Tinjauan Disiplin Ilmu Teknik Industri Untuk Bidang Supply Chain Management
Pendahuluan
Algoritma genetik adalah teknik pencarian di dalam ilmu
komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah
pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner
dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti
warisan, mutasi, seleksi alam, dan rekombinasi (atau crossover).
Algoritma genetik pertama kali dikembangkan oleh John Holland pada tahun
1970-an di New York, Amerika Serikat (http://id.wikipedia.org/wiki/Algoritma_genetik). Holland beserta murid-murid dan teman kerjanya
menghasilkan buku berjudul Adaption
in Natural and Artificial Systems pada tahun
1975.
Seiring
perkembangannya, algoritma genetik juga semakin banyak digunakan di dunia
industri khususnya dalam bidang Supply Chain
Management (SCM). Algoritma genetik yang dapat digunakan dalam
penjadwalan tersebut terus dikembangkan oleh para peneliti di berbagai
institusi dan industri. Pada kesempatan ini, saya akan membahas salah satu dari
hasil penelitian yang telah dilakukan terhadap pengembangan algoritma genetik
tersebut dan oleh penulisnya (Zegordi, S. H., et.
al.) dinamakan dengan Gendered Genetic
Algorithm (GGA) (dapat dilihat pada bagian Bacaan Lebih Lanjut) dengan
tujuan agar diperoleh suatu gambaran mengenai beberapa kemungkinan baru yang
dapat dikembangkan untuk diteliti dan diaplikasikan lebih lanjut terkait dengan
pendekatan GGA dalam menyelesaikan masalah penjadwalan pemesanan kepada supplier dan transportasinya hingga sampai
kepada customer.
Pembahasan
Supply Chain Management (SCM) atau Manajemen Rantai Suplai (Pasok) adalah
pengelolaan jaringan bisnis yang saling berhubungan yang terlibat dalam
penyediaan produk akhir dan paket layanan yang diperlukan oleh konsumen akhir (http://en.wikipedia.org/wiki/Supply_chain_management). Dalam pengertian ini, sangat tepat jika peneliti
berusaha untuk mengembangkan penelitian khususnya dalam proses penjadwalan
produksi yang terintegrasi dengan transportasi. Hal ini dapat dilihat pada
tinjauan pustaka yang diuraikan oleh peneliti, yaitu beberapa hasil penelitian
yang berhubungan dengan penjadwalan produksi dalam konteks SCM. Tinjauan
pustaka tersebut menunjukkan bahwa terus terjadi perubahan yang progresif dan
ekspansif dalam melakukan optimisasi pada proses penjadwalan produksi maupun
transportasi dimana setiap peneliti berusaha untuk mengembangkan penelitiannya
dengan membuka asumsi-asumsi yang telah ada di penelitian-penelitian
sebelumnya.
Penelitian
ini menjadi sangat menarik karena dari tinjauan pustakanya terhadap beberapa
penelitian terdahulu (2002 – 2008), belum ditemukan suatu pendekatan yang cocok
dalam melakukan penjadwalan pemesanan produk pada beberapa supplier yang berbeda kecepatan produksinya
dan diintegrasikan dengan beberapa kendaraan pengangkut hasil produksi
tersebut. Apabila dapat disusun suatu pendekatan yang terintegrasi tersebut,
maka konsumen yang dalam hal ini adalah perusahaan yang melakukan penjadwalan
pemesanan dan transportasinya akan memperoleh hasil yang optimum pada jumlah
unit dan waktu pemesanan. Fokus penelitian ini adalah pada penggunaan algoritma
genetik yang dikembangkan lagi dan oleh penulisnya disebut dengan Gendered Genetic Algorithm (GGA). Hasil
penelitian menunjukkan bahwa algoritma GGA yang dikembangkan oleh Zegordi, et.
al. memiliki performansi yang lebih baik dibandingkan dengan algoritma genetik
standar yang mempertimbangkan satu gender
saja (Zegordi, 2009: 8).
Namun
demikian, dapat ditemukan beberapa hal yang perlu untuk diperhatikan lebih
lanjut agar pendekatan GGA tersebut dapat diaplikasikan dengan lebih luas pada
kondisi yang sebenarnya. Perhatian ini difokuskan pada beberapa asumsi yang
digunakan dalam penelitian tersebut, yaitu (saya terjemahkan ke dalam bahasa
Indonesia) (Zegordi, 2009: 3):
Tahap pertama dalam supply chain
terdiri dari m pemasok dengan kecepatan
produksi yang berbeda. Pada tahap kedua, diasumsikan bahwa keberadaan l kendaraan dengan variabel kecepatan dan
variabel kapasitas untuk mengangkut produk dari pemasok ke perusahaan
manufaktur. Misalkan terdapat n
pekerjaan dengan ukuran yang berbeda, maka ukuran masing-masing pekerjaan dan
kapasitas masing-masing kendaraan dapat diketahui dengan pasti dan konsisten
terhadap ketersediaan ruang dan berat.
Untuk mempermudah, diasumsikan bahwa semua pemasok berada di satu
zona geografis dan waktu transportasi antarpemasok dapat diabaikan bila
dibandingkan dengan waktu transportasi untuk membawa barang dari pemasok ke
perusahaan manufaktur. Namun dalam kondisi riil-nya, pemasok mungkin berlokasi
di beberapa zona geografis. Dalam kasus ini, kita asumsikan bahwa permasalahan
dasar dapat dibagi menjadi beberapa submasalah dimana setiap kelompok pemasok
terletak dalam satu zona geografis dan setiap pemasok tersebut tidak dapat
berbagi kendaraan dengan submasalah yang berbeda. Jika jarak antara dua pemasok
tidak diabaikan, mereka harus dianggap terletak di dua zona geografis yang
berbeda.
Kita mengasumsikan bahwa setiap kendaraan pada lokasi zona pemasok
di waktu nol dapat membawa produk dari beberapa pemasok untuk perusahaan dalam
satu batch. Hal ini pada dasarnya adalah
masalah dalam penjadwalan dengan setiap pemasok dianggap sebagai mesin tunggal.
Masing-masing kendaraan melaksanakan pengiriman dan kembali ke daerah pemasok
untuk pengiriman berikutnya. Fungsi tujuan dari masalah ini adalah untuk
meminimisasi seluruh penempatan (alokasi) dalam pemesanan sehingga dapat
meminimisasi waktu penyelesaian maksimum untuk semua pekerjaan (contohnya makespan).
Berdasarkan
asumsi-asumsi tersebut, dapat diketahui bahwa model GGA yang dikembangkan oleh
Zegordi, et. al. dalam penelitiannya
belum dapat digunakan untuk sistem yang terdiri dari pemasok-pemasok yang
berada di zona geografis yang berbeda. Dengan asumsi bahwa variabel waktu
transportasi antarpemasok dapat diabaikan, maka hasil yang diperoleh akan
sedikit berbeda dengan kondisi yang sebenarnya karena secara logika variabel
waktu tersebut tidak dapat diabaikan begitu saja mengingat bahwa tentu terdapat
jarak di antara pemasok meskipun dengan besaran yang tidak besar. Kondisi ini
perlu untuk diperhatikan karena model GGA tersebut tentu tidak akan dapat
digunakan pada sistem yang tidak dapat memenuhi asumsi-asumsi yang diuraikan
tersebut.
Menurut
Simatupang (1994: 94), kegunaan model pada hakikatnya adalah untuk penerapan
secara praktis yang dapat membantu pemecahan masalah manusia secara pragmatis,
maka diperkenankan adanya pengembangan asumsi-asumsi model, selama asumsi itu
dapat dipertanggungjawabkan. Dalam hal ini, penelitian yang dilakukan oleh
Zegordi, et. al. tidak dinilai sebagai penelitian yang salah, namun dinilai
sebagai usaha pengembangan model GGA agar dapat digunakan pada kondisi sistem
SCM nyata yang lebih luas. Dengan membuka asumsi-asumsi yang diuraikan dalam
penelitian ini, maka pada penelitian berikutnya harapan untuk menerapkan model
GGA tersebut pada sistem yang terdiri dari beberapa pemasok yang berbeda zona
geografisnya akan dapat tercapai. Harapan tersebut juga dapat ditemukan pada
bagian kesimpulan dalam penelitian ini, yaitu (Zegordi, 2009: 8):
Pada masa yang akan datang, akan sangat menarik apabila
dikembangkan suatu skenario dimana terdapat beberapa pemasok yang berlokasi di
zona geografis yang berbeda dan saling berbagi (alat transportasi) kendaraan di
antara mereka. Pertimbangan terhadap rangakaian pemasok yang diizinkan untuk
setiap pekerjaan dan adanya pembatasan dalam memberikan pekerjaan kepada
pemasok dapat menjadi ruang lingkup pada penelitian di masa yang akan datang.
Varians dalam GGA yang terdapat dalam operasi-operasi crossover dan mutasi juga dapat menjadi bahasan dalam penelitian
yang lainnya. Selain itu, penggunaan beberapa metodologi yang berbeda, yaitu
dengan penggabungan struktur kromosom-kromosom yang bebeda atau
mengkombinasikan GGA dengan metode heuristik dan meta-heuristik akan menjadi
bidang penelitian yang menjanjikan (potensial).
Namun
demikian, tentu diperlukan data dan informasi yang lebih banyak agar dapat
disusun fungsi-fungsi kendala yang sesuai dengan kondisi sistem tersebut
sehingga asumsi-asumsi tersebut dapat dibuka dan selanjutnya dapat disusun
suatu model baru yang dapat diterapkan pada sistem SCM yang lebih luas. Semoga
bermanfaat!
Bacaan Lebih Lanjut
Simatupang,
Togar M. 1994. Pemodelan Sistem.
Bandung: Studio Manajemen, Jurusan Teknik Industri, Institut Teknlogi Bandung.
Zegordi,
S. H., et. al. A Novel Genetic Algorithm For
Solving Production and Transportation Scheduling in a Two-stage Supply Chain.
Computers & Industrial Engineering (2009), doi:10.1016/j.cie.2009.06.012.
http://en.wikipedia.org/wiki/Supply_chain_management (diakses 2 Juni 2010).
http://id.wikipedia.org/wiki/Algoritma_genetik (diakses 2 Juni 2010).
0 komentar:
Posting Komentar