Risiko Mutu Dalam Sistem Dinamis PDF

RANCANG BANGUN PENILAIAN RISIKO MUTU DALAM RANTAI
PASOKAN MINYAK SAWIT KASAR DENGAN PENDEKATAN

SISTEM DINAMIS
STUDI KASUS PT. PERKEBUNAN NUSANTARA IV (PERSERO) UNIT
ADOLINA
SKRIPSI
M. NANDA RAHADIANSYAH
F 34070021
FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR
BOGOR
2011
DESIGN OF THE QUALITY RISK ASSESSMENT IN CRUDE PALM OIL
SUPPLY CHAIN WITH DYNAMIC SYSTEM APPROACH
Muhammad Nanda Rahadiansyah and Marimin

Department of Agroindustrial Technology, Faculty of Agricultural Technology,
Bogor Agricultural University, IPB Dramaga Campus, PO Box 220, Bogor
West Java, Indonesia
Phone 62 251 8624622, e-mail : nandarahadiansyah@gmail.com
ABSTRACT
Indonesian palm oil industry has grown significantly in recent years and since 2006 has
surpassed Malaysia to become the world’s largest Crude Palm Oil (CPO) producer. With the ever
increasing of potential market and market demands for its palm oil products, Indonesia will need to
ensure the highest level of palm oil products quality. The main objectives of this research are first, to
identify the factors to measure the success of Palm Oil Mills (POM) Adolina’s management. Secondly
to design a system dynamic model as a tool to determine the quality risk assessment pattern of POM
Adolina. The results from simulation of this model will be referenced when formulating managerial
policies. The dynamic model comprises three sub-models, namely production sub-model,
transportation sub-model and inventory sub-model respectively. In conclusion, this research produced
the formulation of the most important factors to measure management success, namely the level of
CPO production and the level of free fatty acid (FFA), and also generated simulation of managerial
policies. To obtain them three scenarios were considered, the basic, the dynamic behavior and the
risk assessment scenarios. Probabilistic and uncertainty parameters were considered in the third
scenario.
Keywords : palm oil industry, supply chain, quality risk assessment, probabilistic, uncertainty,
dynamic model
ii
M. NANDA RAHADIANSYAH. F34070021. Rancang Bangun Penilaian Risiko Mutu dalam
Rantai Pasokan Minyak Sawit Kasar dengan Pendekatan Sistem Dinamis. Di bawah bimbingan
Marimin. 2011
RINGKASAN
Industri kelapa sawit Indonesia telah tumbuh secara signifikan dalam empat tahun terakhir
dan sejak tahun 2006 menjadi produsen terbesar di dunia untuk pemasok minyak sawit kasar (CPO)
mengungguli Malaysia. Menurut Deptan Republik Indonesia, pada tahun 2009, kapasitas produksi
CPO Indonesia mencapai 20,9 juta ton CPO dengan total luas areal perkebunan kelapa sawit mencapai
7,5 juta ha dengan potensi ekstensifikasi lahan 26,6 juta ha. Minyak sawit Indonesia merupakan
komoditas strategis dalam pemanfaatan produk turunan yang bernilai tambah tinggi, baik sebagai
bahan pangan (minyak goreng), bahan bakar alternatif seperti biodiesel maupun pemanfaatannya pada
bidang non-pangan dalam bentuk oleokimia.
Dengan semakin meningkatnya potensi dan permintaan pasar terhadap produk sawit
Indonesia, maka akan semakin meningkat urgensi dan kebutuhan akan fungsi kualitas didalamnya.
Keragaman kualitas minyak sawit kasar ditentukan oleh beberapa faktor yang merupakan mata rantai
dari rantai pasokannya, yaitu kegiatan pasca-panen, transportasi, pengolahan dan penimbunan di
tangki timbun pabrik.
Dalam penelitian yang akan dibahas, manajemen risiko yang bersifat preventif akan
diterapkan di sepanjang aliran rantai pasokan CPO sehingga dihasilkan suatu pengelolaan terintegrasi
panen-angkut-olah. Penelitian ini bertujuan untuk memformulasikan ukuran kesuksesan manajemen
terkait CPO yang diproduksi dan merancang model dinamik sebagai alat bantu untuk mengenal pola
penilaian risiko mutu perusahaan dan mensimulasikannya untuk mendapatkan susunan kebijakan pada
tingkat manajemen. Penelitian ini dilakukan pada bulan April – Juni 2011, bertempat di perusahaan
yang dianggap melakukan best practices dalam pengelolaan minyak sawit kasar yang diproduksi yaitu
PT. Perkebunan Nusantara IV (Persero) Unit Adolina. Data-data pendukung dalam pengembangan
model dinamik juga diperoleh dari Pusat Penelitian Kelapa Sawit (PPKS) Medan dalam rentang
periode penelitian yang sama.
Model dinamik penilaian risiko mutu PKS Unit Adolina, CPOdyn, dirancang bagi praktisi-
praktisi yang bergerak dalam industri kelapa sawit sebagai laboratorium belajar simulator manajemen
pabrik kelapa sawit secara umum. Model CPOdyn dikembangkan untuk membuat proyeksi skenario
kebijakan terbaik berdasarkan RKAP yang telah ditetapkan oleh perusahaan. Model dinamik yang
dibangun tersebut merupakan integrasi dari tiga sub-model, yaitu sub-model produksi, sub-model
transportasi dan sub-model persediaan.
Verifikasi model dilakukan untuk pemeriksaan secara konseptual dan logis dari formulasi
matematik dan program simulasi yang dihasilkan. Dalam pengertian lain, verifikasi model juga
dimaksudkan untuk menguji apakah program komputer sudah menunjukkan perilaku dan respon
sesuai dengan tujuan model. Perangkat lunak yang digunakan dalam pemrograman adalah Powersim
Studio 2005, dimana verifikasi dilakukan sebelum hasil tersebut dapat di-running. Apabila dalam
worksheet tidak terdapat notasi “#” dan “?” maka program simulasi dinamik sudah lulus tahapan
verifikasi. Validasi model dilakukan dengan melihat validasi struktur dari bangunan teori, melihat
kinerja keluaran model dengan keluaran model dunia nyata dengan uji kondisi ekstrim, pemeriksaan
konsistensi unit analisis dan pemeriksaan konsistensi data secara statistik.
Kesimpulan dari penelitian ini adalah perumusan ukuran kesuksesan manajemen terkait
dengan ukuran kesuksesan tiap-tiap rantai pasok CPO dan pengembangan simulasi skenario
iii
kebijakan, baik skenario dasar, skenario perilaku dinamik dan juga skenario penilaian risiko dimana
terdapat parameter probabilistik dan ketidakpastian didalamnya, sehingga dihasilkan susunan
rekomendasi kebijakan pada perusahaan terkait peningkatan kinerja.
Ukuran kesuksesan manajemen berdasarkan hasil strukturisasi sistem yang telah berhasil
dirumuskan dalam penelitian ini adalah produksi CPO dan kadar asam lemak bebas. Kedua ukuran
kesuksesan manajemen tersebut bersifat dinamik dan dipengaruhi oleh parameter produktivitas kebun,
rendemen CPO, persentase TBS restan, pengaruh kriteria panen terhadap kadar asam lemak bebas dan
kecukupan truk.
Skenario dasar berdasarkan proyeksi hasil simulasi produktivitas kebun, rendemen CPO,
TBS restan dan pengaruh kriteria panen terhadap kadar asam lemak bebas serta kecukupan truk
selama periode Mei-September 2011 menghasilkan dinamika produksi CPO PKS Unit Adolina
dengan kisaran sebesar 3846921 kg hingga 4419347 kg. Dinamika kadar asam lemak bebas yang
diperoleh dengan kisaran sebesar 3,80%- 3,84%.
Simulasi perilaku dinamik pada skenario agresif (optimis) pada periode Mei-September
2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar 3846921 kg
hingga 4419347 kg. Dinamika kadar asam lemak bebas yang diperoleh dengan kisaran sebesar
3,80%- 3,84%.
Simulasi perilaku dinamik pada skenario lambat (pesimis) pada periode Mei-September
2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar 2999770 kg
hingga 3563005 kg. Dinamika kadar asam lemak bebas yang diperoleh dengan kisaran sebesar
4,09%- 4,13%.
Hasil penilaian risiko akibat karakteristik ketidakpastian pada persentil 50% menunjukkan,
bahwa kinerja PKS Unit Adolina dari sisi produksi CPO bulan Mei 2011 sebesar mencapai nilai
3860158 kg dan pada bulan September 2011 meningkat menjadi 4446622 kg. Dinamika produksi
CPO pada persentil 25% periode Mei 2011 sebesar 3612941 kg dan pada September 2011 meningkat
menjadi 4148236 kg. Dinamika produksi CPO pada persentil 75% periode Mei 2011 sebesar 4084867
kg dan periode September 2011 meningkat menjadi sebesar 4698084 kg.
Hasil penilaian risiko akibat karakteristik ketidakpastian pada persentil 50% menunjukkan,
bahwa kinerja PKS Unit Adolina dari sisi kadar asam lemak bebas bulan Mei 2011 menyentuh tingkat
asam lemak bebas sebesar 3,83% dan pada September 2011 menurun menjadi 3,79%. Penurunan pada
kadar asam lemak bebas mengindikasikan bahwa kualitas CPO yang diproduksi jauh lebih baik
daripada periode sebelumnya. Dinamika kadar asam lemak bebas pada persentil 25% periode Mei
2011 sebesar 3,62% dan pada September 2011 meningkat performanya menjadi 3,55%. Dinamika
kadar asam lemak bebas pada persentil 75% periode Mei 2011 sebesar 3,99% dan periode September
2011 menurun menjadi 3,97%.
Berdasarkan simulasi skenario kebijakan optimis dapat dirumuskan beberapa prioritas yang
dapat dijadikan rekomendasi kebijakan terhadap perusahaan. Rumusan kebijakan berhubungan dengan
hal-hal yang menjadi parameter yang diuji pada model yang mempunyai korelasi signifikan terhadap
parameter utama, yaitu tingkat produksi CPO dan kadar asam lemak bebas. Rumusan kebijakan
meliputi aspek peningkatan produktivitas kebun, aspek peningkatan rendemen CPO, aspek
penanganan pasca-panen yang didalamnya terkandung penanganan TBS restan dan pemanenan TBS.
Saran terhadap pengembangan penelitian ini adalah agar penilaian risiko mutu tersebut
lebih kompleks, mendetail dan lebih merepresentasikan perilaku dinamik secara nyata, perlu
diintegrasikan sistem antrian (queueing system) dalam sub-model transportasi serta disertai dengan
penambahan sub-model finansial, dimana aspek biaya produksi, biaya kehilangan dan keuntungan
pabrik termasuk didalamnya.
iv
M. NANDA RAHADIANSYAH. F34070021. Design of The Quality Risk Assessment in Crude
Palm Oil Supply Chain with Dynamic System Approach. Supervised by Marimin. 2011
SUMMARY
The Indonesian palm oil industry has grown significantly in recent years and since 2006 has
surpassed Malaysia to become the world’s largest Crude Palm Oil (CPO) supplier. According to
Ministry of Agriculture of Republic Indonesia, in 2009, Indonesia’s CPO production capacity reached
20.9 million tons of CPO with the total area of oil palm plantation reached 7.5 million acres and a
potential of 26.6 million acres of land extensification. Indonesian palm oil is a strategic commodity in
the utilization of derivative products of high added value, both as food products (cooking oil),
alternative fuels (biodiesel) and its utilization of non-food products in the form of oleochemicals.
With the ever increasing of potential markets and market demands for Indonesian palm
products, it will increase the need for quality functions in it. The variance of CPO qualities is
determined by several factors, which are the entities of its supply chain, namely post-harvest
activities, transportation, processing and accumulation of inventory in the storage tank of CPO.
In research to be discussed, preventive risk management will be implemented along the
supply chain of CPO to produce an integrated management of each element in the CPO supply chain.
Firstly, this study aimed to measure the success of Palm Oil Mills (POM) Adolina’s management.
Secondly to design the dynamic model as a tool to determine the quality risk assessment pattern of
POM Adolina and simulate it to obtain several policies on the management level. This research was
conducted in April-June 2011, placed in a best practice and highly reputable company in CPO
manufacturing, namely PT. Perkebunan Nusantara IV (Persero) Unit Adolina. Supporting data in the
development of dynamic models were also obtained from Pusat Penelitian Kelapa Sawit (PPKS)
Medan within the same research period.
Dynamic model of POM Adolina’s quality risk assessment, CPOdyn, designed for
practitioners engaged in the oil palm industry as a learning laboratory simulator palm oil plant
management in general. A CPOdyn model was developed to acquire best policy scenario projections
based on company’s RKAP that have been set by the company before. The CPOdyn model comprises
three sub-models, namely production sub-model, transportation sub-model and inventory sub-model
respectively.
Verification carried out to check the model conceptually and logically correct from the
mathematical function and simulation program generated. In another sense, verification of the model
is also intended to test whether a simulation program has demonstrated behavior and response in
accordance with the purpose of the model. The software used in programming is Powersim Studio
2005, where verification process is done before these results can be running. If the worksheet does not
have the notation “#” and “?”, then the simulation program has passed the verification stage.
Validation of the model done by checking at the structure of theory building, extreme test conditions,
consistency of unit analysis and examine consistency data by statistical method.
In conclusion, this research produced the formulation of the most important factors to
measure management success and also generated simulation and recommendation of managerial
policies. To obtain them three scenarios were considered, the basic, the dynamic behavior and the risk
assessment scenarios. Probabilistic and uncertainty parameters were considered in the third scenario.
The structure of management success which has been successfully formulated in this study is
the level of CPO production and free fatty acid (FFA). Both of these management success are affected
v
by the parameters of plantation productivity, the yield of the CPO, the percentage of leftover palm oil
bunches, the harvest criteria of palm oil and the sufficiency of the truck.
Basic scenario simulation, based on parameters of plantation productivity, the yield of the
CPO, the percentage of leftover palm oil bunches, the harvest criteria of palm oil and the sufficiency
of the truck, during the period of May-September 2011 generated the dynamics of production level of
CPO with a range of 3846921 kg to 4419347 kg. The dynamics of free fatty acid levels obtained with
the range of 3.80% - 3.84%.
Simulation of dynamic behavior of the aggressive scenario (optimistic) during the period of
May-September 2011 resulted the dynamics of CPO production of POM Adolina’s with a range of
3846921 kg-4419347 kg. The dynamics of free fatty acid levels obtained with the range of 3.80%-
3.84%
Simulation of dynamic behavior of the slow scenario (pessimistic) in the period May-
September 2011 generated the dynamics of CPO production of POM Adolina’s with a range of
2990770 kg-3563005 kg. The dynamics of free fatty acid levels obtained with the range of 4.09%-
4.13%.
The results of risk assessment simulation, due to uncertainties, on the 50% percentile
indicated that the performance of POM Adolina on CPO production in May 2011 reached a value of
3860158 kg and in September 2011 increased to 4446622 kg. Dynamics of production of CPO on the
25% percentile for the period May 2011 reached a value of 3612941 kg and in September 2011
increased to 4148236 kg. Dynamics of production of CPO on the 75% percentile for the period of
May 2011 amounted 4084867 kg and increased in September 2011 up to 4698084 kg.
The results of risk assessment simulation, due to uncertainties, on the 50% percentile
indicated that the performance of POM Adolina on free fatty acid level in May 2011 reached a value
of 3.83% and in September 2011 decreased to 3.79%. The decrease in free fatty acid levels indicated
that the quality of CPO produced better than the previous period. Dynamics of free fatty acid level on
the 25% percentile for the period May 2011 reached a value of 3.62 kg and in September 2011 the
performance increased up to 3.55%. The dynamics of the free fatty acid level on the 75% percentile
for the period of May 2011 were 3.99% and decreased in September 2011 down to 3.97%.
Based on optimistic policy scenario simulations can be formulated several priorities as
recommendations for the company. The formulations of policies related to parameters to be tested on
the model that have a significant correlation to the management success, namely the level of CPO
production and free fatty acid level. These formulation policies included the enhancement of the
several aspects, namely the aspect of plantation productivity, the aspect of the yield of CPO and the
aspect of post-harvest handling which contained the harvesting and handling of leftover palm oil
bunches.
Recommendations for the development of this research are to construct the quality risk
assessment to be more complex, detailed and represent the perfect dynamics of palm oil industry
through the integration of queuing systems in the transportation sub-model and by adding a financial
sub-model, in which aspects of production costs, losses costs and factory profit included therein.
vi
RANCANG BANGUN PENILAIAN RISIKO MUTU DALAM RANTAI
PASOKAN MINYAK SAWIT KASAR DENGAN PENDEKATAN
SISTEM DINAMIS
STUDI KASUS PT. PERKEBUNAN NUSANTARA IV (PERSERO) UNIT
ADOLINA
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
pada Departemen Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh
M. NANDA RAHADIANSYAH
F 34070021
FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR
BOGOR
2011
vii
Judul Skripsi : Rancang Bangun Penilaian Risiko Mutu dalam Rantai Pasokan Minyak Sawit
Kasar dengan Pendekatan Sistem Dinamis : Studi Kasus PT. Perkebunan
Nusantara IV (Persero) Unit Adolina
Nama : M. Nanda Rahadiansyah
NIM : F 34070021
Menyetujui,
Pembimbing,
(Prof. Dr. Ir. Marimin, M.Sc.)

NIP. 19610905 198609 1 001
Mengetahui :
Ketua Departemen,
(Prof. Dr. Ir. Nastiti Siswi Indrasti)

NIP. 19621009 198903 2 001
Tanggal Lulus :
viii
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI
Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul

Rancang Bangun Penilaian Risiko Mutu dalam Rantai Pasokan Minyak Sawit
Kasar dengan Pendekatan Sistem Dinamis : Studi Kasus PT. Perkebunan
Nusantara IV (Persero) Unit Adolina adalah hasil karya saya sendiri dengan
arahan Dosen Pembimbing Akademik, dan belum diajukan dalam bentuk apapun
pada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari
karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan
dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Bogor, Desember 2011

Yang membuat pernyataan
M. Nanda Rahadiansyah
F 34070021
ix
© Hak Cipta milik M. Nanda Rahadiansyah, tahun 2011
Hak cipta dilindungi
Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian
atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, microfilm, dan sebagainya
x
BIODATA PENULIS
Penulis lahir di Medan pada tanggal 15 Oktober 1990. Penulis merupakan

anak pertama dari tiga bersaudara yang lahir dari pasangan Bapak Ir. H.
Dadang Rosehan Achfas dan Ibu Hj. Susanna Lubis. Pendidikan formal
ditempuh penulis di SD Swasta Harapan 2 Medan pada tahun 1996-2002,
SLTP Swasta Harapan 2 Medan (program akselerasi) pada tahun 2002-2004,
dan SMA Negeri 1 Medan pada tahun 2004-2007. Setelah lulus SMA, penulis
menempuh pendidikan di Institut Pertanian Bogor melalui Undangan Seleksi
Masuk IPB (USMI) angkatan 44 dan diterima di Departemen Teknologi
Industri Pertanian Fakultas Teknologi Pertanian. Selama menjadi mahasiswa, penulis aktif mengikuti
kegiatan non-akademik ekstrakampus di Himpunan Mahasiwa Islam (HMI), Himpunan Mahasiswa
Teknologi Industri IPB (HIMALOGIN) dan Ikatan Mahasiswa Muslim Asal Medan (IMMAM)
Bogor. Dalam organisasi, penulis pernah diberikan amanah untuk menjabat sebagai Kepala Bidang
Perguruan Tinggi, Kemahasiswaan dan Kepemudaan HMI Komisariat Fakultas Teknologi Pertanian
(FATETA) periode 2008/2009, Kepala Bidang Pengembangan Sumberdaya Manusia IMMAM
periode 2008-2009 dan Penanggung Jawab Sementara (PJS) Kepala Departemen Industri
HIMALOGIN periode 2009/2010. Selama aktif di organisasi, penulis sering terlibat dalam
kepanitiaan berbagai acara, penulis juga pernah beberapa kali menjadi narasumber pada acara yang
diselenggarakan baik di IPB maupun di luar IPB. Penulis pernah mengikuti program praktik lapang di
PT Perkebunan Nusantara IV (Persero) Unit Adolina, Perbaungan Sumatera Utara pada tahun 2010.
Selain itu penulis juga pernah menjadi nominator Mahasiswa Berprestasi (Mapres) FATETA pada
tahun 2010.
xi
KATA PENGANTAR
Puji dan syukur penulis panjatkan ke hadirat Tuhan semesta alam, Allah SWT karena berkat
ridho dan kehendak-Nya penulis masih dapat diberikan kesempatan untuk berfikir dan menyelesaikan
tulisan ini. Tak lupa pula shalawat beriring salam diberikan kepada Rasulullah Nabi Muhammad
SAW, seorang tauladan yang mengarahkan umat manusia dari zaman kebodohan hingga zaman
sekarang demi mendapat kemuliaan dari Allah SWT. Skripsi yang berjudul Rancang Bangun
Penilaian Risiko Mutu dalam Rantai Pasokan Minyak Sawit Kasar dengan Pendekatan Sistem
Dinamis : Studi Kasus di PT. Perkebunan Nusantara IV (Persero) Unit Adolina ini dilaksanakan sejak
bulan April hingga Oktober 2011.
Penulisan skripsi ini merupakan syarat untuk mendapatkan gelar Sarjana Teknologi Pertanian.
Semoga skripsi ini dapat bermanfaat, khususnya bagi pelaku baik civitas akademis maupun praktisi
yang bergerak langsung di industri pengolahan kelapa sawit. Penulis menyadari bahwa penulisan
skripsi masih jauh dari kesempurnaan. Oleh karena itu, penulis mengharapkan saran dan kritik yang
membangun demi kemajuan tulisan ini. Pada kesempatan ini penulis ingin mengucapkan terima kasih
yang sebesar-besarnya kepada pihak-pihak yang telah membantu dalam penyelesaian skripsi ini, yaitu:
1. Prof. Dr. Ir. Marimin, M.Sc. selaku pembimbing skripsi yang dengan sabar dan penuh dedikasi
membantu penulis dalam menyelesaikan program sarjana di Institut Pertanian Bogor.
2. Prof. Dr. Ir. Erliza Noor dan Prof. Dr-Ing. Ir. Suprihatin selaku dosen penguji yang senantiasa
memberikan perbaikan dan saran yang membangun dalam pengembangan penulisan skripsi.
3. Kedua orangtua tercinta dan kedua adikku, Fashana dan Rania, yang senantiasa berdoa untuk
kelancaran dan keselamatan penulis serta selalu mendukung dengan memberikan nasihat dan
makna dari pengorbanan dalam penyelesaian skripsi.
4. PT. Perkebunan Nusantara IV (Persero) Unit Adolina dan Pusat Penelitian Kelapa Sawit (PPKS)
Medan yang telah memberikan penulis kesempatan untuk meneliti dan mengambil data untuk
kepentingan penyusunan skripsi ini.
5. Bapak Ir. Khoiruddin Nasution selaku Manajer Unit PT. Perkebunan Nusantara IV (Persero)
Unit Adolina dan Ibu Ir. Safarida Silalahi selaku staf PAHAM PPKS Medan yang telah
menerima penulis dengan baik selama melakukan penelitian di lokasi.
6. Istia Asri, S.Ked. yang selalu mengingatkan dan memberi motivasi beserta dukungan kepada
penulis dalam penelitian dan penyelesaian skripsi.
7. Bapak calon Doktor Bambang Herry dan Syarif Hidayatullah yang telah meluangkan waktunya
untuk membantu penulis dalam menyelesaikan skripsi ini.
8. Faiz, Aw, Fakhri, Arya, Ismet, Iza, Sangun, Eko, Rahman, Iqbal, Eva, Muti, Dede, Zafira, Mali,
Anita, Desti dan rekan seperjuangan penulis di TIN 44 lainnya yang tanpa henti memberikan
dukungan dan aroma persaingan sehat terhadap penulis selama menyelesaikan kuliah di IPB.
9. Fandi, Yuri, Julyanda, Ginda, Alfan dan adik-adik angkatan 45 eks Iona dan teman-teman se-
OMDA IMMAM yang telah memberikan suasana layaknya keluarga sendiri terhadap penulis
ketika menuntut ilmu di perantauan.
10. Semua pihak yang telah ikut berdoa dan memberikan motivasi dalam penulisan skripsi ini yang
tidak bisa disebutkan satu per satu.
xii
Akhirnya penulis berharap semoga tulisan ini bermanfaat dan memberikan kontribusi yang nyata
terhadap pengembangan ilmu pengetahuan dalam bidang industri perkelepasawitan Indonesia.
Bogor, Desember 2011
M. Nanda Rahadiansyah
xiii
DAFTAR ISI
Halaman
DAFTAR ISI .............................................................................................................................. xiv
DAFTAR TABEL ...................................................................................................................... xvi
DAFTAR GAMBAR ................................................................................................................ xvii
DAFTAR LAMPIRAN .............................................................................................................. xix
DAFTAR ISTILAH .................................................................................................................... xx
I. PENDAHULUAN
A. LATAR BELAKANG ...................................................................................................... 1
B. TUJUAN PENELITIAN ................................................................................................... 2
C. RUANG LINGKUP PENELITIAN .................................................................................. 3
D. MANFAAT PENELITIAN ............................................................................................... 3
II. TINJAUAN PUSTAKA
A. INDUSTRI PENGOLAHAN CPO ................................................................................... 4
B. SISTEM RANTAI PASOK ............................................................................................... 5
C. RANTAI PASOK AGROINDUSTRI ............................................................................... 6
D. MANAJEMEN RISIKO RANTAI PASOK ..................................................................... 9
E.ENTERPRISE RISK MANAGEMENT – INTEGRATED FRAMEWORK AND
APPLICATION TECHNIQUES (ERM-IFAT) .................................................................. 11
F. SISTEM RANTAI PASOK MINYAK SAWIT KASAR ................................................ 12
G. PENDEKATAN SISTEM DAN DINAMIKA SISTEM ................................................. 12
1. Diagram Sebab Akibat (Causal Loop Diagram) ................................................... 13
2. Pola Dasar Perilaku Sistem ................................................................................... 14
3. Stock Flow Diagram (SFD) ................................................................................... 16
H. PENELITIAN TERDAHULU ........................................................................................ 16
III. METODOLOGI PENELITIAN
A. KERANGKA PEMIKIRAN ........................................................................................... 19
B. TAHAPAN PEMODELAN SISTEM DINAMIK .......................................................... 20
C. TATA LAKSANA
1. Pengumpulan Data ................................................................................................ 23
2. Pengolahan Data .................................................................................................... 23
3. Tempat dan Waktu Penelitian ............................................................................... 23
IV. GAMBARAN UMUM PERUSAHAAN
A. SEJARAH PERUSAHAAN ........................................................................................... 24
B. LETAK GEOGRAFIS .................................................................................................... 24
C. LUAS AREAL PRODUKSI ........................................................................................... 25
D. STRUKTUR ORGANISASI........................................................................................... 25
E.KETENAGAKERJAAN & SISTEM MANAJEMEN KESEHATAN DAN
KESELAMATAN KERJA (SMK3) ................................................................................ 27
F.SISTEM MANAJEMEN MUTU (ISO 9001-2008) DAN SISTEM MANAJEMEN
LINGKUNGAN (ISO 14001-2004) ................................................................................ 27
G. JAM KERJA ................................................................................................................... 28
H. SISTEM PENGUPAHAN............................................................................................... 29
xiv
V. STRUKTURISASI SISTEM
A. DESKRIPSI PENILAIAN RISIKO MUTU CPO ........................................................... 30
B. KETERKAITAN UKURAN KESUKSESAN KINERJA .............................................. 32
VI. PERANCANGAN MODEL DINAMIK
A.POLA PERILAKU RUJUKAN ....................................................................................... 34
B. ASUMSI MODEL ........................................................................................................... 35
C. DIAGRAM KAUSAL PENILAIAN RISIKO MUTU PKS ADOLINA ........................ 36
D. MODEL DINAMIK PENILAIAN RISIKO MUTU PKS ADOLINA ........................... 37
1. Diagram Alir Sub-Model Produksi ....................................................................... 39
2. Diagram Alir Sub-Model Persediaan .................................................................... 41
3. Diagram Alir Sub-Model Transportasi .................................................................. 42
E. TELAAH VARIABEL .................................................................................................... 44
VII. PENGUJIAN MODEL DAN SIMULASI SKENARIO
A.VERIFIKASI ................................................................................................................... 45
B.VALIDASI
1. Validasi Teoritis .................................................................................................... 45
2. Kondisi Ekstrim..................................................................................................... 46
3. Konsistensi Unit .................................................................................................... 48
4. Konsistensi Hasil Keluaran ................................................................................... 48
C. UJI SENSITIVITAS........................................................................................................ 51
D. SIMULASI SKENARIO
1. Analisis Perilaku Dasar ......................................................................................... 52
2. Analisis Perilaku Dinamik..................................................................................... 55
3. Analisis Penilaian Risiko ....................................................................................... 61
VIII. REKOMENDASI KEBIJAKAN ........................................................................................ 65
IX. KESIMPULAN DAN SARAN
A. KESIMPULAN ............................................................................................................... 69
B. SARAN ........................................................................................................................... 70
DAFTAR PUSTAKA ................................................................................................................. 71
LAMPIRAN ................................................................................................................................ 74
xv
DAFTAR TABEL
Halaman
Tabel 1. Indikator kinerja rantai pasok setiap tingkatan ................................................................ 8
Tabel 2. Jumlah pekerja dalam satu shift di PKS Unit Adolina. ................................................... 28
Tabel 3. Identifikasi stock model dinamik penilaian risiko mutu PKS Unit Adolina. ................... 37
Tabel 4. Hasil uji distribusi probabilitas ....................................................................................... 44
Tabel 5. Hasil validasi kinerja produksi CPO ............................................................................... 49
Tabel 6. Hasil validasi kinerja kadar ALB .................................................................................... 50
Tabel 7. Matriks skenario kebijakan ............................................................................................. 55
Tabel 8. Dinamika produksi CPO pada berbagai skenario ........................................................... 61
Tabel 9. Dinamika kadar ALB pada berbagai skenario ................................................................ 61
Tabel 10. Dinamika produksi CPO pada berbagai selang distribusi ............................................ 63
Tabel 11. Dinamika kadar ALB pada berbagai selang distribusi ................................................. 64
Tabel 12. Rumusan kebijakan ...................................................................................................... 65
xvi
DAFTAR GAMBAR
Halaman
Gambar 1. Diagram alir proses produksi CPO .............................................................................. 5
Gambar 2. Deret siklus pembentukan rantai pasok (Vorst et.al, 2007) .......................................... 6
Gambar 3. Perspektif analitik dari rantai pertanian (Ruben et.al, 2006) ........................................ 8
Gambar 4. Sistem rantai pasok agroindustri minyak sawit kasar .................................................. 12
Gambar 5. Pertumbuhan eksponensial. ......................................................................................... 14
Gambar 6. Mencari tujuan ............................................................................................................. 15
Gambar 7. Gelombang ................................................................................................................. 15
Gambar 8. Batas pertumbuhan ...................................................................................................... 16
Gambar 9. Stock flow diagram (SFD) ........................................................................................... 16
Gambar 10. Posisi penelitian terdahulu ........................................................................................ 18
Gambar 11. Keterkaitan antar entitas rantai pasokan CPO terhadap kualitas CPO yang
dihasilkan................................................................................................................... 19
Gambar 12. Kerangka pemikiran penelitian .................................................................................. 20
Gambar 13. Alur tahapan penelitian.............................................................................................. 20
Gambar 14. Peta lokasi geografis PKS Adolina. ........................................................................... 24
Gambar 15. Keterkaitan ukuran kesuksesan kinerja PKS Unit Adolina ....................................... 33
Gambar 16a. Dinamika kadar ALB ............................................................................................... 34
Gambar 16b. Dinamika derajat kematangan panen TBS .............................................................. 34
Gambar 17. Dinamika kebutuhan truk. ......................................................................................... 35
Gambar 18. Peta model mental penilaian risiko mutu CPO PKS Unit Adolina. ........................... 36
Gambar 19. Diagram lingkar kausal penilaian risiko mutu PKS Unit Adolina ............................. 37
Gambar 20. Model dinamik penilaian risiko mutu PKS Unit Adolina ......................................... 38
Gambar 21. Diagram alir sub-model produksi .............................................................................. 39
Gambar 22. Diagram alir sub-model persediaan ........................................................................... 41
Gambar 23. Diagram alir sub-model transportasi ......................................................................... 42
Gambar 24. Dinamika produksi CPO akibat produktivitas kebun naik 100% .............................. 46
Gambar 25. Dinamika persediaan CPO akibat produktivitas kebun naik 100% ........................... 46
Gambar 26. Dinamika jumlah trip aktual akibat produktivtas kebun naik 100% .......................... 47
Gambar 27. Dinamika produksi CPO akibat produktivitas kebun turun 100% ............................. 47
Gambar 28. Dinamika persediaan CPO akibat produktivitas kebun turun 100%.......................... 47
Gambar 29. Dinamika jumlah trip aktual akibat produktivtas kebun turun 100% ........................ 48
Gambar 30. Validasi kinerja produksi CPO .................................................................................. 49
Gambar 31. Validasi kinerja kadar ALB ....................................................................................... 50
Gambar 32. Dinamika produksi CPO akibat perubahan parameter sensitif .................................. 51
Gambar 33. Dinamika kadar ALB akibat perubahan parameter sensitif ....................................... 52
Gambar 34. Kinerja produktivitas kebun Januari 2010-September 2011 ...................................... 53
Gambar 35. Kinerja rendemen CPO Januari 2010 – September 2011 .......................................... 53
Gambar 36. Kinerja pengaruh kriteria panen terhadap kadar ALB Januari 2010 – September
2011 ........................................................................................................................... 53
Gambar 37. Kinerja TBS restan Januari 2010 – September 2011 ................................................. 54
Gambar 38. Dinamika produksi CPO pada skenario dasar ........................................................... 54
Gambar 39. Dinamika kadar ALB pada skenario dasar ................................................................ 54
Gambar 40. Dinamika produksi CPO (SR 1A) ............................................................................. 56
xvii
Gambar 41. Dinamika kadar ALB (SR 1 A) ................................................................................. 56
Gambar 42. Dinamika produksi CPO (SR 1 B) ............................................................................ 56
Gambar 43. Dinamika kadar ALB (SR 1 B) ................................................................................. 57
Gambar 44. Dinamika produksi CPO (SR 1C) ............................................................................. 57
Gambar 45. Dinamika kadar ALB (SR 1 C) ................................................................................. 57
Gambar 46. Dinamika produksi CPO (SR 2) ................................................................................ 58
Gambar 47. Dinamika kadar ALB (SR 2) ..................................................................................... 58
Gambar 52. Perbandingan dinamika produksi CPO pada berbagai skenario ................................ 60
Gambar 53. Perbandingan dinamika kadar ALB pada berbagai skenario ..................................... 60
Gambar 54. Perhitungan persentil ................................................................................................. 62
Gambar 55. Dinamika produksi CPO akibat pengaruh ketidakpastian ......................................... 62
Gambar 56. Dinamika kadar ALB akibat pengaruh ketidakpastian .............................................. 63
Gambar 57. Tindakan perbaikan kinerja PKS Unit Adolina untuk bulan Mei 2011 ..................... 66
xviii
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Struktur organisasi PKS Unit Adolina ................................................................ 75
Lampiran 2. Tabel pedoman kisi-kisi wawancara ................................................................... 76
Lampiran 3. Jadwal penelitian................................................................................................. 77
Lampiran 4. Uji distribusi probabilitas .................................................................................... 78
Lampiran 5. Plot data analisis regresi...................................................................................... 86
Lampiran 6. Penentuan armada transportasi TBS ................................................................... 89
Lampiran 7. Angka-angka pengolahan pabrik tahun 2010 ...................................................... 96
Lampiran 8. Ekspresi risiko ALB pada pelaku rantai pasokan CPO tiap skenario kebijakan 99
Lampiran 9. List persamaan Powersim .................................................................................. 105
Lampiran 10. Manual CPOdyn ................................................................................................ 114
xix
DAFTAR ISTILAH
Causal loop diagram (CLD) : Diagram yang merepresentasikan realita kompleks menjadi bentuk
visual yang lebih mudah dipahami.
Crude Palm Oil (CPO) : Hasil utama dalam pengolahan TBS. Minyak tersebut berwarna merah dan
dimanfaatkan sebagai bahan baku untuk menghasilkan produk turunan yang bernilai tambah lebih
tinggi yang meliputi industri pangan (minyak goreng, margarin dll), non-pangan (oleokimia) dan
bahan bakar alternatif.
CPOdyn : Program simulator kebijakan manajemen yang dihasilkan dari penelitian ini berdasarkan
pendekatan sistem dinamis. Program ini merepresentasikan rantai pasok dan penilaian risiko mutu
CPO yang dihasilkan PT. Perkebunan Nusantara IV Unit Adolina.
Enterprise Risk Management – Integrated Framework and Application Techniques (ERM-IFAT) :

Suatu paradigma baru dalam sistem manajemen risiko korporasi yang dirancang khusus untuk para
pengambil keputusan dalam mengidentifikasi, mengontrol dan menghasilkan kebijakan yang tepat
dalam rangka penanganan risiko demi mendukung pencapaian tujuan perusahaan. Terdapat delapan
komponen yang saling terkait, yaitu (1) lingkungan internal, (2) penetapan tujuan, (3) identifikasi
potensi risiko, (4) penilaian risiko, (5) respons risiko, (6) pengendalian risiko, (7) informasi dan
komunikasi) dan (8) pengawasan.
Kadar ALB : Kadar asam lemak bebas yang terkadung dalam CPO yang diproduksi.
Kegiatan pasca-panen : Kegiatan yang dilakukan setelah proses pemanenan TBS hingga TBS tepat
akan diangkut ke pabrik untuk diolah.
Kegiatan pengolahan TBS di pabrik :Proses pengolahan TBS yang diterima di pabrik untuk diolah
menjadi CPO sebagai hasil utama.
Kegiatan penimbunan di tangki timbun pabrik : Prose penyimpanan sementara CPO yang telah
diproduksi sebelum dikirimkan ke konsumen selanjutnya.
Kegiatan transportasi panen : Proses pengangkutan seluruh hasil panen TBS ke dalam pabrik untuk
segera diolah dengan menggunakan jumlah armada transportasi dan trayek yang tersedia.
Latin Hypercube : Metode simulasi analisa penilaian risiko secara probabilistik dengan
menggunakan nilai spesifik distribusi probabilitas variabel penguji untuk dilihat responnya terhadap
dinamika parameter utama.
Mean Absolute Percentage Error (MAPE) : Ukuran akurasi ketepatan model yang merupakan rata-
rata dari keseluruhan persentase kesalahan (selisih) antara data aktual dengan data hasil simulasi.
Model : Bentuk tiruan dari dunia nyata.
Pendekatan sistem : Cara penyelesaian persoalan yang dimulai dengan identifikasi terhadap adanya
sejumlah kebutuhan dalam dan luar sistem sehingga dapat menghasilkan operasi dari sistem yang
dianggap efektif. Ditandai oleh dua hal : (1) mencari semua faktor penting yang ada dalam masalah
dan (2) konstruksi model kuantitatif untuk membantu keputusan secara rasional.
Pola perilaku batas pertumbuhan (S-shaped growth) : Pola perilaku sistem yang terdiri dari
umpan balik positif dan negatif yang pada awalnya merupakan pola pertumbuhan eksponensial tetapi
xx
secara pelan dan lambat menuju pada kondisi pencapaian sistem yang berada pada keseimbangan.
Pola batas pertumbuhan memiliki empat unsur : kejadian aktual, kejadian diinginkan, kesenjangan dan
tindakan koreksi.
Pola perilaku bergelombang : Pola perilaku sistem yang dibentuk oleh umpan balik negatif untuk
mencari tujuan atau keadaan yang diinginkan dengan penambahan penundaan sebagai tindakan
perbaikan.
Pola perilaku mencari tujuan : Pola perilaku sistem yang dibentuk oleh umpan balik negatif antara
elemen-elemen sistem yang tujuannya untuk mencari keseimbangan dan statis. Simpal umpan balik
negatif bekerja memberikan pengaruh terhadap sistem untuk mencari tujuan atau keadaan yang
diinginkan.
Pola perilaku pertumbuhan eksponensial : Pola perilaku sistem yang didominasi oleh pengaruh
positif. Umpan balik positif memberi efek perubahan penguatan dengan banyaknya kejadian
perubahan.
P-value : Peluang untuk menerima H0 dengan membandingkan nilai α (0,05) pada selang kepercayaan
95%.
Rencana Kerja Anggaran Perusahaan (RKAP) : Target pencapaian yang ditetapkan perusahaan
terhadap unit usaha tertentu berdasarkan data pencapaian historis dan sumberdaya yang ada.
Rantai pasok : Jejaring fisik dan aktivitas yang terkait dengan aliran bahan dan informasi yang
terintegrasi di dalam perusahaan serta melintasi batas-batas perusahaan.
Risiko : Segala kejadian yang memiliki peluang kemungkinan terjadi dan dapat berdampak negatif
terhadap pencapaian tujuan perusahaan.
Sensitivitas : Pengujian terhadap model dengan mengasumsikan kemungkinan kondisi pada dunia
nyata dengan menerapkan metode skenario terbaik dan terburuk. Setiap perubahan parameter, dalam
hal ini dinaikkan (diturunkan) 10% dari nilai parameter dasar akan dilihat responnya terhadap
perubahan parameter utama.
Sistem dinamik : Salah satu metodologi dalam pendekatan sistem dengan memanfaatkan bantuan
komputer untuk menganalisa dan memecahkan masalah rumit dengan fokus pada analisa dan desain
kebijakan.
Skenario kebijakan : Kombinasi-kombinasi variabel penguji untuk dilihat responnya terhadap

dinamika parameter utama. Terdiri dari tiga jenis skenario kebijakan beserta kombinasinya, yaitu
skenario agresif (optimis), skenario moderat dan skenario lambat (pesimis).
Stock flow diagram (SFD) : Susunan diagram alir dalam pembangunan model dinamik yang terdiri
dari stock dan flow. Stock merupakan akumulasi, karakteristik keadaan sistem dan pembangkit
informasi, dimana aksi dan keputusan didasarkan padanya.
Tandan buah segar (TBS) : Buah kelapa sawit yang dengan segala karakteristik kualitasnya
dijadikan sebagai bahan baku dalam pengolahan minyak sawit kasar (CPO).
Tandan buah segar (TBS) Restan : TBS sebagai bahan baku untuk pengolahan CPO yang tidak
segera diolah setelah diangkut dari kebun (>1x24 jam). Peristiwa ini dapat disebabkan oleh tidak
optimalnya penjadwalan transportasi TBS dari kebun ke pabrik dan tidak efektifnya penjadwalan
pengolahan di pabrik (terjadi stagnasi pabrik, dll).
xxi
Uji distribusi probabilitas : Pengujian kesesuaian sebaran data dalam model dengan sebaran data di
dunia nyata. Uji distribusi probabilitas dengan metode Kolmogorv-Smirnov menghasilkan nilai p-
value.
Verifikasi : Pengecekan hubungan konseptual dan logis dari formulasi matematik dan program
simulasi yang dihasilkan. Atau dalam pengertian lain, merupakan pengujian kesesuaian perilaku dan
respon model terhadap tujuan model.
Validasi : Usaha penyimpulan apakah model sistem tersebut merupakan perwakilan yang sah dari
realitas yang dikaji sehingga dapat menghasilkan kesimpulan yang meyakinkan.
xxii
I. PENDAHULUAN
A. LATAR BELAKANG
Industri kelapa sawit Indonesia telah tumbuh secara signifikan dalam empat tahun terakhir
dan sejak tahun 2006 menjadi produsen terbesar di dunia untuk pemasok minyak sawit kasar (CPO)
mengungguli Malaysia. Menurut Deptan Republik Indonesia, pada tahun 2009, kapasitas produksi
CPO Indonesia mencapai 20,9 juta ton CPO dengan total luas areal perkebunan kelapa sawit mencapai
7,5 juta ha dengan potensi ekstensifikasi lahan 26,6 juta ha. Selain itu minyak sawit Indonesia
merupakan komoditas strategis dalam pemanfaatan produk turunan yang bernilai tambah tinggi, baik
sebagai bahan pangan (minyak goreng), bahan bakar alternatif seperti biodiesel maupun
pemanfaatannya pada bidang non-pangan dalam bentuk oleokimia (Direktorat Jenderal Perkebunan
Indonesia).
Urgensi dari pengembangan komoditi sawit telah digalakkan dan ditetapkan sebagai
komoditi ekspor non migas untuk meningkatkan devisa negara dan memenuhi kebutuhan industri
minyak nabati dan industri lainnya di dalam negeri. Penetapan ini didukung oleh pemerintah
mengenai pengembangan perkebunan kelapa sawit rakyat melalui kemitraan dengan perkebunan
besar, yang berdampak pada peningkatan areal pengembangan tanaman kelapa sawit rakyat dan
berbagai program revitalisasi perkebunan kelapa sawit yang cukup signifikan dari tahun ke tahun.
Produk sawit Indonesia cenderung diekspor dalam bentuk CPO ke negara-negara lain seperti
Malaysia, India, kawasan Eropa dan juga kawasan Amerika. Tahun 2007 secara total produksi CPO
Indonesia adalah 17,7 juta ton dengan volume CPO yang diekspor mencapai 16,8 juta ton atau senilai
US$ 8.013.600.000. Volume dan nilai ekspor produk kelapa sawit dalam bentuk CPO tersebut
diproyeksikan akan meningkat terus seiring dengan peningkatan luas lahan kelapa sawit.
Dengan semakin meningkatnya potensi dan permintaan pasar akan produk sawit Indonesia,
maka akan semakin terpapar secara eksplisit kebutuhan mengenai kualitas produk dan bahan antara
yang dihasilkan. Selain itu, karakteristik produk pertanian yang mudah rusak, kamba dan dipengaruhi
musim menjadi kendala tersendiri yang membutuhkan perhatian dan penanganan yang tepat. Tentunya
setiap industri selalu menginginkan proses bisnis yang mampu memenuhi elemen kepuasan
pelanggan, yaitu mutu sesuai pasar, biaya yang minimum dan minimasi waktu yang nantinya terkait
kepada kualitas dan kepuasan konsumen.
Masalah pasokan dan kualitas didalamnya menjadi isu penting dalam peningkatan
produktivitas. Dalam kaitan ini, penjaminan pasokan bahan baku dari kebun ke pabrik dan pasokan
produk dari pabrik ke konsumen selanjutnya menjadi aspek-aspek risiko mutu penting yang patut
diperhatikan agar kerugian pada perusahaan dapat diantisipasi.
Keragaman mutu minyak sawit kasar atau CPO dipengaruhi oleh kegiatan panen,
transportasi, pengolahan dan penimbunan. Hasil penelitian terkait mutu yang dilakukan oleh Kandiah
et.al (2002) dalam Hadiguna (2010) menunjukkan bahwa penundaan pengolahan akan meningkatkan
kadar asam lemak bebas. Minyak sawit kasar juga berisiko mengalami perubahan dan kerusakan
selama transportasi jika harus menempuh jarak jauh atau waktu yang lama (Djohar et.al, 2003).
Faktor-faktor penting seperti ini bersumber dari rangkaian kegiatan operasional rantai pasok sehingga
membutuhkan pengelolaan yang terintegrasi antara panen, angkut, olah dan penimbunan. Seluruh
rangkaian kegiatan terkait akan memicu risiko mutu sehingga membutuhkan pengelolaan yang efektif.
1
Berbagai pokok bahasan dan penerapan metode-metode telah dilakukan dalam penelitian
agroindustri kelapa sawit. Beberapa yang telah dilakukan diantaranya oleh Basiron (2002), Dja‟far
dan Wahyono (2003), Barlo et.al (2003) dan Goenadi et.al (2005) yang membahas secara deskriptif
permasalahan ekonomi kelapa sawit, sedangkan Didu (2000), Basdabella (2001) dan Jatmika (2007)
menerapkan gabungan metode soft dan hard system. Jayaprawira (2010) dan Hadiguna (2010)
merancang secara mendalam suatu sistem penunjang keputusan dan optimalisasi rantai pasok terkait
dengan agroindustri kelapa sawit sehingga dapat digunakan oleh manajemen puncak korporasi yang
bergerak di perkelapasawitan agar mampu menghasilkan kebijakan yang efektif nantinya. Arah
penelitian selanjutnya perlu difokuskan terhadap pengelolaan terpadu antara kebun, pabrik dan tangki
timbun yang dikenal dengan istilah manajemen panen-angkut-olah. Perhatian ini dimaksudkan untuk
peningkatan kinerja sistem dalam hal peningkatan mutu CPO. Upaya yang dapat dilakukan adalah
menerapkan konsep manajemen risiko dan rantai pasok secara bersama.
Penerapan pola manajemen risiko dalam rangkaian aliran bahan input hingga menjadi
output agroindustri terus berkembang. Hal ini dapat ditela‟ah oleh banyaknya penelitian yang
dilakukan pada berbagai agroindustri antara lain dalam tulisan Udayana (2009) yang menilai risiko
operasional maupun finansial dalam industri biodiesel berbasis kelapa sawit dan kemudian Tyas
(2008) menyimpulkan bahwa penjaminan proses panen kelapa sawit dapat menentukan keberhasilan
pencapaian target produksi perusahaan.
Manajemen rantai pasok agroindustri menempatkan sistem manajemen panen-angkut-olah
menjadi faktor kunci. Pengelolaannya perlu memperhatikan aspek biaya dan mutu. Manajemen rantai
pasok agroindustri tersebut meliputi integrasi, koordinasi dan kolaborasi seluruh organisasi sepanjang
rantai pasokan. Integrasi rantai pasokan (internal dan eksternal) merupakan pekerjaan yang sulit
karena adanya perbedaan dan konflik tujuan dari fasilitas dan pelaku yang terlibat, serta rantai
pasokan merupakan suatu sistem dinamis yang berkembang sepanjang waktu.
Oleh karena adanya permasalahan kualitas dari hulu sampai ke hilir dalam suatu cakupan
mata rantai pasokan pada industri CPO Indonesia perlu dilakukan suatu penelitian dengan pendekatan
model dinamis agar ukuran kriteria kesuksesan perusahaan dapat terkendali.
B. TUJUAN PENELITIAN
Tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut :
1. Mengidentifikasi perilaku dinamik yang mempengaruhi keragaman mutu minyak sawit

kasar di sepanjang rantai pasokan.
2. Merumuskan ukuran kesuksesan manajemen dalam penilaian risiko penurunan mutu
berdasarkan strukturisasi sumber-sumber pemicu risiko yang terdapat dalam seluruh
rangkaian operasional rantai pasok CPO.
3. Merancang model dinamik sebagai alat bantu mengenal pola penilaian risiko mutu CPO
PKS Unit Adolina dan mensimulasikannya untuk mendapat susunan kebijakan pada
tingkat manajemen.
2
C. RUANG LINGKUP
Ruang lingkup penelitian yang dilakukan pada PT. Perkebunan Nusantara IV Unit Adolina
adalah :
1. Identifikasi sumber risiko mutu dan penilaian risiko mutu dilakukan pada tiap mata
rantai elemen rantai pasok CPO (afdeling, kinerja transportasi, pabrik kelapa sawit dan
tangki timbun CPO).
2. Batasan strukturisasi sistem penilaian risiko mutu CPO mendeskripsikan penerapan
sistem penilaian risiko mutu CPO yang mengacu pada ukuran kesuksesan manajemen
PKS Unit Adolina .
3. Perancangan model dinamik ditujukan bagi pengambil keputusan tingkat manajemen
menengah berupa perumusan kebijakan terbaik yang memiliki keterkaitan dengan
ukuran kesuksesan manajemen perusahaan.
4. Model mental atau peta kognitif sebagai basis perancangan struktur model dinamik
merupakan hasil bentukan persepsi pemodel dalam memahami penilaian risiko mutu
CPO PKS Unit Adolina pada saat penelitian ini dilaksanakan.
5. Keluaran model berupa penilaian kondisi kinerja PKS Adolina berdasarkan pengaturan
beberapa skenario kebijakan. Skenario perumusan kebijakan yang diformulasukan hanya
sebatas usulan dan tidak sampai penerapan komprehensif di PKS Unit Adolina tempat
studi dilaksanakan. Penerapan kebijakan merupakan proses yang memerlukan waktu
panjang dimana pemodel harus melakukan usaha meyakinkan model melalui proses
pendidikan dan diskusi bagi para pengambil keputusan.
D. MANFAAT PENELITIAN
Hasil penelitian akan memberikan usulan rekomendasi beserta khasanah pengetahuan bagi
perusahaan akan faktor-faktor penyebab fluktuasinya nilai produksi CPO dan asam lemak bebas
(ALB) dari CPO yang diproduksi sehingga nantinya dapat mengantisipasi kerugian yang ditimbulkan,
serta dapat dipakai untuk membuat skenario perumusan kebijakan manajerial PKS Adolina pada
bulan-bulan mendatang dalam rangka mencapai ukuran kesuksesan PT. Perkebunan Nusantara IV
yang telah ditetapkan. Manfaat akademis bagi departemen Teknologi Industri Pertanian dalam rangka
memperkaya ilmu pengetahuan kajian pengembangan sistem dinamik sebagai metodologi untuk
menjawab permasalahan industri berbasis agro pada umumnya.
3
II. TINJAUAN PUSTAKA
A. INDUSTRI PENGOLAHAN CPO

Kelapa sawit adalah tanaman komersial penghasil minyak nabati yang paling produktif di
dunia. Ekspansi kelapa sawit menempatkannya pada posisi penting dalam industri dan perdagangan
minyak dunia. Berdasarkan bukti fosil, sejarah dan linguistik, tanaman ini berasal dari daerah pesisir
tropis Afrika Barat. Tanaman kelapa sawit liar dimanfaatkan oleh penduduk lokal Afrika Barat
sebagai sumber minyak makan.
Pada 1911, perkebunan kelapa sawit pertama didirikan di Pulau Raja (Asahan) dan Sungei
Liput (Aceh). Luas areal pada tahun 1938 telah mencapai 92 ribu ha di Indonesia. Pada 1922, Pabrik
Kelapa Sawit (PKS) pertama dibangun di Tanah Itam Ulu – Sumatera Utara, sedangkan pada 1977
pabrik oleokimia pertama dibangun di Tangerang dan pola PIR pertama diintroduksikan di Tebenan-
Sumatera Selatan dan Alue Merah – Aceh. (PPKS, 2004)
Karakteristik industri berbasis agro memiliki ketergantungan terhadap bahan baku yang
diolah. Penanganan pengolahan bahan baku baik di pabrik maupun di kebun memberikan pengaruh
aktivitas produksi secara kuantitas maupun kualitas terhadap produk yang dihasilkan. Industri
pengolahan CPO termasuk yang mempunyai keunikan tersebut, sehingga keberlangsungan
produksinya tergantung keterkaitan dari kinerja di kebun dan di pabrik. Mutu unit PKS bergantung
pada mutu buah kelapa sawit yang diterima sedangkan mutu hasil olah sangat ditentukan oleh bahan
bakunya. Bahan baku tersebut dipengaruhi oleh kegiatan pasca panen, seperti mutu panen dan
transportasi. Kesalahan pada langkah pengumpulan hasil dapat mengakibatkan mutu hasil olahan tidak
dapat memenuhi standar yang telah ditetapkan yang berujung pada efisiensi pengolahan.
Bahan baku, dalam pengolahan CPO, yaitu tandan buah segar kelapa sawit yang dapat
terdiri dari tiga varian, Tenera, Dura dan Psifera. Ketiga jenis tanaman kelapa sawit dibedakan
berdasarkan irisan penampang buah dimana Dura memiliki tempurung yang tebal dan daging buah
yang tipis, jenis Pesifera memiliki biji yang kecil dengan tempurung yang tipis serta daging buah
yang tebal, sedangkan jenis Tenera merupakan hasil persilangan Dura dengan Pesifera menghasilkan
buah dengan tempurung yang tipis, daging buah yang tebal dan inti yang besar.
Proses pengolahan CPO (Gambar 1) dimulai dari jembatan penimbangan untuk
menentukan berat netto TBS. Fungsi dari stasiun ini adalah sebagai tempat penimbangan TBS yang
dibawa ke pabrik dan hasil produksi serta sebagai proses kontrol untuk mengetahui rendemen dan
kapasitas pabrik. Setelah melalui proses penimbangan, TBS kemudian dibawa untuk dikumpulkan.
Fungsi dari stasiun ini adalah sebagai tempat penampungan TBS sementara untuk beberapa saat
sambil menunggu proses awal dari pengolahan. Tahap penerimaan buah ini harus secepat mungkin
untuk meminimalkan kemungkinan terjadi proses degradasi perubahan mutu minyak.
Proses perebusan merupakan salah satu proses vital dalam produksi CPO. Dalam proses ini
enzim lipase penghasil asam lemak bebas dinonaktifkan kinerjanya dan juga berfungsi sebagai
perlakuan awal terhadap bahan-bahan yang akan dipisahkan secara mekanik sehingga lebih mudah
terpisahkan serta berfungsi untuk menekan kadar air pada TBS.
Proses penebahan dilakukan untuk melepaskan dan memisahkan brondolan sawit dari
tandannya. Dalam proses penebahan diberlakukan standar persentase brondolan yang tidak lepas dari
tandan agar menghindari kegagalan produksi akibat prosedur yang tidak ditaati. Dalam proses
penebahan ini dihasilkan by-product berupa tandan kosong yang langsung dibawa ke perkebunan
untuk dijadikan pupuk organik.
4
Proses pengempaan buah merupakan proses pemisahan minyak dari sabut dan inti buah
kelapa sawit. Menghasilkan hasil samping berupa fiber dan inti buah sawit yang diolah nantinya agar
menghasilkan kernel yang dapat diolah menjadi minyak kernel sawit.
Minyak yang dipisahkan kemudian dimurnikan pada proses klarifikasi minyak sawit
sehingga dihasilkan CPO. Proses ini merupakan proses yang sangat kritis dimana proses ini
menentukan mutu hasil olah yang diproses sehingga menentukan mutu PKS secara garis besar.
Gambar 1. Diagram alir proses produksi CPO
B. SISTEM RANTAI PASOK

Istilah manajemen rantai pasok (supply chain management) dipopulerkan sebagai
pendekatan manajemen persediaan yang ditekankan pada pasokan bahan baku. Isu ini terus
berkembang sebagai kebijakan strategis perusahaan yang menyadari bahwa keunggulan bersaing dan
pemenuhan kepuasan seluruh pemangku kepentingan berhubungan dengan aliran bahan atau barang
dari pemasok hingga pengguna akhir. Rantai pasok adalah jejaring fisik dan aktivitas yang terkait
dengan aliran bahan dan informasi didalam atau melintasi batas-batas perusahaan. Sebuah rantai
pasok akan terdiri dari rangkaian proses pengambilan keputusan dan eksekusi yang berhubungan
dengan aliran bahan, informasi dan uang. Proses dari rantai pasok bertujuan untuk memenuhi
kebutuhan pelanggan mulai dari proses produksi sampai konsumen akhir. Rantai pasok bukan hanya
terdiri dari produsen dan pemasoknya tetapi mempunyai ketergantungan dengan aliran logistik,
pengangkutan, penyimpanan atau gudang, pengecer dan konsumen itu sendiri. Dalam arti luas, rantai
pasok juga termasuk pengembangan produk, pemasaran, operasi-operasi, distribusi, keuangan dan
pelayanan pelanggan (Vorst et.al, 2007 dalam Hadiguna, 2010). Rantai pasok sepintas terlihat sebagai
deretan siklus-siklus yang bekerja sebagai interface bagi dua tahapan (stages). Gambar 2 adalah
deretan siklus-siklus yang menjadi rantai pasok yang diikat oleh sistem persediaan antar pelaku.
5
Pemasok Pemrosesan Distributor Pengecer Pelanggan
Gambar 2. Deret siklus pembentukan rantai pasok (Vorst et.al, 2007)
Cara pandang terhadap rantai pasok sebagai sebuah siklus menjadikan kategorisasi rantai
pasok dalam tiga bentuk dasar yaitu rantai pasok internal, rantai pasok eksternal dan rantai pasok total
atau keseluruhan. Rantai pasok internal adalah aliran bahan dan informasi yang terintegrasi dalam unit
bisnis (korporasi) dari pemasok sampai pelanggan dan kadang disebut logistik bisnis. Rantai pasok
eksternal adalah aliran bahan dan informasi yang terintegrasi di dalam unit bisnis (korporasi) yang
melintasi antara pemasok langsung dan pelanggan. Rantai pasok total adalah aliran bahan dan
informasi yang terintegrasi didalam unit bisnis yang melintasi secara majemuk antara pemasok
langsung dan pelanggan. Efektifitas rantai pasok total akan dipengaruhi oleh rantai pasok eksternal
dan demikian selanjutnya rantai pasok internal akan mempengaruhi efektifitas rantai pasok eksternal.
Tujuan dari manajemen rantai pasok adalah memperbaiki kepercayaan dan kolaborasi
sejumlah mitra rantai pasok sekaligus perbaikan persediaan yang terlihat dan kecepatan peningkatan
persediaan. Titik awal dari manajemen rantai pasok adalah persediaan yang perlu disiasati sehingga
kinerja sistem secara keseluruhan bisa lebih baik yang diukur dari berbagai sudut pandang para
pemangku kepentingan. Kegiatan – kegiatan dari rantai pasok dapat dikelompokkan menjadi tiga
tingkatan, yaitu strategis, taktis dan operasional. Tiga tingkatan inilah yang menjadi isu-isu kunci
dalam penelitian manajemen rantai pasok. Menurut Simchi-Levi et.al dalam Hadiguna (2010),
tingkatan strategis berhubungan dengan keputusan-keputusan yang mempunyai efek jangka panjang
terhadap perusahaan diantaranya optimasi jejaring strategis, mitra strategis dengan pemasok,
infrastruktur teknologi informasi, keputusan buat sendiri atau beli dan memperluas strategi organisasi
secara keseleruhan dengan strategi pasokan. Tingkatan taktis termasuk keputusan-keputusan yang
secara khas diperbaharui setiap kuartal sampai dengan setiap tahun sekali diantaranya pembelian,
permintaan, produksi, prakiraan permintaan atau penjualan, kebijakan persediaan dan strategi
transportasi. Tingkatan operasional berhubungan dengan keputusan-keputusan setiap hari diantaranya
penjadwalan, penentuan rute transportasi, penentuan waktu ancang dan pembebanan truk. Setiap
tingkatan mempunyai keterikatan baik bersifat top-down maupun bottom-up.
C. RANTAI PASOK AGROINDUSTRI

Perkembangan manajemen rantai pasok juga sudah menjadi perhatian para pelaku
agroindustri. Praktiknya dikenal dengan istilah manajemen rantai pasok agroindustri. Industri
pertanian atau agroindustri telah menjadi salah satu obyek penelitian yang masih baru di bidang
manajemen rantai pasok. Hal ini dapat diketahui dari minimnya publikasi yang memuat hasil-hasil
penelitian pada bidang ini. Menurut Austin (1992) agroindustri adalah pusat dari rantai pertanian yang
penting mempelajari rantai tersebut mulai dari areal pertanian hingga pasar. Agroindustri
membutuhkan pasokan bahan baku yang berkualitas dan jumlah yang sesuai kebutuhan. Menurut
Brown (1994) untuk mendapatkan pasokan bahan baku yang berkualitas maka diperlukan standar
dasar komoditas, sedangkan kuantitas pasokan perlu memperhatikan produktivitas tanaman. Cakupan
agroindustri yang cukup luas dan kompleks menjadi sangat menarik untuk dipelajari oleh para peneliti
dibidang manajemen rantai pasok.
6
Rantai pasok agroindustri secara sederhana adalah rangkaian kegiatan pasokan dan
pemrosesan yang menggunakan bahan baku dari hasil pertanian. Negara-negara yang mempunyai
potensi pertanian tentunya berupaya untuk berhasil meningkatkan daya saing produk-produk hasil
pertaniannya. Manajemen rantai pasok yang berpandangan holistik sangat tepat untuk dipraktikkan.
Upaya penyeimbangan atau prinsip proporsionalitas yang sangat diharapkan pada sistem pertanian
modern dapat dicapai melalui praktik manajemen rantai pasok. Hal ini dapat dilakukan karena definisi
manajemen rantai pasok mengedepankan pemenuhan kepuasan para pemangku kepentingan. Dalam
sistem rantai pasok pertanian, para pemangku kepentingan bisa terdiri dari petani, pedagang,
pengumpul, prosesor, distributor, pengecer, konsumen akhir dan pemerintah. Setiap pemangku
kepentingan akan memiliki kepentingan yang berbeda-beda dan dipengaruhi pula oleh lingkungan
bisnis. Cara pandang yang holistik dan tidak menghilangkan kompleksitas sangat penting
diperhatikan.
Pada prinsipnya, rantai pasok agroindustri memiliki karakteristik dua tipe yaitu produk
segar dan produk yang diproses. Produk segar misalnya saja sayuran, buah-buahan dan sejenisnya
yang tidak membutuhkan proses pengolahan khusus atau proses transformasi kimia. Sebaliknya,
produk pertanian yang diproses membutuhkan proses transformasi kimia atau perubahan bentuk.
Khusus untuk produk pertanian tipe ini akan melibatkan beberaa pemain diantaranya petani atau
perkebunan, prosesor atau pabrik, distributor dan retail. Perlu dipahami bahwa dalam jejaring rantai
pasok pertanian lebih dari satu rantai pasok dan lebih dari satu proses bisnis yang dapat diidentifikasi,
bisa dalam satu waktu terjadi proses paralel dan sekuensial.
Sistem rantai pasok agroindustri tidak terlepas dari sistem yang lebih lengkap lagi. Dalam
perspektif analitik, bauran antara produsen dan distributor akan dipengaruhi oleh faktor ekonomi,
teknologi, sosial, legal dan lingkungan. Faktor-faktor ini akan saling berkomplementer dalam
penciptaan sebuah sistem rantai pasok. Gambar 3 adalah skema perspektif analitik dari dimensi-
dimensi yang berpengaruh. Dimensi ekonomi berhubungan dengan efisiensi rantai dalam perspektif
manfaat-biaya dan orientasi pelanggan. Peningkatan efisiensi dan profitabilitas dapat dilakukan
sebuah unit bisnis melalui kerjasama pada kolom yang berkesesuaian. Dimensi lingkungan
berhubungan dengan cara produksi yang ramah lingkungan. Hasil samping dari proses produksi
komoditas pertanian dapat dimanfaatkan sebagai produk samping atau siklus ulang dari produk yang
berkualitas rendah. Dimensi teknologi berhubungan dengan penerapan teknologi, sistem logistik,
teknologi informasi dan komunikasi untuk memperbaiki kinerja. Dimensi sosial dan legal
berhubungan dengan norma yang harus diikuti agar tidak merugikan banyak pihak (Ruben et al, 2006)
Pengelolaan rantai pasok agroindustri modern akan memperhatikan indikator kinerja yang
menjadi obyektif dari setiap pelaku rantai pasaok yang terlibat. Indikator kinerja dapat dikategorisasi
menjadi tiga tingkatan, yaitu jejaring rantai pasok, organisasi dan proses. Kinerja rantai pasok adalah
derajat kemampuan memenuhi kebutuhan pengguna akhir (end user) dan pemangku kepentingan
terhadap indikator kinerja di setiap unit waktu dan periode. Indikator kinerja akan menjadi obyektif
yang ingin dicapai. Vorst et.al (2007) merumuskan indikator kinerja rantai pasok agroindustri pangan
yang bisa dijadikan acuan rantai pasok agroindustri secara umum (Tabel 1). Tingkatan yang
dimaksudkan adalah jejaring rantai pasok, organisasi dan proses. Jejaring rantai pasok adalah unit-unit
bisnis yang terlibat dalam rantai, organisasi adalah unit bisnis individual dan proses adalah kegiatan
dari dalam unit bisnis untuk transformasi lahan.
7
Ekonomi Teknologi
Pasar
Produsen primer
(petani, Pemrosesan Distributor Pengecer
perkebunan)
Sosial / Legal Lingkungan
Gambar 3. Perspektif analitik dari rantai pertanian (Ruben et.al, 2006)
Tabel 1. Indikator kinerja rantai pasok setiap tingkatan

Tingkatan Indikator Kinerja Penjelasan
Ketersediaan produk Selalu tersedia saat dibutuhkan

Kualitas produk Sisa umur hidup produk
Jejaring rantai Responsiveness Waktu siklus pesan rantai pasok
pasok Keandalan pengiriman Waktu siklus pesan rantai pasok
Jumlah seluruh biaya-biaya
Total biaya rantai pasok
organisasi di dalam rantai pasok
Jumlah produk di
Tingkat persediaan
penyimpangan
Waktu yang dibutuhkan untuk
Waktu throughput
mengerjakan rantai proses bisnis
Organisasi Responsiveness Waktu ancang dan fleksibilitas
Persentase pengiriman tepat
Keandalan pengiriman
waktu dan jumlah yang tepat
Jumlah biaya seluruh proses
Total biaya rantai pasok
didalam organisasi
Waktu yang dibutuhkan
Waktu throughput
mengerjakan proses
Responsiveness Fleksibilitas proses
Proses
Hasil proses Luaran proses
Biaya yang dikeluarkan saat
Biaya proses
proses bekerja
8
Perdana (2009) mengembangkan lima komponen pembentuk model rancangbangun
manajemen rantai pasokan agroindustri yang efisien dan berkeadilan, yaitu struktur jaringan rantai
pasokan, rekayasa kualitas, sistem produksi, inovasi kelembagaan dan sistem pengukuran kerja yang
berimbang.
Setiawan (2009) merumuskan strategi peningkatan kinerja rantai pasok sayuran, yaitu: (1)
optimalisasi sistem penjadwalan (baik dalam penanaman dan pemanenan) dengan memperhitungkan
aspek cuaca, (2) peningkatan kinerja responsifitas dan fleksibilitas untuk pemenuhan pesanan, (3)
perlunya implementasi sistem manajemen mutu dan lingkungan (ISO 9000 & 14000), Hazard
Analysis Critical Control Point (HACCP), Good Handling Practices dan Good Agricultural Practices
(GAP).
Zee dan Vorst (2005) menerapkan teknik simulasi dalam menganalisis rantai pasok bahan
pangan dan mengevaluasi beberapa alternatif rancangan skenario menggunakan simulasi kejadian
diskrit untuk sistem rantai pasok eselon majemuk di Belanda. Model simulasi melibatkan variabel-
variabel dari level strategis dan operasional, indikator kinerja dan entitas bisnis dari sistem.
D. MANAJEMEN RISIKO RANTAI PASOK

Risiko muncul dari adanya suatu ketidakpastian. Ketidakpastian akan kejadian yang terjadi
di internal maupun eksternal perusahaan mengakibatkan timbulnya semacam ancaman yang dapat
mengakibatkan kerugian baik dari segi operasional maupun finansial pada perusahaan. Rantai pasok
yang digambarkan sebagai suatu sistem yang kompleks yang terdiri dari berbagai jejaring elemen atau
entitas rantai pasok tentunya sangat sensitif akan timbulnya risiko tersebut. Secara mudah, manajemen
risiko rantai pasok merupakan suatu tools atau metode dalam mencegah dan menanggulangi
timbulnya risiko serta ketidakpastian yang terjadi dalam setiap jalur rantai pasokan suatu perusahaan.
Risiko rantai pasok adalah distribusi kemungkinan hasil kegiatan yang hilang dari
perbedaan keluaran (outcomes) rantai pasok yang mungkin sehingga mengakibatkan perusahaan tidak
dapat memenuhi permintaan konsumen. Risiko rantai pasok terdiri dari perbedaan dalam hal
informasi, aliran bahan dan produk, yang berasal dari pemasok awal sampai dengan pengiriman
kepada pengguna akhir (Gaonkar dan Viswanadham, 2006). Risiko rantai pasok pada dasarnya
merujuk kepada kemungkinan dan efek dari ketidaksesuaian antara pasokan dan permintaan (Zsidisin
dan Ritchie, 2011). Selanjutnya, konsekuensi risiko dapat diasosiasikan dengan keluaran spesifik
rantai pasok seperti biaya atau kualitas. Berdasarkan hal ini, maka dikenal bangunan dasar manajemen
risiko rantai pasok yaitu sumber risiko, konsekuensi risiko, probabilitas risiko dan strategi mitigasi
risiko. Manajemen risiko rantai pasok fokus pada bagaimana memahami dan menanggulangi pengaruh
berantai ketika suatu kecelakaan yang besar dan kecil terjadi pada suatu titik dalam jaringan pasokan.
Selanjutnya hal yang paling penting adalah memastikan bahwa ketika gangguan terjadi, perusahaan
mempunyai kemampuan untuk kembali kepada keadaan normal dan melanjutkan bisnisnya (Suharjito
et.al, 2011).
Menurut Cavinato (2004) pada dasarnya ada lima aliran yang bisa dianalisa dalam
manajemen risiko rantai pasok, yaitu : risiko operasional, risiko finansial, risiko informasi, risiko
relasional dan risiko inovasional. Dalam kegiatan sebuah perusahaan pasti terjadi proses perpindahan
dari sebagian atau semua aliran tersebut. Perpindahan tersebut bisa terjadi diantara sebuah aktivitas
dalam satu perusahaan, beberapa aktivitas dalam satu perusahaan, aktivitas dalam dua perusahaan dan
aktivitas dalam lebih dari dua perusahaan (supplier’s supplier atau customer’s customer). Manajemen
risiko rantai pasok umumnya fokus pada risiko operasional. Misalnya, risiko dalam penerimaan order,
risiko dalam pembelian barang, risiko dalam persediaan, risiko dalam produksi, risiko dalam
9
perencanaan, risiko dalam hubungan antara agen serta prinsipal dan beberapa kejadian lain yang
sangat banyak dalam sebuah proses bisnis suatu perusahaan.
Risiko dipicu dari ketidakpastian, maka risiko rantai pasok adalah ketidakpastian atau tidak
terprediksi suatu kejadian yang memberi pengaruh pada rantai pasok yang mengarah pada kerugian.
Lee (2002) memandang ketidakpastian dalam rantai pasok bersumber dari dua sisi yaitu permintaan
dan pasokan. Ketidakpastian permintaan berkaitan dengan kemampuan prediksi permintaan produk.
Tingkat risiko rantai pasok agroindustri akan tergantung dari jenis komoditasnya.
Komoditas yang mempunyai diversifikasi yang sangat tinggi dari sisi pasokan dan sebaliknya.
Kompleksitas semakin tinggi pada saat komoditas pertanian yang menjadi bahan baku sangat rendah
produktivitas panennya dan terbatas sumber pasokannya. Manajemen risiko rantai pasok agroindustri
sangat membutuhkan penanganan berbasis teknologi dan operasional. Ketersediaan teknologi sangat
membantu dalam mengurangi tingkat risiko, sedangkan manajemen operasi dan produksi akan
mengakomodir risiko sebagai bagian dari upaya efisiensi.
Santoso (2005) membahas secara mendalam akan manajemen risiko agroindustri buah-
buahan. Generalisasi yang didapatkan dan kemudian dikaitkan akan rantai pasok agroindustri minyak
sawit kasar adalah perspektif dalam mengelompokkan resiko ke dalam tiga bagian yaitu risiko
pengadaan bahan baku, risiko proses pengolahan dan risiko pemasaran. Risiko pengadaan bahan baku
meliputi aspek kuantitas, kualitas, waktu dan biaya. Aspek-aspek risiko tersebut sangat tergantung
pada produktivitas kebun dan manajemen pengelolaan kebun. Menurut Austin (1992) risiko kualitas
dapat diminimasisasi dengan memenuhi spesifikasi bahan baku yang disyaratkan melalui
pengembangan standar spesifikasi bahan baku yang dibutuhkan, penentuan kapasitas produksi bahan
baku dan penyediaan insentif bagi produsen yang mampu memenuhi standar produksi dan
pengiriman.
Risiko dalam proses pengolahan antara lain tidak tepatnya pemilihan jenis proses
pengolahan, kerusakan peralatan dan mesin pengolahan mesin/peralatan, faktor kualitas keahlian dan
perilaku sumberdaya manusia. Adanya risiko proses pengolahan dapat menyebabkan terjadinya
variasi proses atau bahkan produksi berhenti. Upaya meminimisasi risiko variasi proses dapat
dilakukan melalui tahapan kegiatan melalui pengujian kemampuan produksi, variasi proses dan
penentuan alternatif perbaikan untuk menurunkan variasi proses.
Risiko utama pemasaran agroindustri adalah tidak tercapainya target penjualan akibat
beberapa faktor yang bersumber dari internal dan eksternal. Elemen utama yang perlu
dipertimbangkan dalam analisis dan manajemen risiko pemasaran agroindustri adalah analisis
konsumen yang meliputi analisis kebutuhan konsumen, segmentasi pasar, proses penualan dan riset
pemasaran. Kedua, analisis lingkungan kompetisi meliputi analisis struktur pasar, dasar kompetisi dan
kendala kelembagaan. Ketiga, perencanaan program pemasaran dengan mendefinisikan dan
menentukan elemen disain produk, harga, distribusi dan promosi yang secara terintegrasi merupakan
strategi pemasaran perusahaan (Austin, 1992).
Identifikasi sumber-sumber risiko menjadi langkah awal yang sangat penting sehingga
manajemen risiko dapat dilaksanankan dengan efektif. Sumber – sumber risiko dalam sistem rantai
pasok dapat diidentifikasi berdasarkan kegiatan-kegiatan pokok yang dilaksanakan secara rutin.
Kegiatan-kegiatan rutin mempunyai standar kerja yang dirumuskan sesuai dengan tujuannya.
10
E. ENTERPRISE RISK MANAGEMENT – INTEGRATED FRAMEWORK
AND APPLICATION TECHNIQUES (ERM – IFAT)
ERM – IFAT (Enterprise Risk Management – Integrated Framework and Application
Techniques) merupakan suatu metode yang diintrodusir pada awal dekade 2000 dimana merupakan
evolusi dari sistem manajemen risiko korporasi dimana didalamnya terdapat integrasi dari (1) tujuan
atau objektif perusahaan, (2) dapat diterapkan dalam rangkaian kegiatan operasional perusahaan, (3)
identifikasi sumber dan efek terhadap risiko, (4) pengelolaan risiko dan (5) penjaminan kegiatan demi
tercapainya objektif perusahaan.
ERM-IFAT ini merupakan sebuah paradigma baru dalam sistem manajemen risiko
korporasi dimana tidak hanya mengolah risiko dari penyebabnya (end of pipe) tetapi
mengintegrasikannya dari awal hingga akhir sehingga dicapai toleransi risiko seperti yang ditetapkan
perusahaan sebelumnya. Semua tingkatan dalam hirarki organisasi ikut berpartisipasi dalam rangka
penerapan sistem manajemen risiko ini.
Metode ERM-IFAT yang dikembangkan oleh Committee of Sponsoring Organizations
(COSO) of United States dirancang untuk membantu manajer dalam mengidentifikasi, mengontrol
hingga menghasilkan kebijakan yang tepat dalam rangka penanganan risiko demi mendukung
pencapaian tujuan organisasi. Dalam metode ini terdapat delapan komponen yang saling terkait, yaitu:
1. Lingkungan internal
Penetapan dasar perspektif risiko organisasi berdasarkan struktur organisasi perusahaan,
nilai integritas dan etika perusahaan.
2. Penetapan tujuan
Langkah yang harus ditentukan sebelum mengidentifikasi risiko kejadian yang
mempengaruhi realisasi pencapaian tujuan perusahaan.
3. Identifikasi potensi risiko
Meliputi identifikasi dampak dan probablitias risiko internal maupun eksternal terhadap
objektif perusahaan. Probabilitas risiko merupakan dasar bagi penentuan tujuan perusahaan
nantinya.
4. Penilaian risiko
Analisis risiko dengan mempertimbangkan dampak dan probabilitas sebagai dasar dalam
perumusan kebijakan penanganan risiko.
5. Respons risiko
Suatu keputusan yang harus ditentukan manajemen dalam penanganan risiko apakah risiko
tersebut dikurangi, diterima maupun dihindari.
6. Pengendalian risiko
Penetapan dan penerapan kebijakan dan prosedur dalam rangakaian kegiatan perusahaan
untuk memastikan respons risiko secara efektif dilaksanakan.
7. Informasi dan komunikasi
Komunikasi yang baik dan efektif di sepanjang hirarki organisasi sehingga setiap
sumberdaya manusia dalam perusahaan dapat memenuhi tanggung jawab masing-masing.
8. Pengawasan
Keseluruhan aktivitas perusahaan dipantau secara kontinu dan dilakukan evaluasi
terhadapnya.
11
F. SISTEM RANTAI PASOK MINYAK SAWIT KASAR
Peran dari agroindustri minyak sawit kasar menjadi sangat sentral karena berperan sebagai
pemasok bahan baku bagi industri hilir yang membutuhkan. Bentuk dari rantai pasok agroindustri
berbasis kelapa sawit bila digambarkan mengikuti pohon industrinya membentuk rantai yang
bercabang dan kompleks. Fokus penelitian ini adalah minyak sawit kasar maka skema yang
ditampilkan pada bagian ini adalah sistem rantai pasok agroindustri saja. Djohar et.al (2003)
melakukan penelitian manajemen rantai pasok minyak sawit kasar mulai dari kebun sampai pabrik
saja dengan sumber pasokan bahan baku yaitu kebun (afdeling) milik perusahaan itu sendiri. Hasil
penelitian ini dapat dijadikan acuan dan dapat dilanjutkan untuk permasalahan yang melibatkan tangki
timbun pelabuhan untuk dikirim ke konsumen berikutnya. Gambar 4 adalah skema umum dari sebuah
sistem rantai pasok agroindustri minyak sawit kasar yang terdiri dari kebun, pabrik, tangki timbun
pelabuhan dan konsumen industri.
Gambar 4. Sistem rantai pasok agroindustri minyak sawit kasar
G. PENDEKATAN SISTEM DAN DINAMIKA SISTEM

Pendekatan sistem merupakan cara penyelesaian persoalan yang dimulai dengan
dilakukannya identifikasi terhadap adanya sejumlah kebutuhan sehingga dapat menghasilkan suatu
operasi dari sistem yang dianggap efektif. Pendekatan sistem umumnya ditandai oleh dua hal berikut :
(1) mencari semua faktor penting yang ada dalam masalah dan (2) dibuat suatu model kuantitatif
untuk membantu keputusan secara rasional (Eriyatno, 2003).
Dinamika sistem merupakan salah satu metodologi yang digunakan dalam pendekatan
sistem dengan memanfaatkan bantuan komputer untuk menganalisa dan memecahkan masalah rumit
dengan fokus pada analisa dan desain kebijakan (Sterman, 2000). Sistem dinamik pada awalnya
digunakan untuk mengkaji dinamika industri oleh JW Forrester dari Massachussets Institute of
Technology (MIT) lalu hasilnya didokumentasikan dalam buku yang terkenal pada tahun 1962 yang
berjudul Industrial Dynamics.
Penelitian permodelan dinamika sistem dalam manajemen rantai pasokan dibagi ke dalam
tiga kelompok, yaitu : (1) pemodelan untuk membangun teori, (2) pemodelan untuk memecahkan
masalah dan (3) untuk memperbaiki pendekatan pemodelan (Angerhofer and Angelides, 2000).
Menurut Bell et.al (2003), tahapan dalam membuat model yang meggunakan metodologi dinamika
sistem di dalam memahami dinamika manajemen rantai pasokan dapat dirinci sebagai berikut :
 Memahami dan mengkaji sistem
Dalam langkah ini terlebih dahulu harus didefinisikan batas model yang akan dikaji. Batas
model tersebut memisahkan proses-proses yang menyebabkan adanya tendensi internal yang
diungkapkan dari proses-proses yang mempresentasikan pengaruh-pengaruh eksogeneous.
12
Batas model tersebut akan menggambarkan cakupan analisis tersebut dan alan meliputi semua
interaksi sebab akibat yang berhubungan dengan isu tersebut.
 Mengembangkan diagram sebab akibat (causal loop) dari sistem
Setelah batas model dapat didefinisikan, suatu struktur lingkar umpan balik (feedback
loops) yang berinteraksi barulah dapat dibentuk. Struktur umpan balik tersebut merupakan blok
pembentuk model yang diungkapkan melalui lingkaran-lingkaran tertutup
 Mengembangkan diagram alir (level dan rate) dari sistem
Berdasarkan lingkar sebab akibat dibangun diagram level dan rate dari sistem. Dalam
diagram tersebut akan digambarkan berbagai interaksi/hubungan antar entitas dalam sistem.
Pengembangan diagram level dan rate tersebut dilakukan dengan bantuan perangkat lunak
seperti Stella, Vensim dan Powersim (Tasrif, 2004)
 Mengembangkan model dari sistem
Dalam langkah ini, model diformulasikan sebagai representasi atau abstraksi dari seluruh
interaksi yang terjadi pada sistem yang dikaji.
 Menguji asumsi model
Setelah model eksplisit suatu persoalan diformulasikan, dilakukan suatu kumpulan
pengujian terhadap kesahihan model dan sekaligus pula mendapatkan pemahaman terhadap
tendensi-tendensi internal sistem.
 Melakukan simulasi
Simulasi dilakukan untuk menilai dampak perubahan-perubahan parameter terhadap sistem
yang dikaji.
 Menyampaikan rekomendasi kebijakan
Berdasarkan hasil simulasi akan dihasilkan rekomendasi kebijakan yang tepat dalam upaya
mencapai tujuan sistem.
1. Diagram Sebab Akibat (Causal Loop Diagram)

Berpikir sistem merupakan paradigma dari sistem dinamik. Berpikir sistem merupakan
upaya memahami struktur dari sebuah sistem yang diamati kemudian mempelajari pola perilaku untuk
disimpulkan kejadian yang terjadi pada sistem tersebut. Umpan balik sebagai konsep utama dalam
berpikir sistem, bersifat kompleks dan holistik dalam realitanya. Untuk merepresentasikan dan
menguraikan sebuah realita yang kompleks dan agar lebih mudah dipahami, dalam sistem dinamik,
dikenal diagram sebab akibat (causal loop diagram). Sterman (2000) pada bukunya, menyatakan tiga
poin esensi dari CLD, yaitu (1) mudah dalam pembentukan hipotesis penyebab dinamika, (2)
menghasilkan model mental individu atau kelompok dan (3) komunikasi umpan balik efektif dalam
pemecahan suatu masalah.
CLD terdiri dari variabel yang saling berhubungan satu sama lain ditunjukkan dengan tanda
panah untuk menandakan pengaruh hubungan antar variabel. Variabel A berhubungan saling
mempengaruhi dengan variabel B, variabel A mengakibatkan terjadinya variabel B atau variabel B
merupakan faktor vital terjadinya variabel A. Dalam realitanya, sering dijumpai bahwa variabel A
yang mengakibatkan terjadinya variabel B, yang kemudian akan menjadi faktor pembentuk variabel A
kembali. Misalnya, penggunaan botol plastik sebagai kemasan minuman akan mengakibatkan
meningkatnya produksi sampah botol plastik, yang kemudian didaur ulang untuk menghasilkan botol
plastik kembali. Kejadian diatas merupakan ilustrasi sederhana untuk memudahkan pengertian sebab
akibat tersebut.
13
Pola hubungan antara dua variabel memiliki dampak pengaruh yang diberikannya.
Pengaruh tersebut dapat berupa pengaruh positif (menguatkan), disimbolkan dengan huruf “R”
(reinforcement), artinya jika A meningkat maka B akan meningkat dan juga sebaliknya. Hubungan
lain dapat berupa pengaruh negatif (menyeimbangkan), disimbolkan huruf “B” (balance), artinya jika
A meningkat, maka B akan menurun, dan berlaku juga sebaliknya. Hubungan terakhir dapat berupa
hubungan yang memberikan pengaruh tapi terdapat penundaan (delay), artinya A menunda akibat
pada B.
2. Pola Dasar Perilaku Sistem

Struktur sistem yang terbentuk dari beberapa gabungan simpal kausal dan dengan
kombinasi pengaruh yang diberikan memberikan corak terhadap perilaku sistem. Perilaku sistem
berbeda-beda, sehingga menghasilkan kinerja sistem yang telah dipelajari dan diidentifikasi oleh para
ahli SD, yaitu : pertumbuhan eksponensial, mencari tujuan, bergelombang dan S-shaped growth.
Interaksi dari keempat pola dasar dapat membentuk pola lagi yang lebih kompleks (Rohmatulloh,
2007).
Pola perilaku pertumbuhan eksponensial atau disebut juga pola bola salju dibangkitkan oleh
dominasi pengaruh positif. Umpan balik positif memberi efek perubahan penguatan dengan
banyaknya kejadian perubahan. Perubahan pertumbuhannya lambat kemudian bergerak cepat.
Gambar 5 adalah contoh struktur sistem dan pola perilaku model simpanan uang di bank
konvensional. Semakin besar saldo simpanan berpengaruh terhadap besarnya bunga yang diterima.
Gambar 5. Pertumbuhan eksponensial
Pola perilaku mencari tujuan dibentuk oleh umpan balik negatif yang simpalnya mencari
tujuan keseimbangan dan statis. Simpal umpan balik negatif bekerja memberikan pengaruh terhadap
sistem untuk mencapai tujuan atau keadaan yang diinginkan. Pola ini mirip seperti sistem tindakan
koreksi dengan penundaan yang dibahas pada bagian pola gelombang. Gambar 6 adalah contoh
struktur sistem dan pola perilaku pada pengaturan suhu temperatur.
14
Gambar 6. Mencari tujuan
Pola perilaku bergelombang adalah mencari tujuan yang dibangkitkan oleh simpal umpan
balik negatif tetapi dengan penambahan penundaan. Pola ini mempunyai perilaku tindakan perbaikan
dengan penundaan. Kejadian antara yang diinginkan dan aktual menimbulkan kesenjangan. Untuk
memecahkan masalah itu diperlukan tindakan koreksi tetapi mengalami penundaan, artinya koreksi
tidak langsung menghasilkan sebuah perbaikan, sehingga masalah akan meningkat yang berakibat
tindakan koreksi kedua lebih besar dari pertama. Kejadian ini berlanjut terus dan menimbulkan
kejadian naik turun (bergelombang). Gambar 7 adalah contoh struktur sistem dan pola perilaku pada
jasa layanan.
Gambar 7. Gelombang
Pola batas pertumbuhan awalnya pertumbuhan eksponensial tetapi secara pelan dan lambat
menuju pada kondisi pencapaian sistem yang berada pada keseimbangan, sehingga seperti membentuk
huruf “S”. Pola yang disebut juga batas pertumbuhan merupakan kombinasi simpal positif dan negatif.
Pola batas pertumbuhan memiliki empat unsur, yaitu kejadian aktual, kejadian diinginkan,
kesenjangan dan tindakan koreksi. Kesenjangan (kejadian diinginkan dengan aktual) yang timbul
untuk memecahkan masalah diperlukan tindakan koreksi yang pada awalnya besar dan makin lama
kecil menuju nol. Jika terdapat penundaan, tindakan koreksi berikutnya akan melewati batas kejadian
yang diinginkan selanjutnya menurun kembali. Demikian seterusnya jika batas adalah sumber yang
dapat diperbaharui, maka terjadi gelombang pada keadaan tunak. Gambar 8 adalah contoh struktur
dan pola perilaku pada kasus penjualan.
15
Gambar 8. Batas pertumbuhan
3. Stock Flow Diagrams (SFD)

SFD, sebagai salah satu dari dua konsep utama sistem dinamik, adalah akumulasi atau
pengumpulan dan karakteristik keadaan sistem dan pembangkit informasi, dimana aksi dan keputusan
didasarkan padanya. Stock digabungkan dengan rate atau flow sebagai aliran informasi sehingga
stock menjadi sumber ketidakseimbangan dinamis dalam sistem. SFD secara umum dapat
diilustrasikan dengan sebuah sistem parkir kendaraan yang dihubungkan dengan aliran mobil yang
masuk dan yang keluar. Kedua aliran (masuk dan keluar) sebagai pengontrol slot yang tersedia dalam
parkir. Besar kecilnya nilai dalam stock dan flow berdasarkan perhitungan persamaan matematik
integral dan differensial. Persamaan matematik stock merupakan integrasi dari nilai inflow dan
outflow.
Gambar 9. Stock flow diagrams
H. PENELITIAN TERDAHULU
Beberapa penelitian terdahulu yang menjadi acuan dalam penelitian ini, diantaranya
Hadiguna (2010) dalam disertasinya mengkolaborasikan manajemen risiko dengan manajemen rantai
pasok sehingga menghasilkan suatu sistem penunjang keputusan yang dapat menganalisis risiko mutu
dan optimasi sistem rantai pasok di setiap unit operasional. Dalam penelitian yang dilakukan ini juga
dirumuskan model matematik untuk manajemen panen-angkut-olah secara kuantitatif dan membangun
cara penilaian risiko operasional rantai pasok secara kuantitatif.
Kemudian, Jayaprawira (2010) merancang sebuah model portofolio risiko yang
memperhatikan beberapa aspek risiko yang relevan yang mampu mencapai tujuan perusahaan dan
mempertahankan kinerja perusahaan. Korporasi agroindustri kelapa sawit di Indonesia disarankan
untuk menerapkan dan mengembangkan sistem manajemen risiko yang bersifat menyeluruh
(terintegrasi) melalui Enterprise Risk Management (ERM) dengan membentuk unit kerja tersendiri
yang secara khusus menangani pengelolaan risiko, disesuaikan dengan kemampuan dan tingkat
kepentingan korporasi terhadap eksposur risiko yang sedang dan akan dihadapi.
16
Simchi-Levi et.al dalam Hadiguna (2010) merumuskan obyektif dari manajemen rantai
pasok dan manajemen logistik. Objektif dari manajemen rantai pasok adalah minimisasi biaya
sepanjang keseluruhan sistem dari transportasi dan distrribusi ke persediaan bahan baku, barang dalam
proses dan produk jadi. Penekanan dari obyektif manajemen rantai pasok adalah pendekatan sistem
karena mencakup prinsip-prinsip holistik. Objektif dari manajemen logistik adalah minimisasi biaya
sistem secara luas meliputi biaya produksi dan pembelian, biaya simpan persediaan, biaya fasilitas dan
biaya transportasi dengan pembatas keragaman kebutuhan tingkat pelayanan. Manajemen logistik
sangat menekankan transportasi, lokasi dan persediaan dalam upaya memenuhi kepuasan pelanggan
dan pemangku kepentingan, sedangkan manajemen rantai pasok sangat menekankan siklus dari
keseluruhan rantai untuk memenuhi kepuasan pelanggan dan pemangku kepentingan.
Dalam mengidentifikasi sumber-sumber risiko, telah banyak pendekatan dan metode yang
dikembangkan. Menurut Klimov dan Merkuryev dalam Suharjito et.al (2011) terdapat dua metode
utama untuk menilai dan mengevaluasi risiko rantai pasok. Pertama adalah berdasar pendapat pakar
(kualitatif) dan kedua penilaian secara statistik (kuantitatif). Jayaprawira (2010) dalam disertasinya
terkait identifikasi sumber-sumber dan faktor risiko yang signifikan menggunakan metode AHP untuk
mengidentifikasi risiko dalam jaringan rantai pasok. Hadiguna (2010) menggunakan metode Non-
Numeric Multi Expert Criteria Decision Making dalam penilaian risiko mutu dikombinasikan dengan
teknik Ordered Weighting Average (OWA) sebagai agregasi penilaiannya.Sedangkan beberapa model
kuantitatif manajemen risiko rantai pasok juga telah dikembangkan oleh Kuhon (2007) dengan
menghitung nilai dampak krisis (Crisis Impact Value) berdasarkan faktor peluang krisis (Probability
Factor), tingkat pengaruh (Degree of Influence) dan biaya intervensi (Cost of Intervention).
Studi mengenai kedinamisan rantai pasok juga telah dilakukan oleh Perdana (2009) dan
Low & Chen (2009). Perdana (2009) mengungkapkan lima komponen pembentuk model dinamik
manajemen rantai pasokan agroindustri teh hijau yang efisien dan berkeadilan, yaitu struktur jaringan
rantai pasokan, rekayasa kualitas, sistem produksi, inovasi kelembagaan dan sistem pengukuran kerja
yang berimbang. Terkait dengan studi kedinamisan penilaian kinerja, Rohmatulloh (2007) mengkaji
serta merancang model dinamik sistem penilaian kinerja sebagai alat bantu untuk mengenal pola
perilaku permasalahan manajerial kinerja PG. Studi mengenai kedinamisan lainnya tampak dalam
hasil tulisan Mariana (2005) yang berupaya untuk menganalisis dan meyusun sistem pengambilan
keputusan dalam investasi produk energi biomas berdasar minyak kelapa sawit atau disebut Biodiesel
Kelapa Sawit (BDS).
Terkait dengan penentuan armada transportasi yang akan dijelaskan dalam isi tulisan ini
pada bab-bab berikutnya, Oktavia (2000) dan Hadiguna (2010) menjadi acuan pemodel dalam
pemetaan konsep model penentuan truk. Oktavia (2000) menentukan jumlah armada dengan
memperhitungkan adanya sistem antrian dalam cakupan pabrik, sedangkan Hadiguna (2010)
menggunakan formulasi matematik binary integer programming dalam menjadwalkan dan
menentukan jumlah armada pengangkut tandan buah segar. Dalam hal penentuan pola hubungan
korelasi antara predictors dengan responses yang banyak digunakan dalam penelitian ini, mengacu
kepada kajian Aulia (2010) terkait pengelolaan panen terhadap hubungannya dengan kriteria kualitas
minyak kelapa sawit.
Pada penelitian ini akan dilakukan penilaian risiko mutu di sepanjang unit organisasi rantai
pasokan minyak sawit kasar dengan pendekatan sistem dinamis, karena menganggap semua aktivitas
di sistem rantai pasokan selalu berubah terhadap waktu. Tujuan dari penelitian ini adalah untuk
menjaga mutu dari minyak sawit kasar yang dihasilkan oleh perusahan sehingga nantinya dapat
meningkatkan daya saing kompetitif minyak sawit dan nama perusahaan di pasaran.
17
Skema posisi penelitian terdahulu sebagai referensi penelitian ini seperti diuraikan kedalam
Gambar 10.
Gambar 10. Posisi penelitian terdahulu

Keterangan : DS (Dinamika Sistem)
18
III. METODOLOGI PENELITIAN
A. KERANGKA PEMIKIRAN
Kualitas CPO yang dihasilkan pabrik merupakan integrasi dan keterkaitan antara seluruh
bagian yang terlibat di kebun, pengangkutan, pabrik maupun kegiatan penimbunan. Keempat elemen
tersebut merupakan mata rantai dari elemen rantai pasokan CPO. Dalam penelitian yang dilakukan,
manajemen risiko diterapkan dalam setiap aliran kegiatan operasional dalam rangka produksi CPO.
Risiko terhadap kualitas CPO berkembang sepanjang waktu. Kompleksitas terhadap tingkat
produksi CPO dan fluktuasinya nilai ALB terhadap CPO yang dihasilkan menyebabkan sistem rantai
pasokan CPO tidak bisa dilihat hanya dalam satu sudut pandang (parsial) melainkan harus dilihat
dalam pandangan holistik. Masing-masing mata rantai (faktor) elemen rantai pasok saling
mempengaruhi terhadap hasil akhir kualitas CPO yang dihasilkan (Gambar 11).
Pasca-
panen
Penim- Trans-
bunan Kualitas CPO portasi
Pengo-
lahan
Gambar 11. Keterkaitan antar entitas rantai pasokan CPO terhadap kualitas CPO yang dihasilkan
Identifikasi variabel kunci kualitas CPO dalam rantai pasokan dilakukan dengan
mengembangkan model ERM – IFAT yang dikembangkan COSO of United States (2004). Dalam
metode ini risiko didefinisikan sebagai segala kejadian (events) yang memiliki peluang kemungkinan
terjadi (likelihood) dan memiliki dampak negatif (impact) terhadap pencapaian tujuan atau sasaran
(objectives). Sasaran dalam penelitian direpresentasikan melalui RKAP yang ditetapkan oleh
perusahaan. RKAP (Rencana Kerja Anggaran Produksi) merupakan suatu target pencapaian yang
ditetapkan perusahaan terhadap unit usaha tertentu berdasarkan data pencapaian historis dan
sumberdaya yang ada. Sehingga, jika realisasi produksi dibawah standar RKAP, dapat ditarik benang
merah bahwa terdapat risiko yang menghambat pencapaian tujuan perusahaan tersebut.
Pendekatan SD dikembangkan Forrester (1961) dalam Sterman (2000) merupakan
metodologi yang berangkat dari paradigma berpikir sistemik untuk melihat keterkaitan antar elemen
rantai pasok terhadap kualitas CPO yang dihasilkan. Pengembangan sistem dinamik penilaian risiko
mutu CPO dalam pabrik dalam rangka meningkatkan kemampuan manajemen melihat perilaku
dinamik yang mempengaruhi keragaman mutu CPO dalam pasokan di masa mendatang dengan
19
bantuan simulasi komputer. Simulasi membantu melihat efektifitas rumusan kebijakan sebelum
rumusan tersebut diujicobakan dalam kondisi yang sesungguhnya. Skema kerangka pemikiran
digambarkan seperti pada Gambar 12.
Gambar 12. Kerangka pemikiran penelitian
B. TAHAPAN PEMODELAN SISTEM DINAMIK

Tahapan pemodelan SD dalam penelitian ini mengacu model tahapan yang
dikembangkan oleh Sterman (2000). Penulis menguraikan tahapan pemodelan menjadi dua bagian,
yaitu aspek konseptual dan aspek teknis. Bagian konseptual merupakan masukan dari strukturisasi
sistem yang telah difiltrasi. Alur pemodelan seperti ditunjukkan pada Gambar 13.
Gambar 13. Alur tahapan pemodelan
20
1. Pemilihan Tema dan Identifikasi Variabel Kunci
Pemilihan tema dan penentuan variabel kunci merupakan bagian dari perumusan masalah
penelitian. Tahap ini merupakan tahapan penting agar permasalahan yang dikaji dan batasan-batasan
sistemnya jelas. Tema yang dipilih adalah penilaian risiko mutu minyak sawit kasar (CPO) dalam
rantai pasokannya bertujuan untuk meningkatkan kualitas CPO pada bulan atau periode mendatang.
Selanjutnya menentukan variabel kunci sebagai parameter utama penilaian perilaku dinamik yang
mempengaruhi keragaman mutu CPO dalam hal yang dibahas adalah produksi CPO dan kadar asam
lemak bebas (ALB) nya di PKS Adolina.
2. Membangun Diagram Kausal dan Diagram Alir

Perancangan konsep model dinamik berawal dari informasi historis atau pola hipotesis
setiap variabel kunci untuk menggambarkan perilaku persoalan sebagai dasar rujukan. Dasar rujukan
diwakili oleh pola perilaku suatu kumpulan variabel-variabel mencakup beberapa aspek yang
berhubungan dengan perilaku persoalan. Pola perilaku rujukan membantu memperkuat hipotesis
dinamis yang dinyatakan sebelumnya berdasarkan pengamatan dunia nyata, penelitian sebelumnya
dan data-data yang terkait. Hipotesis dinamis adalah suatu pernyataan mengenai struktur baik yang
dianggap memiliki kemampuan untuk mempengaruhi perilaku masalah. Membangun struktur model
untuk memudahkan secara visual bagi pengguna model dalam memahami dan menangkap hipotesis
dinamis yang dimaksud dengan menggunakan alat CLD. Struktur model dilanjutkan dengan
membangun diagram alir dengan alat SFD sebagai bahasa bersama pemodelan SD. Penentuan variabel
atau parameter yang akan dijadikan stock (akumulasi) dan flow (aliran yang dapat mengubah nilai
stock).
3. Formulasi Model Simulasi

Tahap formulasi model simulasi menggunakan alat bantu program komputer Powersim.
Model simulasi agar dapat dijalankan harus lengkap dengan persamaan matematis yang benar,
parameter dan penentuan kondisi nilai awal. Evaluasi model menggunakan metode integrasi
algoritma euler (fixed step) dan satuan waktunya (time step) satu dan beberapa kondisi 30 da (hari).
Metode integrasi euler adalah metode standar untuk komponen baru yang melaksanakan satu
langkah pada setiap time step. Powersim pertama kali menghitung nilai awal untuk mengukur stock
dan aliran sebuah flow. Kemudian flow digunakan untuk memperbaharui stock tersebut. Nilai baru
stock digunakan kembali untuk menghitung dan seterusnya seiring dengan perubahan waktu secara
berulang-ulang.
4. Verifikasi dan Validasi Model

Verifikasi model adalah pembuktian bahwa model komputer yang telah disusun pada tahap
sebelumnya mampu melakukan simulasi dari model abstrak yang dikaji (Eriyatno, 2003). Dalam
pengertian lain, verifikasi adalah sebuah proses untuk meyakinkan bahwa program komputer yang
dibuat beserta penerapannya benar. Cara yang dilakukan adalah menguji sejauh mana program
komputer yang dibuat telah menunjukkan perilaku dan respon yang sesuai dengan tujuan dari model.
Validasi adalah usaha penyimpulan apakah model sistem tersebut merupakan perwakilan
yang sah dari realitas yang dikaji, sehingga dapat menghasilkan kesimpulan yang meyakinkan.
Dalam pengertian lain, validasi adalah substansi bahwa model yang dikomputerisasikan dalam
lingkup aplikasinya memiliki kisaran akurasi yang memuaskan dan konsisten dengan maksud dari
penerapan model. Dalam proses pemodelan validasi dan verifikasi dilakukan untuk setiap tahap
21
pemodelan yaitu validasi terhadap model konseptual, verifikasi terhadap model komputer dan
validasi operasional serta validitas data.
Teknik validasi yang digunakan pada studi ini meliputi validasi struktur dilihat dari
bangunan teori dan perilaku reproduksi. Validasi kinerja dilakukan dengan melihat kinerja keluaran
model dengan keluaran model dunia nyata dengan uji kondisi ekstrim, pemeriksaan konsistensi unit
analisis dan pemeriksaan konsistensi data secara statistik (Muhammadi et.al, 2001).
Uji validitas teoritis artinya bahwa model yang dibangun valid karena didukung teori yang
diadopsi. Uji kondisi ekstrim yaitu pengujian terhadap salah satu variabel yang dirubah nilainya
secara ekstrim. Pemeriksaan konsistensi unit analisis keseluruhan interaksi dari unsur-unsur yang
menyusun sistem dengan memeriksa persamaan Powersim. Pemeriksaan konsistensi keluaran model
untuk mengetahui sejauhmana kinerja model sesuai dengan kinerja sistem aslinya, Prosedurnya
dengan mengeluarkan nilai hasil simulasi variabel utama dengan membandingkannya dengan pola
perilaku data aktual. Uji statistik dilakukan setelah secara visual meyakinkan dengan mengecek nilai
error antara data simulasi dan data aktual dalam batas deviasi yang diperkenankan antara 5-10%.
Ukuran relatif untuk menentukan nilai mean error dari nilai absolute percentage error (APE) yang
didefinisikan dengan persamaan berikut (Makridakis et.al, 1991).
dengan
n = jumlah data observasi
Xt = nilai data aktual
Ft = nilai data simulasi
5. Sensitivitas
Sensitivitas berarti respon model terhadap stimulus yang ditujukan dengan perubahan atau
kinerja model. Tujuan utama analisis ini adalah untuk mengetahui variabel keputusan yang cukup
penting (leverage point) untuk ditelaah lebih lanjut pada aplikasi model. Metode umum yang
digunakan adalah skenario terbaik-terburuk (Sterman, 2000). Jenis uji sensitivitas yang dilakukan
pada penelitian ini berupa intervensi fungsional. Intervensi fungsional, yaitu intervensi terhadap
parameter tertentu atau kombinasinya. Intervensi ini setiap perubahan nilai parameter atau variabel
(dinaikkan atau dikurangkan 10%) akan memperlihatkan kinerja model yang berbeda terhadap nilai
parameter utama.
6. Skenario Kebijakan
Kebijakan adalah aturan umum bagaimana status keputusan dibuat berdasar pada informasi
yang tersedia. Setiap kebijakan memiliki empat komponen yaitu kondisi saat ini (aktual) dan yang
diinginkan, kecepatan tanggapan dan tindakan perbaikan (Forrester, 1961 dalam Lyneis, 1980).
Kecepatan tanggap dalam studi ini menggunakan matrik yang terdiri dari tiga pilihan pengaturan
parameter atau analisis sensitivitas, yaitu agresif, moderat dan lambat (Lyneis, 1980). Rentang waktu
yang digunakan adalah periode lima bulan (Mei - September 2011). Rentangan selama lima bulan
merupakan rujukan yang digunakan manajemen PKS Adolina untuk bahan proyeksi kebijakan
(RKAP) setelah mengevaluasi risiko mutu CPO selama enam belas bulan sebelumnya (Januari 2010-
April 2011).
22
C. TATA LAKSANA
1. Pengumpulan Data
Pengumpulan data meliputi data kuantitatif dan kualitatif dalam bentuk data sekunder
maupun data primer. Akuisisi pengetahuan untuk mendapatkan data kualitatif melalui teknik
wawancara mendalam (depth interview). Pedoman wawancara dan kuesioner mengacu pada model
ERM - IFAT (Enterprise Risk Management – Integrated Framework and Application Techniques)
yang dikembangkan oleh COSO of United States (2004). Responden wawancara dan kuesioner ini
merupakan staf dan karyawan PKS Adolina bidang Pengolahan dan Teknik, staf dan karyawan PKS
Adolina bidang Tanaman serta Dr. Donald Siahaan beserta staf dalam Pusat Penelitian Kelapa Sawit
bidang PAHAM. Pengamatan langsung (observasi) dan dokumentasi bisnis juga dilakukan untuk
mendukung hasil wawancara. Ketiga teknik pengumpulan data ini diupayakan dapat menggali
kekayaan informasi kualitatif untuk membentuk basis data mental atau peta kognitif pemodel.
Data kuantitatif berupa data sekunder untuk mengestimasi nilai paramater yang diperoleh
dari laporan manajemen perusahaan dalam periode waktu tertentu untuk menggambarkan pola
perilaku suatu variabel yang diamati pada industri CPO. Data yang tidak tersedia, pemodel
mengestimasinya melalui informasi kualitatif dan kuantitatif yang diperoleh dari wawancara
manajemen dan tinjauan pustaka (artikel,jurnal ilmiah, buku acuan dan internet).
2. Pengolahan Data
Analisis model dinamik menggunakan analisis simulasi sistem dinamik yang diolah dengan
menggunakan perangkat lunak Powersim Studio 2005. Analisis sebaran data parameter menggunakan
uji distribusi probabilitas yang diolah dengan perangkat lunak StatFit. Estimasi nilai parameter
menggunakan plot data analisis regresi dan fungsi-fungsi statistik diolah dengan perangkat lunak
Minitab 14, serta Microsoft Excel untuk mengolah beragam fungsi aritmatika dasar.
3. Tempat Dan Waktu Penelitian

Dalam penelitian ini ditentukan batasan sistem yang dikaji (system boundary), yaitu sistem
manajemen risiko dalam rantai pasokan pada industri CPO yang beroperasi di Sumatera Utara.
Industri CPO yang dikaji merupakan pelaku yang dianggap memiliki kredibilitas sebagai best
practices dalam usahanya dalam meminimumkan risiko penurunan mutu dalam produk sawit yang
dihasilkan, yaitu PT. Perkebunan Nusantara IV Unit Usaha Adolina. Lingkup jenis produk yang
diamati adalah minyak sawit kasar (CPO). Hal tersebut ditentukan berdasarkan kompetensi bisnis dan
produk utama yang dikembangkan oleh perusahaan tersebut. Pengambilan data-data pendukung
penelitian juga diperoleh dari Pusat Penelitian Kelapa Sawit (PPKS) Medan. Penelitian ini dilakukan
pada periode April sampai dengan Juni 2011.
23
IV. GAMBARAN UMUM PERUSAHAAN
A. SEJARAH PERUSAHAAN
Pabrik Kelapa Sawit Unit Usaha Adolina didirikan oleh Pemerintah Belanda sejak tahun
1926 dengan nama “NV Cultuur Maatschappy Onderneming (NV CMO)” yang bergerak dalam
budidaya tembakau. Pada tahun 1938 budidaya tembakau dirubah menjadi kelapa sawit dan karet
dengan nama “NV Serdang Cultuur Maatschappy (SCM)”. Sejak tahun 1973, budidaya karet diganti
menjadi kakao, sedangkan kelapa sawit tetap dipertahankan. Pada tahun 1942, PKS Adolina diambil
alih oleh pemerintah Jepang dan diambil kembali oleh pemerintah Belanda pada tahun 1946 dengan
nama tetap “NV SCM”. Pada tahun 1958, perusahaan ini diambil alih oleh pemerintah Republik
Indonesia dengan nama Perusahaan Perkebunan Negara (PPN). Nama PPN diganti menjadi PPN baru
SUMUT V tahun 1960. Pada tahun 1963 PPN Baru SUMUT V dipisah menjadi dua kesatuan yaitu:
1. PPN Karet III Kebun Adolina Hulu, Kantor Kesatuan di Pabatu.

2. PPN Aneka Tanaman II Kebun Adolina Hilir, Kantor Kesatuan di Pabatu.
Pada tahun 1968 PPN Antan II diganti menjadi PNP VI, dengan penggabungan kembali
PPN Karet III Kebun Adolina Hulu dengan PPN Aneka Tanaman II Kebun Adolina Hilir, lalu pada
tahun 1978 PNP VI diubah menjadi bentuk Persero dengan nama PT Perkebunan VI (Persero). Tahun
1994 PTP VI, PTP VII, dan PTP VIII digabung dan dipimpin oleh Direktur Utama PTP VII. Sejak
tanggal 11 Maret 1996 sampai dengan saat ini gabungan PTP VI, PTP VII, dan PTP VIII diberi nama
PT Perkebunan Nusantara IV (Persero). Unit usaha Adolina merupakan salah satu unit usaha dari PT
Perkebunan Nusantara IV (Persero) dan merupakan Badan Usaha Milik Negara (BUMN).
B. LETAK GEOGRAFIS
Peta lokasi geografis PT. Perkebunan Nusantara IV Unit Adolina seperti disajikan pada
Gambar 14.
PKS Unit
Adolina
Gambar 14. Peta lokasi geografis PKS Adolina
24
Sesuai surat keputusan Direksi PT Perkebunan Nusantara IV (Persero) Nomor:
04.13/Kpts/org/93/XII/1998 tanggal 17 Desember 1998 memutuskan terhitung mulai tanggal 1 Januari
1999 melebur Kebun Bangun Purba dan merubah statusnya menjadi Afdeling Unit Kebun Adolina.
Unit Kebun Adolina berada di Kabupaten Serdang Bedagai tepatnya di pinggiran jalan raya Medan –
Pematang Siantar dengan jarak ± 38 km dari kota Medan. Dikelilingi oleh 21 desa, berada di enam
Kecamatan yaitu, Perbaungan, Pantai Cermin, Pegajahan (berada di Kabupaten Serdang Bedagai),
Galang, Bangun Purba dan STM Hilir, dengan ketinggian ± 15 meter di atas permukaan laut.
C. LUAS AREAL PRODUKSI

Luas areal HGU Unit Usaha Adolina seluas 8.965,69 Ha, dibagi menjadi 3 bagian yaitu
kelapa sawit = 8.344 Ha, Kakao = 150 Ha, dan lain – lain = 471,69 Ha (emplasmen, pondok,bibitan,
pabrik, dll). Sesuai Surat Keputusan Direksi Nomor: 04.12/Kpts/71/XII/2009 tentang rasionalisasi
areal, Unit Usaha Adolina dari 14 afdeling dibagi menjadi 9 (Sembilan) afdeling, yaitu 9 afdeling
yang hanya terdiri dari tanaman kelapa sawit.
Produksi tandan buah segar (TBS) kelapa sawit diolah di Pabrik Kelapa Sawit (PKS) yang
dimiliki oleh Unit Usaha Adolina sendiri. PKS ini didirikan pada tahun 1956 dan direnovasi pada
tahun 2000. Realisasi produksi pada tahun 2010 untuk kelapa sawit (TBS) = 133.920,200 ton.
Dengan capaian rendemen minyak sawit 24,17 % dan inti sawit 5,11%.
D. STRUKTUR ORGANISASI
Diagram struktur organisasi perusahaan terdapat pada Lampiran 1. Tugas dan tanggung
jawab setiap anggota adalah sebagai berikut :
1. Manajer Unit
a. Memimpin dan mengelola seluruh sektor produksi dan pemakaian biaya yang ada di
perusahaan berpedoman kepada kebijakan perusahaan.
b. Menyusun dan melaksanakan kebijakan umum kebun, sesuai dengan pedoman dan instruksi
kerja direksi.
c. Mengkoordinir penyusunan anggaran belanja tahunan perkebunan.
d. Menjaga rahasia perkebunan.
e. Bertanggung jawab kepada pimpinan perusahaan.
2. Kepala Dinas Tanaman
Kepala Dinas Tanaman merupakan wakil Manajer Unit dalam pengelolaan di bidang
tanaman yang dibantu oleh Asisten Tanaman.
a. Membuat dan menyusun rencana kerja tahunan atau bulanan yang meliputi target produksi
tandan tahunan dan bulanan.
b. Rencana panen, pemeliharaan, rehabilitasi dan lain–lain.
c. Rencana penyediaan tenaga kerja bagi jenis pekerjaan di tiap–tiap afdeling.
d. Rencana penyediaan alat, pupuk obat, dan pemberantas hama.
e. Bertanggung jawab kepada Manajer Unit.
f. Mengkoordinasi kerja Asisten Tanaman.
3. Kepala Dinas Teknik & Pengolahan
Kepala Dinas Teknik dan Pengolahan merupakan wakil Manajer Unit dalam pengelolaan di
bidang teknik yang dibantu oleh Asisten Teknik dan Pengolahan.
a. Mengkoordinasi kerja Asisten Teknik dan Pengolahan.
25
b. Menyusun dan merencanakan segala kegiatan di bidang teknik, bagian pengolahan dan
laboratorium.
c. Menyusun perencanaan penyediaan bahan–bahan untuk bagian teknik pengolahan.
d. Bertanggung jawab terhadap Manajer Unit.
4. Kepala Dinas Tata Usaha
Kepala Dinas Tata Usaha merupakan wakil Manajer Unit dalam bidang administrasi yang
dibantu oleh Asisten Administrasi atau Asisten Tata Usaha.
a. Mengkoordinir segala kegiatan di bidang administrasi.
b. Mengkoordinir segala pembayaran dan penyediaan barang–barang.
c. Menyusun rencana anggaran belanja tahunan.
d. Menyusun daftar gaji, memeriksa dan meneliti keluar masuknya barang dari gudang.
5. Asisten SDM dan Umum
Asisten SDM dan Umum merupakan wakil Manajer Unit dalam bidang pengelolaan SDM
dan penerimaan tenaga kerja.
a. Melakukan pengawasan dan penerimaan tenaga kerja berpedoman kepada standar yang
ditetapkan direksi.
b. Mengkoordinir kegiatan dalam meningkatkan kesejahteraan karyawan.
c. Menjaga hubungan baik dan kekeluargaan antar karyawan.
d. Menjaga hubungan baik dengan semua pihak di dalam dan di luar perusahaan.
6. Perwira Pengaman (Pa Pam)
Perwira pengaman (Pa Pam) membantu Manajer Unit dengan memimpin bagian pengamanan
dibantu satuan keamanan.
a. Mengkoordinir segala kegiatan penjagaan keamanan dan ketertiban pabrik dan perkebunan.
b. Menjaga keamanan informasi dan investasi perusahaan.
c. Mengatur dan memberikan instruksi kepada satuan keamanan pabrik dan perkebunan.
d. Bertanggung jawab kepada Manajer Unit.
7. Asisten Afdeling
Asisten Afdeling membantu Kepala Dinas Tanaman dengan memimpin kegiatan di afdeling
dibantu oleh mandor dan krani.
a. Memimpin segala kegiatan di afdeling sesuai dengan petunjuk Kepala Dinas Tanaman dan
Manajer Unit.
b. Mengawasi produksi hasil panen di lapangan.
c. Bertanggung jawab kepada Kepala Dinas Tanaman.
8. Asisten Teknik dan Pengolahan
Asisten Pengolahan membantu Kepala Dinas Pengolahan dengan mengawasi segala kegiatan
di bidang pengolahan bahan baku dan memimpin segala kegiatan di bengkel umum yang dibantu
dengan mandor.
a. Memimpin segala kegiatan di pabrik sesuai dengan petunjuk Kepala Dinas Pengolahan dan
Manajer Unit.
b. Mengawasi kelancaran jalannya proses pengolahan bahan baku.
c. Bertanggung jawab kepada Kepala Dinas Teknik dan Pengolahan.
9. Asisten Teknik Sipil
Asisten Teknik Sipil membantu Kepala Dinas Teknik dengan memimpin segala kegiatan
transportasi dan tata letak pabrik yang dibantu oleh mandor.
26
a. Mengkoordinir pemakaian kendaraan bermotor/ traktor.
b. Mengawasi pemeliharaan kendaraan bermotor/ traktor
c. Mengawasi pemeliharaan bangunan kantor dan pabrik.
d. Bertanggung jawab kepada Kepala Dinas Teknik.
10. Asisten Tata Usaha
Asisten Tata Usaha membantu Kepala Dinas Tata Usaha dalam bidang tata usaha.
a. Mengkoordinir segala kegiatan di bidang tata usaha dengan petunjuk Kepala Dinas Tata
Usaha.
b. Bertanggung jawab kepada Kepala Dinas Tata Usaha.
E. KETENAGAKERJAAN & SISTEM MANAJEMEN KESELAMATAN

DAN KESEHATAN KERJA (SMK 3)
Jumlah seluruh tenaga kerja di Unit usaha Adolina s/d Mei 2010 adalah berjumlah 1.642
orang, dengan 19 karyawan pimpinan, 1612 karyawan pelaksana dan 11 orang karyawan honor.
Pengawasan pengendalian dan perlindungan Keselamatan dan Kesehatan Kerja PT
Perkebunan Nusantara IV (Persero) menjamin terciptanya tempat kerja yang aman, efisien, produktif,
dan efektif di seluruh bagian dan unit-unit usaha dengan memenuhi peraturan dan perundang-
undangan Keselamatan dan Kesehatan Kerja secara berkesinambungan dan terpelihara.
Pengawasan, pegendalian, dan perlindungan Keselamatan dan Kesehatan Kerja dimaksud
dilakukan dengan:
1. Meminimalisasi potensi bahaya dengan menjaga dan mempertahankan sistem pengawasan
dan perawatan kesiapan, lingkungan, dan tata cara pelaksanaan kerja karyawan.
2. Memakai/ mempergunakan alat pelindung diri (APD) di lokasi kerja yang berpotensi
menimbulkan kecelakaan dan penyakit akibat kerja.
3. Memastikan bahwa sistem manajemen K3 dipatuhi dan dilaksanakan sesuai kebijakan dan
prosedur serta instruksi kerja yang telah ditetapkan.
F. SISTEM MANAJEMEN MUTU (ISO 9001-2008) DAN SISTEM

MANAJEMEN LINGKUNGAN (ISO 14001-2004)
Dalam upaya meningkatkan pengelolaan perusahaan ke arah yang lebih baik, maka
manajemen PT Perkebunan Nusantara IV (Persero) memutuskan untuk menerapkan Sistem
Manajemen dan Lingkungan secara terintegrasi.
Tujuan penerapan ISO 9001-2008 dan ISO 14001-2004 adalah untuk memastikan
tercapainya komitmen mutu dan lingkungan serta memberikan kepuasan kepada pihak – pihak yang
berkepentingan dan di sisi lain tetap dapat memberikan manfaat bagi lingkungan.
Sistem manajemen mutu dan lingkungan merupakan sistem manajemen perusahaan yang
dipakai sebagai acuan bagi semua aspek kegiatan dan diterapkan mulai dari kegiatan penerimaan
bahan baku, spare parts, proses pengolahan, penanganan limbah, kepuasan pelanggan, dan
pengelolaan lingkungan.
27
G. JAM KERJA
Jam kerja yang berlaku pada PT Perkebunan Nusantara IV Unit Adolina dibagi atas dua
bagian, yaitu :
a. Bagian Kantor
Untuk bagian ini hanya ada 1 shift dengan 7 jam per hari dan 40 jam per minggu
adalah sebagai berikut:
 Hari Senin s/d Kamis
Pukul 06.30 – 09.30 : kerja aktif
Pukul 09.30 – 10.30 : istirahat
 Hari Jumat
 Hari Sabtu
b. Bagian Pabrik
Adapun jumlah operator yang dibutuhkan dalam satu shift seperti disajikan pada Tabel 2.
Tabel 2. Jumlah pekerja dalam satu shift di PKS Unit Adolina

No. Stasiun Jumlah Tenaga Kerja Jumlah Shift
1 Penerimaan TBS 4 2
2 Rebusan 8 2
3 Thresher 1 2
4 Hoisting Crane 2 2
5 Pressan 2 2
6 Klarifikasi 3 2
7 Refericarfing & Kernel 4 2
8 Boiler Operator 1 2
Pembantu Operator 3 2
9 Kamar Mesin 2 2
10 Water Treatment 1 2
11 Laboratorium 3 2
12 Limbah 2 2
Sumber: PKS Unit Adolina, 2010
Untuk bagian pabrik pekerja dibagi atas dua shift, yaitu :

 Shift I (Pukul 06.30 – 14.30)
 Shift II (Pukul 14.30 – bahan baku habis)
28
H. SISTEM PENGUPAHAN
Pembagian upah/ gaji karyawan PT Perkebunan Nusantara IV Unit Adolina dilakukan 2
kali setiap bulannya yaitu Remisi II yang disebut sebagai gajian besar dan Remisi I yang biasa disebut
dengan gajian kecil. Jumlah upah/ gaji yang diberikan kepada karyawan disesuaikan dengan golongan
(I A s/d IV D). Selain gaji bulanan, karyawan juga mendapat upah lembur dihitung luar jam kerja
ditambah dengan setiap karyawan juga mendapat 15 kg beras setiap kali gajian.
Untuk meningkatkan kesejahteraan karyawan, perusahaan juga menyediakan fasilitas
seperti:
 Perumahan untuk setiap karyawan pimpinan dan karyawan pelaksana yang berada di lokasi
perkebunan disekitar pabrik.
 Air dan listrik untuk keperluan rumah tangga.
 Tunjangan keselamatan kerja, duka cita dan tunjangan hariannya.
 Rumah sakit yang memberikan pelayanan kesehatan bagi karyawan.
 Tempat penitipan bayi.
 Sarana pendidikan/ sekolah gratis bagi anak karyawan.
 Tempat ibadah disekitar perumahan karyawan.
 Sarana olahraga.
 Transportasi.
29
V. STRUKTURISASI SISTEM
A. DESKRIPSI PENILAIAN RISIKO MUTU CPO

Sumber-sumber risiko penurunan mutu pada rantai pasok minyak sawit kasar dapat
diidentifikasi berdasarkan tahapan-tahapan mulai dari panen sampai dengan penimbunan di tangki
timbun pabrik. Setiap kegiatan rantai pasok mempunyai potensi risiko penurunan mutu tetapi
mempunyai tingkat risiko yang berbeda-beda. Model yang nantinya dikembangkan ini akan
mempelajari perilaku dinamik faktor-faktor yang menyebabkan keragaman mutu minyak sawit kasar
yang dihasilkan. Mata rantai dari empat elemen utama rantai pasokan minyak sawit kasar, yaitu
kegiatan pasca-panen, transportasi panen, pengolahan di pabrik dan penimbunan minyak sawit kasar
di tangki timbun pabrik menjadi faktor utama penyebab keragaman mutu minyak sawit kasar.
Kegiatan-kegiatan pokok ini akan dipandang dalam satu pandangan sistem yang terintegrasi yang
perlu dikelola untuk mengurangi terjadinya risiko dalam aktivitasnya.
1. Kegiatan Pasca-panen
Kegiatan pasca-panen dalam penelitian ini merupakan kegiatan yang dilakukan setelah
proses pemotongan tandan buah segar di setiap areal panen sampai tandan buah segar tepat akan
diangkut ke pabrik untuk diolah. Pasca-panen sebagai faktor risiko dapat dinilai berdasarkan beberapa
aktivitas yang berpengaruh seperti cara panen, jumlah dan lokasi panen, keterampilan pekerja panenm
lama penumpukan di Tempat Pengumpulan Hasil (TPH) dan pengawasan panen serta jumlah tandan
buah segar restan dengan penjelasan sebagai berikut.
 Cara panen adalah prosedur panen yang meliputi penentuan buah matang panen dan proses
memanen buah dari pohon.
 Jumlah panen adalah jumlah panen pada area yang ditetapkan untuk dipanen pada hari tertentu
dan digilir sesuai dengan aturan panen yang digunakan perusahaan.
 Keterampilan pekerja panen adalah kemampuan pekerja dalam melakukan panen sehingga
tidak salah dalam memotong buah yang layak panen dan tidak menyebabkan luka pada buah.
 Waktu penumpukan di TPH adalah waktu yang terjadi mulai dari tandan buah segar dipanen,
ditumpuk pada TPH dan siap diangkut dengan truk. Tandan buah segar yang telah dipanen
akan mengalami peningkatan kadar asam lemak bebas seiring dengan lama waktu menunggu
sebelum di proses.
 Pengawasan panen adalah kegiatan memantau kegiatan panen oleh pengawas sehingga proses
panen dapat dilakukan dengan baik sesuai dengan prosedur baku.
 Tandan buah segar (TBS) restan adalah buah yang telah dipanen dari pokok yang tidak
langsung diolah (>1x24 jam) ke pabrik dalam kenyataannya di lapangan.
2. Kegiatan Transportasi Panen
Merupakan proses pengangkutan seluruh hasil panen tandan buah segar ke dalam pabrik
untuk diolah. Transportasi hasil panen tandan buah segar dari lokasi TPH ke pabrik dapat dipengaruhi
oleh beberapa aktivitas dalam kaitannya terhadap penurunan mutu minyak sawit kasar yang dihasilkan
yaitu kondisi jalan, ketersediaan truk dan trip, waktu angkut serta pemuatan dan pembongkaran
dengan penjelasan sebagai berikut :
30
 Kondisi jalan di lokasi panen merupakan infrastruktur yang mempengaruhi kegiatan
transportasi tandan buah segar hasil panen. Kondisi jalan yang kurang baik bisa menyebabkan
goncangan buah di dalam truk yang bisa menimbulkan luka akibat gesekan.
 Ketersediaan truk dan trip adalah jumlah truk dan trip yang diperlukan untuk mendukung
kegiatan transportasi tandan buah segar dari kebun ke pabrik. Jumlah truk dan trip yang tidak
sesuai dengan kebutuhan akan memicu terjadinya penundaan transportasi dan berdampak pada
peningkatan kadar asam lemak bebas tandan buah segar yang telah ditumpuk di TPH.
 Waktu angkut adalah waktu yang dibutuhkan untuk mengangkut tandan buah segar dari lokasi
menuju pabrik. Kapasitas truk angkut jumlah tandan buah segar hasil panen yang harus
diangkut dan jarak tempuh menjadi penentu waktu angkut. Waktu angkut yang terlalu lama
bisa memicu peningkatan kadar asam lemak bebas.
 Pemuatan dan pembongkaran adalah kegiatan memuat tandan buah segar di TPH kedalam truk
dan membongkarnya setelah sampai di pabrik pada loading ramp. Cara pemuatan dan
pembongkaran bisa menimbulkan luka pada tandan buah segar bila dilakukan dengan kurang
baik dan situasi yang tidak kondusif.
3. Kegiatan Pengolahan di Pabrik
Pengolahan minyak sawit kasar adalah kegiatan melakukan proses pengolahan tandan buah
segar yang diterima di pabrik. Aktivitas – aktivitas yang berpengaruh terhadap risiko penurunan
kualitas minyak sawit kasar pada pengolahan adalah sortasi tandan buah segar, penumpukan
sementara di loading ramp, proses perebusan, proses pengepresan dan proses pemurnian. Penjelasan
dari aktivitas penentu faktor risiko ini sebagai berikut :
 Sortasi tandan buah segar yang masuk ke pabrik merupakan kegiatan memeriksa kondisi buah
dari berbagai aspek khususnya apakah buah tersebut sudah layak panen atau belum. Sortasi
dilakukan secara acak dari setiap truk yang masuk ke pabrik. Teknik sampling ini berpotensi
menimbulkan risiko karena bisa saja sebagian buah yang tidak layak panen. Sortasi juga
dilakukan untuk memeriksa kadar asam lemak bebas awal dari buah sehingga diketahui
kelayakan buah untuk diproses selanjutnya atau tidak.
 Penumpukan sementara di loading ramp merupakan penundaan proses karena keterbatasan
kapasitas proses perebusan. Lama penumpukan dapat meningkatkan kadar asam lemak bebas.
Pengelolaan tandan buah segar di loading ramp juga punya dampak terhadap terjadinya luka
pada buah pada saat proses pengaturan oleh peralatan pemuatan ke lori.
 Proses perebusan bertujuan untuk menghentikan perkembangan asam lemak bebas dan
memudahkan proses penebahan buah. Proses perebusan dipengaruhi oleh penetapan besaran
tekanan uap dan waktu perebusan. Mutu hasil rebusan juga akan dipengaruhi oleh kondisi
peralatan.
 Proses penebahan adalah proses pelepasan buah dari tandannya menggunakan trasher.
Kemampuan peralatan akan memberi pengaruh terhadap mutu buah yang telah dilepas.
 Proses pengempaan adalah proses pemisahan minyak sawit kasar dari daging buah
menggunakan double screw press.
 Proses pemurnian adalah memisahkan kotoran baik berupa padatan lumpur maupun air
sehingga memenuhi standar mutu.
31
4. Kegiatan Penimbunan di Tangki Timbun Pabrik
Hasil pengolahan minyak sawit kasar akan disimpan dalam tangki timbun. Faktor risiko
penyimpanan dalam tangki timbun di pabrik ditentukan dari peubah penentu faktor risiko seperti lama
penyimpanan, jumlah produk yang disimpan dan kondisi tangki timbun. Penjelasan dari peubah
penentu ini sebagai berikut :
 Lama penyimpanan adalah waktu rata-rata dari sejumlah minyak sawit kasar yang disimpan
dalam tangki timbun. Lama penyimpanan bergantung pada jumlah produksi minyak sawit
kasar dan jumlah pengiriman ke pelabuhan.
 Jumlah penimbunan adalah volume rata-rata minyak sawit kasar yang disimpan dalam tangki
timbun. Jumlah penyimpanan ini juga berhubungan dengan jumlah produksi dan pengiriman ke
pelabuhan.
 Kondisi tangki timbun adalah keseluruhan fasilitas tangki timbun untuk kegiatan penyimpanan
minyak sawit kasar.
B. KETERKAITAN UKURAN KESUKSESAN KINERJA

Berdasarkan wawancara dengan manajemen perusahaan dan observasi langsung ke
lapangan diperoleh keterkaitan antar entitas rantai pasokan minyak sawit kasar yang tidak dapat
dilihat secara parsial atau tidak dapat dianalisis secara stand alone atau independent. Keempat mata
rantai pasok dari elemen rantai pasokan CPO tersebut merupakan suatu kejadian (events) dimana
aliran bahan dari awal sangat menentukan dalam kesuksesan aliran bahan berikutnya hingga menjadi
produk akhir.
Ukuran kesuksesan kegiatan pasca-panen adalah bahwa pihak tanaman dapat melakukan
panen bersih dan juga mampu mencegah atau meminimalisir jumlah TBS yang restan dan juga
meminimumkan waktu tumpuk sementara di tempat pengumpulan hasil (TPH). Istilah panen bersih
mengacu kepada pemanenan buah yang termasuk dalam kriteria matang panen (sehingga dapat
mencegah fraksi buah mentah dipanen) sesuai dengan standar prosedur operasi yang telah ditetapkan
perusahaan. Kemudian bagian tanaman harus dapat memprakirakan hasil panen agar tidak ditemui
TBS yang restan sebagai akibat dari disfungsi-nya kinerja peramalan produksi oleh manajemen yang
nantinya berpengaruh terhadap ketersediaan sarana angkut, efisiensi kapasitas olah pabrik dan juga
kadar ALB minyak sawit kasar yang akan dihasilkan. Sebab setiap 60 menit tandan buah segar yang
telah dipanen, kadar ALB di dalamnya akan meningkat sebesar 2,27% (Kandiah et.al, 2002 dalam
Hadiguna, 2010).
Ukuran kesuksesan kegiatan transportasi tandan buah segar adalah penjaminan bahwa
seluruh hasil panen dapat terangkut ke pabrik melalui pengoptimalan jumlah trip dan truk yang ada
serta fungsi waktu angkut dari tiap lokasi panen (afdeling) ke pabrik. Kondisi jalan dan infrastruktur
juga akan mempengaruhi ukuran kesuksesan dalam kegiatan transportasi, karena infrastuktur jalan
yang tidak baik akan meningkatkan derajat luka buah selama proses pengangkutan, yang akan
mengakibatkan meningkatnya kinerja enzim lipase pada buah sehingga meningkatkan kadar asam
lemak bebas-nya. Ketersediaan sarana angkut juga akan berhubungan dengan jumlah TBS restan. Jika
kebutuhan aktual truk melebihi ketersediaan truk yang ada, maka akan mengakibatkan didapatnya
TBS yang tidak diangkut ke pabrik. Hal ini merupakan kondisi nyata apa yang terjadi di lapangan,
jumlah TBS yang tidak dapat diangkut terus terakumulasi sehingga dapat melebihi batas waktu 1x24
jam yang tentunya akan berakibat pada kenaikan drastis kadar asam lemak bebas dalam buah tersebut.
32
Ukuran kesuksesan kegiatan pengolahan di pabrik dipengaruhi oleh kegiatan pra-
pengolahan seperti sortasi tandan buah segar dan waktu penumpukan di loading ramp, stagnasi mesin
atau peralatan dan tingkat efisiensi penggunaan utilitas pabrik. Indikator dari pemanfaatan utilitas
pabrik ini dilihat dari efisiensi kempa, efisiensi rebusan, efisiensi pabrik dan efisiensi ekstraksi
minyak. Apabila kelima indikator itu nilainya berada diatas 90%, maka sudah dianggap pemakaiannya
optimal.
Ukuran kesuksesan kegiatan penimbunan atau penyimpanan CPO lebih kearah
pengoptimalan persediaan CPO yang ada di tangki timbun pabrik. Jumlah pengiriman ke konsumen
dipengaruhi oleh tingkat persediaan yang ada di dalam pabrik. Tingkat persediaan di pabrik
diharapkan minimal tetapi tetap dapat mengakomodir fluktuasi permintaan dari konsumen.
Dari keempat ukuran kesuksesan dari mata rantai dari elemen rantai pasok CPO tersebut,
maka didapat suatu generalisir bahwa parameter utama dari penilaian risiko mutu dalam rantai
pasokan CPO adalah produksi CPO dan kadar ALB dari CPO yang dihasilkan. Kedua ukuran
kesuksesan tiap mata rantai pasok ini juga merupakan ukuran kesuksesan manajemen PKS Unit
Adolina dimana kedua parameter utama tersebut merupakan indikator utama performa pabrik.
Keterkaitan ukuran kinerja tiap mata rantai elemen rantai pasok dengan ukuran kesuksesan kinerja
manajemen PKS Unit Adolina digambarkan seperti pada Gambar 15.
Optimalisasi Efisiensi utilitas

penjadwalan pabrik dan
transportasi pengolahan
Produksi CPO dan

kadar ALB
Optimalisasi
Hasil panen
persediaan
kebun
CPO
Gambar 15. Keterkaitan ukuran kesuksesan kinerja PKS Unit Adolina
33
VI. PERANCANGAN MODEL DINAMIK
A. POLA PERILAKU RUJUKAN

Pola perilaku rujukan merupakan penggambaran data masa lalu secara deskriptif dengan
grafik yang menunjukkan permasalahan dari waktu ke waktu. Pola perilaku rujukan variabel kunci
pada penelitian ini adalah kadar asam lemak bebas (ALB) dan jumlah truk. Pola perilaku rujukan
kinerja kadar ALB dengan kinerja jumlah truk yang dibutuhkan menunjukkan perilaku umpan balik
positif atau menguatkan.
Kadar asam lemak bebas (ALB) merupakan kadar ALB yang terkandung dalam minyak
sawit kasar yang diproduksi periode bulan Januari 2010 sampai April 2011 (Gambar 16a). Kadar ALB
tersebut ditentukan oleh derajat kriteria panen tandan buah segar dan jumlah tbs restan. Pada bulan
Januari 2010 kadar ALB mencapai angka 4,08%, nilai ini berfluktuasi tiap bulannya. Tercatat, kadar
ALB yang paling rendah terjadi pada bulan April 2010 sebesar 3,58%. Kinerja derajat kriteria panen
sebagai faktor yang berhubungan langsung terhadap nilai kadar ALB itu sendiri pada bulan Januari
2010 fraksi matang mencapai angka 97,79 % dengan fraksi mentah sebesar 0,67% dan pada bulan
April 2011 fraksi matang dan fraksi mentahnya berturut-turut 98,56% dan 0,12% (Gambar 16b).
4,75
4,50
Kadar ALB (%)
4,25
4,00
3,75
3,50
10 10 10 10 10 10 11 11
20 20 20 20 20 20 20 20
ri ril ni tu
s r r
ar
i ril
ua Ap Ju be be Ap
r us to em
ru
F eb Ag Ok s F eb
De
Bulan
(a)
0,7
99,5
0,6
99,0 0,5
Fraksi Matang (%)
Fraksi 00 (%)
0,4
98,5
0,3
0,2
98,0
0,1
97,5 0,0
10 10 10 10 10 10 11 11
i 20 20 20 20 20 20 20 20
r r il ni tu
s er be
r r i r il
ua Ap Ju us ob ua Ap
br kt m br
Fe Ag O se Fe Variable
De Fraksi 00
Bulan Fraksi Matang
(b)
Gambar 16. Dinamika (a) kadar ALB dan (b) derajat kematangan panen TBS
34
Jumlah truk merupakan jumlah alat transportasi (truk) yang digunakan untuk mengangkut
seluruh hasil panen dari afdeling ke pabrik untuk diolah. Nilai dari jumlah truk ditentukan berdasarkan
jumlah TBS panen (taksasi panen) untuk masing-masing afdeling, jarak tempuh dari afdeling ke
pabrik dan kapasitas truk angkut. Indikator kinerja kebutuhan truk adalah dengan jumlah truk yang
tepat dapat mengangkut seluruh hasil panen TBS sehingga dapat mengurangi kenaikan kadar asam
lemak bebas. Indikator kinerja kebutuhan truk yang negatif adalah apabila jumlah truk yang
dibutuhkan kurang dibandingkan hasil panen TBS yang berimbas pada meningkatnya kadar asam
lemak bebas pada minyak sawit kasar yang akan dihasilkan. Pada bulan Januari 2010 kebutuhan truk
total mencapai angka 17 truk, sedangkan untuk waktu panen optimum, yaitu pada bulan Juli, Agustus
dan Oktober dibutuhkan truk sebanyak 22 unit (Gambar 17).
22
21
Total Truk
20
19
18
17
10 10 10 10 10 10 01
0 10 10 10 10 10
20 20 20 20 20 20 i2 20 20 20 20 20
a ri a ri ret ril ei uni ul tus er er er er
p M J b b b b
nu br
u
M
a A J us em to m m
Ja Fe Ag pt Ok ve se
Se No De
Bulan
Gambar 17. Dinamika kebutuhan truk
B. ASUMSI MODEL
Beberapa asumsi yang digunakan pada model dinamik ini adalah sebagai berikut :
1. Variabel luas lahan panen, produktivitas kebun, jam kerja truk per hari, hari olah, waktu
koreksi inventori, jangkauan persediaan, TBS pembelian, waktu perubahan permintaan
diharapkan, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap kadar ALB
merupakan parameter yang didefinisikan pemakai model sesuai dengan rencana
kebijakannya. Nilai perubahan parameter tersebut ditentukan berdasarkan acuan RKAP
(rencana kerja anggaran perusahaan). Asumsi yang tercakup dalam RKAP mencakup
potensi-potensi risiko keuangan, sosial, peraturan dan lain-lain.
2. Kebutuhan truk memiliki pengaruh positif terhadap pencapaian kadar ALB pada minyak
sawit kasar. Kinerja kebutuhan truk yang tepat dalam mengangkut hasil panen kebun akan
mengurangi penundaan pengolahan terhadap TBS sehingga dapat mengurangi kenaikan asam
lemak bebasnya.
3. Nilai asam lemak bebas merupakan fungsi dari derajat kriteria panen TBS, persentase TBS
restan dan kenaikan ALB di dalam pabrik serta kecukupan truk.
4. Korelasi antara responses dan predictor yang digunakan untuk membangun sub-model yang
akan dibahas dijabarkan melalui regresi baik linear maupun polinomial.
5. Data-data yang perlu dalam membangun dan mengintegrasikan sub-model akan
dikembangkan dan diramalkan dengan metode Triple Exponential Smoothing (dimana
memberikan nilai galat terendah) apabila sub-model membutuhkan data tambahan.
35
C. DIAGRAM KAUSAL MODEL PENILAIAN RISIKO MUTU PKS
ADOLINA
Peta model mental penilaian risiko mutu PKS Adolina terdiri dari keterkaitan sub-model
produksi, sub-model persediaan dan sub-model transportasi (Gambar 18). Pola perilaku sistemnya
adalah pola pertumbuhan eksponensial.
Secara detail, diagram kausal sebab akibat penilaian risiko mutu PKS Adolina terdiri dari
dua simpal, yaitu simpal penguatan (R1) dan simpal keseimbangan (B1) (Gambar 19). Simpal
penguatan R1, artinya jika panen TBS meningkat, maka pasokan TBS untuk disuplai ke pabrik dan
juga kebutuhan akan armada transportasi pengangkut juga akan meningkat. Sejalan dengan
meningkatnya pasokan TBS ke pabrik maka akan semakin banyak juga bahan baku untuk produksi
CPO, sehingga produksinya akan meningkat. Dengan meningkatnya produksi CPO ini maka akan
merangsang atau mempunyai pengaruh positif dalam penjualan CPO dan begitu seterusnya.
Simpal keseimbangan dimulai dari ketersediaan truk dan derajat kematangan panen.
Apabila ketersediaan truk kurang, maka waktu angkut, waktu tumpuk TBS di TPH serta jumlah TBS
restan akan meningkat yang akan menurunkan kinerja produksi CPO. Tampak juga dalam
infrastruktur jalan, jika infrastruktur jalan tersebut minimum (tidak layak) maka persentase luka pada
TBS akan meningkat yang tentunya akan menurunkan kinerja produksi CPO.
+
+
Panen TBS
Transportasi TBS
Pengiriman CPO
+
+ Pasokan TBS
Kapasitas olah -
pabrik +
+
+
+ + Persediaan CPO di
pabrik
+
Nilai
Kadar ALB +
rendemen
+
+
Proses Produksi
CPO
Gambar 18. Peta model mental penilaian risiko mutu PKS Unit Adolina
36
Gambar 19. Diagram lingkar kausal penilaian risiko mutu PKS Unit Adolina
D. MODEL DINAMIK PENILAIAN RISIKO MUTU PKS ADOLINA

Tahapan selanjutnya setelah pemetaan causal loop diagram, yang merupakan peng-
generasi-an dari peta model mental, adalah pembuatan diagram alir model simulasi yang terdiri dari
stock – flow. Stock atau akumulasi mencerminkan keadaan sistem dan sebagai pembangkit informasi,
dimana aksi dan keputusan didasarkan padanya (Rohmatulloh, 2007). Identifikasi variabel stock
model dinamik penilaian risiko mutu diuraikan pada Tabel 3.
Tabel 3. Identifikasi stock model dinamik penilaian risiko mutu PKS Unit Adolina
Stock Kuantifikasi
Jumlah pasokan TBS ke pabrik
untuk diolah menjadi CPO
Satuan: kg
Akumulasi persediaan CPO yang
ada di tangki timbun pabrik
Satuan: kg
Jumlah trip TBS untuk
mengangkut seluruh hasil panen
ke pabrik
Satuan: trip
Jumlah produksi CPO yang
diyakini akan terjual setiap
minggunya
Satuan : kg
37
TBS RESTAN
skenario 2 produksi cpo pengiriman cpo
DIINGINKAN
Total pasokan TBS
WAKTU KOREKSI Persediaan
tbs restan
laju pasokan tbs cpo INVENTORY
laju tbs restan
skenario
losis cpo rendemen cpo
luas lahan panen kenaikan alb di
KONVERSI kadar alb pabrik laju pesanan
panen angkut persediaan
skenario 4 diinginkan
rendemen losis
laju produktivitas tbs pembelian laju rendemen cpo
kebun skenario skenario
produktivitas kebun pengaruh kriteria
skenario 1 panen thd kadar albskenario 3
RENDEMEN CPO JANGKAUAN
kapasitas olah DIINGINKAN PERSEDIAAN
pabrik jlh fraksi 00 panen
PRODUKTIVITAS Permintaan
KEBUN DIINGINKAN diharapkan
PENURUNAN
laju pengaruh perubahan
JUMLAH TRIP jlh fraksi 0 panen PENGARUH
kriteria panenKRITERIA PANEN permintaan
INISIASI skenario
kehilangan tbs THD KADAR ALB
jlh fraksi matang DIINGINKAN
rkap produksi masuk panen WAKTU PERUBAHAN
kebun hari kerja olah PERMINTAAN
Trip tbs DIHARAPKAN
jam kerja olah jumlah trip aktual jumlah trip

maksimal
pengaruh jumlah
truk terhadap
kenaikan kadar alb
hari olah rata-rata indeks hari olah jumlah trip per
afdeling jumlah truk jumlah trip
diperlukan maksimal per JAM KERJA TRUK PER
afdeling HARI
hari olah bulanan KAPASITAS ALAT
rata-rata ANGKUT
produksi tbs harian
total jumlah truk jumlah truk
diperlukan diinginkan
waktu siklus
transportasi
produksi tbs rata- indeks bulan kecukupan truk JARAK AFDELING
rata produksi tbs produksi tbs
hari olah bulanan
bulanan rata-rata
bulanan rata-rata rata-rata
WAKTU LOADING
WAKTU UNLOADING
KECEPATAN TRUK
WAKTU ANTRI
PENIMBANGAN
Gambar 20. Model dinamik penilaian risiko mutu PKS Unit Adolina
38
1. Diagram Alir Sub-Model Produksi
Diagram alir sub-model produksi mempunyai satu susunan stock-flow diagram (SFD),
yaitu akumulasi total pasokan TBS. Struktur diagram alir proses produksi dipengaruhi oleh satu aliran
masuk laju pasokan TBS dan dua aliran keluar, yaitu CPO dan losis CPO. Struktur diagram alir kadar
asam lemak bebas (ALB) dipengaruhi oleh derajat kematangan panen buah (fraksi 0 panen, fraksi 00
panen, fraksi matang panen), TBS restan dan kenaikan ALB di pabrik akibat pengolahan. Struktur
diagram alir kapasitas olah terpasang pabrik dipengaruhi oleh jam kerja olah dan hari kerja olah.
Struktur diagram alir panen angkut dipengaruhi oleh luas lahan panen dan juga produktivitas kebun
serta kehilangan TBS yang terkumpul dari kebun hingga ke pabrik (Gambar 21).
TBS RESTAN
skenario 2 DIINGINKAN
Total pasokan TBS
tbs restan
laju pasokan tbs cpo
laju tbs restan
skenario
losis cpo rendemen cpo
luas lahan panen kenaikan alb di
KONVERSI kadar alb pabrik
panen angkut
skenario 4
rendemen losis
laju produktivitas tbs pembelian laju rendemen cpo
kebun skenario skenario
produktivitas kebun pengaruh kriteria
skenario 1 panen thd kadar albskenario 3
RENDEMEN CPO
kapasitas olah
DIINGINKAN jlh fraksi 00 panen
pabrik
PRODUKTIVITAS
KEBUN DIINGINKAN PENURUNAN
laju pengaruh
jlh fraksi 0 panen PENGARUH
kriteria panen
KRITERIA PANEN
skenario
kehilangan tbs THD KADAR ALB
jlh fraksi matang DIINGINKAN
rkap produksi masuk panen
kebun hari kerja olah
jam kerja olah
Gambar 21. Diagram alir sub-model produksi
Variabel total pasokan TBS merupakan fungsi integral dari aliran masuk laju pasokan TBS
dikurangi jumlah aliran ke luar produk yang dihasilkan, yaitu CPO dan losis CPO. Persamaan variabel
pada sub-model produksi diuraikan sebagai berikut :
 Total pasokan tbs (t) = total pasokan tbs (t-1) + (laju pasokan tbs (t) – (cpo (t) + losis cpo (t) )
dimana :
- Total pasokan TBS adalah akumulasi jumlah TBS total yang akan diolah menjadi
produk akhir, yaitu CPO dan menghasilkan produk sampingan, yaitu losis CPO (kg).
Nilai inisiasi total pasokan TBS pada t-1 sebesar 0 kg, karena dalam pengolahan CPO
tidak memungkinkan adanya sisa pasokan TBS dari periode sebelumnya terkait dengan
kualitas CPO yang akan dihasilkan.
- Laju pasokan TBS adalah jumlah TBS yang masuk ke dalam pabrik untuk diolah
menjadi CPO (kg).
 cpo(t) = laju pasokan tbs (t) * rendemen cpo (t)
dimana :
- CPO merupakan jumlah minyak sawit kasar yang dihasilkan dari proses pengolahan
(kg).
- Rendemen CPO adalah fraksi konversi tandan buah segar menjadi minyak sawit kasar
(persen).
 losis cpo (t) = laju pasokan tbs (t) * rendemen losis (t)
dimana :
39
- Losis CPO adalah kehilangan CPO dalam proses pengolahan (kg).
- Rendemen losis CPO adalah fraksi konversi tandan buah segar menjadi minyak sawit
kasar yang terendapkan dalam limbah (persen).
 kapasitas olah pabrik (t) = (laju pasokan tbs (t) / hari kerja olah (t) ) / jam kerja olah (t)
dimana :
- Kapasitas olah berjalan pabrik dalam memproduksi minyak sawit kasar dan mempunyai
nilai ≤ kapasitas terpasang pabrik (30 ton TBS/jam) (kg/jam).
- Hari kerja olah adalah jumlah hari olah pabrik dalam satu bulan (hari kerja).
- Jam kerja olah adalah jumlah jam olah pabrik harian rata-rata dalam satu bulan (jam
kerja/hari kerja).
 panen angkut (t) = luas lahan panen (t)* (produktivitas kebun (t) – kehilangan tbs masuk (t))
dimana :
- Panen angkut adalah jumlah seluruh hasil panen tiap afdeling yang diangkut ke pabrik
untuk diolah (kg).
- Luas lahan panen adalah total luas tanaman menghasilkan milik sendiri yang
menghasilkan TBS (hektar). Luas lahan menghasilkan untuk tahun 2010 adalah sebesar
5095 hektar, sedangkan pada tahun 2011 sebesar 5980 ha.
- Produktivitas kebun total adalah jumlah TBS yang dihasilkan per kebun dimana nilainya
berubah tiap periode penentuannya (kg/hektar).
- Kehilangan TBS masuk merupakan jumlah kehilangan TBS yang terkumpul dari kebun
hingga sampai di pabrik (kg).
 pengaruh kriteria panen terhadap alb (t) = ((4,344-0,5736*jlh fraksi 00 panen (t) +1,6)*0,089 +
(4,694-0,4097* jlh fraksi 0 panen (t) +1,6)*0,1059 + (-21,994+0,2653* jlh fraksi matang
panen (t) +1,866)*0,1192)/100
dimana :
- Pengaruh kriteria panen terhadap ALB adalah penurunan ukuran kinerja ALB yang
dipengaruhi oleh derajat kematangan panen TBS ( fraksi 00,0 dan matang) (persen).
Nilai estimasi persamaan dibuat berdasarkan plot data dengan asumsi data berbentuk
kurva linier.
 kadar alb (t) = (((-25,06+4,102* tbs restan (t) – 0,1831* tbs restan (t) ^2 + 0,002630* tbs restan
(t) ^3 )*0,418725666/100) + kenaikan alb di pabrik (t) + pengaruh kriteria panen terhadap alb
(t) + konversi *cpo (t) + pengaruh jumlah truk terhadap kenaikan kadar alb (t)
dimana :
- Kadar ALB adalah nilai asam lemak bebas yang terkandung dalam minyak sawit kasar
yang dihasilkan yang nilainya dipengaruhi oleh pengaruh kriteria panen, tingkat
kenaikan alb dalam pabrik dan TBS restan (%). Nilai estimasi persamaan dibuat
berdasarkan plot data dengan asumsi data berbentuk polinomial.
- Tingkat kenaikan ALB dalam pabrik adalah nilai kenaikan ALB yang didapat dari hasil
pengolahan (persen).
- Hubungan dari minyak sawit kasar yang diproduksi dengan kadar alb yang dihasilkan
digunakan dengan mengasumsikan kadar asam lemak bebas merupakan 0.0000000564
bagian dari minyak sawit kasar yang dihasilkan.
40
2. Diagram Alir Sub-Model Persediaan
Diagram alir sub-model persediaan mempunyai dua susunan SFD (stock flow diagram)
yaitu (1) akumulasi persediaan yang dipengaruhi oleh laju aliran masuk produksi CPO dan laju aliran
keluar pengiriman CPO dan (2) akumulasi permintaan diharapkan yang dipengaruhi oleh laju aliran
masuk perubahan permintaan diharapkan (Gambar 22).
W AKTU KOREKSI
INVENTORY
produksi cpo pengiriman cpo
Persediaan
laju pesanan
persediaan
diinginkan
JANGKAUAN
PERSEDIAAN
Permintaan
diharapkan
perubahan
permintaan
W AKTU PERUBAHAN
PERMINTAAN
DIHARAPKAN
Gambar 22. Diagram alir sub-model persediaan
Variabel persediaan merupakan fungsi integral dari aliran masuk, yaitu produksi CPO,
dikurangi aliran keluar produk yang dihasilkan yaitu pengiriman CPO per minggu. Variabel
permintaan diharapkan merupakan fungsi integral dari aliran masuk perubahan permintaan per
minggunya. Persamaan variabel pada sub-model persediaan diuraikan sebagai berikut :
 Persediaan (t) = Persediaan (t-1) + (produksi cpo (t) – pengiriman cpo (t))
dimana :
- Persediaan merupakan jumlah persediaan CPO yang ada dalam tangki timbun pabrik
(kg).
- Produksi CPO merupakan laju jumlah CPO yang dihasilkan dari pengolahan TBS per
bulannya (kg).
- Pengiriman CPO merupakan laju penjualan CPO total ke konsumen per bulannya (kg).
 Permintaan diharapkan (t) = Permintaan diharapkan (t-1) + perubahan permintaan diharapkan (t)
dimana :
- Permintaan diharapkan adalah jumlah produksi CPO yang diyakini akan terjual selama
setiap minggunya (kg).
- Perubahan permintaan diharapkan adalah selisih atau marjin dari permintaan diharapkan
setiap minggunya (kg).
 produksi cpo (t) = Permintaan diharapkan (t) + (persediaan diinginkan (t) – Persediaan (t))/waktu
koreksi inventory
dimana :
- Waktu koreksi inventory didefinisikan sebagai seperenam dari perbedaan atau selisih
dari persediaan diinginkan dan persediaan aktual dikoreksi setiap minggu.
41
Nilai dari waktu koreksi inventory ini adalah 6 minggu.
 persediaan diinginkan (t) = jangkauan persediaan * permintaan diharapkan (t)
dimana :
- Jangkauan persediaan didefinisikan sebagai sampai berapa minggu permintaan
diharapkan dapat dipenuhi oleh jumlah persediaan aktual.
Nilai dari jangkauan persediaan ini berdasarkan data historis perusahaan yang telah ada
adalah 0,5 minggu.
 perubahan permintaan diharapkan (t) = (laju pesanan (t) – Permintaan diharapkan (t)) / waktu
perubahan permintaan diharapkan
dimana :
- Laju pesanan adalah jumlah pesanan untuk dikirimkan ke konsumen dari persediaan
yang ada per minggunya (kg).
- Waktu perubahan ekspektasi permintaan adalah total waktu yang dibutuhkan untuk
menyesuaikan permintaan yang diharapkan menjadi permintaan aktual.
Nilai dari waktu perubahan permintaan diharapkan ini adalah 4 minggu.
3. Diagram Alir Sub-Model Transportasi

Diagram alir sub-model transportasi mempunyai satu susunan SFD yaitu trip TBS.
Struktur diagram alir trip TBS dipengaruhi laju aliran masuk jumlah trip aktual dan laju aliran keluar
jumlah trip maksimal (Gambar 23).
JUMLAH TRIP
INISIASI
Trip tbs
jumlah trip aktual jumlah trip

maksimal
pengaruh jumlah
truk terhadap
kenaikan kadar alb
hari olah rata-rata indeks hari olah jumlah trip per
afdeling jumlah truk jumlah trip
diperlukan maksimal per JAM KERJA TRUK PER
afdeling HARI
hari olah bulanan KAPASITAS ALAT
rata-rata ANGKUT
produksi tbs harian
total jumlah truk jumlah truk
diperlukan diinginkan
waktu siklus
transportasi
produksi tbs rata- indeks bulan kecukupan truk JARAK AFDELING
produksi tbs
rata produksi tbs hari olah bulanan bulanan rata-rata
bulanan rata-rata rata-rata
WAKTU LOADING
WAKTU UNLOADING
KECEPATAN TRUK
WAKTU ANTRI
PENIMBANGAN
Gambar 23. Diagram alir sub-model transportasi
Variabel trip tbs merupakan fungsi integral dari aliran masuk jumlah trip aktual dikurangi
aliran keluar jumlah trip maksimal. Persamaan variabel pada sub-model transportasi diuraikan sebagai
berikut :
 Trip tbs (t) = Trip tbs (t-1) + (jumlah trip aktual (t) – jumlah trip maksimal (t))
dimana :
42
- Trip TBS adalah akumulasi dari jumlah trip aktual dikurangi dengan jumlah trip
maksimal (trip). Nilai dari trip inisiasi (awal) adalah 0 trip.
- Jumlah trip aktual adalah total jumlah trip yang dibutuhkan untuk mengangkut
seluruh hasil panen kebun sendiri ke pabrik untuk diolah (trip). Nilai dari jumlah
trip aktual dipengaruhi oleh jumlah trip per afdeling yang nilainya ditentukan oleh
produksi tbs harian dan juga kapasitas alat angkut yang digunakan.
- Jumlah trip maksimal merupakan total jumlah trip maksimal yang dapat ditempuh
oleh satu truk dalam satu hari kerja (trip). Nilai dari variabel ini dipengaruhi oleh
jumlah trip maksimal per afdeling yang nilainya ditentukan oleh waktu siklus
transportasi dan juga jam kerja truk perhari.
 Jumlah trip per afdeling (t) = produksi tbs harian (t) / kapasitas alat angkut
dimana :
- Produksi TBS harian adalah jumlah TBS yang diproduksi tiap afdelingnya per hari
(kg)
- Kapasitas alat angkut didefinisikan sebagai jumlah muatan maksimal yang dimiliki
oleh truk dalam rangka pengangkutan TBS ke pabrik. Nilai dari kapasitas alat
angkut ini adalah 6000 kg.
 jumlah trip maksimal per afdeling (t) = jam kerja truk perhari / waktu siklus transportasi (t)
dimana :
- Waktu siklus transportasi adalah total waktu yang dibutuhkan dalam satu siklus
transportasi setiap afdeling. Nilai dari waktu siklus transportasi dipengaruhi oleh
jarak dari afdeling ke pabrik, waktu loading dan unloading TBS, waktu antri
penimbangan dan juga kecepatan truk (jam).
- Jam kerja truk perhari adalah jam kerja truk pengangkut dalam satu hari kerja. Nilai
dari konstanta ini adalah 8 jam/hari.
- Nilai rata-rata kecepatan truk adalah 40 km/jam.
 jumlah truk (t) = jumlah trip aktual (t) / jumlah trip maksimal per afdeling (t)
dimana :
- Nilai jumlah truk bersifat integer atau utuh tidak dalam bentuk desimal, sehingga
nilai tersebut mengalami pembulatan ke atas (truk).
 kecukupan truk(t) =
dimana :
- Total jumlah truk diperlukan adalah jumlah truk yang diperlukan untuk mengangkut
seluruh hasil panen dari seluruh afdeling untuk dibawa ke pabrik berdasarkan hasil
perhitungan model (truk/hari).
- Jumlah truk diinginkan adalah jumlah truk yang dikehendaki pengguna (user)
(truk/hari).
 pengaruh jumlah truk terhadap kenaikan kadar alb (t) =
43
E. TELAAH VARIABEL
Konsep model dinamik bisnis dan penilaian risiko mutu pada umumnya banyak
dipengaruhi ketidakpastian. Telaah variabel model dinamik penilaian risiko mutu minyak sawit kasar
(CPO) PKS Unit Adolina untuk mengakomodasi faktor ketidakpastian dalam proyeksi penilaian risiko
mutu CPO PKS Unit Adolina pada bulan-bulan mendatang. Uji distribusi probabilitas untuk
mengetahui pola sebaran data yang diaplikasikan ke dalam moidel agar sesuai dengan pola sebaran
data di dunia nyata. Variabel yang diuji distribusi probabilitas yaitu persentase TBS restan, pengaruh
kriteria panen terhadap asam lemak bebas (ALB), produktivitas kebun dan rendemen CPO. Uji
distribusi probabilitas variabel digunakan untuk estimasi sampel analisis perilaku dasar, analisis
perilaku dinamik dan penilaian risiko mutu CPO PKS Unit Adolina (Bab VII). Hasil uji distribusi
probabilitas variabel diuraikan pada Tabel 4.
Hasil uji distribusi probabilitas menggunakan Kolmogorov-Smirnov diperoleh nilai p-
value. P-value merupakan peluang untuk menerima hipotesis nol (data mengikuti sebaran hasil uji
distribusi probabilitas) dengan membandingkan nilai alpha (α=0,05) pada selang kepercayaan 95%.
Jika nilai p-value diatas nilai alpha (maka hipotesis nol diterima), artinya data mengikuti pola uji
distribusi probabilitas yang dimaksud. Nilai p-value dibawah nilai alpha (maka hipotesis nol ditolak),
artinya hasil uji probabilitas ditolak karena tidak mengikuti pola sebaran yang dimaksud.
Tabel 4. Hasil uji distribusi probabilitas
Distribusi Distribusi
Variabel P-value Kesimpulan
probabilitas terpilih
Lognormal 0,504 Terima H0
Lognormal,
TBS restan Exponential 0,496 Terima H0 Exponential,
Uniform 0,435 Terima H0 Uniform
Pengaruh kriteria
Exponential < 0,001 Tolak H0 Lognormal
panen terhadap ALB
Uniform < 0,001 Tolak H0
Uniform 0,749 Terima H0 Lognormal,
Produktivitas kebun Exponential 0,599 Terima H0 Exponential,
Lognormal 0,332 Terima H0 Uniform
Rendemen CPO Lognormal
Uniform <0,001 Tolak H0
44
VII. PENGUJIAN MODEL DAN SIMULASI SKENARIO
A. VERIFIKASI
Proses verifikasi model dinamik penilaian risiko mutu PKS Unit Adolina menggunakan
beberapa cara. Pertama, pengecekan hubungan antar variabel dan parameter sehingga terjadi
konsistensi hubungan yang logis. Jika terdapat hubungan yang tidak logis atau tidak benar antar
variabel atau parameter, Powersim akan memberikan simbol “#” pada jalur (link) yang
menghubungkan variabel tersebut agar hubungan tersebut dapat dikoreksi. Kedua, pengecekan unit
analisis variabel atau parameter agar konsisten. Powersim akan memberikan tanda “?” yang artinya
persamaan tersebut masih belum konsisten unit analisis yang digunakannya. Ketiga, pengecekan
perilaku model dinamik penilaian risiko mutu pada variabel kunci. Model dinamik penilaian risiko
mutu PKS Unit Adolina telah berhasil melakukan sebuah proses simulasi kajian model dunia abstrak
mengikuti perilaku realitas dunia nyata yang dikaji. Pola perilakunya adalah pertumbuhan
eksponensial. Dengan demikian, program komputer yang dibuat beserta penerapannya adalah benar
dan telah menunjukkan perilaku dan respon yang sesuai dengan tujuan model. Proses verifikasi model
dinamik penilaian risiko mutu PKS Unit Adolina telah memenuhi prosedur verifikasi mengacu pada
Schlesinger et.al (1979) dalam Rohmatulloh (2007) .
B. VALIDASI
1. Validasi Teoritis
Model dinamik penilaian risiko mutu PKS Unit Adolina mengacu pada konsep sistem
penilaian risiko mutu yang diintroduksi oleh COSO of United States yang dewasa ini telah banyak
dikaji secara akademis dan diterapkan oleh berbagai perusahaan. Konsep penilaian risiko mutu yang
diacu pada penelitian ini adalah ERM – IFAT (Enterprise Risk Management – Integrated Framework
Application Techniques). Oleh karena itu, validasi teoritis model sistem penilaian risiko mutu pada
penelitian ini telah didukung oleh teori yang valid sebagaimana telah diuraikan pada Bab 2.
Rujukan teori untuk membangun sub-model dinamik penilaian risiko mutu PKS Unit
Adolina sebagai berikut:
1. Sub-model produksi mengacu pada buku panduan dan administratur perusahaan serta
teori yang telah dibahas Hadiguna (2010) dan Aulia (2010).
2. Sub-model persediaan mengacu dari model umum yang dikaji oleh beberapa penulis,
diantaranya adalah Sterman (2000) dan Morecroft (1982), serta beberapa penulis lain
yang penelitiannya menjadi acuan dalam studi ini.
Struktur laju pesanan (customer order) yang dibahas dalam sub-model tersebut
merupakan struktur variabel yang bersifat exogeneous, nilainya berubah sepanjang
waktu dan lebih dipengaruhi oleh lingkungan sistem. Dalam sub-model ini akan
terlihat beberapa feedback yang substansial, diantaranya adalah bahwa laju pengiriman
(shipments) akan bergantung kepada nilai stock persediaan; jika persediaan tidak
mencukupi menurut perusahaan, maka laju pengiriman akan berada dibawah
permintaan atau pesanan konsumen. Atau dalam kondisi ekstrim, laju pengiriman
harus bernilai 0 (nol) apabila tidak ada persediaan. Variabel yang diperhitungkan
45
dalam penetapan stok persediaan tersebut adalah tingkat persediaan yang diinginkan,
waktu koreksi persediaan dan jangkauan persediaan.
3. Sub-model transportasi mengacu struktur model umum yang bersumber dari Oktavia
(2000) dan Hadiguna (2010) serta beberapa penulis lain yang penelitiannya menjadi
acuan studi ini.
2. Kondisi Ekstrim
Kondisi ekstrim untuk mengetahui, bahwa model yang dibangun tangguh dalam
menghadapi kemungkinan perubahan ekstrim nilai parameter di dunia nyata. Produktivitas kebun pada
bulan Januari 2010 hingga April 2011 yang menjadi periode simulasi diasumsikan naik 100 % dari
nilai awal produktivitasnya, karena didukung oleh pengolahan terhadap tanaman dan penanganan
pasca-panen yang baik serta didukung oleh kondisi alam yang kondusif. Berdasarkan hasil simulasi,
dinamika produksi minyak sawit kasar (CPO) (Gambar 24) , tingkat persediaan (Gambar 25) dan
jumlah trip aktual (Gambar 26) yang dibutuhkan untuk mengangkut seluruh hasil panen dari kebun ke
pabrik, akan mengalami kenaikan pada saat produktivitas naik 100% dari nilai produktivitas kebun
normal setiap bulannya.
k g/m o
4,600,000
4,500,000
4,400,000
4,300,000
4,200,000
cpo
4,100,000
4,000,000
3,900,000
3,800,000
3,700,000
Ja n Fe b Ma r Apr Ma y Jun Jul Aug Se p O ct Nov De c Ja n Fe b Ma r
2010
Gambar 24. Dinamika produksi CPO akibat produktivitas kebun naik 100%
kg
6,000,000
5,000,000
Persediaan
4,000,000
3,000,000
2,000,000
1,000,000
Ja n Fe b Ma r Apr Ma y Jun Jul Aug Se p O ct No v De c Ja n Fe b Ma r

2011
Gambar 25. Dinamika persediaan CPO akibat produktivitas kebun naik 100%
46
trip/da
160
155
jumlah trip aktual

150
145
140
135
130
125
120
115
Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar
2010
Gambar 26. Dinamika jumlah trip aktual akibat produktivitas kebun naik 100%
Jika produktivitas kebun terganggu akibat adanya peristiwa gagal panen yang disebabkan
oleh bencana alam dan serangan hama, sehingga produktivitas kebun hasilnya mendekati nilai 0 (nol),
maka dinamika produksi CPO (Gambar 27), tingkat persediaan CPO (Gambar 28) dan jumlah trip
aktual (Gambar 29) akan mengalami penurunan signifikan mencapai 100% dari nilai produktivitas
kebun normal tiap bulannya.
k g/m o
2,250,000
2,000,000
1,750,000
cpo
1,500,000
1,250,000
1,000,000
750,000
2011
Gambar 27. Dinamika produksi CPO akibat produktivitas kebun turun 100%
kg
0
-5,000,000
Persediaan
-10,000,000
-15,000,000
-20,000,000
-25,000,000
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar
2011
Gambar 28. Dinamika persediaan CPO akibat produktivitas kebun turun 100%
47
trip/da
20
jumlah trip aktual

15
10
0
2010
Gambar 29. Dinamika jumlah trip aktual akibat produktivitas kebun turun 100%
Berdasarkan uji kondisi ekstrim diatas, secara visual dapat dilihat bahwa model
memperlihatkan pola yang tidak berlawanan dan sesuai dengan model dasar dunia nyata. Syarat model
harus handal pada kondisi ekstrim telah terpenuhi.
3. Konsistensi Unit
Konsistensi unit analisis keseluruhan interaksi unsur-unsur yang menyusun sistem
menggunakan pemeriksaan persamaan Powersim. Pemeriksaan ini sudah dilakukan pada saat proses
verifikasi. Jika ditentukan ketidakkonsistenan unit analisis yang digunakan, akan muncul tanda “?”.
Jika masih ada tanda “?” pada link yang menghubungkan dua variabel simulasi tidak akan dapat
berjalan. Jika tidak ditemukan tanda “?” pada diagram alir, maka unit yang digunakan pada setiap
variabel model telah seimbang pada keseluruhan struktur diagram alir.
4. Konsistensi Hasil Keluaran

Pengujian konsistensi hasil keluaran dengan membandingkan data hasil simulasi dan data
aktual berdasarkan average percent error (APE) dan nilai tengah (mean) APE. Parameter utama yang
diuji adalah jumlah produksi minyak sawit kasar (CPO) dan kadar asam lemak bebas (ALB).
Validasi kinerja produksi CPO antara data aktual dan simulasi seperti digambarkan pada
Gambar 30 dan diuraikan pada Tabel 5. Hasil perhitungan nilai MAPE diperoleh nilai sebesar
11,0288%. Hasil ini menunjukkan bahwa tingkat galat simulasi dan aktual berada 1% dari nilai yang
diperkenankan menurut Muhammadi et.al (2001) yaitu sebesar 10%, tetapi karena simulasi dibangun
berdasarkan standar yang ditetapkan oleh perusahaan (RKAP) maka nilai 1% tersebut masih dalam
batas toleransi dan tidak berpengaruh signifikan terhadap kelangsungan pengintegrasian model secara
keseluruhan.
48
4500000
4000000
Nilai Produksi CPO (kg)

3500000
3000000
2500000
2000000
10 10 10 10 10 10 11 11
i 20 20 20 20 20 20 20 20
ar ir l i s r r r i il
p un tu ob
e be ua Ap
r
ru A J us kt br
e b
Ag O sem e
F F
De Variable
Bulan Produksi CPO Simulasi
Produksi CPO Aktual
Gambar 30. Validasi kinerja produksi CPO
Tabel 5. Hasil validasi kinerja produksi CPO
Produksi CPO (kg)

Bulan APE (%)
Simulasi Aktual
Jan-10 2359990,51 2332738 1,1683
Feb-10 2580830 2878089 10,3283
Mar-10 2732432 3389172 19,3776
Apr-10 3116619 3387707 8,0021
Mei-10 3430675 4189819 18,1188
Jun-10 3606080,25 4174345 13,6133
Jul-10 4263743,21 4169295 2,2653
Agust-10 4382601,98 4120903 6,3505
Sep-10 3963304,21 3357341 18,0489
Okt-10 3609378,53 3778974 4,4879
Nop-10 3374272,57 3437495 1,8392
Des-10 3323276,33 3456231 3,8468
Jan-11 2548723,27 1994521 27,7862
Feb-11 2730285,58 2561342 6,5959
Mar-11 2943595,67 3891117 24,3509
Apr-11 3609370,54 4022939 10,2803
MAPE 11,0287688
Validasi kinerja kadar asam lemak bebas (ALB) antara data aktual dan data simulasi seperti
digambarkan pada Gambar 31 dan diuraikan pada Tabel 6. Hasil perhitungan nilai MAPE diperoleh
sebesar 4,27437%. Hasil ini menunjukkan bahwa persentase selisih data aktual dan simulasi masih
dalam kisaran yang diperkenankan yaitu dibawah 10%.
49
Kesimpulan pengujian kesesuaian produksi CPO dan kadar ALB dengan data
sesungguhnya telah konsisten dan valid secara statistik berdasarkan perilaku yang dihasilkannya.
4,75
4,50
Nilai Kadar ALB (%)
4,25
4,00
3,75
3,50
0 10 0 10 10 10 11 11
01 20 01 20 20 20 20 20
ri2 ir l ni2 s e r r r i ir l
ru
a p Ju tu ob be ua Ap
A us kt em br
F eb Ag O s F e
De Variable
Kadar ALB Simulasi
Bulan Kadar ALB Aktual
Gambar 31. Validasi kinerja kadar ALB
Tabel 6. Hasil validasi kinerja kadar ALB
Kadar ALB (%)

Bulan APE (%)
Simulasi Aktual
Jan-10 4,08 4,08 0
Feb-10 4,03 4,05 0,49383
Mar-10 4,16 4,09 1,71149
Apr-10 3,35 3,58 6,42458
Mei-10 4,03 3,93 2,54453
Jun-10 4,21 4,43 4,96614
Jul-10 4,34 4,13 5,08475
Agust-10 4,05 3,75 8
Sep-10 4,34 4,22 2,8436
Okt-10 4,39 4,25 3,29412
Nop-10 4,48 4,64 3,44828
Des-10 4,19 4,51 7,09534
Jan-11 4,33 4,72 8,26271
Feb-11 4,13 4,44 6,98198
Mar-11 4,02 3,84 4,6875
Apr-11 4,02 3,92 2,55102
MAPE 4,27437
50
C. UJI SENSITIVITAS
Uji sensitivitas pada dasarnya mengasumsikan kemungkinan-kemungkinan suatu kondisi
yang terjadi di dunia nyata dan pilihan-pilihan kebijakan yang mungkin dilakukan oleh pengambil
keputusan. Uji sensitivitas model dinamik penilaian risiko mutu CPO PKS Unit Adolina
menggunakan parameter yang berpengaruh terhadap kinerja sistem, yaitu produktivitas kebun,
rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap ALB. Metode yang digunakan
adalah skenario terbaik-terburuk (Sterman, 2000). Setiap perubahan parameter, dalam hal ini
dinaikkan (diturunkan) 10% dari nilai parameter dasar akan dilihat responnya terhadap perubahan
parameter utama.
Skenario terbaik yang mungkin terjadi diasumsikan, bahwa produktivitas kebun naik
sebesar 10% dari nilai awal, rendemen CPO naik 10% dari nilai awal, pengaruh TBS restan terhadap
ALB turun 10% dari nilai awal dan pengaruh kriteria panen terhadap ALB turun 10% dari nilai awal.
Skenario terburuk yang mungkin terjadi diasumsikan bahwa produktivitas kebun dan rendemen CPO
turun 10% dari nilai awal, dan pengaruh TBS restan dan kriteria panen terhadap ALB naik sebesar
10% dari nilai awal.
Berdasarkan uji sensitivitas model terlihat, bahwa parameter yang diuji tersebut
berpengaruh signifikan terhadap dinamika parameter utama yang dijadikan „effects’, yaitu produksi
CPO dan kadar ALB dengan memberikan hasil pada kemungkinan kondisi terbaik dan terburuk
seperti yang tertera dalam Gambar 32 dan Gambar 33.
5500000
5000000
4500000
4000000
3500000
3000000
2500000
2000000
0 10 10 10 0 0 1 1
01 20 20 20 01 01 01 01
ir 2 ril i s er
2 r 2 i 2
ril 2
a Ju
n tu be ar
ru Ap us ob ru Ap
e b g kt e m b
F A O s Fe
De V ariable
Bulan P roduksi C P O N ormal
P roduksi C P O S kenario Terbaik
P roduksi C P O S kenario Terburuk
Gambar 32. Dinamika produksi CPO akibat perubahan parameter sensitif
51
5,5
5,0
Nilai Kadar ALB (%)

4,5
4,0
3,5
3,0
10 10 10 10 10 10 11 11
i 20 20 20 20 20 20 20 20
ir l i
us r r i ri l
ar un st
e be ua
r
ru Ap J ob br Ap
e b
A gu O
kt s em e
F F
De Variable
Bulan Kadar ALB Normal
Kadar ALB Skenario Terbaik
Kadar ALB Skenario Terburuk
Gambar 33. Dinamika kadar ALB akibat perubahan parameter sensitif
D. SIMULASI SKENARIO
1. Analisis Perilaku Dasar

Analisis skenario perilaku dasar menguraikan perilaku kinerja PKS Unit Adolina pada
bulan mendatang (Mei – September 2011). Analisis skenario dipengaruhi oleh parameter yang
mempunyai tingkat sensitivitas tinggi terhadap parameter utama (produksi CPO dan kadar ALB),
yaitu produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap kadar
ALB. Parameter lainnya yang memiliki sensitivitas rendah dan sedang diasumsikan tidak mengalami
perubahan dari bulan April 2011 (fixed value).
Berdasarkan RKAP perusahaan pada bulan Mei – September 2011, rencana kerja
produktivitas panen kebun total masing-masing 11783, 12457, 15794, 15851 dan 14858 ton TBS/5980
hektar lahan panen, sehingga didapat tingkat kenaikan kinerja produktivitas kebun sebesar 5-6% per
bulannya dari nilai kerja produktivitas kebun bulan April 2011. Serupa dengan produktivitas
perusahaan, peningkatan kinerja rendemen CPO pada bulan Mei – September juga didapat dari
RKAP, dengan peningkatan sebesar 0,13-0,14% setiap bulannya dari nilai rendemen CPO pada bulan
April 2011.
Pengaruh TBS restan dan kriteria panen terhadap ALB juga dirujuk berdasarkan RKAP
PKS Unit Adolina dimana mentargetkan kadar asam lemak bebas dari minyak sawit kasar yang
dihasilkan berada dibawah angka 3,5%. Nilai kinerja ini kontraprestasi terhadap nilai kinerja
produktivitas kebun dan rendemen, yang semakin tinggi nilainya maka akan semakin baik efeknya.
Bahwa dengan semakin menurunnya persentase TBS restan yang ada di lapangan serta menurunnya
jumlah buah mentah yang dipanen, maka akan meningkatkan kinerja sistem secara keseluruhan.
Bentuk grafik peningkatan nilai keempat ukuran kinerja tersebut dalam Powersim menggunakan
fungsi RAMP (Gambar 34 – Gambar 37).
52
k g/(m o*hek tar)
2,750
produktivitas kebun
2,500
2,250
2,000
1,750
1,500
Jan Feb Mar Apr May Jun Jul Aug Sep O ct Nov Dec Jan Feb Mar Apr May Jun Jul Aug
2010
Gambar 34. Kinerja produktivitas kebun Januari 2010 – September 2011
%/m o
23.5
rendemen cpo
23.0
22.5
2010
Gambar 35. Kinerja rendemen CPO Januari 2010 – September 2011
%
pengaruh kriteria panen
1.9
1.8
thd kadar alb
1.7
1.6
Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug
2010
Gambar 36. Kinerja pengaruh kriteria panen terhadap kadar ALB Januari 2010 – September 2011
53
%
30
tbs restan
25
20
15
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun Jul Aug
2010
Gambar 37. Kinerja TBS restan Januari 2010 – September 2011
Hasil simulasi menunjukkan (Gambar 38 dan 39), bahwa dinamika produksi CPO PKS
Unit Adolina pada skenario dasar periode bulan Mei 2011 sebesar 3846921 kg dan bulan September
2011 meningkat menjadi sebesar 4419347 kg. Dinamika kadar ALB pada skenario perilaku dasar pada
bulan Mei 2011 adalah sebesar 3,84% dan pada bulan September 2011 menurun menjadi 3,80%.
k g/m o
4,500,000
4,000,000
3,500,000
cpo
3,000,000
2,500,000
2010
Gambar 38. Dinamika produksi CPO pada skenario dasar
%
4.5
kadar alb
4.0
3.5
2010
Gambar 39. Dinamika kadar ALB pada skenario dasar
54
2. Analisis Perilaku Dinamik
Analisis perilaku dinamik atau analisis sensitivitas memungkinkan bagi pemodel untuk
memasukkan nilai atau merubah nilai dari parameter yang diuji. Meskipun analisis perilaku dasar
begitu penting sebagai cerminan dari kondisi aktual di lapangan, namun pada kenyataannya model
harus dapat mengakomodir kejadian-kejadian pada periode mendatang dan selalu merencanakan
kebijakannya berdasar RKAP yang telah ditetapkan perusahaan sebelumnya. Perubahan nilai
paramater, atau parameter yang diuji, dalam bahasan ini adalah produktivitas kebun, rendemen CPO,
TBS restan, pengaruh kriteria panen terhadap kadar ALB dan juga jumlah truk. Perubahan nilai
parameter mengacu pada Forrester (1961) dalam Rohmatulloh (2007) dimana terdiri dari tiga skenario
berserta kombinasinya yaitu skenario agresif (optimis), moderat dan lambat (pesimis) (Tabel 7).
Tabel 7. Matriks skenario kebijakan
Skenario Produktivitas Rendemen TBS restan Pengaruh Jumlah truk Ket.

kebun (kg/ha) CPO (%) (%) kriteria panen (truk)
thd kadar ALB
(%)
Agresif + (5-6%) + (0,13- -1% -1,5% ≥ total truk SR 1A
0,14%) diperlukan
Agresif + (5-6%) - -1% -1,5% ≥ total truk SR 1B
diperlukan
Agresif - + (0,13- -0,5% -1,5% ≥ total truk SR 1C
0,14%) diperlukan
Moderat - - 0,5% -1% ≥ total truk SR 2
diperlukan
Lambat - (5-6%) - (0,13- 1% 1,5% < total truk SR 3
0,14%) diperlukan
Agresif- + (5-6%) + (0,13- 0,5% 1% < total truk SR 4
lambat 0,14%) diperlukan
Keterangan :
*) +/- 5-6% = produktivitas meningkat atau menurun sebesar 5-6% setiap bulan dari kinerja bulan
April 2011 sebesar 1963,21 kg/ha.
**) +/- 0,13-0,14% = rendemen CPO meningkat atau menurun sebesar 0,13-0,14% setiap bulan dari
kinerja bulan April 2011 sebesar 22,7%.
***) - = kinerja produktivitas kebun atau rendemen CPO menggunakan nilai kinerja masing-masing
parameter pada bulan April 2011.
Skenario agresif adalah skenario yang mungkin terjadi pada penilaian risiko mutu minyak
sawit kasar PKS Unit Adolina bulan Mei - September 2011 lebih baik dari bulan sebelumnya (April
2011). Skenario agresif varian pertama (SR 1A) diasumsikan bahwa perubahan nilai parameter
produktivitas kebun meningkat 5-6% setiap bulannya terhadap perubahan nilai kinerja produktivitas
kebun bulan April 2011 sebesar 1963,21 kg/hektar dan rendemen CPO meningkat sebesar 0,13-0,14%
setiap bulannya terhadap nilai kinerja rendemen CPO bulan April 2011 sebesar 22,7% dan jumlah truk
lebih atau sama dengan jumlah truk yang diperlukan. Persentase TBS restan per bulannya
diasumsikan berkurang 1% dari tingkat TBS restan yang diasumsikan dalam pengolahan yaitu 15%.
55
Kondisi serupa diterapkan pada perubahan nilai kinerja pengaruh kriteria panen terhadap kadar ALB
diharapkan nilainya secara gradual berkurang 1,5% setiap bulannya.
Varian kedua (SR 1B) diasumsikan bahwa parameter produktivitas kebun Mei - September
2011 meningkat 5-6 % setiap bulannya terhadap nilai kinerja produktivitas kebun pada April 2011
sebesar 1963,21kg/hektar, sedangkan parameter rendemen CPO pada Mei - September 2011
diasumsikan nilainya tetap terhadap nilai kinerja rendemen CPO bulan April 2011 yaitu 22,70%.
Varian ketiga (SR 1C) diasumsikan parameter produktivitas kebun tetap senilai 1963,21
kg/hektar, dengan penurunan TBS restan dan pengaruh kriteria panen masing-masing 1% dan 1,5%
tiap bulannya serta jumlah truk aktual lebih besar dari jumlah truk yang dibutuhkan tiap bulannya.
Hasil simulasi dinamika produksi CPO dan kadar ALB terhadap berbagai skenario varian
agresif seperti digambarkan pada Gambar 40-45.
k g/m o
4,500,000
4,000,000
3,500,000
cpo
3,000,000
2,500,000
2010
Gambar 40. Dinamika produksi CPO (SR 1A)
%
4.5
kadar alb
4.0
3.5
2010
Gambar 41. Dinamika kadar ALB (SR 1A)
k g/m o
4,000,000
3,500,000
cpo
3,000,000
2,500,000
2010
Gambar 42. Dinamika produksi CPO (SR 1B)
56
%
4.5
kadar alb
4.0
3.5
2010
Gambar 43. Dinamika kadar ALB (SR 1B)
k g/m o
4,000,000
3,500,000
cpo
3,000,000
2,500,000
2010
Gambar 44. Dinamika produksi CPO (SR 1C)
%
4.5
kadar alb
4.0
3.5
2010
Gambar 45. Dinamika kadar ALB (SR 1C)
Skenario moderat adalah skenario yang mungkin terjadi terhadap peningkatan kinerja PKS
Unit Adolina pada bulan Mei - September 2011 sama dengan bulan April 2011. Skenario moderat
(SR2) diasumsikan bahwa parameter produktivitas kebun dan rendemen CPO tetap nilai kinerjanya
dengan nilai masing-masing parameter pada bulan April 2011. Pengaruh TBS restan dan kriteria
panen terhadap ALB naik menjadi 0,5% dan turun menjadi 1% secara respektif serta jumlah truk
aktual diasumsikan lebih atau sama dengan jumlah truk yang dibutuhkan.
Hasil simulasi dinamika produksi CPO dan kadar ALB pada skenario moderat digambarkan
pada Gambar 46 dan 47.
57
k g/m o
4,000,000
3,500,000
cpo 3,000,000
2,500,000
2010
Gambar 46. Dinamika produksi CPO (SR 2)
%
4.5
kadar alb
4.0
3.5
2010
Gambar 47. Dinamika kadar ALB (SR 2)
Skenario lambat adalah skenario yang mungkin terjadi terhadap kebijakan peningkatan
kinerja PKS Unit Adolina bulan Mei - September 2011 lebih buruk dari bulan April 2011. Skenario
lambat atau pesimis (SR 3) diasumsikan bahwa parameter produktivitas kebun sebesar 5-6% setiap
bulannya, rendemen CPO turun 0,13-0,14% setiap bulannya, persentase tbs restan dalam pengolahan
meningkat 1% , pengaruh kriteria panen terhadap kadar ALB naik sebesar 1,5% dan jumlah truk
aktual tidak mencukupi untuk mengangkut seluruh hasil panen ke pabrik dalam waktu yang telah
ditentukan. Hasil simulasi dinamika produksi CPO dan kadar ALB pada skenario lambat seperti
digambarkan pada Gambar 48 dan 49.
k g/m o
4,000,000
3,500,000
cpo
3,000,000
2,500,000
Jan Fe b Mar AprMayJun Jul AugSe p O ct Nov De c Jan Fe b Mar AprMay Jun Jul Aug
2010
58
%
4.5
kadar alb 4.0
3.5
2010
Skenario agresif-lambat adalah skenario yang mengakomodasi kebijakan bersifat agresif

dan lambat. Skenario agresif-lambat (SR 4) diasumsikan bahwa parameter produktivitas kebun dan
rendemen CPO mengikuti skenario agresif (SR 1), sedangkan parameter yang mengalami kinerja
lambat adalah persentase TBS restan yang naik 0,5% setiap bulannya, pengaruh kriteria panen
terhadap kadar ALB naik 1% setiap bulannya dan jumlah truk yang tersedia tidak cukup atau kurang
dari jumlah yang dibutuhkan. Hasil simulasi dinamika produksi CPO dan kadar ALB pada skenario
agresif-lambat dapat dilihat pada Gambar 50 dan 51.
k g/m o
4,500,000
4,000,000
3,500,000
cpo
3,000,000
2,500,000
2010
%
4.5
kadar alb
4.0
3.5
2010
Perbandingan hasil simulasi dinamika produksi CPO dan kadar ALB pada berbagai
skenario seperti digambarkan pada Gambar 52 dan 53.
59
4500000

4000000
3500000
3000000
2500000
0 10 10 10 10 10 11 11 11 11
01 20 20 20 20 20 20 20 20 20
ir 2 ril ni s e r r r i il ni s
ua Ap Ju st
u
ob be ua Ap
r
Ju st
u Variable
e br gu kt sem e br gu CPO SR1A

F A O F A
De CPO SR1B
CPO SR1C
Bulan CPO SR2
CPO SR3
CPO SR4
Gambar 52. Perbandingan dinamika produksi CPO pada berbagai skenario
4,75
4,50
Nilai Kadar ALB (%)
4,25
4,00
3,75
3,50
10 10 01
0 10 10 10 11 11 11 11
i 20 20 i2 20 20 20 20 20 20 20
ar r il n tu
s
be
r
be
r ri ril ni
us Variable
ru Ap Ju us to ua Ap Ju st
br
ALB SR 1A
e b
Ag Ok sem e A gu ALB SR 1B
F F
De ALB SR 1C
Bulan ALB SR2
ALB SR3
ALB SR4
Gambar 53. Perbandingan dinamika kadar ALB pada berbagai skenario
Perilaku dinamik produksi CPO PKS Unit Adolina pada skenario dasar periode Mei 2011
adalah sebesar 3846921 kg dan pada periode September 2011 meningkat menjadi sebesar 4419347
kg. Dinamika produksi CPO pada skenario agresif (optimis) bulan Mei 2011 sebesar 3846921 kg dan
pada bulan September 2011 mencapai tingkat produksi 4419347 kg. Sedangkan pada skenario lambat
(pesimis) periode Mei 2011 produksi berada pada titik 3563005 kg dan pada September 2011 hanya
menyentuh angka 2999770 kg (Tabel 8).
60
Tabel 8. Dinamika produksi CPO pada berbagai skenario
Bulan Dinamika Produksi CPO (kg)

Dasar SR1A SR1B SR1C SR2 SR3 SR4
Mei-11 3846920,53 3846920,53 3841542,37 3709958,1 3704771,42 3563005,27 3846920,53
Jun-11 3989452,6 3989452,6 3978313,33 3715144,78 3704771,42 3421622,08 3989452,6
Jul-11 4132367,63 4132367,63 4115084,28 3720331,46 3704771,42 3280621,84 4132367,63
Agust-11 4275665,62 4275665,62 4251855,23 3725518,14 3704771,42 3140004,57 4275665,62
Sep-11 4419346,56 4419346,56 4388626,18 3730704,82 3704771,42 2999770,25 4419346,56
Dinamika kadar ALB pada skenario perilaku dasar pada bulan Mei 2011 adalah sebesar
3,84% dan pada bulan September 2011 menurun menjadi 3,80%. Dinamika kadar ALB pada skenario
agresif (optimis) periode Mei 2011 yakni sebesar 3,84% dan pada September 2011 mencapai angka
3,80%. Pada skenario lambat kadar ALB periode Mei 2011 sebesar 4,09% dan September 2011
menyentuh titik 4,13% (Tabel 9).
Tabel 9. Dinamika kadar ALB pada berbagai skenario
Dinamika Kadar ALB (%)

Bulan
Dasar SR1A SR1B SR1C SR2 SR3 SR4
Mei-11 3,84 3,84 3,84 3,84 3,87 4,09 3,89
Jun-11 3,83 3,83 3,82 3,84 3,88 4,1 3,91
Jul-11 3,83 3,83 3,83 3,85 3,92 4,11 3,93
Agust-11 3,82 3,82 3,81 3,84 3,93 4,12 3,94
Sep-11 3,8 3,8 3,8 3,83 3,94 4,13 3,96
3. Analisis Penilaian Risiko

Secara definitif, konsep risiko mengandung dua unsur besar, yaitu ketidakpastian
(uncertainty) dan peluang kemungkinan (probability). Risiko dalam pengertiannya secara luas seperti
dikembangkan oleh COSO of United States, adalah segala kejadian (events) yang memiliki peluang
kemungkinan (likelihood) yang memiliki dampak negatif (impact) terhadap pencapaian tujuan atau
sasaran (objective). Dalam sistem dinamik yang kompleks, pendekatan probabilistik dapat
mencerminkan perilaku sesungguhnya dan menentukan tujuan perilaku sistem secara utuh yang tidak
dapat diperoleh dari pendekatan deterministik dan analisa sensitivitas. Menurut Rohmatulloh (2007)
sistem dinamik probabilistik dapat diterapkan untuk memprediksi kondisi yang akan terjadi pada
periode-periode mendatang.
Analisis penilaian risiko membantu para pengambil keputusan untuk mengetahui potensi
dan tingkat risiko atau peluang proyeksi kinerja mutu minyak sawit kasar PKS Unit Adolina pada
bulan mendatang. Alat (tool) ini dapat mengetahui bagaimana keadaan skenario yang terbaik maupun
terburuk. Penilaian risiko mengerjakan secara otomatis dengan merubah nilai variabel dan menghitung
nilai baru, serta membantu menentukan probabilitas untuk mendapatkan strategi terbaik.
61
Simulasi analisis risiko menggunakan fasilitas risk assessment sebagai feature pack dalam
Powersim Studio 2005. Parameter yang memiliki ketidakpastian dimasukkan ke dalam kategori
„assumptions‟ yaitu produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen
terhadap ALB dengan menggunakan distribusi probabilitas spesifik yang telah dicari dan telah dibahas
dalam bagian Bab 6. Selanjutnya asumsi-asumsi tersebut akan menghasilkan distribusi nilai terhadap
„effect‟ atau parameter utama dalam bahasan ini, yaitu produksi CPO dan kadar ALB.
Analisis risiko akan menghasilkan distribusi nilai pada parameter utama menggunakan
metode Latin Hypercube dengan ulangan sebanyak 100 kali. Dipilihnya metode Latin Hypercube
karena metode ini tidak bekerja dengan bilangan acak seperti dalam metode Monte Carlo, melainkan
bekerja dengan distribusi probabilitas spesifik parameter yang akan diuji, sehingga hasilnya 10 x lebih
efisien dibandingkan dengan menggunakan simulasi Monte Carlo. Dalam simulasi nantinya, akan
dihasilkan 40 generasi dengan ulangan sebanyak 100 kali ulangan dengan opsi record of history
adalah maximum resolution tiap jenjang periode (bulanan).
Simulasi dengan menggunakan metode Latin Hypercube ini akan menghasilkan nilai rata-
rata, simpangan baku dan batas persentil sebesar 25%, 50% dan 75% seperti digambarkan pada
Gambar 55 dan 56. Konsep persentil adalah luas daerah penerimaan dibawah kurva distribusi normal
yang mencerminkan peluang kejadian yang terjadi (Gambar 54).
Gambar 54. Perhitungan persentil
kg/mo
4,000,000
3,000,000 cpo (Average)

cpo (Standard Deviation)
2,000,000 cpo (75 Percentile)

cpo (50 Percentile)
cpo (25 Percentile)
1,000,000
0
2010
Gmbar 55. Dinamika produksi CPO akibat pengaruh ketidakpastian
62
%
3
kadar alb (Average)
kadar alb (Standard Deviation)
2 kadar alb (75 Percentile)
kadar alb (50 Percentile)
kadar alb (25 Percentile)
1
0
2010
Gambar 56. Dinamika kadar ALB akibat pengaruh ketidakpastian
Perilaku dinamik penilaian risiko mutu CPO PKS Unit Adolina akibat karakteristik
ketidakpastian produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap
kadar ALB pada persentil 50% menunjukkan bahwa kinerja PKS Unit Adolina dari sisi produksi CPO
periode Mei 2011 mencapai nilai 3860158 kg dan pada bulan September 2011 meningkat menjadi
4446622 kg. Dinamika produksi CPO pada persentil 25% periode Mei 2011 sebesar 3612941 kg dan
pada September 2011 meningkat menjadi 4148236 kg. Dinamika produksi CPO pada persentil 75%
periode Mei 2011 sebesar 4084867 kg dan periode September 2011 meningkat menjadi sebesar
4698084 kg (Tabel 10). Kondisi tersebut digambarkan pada Gambar 55.
Tabel 10. Dinamika produksi CPO pada berbagai selang distribusi

Produksi CPO (kg)
Bulan Simpangan
Rata-rata 25% 50% 75%
baku
Mei 2011 3886672,29 354582,18 3612941,40 3860157,62 4084866,76
Juni 2011 4030681,53 368731,14 3746227,96 4006184,66 4237555,48
Juli 2011 4175077,70 382925,83 3879872,58 4152604,37 4390654,59
Agustus 2011 4319860,80 397165,49 4013875,26 4299416,74 4544164,08
September
4465030,83 411449,47 4148236,00 4446621,77 4698083,97
2011
Perilaku dinamik penilaian risiko mutu CPO PKS Unit Adolina akibat karakteristik
ketidakpastian produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap
kadar ALB pada persentil 50% menunjukkan bahwa kinerja PKS Unit Adolina dari sisi kadar ALB
periode Mei 2011 menyentuh tingkat ALB sebesar 3,83% dan pada September 2011 menurun menjadi
3,79%. Penurunan pada kadar ALB mengindikasikan bahwa kualitas CPO yang diproduksi jauh lebih
baik daripada periode sebelumnya. Dinamika kadar ALB pada persentil 25% periode Mei 2011
sebesar 3,62% dan pada September 2011 meningkat performanya menjadi 3,55%. Dinamika kadar
ALB pada persentil 75% periode Mei 2011 sebesar 3,99% dan periode September 2011 menurun
menjadi 3,97%. Kondisi tersebut digambarkan pada Gambar 56.
63
Dinamika kadar ALB pada berbagai selang distribusi dapat dilihat pada Tabel 11.
Tabel 11. Dinamika kadar ALB pada berbagai selang distribusi

Kadar ALB (%)
Bulan Simpangan
Rata-rata 25% 50% 75%
baku
Mei 2011 3,78 0,27 3,62 3,83 3,99
Juni 2011 3,77 0,28 3,60 3,82 3,98
Juli 2011 3,78 0,28 3,60 3,83 4,00
Agustus 2011 3,76 0,29 3,58 3,81 3,99
September
3,74 0,30 3,55 3,79 3,97
2011
64
VIII. REKOMENDASI KEBIJAKAN
Berdasarkan hasil simulasi skenario kebijakan agresif (optimis) dan strategi manajemen
PKS Unit Adolina dapat dirumuskan beberapa prioritas yang dapat dijadikan rekomendasi kebijakan.
Rumusan kebijakan berhubungan dengan hal-hal yang menjadi parameter yang diuji pada model yang
mempunyai korelasi signifikan terhadap parameter utama, yaitu rendemen CPO dan kadar ALB.
Rumusan kebijakan meliputi aspek peningkatan produktivitas kebun, aspek peningkatan rendemen
CPO, aspek penanganan pasca-panen yang didalamnya terkandung penanganan TBS restan dan
pemanenan TBS. Dalam perspektif sistem dinamis, hal tersebut sebenarnya tidak dapat dijelaskan
secara parsial, masing-masing titik mempunyai peran dalam pengaruh setelahnya dan demikian
seterusnya. Tetapi karena rumusan kebijakan didasarkan pada aspek-aspek yang mempengaruhi
dinamika parameter utama, hal tersebut harus diuraikan secara terpisah sebagai bentuk tindakan
terbaik dalam peningkatan berbagai aspek tersebut. Tindakan terbaik peningkatan produktivitas kebun
dilakukan dengan penanganan tanaman di kebun dan juga mengoptimumkan, meningkatkan dan
memelihara luasan lahan panen TM (tanaman menghasilkan). Tindakan terbaik peningkatan rendemen
CPO adalah dengan optimalisasi kinerja utilitas pabrik dan penanganan pra-pengolahan khususnya
setelah TBS tiba di halaman pabrik. Tindakan dalam peningkatan kualitas pasca-panen adalah dengan
optimalisasi penjadwalan transportasi kebun ke pabrik dan penerapan terintegrasi pengelolaan panen
TBS. Rekapitulasi rumusan tersebut seperti diuraikan pada Tabel 12.
Tabel 12. Rumusan kebijakan

Aspek kebijakan Tindakan terbaik
Perbaikan kinerja penanganan tanaman di kebun

Peningkatan produktivitas kebun dan memelihara serta meningkatkan luasan lahan
panen TM
Optimasi kinerja utilitas pabrik dan peningkatan

Peningkatan rendemen CPO
kinerja pra-pengolahan di pabrik
Optimasi penjadwalan transportasi (trip dan truk)
kebun ke pabrik, penerapan terintegrasi
Peningkatan kualitas pasca-panen
pengelolaan panen TBS dan minimasi stagnasi
pabrik
Manajemen PKS Unit Adolina dapat melakukan tindakan korektif teknis operasional bulan
Mei - September 2011 berdasarkan acuan rumusan tindakan terbaik seperti pada Gambar 57. Adapun
hasil perbaikan tersebut menghasilkan proyeksi berdasarkan hasil simulasi skenario agresif periode
bulan Mei - September 2011 berupa dinamika produksi CPO sebesar 3846921 kg hingga 4419347 kg.
Dinamika kadar ALB hasil simulasi bulan Mei - September 2011 sebesar 3,84% dan meningkat
performanya menjadi 3,80% lebih baik dari keadaan aktual pada bulan April 2011 yang kadar ALB
menyentuh nilai 3,92%.
65
Diharapkan 23,30%
Aspek Rendemen CPO

Tindakan koreksi:
- Optimasi kinerja utilitas
pabrik
- Peningkatan kinerja
sortasi dan penumpukan
(pra-pengolahan)
- Pemilihan bibit tanaman
unggul
Diharapkan 1963,21 kg/ha
Diharapkan 1,75%
Tindakan koreksi:
Aspek Pemanenan TBS

Aspek Produktivitas Panen
- Budidaya & pemeliharaan Tindakan koreksi:

*) Pembibitan Proyeksi - Peningkatan
*) Pengendalian gulma produksi CPO
pengelolaan panen
*) Pengendalian hama dan 3847 ton
Kadar ALB (persiapan,
penyakit
*) Pemupukan 3,84% kriteria, rotasi,
*) Prunning pelaksanaan dan
- Mempertahankan dan pengawasan)
memelihara luasan tanaman
menghasilkan sebesar 5980
ha Diharapkan 15%
Aspek Penanganan TBS Restan
Tindakan koreksi:
- Optimasi penentuan trip
transportasi TBS
- Optimasi penentuan
jumlah truk transportasi
TBS
- Minimisasi stagnasi
pabrik
Gambar 57. Tindakan perbaikan kinerja PKS Unit Adolina untuk bulan Mei 2011
Peningkatan kinerja produktivitas kebun dapat diupayakan melalui usaha sebagai berikut :
1. Proses budidaya dan pemeliharaan dengan memperhatikan beberapa faktor yang berpengaruh
yaitu:
- Pembibitan bertujuan sebagai sarana untuk memilih kecambah yang terbaik sebelum
ditanam dan memilih bibit yang memiliki tumbuh kembang baik sehingga akan
berproduksi baik dan menguntungkan bagi perusahaan. Penggunaan varietas unggul
dapat menghasilkan tingkat rendemen lebih banyak 2-4% dari varietas normal.
- Kesuburan tanah yang baik memiliki sejumlah persyaratan, diantaranya
memperbaiki kandungan ketersediaan hara makroprimer (N, P dan K) dan unsur
mikroprimer, meningkatkan kandungan bahan organik dan kehidupan biologis tanah
66
dan meningkatkan efektifitas pemupukan. Upaya ini perlu mendapat perhatian
khususnya pada lokasi tanaman kelapa sawit yang masih memiliki kekurangan
persyaratan kesuburan tanah.
- Pemupukan pada tanaman kelapa sawit memiliki peranan yang sangat penting yaitu
menentukan 35-40% terhadap hasil panen. Penggunaan kembali tandan kosong sisa
pengolahan sebagai pupuk organik dapat menjadi alternatif pemupukan.
- Pengendalian gulma ditujukan untuk menciptakan lingkungan tumbuh tanaman
untama optimal agar pekerjaan pemeliharaan lainnya seperti pemupukan,
pengendalian hama dan penyakit dan panen dapat dilakukan dengan mudah,
sehingga diperolah tingkat pertumbuhan dan produksi yang optimal.
- Pengendalian hama dan penyakit tanaman harus diperhitungkan dalam
pengelolaan budidaya kelapa sawit karena dengan penyebarannya yang luas dapat
menyebabkan gagal panen pada tanaman kelapa sawit.
- Pemotongan pelepah (prunning) ditujukan untuk memudahkan memotong buah,
menghindari tersangkutnya brondolan, memperlancar proses penyerbukan alami,
mempermudah sensus buah atau pengamatan buah matang dan untuk sanitasi
tanaman.
2. Dalam RKAP yang ditetapkan manajemen dari tahun ke tahun, tercatat sejak tahun 2009,
luas TM meningkat secara gradual. Pada 2009, luas lahan panen mencapai 5056 hektar,
kemudian pada tahun 2010 mencapai 5095 hektar dan pada 2011 sebesar 5980 hektar. Untuk
memperoleh proyeksi seperti pada Gambar 57, manajemen dapat mempertahankan luas
lahan tanaman menghasilkan pada tahun 2011 yaitu sebesar 5980 hektar. Bila dilakukan
pemeliharaan dan pengawasan secara bijaksana, peningkatan luasan lahan tanaman
menghasilkan akan berimbas pada peningkatan produktivitas.
3. Proses panen-angkut merupakan proses yang melibatkan departemen tanaman dan pabrik.
Koordinasi semua pihak mesti diupayakan agar harmonis dan berjalan sesuai tanggung
jawabnya masing-masing. Untuk menciptakan kerjasama yang baik, manajemen dapat
memperbanyak alokasi jam pelatihan berbentuk pelatihan konsultasi.
Kinerja rendemen CPO mempengaruhi dinamika produksi CPO yang dihasilkan. Beberapa
rekomendasi atau tindakan korektif demi peningkatan kinerja rendemen CPO adalah:
1. Pemanfaatan utilitas pabrik secara optimal dan juga pemeliharaan instalasi merupakan
prioritas-prioritas agar kondisi instalasi pabrik tetap dalam keadaan standar dan tetap
memiliki performa maksimal. Indikator dari pemanfaatan utilitas pabrik ini dilihat dari
efisiensi kempa, efisiensi rebusan, efisiensi pabrik dan efisiensi ekstraksi minyak. Apabila
kelima indikator itu nilainya berada diatas 90%, maka sudah dianggap pemakaiannya
optimal. Namun, jika tidak tindakan korektif harus dilakukan demi mencari nilai efisiensi
kelima indikator tersebut.
2. Pengawasan dan peningkatan kinerja pra-pengolahan saat TBS sudah masuk kedalam
halaman pabrik mutlak dilakukan. Sortasi dan penumpukan di loading ramp harus dimonitor
agar fraksi buah yang tidak diinginkan perusahaan tidak masuk ke dalam pengolahan.
3. Pemilihan bibit varietas unggul dapat mempengaruhi 2-4% rendemen akhir.
67
Kinerja pengaruh kriteria panen mempengaruhi dinamika kadar ALB dalam CPO yang
dihasilkan. Buah yang mentah dan kotor secara positif mempengaruhi tingkat kenaikan ALB. Oleh
karena itu perlu adanya tindakan korektif apabila hal tersebut terjadi. Peningkatan kinerja pengaruh
kriteria panen dapat ditempuh dengan meningkatkan dan menerapkan pengelolaan terintegrasi panen
TBS. Pengelolaan panen terintegrasi meliputi persiapan panen, kriteria matang panen, sistem dan
rotasi panen, taksasi produksi dan sensus buah, pelaksanaan panen, pengawasan panen, basis, premi
dan denda panen harus diterapkan secara keseluruhan. Sistem punish and reward diberlakukan agar
menciptakan atmosfir disiplin dalam proses pemanenan TBS. Hal ini didasarkan karena agroindustri
sendiri adalah industri yang bertumpu kepada bahan baku dan pemberian nilai tambah dengan
pengolahan. Pengolahan tidak akan dapat berjalan apabila secara ekstrim ketersediaan bahan baku
tidak ada, dan pengolahan dengan instalasi pabrik modern tidak akan efektif dan efisien jika TBS
sebagai input bahan baku tidak memenuhi standar pengolahan.
Peningkatan kinerja TBS restan yang secara positif mempengaruhi dinamika kadar ALB
dapat ditempuh dengan penjadwalan transportasi yang optimum dan juga dengan menjaga stagnasi
pabrik dibawah norma yang telah ditetapkan. Penjadwalan transportasi meliputi penentuan trip (rute)
dan jumlah truk yang tersedia di setiap afdeling harus dapat mengangkut seluruh hasil panen di
masing-masing afdeling untuk diolah di pabrik. Kekurangan truk dalam hal ini, akan berimbas pada
jumlah TBS yang tidak diangkut sehingga mengalami penundaan dalam pengolahan sehingga
menurunkan kualitasnya. Stagnasi pabrik juga harus dijaga agar TBS sebagai bahan baku dapat masuk
secara kontinu tanpa ada hambatan untuk segera diolah. Berdasarkan RKAP, norma untuk stagnasi
pabrik ditetapkan hanya sebesar 5%. Nilai stagnasi pabrik pada bulan Maret 2011 adalah sebesar
0,79% lebih rendah daripada bulan April 2011 sebesar 1,02%.
68
IX. KESIMPULAN DAN SARAN
A. KESIMPULAN
Penelitian ini dapat disimpulkan sebagai berikut :
1. Keragaman mutu minyak sawit kasar bersifat dinamik di sepanjang rantai pasokannya dan
mempunyai sensitivitas tinggi terhadap perubahan parameter produktivitas kebun, rendemen
CPO, TBS restan, pengaruh kriteria panen terhadap kadar ALB dan kecukupan truk.
2. Ukuran kesuksesan manajemen berdasarkan hasil strukturisasi sistem yaitu volume produksi
CPO dan kadar ALB yang sesuai dengan RKAP yang ditetapkan perusahaan
3. Perancangan model dinamik penilaian risiko mutu CPO PKS Unit Adolina (CPOdyn) telah
berhasil dalam mendeskripsikan pola perilaku dinamik penilaian risiko mutu CPO serta
merumuskan paket kebijakan untuk PKS Unit Adolina pada bulan mendatang sesuai dengan
apa yang tertuang dalam RKAP perusahaan.
4. Secara umum, bila diproyeksikan desired value dari rendemen CPO dengan kisaran sebesar
22,0-24,00% dan produksi CPO mencapai 3250000-3847000 kg, dengan asumsi jarak tiap
afdeling ke pabrik dan jumlah TBS pembelian sesuai dengan studi kasus penelitian, maka
dibutuhkan armada truk sejumlah 17-19 truk per harinya pada musim panen normal dan 21-
23 truk harian pada musim panen puncak.
5. Skenario perilaku dasar berdasarkan proyeksi hasil simulasi produktivitas kebun, rendemen
CPO, TBS restan dan pengaruh kriteria panen terhadap kadar ALB serta kecukupan truk
selama periode Mei - September 2011 menghasilkan dinamika produksi CPO PKS Unit
Adolina dengan kisaran sebesar 3846921 kg hingga 4419347 kg. Dinamika kadar ALB yang
diperoleh dengan kisaran sebesar 3,80%-3,84%.
6. Simulasi perilaku dinamik pada skenario agresif (optimis) pada periode Mei - September
2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar
3846921 kg hingga 4419347 kg. Dinamika kadar ALB yang diperoleh dengan kisaran
sebesar 3,80%-3,84%.
7. Simulasi perilaku dinamik pada skenario lambat (pesimis) pada periode Mei - September
2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar
2999770 kg hingga 3563005 kg. Dinamika kadar ALB yang diperoleh dengan kisaran
sebesar 4,09%-4,13%.
8. Hasil penilaian risiko akibat karakteristik ketidakpastian pada persentil 50% menunjukkan,
bahwa kinerja PKS Unit Adolina dari sisi produksi CPO bulan Mei 2011 sebesar mencapai
nilai 3860158 kg dan pada bulan September 2011 meningkat menjadi 4446622 kg. Dinamika
produksi CPO pada persentil 25% periode Mei 2011 sebesar 3612941 kg dan pada
September 2011 meningkat menjadi 4148236 kg. Dinamika produksi CPO pada persentil
75% periode Mei 2011 sebesar 4084867 kg dan periode September 2011 meningkat menjadi
sebesar 4698084 kg.
9. Hasil penilaian risiko akibat karakteristik ketidakpastian pada persentil 50% menunjukkan,
bahwa kinerja PKS Unit Adolina dari sisi kadar ALB bulan Mei 2011 menyentuh tingkat
ALB sebesar 3,83% dan pada September 2011 menurun menjadi 3,79%. Penurunan pada
kadar ALB mengindikasikan bahwa kualitas CPO yang diproduksi jauh lebih baik daripada
periode sebelumnya. Dinamika kadar ALB pada persentil 25% periode Mei 2011 sebesar
69
3,62% dan pada September 2011 meningkat performanya menjadi 3,55%. Dinamika kadar
ALB pada persentil 75% periode Mei 2011 sebesar 3,99% dan periode September 2011
menurun menjadi 3,97%.
B. SARAN
Saran yang diberikan untuk penelitian selanjutnya adalah sebagai berikut :
1. Agar penilaian risiko mutu tersebut lebih kompleks, mendetail dan lebih merepresentasikan
perilaku dinamik secara sempurna di dunia nyata, perlu ditambahkan sub-model finansial,
dimana aspek biaya produksi, biaya kehilangan dan keuntungan pabrik termasuk didalamnya.
2. Pengembangan lebih lanjut sub-model yang telah ada yaitu dengan memasukkan parameter
indikator penilaian risiko mutu pada tingkat seksi agar dapat menjelaskan perilaku yang lebih
komprehensif dan dinamik terhadap parameter utama.
3. Sub-model transportasi yang dibangun oleh pemodel tidak dilengkapi dengan analisis
antrian. Kondisi antrian sendiri terjadi dua kali sebelum TBS masuk ke loading ramp untuk
siap diolah, yaitu pada jembatan penimbangan dan pada fasilitas pembongkaran.
4. CPOdyn masih terbatas hanya untuk skenario perubahan nilai parameter dengan fungsi
konstan. Untuk itu diperlukan penambahan pilihan fungsi lain yang dapat menambah
kemampuan dinamik CPOdyn.
70
DAFTAR PUSTAKA
Aulia A. 2010. Pengelolaan Panen Kelapa Sawit (Elaeis guineensis Jacq.) Kaitannya dengan
Kandungan Asam Lemak Bebas di PT. Jambi Agro Wijaya [Skripsi]. Bogor: Departemen
Agronomi dan Hortikultura, Fakultas Pertanian, Institut Pertanian Bogor.
Angerhofer BJ and Angelides MC. 2000. Systems Dynamics Modelling in Supply Chain Management
: Research Review. Department of Information Systems and Computing, Brunei University.
United Kingdom.
Austin JE. 1992. Agroindustrial Project Analysis. Maryland : The John Hopkins University Press.
Barlo C, Zen Z, Gondowarsito R. 2003. The Indonesian Oil Palm Industry. Oil Palm Industry Journal
3(1) : 8-15.
Basiron Y. 2002. Palm Oil dan Its Global Supply and Demand Prospects. Oil Palm Industry Journal
2(1):1-10.
Basdabella S. 2001. Pengembangan Sistem Agroindustri Kelapa Sawit dengan Pola Perkebunan
Agroindustri Rakyat [disertasi]. Bogor : Sekolah Pascasarjana, Institut Pertanian Bogor.
Bell C, Higgs R, Vickers S, Toncinich S, Hasslett T. 2003. Using Systems Modelling to Understand
The Dynamics of Supply Chains. Department of Management Faculty of Business and
Economics. Monash University, Australia.
Brown JG. 1994. Agroindustrial Investment and Operations. Washington: The World Bank.
Cavinato JL. 2004. Supply Chain Logistic Risks: From The Back Room to The Board Room.
International Journal of Physical Distribution & Logistic Management 34(5):383-387.
[COSO] Committee of Sponsoring Organizations of the Treadway Commissions of United States.
2004. Enterprise Risk Management – Integrated Framework : Executive Summary.
Dja‟far WT. 2003. Skala Usaha dan Break Even Point Perusahaan Perkebunan Kelapa Sawit. Jurnal
Penelitian Kelapa Sawit 11(2-3) : 61-74.
Djohar S, Tanjung H, Cahyadi ER. 2003. Building A Competitive Advantage on CPO Through
Supply Chain Management : A Case Study in PT. Eka Dura Indonesia, Astra Agrolestari,
Riau. Jurnal Manajemen & Agribisnis 1(1):20-32.
Direktorat Jenderal Perkebunan Indonesia, Kelapa Sawit (Minyak Sawit), 2010, Retrieved from
www.ditjenbun.deptan.go.id, on 13rd January 2011.
Didu MS. 2000. Rancang Bangun Sistem Penunjang Keputusan Pengembangan Agroindustri Kelapa
Sawit untuk Perekonomian Daerah [Disertasi]. Bogor : Sekolah Pascasarjana, Institut
Pertanian Bogor.
Eriyatno. 2003. Ilmu Sistem : Meningkatkan Mutu dan Efektifitas Manajemen. Jilid Satu. IPB Press.
Bogor.
Gaonkar R and Viswanadham N. 2006. A Conceptual and Analytical Framework for The
Management of Risk in Supply Chains [working paper]. US : Indian School of Business.
Goenadi DH, Dradjat B, Emingpraja L, Hurabarat B. 2005. Prospek dan Arah Pengembangan
Agribisnis Kelapa Sawit di Indonesia [laporan]. Jakarta : Badan Penelitian dan
Pengembangan Pertanian Departemen Pertanian.
Hadiguna RA. 2010. Perancangan Sistem Pengambilan Keputusan Rantai Pasok dan Penilaian Risiko
Mutu Pada Agroindustri Minyak Sawit Kasar [Disertasi]. Bogor : Sekolah Pascasarjana,
Institut Pertanian Bogor.
Jatmika A. 2010. Rancang Bangun Sistem Pengembangan Agroindustri Kelapa Sawit dengan Strategi
Pemberdayaan [Disertasi]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor.
71
Jayaprawira A. 2010. Perancangan Model Portofolio Risiko Korporasi Agroindustri Kelapa Sawit
[Disertasi]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor.
Kuhon A. 2007. Model Simulasi Manajemen Krisis Perusahaan Agroindustri [Disertasi]. Bogor:
Sekolah Pascasarjana, Institut Pertanian Bogor.
Lee HL.2002. Aligning Supply Chain Strategies with Product Uncertainty. California Management
Reviews 44(3): 105-119.
Low C and Y Chen. 2009. The Performance Evaluation of Supply Chain by System Dynamics
Modelling. APIEMS Dec (14-16): 706-713.
Lyneis JM. 1980. Corporate Planning and Policy Design: A System Dynamics Approach.
Massachussets : MIT Press.
Makridakis S, SC Wheelwright, VE McGee. 1991. Metode dan Aplikasi Peramalan. Jakarta : Penerbit
Erlangga.
Mariana A. 2005. Rancang Bangun Sistem Penunjang Keputusan Investasi Pada Industri Biodiesel
Kelapa Sawit Menggunakan Model Sistem Dinamis [Disertasi]. Bogor: Sekolah
Pascasarjana, Institut Pertanian Bogor.
Morecroft J. 1982. A critical review of diagramming tools for conceptualizing feedback models.
Dynamica (8) : 20-29.
Muhammadi, E Aminullah dan B Soesilo. 2001. Analisis Sistem Dinamis Lingkungan Hidup, Sosial,
Ekonomi, Manajemen. Jakarta: UMJ Press.
Oktavia L. 2000. Penentuan Kebutuhan Armada Transportasi Tandan Buah Segar (TBS) Kelapa Sawit
di Unit Usaha PT. Perkebunan Nusantara VII (Persero) Bandar Lampung [Skripsi]. Bogor:
Departemen Teknik Pertanian, FATETA, Institut Pertanian Bogor.
Perdana T. 2009. Pemodelan Dinamika Sistem Rancangbangun Manajemen Rantai Pasokan Industri
Teh Hijau. [Disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
[PPKS] Pusat Penelitian Kelapa Sawit. 2004. Tinjauan Ekonomi Industri Kelapa Sawit.
Rohmatulloh. 2007. Pengembangan Penilaian Kinerja Pabrik Gula dengan Pendekatan Sistem
Dinamik (Studi Kasus PG Subang Jawa Barat) [Tesis]. Bogor: Sekolah Pascasarjana, Institut
Pertanian Bogor.
Ruben R, Slingerland M, Nijhoff H. 2006. Agro-food Chains and Networks for Development. Di
dalam : Ruben R, Slingerland M, Nijhoff H, editor. Agro-food Chains and Networks for
Development. Netherlands: Springer: 1-25.
Santoso I. 2005. Rekayasa Model Manajemen Risiko untuk Pengembangan Agroindustri Buah-
buahan secara Berkelanjutan [Disertasi]. Bogor : Sekolah Pascasarjana, Institut Pertanian
Bogor.
Setiawan A. 2009. Studi Peningkatan Kinerja Manajemen Rantai Pasok Sayuran Daratan Tinggi
Terpilih di Jawa Barat [Tesis]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor.
Sterman JD. 2000. Business Dynamics : System Thinking And Modelling For Complex World. Irwin
McGraw Hill. Boston.
Suharjito, Machfud, Haryanto B, Sukardi. 2011. Optimalisasi Penentuan Jadwal Tanam Jagung
dengan Menggunakan Integrasi Model Evaluasi Risiko Rantai Pasok. Jurnal Teknologi
Industri Pertanian 20(1) : 48-56.
Tyas CK. Pengelolaan Risiko Panen Kelapa Sawit di Perkebunan Pantai Bunati Estate PT. Sajang
Heulang Minamas Plantation, Kalimantan Selatan [Skripsi]. Bogor: Departemen Agronomi
dan Holtikultura, Fakultas Pertanian, Institut Pertanian Bogor.
Udayana IGB. 2010. Manajemen Risiko Agroindustri Biodiesel Berbasis Kelapa Sawit [Disertasi].
Bogor: Sekolah Pascasarjana Institut Pertanian Bogor.
72
Vorst JGAJ van der, Da Silva CA, Trienekens JH. 2007. Agroindustrial Supply Chain Management :
Concepts and Applications. Agricultural Management Marketing and Finance Occasional
Paper, Roma : Food and Agriculture Organization of The United Nations.
Zee DJ van der, Vorst JGAJ van der. 2005. A Modeling Framework for Supply Chain Simulation:
Opportunities for Improved Decision Making. Decision Sciences 36(1):65-95.
Zsidisin GA and B Ritchie. 2011. Supply Chain Risk: A Handbook of Assessment, Management and
Performance. USA: Springer.
73
LAMPIRAN
74
Lampiran 1. Struktur Organisasi PT. Perkebunan Nusantara IV (Persero) Unit Adolina
Manajer Unit
Ka.Dis Tanaman Ka.Dis Tanaman Ka.Dis Tanaman Ka.Dis Teknik & Ka.Dis Asisten SDM
Rayon Utara Rayon Selatan Rayon Bangun Pengolahan Tata Usaha & Umum
Asisten Afdeling 1 Asisten Afdeling 4 Asisten Afdeling 7 Asisten Teknik & Asisten Perwira
Pengolahan Tata Usaha Pengamanan
Asisten Afdeling 2 Asisten Afdeling 5 Asisten Afdeling 8

Asisten Teknik &
Pengolahan
Asisten Afdeling 3 Asisten Afdeling 6 Asisten Afdeling 9
Keterangan:
Garis Koordinasi
Garis Komando
75
Lampiran 2. Tabel Kisi-Kisi Pedoman Wawancara
No. Model Aspek Analisis Keterangan

1. Identifikasi strategi & tujuan
perusahaan
2. Identifikasi lingkungan
internal perusahaan dan nilai
yang terkandung di dalamnya
1 Exposure (paparan) 3. Identifikasi ukuran

kesuksesan perusahaan
4. Identifikasi variabel sumber

risiko
5. Identifikasi landasan penilaian

risiko mutu CPO
Risk 1. Identifikasi keterkaitan area

Assessment kesuksesan dengan ukuran
Questionnaire kinerja yang saling mendukung
strategi dan tujuan perusahaan
2. Identifikasi proses mitigasi

risiko mutu perusahaan dan
Severity alternatif kebijakan terkait
2
(konsekuensi) penanganan variabel risiko
3. Identifikasi pengorganisasian
hirarki perusahaan terkait
dengan aktifitas penilaian risiko
mutu
4. Identifikasi pengawasan dan
evaluasi dalam aktifitas
pengendalian mutu
1. Identifikasi peluang dan
Likelihood
3 dampak terjadinya risiko selama
(kemungkinan)
rantai pasok
76
Lampiran 3. Jadwal Penelitian
Matriks jadwal penelitian
2011
No. Uraian Ket.
Jan Feb Maret April Mei Juni Jul Agu Sept Okt-Nov
1 Persiapan √ √ √
2 Studi kepustakaan √ √ √ √ √ √ √
3 Proposal penelitian √ √
4 Perizinan √ √
5 Penelitian √ √ √
6 Seminar √
Pengolahan data
7 √ √ √ √ √
dan pemodelan SD
8 Penulisan skripsi √ √ √ √
9 Ujian sidang √ Tentatif
77
Lampiran 4. Uji Distribusi Probabilitas
Persentase TBS Restan
Auto::Fit of Distributions
distribution rank acceptance

Lognormal(12., 1.79, 0.975) 98.3 do not reject
Exponential(12., 8.29) 85.3 do not reject
Uniform(12., 31.6) 24.2 do not reject
goodness of fit
data points 16
estimates maximum likelihood estimates
accuracy of fit 3.e-004
level of significance 5.e-002
summary
Kolmogorov
distribution Smirnov
Exponential 0.197
Lognormal 0.198
Uniform 0.208
detail
Exponential
minimum = 12. [fixed]
beta = 8.29063
78
Kolmogorov-Smirnov
data points 16
ks stat 0.197
alpha 5.e-002
ks stat(16,5.e-002) 0.327
p-value 0.504
result DO NOT REJECT
Lognormal
mu = 1.7859
sigma = 0.97461
Kolmogorov-Smirnov
data points 16
ks stat 0.198
alpha 5.e-002
ks stat(16,5.e-002) 0.327
p-value 0.496
Uniform
maximum = 31.6
Kolmogorov-Smirnov
data points 16
ks stat 0.208
alpha 5.e-002
ks stat(16,5.e-002) 0.327
p-value 0.435
79
Pengaruh Kriteria Panen Terhadap ALB
Lognormal(1., -0.174, 5.82e-002) 100 do not reject
Exponential(1., 0.842) 3.15e-007 reject
Uniform(1., 1.93) 0 reject
goodness of fit
data points 16
summary
Kolmogorov
Exponential 0.599
Lognormal 0.114
Uniform 0.828
detail
Exponential
beta = 0.841875
Kolmogorov-Smirnov
data points 16
ks stat 0.599
80
alpha 5.e-002
ks stat(16,5.e-002) 0.327
p-value 5.04e-006
result REJECT
Lognormal
mu = -0.173825
sigma = 5.82285e-002
Kolmogorov-Smirnov
data points 16
ks stat 0.114
alpha 5.e-002
ks stat(16,5.e-002) 0.327
p-value 0.97
Uniform
maximum = 1.93
Kolmogorov-Smirnov
data points 16
ks stat 0.828
alpha 5.e-002
ks stat(16,5.e-002) 0.327
p-value 1.28e-012
result REJECT
81
Produktivitas Kebun
Exponential(1.44e+003, 607) 80.1 do not reject
Uniform(1.44e+003, 2.82e+003) 34.5 do not reject
Lognormal(1.44e+003, 5.6, 1.99) 15.5 do not reject
goodness of fit
data points 16
summary
Kolmogorov
Exponential 0.182
Lognormal 0.227
Uniform 0.16
detail
Exponential
beta = 606.841
Kolmogorov-Smirnov
data points 16
ks stat 0.182
alpha 5.e-002
82
ks stat(16,5.e-002) 0.327
p-value 0.559
Lognormal
mu = 5.6028
sigma = 1.98627
Kolmogorov-Smirnov
data points 16
ks stat 0.227
alpha 5.e-002
ks stat(16,5.e-002) 0.327
p-value 0.332
Uniform
maximum = 2824.34
Kolmogorov-Smirnov
data points 16
ks stat 0.16
alpha 5.e-002
ks stat(16,5.e-002) 0.327
p-value 0.749
83
Rendemen CPO
Lognormal(22., 0.119, 0.346) 100 do not reject
Uniform(22., 23.6) 1.14e-002 reject
goodness of fit
data points 16
summary
Kolmogorov
Lognormal 0.253
Uniform 0.452
detail
Lognormal
mu = 0.119262
sigma = 0.345599
Kolmogorov-Smirnov
data points 16
ks stat 0.253
alpha 5.e-002
84
ks stat(16,5.e-002) 0.327
p-value 0.216
Uniform
maximum = 23.61
Kolmogorov-Smirnov
data points 16
ks stat 0.452
alpha 5.e-002
ks stat(16,5.e-002) 0.327
p-value 1.68e-003
result REJECT
85
Lampiran 5. Plot Data Analisis Regresi
Tabel. Tingkat kadar ALB berdasarkan fraksi panen

Fraksi Panen Kadar ALB
00 1,6 %
0 1,6 %
1 1,7 %
2 1,8 %
3 2,1 %
4 2,6%
5 2,8%
Sumber : Lubis (1992)
Regression Analysis: Kadar ALB versus Fraksi 00
The regression equation is

Kadar ALB = 4,344 - 0,5736 Fraksi 00
S = 0,304372 R-Sq = 17,5% R-Sq(adj) = 11,6%
Analysis of Variance
Source DF SS MS F P
Regression 1 0,27418 0,274179 2,96 0,107
Error 14 1,29700 0,092643
Total 15 1,57117
Fitted Line Plot

Kadar ALB = 4,344 - 0,5736 Fraksi 00
4,75 S 0,304372
R-Sq 17,5%
R-Sq(adj) 11,6%
4,50
Kadar ALB
4,25
4,00
3,75
3,50
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7
Fraksi 00
86
Regression Analysis: Kadar ALB versus Fraksi 0

Kadar ALB = 4,694 - 0,4097 Fraksi 0
S = 0,280035 R-Sq = 30,1% R-Sq(adj) = 25,1%
Source DF SS MS F P
Regression 1 0,47330 0,473299 6,04 0,028
Error 14 1,09788 0,078420
Total 15 1,57117
Fitted Line Plot

Kadar ALB = 4,694 - 0,4097 Fraksi 0
4,75 S 0,280035
R-Sq 30,1%
R-Sq(adj) 25,1%
4,50
Kadar ALB
4,25
4,00
3,75
3,50
0,50 0,75 1,00 1,25 1,50 1,75 2,00
Fraksi 0
Regression Analysis: Kadar ALB versus Fraksi Matang

Kadar ALB = - 21,94 + 0,2653 Fraksi Matang
S = 0,285097 R-Sq = 27,6% R-Sq(adj) = 22,4%
Source DF SS MS F P
Regression 1 0,43325 0,433253 5,33 0,037
Error 14 1,13792 0,081280
Total 15 1,57117
87
Fitted Line Plot
Kadar ALB = - 21,94 + 0,2653 Fraksi Matang
4,75 S 0,285097
R-Sq 27,6%
R-Sq(adj) 22,4%
4,50
Kadar ALB
4,25
4,00
3,75
3,50
97,5 98,0 98,5 99,0 99,5
Fraksi Matang
Polynomial Regression Analysis: ALB versus TBS Restan

ALB = - 25,06 + 4,102 TBS Restan - 0,1831 TBS Restan**2 + 0,002630 TBS
Restan**3
S = 0,224976 R-Sq = 85,5% R-Sq(adj) = 63,8%
Source DF SS MS F P
Regression 3 0,598322 0,199441 3,94 0,209
Error 2 0,101228 0,050614
Total 5 0,699550
Fitted Line Plot

ALB = - 25,06 + 4,102 TBS Restan
- 0,1831 TBS Restan**2 + 0,002630 TBS Restan**3
S 0,224976
4,8
R-Sq 85,5%
R-Sq(adj) 63,8%
4,6
4,4
ALB
4,2
4,0
3,8
15,0 17,5 20,0 22,5 25,0 27,5 30,0 32,5
TBS Restan
88
Lampiran 6. Penentuan Armada Transportasi Tandan Buah Segar (TBS)
Rata-rata Produksi Bulanan per Afdeling (kg)

Bulan Afd.1 Afd.2 Afd.3 Afd.4 Afd.5 Afd.6 Afd.7 Afd.8 Afd.9
Januari 1054658,4 880313 193117,1424 552887,25 894412 969285 1004899,5 562897 355063,155
Februari 1317671,9 996531 219734,7007 618308,17 1136223 1151058 1131556,6 595406 401679,7668
Maret 1590690,1 1222302 262860,3379 745534,39 1381189 1363784 1347432,2 735188 499905,4406
April 1642264,2 1224038 260152,7386 724155,24 1359373 1339895 1387991,6 765304 511880,9925
Mei 1727815,2 1302198 284982,7066 817920,95 1502792 1497545 1487302,5 812223 532555,4578
Juni 1855594,3 1398669 306077,8189 878388,22 1613752 1608236 1597374,4 872331 572009,7728
Juli 2285424,4 1721831 376882,6334 1081963,2 1988433 1981055 1966998,6 1074198 704168,2449
Agustus 2346850,4 1767893 386987,5465 1111071,3 2042104 2034375 2019763,7 1103017 723005,1609
September 1955204,3 1471812 322285,5741 925787,84 1702424 1695240 1682202,5 918690 601913,3793
Oktober 2210478,2 1664222 364392,004 1046628,2 1924434 1916487 1901950,7 1038695 680602,5606
Nopember 1845014,3 1345111 296948,4207 892271,52 1679706 1657169 1618434,1 876393 546848,5843
Desember 1927249,2 1381742 311889,7788 908261,05 1723830 1652663 1573558,1 868842 567764,6949
Rata-rata Produksi Harian per Afdeling (kg)

Bulan Hari Olah Afd.1 Afd.2 Afd.3 Afd.4 Afd.5 Afd.6 Afd.7 Afd.8 Afd.9
Januari 19,5 54085 45144 9903 28353 45867 49707 51533 28866 18208
Februari 21,75 60583 45818 10103 28428 52240 52922 52026 27375 18468
Maret 25,25 62998 48408 10410 29526 54701 54011 53364 29116 19798
April 24,5 67031 49961 10618 29557 55485 54690 56653 31237 20893
Mei 27,67 62444 47062 10299 29560 54311 54122 53751 29354 19247
Juni 26,67 69576 52444 11476 32935 60508 60301 59894 32708 21448
89
Juli 28 81622 61494 13460 38642 71015 70752 70250 38364 25149
Agustus 28,33 82840 62404 13660 39219 72083 71810 71294 38935 25521
September 25,67 76167 57336 12555 36065 66320 66040 65532 35788 23448
Oktober 26,67 82883 62401 13663 39244 72157 71859 71314 38946 25519
Nopember 24,67 74788 54524 12037 36168 68087 67173 65603 35525 22167
Desember 26 74125 53144 11996 34933 66301 63564 60521 33417 21837
Data Jarak dan Waktu Siklus Transportasi Afdeling

Jarak Waktu siklus
Afdeling
(km) (menit)
1 15 72,5
2 11 66,5
3 15 72,5
4 18 77
5 24 86
6 27 90,5
7 45,5 118,25
8 60 140
9 52,5 128,75
90
Afdeling 1
Kapasitas truk = 6000 kg Maksimal trip/truk/hari = 6 trip
Jam kerja truk per hari = 8 jam
Waktu siklus transportasi = 72,5 menit
Produksi
Jumlah Total
Bulan harian
trip/hari Truk
(kg)
Januari 54085 10 2
Februari 60583 11 2
Maret 62998 11 2
April 67031 12 2
Mei 62444 11 2
Juni 69576 12 2
Juli 81622 14 3
Agustus 82840 14 3
September 76167 13 3
Oktober 82883 14 3
Nopember 74788 13 3
Desember 74125 13 3
Afdeling 2
Produksi
Jumlah Total
Bulan harian
trip/hari Truk
(kg)
Januari 45144 8 2
Februari 45818 8 2
Maret 48408 9 2
April 49961 9 2
Mei 47062 8 2
Juni 52444 9 2
Juli 61494 11 2
Agustus 62404 11 2
Oktober 62401 11 2
Nopember 54524 10 2
Desember 53144 9 2
91
Afdeling 3
Produksi
Jumlah Total
Bulan harian
trip/hari Truk
(kg)
Januari 9903 2 1
Februari 10103 2 1
Maret 10410 2 1
April 10618 2 1
Mei 10299 2 1
Juni 11476 2 1
Juli 13460 3 1
Agustus 13660 3 1
September 12555 3 1
Oktober 13663 3 1
Nopember 12037 3 1
Desember 11996 2 1
Afdeling 4
Waktu siklus transportasi = 77 menit
Produksi
Jumlah Total
Bulan harian
trip/hari Truk
(kg)
Januari 28353 5 1
Februari 28428 5 1
Maret 29526 5 1
April 29557 5 1
Mei 29560 5 1
Juni 32935 6 1
Juli 38642 7 2
Agustus 39219 7 2
September 36065 7 2
Oktober 39244 7 2
Nopember 36168 7 2
Desember 34933 6 1
92
Afdeling 5
Produksi
Jumlah Total
Bulan harian
trip/hari Truk
(kg)
Januari 45867 8 2
Februari 52240 9 2
Maret 54701 10 2
April 55485 10 2
Mei 54311 10 2
Juni 60508 11 3
Juli 71015 12 3
Agustus 72083 12 3
Oktober 72157 12 3
Nopember 68087 12 3
Desember 66301 12 3
Afdeling 6
Produksi
Jumlah Total
Bulan harian
trip/hari Truk
(kg)
Januari 49707 9 2
Februari 52922 9 2
Maret 54011 10 2
April 54690 10 2
Mei 54122 10 2
Juni 60301 11 3
Juli 70752 12 3
Agustus 71810 12 3
Oktober 71859 12 3
Nopember 67173 12 3
Desember 63564 11 3
93
Afdeling 7
Produksi
Jumlah Total
Bulan harian
trip/hari Truk
(kg)
Januari 51533 9 3
Februari 52026 9 3
Maret 53364 9 3
April 56653 10 3
Mei 53751 9 3
Juni 59894 9 3
Juli 70250 12 3
Agustus 71294 12 3
Oktober 71314 12 3
Nopember 65603 11 3
Desember 60521 11 3
Afdeling 8
Produksi
Jumlah Total
Bulan harian
trip/hari Truk
(kg)
Januari 28866 5 2
Februari 27375 5 2
Maret 29116 5 2
April 31237 6 2
Mei 29354 5 2
Juni 32708 6 2
Juli 38364 7 3
Agustus 38935 7 3
September 35788 6 2
Oktober 38946 7 3
Nopember 35525 6 2
Desember 33417 6 2
94
Afdeling 9
Produksi
Jumlah Total
Bulan harian
trip/hari Truk
(kg)
Januari 18208 4 2
Februari 18468 4 2
Maret 19798 4 2
April 20893 4 2
Mei 19247 4 2
Juni 21448 4 2
Juli 25149 5 2
Agustus 25521 5 2
September 23448 4 2
Oktober 25519 5 2
Nopember 22167 4 2
Desember 21837 4 2
Rekapitulasi Penentuan Truk Harian Tiap Bulan per Afdeling
Afdeling
Bulan Total
1 2 3 4 5 6 7 8 9
Januari 2 2 1 1 2 2 3 2 2 17
Februari 2 2 1 1 2 2 3 2 2 17
Maret 2 2 1 1 2 2 3 2 2 17
April 2 2 1 1 2 2 3 2 2 18
Mei 2 2 1 1 2 2 3 2 2 17
Juni 2 2 1 1 3 3 3 2 2 19
Juli 3 2 1 2 3 3 3 3 2 23
Agustus 3 2 1 2 3 3 3 3 2 23
September 3 2 1 2 3 3 3 2 2 22
Oktober 3 2 1 2 3 3 3 3 2 23
November 3 2 1 2 3 3 3 2 2 22
Desember 3 2 1 1 3 3 3 2 2 21
95
Lampiran 7. Angka – angka Pengolahan Pabrik Tahun 2010
96
97
98
Lampiran 8. Ekspresi Risiko ALB Pada Pelaku Rantai Pasokan CPO Tiap
Skenario Kebijakan
Tabel. Matriks Skenario Kebijakan

Skenario Produktivitas Rendemen TBS Pengaruh Jumlah Ket.
kebun (kg/ha) CPO (%) restan (%) kriteria panen truk (truk)
thd kadar
ALB (%)
Agresif + (5-6%) + (0,13- -1% -1,5% ≥ total truk SR 1A
0,14%) diperlukan
Agresif + (5-6%) - -1% -1,5% ≥ total truk SR 1B
diperlukan
Agresif - + (0,13- -0,5% -1,5% ≥ total truk SR 1C
0,14%) diperlukan
Moderat - - 0,5% -1% ≥ total truk SR 2
diperlukan
Lambat - (5-6%) - (0,13- 1% 1,5% < total truk SR 3
0,14%) diperlukan
Agresif- + (5-6%) + (0,13- 0,5% 1% < total truk SR 4
lambat 0,14%) diperlukan
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Mei 2011
Elemen Nilai Kadar ALB dalam Skenario (%)

Rantai
Pasok SR1A SR1B SR1C SR2 SR3 SR4
Pasca-panen 1,61 1,61 1,61 1,61 1,60 1,60
Transportasi
3,54 3,54 3,54 3,57 3,56 3,57
– sortasi
Pengolahan 3,837 3,83783 3,83791 3,86791 4,08799 3,88783
Tangki
timbun 3,84 3,84 3,84 3,87 4,09 3,89
pabrik
99
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Mei 2011
(%)
4
3,75
3,5
3,25
3
2,75
2,5
2,25
2
1,75
1,5
1,25
1
Pasca-panen Transportasi-Sortasi Pengolahan Tangki timbun
SR1A SR1B SR1C SR2 SR3 SR4
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Juni 2011

Rantai
Pasca-panen 1,61 1,61 1,61 1,61 1,60 1,60
Transportasi
3,53 3,52 3,54 3,58 3,57 3,59
– sortasi
Pengolahan 3,827 3,81776 3,83791 3,87791 4,0807 3,90775
Tangki
timbun 3,83 3,82 3,84 3,88 4,1 3,91
pabrik
100
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Juni 2011
(%)
4
3,75
3,5
3,25
3
2,75
2,5
2,25
2
1,75
1,5
1,25
1
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Juli 2011

Rantai
Pasca-panen 1,62 1,62 1,61 1,61 1,60 1,60
Transportasi
3,51 3,52 3,53 3,60 3,57 3,61
– sortasi
Pengolahan 3,827 3,82768 3,8479 3, 91791 4,0807 3,92767
Tangki
timbun 3,83 3,83 3,85 3,92 4,1 3,93
pabrik
101
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Juli 2011
(%)
4
3,75
3,5
3,25
3
2,75
2,5
2,25
2
1,75
1,5
1,25
1
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Agustus 2011

Rantai
Pasca-panen 1,62 1,62 1,62 1,62 1,60 1,6
Transportasi
3,5 3,49 3,52 3,61 3,57 3,62
– sortasi
Pengolahan 3,817 3,8076 3,8379 3, 91791 4,0807 3,93
Tangki
timbun 3,82 3,81 3,84 3,92 4,1 3,94
pabrik
102
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Agustus
2011 (%)
4
3,75
3,5
3,25
3
2,75
2,5
2,25
2
1,75
1,5
1,25
1
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok September 2011

Rantai
Pasca-panen 1,62 1,62 1,62 1,62 1,59 1,59
Transportasi
3,48 3,48 3,51 3,62 3,60 3,64
– sortasi
Pengolahan 3,797 3,79752 3,8279 3,93791 4,12831 3,95751
Tangki
timbun 3,8 3,81 3,84 3,94 4,13 3,96
pabrik
103
Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok September
2011 (%)
4
3,75
3,5
3,25
3
2,75
2,5
2,25
2
1,75
1,5
1,25
1
104
Lampiran 9. List Persamaan Powersim
mainmodel Model Dinamik Penilaian Risiko Mutu CPO Adolina {

aux cpo {
autotype Real
autounit kg/mo
def 'laju pasokan tbs'*'rendemen cpo'*1<<mo>>
doc Jumlah CPO total yang diproduksi oleh PKS Unit Adolina berdasar hasil simulasi
}
aux hari kerja olah {
autotype Real
autounit hari kerja
def GRAPH(TIME,STARTTIME,1<<mo>>,{27,27,20,22,29,28,24,26,26,25,24,26,25,24}<<'hari kerja'>>)
doc Data aktual hari kerja olah bulan Januari 2010 - April 2011
}
aux hari olah bulanan rata-rata {
autotype Real
autounit da
def 'hari olah rata-rata'[INDEX('indeks hari olah')]
doc Data aktual hari olah bulanan rata-rata setelah indeksasi
}
aux hari olah rata-rata {
autotype Real
autounit da
dim Bulan
def {}{19.5,21.75,25.25,24.5,27.67,26.67,28,28.33,25.67,26.67,24.67,26}<<da>>
doc Data aktual hari olah bulanan rata-rata dari tahun 2009 - 2011
}
aux indeks bulan {
type Integer
def MONTH(TIME)
}
aux indeks hari olah {
type Integer
def MONTH(TIME)
doc Variabel untuk indeksasi bulan pada penentuan jumlah armada transportasi TBS
}
aux jam kerja olah {
autotype Real
autounit jam kerja/hari kerja
def GRAPH(TIME,STARTTIME,1<<mo>>,{21,20.35,17.15,18.45,21.88,22.76,22,21,26,27,26,23,23,23}<<'jam
kerja'/'hari kerja'>>)
doc Data aktual jam kerja olah harian dalam sebulan rata-rata pabrik periode Januari 2010 - April 2011
}
const JAM KERJA TRUK PER HARI {
autotype Real
autounit hr
init 8<<hr>>
doc Data aktual jam kerja truk untuk transpotasi TBS harian
}
const JANGKAUAN PERSEDIAAN {
autotype Real
autounit wk
init 0.5<<wk>>
doc Lama waktu dimana persediaan dapat memenuhi prakiraan permintaan konsumen
}
const JARAK AFDELING {
autotype Real
autounit km
dim Afdeling
init {}{15,11,15,18,24,27,45.5,60,52.5}<<km>>
doc Data aktual jarak afdeling ke pabrik
}
105
aux jlh fraksi 0 panen {
autotype Real
autounit %
def GRAPH(TIME,STARTTIME,1<<mo>>,{1.54,1.91,1.72,1.78,1.58,1.36,1.54,1.57,1.22,0.45,0.64,1.54,0.90,
0.76,0.99,1.32}<<%>>)
doc Data aktual fraksi 0 panen TBS periode Januari 2010 - April 2011
}
aux jlh fraksi 00 panen {
autotype Real
autounit %
0.01,0.16,0.12}<<%>>)
doc Data aktual fraksi 00 panen TBS periode Januari 2010 - April 2011
}
aux jlh fraksi matang panen {
autotype Real
autounit %
def GRAPH(TIME,STARTTIME,1<<mo>>,{97.79,97.49,97.69,97.61,97.97,98.47,98.32,98.04,98.39,99.53,99.
26,97.90,98.97,99.23,98.85,98.56}<<%>>)
doc Data aktual jumlah fraksi matang panen TBS periode Januari 2010 - April 2011
}
aux jumlah trip aktual {
autotype Real
autounit trip/da
def ARRSUM('jumlah trip per afdeling')+('panen angkut'*1<<trip/kg>>)*0
doc Total jumlah trip harian yang dibutuhkan untuk mengangkut seluruh hasil panen kebun sendiri ke pabrik
untuk diolah
}
const JUMLAH TRIP INISIASI {
autotype Real
autounit trip
init 0<<trip>>
doc Inisiasi trip awal
}
aux jumlah trip maksimal {
autotype Real
autounit trip/da
def ARRSUM('jumlah trip maksimal per afdeling')
doc Total jumlah trip maksimal yang dapat ditempuh oleh satu truk dalam satu hari kerja
}
aux jumlah trip maksimal per afdeling {
autotype Real
autounit trip/da
autodim Afdeling
def INTEGER('JAM KERJA TRUK PER HARI'/'waktu siklus transportasi')*1<<trip/da>>
doc Jumlah trip maksimal yang dapat ditempuh satu truk tiap satu hari kerja tiap afdeling
}
aux jumlah trip per afdeling {
autotype Real
autounit trip/da
autodim Afdeling
def (CEIL('produksi tbs harian'*1<<da>>/'KAPASITAS ALAT ANGKUT')*1<<trip>>)*1<<1/da>>
doc Jumlah trip harian yang dibutuhkan untuk mengangkut seluruh hasil panen TBS ke pabrik tiap afdeling
}
aux jumlah truk diinginkan {
autotype Real
autounit truk/da
def 100<<truk/da>>
doc Jumlah truk yang dikehendaki pengguna
}
aux jumlah truk diperlukan {
106
autotype Real
autounit truk/da
autodim Afdeling
def CEIL('jumlah trip per afdeling'/'jumlah trip maksimal per afdeling')*1<<truk/da>>
doc Jumlah truk harian yang dibutuhkan untuk transportasi TBS tiap afdeling
}
aux kadar alb {
autotype Real
unit %
def (((-25.06+4.102*('tbs restan'/1<<%>>)-0.1831*('tbs restan'/1<<%>>)^2+0.002630*('tbs restan'/1<<%>>)
^3)*0.418725666)/100)+'kenaikan alb di pabrik'+'pengaruh kriteria panen thd kadar alb'+KONVERSI*cpo
doc Kadar asam lemak bebas (ALB) dari CPO yang dihasilkan perusahaan berdasar hasil simulasi
}
const KAPASITAS ALAT ANGKUT {
autotype Real
autounit kg
init 6000<<kg>>
doc Kapasitas maksimal truk dalam mengangkut TBS
}
aux kapasitas olah pabrik {
autotype Real
autounit kg/(mo*jam kerja)
def ('laju pasokan tbs'/'hari kerja olah')/'jam kerja olah'
doc Nilai kapasitas berjalan pabrik setiap hari kerja. Nilai ini harus dibawah 30000 kg TBS/jam
}
const KECEPATAN TRUK {
autotype Real
autounit km/hr
init 40<<km/hr>>
doc Rata-rata kecepatan truk dari afdeling ke pabrik
}
aux kecukupan truk {
autotype Logical
def IF('jumlah truk diinginkan'>'total jumlah truk diperlukan',TRUE,FALSE)
doc Variabel yang bekerja dalam fungsi logika untuk mengakomodir kecukupan truk
}
aux kehilangan tbs masuk {
autotype Real
autounit kg/(mo*hektar)
def GRAPH(TIME,STARTTIME,1<<mo>>,{6.857,7.344,8.690,12.227,14.349,7.821,5.093,5.401,9.126,24.657,
10.276,6.637}<<kg/hektar*1/mo>>)
doc Merupakan jumlah tbs yang hilang setelah panen hingga masuk ke dalam pabrik.
Data didapat dari Angka Pengolahan, dimana kehilangan tbs masuk = jumlah selisih tbs masuk / luas
lahan panen.
Catatan: luas lahan panen untuk tahun 2010 (5095 ha) dan 2011 (5980 ha) berbeda.
}
aux kenaikan alb di pabrik {
autotype Real
autounit %
0.30,0.30,0.30}<<%>>)+'pengaruh jumlah truk terhadap kenaikan kadar alb'
doc Data aktual kenaikan ALB dalam pabrik periode Januari 2010 - April 2011
}
const KONVERSI {
autotype Real
unit %mo/kg
init 0.0000000005640<<mo/kg>>
doc Faktor konversi dari jumlah CPO diproduksi yang mempengaruhi kenaikan kadar ALB
}
aux laju pasokan tbs {
autotype Real
107
autounit kg/mo
def 'panen angkut'+'tbs pembelian'
doc Total TBS yang dipasok untuk diolah menjadi CPO
}
aux laju pengaruh kriteria panen skenario {
autotype Real
autounit %
def RAMP(-1.5<<%/mo>>,STARTTIME+15<<mo>>)
doc Skenario penurunan pengaruh kriteria panen bulan Mei 2011 - September 2011 sebesar 1.5%/bulannya
}
aux laju pesanan {
autotype Real
unit kg/mo
def 669368<<kg/wk>>+
STEP(-34922<<kg/wk>>, STARTTIME + 4<<wk>>)+
STEP(182460<<kg/wk>>, STARTTIME + 8<<wk>>)+
STEP(221844<<kg/wk>>, STARTTIME + 61<<wk>>)
doc Jumlah pesanan yang bersifat eksogenous untuk dikirimkan ke konsumen dari persediaan yang ada per
minggunya
}
aux laju produktivitas kebun skenario {
autotype Real
autounit %
def RAMP(5<<%/mo>>,STARTTIME+15<<mo>>)
doc Skenario kenaikan produktivitas kebun bulan Mei 2011 - September 2011 sebesar 5-6%/bulannya
}
aux laju rendemen cpo skenario {
autotype Real
autounit %
def RAMP(0.14<<%/mo>>,STARTTIME+15<<mo>>)
doc Skenario kenaikan rendemen CPO bulan Mei 2011 - September 2011 sebesar 0.13-0.14 %/bulannya
}
aux laju tbs restan skenario {
autotype Real
autounit %
def RAMP(-1<<%/mo>>,STARTTIME+15<<mo>>)
doc Skenario penurunan persentase TBS restan bulan Mei 2011 - September 2011 sebesar 1%/bulannya
}
aux losis cpo {
autotype Real
autounit kg/mo
def ('laju pasokan tbs'*'rendemen losis')*1<<mo>>
doc Jumlah kehilangan CPO yang dihasilkan pabrik }
aux luas lahan panen {
autotype Real
autounit hektar
def GRAPH(TIME,STARTTIME,1<<mo>>,{5095,5095,5095,5095,5095,5095,5095,5095,5095,5095,5095,
5095,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980}<<hektar>>)
108
doc Data aktual luas lahan panen periode Januari 2010 - April 2011
}
aux panen angkut {
autotype Real
autounit kg/mo
def 'luas lahan panen'*('produktivitas kebun'-'kehilangan tbs masuk')
doc Jumlah seluruh hasil panen tiap afdeling yang diangkut ke pabrik untuk diolah
}
aux pengaruh jumlah truk terhadap kenaikan kadar alb {
autotype Real
autounit %
def IF('kecukupan truk'=TRUE,0,0.0227)*1<<%>>
doc Pengaruh kecukupan truk terhadap kenaikan kadar ALB
}
aux pengaruh kriteria panen thd kadar alb {
autotype Real
unit %
def (((4.344-0.5736*('jlh fraksi 00 panen'/1<<%>>)+1.6)*0.089+(4.694-0.4097*('jlh fraksi 0 panen'/1<<%>>)+
1.6)*0.1059+(-21.94+0.2653*('jlh fraksi matang panen'/1<<%>>)+1.866)*0.1192)/100)-'skenario 3'
doc Pengaruh derajat kematangan panen TBS terhadap ALB yang dihasilkan
}
aux pengiriman cpo {
autotype Real
unit kg/mo
def 'laju pesanan'
doc Laju penjualan CPO total ke konsumen tiap bulan
}
const PENURUNAN PENGARUH KRITERIA PANEN THD KADAR ALB DIINGINKAN {
autotype Real
autounit %
init 0.25<<%>>
doc Kebijakan manajemen menentukan penurunan pengaruh kriteria panen terhadap kadar ALB untuk
proyeksi bulan Mei 2011
}
level Permintaan diharapkan {
autotype Real
autounit kg/wk
init 526000<<kg/wk>>
inflow {}a utodef 'perubahan permintaan' }
doc Jumlah produksi CPO yang diyakini akan terjual selama setiap minggu
}
level Persediaan {
autotype Real
autounit kg
init 153429<<kg>>
inflow {}a utodef 'produksi cpo' }
outflow {}a utodef 'pengiriman cpo' }
doc Jumlah persediaan CPO yang ada dalam tangki timbun pabrik
}
aux persediaan diinginkan {
autotype Real
autounit kg
def 'JANGKAUAN PERSEDIAAN'*'Permintaan diharapkan'
doc Jumlah persediaan diinginkan dalam tangki timbun pabrik
}
aux perubahan permintaan {
autotype Real
autounit kg/wk²
def ('laju pesanan'-'Permintaan diharapkan')/'WAKTU PERUBAHAN PERMINTAAN DIHARAPKAN'
doc Selisih atau marjin dari laju pesanan dan permintaan diharapkan setiap waktu penyesuaian permintaan
}
109
aux produksi cpo {
autotype Real
unit kg/mo
def ('Permintaan diharapkan'+
('persediaan diinginkan'-Persediaan)/'WAKTU KOREKSI INVENTORY')+0.000001*cpo
doc Jumlah produksi CPO yang akan disimpan sebagai persediaan di tangki timbun pabrik }
aux produksi tbs bulanan rata-rata {
autotype Real
autounit kg
autodim Afdeling
def 'produksi tbs rata-rata'[INDEX('indeks bulan')]*1<<kg>>
doc Jumlah produksi TBS bulanan rata-rata setelah proses indeksasi bulan
}
aux produksi tbs harian {
autotype Real
autounit kg/da
autodim Afdeling
def 'produksi tbs bulanan rata-rata'/'hari olah bulanan rata-rata'
doc Jumlah produksi TBS harian dari masing-masing afdeling untuk diangkut ke pabrik
}
aux produksi tbs rata-rata {
autotype Real
dim Bulan,Afdeling
def XLDATA("C:/Users/Sony/Desktop/Powersim/Sub-model Fixed Pra-Integrasi/Sub-model Transportasi/Sub-
model Transportasi Fixed.xls", "Sheet1", "R67C4:R78C12")
doc Produksi TBS dari seluruh afdeling yang akan diangkut ke pabrik
}
aux produktivitas kebun {
autotype Real
def ('rkap produksi kebun'/'luas lahan panen')*1<<1/mo>>+'skenario 1'
doc Jumlah produktivitas panen untuk menghasilkan TBS
}
const PRODUKTIVITAS KEBUN DIINGINKAN {
autotype Real
init 1963.21<<kg/(mo*hektar)>>
doc Kebijakan manajemen menentukan produktivitas kebun untuk proyeksi bulan Mei 2011
}
aux rendemen cpo {
autotype Real
autounit %/mo
def GRAPH(TIME,STARTTIME,1<<mo>>,{23.29,23.51,23.20,23.20,22.85,23.19,23.48,23.61,23.28,23.44,23.
31,23.38,22.39,22.97,23.13,22.70,0}<<%/mo>>)+'skenario 4'
doc Data aktual rendemen CPO pabrik periode Januari 2010 - April 2011
}
const RENDEMEN CPO DIINGINKAN {
autotype Real
autounit %/mo
init 23.30<<%/mo>>
doc Kebijakan manajemen menentukan rendemen CPO untuk proyeksi bulan Mei 2011
}
aux rendemen losis {
autotype Real
autounit %/mo
1.49,1.49,1.47}<<%/mo>>)
doc Data aktual rendemen losis CPO pabrik periode Januari 2010 - April 2011
}
aux rkap produksi kebun {
110
autotype Real
autounit kg
def GRAPH(TIME,STARTTIME,1<<mo>>,{7368000,8215000,9022000,9296000,10887000,11390000,
13985000,14390000,12871000,12724000,11728000,11448000,8623000,9126000,9966000,11740000,0,
0,0,0,0}<<kg>>)
doc Data aktual RKAP produksi TBS pabrik periode Januari 2010 - April 2011
}
aux skenario 1 {
autotype Real
def STEP('PRODUKTIVITAS KEBUN DIINGINKAN'+('PRODUKTIVITAS KEBUN DIINGINKAN'*'laju
produktivitas kebun skenario'),STARTTIME+16<<mo>>)
doc Skenario kebijakan produktivitas kebun bulan Mei - September 2011
}
aux skenario 2 {
autotype Real
autounit %
def STEP('TBS RESTAN DIINGINKAN'+('laju tbs restan skenario'*'TBS RESTAN DIINGINKAN'),
STARTTIME+16<<mo>>)
doc Skenario kebijakan TBS restan periode Mei - September 2011
}
aux skenario 3 {
autotype Real
autounit %
def STEP('PENURUNAN PENGARUH KRITERIA PANEN THD KADAR ALB DIINGINKAN'+('PENURUNAN
PENGARUH KRITERIA PANEN THD KADAR ALB DIINGINKAN'*'laju pengaruh kriteria panen skenario'),
STARTTIME+16<<mo>>)
doc Skenario kebijakan pegaruh kriteria panen terhadap kadar ALB bulan Mei - September 2011
}
aux skenario 4 {
autotype Real
autounit %/mo
def STEP('RENDEMEN CPO DIINGINKAN'+('RENDEMEN CPO DIINGINKAN'*'laju rendemen cpo skenario'),
STARTTIME+16<<mo>>)
doc Skenario kebijakan rendemen CPO bulan Mei - September 2011
}
aux tbs pembelian {
autotype Real
autounit kg/mo
def GRAPH(TIME,STARTTIME,1<<mo>>,{2800000,2800000,2800000,4200000,4200000,4200000,4200000,
4200000,4200000,2800000,2800000,2800000,2800000,2800000,2800000,4200000}<<kg/mo>>)
doc Data aktual TBS pembelian pabrik periode Januari 2010 - April 2011
}
aux tbs restan {
autotype Real
autounit %
def GRAPH(TIME,STARTTIME,1<<mo>>,{16.05,15.5,16.5,12.35,14.94,24.4,23.21,14.33,21.89,22.04,17.82,
15.90,31.60,24.40,26.37,27.35,0}<<%>>)+'skenario 2'
doc Data aktual persentase TBS restan pabrik periode Januari 2010 - April 2011
}
const TBS RESTAN DIINGINKAN {
autotype Real
autounit %
init 15.00<<%>>
doc Kebijakan manajemen menentukan persentase TBS restan untuk proyeksi bulan Mei 2011
}
aux total jumlah truk diperlukan {
autotype Real
autounit truk/da
def ARRSUM('jumlah truk diperlukan')
doc Total jumlah truk harian yang diperlukan untuk transportasi TBS ke pabrik
111
}
level Total pasokan TBS {
autotype Real
autounit kg
init 0<<kg>>
inflow {}a utodef 'laju pasokan tbs' }
outflow {}a utodef cpo }
outflow {}a utodef 'losis cpo' }
doc Akumulasi jumlah TBS total yang akan diolah menjadi produk akhir, yaitu CPO dan menghasilkan produk
sampingan, yaitu losis CPO
}
level Trip tbs {
autotype Real
autounit trip
init 'JUMLAH TRIP INISIASI'
inflow {}a utodef 'jumlah trip aktual' }
outflow {}a utodef 'jumlah trip maksimal' }
doc Akumulasi dari jumlah trip aktual dikurangi dengan jumlah trip maksimal (trip)
}
const WAKTU ANTRI PENIMBANGAN {
autotype Real
autounit min
init 5<<min>>
doc Waktu yang diperlukan truk saat antri di jembatan penimbangan
}
const WAKTU KOREKSI INVENTORY {
autotype Real
autounit wk
init 6<<wk>>
doc Lama waktu yang diperlukan untuk mengkoreksi selisih dari persediaan diinginkan dan persediaan
aktual
}
const WAKTU LOADING {
autotype Real
autounit min
init 35<<min>>
doc Waktu yang diperlukan untuk memuat TBS yang akan diangkut ke dalam truk
}
const WAKTU PERUBAHAN PERMINTAAN DIHARAPKAN {
autotype Real
autounit wk
init 4<<wk>>
doc Total waktu yang dibutuhkan untuk menyesuaikan permintaan yang diharapkan menjadi permintaan
aktual
}
aux waktu siklus transportasi {
autotype Real
unit hr
autodim Afdeling
def 'WAKTU LOADING'+'WAKTU UNLOADING'+'WAKTU ANTRI PENIMBANGAN'+'JARAK AFDELING'/
'KECEPATAN TRUK'
doc Total waktu yang dibutuhkan dalam satu siklus transportasi setiap afdeling
}
const WAKTU UNLOADING {
autotype Real
autounit min
init 10<<min>>
doc Waktu yang diperlukan untuk membongkar TBS dari truk di loading ramp pabrik
}
}
range Afdeling {
112
def 'Afdeling 1','Afdeling 2','Afdeling 3','Afdeling 4','Afdeling 5','Afdeling 6','Afdeling 7','Afdeling 8','Afdeling 9'
}
range Bulan {
def Januari,Februari,Maret,April,Mei,Juni,Juli,Agustus,September,Oktober,November,Desember
}
unit hari kerja {
def @ATOMIC
}
unit hektar {
def 10000*m*m
}
unit jam kerja {
def @ATOMIC
}
unit kg {
def @__KILOGRAM
doc Kilogram - Mass }
unit km {
def 1000*m
doc Kilometer - Length
}
unit m {
def @__METER
doc Meter - Length
}
unit trip {
def ATOMIC
}
unit truk {
def ATOMIC
}
113
Lampiran 10. Manual CPOdyn v1.0
CPOdyn ( Dynamic Model of Crude Palm Oil’s Quality Risk Assessment)
Pengantar
CPOdyn merupakan implementasi model sistem dinamik yang dirancang seperti
laboratorium belajar simulator manajemen pabrik kelapa sawit (PKS). Model CPOdyn dikembangkan
untuk membuat proyeksi skenario kebijakan terbaik. Model CPOdyn dibuat ke dalam dua bagian yaitu
model skenario dasar dan model skenario tingkat lanjut (advance) dengan mengakomodasi pengaruh
variabel atau parameter yang memiliki nilai ketidakpastian dalam penyebaran datanya. Kedua
skenario dapat digunakan untuk proyeksi kebijakan bulan Mei – September 2011.
Kebutuhan Hardware dan Software

Persyaratan kebutuhan hardware sistem adalah sistem yang dibutuhkan minimal Pentium III
(600 MHz) ke atas dengan memori RAM minimal 128 MB dan minimal space harddisk 50 MB untuk
mendapatkan kecepatan maksimal mengolah data simulasi. Persyaratan kebutuhan software adalah
minimal sistem operasi Windows (2000 dan XP).
Instalasi Sistem
CPOdyn dibangun dengan menggunakan paket program Powersim Studio 2005. Untuk
menjalankan aplikasi model CPOdyn, terlebih dahulu harus menginstall program Powersim Studio
2005. Instalasi program Powersim 2005 sebagai berikut:
1. Pastikan seluruh paket installer package Powersim Studio 2005 telah di-copy ke hard disk
perangkat komputer yang akan diinstall Powersim.
2. Klik icon Powersim Studio 2005 seperti pada Gambar 1 dibawah.
Gambar 1. Tampilan setup Powersim
3. Tunggu sampai dialog box Install Shield wizard terbuka, ikuti perintah selanjutnya dengan
klik tombol “Next” jika ingin meneruskan. Jika layar kemudian terlihat seperti pada Gambar
2, maka proses instalasi akan segera dimulai.
Gambar 2. Tampilan instalasi Powersim
114
Menjalankan Aplikasi CPOdyn
1. Buka file aplikasi model CPOdyn melalui yang tersimpan di
C:\Users\Sony\Desktop\Powersim\Model SD Lengkap\Model Dinamik Penilaian Risiko
Mutu PKS Unit Adolina Fixed+Interface+Documentation.sip.
2. Tekan F5 untuk mengubah menjadi mode presentasi, sehingga terlihat tampilan awal
CPOdyn seperti pada Gambar 3.
Gambar 3. Tampilan layar awal CPOdyn v1.0
3. Klik Enter yang ada pada tampilan layar awal, maka akan terlihat tampilan layar aplikasi
model CPOdyn (Gambar 4) terdiri dari beberapa tampilan yang dapat dipilih, yaitu :
Gambar 4. Tampilan layar aplikasi model CPOdyn v1.0
115
- Home untuk kembali ke layar utama aplikasi model CPOdyn v1.0. Dalam layar ini terdapat
juga nilai-nilai konstanta yang digunakan dalam mode yangtentunya juga sebagai user-
defined atau nilainya dapat diganti oleh pengguna.
- Diagram Model, merupakan tombol untuk menampilkan struktur diagram alir stok (SFD)
aplikasi model CPOdyn.
- Graph Basic, merupakan tombol untuk menampilkan hasil simulasi jumlah trip, truk dan juga
persediaan yang dihasilkan oleh model CPOdyn. Dalam layar ini juga disertakan panel
kontrol interaktif dan user-friendly yang mempengaruhi variabel tersebut.
- Graph Scenario, merupakan fitur yang berperan sebagai panel kontrol variabel untuk menguji
parameter utama pada skenario kebijakan.
- Company Website, sebuah fitur yang mengarahkan pengguna langsung ke situs resmi PT.
Perkebunan Nusantara IV (Persero).
- About, tombol yang menyajikan uraian singkat program dan pengembangnya kepada
pengguna.
Berikut beberapa screenshot dari beberapa toolbar tersebut:
Gambar 5. Tampilan Graph Scenario pada aplikasi model CPOdyn v1.0
116
Gambar 6. Tampilan Graph Basic pada aplikasi model CPOdyn v1.0
Gambar 7. Tampilan About pada aplikasi model CPOdyn v1.0
117
Menjalankan Simulasi Skenario
1. Pada gambar 5 terlihat tabel yang menunjukkan nilai tiap-tiap variabel (produktivitas kebun,
rendemen CPO, penurunan pengaruh kriteria panen terhadap ALB, TBS restan dan jumlah
truk) untuk digunakan sebagai proyeksi bulan Mei 2011 yang didasarkan pada kebijakan
manajemen dan juga nilai yang diinputkan user.
2. Jika nilai tersebut ingin diganti, arahkan kursor dan klik pada nilai yang hendak diganti.
Demikian selanjutnya untuk keempat variabel lainnya.
3. Setelah kelima variabel, nilainya sudah di-input-kan, khusus pada variabel „jumlah truk‟
terdapat indikator yang menunjukkan nilai yang user masukkan apakah cukup jumlahnya
dengan jumlah truk yang diperlukan yang dihitung berdasarkan hasil simulasi.
4. Untuk mengganti tingkat kenaikan atau penurunan per bulannya, terdapat instruksi
penggunaan yang berada di bawah indikator ketersediaan truk.
5. Setelah semua nilai variabel atau parameter selesai diset, maka arahkan dan klik kursor ke
tombol “Result” yang terdapat di layar, lalu klik tombol Play.
6. Hasil proyeksi skenario disajikan dalam bentuk grafik pada layar.
Menjalankan Aplikasi CPOdyn v1.0 (Advance)

Pada dasarnya menjalankan aplikasi model tingkat lanjut (advance) sama dengan model
standar, hanya saja menjalankan model tingkat lanjut ini memerlukan pengetahuan yang lebih dalam
khususnya untuk memahami distribusi probabilitas variabel atau parameter ketidakpastian. Kelebihan
model tingkat lanjut ini pengguna dapat melihat hasil simulasi proyeksi skenario kinerja PKS Unit
Adolina dengan beberapa pilihan sebaran data peluang, seperti peluang penerimaan dengan persentase
50% (average), 75% dan sebaran lainnya.
1. Buka file aplikasi model CPOdyn melalui yang tersimpan di
C:\Users\Sony\Desktop\Powersim\Model SD Lengkap\Model Dinamik Penilaian Risiko
Mutu PKS Unit Adolina Risk Analysis.sip.
2. Menjalankan CPOdyn (Advanced) :
- Masukkan variabel atau parameter yang memiliki sifat ketidakpastian dengan klik Analysis
Variabels di bagian Risk Analysis.
- Setelah semua nilai variabel atau parameter selesai dimasukkanb berdasarkan distribusi
probabilitasnya, maka klik tombol Play.
- Hasil proyeksi dapat dilihat dalam bentuk grafik maupun tabel di bagian Private Diagrams
Risk Analysis.
118
Analysis Variables
Gambar 8. Tampilan CPOdyn v1.0 (Advanced)
Private Diagrams
Gambar 9. Tampilan CPOdyn v1.0 (Advanced)
119

Risiko Mutu Dalam Sistem Dinamis PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Risiko Mutu Dalam Sistem Dinamis PDF

Uploaded by

Copyright:

Available Formats

RANCANG BANGUN PENILAIAN RISIKO MUTU DALAM RANTAI

PASOKAN MINYAK SAWIT KASAR DENGAN PENDEKATAN

FAKULTAS TEKNOLOGI PERTANIAN

Muhammad Nanda Rahadiansyah and Marimin

FAKULTAS TEKNOLOGI PERTANIAN

(Prof. Dr. Ir. Marimin, M.Sc.)

(Prof. Dr. Ir. Nastiti Siswi Indrasti)

Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul

Bogor, Desember 2011

Penulis lahir di Medan pada tanggal 15 Oktober 1990. Penulis merupakan

Bogor, Desember 2011

Enterprise Risk Management – Integrated Framework and Application Techniques (ERM-IFAT) :

Model : Bentuk tiruan dari dunia nyata.

Skenario kebijakan : Kombinasi-kombinasi variabel penguji untuk dilihat responnya terhadap

1. Mengidentifikasi perilaku dinamik yang mempengaruhi keragaman mutu minyak sawit

A. INDUSTRI PENGOLAHAN CPO

Gambar 1. Diagram alir proses produksi CPO

B. SISTEM RANTAI PASOK

Gambar 2. Deret siklus pembentukan rantai pasok (Vorst et.al, 2007)

C. RANTAI PASOK AGROINDUSTRI

Sosial / Legal Lingkungan

Gambar 3. Perspektif analitik dari rantai pertanian (Ruben et.al, 2006)

Tabel 1. Indikator kinerja rantai pasok setiap tingkatan

Ketersediaan produk Selalu tersedia saat dibutuhkan

D. MANAJEMEN RISIKO RANTAI PASOK

Gambar 4. Sistem rantai pasok agroindustri minyak sawit kasar

G. PENDEKATAN SISTEM DAN DINAMIKA SISTEM

1. Diagram Sebab Akibat (Causal Loop Diagram)

2. Pola Dasar Perilaku Sistem

Gambar 5. Pertumbuhan eksponensial

3. Stock Flow Diagrams (SFD)

Gambar 9. Stock flow diagrams

Gambar 10. Posisi penelitian terdahulu

Gambar 12. Kerangka pemikiran penelitian

B. TAHAPAN PEMODELAN SISTEM DINAMIK

Gambar 13. Alur tahapan pemodelan

2. Membangun Diagram Kausal dan Diagram Alir

3. Formulasi Model Simulasi

4. Verifikasi dan Validasi Model

3. Tempat Dan Waktu Penelitian

1. PPN Karet III Kebun Adolina Hulu, Kantor Kesatuan di Pabatu.

Gambar 14. Peta lokasi geografis PKS Adolina

C. LUAS AREAL PRODUKSI

E. KETENAGAKERJAAN & SISTEM MANAJEMEN KESELAMATAN

F. SISTEM MANAJEMEN MUTU (ISO 9001-2008) DAN SISTEM

Tabel 2. Jumlah pekerja dalam satu shift di PKS Unit Adolina

Untuk bagian pabrik pekerja dibagi atas dua shift, yaitu :

A. DESKRIPSI PENILAIAN RISIKO MUTU CPO

2. Kegiatan Transportasi Panen

3. Kegiatan Pengolahan di Pabrik

B. KETERKAITAN UKURAN KESUKSESAN KINERJA

Optimalisasi Efisiensi utilitas

Produksi CPO dan

Gambar 15. Keterkaitan ukuran kesuksesan kinerja PKS Unit Adolina

A. POLA PERILAKU RUJUKAN

Gambar 17. Dinamika kebutuhan truk

D. MODEL DINAMIK PENILAIAN RISIKO MUTU PKS ADOLINA

jam kerja olah jumlah trip aktual jumlah trip

jam kerja olah

Gambar 21. Diagram alir sub-model produksi

produksi cpo pengiriman cpo

Gambar 22. Diagram alir sub-model persediaan

3. Diagram Alir Sub-Model Transportasi