PERAN PEMODELAN SISTEM DALAM PENGAMBILAN KEPUTUSAN UNTUK APLIKASI MANUFAKTUR DAN ENERGI

Abstrak
PERAN PEMODELAN SISTEM DALAM PENGAMBILAN KEPUTUSAN UNTUK APLIKASI
ENGINEERING, ENERGI DAN BISNIS. Makalah ini merupakan kajian untuk memberikan gambaran
mengenai peran pemodelan sistem sebagai bagian dari sistem pengambilan keputusan yang semakin banyak
diapliksikan untuk mendukung kegiatan engineering dan bisnis. Dalam makalah ini ditunjukkan bahwa
pengambilan keputusan langsung secara intuitif tidak lagi dapat diandalkan untuk mendapatkan good
decision karena banyaknya data dan parameter yang saling dependent. Kompleksitas permasalahan ini
membutuhkan dukungan data processing yang kemudian disistematisasi menjadi model baik konseptual (soft
model) maupun matematik (hard model) dengan beragam pendekatan antara lain pendekatan preskirptif
versus deskriptif, aggragate versus structural, statis sampai dinamis. Bebeapa contoh aplikasi menunjukan
bahwa pemodelan ini memberikan kontrbusi yang signifikan dengan membantu beberapa perusahaan
menaikkan kinerja sampai 48 %, menghemat modal sama 20 juta dollar, menekkan produktivitas 2 kali dan
meningkatkan pendapatan sampai 180 juta dollar. Kecenderungan ke depan adalah bergesernya peran
pemodelan pada level strategis untuk analisis disain kebijakan melalui pendekatan system dynamics .
Kata kunci : system modeling, managerial decision making, engineering, energy and buisness.
Abstract
THE ROLE OF SYSTEM MODELING FOR MANAGERIAL DECISION MAKING IN
MANUFACTURING AND ENERGY APPLICATIONS. This article is a review on the role of modeling
system in managerial decision making and the trend of applications in manufacturing and energy domains to
support engineering and business activities. The review is started with the model definition both in technical
and everyday senses. Two types of managerial decision modeling are summarized include the intuitive and
systematic decision flows. This systematic approach combines the real-world model and the symbolic model
which is interconnected by mathematical formulation and interpretation of the results in order to achieve
good decision. The other approaches are also reviewed and compared including the aggregate and
structural approaches using system dynamics, prescriptive and descriptive approaches especially discreteevent
model. The applications include scheduling, optimization, inventory and warehouse location, new
procedures implementation. The examples of applications shows that the system modeling contributes the
significant role which improve performance up to 48 %, save the capital up to 20 million US dollars,
increases productivity two times, and increase revenue 180 million US dollars. The trend using system
dynamics approach in energy applications shows that the role of modeling system has a trend to be applied
at the level of strategic.
Keywords : system modeling, managerial decision making, engineering, energy and buisness.
SEMINAR NASIONAL III
SDM TEKNOLOGI NUKLIR
YOGYAKARTA, 21-22 NOVEMBER 2007
ISSN 1978-0176
Sekolah Tinggi Teknologi Nuklir - BATAN 250 Aliq Zuhdi
PENDAHULUAN
Pengambilan keputusan merupakan
aktivitas yang terletak di dalam jantung
manajemen[1] untuk menghasilkan good
decision. Good decision akan memberikan
pilihan dengan kemungkinan terbaik untuk
diikuti oleh sebuah organisasi. Good decision
ini diharapkan akan membawa organisasi ke
tingkat performansi yang lebih tinggi. Persoalan
yang dihadapi adalah bahwa pengambilan
keputusan selain harus memperhitungkan
sejumlah data yang banyak dan interrelated
juga harus berpacu dengan waktu. Keterbatasan
waktu dalam pengambilan keputusan ini akan
mengurangi pertimbangan-pertimbangan dan
hal ini akan meningkatkan risiko pengambilan
keputusan yang tidak tepat. Dengan kata lain,
pengambilan keputusan ini membutuhkan
pemahaman system yang komprehensif
berdasrkan data yang tersedia sehingga
diperoleh gambaran karakteristik organisasi
atau sistem tersebut.
Mengingat problem situation yang
dihadapi organisasi bersifat kompleks, maka
data dan informasi yang diperlukan untuk
mendukung pengambilan keputusan sering
sangat banyak sebanding dengan kompleksitas
permasalahan yang dihadapi. Dalam hal ini,
pengambilan keputusan langung dengan
menggunakan intuisi tidak bisa lagi diandalkan
mengingat banyaknya data yang bersifat
interrelated. Agar banyaknya data dan
informasi tidak membuat bingung decision
maker dengan risiko pengambilan keputusan
yang tidak tepat, maka diperlukan pemprosesan
data. Data dan informasi tersebut kemudian
direpresentasikan ke dalam model-model yang
sesuai dengan kebutuhan dan dipilah-pilah ke
dalam critical parameters sebagai faktor
masukan dan performance measures sebagai
keluarannya[2]. Dari sini kemudian peran sains
manamejen semakin signifikan dalam
representasi model-model matematik berbasis
data yang tersedia serta menyajikan alternatifalternatif
solusinya untuk memberikan
dukungan kepada manajemen mengambil
keputusan-keputusan penting.
Dalam makalah ini dikaji berbagai level
decision making serta modeling meliputi level
operational, tactical dan strategic. Dalam
makalah ini dijelaskan mengenai definisi model
dari berbagai perspektif baik everyday sense
maupun technical sense. Kemudian model
pengambilan keputusan langsung secara intuitif
dibandingkan dengan model yang lebih
terstruktur melalui proses pemodelan untuk
mendapatkan good decision. Kajian mengenai
pendekatan-pendekatan yang lain juga
dijelaskan meliputi preskriptif versus deksriptif,
hard maupaun soft model, aggregate maupun
structural. Contoh aplikasi model untuk bidang
manufaktur dan energi baik dari aspek
engineering maupun bisnis dicoba pula
disampaikan.
PEMODELAN MATEMATIS DAN
SISTEM
Definisi Model Menurut Everyday Sense dan
Technical Sense
Istilah “model” sendiri mempunyai
pengertian yang beragam sesuai dengan
dunianya mulai dari pengertian sehari-hari
(everyday sense) sampai technical sense[3].
Contoh dari everyday sense, adalah artis seperti
Luna Maya yang merupakan (foto) model yang
mendapat peran untuk memamerkan modelmodel
pakaian karya disainer terkenal[4]. Model
matematik hanya salah satu jenis dari model
dalam lingkup technical sense. Dalam banyak
aplikasi engineering, model didefinisikan
sebagai representasi dari sistem[3]. Representasi
ini pun juga bermacam-macam mulai dari yang
bersifat physical, pictorial, verbal, schematic
dan symbolic dimana:
1. Physical, yaitu dengan membuat scaleddown
version dari sistem yang dipelajari
(model pesawat, model kereta api),
2. Pictorial, yaitu representasi dengan gambar
untuk menggambarkan kontur permukaan
bumi seperti peta topografi dan bola dunia.
3. Verbal, yaitu representasi suatu sistem ke
dalam kalimat verbal yang mengambarkan
ukuran, bentuk dan karakteristik.
4. Schematic, yaitu representasi dalam bentuk
skema figurative misalnya model rangkaian
listrik, model Atom Bohr dan lain-lain.
5. Symbolic, yaitu representasi ke dalam
symbol-simbol matematik dimana variable
hasil karakterisasi proses atau sistem ke
dalam variable formulasi menggunakan
simbol-simbol matematik.
SEMINAR NASIONAL III
SDM TEKNOLOGI NUKLIR
YOGYAKARTA, 21-22 NOVEMBER 2007
ISSN 1978-0176
Aliq Zuhdi 251 Sekolah Tinggi Teknologi Nuklir - BATAN
More[2] menambahkan satu kategori lagi
yaitu Model Analog yang merepresentasikan
satu himpunan persamaan dalam bentuk
medium yang berbeda-beda tetapi analog
seperti road map, speedometer dan pie chart.
Kelton[5]juga menambahkan istilah Model
Simulasi untuk model dari sistem (umunnya
simbolik dan deksriptif) yang diselesaikan
menggunakan teknik simulasi[5]. Sejak tahun
1950 dikembangkan pula model system
dynamics oleh Professor Jay W. Forrester dari
Massachusetts Institute of Technology untuk
membantu manager korporasi memperbaiki
pemahamannya tentang proses-proses industri
terutama untuk analisis dan disain kebijakan..
System dynamics ini merupakan pendekatan
yang powerful sekaligus juga sebagai teknik
pemodelan simulasi komputer untuk pemetaan,
pemahaman, dan learning issu-issu dan
problem yang complex[6].
Decision Modeling : Pendekatan Intuitif
Versus Sistematis
Pengembangan model dilakukan untuk
mendukung pengambilan keputusan.
Pengambilan keputusan ditingkat manajemen
melalui beberapa langkah mulai dari analisis
situasi oleh manajemen. Dengan
memperhitungkan faktor-faktor yang sering
”conflicting” keputusan dibuat untuk
menyelesaikan situasi yang ”conflicting” tadi.
Keputusan kemudian juga diimplementasikan
dan lebih lanjut organisasi ini akan menuai
konsekuensi dari implementasi keputusan
tersebut (payoff) yang tidak semuanya
berbentuk uang[2].
Gambar 1. Proses Pengambilan Keputusan
Pengambilan keputusan langsung
(intuitif) ini yang hanya dengan mengamati
situasi manajemen ini tidak dapat menghasilkan
good decision jika permasalahannya kompleks.
Dalam kasus ini, dikembangkan tahapan
pengambilan keputusan melalui pemodelan
(Gambar 2).
Tahapan menjadi lebih panjang yaitu
melalui proses representasi situasi ke dalam
model, analisis model untuk menemukan solusi,
dan interpretasi berbagai alternatif hasil untuk
menentukan keputusan yang optimal.
Gambar 2. Pengambilan Keputusan Melalui Model,
Analisis Dan Interpretasi Hasil
Decision model adalah model simbolis
dimana beberapa variabel merepresentasikan
keputusan yang harus dibuat. Keputusan ini
dibuat untuk mencapai tujuan tertentu. Decision
model ini menggunakan suatu ukuran
performansi yang eksplisit untuk mengukur
pencapaian objektif tertentu. Decision model ini
umumnya digunakan untuk membuat keputusan
berkaitan dengan alokasi sumberdaya (waktu,
bahan, tenaga kerja) misalnya alokasi tenaga
sales di berbagai kota, penjadwalan produksi,
cash-management model dan lain-lain[2]. Model
linear programming merupakan contoh model
preskriptif yang sudah sangat dikenal.
Applikasi model tersebut pada umumnya
diawali dengan terlebih dahulu melakukan timeseries
forcasting untuk memprediksikan
parameter parameter tertentu misalnya order
dan demand. Jika ada unsur ketidakpastian,
maka risiko akibat ketidakpastian ini juga
dimodelkan dengan bantuan pendekatan
probabilistik dalam bentuk risk analysis. Jika
model cukup kompleks, dapat digunakan
simulasi Monte-Carlo untuk mendapatkan
overall expectation berdasarkan nilai
probabilistik masing-masing decision variables.
Pendekatan Pemodelan : Linear Thinking
Versus System Thinking
Model di atas secara prinsip masih
dikatakan berbasis linear thinking dimana
causalitas diasumsikan terjadi secara serial
sehingga penyebab pertama dari rangkaian
sebab-akibat ini sering bukanlah sumber
masalahnya. Model-model ini lebih banyak
diaplikasikan untuk level operational dan
tactical. Beberapa problem engineering dan
bisnis dapat diklassifikasikan ke dalam levellevel
pengambilan keputusan di bawah ini:
Decision model adalah model simbolis
dimana beberapa variabel merepresentasikan
keputusan yang harus dibuat. Keputusan ini
SEMINAR NASIONAL III
SDM TEKNOLOGI NUKLIR
YOGYAKARTA, 21-22 NOVEMBER 2007
ISSN 1978-0176
Sekolah Tinggi Teknologi Nuklir - BATAN 252 Aliq Zuhdi
dibuat untuk mencapai tujuan tertentu. Decision
model ini menggunakan suatu ukuran
performansi yang eksplisit untuk mengukur
pencapaian objektif tertentu. Decision model ini
umumnya digunakan untuk membuat keputusan
berkaitan dengan alokasi sumberdaya (waktu,
bahan, tenaga kerja) misalnya alokasi tenaga
sales di berbagai kota, penjadwalan produksi,
cash-management model dan lain-lain[2] Model
linear programming merupakan contoh model
preskriptif yang sudah sangat dikenal.
Applikasi model tersebut pada umumnya
diawali dengan terlebih dahulu melakukan timeseries
forcasting untuk memprediksikan
parameter parameter tertentu misalnya order
dan demand. Jika ada unsur ketidakpastian,
maka risiko akibat ketidakpastian ini juga
dimodelkan dengan bantuan pendekatan
probabilistik dalam bentuk risk analysis. Jika
model cukup kompleks, dapat digunakan
simulasi Monte-Carlo untuk mendapatkan
overall expectation berdasarkan nilai
probabilistik masing-masing decision variables.
Pendekatan Pemodelan : Linear Thinking
Versus System Thinking
Model di atas secara prinsip masih
dikatakan berbasis linear thinking dimana
causalitas diasumsikan terjadi secara serial
sehingga penyebab pertama dari rangkaian
sebab-akibat ini sering bukanlah sumber
masalahnya. Model-model ini lebih banyak
diaplikasikan untuk level operational dan
tactical. Beberapa problem engineering dan
bisnis dapat diklassifikasikan ke dalam levellevel
pengambilan keputusan seperti pada Tabel
1.:
Tabel 1. Level-Level Pengambilan Keputusan
Operational Tactical Strategic
Scheduling
Inventory
planning
Process
optimization
Financial
optimization
Procurement
planning
Budgeting
Risk
Management
Risk
Investments
Kelemahan dari pendekatan ini adalah
munculnya policy resistance sebagai
perlawanan dari penerapan kebijakan. Policy
resistance ini sering tidak disadari oleh
pembuat kebijakan dan dapat menjadi sumber
adanya pembatasan pertumbuhan
John Sterman dalam Business dynamic[7]
membuat aliran keputusan dengan pendekatan
system dinamycs. Dengan mengintegrasikan
”stock-flow” model, causal-loop diagram serta
decision model berbentuk fungsi matematik,
diperoleh sebuah tahapan pengambilan
keputusan yang dinamis dengan
memperhitungkan reaksi dari lingkungan
sebagai feedback. Pendekatan system dynamics
modeling ini merepresentasikan dinamika
perubahan state dari sistem dan menghasilkan
isyarat-isyarat sebagai keluarannya. Isyaratisyarat
ini diformulasikan ke dalam model
keputusan dan kemudian bersama dengan
isyarat dari lingkungannya menjadi feedback
bagi dinamika sistem itu sendiri.
Gambar 3. Aturan Keputusan Dan Dinamika State
Dari Sistem Bersifat Umpan Balik
Dengan pendekatan system dynamics
atau buisness dynamics ini, keputusankeputusan
dan kebijakan yang dibuat serta
reaksi dari lingkungannya akan
direpresentasikan ke dalam causal-loop
diagram, menggunakan stock-flow model
sehingga akhirnya dapat disimulasikan dengan
komputer.
Gambar 4. Pola-Pola Dasar Dinamika Bisnis :
4(a) sampai 4(i)
SEMINAR NASIONAL III
SDM TEKNOLOGI NUKLIR
YOGYAKARTA, 21-22 NOVEMBER 2007
ISSN 1978-0176
Aliq Zuhdi 253 Sekolah Tinggi Teknologi Nuklir - BATAN
Pendekatan yang sering disebut ”ilmu
sedih baru” ini lebih cocok diaplikasikan untuk
level strategik. Selain dengan model simulasi,
decision making juga dapat menggunakan
system archetype atau pola-pola dasar yang
merepresentasikan dinamik sistem bisnis.
Berdasarkan pengamatan atau penelitian
terhadap dinamika keadaan di masa lalu dapat
digambarkan pola-pola dasar berikut yaitu [8]
putaran pertumbuhan atau kemerosotan, putaran
kesetimbangan (tanpa atau dengan delay),
batas-batas pertumbuhan, penyelesaian yang
memperburuk masalah, menggeser beban dan
tragedy of common. Penetapan kebijakankebijakan
dan reaksi dari lingkungan dapat
membentuk pola-pola pertumbuhan terusmenerus
(4.a) atau kemerosotan terus menerus
(4.b), pertumbuhan menuju kesetimbangan baik
tanpa delay (4.c) atau dengan delay (4.d) yang
diwarnai oleh osilasi disekitar titik
kesetimbagan, pertumbuhan yang stabil (4.e)
atau memburuk setelah melawati titik puncak
(4.f). Pola yang ketujuh (4.g) menggambarkan
adanya peningkatan masalah dan usaha solusi
yang memberikan efek membaik tetapi
kemudian memburuk lagi secara bergantian.
Pola kedelapan merupakan pola kombinasi
dimana masalah selalu meningkat kemudian
diusahakan solusi insidental yang memperbaiki
tetapi juga segera memperburuk seperti pola ke
tujuh. Dalam hal ini, ketagihan akan solusi
insidental menyebabkan sistem semakin
meninggalkan solusi fundamental. Pola
kesembilan (4.h) menunjukkan adanya
pertumbuhan terus menerus tetapi hal-hal yang
diperoleh dari pertumbuhan tersebut malahan
menurun.
Model Preskriptif Versus Deskriptif
Model matematik dapat berbentuk
preskriptif dimana (1) formulasi model sudah
baku untuk jenis permasalahan tertentu, (2)
teknik-teknik solusi baik analitik masih mampu
menyelesaikan, (3) selalu ada one-to-one
correspondence antara variable karakterisasi
dengan variable formulasi. Contoh dari jenis
model matematik ini adalah linear
programming. Model ini umumnya terdiri dari
fungsi objektif umumnya cost function dengan
beberapa fungsi constraint. Nilai optimal
diperoleh dengan menemukan decision
variables yang mengoptimalkan fungsi tujuan.
Asumsi bahwa sistem merupakan “single
objek” atau aggregate serta diabaikannya unsur
waktu menghasilkan model matematik yang
statis. Model matematik bertambah kompleks
jika digunakan pendekatan dinamis dimana
sistem dimodelkan dengan persamaan
diferensial dan integral. Transformasi
persamaan diferensial menjadi persamaan
aljabar yang dikenal dengan Transfer Function
akan memudahkan pemahaman karakteristiknya
serta penentuan solusinya[3].
Model deskriptif merepresentasikan
sistem dengan lebih realistis dan rinci sehingga
menghasilkan model yang kompleks dan nonlinear
sedemikian sulit untuk diselesaikan
dengan teknik solusi analitis. Teknik komputasi
numeris lebih powerfull untuk digunakan.
Model simulasi termasuk jenis model yang
deksriptif[9]. One-to-one correspondence
menjadi tidak berlaku untuk model simulasi ini.
Kemajuan teknik komputasi, visualisasi dan
animasi menyebabkan model ini dapat disajikan
lebih user friendly serta hasil-hasilnya dapat
difamahi lebih mudah oleh user.
Dengan pendekatan deskriptif ini,
diperlukan suatu pemetaan variabel ke dalam
endogeneous yaitu faktor-faktor internal yang
akan diamati dan juga faktor-faktor eksternal
(exogeneous) yang akan berpengaruh pada
dinamika sistem.
Gambar 5. Pemetaan Variabel : Model BlackBox
Pemetaan variabel ini sangat bergantung
pada objektif dari pemodelan. Pada model
interaksi energi-ekonomi[7], GNP bersama
energy prices dipetakan sebagai faktor
endogeneous sedangkan pada studi lain
menempatkan GNP sebagai faktor
exogeneous[10].
Model Peramalan : Pendekatan Aggregate
Versus Disaggregate
Peramalan permintaan, revenue, profit
dan variable performansi yang lain merupakan
basis dalam mengelola bisnis[11] baik
manufaktur, jasa, maupun energi. Peramalanan
adalah prediksi, asumsi, atau viewpoint tentang
beberapa event atau kondisi kedepan, umumnya
SEMINAR NASIONAL III
SDM TEKNOLOGI NUKLIR
YOGYAKARTA, 21-22 NOVEMBER 2007
ISSN 1978-0176
Sekolah Tinggi Teknologi Nuklir - BATAN 254 Aliq Zuhdi
sebagai basis untuk melakukan tindakan.
Penggunaan peramalan dalam bisinis sangat
luas dan tak terhindarkan. Keputusan bisnis
pada umumnya merupakan jawaban dari
pertanyaan-pertanyaan:
1. Berapa tingkat produksi tahun depan?
2. Berapa kapasistas resources yang
dibutuhkan untuk mendukung tingkat
produksi tersebut?
3. Produk baru apa yang harus
dikembangkan?
4. Berapa pendanaan yang dibutuhkan untuk
bisnis produk tersebut?
Pertanyaan pertama harus dijawab
dengan melakukan forecasting. Model
peramalan yang sering digunakan adalah model
time-series baik single atau multi-variat[7].
Kedepan, time-series model tidak dianjurkan
untuk digunakan karena:
1. Peramalan time-series cenderung salah
(tidak akurat)
2. Peramalan merupakan bagian dari system
decision structures, sehingga kesalahan
peramalan dapat menjadi kontributor dalam
perilaku yang problematik dimana
peramalan dengan ekstrapolasi menaikkan
ketidakstabilan sistem.
3. Ada keinginan untuk menggeser penekanan
manajemen untuk pemahaman dan disain
policy.
4. Peramalan bukan untuk reaksi terhadap
problem tetapi untuk antisipasi munculnya
problem
Peramalan dengan sistem dinamis
menggunakan pendekatan structural dimana
kekuatan hubungan antar elemen dan pribadi
sebagai bagian dari sistem ikut diperhitungkan.
Peramalan ini dibuat dengan membangun
market model yang merepresentasikan supplychain
sehingga diharapkan akan :
1. Memberikan hasil peramalan yang lebih
andal untuk jangka pendek dan menengah.
2. Memberikan tool untuk pemahaman
penyebab perilaku industri sehingga
memungkinkan deteksi dini perubahan
struktur internal industri dan menentukan
faktor-faktor peramalan mana yang sensitif.
3. Memungkinkan penentuan skenario yang
masuk akal sebagai input terhadap
keputusan dan policy.
Energy projection merupakan bagian
penting dari perencanaan pembanguan suatu
bangsa. Energi projection ini membutuhkan
model ekonometrik yang sophisticated, akan
tetapi model ini pun belum mampu
memproyeksikan impak dari perang, pemutusan
suplai akibat bencana dan resesi ekonomi.
Peramalan konsumsi energi di banyak negara
belum berhasil merepresentasikan realitasrealitas
baru (seperti usaha implementasi
konservasi energi, adanya krisis minyak) yang
muncul dalam sistem energi sehingga
menghasilkan overestimate sampai 75 %[7].
Model dan teknik peramalan energi yang
digunakan bervairasi dari yang sederhana
dengan menggunakan fungsi TREND sampai
model yang kompleks yang harus melibatkan
variabel exogeneous meliputi GDP, populasi,
harga energi, dan progres teknologi. Faktorfaktor
input yang digunakan untuk simulasi
peramalan juga tergantung pada harga
parameter input seperti nilai elastisitas energy
demand dan kurva suplai. Perbedaan
pendekatan dalam berbagai aspek terutama
antara industri dan pemerintah di satu pihak
dengan pakar lingkungan menyebabkan
perbedaan hasil peramalan antara kedua pihak
tersebut dengan faktor dua [7].
APLIKASI PEMODELAN DALAM
DECISION MAKING
Model Aggregate
Pendekatan aggregate merupakan
pendekatan yang umum dilakukan dimana
sistem yang ditinjau diwakili oleh sebuah
entitas tunggal atau single object. Decision
modeling untuk aplikasi bisnis banyak
menggunakan pendekatan aggregate. Modelmodel
yang digunakan dalam pendekatan ini
umumnya meliputi model optimasi baik untuk
sumberdaya, minimasi cost dan maksimasi
profit, demikian juga model-model peramalan
baik time-series maupun causal. Selain model
optimasi dan peramalan, decision making juga
memerlukan model-model probabilistik untuk
analisis risiko dan multi-criteria decisión
making untuk strategi investasi dan planning[13]
seperti ditunjukkan oleh Tabel 2.
SEMINAR NASIONAL III
SDM TEKNOLOGI NUKLIR
YOGYAKARTA, 21-22 NOVEMBER 2007
ISSN 1978-0176
Aliq Zuhdi 255 Sekolah Tinggi Teknologi Nuklir - BATAN
Tabel 2. Model-Model Probabilistik Untuk Analisis
Risiko dan Multi-Criteria Decisión Making
Problem Model Solusi
Optimization
problem
Lagrangian relaxation
method
Cost minimization,
Profit maximation
Mixed-Integer
programming
Branch-Bound
Stochastic risk
analysis Monte-Carlo simulation
Trading strategy Multi-criteria decision
method
Strategic planning
task
Stochastic multi-criteria
acceptability analysis
Gambaran tentang profit, risiko, strategi
perencanaan dan perdagangan, digunakan
berbagai teknik seperti branch and bound,
Monte-Carlo, multi-criteria decision method
baik deterministic maupun probabilistic.
Model-model tersebut umumnya menggunakan
pedekatan statis dan aggregate.
Model Disaggregate : System Dynamics
Model
Disatu pihak, penggunaan system
dynamics modeling untuk energy planning juga
telah banyak dikembangkan. Fokus
penelitiannnya adalah evaluasi kebijakan serta
perencanaan strategis. Beberapa penelitian di
US dapat ditunjukkan di bawah ini [6]:
Tabel 3. Penelitian di US
Effects of regulatory policy on
utility performance
Geraghty and Lyneis
(1983)
Effects of external agents on
utility performance
Geraghty and Lyneis
(1985)
Financial performance of
utilities
Lyneis (1985)
Effects of energy conservation
practices on utility performance
Ford, Bull and Naill
(1989); Ford and Bull
(1989); Aslam and
Saeed (1995)
Regional strategic
electricity/energy planning
Dyner et al. (1990)
National strategic
electricity/energy planning
Coyle and Rego (1983);
Naill (1977, 1992);
Sterman (1981)
Deregulation in the US electric
power industry
Lyneis, Bespolka and
Tucker (1994)
River use and its impact on
hydroelectric power
Ford (1996a)
Model Deskriptif : Event-Oriented Model
Di dalam pendekatan event-oriented,
dinamika output dari model simulasi didasarkan
pada kejadian-kejadian (events) dan waktu
bergerak mengikuti kejadian-kejadian tersebut.
Menurut pendekatan ini, sistem dimodelkan
sedemikian sehingga variable keadaan berubah
hanya pada himpunan diskrit dari titik-titik
waktu. Variabel keadaan berubah ketika ada
kejadian/event walaupun tidak setiap kejadian
mengubah nilai variabl keadaan. Model
dianalisis dengan menggunakan metoda
numerik dan bukan analitik. Metoda numeris
menggunakan prosedur komputasi untuk
“solve” model matematik dan bukan dengan
solusi analitik. Dengan prosedur komputasi,
model lebih cenderung dijalankan (to be run)
bukan diselesaikan (to be solved). Data output
hasil “run” model kemudian dikoleksi dan
dianalisis untuk dapat mengestimasi ukuran
performansi sistem.
Pendekatan discrete-event ini cukup
powerfull diaplikasikan pada sistem produksi
yang kompleks., tentu saja dengan bantuan
software simulasi. Beberapa perusahaan besar
dari luar negeri telah banyak memanfaatkan
pendekatan ini untuk perbaikan kinerja sistem
seperti ditunjuukan dalam Tabel 4.
Tabel 4. Perusahaan Besar Dari Luar Negeri Yang
Telah Memanfaatkan Pendekatan Discrete-Event
Perusahaan Topik Outcome
FIAT Scheduling & New
Procedures
Work-In-Process turun
48 %, dan
penghematan > US$ 1
juta
EXXON
MOBIL
Optimasi alat dan
proses
Produksi naik 40 %
CYMER Layout, process,
schedule, WIP
Pendapatan naik US $
180 juta
VW Lokasi Warehouse dan
jalur distribusi
Penghematan sampai
US$ US 20 juta
WRIGHT Equipment, process,
shcedule
Produksi naik 2 kali,
dan penghematan
sebesar $ 10 juta
Untuk antisipasi peningkatan permintaan
produk baja sampai 30%, engineer di
perusahaan tersebut memperkirakan
penambahan satu crane baru. Dengan model
simulasi dapat ditunjukkan bahwa kesibukan
crane diperkirakan hanya meningkat menjadi
65% dari semula 45% sehingga keputusan
untuk tidak menambah crane baru merupakan
penghematan biaya ratusan ribu dollar.
SEMINAR NASIONAL III
SDM TEKNOLOGI NUKLIR
YOGYAKARTA, 21-22 NOVEMBER 2007
ISSN 1978-0176
Sekolah Tinggi Teknologi Nuklir - BATAN 256 Aliq Zuhdi
Gambar 6. Aplikasi Discrete-Event Simulation
Model untuk menguji usulan
penambahan crane di perusahaan baja nasional.
hasilnya adalah perusahaan direkomendasikan
untuk tidak membeli crane baru[16].
KESIMPULAN DAN SARAN
Berdasarkan pengkajian dari berbagai
aspek dapat disimpulkan bahwa :
1. Peran pemodelan sistem semakin
berkembang dan dalam beberapa contoh
aplikasi oleh perusahaan besar
menunjukkan bahwa pemodelan sistem
menawarkan kontribusi yang signifikan
dengan mennyelamatkan modal sampai 20
juta dollar, meningkatkan produktivitas
sampai 2 kali, meningkatkan kinerja sampai
48% serta meningkatkan pendapatan
sampai 180 juta dollar. Penggunaan
discrete-event model juga telah
menyelematkan modal sampai ratusan ribu
dollar di perusahaan baja nasional karena
usulan pembelian crane baru dinilai tidak
diperlukan setelah material handling system
yang ada dievaluasi ulang dengan bantuan
model sistem tersebut.
2. Kedepan, peran pemodelan mulai bergeser
dari level operasional dan tactical ke level
strategis dengan berkembangnya system
dynamics model. Disain strategi dan
kebijakan dapat dievaluasi dampaknya
kedepan dengan system dynamics ini
sehingga dapat diantisipasi kemungkinan
terjadinya instabilitas, menurunnya profit,
solusi yang memperburuk masalah,
ketagihan akan solusi insidental sehingga
semakin menjauh dari solusi fundamental
termasuk munculnya tragedy of common.
3. Masuknya model dalam proses
pengambilan keputusan merupakan bukti
penjelasan prinsip manajemen bahwa “
masalah dan solusi” pada dasarnya tidak
dekat baik dalam jarak maupun waktu.
Kajian ini tentu saja masih sangat mendasar
yang tentu saja terus dikembangkan dengan
tujuan diperolehnya sebuah road map riset
dan pengembangan di bidang pemodelan
sistem yang bermanfaat untuk kepentingan
masyarakat.
DAFTAR PUSTAKA.
1. JENNING D, WATTAM S, 1998, Decision
Making : An Integrated Approach, Financial
Times, Petman Publishing, Londom.
2. MOORE, WEATHERFORD, 2001, Decision
Modeling With Microsoft Excel, Prencice-
Hall.
3. D.N.P. MURTHY.ET.AL, 1990, Mathematical
Modelling, Pergamon Press.
4. JAWA POS, Minggu, 27 Oktober 2007
SEMINAR NASIONAL III
SDM TEKNOLOGI NUKLIR
YOGYAKARTA, 21-22 NOVEMBER 2007
ISSN 1978-0176
Aliq Zuhdi 257 Sekolah Tinggi Teknologi Nuklir - BATAN
5. KELTON, 1996, Simulation, Modeling and
Analysis, McGraw-Hill.
6. WWW.DOE.COM
7. JOHN D STERMAN, 2000, Buisness Dynamics:
System Thinking and Modeling for A
Complex World, Irwin-McGraw-Hill.
8. SENGE, PETER, 2002, Disiplin Kelima :
Strategi dan Alat Untuk Membangun
Organisasi Pembelajaran, Penerbit
Interaksara.
9. RONALD ASKIN ET.AL., 1993, Modeling and
Analysis of Manufacturing System, John
Wiley and Sons.
10.HARREL, GHOSH & BOWDEN, 2003,
Simulation Using Promodel, McGraw-Hill.
11. JAMES F LINEIS, 2000, System dynamics for
market forecasting and structural analysis,
system dynamics Review, Spring.
12.TURAN, BASOGLU, OMER, 2002, “A System
Dynamics Simulation for Energy Sector of
Turkey”, Journal of Simualtion Conference.
13. SIMO MAKKONEN, 2005, “Decision Modeling
Tools For Energy Utilities In The
Deregulated Market”:, Thesis dissertation,
Helsinki University of Technology.
14.SMITH, GRAIG, 1986, Energy Management
Principles, Pergamon Press.
15.www.promodel.com
16.MAYA, PRATIWI R, KURNIAWAN I,
ZUHDI, ALIQ, 2005, “Analisis Kapasits
Product-Mix Menggunakan Discrete-Events
Simulation Model”, Proceeding Of National
Seminar Of Simulation Technology, held by
Design, Simulation and Computation
Laboratory Mei
TANYA JAWAB
Pertanyaan
1. Apa kaitannya modul dengan prototype
pada pengembangan energi? (Djunaidi)
2. Apakah dengan indeks Hartigan dapat
menjawab pertanyaan no 1? (Djunaidi)
3. Dasar pembagian 3 kelompok diatas
dengan metode apa? (Lukman Hakim)
Jawaban
1. Model merupakan tiruan dari sistem
tujuannya untuk bisa digunakan untuk
karakterisasi sistem. Prototype adalah salah
satu dari sistem produk. Modul bisa
digunakan sebagai soal untuk membantu
pengembangan engineering dari mulai
disain, protoipe sampai produk jadi.
2. Ya, karena indeks Hartigan bertujuan untuk
menentukan berapa kelompok yang
sebaiknya dibentuk dari sample pada 11
titik stasiun tersebut.
3. Dengan menggunakan metode Hirarki
(Complete Linkage) yang didasarkan dari
indeks Hartigan. Ternyata kelompok ang
sebaiknya dibentuk dengan 3 kelompok,
diklompokkan berdasarkan jarak terjauh
(Complete Linkage) dengan melihat pada
Euclidean distance dan dendagram.