RECORD DETAIL
Back To Previous
Back To Previous
| Title | Evaluasi Efisiensi Tambang Terbuka (Open Pit ) Menggunakan Metode Data Envelopment Analysis-Artificial Neural Network ( Studi Kasus : PT. KPC) |
| Edition | |
| Call Number | 2011/II/40 |
| ISBN/ISSN | |
| Author(s) | Utoro, Gary Adiwangsa |
| Subject(s) | Artificial Neural Network Data Envelopment Analysis |
| Classification | 338,287 Uto e |
| Series Title | GMD | Tugas Akhir |
| Language | Indonesia |
| Publisher | Jurusan Teknik Industri FTI-ITS |
| Publishing Year | 2011 |
| Publishing Place | Surabaya |
| Collation | 20 cm |
| Abstract/Notes | Kata kunci: Efisiensi, Data Envelopment Analysis, Artificial Neural Network |
| Specific Detail Info | PT. Kaltim Prima Coal (KPC) adalah perusahaan tambang batubara terbuka terbesar di dunia khususnya dalam hal pemindahan material overburden (overburden removal) dan batubara. KPC mempunyai sejumlah pit tambang yang beroperasi di area penambangan Sangatta yang ditambang langsung oleh KPC maupun kontraktornya. Target produksi perusahaan tiap tahun yang terus ditingkatkan mengharuskan perusahaan untuk terus meningkatkan efisiensi proses penambangan yang ada di tiap pitnya. Efisiensi menjadi penting karena fakta menunjukkan bahwa data trend operating cost di salah satu pit cenderung meningkat dari Januari 2009 hingga Februari 2011. Namun, jumlah batu bara yang ditambang, sebagai sumber profit perusahaan, cenderung menurun. Penelitian ini bertujuan untuk menentukan variabel yang berpengaruh signifikan terhadap efisiensi pit – pit perusahaan. Setelah variabel ditetapkan, maka dilakukan pengukuran efisiensi pit – pit perusahaan dengan menggunakan integrasi Data Envelopment Analysis – Artificial Neural Network untuk dibandingkan hasilnya dengan DEA murni. DEA – ANN pun bisa memberikan solusi di dalam cara penetapan target perbaikan agar pit yang kurang efisien bisa lebih efisien. Hasil yang diperoleh dari pengukuran efisiensi dengan metode DEA – ANN didapatkan bahwa variabel – variabel yang ii berpengaruh terhadap efisiensi pit adalah untuk variabel input terdiri dari blasting cost, total time, jumlah alat berat, dan manpower; sedangkan untuk variabel output adalah coal mined. DEA – ANN mampu memberikan hasil perhitungan efisiensi yang lebih baik dan sensitif terhadap pola input serta tidak tergantung relatif terhadap DMU yang lain bila dibandingkan dengan DEA murni. DEA – ANN juga bisa menjadi komplementer bagi DEA karena perhitungan efisiensi maupun penetapan target perbaikan DEA – ANN berdasarkan time series. Penetapan target perbaikan yang bisa dilakukan didasarkan pada perhitungan dan pertimbangan hasil metode DEA dan DEA – ANN yang paling relevan dan mungkin untuk dilakukan di lapangan. Kata kunci: Efisiensi, Data Envelopment Analysis, Artificial Neural Network |
| Image |  |
| File Attachment | LOADING LIST... |
| Pembimbing | Prof.Dr.Ir. Moses L.Singgih, M.Sc.M.Reg.Sc. |
| Volume | |
| Availability | LOADING LIST... |
| Back To Previous |