Kata kunci: Spare Part, Artificial Neural Network, Montecarlo, (R, s, S) Periodic Review

PENGENDALIAN PERSEDIAAN MATERIAL TRANSFORMATOR (TRAFO) PADA SISTEM DUA ESELON DENGAN PENDEKATAN (R,s,S) PERIODIC REVIEW (STUDI KASUS: PT. PLN (PERSERO) AREA BALI SELATAN) Vivihapsari, Astami ; Kurniati, Nani ; Santosa Budi Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember Surabaya 60111, Indonesia, [email protected] ; [email protected] ; [email protected] ABSTRAK Manajemen persediaan yang baik dapat mengakomodasi permintaan yang sifatnya fluktuatif serta dapat menjadi media penghematan biaya bagi perusahaan (Pujawan, 2005). Namun ketika, Perusahaan menerapkan sistem manajemen pergudangan lebih dari satu eselon (Multi Echelon Inventory System), maka sistem persediaan spare part akan menjadi lebih rumit. PT. PLN (Persero) merupakan satu-satunya perusahaan milik negara yang bergerak di bidang penyedia layanan listrik. Mengingat kebutuhan masyarakat akan listrik yang bersifat vital, kinerja jaringan listrik harus beroperasi secara optimal. Untuk mendukung kinerja jaringan tersebut,diperlukan sistem pengendalian dan perencanaan material yang baik untuk mengantisipasi terjadinya stock out. Objek amatan dalam penelitian ini akan difokuskan pada material Trafo. Metode yang akan digunakan dalam penelitian ini adalah model (R, s, S) Periodic Review. Mengingat pentingnya pengetahuan akan demand yang akan datang, maka akan diajukan dua metode forecast yang berbeda, yaitu Simulasi Montecarlo dan Artificial Neural Network. Dari hasil pengolahan data diperoleh kesimpulan bahwa output demand Simulasi Montecarlo memberikan hasil peramalan yang lebih baik, dan Sistem Persediaan (R,s,S) Periodic Review terbukti mampu memberikan service level target yang diinginkan perusahaan. Kata kunci: Spare Part, Artificial Neural Network, Montecarlo, (R, s, S) Periodic Review

ABSTRACT A good inventory management is able to accommodate the fluctuating demand and can also be the appropriate cost saving tool for the company. However when applying a multi echelon inventory system, the spare part inventory system will become more complex. PT.PLN is the only governmentowned company that manages the electricity supply in Indonesia. Considering the public needs of electricity, the electrical network should perform optimally. To support its performance, a material planning and control system will be used to anticipate the stock out situation. The object of research will be focused on Trafo material. The method that is being used in this research is the model of (R,s,S) Periodic Review. Analysing on the importance of future demand knowledge, this research uses two different forecast methods, which are Monte Carlo Simulation and Artificial Neural Network. From the results of data processing, the output demand of Montecarlo simulations provides better forecasting results, and Inventory System (R, s, S) Periodic Review produces a service level that is desired by the company. Keywords: Spare Part, Artificial Neural Network, Monte Carlo, (R, s, S) Periodic Review

1.

PENDAHULUAN PT PLN (persero) Distribusi Bali sebagai Badan Usaha Milik Negara yang ditugaskan oleh Pemerintah untuk mengelola ketanagalistrikan berperan penting dalam menjaga ketersediaan pasokan dan pendistribusian tenaga listrik serta pelayanan

produknya terhadap masyarakat Propinsi Bali. Terkait dengan hal tersebut, terdapat 2 indikator untuk mengukur kinerja PLN dalam menangani masalah keandalan pasokan dan pendistribusian tenaga listrik kepada pelanggan, yaitu SAIDI dan SAIFI. 1

Operasional yang memadai, menyebabkan perusahaan mengambil jatah material yang telah dialokasikan untuk kegiatan yang telah terencana, karena mengingat kebutuhan replacement yang dibatasi oleh target lama padam, yaitu selama 3 jam. Berdasarkan data historis berikut, dapat diamati data waktu recovery yang dilakukan petugas PLN dalam menangani gangguan pemadaman akibat kerusakan material trafo.

lama padam yang dirasakan rata-rata per pelanggan per tahun dan SAIFI (System Interuption Frequency Index) adalah jumlah kali padam yang dirasakan rata–rata per pelanggan per tahun. Semakin rendah nilai SAIDI dan SAIFI maka semakin baik kinerja PLN yang dicapai. Pencapaian kinerja SAIDI dan SAIFI sangat ditentukan oleh ketersediaan material dan kompetensi para karyawan yang terlibat didalamnya. Adapun material yang sangat berpengaruh terhadap prosentase SAIDI dan SAIFI adalah ketersediaan Transformator (trafo). Trafo dianggap berpengaruh besar karena jika trafo rusak, maka pendistribusian aliran tenaga listrik melalui Jaringan Tegangan Rendah (JTR), Sambungan Rumah (SR) dan Alat Pembatas & Pengukur (APP) menuju instalasi pelanggan terputus dan listrik padam. Bahkan terkadang Jaringan Tegangan Menengah (JTM) juga ikut terputus pendistribusian aliran tenaga listriknya sebagai dampak gangguan rusaknya trafo yang tersambung pada JTM tersebut. Mengingat begitu besar dampak yang diakibatkan dari kerusakan trafo serta harga trafo yang tergolong mahal, perusahaan memberi perhatian secara khusus terhadap operasional trafo dengan membuat target dan realisasi kerusakan trafo per Area setiap bulannya. Demi terwujudnya komitmen PLN dalam menurunkan nilai angka SAIDI dan SAIFI secara berkesinambungan, diperlukan manajemen material trafo yang lebih baik, sehingga ketika dibutuhkan replacement, material trafo yang dibutuhkan tersedia. Menurut Assistant Manager Distribusi PLN Area Bali Selatan, pengadaan kebutuhan material saat ini berasal dari Kegiatan Investasi dan Kegiatan Operasional yang dilakukan PT.PLN (Persero) Distribusi Bali. Kegiatan Investasi ini meliputi peningkatan mutu dan keandalan jaringan distribusi, Kegiatan efisiensi jaringan distribusi, dan Kegiatan penyambungan pelanggan baru dan tambah daya. Sedangkan Kegiatan Operasional meliputi kegiatan operasi harian terhadap pemeliharaan sistem jaringan, termasuk di dalamnya menangani gangguan pemadaman terhadap pelanggan. Pemesanan material untuk kebutuhan Kegiatan Investasi telah diketahui secara pasti sesuai dengan program rencana kerja yang telah dibuat, sedangkan kebutuhan material untuk kebutuhan replacement pada Kegiatan Operasional dibuat berdasarkan prakiraan data historis. Tidak adanya perencanaan kebutuhan material untuk kebutuhan replacement pada Kegiatan

Tabel 1.1 Data Gangguan Trafo Area Batan tahun 2010 ALAMAT Jl Popies II (Hotel Barong) Jl By-Pass Ngurah Rai Sanur Br. Lumbung Delod Seme Suraberata Jl Kerta Pura III Jl Gatsu Timur Jl Akasia

PENYULANG

RAYON

Bunisari Serangan Suraberata Abian timbul Padang Galak Nusa Indah

Kuta Denpasar Tabanan Denpasar Denpasar Denpasar

TANGGAL 12 Februari 2010 16 Februari 2010 16 Februari 2010 17 Februari 2010 21 Februari 2010 12 Maret 2010

TRAFO LAMA / DIGANTI JAM JAM DAYA MULAI MULAI RECOVERY PADAM NYALA 8:58:04 18:00:00 9:01 400 12:30:00 18:30:00 6:00 200 3:32 7:20 3:48 50 4:38 8:00 3:21 100 13:43 16:20 2:37 160 5:15 6:40 1:25 100

Dari data di atas, terlihat bahwa masih terdapat realisasi waktu recovery lebih dari target yang diharapkan, yaitu 3 jam. Menurut pihak perusahaan, waktu recovery melewati target yang ditentukan akibat lamanya waktu yang dibutuhkan untuk mencari material karena material tidak tersedia di lokasi terkait. Kondisi akan menjadi kurang baik, ketika material yang dibutuhkan untuk kebutuhan replacement tidak tersedia, serta jatah material untuk Kegiatan Investasi yang terencana pun juga tidak mampu mengatasi. Perusahaan terpaksa mengambil keputusan untuk melakukan supply erect (pembelian material material dalam jumlah terbatas pada waktu tersebut melalui supplier terdekat). Dampaknya, spesifikasi material yang digunakan terkadang kurang sesuai, kualitas material yang kurang baik, serta biaya yang dikeluarkan untuk pembelian dalam jumlah kecil tentu akan lebih mahal daripada pembelian secara borongan. Kebutuhan replacement yang tidak terprediksi, dapat disebabkan oleh banyak hal. Berdasarkan informasi yang diperoleh dari pihak perusahaan, replacement trafo dilakukan akibat adanya kerusakan akibat hubungan singkat jaringan, kegagalan proteksi, maupun bencana alam. Menyikapi permasalahan tersebut, saat ini PT.PLN Persero Distribusi Bali membuat kebijakan baru, dimana di setiap Area dan rayon memiliki kewenangan untuk menyimpan material. PLN memiliki tiga area pelayanan wilayah, yang mana masing- masing area membawahi masing-masing rayon. Area tersebut adalah Area Bali Selatan, Area Bali Timur dan Area Bali Utara. Masing-masing 2

3. Holding cost yang digunakan adalah 20% dari total nilai barang 4. Setiap terjadi kerusakan trafo, maka trafo tersebut akan diganti dengan trafo yang memiliki daya yang sama.

rayon inilah yang merupakan titik terdekat yang akan berkaitan langsung terkait pelayanan terhadap pelanggan. Lingkup penelitian ini akan difokuskan pada perencanaan dan pengendalian material trafo di Area Bali Selatan. Di mana Area Bali Selatan membawahi 4 (empat) rayon, yaitu Rayon Denpasar, Rayon Tabanan, Rayon Mengwi, dan Rayon Kuta. Gudang Area Bali Selatan (Tohpati-Denpasar)

Gudang Rayon DENPASAR

Gudang Rayon KUTA

Gudang Rayon MENGWI

2.

METODOLOGI PENELITIAN Penelitian ini dilaksanakan dengan melakukan beberapa metode sebagai berikut:

Eselon 2

2.1

Gudang Rayon TABANAN

Eselon 1

Demand

Demand

Demand

Demand

Gambar 1.2 Mekanisme Penyimpanan Material Area Bali Selatan (Sumber : Informasi dari Assman Distribusi PLN Area Pelayanan Bali Selatan) Dengan latar belakang di atas, maka Penelitian ini dilakukan untuk memberikan rekomendasi metode forecast yang akurat untuk memprediksi demand trafo yang akan datang, serta menentukan kebijakan persediaan dengan menerapkan konsep perhitungan (R,s,S) Periodic review. Sehingga diharapkan dengan mengetahui kebutuhan pada tiap rayon, Area Bali Selatan dapat merencanakan dan mengendalikan persediaan material trafo dengan lebih terukur sehingga dapat mendukung target lama padam yang ditetapkan perusahaan dalam mengatasi lamanya waktu pemadaman. Batasan yang digunakan pada penelitian ini adalah : 1. Proses pengamatan dilakukan di Area Bali Selatan 2. Objek amatan dalam penelitian ini adalah material Trafo Distribusi (50 KVa, 100 KVa, 160 KVa, 200 kVa, dan 250 Kva) 3. Data historis material trafo menggunakan data penggunaan material periode 2007-2010. Sedangkan asumsi yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Lead time yang digunakan adalah 1 bulan pada masing-masing rayon dan 2 bulan pada Area 2. Kegiatan replenishment dilakukan secara bertingkat berdasarkan tingkatan eselon

Identifikasi Dan Perumusan Masalah Proses pengolahan data diawali dengan melakukan identifikasi spare part yang memiliki dampak besar terhadap masalah pemadaman listrik. Berdasarkan info dari perusahaan, material terkait adalah material trafo. Langkah selanjutnya, dilakukan prediksi demand pada masing-masing rayon dengan menggunakan Simulasi Montecarlo dan Neural Network, untuk kemudian akan dipilih output demand dari salah satu metode yang menghasilkan error terkecil. Hasil prediksi demand tersebut kemudian akan dijadikan input-an untuk perhitungan perencanaan persediaan spare part dengan menggunakan konsep perhitungan (R,s,S) periodic review. Dari hasil perhitungan kemudian dilakukan uji sensitivitas dengan mengubah kombinasi parameter persediaan untuk memperoleh service level target dan biaya yang minimum. 2.2 Tahap Pengumpulan Data Pada tahap ini, pengumpulan data-data dilakukan untuk mendukung hipotesa dari penelitian yang ingin dilakukan. Data-data yang diperlukan antara lain : a. Data historis demand spare part trafo periode tahun 2007-2010 b. komponen biaya (biaya pemesanan, biaya persediaan, biaya stock out) untuk periode tahun 2007-2010 pada masingmasing rayon dan Area Bali Selatan. 2.3 Tahap Pengolahan Data Tahap pengolahan data dalam penelitian ini meliputi: 2.3.1 Penentuan Pola dan Karakteristik Demand Setelah dilakukan proses identifikasi material, maka langkah selanjutnya adalah menganalisa karakteristik demand dengan melakukan perhitungan Average Demand Interval (ADI) dan Coefficient of Variance (CV). Hasil dari perhitungan tersebut, akan dijadikan landasan untuk mengelompokkan

3

material trafo pada masing-masing rayon. Kemudian akan dianalisis pula output forecast pada kedua metode forecast yang digunakan. Hasil perhitungan kebijakan persediaan material trafo dengan konsep perhitungan periodic review (R,s,S) juga akan dianalisis beserta hasil uji sensitivitas paramatere persedian terhadap service level actual.

spare part pada masing-masing jenis trafo berdasarkan pola dan karakteristiknya dengan menggunakan parameter nilai ADI sebesar 1,32 dan CV sebesar 0,49. Hasil penentuan karakteristik ini akan berpengaruh pada metode yang digunakan untuk menentukan kebutuhan perencanaan dan pengendalian spare part terkait. 2.3.2

Prediksi Demand Setelah diketahui pola dan karakteristik demand masing-masing jenis trafo, maka langkah selanjutnya adalah menentukan jenis distribusi demand. Hal ini dilakukan agar estimasi kebutuhan demand dapat diketahui secara akurat dengan menggunakan metode peramalan yang tepat. Untuk demand yang memiliki distribusi teoritis (distribusi normal, lognormal, dsb) dapat menggunakan teknik peramalan regresi ataupun time series. Sedangkan untuk demand yang tidak memiliki jenis distribusi teoritis ( memiliki pola intermittent, lumpy, dsb) tidak dapat menggunakan metode tersebut. Dalam penelitian ini akan digunakan pendekatan metode Artificial Neural Network (ANN) dan Simulasi Montecarlo.

2.5 Kesimpulan dan Saran Setelah melakukan analisis, hasil pengolahan data tersebut ditarik kesimpulankesimpulan untuk menjawab tujuan dari penelitian tugas akhir ini. Setiap kesimpulan harus sesuai dengan tujuan sebelumnya. Sedangkan manfaat yang diekspektasikan diterima oleh perusahaan tetapi belum tercapai sepenuhnya dapat dituangkan dalam saran perbaikan. 3. PENGUMPULAN DAN PENGOLAHAN DATA Pada tahap ini dilakukan pengumpulan dan pengolahan data yang didapat pada pelaksanaan penelitian. 3.1 Pengumpulan Data Data yang didapat selama penelitian adalah sebagai berikut: 3.1.1 Data Penggunaan Spare Part Pada sub bab ini akan ditampilkan data penggunaan spare part trafo selama periode tahun 2007-2010. Jenis Material yang akan dianalisis adalah Trafo 50 KVa,100 KVa, 160 KVa, 200 KVa, dan 250 KVa untuk masing-masing rayon.

2.3.3

Perhitungan Kebijakan Inventory Pada Sistem Dua Eselon Pada tahapan ini, hasil prediksi demand dari metode forecast terpilih akan dijadikan input-an demand untuk perhitungan kebijakan inventory untuk tiap echelon. Parameter kebijakan inventory yang digunakan dalam perhitungan adalah sistem periodic review (R,s,S), di mana pada sistem persediaan ini, ketika tingkat persediaan sampai pada tingkat s atau lebih rendah, maka akan dilakukan pemesanan sampai tingkat persediaan S, dan apabila diatasnya atau belum mencapai s, maka tidak dilakukan apapun sampai periode peninjauan R berikutnya. Mula-mula akan dihitung kebutuhan persediaan pada masingmasing gudang rayon, kemudian total demand dari semua rayon akan menjadi input demand untuk Area Bali Selatan.

Tabel 3.2 Spare Part Trafo Rayon Denpasar Jenis Trafo 50 Kva 100 Kva 160 Kva 200 Kva 250 Kva

Periode(Bulan) Jan-07 0 1 0 1 1

Feb-07 2 1 0 1 1

Mar-07 1 0 1 2 4

Apr-07 May-07 0 0 1 0 0 0 0 1 0 0

…… …… …… …… …… ……

…… Oct-10 Nov-10 Dec-10 …… 0 0 0 …… 0 0 0 …… 1 1 0 …… 0 0 1 …… 0 0 0

Tabel 3.3 Spare Part Trafo Rayon Kuta Jenis Trafo 50 Kva 100 Kva 160 Kva 200 Kva 250 Kva

2.4 Analisis dan Pembahasan Pada tahap ini, hasil dari pengolahan data seperti yang telah disebutkan di atas, akan dianalisis dan dibahas. Tahap analisa akan diawali dengan analisa hasil klasifikasi 4

Periode(Bulan) Jan-07 Feb-07 Mar-07 Apr-07 May-07 0 1 1 0 0 1 0 0 1 0 1 0 1 0 1 0 2 0 0 0 1 1 0 1 0

…… …… …… …… …… ……

…… …… …… …… …… ……

Oct-10 Nov-10 Dec-10 0 0 0 0 1 0 1 0 0 0 0 2 3 0 0

Tabel 3.8 Ordering Cost Rayon Tabanan

Tabel 3.4 Spare Part Trafo Rayon Tabanan Jenis Trafo 50 Kva 100 Kva 160 Kva 200 Kva 250 Kva

Keterangan Pemakaian Perkakas & Peralatan Listrik, Gas dan Air Pos & Telekomunikasi Alat dan Keperluan Kantor Total Jumlah PO per Bulan Biaya Order

Periode(Bulan) Jan-07 Feb-07 Mar-07 1 2 1 1 1 1 1 0 1 0 0 0 0 1 0

Apr-07 May-07 1 1 1 0 0 0 0 1 0 0

…… …… …… …… …… ……

…… …… …… …… …… ……

Oct-10 Nov-10 Dec-10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Tabel 3.5 Spare Part Trafo Rayon Mengwi Jenis Trafo 50 Kva 100 Kva 160 Kva 200 Kva 250 Kva

…… …… …… …… …… ……

…… …… …… …… …… ……


Oct-10 Nov-10 Dec-10 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0

3.1.2

Data Lead Time Lead time pengiriman barang untuk spare part trafo pada dasarnya memiliki nilai yang berbeda-berbeda tergantung pada spesifikasi dan jenis material yang tertuang dalam kesepakatan kontrak tender E-Proc. Setelah diskusi dengan pihak perusahaan maka dapat diasumsikan lead time bernilai konstan pada tiap eselon. Lead time Area diasumsikan 1 bulan. Sedangkan lead time pada tiap rayon diasumsikan 2 bulan.

Biaya 1,503,805 49,256,320 1,887,410 6,812,550 59,460,085 500 118,920

3.1.5

Data Stock Out Cost Berdasarkan diskusi yang dilakukan oleh pihak perusahaan, biaya stock out dapat dihitung dengan menggunakan pendekatan perhitungan terhadap nilai Kwh yang tidak tersalurkan. KWh yang tidak tersalurkan adalah Kwh yang terbuang akibat pemadaman baik akibat kerusakan material, faktor eksternal (laying-layang, petir), maupun pemadaman terencana. Dari hasil perhitungan, diperoleh nilai stock out cost pada masing-masing jenis trafo yaitu sebagai berikut:

Tabel 3.7 Ordering Cost Rayon Kuta Keterangan Pemakaian Perkakas & Peralatan Listrik, Gas dan Air Pos & Telekomunikasi Alat dan Keperluan Kantor Total Jumlah PO per Bulan Biaya Order

Biaya Rp Rp Rp Rp Rp Rp

Rp

Tabel 3.10 Holding Cost Rincian Kebutuhan Asumsi Capital 10% Storage 5% Asuransi 5% Total 20%

Tabel 3.6 Ordering Cost Rayon Denpasar

Rp

Rp

1,836,250 2,038,924 351,131 3,973,000 8,199,305 500 16,399

Data Holding Cost Pada dasarnya PLN Area dan Rayon tidak pernah memperhitungkan biaya penyimpanan karena gudang dari PLN Area dan pada masing-masing rayon juga merupakan gudang milik sendiri, oleh sebab itu pada penelitian kali ini biaya penyimpanan diasumsikan sebesar 20% dari harga pembelian barang berlandaskan pada literatur buku yang digunakan. Rincian perhitungan carraying cost seperti pada tabel berikut:

Data Ordering Cost Biaya ordering cost pada Area dan tiap rayon dapat diasumsikan dengan menggunakan pendekatan biaya yang dikeluarkan per bulannya untuk penggunaan operasional perusahaan. Data ini bersumber dari laporan keuangan tiap rayon dan area.

Rp Rp Rp Rp Rp

Biaya

3.1.4

3.1.3


1,613,000 588,826 1,214,070 7,933,500 11,349,396 500 Rp22,699

Tabel 3.9 Ordering Cost Rayon Mengwi

Periode(Bulan) Jan-07 Feb-07 Mar-07 Apr-07 May-07 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 0 1 0 0 0 0 1 0 0 0

Biaya Rp Rp Rp Rp Rp

374,600 28,847,835 2,843,783 4,583,990 36,650,208 500 73,300

5

Tabel 3.11 Biaya Stock Out Spare Part Trafo Jenis Trafo

Cos Phi

1 TRF 3 PH TRF 3 PH TRF 3 PH TRF 3 PH TRF 3 PH TRF 3 PH TRF 3 PH

50 100 160 200 250 400 630

2 kVA kVA kVA kVA kVA kVA kVA

kW

3 = 1*2

0.90 0.90 0.90 0.90 0.90 0.90 0.90

45.00 90.00 144.00 180.00 225.00 360.00 567.00

Lama Padam Rata2 Akibat Trafo Rusak (jam)

kWh

4

5 = 3*4

7.996 7.996 7.996 7.996 7.996 7.996 7.996

No.

Rp/kWh Jual stock Out Rata2 Cost (Rp)

359.82 719.64 1,151.42 1,439.28 1,799.10 2,878.56 4,533.73

6

7 = 5*6

887 887 887 887 887 887 887

319,160 638,321 1,021,313 1,276,641 1,595,802 2,553,283 4,021,420

1 2 3 4 5

3.2 Pengolahan Data Pengolahan data pada penelitian ini meliputi pengklasifikasian karakteristik spare part, melakukan peramalan demand spare part trafo dengan Simulasi Monte Carlo dan Neural Network. Hasil output peramalan yang terbaik kemudian akan dijadikan input demand dalam perhitungan simulasi persediaan (R,s,S) periodic review. Pada tahap pengklasifikasian material, setelah dilakukan perhitungan diperoleh rekap data klasifikasi material seperti pada tabel berikut :

No. 1 2 3 4 5

1 2 3 4 5

Material Trafo 50 Kva 100 Kva 160 Kva 200 Kva 250 Kva

CV

ADI

Karakteristik

2.377 1.995 1.420 1.192 1.412

5.000 3.455 2.611 2.087 2.143

lumpy lumpy lumpy lumpy lumpy

Tabel 3.16 Demand Trafo 50 KVa Rayon Denpasar (2007-2010)

Tabel 3.13 Karakteristik Spare part Trafo di Rayon Kuta

No. 1 2 3 4 5

Material Trafo 50 Kva 100 Kva 160 Kva 200 Kva 250 Kva

CV 1.297 1.594 1.676 1.575 1.297

ADI 0.646 3.133 3.214 0.583 0.646

Tabel 3.15 Karakteristik Spare part Trafo di Rayon Mengwi Material CV ADI Karakteristik Trafo 50 Kva 1.429 2.750 lumpy 100 Kva 1.726400958 3.230769231 lumpy 160 Kva 2.248497535 5.875 lumpy 200 Kva 2.793305066 5.571428571 lumpy 250 Kva 2.259730731 5 lumpy

Langkah selanjutnya adalah pengolahan forecasting demand dengan menggunakan dua pendekatan metode yang berbeda, yaitu Simulasi Monte Carlo dan Artificial Neural Network (ANN). Keempat rayon akan diprediksi demand-nya, baru kemudian dilakukan perbandingan error MAPE, MAD, dan MSE pada kedua hasil output forecast. Berikut merupakan contoh simulasi perhitungan spare part trafo jenis 50 KVa di Rayon Denpasar dengan menggunakan Simulasi Montecarlo

Tabel 3.12 Karakteristik Spare part Trafo di Rayon Denpasar

No.

Tabel 3.14 Karakteristik Spare part Trafo di Rayon Tabanan Material CV ADI Karakteristik Trafo 50 Kva 1.261 2.143 lumpy 100 Kva 1.557 0.438 erratic 160 Kva 2.104 4.667 lumpy 200 Kva 3.564 9.750 lumpy 250 Kva 2.446 8.400 lumpy

Tahun

Karakteristik

Frekuensi

Januari

0

0

2

2

Maret

1

1

April

0

0

Mei

0

0

…..

…..

…..

…..

…..

…..

…..

…..

2010

6

Demand

Februari 2007

erratic lumpy lumpy erratic erratic

Bulan

September

3

3

Oktober

0

0

November

0

0

Desember

0

0

Setelah dilakukan hasil pengolahan data, diperoleh hasil bahwa forecast ANN memberikan nilai error yang lebih kecil. Berikut rekap nilai perhitungan error forecasting untuk ke-empat rayon. Tabel 3. 20 Error Forecasting Spare Part di Rayon Denpasar

Tabel Perhitungan Probabilitas interval random

Count If

0

39

0.8125

0.8125

1

6

0.1250

0.9375

2

2

0.0417

0.9792

3

1

0.0208

1.0000

Jumlah

48

probabilitas

cum probabilitas

50 Kva Rayon Monte Denpasar ANN Carlo MAD 27.08 25.00 MAPE 100.00 92.31 MSE 47.92 37.50

Random

Interval 0

0.0000

0.8125

1

0.8126

0.9375

2

0.9376

0.9792

3

0.9793

1.0000

Demand Hasil Simulasi

0.50516717

0

0.08840073

0

0.18026559

0

0.90068871

50 Kva Rayon Kuta Monte ANN Carlo MAD 20.83 39.58 MAPE 100.00 190.00 MSE 20.83 39.58

…….

…….

…….

0.14687791

0

0.64696894

0

0.72348763

0

2011

2014

Jan Feb Mar Apr May ….. ….. Aug Sep Oct Nov Dec

250 Kva Monte ANN Carlo 91.67 25.00 133.33 36.36 191.67 45.83

Average Average Monte ANN Carlo 67.50 23.75 135.65 67.86 132.50 33.75

160 Kva

200 Kva

Monte Monte Monte ANN ANN ANN Carlo Carlo Carlo 68.75 4.17 39.58 4.17 97.92 6.25 194.12 20.00 118.75 11.76 167.86 10.71 106.25 4.17 56.25 11.76 353.57 6.25

250 Kva

Average Average Monte ANN Carlo

Monte ANN Carlo 83.33 6.45 62.08 12.12 129.03 6.45 141.95 47.79 158.33 4.17 139.05 13.19

Periode

Neural Network

1 2 3 4 5 ….. ….. 44 45 46 47 48

1 0 0 0 0 ….. ….. 0 0 0 1 0


Average Monte Carlo 34.17 143.26 65.00

Average ANN 16.67 65.04 33.33

Tabel 3.23 Error Forecasting Spare Part di Rayon Tabanan Average Rayon Average 50 Kva 100 Kva 160 Kva 200 Kva 250 Kva Monte Tabanan Monte ANN Monte Monte Monte Monte ANN ANN ANN ANN ANN Carlo Carlo Carlo Carlo Carlo Carlo MAD 89.58 43.75 54.17 10.42 33.33 0.00 25.00 10.42 27.08 14.58 45.83 15.83 MAPE 165.38 80.77 123.81 23.81 177.78 0.00 240.00 100.00 185.71 100.00 178.54 60.92 MSE 202.08 43.75 87.50 10.42 33.33 0.00 41.67 14.58 27.08 14.58 78.33 16.67

Tabel 3.19 Output Demand Trafo 100 KVa Rayon Denpasar (ANN) Bulan

100 Kva

50 Kva 100 Kva 160 Kva 200 Kva Rayon Monte Monte Monte Monte Mengwi ANN ANN ANN ANN Carlo Carlo Carlo Carlo MAD 0.00 27.08 37.50 2.08 39.58 18.75 50.00 16.67 MAPE 0.00 81.25 128.57 7.14 172.73 81.82 240.00 80.00 MSE 0.00 27.08 37.50 2.08 77.08 18.75 116.67 100.00

Model arsitektur neural network (ANN) yang dibuat terdiri dari 2 input, 3 hidden layer dan 1 output, dengan nilai alpha 0,5. Berikut contoh forecast demand trafo jenis 100 KVa pada Rayon Denpasar.

Tahun


Tabel 3.22 Error Forecasting Spare Part di Rayon Mengwi

1

…….


Tabel 3. 21 Error Forecasting Spare Part di Rayon Kuta

Tabel 3.18 Hasil Output Demand Random


Untuk memastikan bahwa kedua metode layak digunakan,maka harus dilakukan verifikasi dan validasi model. Dari hasil validasi dengan melakukan uji paired t test, diperoleh hasil sebagai berikut.

7

Tabel 3.26 Output Simulasi Rayon Denpasar

Tabel 3.24 Hasil Paired t-test Montecarlo vs Demand Actual

Rayon Denpasar

Rayon Jenis Trafo

Denpasar

Trafo 50 Kva

Kuta

Mengwi

Tabanan

50 Kva

Terima Ho Terima Ho

Terima Ho

Terima Ho

100 Kva

Terima Ho Terima Ho

Terima Ho

Terima Ho

160 Kva

Terima Ho Terima Ho

Terima Ho

Terima Ho

200 Kva

Terima Ho Terima Ho

Terima Ho

Terima Ho

250 Kva

Terima Ho Terima Ho

Terima Ho

Terima Ho

Trafo 100 Kva Trafo 160 Kva Trafo 200 Kva Trafo 250 Kva

50 Kva

Rayon Denpasar

Rayon Kuta

Rayon Mengwi

Tolak Ho

100 Kva Terima Ho

Terima Ho

Terima Ho Terima Ho

Tolak Ho Terima Ho

Terima Ho Terima Ho

160 Kva

200 Kva Terima Ho 250 Kva Terima Ho

Terima Ho Terima Ho

Terima Ho

Service Level Input Eksisting Output Simulasi (R,s,S) Eksisting Output Simulasi (R,s,S) Eksisting Output Simulasi (R,s,S) Eksisting Output Simulasi (R,s,S) Eksisting Output Simulasi (R,s,S)

Trafo 50 Kva Trafo 100 Kva

Rayon Tabanan

Tolak Ho

s 3 2 3 6 4

S 4 4 6 7 5

Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp

Order cost 594,600.85 1,308,121.87 356,760.51 594,600.85 951,361.36 832,441.19 1,545,962.21 2,854,084.08 713,521.02 2,259,483.23


Holding cost 244,260,000.00 645,840,000.00 518,320,000.00 791,120,000.00 427,000,000.00 1,211,000,000.00 419,118,000.00 1,972,320,000.00 1,192,800,000.00 1,461,600,000.00


SL Actual Fill rate Total Cost 244,854,600.85 98% 68% 647,148,121.87 100% 100% 518,676,760.51 98% 67% 791,714,600.85 100% 100% 427,951,361.36 97% 69% 1,211,832,441.19 100% 100% 420,663,962.21 95% 71% 1,975,174,084.08 100% 100% 1,193,513,521.02 98% 82% 1,463,859,483.23 99% 98%

Tabel 3.27 Output Simulasi Rayon Kuta Rayon Kuta

Tabel 3.25 Hasil Paired t-test ANN vs Demand Actual Jenis Trafo


Trafo 160 Kva

Terima Ho

Trafo 200 Kva Trafo 250 Kva

Terima Ho Terima Ho

s 2 2 2 5 3

S 3 4 4 6 4


Order cost 180,389.00 278,783.00 114,793.00 131,192.00 98,394.00 81,995.00 131,192.00 278,783.00 65,596.00 229,586.00


Holding cost 70,380,000.00 438,840,000.00 354,640,000.00 703,824,000.00 147,000,000.00 1,008,000,000.00 657,440,000.00 1,775,088,000.00 1,285,200,000.00 1,218,000,000.00


SL Actual Fill rate Total Cost 70,560,389.00 83% 56% 439,118,783.00 100% 100% 354,754,793.00 88% 69% 703,955,192.00 100% 100% 147,098,394.00 88% 48% 1,008,081,995.00 100% 100% 657,571,192.00 88% 73% 1,775,366,783.00 100% 100% 1,285,265,596.00 92% 82% 1,218,229,586.00 100% 100%

Tabel 3.28 Output Simulasi Rayon Mengwi Rayon Mengwi

Terima Ho Tolak Ho

Trafo 50 Kva

Berdasarkan hal tersebut, terlihat bahwa model ANN tidak dapat mewakili karakteristik demand secara keseluruhan, maka output demand dari Simulasi Montecarlo akan dipilih untuk menajdi input-an simulasi persediaan (R,s,S) Periodic Review.

Trafo 100 Kva Trafo 160 Kva Trafo 200 Kva Trafo 250 Kva

Tahapan berikutnya adalah perencanaan material trafo dengan menggunakan konsep persediaan (R,s,S) Periodic Review. Kondisi eksisting perusahaan pada dasarnya telah memiliki sistem perencanaann namun tidak menggunakan penentuan parameter awal persediaan, sehingga selama ini perusahaan baru akan memesan jika spare part tersebut dibutuhkan. Akibatnya pemesanan akan dilakukan jika terjadi kekurangan stok sebesar kekurangan tersebut. Selama ini proses pengadaan material dilakukan berdasarkan prakiraan demand historis tanpa menggunakan dasar teori yang kuat, di mana dianggap setiap tahun akan terjadi peningkatan kebutuhan spare part sebanyak kurang lebih 10%. Berikut hasil perbandingan simulasi sistem perencanan eksisting perusahaan dengan sistem perencanaan periodic review:


s 2 2 2 4 3

S Rp 3 Rp Rp 3 Rp - Rp 5 Rp Rp 5 Rp Rp 4 Rp

-

-

Order cost 659,700.00 1,172,800.00 439,800.00 733,000.00 439,800.00 293,200.00 806,300.00 1,246,100.00 586,400.00 1,026,200.00


Holding cost 62,100,000.00 455,400,000.00 136,400,000.00 660,176,000.00 672,000,000.00 1,071,000,000.00 336,938,000.00 1,388,842,000.00 302,400,000.00 1,218,000,000.00


SL Actual Fill rate Total Cost 62,759,700.00 83% 50% 456,572,800.00 100% 100% 136,839,800.00 90% 50% 660,909,000.00 100% 100% 672,439,800.00 90% 75% 1,071,293,200.00 100% 100% 337,744,300.00 83% 67% 1,390,088,100.00 100% 100% 302,986,400.00 85% 60% 1,219,026,200.00 100% 100%

Tabel 3.26 Output Simulasi Rayon Tabanan Rayon Tabanan Trafo 50 Kva Trafo 100 Kva Trafo 160 Kva Trafo 200 Kva Trafo 250 Kva


s 3 2 2 2 2

S -

-

Rp 4 Rp Rp 3 Rp - Rp 5 Rp Rp 4 Rp Rp 3 Rp

Order cost 68,097.00 113,495.00 68,097.00 113,495.00 136,194.00 90,796.00 806,300.00 45,398.00 68,097.00 113,495.00


Holding cost 173,880,000.00 741,060,000.00 125,488,000.00 714,736,000.00 210,000,000.00 1,071,000,000.00 336,938,000.00 1,282,008,000.00 176,400,000.00 1,100,400,000.00


SL Actual Fill rate Total Cost 173,948,097.00 94% 40% 741,173,495.00 100% 100% 125,556,097.00 94% 25% 714,849,495.00 100% 100% 210,136,194.00 90% 60% 1,071,090,796.00 100% 100% 337,744,300.00 83% 67% 1,282,053,398.00 100% 100% 176,468,097.00 94% 50% 1,100,513,495.00 100% 100%

Dari hasil output simualsi, kemudian dilakukan uji sensitivitas, di mana dilakukan perubahan nilai s , untuk mengetahui kombinasi total cost dan servicel level yang optimal.

8

persediaan yang dimiliki perusahaan merupakan sistem persediaan multi eselon, di mana sistem persediaan dilakukan secara bertingkat dan terdapat lebih dari satu gudang penyimpanan. Manajemen persediaan yang kurang baik ini menyebabkan seringkali terjadinya stock out ataupun over stock karena ketika permintaan tinggi dan stok tidak mencukupi, baru dilakukan order. Sistem persediaan yang baik juga tidak terlepas dari proses forecasting demand. Keakuratan dalam memprediksi demand yang akan datang, tentunya akan berpengaruh dalam penentuan jumlah persediaan dalam mengatasi ketidakpastian demand di setiap waktunya. Terkait dengan hal tersebut,maka dalam penelitian ini disajikan dua metode forecasting yang berbeda yaitu Simulasi Montecarlo dan Artificial Neural Network untuk kemudian dibandingkan mana yang akan memberikan hasil forecasting yang paling mendekati demand actual. Untuk mengatasi permasalahan stock out dan overstock yang dialami perusahaan, maka dikembangkan sebuah model simulasi sistem persediaan multi eselon dengan didasari konsep periodic review (R,s,S) sehingga diharapkan dapat membantu perusahaan untuk membuat sistem perencanaan persediaan yang memiliki rujukan teori yang kuat dan ilmiah terhadap masalah ketersediaan material.

Tabel 3.27 Kombinasi Parameter Trafo 100 Kva di R Denpasar Service Level Input Eksisting Perusahaan

s

S

-

2 2 2 2 3 3 3 3 4 4 4 4

61.05%

95.00%

99%

Order cost

Holding cost

Rp 356,760.51 Rp 3 4 5 6 4 5 6 7 5 6 7 8

Rp 1,070,281.53 Rp 594,600.85 Rp 356,760.51 Rp 356,760.51 Rp 1,070,281.53 Rp 594,600.85 Rp 356,760.51 Rp 356,760.51 Rp 1,070,281.53 Rp 594,600.85 Rp 356,760.51 Rp 356,760.51

Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp

518,320,000.00 Rp 649,264,000.00 791,120,000.00 927,520,000.00 1,107,568,000.00 894,784,000.00 1,047,552,000.00 1,183,952,000.00 1,364,000,000.00 1,151,216,000.00 1,303,984,000.00 1,440,384,000.00 1,620,432,000.00


Total Cost

SL Actual Fill rate

518,676,760.51

98.33%

650,334,281.53 791,714,600.85 927,876,760.51 1,107,924,760.51 895,854,281.53 1,048,146,600.85 1,184,308,760.51 1,364,356,760.51 1,152,286,281.53 1,304,578,600.85 1,440,740,760.51 1,620,788,760.51

99.44% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

66.67% 97.22% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

Tabel 3.28 Kombinasi Parameter Trafo 50 Kva di Area Batan Service Level Input Eksisting Perusahaan 84.37%

95%

99%

s 6 6 6 6 7 7 7 7 8 8 8 8

S

Order Cost

-

Rp 6 7 8 9 8 9 10 11 8 9 10 11


Holding Cost

668,590.00 Rp 2,160,060.00 1,748,620.00 1,285,750.00 925,740.00 1,748,620.00 1,337,180.00 925,740.00 771,450.00 2,160,060.00 1,748,620.00 1,337,180.00 925,740.00


Total Cost

563,040,000.00 Rp 608,580,000.00 716,220,000.00 848,700,000.00 948,060,000.00 894,240,000.00 1,030,860,000.00 1,134,360,000.00 1,213,020,000.00 956,340,000.00 1,080,540,000.00 1,217,160,000.00 1,328,940,000.00


Service Fill Rate Level Actual

563,708,590.00

83.3%

82.9%

610,740,060.00 717,968,620.00 849,985,750.00 948,985,740.00 895,988,620.00 1,032,197,180.00 1,135,285,740.00 1,213,791,450.00 958,500,060.00 1,082,288,620.00 1,218,497,180.00 1,329,865,740.00

97.78% 98.89% 98.89% 99.44% 99.44% 99.44% 100% 100% 99.44% 99.44% 100% 100%

94.48% 96.86% 97.43% 99.43% 98.86% 99.43% 100% 100% 99.43% 99.43% 100% 100%

4. PEMBAHASAN Pada bab ini akan dilakukan analisis dan interpretasi hasil dari pengolahan data yang telah dilakukan pada bab sebelumnya. Dari analisis ini dapat diketahui metode forecast yang paling baik serta dapat diambil beberapa kesimpulan yang dapat dipilih oleh perusahaan berkaitan dengan strategi pengadaan material.

4.2

Analisis Material Transformator (Trafo) Dari hasil perhitungan diperoleh hasil pada Rayon Denpasar semua jenis material trafo termasuk kategori lumpy (100% lumpy), kemudian Rayon Tabanan Trafo jenis 100 Kva tergolong kategori erratic, sedangkan sisanya masuk dalam kategori lumpy. Sehingga jika diprosentasekan secara keseluruhan pada Rayon Tabanan, 20% material tergolong kategori erratic dan 80% sisanya termasuk kategori lumpy.Untuk Rayon Kuta material trafo jenis 50 KVa, 200 KVa dan 250 KVa tergolong dalam kategori erratic dan jenis trafo sisanya, yaitu trafo jenis 100 KVa dan 160 KVa tergolong dalam kategori lumpy. Sehingga, jika diprosentasekan secara keseluruhan untuk Rayon Kuta adalah 60% erratic dan 40% material tergolong kategori lumpy. Rayon yang terakhir, yaitu Rayon Mengwi keseluruhan material trafo tergolong dalam kategori lumpy (100% lumpy). Jika dilihat secara keseluruhan dari keempat Rayon tersebut 80% material termasuk dalam kategori lumpy. Hal ini mengindikasikan bahwa tingkat keseringan terjadinya zero demand cukup tinggi serta

4.1 Analisis Kondisi Eksisting Perusahaan Perusahaan yang menjadi objek amatan dalam penelitian ini adalah perusahaan yang bergerak di bidang ketenaga-listrikan yang berfokus dalam menjaga stabilitas ketersediaan layanan listrik bagi konsumennya. Terkait dengan hal tersebut, ketersediaan material secara tepat, baik waktu, dan jumlah, sangat dibutuhkan untuk menunjang tujuan tersebut. Saat ini sistem persediaan material yang diterapkan oleh perusahaan masih tergolong konvensional. Perencanaan jumlah persediaan material dilakukan berdasarkan prakiraan (tanpa dasar teori yang kuat), dimana setiap tahun persediaan material dinaikkan jumlahnya sebanyak +/- 10% dari total penggunaan material pada tahun sebelumnya, dengan asumsi terdapat kenaikan jumlah pelanggan baru setiap tahunnya. Selain itu, sistem persediaan material juga tidak didukung dengan sistem komunikasi serta teknologi yang canggih. Padahal sistem 9

Tabel 4.1 Perbandingan Error Forecasting Rayon Denpasar Rayon Kuta Rayon Mengwi Rayon Tabanan Monte Monte Monte Monte ANN ANN ANN ANN Carlo Carlo Carlo Carlo MAD 67.50 23.75 62.08 12.12 34.16667 16.66667 45.83333 15.83333 MAPE 135.65 67.86 141.95 47.79 143.2597 65.04221 178.5372 60.91575 65 33.33333 78.33333 16.66667 MSE 132.50 33.75 139.05 13.19 Dari tabel di atas, dapat disimpulkan bahwa keseluruhan hasil perbandingan error forecasting menunjukkan bahwa ANN memberikan hasil error yang paling kecil. Namun, berdasarkan hasil pengujian yang terangkum kedua metode pada tabel (4.25) dan (4.26), terlihat bahwa secara keseluruhan output Simulasi Montecarlo menaytakan terima Ho, sehingga hal ini membuktikan bahwa output Montecarlo tidak berbeda secara signifikan dengan demand actual. Sedangkan , pada model ANN secara keseluruhan hasil pengujian menyatakan terima Ho. Namun, pada material trafo jenis 50 KVa pada Rayon Denpasar dan Kuta, Trafo jenis 160 KVa pada Rayon Denpasar serta Trafo jenis 250 KVa pada Rayon Tabanan menyatakan Tolak Ho. Sehingga hal ini membuktikan bahwa pada material jenis tersebut, terbukti berbeda secara signifikan. Hal ini disebabkan karena data demand actual dari jenis material tersebut yang kurang bervariatif, serta jumlah data historis yang terlalu sedikit. Sehingga walaupun ANN memberikan error yang lebih kecil, secara keseluruhan Simulasi Montecarlo lebih mewakili karakteristik pola demand actual. Berdasarkan perpertimbangan tersebut, hasil forecast Montecarlo akan dipergunakan dalam simulasi persediaan (R,s,S) periodic review.

variasi demand yang cukup fluktuatif di setiap periodenya. 4.3 Analisis Metode Forecasting Simulasi Monte Carlo pada dasarnya menirukan pola dan karakteristik dari demand actual. Langkah pertama yang dilakukan adalah mencari nilai probabilitas untuk masing-masing demand, kemudian dari probabilitas kumulatif akan di-generate bilangan random dari rentang 1- 48. Dari rentang inilah nantinya didapatkan jumlah demand yang akan datang, sejumlah 48 periode, yaitu Januari 2011- Desember 2014. Metode forecast yang kedua yaitu metode ANN. Metode ini dianggap mampu menangkap pola data yang bersifat non linear yang tidak mampu dilakukan dengan menggunakan metode tradisional time series. Mengingat pola demand trafo bersifat non linear, maka metode ini tepat untuk digunakan. Dalam penelitian ini metode ANN yang digunakan adalah Multi Layer Perceptron (MLP) yang ditraining dengan menggunakan back-propagation algorithm (BP Algorithm). Model yang digunakan menggunakan 2 input variabel, yaitu demand historis dan periode yang muncul setelah adanya non zero demand. Hidden layer yang digunakan adalah 3 unit, dan 1 variabel output yaitu prediksi demand yang akan datang. Learning Rate (Alpha) yang digunakan adalah 0.5. Tahapan dalam metode ANN ini adalah proses training, testing dan forecasting. Proses training dilakukan sebanyak 47 iterasi dengan menggunakan algoritma BP. Total maksimum yang hanya 47 iterasi diakibatkan minimnya data demand historis yang dimiliki perusahaan. Proses testing adalah proses membandingkan demand hasil forecast dengan demand actual(demand historis). Error forecasting ini dinilai dengan nilai MAPE-nya. Semakin kecil nilai MAPE, berarti semakin kecil tingkat error yang dihasilkan. Kemudian tahapan forecasting adalah tahapan di mana pola dan karakteristik model telah terbentuk, sehingga setiap input-an yang masuk, akan menghasilkan output-an demand sebanyak 48 periode ke depan. Dari hasil pengolahan data diperoleh hasil bahwa hasil forecast yang memberikan hasil error terkecil merupakan hasil dari output ANN. Berikut merupakan perbandingan total rata-rata error dari masing-masing metode.

4.4 Analisis Sistem Persediaan (R,s,S) Periodic Review Analisis dari perhitungan persediaan menggunakan (R,s,S) periodic review dimana dilakukan kombinasi parameter untuk maksimum stok (S), reorder point (s), dan review period (R) selama 1 bulan, sesuai dengan kondisi riil perusahaan. Dalam simulasi ini terdapat 12 kombinasi dimana terdapat 3 nilai reorder point yang berbeda berdasarkan input service level awal dan maksimum stok yang berbeda pula dari setiap reorder point. Setelah didapatkan nilai service level aktual dan biaya total dari tiap kombinasi maka dilakukan beberapa langkah selanjutnya untuk menetapkan kombinasi yang akan dipilih. 10

Tabel 4.2 Hasil Kombinasi Persediaan eksperimen Input SL s S Total Cost SL Actual Eksisting 100% - Rp 244,854,600.85 98% baseline 81.07% 3 4 Rp 647,148,121.87 100% Alternatif 1 81.07% 3 5 Rp 758,333,521.02 100% Alternatif 2 95.00% 4 5 Rp 841,728,121.87 100%

Rp900,000,000.00 Rp800,000,000.00

yang artinya diperlukan pengorbanan biaya yang tidak sedikit untuk mencapai service level sesuai dengan target yang diharapkan. Namun mengingat perusahaan sangat menghindari terjadinya stock out/shortage, dan realisasi kerusakan trafo berpengaruh terhadap KPI (Key Perofrmance Indikator) bagi kinerja perusahaan, maka penggunaan konsep persediaan (R,s,S) periodic review dirasa tepat untuk diimplementasikan dalam manajemen persediaan spare part.

Rp700,000,000.00

4.6

Analisis Sistem Persediaan Dua Eselon Penerapan sistem (R,s,S) pada sistem dua eselon diharapkan mampu membantu perusahaan dalam meminimalisir terjadinya stock out. Sehingga, dengan mengatur persediaan minimum dan maksimum pada tiap eselon, diharapkan dapat mendukung kebijakan perusahaan dalam menempatkan spare part di setiap stocking point (gudang) menjadi lebih terukur dan efisien. Selain itu dengan membaca informasi demand pada tiap rayon setiap bulan, maka proses replenishment dapat secara jelas terdata oleh Area, sehingga hal ini akan memudahkan sistem administrasi perusahaan.

Rp600,000,000.00 Eksisting

Rp500,000,000.00

Baseline

Rp400,000,000.00

Alternatif 1

Rp300,000,000.00

Alternatif 2

Rp200,000,000.00 Rp100,000,000.00 Rp98%

98%

99%

99% 100% 100% 101%

Gambar 4.1 Grafik Perbandingan Service Level dan Total Cost Dari hasil plot grafik di atas, dapat dilihat beberapa kombinasi yang berpotensi untuk dijadikan pilihan, yaitu memiliki service level actual 100% dan menghasilkan total cost paling kecil. Dengan base line yang ada, yaitu 98% apabila dibandingkan dengan hasil eksperimen alternatif 1 ataupun alternatif 2, memberikan service level actual yang sama dan total cost paling kecil. Sehingga dengan perusahaan dapat mempertimbangkan strategi pengadaan materialnya yaitu dengan menetapkan tingkat minimum stok sebesar 3 dan maksimum stok sebesar 4.

5. KESIMPULAN Dari pengolahan dan analisa data yang telah dilakukan, dapat disimpulkan hal-hal sebagai berikut: 1. Material Transformator (Trafo) dengan jenis 50 KVa, 100 Kva, 160 KVa, 200 KVa, dan 250 KVa pada keempat rayon terbukti memiliki karakteristik 80% tergolong lumpy, dan 20% tergolong erratic demand. 2. Dari hasil pengukuran error forecasting, diketahui bahwa ANN memberikan nilai error yang lebih kecil jika dibandingkan dengan Simulasi Montecarlo. 3. Dari hasil uji validasi secara statistik, hasil Simulasi Montecarlo terbukti lebih mewakili karakteristik demand actual. 4. Dari perbandingan kondisi eksisting dan (R,s,S) Periodic review didapatkan kesimpulan bahwa konsep persediaan (R,s,S) Periodic review memberikan hasil yang lebih baik, di mana hal ini dibuktikan dengan pemenuhaan service level target hampir di setiap kombinasi yang dilakukan.

4.5 Analisis Perbandingan Sistem Persediaan Eksisting dan (R,s,S) Periodic Review Berdasarkan perhitungan dan analisis sebelumnya, dapat dilihat perbandingan hasil simulasi eksisting dan konsep persediaan (R, s, S) Review Period. Hasil simulasi konsep persediaan (R,s,S) memberikan service level yang lebih baik daripada kondisi eksisting perusahaan. Namun, hal ini menimbulkan konsekuensi dari segi total cost, di mana segi total cost hasil simulasi memiliki nilai yang mayoritas lebih tinggi dibandingkan dengan kondisi eksisting. Hal ini sebenarnya merupakan sebuah trade off bagi perusahaan itu sendiri, 11

6. DAFTAR PUSTAKA ANORAGA, R. V. 2003. Multi Echelon Inventory Control pada Sistem Distribusi PT. Semen Gresik., Institut Teknologi Sepuluh Nopember. AXSÄTER, S., OLSSON, F. & TYDESJÖ, P. 2007. Handling Direct Upstream Demand in Multi-Echelon Inventory Systems Lund University, Sweden. BLANC, H. 2011. Advanced Inventory Management Models and Algorithms Netherlands Center Graduate Program in Business Tilburg University CALLEGARO, A. 2010. Forecasting Method For Spare Parts Demand. Universita' Degli Studi Di Padova. DESMET, B., AGHEZZAF, E.-H. & VANMAELE, H. 2010. A Normal Approximationmodel for Safety Stock Optimization in a Two-Echelon Distribution System Journal of the Operational Research Society. DHAMAYANTI, A. A. P. 2010. Pengendalian Persediaan Spare Part Base Transceiver Station (BTS) dengan Pendekatan Base Stock (R, s, S) (Studi Kasus : PT.Mobile-8 Telecom,Tbk Region V-Surabaya). Institut Teknologi Sepuluh Nopember. GHOBBAR, A. A. & FRIEND, C. H. 2002. Sources of intermittent demand for aircraft spare parts within airline operations. Air Transport Management. GILLILAND, M. 2002. Is Forecasting a Wate of Time? Supply Chain Management Review, 16-23. HADI, F. 2010. Perencanaan Pengadaan dan Pengendalian Persediaan Berbasis 2 Tingkat Dengan Pendekatan Model Vendor Managed Inventory di PT. Garuda Indonesia Institut Teknologi Sepuluh Nopember. HARTINI. 2010. Evaluasi Dan Prediksi Strategi Pengadaan Spare Part Auxilary Power Unit (APU) Tipe GTCP85 H/J/K Pada Unit Engine Maintenance PT.GMF AEROASIA. Institut Teknologi Sepuluh Nopember. HILL, T., MARQUEZ, L., O'CONNOR, M. & REMUS, W. 1994. Artificial Neural Network Model for Forecasting and Decision Making. International Journal of Forecasting 10. HILL, T., O'CONNOR, M. & REMUS, W. 1996. Neural Network Models For Time

Series Forecasts. Management Science, 42. PUJAWAN, I. N. 2005. Supply Chain Management. , Surabaya, Guna Widya. RAFAEL S.G., ADRIANO O.S. & SOMNAT, M. 2008. Lumpy Demand Forecasting Using Neural Networks. international journal of production economics, 111. SMITH, S. B. 1989. Computer Based Production and Inventory Control, Prentice Hall International. TERSINE, R. J. 1994 Principles of Inventory and Materials Management.

12

Kata kunci: Spare Part, Artificial Neural Network, Montecarlo, (R, s, S) Periodic Review

Recommend Documents