Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016
PENENTUAN PUSAT DISTRIBUSI RITEL DENGAN ANALISIS K-MEANS CLUSTERING (STUDI KASUS PT. XYZ DI KALIMANTAN) Filscha Nurprihatin1 1
Program Studi Teknik Industri, Universitas Bunda Mulia, Jl. Lodan Raya No. 2, Ancol, Jakarta
ABSTRAK Penelitian ini menentukan lokasi pusat distribusi kedua untuk PT. XYZ yang sudah mempunyai 220 ritel dan 1 pusat distribusi di Kalimantan. Lokasi pusat distribusi yang baik harus mampu memperbaiki performansi rantai pasok secara keseluruhan. Dalam penelitian ini, sebelum ditentukan lokasi pusat distribusi kedua, dilakukan clustering terlebih dahulu untuk memecah tugas pelayanan dari masing-masing pusat distribusi. Teknik K-Means clustering merupakan teknik cluster yang secara simultan mengakomodasi titik centroid dalam setiap iterasinya. Lokasi pusat distribusi terbaik untuk cluster 1 terletak di Kabupaten Landak, yang berjarak 101 km dari pusat distribusi yang sudah ada. Akses barang masuk yang terdekat adalah Pelabuhan Dwikora, Pontianak dengan jarak mengemudi 107 km. Lokasi pusat distribusi terbaik untuk cluster 2 terletak di Kabupaten Barito Kuala. Akses barang masuk terdekat adalah Pelabuhan Trisakti, Banjarmasin dengan jarak mengemudi 53.3 km. Kata Kunci: Lokasi Pusat Distribusi, K-Means Clustering, Kalimantan
1. PENDAHULUAN Pulau Kalimantan mempunyai karakteristik alam yang masih banyak berbentuk hutan di antara kota. Ekonomi masyarakat cenderung tumbuh di sekitar sungai, pusat pemerintahan provinsi dan kota/kabupaten. Oleh karena itu, akses menuju dan dari satu titik hingga titik lainnya lebih cepat menggunakan transportasi udara, meskipun lebih mahal. PT. XYZ yang mengakomodasi pasar di Kalimantan memiliki 220 titik ritel dan 1 pusat distribusi di Kota Pontianak yang dibangun 17.8 km dari Bandar Udara Supadio. Pusat distribusi dibutuhkan untuk menyimpan, merawat dan melakukan konsolidasi barang-barang yang sudah diterima dari supplier-supplier sehingga siap untuk didistribusikan ke ritel yang membutuhkan (Liu, dkk., 2012). Dengan investasi sebesar Rp 100 Milyar, setiap pusat distribusi diharapkan mampu melayani 250-300 ritel. Dengan kondisi pasar potensial yang terus tumbuh di Kalimantan, maka PT. XYZ perlu mempertimbangkan untuk menentukan lokasi pusat distribusi yang kedua. Lokasi pusat distribusi yang baik adalah lokasi yang menekan biaya dan memudahkan koordinasi antara pusat distribusi dan ritelnya sebagai representasi dari pelanggan (Liu, dkk., 2012). Bagi pihak ritel, lokasi pusat distribusi akan menentukan biaya transportasi dari dan ke lokasi ritel. Semakin dekat jarak pusat distribusi dan ritel, maka biaya transportasi semakin murah, sehingga dapat menekan harga barang. Sedangkan bagi pihak pelanggan, harga barang merupakan kriteria keputusan saat membeli barang (Tartavulea, 2015). Lebih jauh lagi, performansi distribusi mulai dari hulu hingga hilir rantai pasok secara parsial otomatis mempengaruhi performansi rantai pasok secara keseluruhan. Studi yang menggunakan Center of Gravity (COG) dilakukan oleh Gui-Zhi dan Jian-Wei (2013) dan Momeni, dkk. (2013). Gui-Zhi dan Jian-Wei (2013) meneliti tentang pendeteksian batasan antar cluster, sedangkan Momeni, dkk. (2013) melakukan penelitian untuk merencanakan tata letak di industri dengan platform mass customization. Konsep mass customization diartikan
TI-10
Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016 sebagai proses manufaktur yang terdiri dari beberapa jenis produk dan masing-masing mempunyai keunikan dalam proses produksinya. Huang dan Zhu (2014) menentukan lokasi pusat distribusi dengan menggunakan Analythical Hierarchy Process (AHP) dan Goal Programming. Bobot pada AHP ditentukan oleh prinsip biaya, prinsip tenaga kerja, dan prinsip jarak baik antara supplier dan konsumen. Liu, dkk. (2012), Bosona, dkk. (2013), XueYing (2014), Tartavulea (2015) dan Shih (2015) melakukan penelitian menggunakan COG untuk menentukan lokasi pusat distribusi. Penelitian Liu (2012) menentukan lokasi pusat distribusi di Provinsi Jilin, China sedangkan Tartavulea (2015) mencari lokasi optimal di 100 kota terbesar di Eropa untuk meningkatkan performansi rantai pasok yang direpresentasikan dengan ukuran performansi biaya transportasi. Penelitian Tartavulea (2015) melakukan pendekatan terhadap permintaan masing-masing kota dengan populasi kota tersebut. Semakin besar populasinya, maka permintaan dianggap semakin besar, begitu juga sebaliknya. Riset yang dilakukan oleh Bosona, dkk. (2013) adalah studi terhadap jalur distribusi makanan di Swedia dengan Geographic Information System (GIS) untuk mengevaluasi lokasi pusat distribusi yang sudah ada. Penelitian Bosona, dkk. (2013) mempertimbangkan frekuensi dari dan ke masing-masing titik produsen, pusat distribusi hingga konsumen, beserta jarak dan waktu tempuhnya. Dengan jarak yang sama, waktu tempuh dapat berbeda tergantung dengan kondisi kepadatan lalu lintas. Shih (2015) mengungkapkan bahwa pengukuran jarak tempuh dengan menggunakan metode nearest neighbor (euclidean) dapat berbeda secara signifikan dengan mengukur jarak mengemudi jika dua titik dipisahkan oleh objek tertentu seperti gunung atau danau. Oleh karena itu, Shih (2015) meneliti penentuan lokasi pusat distribusi dengan mengukur jarak mengmudi tiap titik ke pusat distribusi. Penelitian-penelitian sebelumnya menentukan dan/atau mengevaluasi satu pusat distribusi. Sedangkan dengan kondisi pasar yang semakin berkembang, secara logis dibutuhkan penentuan lokasi pusat distribusi yang kedua, ketiga dan seterusnya. Untuk menentukan lokasi pusat distribusi selanjutnya, dapat dilakukan clustering terlebih dahulu untuk memecah tugas pelayanan dari masing-masing pusat distribusi. Teknik clustering merupakan proses mengelompokkan data-data yang homogen berdasarkan persamaan atribut seperti jarak, hubungan dan intensitas aktivitas (Tamiselvi, dkk., 2015; Liu, dkk., 2012). Teknik ini sudah banyak digunakan dalam bidang pemasaran, pertanian, biologi dan medis. Penelitian Sasikala dan Kalaiselvi (2016) mengindentifikasi kecenderungan minat konsumen menggunakan teknik K-Means clustering. Teknik ini merupakan teknik cluster yang secara simultan mengakomodasi titik centroid dalam setiap iterasinya. Titik centorid yang terbentuk pada penelitian ini adalah titik lokasi pusat distribusi. Dengan asumsi permintaan dan biaya transportasi masing-masing titik sama, maka perhitungan titik centroid pada K-Means clustering sama dengan perhitungan COG. Gumus dan Sevilgen (2012) mengungkapkan bahwa K-Means clustering baik digunakan untuk menentukan titik optimal lokal, meskipun tidak menjamin solusi yang dihadirkan adalah solusi yang optimal global. Keunggulan lainnya dari teknik ini adalah waktu komputasi yang relatif cepat (Madhulatha, 2012). Dengan demikian diperlukan penelitian untuk menentukan lokasi pusat distribusi yang kedua dengan menggunakan K-Means clustering. Penelitian ini dilakukan dengan asumsi bahwa kuantitas barang yang dikirim dan biaya transportasi adalah sama untuk setiap titik ritel.
TI-11
Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016 2. METODOLOGI Penelitian ini menggunakan teknik K-Means clustering yang secara simultan menentukan cluster dan menghitung titik lokasi pusat distribusi di setiap iterasi. Data yang diperlukan untuk pengolahan data dengan metode K-Means clustering adalah titik koordinat lintang dan bujur setiap ritel dengan menggunakan aplikasi Google Maps. Dari aplikasi ini juga diperoleh nama kabupaten/kota. Gambar 1 menggambarkan cara kerja teknik K-Means clustering, yang dapat dijelaskan sebagai berikut: Langkah 1: Tentukan terlebih dahulu jumlah cluster yang diinginkan. Dalam studi kasus ini, karena yang akan ditentukan adalah lokasi pusat distribusi kedua, maka diperlukan 2 (dua) buah cluster. Lanjutkan ke langkah 2. Langkah 2: Tentukan anggota masing-masing cluster secara acak. Lanjutkan ke langkah 3. Langkah 3: Hitung nilai centroid. Nilai centroid adalah nilai rata-rata dari setiap atribut (koordinat x dan y) dari setiap anggota cluster. Lanjutkan ke langkah 4. Langkah 4: Hitung jarak antara setiap titik dengan kedua nilai centroid. Lanjutkan ke langkah 5. Langkah 5: Lakukan pengelompokan dengan memilih jarak terdekat antara setiap titik dengan kedua nilai centroid. Apabila terdapat anggota cluster sebelumnya yang berpindah cluster, maka ulangi langkah 2. Apabila tidak terdapat anggota cluster sebelumnya yang berpindah cluster, maka lanjutkan ke langkah 6. Langkah 6: Selesai Mulai
Jumlah cluster
Hitung Centroid
Hitung Jarak dari Masingmasing Titik ke Centroid YA
Kelompokkan sesuai dengan Jarak Terdekat
Ada yang Berpindah Cluster?
TIDAK
Selesai
Gambar 1. Cara Kerja Teknik K-Means Clustering
TI-12
Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016 3. HASIL DAN PEMBAHASAN Tabel 1 menunjukkan data koordinat lintang dan bujur yang diperoleh dari aplikasi Google Maps kemudian diolah menggunakan software SPSS untuk melakukan K-Means clustering. Terlihat bahwa terdapat 74 titik ritel yang berada di Kalimantan Barat masuk dalam cluster 1. Ritel yang terdapat di Kalimantan Tengah, Kalimantan Timur dan Kalimantan Selatan yang berjumlah 146 titik tergabung dalam cluster 2. Tabel 1. Hasil Clustering No 1
Kode KB1
Kota/Kabupaten Bengkayang
Lintang 0.796146
Bujur 109.267200
2
KB2
3 4
Kubu Raya
-0.035002
109.394009
1
KB3
Kubu Raya
-0.059822
109.377500
1
KB4
Kubu Raya
-0.057966
109.381562
1
5
KB5
Kubu Raya
-0.146647
109.411745
1
6
KB6
Kubu Raya
-0.115852
109.395237
1
7
KB7
Kubu Raya
-0.065833
109.389715
1
8
KB8
Kubu Raya
-0.052893
109.252356
1
9
KB9
Kubu Raya
-0.078299
109.369086
1
10
KB10
Kubu Raya
-0.068740
109.366325
1
11
KB11
Kubu Raya
-0.110625
109.406150
1
12
KB12
Kubu Raya
0.004731
109.271568
1
13
KB13
Kubu Raya
-0.078353
109.367698
1
14
KB14
Kubu Raya
0.001985
109.282554
1
15
KB15
Kubu Raya
-0.096892
109.345726
1
16
KB16
Kubu Raya
-0.149077
109.425376
1
17
KB17
Kubu Raya
-0.063933
109.296287
1
18
KB18
Kubu Raya
-0.005984
109.283621
1
19
KB19
Pontianak
0.282709
109.066758
1
20
KB20
Pontianak
0.288165
109.058503
1
21
KB21
Pontianak
-0.014682
109.368953
1
22
KB22
Pontianak
-0.053753
109.343818
1
23
KB23
Pontianak
-0.042583
109.351327
1
24
KB24
Pontianak
-0.067356
109.362299
1
25
KB25
Pontianak
-0.011706
109.311597
1
26
KB26
Pontianak
-0.024904
109.334899
1
27
KB27
Pontianak
-0.055168
109.367844
1
28
KB28
Pontianak
0.049099
109.241472
1
29
KB29
Pontianak
-0.055694
109.373191
1
30
KB30
Pontianak
-0.020675
109.334739
1
31
KB31
Pontianak
-0.074920
109.351219
1
32
KB32
Pontianak
-0.006255
109.331993
1
33
KB33
Pontianak
-0.011748
109.337486
1
34
KB34
Pontianak
-0.019988
109.296287
1
35
KB35
Pontianak
-0.006255
109.285301
1
36
KB36
Pontianak
-0.025481
109.331993
1
TI-13
Cluster 1
Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016 No 37
Kode KB37
Kota/Kabupaten Pontianak
Lintang -0.009002
Bujur 109.359458
38
KB38
39
Pontianak
-0.008282
109.316755
1
KB39
Pontianak
-0.022124
109.338684
1
40
KB40
Pontianak
-0.033372
109.322102
1
41
KB41
Pontianak
-0.025171
109.324835
1
42
KB42
Pontianak
-0.028114
109.346734
1
43
KB43
Pontianak
-0.022783
109.313717
1
44
KB44
Pontianak
-0.064023
109.354902
1
45
KB45
Pontianak
-0.033852
109.343901
1
46
KB46
Sambas
1.188741
109.087634
1
47
KB47
Sambas
1.191169
109.125999
1
48
KB48
Sambas
1.230124
109.143154
1
49
KB49
Sambas
1.375213
109.304278
1
50
KB50
Sambas
1.182758
108.970351
1
51
KB51
Sambas
1.067340
108.973068
1
52
KB52
Sanggau
0.141466
110.577256
1
53
KB53
Sanggau
0.293121
110.246604
1
54
KB54
Sanggau
0.132214
110.605415
1
55
KB55
Sanggau
-0.019988
110.103782
1
56
KB56
Sanggau
0.021211
110.090049
1
57
KB57
Sanggau
0.218292
110.432549
1
58
KB58
Sanggau
0.298607
110.239330
1
59
KB59
Singkawang
0.920132
108.988903
1
60
KB60
Singkawang
0.912379
108.990218
1
61
KB61
Singkawang
0.919517
108.985982
1
62
KB62
Singkawang
0.924796
108.974937
1
63
KB63
Singkawang
0.924796
108.988670
1
64
KB64
Singkawang
0.913811
108.980430
1
65
KB65
Singkawang
0.905572
108.991417
1
66
KB66
Singkawang
0.906256
108.978911
1
67
KB67
Singkawang
0.930936
109.003615
1
68
KB68
Singkawang
0.919804
108.989824
1
69
KB69
Singkawang
0.900467
108.962315
1
70
KB70
Singkawang
0.927735
108.978722
1
71
KB71
Singkawang
0.922083
108.989650
1
72
KB72
Singkawang
0.919089
108.995056
1
73
KB73
Sintang
0.072600
111.479169
1
74
KB74
Sintang
0.080659
111.478724
1
75
KH1
Pulang Pisau
-2.768614
114.276761
2
76
KH2
Kapuas
-3.002194
114.393476
2
77
KH3
Kapuas
-3.010153
114.383848
2
78
KH4
Palangka Raya
-2.232735
113.897689
2
79
KH5
Kapuas
-3.030872
114.394805
2
TI-14
Cluster 1
Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016 No 80
Kode KH6
Kota/Kabupaten Kapuas
Lintang -3.000433
Bujur 114.392044
81
KH7
82
Palangka Raya
-2.198995
113.903138
2
KH8
Palangka Raya
-2.231661
113.886644
2
83
KH9
Palangka Raya
-2.201890
113.908602
2
84
KH10
Pulang Pisau
-2.764712
114.280706
2
85
KH11
Palangka Raya
-2.206044
113.926383
2
86
KH12
Palangka Raya
-2.282624
113.918128
2
87
KH13
Palangka Raya
-2.164344
113.860436
2
88
KH14
Kapuas
-3.014907
114.387779
2
89
KH15
Palangka Raya
-2.285634
113.919608
2
90
KH16
Kapuas
-3.014906
114.386406
2
91
KH17
Palangka Raya
-2.202767
113.916741
2
92
KH18
Palangka Raya
-2.223351
113.897515
2
93
KH19
Palangka Raya
-2.213745
113.930474
2
94
KH20
Palangka Raya
-2.251108
113.916683
2
95
KH21
Palangka Raya
-2.217910
113.894695
2
96
KT1
Samarinda
-0.487833
117.125469
2
97
KT2
Kutai Kertanegara
-0.565803
117.250115
2
98
KT3
Samarinda
-0.474504
117.125984
2
99
KT4
Kutai Timur
0.549518
117.548929
2
100
KT5
Kutai Timur
0.731784
117.564512
2
101
KT6
Kutai Timur
0.493012
117.520514
2
102
KT7
Paser
-1.603712
116.152734
2
103
KT8
Kutai Kertanegara
-0.420742
116.999015
2
104
KT9
Samarinda
-0.406741
117.152810
2
105
KS1
Banjarmasin
-3.308277
114.611367
2
106
KS2
Banjarmasin
-3.297314
114.607904
2
107
KS3
Banjarmasin
-3.320281
114.597590
2
108
KS4
Banjarmasin
-3.289779
114.596202
2
109
KS5
Banjarmasin
-3.289779
114.596202
2
110
KS6
Banjar
-3.417969
114.848172
2
111
KS7
Barito Kuala
-3.275737
114.595472
2
112
KS8
Banjarmasin
-3.325320
114.587323
2
113
KS9
Banjarbaru
-3.459450
114.837142
2
114
KS10
Banjarbaru
-3.445404
114.808975
2
115
KS11
Banjarbaru
-3.422448
114.815141
2
116
KS12
Banjarbaru
-3.463235
114.850832
2
117
KS13
Tapin
-3.156480
115.092517
2
118
KS14
Banjarbaru
-3.460505
114.842563
2
119
KS15
Banjarbaru
-3.449203
114.861088
2
120
KS16
Banjarbaru
-3.440642
114.832921
2
121
KS17
Banjarbaru
-3.448531
114.819174
2
122
KS18
Banjar
-3.423521
114.850745
2
TI-15
Cluster 2
Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016 No 123
Kode KS19
Kota/Kabupaten Banjarbaru
Lintang -3.435523
Bujur 114.841117
124
KS20
125
Banjarbaru
-3.437244
114.830803
2
KS21
Banjarbaru
-3.452011
114.844267
2
126
KS22
Banjarmasin
-3.329982
114.591409
2
127
KS23
Banjarbaru
-3.448201
114.846669
2
128
KS24
Banjarmasin
-3.334568
114.584884
2
129
KS25
Banjarbaru
-3.498364
114.847525
2
130
KS26
Banjarbaru
-3.442999
114.851301
2
131
KS27
Banjar
-3.434583
114.846493
2
132
KS28
Banjarmasin
-3.308610
114.579902
2
133
KS29
Banjar
-3.415179
114.852843
2
134
KS30
Banjarbaru
-3.449086
114.789671
2
135
KS31
Banjarmasin
-3.340767
114.628823
2
136
KS32
Banjarbaru
-3.438765
114.821770
2
137
KS33
Banjarbaru
-3.451938
114.806834
2
138
KS34
Banjarbaru
-3.442665
114.726152
2
139
KS35
Banjarbaru
-3.440760
114.735936
2
140
KS36
Banjarmasin
-3.326955
114.617146
2
141
KS37
Banjar
-3.318195
114.651649
2
142
KS38
Banjarbaru
-3.434530
114.822107
2
143
KS39
Banjarmasin
-3.327923
114.583669
2
144
KS40
Banjarbaru
-3.434490
114.863133
2
145
KS41
Banjarmasin
-3.328568
114.573024
2
146
KS42
Banjarmasin
-3.322549
114.569418
2
147
KS43
Banjarmasin
-3.289127
114.587099
2
148
KS44
Banjarmasin
-3.351559
114.634590
2
149
KS45
Banjarbaru
-3.433719
114.813518
2
150
KS46
Banjarmasin
-3.293008
114.600142
2
151
KS47
Banjarbaru
-3.420142
114.846991
2
152
KS48
Banjar
-3.416543
114.849566
2
153
KS49
Banjarmasin
-3.294852
114.602372
2
154
KS50
Banjarmasin
-3.282835
114.575935
2
155
KS51
Banjarbaru
-3.448868
114.800124
2
156
KS52
Banjarmasin
-3.319298
114.620909
2
157
KS53
Barito Kuala
-3.275234
114.596532
2
158
KS54
Barito Kuala
-3.269215
114.601853
2
159
KS55
Banjarbaru
-3.444675
114.806300
2
160
KS56
Banjarbaru
-3.442770
114.825526
2
161
KS57
Banjarmasin
-3.315769
114.599618
2
162
KS58
Banjarmasin
-3.307866
114.598931
2
163
KS59
Banjarbaru
-3.436712
114.750507
2
164
KS60
Banjarmasin
-3.347241
114.628111
2
165
KS61
Banjarmasin
-3.319116
114.604250
2
TI-16
Cluster 2
Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016 No 166
Kode KS62
Kota/Kabupaten Banjarmasin
Lintang -3.319267
Bujur 114.611630
167
KS63
168
Banjarbaru
-3.434060
114.814361
2
KS64
Tapin
-3.115747
115.070838
2
169
KS65
Banjarmasin
-3.325376
114.598238
2
170
KS66
Banjarmasin
-3.282169
114.589654
2
171
KS67
Banjarbaru
-3.420271
114.846287
2
172
KS68
Banjarmasin
-3.354106
114.629649
2
173
KS69
Banjarbaru
-3.447819
114.862078
2
174
KS70
Banjar
-3.317906
114.647672
2
175
KS71
Tanah Laut
-3.806603
114.787542
2
176
KS72
Banjar
-3.432337
114.688697
2
177
KS73
Barito Kuala
-3.263176
114.604754
2
178
KS74
Tanah Bumbu
-3.789795
115.384551
2
179
KS75
Barito Kuala
-3.272562
114.600632
2
180
KS76
Tanah Laut
-3.895250
115.094553
2
181
KS77
Banjarbaru
-3.433778
114.740878
2
182
KS78
Tapin
-2.941044
115.148723
2
183
KS79
Banjar
-3.415104
114.852175
2
184
KS80
Banjar
-3.420262
114.846739
2
185
KS81
Banjar
-3.423588
114.834944
2
186
KS82
Tanah Laut
-3.974897
114.928639
2
187
KS83
Tanah Bumbu
-3.410780
116.009986
2
188
KS84
Banjarbaru
-3.452829
114.742416
2
189
KS85
Banjarbaru
-3.451629
114.740164
2
190
KS86
Barito Kuala
-3.148207
114.502530
2
191
KS87
Tanah Laut
-3.558462
114.746961
2
192
KS88
Banjar
-3.361413
114.641890
2
193
KS89
Banjarbaru
-3.461145
114.812163
2
194
KS90
Banjarbaru
-3.441954
114.847869
2
195
KS91
Banjarmasin
-3.355935
114.633621
2
196
KS92
Banjarbaru
-3.432019
114.860901
2
197
KS93
Banjarmasin
-3.322693
114.567688
2
198
KS94
Banjar
-3.414204
114.847825
2
199
KS95
Tanah Laut
-3.818179
114.786699
2
200
KS96
Banjar
-3.410784
114.673388
2
201
KS97
Tanah Laut
-3.799003
114.775684
2
202
KS98
Banjar
-3.434097
114.750264
2
203
KS99
Banjarbaru
-3.435130
114.846379
2
204
KS100
Banjarbaru
-3.434107
114.818899
2
205
KS101
Banjarbaru
-3.441994
114.828498
2
206
KS102
Banjarbaru
-3.449196
114.787971
2
207
KS103
Banjarbaru
-3.459140
114.844261
2
208
KS104
Banjar
-3.360438
114.642388
2
TI-17
Cluster 2
Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016 No 209
Kode KS105
Kota/Kabupaten Tanah Laut
Lintang -3.804863
Bujur 114.761849
210
KS106
211
Cluster
Banjarmasin
-3.321715
114.577142
2
KS107
Banjarbaru
-3.440983
114.835321
2
212
KS108
Banjarmasin
-3.317266
114.585367
2
213
KS109
Banjarmasin
-3.334752
114.605265
2
214
KS110
Banjarbaru
-3.439975
114.748073
2
215
KS111
Banjarbaru
-3.444437
114.769345
2
216
KS112
Banjar
-3.361500
114.636822
2
217
KS113
Banjarmasin
-3.325520
114.625821
2
218
KS114
Banjarbaru
-3.443417
114.805036
2
219
KS115
Banjarmasin
-3.327577
114.601789
2
220
KS116
Banjarbaru
-3.441026
114.725370
2
2
Keadaan alam yang unik menyebabkan akses menuju kota-kota di Kalimantan ditempuh lebih cepat dengan menggunakan pesawat atau kapal daripada melalui jalur darat. Oleh karena itu, pusat distribusi dapat menentukan akses barang masuk melalui bandara/pelabuhan tertentu dengan meminimasi jarak dari pusat distribusi dengan bandara/pelabuhan yang ada. Koordinat hasil perhitungan dengan menggunakan software SPSS disajikan dalam Tabel 2. Cluster 1 mempunyai titik centroid yang terletak di Kabupaten Landak, berjarak 101 km dari pusat distribusi yang sudah ada. Jalur masuk yang terdekat untuk titik ini adalah melalui Pelabuhan Dwikora, Pontianak dengan jarak mengemudi 107 km. Sedangkan pada cluster 2, titik centroid jatuh di Kabupaten Barito Kuala dengan akses masuk barang terdekat adalah dari Pelabuhan Trisakti, Banjarmasin dengan jarak mengemudi 53.3 km. Tabel 2. Hasil Perhitungan Titik Centroid Cluster 1
Titik Centroid Lintang Bujur 0.281350 109.397439
Cluster 2
-3.079746
114.805358
Kota/Kabupaten
Akses Barang Masuk
Landak (101 km dari pusat distribusi yang sudah ada) Barito Kuala
Pelabuhan Dwikora, Kalimantan Barat (107 km) Pelabuhan Trisakti, Banjarmasin (53.3 km)
4. KESIMPULAN Teknik K-Means clustering dapat digunakan dan diaplikasikan oleh perusahaan ritel untuk menentukan lokasi pusat distribusi, baik yang pertama, kedua dan seterusnya. Lokasi pusat distribusi terbaik untuk cluster 1 terletak di Kabupaten Landak, yang berjarak 101 km dari pusat distribusi yang sudah ada. Akses barang masuk yang terdekat adalah Pelabuhan Dwikora, Pontianak dengan jarak mengemudi 107 km. Lokasi pusat distribusi terbaik untuk cluster 2 terletak di Kabupaten Barito Kuala. Akses barang masuk terdekat adalah Pelabuhan Trisakti, Banjarmasin dengan jarak mengemudi 53.3 km. Dikarenakan kedua akses utama adalah pelabuhan, maka PT. XYZ harus mampu mempertimbangkan biaya dan waktu transportasi dan jumlah barang dari produsen ke pelabuhan tersebut.
TI-18
Seminar Nasional Teknologi dan Sains (SNTS) II 2016 Peran Perguruan Tinggi dalam Pembangunan Berkelanjutan Untuk Kesejahteraan Masyarakat Jakarta, 23-24 Agustus 2016 Penelitian ini mengasumsikan volume distribusi barang dan biaya transportasi sama di setiap titik, sehingga untuk penelitian selanjutnya dapat diperhitungkan variabel-variabel tersebut. 5. DAFTAR PUSTAKA Bosona, T., Nordmark, I., Gebresenbet, G., Ljungberg, D. (2013). “GIS-Based Analysis of Integrated Food Distribution Network in Local Food Supply Chain”. International Journal of Business and Management, Vol. 8, No. 17, 13-34. Gui-Zhi, W dan Jian-Wei, Z. (2013). “Clustering-boundery-detection Algorithm Based on Center of Gravity of Neighborhood”. Telkomnika, Vol. 11, No. 12, 7302-7308. Gumus, H dan Sevilgen, F.E. (2012). “Refining K-means Algorithm by Detecting Superfluous and Oversized Clusters”. Proceedings of the World Congress on Engineering and Computer Science 2012, San Francisco, USA October 24-26, 2012. Huang, H dan Zhu, Y. (2014). “The Location of Logistics Center by AHP-GP Based on Convenient Idea”. Journal of Chemical and Pharmaceutical Research, Vol. 6, No. 7,1098-1102. Liu, X., Guo, X., Zhao, X. (2012). “Study on Logistics Center Site Selection of Jilin Province”. Journal of Software, Vol. 7, No. 8, 1799-1806. Madhulatha, T. S. (2012). “Graph Partitioning Advance Clustering Technique”. International Journal of Computer Science & Engineering Survey,Vol. 3, No. 1, 91-104. Momeni, M., Soufi, M., Ajalli, M. (2013). “Layout Planning of Mass Customization Systems by Using Data Clustering Techniques (Case Study: Company of Shoae Beton Shargh)”. International Journal of Innovative Research in Science, Engineering and Technology, Vol. 2, Issue 11, 6691-6698. Sasikala, D dan Kalaiselvi, S. (2016). “Data Mining for Business Intelligence in CRM System”. International Journal of Multidisciplinary Research and Development, Vol. 3, Issue 3, 198-200. Shih, H. (2015). “Facility Location Decisions Based on Driving Distances on Spherical Surface”. American Journal of Operations Research, Vol. 5, 450-492. Tamiselvi, R., Sivasakthi, B., Kavitha, R. (2015). “A Comparison of Various Clustering Methods and Algorithms in Data Mining”. International Journal of Multidisciplinary Research and Development, Vol. 2, Issue 5, 32-36. Tartavulea, R. I. (2015). “Model for Determining the Optimum Location for Performance Improvement in Supply-Chain Strategies”. European Journal of Interdisciplinary Studies, Vol. 7, Issue 1, 39-54. XueYing, Z. (2014). “Based on Gravity Method of Logistics Distribution Center Location Strategy Research”. International Conference on Logistics Engineering, Management and Computer Science, 584-587.
TI-19
