PEMILIHAN PARTNER SUBKONTRAK DENGAN MODEL INTEGRASI DATA
ENVELOPMENT ANALYSIS (DEA) – MONTE CARLO DI PT. ANTAR SURYA JAYA
Maulin Masyito Putri, Ir. Ibnu Hisyam, M.T, Iwan Vanany, S. T, Ph.D
Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS Sukolilo Surabaya 60111 Indonesia
email : [email protected], [email protected], [email protected]
Abstrak - Semakin ketatnya persaingan dalam
dunia bisnis mendorong para pelaku bisnis untuk berlomba-lomba memenuhi permintaan konsumen dengan cara menambah hasil produksi dengan biaya minimum. Salah satu cara yang banyak dilakukan saat ini adalah dengan subkontrak. Subkontrak tidak hanya dilakukan pada tenaga kerja tetapi juga pada proses produksi, distribusi ataupun jasa pelayanan lainnya. Dengan subkontrak, perusahaan dapat meminimumkan biaya produksi karena dapat menghemat biaya untuk resource. Namun subkontrak juga memiliki banyak risiko yang dapat mempengaruhi waktu pemenuhan permintaan sehingga merugikan perusahaan baik berupa material maupun juga kepercayaan konsumen. PT. Antar Surya Jaya melakukan subkontrak untuk proses laminating, UV dan embossed dengan beberapa partner yang memberikan harga penawaran paling murah. Sesudah ketiga proses tersebut masih ada proses lain yang sedang menunggu, jika terjadi masalah pada subkontrak maka dapat mempengaruhi penyelesaian permintaan dan akan mengakibatkan keterlambatan pemenuhan pesanan. Karena itu perlu adanya pemilihan partner subkontrak yang memiliki efisiensi terbaik. Metode yang bisa digunakan untuk mendapatkan tujuan tersebut adalah model integrasi DEA – Monte Carlo. Dengan model metode ini dapat ditentukan partner subkontrak yang memiliki tingkat efisiensi tertinggi untuk PT. ASJ.
Kata Kunci : Subkontrak, Risiko dan Biaya Subkontrak, Model Integrasi DEA - Monte Carlo.
I. PENDAHULUAN
erkembangan teknologi yang terus meningkat mendukung ketatnya persaingan antar pengelolah bisnis. Hal ini menuntut para pengelolah bisnis untuk menciptakan strategi baru
dan model baru dalam pengelolahan aliran produk dan informasi. Untuk mengatur aliran material dan informasi antar channel tersebut perlu adanya suatu sistem manajemen yang disebut dengan supply
chain management. Supply chain management
merupakan pendekatan manajemen untuk
mengintegrasikan dan mengkoordinasikan aliran material, informasi dan finansial dalam supply
chain (Hanfield & Nichols, 1999). Namun dalam
penerapannya, tidak semudah seperti pengelolahan aktifitas-aktifitas dalam sebuah perusahaan. Ketika dilakukan pertimbangan aliran material dan informasi dari hulu ke hilir maka akan ditemukan permasalahan dengan kompleksitas yang semakin tinggi dan hambatan yang ditemui juga semakin banyak. Diantaranya adalah adanya ketidakpastian
supply dan demand, pendeknya siklus hidup suatu
produk dan perubahan harga yang fluktuatif. Salah satu strategi untuk menghadapi hambatan tersebut yang saat ini dilakukan oleh banyak pelaku bisnis di dunia khususnya Negara di benua Eropa dan Amerika adalah subkontrak. Subkontrak merupakan pengalihan beberapa proses bisnis kepada badan penyedia jasa yang merupakan rekan kerja dari perusahaan dan telah membuat kesepakatan mengenai kriteria-kriteria bisnis yang akan dijalankan (Sjahputra, 2009). Subkontrak banyak dipilih karena dapat mengurangi dan mengendalikan biaya – biaya operasional dan mendapat resource berkualitas tanpa perlu mengeluarkan biaya untuk pengadaan resource [1]. Hal ini terbukti dengan peningkatan penggunaan subkontrak oleh perusahaan di U. S. tiap tahunnya seperti yang dijelaskan pada Gambar 1.1. Subkontrak tidak hanya dilakukan di sektor tenaga kerja, tetapi juga di banyak sektor lain seperti pada proses manufaktur, layanan IT, R & D, distribusi dan layanan konsumen. Dan menurut hasil survei Statistic Brain (2012) proses manufaktur paling banyak disubkontrak dibandingkan sektor lain. Salah satu perusahaan multinasional yang
menerapkan subkontrak dalam proses manufakturnya adalah perusahan Apple.
Gambar 1.1 Perkembangan Penggunaan Subkontrak oleh Perusahaan Multinasional di U.S. (Sumber :http://thinkprogress.org)
. Sedangkan pelaku bisnis Indonesia juga banyak yang menerapkan subkontrak. Hal ini dikarenakan banyaknya perusahaan luar negeri yang menjadikan Indonesia menjadi tujuan subkontrak kedua di dunia setelah India [2]. Namun berdasarkan Pemenakertrans No 19 Tahun 2012 terdapat lima jenis pekerjaan yang bisa dioutsource-kan yaitu jasa kebersihan, keamanan, transportasi, katering dan jasa penunjang migas pertambangan. Sementara untuk pekerjaan di luar lima pekerjaan yang disebutkan dalam peraturan tersebut, subkontrak diperbolehkan dengan bentuk pemborongan yang dilakukan oleh rekan kerja perusahaan sebagai sub kontrak dan karyawan sub kontrak perusahaan atau dikenal dengan Perjanjian Kerja Waktu Tertentu (PKWT) dimana aktifitas yang dilakukan di luar core bisnis. Namun penggunaan subkontrak tidak terlepas dengan adanya risiko pada setiap aktifitasnya. Salah satu permasalahan yang dihindari oleh perusahaan adalah adanya penarikan kembali produk yang telah diluncurkan ke pasar karena ada kesalahan pada material atau proses pengiriman yang tidak diketahui oleh perusahaan sehingga membuat produk tidak layak untuk dipasarkan. Selain menanggung kerugian biaya produksi dan biaya pengiriman, image perusahaan tercoreng dan juga kehilangan kepercayaan konsumen. Karena itu perlu pemilihan partner subkontrak dengan biaya terendah dan dapat bekerja efisiensi dalam menanggulangi risiko. Metode yang sering digunakan dalam pemilihan dengan banyak kriteria diantaranya metode Analytic Hierarchy Process (AHP), Decision Making Trial And Evaluation
Laboratory Model (DEMATEL) [3], Data
Envelopment Analysis (DEA), atau simulasi Monte
Carlo [4]. Adanya kemungkinan frekuensi terjadinya risiko tiap tahun atau bulannya tidak sama, sehingga untuk metode AHP dan DEMATEL tidak sesuai dengan permasalahan ini karena kedua metode tersebut tidak dapat meng-cover risiko yang bersifat dinamis. Sedangkan metode simulasi menggunakan data real yang menyatakan frekuensi terjadinya risiko dan dampaknya. Selain itu simulasi juga memberikan fleksibelitas cukup tinggi, dapat menyelesaikan masalah yang rumit dan dapat menghasilkan hasil yang akurat karena banyaknya program simulasi yeng terus dikembangkan.
DEA model klasik sering gagal bekerja secara efektif karena DEA model klasik sangat sensitif dengan perubahan statistik (Wu, 2009). Karena hal itu, Olson (2011) menggunakan model integrasi DEA – Monte Carlo untuk melakukan penentuan prioritas pemilihan subkontrak dengan memperhatikan adanya risiko dari subkontrak. Dalam penelitiannya, Olson mengukur efisiensinya dengan berdasarkan biaya kontrak, distribusi nilai tukar mata uang dan aspek risiko dari tiap pilihan. Sedangkan metode Monte Carlo dilakukan untuk memastikan apakah hasil dari simulasi DEA konsisten [4]. Karena itu penulis memilih untuk menggunakan model integrasi DEA - Monte Carlo untuk menyelesaikan permasalahan penentuan subkontrak karena output yang dihasilkan lebih mendekati keadaaan sebenarnya dan dapat dipastikan kepastiannya.
PT. Antar Surya Jaya (PT. ASJ)
merupakan perusahaan percetakan yang
menggunakan jasa subkontrak pada beberapa
proses manufakturnya diantaranya proses
laminating, UV dan embossed.
II METODOLOGI PENELITIAN A. Penentuan Decision Making Unit (DMU)
Dari beberapa partner subkontrak yang dimiliki oleh PT. ASJ dilakukan penentuan lima partner subkontrak yang menjadi kandidat terpilih atau DMU. Penentuan dilakukan berdasarkan frekuensi penggunaan subkontrak enam bulan terakhir.
B. Penentuan Variabel Penelitian
Dari hasil dari studi pustaka mengenai risiko subkontrak terdapat empat variabel masukan yaitu accept rate [5], maksimum lot
size [5], reject rate (fail) [4], dan kondisi
organisasi DMU [4]. Sedangkan variabel keluaran terdiri dari harga yang ditawarkan [5], ketepatan waktu pengiriman (on time rate) [5], kondisi pemerintahan [4] dan nilai tukar mata uang tiap negara DMU [4]. Variabel tersebut kkemudian divalidasi kepada pihak PT. ASJ untuk mengetahui ketepatan variabel. Dari hasil validasi didapatkan empat variabel yaitu accept
rate, maksimum lot size, harga dan on time rate.
Hasil dari pengumpulan data ditampilkan pada Tabel 1 dan Tabel 2.
C. Pengolahan Data dengan Model Simulasi DEA – CCR (Charnes, Cooper, Rhodes) Primal – mencari nilai efisiensi relative maksimum dengan mengenerate random variabel accept rate sebanyak 100 data. Berikut formulasi yang dapat diselesaikan :
Dimana :
= bobot variabel masukan ke i, i = 1, 2, 3,…,m
= bobot variabel keluaran ke r, r = 1, 2, 3,…,s
= nilai variabel masukan ke i untuk
DMU ke j
= nilai variabel keluaran ke r untuk
DMU ke j
Berikut hasil optimalisasi model ini : Tabel 3 Hasil Optimalisasi DEA – CCR Primal
D. Pengolahan Data dengan Model Simulasi DEA – CCR Dual – menguji kekuatan efisiensi tiap DMU. Berikut formulasi yang dapat diselesaikan : Dimana : n = jumlah DMU
= nilai input i pada DMU j;
j = 1,2,..,n ; i = 1,2,…,m
m = jumlah jenis input
= nilai output r pada DMU j;
j = 1,2,..,n ; r = 1,2,…,s
s = jumlah jenis output
s+, s- = variabel slack yang ditambahkan
pada variable input dan output = bobot untuk DMU j; j = 1,2,…,n
ε = non Archimedean dimana nilainya
sangat kecil / konstanta lebih besar dari nol, pada keadaan normal nilainya 10-6 atau 10-8
Nilai perbaikan variabel dapat diperoleh dengan formulasi sebagai berikut :
Proses DMU Efisiensi Maksimum Keterangan DMU 1A 1.0000 Efisien DMU 2A 0.9931 Tidak Efisien DMU 3A 0.9649 Tidak Efisien DMU 4A 0.9408 Tidak Efisien DMU 5A 0.9999 Tidak Efisien DMU 1B 1.0000 Efisien DMU 2B 0.9976 Tidak Efisien DMU 3B 1.0000 Efisien DMU 4B 1.0000 Efisien DMU 5B 0.9999 Tidak Efisien DMU 1C 1.0000 Efisien DMU 2C 1.0000 Efisien DMU 3C 1.0000 Efisien DMU 4C 0.9190 Tidak Efisien DMU 5C 0.9683 Tidak Efisien UV
Embossed
Hasil dari optimalisasi model ini dilampirkan di lampiran 1.
E. Penyelesaian dengan Simulasi Monte Carlo Simulasi dilakukan pada variabel yang mempengaruhi fungsi tujuan pada model DEA – CCR Primal dimana terdapat dua variabel penting yaitu harga dan on time rate. Untuk variabel on time rate dilakukan simulasi pada data probabilitas keterlambatan dan lama keterlambatan. Berikut hasil simulasi Monte Carlo beserta simulasi Sensitivitas :
Gambar 1 Hasil Simulasi Monte Carlo Variabel Keterlambatan Proses UV
Gambar 2 Hasil Simulasi Sensitivitas Variabel Keterlambatan Proses UV
Gambar 3 Hasil Simulasi Monte Carlo Variabel Keterlambatan Proses Embossed
Gambar 4 Hasil Simulasi Sensitivitas Variabel Keterlambatan Proses Embossed
Gambar 5 Hasil Simulasi Monte Carlo Variabel Keterlambatan Proses Laminating
Gambar 6 Hasil Simulasi Sensitivitas Variabel Keterlambatan Proses Laminating
Sedangkan untuk variabel harga perlu memperhatikan faktor – faktor yang dapat mempengaruhi perubahan harga diantaranya inflasi, kurs, upah minimum regional dan tariff dasar listrik. Kemudian dilakukan simulasi Monte Carlo dan sensitivitas pada faktor-faktor tersebut untuk mendapatkan faktor yang paling mempengaruhi dan besar perubahannya. Berikut hasil simulasi pada faktor perubahan harga :
Gambar 7 Hasil Simulasi Sensitivitas Faktor Perubahan Harga
Gambar 8 Hasil Simulasi Monte Carlo Faktor Perubahan Harga
Dari hasil ini kemudian dilakukan simulasi pada variabel harga, berikut hasil simulasinya :
Gambar 9 Hasil Simulasi Monte Carlo Variabel Harga Proses UV
Gambar 10 Hasil Simulasi Sensitivitas Variabel Harga Proses UV
Gambar 11 Hasil Simulasi Monte Carlo Variabel Keterlambatan Proses Embossed
Gambar 12 Hasil Simulasi Sensitivitas Variabel Harga Proses Embossed
Gambar 13 Hasil Simulasi Monte Carlo Variabel
III HASIL DAN DISKUSI
Dari hasil optimalisasi model simulasi DEA (DEA – CCR Primal) didapatkan bahwa partner subkontrak yang paling efisien untuk proses UV adalah DMU 1A yaitu dengan nilai relatif efisien maksimum absolute (1). Sedangkan untuk proses embossed terdapat tiga partner subkontrak yang memiliki efisiensi absolute yaitu DMU 1B, 3B dan 4B. Begitu pula pada proses laminating terdapat tiga DMU yang memiliki nilai efisiensi relatif maksimum yang absolute yaitu DMU 1C, 2C dan 3C. Pada model ini koefisien tiap variabel memiliki pern penting dalam pencapaian nilai z. Variabel yang paling berpengaruh pada fungsi tujuan adalah variabel on time rate dan harga. Pada proses UV dan laminating, koefisien variabel on time rate jauh lebih besar dari pada variabel harga, sehingga variabel yang paling dominan adalah variabel on time rate. Sedangkan pada proses embossed, koefisien variabel harga jauh lebih besar dari pada varaibel on time rate sehingga variabel harga mendominasi fungsi tujuan pada proses embossed.
Sedangkan dari hasil optimalisasi model DEA-CCR Dual didapatkan partner subkontrak yang memiliki efisiesn paling kuat untuk proses UV adalah DMU 1A dengan nilai relatif efisien maksimum absolute (1) serta nilai slack dan
surplus sama dengan nol . Sedangkan untuk
proses embossed, hanya DMU 4B yang memilik efisiensi kuat, DMU 1B dan 3B memiliki nilai efisensi yang lemah karena nilai
slack dan surplusnya tidak sama dengan satu.
Dan untuk proses laminating terdapat dua DMU yang memiliki efisiensi kuat yaitu DMU 1C dan 3C, sedangkan DMU 2B efisiensinya lemah. Dengan menggunakan model ini akan didapatkan target perbaikan untuk nilai variabel agar DMU mencapai nilai absolute. Namun terdapat beberapa DMU yang menerima jasa subkontrak lebih dari satu proses, sehingga seharusnya ada integrasi anatara DEA untuk proses UV, proses embossed dan laminating karena adanya proporsi proses yang diberikan DMU kepada perusahaan.
Terakhir adalah simulasi monte carlo. Simulasi Monte Carlo dilakukan pada variabel yang mempengaruhi fungsi tujuan yaitu variabel harga dan on time rate. Dari simulasi memiliki karakteristik ketidakpastian tinggi. Monte Carlo didapatkan kemungkinan lama keterlambatan dan perubahan harga dengan memperhatikan kontribusi tiap DMU. Hasil dari simulasi Monte Carlo dapat disimpulkan bahwa partner subkontrak yang paling tepat untuk proses UV PT. ASJ adalah DMU 1A (Central Coating), sedangkan partner subkontrak untuk proses embossed adalah DMU 1B (Super Indah Langgeng) dan untuk proses laminating partner subkontrak yang paling tepat adalah DMU 1C (Central Coating).
IV KESIMPULAN
Proses pemilihan partner subkontrak penting dilakukan untuk meminimasi risiko dari subkontrak yang tidak diinginkan. Salah staunya dengan cara menguji efisiensi relatifnya yaitu dengan model DEA. Namun beberapa variabel sehingga perlu adanya simulasi pada model DEA tersebut agar menghasilkan output mendekati kenyataan. Namun sering terjadi dominasi pada model DEA karena besarnya koefesien yang dimiliki. Untuk menghindari kesalahan tersebut, maka perlu dilakukan simulasi monte carlo untuk melihat kecenderungan tersebut. Dan dari hasil ketiga metode dapat disimpulkan bahwa partner subkontrak terbaik untuk proses UV adalah Central Coating, sedangkan untuk proses
embossed partner subkontrak terbaik adalah
Super Indah Langgeng. Dan yang terakhir untuk proses laminating, partner subkontrak terpilih adalah Central Coating.
DAFTAR PUSTAKA
[1]
C.
Suwondo,
Subkontrak
Implementasi di Indonesia. Jakarta:
Percetakan PT Gramedia, 2003.
[2]
S. Brain. (2012, 13 nopember). Job
Subkontrak Statistics. Available:
www.statisticbrain.com
[3]
G. C. Buyukozkan, Gizem, "A
Novel Hybrid MCDM Approach
Based On Fuzzy Dematel, Fuzzy
ANP, Fuzzy Topsis to Evaluate
Green Suppliers," Expert Systems
with Applications, vol. 39, pp.
3000-3011, 2011.
[4]
D. L. W. Olson, Desheng, "Risk
management models for supply
chain: a scenario analysis of
subkontrak to China," Supply
Chain
Management:
An
International Journal, vol. 16/6,
pp. 401–408, 2011.
[5]
D. L. W. Olson, Desheng, "Supply
Chain Risk, Simulation, and
Vendor Selection," International
Journal Production Economics,
vol. 114, pp. 646-655, 2008.
Tabel 1 Rekapitulasi Variabel Masukan Tiap DMU
Tabel 2 Rekapitulasi Variabel Keluaran Tiap DMU DMU Accept Rate
Maksimum Lot Size
(1000000 cm2) DMU Accept Rate
Maximum Lot Size (10000
Lembar)
DMU Accept Rate
Maksimum Lot Size (1000000 cm2) 1A Normal (0.982,0.0046) 2 1B Normal (0.988, 0.0049) 1.5 1C Normal (0.978,0.0064) 2 2A Normal (0.972,0.0063) 1.5 2B Normal (0.975, 0.0047) 1 2C Normal (0.974, 0.0025) 1 3A Normal (0.959, 0.0054) 1 3B Normal (0.959,0.0028) 0.5 3C Normal (0.960, 0.0038) 0.75 4A Normal (0.963, 0.0068) 1 4B Normal (0.962, 0.0058) 1 4C Normal (0.961,0.0032) 1 5A Normal (0.963, 0.0063) 0.8 5B Normal (0.962, 0.0015) 0.5 5C Normal (0.958, 0.0038) 1.5
Proses UV Proses Embossed Proses Laminating
DMU Harga + PPN (20%) on time rate DMU Harga + PPN
(20%) on time rate DMU
Harga + PPN
(20%) on time rate
DMU 1A 0.07 0.9037 DMU 1B 25.2 0.8333 DMU 1C 0.24 0.8524 DMU 2A 0.11 0.76 DMU 2B 25.2 0.7593 DMU 2C 0.23 0.8444 DMU 3A 0.12 0.697 DMU 3B 27.6 0.5385 DMU 3C 0.26 0.8333 DMU 4A 0.13 0.619 DMU 4B 25.2 0.7692 DMU 4C 0.24 0.7333 DMU 5A 0.14 0.7059 DMU 5B 27.6 0.5 DMU 5C 0.25 0.75
Proses Laminating
