Laboratorium Sistem Informasi dan Keputusan ITB 1 MODUL PRAKTIKUM TI-3007
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI I
II
Modul 07
Perancangan Sistem
Pendukung Keputusan
LABORATORIUM SISTEM INFORMASI DAN KEPUTUSAN
PROGRAM STUDI TEKNIK INDUSTRI
INSTITUT TEKNOLOGI BANDUNG
2015
Laboratorium Sistem Informasi dan Keputusan ITB 2
Tujuan Praktikum
Tujuan Umum
Praktikan mampu merancang sebuah sistem pendukung keputusan sederhana
Tujuan Khusus
Praktikan mampu untuk:
1. Memahami karakteristik utama sistem pendukung keputusan 2. Memahami komponen utama sistem pendukung keputusan 3. Memahami metode perancangan sistem pendukung keputusan
4. Merancang model prediktif dan optimisasi sederhana pada suatu sistem pendukung keputusan untuk kegiatan operasional bisnis
5. Merancang prototype sistem pendukung keputusan sederhana
Prerequisites
1. TI2104 - Sistem Basis Data 2. TI2001 - Penelitian Operasional I 3. TI3102 - Penelitian Operasional II 4. TI3103 - Pemodelan Sistem
5. TI3006 - Analisis dan Perancangan Sistem Informasi
Output Praktikum
Prototype sistem pendukung keputusan dalam sebuah file Macro-enabled Excel Workbook
Alat dan Bahan
1. Laptop yang terinstall Microsoft Excel 2010 atau 2013 2. Panduan praktikum modul 07 (terlampir)
3. Skenario permasalahan (terlampir)
Laboratorium Sistem Informasi dan Keputusan ITB 3
Peraturan Praktikum
Segala bentuk kecurangan akademik tidak akan ditoleransi dan akan menerima sanksi
sesuai aturan yang berlaku pada Buku Peraturan Akademik Institut Teknologi Bandung.
Selama pelaksanaan responsi praktikum maupun praktikum, praktikan diwajibkan untuk:1. Berpenampilan rapi dan sopan.
2. Menggunakan kemeja yang berkancing dari atas hingga bawah. 3. Menggunakan sepatu tertutup.
4. Setiap bentuk keterlambatan akan diberikan sanksi sebagai berikut:
a. Keterlambatan saat pelaksanaan responsi dan tes awal praktikum akan mengakibatkan pengurangan nilai tes awal (individu).
b. Keterlambatan saat pelaksanaan praktikum akan mengakibatkan pengurangan nilai laporan kelompok.
c. Keterlambatan pengumpulan laporan praktikum dan file-file praktikum akan mengakibatkan pengurangan nilai laporan kelompok.
Laboratorium Sistem Informasi dan Keputusan ITB 4
Pendahuluan
Permasalahan pengambilan keputusan merupakan suatu permasalahan yang seringkali dihadapi di dalam pengelolaan suatu sistem integral. Menurut Turban (2007), terdapat tiga jenis keputusan, diantaranya:
1. Structured Decision
Structured Decision merupakan keputusan yang diambil secara rutin dan terdapat prosedur yang jelas dalam proses pengambilan keputusannya. Pengambilan keputusan terstruktur dalam implementasinya dapat dilakukan terprogram secara otomatis serta tidak memerlukan penilaian manusia dalam pengambilan keputusannya.
Contoh: Wakil Rektor Bidang Akademik dan Kemahasiswaan ITB dengan memanfaatkan Sistem Informasi Akademik ITB memutuskan untuk memperbolehkan seorang mahasiswa mengambil hingga 24 SKS mata kuliah selama NR semester terakhir mahasiswa tersebut lebih dari 3.25.
2. Semistructured Decision
Semistructured Decision merupakan keputusan yang sebagian masalahnya mempunyai jawaban yang jelas, terdapat prosedur yang jelas dalam proses pengambilan keputusannya, namun tetap memerlukan penilaian seorang decision maker dalam implementasinya.
Contoh: Permasalahan penentuan rute kendaraan (vehicle routing problem), permasalahan penentuan kebijakan pengelolaan inventori, permasalahan pemilihan supplier bahan baku. 3. Unstructured Decision
Unstructured Decision merupakan keputusan yang tidak rutin, memerlukan penilaian dan prosedur yang disepakati dalam pengambilannya. Biasanya keputusan yang tidak terstruktur dijumpai di level eksekutif.
Contoh: Penentuan strategi korporasi.
Terstruktur Tidak Terstruktur Tidak Rutin
Rutin
Computerized Decision Support
Systems Computerized Analyses for Special Studies Automated Decision Systems
Laboratorium Sistem Informasi dan Keputusan ITB 5 Pada praktikum modul sebelumnya, anda telah mempelajari bagaimana merancang suatu sistem informasi mulai dari memetakan dan memodelkan proses bisnis, hingga merancang sistem basis data beserta user interface sistem. Anda juga telah mengetahui berbagai macam sistem informasi, mulai dari sistem yang dapat merekam dan memproses transaksi (Transaction Processing System), sistem yang dapat membuat laporan-laporan untuk para manager (Management Information System), sistem yang dapat mendukung pengambilan keputusan (Decision Support System), sistem yang memiliki pengetahuan para pakar (Expert System), hingga sistem yang memiliki kapabilitas untuk menampilkan informasi-informasi internal dan eksternal bagi para eksekutif (Executive Information System) (Beekman & Beekman, 2009). Modul ini akan secara spesifik membahas sistem pendukung keputusan, sebagai salah satu jenis sistem informasi yang digunakan untuk mendukung pengambilan keputusan semi-terstruktur dan tidak terstruktur. (Turban, 2007 )
Laboratorium Sistem Informasi dan Keputusan ITB 6
Sistem Pendukung Keputusan
Karakteristik Sistem Pendukung Keputusan
Menurut Turban (2007), sebuah sistem pendukung keputusan yang ideal harus memenuhi karakteristik seperti yang digambarkan pada gambar berikut.
Gambar 2 Karakteristik Sistem Pendukung Keputusan (Turban, 2007)
Penjelasan terkait karakteristik-karakteristik tersebut adalah sebagai berikut:
1. Mendukung pengambilan keputusan, terutama pada situasi permasalahan yang berbentuk semistruktur dan tidak terstruktur dengan menggabungkan pertimbangan-pertimbangan manusia dan juga permasalahan computerized yakni permalasahan yang baru dapat diselesaikan dengan bantuan komputer.
2. Mendukung semua tingkatan manajerial, mulai dari line managers sampai top executives. 3. Mendukung individual hingga kelompok grup. Masalah yang kurang terstruktur seringkali
memerlukan keterlibatan individu dari departemen dan dari tingkatan organisasi yang berbeda atau bahkan dari organisasi yang berbeda. SPK juga dapat mendukung berbagai tim virtual dengan menggunakan suatu web kolaboratif.
DSS Characteristics 1. Semistructur ed and unstructured problems 2. Support managers at all levels 3. Support individuals and groups 4. Interdepend ent or sequential decisions 5. Support intelligence, design, choice, implementati on 6. Support variety of decision processes and styles 7. Adaptable and flexible 8. Interactive ease of use 9. Effectiveness , not efficiency 10. Humans control the machine 11. Ease of development by end users 12. Modelling and analysis 13. Data access 14. Standalone, integration and web-based
Laboratorium Sistem Informasi dan Keputusan ITB 7 4. Mendukung keputusan yang saling bergantungan ataupun berurutan. Keputusan tersebut
dapat ditetapkan sebanyak satu kali, beberapa kali, ataupun berulang kali.
5. Mendukung semua fase proses pengambilan keputusan; intelegensi, desain, pemilihan, dan implementasi.
6. Mendukung dalam berbagai variasi proses dan bermacam-macam pengambilan keputusan. 7. Dapat beradaptasi seiring berjalannya waktu. Pengambilan keputusan sebaiknya bersifat
reaktif, dapat menghadapi dan beradaptasi terhadap perubahan kondisi yang terjadi dengan cepat. SPK juga bersifat fleksibel, sehingga pemakai dapat menambah, menghapus, menggabungkan, merubah, dan mengatur ulang elemen-elemen dasarnya. SPK juga sebaiknya fleksibel sehingga dapat dimodifikasi untuk menyelesaikan permasalahan lainnya yang serupa.
8. User friendly, memiliki kemampuan grafis yang baik, dan bahasa yang interaktif. Kebanyakan aplikasi SPK saat ini menggunakan antar muka berbasiskan web.
9. Perbaikan pengambilan keputusan lebih berupa efektifitas (akurasi, aktualitas, dan kualitas) dibanding efisiensi (biaya dalam mengambil keputusan). Biasanya, semakin lama pengambilan keputusan, semakin baik alternatif keputusan yang dihasilkan.
10. Pengambil keputusan dapat mengontrol SPK seluruhnya pada setiap langkah pengambilan keputusan yang dilakukan. SPK secara spesifik ditujukan untuk membantu bukan untuk mengganti peran seorang pengambil keputusan.
11. Pemakai dapat mengembangkan dan memodifikasi sistem yang simpel secara sendiri. Untuk sistem yang lebih besar dapat dibangun dengan bantuan information system specialist. 12. Dalam SPK sebuah model diutilisasi untuk menganalisis situasi pengambilan keputusan.
Kemampuan pembentukan model memungkinkan user dapat bereksperimen dengan berbagai strategi dalam berbagai perbedaan konfigurasi. Model inilah yang membuat SPK berbeda dengan bentuk sistem informasi lainnya.
13. Akses data disediakan untuk berbagai variasi sumber, format, dan tipe data.
14. SPK dapat digunakan sebagai alat yang bekerja sendiri (standalone) yang digunakan oleh pengambil keputusan individual dalam satu lokasi, ataupun pengambil keputusan yang terdistribusi dalam suatu organisasi atau antar organisasi yang berada dalam rantai suplai. SPK dapat pula diintegrasikan dengan aplikasi SPK lainnya, dapat didistribusikan secara internal maupun eksternal menggunakan teknologi web dan jaringan.
Manfaat Sistem Pendukung Keputusan
Adapun manfaat menggunakan sistem pendukung keputusan adalah sebagai berikut:
1. SPK membantu pengambil keputusan untuk memecahkan masalah terutama berbagai masalah yang berbentuk semi ataupun tidak terstruktur.
2. Menghemat waktu dalam pengambilan keputusan. Dengan menggunakan SPK, informasi dapat diolah dengan cepat, sehingga alternatif keputusan dapat dihasilkan dengan waktu yang lebih singkat.
Laboratorium Sistem Informasi dan Keputusan ITB 8
Komponen Sistem Pendukung Keputusan
Menurut Turban (2007), berikut ini adalah komponen-komponen suatu sistem pendukung keputusan.
Gambar 3 Komponen Utama Sistem Pendukung Keputusan (Turban, 2007)
Berikut ini merupakan penjelasan untuk masing-masing komponen Sistem Pendukung Keputusan.
Data Management Subsystem
Merupakan subsistem yang mengatur aliran data di dalam DSS, mulai dari penyimpanan sampai manipulasi (retrieval, inquiry, update, report generation, and delete) data. Subsistem ini terdiri dari 4 komponen utama: database, data directory, query facility, dan DBMS (Database Management System).
Database berperan sebagai lokasi penyimpanan data, baik dari sumber internal maupun
eksternal.
Data directory merupakan katalog bagi data yang tersimpan di dalam database, digunakan
untuk mendeskripsikan ketersediaan data, sumber data, dan makna dari data tersebut. Query facility digunakan untuk melakukan akses dan manipulasi data.
DBMS merupakan suatu sistem yang menghubungkan ketiga komponen di atas untuk
melakukan manipulasi data sesuai keinginan user.
Model Management Subsystem
Dalam SPK, subsistem ini berperan dalam mengolah data yang ada pada database menjadi informasi berupa rekomendasi keputusan. Subsistem ini membantu user dalam melakukan analisis kuantitatif, dengan menggunakan model-model kuantitatif seperti model statistik, optimasi, finansial, atau peramalan. Karakteristik yang unik dari model dalam DSS yakni kemampuannya yang tidak hanya membuat model lalu mengolah data dengan model tersebut (ketika model dijalankan), tetapi juga manipulasi (menyimpan dan mengambil/retrieval, mengubah/update, menggabungkan, dan inspeksi) model. Sebagai contoh, jika kita ingin output dari model peramalan diproses sebagai input untuk model program linier, maka dilakukan integrasi kedua model di atas. Pengembangan model dalam DSS tidak selalu dilakukan dari nol (dengan bahasa pemrograman), melainkan dapat menggunakan
User User Interface Sub-system Model Management Sub-system Knowledge Based Management Sub-system Data Management Sub-System Decision Support System
Laboratorium Sistem Informasi dan Keputusan ITB 9 perintah (routine) atau set perintah (building block) dasar atau model yang telah tersedia, misalnya penggunaan fungsi-fungsi dalam Ms. Excel.
User Interface Subsystem
Subsistem ini merupakan mediator komunikasi antara user dengan komponen DSS lainnya. Secara skematis, subsistem UI akan menerima input berupa perintah dari user melalui suatu objek standar seperti drop-down menu, button, dll. Kemudian, input ini akan diteruskan ke komponen lainnya untuk diproses sehingga diperoleh respon berupa diagram, tabel, atau format output lainnya yang disampaikan ke user. Subsistem ini akan dihubungkan dengan suatu hardware sesuai dengan kegunaannya.
Knowledge-Based Management Subsystem
Komponen ini diperlukan pada DSS dengan tingkat kerumitan masalah yang tinggi, di mana penyelesaian masalahnya memerlukan keahlian khusus. Beberapa contoh tools yang digunakan antara lain Fuzzy Logic, Artificial Neural Networks, Genetic Algorithm, dll.
User
Komponen terakhir dari DSS yakni pengguna, para pengambil keputusan. Meskipun bukan komponen utama dalam DSS, pengguna menentukan efektivitas implementasi DSS dalam sistem. Secara umum, pengguna dapat dibagi ke dalam 2 kelompok besar: spesialis/staf dan manager. Perancangan DSS sebaiknya memperhatikan siapa pengguna dari DSS tersebut. Untuk para spesialis (seperti analis finansial, perencana produksi, marketing researcher), DSS dapat dirancang lebih detil, dengan level komputasi yang lebih rumit. Sebaliknya, untuk para manager, DSS sebaiknya dirancang lebih sederhana dan user-friendly.
Metode Pengembangan Sistem Pendukung Keputusan
Dalam Turban (2007), terdapat berbagai macam pendekatan dalam pengembangan sistem. Di antaranya, terdapat 2 metode ekstrim yang dapat digunakan, yaitu System Development Lifecycle (SDLC) dan Rapid Application Development (RAD).
System Development Lifecycle (SDLC) digunakan untuk merancang sistem yang besar. SDLC
merupakan metode terstruktur yang terdiri dari tahapan-tahapan yang dikerjakan secara berurutan. Ada 4 tahapan fundamental, yaitu planning, analysis, design, dan implementation. (Turban, 2007 )
Rapid Application Development (RAD) atau Prototyping, melibatkan tahap analysis, design,
dan implementation yang dikerjakan secara cepat dan iteratif. Setiap iterasi akan menghasilkan suatu prototype yang ditunjukkan kepada system user. Kemudian, berdasarkan respon system user atas prototype tersebut, perbaikan dilakukan pada iterasi berikutnya. Setelah dilakukan beberapa iterasi dan tidak ada lagi perbaikan yang diperlukan, maka sistem dikembangkan berdasarkan prototype yang dihasilkan pada iterasi terakhir. (Turban, 2007 ) Pada praktikum ini, Anda akan merancang sistem pendukung keputusan dengan metode prototyping, sehingga output dari praktikum ini adalah sebuah aplikasi sederhana yang merupakan prototype dari sistem.
Laboratorium Sistem Informasi dan Keputusan ITB 10
Jenis Sistem Pendukung Keputusan
Terdapat beberapa jenis sistem pendukung keputusan berdasarkan proses pengambilan keputusannya, diantaranya adalah Data-driven Decision Support System dan Model-driven Decision Support System.
Tabel 1 Perbedaan model-driven DSS dan data-driven DSS
Perbedaan Model-Driven DSS Data-Driven DSS
Kebutuhan terhadap jumlah
data yang besar Tidak Ya
Objektif perancangan
Membantu pengambil keputusan dalam memahami
dampak pengambilan keputusan terhadap
organisasi.
Membantu decision maker dalam pengambilan keputusan
melalui hasil pengembangan pada masa lalu dan identifikasi
hubungan dan pola data.
Model yang digunakan Kompleks Sederhana
Tools yang digunakan
Model optimisasi, simulasi, heuristik, prediktif, dan model
lainnya
Data mining, OLAP (Online Analytical Processing)
Data-driven Decision Support System
Data-driven Decision Support System adalah jenis sistem pendukung keputusan yang menekankan kemampuan user dalam akses dan manipulasi data internal maupun data eksternal pada suatu rangkaian waktu tertentu yang terkait dengan pengambilan keputusan.
Tools yang digunakan antara lain adalah data mining. Data Mining adalah sebuah proses penemuan korelasi atau pola baru yang memiliki arti dengan melihat serta mempertimbangkan sejumlah besar data yang tersimpan dalam data warehouse (penghubung beberapa database) dengan menggunakan teknologi pengenalan pola maupun teknik statistik dan matematika. Beberapa jenis pekerjaan yang dapat dilakukan dengan teknik data mining antara lain:
Description
Data mining mendeskripsikan pola jelas yang sesuai dengan interpretasi dan penjelasan intuitif Classification
Data mining mengklasifikasikan sebuah set record dalam jumlah besar, dimana setiap record berisi informasi mengenai variabel target (kategori) serta satu set variabel prediktor.
Estimation
Data mining dapat melakukan estimasi suatu set data berdasarkan data lainnya yang dianggap berhubungan. Metode estimasi pada umumnya menggunakan analisis statisitik seperti estimasi titik, interval, regresi, maupun analisis korelasi.
Prediction
Prediksi hampir sama dengan klasifikasi maupun estimasi. Perbedaan mendasar yaitu pada prediksi, ada variabel waktu yang terlibat.
Clustering
Clustering merupakan pengelompokkan record, observasi, atau kasus ke dalam kelas‐kelas dengan objek yang serupa. Sebuah cluster adalah koleksi record yang sama satu sama lain namun tidak sama dengan record di cluster lain.
Laboratorium Sistem Informasi dan Keputusan ITB 11 Asosiasi merupakan sebuah teknik data mining yaitu melakukan pencarian atribut mana yang akan dikombinasikan bersama.
Model-driven Decision Support System
Model-driven Decision Support System adalah jenis sistem pendukung keputusan yang menekankan kemampuan user dalam akses dan manipulasi terhadap model-model statistika, finansial, optimisasi, maupun simulasi. Model-driven DSS menggunakan data dan parameter yang disediakan oleh user untuk membantu pengambil keputusan dalam menganalisis sebuah situasi.
Berbeda dengan sistem informasi biasa yang hanya terdiri dari basis data dan user interface, sistem pendukung keputusan memiliki model yang mengolah data-data menjadi suatu informasi berupa rekomendasi keputusan. Model ini diimplementasikan ke dalam suatu algoritma yang mengolah data pada database sebagai input, sehingga menghasilkan output berupa rekomendasi keputusan. Output dari sistem pendukung keputusan ditampilkan pada user interface. Contoh penggunaan model misalnya, model inventori probabilistik digunakan dalam sistem pendukung keputusan untuk menentukan kebijakan reorder point pada pengelolaan gudang bahan baku.
Turban (2007), mengklasifikasikan model yang digunakan dalam SPK menjadi 7 kategori yang terangkum dalam tabel 1.
Tabel 2 - Kategori Model-model pada SPK Menurut Turban (2007)
Kategori Proses & Objektif Contoh Model/Teknik
Optimisasi Pemilihan Alternatif dari Beberapa
Pilihan Alternatif
Mencari solusi terbaik dari beberapa alternatif solusi yang
tersedia
Decision Tree, Analytical Hierarchy Process,
Weighted Sum Model
Optimisasi via Algoritma
Mencari solusi terbaik dari banyak kemungkinan alternatif
solusi dengan menggunakan langkah-langkah improvement
yang sistematis.
Linear Programming, Model Jaringan
Optimisasi via Analisis
Mencari solusi terbaik dengan menggunakan rumus
(prinsip-prinsip kalkulus)
Model Matematis Tanpa Pembatas Model-model inventori
Simulasi Mencari solusi yang baik dengan
menggunakan eksperimen Monte Carlo Simulation
Heuristik
Mencari solusi yang baik dengan menggunakan aturan-aturan
tertentu
Heuristic programming, Genetics Algorithm
Model Prediktif Memprediksikan masa depan
untuk kasus tertentu
Model-model peramalan, Model Rantai Markov
Model Lainnya Memecahkan kasus “what-if”,
Laboratorium Sistem Informasi dan Keputusan ITB 12
Perancangan Sistem Pendukung Keputusan
Pada praktikum ini, anda akan merancang sebuah Model-Driven DSS. Sebagai latihan, model yang akan digunakan pada modul praktikum ini adalah model optimisasi via analisis dan model prediktif.
Model Optimisasi Sederhana
Dalam Taha (2007), model matematis tanpa constraint merupakan model yang paling sederhana dalam classical optimization theory. Model ini digunakan untuk mencari suatu titik optimal (titik maksimum atau titik minimum) dari ruang solusi tanpa batas. Dalam OR, biasanya model ini dipakai jika fungsi tujuan memiliki komponen-komponen yang memiliki respons yang bertentangan terhadap perubahan nilai variabel keputusan (trade off).
Secara sederhana, titik optimal dapat dicari dengan cara mencoba mengganti-ganti nilai variabel keputusan hingga diperoleh suatu nilai variabel keputusan yang /meminimumkan fungsi objektif. Contoh bentuk khusus dari model ini misalnya adalah model EOQ yang mempertimbangkan trade off antara ongkos simpan dan ongkos pesan dalam menentukan kebijakan ukuran pemesanan.
Gambar 4 - Ilustrasi Optimisasi Sederhana
Tabel 3 - Pencarian Solusi Optimal dengan Menggunakan Tabel
Optimal! Variabel Keputusan Fu n gsi Objekt if
Laboratorium Sistem Informasi dan Keputusan ITB 13
Model Prediktif: Model Rantai Markov
Konsep Rantai Markov dan Aplikasinya
Menurut Turban (2007), model rantai Markov termasuk dalam kategori model prediktif untuk memodelkan kejadian yang kemunculannya bersifat stokastik. Suatu fenomena dikatakan mengikuti proses Markov jika fenomena yang terjadi pada suatu periode hanya dipengaruhi oleh fenomena yang terjadi pada satu periode sebelumnya. (Taha, 2007) Dalam aplikasinya, proses Markov dapat digunakan untuk memodelkan permasalahan inventori, peramalan cuaca, memprediksi perilaku konsumen, penentuan strategi marketing, bahkan dapat digunakan pula untuk mengestimasi market share.
Matriks Transisi
Misalkan terdapat 𝑛 buah kejadian yang dapat terjadi, maka kita dapat mendefinisikan matriks transisi sebagai berikut.
𝑃 = [
𝑝11 ⋯ 𝑝1𝑛
⋮ ⋱ ⋮
𝑝𝑛1 ⋯ 𝑝𝑛𝑛
]
𝑝𝑖𝑗 adalah probabilitas terjadinya kejadian ke-𝑗 jika kejadian ke-𝑖 sudah terjadi.
Contoh:
Misalnya pada suatu mesin A, terdapat 2 kejadian yang mungkin muncul, yaitu mesin rusak dan mesin tidak rusak. Jika pada bulan ini mesin A rusak, maka probabilitas mesin A rusak kembali pada bulan depan adalah 5%. Jika pada bulan ini mesin A tidak rusak, maka probabilitas mesin A menjadi rusak adalah 20%. Maka matriks transisi dari fenomena ini adalah sebagai berikut.
𝑃 = [0.8 0.2 0.95 0.05]
Probabilitas Kejadian pada Periode ke-n
Jika matriks transisi 𝑃 diketahui, probabilitas kejadian pada periode ke-n dihitung dengan menggunakan persamaan berikut ini.
𝒂𝒏= 𝒂𝟏𝑃𝑛−1
𝒂𝒏 adalah vektor probabilitas pada periode ke-𝑛.
Contoh:
Jika pada bulan pertama mesin A rusak (𝒂𝟏= (0,1)) , berapa probabilitas mesin rusak pada bulan
ketiga?
𝒂𝟑= 𝒂𝟏𝑃2
𝒂𝟑 = [0 1] [0.95 0.050.8 0.2] [0.95 0.050.8 0.2] = [0.81 0.19]
Dari hasil perhitungan tersebut, dapat dilihat bahwa probabilitas mesin A rusak pada bulan ketiga adalah 0.19.
Laboratorium Sistem Informasi dan Keputusan ITB 14
Probabilitas Kejadian pada Kondisi Steady-state (Long Run Probabilities)
Pada kondisi steady-state, matriks transisi tidak akan berubah lagi sepanjang waktu. Jadi, probabilitas kejadian yang dapat terjadi pada suatu periode dalam jangka panjang dapat dihitung dengan menggunakan persamaan berikut ini.
𝝅 = lim
𝑛→∞𝑃
𝑛
Secara numerik, probabilitas jangka panjang dapat dicari dengan mengkuadratkan matriks 𝑃 berkali-kali hingga hasil kuadratnya tidak berubah lagi.
Contoh:
Jika mesin A rusak, biaya perbaikan mesin A adalah Rp. 500.000. Dalam jangka panjang, berapa ekspektasi biaya perbaikan mesin A yang dikeluarkan setiap bulannya?
Pertama, kita perlu mencari berapa probabilitas mesin A rusak dalam kondisi steady state, dengan cara mengkuadratkan matriks 𝑃 berkali-kali.
𝑃 = [0.8 0.2 0.95 0.05], 𝑃 2= [0.83 0.17 0.81 0.19 ], 𝑃4= [ 0.83 0.17 0.83 0.17], 𝑃 8= [0.83 0.17 0.83 0.17]
Dari perhitungan di atas, ternyata kondisi steady state sudah tercapai mulai dari periode 4. Dalam kondisi steady state, probabilitas mesin A rusak adalah sebesar 0.17, sehingga dalam jangka panjang, ekspektasi biaya perbaikan mesin A yang harus dikeluarkan setiap bulan adalah sebesar 0.17 x Rp. 500.000 = Rp.85.000/bulan.
Markovian Decision Process untuk Membuat Keputusan Berurutan terhadap Waktu
Selain digunakan untuk menjelaskan fenomena stokastik, konsep Rantai Markov dapat digunakan untuk membuat keputusan yang berurutan terhadap waktu. Misalnya, pada kasus mesin A, terdapat 2 alternatif metode perawatan, yaitu metode A dan B dengan biaya perawatan yang berbeda. Jika kita menggunakan metode A, maka biaya perawatan yang harus dikeluarkan adalah Rp. 100.000/bulan, jika kita menggunakan metode B, biaya perawatan yang harus dikeluarkan adalah Rp. 122.500/bulan. BIaya perbaikan yang harus dikeluarkan setiap kali mesin A rusak adalah Rp. 500.000. Setiap alternatif kebijakan memiliki matriks transisi masing-masing.
𝑃𝐴= [0.95 0.050.8 0.2]
𝑃𝐵 = [0.85 0.150.99 0.01]
Jika pada bulan ini mesin A rusak, untuk meminimalkan total biaya perawatan dan perbaikan mesin, metode apa yang harus diimplementasikan untuk 2 bulan ke depan?
Pada bulan 1:
Mesin A diketahui rusak Pada bulan 2:
Jika menggunakan metode A: Dari matriks transisi 𝑃𝐴, probabilitas mesin rusak pada bulan 2 = 0.05, Ekspektasi Biaya Bulan Ke-2 = Ekspektasi Biaya Jika Tidak Rusak + Ekspektasi Biaya Jika Rusak Ekspektasi Biaya Bulan Ke-2 = 0.95 * Biaya Perawatan + 0.05 * (Biaya Perawatan + Biaya
Laboratorium Sistem Informasi dan Keputusan ITB 15 Biaya perbaikan = Rp. 500.000
Biaya Perawatan = Rp. 100.000
Ekspektasi Biaya Bulan Ke-2 = Rp. 125.000
Jika menggunakan metode B: Dari matriks transisi 𝑃𝐵, probabilitas mesin rusak pada bulan 2 = 0.01, Ekspektasi Biaya Bulan Ke-2 = Ekspektasi Biaya Jika Tidak Rusak + Ekspektasi Biaya Jika Rusak Ekspektasi Biaya Bulan Ke-2 = 0.99 * Biaya Perawatan + 0.01 * (Biaya Perawatan + Biaya
Perbaikan)
Biaya perbaikan = Rp. 500.000 Biaya Perawatan = Rp. 122.500
Ekspektasi Biaya Bulan Ke-2 = Rp. 127.500
Jadi, sebaiknya pada bulan depan, kita menggunakan metode A. Pada bulan 3:
Jika menggunakan metode A:
Karena pada bulan 2 sudah diputuskan untuk menggunakan metode A, maka probabilitas kejadian mesin pada bulan 3 dihitung dengan menggunakan persamaan berikut.
𝒂𝟑= 𝒂𝟏𝑃𝐴𝑃𝐴
𝒂𝟑 = [0 1] [0.95 0.050.8 0.2] [0.95 0.050.8 0.2] = [0.81 0.19]
Ekspektasi Biaya Bulan Ke-3 = Ekspektasi Biaya Jika Tidak Rusak + Ekspektasi Biaya Jika Rusak Ekspektasi Biaya Bulan Ke-3 = 0.81 * Biaya Perawatan + 0.19 * (Biaya Perawatan + Biaya
Perbaikan)
Biaya perbaikan = Rp. 500.000 Biaya Perawatan = Rp. 100.000
Ekspektasi Biaya Bulan Ke-3 = Rp. 195.000 Jika menggunakan metode B:
Karena pada bulan 2 sudah diputuskan untuk menggunakan metode A, maka probabilitas kejadian mesin pada bulan 3 dihitung dengan menggunakan persamaan berikut.
𝒂𝟑= 𝒂𝟏𝑃𝐴𝑃𝐵
𝒂𝟑 = [0 1] [0.95 0.050.8 0.2] [0.85 0.150.99 0.01] = [0.86 0.14]
Ekspektasi Biaya Bulan Ke-3 = Ekspektasi Biaya Jika Tidak Rusak + Ekspektasi Biaya Jika Rusak Ekspektasi Biaya Bulan Ke-3 = 0.86 * Biaya Perawatan + 0.14 * (Biaya Perawatan + Biaya
Perbaikan)
Biaya perbaikan = Rp. 500.000 Biaya Perawatan = Rp. 122.500
Ekspektasi Biaya Bulan Ke-3 = Rp. 192.500
Jadi, sebaiknya pada bulan 3 kita mengunakan metode B. Kesimpulan keputusan: Jika pada bulan ini mesin A rusak, maka pada bulan depan kita sebaiknya menggunakan metode perawatan A, kemudian pada bulan lusa kita menggunakan metode perawatan B.
Laboratorium Sistem Informasi dan Keputusan ITB 16
Contoh Studi Kasus Perancangan SPK
Pada bagian ini, akan dijelaskan contoh permasalahan pengambilan keputusan operasional semi terstruktur dalam mengelola suatu bisnis, beserta tahapan ringkas perancangan SPK-nya.
Deskripsi Permasalahan
Kedai Pasti Segar adalah kedai yang menjual aneka macam es lemon. Kedai Pasti Segar dibuka dari jam 10.00 - 20.00 setiap harinya. Setiap jam 7.00 pagi, Pak Roy sebagai pemilik kedai, harus menetapkan berapa stok buah lemon yang harus disediakan untuk penjualan pada hari tersebut. 1 porsi es lemon membutuhkan 1 buah lemon sebagai bahan baku.
Berdasarkan pengamatan selama ini, jumlah penjualan es lemon harian sangat tergantung oleh cuaca pada hari tersebut. Untuk setiap penjualan 1 porsi es lemon, Pak Roy mendapatkan keuntungan sebesar Rp.4500. Sedangkan untuk setiap 1 porsi es lemon yang tidak terjual, Pak Roy akan mengalami kerugian sebesar Rp.6000. Pak Roy juga telah memperhitungkan apabila terjadi lost sales(pembeli kehabisan lemon), dia akan kehilangan kesempatan untuk memperoleh Rp. 3000 setiap porsinya. Setelah lebih dari 6 bulan membuka usahanya, Pak Roy mulai merasa membutuhkan perencanaan yang lebih baik untuk menetapkan berapa stok harian lemon yang harus disediakan. Pak Roy ingin memanfaatkan data historis cuaca harian, data penjualan es lemon, dan data lost sales setiap harinya, untuk meramalkan berapa sebaiknya jumlah stok lemon yang harus disediakan di awal hari agar memperoleh keuntungan yang sebesar-besarnya. Pak Roy telah mendefinisikan ada 3 jenis cuaca yang dapat terjadi pada suatu hari, yaitu: Cerah, Berawan, Hujan. Dia juga ingin dapat secara fleksibel menentukan "berapa hari ke belakang" data historis yang digunakan sebagai dasar peramalan. Pak Roy juga meminta rekomendasi keputusan stok dibuat untuk memaksimalkan profit harian jangka panjang.
Pak Roy memerlukan sebuah sistem pendukung keputusan untuk menentukan berapa stok lemon yang harus disediakan setiap harinya agar memperoleh keuntungan yang maksimum.
Formulasi Masalah
Untuk mendapatkan pemahaman yang lebih baik terhadap suatu permasalahan, kita perlu menstrukturkan permasalahan tersebut. Permasalahan pedagang es lemon ini dirangkum ke dalam 4 elemen masalah, yaitu decision maker, objektif, kriteria performansi, dan alternatif tindakan.
Decision Maker
Decision maker, adalah seseorang/pihak yang berwenang untuk mengambil keputusan. Dalam kasus ini, pihak yang berwenang adalah Pak Roy sebagai pemilik kedai.
Objektif
Objektif adalah hal yang ingin dicapai decision maker dalam keputusannya. Dalam kasus ini, objektifnya adalah memaksimalkan profit harian.
Kriteria Performansi
Kriteria performansi adalah suatu parameter yang menentukan seberapa baik objektif tercapai. Dalam kasus ini adalah prediksi ekspektasi profit harian.
Alternatif Tindakan
Dalam kasus ini, alternatif yang dapat dilakukan oleh decision maker adalah dengan menentukan berapa jumlah stok lemon harian yang harus disediakan di setiap awal hari.
Laboratorium Sistem Informasi dan Keputusan ITB 17
Identifikasi Kebutuhan
Setelah masalah terformulasikan ke dalam elemen-elemen masalah, langkah selanjutnya adalah melakukan identifikasi kebutuhan user. Telah dijelaskan pada modul lalu, bahwa kebutuhan sistem informasi dibagi menjadi 2, yaitu kebutuhan fungsional dan non-fungsional. Kebutuhan fungsional berkaitan dengan fungsi utama sistem tersebut, yaitu kemampuan yang dapat dilakukan oleh sistem. Kebutuhan fungsional inilah yang akan menentukan rancangan sistemnya seperti apa. Kebutuhan fungsional berkaitan dengan properti atau kualitas yang harus dimiliki sistem. Kebutuhan non-fungsional dapat diidentifikasi dengan menggunakan PIECES.
Dalam contoh kasus ini, misalnya kebutuhan fungsional sistem yang dirancang adalah sebagai berikut. User dapat mencatat data historis penjualan, cuaca, dan lost sales setiap harinya
User dapat memperoleh rekomendasi keputusan berapa stok yang harus disediakan setiap hari untuk memaksimalkan ekspektasi profit jangka panjang
User dapat memperoleh perkiraan keuntungan yang akan diperoleh User secara fleksibel dapat mengganti-ganti parameter model User dapat melihat data penjualan
Sistem dapat meramalkan cuaca berdasarkan data cuaca x hari terakhir, di mana x dapat di-setting sendiri oleh user
User dapat melihat ramalan cuaca dalam bentuk diagram pie.
Desain Sistem
Desain Sistem secara Umum
Setelah kebutuhan user teridenfitikasi, langkah selanjutnya adalah membuat desain sistem yang dapat memenuhi kebutuhan-kebutuhan tersebut. Telah dibahas pada 2.4, terdapat 4 komponen dasar sistem pendukung keputusan, yaitu Data Management Subsystem, Model Management Subsystem, Knowledge-Based Management Subsystem, dan User Interface Subsystem.
Untuk mulai merancang sistem pada kasus ini, langkah pertama yang harus dilakukan adalah mencocokkan setiap poin kebutuhan user kepada sub-sistem yang dapat memenuhinya. Untuk mempermudah, Anda dapat menggunakan tabel berikut ini. Tabel ini dapat menyajikan informasi tentang bagaimana pemetaan “tugas” dari masing-masing sub-sistem, dalam memenuhi kebutuhan user. Misalnya, berikut ini adalah tabel pemetaan tugas sub-sistem untuk permasalahan pedagang es lemon.
Tabel 4 - Pemetaan Tugas Sub-sistem SPK dalam Memenuhi Kebutuhan User
Kebutuhan Fungsional Data Management Subsystem Model Management Subsystem Knowledge-Based Management Subsystem User Interface Subsystem
User dapat mencatat data historis penjualan, cuaca, dan
lost sales setiap harinya
V
V
User dapat memperoleh rekomendasi keputusan berapa stok yang harus disediakan setiap hari untuk memaksimalkan profit jangka panjang
Laboratorium Sistem Informasi dan Keputusan ITB 18 User dapat memperoleh
informasi perkiraan keuntungan yang akan diperoleh
V
V
User dapat mengganti-ganti
parameter model
V
V
User dapat melihat data
penjualan
V
V
Sistem dapat meramalkan cuaca berdasarkan data cuaca x hari terakhir, di mana x dapat di-setting sendiri oleh user.
V
V
User dapat melihat ramalan
cuaca dalam bentuk diagram pie.
V
V
Dari tabel di atas, kita memperoleh informasi bahwa sistem yang akan dirancang terdiri dari 3 subsistem, yaitu data management sub-system, model management sub-system, dan user interface sub-system.
Langkah berikutnya adalah perancangan setiap sub-sistem, sesuai dengan kebutuhan-kebutuhan user yang telah ditulis dan dipetakan. Singkat cerita, rancangan sistem secara keseluruhan misalnya dirangkum dalam diagram berikut ini.
Desain Proses (Model Management Sub-system)
Pada tahap desain proses, perancang mendefinisikan proses-proses apa saja yang dikerjakan oleh sistem. Pada proses pembangunan sistem, desain proses ini akan dikemas dalam algoritma-algoritma yang mengolah data dari luar sistem menjadi informasi yang berguna untuk mendukung keputusan. Untuk menyajikan bagaimana cara kerja dari sistem, Anda dapat memetakannya dengan menggunakan flowchart.
Laboratorium Sistem Informasi dan Keputusan ITB 19
Gambar 5 - Cara Kerja Sistem
Model yang relevan untuk contoh kasus perancangan SPK untuk masalah pedagang es lemon ini adalah model rantai Markov untuk memprediksi cuaca, dan model optimisasi persediaan untuk memaksimasi ekspektasi profit harian, dengan asumsi sebagai berikut:
Fenomena pergantian cuaca mengikuti proses Markov: Cuaca suatu hari hanya dipengaruhi oleh cuaca pada 1 hari sebelumnya.
Ekspektasi profit yang diperoleh pada saat cuaca tertentu dihitung berdasarkan data rata-rata penjualan pada cuaca tersebut.
Ekspektasi profit total dihitung berdasarkan probabilitas cuaca pada kondisi steady state. Input dari sub-sistem model management ini adalah data penjualan dan data cuaca. Data penjualan yang diinput adalah tanggal, jumlah penjualan, sisa stok, jumlah lost sales, dan kondisi cuaca pada tanggal tersebut. Sedangkan data cuaca berisi kemungkinan cuaca apa saja yang mungkin terjadi pada satu hari, dalam hal ini adalah cuaca cerah, berawan, dan hujan.
Pada flowchart di gambar 4, terdapat 3 proses yang didefinisikan yaitu proses perhitungan frekuensi transisi cuaca, perhitungan probabilitas cuaca pada kondisi steady-state, dan maksimasi profit. Proses Menghitung Frekuensi Transisi Cuaca
Proses ini berperan dalam menghitung berapa jumlah kejadian transisi dari satu cuaca ke cuaca lainnya berdasarkan data kondisi cuaca harian yang disimpan pada data penjualan. Dalam kasus ini, terdapat 3 jenis cuaca yang didefinisikan, yaitu Cerah, Mendung, dan Berawan. Sehingga ada 9 data frekuensi transisi.
1. Jumlah kejadian cuaca cerah sedangkan cuaca hari sebelumnya cerah juga. 2. Jumlah kejadian cuaca berawan sedangkan cuaca hari sebelumnya cerah. 3. Jumlah kejadian cuaca hujan sedangkan cuaca hari sebelumnya cerah.
MULAI
Hitung Frekuensi Transisi
HItung probabilitas cuaca pada kondisi
steady-state Maksimasi ekspektasi profit harian SELESAI Data penjualan Data frekuensi transisi Data cuaca Rekomendasi stok, ekspektasi profit
Laboratorium Sistem Informasi dan Keputusan ITB 20 4. Jumlah kejadian cuaca cerah sedangkan cuaca hari sebelumnya berawan.
5. Jumlah kejadian cuaca berawan sedangkan cuaca hari sebelumnya berawan juga. 6. Jumlah kejadian cuaca hujan sedangkan cuaca hari sebelumnya berawan.
7. Jumlah kejadian cuaca cerah sedangkan cuaca hari sebelumnya hujan. 8. Jumlah kejadian cuaca berawan sedangkan cuaca hari sebelumnya hujan. 9. Jumlah kejadian cuaca hujan sedangkan cuaca hari sebelumnya hujan juga.
Karena user harus dapat secara fleksibel menentukan “berapa hari ke belakang” yang menjadi dasar peramalan cuaca, maka kita tidak boleh membuat sistem yang daat menghitung frekuensi dari seluruh data penjualan yang tersimpan. Misalnya jika user ingin peramalan dilakukan berdasarkan data cuaca pada 14 hari ke belakang, maka frekuensi transisi yang dihitung mundur – mulai dari hari terakhir hingga 14 hari terakhir. Adapun algoritma perhitungannya digambarkan oleh flowchart berikut ini.
Gambar 6 - Cara Kerja Algoritma Perhitungan Frekuensi Transisi Cuaca
MULAI
Set i = jumlah data penjualan Data penjualan,
data cuaca
Lihat data cuaca pada hari ke i dan hari ke i-1
Identifikasi jenis transisi, tambahkan frekuensi transisi sebanyak 1 i = i - 1 i = durasi dasar peramalan Parameter model: dasar peramalan Frekuensi cuaca Simpan data frekuensi transisi SELESAI TIDAK YA
Laboratorium Sistem Informasi dan Keputusan ITB 21 Informasi frekuensi transisi cuaca ini disimpan pada database transisi. Informasi ini digunakan sebagai input model Rantai Markov yang digunakan untuk memprediksi probabilitas cuaca jangka panjang.
Proses Menghitung Probabilitas Cuaca pada Kondisi Steady-State
Sebelum menghitung probabilitas cuaca jangka panjang, kita perlu membuat matriks transisi terlebih dahulu berdasarkan hasil perhitungan proses sebelumnya.
Sesuai dengan prinsip-prinsip Proses Markov, probabilitas cuaca jangka panjang dihitung dengan mengkuadratkan matriks transisi berkali-kali, sehingga diperoleh nilai probabilitas cuaca yang konstan (steady state).
Misalnya pada contoh perhitungan di atas, probabilitas cuaca cerah, berawan, dan hujan berturut-turut adalah 0.41, 0.31, dan 0.28. Informasi prediksi probabilitas cuaca ini dikeluarkan sebagai output dari proses ini dan menjadi input bagi proses memaksimasi profit.
Adapun algoritma perhitungan probabilitas cuaca pada kondisi steady-state diperlihatkan oleh flowchart berikut.
Laboratorium Sistem Informasi dan Keputusan ITB 22
Gambar 7 - Cara Kerja Perhitungan Probabilitas Cuaca pada Kondisi Steady-state
Proses Memaksimasi Profit
Pada proses ini, informasi prediksi probabilitas cuaca diolah untuk memperoleh kebijakan stok yang dapat memaksimalkan ekspektasi profit harian jangka panjang. Pada optimisasi ini, maka kita perlu merancang suatu model optimisasi. Cara kerja model tersebut digambarkan melalui influence diagram sebagai berikut. MULAI Hitung probabilitas transisi cuaca Data frekuensi transisi Sudah steady? Kuadratkan matriks transisi Matriks transisi Probabilitas cuaca steady-state Simpan data probabilitas cuaca steady-state SELESAI TIDAK YA
Laboratorium Sistem Informasi dan Keputusan ITB 23
Gambar 8 - Model Konseptual Maksimasi Profit
Sesuai dengan deskripsi permasalahan, profit harian dipengaruhi oleh profit akibat penjualan, ongkos akibat lost sales, dan kerugian akibat adanya barang yang tidak terjual. Maka, prediksi profit yang diperoleh dimodelkan ke dalam persamaan matematis sebagai berikut.
𝑍 = 𝑃 − (𝐿 + 𝑈)
𝑃 adalah ekspektasi profit harian yang berasal dari penjualan. 𝐿 adalah ekspektasi ongkos akibat lost sale setiap hari. 𝑈 adalah ekspektasi nilai kerugian akibat barang yang tidak terjual setiap hari. Kemudian, total profit yang berasal dari penjualan, dipengaruhi oleh jumlah pengunjung, persediaan stok, dan cuaca. Terdapat 2 macam kondisi yang dapat terjadi, yaitu jika jumlah pengunjung kurang dari jumlah stok dan jika jumlah pengunjung lebih dari jumlah stok yang ditetapkan.
𝑃 = {(𝑆(𝜋1𝜋1+ 𝑆2𝜋2+ 𝑆3𝜋3)𝑝 , 𝑗𝑖𝑘𝑎 𝑆1≤ 𝑥, 𝑆2 ≤ 𝑥, 𝑑𝑎𝑛 𝑆3≤ 𝑥 1+ 𝜋2+ 𝜋3)𝑝𝑥 , 𝑗𝑖𝑘𝑎 𝑆1> 𝑥, 𝑆2> 𝑥, 𝑑𝑎𝑛 𝑆3> 𝑥 Kebijakan stok harian Probabilitas cuaca harian jangka panjang Profit per Unit
Lost Sales Cost per Unit
Unsold product Cost per Unit
Ekspektasi profit harian Ekspektasi Profit Penjualan harian Ekspektasi Lost Sales Cost harian Ekspektasi Unsold product cost harian Rata-rata jumlah penjunjung saat cuaca tertentu Ekspektasi Jumlah Penjualan harian Ekspektasi Jumlah Lost Sales harian Ekspektasi Jumlah Porsi tak terjual harian
Laboratorium Sistem Informasi dan Keputusan ITB 24 𝑝 adalah profit setiap penjualan 1 porsi es lemon, 𝑥 adalah kebijakan stok harian, 𝑆1 adalah rata-rata
jumlah pengunjung pada saat cuaca cerah, 𝑆2 adalah rata-rata jumlah pengunjung pada saat cuaca
berawan, 𝑆3 adalah rata-rata jumlah pengunjung pada saat cuaca hujan, 𝜋1 adalah probabilitas steady
state cuaca cerah, 𝜋2 adalah probabilitas steady state cuaca berawan, 𝜋3 adalah probabilitas steady
state cuaca hujan.
Ekspektasi ongkos lost sales setiap hari:
𝐿 = {0 , 𝑗𝑖𝑘𝑎 𝑆((𝑆 1≤ 𝑥, 𝑆2≤ 𝑥, 𝑑𝑎𝑛 𝑆3 ≤ 𝑥
1− 𝑥)𝜋1+ (𝑆2− 𝑥)𝜋2+ (𝑆3− 𝑥)𝜋3)𝑙 , 𝑗𝑖𝑘𝑎 𝑆1> 𝑥, 𝑆2> 𝑥, 𝑑𝑎𝑛 𝑆3> 𝑥
𝑙 adalah biaya lost sales untuk setiap 1 unit lost sales.
Ekspektasi nilai kerugian akibat es lemon yang tidak terjual setiap hari:
𝑈 = {((𝑥 − 𝑆1)𝜋1+ (𝑥 − 𝑆2)𝜋2+ (𝑥 − 𝑆3)𝜋3)𝑢 , 𝑗𝑖𝑘𝑎 𝑆1≤ 𝑥, 𝑆2≤ 𝑥, 𝑑𝑎𝑛 𝑆3≤ 𝑥 0 , 𝑗𝑖𝑘𝑎 𝑆1> 𝑥, 𝑆2> 𝑥, 𝑑𝑎𝑛 𝑆3> 𝑥
Optimasi dilakukan dengan mengganti-ganti variabel keputusan 𝑥 (kebijakan stok harian) sedemikian rupa sehingga memaksimalkan nilai fungsi objektif 𝑍
Desain Database
Desain basis data dari SPK ditunjukkan oleh ERD dan Tabel berikut.
Laboratorium Sistem Informasi dan Keputusan ITB 25 Tabel Penjualan
Tabel Transisi
Desain User Interface
Berikut ini adalah contoh desain dari user interface sistem untuk kasus pedagang es lemon. Pada halaman utama, user dapat melihat prediksi cuaca, infomasi rekomendasi jumlah stok buah lemon, estimasi profit harian, serta grafik estimasi profit harian terhadap kebijakan jumlah stok. User juga dapat secara langsung mengakses menu “Lihat Data Penjualan” dan “Tambahkan Data Penjualan”. User juga dapat secara fleksibel mengganti parameter model.
ID Transisi Cuaca Hari 1 Cuaca Hari 2 Frekuensi
1 1 1 2 2 1 2 2 3 1 3 1 4 2 1 1 5 2 2 1 6 2 3 0 7 3 1 1 8 3 2 0 9 3 3 3
Laboratorium Sistem Informasi dan Keputusan ITB 26 Berikut ini adalah tampilan user interface pada saat menu “Tambahkan Data Penjualan” diklik.
Laboratorium Sistem Informasi dan Keputusan ITB 27
Daftar Pustaka
Beekman, G., & Beekman, B. (2009). Tommorow's Technology and You 9th Edition. New Jersey: Pearson Education, Inc.
Taha, H. A. (2007). Operations Research: An Introduction 8th Edition. New Jersey: Pearson Education, Inc.
Turban, E. (2007 ). Decision Support and Business Intelligence System, 8th Edition. New Jersey: Prentice Hall.
Laboratorium Sistem Informasi dan Keputusan ITB 28
Prosedur Praktikum
MULAI Responsi & Tes Awal Latihan Penggunaan VBA Excel Formulasi Masalah Perancangan Sistem Penyusunan Laporan SELESAI Deskripsi Permasalahan Rancangan SI Existing (ERD) Flowchart Cara Kerja & ERDSistem,
Prototype SPK
Analisis Kebutuhan
Laboratorium Sistem Informasi dan Keputusan ITB 29
Konten Laporan
Lembar Asistensi Daftar Isi Daftar Gambar Daftar Tabel Bab 1 Pendahuluan 1.1 Latar Belakang 1.2 Tujuan 1.3 FlowchartBab 2 Pengolahan Data 2.1 Deskripsi Masalah
2.2 Rancangan Sistem Pendukung Keputusan 2.2.1 Identifikasi Kebutuhan Keputusan 2.2.2 Overview Rancangan Sistem
2.2.3 Rancangan Model Management Sub-system 2.2.4 Rancangan Data Management Sub-system 2.2.5 Rancangan User Interface Sub-system 2.3 Uji Coba Hasil Rancangan
Bab 3 Analisis
3.1 Analisis Kebutuhan Sistem 3.2 Analisis Perilaku Sistem
3.2.1 Analisis Verifikasi Sistem 3.2.2 Analisis Sensitivitas
3.3 Analisis Kesesuaian Model dengan Permasalahan 3.4 Analisis Rancangan Sistem Pendukung Keputusan
3.4.1 Analisis Konseptual Sistem Pendukung Keputusan
3.4.2 Analisis Penerapan Sistem Pendukung Keputusan bagi Perusahaan 3.4.3 Analisis Penerapan Sistem Pendukung Keputusan di Industri 3.5 Analisis Keterkaitan Antar Modul
Bab 4 Kesimpulan & Saran 4.1 Kesimpulan
4.2 Saran
4.2.1. Saran untuk Perusahaan 4.2.2. Saran untuk Praktikum Daftar Pustaka
Laboratorium Sistem Informasi dan Keputusan ITB 30
Skenario Praktikum - Tools Replacement Strategy Selection Problem
Salah satu tugas dari Divisi Produksi adalah selalu mengontrol kualitas produk yang dihasilkan di lantai produksi. Divisi produksi sedang dihadapkan dengan permasalahan kualitas. Setelah dilakukan analisis ternyata umur pahat mesin memiliki faktor kritikal dalam kualitas produk. Terdapat 3 alternatif kebijakan pergantian pahat.
1. Penggantian pahat dilakukan setiap hari. 2. Penggantian pahat dilakukan 2 kali seminggu 3. Penggantian pahat dilakukan 1 kali seminggu
Masing-masing kebijakan memiliki biaya yang berbeda. Jika kebijakan diputuskan untuk diimplementasikan, kebijakan tersebut harus dijalankan minimum selama 1 minggu kerja (1 minggu kerja = 5 hari kerja).
Kebijakan Deskripsi Biaya Per Tahun
1 Penggantian pahat dilakukan setiap hari
Rp 8,000,000.00
2 Penggantian pahat dilakukan 2 kali seminggu
Rp 3,000,000.00
3 Penggantian pahat dilakukan 1 kali seminggu
Rp 1,500,000.00
Dalam menentukan kebijakan penggantian pahat ini, divisi produksi mempertimbangkan trade off antara ongkos penggantian pahat dan ongkos pemborosan akibat dihasilkannya produk cacat. Berdasarkan data historis yangh terekam, semakin sering pahat diganti, biaya penggantian pahat semakin mahal, tetapi ongkos pemborosan cenderung kecil. Diketahui biaya kerugian akibat hasil produksi cat adalah sebesar Rp75,000.00/unit cacat. Divisi produksi mengelompokkan kejadian cacat menjadi 3 kategori.
Kategori
Kualitas Kondisi
Rendah Jika Jumlah Cacat lebih dari 25 Sedang Jika Jumlah Cacat antara 21-25 Tinggi Jika Jumlah Cacat kurang dari 21
Untuk menentukan jumlah stok pahat dan melihat fluktuatifnya data jumlah produk cacat yang dihasilkan, divisi produksi memerlukan suatu sistem pendukung keputusan yang dapat mengolah data performa mesin (berupa barang cacat yang dihasilkan setiap harinya) menjadi suatu rekomendasi strategi penggantian untuk 3 minggu ke depan. Divisi produksi menginginkan sistem yang adaptable, sehingga dapat beradaptasi terhadap perubahan sepanjang waktu. Divisi produksi juga menginginkan sistem yang fleksibel, sehingga parameter-parameter ongkos, beserta aturan pengelompokan kategori dapat diganti jika sewaktu-waktu diperlukan.
Laboratorium Sistem Informasi dan Keputusan ITB 31 Berikut ini adalah data cacat produksi dari suatu mesin, beserta strategi yang telah digunakan pada 3 bulan terakhir.
PT KKM Jaya PT KKM Sentosa PT KKM Raya
Hari Jumlah Cacat Strategi yang Digunakan Hari Jumlah Cacat Strategi yang Digunakan Hari Jumlah Cacat Strategi yang Digunakan 1 23 1 1 13 1 1 25 1 2 24 1 2 26 1 2 26 1 3 21 1 3 20 1 3 23 1 4 30 1 4 29 1 4 32 1 5 32 1 5 31 1 5 34 1 6 21 1 6 20 1 6 23 1 7 19 1 7 18 1 7 21 1 8 18 1 8 17 1 8 13 1 9 23 1 9 22 1 9 17 1 10 13 1 10 12 1 10 35 1 11 32 1 11 14 1 11 19 1 12 18 1 12 16 1 12 15 1 13 30 1 13 20 1 13 29 1 14 26 1 14 22 1 14 19 1 15 23 1 15 22 1 15 21 1 16 40 1 16 19 1 16 20 1 17 17 1 17 16 1 17 31 1 18 16 1 18 24 1 18 14 1 19 29 1 19 35 1 19 27 1 20 22 1 20 22 1 20 28 1 21 39 1 21 22 1 21 22 1 22 33 1 22 32 1 22 16 1 23 24 1 23 31 1 23 32 1 24 25 1 24 19 1 24 12 1 25 24 1 25 35 1 25 14 1 26 17 1 26 29 1 26 12 1 27 17 1 27 30 1 27 27 1 28 16 1 28 27 1 28 37 1 29 34 1 29 26 1 29 26 1 30 16 1 30 23 1 30 35 1 31 31 2 31 27 2 31 31 2 32 29 2 32 34 2 32 16 2 33 16 2 33 25 2 33 28 2 34 22 2 34 34 2 34 21 2
Laboratorium Sistem Informasi dan Keputusan ITB 32 35 26 2 35 22 2 35 15 2 36 17 2 36 28 2 36 21 2 37 35 2 37 31 2 37 13 2 38 27 2 38 22 2 38 18 2 39 35 2 39 33 2 39 28 2 40 24 2 40 25 2 40 34 2 41 27 2 41 23 2 41 20 2 42 40 2 42 22 2 42 16 2 43 34 2 43 18 2 43 15 2 44 15 2 44 25 2 44 28 2 45 36 2 45 20 2 45 13 2 46 20 2 46 30 2 46 26 2 47 17 2 47 18 2 47 11 2 48 34 2 48 30 2 48 29 2 49 28 2 49 26 2 49 21 2 50 22 2 50 28 2 50 18 2 51 40 2 51 22 2 51 12 2 52 21 2 52 34 2 52 20 2 53 35 2 53 34 2 53 25 2 54 34 2 54 33 2 54 29 2 55 20 2 55 32 2 55 23 2 56 39 2 56 33 2 56 22 2 57 26 2 57 21 2 57 15 2 58 24 2 58 32 2 58 18 2 59 26 2 59 34 2 59 35 2 60 32 2 60 30 2 60 18 2 61 27 3 61 31 3 61 18 3 62 27 3 62 18 3 62 33 3 63 26 3 63 36 3 63 11 3 64 18 3 64 32 3 64 37 3 65 39 3 65 35 3 65 29 3 66 24 3 66 32 3 66 28 3 67 30 3 67 33 3 67 15 3 68 35 3 68 36 3 68 16 3 69 17 3 69 28 3 69 27 3 70 41 3 70 32 3 70 33 3 71 37 3 71 16 3 71 20 3 72 41 3 72 36 3 72 31 3 73 30 3 73 17 3 73 33 3 74 39 3 74 20 3 74 16 3
Laboratorium Sistem Informasi dan Keputusan ITB 33 75 16 3 75 20 3 75 33 3 76 16 3 76 35 3 76 16 3 77 16 3 77 26 3 77 34 3 78 31 3 78 26 3 78 30 3 79 18 3 79 24 3 79 11 3 80 19 3 80 28 3 80 35 3 81 21 3 81 36 3 81 17 3 82 32 3 82 35 3 82 20 3 83 33 3 83 32 3 83 35 3 84 35 3 84 34 3 84 37 3 85 37 3 85 36 3 85 39 3 86 40 3 86 39 3 86 42 3 87 18 3 87 17 3 87 13 3 88 21 3 88 20 3 88 45 3 89 22 3 89 21 3 89 13 3 90 24 3 90 45 3 90 26 3
Laboratorium Sistem Informasi dan Keputusan ITB 34
Skenario Praktikum - Stochastic Lead Time Problem
Salah satu tugas dari Divisi Pengadaan/Logistik adalah mengelola tingkat persediaan di gudang bahan baku utama, gudang bahan baku pembantu, dan warehouse. Saat ini, divisi pengadaan/logistik sedang dihebohkan dengan persoalan ketidakpastian pemenuhan permintaan bahan baku utama, yaitu rough lumber. Bahan baku ini sangatlah penting, karena jika bahan baku ini tidak ada, maka kegiatan produksi tidak akan berjalan sesuai dengan rencana.
PT Kayu Cendana, sebagai supplier utama rough lumber ini terletak di lokasi yang sangat jauh dari pabrik perusahaan. Waktu pengadaan rough lumber ini dipengaruhi oleh banyak faktor, seperti kemacetan kota, cuaca, performa supir truk, dan sebagainya, sehingga sering kali terjadi ketidakpastian berapa lead time pemenuhan pemesanan rough lumber ini.
Sebenarnya, masalah ini dapat diatasi dengan cara memesan rough lumber jauh-jauh hari sebelum digunakan untuk produksi, sehingga ketidakpastian dapat teratasi. Tetapi, konsekuensinya adalah ongkos simpan akan cenderung tinggi karena kemungkinan besar bahan baku sudah tiba sebelum digunakan oleh produksi. Di sisi lain, apabila divisi pengadaan/logistik mengakhirkan waktu pemesanan, terdapat kemungkinan lantai produksi akan kehabisan bahan baku. Sehingga kegiatan produksi menjadi terhenti.
Divisi pengadaan/logistik harus membuat kebijakan kapan bahan baku harus diadakan, berdasarkan target produksi yang ditetapkan oleh divisi produksi. Misalnya ketika divisi produksi meminta 100 unit rough lumber untuk tanggal 10, jika divisi pengadaan/logistik akan menetapkan waktu pemesanan adalah 3 hari sebelum target, maka divisi pengadaan/logistik akan melakukan pemesanan 100 unit rough lumber pada tanggal 13.
Jika bahan baku tiba sebelum digunakan, maka ongkos simpan didefinisikan sebagai nilai barang (Rp. 350.000/unit rough lumber) di kali dengan suatu konstanta yang disebut holding cost rate sebesar 0.08% per hari. Sedangkan jika bahan baku belum tiba saat dibutuhkan, maka ongkos dikuantifikasi dengan menghitung out-of-stock cost sebesar 0.5% dari nilai barang yang dibutuhkan per hari. Konstanta holding cost rate dan out-of-stock rate tersebut dihitung berdasarkan pengalaman selama ini.
Perhitungan yang selama ini dilakukan adalah dengan cara menghitung rata-rata lead time dan manager divisi mulai menilai bahwa cara perhitungan dengan mengunakan pendekatan rata-rata ini tidaklah efektif. Hal ini ditandai dengan banyaknya jumlah kejadian keterlambatan datangnya rough lumber ketika dibutuhkan.
Karena itu, divisi pengadaan/logistik membutuhkan suatu sistem pendukung keputusan yang dapat mengolah data historis berupa data lead time pengiriman rough lumber, menjadi rekomendasi keputusan yang dapat meminimalkan ekspektasi ongkos total (holding cost & out-of-stock cast) dalam jangka panjang. Sistem juga diharapkan bersifat fleksibel, sehingga parameter-parameter seperti holding cost rate, out-of-stock rate, nilai barang, dan berapa pengiriman terakhir yang menjadi dasar pengolahan data. Sistem juga diharapkan bersifat adaptable, sehingga dapat merespon apabila terdapat perubahan tren.
Laboratorium Sistem Informasi dan Keputusan ITB 35 Berikut ini adalah data historis lead time pengiriman bahan baku (dalam hari) 42 pengiriman terakhir.
Pengiriman ke
Lead Time Supply Rough Lumber (hari) PT KKM Jaya PT KKM Sentosa PT KKM Raya 1 2 1 1 2 1 3 3 3 5 5 3 4 5 3 1 5 4 4 3 6 3 2 4 7 4 2 2 8 4 5 5 9 2 4 5 10 4 2 4 11 3 5 1 12 4 4 3 13 4 3 3 14 2 5 4 15 2 5 3 16 4 2 3 17 4 2 1 18 3 4 4 19 3 3 2 20 3 3 1 21 5 4 1 22 4 3 4 23 4 4 3 24 1 4 1 25 3 4 3 26 3 4 4 27 3 4 4 28 3 5 2 29 1 2 1 30 2 2 2 31 2 2 3 32 5 2 3 33 5 2 3 34 2 2 4 35 1 4 2 36 4 4 4
Laboratorium Sistem Informasi dan Keputusan ITB 36 37 2 4 5 38 1 2 1 39 5 2 3 40 4 2 1 41 1 2 3 42 3 1 5
Laboratorium Sistem Informasi dan Keputusan ITB 37
Skenario Praktikum - Loyalty of Customer Problem
Pada tahun 2015 ini, perusahaan sedang gencar dalam mempertahankan dan meningkatkan market share-nya. Riset juga menunjukkan bahwa sebagian besar pendapatan perusahaan berasal dari pelanggan yang pernah membeli produk perusahaan. Divisi R&D sedang tertarik untuk melakukan riset untuk meneliti perilaku konsumen, terutama loyalitas konsumen, untuk mendukung program customer relationship management yang dilaksanakan oleh divisi pemasaran. Dalam mengestimasi pangsa pasar perusahaan, divisi R&D melakukan riset pasar untuk mengukur loyalitas konsumen. Berdasarkan informasi dari divisi pemasaran, divisi R&D mendefinisikan terdapat 3 macam strategi customer retention yang dapat meningkatkan loyalitas konsumen. Keempat program ini sudah pernah dilakukan dan divisi pemasaran memerlukan bantuan divisi R&D untuk mengevaluasi masing-masing strategi.
Program Banting Harga, merupakan program diskon untuk pelanggan yang sudah pernah membeli produk PT KKM Jaya. Biaya rata-rata: Rp. 144.500.000/bulan.
Program After Sale Service, yaitu dengan mengadakan garansi. Biaya rata-rata: Rp. 200.000.000/bulan.
Program Bonus, bonus asesoris untuk setiap pembelian produk perusahaan. Biaya rata-rata: Rp. 100.000.000/bulan.
Untuk menentukan strategi mana yang terbaik untuk dilakukan setiap bulan, divisi R&D melakukan eksperimen dengan mencoba masing-masing strategi tersebut selama 3 bulan untuk memperoleh gambaran strategi terbaik. Kemudian, divisi R&D melakukan wawancara kepada 100 orang responden acak yang pernah membeli produk perusahaan di berbagai toko mainan.
Ada 4 pertanyaan yang ditanyakan kepada responden, yaitu:
Nama
Dari media apakah Anda mengetahui produk perusahaan kami?
Pertanyaan untuk responden yang sedang membeli kereta perusahaan kami: Sudah pernahkah Anda membeli produk perusahaan kami sebelumnya?
Jika belum pernah, sudah pernahkah Anda membeli produk kereta kayu mainan merek lain? Apa mereknya?
Pertanyaan untuk responden yang sedang membeli kereta merek lain: Kereta merek apa yang Anda beli? Sudah pernahkah Anda membeli produk perusahaan kami sebelumnya? Dalam pemilihan strategi tersebut, divisi R&D harus mempertimbangkan trade off antara biaya strategi yang diterapkan dengan pangsa pasar yang akan diperoleh perusahaan. Berdasarkan riset pasar yang telah dilakukan, total nilai pasar kereta kayu mainan pada tahun 2015 adalah sebesar 48 milyar rupiah /tahun.
Divisi R&D memerlukan suatu sistem pendukung keputusan untuk memilih strategi yang dapat memaksimalkan loyalitas konsumen perusahaan. Karena divisi R&D akan melakukan riset ini sekali setiap 3 bulan, maka divisi R&D menginginkan sistem yang adaptable, bisa merespon perubahan perilaku konsumen.
Laboratorium Sistem Informasi dan Keputusan ITB 38 Setelah memperoleh hasil wawancara, divisi R&D mengolah data tersebut menjadi informasi sebagai berikut. PT KKM Jaya PT KKM Sentosa ID Responde n Pembelian Sebelumnya Pembelian Terakhir Strategi ID Responden Pembelian Sebelumnya Pembelian Terakhir Strategi 1 PT KKM
Jaya Produk lain 1 1 Produk lain Produk lain 1 2 Produk lain Produk lain 1 3 Produk lain Produk lain 1 3
PT KKM
Jaya Produk lain 1 4 Produk lain Produk lain 1 4 Produk lain Produk lain 1 5 Produk lain Produk lain 1 5
PT KKM
Jaya Produk lain 1 6
PT KKM Sentosa PT KKM Sentosa 1 6 PT KKM
Jaya Produk lain 1 7 Produk lain Produk lain 1 9 Produk lain Produk lain 1 10 Produk lain Produk lain 1 10 Produk lain Produk lain 1 11 Produk lain Produk lain 1 14
PT KKM
Jaya Produk lain 1 15 Produk lain Produk lain 1 15 Produk lain
PT KKM
Jaya 1 16
PT KKM
Sentosa Produk lain 1 16 Produk lain Produk lain 1 17 Produk lain Produk lain 1 17 Produk lain Produk lain 1 18 Produk lain Produk lain 1 18 Produk lain Produk lain 1 19 Produk lain
PT KKM
Sentosa 1
23 Produk lain Produk lain 1 24 Produk lain
PT KKM
Sentosa 1
24 Produk lain Produk lain 1 25 Produk lain Produk lain 1 25 Produk lain Produk lain 1 26 Produk lain Produk lain 1 26 Produk lain Produk lain 1 27
PT KKM
Sentosa Produk lain 1 29 Produk lain Produk lain 1 30 Produk lain Produk lain 1 30 Produk lain Produk lain 1 31 Produk lain Produk lain 1 31 Produk lain Produk lain 1 32 Produk lain
PT KKM
Sentosa 1
32 Produk lain
PT KKM
Jaya 1 33 Produk lain Produk lain 1
33 Produk lain Produk lain 1 34 Produk lain
PT KKM
Sentosa 1
34 Produk lain Produk lain 1 35 Produk lain Produk lain 1 36 Produk lain Produk lain 1 37 Produk lain Produk lain 1 37
PT KKM
Jaya Produk lain 1 38 Produk lain Produk lain 1 38 Produk lain Produk lain 1 39 Produk lain Produk lain 1 39 Produk lain
PT KKM
Jaya 1 40
PT KKM
Sentosa Produk lain 1 40 Produk lain
PT KKM
Jaya 1 41 Produk lain Produk lain 1
45 Produk lain Produk lain 1 46 Produk lain Produk lain 1 46 Produk lain Produk lain 1 47
PT KKM Sentosa
PT KKM
Laboratorium Sistem Informasi dan Keputusan ITB 39 47 Produk lain Produk lain 1 48
PT KKM
Sentosa Produk lain 1 49 Produk lain
PT KKM
Jaya 1 50
PT KKM
Sentosa Produk lain 1 52 Produk lain Produk lain 1 53 Produk lain Produk lain 1 55 Produk lain Produk lain 1 56 Produk lain Produk lain 1 59 PT KKM Jaya PT KKM Jaya 1 60 PT KKM
Sentosa Produk lain 1 60 Produk lain Produk lain 1 61 Produk lain Produk lain 1 61
PT KKM
Jaya Produk lain 1 62 Produk lain
PT KKM
Sentosa 1
62 Produk lain Produk lain 1 63 Produk lain Produk lain 1 68 Produk lain Produk lain 1 69
PT KKM Sentosa
PT KKM
Sentosa 1
70 Produk lain Produk lain 1 71 Produk lain Produk lain 1 74
PT KKM
Jaya Produk lain 1 75 Produk lain
PT KKM
Sentosa 1
76
PT KKM
Jaya Produk lain 1 77 Produk lain Produk lain 1 79 Produk lain Produk lain 1 80 Produk lain Produk lain 1 81
PT KKM
Jaya Produk lain 1 82 Produk lain Produk lain 1 85
PT KKM
Jaya Produk lain 1 86 Produk lain Produk lain 1 89
PT KKM
Jaya Produk lain 1 90
PT KKM
Sentosa Produk lain 1 94 Produk lain Produk lain 1 95 Produk lain Produk lain 1 99
PT KKM
Jaya Produk lain 1 100 Produk lain Produk lain 1 101
PT KKM
Jaya Produk lain 2 102 Produk lain Produk lain 2 103 Produk lain Produk lain 2 104 Produk lain Produk lain 2 104 Produk lain Produk lain 2 105
PT KKM Sentosa PT KKM Sentosa 2 105 Produk lain PT KKM Jaya 2 106 PT KKM
Sentosa Produk lain 2 106 Produk lain Produk lain 2 107 Produk lain Produk lain 2 108 Produk lain Produk lain 2 109
PT KKM Sentosa PT KKM Sentosa 2 109 Produk lain PT KKM
Jaya 2 110 Produk lain Produk lain 2
111 Produk lain Produk lain 2 112 Produk lain
PT KKM
Sentosa 2
114 Produk lain
PT KKM
Jaya 2 115 Produk lain Produk lain 2
115
PT KKM
Jaya Produk lain 2 116
PT KKM
Sentosa Produk lain 2 117 Produk lain
PT KKM
Jaya 2 118
PT KKM
Sentosa Produk lain 2 119 Produk lain
PT KKM
Jaya 2 120 Produk lain Produk lain 2
120 PT KKM Jaya PT KKM Jaya 2 121 PT KKM
Sentosa Produk lain 2 121
PT KKM
Jaya Produk lain 2 122 Produk lain Produk lain 2 123 Produk lain Produk lain 2 124 Produk lain Produk lain 2
Laboratorium Sistem Informasi dan Keputusan ITB 40 124 Produk lain Produk lain 2 125 Produk lain Produk lain 2 129 Produk lain
PT KKM
Jaya 2 130 Produk lain Produk lain 2
130 Produk lain Produk lain 2 131 Produk lain Produk lain 2 131 Produk lain
PT KKM
Jaya 2 132
PT KKM
Sentosa Produk lain 2 132
PT KKM
Jaya Produk lain 2 133 Produk lain Produk lain 2 134
PT KKM
Jaya Produk lain 2 135 Produk lain Produk lain 2 135 Produk lain Produk lain 2 136
PT KKM Sentosa
PT KKM
Sentosa 2
137 Produk lain Produk lain 2 138
PT KKM Sentosa
PT KKM
Sentosa 2
138 Produk lain Produk lain 2 139 Produk lain
PT KKM
Sentosa 2
139 Produk lain Produk lain 2 140 Produk lain
PT KKM
Sentosa 2
140 Produk lain Produk lain 2 141 Produk lain
PT KKM
Sentosa 2
141
PT KKM
Jaya Produk lain 2 142 Produk lain Produk lain 2 142 Produk lain PT KKM Jaya 2 143 PT KKM Sentosa PT KKM Sentosa 2
143 Produk lain Produk lain 2 144
PT KKM
Sentosa Produk lain 2 145
PT KKM
Jaya Produk lain 2 146 Produk lain Produk lain 2 148 Produk lain Produk lain 2 149 Produk lain Produk lain 2 150 Produk lain Produk lain 2 151 Produk lain Produk lain 2 153 Produk lain Produk lain 2 154 Produk lain Produk lain 2 154
PT KKM
Jaya Produk lain 2 155 Produk lain Produk lain 2 155 Produk lain Produk lain 2 156 Produk lain Produk lain 2 159
PT KKM
Jaya Produk lain 2 160 Produk lain Produk lain 2 160 Produk lain Produk lain 2 161 Produk lain Produk lain 2 161 Produk lain Produk lain 2 162 Produk lain Produk lain 2 162 Produk lain PT KKM Jaya 2 163 PT KKM Sentosa PT KKM Sentosa 2 165 PT KKM Jaya PT KKM Jaya 2 166 PT KKM
Sentosa Produk lain 2 170 Produk lain Produk lain 2 171
PT KKM
Sentosa Produk lain 2 172 Produk lain Produk lain 2 173 Produk lain
PT KKM
Sentosa 2
173 Produk lain
PT KKM
Jaya 2 174 Produk lain Produk lain 2
179
PT KKM
Jaya Produk lain 2 180 Produk lain
PT KKM
Sentosa 2
181 Produk lain
PT KKM
Jaya 2 182 Produk lain Produk lain 2 182 Produk lain PT KKM Jaya 2 183 PT KKM Sentosa PT KKM Sentosa 2 185 PT KKM Jaya PT KKM Jaya 2 186 PT KKM
Sentosa Produk lain 2 190
PT KKM