Optimasi Pengadaan Beras dengan Menggunakan Linear Programming dan Mempertimbangkan Hasil Panen (Studi Kasus: Perum BULOG Sub Divisi Regional I Surabaya Utara) Sabrina Hudani 2507100056 Dosen Pembimbing: Prof. Dr. Ir. Suparno, MSIE.
Your Ihr Logo Logo
1
Content Pendahuluan Tinjauan Pustaka Metodologi Penelitian Pengolahan Data Kesimpulan
Your Logo
2
Pendahulua n
Latar Belakang Manfaat Penelitian
Tempat Penelitian
Ruang Lingkup
Perumusan Masalah
Tujuan Penelitian
Your Logo
3
Latar Belakang Ketahanan pangan baik Individu, rumah tangga, dan komunitas merupakan hak azasi manusia
Pemerintah menginginkan tercapainya ketahanan pangan Menangani masalah ketahan pangan
Ketersediaan beras erat kaitannya dengan produksi padi para petani
Beras Miskin (RASKIN) Cadangan Beras Pemerintah (CBP)
OPTIMAL
Linear Programming
Operasi Pasar Murni (OPM) Your Logo
4
Tempat Penelitian
Divisi Regional Jawa Timur Your Logo
Sub Divisi Regional I Surabaya Utara
5
Perumusan Masalah •
Perum BULOG harus menyediakan beras sesuai dengan kebutuhan masyarakat sehingga diperlukan suatu metode untuk mengetahui persediaan optimal beras agar perusahaan dapat mengantisipasi stock out.
•
Dengan menggunakan metode linear programming, maka diharapkan perusahaan dapat memenuhi kebutuhan beras untuk RASKIN, CBP dan OPM, serta dapat meminimumkan biaya distribusi.
Your Logo
6
Tujuan Penelitian Mengetahui sistem eksisting perusahaan dalam pengadaan beras Meramalkan jumlah produksi padi di wilayah Surabaya, Gresik, dan Sidoarjo selama tahun 2011 Mengaplikasikan metode Linear programming untuk pengadaan beras yang optimal di wilayah Surabaya, Gresik, dan Sidoarjo Memperoleh alternatif kebijakan pengadaan beras yang dapat meminimumkan biaya distribusi untuk perusahaan amatan
Your Logo
7
Ruang Lingkup Batasan Penelitian hanya dilakukan di Perum BULOG Sub Divisi Regional I Surabaya Utara Objek yang diteliti hanya beras RASKIN, CBP, dan OPM Wilayah yang diteliti hanya daerah Surabaya, Gresik, dan Sidoarjo Data yang digunakan dalam penelitian adalah data produksi padi tahun 2005 sampai 2009 untuk wilayah Gresik dan Sidoarjo dan data produksi padi tahun 2006 sampai 2010 untuk wilayah Surabaya.
Asumsi Beras petani yang memenuhi kualitas beras BULOG sebesar 40% dari hasil panen atau produksi padi di masingmasing wilayah Perhitungan jarak yang digunakan dalam penentuan biaya distribusi adalah jarak total jarak dari titik asal ke titik tujuan
Your Logo
8
Manfaat Penelitian
1
Dapat mengoptimalkan persediaan beras dengan mempertimbangkan peramalan produksi padi dan kebutuhan beras di masa mendatang
2
Memberikan alternatif kebijakan pengadaan beras untuk perusahaan dalam mengoptimalkan persediaan beras lokal
Your Logo
9
Tinjauan Pustaka LINEAR PROGRAMMING (LP) Suatu masalah optimasi yang berkaitan dengan meminimumkan atau memaksimalkan suatu fungsi linier yang dibatasi oleh konstrainkonstrain atau kendala-kendala yang berbentuk baik persamaan ataupun ketidaksamaan (Bazaraa et al, 2005). Minimize: Z = c1X1 + c2X2 + ... + cnXn Dengan batasan: m
i = 1,2,3, ... j = 1,2,3, ... n
Your Logo
10
Tinjauan Pustaka
TRANSPORTATION PROBLEM
Total Supply = Total Demand
Minimize c11x11 +…. + c1nx1n + c21x21 + … + c2nx2n + … + cm1xm1 + … + cmnxmn Subject to x11 + … + x1n = s1 x21 + … + x2n = s2 xm1 + … + xmn = sm x11 + x21 + …. + xm1 = d1 x1n + x2n + …. + xmn = dn x11, … x1n,… x21,… x2n,… xm1,… xmn,… ≥ 0 Your Logo
11
Tinjauan Pustaka PERSEDIAAN (INVENTORY) Material yang ditahan dalam suatu keadaan idle atau keadaan tidak sempurna menunggu penggunaan di masa mendatang (Tersine ,1994). PERAMALAN (FORECASTING) Prediksi, proyeksi, atau estimasi dari kejadian yang tidak tentu di masa mendatang dari suatu kegiatan (Tersine, 1994) Peramalan hasil panen atau produksi padi di wilayah Surabaya, Gresik, dan Sidoarjo, serta harga beras.
Your Logo
12
Metodologi Penelitian
Tahap Persiapan
Identifikasi Awal dan Perumusan Masalah Penetapan Tujuan
Studi Pustaka Tahap Pengumpulan Data
Studi Lapangan Pengumpulan Data
Your Logo
13
Metodologi Penelitian Peramalan Produksi Padi di Wilayah Surabaya, Gresik, dan Sidoarjo Tahap Pengolahan Data
Peramalan Harga Beras Pemodelan Matematis (Linear Programming) Pengujian Model Linear Programming dengan LINGO
Tahap Analisis dan Kesimpulan
Analisis dan Interpretasi Hasil Kesimpulan dan Saran
Your Logo
14
Peramalan Produksi Padi Luas Panen dan Produksi Padi Surabaya
Your Logo
15
Peramalan Produksi Padi Luas Panen dan Produksi Padi Surabaya
Your Here comes your footer Page 16Logo
16
Peramalan Produksi Padi Peramalan Produksi Padi di Surabaya Regression Analysis: Y(t) versus X(t-12) The regression equation is Y(t) = 607 + 2,30 X(t-12) 48 cases used, 12 cases contain missing values Predictor Coef Constant 606,6 X(t-12) 2,3004
SE Coef T 198,3 3,06 0,8971 2,56
P 0,004 0,014
S = 1054,94
R-Sq = 12,5%
R-Sq(adj) = 10,6%
Analysis of Variance Source Regression 0,014 Residual Error Total
DF 1
SS 7317351
MS F P 7317351 6,57
46
51193723 1112907 47 58511074
Your Here comes your footer Page 17Logo
17
Peramalan Produksi Padi Peramalan Luas Panen di Surabaya 12
Output Model AR(1)
Probability Plot of RESI17 Normal
99,9
Final Estimates of Parameters
Mean StDev N KS P-Value
99
Coef 0,5153 75,55 155,86
SE Coef 0,1414 22,20 45,81
T 3,64 3,40
P 0,001 0,001
Number of observations: 60 Residuals: SS = 1698497 (backforecasts excluded) MS = 29284 DF = 58
95 90
Percent
Type SAR 12 Constant Mean
-42,94 77,57 60 0,106 0,090
80 70 60 50 40 30 20 10 5 1 0,1
-300
-200
-100
0
100
200
RESI17
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 Chi-Square 9,2 DF 10 P-Value 0,511
24 25,7 22 0,264
36 50,7 34 0,033
48 66,8 46 0,024 Your Logo
18
Peramalan Produksi Padi
Your Here comes your footer Page 19Logo
19
Peramalan Produksi Padi Luas Panen dan Produksi Padi Gresik
Your Here comes your footer Page 20Logo
20
Peramalan Produksi Padi Luas Panen dan Produksi Padi Gresik
Your Here comes your footer Page 21Logo
21
Peramalan Produksi 3 Padi Peramalan Produksi Padi di Regression Analysis: Y(t) versus X(t-12) Gresik The regression equation is Y(t) = 8955 + 3,96 X(t-12)
48 cases used, 24 cases contain missing values Predictor P Constant 8955 X(t-12) 3,9638
Coef
SE Coef
4270 0,6245
2,10 6,35
S = 23173,1
R-Sq = 46,7%
T 0,041 0,000
R-Sq(adj) = 45,5%
Analysis of Variance Source DF SS MS F P Regression 1 21630539793 21630539793 40,28 0,000 Residual Error 46 24701600130 536991307 Your Here comes your footer Page 22Logo Total 47 46332139924
22
Peramalan Produksi Padi Peramalan Luas Panen di Gresik Output Model MA(2)12
Probability Plot of RESI27 Normal
Final Estimates of Parameters Coef -1,0137 -0,6044
SE Coef 0,1901 0,2084
T -5,33 -2,90
Number of observations: 60 Residuals: SS = 1166291578 (backforecasts excluded) MS = 20108475 DF = 58
P 0,000 0,005
Mean StDev N KS P-Value
95 90
-3948 8165 48 0,120 0,082
80
Percent
Type SMA 12 SMA 24
99
70 60 50 40 30 20 10 5
1
-40000
-30000
-20000
-10000 RESI27
0
10000
20000
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 Chi-Square 13,2 DF 10 P-Value 0,215
24 24,2 22 0,334
36 48 33,5 46,5 34 46 Your 0,494 Here comes 0,450 your footer Page 23Logo
23
Peramalan Produksi Padi
Your Here comes your footer Page 24Logo
24
Peramalan Produksi v Padi Luas Panen dan Produksi Padi Sidoarjo
Your Here comes your footer Page 25Logo
25
Peramalan Produksi v Padi Luas Panen dan Produksi Padi Sidoarjo
Your Here comes your footer Page 26Logo
26
Peramalan Produksi Padi Peramalan Produksi Padi di Sidoarjo Regression Analysis: Y(t) versus X(t) The regression equation is Y(t) = 149 + 5,69 X(t) Predictor Coef SE Coef Constant 149,1 286,8 X(t) 5,69081 0,07880 72,22
T 0,52 0,000
S = 1529,28
R-Sq(adj) = 98,9%
R-Sq = 98,9%
P 0,005
Analysis of Variance
Source
P
DF
SS
MS
F
Regression 1 12198549026 12198549026 5215,97 0,000 Residual Error 58 135644154 2338692 Total 59 12334193180 Your Here comes your footer Page 27Logo
27
Peramalan Produksi Padi Peramalan Luas Panen di Sidoarjo Output Model ARMA(1,1)12
Probability Plot of RESI14 Normal
99,9
Final Estimates of Parameters Coef 0,9990 0,7587
SE Coef 0,0091 0,1407
T 109,18 5,39
P 0,000 0,000
95 90
Percent
Type SAR 12 SMA 12
Mean StDev N KS P-Value
99
-41,09 68,94 60 0,107 0,086
80 70 60 50 40 30 20 10
Number of observations: 60 Residuals: SS = 53869388 (backforecasts excluded) MS = 928783 DF = 58
5 1 0,1
-300
-200
-100
0
100
200
RESI14
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 Chi-Square 20,0 DF 10 P-Value 0,029
24 23,4 22 0,381
36 48 34,4 71,1 34 46 Your Logo 0,449 Here comes 0,010 your footer Page 28
28
Peramalan Produksi Padi
Your Here comes your footer Page 29Logo
29
Kebutuhan Alokasi Beras RASKIN
CBP
Your Here comes your footer Page 30Logo
30
Kebutuhan Alokasi Beras Output Model AR(1) Final Estimates of Parameters
OPM
Type AR 1
Coef 0,9995
SE Coef 0,0116
T 85,96
P 0,000
Number of observations: 28 Residuals: SS = 3635176 (backforecasts excluded) MS = 134636 DF = 27 Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 Chi-Square * DF 11 P-Value 0,479
24 10,6
36 22,1
48 *
23 0,512
* *
* *
Your Here comes your footer Page 31Logo
31
Perhitungan Supply Beras
Your Here comes your footer Page 32Logo
32
Formulasi Model Matematis i
j
k RASKIN untuk Surabaya (1) RASKIN untuk Gresik (2)
Beras Petani Surabaya (1)
Beras Petani Gresik (2)
Beras Petani Sidoarjo (3)
Beras Movement (4)
Sisa Beras Tahun Lalu (5)
Gudang BULOG I (1)
Gudang BULOG II (2)
RASKIN untuk Sidoarjo (3) CBP untuk Surabaya (4) CBP untuk Gresik (5) CBP untuk Sidoarjo (6)
Gudang BULOG III (3)
OPM untuk Surabaya (7) OPM untuk Gresik (8) OPM untuk
Your Here comes yourSidoarjo footer Page 33Logo (9)
33
Formulasi Model Matematis
Your Here comes your footer Page 34Logo
34
Formulasi Model Matematis Minimasi Total Biaya Distribusi Jumlah beras i yang dikirim ke gudang BULOG j <= jumlah supply beras i Jumlah beras dari supply beras i yang masuk gudang BULOG j <= kapasitas gudang BULOG j
Jumlah beras yang dikirim dari gudang BULOG j ke titik tujuan k <= jumlah beras yang masuk dari supply i ke gudang BULOG j Jumlah pengiriman beras dari gudang BULOG j ke titik tujuan k = Jumlah demand k
Your Here comes your footer Page 35Logo
35
Hasil Running LINGO
Jumlah supply beras pada gudang BULOG Jumlah pengiriman beras dari gudang BULOG ke titik tujuan (demand)
Your Here comes your footer Page 36Logo
36
KESIMPULAN 1. Dalam penyaluran beras, perusahaan amatan tidak terlalu mempertimbangkan jarak antara letak supplier dengan gudang BULOG maupun jarak antara gudang BULOG dengan titik tujuan (demand). 2. Produksi padi di masing-masing wilayah dapat diramalkan dengan metode regresi, dengan luas panen sebagai independent variable dan produksi padi sebagai dependent variable. Luas panen sendiri dapat diramalkan dengan metode ARIMA, dengan model yang sesuai dengan ketentuan ARIMA. Jumlah produksi padi di masing-masing wilayah pada tahun 2011 adalah sebagai berikut. – Jumlah produksi padi di wilayah Surabaya sebesar 139.717.900 kg – Jumlah produksi padi di wilayah Gresik sebesar 266.585.076 kg. – Jumlah produksi padi di wilayah Sidoarjo sebesar 187.966.109 kg.
Your Here comes your footer Page 37Logo
37
KESIMPULAN 3. Dari hasil running LINGO, tidak ada beras yang masuk ke gudang BULOG I, jumlah supply beras yang masuk ke gudang BULOG II sebesar 9.678,61 ton dari beras petani Surabaya, 10.000 ton dari beras movement, dan 9.936,929 ton dari sisa beras tahun lalu, sedangkan jumlah supply beras yang masuk ke gudang BULOG III sebesar 11.454,78 ton dari beras petani Sidoarjo. Gudang BULOG II memenuhi kebutuhan RASKIN Surabaya dan RASKIN Gresik, sedangkan gudang BULOG III memenuhi kebutuhan RASKIN Sidoarjo dan kebutuhan beras OPM di Surabaya, Gresik, dan Sidoarjo. 4. Pemodelan LP menghasilkan total biaya distribusi sebesar Rp 879.823.000.000,00. Nilai ini lebih rendah jika dibandingkan dengan total biaya distribusi berdasarkan pragnosa yang dilakukan perusahaan amatan, yaitu sebesar Rp 898.765.200.000,00. Dengan pemodelan LP, kebutuhan beras dapat dipenuhi. Namun, di sisi lain utilitas gudang BULOG tidak maksimum.
Your Here comes your footer Page 38Logo
38
Daftar Pustaka Amalia, Rizka. 2004. Optimasi Komposisi Kuantum Produksi dengan Menggunakan Metode Linear Programming (Studi Kasus: PT. Petrokimia Gresik). Surabaya: Tugas Akhir Teknik Industri ITS, Institut Teknologi Sepuluh Nopember. Ballou, R. H. 2004. Business Logistic Management. Prentice hall, Inc. USA. Bhattacharya, U. K. 2007. A Chance Constraints Goal programming Model for The Advertising Planning Problem. European Journal of Operational Research vol. 192 pp. 382395. Chafid, M., dkk. 2006. Pemodelan Stok Gabah/Beras di Kabupaten Subang. Jurusan Statistik Institut Pertanian Bogor. Bogor. Divisi Gasar Perum BULOG. 2009. Statistik Operasional dan Pendukung Operasional. Jakarta: Perum BULOG. Hiller, F. S. and Lieberman, G. J. 1990. Introductions to Operations Research. McGraw-Hill, Inc. USA. Liu, Shiang-Tai. 2003. The Total Cost Bounds of The Transportation Problem with Varying Demand and Supply. Omega vol. 31 pp. 247-251. Your Logo
39
Daftar Pustaka Pujawan, I N. dan Mahendrawathi, ER. 2010. Supply Chain Management edisi Kedua. Surabaya: Guna Widya. Santosa, Budi dan Paul Willy. 2011. Metoda Metaheuristik Konsep dan Implementasi. Surabaya: Guna Widya. Sawit, M. H., Djanuardi, B., dan Pertini, K. 2003. BULOG Baru Menyelaraskan Kegiatan dan Memantapkan Tugas Nasional. Jakarta: Perum BULOG. Tersine, R. J. 1994. Principles of Inventory and Materials Management. New Jersey: Prentice Hall, Inc. Walpole, R. E. and Myers, R. H. 1989. Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan. Bandung: ITB. www.bulog.co.id diakses tanggal 23 Mei 2011.
www.jatim.bps.go.id diakses tanggal 15 Mei 2011. Yun, J. I. 2002. Predicting Regional Rice Production in South Korea Using Spatial Data and Crop-growth Modeling. Agricultural System vol. 77 pp. 23-38. Your Logo
40
Your Here comes your footer Page 41Logo
41