evaluasi efisiensi tambang terbuka open pit menggunakan metode data envelopment analysis artificial...

8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…

1/11

1

EVALUASI EFISIENSI TAMBANG TERBUKA (OPEN PIT) MENGGUNAKAN

METODE DATA ENVELOPMENT ANALYSIS – ARTIFICIAL NEURAL

NETWORK (STUDI KASUS: PT. KPC)

Gary Adiwangsa Utoro, Moses Laksono Singgih

Jurusan Teknik IndustriInstitut Teknologi Sepuluh Nopember (ITS) SurabayaKampus ITS Sukolilo Surabaya 60111

Email: [email protected] ; [email protected]

ABSTRAK PT. Kaltim Prima Coal (KPC) adalah perusahaan tambang batubara terbuka terbesar di

dunia khususnya dalam hal pemindahan material overburden (overburden removal) dan batubara. KPC mempunyai sejumlah pit tambang yang beroperasi di area penambangan Sangatta yang

ditambang langsung oleh KPC maupun kontraktornya. Target produksi perusahaan tiap tahun yang terus ditingkatkan mengharuskan perusahaan untuk terus meningkatkan efisiensi proses

penambangan yang ada di tiap pitnya. Efisiensi menjadi penting karena fakta menunjukkan bahwadata trend operating cost di salah satu pit cenderung meningkat dari Januari 2009 hingga

Februari 2011. Namun, jumlah batu bara yang ditambang, sebagai sumber profit perusahaan,cenderung menurun.

Penelitian ini bertujuan untuk menentukan variabel yang berpengaruh signifikan terhadapefisiensi pit – pit perusahaan. Setelah variabel ditetapkan, maka dilakukan pengukuran efisiensi

pit – pit perusahaan dengan menggunakan integrasi Data Envelopment Analysis – Artificial Neural Network untuk dibandingkan hasilnya dengan DEA murni. DEA – ANN bisa memberikan

solusi di dalam cara penetapan target perbaikan agar pit yang kurang efisien bisa lebih efisien. Berdasarkan hasil uji korelasi didapatkan bahwa variabel – variabel yang berpengaruh

terhadap efisiensi pit adalah untuk variabel input terdiri dari blasting cost, total time, jumlah alatberat, dan manpower; sedangkan untuk variabel output adalah coal mined. Perbandingan hasil

perbaikan yang diperoleh menunjukkan bahwa DEA – ANN bisa menjadi komplementer bagi DEAkarena perhitungan efisiensi maupun penetapan target perbaikan DEA – ANN, berbeda dengan

DEA murni, yaitu berdasarkan time series. Penetapan target perbaikan yang bisa dilakukan

didasarkan pada perhitungan dan pertimbangan hasil metode DEA dan DEA – ANN yang palingrelevan dan mungkin untuk dilakukan di lapangan. Penetapan perbaikan yang dilakukan pada DMU 1, sebagai contoh, adalah blasting cost sebesar $772.997, total time sebesar 20.211 jam,

jumlah alat berat tetap pada level 45 unit, manpower sebesar 295 orang, dan coal mined sebesar181.919 ton.

Kata kunci: Efisiensi, Data Envelopment Analysis, Artificial Neural Network

ABSTRACT PT. Kaltim Prima Coal (KPC) is the largest open pit coal mining company in the world,

especially in terms of overburden removal and coal mined. KPC has several number of pitoperation in the mining area, Sangatta, which is mined directly by KPC and its contractors.

Company’s production target that continually increased each year requires efficiency

improvement of the mining process in each pit. Efficiency is important because the fact shows thatthe operating cost indicated an increasing trend from January 2009 to February 2011 based ondata from one of its pit. However, the amount of coal mined is relatively stable with no significantincreasing even decreasing.

This study aims to determine the variables that significantly influence the efficiency of the

pit. After the variables are set, the pit’s efficiency is measured using integration of Data Envelopment Analysis – Artificial Neural Network method. The result is compared to pure DEA.

DEA – ANN can provide solutions in the way of setting improvement targets that are less efficient so that the pit could be more efficient.

Results, obtained from correlation test, found the variables that affect the efficiency of the pit.The input variables consist of blasting costs, total time, number of heavy equipment, andmanpower. While, the output is coal mined. DEA – ANN could be a complementary to the DEAbecause it calculates efficiency score by time series which is different with DEA. Improvement

target setting is based on calculation and consideration from DEA and DEA – ANN method which

mailto:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]


2/11

2

is the most reasonable to be applied. Improvement could be performed by DMU 1, for example, is

blasting cost of $ 772.997, the total time of 20.211 hours, the amount of heavy equipment remainat 45 units, manpower of 295 people, and 181.919 tons of coal mined.

Keywords: Efficiency, Data Envelopment Analysis, Artificial Neural Network

1. Pendahuluan

Perkembangan dunia industri saat inisemakin pesat seiring dengan laju arusglobalisasi yang terus berjalan. Perkembanganini berdampak pada kebutuhan akan energi yangterus meningkat. Batu bara merupakan salahsatu sumber energi yang banyak dipakai untuk

pembangkit energi listrik dan industri besarlainnya. Konsumsi batu bara yang meningkatmenyebabkan perusahaan tambang batu baraharus terus meningkatkan kinerjanya untuk

meningkatkan produktivitas di dalam memenuhi permintaan batu bara di dunia. Produktivitasmerupakan hal yang sangat penting bagi

perusahaan sebagai alat untuk mengukur kinerja produksi dan dapat dijadikan sebagai pedomanuntuk melakukan perbaikan secara terus –menerus (continuous improvement ). Hal initerkait dengan daya saing perusahaan untukterus berkompetisi yang mengakibatkan analisis

performansi menjadi salah satu perhatian bagi pihak management . Top management ingin

mengidentifikasi dan mengurangi inefisiensiyang terjadi di perusahaan untuk mendapatkancompetitive advantage.

PT. Kaltim Prima Coal (KPC) adalah perusahaan tambang batubara terbuka terbesardi dunia khususnya dalam hal pemindahanmaterial overburden (overburden removal ) dan

batubara. Perusahaan yang mulai beroperasi ditahun 1991 ini terus berekspansi danmeningkatkan jumlah produksinya tiap tahun.Perusahaan ini mempunyai tiga belas divisiyang mempunyai lingkup masing – masing.

Dalam kegiatan penambangan, coal mining and processing merupakan kegiatan inti perusahaandi dalam memenuhi demand dari customer .KPC mempunyai sejumlah pit tambang yang

beroperasi di area penambangan Sangatta yangditambang langsung oleh KPC maupunkontraktornya. Juni 2005, operasi penambangandiperluas sampai Bengalon yang berjarak sekitar25 Km sebelah utara Sangatta. Operasi tambangBengalon dikontrakkan kepada PT. DarmaHenwa. Target produksi perusahaan tiap tahunyang terus ditingkatkan mengharuskan

perusahaan untuk terus meningkatkan efisiensi proses penambangan yang ada di tiap pit nya.

Pemindahan overburden yang memakanwaktu, tidak bernilai ekonomis, danmembutuhkan cost yang tidak sedikit, namunharus tetap dilakukan, mengharuskan

perusahaan untuk melakukan proses penambangan yang lebih efisien agarmenghemat operating cost. Penghematanoperating cost akan berdampak padameningkatnya profit margin perusahaan.

Permasalahan tersebut memicu pentingnyaefisiensi di dalam melakukan proses tambang.

Salah satu metode untuk mengukur efisiensiadalah Data Envelopment Analysis (DEA). DEAdigunakan untuk mengevaluasi efisiensi relatifdari unit – unit analisa yang disebut dengan

Decision Making Unit (DMU). DMU yangefisien digunakan sebagai acuan benchmarking

bagi DMU yang belum efisien. DEA sangatcocok diterapkan untuk mengevaluasi prosestambang yang ada karena tambang mempunyai

banyak pit yang bisa dibandingkan efisiensinya.

DEA juga mampu mengakomodasi beda satuan pengukuran yang dipakai di tambang.

Permasalahan efisiensi yang ada di tambang bersifat non linear dan kompleks. Oleh sebabitu, Artificial Neural Network (ANN) sangat

berguna untuk membantu di dalam menghadapi permasalahan tersebut. Kemampuan ANN didalam mempelajari pola tanpa memperhatikanhubungan antar input dan output menjadikeungulannya. ANN juga bisa melengkapikekurangan DEA di dalam melakukan prediksiefisiensi. ANN diharapkan mampu melakukan

pengukuran efisiensi yang jauh lebih baik lagidibandingkan dengan DEA murni.

2. Metodologi Penelitian

Terdapat beberapa tahapan dalammetodologi ini, yaitu tahap identifikasi dan

perumusan masalah, pengumpulan data, pengolahan data, analisis dan pembahasan, sertakesimpulan.


3/11

3

2.1 Tahap Identifikasi dan Perumusan

Masalah

Tahapan ini dimulai dengan mengenal perusahaan secara umum sebagai perusahaantambang dan mengeksplor lebih dalam kegiatan

tambang yang terjadi di lapangan. Kemudiandapat dilakukan pengidentifikasian masalah dan penentuan tujuan penelitian, dimana dalam halini permasalahan dapat diidentifikasi sebagaiseberapa besar efisiensi dari proses coal mined di lapangan. Setelah itu, permasalahan tersebutdirumuskan hingga memperoleh rencana

penyelesaian. Studi literatur dilakukan gunamemperkuat dasar penyelesaian.

2.2 Tahap Pengumpulan Data

Adapun data yang akan digunakan pada

penelitian adalah data kuantitatif yang terdapat pada tiap pit yang dikelola di masing – masingdepartemen perusahaan untuk pengukuran awal

Data Envelopment Analysis. Data tersebutantara lain:a. Blasting cost ($) (Input)

b. Total time (jam) ( Input)

c. Total Equipment (unit) ( Input) d. Manpower (orang) (Input) e.

Coal mined (ton) (Output)

2.3

Tahap Pengolahan DataSetelah data yang diperlukan diperoleh

kemudian dilakukan pengolahan data melalui

tahapan berikut.

2.3.1 Perhitungan Korelasi

Sebelum dilakukan perhitungan dan pengolahan menggunakan metode DEA – ANNmaka tahap awal yang dilakukan adalahmenentukan variabel – variabel apa saja yangmemiliki korelasi dan menghitung tingkat

korelasinya. Syarat suatu data input bisadigunakan pada DEA adalah independenterhadap satu sama lain sehingga nilai korelasiharuslah kecil.

2.3.2 Pengolahan Data DEA

Pada penelitian ini digunakan metodeDEA CRS input oriented . Metode inimengidentifikasikan ketidakefisienan danmemberikan target perbaikan denganmeminimasi input dan mempertahankan output yang dihasilkan.

DEA CRS input oriented

(1)

(2)

(3)(4)

Dimana:DMUo = salah satu dari n DMU yang diukurxij = input ke – i dari DMU ke – jyrj = output ke – r dari DMU ke – jxio = input ke – i untuk DMUo yro = output ke – r untuk DMUo

j = bobotsi

--, sr + = slack

2.3.3 Pengolahan Data Artificial Neural

Network

Hasil yang diperoleh perhitungan DEAadalah skor efisiensi dari tiap DMU yangdibandingkan. Variabel input dan output DEAdigunakan sebagai input bagi ANN dan target

pelatihan network yang ingin dicapai ANNadalah nilai efisiensi yang dihasilkan DEA.Pelatihan network digunakan untuk mencarikombinasi terbaik dari penggunaan jumlahnode, delay, dan proporsi data. Kombinasiterbaik adalah network hasil pelatihan yangmenghasilkan nilai MSE terkecil.

2.3.4 Penetapan Target Perbaikan

Penetapan target yang dilakukan berdasarkan hasil yang diperoleh dari perhitungan dua metode, yaitu DEA dan DEA –ANN. Penetapan target perbaikan pada metodeDEA input oriented dilakukan DMU yang tidakefisien dengan melakukan penurunan variabelinput dan peningkatan variabel output sebesar

slack variable yang didapat dari perhitunganDEA CRS.

(5)

Sedangkan metode DEA – ANNmenetapakan target perbaikan dengan mengikutireferensi input – output DMU pada bulan yang

paling efisien (nilai efisiensi tertinggi).

2.4 Tahap Analisis dan Pembahasan


4/11

4

Pada tahap ini dilakukan analisis mengenai hasil perhitungan korelasi, hasil pelatihan networkANN, dan hasil yang diperoleh metode DEAdan DEA – ANN ditinjau dari skor efisiensiyang dihasilkan dan cara penentuan target

perbaikannya.

2.5 Tahap Kesimpulan dan Saran

Setelah melakukan analisis, hasil pengolahan data tersebut ditarik kesimpulan –kesimpulan untuk menjawab tujuan dari

penelitian tugas akhir ini. Setiap kesimpulanharus sesuai dengan tujuan sebelumnya.Sedangkan manfaat yang diekspektasikanditerima oleh perusahaan tetapi belum tercapaisepenuhnya dapat dituangkan dalam saran

perbaikan.

3.

Pengumpulan dan Pengolahan DataDalam tahap ini, setelah melakukan

peninjauan langsung ke lapangan, spesifikasidata yang akan digunakan untuk mendukung

penelitian ini didapatkan berdasarkanbrainstorming dengan tenaga ahli di perusahaanmaupun berdasarkan jurnal penelitian yang telahdisesuaikan dengan kondisi di perusahaan.

3.1 Klasifikasi DMU

Untuk proses pengolahan data, diperlukan pemilihan pit – pit yang ingin dibandingkan. Pit

yang dipilih adalah yang sudah mencapai prosesoverburden removal dan coal mined . Setelahdipilih, selanjutnya pit diklasifikasikan ke dalamDMU. Pengklasifikasianya adalah sebagai

berikut:Tabel 1. Klasifikasi DMU

DMU Pi t Departemen

1 Pit J Pit J

2 Pit AB Hatari

3 Pit Khayal Contract mining A

4 Pit Bendili Bintang5 Pit Melawan Contract mining A

3.2 Model DEA Constant Return to Scale

Model DEA Constant Return to Scale (CRS) digunakan dengan asumsi kasus input –output non linear didekati dengan pendekatanlinear. Model ini diolah dengan software LINGO 8. Sebelum diolah, dilakukan ujikorelasi. Hasil pengujiannya menunjukkan

bahwa korelasi yang terjadi antar variabel kecilsehingga bisa diolah pada proses selanjutnya.

Hasil perhitungan LINGO yang didapat adalah

nilai dan slack variable dari masing – masingDMU baik input maupun output . Berikut inidisajikan rekapitulasi hasil perhitungan:

Tabel 2. Rekapitulasi skor efisiensi DEA CRS

3.3 Rancangan Pelatihan Tiap DMU / Pit

Berikut ini merupakan rancangan yangdigunakan sebagai skenario penelitian yangdiolah dengan software MATLAB. Skenarioyang dipakai adalah skenario dengan MSE

terkecil. Kemudian melalui network yang

BulanDMU

1

DMU

2DMU 3 DMU 4 DMU 5

Jan 20090,9543

671

0,581793

0,608402

1

Feb 2009 10,844

20,64507

60,78848

41

Mar 2009 1 10,42334

10,56473

31

Apr 2009 10,716169

0,664628

0,478371

1

May 20090,9645

981 1

0,574052

1

Jun 2009 10,906145

10,45175

71

Jul 2009

0,9436

68

0,698

748

0,68513

6

0,77851

3 1

Aug 2009 1 1 10,72136

61

Sep 20090,6749

011

0,783373

0,665022

1

Oct 20090,9303

221 1

0,721004

1

Nov 20090,7671

90,973126

1 1 1

Dec 20090,7683

941 1

0,940924

1

Jan 20100,7624

780,872685

1 1 0,80453

Feb 20100,6614

321 1 1

0,545317

Mar 2010

0,7709

67

0,705

22 1 1

0,98787

8

Apr 2010 10,563145

1 10,67190

9

May 20100,5888

770,293379

1 1 1

Jun 2010 10,861661

1 10,98186

4

Jul 20100,8226

971

0,953162

10,75037

2

Aug20100,8600

68

0,860

2111 1

0,48985

2

Sep 20100,8141

920,817235

0,212361

1 0,75023

Oct 20100,6454

20,514586

0,676763

1 1

Nov2010 0,655366 0,751449 0,978757 1 1

Dec 20100,5762

650,474903

1 1 1

Jan 20110,6488

920,503545

0,215975

1 1

Feb 20110,7381

460,541805

0,992828

1 1


5/11

5

terbentuk dengan parameter tersebut akandigunakan sebagai simulasi prediksi efisiensi ditiap pit pada bulan – bulan selanjutnya.

Jumlah layer = 3

Jumlah node tiap layer o

Hidden = 1, 2, 3,…, 10o Output = 1

Delay = 2, 3, 4, 5

Proporsi = 80;10;10,70;15;15

Fungsi pembelajaran = Levenberg –Marquardt

Algoritma pembelajaran = Backpropagation

Pada umumnya, struktur data input masih

berupa data double. Data double tidak bisadiproses pada network time series tool , sehinggastrukturnya harus diubah terlebih dahulumenjadi cell array karena urutan data sangat

berpengaruh. Syntax yang digunakan untukmengubah data double menjadi cell array adalah sebagai berikut:a.

Terdapat satu data dalam sebuat timesteps >> datacell = num2cell(datadouble);

b. Terdapat lebih dari satu data dalam sebuahtimesteps >> datacell = cell (1,26);

>> for n = 1:26Datacell{1,n} = [datadouble(1,n);datadouble(2,n);…];End

Proses pelatihan network dilakukan berdasarkantiap pit / DMU. Hal ini dilakukan agar hasilyang diperoleh bisa lebih akurat karena variasiangka input di tiap pit berbeda – beda. Setiap pit memiliki kapasitas tertentu sehingga angkainput yang dimiliki pasti berbeda.

Dari hasil pelatihan kelima DMU,didapatkan nilai MSE terkecil di tiap – tiap

DMU urut dimulai dari DMU 1 hingga DMU 5sebesar 8,948E-04; 1,100E-02; 2,506E-03;2,882E-03 dan 3,686E-05.

3.4 Prediksi Efisiensi dengan Network Hasil

Pelatihan

Network yang telah dilatih dengan nilaiMSE terkecil berdasarkan DMU masing –masing digunakan untuk memprediksi efisiensiDMU yang ada. Untuk menggunakan network yang telah dlatih, syntax yang digunakan dapatdilihat pada persamaan berikut.

[Y, Pf, Af, E, perf] = sim (net, P, Pi, Ai, T) (6)

Keterangan: Net = networkP = network inputs Pi = initial input delay conditions Ai = initial layer delay conditions T = network targets

Bulan yang diujikan untuk memprediksiefisiensi adalah sepanjang 6 bulan terakhir daridata yang ada. Alasan pemilihannya adalahkarena range skor efisiensi pada rentang waktutersebut akan lebih bervariasi dan mampumemberikan gambaran hasil yang lebihmenyeluruh bagaimana DEA – ANNditerapkan.

Tabel 3 – Tabel 7 menunjukkan hasil perhitungan DEA – ANN di tiap – tiap DMU.Pada DMU 1, bulan November 2010 merupakan

bulan yang paling efisien dalam rentang waktu 6 bulan terakhir. Target perbaikan yang ditetapkandi bulan berikutnya untuk DMU 1 pun mengacuinput dan output yang digunakan pada bulan

November 2010. Hal yang sama diterapkan pada DMU lainnya. DMU 2 mengacu pada bulan September 2010. DMU 3 mengacu pada bulan Februari 2011. DMU 4 mengacu pada bulan Oktober 2010. Terakhir, DMU 5 mengacu

pada bulan November 2010.

Tabel 3. Perbandingan Efisiensi DEA dan DEA -ANN DMU 1

Bulan DEA DEA - ANN

Sep 2010 0,814192 1,1340

Oct 2010 0,64542 1,1557

Nov 2010 0,655366 1,1856

Dec 2010 0,576265 1,1287

Jan 2011 0,648892 1,1158

Feb 2011 0,738146 1,1166


Bulan DEA DEA - ANN

Sep 2010 0,817235 0,6627

Oct 2010 0,514586 0,6326

Nov 2010 0,751449 0,5123

Dec 2010 0,474903 0,3035

Jan 2011 0,503545 0,2090

Feb 2011 0,541805 0,2055


6/11

6


Bulan DEA DEA - ANN

Sep 2010 0,212361 1,0053

Oct 2010 0,676763 0,9720

Nov 2010 0,978757 0,9888

Dec 2010 1 0,9909

Jan 2011 0,215975 0,9731

Feb 2011 0,992828 1,0151


Bulan DEA DEA - ANN

Sep 2010 1 0,9866

Oct 2010 1 0,9869

Nov 2010 1 0,9865

Dec 2010 1 0,9868

Jan 2011 1 0,9862Feb 2011 1 0,9800


Bulan DEA DEA - ANN

Sep 2010 0,75023 1,1796

Oct 2010 1 1,1907

Nov 2010 1 1,2403

Dec 2010 1 1,2074

Jan 2011 1 1,1707

Feb 2011 1 1,1629

3.5 Penetapan Target Perbaikan Metode

DEA – ANN

Penetapan target perbaikan untuk input maupun output di tiap DMU dapat dicapaimelalui referensi pada bulan yang efisien diDMU tersebut. Bulan yang dinilai paling baikdan efisien dijadikan referensi untuk bulan

berikutnya agar bisa menjadi sama atau lebih baik dan efisien lagi. Nilai target perbaikanuntuk DMU 1, DMU 2, DMU 3, DMU 4, dan

DMU 5 dapat dilihat melalui perhitungan padaTabel 8 – Tabel 12.

Tabel 8. Hasil penetapan target DMU 1

VariabelFebruari

2011

November

2010

(Acuan)

Improve

(%)

Blasting cost 1.754.479 3.693.555 -

Total time 36.922 45.299 -

Jumlah Alat Berat 61 70 -

Manpower 432 467 -

Coal mined 255.579 356.404 39,45%


VariabelFebruari

2011

September

2010

(Acuan)

Impro

ve (%)

Blasting cost 772.997 1.226.989 -

Total time 20.211 29.331 -

Jumlah Alat

Berat 34 45 -

Manpower 239 295 -

Coal mined 89.178 181.919 103%


Variabel -

Februari

2011

(Acuan)

Improve

(%)

Blasting cost - 886.890 -

Total time - 18.954 -

Jumlah Alat Berat - 17 -

Manpower - 331 -

Coal mined - 112.331 -


VariabelFebruari

2011

Oktober

2010

(Acuan)

Improve

(%)

Blasting cost 1.913.161 3.742.957 -

Total time 72.031 83.134 -


Manpower 730 711 2,6%

Coal mined 474.584 909.799 91,71%


FaktorFebruari

2011

November

2010

(Acuan)

Improve

(%)

Blasting cost 2.641.112 6.878.886 -

Total time 52.715 36.570 30,63%


Manpower 466 478 -

Coal mined 512.469 890.492 73,77%

3.6 Penetapan Target Perbaikan Metode

DEAPenetapan target perbaikan untuk input maupun output dapat dicapai melalui

perhitungan slack variable dimana koefisiendari slack variable diperoleh dari hasil

pengolahan DEA CRS sebelumnya denganmenggunakan software LINGO 8. Tujuannyaadalah untuk membandingkan target perbaikanyang dihasilkan metode DEA dengan metodeDEA – ANN. Berikut ini disajikan rekapitulasihasil perhitungan di bulan Februari 2011:


7/11

7

Tabel 13. Hasil perhitungan DEA CRS

DMU Nilai z Slack variable

1 0,738146 Si1 = 0,5758277Si3 = 4,728351Si4 = 74,08415

2 0,541805 Si3 = 1,523985Si4 = 25,55098

3 0,992828 Si1 = 301609Si2 = 7263,157Si4 = 226,4808

4 1 -

5 1 -

Berdasarkan hasil perhitungan DEA CRSyang terekapitulasi pada Tabel 13, dapatdiketahui bahwa DMU yang tidak efisien adalah

DMU 1, DMU 2, dan DMU 3 dikarenakanketiga DMU ini memiliki nilai efisiensi kurangdari satu. Slack variable yang dihasilkan dari

perhitungan digunakan untuk melakukan perhitungan penetapan perbaikan.


Faktor Aktual TargetImprove

(%)

Blasting

cost 1.754.479 1.295.061 26,19%

Jumlah alat berat

61 40 33,33%

Manpower 432 245 43,29%



(%)

Jumlah alat berat

34 17 50%

Manpower 239 104 56,49%



(%)

Blastingcost

886.890 578.920,23 34,73%

Total time 18.954 11.554,91 39,04%

Manpower 331 102 69,18%

4. Analisis dan Pembahasan

Bagian ini akan memaparkan analisismengenai perbandingan hasil perhitunganefisiensi di antara kedua metode yang digunakandalam penelitian ini.

4.1 Analisis Perbedaan Hasil Efisiensi DEA

dan DEA – ANNBerdasarkan rekapitulasi pada Tabel 3 –

Tabel 7 menunjukkan bahwa ANN mampumengikuti pola skor efisiensi yang dihasilkanoleh DEA berdasarkan variabel input pada DEA

per bulannya di tiap DMU. Lebih dari itu, ANN juga menghasilkan hasil prediksi efisiensi yanglebih baik dan lebih akurat dibandingkan denganDEA.

Pengujian network hasil pelatihan akanmenghasilkan nilai efisiensi yang lebih akuratkarena lebih sensitif terhadap pola masukanyang serupa (tapi tidak sama dalam hal besarannilainya). Hal inilah yang membedakan denganmetode DEA. DEA menetapkan skor efisiensitertinggi adalah 1. Hal ini disebabkan karena

perbedaan cara perhitungan.DEA menggunakan program linear yangdibatasi oleh konstrain – konstrain. Konstrainmerupakan penjumlahan dari perkalian nilaiinput ataupun output sejenis di tiap DMUdengan variabel bobot yang dibatasi oleh nilaiinput dan output DMU yang ditinjau. Konstrainini berfungsi agar nilai efisiensi tidak bisamelebihi 1. Konstrain yang terdiri dari nilaiinput ataupun output DMU – DMU yangdibandingkan menyebabkan nilai efisiensi yangdiperoleh pun berdasarkan bobot relatif terhadap

DMU yang ada. Sedangkan ANN menggunakanalgoritma backpropagation untuk melatihnetwork di tiap DMU dengan mempelajari input dari DEA untuk dikenali polanya danmenyesuaikan bobotnya sehingga target berupaskor efisiensi seperti pada DEA diperoleh.

Dari kedua metode tersebut, terlihat bahwaDEA merupakan efisiensi relatif yangmenyebabkan nilai efisiensi bernilai maksimal1. ANN yang berorientasi pada masing – masingDMU mampu menghasilkan nilai efisiensi lebihdari 1 karena tidak tergantung terhadap DMU

yang lainnya dan lebih sensitif terhadap perubahan nilai input . Batasan maksimal nilaiefisiensi pada DEA inilah yangmembedakannya dengan ANN.

4.2 Analisis Penetapan Target Perbaikan

Metode DEA – ANNANN mempunyai perbedaan dengan DEA

di dalam penetapan target perbaikan. Pada DEA penetapan target dilakukan berdasarkan slackvariable hasil perhitungan. Slack variable didapatkan bedasarkan acuan pada DMU yangefisien. Namun hal tersebut tidak dapat


8/11

8

dilakukan pada ANN karena pada penelitian ini,ANN hanya berfungsi sebagai tool prediksiefisiensi. Perhitungan dengan ANN pun tidaktergantung antar DMU. Hal ini menyebabkan

perbaikan yang dilakukan di DMU dilakukan berdasarkan acuan pada bulan yang efisien diDMU tersebut. Dengan mengacu pada bulanyang efisien diharapkan perusahaan bisamenetapkan standar input dan output yang harusdicapai pada bulan berikutnya sehingga efisiensiikut meningkat.

4.3 Analisis Penetapan Target Perbaikan

Metode DEABedasarkan hasil perhitungan DEA

didapatkan tiga DMU yang belum mencapainilai optimal atau tidak efisien. DMU tersebut

adalah DMU 1, DMU 2, dan DMU 3. Penetapantarget perbaikan diperlukan agar kedua DMUtersebut menjadi efisien. Penetapan target

perbaikan didasari pada nilai slack variable yang didapatkan dari perhitungan DEA CRS.

Tabel 17. Hasil perhitungan DEA CRS

DMU Nilai z Slack variable

1 0,738146 Si1 = 0,5758277Si3 = 4,728351Si4 = 74,08415

2 0,541805 Si3 = 1,523985

Si4 = 25,550983 0,992828 Si1 = 301609Si2 = 7263,157Si4 = 226,4808

4 1 -

5 1 -

Dari tabel di atas didapatkan nilai efisiensi dariDMU 1 adalah 0,738146; nilai efisiensi untukDMU 2 adalah 0,541805; dan nilai efisiensiuntuk DMU 3 adalah 0,992828 yang berartiketiga DMU ini tidak efisien, agar menjadi

efisien maka perlu dilakukan perbaikan padavariabel – variabel mengandung nilai slackvariable. Pada penetapan perbaikan nantinyauntuk variabel input akan dilakukan penurunansebesar nilai slack variable sedangkan padavariabel output akan dilakukan peningkatansebesar nilai slack variable.

4.4

Analisis Perbedaan Penetapan Target

Perbaikan DEA dan DEA – ANNMetode DEA menghasilkan nilai efisiensi

dengan slack variable berdasarkan DMU –

DMU yang dibandingkan. Slack variable terjadi

apabila rasio output per input yang dihasilkanoleh suatu DMU masih belum efisiendibandingkan rasio output per input DMUlainnya Hal ini menyebabkan nilai efisiensiDMU tersebut belum mencapai 1. Apabila nilaiefisiensi DMU tersebut sudah mencapai 1 makatarget perbaikan tidak perlu dilakukan lagi.

Berbeda dengan DEA, metode DEA –ANN menghasilkan nilai efisiensi secara time

series (dalam kasus ini bulan per bulan) dariDMU itu sendiri tanpa tergantung DMU yanglainnya. Metode ini juga memberikan cara bagiDMU untuk bisa meningkatkan efisiensinya.Dari perhitungan yang dilakukan pada sub bab4.2.4 dan 4.2.5 terdapat perbedaan di dalam

penetapan target perbaikan oleh DEA dan DEA – ANN. Metode DEA menetapkan target

perbaikan berdasarkan slack variable yangdihasilkan dari perhitungan sedangkan metodeDEA – ANN menetapkan target perbaikan

berdasarkan acuan input dan output yangmenghasilkan skor efisiensi terbaik dari DMUtersebut.

Perbedaan dalam penetapan target perbaikan dari dua metode tersebut menjadi halyang bisa dikombinasikan. Metode DEA – ANN

bisa menjadi komplementer bagi DEA.Penetapan target perbaikan DEA yang mengacu

pada DMU – DMU yang dibandingkan

terkadang menghasilkan target yang kurangrelevan dengan kemampuan DMU itu sendiri.Hal ini dikarenakan tiap DMU memilikikemampuan menghasilkan input dan output yang berbeda – beda dan performanya tidak bisadipaksakan untuk sama dengan DMU acuan.Kelemahan tersebut bisa diisi oleh DEA – ANNyang memberikan target perbaikan yang lebihrelevan berdasarkan kemampuan dan kapasitasDMU itu sendiri.

Sebagai contoh ilustrasi untukmenggambarkan hasil penetapan target

perbaikan DEA yang kurang relevan adalahsebagai berikut:


9/11

9

Tabel 18. Perbandingan target perbaikan 2 metode diDMU 1 bulan Februari 2011

Variabel

Target

Perbaikan

DEA

Target

Perbaikan

DEA - AAN

Keputusan

Blasting cost 1.295.061 1.754.479 1.295.061

Total time 36.922 36.922 36.922

Jumlah alat berat

40 61 61

Manpower 245 432 432

Coal Mined 255.579 356.404 356.404

Berdasarkan Tabel 17, bisa dilihat bahwa DEAmemberikan target perbaikan yang biladiaplikasikan ke lapangan akan sangat sulituntuk dilakukan bahkan cenderung mustahil.Sebagai contoh, jumlah alat berat dikurangimenjadi 40 unit saja untuk menghasilkan output

berupa coal mined 255.579 ton. Jumlah alat

berat 40 unit tidak akan bisa menghasilkanoutput sebanyak itu bila dilihat berdasarkan data2 tahun belakangan. Di sinilah kegunaan metodeDEA – ANN yang bisa memberikan

perbandingan penetapan target perbaikan. DEA – ANN dalam beberapa kasus mampumemberikan saran target perbaikan yang lebihrelevan berdasarkan efisiensi secara time series di suatu DMU. Sebagai contoh, dengan jumlahalat berat 61 unit masih dimungkinkan untukmenghasilkan output berupa coal mined hingga356.407 ton. Keputusan untuk menetapkan

target perbaikan di tiap DMU secara lengkap bisa dilihat pada kolom ‘Keputusan’ di Tabel17, Tabel 18, Tabel 19, Tabel 20, dan Tabel 21.


Variabel

Target

Perbaikan

DEA

Target

Perbaikan

DEA - AAN

Keputusan

Blasting

cost772.997 1.226.989 772.997

Total time 20.211 29.331 20.211

Jumlah alat berat

17 45 45

Manpower 104 295 295Coal Mined 89.178 181.919 181.919


Variabel

Target

Perbaikan

DEA

Target

Perbaikan

DEA - AAN

Keputusan

Blasting

cost578.920 886.890 578.920

Total time 11.554 18.954 11.554

Jumlah alat berat

17 17 17

Manpower 102 331 331

Coal Mined 112.331 112.331 112.331


Variabel

Target

Perbaikan

DEA

Target

Perbaikan

DEA - AAN

Keputusan

Blasting cost - 1.913.161 1.913.161

Total time - 83.134 83.134

Jumlah alat berat

- 122 122

Manpower - 711 711

Coal Mined - 909.799 909.799


Variabel

Target

Perbaikan

DEA

Target

Perbaikan

DEA - AAN

Keputusan

Blasting cost - 2.641.112 2.641.112

Total time - 36.570 36.570

Jumlah alat

berat- 81 81

Manpower - 478 478

Coal Mined - 890.492 890.492

5. Kesimpulan

Berdasarkan dari semua proses penelitian,hasil yang dapat disimpulkan beberapa halsebagai berikut:1. Berdasarkan analisis korelasi, variabel –

variabel yang berpengaruh terhadap efisiensi pit adalah untuk variabel input terdiri dariblasting cost , total time, jumlah alat berat,

dan manpower ; sedangkan untuk variabeloutput adalah coal mined .

2.

Dari hasil pelatihan network di tiap DMU,diambil nilai MSE pengujian terkecil untukdigunakan dalam prediksi efisiensi di tiapDMU menggunakan ANN.a. MSE DMU 1: 8,948E-04

b.

MSE DMU 2: 1,100E-02c. MSE DMU 3: 2,506E-03d. MSE DMU 4: 2,882E-03e.

MSE DMU 5: 3,686E-053. Berdasarkan hasil yang diperoleh dari hasil

perhitungan efisiensi menggunakan metodeDEA dan DEA – ANN dapat disimpulkan

bahwa DEA – ANN menjadi komplementer bagi DEA karena perhitungan efisiensimaupun penetapan target perbaikan DEA –ANN berdasarkan time series.

4. Saran penetapan perbaikan yang bisadilakukan perusahaan untuk meningkatkanefisiensi proses di tiap DMU didasarkan pada

perhitungan dan pertimbangan hasil metodeDEA dan DEA – ANN sebagai berikut:


10/11

10

a. DMU 1- Blasting cost sebesar US$ 1.295.061- Total time sebesar 36.922 jam

- Jumlah alat berat sebesar 61 unit- Manpower sebesar 432 orang

- Coal mined sebesar 356.404 ton

b.

DMU 2- Blasting cost sebesar US$ 772.997- Total time sebesar 20.211 jam-

Jumlah alat berat sebesar 45 unit- Manpower sebesar 295 orang- Coal mined sebesar 181.919 ton

c.

DMU 3- Blasting cost sebesar US$ 578.920- Total time sebesar 11.554 jam

-


d. DMU 4.- Blasting cost sebesar US$ 1.913.161

- Total time sebesar 83.134 jam-

Jumlah alat berat sebesar 122 unit- Manpower sebesar 711 orang

- Coal mined sebesar 909.799 ton

e.

DMU 5

-

Blasting cost sebesar US$ 2.641.112- Total time sebesar 36.570 jam-


6. SaranBerdasarkan kesimpulan yang di dapat dari

penelitian ini, maka terdapat saran yang bisadiajukan untuk perbaikan maupun

pengembangan penelitian ini ke depannya, yaitu penelitian dengan metode yang sama bisa

dikembangkan untuk bidang yang berbeda,contohnya adalah di bidang marketing maupun

supply chain & logistics.

7. Daftar Pustaka

Azadeh, A., Ghaderi, S. F., Anvari, M. &Saberi, M. 2007. Performance assessment ofelectric power generations using an adaptiveneural network algorithm. Energy Policy, 35, 3155 - 3166.

Banker, R. D., Charnes, A. & Cooper, W. W.1984. Some models for estimating technicaland scale efficiencies in data envelopment

analysis. Management Science, 30, 1078 -1092.

Celebi, D. & Bayrakatar, D. An integratedneural network and data envelopmentanalysis for suplier evaluation underincomplete information. Expert Systems with

Applications, 35, 1698 - 1710.Charnes, A., Cooper, W. & Rhodes, E. 1978.

Measuring the efficiency of decision makingunits. European Journal of Operational

Research, 2, 429 - 444.Fausett, L. 1994. Fundamentals of Neural

Network: Architectures, Algorithms, and

Applications, New Jersey, Prentice Hall.Giovannini, E. & Nezu, R. 2001. Measuring

Productivity OECD Manual: Measurementof Aggregate and Industry - Level

Productivity GrowthLiang, L. & Wu, D. 2005. An application of pattern recognition on scoring Chinesecorporation financial conditions based on

backproagation neural network. Computersand Operation Research, 32.

Mostafa, M. M. 2009. Modeling the efficiencyof top Arab banks: A DEA - neural networkapproach. Expert Systems with Applications, 309-320.

Rumelhart, D. E. & McClelland, J. L. 1986.Parallel Distributed Processing: Explorations

in the Microstructure of Cognition. Foundation. Cambridge, MA: MIT Press.

Santosa, B. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis,

Yogyakarta, Graha Ilmu.Siang, J. J. 2005. Jaringan Syaraf Tiruan &

Pemrogramannya Menggunakan MATLAB,Yogyakarta, Penerbit ANDI.

Sozen, A., Menlik, T. & Unvar, S. 2008.Determination of efficiency of flat - platesolar collectors using neural networkapproach. Expert Systems with Applications,

35, 1533 - 1539.Sumanth, D. J. 1985. Productivity Engineering

and Management , New York, McGraw - HillTalluri, S. 2000. Data Envelopment Analysis:

Models and Extensions. Production /Operation Management .

Tersine, R. J. 1994. Principles of Inventory and Material Management, New Jersey, PrenticeHall.

Wang, S. 2003. Adaptive non - parmetricefficiency frontier analysis: A neural -network - based model. Computer andOperation Research, 30, 279 - 295.


11/11

11

Werbos, P. L. 1974. Beyond regressions: newtools for prediction and analysis in thebehavior sciences. Ph.D Thesis, HarvardUniversity.

Wu, D., Yang, Z. & Liang, L. 2006. Using DEA- neural network approach to evaluate branchefficiency of a large Canadian bank. ExpertSystems with Applications, 31, 108-115.

Zhu, W. D. C. J. 2008. Data Envelopment Analysis: Modeling Operational Processesand Measuring Productivity, Lexington, KY.

evaluasi efisiensi tambang terbuka open pit menggunakan metode data envelopment analysis artificial...

Documents