PENGENDALIAN PERSEDIAAN SPARE PART DENGAN PENDEKATAN PERIODIC REVIEW (R,s,S) SYSTEM (STUDI KASUS : PT. GMF AERO ASIA – UNIT ENGINE MAINTENANCE) Wirawan Aditya S.P, Prof. Ir. I Nyoman Pujawan, M.Eng.,Ph.D, dan Nani Kurniati, ST., MT. Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111 Email:
[email protected];
[email protected]; nanikur@ie,its.ac.id
Abstrak PT. Garuda Maintenance Facility Aero Asia bergerak dalam bidang Maintenance, Repair and overhaul dan mempunyai pelanggan maskapai penerbangan domestik maupun luar negeri. Unit TR (engine maintenance) bertanggung jawab atas perbaikan mesin pesawat. Saat ini, dalam pengerjaan perbaikan mesin pesawat, TAT (turn around time) aktual dengan target mempunyai penyimpangan cukup besar, salah satu faktornya adalah ketersediaan suku cadang (spare part) yang akan digunakan di lini produksi untuk pengerjaan perbaikan mesin pesawat. Simulasi Monte Carlo dilakukan untuk memberi gambaran kondisi persediaan suku cadang dengan pendekatan periodic review (R,s,S) system secara lebih nyata. Penentuan kombinasi parameter S dan s sangat berpengaruh terhadap keberhasilan pengendalian persediaan. Modifikasi stok maksimum dilakukan untuk mengantisipasi variabilitas yang tinggi pada demand dan lead time ketika rumus EOQ tidak mampu mengakomodasi target service level. Spare part diklasifikasi agar dapat diketahui tingkat kepentingannya, dan dengan analisa hasil simulasi dapat diperoleh informasi strategi pemenuhan persediaan untuk mengatasi masalah ketidak tersediaan spare part. Kata kunci : Perawatan mesin, Pengelolaan Persediaan, Pemeriksaan Berkala ABSTRACT PT. Garuda Maintenance Facility Aero Asia which moves in the field of Maintenance, Repair and Overhaul has airline customers, domestic and abroad. TR unit (engine maintenance) is responsible for aircraft engine repairs. Currently, the repair work on aircraft engines, the target vs actual TAT (turn around time) has a significant deviation. One factor is the availability of spare parts (spare part) to be used in the production line for repair work on aircraft engines. Monte Carlo simulations performed to illustrate the condition of the spare parts inventory with periodic review approach (R, S, S) system is more real. Determination of the parameters S and s very influential on the success of inventory control. Parameter combinations were simulated in order to get better results. Maximum stock modifications made to anticipate the high variability in demand and lead times when the EOQ formula can not accommodate the service level targets. Spare parts are classified in order to know its importance, and the analysis of simulation results can be obtained information compliance strategy to address supply outage spare part. Keywords: Inventory Control, Periodic Review, Engine Maintenance .
1.
Pendahuluan
Meihat lebih dalam, pada proses bisnis Engine Maintenance, terdapat 3 faktor yang menjadi tolok ukur kesuksesan, yaitu TAT (Turn Around Time), Kualitas pengerjaan mesin (Reliability), dan ketersediaan floating spare. Dalam kontrak kerja antara PT. GMF Aero Asia dengan pelanggan (baik PT. Garuda Indonesia maupun yang lain) disebutkan poin- poin yang mengatur pengerjaan perbaikan mesin pesawat, antara lain target waktu pengerjaan perbaikan dan target kondisi mesin setelah pengerjaan mesin
pesawat. Dari 26 project yang ada selama Januari – Oktober 2009, digambarkan 14 project terdapat perbedaan (gap) antara target pelaksanaan dan pengerjaan aktual dilihat dari sisi TAT (turn around time). Dapat dilihat bahwa dalam 10 bulan yakni bulan Januari hingga Oktober 2009 terdapat 26 project engine, untuk memperlihatkan perbandingan penyimpangan maka diambil 14 project. dan terdapat penyimpangaan yang cukup terlihat antara target pengerjaan dan aktual pengerjaan. Dengan melihat perbandingan antara target dan aktual pengerjaan terdapat rata - rata gap senilai
38%. Nilai gap tersebut merugikan baik dari sisi tenaga maupun biaya. Untuk pengerjaan mesin pesawat WIP (Work in Progress), pola masih sama dengan pengerjaan mesin pesawat yang telah selesai. Nilai rata - rata gap sebesar 27% masih mempunyai potensi meningkat lebih besar. Setelah mengetahui adanya keadaan tidak normal (abnormality) yakni terdapat perbedaan antara target pengerjaan dan pengerjaan aktual dari sisi TAT (turn around time). Dalam pengerjaan perbaikan mesin pesawat ada sebuah prosedur yakni Gating Procedure, di mana tiap gate menandakan sebuah aktivitas tertentu. Dengan melihat data historis yang ada dapat diketahui bahwa penyebab terbesar tertundanya pengerjaan adalah di gate 5 yaitu “logistik telah mendapat kepastian dan siap untuk digunakan pada lini produksi”.
725793 858682 857383 858962 722430 858619 721877
Perbandingan TAT Target dan Aktual 65 42 70 65 75 90 76 112 81 110 66 71 89 109
Actual0TAT
50 TAT Target
100
Departemen yang berkontribusi terbesar dalam penundaan pengerjaan perbaikan pesawat adalah departemen Produksi dan Logistik. Pada dasarnya kemunduran jadwal di departemen produksi adalah akibat dari pengerjaan proyek di departemen logistik yang tidak berjalan dengan baik dan benar, yakni proses pengadaan material yang selanjutnya digunakan oleh departemen produksi. Hal ini yang menyebabkan penundaan pada lini produksi dimana tidak ada material guna mengerjakan perbaikan mesin pesawat. Dengan mengetahui departemen yang berkontribusi paling besar dalam keterlambatan yakni Logistik, maka dapat diketahui akar permasalahan penyebabkan departemen logistik tidak berjalan dengan semestinya. Dalam kondisi nyata suplai material untuk beberapa lini produksi terhambat. Contoh kasus adalah part tipe consumable biasa disebut C class yang seharusnya part tersebut harus selalu tersedia di gudang, namun kenyataannya part tersebut mengalami shortage atau stock out.
150
Gambar 1. 1 Perbandingan antara Rencana dan Aktual Pengerjaan
Dengan melihat kontribusi tiap gate, dapat diketahui faktor apa yang sangat berpengaruh terhadap kemunduran atau penundaan pengerjaan perbaikan mesin pesawat. Dari Gambar 1.3 penyebab kemunduran terbesar adalah faktor logistik atau material, senilai 88% (dengan satuan hari) dari total semua keterlambatan. PT. GMF Aero Asia, khususnya unit TR, dalam menjalankan proses bisnisnya didukung beberapa departemen yang mempunyai fungsi berbeda, yakni Planning, Production, Inspection, Logistic, Engineering. Untuk itu perlu ditelaah lebih dalam, departemen mana yang mempunyai kontribusi dalam kemunduran pengerjaan perbaikan mesin pesawat.
Gambar 1. 2 Keadaan material (c class) saat produksi
Permasalahan yang akan diselesaikan dalam penelitian ini adalah bagaimana menentukan strategi persediaan spare part dengan mempertimbangkan service level yang tinggi tetapi dengan biaya yang rendah pula. Berdasar pada data yang telah disebutkan Nampak bahwa problem logistik spare part adalah banyaknya shortage, dikarenakan hal tersebut perencanaan inventory spare part perlu dianalisa. Karena banyaknya jenis spare part dan mempunyai karakteristik masing – masing, maka diperlukan pengelolaan lebih lanjut yakni perlu adanya pengklasifikasian. Menurut silver (1998) inventory dengan permintaan yang probabilistic dapat dikelola dengan metode Continuous Review atau periodic review. Dengan mempertimbangkan
2
kondisi di perusahaan bahwa terdapat permintaan yang tidak stabil, meminimalkan shortage dan data yang digunakan adalah data review per bulan, sehingga metode yang digunakan untuk penelitian ini adalah periodic review (R,s,S) system. 2.
Mekanisme Pengendalian Persediaan
Menurut Silver (1998) dalam melakukan pengendalian inventory terdapat 3 pertanyaan besar mendasar, yakni seberapa sering seharusnya status inventory ditentukan, kapan seharusnya status inventory ditentukan, kapan seharusnya pemesanan pengisian ditempatkan dan seberap besar pemesanan pengisian dilakukan. 2.1 Sistem Persediaan Probalistik Model persediaan probabilistik adalah model yang menganggap bahwasanya parameter-parameter yang dimiliki menunjukkan adanya ketidakpastian dan merupakan variabel random. Dalam sistem persediaan, ketidakpastian ini terutama yang berhubungan dengan jumlah permintaan (demand quantity) dan waktu penerimaan (lead time). Ketidakpastian permintaan dan waktu pengiriman dapat mengakibatkan kekurangan persediaan (stocks out). Hal ini akan berdampak tidak terpenuhinya kepuasan pelanggan. Untuk mengantisipasi hal tersebut, dibuat kebijakan untuk mengadakan safety stocks. Dalam mengukur tingkat ketersediaan bahan baku didasarkan dari tingkat customer service level. Menurut Tersine (1994), customer service level adalah kemampuan untuk memenuhi permintaan konsumen dari persediaan yang ada. Nilai customer service level ini akan berpengaruh pada safety stock yang diharapkan, sehingga dapat meminimalisasi kekurangan persediaan. Kekurangan persediaan terjadi apabila permintaan selama lead time melebihi reorder point. (R,s,S) system ; Combination (s,S) dan (R,S) Pada sistem persediaan ini, ketika tingkat persediaan sampai pada tingkat s atau lebih rendah, maka akan dilakukan pemesanan sampai pada tingkat persediaan S, dan apabila diatasnya atau belum mencapai s, maka tidak dilakukan apapun sampai pada periode peninjauan R berikutnya.
---- : Inventory Position : Net Stock or both the inventory position and the net stock (if they are equal) Gambar 2. 1 Inventori dengan sistem (s, S)
Sedangkan untuk penggambaran dengan sistem (R,S), sebagai berikut
---- : Inventory Position : Net Stock or both the inventory position and the net stock (if they are equal) Gambar 2. 2 Inventori dengan sistem (R,S)
Sistem (R,s,S) merupakan kombinasi antara sistem (s,S) dan (R,S). Setiap unit waktu posisi inventori diperiksa, jika posisi tersebut tepat atau dibawah reorder point s , maka pemesanan yang dilakukan cukup untuk mencapai posisi S. bila posisi diatas s, maka tidak ada yang dilakukan sampai review selanjutnya. 2.2 Simulasi Monte Carlo Tersine (1994), Simulasi merupakan sebuah studi dengan memasukkan manipulasi sebuah model dari suatu sistem dengan tujuan dengan mengevaluasi alternatif desain atau aturan keputusan. Dengan simulasi, percobaan sistem dapat mengurangi resiko kebingungan struktur yang ada dengan perubahan yang tidak mendatangkan keuntungan Simulasi Monte Carlo sendiri merupakan simulasi probabilistik, dimana
3
3. Karakteristik Data Mengumpulkan data di unit Engine Maintenance¸yakni data penggunaan spare part dalam kurun waktu 2 tahun, untuk mengetahui karakteristik data yang akan diolah. Data yang digunakan adalah 9 spare part sebagai contoh perhitungan simulasi persediaan dengan Ms. Excel – Monte Carlo.
diperbesar maka dapat didapat hasil sebagai berikut: Scatterplot of Harga vs sum usage 5000
4000
3000 Harga
datanya di-generate dari bilangan random, yang kemudian disusun suatu distribusi probabilitas.
2000
1000
Tabel 4. 1 Data Karakteristik Material
0 0
No.
Part
Class
Harga
MOQ
Sum Usage
1
9523M21P01
EXP
204.25
1
966.00
2
P108P38
REP
262.5
1
653.00
3
301-323-910-0
CON
15.25
28
1239.00
4
P142P05
REP
576
1
102.00
5
305-393-802-0
CON
188.5
1
30.00
6
P191P08
REP
1017
1
59.00
7
305-115-104-0
REP
3661
1
6.00
8
335-304-103-0
EXP
3102
1
3.00
9
301-480-726-0
REP
3209
1
4.00
200
400 600 sum usage
800
1000
Gambar 4.15 Pemetaan material (diperbesar)
3.1 Pemetaan Data Spare Part Dilakukan pemetaan terhadap karakteristik data material berdasarkan Harga dan Intensitas penggunaan. Titik-titik data dari 518 material dipetakan dengan menggunakan scatter plot pada software Minitab untuk melihat sebaran data, didapatkan hasil sebagai berikut: Scatterplot of Harga vs sum usage 250000
200000
Setelah diperbesar, namun data tetap mempunyai kecenderungan pada daerah kiri bawah (harga rendah dan jumlah penggunaan yang rendah pula). Dengan melihat gambar, sebaran data dapat dibagi ke dalam 3 kelompok yakni (1) harga rendah-penggunaan tinggi, (2) harga rendah-penggunaan rendah, dan (3) harga tinggi-penggunaan rendah. Tidak didapatkan data dengan harga tinggi-penggunaan tinggi.
No. 1 2 3 4 5 6 7 8 9
Tabel 4. 2 Kelompok Karakteristik Data Sum PemetaPart Harga Usage an* 9523M21P01 204.25 966.00 (1) P108P38 262.5 653.00 (1) 301-323-910-0 15.25 1239.00 (1) P142P05 576 102.00 (2) 305-393-802-0 188.5 30.00 (2) P191P08 1017 59.00 (2) 305-115-104-0 3661 6.00 (3) 335-304-103-0 3102 3.00 (3) 301-480-726-0 3209 4.00 (3)
Harga
150000
100000
50000
0 0
1000
2000
3000 sum usage
4000
5000
6000
Gambar 4.14 Pemetaan material
Dengan melihat hasil Gambar 4.14 diketahui bahwa spare part mempunyai kecenderungan di daerah kiri bawah, yakni dengan karakteristik harga rendah dan jumlah penggunaan yang rendah pula. Jika daerah kiri bawah tersebut di
3.2 Pengukuran Variability Coefficient Dengan melihat grafik penggunaan material, dapat diketahui tingkat penggunaan yang sangat fluktuatif, untuk mengukur variability suatu data dapat menghitung variability coefficient, yakni: VC = Variance of demand per period Square of average demand per period
(4.1) Terdapat ketentuan bahwa:
4
Jika VC < 0.2 use a simple EOQ involving. Jika VC >= 0.2 use a heuristic. Dengan menggunakan acuan diatas, maka didapat hasil sebagai berikut: Tabel 4. 3 Contoh perhitunganVariability Coefficient
No.
Part
VC
Metode
1 9523M21P01 0.67 Heuristic 2 P108P38 1.06 Heuristic 3 301-323-910-0 0.31 Heuristic 4 P142P05 6.09 Heuristic 5 305-393-802-0 0.56 Heuristic 6 P191P08 10.50 Heuristic 7 305-115-104-0 6.97 Heuristic 8 335-304-103-0 12.31 Heuristic 9 301-480-726-0 13.98 Heuristic 4. Simulasi Persediaan dengan Ms. Excel Dengan konsep Monte Carlo dapat disimulasikan tingkat persedian di gudang unit TR berdasarkan parameter tertentu, dan dapat dilihat aspek biaya- biaya terkait seperti holding cost, order cost, dan stock out cost. Dengan menggunakan metode (R,s,S) dapat ditentukan kombinasi untuk parameter (S) dan (s) untuk mendapatkan hasil yang lebih baik dari segi biaya dan ketersediaan barang. Langkah simulasi sebagai berikut: Langkah 1 : Setting Parameter Input Langkah 2 : Generate Data Random Langkah 3 : Simulasi Perhitungan Inventory dan order barang
Reorder Point + Jumlah Pemesanan 4.2 Generate Data Random Membuat data random yang menyerupai data historis yang digunakan dalam simulasi. Tahap pertama adalah dengan fitting distribution data historis. Setelah mengetahui probabilitas distribusi dan juga parameter dari distribusi, maka parameter distribusi tersebut dilakukan sebagai inputan dalam men-generate bilangan acak. Untuk software fitting distribution menggunakan Promodel – StatFit, dan untuk men-generate bilangan acak menggunakan Minitab – Calc – Random Data. Apabila dalam uji fitting distribution tidak menunjukkan probabilitas distribusi yang sesuai maka dilakukan dengan pendekatan Monte carlo. Adapun langkah – langkah untuk membuat model simulasi Monte Carlo sebagai berikut: Langkah 1: Membuat distribusi kemungkinan untuk variabel penting. Langkah 2: Membangun distribusi kemungkinan kumulatif untuk tiap – tiap variabel di tahap pertama. Langkah 3:Menentukan interval angka radom untuk tiap variabel. Langkah 4: Membuat angka random. Langkah 5:Membuat simulasi dari angka random. Untuk metode fitting distribution, menggunakan software Promodel – Stat Fit, sebagai berikut:
Langkah 4: Perhitungan biaya inventory, Biaya Order, dan Jumlah stock out. 4.1 Setting Parameter Input Parameter yang dijadikan acuan adalah parameter persedian yang menggunakan pendekatan EOQ, yakni: 1. Jumlah Pemesanan Q*
2C 0 D / h
(2.3)
Gambar 4.16 Fitting distribusi data 9523M21P01 dengan Promodel
2. Reorder Point ROP = d x l + Safety Stock
(2.4)
3. Safety stock SS = Z x sdl
(2.5)
4. Maximum stock
5
Perhitungan dilakukan software Microsoft Excel.
dengan
menggunakan
a. Inventory periode ke-t (it): it = it-1 + Order receive - dt
Gambar 4.17 Perbandingan distribusi 9523M21P01 dengan Promodel
Contoh bilangan acak untuk part 9523M21P01 dapat dilihat pada tabel 4.8. Pada tabel hanya akan ditampilkan 18 dari 120 data yang di-generate. (pendekatan probabilitas) Tabel 4. 4 Bilangan acak penggunaan part 9523M21P01 Perio Bil. Perio Bil. Perio Bil. de Acak de Acak de Acak 1 0 7 22 13 20 2 108 8 110 14 99 3 101 9 11 15 15 4 23 10 3 16 81 5 9 11 31 17 37 6 73 12 16 18 12
Sehingga didapat hasil distribusi beserta parameter yang adigunakan dalam men-generate bilangan ramdom, sebagai berikut:
(4.2)
b. Order periode ke-t dilakukan jika inventory periode t-1 kurang dari ROP (s). Jumlah part yang diorder adalah sebesar stok maksimum (S) dikurangi inventory periode t-1. ordert = Max. stock – (it-1 + inventory on order t-1) (4.3) c. Demand didapatkan dari data asli serta data yang di-generate dengan simulasi Monte Carlo atau distribusi data Promodel dan Minitab. d. Inventory on order: jumlah inventory yang telah dipesan dan belum sampai di gudang, terakumulasi dari inventory on order sebelumnya, dan dikurangi jika part yang dipesan diterima. e. Receipt: order yang datang pada periode t f. Lead time: waktu tunggu dari order hingga receipt, didapatkan dari generate random data. g. Holding costt = jumlah inventory x holding cost per part h. Order costt = 0 jika pada periode t tidak terdapat pemesanan, atau sejumlah biaya order jika ada pesanan. Jika digambarkan dengan flowchart maka sebagai berikut:
Tabel 4. 5 Distribusi data penggunaan spare part No 1 2 3 4 5 6 7 8 9
Part Number 9523M21P01 P108P38 301-323-910-0 P142P05 305-393-802-0 P191P08 305-115-104-0 335-304-103-0 301-480-726-0
Parameter Distribution Triangular (-1,129,-1) Exponential (28.4) Lognormal (0; 3.91; 0.491) Pendekatan Probabilitas Triangular (-1;3,64;,1,02) Pendekatan Probabilitas Exponential (0; 0,261) Pendekatan Probabilitas Triangular (-1; 2,31, -0,137)
4.3 Simulasi Perhitungan Inventory dan Pemesanan Spare Part Dengan melakukan simulasi pada Ms. Excel maka terdapat beberapa langkah dalam pengambilan keputusan. Berikut adalah flow chart keputusan dalam hal pemesanan (ordering):
roundup S i (t 1) i ' (t 1) Qt MOQ
MOQ
Gambar 3. 1 Alur Keputusan order
Keterangan: t = periode it = inventory periode ke-t i’t = inventory on order periode ke-t
6
S = stok maksimum s = reorder point MOQ = minimum order quantity 4.4 Perhitungan biaya inventory, Biaya Order, dan Jumlah stock out. Biaya penyimpanan dapat diketahui sebagai berikut: HOLDING COST Capital cost
18.0%
Tax
1.0%
Insurance
1.5%
Obsolescene
1.0%
Storage
2.5%
Handling
2.0%
TOTAL
26%
Biaya Holding didapat dapat dari jumlah faktor yakni sebesar 26% dikalikan dengan harga spare part tersebut. Biaya Pemesanan dapat diketahui Sebesar Rp. 350.000, hal ini meliputi Internet, Telepon, Fax, Pembuatan PO (Tinta, Kertas, Printer, administrasi lainnya) Jumlah Stock Out, Didapat Hasil simulasi yang menandakan dalam suatu periode yang tidak terpenuhinya spare part, ditandakan dengan minus. 5. Hasil Simulasi Pengelolaan Persediaan Menggunakan metode simulasi Monte Carlo, tiga belas part disimulasikan. Dua puluh tiga data pertama untuk demand dalam tiap simulasi adalah data asli yaitu data penggunaan part. Selanjutnya, 120 data demand di-generate berdasarkan distribusi tertentu. 5.1 Hasil Simulasi Part 9523M21P01 Untuk tiap part, simulasi dilakukan pada berbagai kondisi service level dan S. Menunjukkan contoh hasil simulasi untuk part 9523M21P01 pada service level 95% dan S sebesar ROP + Q, yakni 126 item. Holding cost sebesar $ 4,42 dan order cost sebesar $ 38,04. Pada tabel hanya ditunjukkan 35 baris dari total 144 baris simulasi.
Tabel 4. 6 Hasil Simulasi Part 9523M21P01 Eksp.
S
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
129 124 118 113 108 102 97 135 129 124 118 113 108 102 142 136 131 126 120 115 109 153 147 142 136 131 126 120 165 160 154 149 144 138 133
SL. Input 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00%
s 87 87 87 87 87 87 87 92 92 92 92 92 92 92 99 99 99 99 99 99 99 110 110 110 110 110 110 110 123 123 123 123 123 123 123
S.L. Aktual 72% 69% 66% 64% 63% 61% 56% 74% 73% 69% 66% 66% 63% 62% 78% 76% 74% 71% 71% 67% 65% 87% 82% 78% 77% 78% 76% 74% 90% 90% 89% 83% 82% 81% 80%
Total Cost 27853,22 26837,08 25226,16 23931,22 22596,38 21169,53 19508,99 30110,18 29364,00 27306,10 25940,36 24981,68 23081,31 21677,45 33737,24 32906,97 30676,48 29155,85 28073,26 26004,73 24530,06 39384,07 38345,81 35933,88 34293,76 33197,89 30921,36 29247,55 46610,77 44904,27 42704,77 40807,97 39251,86 37320,52 35093,53
Diketahui base line (BL) yakni titik awal untuk melakukan simulasi, yakni percobaan ke-18 dengan service level (SL) aktual sebesar 71% dengan total biaya USD 29,155.85. berdasarkan BL (pendekatan EOQ) maka pencapaian dengan target SL 95% hanya sebaesar 71% pada kenyataan. Maksud disini adalah dengan parameter pendekatan EOQ maka pencapaian SL aktual yang didapat tidak sebaik SL target. Setelah disimulasikan ternyata terdapat hasil dengan SL aktual 71% senilai dengan BL, namun dengan biaya yang lebih rendah yakni sebesar USD 280,073, hal ini dapat dijadikan suatu alternatif dengan kombinasi S dan s dapat diketahui nilai yang dpakling baik diantara skenario. Dengan base line yang ada yakni SL 71% percobaan ke 18, jika ingin menaikkan SL aktual sebesar 80% membutuhkan biaya sebesar USD 5,937 dan jika ingin menaikkan SL aktual sebesar 90% maka membutuhkan biaya USD 15,748.
7
5.2 Hasil Simulasi Part P108P38 Simulasi dilakukan untuk berbagai kombinasi service level dan S dari penggunaan service level input sebesar 90 % hingga 99 %, serta penggunaan S sejumlah ROP + 0,4 Q hingga ROP + 1,6 Q. Hasil dari 35 simulasi part P108P38 dirangkum dalam tabel 4.13. Tabel 4. 7 Hasil Simulasi Part P108P38 Eksp. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
S 97 93 89 85 81 78 74 102 98 94 90 86 82 78 108 104 100 96 92 88 84 117 113 109 105 101 97 94 128 124 120 116 112 108 104
S. Lvl Input 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00%
s 66 66 66 66 66 66 66 71 71 71 71 71 71 71 77 77 77 77 77 77 77 86 86 86 86 86 86 86 97 97 97 97 97 97 97
S.L. Aktual 78% 78% 76% 73% 71% 70% 71% 80% 80% 78% 76% 74% 71% 71% 81% 83% 80% 78% 77% 76% 73% 86% 86% 84% 83% 83% 82% 79% 89% 88% 88% 86% 85% 85% 84%
Total Cost 31242,35 30449,01 28893,17 27263,38 25798,54 24337,61 23102,80 34313,98 33188,62 31746,90 30101,45 28545,60 27016,42 25810,05 38056,36 36959,43 35381,21 33633,38 32032,04 30400,49 29086,05 44703,27 43881,12 41995,40 39876,49 38030,58 36239,78 34669,40 52261,96 51017,16 49126,13 46506,35 45274,69 43620,39 41907,82
Dengan melihat keadaan base line dengan pendekatan EOQ berada pada percobaan 18 dengan SL aktual sebesar 78%, sedangkan SL target adalah 95%, sehingga dengan pendekatan EOQ, parameter yang dihasilkan kurang baik dibandingkan dari beberapa scenario yang ada. Dalam gambar terlihat BL berada pada SL aktual 78%, tetapi dalam hasil perhitungan simulasi terdapat pula percobaan ke 1 dengan SL aktual 78% tetapi dengan biaya lebih rendah yakni USD 31242.4. Hal ini menunjukkan bahwa dengan SL yang sama 78% tetapi dengan mengkombinasi parameter yang ada sehingga dapat menemukan titik yang baik diantara skenario yang ditawarkan.
Kecenderungan yang didapatkan adalah semakin besar SL aktual maka biaya juga akan semakin besar, hal ni diperlihatkan dalam gambar dengan kecenderungan yang terjadi. Jika ingin menaikkan SL aktual dari BL yakni 78% menjadi 83% (percobaan ke 16) dengan nilai S = 104, s = 78. Maka membutuhkan biaya total sebesar USD 3,326.05. Untuk menaikkan SL aktual BL menjadi SL sebesar 86% dengan parameter S = 114, s = 86 maka membutuhkan biaya total sebesar USD 10.247. Namun jika ingin memaksimalkan nilai SL aktual yakni 89% dengan nilai S = 128 s = 97 dengan konsekuensi membutuhkan biaya total yang lebih tinggi, sebesar USD 18,628.58. 5.3 Hasil Simulasi Part P142P05 Simulasi dilakukan untuk berbagai kombinasi service level dan S dari penggunaan service level input sebesar 90 % hingga 99 %, serta penggunaan S sejumlah ROP + 0,4 Q hingga ROP + 1,6 Q. Hasil dari 35 simulasi part P142P05 dirangkum dalam tabel 4.15. Tabel 4. 8 Hasil Simulasi Part P142P05 Eksp.
S
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
27 26 25 24 23 22 21 29 27 26 25 24 23 22 31 30 29 28 27 26 25 34 33 32 31 30 29 28 38 37 36 35 34 33 32
S. Lvl Input 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00%
s 19 19 19 19 19 19 19 21 21 21 21 21 21 21 23 23 23 23 23 23 23 26 26 26 26 26 26 26 30 30 30 30 30 30 30
S.L. Aktual 81% 80% 80% 78% 77% 77% 75% 86% 86% 81% 80% 80% 78% 77% 90% 90% 85% 84% 81% 80% 80% 93% 93% 94% 91% 91% 85% 86% 98% 98% 98% 98% 97% 94% 91%
Total Cost 32350,77 30990,45 30267,21 28931,85 27621,45 26311,05 25388,74 34734,45 34123,53 33325,41 31915,17 30504,93 29119,65 28109,98 37817,01 37193,61 36245,73 34760,61 33325,41 31915,17 30855,58 43981,52 42634,29 41998,41 40950,69 39340,77 36245,73 35111,26 50833,04 49435,89 48787,53 47615,01 45905,25 44232,93 41376,22
8
Diketahui base line yakni titik awal untuk melakukan simulasi, yakni percobaan ke-18 dengan service level aktual sebesar 84% dengan total biaya USD 34,760.61. Berdasarkan BL (pendekatan EOQ) maka pencapaian dengan target SL 95% hanya sebesar 84% pada aktualnya. Maksud disini adalah dengan parameter pendekatan EOQ maka pencapaian SL aktual yang didapat tidak sebaik SL target. Setelah disimulasikan dengan menggeser parameter persediaan ke atas dan ke bawah dari nilai base line, maka didapatkan kombinasi dari S dan s yang mempengaruhi SL aktual, diketahui untuk nilai base line, kurang optimal diantara skenario yang ada. karena pada percobaan ke 28, didapat SL aktual sebesar 86% dengan S senilai 28 , s senilai 26 dan total biaya sebesar 35,111,26. untuk menaikkan SL aktual dari 84% menuju 86% hanya selisih USD 350.65. 5.4 Hasil Simulasi Part 305-393-802-0 Menunjukkan contoh hasil simulasi untuk part 305-393-802-0 pada service level 95% dan S sebesar ROP + Q. Pada tabel hanya ditunjukkan 35 baris dari total 144 baris simulasi. Tabel 4. 9 Hasil Simulasi Part 305-393-802-0 Eksp.
S
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
10 9 8 7 6 6 5 11 10 9 8 7 6 5 11 10 9 8 7 6 5 11 10 9 8 7 6 5 11 10
S. Lvl Input 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 99,00% 99,00%
s 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4
S.L. Aktual 99% 97% 98% 95% 97% 95% 94% 99% 97% 98% 95% 97% 95% 94% 99% 97% 98% 95% 97% 95% 94% 100% 99% 100% 99% 99% 99% 99% 100% 99%
Total Cost 3897,51 3573,35 3442,43 3206,61 3293,21 3284,36 3850,48 3897,51 3573,35 3442,43 3206,61 3293,21 3284,36 3850,48 3897,51 3573,35 3442,43 3206,61 3293,21 3284,36 3850,48 4497,88 4132,88 3986,91 3753,89 3907,12 3877,85 4389,59 4497,88 4132,88
Eksp.
S
31 32 33 34 35
9 8 8 7 6
S. Lvl Input 99,00% 99,00% 99,00% 99,00% 99,00%
s 4 4 4 4 4
S.L. Aktual 100% 99% 99% 99% 99%
Total Cost 3986,91 3753,89 3907,12 3877,85 4389,59
Untuk part 305-393-802-0, didapat hasil simulasi yakni berada pada percobaan 18 dengan nilai S sebesar 8, s sebesar 3 dan SL aktual adalah 95% (target SL adalah 95). Jadi memang antara SL target dan aktual mempunyai nilai yang sama. Dan untuk menaikkan SL aktual menjadi 98% pada percobaan 3, membutuhkan biaya sebesar USD 235.82. yang menyebabkan SL aktual naik adalah kombinasi dari parameter persediaan seperti S dan s, jika dilihat dari SL input maka tidak menjadi acuan bahwa semakin besar SL input akan berpengaruh terhadap SL aktual. Hal ini dibuktikan pada percobaan 18 dan 3. Nilai SL input percobaan 18 adalah 95% dan SL aktual 95%, untuk percobaan 3, SL input adalah 90% dan SL aktual adalah 98%. Dengan keadaan seperti ini jika ingin menaikkan SL menjadi 99% maka membutuhkan biaya sebesar USD 671.24. untuk menaikkan SL aktual dari 95% menjadi 100% maka memerlukan biaya sebesar USD 780.30. Hal ini dapat disimpulkan bahwa semakin besar SL aktual maka diikuti dengan semakin besar pula biaya yang diperlukan. 5.5 Hasil Simulasi Part P191P08 Simulasi dilakukan pada berbagai kondisi service level dan S. Menunjukkan contoh hasil simulasi untuk part P191P08 pada service level 95% dan S sebesar ROP + Q. Pada tabel hanya ditunjukkan 35 baris dari total 144 baris simulasi. Tabel 4. 10 Hasil Simulasi Part P191P08 Eksp.
S
1 2 3 4 5 6 7 8 9 10 11 12 13 14
18 17 17 16 16 15 14 19 19 18 18 17 16 16
S. Lvl Input 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50%
s 14 14 14 14 14 14 14 15 15 15 15 15 15 15
S.L. Aktual 91% 91% 91% 91% 91% 91% 91% 93% 91% 91% 91% 91% 91% 91%
Total Cost 47122,51 47122,51 45463,86 45463,86 42961,85 42961,85 40728,22 51651,74 49965,02 49965,02 48306,37 45804,37 45804,37 43570,73
9
Eksp.
S
15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
21 20 20 19 19 18 17 24 23 22 22 21 21 20 27 26 25 25 24 24 23
S. Lvl Input 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00%
s 17 17 17 17 17 17 17 19 19 19 19 19 19 19 22 22 22 22 22 22 22
S.L. Aktual 93% 93% 92% 92% 91% 91% 91% 94% 94% 94% 94% 94% 93% 93% 94% 94% 94% 94% 94% 94% 94%
Total Cost 55672,09 55672,09 53991,40 53991,40 51489,40 51489,40 49255,76 63374,36 63374,36 61533,40 59764,57 59764,57 57196,46 57196,46 72232,43 72232,43 70391,47 68622,64 68622,64 66010,46 66010,46
Titik base line dengan pendekatan EOQ untuk part P191P08 berada pada percobaan 18 dengan SL target sebesar 95% dan SL aktual sebesar 92% dengan total biaya sebesar USD 5399140. Dengan mengacu pada hasil kombinasi dari simulasi maka diketahui bahwa titik EOQ tidak optimal jika dibandingkan dengan skenario yang ada, karena pada percobaan 8, didapatkan hasil S = 20, s = 15 dan SL aktual adalah 93%, tetapi dengan total biaya yang lebih rendah sebesar USD 51,651.74. Bila dilihat dari hasil yang diperoleh pada percobaan 18 dan 8, maka dapat disimpulkan parameter persediaan percobaan 8 lebih baik dibandingkan dengan parameter persediaan percobaan 18. Jika ingin memaksimalkan SL aktual berdasar skenario yang ditawarkan maka nilai SL maksimal adalah 94% dengan S = 22, s = 19. Dan dengan SL yang besar, dibutuhkan pula kenaikan biaya sebesar USD 5,773.17.
Eksp.
S
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
2 3 2 2 2 2 2 2 3 3 2 2 2 2 2 3 3 3 3 3 2 2 3 3 3 3 3 3 3
S. Lvl Input 90,00% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00%
s 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
S.L. Aktual 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99%
Total Cost 30817,31 30899,87 30817,31 30817,31 30817,31 30817,31 30817,31 30817,31 30899,87 30899,87 30817,31 30817,31 30817,31 30817,31 30817,31 30899,87 30899,87 30899,87 30899,87 30899,87 30817,31 30817,31 30899,87 30899,87 30899,87 30899,87 30899,87 30899,87 30899,87
Dengan melihat kecenderungan dari hasil yang diperoleh terlihat berpusat pada 2 buah titik, yakni pada titik SL aktual di 99%, tetapi yang membedakan adalah total biaya. Sebenarnya untuk total biaya tidak terlalu beberbeda jauh, hal ini juga dilihat dari kombinasi parameter persediaan yang hampir sama pada kedua titik ini. Melihat fenomena ini dapat disimpulkan bahwa untuk jenis part ini untuk mencapai SL aktual 99% tidak sulit untuk dilakukan, hal ini dikarenakan dengan adanya 35 skenario yang disimulasikan, hasil yang diperoleh adalah kecenderungan berpusat pada titik 99%.
5.6 Hasil Simulasi Part 305-115-104-0 Menunjukkan contoh hasil simulasi untuk part 305-115-104-0 pada service level 95% dan S sebesar ROP + Q. Pada tabel hanya ditunjukkan 35 baris dari total 144 baris simulasi.
5.7 Hasil Simulasi Part 335-304-103-0 Simulasi dilakukan pada berbagai kondisi service level dan S. Menunjukkan contoh hasil simulasi untuk part 335-304-103-0 pada service level 95% dan S sebesar ROP + Q. Pada tabel hanya ditunjukkan 35 baris dari total 144 baris simulasi.
Tabel 4. 11 Hasil Simulasi Part 305-115-104-0
Tabel 4. 12 Hasil Simulasi Part 335-304-103-0
Eksp.
S
1 2 3 4 5 6
2 2 2 2 2 2
S. Lvl Input 90,00% 90,00% 90,00% 90,00% 90,00% 90,00%
s 2 2 2 2 2 2
S.L. Aktual 99% 99% 99% 99% 99% 99%
Total Cost 30817,31 30817,31 30817,31 30817,31 30817,31 30817,31
Eksp.
S
1 2 3 4 5 6
2 2 2 2 2 1
S. Lvl Input 90,00% 90,00% 90,00% 90,00% 90,00% 90,00%
s 1 1 1 1 1 1
S.L. Aktual 99% 99% 99% 99% 99% 99%
Total Cost 14641,64 14641,64 14641,64 14641,64 14641,64 14320,81
10
Eksp.
S
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
S. Lvl Input 90,00% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00%
s 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2
S.L. Aktual 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
Total Cost 14320,81 14641,64 14641,64 14641,64 14641,64 14641,64 14641,64 14320,81 14641,64 14641,64 14641,64 14641,64 14641,64 14641,64 14641,64 23835,46 23835,46 23835,46 23835,46 23835,46 23835,46 23835,46 23835,46 23835,46 23835,46 23835,46 23835,46 23835,46 23835,46
Melihat hasil dari simulasi, dihasilkan persebaran data terhadap SL aktual dan total biaya yang mempunyai kecenderungan memusat di suatu titik. Hal ini dikarenakan parameter persediaan seperti S (max stock) dan s (reorder point) yang hampir sama di setiap skenario yang dilakukan. Dengan melihat fenomena ini dapat disimpulkan bahwa untuk jenis part 301-480726-0, pengendalian persediaan tidak terlalu kompleks, dengan alasan karena dari 35 skenario simulasi hasil yang didapat SL aktual berpusat / mempunyai kecenderungan pada angka 99% dan 100%. Sehingga untuk jenis part ini tidak menjadi perhatian utama dalam pengendalian persediaan. Pencapaian yang besar ini juga mendapat pengaruh dari kuantitas part dan penggunaan yang tidak terlalu banyak jika dibandingakan dengan penggunaan part lainnya. 5.8 Hasil Simulasi Part 301-480-726-0 Simulasi dilakukan pada berbagai kondisi service level dan S. Menunjukkan contoh hasil simulasi untuk part 301-480-726-0 pada service level 95% dan S sebesar ROP + Q. Pada tabel hanya ditunjukkan 35 baris dari total 144 baris simulasi. Tabel 4. 13 Hasil Simulasi Part 301-480-726-0
Eksp.
S
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 3 3 3 3 3 2 2
S. Lvl Input 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00%
s 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
S.L. Aktual 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
Total Cost 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 26954,68 27049,14 27049,14 26954,68 26954,68 26954,68 26954,68 26954,68 27049,14 27049,14 27049,14 27049,14 27049,14 26954,68 26954,68
Untuk part 301-480-726-0, berdasar hasil simulasi dengan mengatur kombinasi parameter persediaan seperti S (max stock) dan s (reorder point), sehingga didapatkan hasil dari 35 skenario berpusat pada SL aktual di level 100%. Hal ini dikarenakan angka kombinasi yang dilakukan hampir serupa, sehingga hasilnya yang didapat pun hampir serupa. Melihat fenomena seperti diatas atas dapat disimpulkan bahwa untuk mencapai pencapaian 100% tidak membutuhkan kompleksitas yang tinggi. Hal ini dikarenakan dengan melakukan 35 skenario simulasi, hasil yang didapat pun hampir sama yakni pada service level aktual 100%. Terdapat 2 pemusatan / kecenderungan pada service level 100% tetapi pada biaya USD 26,954.6 dan USD 27,049.1 5.9 Hasil Simulasi Part 301-323-910-0 Simulasi dilakukan pada berbagai kondisi service level dan S. Tabel 4.26 menunjukkan contoh hasil simulasi untuk part 301-323-910-0 pada service level 95% dan S
11
sebesar ROP + Q, yakni 81 item. Pada tabel hanya ditunjukkan 35 baris dari total 144 baris simulasi. Tabel 4. 14 Hasil Simulasi Part 301-323-910-0 Eksp.
S
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
271 248 226 204 181 159 137 275 253 231 208 186 164 142 281 259 237 215 192 170 148 291 269 246 224 202 179 157 302 280 257 235 213 190 168
S. Lvl Input 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 90,00% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 92,50% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 97,50% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00% 99,00%
s 93 93 93 93 93 93 93 98 98 98 98 98 98 98 104 104 104 104 104 104 104 113 113 113 113 113 113 113 124 124 124 124 124 124 124
S.L. Aktual 94% 92% 92% 93% 92% 90% 89% 93% 94% 93% 92% 90% 89% 90% 94% 94% 97% 93% 92% 92% 91% 94% 92% 93% 93% 94% 91% 92% 97% 95% 97% 94% 94% 91% 93%
Total Cost 6549,06 6562,04 6095,58 5919,04 5748,44 5381,58 5027,40 6732,44 6650,26 6494,82 6055,17 6025,28 5558,02 5243,59 7441,19 6863,05 6832,17 6388,89 6011,74 5915,20 5828,61 7345,70 7311,38 7122,85 6876,21 6476,02 6189,44 6033,24 8441,69 8159,32 7650,28 7378,82 7250,51 6626,87 6546,42
Diketahui base line yakni titik awal untuk melakukan simulasi, yakni percobaan ke-18 dengan service level aktual sebesar 93% dengan total biaya USD 6388.9. Berdasarkan BL (pendekatan EOQ) maka pencapaian dengan target SL 95% hanya sebesar 93% pada aktualnya. Maksud disini adalah dengan parameter pendekatan EOQ maka pencapain SL yang didapat tidak sebaik SL target. Setelah disimulasikan dengan menggeser parameter persediaan ke atas dan ke bawah dari nilai base line, maka didapatkan kombinasi dari S dan s yang mempengaruhi SL aktual, diketahui untuk nilai base line kurang optimal diantara skenario yang ada, karena pada percobaan ke 4, didapat SL aktulal sebesar 93% dengan S senilai 204 , s senilai 93 dan total biaya sebesar USD 5919 . Hal ini menunjukkan
bahwa dengan nilai SL aktual 93% mempunyai total biaya yang berbeda. 6. Kesimpulan Beberapa kesimpulan yang dapat ditarik dari penelitian adalah: 1. Material / spare part yang ada di Unit Engine Maintenance mempunyai karakteristik penyebaran yakni sebagian besar berada pada kudaran dengan harga rendah namun jumlah penggunaan yang rendah pula (kelas 2). 2. Simulasi Monte Carlo yang telah dilakukan dimaksudkan untuk memberi gambaran kondisi persediaan secara lebih nyata agar dapat ditentukan parameter yang terbaik untuk part tertentu. Penentuan parameter S (stok maksimum) dan s (reorder point) sangat berpengaruh terhadap keberhasilan pengendalian persediaan. Kombinasi parameter tersebut dapat disimulasikan agar ditemukan kombinasi yang tepat. Adjustment/modifikasi rumus dasar (teoritis) diperlukan untuk mengantisipasi variabilitas yang tinggi pada demand dan lead time ketika rumus EOQ tidak mampu mengakomodasi target service level. 3. Kelas 1 (jumlah penggunaan tinggi; harga rendah) dan 2 (jumlah penggunaan rendah; Harga rendah) dengan melihat hasil grafik, untuk mencapai service level yang tinggi membutuhkan kombinasi parameter yang banyak. 4. Kelas 3 (jumlah penggunaan rendah; Harga Tinggi) dengan melihat grafik, untuk mencapai service level tinggi tidak membutuhkan kombinasi yang banyak. 5. Dengan meningkatnya parameter s (reorder point) maka akan mengakibatkan meningkatnya service level aktual. 6. Spare part untuk mesin pesawat CFM56-3 mempunyai variability yang tinggi. Hal ini ditunjukkan dengan nilai variability coefficient yang diatas 0.2. meskipun untuk jenis spare part consumable. 7. Dalam kasus pada PT. GMF AA, pendekatan menggunakan EOQ tidak
12
menjadi pendekatan terbaik, walaupun untuk tipe spare part consumable. 8. Untuk perumusan yang menggunakan pendekatan distribusi normal, bukanlah parameter yang terbaik. Hal ini berdasar perhitungan dengan modifikasi parameter.
Waters, C D J (1992). Inventory Control and Wiley & Sons Management. John
7. Daftar Pustaka Chopra, Sunil and Meindl, Peter (2004). Supply Chain Management – Strategy Planning and Operation. Prentice Hall International Edition Law, A M dan Kelton W D. (2005). Simulation Modelling and Analysis. McGraw – Hill. Lukito, H K (2007) Penentuan Replenishment dengan Pendekatan (S,Q) dan Statistical Process Control (SPC) untuk Meminimalkan Biaya Persediaan. Surabaya. Tugas Akhir TI ITS. Mandiri, Elan Tangguh,. (2007) Evaluasi Kebijakan Persediaan Bahan Baku Untuk Meningkatkan Kinerja Persediaan di PT. TRISULAPACK INDAH (MASPION UNIT III). Surabaya, Tugas Akhir TI ITS. Nasution, Arman Hakim (1999). Perencanaan dan Pengendalian Produksi, Jakarta, PT. Candimas Metropole Pujawan, I Nyoman. (2005). Supply Chain Management. Surabaya, Guna Widya Richardus E. Indrajit dan Djokopranoto Richardus. (2005). Strategi Manajemen Pembelian dan Supply Chain. Grasindo. Jakarta Silver, E. A., Pyke; David F; Peterson, Rein Management (1998) Inventory and Production Planning and New York, John Wiley Scheduling. & Sons Smith, S B. (1989) Computer Based Production and Inventory Control New Jersey. Prentice Hall International Edition Tersine, R J (1994). Principles of Inventory New and Material Management. Jersey. Prentice Hall International Edition
13