai Mangan (Alwi Fauzi) 209
Tabel 6. Rekapitulasi Performansi Metamodel Orde dua
Metamodel
Estimasi dari seluruh data
(36 data)
Estimasi dari rataan
(36 data)
R
2
F R
2
F
1.Daerah diperkecil,
r = 50
0,975
227,28
(p-value 0,00)
0.986
41.39
(p-value 0,05)
2.Daerah mula-mula,
pers IV.3,
r = 200
0,994
1021,2848
(p-value 0,000)
0.999
668.87
(p-value 0,00)
3.Daerah diperbesar,
r = 400
0,937
195,78
(p-value 0,000)
0.972
20.62
(p-value 0,008)
4.3. RSM dari Titik Awal 2 (Starting Point 2)
Strategi Orde Satu
Daerah awal yang digunakan adalah T [0,20]C dan S [60,80]. Titik pusat desain berada
pada T = 10C dan S = 70 hari . Desain eksperimen menggunakan Desain Faktorial 2
2
ditambah
replikasi pada titik pusat.
Tabel 7. Rekapitulasi hasil eksperimen dengan simulasi
No
Faktor
Kombinasi
Faktor
Replikasi Output / Lamanya
Ketahanan Baterai (menit)
Rataan
Output
Stdev.
Output
T
S
T
S 1 2 3 4
1 - - 0 60 97.48 97.45 97.42 97.47 97.455 0.026
2 + - 20 60 101.30 101.35 101.32 101.36 101.333 0.03
3 - + 0 80 96.28 96.30 96.25 96.32 96.29 0.030
4 + + 20 80 101.10 101.15 101.14 101.12 101.123 0.02
5 0 0 10 70 98.30 98.35 98.34 98.30 98.32 0.026
Dari variabel kode, metamodel yang dihasilkan yaitu :
Y = 98,9 + 2,18 X
1
0,343 X
2
(2)
Untuk menilai metamodel ini kembali digunakan tabel Anova. Tabel 5 berikut adalah tabel yang
dihasilkan
.
Tabel 8. Anova Untuk Pengujian Lack Of Fit dan Signifikansi Linear Metamodel Orde 1
Sumber variansi (Source) df SS MS F
Regresi 2 77.879 38.939 251.36
Residual 17 2.634 0.155
Ketidaksesuaian (Lack Of Fit) 2 2.623 1.311 1855.85
Error Murni (Pure Error) 15 0.011 0.001
Total 19 80.512
Nilai F
0.05;2,15
= 3,68 lebih kecil dari F
perhitungan, sehingga cukup alasan untuk
menolak kesesuaian model satu dengan data
(H
0
ditolak).
Model regresi secara statistik
signifikan dimana F
0.05;2,17
= 3,59 < F hitung
(F = 251.36 : koefisien determinasi =
0.967). Hal ini menunjukan bahwa terdapat
kemiringan yang cukup signifikan yang
secara konsep merupakan kemiringan yang
kita cari karena terjadi perubahan nilai Y
yang paling besar dan dapat kita jadikan
dasar untuk mencari nilai maksimum
210 Jurnal Teknik Industri, ISSN:1411-6340
melalui kemiringan tercuramnya. Namun,
tetap saja model tidak sesuai karena lack of
fit sangat signifikan untuk itu dilakukan
fitting regresi orde dua.
Gambar 7. Penggambaran residual
Dari tabel analisis variansi terlihat
bahwa ketidaksesuaian sangat signifikan
sehingga pada kondisi ini kita tidak dapat
menggunakan metamodel orde satu. Uji
signifikansi regresi tidak perlu
dipertimbangkan lagi mengingat bahwa
metamodel tidak sesuai. Plot residu
memperjelas ketidaksesuaian model.
Berikut penggambarannya :
-1 0 1
-2
-1
0
1
2
N
o
r
m
a
l
S
c
o
r
e
Standardized Residual
Normal Probability Plot of the Residuals
(response is Y)
96.5 97.5 98.5 99.5 100.5 101.5
-1
0
1
Fitted Value
S
t
a
n
d
a
r
d
iz
e
d
R
e
s
id
u
a
l
Residuals Versus the Fitted Values
(response is Y)
Gambar 8. Plot residu Metamodel Orde satu menunjukan ketidaksesuaian
Pada kondisi ini hal berikutnya yang dapat
dilakukan adalah melakukan fitting regresi
orde 2.
Strategi Orde Dua
Pada kondisi ini dicobakan fitting
regresi orde 2. Desain eksperimen
menggunakan central Composite Design
dengan penambahan empat titik kombinasi.
Apabila digambarkan, maka desain ini akan
berbentuk lingkarang dengan r = 200 =
14,142.
Hasil fitting regresi orde satu menunjukan
ketidaksesuaian sangat signifikan. Pada
bagian ini akan dicobakan untuk melakukan
fitting regresi polynomial orde 2 untuk
daerah diatas, tetapi dengan lebih diperluas
lagi dengan menggunakan Centtral
Composite Design.
98
99
100
101
-1 0 1
-1
0
1
Temperature
S
t
o
r
a
g
e
Contour Plot of Y
96
97
98
99
Y
Temperature
-1
0
Temperature
-1
100
101
-1
1
0
Storage
1
Storage
Surface Plot of Y
Model Optimasi Performance Baterai Mangan (Alwi Fauzi) 211
Tabel 9. Rekapitulasi hasil eksperimen dengan simulasi
Metamodel yang dihasilkan yaitu :
Y (T,S) = 106,613 0,0149 T 0,2036 S + 0.00241 TS + 0,00308 T
2
+
0,00083 S
2
(3)
Tabel 10 berikut adalah tabel Anova untuk model orde 2 tersebut
Tabel 10. Anova Metamodel Orde dua Pes. (5)
1. Uji Lack of fit (dengan F
0,05;3,27
= 2,96)
H
0
bahwa model tidak sesuai (not adequate) H
0
ditolak.
2. Uji signifikansi regresi (dengan F
0,05;5,30
= 2,92)
Dari data Anova terlihat bahwa model orde 2 signifikan untuk nilai = 0.05
Model secara statistik tidak sesuai namun
regresi signifikan. Penggambaran residual
dapat dilihat sebagai berikut :
Bila diturunkan terhadap T dan S,
dan dicari nilai T dan S yang memenuhi
criteria maksimasi (turunan sama dengan
nol) maka diperoleh nilai T dan S spesifik
yaitu T = -105.475 dan S = 275,782 dengan
Y = 79.324 Bila menggunakan 36 data
diatas, metamodel yang terbentuk memiliki
nilai R
2
yaitu 0,957 tetapi bila model
diestimasi dari nilai rataannya maka
metamodel yang sama akan meiliki nilai R
2
= 0,958
Karena model diatas tidak sesuai maka
tidak dilakukan analisa canonic. Maka
langkah selanjutnya adalah memperkecil
daerah fitting. Untuk itu dilakukan
pengecilan daerah fitting sebesar radius r =
50.
No
Faktor dengan
= 1.414
Kombinasi
Faktor
Replikasi Output / Lamanya Ketahanan
Baterai (menit)
Rataan
Output
Stdev.
Output
T
S
T
S 1 2 3 4
1 -1 -1 0 60 97.48 97.45 97.42 97.47 97.455 0.026
2 +1 -1 20 60 101.30 101.35 101.32 101.36 101.333 0.03
3 -1 +1 0 80 96.28 96.30 96.25 96.32 96.29 0.030
4 +1 +1 20 80 101.10 101.15 101.14 101.12 101.123 0.02
5 -1.414 0 -4 70 95.58 95.52 95.55 95.55 95.55 0.024
6 +1.414 0 24 70 101.50 101.49 101.47 101.53 101.498 0.03
7 0 -1.414 10 56 99.38 99.35 99.40 99.34 99.367 0.028
8 0 1.414 10 84 96.57 97.05 96.55 97.02 96.798 0.275
9 0 0 10 70 98.30 98.35 98.34 98.30 98.32 0.026
Sumber variansi (Source) df SS MS F
Regresi 5 161.435 32.2870 133.35
Residual 30 7.264 0.2421
Ketidaksesuaian (Lack Of Fit) 3 7.021 2.3403 260.22
Error Murni (Pure Error) 27 0.243 0.0090
Total 35 168.698
212 Jurnal Teknik Industri, ISSN:1411-6340
Tabel 11. T [0,20] C dan S [60,80] hari dengan r = 50
maka diperoleh model :
Y (T,S) = 80,849 0,15634 T + 0,5441 S + 0.00241 TS + 0,01026 T
2
-
0,00441 S
2
(4)
Tabel 12 berikut adalah tabel Anova untuk model orde 2 tersebut.
Tabel 12. Anova Metamodel Orde dua Pers. (6)
1. Uji Lack of fit (dengan F
0,05;3,27
= 2,96)
H
0
bahwa model tidak sesuai (not adequate) H
0
ditolak.
2. Uji signifikansi regresi (dengan F
0,05;5,30
= 2,92)
Dari data Anova terlihat bahwa model orde 2 signifikan untuk nilai = 0.05 dimana F
hitung > F tabel.
Model secara statistik tidak sesuai namun regresi signifikan. Penggambaran residual dapat
dilihat sebagai berikut :
Gambar 9. Penggambaran residual
Karena model diatas tidak sesuai maka tidak dilakukan analisa canonic. Maka langkah
selanjutnya adalah memperluas daerah fitting.
No
Faktor dengan
= 1.414
Kombinasi
Faktor
Replikasi Output / Lamanya
Ketahanan Baterai (menit)
Rataan
Output
Stdev.
Output
T
S
T
S 1 2 3 4
1 -1 -1 0 60 97.48 97.45 97.42 97.47 97.455 0.026
2 +1 -1 20 60 101.30 101.35 101.32 101.36 101.333 0.03
3 -1 +1 0 80 96.28 96.30 96.25 96.32 96.29 0.030
4 +1 +1 20 80 101.10 101.15 101.14 101.12 101.123 0.02
5 -1.414 0 3 70 97.50 97.52 97.55 97.55 97.53 0.024
6 +1.414 0 17 70 100.54 100.50 100.55 100.55 100.54 0.02
7 0 -1.414 10 63 99.09 99.05 99.11 99.07 99.08 0.026
8 0 1.414 10 77 97.55 97.52 97.57 97.55 97.548 0.021
9 0 0 10 70 98.30 98.35 98.34 98.30 98.32 0.026
Sumber variansi (Source) df SS MS F
Regresi 5 103.879 20.7758 321.08
Residual 30 1.941 0.0647
Ketidaksesuaian (Lack Of Fit) 3 1.924 0.6413 996.49
Error Murni (Pure Error) 27 0.017 0.0006
Total 35 105.820
96
97
98
99
Y
Temperature
0
10
Temperature
0
100
101
102
60
20
70
Storage
80
Storage
Surface Plot of Y
97.5
98.5
99.5
100.5
101.5
20 10 0
80
70
60
Temperature
S
t
o
r
a
g
e
Contour Plot of Y
Model Optimasi Performance Baterai Mangan (Alwi Fauzi) 213
Untuk itu dilakukan perluasan daerah fitting sebesar radius r = 250.
Tabel 13. Rekapitulasi hasil eksperimen dengan perluasan daeraf fitting dengan radius r = 250.
Maka diperoleh model :
Y(T,S) = 95,7223 + 0,02545 T + 0,11852 S + 0,00241 TS + 0,001105 T
2
0,00151 S
2
(5)
Tabel 14 berikut adalah tabel Anova untuk model orde 2 tersebut.
Tabel 14. Anova Metamodel Orde dua Persamaan (7)
1. Uji Lack of fit (dengan F
0,05;3,27
= 2,96)
H
0
bahwa model tidak sesuai (not adequate) H
0
ditolak.
2. Uji signifikansi regresi (dengan F
0,05;5,30
= 2,92)
Dari data Anova terlihat bahwa model orde 2 signifikan untuk nilai = 0.05 dimana F
hitung > F tabel.
Dari perluasan daerah diatas dapat dirangkum hasil uji statistik dan performansi statistik
metamodel :
Tabel 15. Rekapitulasi uji statistik untuk metamodel orde dua dari titk awal 1
Metamodel
Uji Lack of
fit = 0,05
Uji. Sig regresi Titik Optimum Nilai
Maksimum T S
1. Daerah
diperkecil,
r = 50
321,08
(Signifikan)
996.49
(P-Value 0,00)
Signifikan
15,357 -65,886 61,724
2. Daerah
mula-mula,
pers IV.3,
r = 200
260,22
(Signifikan.)
133.35
(P-Value 0,00)
Signifikan
-105,476 275,782 79.324
3. Daerah
diperbesar,
r = 250
4543,17
(Signifikan)
139.14
(P-Value 0,00)
Signifikan
-29.04 16.07 96.3053
No
Faktor dengan
= 1.414
Kombinasi
Faktor
Replikasi Output / Lamanya
Ketahanan Baterai (menit)
Rataan
Output
Stdev.
Output
T
S
T
S 1 2 3 4
1 -1 -1 0 60 97.48 97.45 97.42 97.47 97.455 0.026
2 +1 -1 20 60 101.30 101.35 101.32 101.36 101.333 0.03
3 -1 +1 0 80 96.28 96.30 96.25 96.32 96.29 0.030
4 +1 +1 20 80 101.10 101.15 101.14 101.12 101.123 0.02
5 -1.414 0 -6 70 95.20 95.25 95.20 95.20 95.212 0.025
6 +1.414 0 26 70 102.07 102.10 102.05 102.08 102.07 0.02
7 0 -1.414 10 54 99.49 99.50 99.48 99.52 99.498 0.017
8 0 1.414 10 86 96.46 96.45 96.47 96.43 96.453 0.017
9 0 0 10 70 98.30 98.35 98.34 98.30 98.32 0.026
Sumber variansi (Source) df SS MS F
Regresi 5 189.998 37.9996 139.14
Residual 30 8.193 0.2731
Ketidaksesuaian (Lack Of Fit) 3 8.178 2.7259 4543.17
Error Murni (Pure Error) 27 0.016 0.0006
Total 35 198.191
214 Jurnal Teknik Industri, ISSN:1411-6340
Tabel 16. Rekapitulasi Performansi Metamodel Orde dua
Metamodel Estimasi dari seluruh data
(36 data)
Estimasi dari rataan
(36 data)
R
2
F R
2
F
1.Daerah diperkecil,
r = 50
0,982
321.08
(p-value 0,00)
0.982
32,38
(p-value 0,008)
2.Daerah mula-mula,
pers IV.3, r = 200
0,957
133,35
(p-value 0,000)
0.958
13,82
(p-value 0,028)
3.Daerah diperbesar,
r = 250
0,959
139,14
(p-value 0,000)
0,959
13,91
(p-value 0,027)
Tabel 16 diatas menunjukan perubahan
kombinasi optimum dan profil model dalam
memprediksi output simulasi. Perubahan
nilai koefisien determinasi untuk
keseluruhan data pengamatan menunjukan
perlunya berhati-hati dalam menggunakan
daerah fitting apabila hendak
mempertimbangkan nilai koefisien
determinasi keseluruham.
5. KESIMPULAN
1. Response Surface Methodology(RSM)
secara sekuensial menggunakan konsep
metamodel regresi polinomial, desain
eksperimen dan steepest ascent.
Pendekatan metamodel melalui RSM
dapat diimplementasikan dalam usaha
mencari output simulasi yang optimum
dan kombinasi input yang optimum.
Nilai optimum yang dihasilkan
merupakan nilai optimum secara
statistik dan bukan merupakan nilai
optimum eksak. Kombinasi optimum
merupakan kombinasi terbaik yang
diperoleh tanpa harus mencobakan
seluruh kombinasi input yang mungkin.
2. Dari analisis yang dilakukan terhadap
permasalahan simulasi performance
baterai mangan tipe general purpose
dengan menggunakan RSM,
disimpulkan bahwa kombinasi input
optimum berada pada temperatur 32C
dengan masa penyimpanan 63 hari,
yang menghasilkan output ketahanan
baterai 103,663 menit dan standar
deviasi 0,05 satuan menit. Kombinasi
disekitar titik optimum secara statistik
tidak memberikan perbedaan output
simulasi yang signifikan. Variabel
canonic
1
memiliki tingkat sensitifitas
terhadap rataan output simulasi yang
lebih tinggi dibandingkan dengan
variabel canonic
2
pada daerah
disekitar titik optimum. Dalam kasus
ini nilai T = 32C dan S = 63 hari dapat
dianggap sebagai keputusan terbaik.
3. Dalam melakukan implementasi RSM,
beberapa hal perlu untuk diperhatikan,
yaitu : penentuan daerah fitting
metamodel, penentuan besar langkah
(step size) steepest ascent, titik cut off
point dalam melakukan inferensi
statistik (level taraf keberartian ).
Luas daerah amatan global dapat
menjadi pertimbangan dalam memilih
melakukan RSM secara sekuensial
(fitting orde satu-steepest ascent-fitting
orde dua-maksimasi orde dua) atau
melakukan RSM secara pendekatan
satu kali/one-shot approach (fitting
metamodel orde dua-maksimasi orde
dua).
6. DAFTAR PUSTAKA
[1] Barton, Russell R. 2004. RSM
Estimation For Robust Design of
Queueing Systems. Paper from the
smeal college of business
administration the Pennsylvania State
University.
[2] Blank. P.E, Leland. 1982. Statistical
Procedures For Engineering,
Management And Science.
Kogakusha: Mc.Graw-Hill
International Book Company.
[3] Cheng, Russell C.H. 1999.
Regression Metamodelling In
Simulation Using Bayesian Methods.
England:Proceeding of the 1999
Winter Simulation Conference.
[4] Edgar, Thomas F., Himmelblau,
David M., Lasdon, Leon S. 2001.
Optimization Of Chemical Processes
Second Edition. Newyork:
Model Optimasi Performance Baterai Mangan (Alwi Fauzi) 215
Mc.Graw-Hill International edition
chemical engineering series.
[5] Hick,Charles R. 1993. Fundamental
Concepts in the Design of
Experiments, New York: Saunders
college publishing.
[6] Irizarry, Maria De Los A., Kuhl,
Michael E., Lada, Emily K.,
Subramanian, Sriram, and Wilson,
James R. 2003. Analyzing
Transformation-based Simulation
Metamodels.IIE Transaction 35, hal.
271-283, 2003
[7] Keppel, Geoffrey. 1991. Design And
Analysis A Researchers Handbook
Third Edition.Prentice Hall.
[8] Kleijnen, Jack P.C., Hertog, Dick
den., Angn, Ebru. 2003. Response
Surface Methodologys Steepest
Ascent and Step Size Revisited.
Netherlands: Working paper from
Department of Information
System/Center for Economic
Research (CentER) Tilburg
University (UvT).
[9] Kleijnen, Jack P.C. 2001.
Experimental Design For Sensitivity
Analysis Of Simulation Models.
Proceedings of EUROSIM. 2001.
Delft, 26-29 June 2001.
[10] Kleijnen, J.P.C. 1997. Experimental
design for Sensitivity Analysis,
Optimization, And Validation of
Simulation Models, Draft prepared
for handbook of simulation. New
york: Jhon Wiley & Sons.
[11] Luftig, Jeffrey T., Jordan, Victoria S.
1998. Design Of Experiments In
Quality Engineering. Luftig &
Warrem International: Mc.Graw-Hill.
[12] Montgomery, Douglas C. Design and
Analysis of experiments. 1976. New
York: Jhon wiley & Sons.
[13] Neddermeije, G. H., Piersma, N. dan
Oormarssen G., J. 2000. A
Framework For Response Surface
Methodology For Simulation
Optimization. Procceeding of the
2000 Winter Simulation Conference,
hal. 129-136.
[14] Neter, Kutner, Nachsheim,
Wasserman. 1996. Applied Linear
Statistical Models Fourth
Edition.Mc.Graw-Hill : IRWIN.
[15] Schimek, Michael G. 2000. Smooting
& Regression Approaches
Computation and Application.
Newyork: Wiley Interscience Jhon
Wiley & Sons.
[16] Xu,Kai., K.J. Lin, Dennis., Tang,
Loon-Ching., Xie, Min. 2004.
Multiresponse Systems Optimization
Using a Goal Attainment Approach.
IIE Transaction. 2004 hal 433-445.
216 Jurnal Teknik Industri, ISSN:1411-6340
KINERJA EFISIENSI BIAYA DENGAN METODE
DATA ENVELOPMENT ANALYSIS (DEA)
Nazmil Umri
1
, Rachmad Hidayat
2
, Issa Dyah Utami
3
123
Jurusan Teknik Industri, Fakultas Teknik, Universitas Trunojoyo,
ABSTRACT
Target of research with Data method of Envelopment Analysis ( DEA) is to determine
efficiency storey; level of expense of and factor - factor having an effect on to efficiency of
expense of in office of branch of Perum Pawnship office of region of Bangkalan. Result of this
research is got by branch of Perum inefficient Pawnship office is Perum Pawnship office of
Bangkalan with efficiency storey; level equal to 0,144236, Perum pawnship office of Kamal in
januari 2009 with Storey; Level Efficiency equal to 0,3650507,pada months of Februari 2009
equal to 0,4614362 and in March 2009 equal to 0,2610103 until March 2009 and Perum
pawnship office of Foreland Earth with its Efficiency storey; level is equal to 0,1390164 pada
March months 2009.
Keywords : Data Envelopment Analysis, cost efficiency, Perum Pawnship.
1. PENDAHULUAN
10
Efisiensi merupakan salah satu
parameter kinerja yang secara teoritis
merupakan salah satu ukuran kinerja yang
mendasari kinerja organisasi. Pengukuran
efisiensi meliputi berbagai upaya yang
dapat dilakukan pada efisiensi. Efisiensi
menjadi topik yang paling utama dalam
berbagai bidang, misalnya produksi barang
maupun jasa. Efisiensi teknis merupakan
salah satu dari komponen efisiensi ekonomi
secara keseluruhan. Tetapi, dalam rangka
mencapai efisiensi ekonominya suatu
perusahaan harus efisien secara teknis.
Untuk mencapai tingkat keuntungan yang
maksimal, sebuah perusahaan harus dapat
berproduksi pada tingkat output yang
optimal dengan jumlah input tertentu
(efisiensi teknis) dan menghasilkan output
dengan kombinasi yang tepat pada tingkat
harga tertentu (efisiensi alokatif)
(Kumbhakar, 2000).
Perusahaan Perum Pegadaian
merupakan suatu perusahaan jasa yang
Korespondensi :
1
Nazmil Umri
E-mail : akhmad.utm@gmail.com
2
Rachmad Hidayat
E-mail : rachmad_trunojoyo@yahoo.co.id,
3
Issa Dyah Utami
E-mail : issadyah@yahoo.com
bergerak dibidang pelayanan masyarakat.
Peningkatan efisiensi perlu dilakukan
karena masih kurangnya pelayanan
terhadap masyarakat sehingga akan
mempengaruhi nilai pendapatan dari
penjualan produk atau layanan serta dapat
menurunkan kepercayaan pelanggan
terhadap pelayanan yang diberikan pihak
perum pegadaian. Saat ini di wilayah
kabupaten Bangkalan terdapat 18 kantor
cabang perum pegadaian yang ada di setiap
kecamatan. Dalam hal ini belum dilakukan
pengukuran efisiensi relatif terhadap
pelayanan hal ini dapat dilakukan dengan
pengukuran efisiensi biaya yang dapat
mempengaruhi tingkat pelayanan dan
kinerja dari perusahaan Perum Pegadaian
tersebut.
Penelitian ini membahas tingkat
efisiensi di Perusahaan Perum Pegadaian
Wilayah Bangkalan dari masing-masing
kantor cabang dengan menggunakan
metode Data Envelopment Analysis (DEA).
Diperkenalkan oleh Charnes, Cooper
dan Rhodes. Metode DEA dibuat
sebagai alat bantu untuk evaluasi
kinerja suatu aktifitas dalam sebuah unit
entitas (organisasi) ( Charnes, 1978).
DEA merupakan suatu pendekatan non
parametrik yang pada dasarnya
merupakan teknik berbasis pemrograman
linier (Hadinata, 2000). DEA bekerja
Kinerja Efisiensi Biaya (Nazmil Umri) 217
dengan langkah mengidentifikasi unit-
unit yang akan dievaluasi, input serta
output unit tersebut. Kemudian
selanjutnya, dihitung nilai produktivitas
dan mengidentifikasi unit mana yang tidak
menggunakan input secara efisien atau
tidak menghasilkan output secara efektif.
DEA adalah model analisis faktor
produksi untuk mengukur tingkat
efisiensi relatif dari set unit kegiatan
ekonomi (UKE). Skor efisiensi dari
banyak faktor input dan output.
dirumuskan sebagai berikut (Talluri, 2000,
Purwanoro, 2004).
Tujuan yang ingin dicapai dalam
penelitian ini adalah: (1) menentukan
tingkat efisiensi biaya di Perusahaan Perum
Pegadaian wilayah Bangkalan, sehingga
dapat mengetahui Perum Pegadaian yang
efisien atau inefisien. (2) menganalisa
tingkat efisiensi biaya pada setiap kantor
cabang perum Pegadaian wilayah
Bangkalan, sehingga dapat meningkatkan
kinerja perusahaan. (3) Memberikan usulan
perbaikan pada perusahaan Perum
Pegadaian wilayah Bangkalan.
Permasalahan yang dihadapi diatas
dapat diselesaikan dengan metode DEA.
Metode DEA dipergunakan untuk
mengetahui kantor cabang mana yang tidak
efisien dengan melakukan perbandingan
antara beberapa unit atau kantor cabang
berdasarkan input dan output yang
didapatkan. Unit-unit tersebut harus
memiliki karakteristik yang sama, dalam
arti memiliki output dan input yang sama.
Dengan adanya penelitian yang melakukan
pengukuran efisiensi biaya pengeluaran di
Perusahaan Perum Pegadaian Wilayah
Bangkalan akan dapat meningkatkan
kinerja, serta dapat mengupayakan strategi
perbaikan bagi kantor cabang yang kurang
efisien pada bagian keuangan, dalam hal ini
yang dijadikan sebagai sumber pengukuran
adalah dari aspek biaya.
2. TINJAUAN PUSTAKA
Data Envelopment Analysisis (DEA)
diperkenalkan oleh Charnes, Cooper dan
Rhodes. Metode DEA dibuat sebagai alat
bantu untuk evaluasi kinerja suatu aktifitas
dalam sebuah unit entitas (organisasi). DEA
merupakan suatu pendekatan non
parametrik yang pada dasarnya merupakan
teknik berbasis pemrograman linier. DEA
bekerja dengan langkah mengidentifikasi
unit-unit yang akan dievaluasi, input serta
output unit. Selanjutnya, dihitung nilai
produktivitas dan mengidentifikasi unit
mana yang tidak menggunakan input secara
efisien atau tidak menghasilkan output
secara efektif. Produktivitas yang diukur
bersifat komparatif atau relatif, karena
hanya membandingkan antar unit
pengukuran dari 1 set data yang sama. DEA
adalah model analisis faktor produksi untuk
mengukur tingkat efisiensi relatif dari set
unit kegiatan ekonomi (Talluri, 2000).
DEA berasumsi bahwa setiap UKE
akan memilih bobot yang memaksimumkan
rasio efisiensinya (maximize total weighted
output/total weighted input). Karena setiap
UKE menggunakan kombinasi input yang
berbeda untuk menghasilkan kombinasi
output yang berbeda pula, maka setiap
UKE akan memilih seperangkat bobot yang
mencerminkan keragaman tersebut. Secara
umum UKE akan menetapkan bobot yang
tinggi untuk input yang penggunaanya
sedikit dan untuk output yang dapat
diproduksi dengan banyak. Bobot-bobot
tersebut bukan merupakan nilai ekonomis
dari input dan outputnya, melainkan
sebagai penentu untuk memaksimumkan
efisiensi dari suatu UKE. Sebagai
gambararan, jika suatu UKE merupakan
perusahaan yang berorientasi pada
keuntungan (profit-maximizing firm) dan
setiap input dan outputnya memiliki biaya
per unit serta harga jual per unit, maka
perusahaan tersebut akan berusaha
menggunakan sesedikit mungkin input yang
biaya per unitnya termahal dan berusaha
memproduksi sebanyak mungkin output
yang harga jualnya tinggi.
DEA untuk suatu UKE dapat
diformulasikan sebagai program linier
fraksional yang solusinya dapat diperoleh
jika model tersebut ditransformasikan ke
dalam program linier dengan bobot dari
input dan output UKE tersebut sebagai
variabel keputusan (decision variables).
Metode simpleks dapat digunakan untuk
menyelesaikan model yang sudah
ditransformasikan ke dalam program linier.
DEA memerlukan penyelesaian program
218 Jurnal Teknik Industri, ISSN:1411-6340
linier bagi setiap UKE. Hasilnya adalah
seperangkat bobot untuk suatu UKE dan
angka efisiensi relatifnya. DEA memiliki
beberapa nilai manajerial. Pertama, DEA
menghasilkan efisiensi untuk setiap UKE,
relatif terhadap UKE yang lain di dalam
sampel. Angka efisiensi ini memungkinkan
sesorang analisis untuk mengenali UKE
yang paling membutuhkan perhatian dan
merencanakan tindakan perbaikan bagi
UKE yang tida/kurang efisien.
Kedua, jika suatu UKE kurang
efisien (efisiensi < 100%) DEA
menunjukkan sejumlah UKE yang memiliki
efisiensi sempurna (efficient reference set,
efisiensi=100%) dan seperangkat angka
pengganda (multipliers) yang dapat
digunakan oleh manajer untuk menyusun
strategi perbaikan. Informasi tersebut
memungkinkan seseorang analisis membuat
UKE hipotetis yang menggunakan input
yang lebih sedikit dan menghasilkan output
paling tidak sama atau lebih banyak
dibandingkan UKE yang tida efisien,
sehingga UKE hipotetis tersebut akan
memiliki efisiensi yang sempurna jika
menggunakan bobot input dan bobot output
dari UKE yang tidak efisien. Pendekatan
tersebut member arah strategis bagi
manajer untuk meningkatkan efisiensi suatu
UKE yang tida efisien melalui pengenalan
terhadap input yang terlalu banyak
digunakan serta output yang produksinya
terlalu rendah. Sehingga seorang manajer
tidak hanya mengetahui UKE yang tida
efisien, tetapi juga mengetahui seberapa
tingkat input dan output harus disesuaikan
agar dapat memiliki efisiensi yang tinggi.
Ketiga, DEA menyediakan matriks
efisiensi silang. Efisiensi silang UKE A
terhadap UKE B merpakan rasio dari output
tertimbang dibagi input tertimbang yang
dihitung dengan menggunakan tingkat input
dan outut UKE A dan bobot input dan outp
UKE B. Analisis silang dapat membantu
seseorang manajer untuk mengenali UKE
yang efisien tetapi menggunakan kombinasi
input dan menghasilkan kombinasi output
yang sangat berbeda dengan UKE yang
lain.
Keunggulan metode DEA
(Purwanoro, 2004) adalah (a) Dapat
menangani banyak input dan ouput, (b)
Tidak perlu asumsi hubungan fungsional
antara variabel input dan output, (c) UKE
(Unit Pengambil Keputusan) dibandingkan
secara langsung dengan sesamanya, (d)
Input dan output dapat memiliki satuan
pengukuran yang berbeda. Sebagai contoh
X1 dapat dalam unit dan X2 dapat dalam
dollar tanpa apriori keduanya. Sedangkan
keterbatasan DEA adalah (a) Bersifat
simpel spesifik, (b) Merupakan extreme
point technique, kesalahan pengukuran
dapat berakibat fatal (c) DEA sangat bagus
untuk estimasi efisiensi realtif UKE (unit
kegiatan ekonomi) tetapi sangat lambat
untuk mengukur efisiensi absolut dengan
kata lain bisa membandingkan sesama UKE
tetapi bukan membandingkan maksimisasi
secara teori.(c) Uji hipotesis secara statistik
atas hasil DEA sulit dilakukan (d)
Menggunakan perumusan linier
programming terpisah untuk tiap UKE
(perhitungan secara manual sulit dilakukan
apalagi untuk masalah berskala besar). (e)
Bobot dan input yang dihasilkan oleh DEA
tidak dapat ditafsirkan dalam nilai ekonomi.
3. METODOLOGI PENELITIAN
Dalam menyelesaikan masalah
tingkat Efisiensi organisasi atau Perusahaan
dari masing-masing cabang atau unit yang
ada, menggunakan pemecahan masalah
matematik Data Envelopment Analysis
(DEA). Datadata input maupun output
yang terdapat pada masing-masing cabang
perusahaan Perum Pegadaian Wilayah
Bangkalan yaitu berupa faktor input dan
output. Faktor Input terdiri dari Biaya
Pegawai (X1, Rp), Biaya Umum Dan
Administrasi (X2, Rp), Biaya Pemeliharaan
Bangunan Kantor (X3, Rp) dan Biaya
Pemeliharaan Kendaraan Dinas (X4, Rp).
Faktor Output yang digunakan adalah
Jumlah Pendapatan (Y1, Rp). Langkah-
langkah pengolahan data adalah (1)
Menghitung Beban Variabel untuk masing-
masing DMU yang akan dinilai tingkat
efisiensinya. (2) Menentukan model
matematis yang akan digunakan sebagai
alat pemecahan masalah tersebut, dalam hal
ini menggunakan model matematis Data
Envelopment Analysis (DEA). (3)
Menghitung target bagi DMU yang relatif
kurang efisien untuk input didapatkan dari
Kinerja Efisiensi Biaya (Nazmil Umri) 219
selisih nilai input aktual dengan nilai slack
inputnya, sedangkan untuk output didapat
dengan menjumlahkan hasil perkalian
tingkat efisiensi DMU inefisien dan nilai
aktual dengan nilai slack outputnya dalam
perhitungan ini dengan menggunakan
bantun Software Lindo.
Pada tahap Analisa ini, akan
ditentukan besarnya nilai input dan output
pada masing -masing DMU, Sebagaimana
ukuran efisiensi pada umumnya dalam
DEA dinyatakan sebagai perbandingan
antara output dengan input, sehingga nilai
efisiensi maksimalnya adalah 1 atau 100%.
Rasio ini dinyatakan secara parsial dan
total. Secara parsial misalnya output per
staff atau output perjam kerja dengan
output bisa saja merupakan profit,
penjualan dan sebagainya. Semua output
dan input suatu DMU terlibat dalam
pengukuran. Dengan demikian, DEA
memungkinkan untuk mengetahui faktor
input apa yang berpengaruh dalam
menghasilkan output, dan begitu pula
sebaliknya. Setelah penentuan nilai faktor
input dan output maka akan dilakukan
formulasi program linier dengan
menggunakan bantuan software LINDO
untuk menentukan besarnya efisiensi setiap
DMU.
Perhitungan efisiensi dengan model
menggunakan model matematis DEA
berorientasi input-output (input-output
oriented). Pemodelan matematis DEA ini
dilakukan untuk memperoleh nilai efisiensi
yang menyatakan indeks produktivitas dari
masingmasing DMU dengan
menggunakan data variabel yang telah
ditentukan sebelumnya. Disini ada 2
permodelan Matematis Data Envelopment
Analysis yang terdiri dari Model DEA-
CCR Primal dan Model DEA-CCR Dual
yang akan dibangun untuk mengukur
tingkat efisiensi. Terdapat dua konsep yang
saling berlawanan. Konsep yang pertama
yaitu Primal dan yang Dual. Untuk
menyelesaiakan masalah perhitungan
efisiensi menggunakan konsep model
Primal langkah selanjutnya ialah dengan
membuat model DEA-CCR Primal-Dual.
Dimasukkan ke dalam persamaan model
Matematis Programa Linier. Misalkan
untuk Perum Pegadaian ke-p = 1,2,3,4,5
maka :
Objective function:
j h
k
= min (1)
Subject to
+
n
j
j
m
r
rj
Xrj y 0 (2)
+
n
j
ik i ij
x s x (3)
0 , 0 , , >
i r j
s (4)
Dimana :
hk adalah Efisiensi untuk objek DMU ke-p
Xij adalah bobot input pada pengukuran
input setiap DMU ke-i
(i=1,2,3,)
Xik adalah bobot Output per unit pada
pengukuran input yang ke-k
(k= 1,2,3,..)
Wij adalah nilai jumlah input setiap DMU
ke-i,(i=1,2,3)
Berdasarkan perumusan model
matematis linier programming diatas,
dimisalkan untuk menghitung efisiensi
relatif pada Cabang Bangkalan (DMU 1),
pada bulan Januari 2009, berdasarkan
rumus (1) maka fungsi tujuannya adalah
meminimasikan efisiensi DMU1, dimana
nilai Xi adalah input untuk DMU 1, dengan
i = 1,2,3,4 dan j = 1(DMU 1).Variabel yang
digunakan adalah :
Xik : Bobot untuk input Biaya Pegawai
sampai dengan Jumlah Pendapatan
untuk setiap DMU yang sudah
ditentukan untuk kendala pertama.
Xij : Bobot untuk inputan setiap DMU ke-
j.
4. HASIL DAN PEMBAHASAN
Pengkorversian tiaptiap Cabang Perum
Pegadaian Wilayah Bangkalan ke dalam
DMU untuk proses pengolahan data
selanjutnya dapat dilihat pada tabel 1.
220 Jurnal Teknik Industri, ISSN:1411-6340
Tabel 1 Klasifikasi DMU
KANTOR CABANG PEGADAIAN DMU
Kantor cabang Bangkalan DMU 1
Kantor Cabang Kamal DMU 2
Kantor cabang Kwanyar DMU 3
Kantor cabang Klampis DMU 4
Kantor cabang Tanjung Bumi DMU 5
4.1. Formulasi Model Matematis DEA
Perhitungan Analisa Efisiensi DMU
bulan Januari 2009 dengan menggunakan
empat Input dan satu Output. Berdasarkan
Tabel 2 maka dibuat formulasi LP untuk
pergitungan efisiensi DMU1 (Cabang
Bangkalan).
Tabel 2. Data Input-Output DMU
DMU
Input Output
X1 X2 X3 X4 Y1
1 73875822 5673419 8454897 2330000 140633118
2 28909338 2959750 1298907 850000 129846186
3 57993952 4119100 1409573 4886500 184938148
4 36927215 2051190 1089264 1593000 666611636
5 58017281 339600 15443567 950000 212916200
Hasil Output Formulasi Linier Programing
dengan menggunakan Sofware Lindo
seperti Gambar 1. Bangkalan (DMU 1)
maka di dapatkan nilai rating efisiensi
(Objective Fuction Value ) sama dengan
0,1442363 dengan reduce cost nol, hal ini
menunjukkan bahwa Cabang Bangkalan
tidak efisien, pada fungsi kendala pertama
menunjukkan besarnya penurunan biaya
sama dengan 0,855764, Fungsi kendala
kedua menunjukkan besarnya Penurunan
biaya sebesar 0,231634, untuk fungsi
Kendala ketiga terjadi penurunan biaya
sebesar 0,907534, dan pada fungsi kendala
ke empat menunjukkan peningkatan biaya
sebesar 0,210967 dengan nilai reduced cost
sama dengan nol. dan pada fungsi kendala
kelima menunjukkan penurunan biaya
sebesar 0,189354. Berdasarkan analisa
reduced cost tersebut maka DMU 1 pada
bulan januari 2009 tidak efisien karena
pada fungsi kendalanya terjadi penurunan
biaya yaitu pada fungsi kendala satu, dua,
tiga dan lima.
Gambar 1. Output Formulasi Linier Programing dengan menggunakan Software Lindo
Kinerja Efisiensi Biaya (Nazmil Umri) 221
Gambar 2. RHS Parameter baris 6
Baris kendala yang mempunyai nilai slack
nol disebut fungsi kendala aktif artinya
tidak ada slack yang terjadi dengan Duel
Prices sebagai pertambahan nilai optimal
sebesar dual prices/shadow prices apabila
pada baris tersebut nilai RHS-nya ditambah
1 unit dari hasil output Lindo diatas
menunjukkan tidak adanya pertambahan
nilai optimal karena nilai dari dual prices
sama dengan nol. Karena nilai RHS pada
DMU 1 berupa variabel positif, jadi DMU 1
untuk mencapai nilai optimal perlu
dilakukan penambahan variabel keputusan
sebesar 0,15 dengan Rentang Side >=
1,5e+08
4.2. Analisa Efisiensi pada setiap DMU
Gambar 3 menunjukkan DMU yang
Efisien dan yang tidak efisein. DMU yang
Efisien adalah DMU 3 (Cabang Kwanyar),
DMU 4 (Cabang Klampis), DMU 1
(Cabang Bangkalan) pada bulan Februari-
Maret 2009. DMU 5 (Cabang Tanjung
Bumi) pada Bulan Januari Februari 2009.
Sedangkan DMU yang tidak efisien yaitu
DMU 1 (Cabang Bangkalan) pada bulan
Januari 2009, DMU 2 (Cabang Kamal ) dan
DMU 5 (Cabang Tanjung Bumi ) pada
Bulan Maret 2009.
Gambar 3. Rating Efisien Tiap DMU
4.3. Analisis Target Perbaikan DMU
yang tidak Efisien
Tabel 3 memperlihatkan perbandingan
antara nilai input pada DMU 1 (Cabang
Bangkalan) di bulan Januari mengalami
penurunan Biaya, sebagai berikut: untuk
biaya Pegawai (X1) mengalami penurunan
sebesar Rp.7.790.424 dari nilai yang
sebelumnya yaitu Rp. 73.875.622, Untuk
biaya Umum & administrasi (X2)
mengalami penurunan sebesar Rp.432.733
dari jumlah sebelumnya Rp.5.673.419,
Untuk biaya Pemeliharaan bangunan kantor
(X3) Mengalami penurunan biaya sebesar
Rp.229.799 dari jumlah biaya sebelumnya
sebesar Rp.8.454.897 dan Untuk biaya
pemeliharaan kendaraan Dinas (X4)
mengalami penurunan sebesar Rp. 336.070
dari nilai sebelumnya Rp. 2.330.000.
Tabel 3. Perbaikan DMU 1 (Januari 2009)
1
2
3
4
5
0
1
2
3
4
5
Rank
Bangkalan Kamal Kwanyar Klampis Tanjung
bumi
Kantor Cabang Perum Pegadaian
Grafik Prankingan DMU (Maret 2009)
0
0,2
0,4
0,6
0,8
1
Rating Efisiensi
DMU 1 DMU 2 DMU 3 DMU 4 DMU 5
DMU
Grafuk Efisiensi DMU
Jan-09
Feb-09
Mar-09
Xi Lama (Rp) Baru (Rp)
X1 73.875.822 7.790.424
X2 5.673.419 432.733
X3 8.454.897 229.799
X4 2.330.000 336.070
222 Jurnal Teknik Industri, ISSN:1411-6340
Tabel 4 memperlihatkan perbandingan
antara nilai input pada DMU 2 (Cabang
Kamal) di bulan Januari mengalami
penurunan Biaya, sebagai berikut : untuk
biaya Pegawai (X1) mengalami penurunan
sebesar Rp. 7.192.868 dari nilai yang
sebelumnya yaitu Rp. 28.909.338, Untuk
biaya Umum & administrasi (X2)
mengalami penurunan sebesar Rp. 399.541
dari jumlah sebelumnya Rp. 29.59.750
Untuk biaya Pemeliharaan bangunan
Kantor (X3) Mengalami penurunan biaya
sebesar Rp. 212.172 dari jumlah biaya
sebelumnya sebesar Rp. 1.298.907 dan
Untuk biaya pemeliharaan kendaraan Dinas
(X4) mengalami penurunan sebesar Rp.
310.293 dari nilai sebelumnya Rp. 850.000.
Tabel 4. Perbaikan DMU 2 (Januari 2009)
Xi Lama (Rp) Baru (Rp)
X1 28.909.338 7.192.868
X2 29.59.750 399.541
X3 1.298.907 212.172
X4 850.000 310.293
Tabel 5 memperlihatkan perbandingan
antara nilai input pada DMU 2 (Cabang
Kamal) di bulan Februari 2009 mengalami
penurunan Biaya, sebagai berikut : untuk
biaya Pegawai (X1) mengalami penurunan
sebesar Rp. 10.384.426 dari nilai yang
sebelumnya yaitu Rp. 32.511.188, Untuk
biaya Umum & administrasi (X2)
mengalami penurunan sebesar Rp. 409.298
dari jumlah sebelumnya Rp. 1.863.842
Untuk biaya Pemeliharaan bangunan
Kantor (X3) Mengalami penurunan biaya
sebesar Rp. 438.862 dari jumlah biaya
sebelumnya sebesar Rp. 1.479.069 dan
Untuk biaya pemeliharaan kendaraan Dinas
(X4) mengalami penurunan sebesar Rp.
392.220 dari nilai sebelumnya Rp.
850.000.
Tabel 5. Perbaikan DMU 2 (Februari 2009)
Xi Lama (Rp) Baru (Rp)
X1 32.511.188 10.384.426
X2 1.863.842 409.298
X3 1.479.069 438.862
X4 850.000 392.220
Tabel 6 memperlihatkan perbandingan
antara nilai input pada DMU 2 (Cabang
Kamal) di bulan Maret 2009 mengalami
penurunan Biaya, sebagai berikut : untuk
biaya Pegawai (X1) mengalami penurunan
sebesar Rp. 12.501.912 dari nilai yang
sebelumnya yaitu Rp. 27.137.047, Untuk
biaya Umum & administrasi (X2)
mengalami penurunan sebesar Rp. 519.501
dari jumlah sebelumnya Rp. 2.332.928
Untuk biaya Pemeliharaan bangunan
Kantor (X3) Mengalami penurunan biaya
sebesar Rp. 583.397 dari jumlah biaya
sebelumnya sebesar Rp. 2.181.833 dan
Untuk biaya pemeliharaan kendaraan Dinas
(X4) mengalami penurunan sebesar Rp.
694.698 dari nilai sebelumnya Rp. 850.000
Tabel 6. Perbaikan DMU 2 (Maret 2009)
Xi Lama (Rp) Baru (Rp)
X1 27.137.047 12.501.912
X2 2.332.928 519.501
X3 2.181.833 583.397
X4 850.000 694.698
Tabel 7 memperlihatkan perbandingan
antara nilai input pada DMU 5 (Cabang
Tanjung Bumi) dibulan Maret 2009
mengalami penurunan biaya sebagai berikut
: untuk biaya Pegawai (X1) mengalami
penurunan sebesar Rp3.530.615 dari nilai
yang sebelumnya yaitu Rp. 68.742.149,
Untuk biaya Umum & administrasi (X2)
mengalami penurunan sebesar Rp. 161.441
dari jumlah sebelumnya Rp. 1.161.300
Untuk biaya Pemeliharaan bangunan kantor
(X3) Mengalami penurunan biaya sebesar
Rp. 125.163 dari jumlah biaya sebelumnya
sebesar Rp. 1.548.5721 dan Untuk biaya
pemeliharaan kendaraan Dinas (X4)
mengalami penurunan sebesar Rp. 148.827
dari nilai sebelumnya Rp. 1.070.558.
Tabel 7. Perbaikan DMU 5 (Maret 2009)
Xi Lama (Rp) Baru (Rp)
X1 68.742.149 3.530.615
X2 1.161.300 161.441
X3 1.548.5721 125.163
X4 1.070.558 148.827
5. KESIMPULAN
1. Perum Pegadaian yang efisien adalah
Cabang Kwanyar dan Cabang Klampis
karena selama tiga bulan yaitu bulan
Januari sampai dengan Maret 2009
mendapatkan nilai efisiensi sama
dengan 1.
Kinerja Efisiensi Biaya (Nazmil Umri) 223
2. Perum Pegadaian yang tidak efisien
adalah Cabang Bangkalan, dengan
nialai efisiensi sama dengan 0,1442363
pada bulan Januari 2009, Cabang
Kamal dari bulan Januari sampai
dengan Maret 2009, mendapatkan nilai
efisiensi berturut-turut sebesar
0,3650507, 0,4614362 dan 0,2610103
dan Cabang Tanjung Bumi
mendapatkan nilai efisiensi sama
dengan 0,1390164 pada bulan Maret
2009.
Saran-saran yang bisa diberikan pada
Perum Pegadaian adalah
1. Dalam meningkatkan efisiensinya
sebesar 100%, maka perlu melakukan
perbaikan terhadap faktor Biaya
Pegawai, Biaya Umum & administrasi,
biaya pemeliharaan Bangunan Kantor
dan Biaya pemeliharaan kendaraan
Dinas, dengan cara melakukan
pengurangan biaya.
2. Bagi Perum Pegadaian yang sudah
efisien (Perum Pegadaian Kwanyar
dan, Perum Pegadaian Klampis), bukan
berarti tidak ada yang harus diperbaiki
dan ditingkatkan, namun harus tetap
ada kontrol dari pihak Perum
Pegadaian. Mengingat masih ada
Perum Pegadaian yang sudah efisien
tetapi masih perlu peningkatan
produktivitas.
6. DAFTAR PUSTAKA
[1] Charnes, A., W.W Cooper dan E.
Rhodes. 1978. Measuring the
Efficiency of Decision Making Units.
European Journal of Operation
Research, vol. 2 p.429-444.
[2] Hadinata, Ivan dan Manurung Adler H,
2000. Penerapan Data Envelopment
Analysis (DEA) untuk mengukur
Efisiensi Kinerja Reksadana Saham.
[3] Kumbhakar, S.C dan Knox, Lovell.
2000. The Effect of Deregulation on
performance of financial institutions:
The Case of Spanish Saving Banks,
Department of Economic University of
Texas.
[4] Purwanoro, N. 2004. Efektivitas
Kinerja Pelabuhan dengan Data
Envelopment Analysis (DEA),
Usahawan No. 05 th. XXXIII.
[5] Talluri, Srinivas, 2000. Data
Envelopment Analysis: Model and
Extension. Decision Line
Production/Operations Management,
Silberman Colledge of Business
Administration, Fairleih Deckinson
University.
J JJ J J JJ J u uu u u uu u r rr r r rr r n nn n n nn n a aa a a aa a l ll l l ll l T TT T T TT T e ee e e ee e k kk k k kk k n nn n n nn n i ii i i ii i k kk k k kk k I II I I II I n nn n n nn n d dd d d dd d u uu u u uu u s ss s s ss s t tt t t tt t r rr r r rr r i ii i i ii i
Jurusan Teknik Industri, Universitas Trisakti
PETUNJUK/FORMAT PENULISAN NASKAH/MAKALAH
1. Naskah berupa hasil penelitian atau non penelitian (konseptual), yang merupakan naskah asli
dan belum pernah dipublikasikan di media masa manapun. Makalah yang telah
dipresentasikan dalam suatu pertemuan ilmiah, apabila belum dipublikasikan dapat diterima.
2. Naskah diketik dengan menggunakan MS Word, Times New Roman 11pt dan 1 spasi di atas
kertas A4 (21x29,7 mm). Makalah (selain abstrak) ditulis dalam 2 kolom. Jumlah halaman
(termasuk gambar, ilustrasi dan daftar pustaka) 10-15 halaman.
3. Naskah ditulis dalam Bahasa Indonesia atau Bahasa Inggris. Apabila naskah ditulis dalam
Bahasa Indonesia, hendaknya berpedoman pada Pedoman Umum Ejaan Bahasa Indonesia
yang disempurnakan.Hindari pemakaian istilah asing (kecuali bila sangat diperlukan).
Penulisan istilah asing dicetak miring (italic).
4. Judul ditulis HURUF BESAR, di tengah atas halaman font Times New Roman 14 Bold.
Tulisan singkat dengan kata-kata atau frasa kunci yang mencerminkan isi tulisan.
5. Memperhatikan sistematika penulisan :
Makalah Penelitian : OJUDUL (singkat tetapi jelas, 5-15 kata), OPenulis (tanpa gelar,
asal instansi/alamat pada catatan kaki), OABSTRACT (dalam Bahasa Inggris yang
berisikan masalah dan tujuan penelitian, metoda/pendekatan, hasil penelitian, satu
paragraf 50-75 kata), Keywords (kata/terminologi khusus bidang ilmu yang dibahas,
punya makna yang khas untuk makalah, 3-5 kata kunci) OPENDAHULUAN (berisi
permasalahan, wawasan dan rencana pemecahan masalah, tujuan penelitian, kajian
teoritik, hipotesa (jika ada) dan manfaat hasil penelitian (tidak ada)) OMETODA
PENELITIAN (Rancangan/desain penelitian, sasaran penelitian, teknik
pengembangan/pengumpulan data dan teknik analisis data yang disajikan secara naratif)
OHASIL PENELITIAN (Hasil pengolahan data, pemakaian tabel/grafik/bagan sangat
disarankan) OPEMBAHASAN (Menjawab tujuan penelitian, memaparkan logika
diperolehnya dan menginterpretasikan penemuan, mengaitkan dengan teori yang relevan
serta pembahasan terhadap tabel/grafik/bagan secara naratif) OKESIMPULAN DAN
SARAN (Esensi hasil penelitian dan pembahasan, harus relevan dengan penemuan yang
disampaikan dalam butir-butir paragraf pendek) ODAFTAR PUSTAKA/RUJUKAN
(hanya memuat rujukan yang benar-benar disebut dalam makalah).
Makalah Konseptual : JUDUL (singkat tetapi jelas, 5-10 kata), CPenulis (tanpa gelar,
asal instansi/alamat pada catatan kaki), CABSTRACT (dalam Bahasa Inggris yang
berisikan ringkasan makalah yang ditulis secara padat dan menampilkan isu-isu pokok dan
alternatif pemecahan, satu paragraf 50-75 kata), Keywords (kata/terminologi khusus
bidang ilmu yang dibahas, punya makna yang khas untuk makalah, 3-5 kata kunci)
PENDAHULUAN (berisi latar belakang, permasalahan, tujuan, ruang lingkup dan
metodologi CISI (tinjauan pustaka, data dan pembahasan), CPENUTUP (kesimpulan
dan saran) dan CDAFTAR PUSTAKA/RUJUKAN (hanya memuat rujukan yang benar-
benar disebut dalam makalah).
6. Cara merujuk dan mengutip : 1)Tulis nama akhir pengarang dan tahun terbitan, 2)Jika
pengarang lebih dari satu, tulis Nama Pertama, dkk, 3)Jika terjemahan, tulis Nama
Pengarang Asli, 4)Jika lebih dari satu sumber, pisahkan dengan titik koma (;), 5)Jika dari
Internet : Nama pengarang, tahun, judul karya, alamat sumber rujukan dan tanggal diakses.
7. Daftar pustaka disusun menurut alfabet pengarang, dengan urutan penulisan : nama
pengarang, (tahun terbitan), judul buku (cetak miring), penerbit dan kota terbit. Nama
pengarang mendahulukan nama keluarga atau nama dibalik, tanpa gelar. Kutipan acuan
pustaka yang digunakan dinyatakan dengan menuliskan nama pengarangnya.
8. Isi tulisan bukan tanggung jawab redaksi. Redaksi berhak mengedit redaksionalnya, tanpa
mengubah arti. Dan tidak diadakan surat menyurat kecuali tulisan disertai perangko akan
dikembalikan (karena tidak memenuhi persyaratan atau perlu perbaikan).