UNIVERSITAS INDONESIA MODEL PEMILIHAN SUPPLIER...

UNIVERSITAS INDONESIA

MODEL PEMILIHAN SUPPLIER DENGAN MENGGUNAKAN DATA ENVELOPMENT ANALYSIS (DEA) DAN

TEKNIK DATA MINING

TESIS

PEPY ANGGELA

1006735422

FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI

DEPOK JUNI 2012

Model pemilihan..., Pepy Anggela, FT UI, 2012


MODEL PEMILIHAN SUPPLIER DENGAN MENGGUNAKAN DATA ENVELOPMENT ANALYSIS (DEA) DAN

TEKNIK DATA MINING

TESIS Diajukan sebagai syarat untuk memperoleh gelar Magister Teknik

PEPY ANGGELA

1006735422

FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI

DEPOK JUNI 2012


iv

KATA PENGANTAR

Puji Syukur saya panjatkan kehadirat Allah SWT, karena atas rahmat dan

bimbinganNya penulis mampu menyelesaikan tesis ini dengan tepat waktu. Penulisan

tesis ini ditujukan untuk memenuhi salah satu syarat mendapatkan gelar Magister

Teknik Departemen Teknik Industri pada Fakultas Teknik Universitas Indonesia.

Penulis sangat menyadari bahwa tanpa adanya bimbingan dan bantuan dari berbagai

pihak, akan sangat sulit bagi penulis untuk dapat menyelesaikan tesis ini.

Melalui kesempatan ini pula perkenankanlah penulis untuk mengucapkan

terima kasih yang sebesar-besarnya kepada :

1. Ibu Ir. Isti Surjandari, Ph.D selaku Dosen Pembimbing 1, yang selalu

sabar dalam membimbing, mengarahkan, memotivasi, menyarankan,

memperbaiki, dan membantu setiap langkah penyusunan tesis ini.

2. Ibu Arian Dhini, ST., MT selaku Dosen Pembimbing 2, yang selalu

sabar dalam membimbing, mengarahkan, memotivasi, menyarankan,

memperbaiki, dan membantu setiap langkah penyusunan tesis ini.

3. Ibu Ir. Erlinda Muslim, MEE selaku Pembimbing Akedemik, yang

selalu memotivasi selama masa perkuliahan.

4. Bapak Djati Pratisto selaku staf Purchasing PT. TMMIN, yang telah

memberikan kesempatan kepada penulis untuk melakukan penelitian,

serta membantu pengambilan data.

5. Ibu Santi Anggarini, yang telah membantu penulis untuk mendapatkan

tempat penelitian.

6. Ayu, Dewi, Mb NJ, yang telah menjadi sahabat terbaik, tempat

berkeluh kesah, dan selalu menemani penulis menghadapi masa-masa

sulit dan senang selama 2 tahun ini.

7. Mas Selani, Mas Arif, Mb Yanti, Mb Ning, Mb Juni, Dimas, dan teman

- teman S2 TI UI Depok 2010 atas persahabatan dan kerjasamanya

yang luar biasa selama 2 tahun yang sangat mengesankan ini.


v

8. Mb Tities S2 TI UI Salemba 2010 yang telah membantu dan

kerjasamanya dalam penyelesaian tesis ini.

9. Keluarga besar tercinta Mama, Ayah, dan Dedek atas segala kasih

sayang dan dukungan yang diberikan. Terutama untuk Ibunda tercinta,

yang tidak henti-hentinya mendoakan penulis.

10. Aris Munandar atas kesetiaan, kesabaran, pengertian dan dorongan

yang telah diberikan kepada penulis.

11. Terakhir untuk pihak-pihak lain yang tidak bisa penulis sebutkan satu

persatu, terima kasih atas segala bantuannya.

Akhir kata, penulis menyadari bahwa tulisan ini masih sangat jauh dari

sempurna. Akan tetapi, penulis berharap agar kehadiran tesis ini bisa bermanfaat dan

berkontribusi bagi pegembangan ilmu pengetahuan.

Jakarta , 23 Juni 2012

Pepy Anggela


vii

ABSTRAK

Nama : Pepy Anggela Program Studi : Teknik Industri Judul : Model Pemilihan Supplier dengan Menggunakan Data

Envelopment Analysis (DEA) dan Teknik Data Mining

Pemilihan supplier dengan mengukur performansi supplier adalah hal penting yang harus dilakukan oleh perusahaan untuk memenangkan persaingan dengan perusahaan lain dalam hal kepuasan pelanggan. Perhitungan performansi supplier menggunakan DEA yang mampu mengevaluasi tingkat efisiensi relatif sebuah DMU yang bersifat non parametrik dan multi faktor baik input maupun output. Sedangkan dengan menggunakan teknik data mining yaitu dengan decision tree dan neural network, untuk mendapatkan prediksi dari nilai efisiensi supplier. Penelitian ini dilakukan pada sebuah perusahaan otomotif. Perusahaan saat ini menggunakan 104 supplier untuk material tools. Penelitian ini dilakukan untuk membantu perusahaan dalam mendapatkan framework dari suatu pemilihan supplier yang sesuai dengan kriteria yang ditetapkan oleh perusahaan. Hasil penelitian ini didapatkan bahwa model CRS-neural network memberikan hasil yang lebih baik dibandingkan dengan decision tree. Ini telihat dari nilai error yang lebih kecil yaitu 5.7 dibandingkan decision tree yang sebesar 6.7

Kata kunci : Pemilihan supplier, efisiensi relatif, data envelopment analysis, decision tree, neural network


viii

ABSTRACT

Name : Pepy Anggela Study Program : Industrial Engineering Title : Supplier Selection Model Using Data Envelopment Analysis

(DEA) and Data Mining Techniques

Supplier selection to measure supplier performance are important things to be performed by the company to win the competition with other companies in terms of customer satisfaction. Calculation of supplier performance using DEA is capable of evaluating the relative efficiency of a DMU that is non-parametric and multi factor inputs and outputs. While using data mining techniques, the decision tree and neural network, to get the efficiency prediction of the supplier. The research was conducted at a automotive company. The Company currently uses 104 suppliers for material tools. The study was conducted to assist companies in getting the framework of a supplier selection in accordance with criteria established by the company. The results of this study found that the CRS-neural network models give better results than the decision tree. It is seen from the error value that is 5.7 smaller than the decision tree for 6.7

Key words: Supplier selection, relative efficiency, Data Envelopment Analysis, Decision Tree, Neural Network


ix

DAFTAR ISI

HALAMAN JUDUL ....................................................................................... i

HALAMAN PERNYATAAN ORISINALITAS ............................................... ii

HALAMAN PERSETUJUAN ....................................................................... iii

KATA PENGANTAR ................................................................................... iv

HALAMAN PERSETUJUAN PUBLIKASI TUGAS AKHIR ....................... vi

ABSTRAK ..................................................................................................... vii

ABSTRACT .................................................................................................... viii

DAFTAR ISI ................................................................................................... ix

DAFTAR TABEL .......................................................................................... xii

DAFTAR GAMBAR ..................................................................................... xiii

DAFTAR LAMPIRAN ................................................................................... xv

BAB 1 PENDAHULUAN

1.1 Latar Belakang ..................................................................................... 1

1.2 Diagram Keterkaitan Masalah ............................................................. 3

1.3 Perumusan Masalah ............................................................................. 3

1.4 Tujuan Penelitian ................................................................................ 5

1.5 Ruang Lingkup Penelitian ................................................................... 5

1.6 Metodologi Penelitian ......................................................................... 5

1.7 Sistematika Penulisan .......................................................................... 6

BAB 2 TINJAUAN LITERATUR

2.1 Konsep Pembelian ............................................................................... 9


x

2.1.1 Manajemen Pembelian............................................................... 9

2.1.1.1 Strategi-Strategi Pembelian .............................................. 10

2.1.2 Manajemen Hubungan dengan Supplier ...................................... 12

2.2 Seleksi dan Evaluasi Supplier ............................................................... 13

2.2.1. Kriteria Pemilihan Supplier......................................................... 14

2.2.2. Metode Pemilihan Supplier ......................................................... 15

2.3 Konsep Pengukuran Efisiensi ............................................................... 18

2.3.1. Data Envelopment Analysis (DEA) ............................................. 18

2.3.2. Decision Making Unit (DMU) ..................................................... 19

2.3.3. Konsep Dasar DEA..................................................................... 19

2.3.4. Model DEA ................................................................................ 20

2.3.4.1. Model CCR (Charnes-Cooper-Rhodes) ............................. 20

2.3.4.2. Model BCC (Banker-Charnes-Cooper) .............................. 22

2.3.4.3. Perbandingan Model CCR dan BCC .................................. 24

2.3.5. Keunggulan dan Kelemahan DEA ............................................... 24

2.3.6. Pemilihan Variabel Input dan Output .......................................... 26

2.3.7. Pengolahan Data dengan Software EMS versi 1.3 ....................... 27

2.4 Data Mining ......................................................................................... 28

2.4.1. Teknik Data Mining .................................................................... 30

2.4.1.1. Classification .................................................................... 30

2.4.1.2. Clustering ......................................................................... 31

2.4.1.3. Decision Tree .................................................................... 31

2.4.1.4. Neural Network ................................................................. 32

2.4.1.4.1. Model Neuron.......................................................... 34

2.4.1.4.2. Single – Input Neuron .............................................. 35


xi

2.4.1.4.3. Multiple Input Neuron ............................................. 35

2.4.1.4.4. Arsitektur Neural Network ....................................... 36

2.4.1.4.5. Proses Pembelajaran pada Neural Network .............. 38

2.4.1.4.6. Backpropagation Multilayer Perceptron .................. 38

2.5 Pengolahan Data dengan Software WEKA 3.7.5 .................................. 40

BAB 3 PENGUMPULAN DAN PENGOLAHAN DATA

3.1 Profil Perusahaan ................................................................................ 43

3.1.1. Visi dan Misi Perusahaan ............................................................ 44

3.1.2. Struktur Organisasi ..................................................................... 44

3.1.3. Mekanisme Pembelian ................................................................ 49

3.2 Pengumpulan Data ............................................................................... 50

3.2.1. Penentuan Kriteria dan Atribut.................................................... 51

3.3 Pengolahan Data .................................................................................. 52

3.3.1. Pengolahan dengan Data Envelopment Analysis (DEA) .............. 52

3.3.2. Pengolahan dengan Teknik Data Mining .................................... 64

BAB 4 ANALISIS HASIL

4.1 Analisis Hasil Pengolahan Data Envelopment Analysis (DEA) ............. 66

4.2 Analisis Hasil Pengolahan Teknik Data Mining .................................. 67

BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan ..................................................................................... ...69

5.2 Saran ................................................................................................ ...69

DAFTAR REFERENSI .............................................................................. ...71


xii

DAFTAR TABEL

Tabel 2.1 Kriteria Seleksi Supplier .................................................................... 15

Tabel 2.2 Review Metode Pemilihan Supplier ................................................... 16

Tabel 3.1 Variabel Input dan Output ................................................................. 53

Tabel 3.2 Skor Efisiensi .................................................................................... 63

Tabel 3.3 Nilai Test Error Data Mining ............................................................ 65


xiii

DAFTAR GAMBAR

Gambar 2.1 Proses – proses kunci terkait fungsi pengadaan ............................ 13

Gambar 2.2 Efficient Frontier DEA model CCR ............................................. 22

Gambar 2.3 Efficient Frontier DEA model BCC ............................................. 23

Gambar 2.4 Perbandingan Model CCR dan BCC ............................................ 24

Gambar 2.5 Hasil Pengolahan Data dengan Software EMS versi 1.3 ................ 28

Gambar 2.6 Tahap – tahap Data Mining ........................................................... 29

Gambar 2.7 Bentuk dasar Neuron .................................................................... 33

Gambar 2.8 Model Neuron ............................................................................... 34

Gambar 2.9 Single – Input Neuron ................................................................... 35

Gambar 2.10 Multiple – Input Neuron .............................................................. 36

Gambar 2.11 Arsitektur Dasar Neural Network ................................................ 36

Gambar 2.12 Single-Layer Neural Network ...................................................... 36

Gambar 2.13 Multilayer Perceptron Neural Network ....................................... 37

Gambar 2.14 Recurrent Perceptron Neural Network ........................................ 37

Gambar 2.15 Tampilan Layar Software WEKA 3.7.5 ....................................... 40

Gambar 2.16 Tampilan menu Explorer ............................................................ 41

Gambar 3.1 Struktur Organisasi PT. TMMIN .................................................. 48

Gambar 3.2 Purchasing sebagai jendela bagi outsource ................................... 49

Gambar 3.3 Mekanisme Pembelian di PT. TMMIN ......................................... 50

Gambar 3.4 Bagan Supplier di PT. TMMIN ..................................................... 51

Gambar 3.5 Model Keputusan DEA ................................................................. 54


xiv

DAFTAR LAMPIRAN

LAMPIRAN 1. Kuesioner Penilaian Kemampuan Supplier

LAMPIRAN 2. Kuesioner Penilaian Kinerja Supplier

LAMPIRAN 3. Hasil Pengolahan Data Mining dengan Menggunakan Weka

3.7.5


1 UNIVERSITAS INDONESIA

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Rantai pasok (supply chain) merupakan suatu jaringan kompleks yang

terdiri dari seluruh tahap misalnya, pemesanan, pembelian, pengendalian

persediaan, manufaktur dan distribusi, yang terlibat dalam produksi dan

penyampaian produk/jasa akhir. Seluruh rantai menghubungkan pelanggan,

manufaktur dan supplier, yang dimulai dengan penciptaan bahan baku atau

komponen oleh supplier, dan berakhir dengan konsumsi produk oleh pelanggan

(Ting dan Cho, 2008).

Ketersediaan bahan baku berkualitas memegang peranan sangat penting

dari seluruh rangkaian kegiatan produksi suatu perusahaan industri terutama untuk

menghasilkan produk akhir yang berkualitas tinggi dan banyak diminati oleh

konsumen. Bahan baku suatu perusahaan industri dapat bervariasi dari satu jenis

hingga berbagai jenis harus disiapkan sebelum kegiatan proses produksi

dilaksanakan. Pada lingkungan yang sangat kompetitif, tidak mungkin bagi suatu

perusahaan untuk sukses, dengan menghasilkan biaya rendah dan produk yang

berkualitas tinggi tanpa adanya supplier yang memuaskan.

Menentukan bahan baku yang baik atau supplier yang tepat semakin

penting agar memperoleh bahan baku yang berkualitas tinggi. Permasalahan

dalam pemilihan supplier adalah tidak terstruktur, rumit, dan masalah keputusan

yang multi kriteria (Yang et al. 2008). Pemilihan supplier merupakan salah satu

kegiatan kritis pada manajemen pembelian dalam rantai pasok, karena kinerja

supplier berperan penting terhadap biaya, kualitas, pengiriman dan jasa dalam

mencapai tujuan dari sebuah rantai pasok (Amiri et al. 2008). Selama ini menurut

(Blocher et al. 2002), para manajer pembelian suatu perusahaan industri lebih

sering menggunakan pertimbangan faktor penawaran harga terendah untuk

memilih pemasok diantara para pemasok. Salah satu faktor lain yang juga

dominan digunakan adalah keinginan untuk segera memiliki dan memenuhi

kebutuhan persediaan (stock) bahan baku. Pengambilan keputusan dalam


2


pemilihan supplier seperti ini dapat beresiko besar terhadap penggunaan bahan

baku saat perusahaan akan memulai kegiatan proses produksinya.

Pemilihan supplier yang digunakan merupakan kegiatan yang kompleks

karena melibatkan banyak kriteria. Dickson (1966) menyebutkan bahwa terdapat

23 kriteria dalam memilih supplier. Namun, tidak semua kriteria tersebut akan

digunakan oleh perusahaan. Beberapa kriteria yang umum dipakai adalah kualitas,

harga, kuantitas, ketepatan dan kecepatan pengiriman. Terdapat beberapa metode

yang dapat digunakan dalam pemilihan supplier. Dimana tujuan utama dari proses

pemilihan supplier adalah untuk mengurangi resiko pembelian, memaksimalkan

nilai keseluruhan untuk pembeli, dan membangun hubungan yang erat dan jangka

panjang antara pembeli dan supplier (Tahriri et al. 2008). Metode untuk pemilihan

supplier harus disesuaikan dengan kriteria-kriteria kinerja supplier yang

ditetapkan perusahaan dan faktor lain. Bahan baku perusahaan merupakan bahan

baku yang bersifat fluktuatif baik dari segi harga maupun ketersediaan. Sehingga,

dalam pemilihan supplier, seringkali digunakan pertimbangan dari fleksibilitas

supplier.

Kriteria-kriteria mungkin memiliki dimensi kuantitatif dan kualitatif.

Sebuah pendekatan strategis terhadap pembelian lebih lanjut, menekankan perlu

mempertimbangkan beberapa kriteria. Dalam kasus pemilihan supplier strategis,

Wu (2011) menekankan tidak hanya perlu untuk mempertimbangkan kriteria

tradisional seperti harga dan kualitas, tetapi juga jangka panjang dan kriteria

kualitatif seperti “strategic fit” dan penilaian dari kemampuan manufaktur di

masa depan.

PT. TMMIN menerapkan supply chain management (SCM), untuk tetap

mempertahankan misinya, yaitu unggul di bidang otomotif. Hal terpenting untuk

meraih kesuksesan pada SCM adalah melakukan manajemen terhadap supplier.

Selama ini pemilihan supplier di PT. TMMIN dilakukan oleh bagian purchasing,

dengan mempertimbangkan 4 hal, yaitu : harga, kualitas, pengiriman, dan

pelayanan.

Dalam hal ini perlu dilakukan rancangan pemilihan supplier yang tidak

hanya melibatkan preferensi perusahaan tetapi juga preferensi dari supplier itu

sendiri. Metode yang dipandang tepat untuk menyelesaikan masalah ini adalah


3


dengan Data Envelopment Analysis (DEA) dan Teknik Data Mining. Dimana

DEA merupakan suatu teknik pemrograman matematis, yang membangun sebuah

program linier untuk mengidentifikasi perbatasan produksi non parametrik. DEA

merupakan suatu alat manajemen untuk mengevaluasi tingkat efisiensi relatif

sebuah DMU (Decision Making Unit) yang bersifat non-parametrik dan multi

faktor baik input maupun output.

Dengan menggunakan DEA, kinerja untuk keseluruhan supplier dapat

dikategorikan ke dalam supplier yang efisien dan tidak efisien. Pengelompokkan

ini tidak hanya berdasarkan dari preferensi perusahaan saja, melainkan

berdasarkan preferensi dari supplier itu sendiri. Selanjutnya, untuk hasil evaluasi

dengan metode DEA, dengan bantuan teknik data mining yaitu Decision Tree dan

Neural Network maka bisa diprediksi model pemilihan supplier yang potensial

untuk masa yang akan datang. Dimana teknik data mining itu sendiri memiliki

kelebihan diantaranya adalah dapat mencakup permasalahan yang kompleks dan

penuh dengan ketidakpastian, serta memiliki fleksibilitas yang tinggi. Sehingga

akan membantu dalam penyelesaian masalah yang ada.

1.2 Diagram Keterkaitan Masalah

Berdasarkan latar belakang permasalahan diatas, maka dapat dibuat diagram

keterkaitan masalah yang menampilkan hubungan dari sub-sub permasalahan

secara visual dan sistematis mulai dari penyebab hingga tujuan yang akan dicapai.

Diagram keterkaitan masalah penelitian ini ditunjukkan oleh Gambar 1.1

1.3 Perumusan Masalah

Masalah yang dihadapi adalah mengenai diperlukannya suatu framework

dari pemilihan supplier yang sesuai dengan kriteria perusahaan, agar supplier

yang terpilih nantinya mampu melaksanakan kewajibannya menyediakan bahan

baku yang dibutuhkan perusahaan untuk proses produksinya.


4


Gambar 1.1 Diagram Keterkaitan Masalah


5


1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mendapatkan framework dari

pemilihan supplier yang memiliki kinerja yang baik sesuai dengan kriteria yang

telah ditentukan perusahaan.

1.5 Ruang Lingkup Penelitian

Ruang lingkup penelitian dibatasi pada :

Penelitian dilakukan pada kegiatan pembelian tools pada yang dilakukan

oleh divisi purchasing di PT. TMMIN.

Data yang diambil merupakan data primer yang didapatkan dari hasil

kuesioner, dimana kuesioner diberikan kepada pihak perusahaan serta

masing-masing supplier.

Pengolahan data dilakukan dengan menggunakan Data Envelopment

Analysis (DEA), serta Teknik Data Mining, yaitu Decsision Tree dan

Neural Network.

Pemecahan masalah dibatasi hanya sampai dengan mendapatkan

framework dari pemilihan supplier.

1.6 Metodologi Penelitian

Pelaksanaan penelitian ini mengikuti tahap-tahap seperti tampak pada

Gambar 1.2. Dimana hal pertama yang dilakukan adalah identifikasi masalah

yaitu dalam hal pemilihan supplier. Selanjutnya dilakukan studi literatur

mengenai Metode Data Envelopment Analysis (DEA), Data Mining, dan teori

mengenai pemilihan supplier. Tahap ini sangat krusial karena terkait dengan

pemilihan metode atau teknik untuk menyelesaikan permasalahan yang dihadapi.

Langkah selanjutnya adalah pengumpulan data, yang diperlukan untuk

pengolahan data. Data yang tersebut didapatkan dari hasil penyebaran kuesioner,

dimana ada dua kuesioner yaitu penilaian kemampuan supplier yang diisi masing

– masing supplier dan penilaian kinerja supplier yang diisi oleh perusahaan.

Pengolahan data dilakukan dengan menggunakan metode Data

Envelopment Analysis (DEA), yang bertujuan untuk mengelompokkan supplier ke

dalam kelompok supplier yang efisien dan tidak efisien berdasarkan hasil skor


6


efisiensi. Kemudian selanjutnya dengan menggunakan data kinerja perusahaan

yang berkaitan untuk melatih teknik data mining yaitu Neural Network dan

Decision Tree, agar bisa memprediksi model supplier yang baru.

Dan yang terakhir adalah dilakukan analisis hasil pengolahan data, untuk

kemudian bisa menarik kesimpulan dari analisis tersebut. Selengkapnya

Metodologi Penelitian ini dapat dilihat pada gambar 1.2.

1.7 Sistematika Penulisan

Sistematika penulisan Tesis ini dibagi menjadi 5 Bab. Masing-masing Bab

berisi tentang :

Bab 1 - Pendahuluan. Bagian ini menjelaskan latar belakang permasalahan,

diagram keterkaitan masalah, perumusan masalah, tujuan penelitian, ruang

lingkup masalah, metodologi penelitian serta sistematika penulisan.

Bab 2 - Landasan Teori. Bagian ini menguraikan tinjauan literatur mengenai

teori pemilihan supplier, Metode Data Envelopment Analysis (DEA) dan teknik

Data Mining.

Bab 3 - Pengumpulan Data. Bagian ini menjelaskan mengenai data-data yang

berkaitan dalam pemilihan supplier, serta sumber data yang digunakan dan cara

mendapatkannya.

Bab 4 - Pengolahan Data dan Analisis. Bagian ini menjelaskan proses

pengolahan dan analisis data yang telah dilakukan dengan menggunakan Metode

Data Envelopment Analysis (DEA) dan teknik Data Mining

Bab 5 - Kesimpulan dan Saran. Bagian ini berisi kesimpulan dari hasil

penelitian dan saran-saran untuk penelitian berikutnya.


7


Gambar 1.2 Diagram Alir Metodologi Penelitian


8


Gambar 1.2 Diagram Alir Metodologi Penelitian (lanjutan)



BAB 2

TINJAUAN LITERATUR

2.1 Konsep Pembelian

Purchasing atau pembelian merupakan kegiatan menyeluruh yang

berfokus pada pengadaan material dan jasa yang dibutuhkan untuk mencapai

tujuan organisasi. Dalam pandangan sempit, purchasing digambarkan sebagai

proses membeli, dalam arti luas purchasing didefinisikan sebagai proses

pembelian yang diawali dengan pengenalan kebutuhan, mencari dan menyeleksi

supplier, negosiasi harga dan kesepakatan penting lainnya, serta menindaklanjuti

kepastian pengiriman (Leenders et al. 1997).

Saat ini aktivitas pembelian semakin berkembang dan memerlukan

keahlian khusus. Sedikitnya diperlukan 3 macam keahlian untuk dapat melakukan

fungsi pembelian, yaitu business skill (keahlian dalam mengelola sebuah badan

usaha agar mendapat keuntungan), interpersonal skill (keahlian melakukan

pendekatan pribadi dengan pihak lain dalam upaya menciptakan kesamaan

pdanangan dan kesepakatan suatu diskusi kerja) dan technical skill (keahlian

dalam memahami proses manufaktur sertaa spesifikasi material yang diperlukan)

(Humpreys et al. 1999).

2.1.1 Manajemen Pembelian

Rantai pasokan menerima perhatian yang besar karena di sebagian besar

perusahaan, pembelian merupakan kegiatan yang paling memakan biaya.

Pembelian berarti perolehan barang atau jasa. Kegiatan pembelian adalah salah

satu tugas bagian pengadaan barang yang paling rutin dilakukan. Pembelian

memberikan peluang besar pengurangan biaya dan peningkatan margin kontribusi.

Tujuan utama dari pembelian material dan komponen menurut Gasperz, 2004

adalah :

1. Mempertahankan kontinuitas dari supplier agar sesuai dengan jadwal.

2. Memberikan material dan komponen yang memenuhi atau tingkat kualitas

yang ditetapkan kepada bagian produksi untuk diproses menjadi produk

akhir guna memenuhi permintaan dari pelanggan.


10


3. Memperoleh item-item yang dibutuhkan pada ongkos yang serendah

mungkin tetapi masih tetap konsisten dengan kubutuhan kualitas, waktu

penyerahan, dan performansi lainnya.

Sedangkan tujuan dari kegiatan pembelian menurut Render dan Heizer, 2001

adalah :

1. Membantu mengidentifikasi produk atau jasa yang dapat diperoleh secara

eksternal.

2. Mengembangkan, mengevaluasi, dan menentukan supplier, harga dan

pengiriman yang terbaik bagi barang atau jasa tersebut.

2.1.1.1 Strategi – Strategi Pembelian

Strategi pembelian sering dikaitkan dengan kemampuan perusahaan untuk

mengendalikan dan mengatur hubungan dengan suppliernya. Berikut ini beberapa

strategi pembelian yang mungkin dikembangkan oleh perusahaan (Render dan

Heizer, 2001).

a) Banyak Supplier

Dengan strategi banyak supplier, supplier menanggapi permintaan

dan spesifikasi dari “permintaan untuk kutipan”, pesanan biasanya

jatuh ke penawar yang paling murah. Strategi ini memainkan antara

supplier satu dengan yang lainnya dan membebankan supplier untuk

memenuhi permintaan pembeli. Supplier secara agresif bersaing satu

sama lainnya. Meskipun banyak pendekatan negosiasi yang dapat

digunakan dengan strategi ini, hubungan jangka panjang bukan

merupakan tujuan. Pendekatan ini membebankan tanggung jawab pada

supplier agar mempertahankan teknologi, keahlian, dan kemampuan

ramalan yang diperlukan ditambah dengan biaya, kualitas, dan

kemampuan pengiriman.

b) Beberapa Supplier

Strategi dimana suppliernya ada beberapa supplier

mengimplikasikan bahwa bukannya mencari atribut-atribut jangka

pendek, pembeli lebih baik membentuk hubungan jangka panjang

dengan supplier yang komit. Penggunaan hanya beberapa supplier


11


dapat menciptakan nilai dengan memungkinkan supplier mempunyai

skala ekonomis dan kurva belajar yang menghasilkan biaya transaksi

dan biaya produksi yang lebih rendah.

c) Integrasi Vertikal

Pembelian dapat diperluas menjadi bentuk integrasi vertikal.

Integrasi vertical, artinya pengembangan kemampuan memproduksi

barang dan jasa yang sebelumnya dibeli, atau dengan benar-benar

membeli supplier atau distributor. Integrasi vertikal dapat mengambil

bentuk integrasi ke belakang atau ke depan.

Integrasi vertikal dapat menawarkan peluang-peluang strategis bagi

para manajer operasi. Untuk perusahaan-perusahaan yang analisis

internalnya menampakkan bahwa mereka mempunyai modal,

kemampuan manajemen, dan permintaan yang ada, integrasi vertikal

dapat memberikan kesempatan-kesempatan substansial dalam

mengurangi biaya. Keuntungan-keuntungan lainnya dalam

pengurangan persediaan dan penjadwalan persediaan dapat diperoleh

perusahaan yang mengelola integrasi vertikal atau hubungan yang erat

dan saling menguntungkan dengan supplier. Integrasi vertikal dapat

menghasilkan pengurangan biaya, peningkatan kualitas, dan

pengiriman yang tepat waktu. Tambahan pula, integrasi vertikal

terlihat baik bila pangsa pasar organisasi besar atau bila keahlian

menajemennya dapat mengoperasikan penjual yang diakuisisi.

d) Jaringan Keiretsu

Banyak perusahaan manufaktur yang menemukan jalan tengah

antara membeli dari sedikit supplier dan integrasi vertikal. Perusahaan-

perusahaan menaufaktur seringkali mendukung supplier secara

finansiallewat kepemilikan atau pinjaman. Supplier kemudian menjadi

bagian dari koalisi perusahaan yang dikenal dengan sebutan keiretsu.

Anggota keiretsu dipastikan akan mempunyai hubungan jangka

panjang dan oleh sebab itu diharapkan dapat berfungsi sebagai mitra,

menularkan keahlian teknis, dan mutu produksi yang stabil kepada


12


perusahaan manufaktur. Para anggota keiretsu dapat juga beroperasi

sebagai subkontraktor rantai dari pemasok-pemasok yang lebih kecil.

e) Perusahaan Maya (Virtual)

Perusahaan maya mengdanalkan berbagai hubungan supplier untuk

memberikan pelayanan pada saat diperlukan. Perusahaan maya batasan

organisasinya tidak tetap dan bergerak sehingga mereka bisa

menciptakan perusahaan yang unik agar dapat memenuhi permintaan

pasar yang berubah-ubah. Hubungan yang ada dapat berjangka pendek

ataupun berjangka panjang, mitra sejati atau hanya pemberi kolaborasi,

dan supplier atau subkontraktor yang mampu. Keuntungan bentuk

perusahaannya mencakup keahlian manajemen yang terspesialisasi,

investasi modal yang rendah, fleksibilitas, dan kecepatan. Hasilnya

adalah efisiensi.

2.1.2 Manajemen Hubungan dengan Supplier

Dalam rantai pasokan, koordinasi antara perusahaan manufaktur dengan

para supplier biasanya merupakan hubungan yang sulit sekaligus penting dalam

jaringan distribusi. Oleh karena supplier adalah bagian eksternal perusahaan

manufaktur, koordinasi menjadi tidak mudah, kecuali kerjasama dan pertukaran

informasi antara keduanya sudah terintegrasi. Kegagalan koordinasi dapat

menyebabkan keterlambatan yang berlebih, dan pada akhirnya berdampak pada

buruknya pelayanan konsumen. Akibatnya, persediaan barang yang didatangkan

dari supplier atau produk jadi pada perusahaan manufaktur dan distributor

menjadi terakumulasi. Pada akhirnya, total biaya dari kesuluruhan pasokan akan

meningkat (Lee et al. 2001).

Kebanyakan perusahaan manufaktur yang sukses telah mengembangkan

strategi pegelolaan pasokan (sourcing) dengan para pemasoknya untuk

menghasilkan peluang keuntungan bersama. Aliansi strategis formal dengan

kesamaan tujuan, investasi, obligasi, dan kesalingpercayaan dibangun bersama-

sama (Gullen, 2007). Dalam perspektif SCM, manajemen hubungan dengan

supplier perlu dijalankan secara terintegrasi dengan dua proses makro rantai

pasokan lainnya ; manajemen rantai pasokan internal dan manajemen hubungan


13


dengan konsumen. Dimensi keputusan dalam bingkai hubungan dengan supplier

ini berkaitan erat dengan fungsi pengadaan yang dijalankan perusahaan.

Pengadaan menunjuk pada seluruh rangkaian proses bisnis yang diperlukan untuk

memperoleh barang (material) atau jasa. Proses pengadaan meliputi seleksi

supplier, desain kontrak, kolaborasi desain produk, pengadaan barang atau jasa,

dan evaluasi kinerja supplier, sebagaimana ditunjukkan oleh Gambar 2.1 (Chopra

dan Meindl, 2001).

Gambar 2.1 Proses – proses kunci terkait fungsi pengadaan

(Sumber : Chopra dan Meindl, 2001)

2.2. Seleksi dan Evaluasi Supplier

Selama lebih dari satu dekade terakhir ini, kebutuhan untuk memperoleh

daya saing global pada sisi pasokan meningkat pesat (Ting dan Cho, 2008).

Manajemen rantai pasokan yang efektif dalam kondisi persaingan saat ini

mendorong terjalinnya hubungan strategis yang dekat dalam jangka panjang

dengan lebih sedikit rekanan (Koprulu dan Albayrakoglu, 2007; Narasimhan et al.

2004). Dalam tuntutan kondisi yang demikian, proses seleksi supplier sangatlah

penting bagi kesuksesan organisasi perusahaan manufaktur apa pun. (Tahriri et al.

2008)

Pemilihan supplier yang kompeten merupakan keputusan strategis pertama

yang menentukan kesuksesan implementasi manajemen rantai pasokan. Seleksi

supplier sangat disadari sebagai salah satu tanggung jawab terpenting dakam

fungsi manajemen pengadaan. Supplier yang terkelola dengan baik dalam suatu

rantai pasokan akan memberikan efek jangka panjang terhadap daya saing

keseluruhan rantai pasokan itu sendiri dan dampak yang mendalam pada kepuasan

pelanggan. Pearson dan Ellram (1995) menyebutkan beberapa alasan mengapa

seleksi dan evaluasi supplier menjadi hal yang begitu penting, terutama

sehubungan dengan dampak yang diberikan oleh manajemen rantai pasokan,

sebagai berikut (Hou dan Huang, 2002).

Penilaian dan assessment

supplier

Seleksi Supplier dan negosiasi

kontrak

Kolaborasi

desain

Pembelian

Perencanaan dan

analisis pengadaan


14


1. Tren reduksi basis pasokan dan hubungan jangka panjang dengan supplier.

Adopsi praktek just in time yang semakin meningkat dalam industri

manufaktur telah meningkatkan perhatian terhadap reduksi basis pasokan,

sehingga proses seleksi dan evaluasi supplier menjadi lebih penting.

Reduksi basis pasokan ini melibatkan komitmen jangka panjang dengan

supplier, yang pada gilirannya mendorong adanya sharing sumber daya

karena adanya interaksi yang lebih kuat antara pembeli dan supplier. Pada

umumnya evaluasi supplier dapat dijadikan alat untuk mengurangi

variabilitas supplier dari sisi pengiriman, kualitas, fleksibilitas, dan

sebagainya.

2. Strategi pelibatan supplier dalam proses desain produk. Praktek ini

dianggap sabagai salah satu kontributor yang signifikan dalam mengurangi

biaya dan meningkatkan kualitas pada siklus produksi.

3. Perkembangan system informasi electronic data interchangeable (EDI)

yang memfasilitasi koordinasi dan interaksi yang lebih dekat antara

pembeli dan supplier.

2.2.1 Kriteria Pemilihan Supplier

Seleksi supplier merupakan keputusan yang sulit karena berbagai macam

kriteria harus dipertimbangkan dalam proses pembuatan keputusannya. Analisis

mengenai kriteria untuk memilih dan mengukur kinerja supplier telah menjadi

fokus perhatian banyak ilmuan dan praktisi pengadaan sejak 1960-an. Dickson

(1966) pertama kali melakukan studi ekstensif mengidentifikasi, menentukan, dan

menganalisis kriteria apa yang digunakan dalam memilih suatu perusahaan

sebagai supplier. Sebanyak lebih dari 23 kriteria dipertimbangkan dalam studinya,

dimana responden diminta untuk memberikan nilai kepentingan bagi setiap

kriteria.

Selanjutnya, Weber et al. (1991) menyajikan klasifikasi semua artikel yang

dipublikasikan sejak 1966 berdasarkan perhatian kriterianya. Berdasarkan 74

paper, kriteria harga, pengiriman, kualitas, kapasitas produksi dan lokasi

merupakan kriteria yang paling banyak disebut dalam literatur.


15


Tabel 2.1 Kriteria Seleksi Supplier (Dickson, 1966)

Rank Faktor Rank Faktor

1. Quality 13. Management and Organization

2. Delivery 14. Operating controls

3. Performance History 15. Repair services

4. Warranties & Claim Policies 16. Attitude

5. Production Facilities and Capacities 17. Impression

6. Price 18. Packaging Ability

7. Technical Capability 19. Labor Relation Record

8. Financial Position 20. Geographical Location

9. Procedural Compliance 21. Amount of Past Business

10. Communication System 22. Training aids

11. Reputation and Position 23. Reciprocal arrangement

12. Desire for Business

Pada prinsipnya kriteria-kriteria yang digunakan dalam evaluasi supplier

sangat tergantung kepada kondisi aktual perusahaan yang terkait dengan fokus

manajemen terhadap hubungan dengan supplier.

2.2.2 Metode Pemilihan Supplier

Dalam literatur, terdapat beberapa metode pemilihan supplier. Beberapa

peneliti menggunakan model linear weighting seperti metode pembobotan

(Timmerman, 1986) dan Analytical Hierarchy Process (Nydick dan Hill, 1992).

Pendekatan total cost of ownership (Ellram, 1995). Serta model mathematical

programming dianggap sebagai pendekatan secara kuantitatif, seperti principal

component analysis (Petroni dan Braglia, 2000) dan neural network (Wei, 1997).


16


Tabel 2.2 Review Metode Pemilihan Supplier

No. Penulis Metode Review

1. Narasimhan, R., Talluri, S., Mendez, D (2001)

Data Envelopment Analysis(DEA)

Model DEA digunakan untuk mengevaluasi supplier alternatif untuk sebuah perusahaan multinasional di industri telekomunikasi. 11 faktor evaluasi dianggap dalam model, di mana ada enam input terkait dengan kemampuan supplier, dan lima output terkait dengan kinerja supplier. Berdasarkan skor kinerja, supplier diklasifikasikan menjadi empat kategori: yang berkinerja tinggi dan efisien, berkinerja tinggi dan tidak efisien, berkinerja rendah dan efisien, dan rendah dan tidak efisien.

2. Ng, W.L., (2008)

Linear Programming Mengembangkan sebuah model weighted linear programming untuk masalah seleksi supplier, dengan tujuan memaksimalkan nilai supplier. Mirip dengan AHP, melibatkan para pembuat keputusan dalam menentukan bobot relatif kepentingan kriteria.

3. Hajidimitriou, Y.A., Georgiou, A.C., (2002)

Goal Programming Teknik GP untuk masalah pemilihan mitra supplier yang mampu mencapai tujuan ganda untuk berbagai tingkat kinerja atribut terkait. Namun, metode ini tidak mempertimbangkan kombinasi dari mitra potensial yang dapat menghasilkan solusi yang lebih baik untuk rantai pasokan secara keseluruhan membandingkan dengan hanya satu calon yang diidentifikasi.

4. Chan, F.T.S., Chan, H.K., Ip, R.W.L., Lau, H.C.W., (2007)

Analytical Hierarchy Process (AHP)

Mengembangkan keputusan AHP untuk memecahkan masalah seleksi supplier. Supplier potensial dievaluasi berdasarkan 14 kriteria. Sebuah analisis sensitivitas menggunakan Expert Choice dilakukan untuk memeriksa respon dari alternatif ketika Peringkat kepentingan relatif dari setiap kriteria diubah


17


Tabel 2.2 Review Metode Pemilihan Supplier (lanjutan)

No. Penulis Metode Review

5. Chen, C.T., Lin, C.T., Huang, S.F., (2006)

Fuzzy Sets Disajikan sebuah model hirarki yang didasarkan pada fuzzy-set untuk mengatasi masalah seleksi supplier. Nilai-nilai linguistik yang digunakan untuk menilai peringkat dan bobot untuk mengevaluasi supplier faktor. Linguistik peringkat ini dapat diekspresikan dalam trapezoidal dan triangular fuzzy numbers. Model yang diusulkan itu mampu menangani kriteria kuantitatif dan kualitatif.

6. Lau, H.C.W., Lee, C.K.M., Ho, G.T.S., Pun, K.F., Choy, K.L., (2006)

Artificial Neural Network (ANN) & Genetic Algorithm (GA)

Mengembangkan Integrasi ANN dan GA untuk seleksi supplier. ANN bertanggung jawab untuk pembandingan supplier potensial berkaitan dengan empat faktor evaluasi. Setelah itu, GA digunakan untuk menentukan kombinasi terbaik dari supplier. Empat kriteria evaluasi digunakan lagi dalam fungsi fitness dari GA

7. Parag C. Pendharkar (2011)

Data Envelopment Analysis (DEA) & Neural Network (NN)

Motivasi utama dari penelitian ini adalah untuk mengatasi beberapa pembatasan model DEA sehingga model ini dapat digunakan untuk berbagai masalah klasifikasi. Secara khusus,dalam penerapan model DEA untuk masalah klasifikasi atribut pengambilan keputusan adalah non-negatif; pengambilan keputusan mengasumsikan monotonisitas, masalah klasifikasi adalah masalah klasifikasi biner dimana dua kelas yang linear dipisahkan

8. Wu, D.S., (2009)

Data Envelopment Analysis (DEA), Decision Tree (DT), and Neural Network (NN)

Terdiri dari 2 modul metodologi penelitian : Modul 1, menggunakan DEA 2-stages untuk mengklasifikasikan suppliers kedalam kelompok yang efisien dan tidak efisien. Modul 2 adalah klasifikasi atau modul regresi berdasarkan DT atau NN, yang memanfaatkan data kinerja suppliers yang terkait untuk melatih DT atau model NN dan menerapkan pengklasifikasi terlatih atau prediksi ke suppliers baru.


18


2.3 Konsep Pengukuran Efisiensi

Pengukuran efisiensi modern pertama kali diperkenalkan oleh Farrrel

(1957), bekerja sama dengan Debreu dan Koopmas, dengan mendefinisikan suatu

ukuran yang sederhana untuk mengukur efisiensi suatu perusahaan. Efisiensi yang

dimaksud adalah efisiensi teknis (technical efficiency) dan efisiensi alokatif

(allocative efficiency). Efisiensi teknis merupakan refleksi kemampuan dari suatu

perusahaan untuk memaksimalkan output dengan input tertentu, sementara

efisiensi alokatif merefleksikan suatu organisasi untuk mamanfaatkan input secara

optimal dengan tingkat harga yang telah ditentukan. Pengukuran efisiensi secara

khusus terhadap kinerja supplier, diantaranya dilakukan oleh Narasimhan et al.

(2001), Talluri et al. (2004), Garfamy (2006), Ross et al. (2006), Seydel (2006),

Wu et al. (2007), Saen (2010), Wu dan Olson (2010), serta Wu dan Blackhurst

(2009).

2.3.1 Data Envelopment Analysis (DEA)

Data Envelopment Analysis (DEA) pertama kali dikembangkan oleh

Charnes, Choper, Rhodes (1978) yang merupakan pengembangan dari konsep

efisiensi teknikal yang dibuat oleh Farrel (1957). DEA diciptakan sebagai suatu

alat evaluasi kinerja suatu aktivitas di sebuah unit entitas. Secara sederhana

pengukuran dinyatakan sebagai rasio antara output/input yang merupakan satuan

pengukuran produktivitas yang bisa dinyatakan secara parsial (misalnya, output

per jam atau output per pekerja, dengan output berupa penjualan, profit, dan

sebagainya) atau secara total (melibatkan semua output dan input dalam suatu

entitas ke dalam pengukuran). Namun perluasan pengukuran produktivitas dari

parsial ke total akan membawa kesulitan dalam memilih input dan output apa

yang harus disertakan dana bagaimana pembobotannya (Cooper et al. 2002).

Penggunaan bobot yang bersifat fixed untuk semua input dan ouput dari

entitas yang dievaluasi dikenal sebagai konsep Total Factor Productivity dalam

ilmu ekonomi. Konsep ini berlawanan dengan metode DEA dimana digunakan

bobot yang bersifat variabel berdasarkan ukuran terbaik yang dimungkinkan untuk

setiap entitas yang dievaluasi.


19


2.3.2 Decision Making Unit (DMU)

DEA adalah linear programming yang berbasis pada pengukuran tingkat

performance suatu efisiensi dari suatu organisasi dengan menggunakan Decision

Making Unit (DMU). Istilah DMU dalam DEA dapat berupa bermacam-macam

unit seperti bank, rumah sakit, unit dari pabrik, departemen, universitas, sekolah,

pembangkit listrik, kantor polisi, kantor samsat, kantor pajak, penjara dan apa saja

yang memiliki kesamaan karakteristik operasional (Siswadi dan Purwantoro,

2006). Ramanathan (2003) menyebutkan ada dua faktor yang mempengaruhi

dalam pemilihan DMU, yaitu :

1. DMU harus merupakan unit-unit yang homogen. Unit-unit tersebut

melakukan tugas (task) yang sama. Dan memiliki obyektif yang sama.

Input dan output yang mencirikan kinerja dari DMU harus identik, kecuali

berbeda hanya intensitas dan jumlah/ukurannya (magnitude). Hal ini juga

sejalan dengan pendapat Sufian (2006).

2. Hubungan antara jumlah DMU terhadap jumlah input dan output kadang

kala ditentukan berdasarkan “rule of thumb”, yaitu jumlah DMU yang

diharapkan lebih banyak dibandingkan dengan jumlah input dan output

dan ukuran sampel seharusnya dua atau tiga kali ebih banyak

dibandingkan dengan jumlah keseluruhan input dan output.

Hal yang sama dikemukakan oleh Barnum dan Gleason (2008), bahwa

pertimbangan dalam pemilihan sampel DMU adalah jumlah dari DMU itu sendiri.

Untuk dapat membedakan secara selektif DMU yang efisien dan inefisien maka

diperlukan jumlah DMU yang lebih besar dari perkalian jumlah input dan jumlah

output. Jumlah DMU sekurang-kurangnya tiga kali lebih besar dari total jumlah

variabel input dan output (Dyson, 2001). Namun pada beberapa penelitian lain

mengenai DEA terdapat pula penggunaan sampel DMU yang lebih kecil.

2.3.3 Konsep Dasar DEA

DEA adalah pengembangan programasi linear yang didasarkan pada

teknik pengukuran kinerja relatif dari sekelompok unit input dan output. DEA

dapat mengatasi keterbatasan yang dimiliki analisis rasio parsial maupun regresi

berganda. DEA merupakan prosedur yang dirancang secara khusus untuk


20


mengukur efisiensi relatif suatu decision making unit (DMU) yang menggunakan

banyak input maupun output. Dalam DEA efisiensi relatif DMU didefinisikan

sebagai rasio dari total output tertimbang dibagi total input tertimbangnya.

Inti dari DEA adalah menentukan bobot (weights) atau timbangan untuk

setiap input dan output DMU. Bobot tersebut memiliki sifat tidak bernilai negatif

dan bersifat universal, artinya setiap DMU dalam sampel harus dapat

menggunakan seperangkat bobot yang sama untuk mengevaluasi rasionya (total

weighted output/total weighted input) dan rasio tersebut tidak boleh lebih dari satu

(total weighted output/total weighted input 1).

DEA berasumsi bahwa setiap DMU akan memilih bobot yang

memaksimumkan rasio efisiensinya (maximize total weighted output/total

weighted input). Karena setiap DMU menggunakan kombinasi input yang berbeda

untuk menghasilkan kombinasi output yang berbeda pula, maka setiap DMU akan

memilih seperangkat bobot yang mencerminkan keragaman tersebut. Bobot-bobot

tersebut bukan merupakan nilai ekonomis dari input dan outputnya, melainkan

sebagai penentu untuk memaksimumkan efisiensi dari suatu DMU.

Cara pengukuran yang digunakan dalam DEA adalah dengan

membandingkan antara output yang dihasilkan dengan input yang ada

(Ramanathan, 2003).

Efisiensi = Output / Input (2.1)

Dalam kenyataannya, baik input maupun output dapat lebih dari satu.

Dalam membandingkan output dan input, digunakan bobot untuk masing-masing

input dan output yang ada (Ramanathan, 2003).

Efisiensi = total weighted output / total weighted input (2.2)

2.3.4 Model DEA

2.3.4.1 Model CCR (Charnes-Cooper-Rhodes)

Pertama kalinya model CCR ditemukan oleh Charnes, Cooper dan Rhodes

pada tahun 1978. Pada model ini diperkenalkan suatu ukuran efisiensi untuk

masing-masing decision making unit (DMU) yang merupakan rasio maksimum

antara output yang terbobot dan input yang terbobot. Masing-masing nilai bobot

yang digunakan dalam rasio tersebut ditentukan dengan batasan bahwa rasio yang


21


sama untuk tiap DMU harus memiliki nilai yang kurang dari atau sama dengan

satu. Model CCR dapat dituliskan sebagai berikut ini :

Maks : Efficiency = (2.3)

Dengan keterangan :

m = jumlah input

s = jumlah output

ur = bobot output ke-r

vi = bobot input ke-i

xio = jumlah input ke-i yang digunakan oleh DMU

yio = jumlah output ke-r yang digunakan oleh DMU

Dengan syarat : untuk setiap DMU dalam sampel.

j = 1,……,n (jumlah dari DMU)

ur , vr 0

Model DEA memberikan satu set bobot unik untuk masing-masing

DMU. Jumlah bobot yang akan memaksimalkan efisiensi suatu DMU dibatasi

dengan nilai antara 0 dan 1 (antara nol dan kurang dari atau sama dengan satu).

Dengan demikian, nilai optimal dari efisiensi (nilai tujuan dari program linier)

mendekati nilai 1. Pada model DEA CCR ini mengasumsikan return to scale yang

konstan (CRS) menghasilkan perbatasan efisien yang terukur berbentuk linier.

Persamaan 2.3 diatas dapat dilinierkan dengan mengharuskan jumlah

total bobot dari input memiliki nilai konstan, yaitu 1. Kondisi ini menghasilkan

alternatif masalah optimasi, model CCR input oriented, dimana fungsi tujuan

untuk memaksimalkan jumlah bobot dari output.

Maks : ho = (2.4)

Dengan syarat :

ur , vr 0


22


Untuk tujuan output oriented, CCR model dapat dibuat dimana jumlah total bobot

dari output dibuat konstan dan fungsi tujuan meminimalkan jumlah bobot dari

input :

Min : ho = (2.5)

Dengan syarat :

ur , vr 0

Gambar 2.2 Efficient Frontier DEA model CCR

(Sumber : Kim et al. 2009)

Model CCR dikenal dengan nama constant return to scale (CRS), yaitu

perbandingan nilai output dan input bersifat konstan, penambahan nilai input dan

output sebanding. Pada model CCR, tidak terdapat syarat convexity constraint,

berbeda dengan model Banker-Charnes-Cooper (BCC) yang terdapat syarat

convexity constraint.

2.3.4.2 Model BCC (Banker-Charnes-Cooper)

Hasil model DEA yang memberikan variabel return to scale disebut model

BCC (Banker, Charnes, Cooper, 1984). Pada model solusi primal, sebuah DMU

akan berada pada garis efisiensi apabila memenuhi syarat

(atau ) dalam kondisi optimal. Pada model ini syarat bahwa


23


bahwa ur dan vi harus bersifat positif. Model solusi primal input oriented dapat

dituangkan dalam persamaan sebagai berikut :

Min : ho = (2.6)

Dengan syarat :

ur , vi

Sedangkan solusi model primal dengan ouput oriented dapat dituangkan dalam

persamaan sebagai berikut :

Maks : ho = (2.7)

Dengan syarat :

ur , vi

Agar variabel return terskala, maka perlu ditambahkan kondisi convexity bagi

nilai-nilai bobot , yaitu dengan menambahkan dalam model diatas batasan

berikut :

Gambar 2.3 Efficient Frontier DEA model BCC


24


(Sumber : Kim et al. 2009)

Model BCC juga dikenal dengan nama variable return to scale (VRS), yaitu

peningkatan input dan output tidak berproporsi sama. Peningkatan proporsi yang

bersifat increasing return to scale (IRS) atu bisa juga bersifat decreasing return to

scale (DRS).

2.3.4.3 Perbandingan Model CCR dan BCC

Pada model DEA CCR atau sering dikenal dengan nama constant return to

scale (CRS), perbandingan nilai output dan input bersifat konstan, penambahan

nilai input dan output sebanding. Pada model DEA BCC yang juga dikenal

dengan nama variable return to scale (VRS), peningkatan input dan output tidak

berproporsi sama. Peningkatan proporsi bisa bersifat increasing return to scale

(IRS) atau bisa juga bersifat decreasing return to scale (DRS). Berikut ini

perbandingan model CCR dan model BCC dalam bentuk grafik :

Gambar 2.4 Perbandingan Model CCR dan BCC

(Sumber : Chehade, 1998)

2.3.5 Keunggulan dan Kelemahan DEA

Mengingat setiap organisasi mempunyai level input yang bervariasi dan juga

menghasilkan level output yang bervariasi, maka DEA telah membuka

kesempatan untuk menangani berbagai kasus yang tidak dapat didekati dengan

metode lain karena sifat hubungan yang kompleks antara banyak input dan banyak


25


output yang terlibat. Seperti halnya ukuran efisiensi pada umumnya, ukuran

efisiensi dalam DEA dinyatakan sebagai nisbah output dibagi input, sehingga nilai

efisiensi maksimalnya adalah satu atau seratus persen. Menurut Purwantoro

(2004) model DEA digunakan sebagai perangkat untuk mengukur kinerja

setidaknya memiliki tiga keunggulan dibandingkan dengan model lainnya, yaitu ;

1. Model DEA dapat mengukur banyak variabel input dan variabel output.

2. Tidak diperlukan asumsi hubungan fungsional antara variabel-variabel

yang diukur.

3. Variabel input dan output dapat memiliki satuan pengukuran yang

berbeda.

Kelebihan lain juga dikemukakan oleh Trick (1996), yaitu :

1. DEA tepat untuk model yang mempunyai banyak input dan output.

2. Fungsi persamaan / pertidaksamaan dari DEA tidak memerlukan asumsi

yang berkaitan dengan input dan outputnya.

3. Unit yang diukur akan dibandingkan secara langsung dengan unit-unit

yang dievaluasi input dan output dapat mempunyai satuan yang berbeda.

Makmun (2002) berpendapat, walaupun analisis DEA memiliki banyak

kelebihan dibandingkan analisis rasio parsial dan analisis regresi, DEA memiliki

beberapa keterbatasan, yaitu ;

1. DEA mensyaratkan semua input dan output harus spesifik dan dapat

diukur (demikian pula dengan analisis rasio dan regresi). Kesalahan dalam

memasukkan input dan output akan memberikan hasil yang bias.

2. DEA berasumsi bahwa setiap unit input atau output identik dengan unit

lain dalam tipe yang sama. Tanpa mamapu mengenali perbedaan-

perbedaan tersebut, DEA akan member hasil yang bias.

3. Dalam bentuk dasarnya DEA berasumsi constant return to scale (CRS).

CRS menyatakan bahwa perubahan proporsional pada semua tingkat input

akan menghasilkan perubahan proporsional yang sama pada tingkat

output.

4. Bobot input dan output yang dihasilkan oleh DEA tidak dapat ditafsirkan

dalam nilai ekonomi.


26


Kelemahan / keterbatasan metode DEA menurut Purwantoro (2004) adalah :

1. Bersifat simpel spesifik.

2. Merupakan extreme point technique, kesalahan pengukuran dapat

berakibat fatal.

3. DEA sangat bagus untuk estimasi efisiensi relatif DMU tetapi sangat

lambat untuk mengukur efisiensi absolut dengan kata lain bisa

membandingkan sesama DMU tetapi bukan membandingkan maksimasi

secara teori.

4. Uji hipotesis secara statistic atas hasil DEA sulit dilakukan.

5. Menggunakan perumusan linear programming terpisah untuk tiap DMU

(perhitungan secara manual sulit dilakukan apalagi untuk masalah

bersakala besar).

6. Bobot dan input yang dihasilkan oleh DEA tidak dapat ditafsirkan dalam

nilai ekonomi.

Lebih spesifik lagi, Hadad dan Santoso (2003) telah menunjukkan bahwa

DEA tidak dapat memperkirakan adanya sampel error yang tak terhingga. Hal ini

terjadi jika banyaknya variabel input dan output relatif lebih banyak dibandingkan

dengan banyaknya observasi. Hal ini berlaku untuk sebagian besar model DEA.

2.3.6 Pemilihan Variabel Input dan Output

Kesulitan utama dalam aplikasi DEA adalah pemilihan input dan output.

Kriteria pemilihan input dan output adalah sangat subjektif. Tidak ada aturan yang

spesifik dalam menentukan pemillihan input dan output. Namun demikian,

Ramanathan (2003) telah menyarankan beberapa petunjuk pemilihan input dan

output. Umumnya input didefinisikan sebagai sumber daya yang dimanfaatkan

oleh DMU atau kondisi yang mempengaruhi kinerja dari DMU, sementara output

merupakan keuntungan (benefit) yang dihasilkan sebagai hasil dari kegiatan

operasi DMU.

Dalam setiap aplikasi DEA, sangatlah penting untuk menentukan input

dan output secara benar. Beberapa aturan rule of thumb dapat membantu dalam

menentukan jumlah yang ideal untuk input dan output. Umumnya, pada saat


28


Berikut adalah tampilan hasil pengolahan data dengan metode DEA

dengan menggunakan software EMS versi 1.3.

Gambar 2.5 Hasil Pengolahan Data dengan Software EMS versi 1.3

2.4 Data Mining

Data mining merupakan teknologi yang menggabungkan metode

analisis tradisional dengan algoritma yang canggih untuk memproses data dengan

volume besar. Data mining adalah suatu istilah yang digunakan untuk

menemukan pengetahuan yang tersembunyi di dalam database. Data mining

merupakan proses semi otomatik yang menggunakan teknik statistik, matematika,

kecerdasan buatan, dan machine learning untuk mengekstraksi dan

mengidentifikasi informasi pengetahuan potensial dan berguna yang

bermanfaat yang tersimpan di dalam database besar (Turban et al. 2005).

Beberapa definisi awal dari data mining meyertakan fokus pada

proses otomatisasi. Berry dan Linoff (2004) dalam buku Data Mining

Technique for Marketing, Sales, and Customer Support mendefinisikan data

mining sebagai suatu proses eksplorasi dan analisis secara otomatis maupun

semi otomatis terhadap data dalam jumlah besar dengan tujuan menemukan

pola atau aturan yang berarti (Larose, 2006). Data Mining mengeksplorasi basis

data untuk menemukan pola-pola yang tersembunyi, mencari informasi untuk

memprediksi yang mungkin saja terlupakan oleh para pelaku bisnis karena

terletak di luar ekspektasi mereka.


29


Perkembangan yang cepat dalam teknologi pengumpulan dan

penyimpanan data telah memudahkan organisasi untuk mengumpulkan sejumlah

data berukuran besar, sehingga menghasilkan gunung data. Data Mining adalah

proses pencarian secara otomatis informasi yang berguna dalam tempat

penyimpanan data berukuran besar. Istilah lain yang sering digunakan diantaranya

knowledge discovery (mining) in databases (KDD).

Istilah data mining dan Knowledge Discovery in Database (KDD) sering

kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi

tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut

memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah

satu tahapan dalam keseluruhan proses KDD adalah data mining.

Gambar 2.6 Tahap – tahap Data Mining

(Sumber : Han J dan Kamber, 2001)

Berdasarkan tugas dan tujuan analisis, proses data mining dapat dibagi

menjadi dua kategori utama. Tujuan pada adanya target variabel dan metode

belajar (learning) yaitu antara proses belajar yang diawasi (supervised) dan tanpa

pengawasan (unsupervised).


30


1. Belajar yang diawasi (supervised learning). Dalam analisis supervised

learning, atribut target/label menggambarkan kelas yang dimiliki setiap

catatan. Atau dengan kata lain metode belajar dengan adanya latihan

(training) dan pelatih/label. Contoh : regresi, analisa diskriminan, artificial

neural network, dan support vector machine.

2. Belajar tanpa pengawasan (unsupervised learning). Tanpa pengawasan

analisis belajar tidak dipandu oleh atribut target/label. Oleh karena itu,

data mining dalam hal ini ditujukan untuk menemukan pola berulang dan

kedekatan dalam kumpulan data. Atau dengan kata lain metode belajar

tanpa adanya latihan (training) adan pelatih/label. Contoh : clustering dan

self organizing map (SOM)

2.4.1 Teknik Data Mining

Data mining adalah serangkaian proses untuk menggali nilai tambah

dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui

secara manual. Perlu diingat bahwa kata mining sendiri berarti usaha untuk

mendapatkan sedikit data berharga dari sejumlah besar data dasar. Karena itu data

mining sebenarnya memiliki akar yang panjang dari bidang ilmu seperti

kecerdasan buatan (artificial intelligent), machine learning, statistik dan basis

data. Beberapa teknik yang sering disebut-sebut dalam literatur data mining

antara lain yaitu association rule mining,clustering, klasifikasi, neural network,

genetic algorithm dan lain-lain.

2.4.1.1 Classification

Suatu teknik dengan melihat pada kelakuan dan atribut dari

kelompok yang telah didefinisikan. Teknik ini dapat memberikan klasifikasi pada

data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan

dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Aturan-

aturan tersebut digunakan pada data-data baru untuk diklasifikasi. Teknik

ini menggunkan supervised induction, yang memanfaatkan kumpulan pengujian

dari record yang terklasifikasi untuk menentukan kelas-kelas tambahan. Salah

satu contoh yang mudah dan popular adalah dengan Decision tree yaitu


31


salah satu metode klasifikasi yang paling populer karena mudah untuk

diinterpretasi. Decision tree adalah model prediksi menggunakan struktur

pohon atau struktur berhirarki. Decision tree adalah struktur flowchart yang

menyerupai tree (pohon), dimana setiap simpul internal menandakan suatu tes

pada atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun

merepresentasikan kelas atau distribusi kelas. Alur pada decision tree di telusuri

dari simpul akar ke simpul daun yang memegang prediksi kelas untuk

contoh tersebut. Decision tree mudah untuk dikonversi ke aturan

klasifikasi (classification rules).

2.4.1.2 Clustering

Digunakan untuk menganalisis pengelompokkan berbeda terhadap

data, mirip dengan klasifikasi, namun pengelompokkan belum didefinisikan

sebelum dijalankannya tool data mining. Biasanya menggunakan metode

neural network atau statistik. Clustering membagi item menjadi kelompok-

kelompok berdasarkan yang ditemukan tool data mining. Prinsip dari

clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan

meminimumkan kesamaan antar cluster. Clustering dapat dilakukan pada data

yang memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi.

2.4.1.3 Decision Tree

Pohon keputusan merupakan salah satu teknik yang dapat digunakan untuk

melakukan klasifikasi terhadap sekumpulan objek. Yang akan digunakan dalam

penelitian ini adalah classification tree, karena penelitian ini menggunakan

metode klasifikasi dengan menggunakan algoritma J48.

Decision tree terdiri dari node internal yang menggambarkan data yang

diuji, cabang menggambarkan nilai keluaran dari data yang diuji, sedangkan leaf

node menggambarkan distribusi class dari data yang digunakan. Decision tree

digunakan untuk mengklasifikasi suatu sampel data yang tidak dikenal.

Pembentukan decision tree terdiri dari 3 tahap, yaitu ;

a. Pembentukan pohon


32


Pada tahap ini akan dibentuk suatu pohon yang terdiri dari akar yang

merupakan node paling awal, daun sebagai distribusi class, dan batang

yang menggambarkan hasil keluaran dari pengujian. Pada

pembentukan pohon ini dilakukan pemillihan atribut untuk penentuan

posisi dalam pembentukan pohon.

b. Pemangkasan pohon

Pemangkasan pohon (tree pruning), yaitu mengidentifikasi dan

membuang cabang yang tidak diperlukan pada pohon yang telah

terbentuk. Ada dua metode dalam melakukan pemangkasan dalam

decision tree, yaitu :

1. Preprunning

Yaitu pemangkasan dilakukan sejak awal pembentukan pohon.

2. Postprunning

Yaitu pemangkasan dilakukan saat pohon telah terbentuk secara

utuh.

Pemangkasan pohon dapat dilakukan dengan metode preprunning

atau postprunning. Namun alternatif lain yang dapat dilakukan adalah

mengkombinasikan preprunning dan postprunning untuk menghasilkan

pohon yang lebih baik.

c. Pembentukan aturan keputusan

Aturan yang dihasilkan dari decision tree dapat ditampilkan dalam

bentuk aturan IF-THEN. Aturan dibentuk dari tiap path pada pohon.

Setiap node yang bukan leaf node berperan sebagai IF sedangkan

bagian THEN diambil dari leaf node yang merupakan konsekuensi dari

aturannya

2.4.1.4 Neural Network

Secara umum Neural Network (NN) adalah jaringan dari sekelompok

unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia.

NN ini merupakan sistem adaptif yang dapat merubah strukturnya untuk

memecahkan masalah berdasarkan informasi eksternal maupun internal yang

mengalir melalui jaringan tersebut. Secara sederhana NN adalah sebuah alat


33


pemodelan data statistik non-linear. NN dapat digunakan untuk memodelkan

hubungan yang kompleks antara input dan output untuk menemukan pola-pola

pada data.

Secara mendasar, sistem pembelajaran merupakan proses

penambahan pengetahuan pada NN yang sifatnya kontinuitas sehingga pada

saat digunakan pengetahuan tersebut akan dieksploitasikan secara maksimal

dalam mengenali suatu objek. Neuron adalah bagian dasar dari pemrosesan suatu

Neural Network. Dibawah ini merupakan bentuk dasar dari suatu neuron.

Gambar 2.7 Bentuk dasar Neuron

Keterangan Gambar 2.7 di atas adalah sebagai berikut.

1. Input merupakan masukan yang digunakan baik saat pembelajaran

maupun dalam mengenali suatu objek.

2. Weight, beban yang selalu berubah setiap kali diberikan input sebagai

proses pembelajaran.

3. Processing Unit merupakan tempat berlangsungnya proses pengenalan

suatu objek berdasarkan pembebanan yang diberikan.

4. Output, keluaran dari hasil pengenalan suatu objek.

Persamaan dari fungsi penjumlah atau fungsi transformasi neuron (neuron

transfer function) adalah :

Netk (t) = (2.8)

Dimana :

Netj = fungsi transformasi neuron

xi = masukan neuron

wi = pembobot penghubung

t = variabel waktu


34


Dalam gambar 2.7 dapat dijelaskan bahwa setelah pemetaan sinyal masukan

neuron akan mengahasilkan keluaran melalui fungsi aktivasi. Fungsi aktivasi

mentransformasikan nilai keluarannya melalui pemetaan sinyal masukannya ke

dalam sebuah nilai yang sama dengan nilai neuron lainnya.

Persamaan fungsi aktivasi sebuah neuron adalah :

Ok = factv (netk) (2.9)

Dimana :

fact = fungsi aktivasi

Ok = keluaran neuron

Pada fungsi aktivasi bipolar neuron akan menghasilkan nilai keluaran positif dan

negatif, sedangkan pada jenis unipolar hanya menghasilkan keluaran positif.

Keuntungan penggunaan Neural Network.

1. Perangkat yang mampu untuk mengenali suatu objek secara non-linier.

2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui

proses sebenarnya.

3. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek.

4. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam

pengenalan suatu objek.

5. Neural Network mampu diimplementasikan pada suatu Hardware atau

perangkat keras.

6. Perangkat yang mampu diimplementasikan secara parallel.

2.4.1.4.1 Model Neuron

Satu sel syaraf terdiri dari tiga bagian, yaitu : fungsi penjumlah (summing

function), fungsi aktivasi (activation function) dan keluaran (output).


35


Gambar 2.8 Model Neuron

Jika kita lihat, neuron buatan diatas mirip dengan sel neuron biologis.

Informasi (input) akan dikirim ke neuron dengan bobot tertentu. Input ini akan

diproses oleh suatu fungsi yang akan menjumlah nilai-nilai bobot yang ada. Hasil

penjumlahan kemudian akan dibandingkan dengan suatu nilai ambang (threshold)

tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati

suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, jika tidak,

maka neuron tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka

neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke

semua neuron yang berhubungan dengannya.

2.4.1.4.2 Single – Input Neuron

Sebuah neuron dengan sebuah masukan (single-input) dapat dilihat pada

Gambar 2.8 dibawah. Dalam gambar dapat dilihat sebuah Input (p) dikalikan

dengan weight (w) kemudian ditambahkan dengan bobot bias (b) dan

menghasilkan suatu keluaran (n), suatu nilai keluaran ini biasanya disebut dengan

net input, selanjutnya masuk ke dalam suatu fungsi transfer (f) dan akan

menghasilkan output neuron (a).

Gambar 2.9 Single – Input Neuron

2.4.1.4.3 Multiple – Input Neuron


36


Secara khas, suatu neuron mempunyai input lebih dari satu. Suatu neuron

dengan R input diperlihatkan dalam Gambar 2.9. masukan tunggal p1, p2,…,

pR masing-masing di beri beban oleh unsur-unsur yang bersesuaian dengan w1,1 ,

w1,2,…..w1,R dari matriks bobot W.

Gambar 2.10 Multiple – Input Neuron

2.4.1.4.4 Arsitektur Neural Network

Bentuk dasar arsitektur suatu Neural Network adalah sebagai berikut :

Gambar 2.11 Arsitektur Dasar Neural Network

Secara umum, terdapat tiga jenis Neural Network yang sering digunakan

berdasarkan jenis network-nya, yaitu :

1. Single-Layer Neural Network

Neural Network jenis ini memiliki koneksi pada inputnya secara langsung

ke jaringan output.


37


Gambar 2.12 Single-Layer Neural Network

Jenis Neural Network ini sangatlah terbatas, hanya digunakan pada kasus-

kasus sederhana.

2. Multilayer Perceptron Neural Network

Jenis Neural Network ini memiliki layer yang dinamakan “hidden”,

ditengah layer input dan output. Hidden ini bersifat variabel, dapat

digunakan lebih dari satu hidden layer.

Gambar 2.13 Multilayer Perceptron Neural Network

3. Recurrent Neural Network

Pada sistem dengan karakteristik recurrent neural network terdapat

koneksi umpan balik dari layer output ke layer input, sehingga hasil sistem

output mempengaruhi sistem input itu sendiri. Proses umpan balik ini

mengakibatkan adanya delay selama proses komputasi.


38


Gambar 2.14 Recurrent Perceptron Neural Network

2.4.1.4.5 Proses Pembelajaran pada Neural Network

Proses pembelajaran merupakan suatu metode untuk proses pengenalan

suatu objek yang sifatnya kontinuitas yang selalu direspon secara berbeda

dari setiap proses pembelajaran tersebut. Tujuan dari pembelajaran ini

sebenarnya untuk memperkecil tingkat suatu error dalam pengenalan suatu objek.

Secara mendasar, Neural Network memiliki sistem pembelajaran yang terdiri

atas beberapa jenis berikut :

1. Supervised Learning

Sistem pembelajaran pada metode supervised learning adalah sistem

pembelajaran yang mana, setiap pengetahuan yang akan diberikan kepada

sistem, pada awalnya diberikan suatu acuan untuk memetakan suatu

masukan menjadi suatu keluaran yang diinginkan. Proses pembelajaran

ini akan terus dilakukan selama kondisi error atau kondisi yang

diinginkan belum tercapai. Adapun setiap perolehan error akan

dikalkulasikan untuk setiap pemrosesan hingga data atau nilai yang

diinginkan telah tercapai.

2. Unsupervised Learning

Sistem pembelajaran pada Neural Network, sepenuhnya memberikan

hasil pada komputasi dari setiap pemrosesan, sehingga pada sistem

ini tidak membutuhkan adanya acuan awal, agar perolehan nilai

dapat dicapai. Meskipun secara mendasar, proses ini tetap


39


mengkalkulasikan setiap langkah pada setiap kesalahannya dengan

mengkalkulasikan setiap nilai weight yang didapat.

2.4.1.4.6 Back Propagation Multilayer Perceptron Neural Network

Back Propagation adalah istilah dalam penggunaan metode MLP-NN

untuk melakukan proses update pada nilai vektor weight dan bias. Adapun bentuk

metode weight ini memiliki beberapa macam, antara lain sebagai berikut ;

1. Gradient Descent Back Propagation (GD)

Metode ini merupakan proses update untuk nilai weight dan bias dengan

arah propagasi fungsinya selalu menurunkan nilai weight sebelumnya.

Bentuk vektor weight tersebut berlaku seperti metode berikut :

Wk + 1 = Wk - . gk (2.10)

Dimana , merupakan learning rate, serta g merupakan gradient yang

berhubungan dengan nilai error yang diakibatkan oleh weight tersebut.

2. Gradient Descent Back Propagation dengan Momentum

Penggunaan momentum pada metode ini memberikan nilai tambah dimana

hasil update diharapkan tidak berhenti pada kondisi yang dinamakan

“local minimum”, sehingga proses penelusuran hingga mencapai nilai

minimum yang paling puncak dalam pengertian nilai error yang paling

kecil dapat tercapai. Adapun bentuk metode penggunaan momentum ini

adalah seperti dibawah ini :

Wk + 1 = Wk - . gk + . Wk -1 (2.11)

3. Variable Learning Rate Back Propagation dengan Momentum

Penggunaan metode ini bertujuan untuk mempercepat waktu penyelesaian

sehingga proses mendapatkan nilai error yang paling kecil dapat tercapai

dengan cepat serta penelusuran yang lebih singkat. Sebaliknya, jika nilai

yang digunakan dalam praktisnya maka hasil yang didapatkan biasanya

akan memperlambat proses penelusuran nilai error yang paling kecil.

Dalam penggunaan metode ini para peneliti biasanya menggunakan cara

memperbesar nilai dari variable learning rate saat hasil yang dicapai jauh

dari target, dan sebaliknya saat hasil yang dicapai dekat dengan nilai

target. Secara perhitungan metode ini memang tidak begitu jauh dari


40


metode yang telah dijelaskan sebelumnya, namun perbedaannya adalah

seperti persamaan dibawah ini ;

Wk + 1 = Wk - k + 1 . gk + . Wk -1 (2.12)

k + 1 = . k (4)

0.7 jika nilai new error 1.04 (old error) (2.13)

1.05 jika nilai new error 1.04 (old error) (2.14)

4. Conjugate Gradient Back Propagation

Conjugate Gradient Back Propagation memiliki perbedaan dibandingkan

dengan metode GD yaitu pada saat melakukan proses update, dimana

untuk metode GD proses tersebut dilakukan setiap penggunaan rumus

sedangkan pada proses CGX, update dilakukan setiap iterasi dilakukan.

Berikut ini merupakan proses update nilai weight.

Wk + 1 = Wk + . pk (2.15)

Dimana : pk = -gk + k . pk-1 (2.16)

(2.17)

(2.18)

5. Quasi-Newton Back Propagation

Metode Newton ini merupakan improvisasi dari metode CGX, dimana

pencapaian nilai konfigurasi dapat dilakukan lebih cepat. Metode yang

digunakan adalah sebagai berikut :

Wk + 1 = Wk - Ak . gk (2.19)

Ak merupakan Hessian Matrix untuk nilai weight dan bias.

2.5 Pengolahan Data dengan Software WEKA 3.7.5

Pengolahan data mining ini, dibantu dengan menggunakan software Weka

versi 3.7.5, yang dikembangkan oleh Waikato University, yang bertujuan untuk

edukasi. Weka adalah aplikasi data mining open source berbasis java. Weka

terdiri dari koleksi algoritma machine learning yang dapat digunakan untuk

melakukan generalisasi/formulasi dari sekumpulan data sampling.


41


Berikut adalah tahap-tahap pengolahan data dengan menggunakan

software Weka versi 3.7.5 :

a. Buka software Weka versi 3.7.5

Gambar 2.15 Tampilan Layar Software WEKA 3.7.5

b. Tampak pada layar terdapat empat tombol utama dalam aplikasi

WEKA

Explorer, digunakan untuk menggali lebih jauh data dengan

aplikasi WEKA.

Experimenter, digunakan untuk melakukan percobaan

dengan pengujian statistik skema belajar.

Knowledge Flow, digunakan untuk pengetahuan pendukung.

Simple CLI, antar muka dengan menggunakan tampilan

command line yang memungkinkan langsung mengeksekusi

perintah WEKA untuk sistem operasi yang tidak

menyediakan secara langsung.

c. Selanjutnya masuk pada menu Explorer, tampilannya akan terlihat

seperti gambar


43


1. Use training set, Pengetesan dilakukan dengan menggunakan data

training itu sendiri.

2. Supplied test set, Pengetesan dilakukan dengan menggunakan data

lain. Dengan menggunakan option inilah, kita bisa melakukan

prediksi terhadap data tes.

3. Cross-validation, Pada cross-validation, akan ada pilihan berapa

fold yang akan digunakan. Nilai default-nya adalah 10.

4. Percentage split, Hasil klasifikasi akan dites dengan

menggunakan k% dari data tersebut. k merupakan masukan dari

user.

f. Setelah itu klik tombol ‘Start’, maka akan muncul hasil dari

pengolahan data software WEKA.



BAB 3

PENGUMPULAN DAN PENGOLAHAN DATA

3.1 Profil Perusahaan

Berdirinya PT. Toyota Astra Motor diawali dengan kerjasama antara PT.

Astra International Tbk dengan PT. Toyota Motor Corporation dari Jepang untuk

mendirikan pabrik perakitan di Indonesia pada tanggal 12 April 1971. Perusahaan

ini merupakan salah satu perusahaan otomotif yang terbesar di Indonesia yang

masih dapat bertahan di tengah kondisi krisis ekonomi yang menyerang Indonesia

pada saat itu.

PT. Toyota Astra Motor mulai beroperasi sejak 1 Januari 1972 dan pada

bulan Desember 1998 bergabung dibawah PT. Toyota Engine Indonesia, dengan

95% saham dimiliki oleh PT. Toyota Motor Corporation dan 5% saham dimiliki

oleh PT. Astra International Tbk. Terhitung sejak 15 Juli 2003, TAM berubah

menjadi PT. Toyota Motor Manufacturing Indonesia (TMMIN) dan didirikan PT.

Toyota Astra Motor (TAM) sebagai distributor. Selama 30 tahun, PT. TMMIN

telah memainkan peranan penting dalam pengembangan industri otomotif di

Indonesia serta membuka lapangan pekerjaan termasuk dalam industri pendukung

lainnya. Pada saat ini, PT. TMMIN telah memiliki pabrik produksi yaitu :

Stamping, Casting, Engine, dan Assembly di area industri Sunter, Jakarta. Untuk

meningkatkan kemampuan produksi, maka dibangun pabrik di Karawang yang

menggunakan teknologi terbaru di Indonesia yang telah selesai dibangun pada

tahun 1998, berikut sistem manajemen kualitas dan lingkungan.

PT. TMMIN juga mempelopori program ekspor komponen otomotif dan

kendaraan CBU ke berbagai Negara berkembang lebih dari 200.000 unit, antara

lain :

Mobil Kijang pertama ke Brunei Darussalam dan Papua New Guinea

(November 1987)

Kijang CKD yang baru ke Malaysia (September 1997)

Kijang CKD baru ke Filipina dan Taiwan (Maret 1998)


44


Mesin seri K yang diproduksi oleh PT. TMMIN juga telah merambah ke

Malaysia, Taiwan, Filipina dan Jepang seperti :

5K – engine/ mesin / motor cylinder / cylinder block ke TMC, Jepang

(Maret 1991)

Mesin pengujian kadar logam ke Taiwan dan Filipina (April 1996)

Penjualan Toyota secara ritel naik 16% pada Januari-Oktober 2012 menjadi

270.921 unit dibandingkan periode yang sama tahun lalu. Mobil Toyota Avanza

masih menjadi pemberi kontribusi penjualan terbesar dengan angka 14.587.

jumlah tersebut naik lima persen dibandingkan bulan sebelumnya. Pencapaian

pada Oktober itu menunjukkan bahwa PT. TAM telah memberikan kontribusi

positif pada perekonomian, ditengah berbagai hambatan yang mewarnai industri

otomotif.

3.1.1 Visi dan Misi Perusahaan

Visi : Profesional berkelas internasional

Hal ini menunjukkan suatu acuan dengan adanya komitmen untuk selalu

mengutamakan kepuasan seluruh pelanggan PT. TMMIN. Dan PT. TMMIN

sebagai suatu perusahaan pelopor industri otomotif di Indonesia, senantiasa harus

dapat terus menerus menciptakan inovasi terbaiknya yang tentu saja berpandangan

pada 5K.

Misi : Untuk mewujudkan hal tersebut diatas, PT. TMMIN mencanangkan

suatu misi untuk tetap menjadi unggul di bidang industri otomotif, diantaranya

dengan mengutamakan kepuasan para pelanggan, memberikan kontribusi bagi

pembangunan ekonomi dan sosial, meningkatkan kesejahteraan melalui

pembinaan kepercayaan dengan karyawan, dealer, dan supplier ; memelihara

kelangsungan lingkungan hidup dan keselamatan kerja, juga serta menjunjung

tinggi pada kemampuan individu tanpa mengesampingkan kerja sama tim.

3.1.2 Struktur Organisasi

Board of Directors, merupakan jajaran Direksi yang terdiri dari President

Directors, Vice President, dan Directors yang memegang manajemen


45


tertinggi di perusahaan. Beberapa Directors mengepalai sebuah Direktorat

dengan satu atau lebih divisi di dalamnya.

1. Plant Sunter I, Area produksi Plant Sunter I terdiri atas 5 divisi, yaitu

Machining, Jig Tooling, Kijang Production, Quality, dan

Administrasi.

2. Plant Sunter II, merupakan area produksi TMMIN yang lain berada

di Sunter II dan terdiri dari 4 divisi, yaitu : Stamping Production,

Stamping Tools, Casting, Packing dan Vanning. Hasil produk

utamanya adalah press part, stamping tools, serta persiapan packing

dan vanning untuk diekspor.

3. Plant Karawang, PT. TMMIN memiliki plant Karawang yang

tepatnya berada di Kawasan Industri KIIC (Karawang International

Industrial City). Pada Direktorat ini terdiri dari 2 divisi, yaitu

Assembly and Painting, serta Press and Welding.

4. Corporate Planning, merupakan struktur organisasi yang terpisah dari

Direktorat dengan seorang General Manager yang mengepalainya.

Fungsi utama Corporate Planning adalah sebagai badan independen

yang menangani masalah Yayasan Toyota dan Astra, Komite Total

Quality Management (TQM), Komite kesejahteraan karyawan

meliputi keamanan kerja, kesehatan dan kenyamanan lingkungan,

serta reporting yang harus dilaporkan ke jajaran Board of Directors

terutama yang berhubungan dengan area kerja perusahaan.

5. Quality, terdiri atas satu divisi saja yaitu Divisi Quality dengan

definisi kerja untuk mengamankan jalannya produksi serta mengontrol

semua kualitas bahan baku, komponen, barang setengah jadi, barang

jadi, maupun kualitas kendaraan yang telah dijual serta melayani

pengaduan konsumen atas produk yang telah dibeli. Divisi ini

mempunyai peran penting terhadap kepuasan pelanggan ditinjaudari

kualitas produk karena akan mempertaruhkan kelangsungan produk

Toyota di masa yang akan datang.

6. Plant Administration, terdiri dari satu divisi saja yaitu Divisi Plant

Adminstration yang bertugas untuk menangani semua proses


46


administratif produksi, seperti penyediaan consumable parts (bahan

bakar, sarung tangan, ear plug, safety shoes, helmet, cat, dan

sebagainya) serta keamanan dan kenyamanan kerja karyawan di

lingkungan perusahaan seperti pengolahan limbah, pengurusan

kepersonaliaan, fasilitas toilet, dan sebagainya.

7. Finance dan ISTD. Bagian ini terdiri dari 2 divisi yang bertugas

menangani masalah keuangan perusahaan dan sistem jaringan internal

(information technology).

Divisi Finance

Divisi finance merupakan divisi yang berfungsi untuk mengatur

keuangan perusahaan dan melakukan transaksi atas semua

komponen/material yang diperlukan untuk proses produksi. Sistem

transaksi perusahaan dengan nama SAP (speed, accuration,

precision). Sistem ini mampu memonitor pergerakan material di

semua area untuk menjaga keakurasian asset perusahaan.

Divisi Information, System, and Technology (ISTD)

Divisi ISTD menangani masalah sistem jaringan komputer.

Database mengenai part list disediakan oleh divisi ini dan bisa

diakses oleh masing-masing user yang telah diberi wewenang

untuk mengkasesnya. Selain itu divisi ini juga memiliki workshop

untuk menangani masalah kerusakan komputer maupun hardware.

8. Human Resources and General Affairs

Divisi Human Resources

Divisi ini menangani masalah administratif kepegawaian, seperti

proses rekrutmen tenaga kerja, pengangkatan karyawan,

pemberhentian kerja karyawan, penentuan jabatan, surat-surat

perijinan, pembayaran gaji dan kesejahteraan karyawan lainnya.

Selain itu, divisi ini juga memiliki Training Centre yang bertugas

untuk membekali keterampilan kerja karyawan untuk mendukung

kerja di masing-masing bagian.


47


Divisi General Affair

Divisi General Affair berfungsi untuk perawatan dan pengadaan

asset-asset perusahaan seperti gedung, instalasi listrik/air/telepon,

kendaraan pool, fasilitas parker, keamanan perusahaan (security),

dan sebagainya.

9. Production Control and Export Import, merupakan satu-satunya

divisi yang berwenang untuk mengatur penyediaan komponen untuk

kebutuhan produksi, mengatur heijunka produksi, menentukan

rencana produksi melalui Material Requirement Planning (MRP),

menyuplai komponen ekspor dari warehouse ke line produksi,

merencanakan serta mengontrol sistem operasional logistik di seluruh

plant, dan sebagainya.

10. Purchasing, dalam Direktorat Purchasing hanya terdapat satu divisi

saja, yaitu Divisi Purchasing. Divisi ini memiliki tugas untuk mencari

referensi komponen/material yang akan digunakan untuk proses

produksi dengan harga penawaran telah disepakati, maka divisi

Purchasing akan membuat Purchase Order (PO) yang dikirim kepada

semua supplier, dan penagihannya oleh supplier diteruskan langsung

ke divisi Finance.

11. Engineering, merupakan salah satu divisi yang menangani

administratif yang menyangkut spesifikasi komponen/material. Semua

komponen/material akan diterima dari mother company TMMIN di

Jepang, yaitu Toyota Motor Corporation (TMC).

Secara bagan, struktur organisasi PT. TMMIN dapat dilihat pada gambar 3.1

dibawah ini :


48


Gambar 3.1 Struktur Organisasi PT. TMMIN


49


3.1.3 Mekanisme Pembelian

Mekanisme pembelian di PT. TMMIN melalui Purchasing. Kegiatan

Divisi Purchasing berfokus pada pengadaan material suplai dan jasa yang

dibutuhkan perusahaan. Dalam arti sempit, prurchasing berkaitan dengan proses

membeli, dalam arti luas purchasing berfungsi dalam memilih supplier,

menetapkan harga, menebitkan purchase order, dan sebagainya. Divisi ini

merupakan jendela outsource PT. TMMIN.

Gambar 3.2 Purchasing sebagai jendela bagi outsource

Dalam usahanya untuk terus menjaga hubungan yang baikdengan supplier,

maka PT. TMMIN melakukan manajemen rantai pasok. Sehingga diharapkan

dengan begitu, akan tercapainya kinerja yang baik dari keseluruhan rantai pasok.

Dan tercapainya misi dari PT. TMMIN, yaitu untuk menjadi unggul di bidang

otomotif.


50


- Spec clarification (complete with type & maker)

- RF or WO preparation - Schedule delivery

- Goods preparation based on PO (spec, qty, & delivery)

- Check & confirm item & qty on PR - Spec & maker confirmation - Request for Quotation (tender if

needed) - Compare and evaluation - Decide price & sourcing - Make sure of delivery schedule - PO release and approval

- RF or WO selection - Check stock condition - PR preparation - Check user name (requester) of PR

(name & ext. no.) - Check purchasing group on PR

(based on PuD mapping) - Check goods condition (receiving)

together with user

Gambar 3.3 Mekanisme Pembelian di PT. TMMIN

3.2 Pengumpulan Data

Data-data yang digunakan untuk penelitian ini adalah data primer yang

didapatkan dari hasil kuesioner yang diberikan kepada perusahaan yaitu

PT.TMMIN dan juga kepada masing-masing supplier.

PT. TMMIN memiliki sejumlah supplier yang dikelompokkan berdasarkan

kategori material. Namun pada penelitian ini, penulis akan meneliti mengenai

supplier tools pada bagian consumable supplier. Hal ini dikarenakan pada bagian

consumable supplier, belum memiliki suatu metode yang terstruktur dalam

pemilihan supplier. Sedangkan untuk pemilihan supplier tools, dikarenakan

pendapatan/bulan sebesar 20% pada bagian consumable berasal dari supplier

tools. Dapat dilihat pada gambar 3.4 mengenai bagan dari supplier yang ada di

PT. TMMIN.

Adapun untuk penelitian ini, kuesioner yang dibuat terdiri dari 2 jenis,

yaitu kuesioner penilaian kemampuan supplier dan kuesioner penilaian kinerja

supplier. Kuesioner penilaian kemampuan supplier diberikan kepada masing-

masing supplier untuk mengisinya, sedangkan untuk kuesioner penilaian kinerja


51


supplier diberikan kepada perusahaan untuk menilai kinerja satu-persatu

keseluruhan supplier tools. Dimana untuk keseluruhan supplier tools yang

berjumlah 104 suppliers. Dalam penelitian ini, dengan menggunakan Data

Envelopment Analysis (DEA), supplier tersebut menjadi Decision Making Unit

(DMU). DMU merupakan unit yang akan dianalisis dalam penelitian ini,

Gambar 3.4 Bagan Supplier di PT. TMMIN

3.2.1 Penentuan Kriteria dan Atribut

Penelitian ini menggunakan metode Data Envelopment Analysis (DEA)

dan Teknik Data mining. Dimana kedua metode ini memungkinkan untuk

memiliki multi input mapun multi output, sesuai yang diinginkan.

Berdasarkan brainstorming dengan pihak perusahaan khususnya bagian

purchasing, maka diputuskan untuk menggunakan kuesioner dengan skala biner

0-1. Dimana untuk jawaban dari masing-masing pertanyaan, yaitu ya dan tidak.

Dimana untuk konteks permasalahan yang ada, pemilihan skala biner dinilai

objektif untuk melakukan penilaian.

Pada penelitian ini, terbagi dari beberapa kriteria penilaian yaitu :

1. Kuesioner Penilaian Kemampuan Supplier

Pada kuesioner ini, terdapat beberapa kriteria yang akan digunakan untuk

menilai kemampuan supplier, diantaranya :

Sistem Manajemen Mutu

Dokumentasi dan Self Audit

Kemampuan Proses/Manufacturing

Manajemen Perusahaan


52


Kemampuan Pengembangan Desain

Kemampuan Pengurangan Biaya

2. Kuesioner Penilaian Kinerja Supplier

Kualitas

Harga

Pengiriman

Pelayanan

Kedua kuesioner tersebut, memiliki keterkaitan dimana dengan

menggunakan metode Data Envelopment Analysis (DEA), hasil kuesioner

penilaian kemampuan supplier akan menjadi input, dan sebaliknya untuk hasil

kuesioner penilaian kinerja supplier sebagai output.

3.3 Pengolahan Data

Data yang didapat hasil pengisian kuesioner yaitu berjumlah 104 buah

kuesioner penilaian kemampuan supplier dan 104 buah kuesioner penilaian

kinerja supplier. Dalam tahap pengolahan data, yang pertama kali dilakukan

adalah pengolahan data hasil kuesioner dengan menggunakan Data Envelopment

Analysis (DEA). Selanjutnya,hasil output dari pengolahan DEA tersebut,

digunakan dalam pengolahan data selanjutnya, yaitu Teknik Data mining.

3.3.1 Pengolahan dengan Data Envelopment Analysis (DEA)

Dalam melakukan pengolahan data menggunakan Data Envelopment

Analysis (DEA) dilakukan dengan beberapa tahap yaitu :

1. Penentuan Decision Making Unit (DMU)

DMU yang akan dianalisis merupakan supplier yang sudah terdaftar dalam

approved supplier list yang menandakan bahwa supplier tersebut adalah

supplier yang terpercaya, karena sudah menjalin hubungan kerjasama

dengan pihak perusahaan. Tetapi perlu diingat bahwa kinerja dari suatu

sistem pasti memiliki fluktuasi adan ketidakstabilan, sehingga perlu

dilakukan kegiatan evaluasi. DMU yang merupakan objek penelitian ini

adalah supplier pada tools, yanga mana berjumlah 104 suppliers.


53


2. Identifikasi Variabel Input dan Output

Variabel input dan output yang diidentifikasi merupakan input dan

output yang berasal dari kemampuan dan kinerja DMU, dalam hal ini

adalah supplier. Penentuan variabel-variabel ini juga disertakan dengan

proses brainstorming dengan pihak perusahaan terutama bagian

purchasing.

Pemilihan variabel input dan output umumnya tidak jauh dari

kriteria standar yang sudah ditetapkan oleh pihak perusahaan dalam

mengevaluasi supplier. Setelah melalui proses brainstorming dengan

bagian purchasing serta dikombinasikan dengan literatur dari Talluri,

2004, maka disepakati untuk memilih beberapa variabel, yaitu ;

Tabel 3.1 Variabel Input dan Output

Variabel Input Variabel Output

Sistem Manajemen Mutu Kualitas

Dokumentasi dan Self Audit Harga

Kemampuan Proses/Manufacturing Pengiriman

Manajemen Perusahaan Pelayanan

Kemampuan Pengembangan Desain

Kemampuan Pengurangan Biaya

Penempatan variabel input dan output disesuaikan dengan kondisi

supplier yang diharapkan perusahaan. Dalam artian, bahwa variabel input

merupakan variabel sumber daya (resources) yang dapat mempengaruhi

kinerja supplier dalam pemenuhan kebutuhan pemesanan, sedangkan

variabel output adalah hasil/keluaran yang merupakan hasil tangible yang

dapat dilihat dan dirasakan manfaatnya oleh perusahaan sebagai user.


54


Gambar 3.5 Model Keputusan DEA

3. Model DEA

Dalam penggunaan model DEA dikenal dengan adanya orientasi

yaitu input oriented dan output oriented. Model yang berorientasi pada

output oriented melihat sejauh mana input dapat dikurangi dengan tetap

mempertahankan tingkat output. Sebaliknya model yang menggunakan

input oriented, melihat sejauh mana output dapat ditingkatkan dengan

tetap mempertahankan input.

Dalam hal ini dipilih untuk menggunakan input oriented atau

output maximization. Hal ini berdasarkan pada pertimbangan pihak

purchasing, yang lebih mengutamakan kriteria kualitas, harga, pengiriman,

dan pelayanan. Hasil dari input oriented mungkin dapat

merekomendasikan untuk peningkatan output sekaligus pengurangan input

pada saat bersamaan. Namun hal ini, hanya menunjukkan terjadinya

penggunaan input yang berlebihan dalam pencapaian output.

Disamping pemilihan orientasi model, hal lain yang mesti

diperhatikan dalam menganalisa hasil dari DEA adalah karakteristik return

to scale yang merefleksikan operasi DMU dalam suatu sampel. Menurut

Feryzon (2004), dalam satu sampel homogen sekalipun, beberapa DMU

mungkin beroperasi pada return to scale yang konstan/constan return to


55


scale (CRS), sedangkan yang lain mungkin beroperasi pada return to scale

yang variabel/variable return to scale (VRS).

Seperti yang telah diungkapkan bahwa CRS berarti output

bertambah secara proporsional dengan penambahan input atau skala

operasi tidak mempengaruhi efisiensi unit kerja tersebut. Sedangkan VRS

berarti output akan bertambah atau berkurang secara tidak proporsional

dengan bertambahnya input. Artinya sejalan dengan berkembangnya suatu

unit kerja efisiensinya akan menurun atau meningkat.

Dalam penelitian ini, kedua asumsi return to scale ini digunakan

dengan alasan bahwa tidak semua DMU beroperasi secara optimal. Seperti

yang telah dijelaskan sebelumnya, bahwa asumsi CRS menyatakan

perubahan input akan mempengaruhi perubahan output secara

proporsional, yang berarti skala operasi tidak akan mempengaruhi tingkat

efisiensi yang ada. Namun, faktor-faktor yang tidak dapat dikontrol bisa

saja terjadi saat operasi, seperti halnya persaingan antara supplier yang

memungkinkan tiap DMU tidak beroperasi secara optimal. Oleh karena

itu, digunakan asumsi VRS yang menyatakan bahwa perubahan input akan

mempengaruhi perubahan output secara tidak proporsional sehingga

tingkat efisiensi selalu dapat berubah.

Berdasarkan penggunaan input oriented, maka penentuan bobot

kriteria ini berdasarkan dari pertimbangan pihak purchasing itu sendiri,

yaitu bobot kualitas : harga : pengiriman : pelayanan adalah 25 : 20 : 10

:10

Berdasarkan pemilihan model, yaitu dengan menggunakan input

oriented, maka model DEA dapat diformulasikan sebagai berikut (untuk 1

DMU) ;

Min : ho =

Dengan syarat :

ur , vi

Fungsi tujuan :


56


Min ho = 9vSMM + 6vDSA + 9vKPM + 7vMP + 2vKDP + 9vKPB

Fungsi kendala :

5uq + 6up + 5ud + 2us + Co = 1

1. 5uq + 6up + 5ud + 2us - 9vSMM - 6vDSA - 9vKPM - 7vMP - 2vKDP -

9vKPB - Co 0


8vKPB - Co 0


8vKPB - Co 0


9vKPB - Co 0


9vKPB - Co 0


9vKPB - Co 0


9vKPB - Co 0


8vKPB - Co 0


7vKPB - Co 0


9vKPB - Co 0


9vKPB - Co 0


7vKPB - Co 0


7vKPB - Co 0


6vKPB - Co 0


58



8vKPB - Co 0


8vKPB - Co 0


7vKPB - Co 0


7vKPB - Co 0


7vKPB - Co 0


7vKPB - Co 0


7vKPB - Co 0


7vKPB - Co 0


7vKPB - Co 0


6vKPB - Co 0


6vKPB - Co 0


6vKPB - Co 0


6vKPB - Co 0


9vKPB - Co 0


6vKPB - Co 0


7vKPB - Co 0


59



7vKPB - Co 0


9vKPB - Co 0


9vKPB - Co 0


9vKPB - Co 0


7vKPB - Co 0


9vKPB - Co 0


8vKPB - Co 0


7vKPB - Co 0


8vKPB - Co 0


9vKPB - Co 0


6vKPB - Co 0


9vKPB - Co 0


9vKPB - Co 0


7vKPB - Co 0


6vKPB - Co 0


9vKPB - Co 0


62



9vKPB - Co 0


6vKPB - Co 0


6vKPB - Co 0


9vKPB - Co 0


8vKPB - Co 0

100. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP

- 8vKPB - Co 0

101. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA – 10vKPM - 9vMP - 5vKDP

- 9vKPB - Co 0


6vKPB - Co 0

103. 5uq + 6up + 5ud + 2us - 10vSMM - 7vDSA - 10vKPM - 9vMP - 5vKDP

- 9vKPB - Co 0


6vKPB - Co 0

Uq – 1.25 UP 0

Uq – 2.5 Ud 0

Uq – 2.5 Us 0

Up – 2 Ud 0

Up – 2 Us 0

Ud – Us 0

2. Pengolahan Data dengan software EMS versi 1.3 (Efficiency

Measurement System)

Untuk membantu pengolahan data, maka digunakan software

Eficiency Measurement System (EMS) versi 1.3. yang dikembangkan oleh

Dortmund University untuk tujuan edukasi.


65


Untuk hasil nilai predicted dari pengolahan data menggunakan software Weka

3.7.5, dapat dilihat di Lampiran 3.

Berikut adalah nilai error dari pengolahan data mining menggunakan decision

tree dan neural network.

Tabel 3.3 Nilai test error data mining

DMU CRS-DT CRS-NN VRS-DT VRS-NN

Test error 6.7 5.7 11.4 9.5

Berdasarkan nilai test error pada tabel 3.3, terlihat bahwa nilai test error untuk

model CRS lebih kecil dibandingkan dengan nilai model VRS.



BAB 4

ANALISIS HASIL

4.1 Analisis Hasil Pengolahan Data Envelopment Analysis (DEA)

Hasil utama optimasi model DEA adalah nilai efisiensi untuk masing-

masing DMU. Dimana seperti dapat dilihat pada tabel 3.2, hasil dari skor efisiensi

untuk masing-masing keseluruhan DMU.

Nilai efisiensi menggambarkan tingkat efisiensi masing-masing DMU

yang nilainya berkisar antara 0 – 1. Suatu DMU yang memperoleh nilai efisiensi 1

atau 100% mengindikasikan suatu kondisi dimana tidak ada input atau ouput yang

masih dapat ditingkatkan tanpa mengurangi tingkat input dan output yang lain.

DMU dengan tingkat efisiensi 100% jika dilihat dari orientasi input, DMU yang

memiliki efisiensi 100% berarti tidak ada DMU atau kombinasi DMU manapun

yang mampu menghasilkan tingkat output yang lebih banyak dengan

menggunakan tingkat input yang sama. Sedangkan jika dilihat dari orientasi

output, maka DMU dengan efisiensi 100% berarti bahwa tidak ada DMU atau

kombinasi DMU yang mampu menggunakan tingkat input yang lebih sedikit

untuk menghasilkan tingkat output yang sama.

Untuk DMU yang memiliki nilai efisiensi dibawah 100% atau inefisien

juga dapat dilihat dari kedua orientasi. Dilihat dari orientasi input, DMU yang

inefisien berarti bahwa ada DMU ataupun kombinasi DMU lain yang mampu

menghasilkan tingkat output yang sama atau lebih banyak dengan menggunakan

tingkat input yang sama. Demikian pula, jika dilihat dari orientasi output, DMU

yang inefisien berarti ada DMU atau kombinasi DMU lainnya yang mampu

menggunakan tingkat input yang sama ataupun lebih sedikit untuk menghasilkan

tingkat output yang sama.

Berdasarkan pengertian diatas, maka suatu DMU yang misalnya memiliki

efisiensi sebesar 70%, memiliki arti bahwa DMU tersebut hanya menghasilkan

output sebesar 70% sebesar dibandingkan DMU efisien dengan menggunakan

tingkat output yang sama.

Nilai efisiensi DEA yang dihasilkan kurang tepat bila digunakan untuk

menyusun peringkat bagi seluruh supplier yang dinilai. Hal ini dikarenakan nilai


68


maka model CRS akan lebih cocok digunakan. Dimana prinsip CRS adalah bahwa

output bertambah secara proporsional dengan penambahan input, dengan kata lain

bahwa skala operasi tidak mempengaruhi efisiensi unit kerja tersebut.

Perbandingan penggunaan teknik data mining yaitu Decision Tree dan

Neural Network, dapat dilihat pada Lampiran 3, terlihat bahwa nilai predicted

error lebih besar untuk neural network dibandingkan dengan decision tree. Hal itu

juga dapat terlihat dari nilai test error untuk masing-masing pada tabel 3.3 , yaitu

untuk model CRS-DT memiliki nilai test error sebesar 6.7, sedangkan untuk

CRS-NN nilai test error nya sebesar 5.7. Untuk kasus ini, neural network

memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan decision tree, hal

ini disebabkan neural network mampu untuk mengatasi permasalahan data set

yang besar dan tidak informatif. Dikarenakan pada neural network dibutuhkan

untuk waktu training (pembelajaran) lebih lama dibandingkan teknik lainnya.

Waktu training yang lama ini akan membuat neural network akan lebih mampu

mengenal karakteristik data input, sehingga akan menghasilkan nilai error yang

lebih kecil.



BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian, framework dalam pemilihan supplier adalah

berbeda antara model DEA-CRS dan model DEA-VRS. Hal ini dikarenakan pada

konsep CRS nilai output bertambah secara proporsional dengan penambahan

input dengan kata lain bahwa skala operasi tidak mempengaruhi efisiensi unit

kerja, sedangkan VRS berarti output akan bertambah atau berkurang secara tidak

proporsional dengan bertambahnya input. Nilai efisiensi yang didapatkan dari

masing-masing model berbeda antara penggunaan model CRS dan VRS. Dimana

untuk model CRS ada 40 suppliers yang memiliki nilai efisiensi sebesar 1 dan 54

suppliers yang memiliki nilai efisiensi sebesar 1 untuk model VRS.

Pengolahan data mining yang bertujuan untuk prediksi, memiliki hasil

yang berbeda diantara decision tree dan neural network. Model CRS dengan

menggunakan neural network memiliki nilai prediksi yang lebih tinggi

dibandingkan dengan penggunaan decision tree. Hal ini dapat terlihat dari

besarnya error yaitu 5.7 dibandingkan dengan decision tree sebesar 6.7. Hal ini

menunjukkan dalam kasus penelitian seperti ini, neural network lebih cocok untuk

digunakan. Dikarenakan neural network memiliki waktu lebih lama untuk

melakukan training, sehingga lebih mendalam untuk mengenal karakteristik data.

5.2 Saran

Penelitian ini memiliki beberapa keterbatasan, yaitu mengenai data

mengenai supplier. Untuk itu penulis memberikan saran untuk penelitian-

penelitian berikutnya yaitu :

1. Data yang akan digunakan dalam pengolahan data yang berupa kuesioner

dapat dikembangkan, dimana dengan penggunaan skala likert, untuk hasil

yang lebih akurat.

2. Pengembangan model DEA yang digunakan yaitu dengan menggunakan

output oriented.


70


3. Penambahan variabel input yang digunakan dalam pengolahan data

mining, tidak hanya terbatas penggunaan skor efisiensi, bisa menggunakan

data lokasi dari supplier, keadaan ekonomi supplier, dan sebagainya.


71


DAFTAR REFERENSI

Bevilacqua, M. and A. Petroni, 2002. From traditional purchasing to supplier management: A

fuzzy logic based approach to supplier selection. Int. J. Logist. Res. Appli.: Leading J.

Supply Chain Manage., 5: 235-255.

Chan, F.T.S., H.K. Chan, R.W.L. Ip and H.C.W. Lau, 2007. A decision support system for

supplier selection in the airline industry. Proc. Inst. Mechanical Eng. Part B: J. Eng.

Manufacture, 221: 741-758.

Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the ef ciency of decision-

making units. European Journal of Operational Research, 2, 429–444.

De Boer, L., Labro, E., & Molrlacchi, P. (2001). A review of methods supporting supplier

selection. European Journal of Purchasing and Supply Management, 7, 75–89.

Dickson, G. W. (1966). An analysis of vendor selection systems and decisions. Journal of

Purchasing, 2, 5–17.

Gencer, C. and D. Gurpinar, 2007. Analytic network process in supplier selection: A case study

in an electronic firm. Applied Math. Model., 31: 2475-2486.

Lee, A.H.I., 2009. A fuzzy supplier selection model with the consideration of bene ts,

opportunities, costs and risks. Expert Syst. Appl., 36: 2879-2893.

Ng, W.L., 2008. An efficient and simple model for multiple criteria supplier selection problem.

Eur. J. Oper. Res., 186: 1059-1067.

Olsen, R. F., & Ellram, L. M. (1997). A portfolio approach to supplier relationships. Industrial

Marketing Management, 26, 101–113.


72


Saen, R.F., 2010. A decision model for selecting appropriate suppliers. Int. J. Adv. Oper.

Manage., 2: 46-56.

Talluri, S., & Narasimhan, R. (2005). A methodology for supply base optimization. IEEE

Transactions on Engineering Management, 52(1), 130–139.

Ting, S.C. and D.I. Cho, 2008. An integrated approach for supplier selection and purchasing

decisions. Supply Chain Manage.: Int. J., 13: 116-127.

Weber, C. A., & Desai, A. (1996). Determination of paths to vendor market ef ciency using

parallel coordinates representation: A negotiation tool for buyer. European Journal

of Operational Research, 90, 142–155.

Weber, C. A., & Ellram, L. M. (1993). Supplier selection using multiobjective

programming: A decision support system approach. International Journal of Physical

Distribution and Logistics Management, 23(2), 3–14.

Witten, I., & Frank, E. (2000). Data mining – practical machine learning tools and techniques

with java implementations. Morgan Kaufmann.

Wu, D. (2006). Detecting information technology impact on rm performance using DEA and

decision tree. International Journal of Information Technology and Management, 5,

162–174.

Wu, D., (2008). Supplier selection in a fuzzy group setting: A method using grey related analysis

and dempster–Shafer theory. Expert Systems with Applications, In Press.

Wu, D. (2009). Performance evaluation: An integrated method using data

envelopment analysis and fuzzy preference relations. European Journal of Operational

Research, 194(1), 227–235.


73


Wu, D., & Olson, D. L. (2008). A comparison of stochastic dominance and stochastic DEA for

vendor evaluation. International Journal of Production Research(8), 2313–2327.

Wu, D., Yang, Z, & Liang, L. (2006). Using DEA-neural network approach to evaluate branch

ef ciency of a large canadian bank. Expert Systems with Applications, 31(1), 108–115.


Lampiran 1

Kuesioner Penilaian Kemampuan Supplier

PENILAIAN KEMAMPUAN SUPPLIER

Nama Perusahaan : Jenis Material :

Item Penilaian Ya Tidak

Sistem Manajemen Mutu - Apakah perusahaan memiliki kebijakan kualitas yang jelas sebagai panduan

untuk melakukan rencana kualitas ?

- Apakah manajer kualitas bertanggung jawab langsung ke Top Management atau ke level yang berhubungan langsung dengan Top Management ?

- Apakah perencanaan kualitas fokus untuk melakukan pencegahan defect ? - Apakah perencanaan kualitas menggunakan pendekatan Plan, Do, Check,

Act (PDCA) untuk peningkatan kualitas ? - Apakah perusahaan memiliki sertifikasi ISO ? - Apakah pembelian material dari supplier terdokumentasikan secara detail

dan spesifik? - Apakah perusahaan melakukan pengontrolan terhadap kualitas dari material

yang diterima dengan teknik sampling ? - Apakah perusahaan memiliki program peningkatan kualitas secara

berkesinambungan? - Apakah perusahaan menggunakan Statistical Process Control (SPC) untuk

meningkatkan kemampuan proses ? - Apakah perusahaan mengukur dan mendokumentasikan kemampuan proses

secara rutin ?

Dokumentasi dan Self Audit - Apakah perusahaan memiliki suatu sistem untuk menjamin pengontrolan

semua dokumen yang berhubungan dengan program kualitas ?

- Apakah pertanggungjawaban untuk hasil, perubahan, dan pemeliharaan semua dokumen tertulis dalam form ?

- Apakah perusahaan memelihara dokumentasi terhadap catatan penghapusan

dokumen-dokumen yang telah usang ? - Apakah verifikasi dilakukan oleh Quality Audit, guna melakukan koreksi

terhadap rencana yang akan di implementasikan ? - Apakah ada personil yang bertanggung jawab untuk melakukan Quality

Audit ?


- Apakah perusahaan menggunakan Customer Service Representatives yang dapat merespon permintaan konsumen meliputi harga, kualitas pengiriman, design/engineering, dan masalah waktu pengiriman ?

- Apakah tujuan perusahaan yang telah ditetapkan pada rencana bisnis,

direview/ditinjau bersama dengan karyawan setiap tahun ?

Kemampuan Desain dan Pengembangan - Apakah perusahaan mampu melakukan desain dan pengembangan produk

baru ? - Apakah perusahaan melakukan pembelajaran terhadap evaluasi kualitas,

keamanan, dan strategi pengurangan biaya ? - Apakah perusahaan memiliki pengalaman dalam perancangan desain awal

dengan melibatkan konsumen ? - Apakah perusahaan memiliki tim untuk melakukan desain dan

pengembangan ? - Apakah perusahaan menggunakan staf desain untuk melakukan desain

produk ?

Kemampuan Pengurangan Biaya - Apakah perusahaan memiliki sistem untuk memonitor semua elemen –

elemen biaya ? - Apakah perusahaan menggunakan pendekatan sistematik untuk menetapkan

standar dasar pekerja, material, dan pengeluaran ? - Apakah perusahaan mengetahui tentang Cost of Quality nya ? - Apakah perusahaan memelihara dokumentasi biaya untuk analisa sebagai

upaya dalam perbaikan kualitas ? - Apakah laporan perbandingan biaya actual dengan biaya standar dilakukan

setiap bulan ? - Apakah perusahaan memiliki sistem untuk mendokumentasikan variansi

biaya ? - Apakah perusahaan memiliki metode formal untuk memonitor tujuan

perbaikan biaya ? - Apakah perusahaan menggunakan teknik Statistical Process Control (SPC)

untuk membantu mengurangi biaya-biaya yang tidak sesuai ? - Apakah perusahaan ikut berpartisipasi dalam program pengurangan biaya

bersama konsumen ?


Lampiran 2

Kuesioner Penilaian Kinerja Supplier PENILAIAN KINERJA SUPPLIER

Nama Perusahaan : Jenis Material :

Item Penilaian Ya Tidak Kualitas - Apakah supplier menyediakan komponen berdasarkan spesifikasi perusahaan ?

- Apakah supplier ini membantu dalam pengurangan biaya kualitas ? - Apakah rencana manajemen kualitas supplier memungkinkan perusahaan untuk

mengeliminasi inspeksi penerimaan (acceptance inspection ) ? - Apakah supplier dapat dengan cepat memberikan salinan hasil tes/inspeksi

proses dan proses produk mereka ? - Apakah kinerja kualitas secara keseluruhan dari supplier dalam 1 tahun terakhir

dapat diterima ?

Harga - Apakah kinerja harga keseluruhan dari supplier dalam 1 tahun terakhir dapat

diterima ?

- Apakah supplier memiliki sistem untuk memperkirakan biaya ? - Apakah supplier memiliki sistem untuk monitoring biaya ? - Apakah supplier membuat informasi mengenai struktur biaya yang tersedia

untuk perusahaan (detail struktur harga, elemen harga, kebijakan faktor keuntungan, dll) ?

- Apakah supplier menggunakan program perbaikan biaya secara

berkesinambungan ? - Apakah supplier membantu perusahaan dalam pencapaian target biaya ?

Pengiriman - Apakah kinerja pengiriman oleh supplier dalam 1 tahun terakhir dapat diterima?

- Apakah supplier memiliki sistem penjadwalan ? - Apakah waktu pengiriman dari supplier sesuai target perusahaan dalam 1 tahun

terakhir ? - Apakah supplier menggunakan metode pengiriman Just In Time (JIT) ? - Apakah supplier memberikan pemberitahuan pengiriman terlebih dahulu ?

Pelayanan - Apakah supplier memiliki respon yang cepat dalam mengatasi keluhan

konsumen ? - Apakah supplier menanggapi terhadap masalah-masalah yang dihadapi

perusahaan pada waktu yang tepat ?


Lampiran 3

Hasil Pengolahan Software WEKA 3.7.5

DMU Actual Score CRS

Actual score VRS

Decision Tree (DT) CRS

Neural Network (NN) CRS

Decision Tree (DT) VRS

Neural Network (NN) VRS

actual actual predicted error predicted error predicted error predicted error DMU1 0.889 0.864 0.867 -0.022 0.886 -0.003 0.859 -0.004 0.906 0.042 DMU2 0.778 0.763 0.799 0.021 0.771 -0.007 0.697 -0.066 0.784 0.021 DMU3 0.889 0.78 0.887 -0.002 0.893 0.004 0.774 -0.005 0.784 0.004 DMU4 0.8 0.694 0.799 -0.001 0.803 0.003 0.697 0.003 0.708 0.014 DMU5 0.7 0.682 0.683 -0.017 0.701 0.001 0.697 0.015 0.71 0.028 DMU6 1 1 1 0 0.999 -0.001 0.984 -0.016 0.994 -0.006 DMU7 0.667 0.588 0.683 0.017 0.667 0 0.655 0.067 0.603 0.015 DMU8 0.889 0.78 0.887 -0.002 0.891 0.002 0.774 -0.005 0.794 0.014 DMU9 1 0.994 1 0 1 0 0.998 0.004 1 0.006

DMU10 1 1 1 0 1 0 0.984 -0.016 0.995 -0.005 DMU11 1 1 1 0 1 0 0.984 -0.016 0.998 -0.002 DMU12 1 1 1 0 1.001 0.001 0.998 -0.002 0.986 -0.014 DMU13 1 0.994 1 0 1 0 0.998 0.004 0.984 -0.01 DMU14 1 1 1 0 1.002 0.002 0.998 -0.002 0.997 -0.003 DMU15 0.8 0.694 0.799 -0.001 0.803 0.003 0.697 0.003 0.71 0.016 DMU16 0.8 0.694 0.799 -0.001 0.801 0.001 0.697 0.003 0.708 0.014 DMU17 0.8 0.694 0.799 -0.001 0.804 0.004 0.697 0.003 0.715 0.021 DMU18 0.889 0.714 0.887 -0.002 0.886 -0.003 0.722 0.008 0.731 0.017 DMU19 0.889 0.714 0.887 -0.002 0.889 0 0.722 0.008 0.719 0.005 DMU20 1 1 1 0 0.999 -0.001 0.984 -0.016 0.99 -0.01


UNIVERSITAS INDONESIA MODEL PEMILIHAN SUPPLIER...

Documents

Transcript of UNIVERSITAS INDONESIA MODEL PEMILIHAN SUPPLIER...