evaluasi efisiensi tambang terbuka open pit menggunakan metode data envelopment analysis artificial...
TRANSCRIPT
-
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]
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
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.
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
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
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
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
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
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
Tabel 4. Perbandingan Efisiensi DEA dan DEA -ANN DMU 2
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
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
6/11
6
Tabel 5. Perbandingan Efisiensi DEA dan DEA -ANN DMU 3
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
Tabel 6. Perbandingan Efisiensi DEA dan DEA -ANN DMU 4
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
Tabel 7. Perbandingan Efisiensi DEA dan DEA -ANN DMU 5
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%
Tabel 9. Hasil penetapan target DMU 2
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%
Tabel 10. Hasil penetapan target DMU 3
Variabel -
Februari
2011
(Acuan)
Improve
(%)
Blasting cost - 886.890 -
Total time - 18.954 -
Jumlah Alat Berat - 17 -
Manpower - 331 -
Coal mined - 112.331 -
Tabel 11. Hasil penetapan target DMU 4
VariabelFebruari
2011
Oktober
2010
(Acuan)
Improve
(%)
Blasting cost 1.913.161 3.742.957 -
Total time 72.031 83.134 -
Jumlah Alat Berat 117 122 -
Manpower 730 711 2,6%
Coal mined 474.584 909.799 91,71%
Tabel 12. Hasil penetapan target DMU 5
FaktorFebruari
2011
November
2010
(Acuan)
Improve
(%)
Blasting cost 2.641.112 6.878.886 -
Total time 52.715 36.570 30,63%
Jumlah Alat Berat 77 81 -
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:
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
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.
Tabel 14. Hasil penetapan target DMU 1
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%
Tabel 15. Hasil penetapan target DMU 2
Faktor Aktual TargetImprove
(%)
Jumlah alat berat
34 17 50%
Manpower 239 104 56,49%
Tabel 16. Hasil penetapan target DMU 3
Faktor Aktual TargetImprove
(%)
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
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
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:
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
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.
Tabel 19. Perbandingan target perbaikan 2 metode diDMU 2 bulan Februari 2011
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
Tabel 20. Perbandingan target perbaikan 2 metode diDMU 3 bulan Februari 2011
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
Tabel 21. Perbandingan target perbaikan 2 metode diDMU 4 bulan Februari 2011
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
Tabel 22. Perbandingan target perbaikan 2 metode diDMU 5 bulan Februari 2011
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:
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
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
-
Jumlah alat berat sebesar 17 unit- Manpower sebesar 331 orang- Coal mined sebesar 112.331 ton
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-
Jumlah alat berat sebesar 81 unit- Manpower sebesar 478 orang- Coal mined sebesar 890.492 ton
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.
-
8/20/2019 Evaluasi Efisiensi Tambang Terbuka Open Pit Menggunakan Metode Data Envelopment Analysis Artificial Neural N…
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.