OPTIMASI ALOKASI DISTRIBUSI PRODUK DAN JUMLAH PESANAN

DENGAN PENDEKATAN LOGIKA KABUR PADA GUDANG PUSAT

CHAIN STORE LOKAL

ALLOCATION OPTIMIZATION OF PRODUCT DISTRIBUTION AND

ORDER QUANTITY USING FUZZY LOGIC APPROACH IN CENTRAL
WAREHOUSE OF A LOCAL CHAIN STORE

Tesis

Progam Studi Pasca Sarjana Teknik Industri

Jurusan Teknik Mesin dan Industri
Fakultas Teknik

Disusun oleh

Stefani Prima Dias Kristiana

12/342538/PTK/08657

JURUSAN TEKNIK MESIN DAN INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2014

ii

HALAMAN PERNYATAAN

Saya menyatakan dengan sesungguhnya bahwa Tesis ini adalah asli hasil karya
saya dan tidak terdapat karya yang pernah diajukan untuk memperoleh gelar
master of science di perguruan tinggi, dan sepanjang pengetahuan saya juga tidak
terdapat karya atau pendapat yang pernah ditulis atau dipublikasikan oleh orang
lain, kecuali yang secara tertulis disebutkan sumbernya dalam naskah dan dalam
Daftar Pustaka.

Yogyakarta, 15 September 2014

Stefani Prima Dias Kristiana

iii

HALAMAN PERSEMBAHAN

iv

KATA PENGANTAR

Tesis dengan judul Optimasi Alokasi Distribusi Produk dan Jumlah Pesanan
dengan Pendekatan Logika Kabur Pada Gudang Pusat Chain Store Lokal disusun
untuk memenuhi salah satu syarat mendapatkan gelar magister pada Progam Studi
Pascasarjana Teknik Industri, Jurusan Teknik Mesin dan Industri, Universitas
Gadjah Mada.
Dalam tesis ini, penulis melakukan penelitian pada chain store lokal di
wilayah Yogyakarta untuk mengembangkan model penentuan jumlah alokasi
optimal yang harus dikirim oleh gudang pusat ke masing-masing retailer dan
penentuan jumlah pesanan optimal oleh gudang pusat ke supplier dengan
pendekatan logika kabur dan dibandingkan dengan metode lainnya.
Tulisan ini dimulai dari bagian pendahuluan yang berisi latar belakang,
rumusan masalah, batasan, tujuan serta manfaat dari penulisan ini. Bagian kedua
adalah tinjauan pustaka yang berisi uraian tentang penelitian terdahulu yang
berhubungan dengan penelitian yang dilakukan. Bagian ketiga berisi uraian
tentang dasar teori yang digunakan dalam penelitian ini. Bagian keempat
menjelaskan tentang metode penelitian yang terdiri dari objek penelitian dan
tahapan penelitian. Bagian kelima menjelaskan tentang hasil penelitian dan
pembahasan. Tulisan diakhiri dengan kesimpulan dari hasil penelitian dan saran
bagi peneliti yang ingin mengadakan penelitian sejenis.
Penulis menyadari masih banyak kekurangan didalam penyusunan tulisan ini.
Oleh karena itu, saran dan kritik yang membangun sangat diharapkan sebagai
bahan masukan perbaikan. Penulis berharap semoga hasil dari penelitian ini dapat
bermanfaat bagi kemajuan ilmu, civitas akademika, pemerintah, dan masyarakat
pada umumnya.

Yogyakarta, 15 September 2014

Penulis
v

UCAPAN TERIMA KASIH

Puji dan syukur penulis panjatkan kepada Tuhan atas segala rahmat,
kekuatan, dan kemudahan-Nya sehingga penulis dapat menyelesaikan tesis ini
dengan lancar sebagai bentuk pertanggungjawaban untuk mendapatkan gelar
magister. Penulis menyadari bahwa penyusunan tesis ini tidak terlepas dari
bantuan, bimbingan, dan dukungan seluruh pihak. Oleh karena itu, penulis ingin
menyampaikan rasa terima kasih kepada:
1.

Bapak Prof. Ir. Jamasri, Ph.D. selaku Ketua Jurusan Teknik Mesin dan
Industri Fakultas Teknik UGM.

2.

Bapak Ir. Subagyo, Ph.D. selaku Sekretaris Jurusan Teknik Mesin dan
Industri Fakultas Teknik UGM.

3.

Ibu Nur Aini Masruroh, ST., M.Sc., Ph.D. selaku Ketua Progam Studi
Pascasarjana Teknik Industri

4.

Bapak Andi Sudiarso, ST., MT., M.Sc., Ph.D selaku dosen pembimbing
tesis yang berperan besar dalam membimbing dan mendukung penulis
sehingga tesis ini dapat diselesaikan. Terima kasih atas perhatian, waktu,
dan kesempatan yang telah diberikan.

5.

Orang tua penulis, Bapak Agustinus Suratyono (Alm) dan Ibu Yuliana
Tin Budiati, Spd

yang selalu membimbing dan mendukung penulis

dalam segala hal.

6.

Seluruh dosen, staf pengajar, dan karyawan Jurusan Teknik Mesin dan
Industri Fakultas Teknik UGM atas ilmu, pengalaman, dukungan, dan
bantuannya selama penulis berada di kampus.

7.

Mas Widianto Stevanus yang telah memberikan bantuan, semangat, serta

dorongan bagi penulis dari awal penelitian sampai selesai.

8.

Aqmarina Riyaningum selaku partner penelitian dan teman seperjuangan

yang selalu memberi dukungan bagi penulis.

9.

Bapak Wildan serta seluruh karyawan Pamella Supermarket yang telah

mengijinkan penulis untuk melakukan penelitian di Pamella serta mau
memberikan data-data penelitian yang dibutuhkan oleh penulis.
vi

10. Teman-teman satu angkatan 2012 Genap, Devi, Rahmi, Mbak Ratih,
Mbak Tika, Mbak Asta, Gilang, Mas Adhit, Mas Dudi, Mas Ipul, dan
Pak Siddiq selaku teman seperjuangan yang selalu memberikan semangat
bagi penulis.
11. Teman-teman S2 Teknik Industri 2011, 2012, 2013, dan KMPTI UGM
yang selalu memberikan semangat selama penulis menyelesaikan tesis
ini.
12. Seluruh pihak yang telah membantu penulis baik secara langsung
maupun tidak langsung selama penulis menyelesaikan tesis ini.

Yogyakarta, 15 September 2014

Penulis

vii

DAFTAR ISI
HALAMAN JUDUL

HALAMAN PENGESAHAN

ii

HALAMAN PERNYATAAN

iii

HALAMAN PERSEMBAHAN

iv

KATA PENGANTAR

UCAPAN TERIMA KASIH

vi

DAFTAR ISI

viii

DAFTAR TABEL

xi

DAFTAR GAMBAR

xii

DAFTAR LAMPIRAN

xiv

DAFTAR NOTASI DAN SINGKATAN

xv

INTISARI

xvi

ABSTRACT

xvii

BAB I PENDAHULUAN

1.1 Latar Belakang

1.2 Perumusan Masalah

1.3 Batasan dan Asumsi Penelitian

1.4 Tujuan Penelitian

1.5 Manfaat Penelitian

BAB II TINJAUAN PUSTAKA

BAB III LANDASAN TEORI

15

3.1 Supply Chain Management

15

3.1.1 Konsep Supply Chain Management

15

3.1.2 Hambatan pada Supply Chain Management

16

3.2 Manajemen Persediaan

17

3.2.1 Konsep Persediaan

17

3.2.2 Jenis-jenis Persediaan

18

viii

3.2.3 Komponen Biaya Persediaan

20

3.3 Goss Profit

23

3.4 Vendor Managed Inventory (VMI)

24

3.4.1 Sistem Supply Chain tradisional

24

3.4.2 Definisi Vendor Managed Inventory (VMI)

25

3.4.3 Perbedaan Model Rantai Pasok Tradisional dan VMI

27

3.5 Peramalan

27

3.5.1 Definisi peramalan

27

3.5.2 Jenis-jenis Pola Data

28

3.5.3 Teknik Peramalan

30

3.6 Purchase order

33

3.7 Pendekatan Sistem Dorong

34

3.8 Model Dasar Economic Order Quantity (EOQ)

34

3.9 Reorder Point (ROP)

36

3.10 Logika Kabur

38

3.10.1 Konsep Logika Kabur

38

3.10.2 Fungsi Keanggotaan

39

3.10.3 Sistem Inferensi Fuzzy

46

3.10.4 Operator Dasar ZADEH

49

3.10.5 Fungsi Implikasi

50

3.10.6 Functional Principle

50

3.10.7 Gaded Mean Integation

51

BAB IV METODE PENELITIAN

53

4.1 Waktu dan Lokasi Penelitian

53

4.2 Data Penelitian

53

4.3 Metode Pengumpulan Data

54

4.4 Metode Pengolahan Data

55

4.5 Alur Penelitian

56

4.5.1 Menghitung Alokasi Produk Menggunakan Sistem Alokasi

Dorong

59

ix

4.5.2 Menghitung Alokasi Produk Menggunakan Sistem Inferensi

Fuzzy

59

4.5.3 Menghitung Kuantitas Order Menggunakan Integasi Logika

Kabur

61

4.5.4 Menghitung safety stock berbasis service level dengan logika

kabur

61

4.5.5 Melakukan simulasi menggunakan tabel MRP

61

4.5.6 Membandingkan Metode

62

BAB V HASIL DAN PEMBAHASAN

63

5.1 Faktor Pembentuk Profit

63

5.2 Kontribusi Penjualan

63

5.3 Biaya Transportasi

65

5.4 Biaya Penyimpanan

67

5.5 Alokasi Pendekatan Penyimpanan Sistem Dorong

70

5.6 Alokasi Sistem Inferensi Fuzzy-Mamdani

79

5.7 Perbandingan Goss Profit

88

5.8 Penghitungan Kuantitas Order Menggunakan Model EOQ

92

5.9 Penghitungan Kuantitas Order Menggunakan Integasi Logika

Kabur Berdasarkan Nilai Reorder point dari Service Level
Perusahaan

93

5.10 Perbandingan Biaya Inventori Kedua Metode

BAB VI PENUTUP

94
101

6.1 Kesimpulan

101

6.2 Saran

101

DAFTAR PUSTAKA

102

LAMPIRAN

109

DAFTAR TABEL
Tabel 2.1 Posisi penelitian

14

Tabel 3.1 Perbedaan Model Rantai Pasok Tradisional dan VMI

27

Tabel 4.1.Tabel MRP

62

Tabel 5.1 Prosentase Penjualan Masing-Masing Lokasi Penjualan Terhadap

Total Penjualan

64

Tabel 5.2 Prosentase Biaya Transportasi Tiap-tiap Lokasi Penjualan

66

Tabel 5.3 Biaya Penyimpanan Produk di Gudang Pusat

67

Tabel 5.4 Biaya Penyimpanan Produk di Masing-masing Lokasi Penjualan 68

Tabel 5.5 Hasil Indikator Kesalahan dengan Metode Winters

70

Tabel 5.6 Hasil Alokasi Sistem Dorong

72

Tabel 5.7 Parameter Linguistic Terms Model Terbaik

79

Tabel 5.8 Alokasi Dengan Sistem Inferensi Fuzzy Mamdani

81

Tabel 5.9 Perbandingan Total Goss Profit Metode Sistem Dorong dan
Fuzzy

88

Tabel 5.10 Hasil Penghitungan Kuantitas Order, Safety Stock, dan ROP
Menggunakan Metode EOQ

93

Tabel 5.11 Q, ROP, dan SS untuk Prenagen Mommy Choco 200 g di

masing-masing Pamela

95

Tabel 5.12 Hasil Perbandingan Biaya Inventori Prenagen Mommy Choco

200 G Di Masing-Masing Lokasi Penjualan

98

Tabel 5.13 Hasil Perbandingan Total Biaya Inventori untuk Kedua Metode 99
Tabel 5.14 Prosentase Penghematan Biaya Inventori Menggunakan
Integasi Logika Kabur

100

xi

DAFTAR GAMBAR
Gambar 3.1 Simplifikasi Model Supply chain

16

Gambar 3.2 Model Rantai Pasok Tradisional

25

Gambar 3.3 Model Rantai Pasok VMI

26

Gambar 3.4 Pola Data Horizontal

28

Gambar 3.5 Pola Data Trend

29

Gambar 3.6 Pola Data Musiman

29

Gambar 3.7 Pola Data Siklis

30

Gambar 3.8 Hubungan antara Biaya dan Tingkat Persediaan

35

Gambar 3.9 Kurva Titik Pemesanan Ulang

36

Gambar 3.10 Permintaan Tidak Pasti

37

Gambar 3.11 Model Persediaan dengan Stok Cadangan

38

Gambar 3.12 Representasi Linear Naik

40

Gambar 3.13 Fungsi Keanggotaan Linear Turun

40

Gambar 3.14 Fungsi Keanggotaan Segitiga

41

Gambar 3.15 Fungsi Keanggotaan Trapesium

42

Gambar 3.16 Himpunan fuzzy dengan kurva S pertumbuhan

42

Gambar 3.17 Himpunan fuzzy dengan kurva S penyusutan

43

Gambar 3.18 Karakteristik Fungsional Kurva PI

44

Gambar 3.19 Karakteristik Fungsional Kurva Beta

45

Gambar 3.20 Karakteristik Fungsional Kurva Gauss

46

Gambar 4.1 Diagam Alir Penelitian

57

Gambar 4.2 Penentuan jumlah masukan dan keluaran sistem inferensi

fuzzy Mamdani

59

Gambar 4.3 Penyusunan karakteristik sistem inferensi fuzzy Mamdani

60

Gambar 4.4 Penyusunan aturan sistem inferensi fuzzy Mamdani

60

Gambar 5.1 Hubungan Jarak dengan Biaya Transportasi

65

Gambar 5.2 Hubungan Biaya Perawatan Kendaraan dengan Biaya

Transportasi

65

Gambar 5.3 Hasil Surface Biaya Simpan dan Biaya Transportasi Terhadap

xii

Alokasi
Gambar 5.4

79

Hasil Surface Kontribusi Penjualan dan Biaya Transportasi

Terhadap Alokasi

Gambar 5.5

80

Hasil Surface Kontribusi Penjualan dan Biaya Simpan

Terhadap Alokasi

Gambar 5.6

80

Perbandingan Total Pengeluaran Untuk Produk Prenagen

Mommy Choco 200g di Pamela 1

Gambar 5.7

Perbandingan Total Biaya Simpan Untuk Produk Prenagen

Mommy Choco 200g di Pamela 1

Gambar 5.8

90

Perbandingan Total Biaya Transportasi Untuk Produk

Prenagen Mommy Choco 200g di Pamela 1

Gambar 5.9

89

91

Pola Permintaan Prenagen Mommy Choco 200g di Pamela 1 96

Gambar 5.10. Hasil Simulasi Menggunakan Metode EOQ Untuk Prenagen

Mommy Choco 200 G di Pamela 1

97

Gambar 5.11 Hasil Simulasi Menggunakan Integasi Logika Kabur Untuk

Produk 1 di Lokasi Penjualan 1

97

Gambar 5.12. Perbandingan Biaya Inventori Metode EOQ Dan Logika

Kabur

98

Gambar 5.13. Perbandingan Biaya Inventori Kedua Metode Untuk Seluruh

Produk

99

xiii

DAFTAR LAMPIRAN

Lampiran 1 Data Permintaan Masing-Masing Cabang Tahun 2012

110

Lampiran 2 Contoh Penghitungan Biaya Perawatan Kendaraan

117

Lampiran 3 Rules Alokasi Dengan Fuzzy Mamdani

122

Lampiran 4 Model Fuzzy Mamdani

124

Lampiran 5 Contoh Penghitungan Kuantitas Order Dan Safety Stock

Metode EOQ

129

Lampiran 6 Rekap Penghitungan Kuantitas Order Dengan Metode EOQ

130

Lampiran 7 Penghitungan Kuantitas Order Optimal Menggunakan Integasi

Logika Kabur

144

Lampiran 8 Penghitungan Safety Stock Menggunakan Integasi Logika Kabur

Berdasarkan Nilai Reorder Point Dari Service Level Perusahaan 145
Lampiran 9 Contoh Simulasi Selama 1 Tahun Menggunakan Tabel MRP

xiv

147

DAFTAR NOTASI DAN SINGKATAN

EOQ

: Economic Order Qusntity

MAD

: Mean Absolute Deviation

MAPE

: Mean Absolute Percentage Error

MSD

: Mean Squared Deviation

MSE

: Mean Squared Error

P1

: Pamela 1

P2

: Pamela 2

P3

: Pamela 3

P4

: Pamela 4

P6

: Pamela 6

P7

: Pamela 7

P8

: Pamela 8

ROP

: Reorder Point

SCM

: Supply Chain management

SS

: Safety Stock

VMI

: Vendor Managed Inventory

xv

INTISARI

Corporate chain store merupakan salah satu contoh perusahaan yang

persaingannya semakin ketat baik dalam skala lokal, nasional, maupun
internasional. Corporate chain store saat ini semakin berkembang di seluruh
wilayah Indonesia termasuk di Yogyakarta. Masalah yang sering dihadapi oleh
corporate chain store lokal adalah inventori yang berlebih untuk barang-barang
yang memiliki tingkat penjualan yang rendah dan stock out untuk barang-barang
yang laku di pasaran. Hal tersebut erat kaitannya dengan ketersediaan produk di
gudang pusat dan di setiap retailer. Ketersediaan produk dan harga jual yang
ekonomis hanya dapat terjadi dengan adanya koordinasi yang baik antara pihakpihak dalam rantai pasok nya, sehingga perencanaan dan pengaturan yang baik
pada sisi supplier, gudang, dan seluruh cabang retailer sangat dibutuhkan agar
perusahaan memperoleh keuntungan yang optimal.
Penelitian ini memberikan alternatif solusi untuk mengelola persediaan
sehingga perusahaan dapat memperoleh keuntungan yang kompetitif melalui
efektivitas dalam rantai pasok di mana gudang pusat bertanggung jawab
mengelola persediaan konsumen melalui aliran informasi yang terjadi antara
gudang pusat dan retailer. Adapun tujuan dari penelitian ini ada dua, yang
pertama adalah menentukan alokasi distribusi produk yang optimal dari gudang
pusat ke tiap-tiap retailer, di mana retailer menjadi point of sales sehingga
retailer tidak perlu melakukan pengiriman purchase order ke gudang pusat.
Tujuan yang ke dua adalah untuk mengetahui jumlah pesanan yang optimal yang
harus dipesan oleh gudang ke supplier. Metode pengolahan yang dipakai dalam
penelitian ini adalah Economic Order Quantity (EOQ) dan dibandingkan dengan
metode fuzzy inventory model for fuzzy demand and fuzzy lead time untuk kasus
penentuan jumlah pesanan, sedangkan metode alokasi dorong dan sistem inferensi
fuzzy Mamdani digunakan untuk penentuan optimalisasi alokasi distribusi produk
dari gudang pusat ke masing-masing retailer.
Berdasarkan hasil penelitian, penghitungan alokasi produk menggunakan
sistem inferensi Fuzzy Mamdani menghasilkan stockout yang lebih rendah
dibandingkan dengan pendekatan sistem dorong sehingga total goss profit yang
diberikan juga lebih tinggi dengan selisih Rp 6.169,- atau 0,0033% lebih tinggi.
Hasil penghitungan jumlah pesanan, ROP, dan safety stock yang optimal
diperoleh dengan menggunakan metode fuzzy logic, di mana metode tersebut
dapat memberikan penghematan biaya inventori kepada perusahaan rata-rata
sebesar 37,78% dibandingkan dengan metode EOQ
.
Kata kunci: alokasi produk, chain store, jumlah pesanan, fuzzy logic, EOQ,
sistem dorong

xvi

ABSTRACT

Corporate chain store is one example of an company that increasingly

tight competition both in the scale of local, national, and international level.
Corporate chain stores are currently increasing in all regions of Indonesia
especially in Yogyakarta. The problem often encountered by corporate chain store
the excess inventory is local for goods that have a low level of sales and stock out
for goods that are sold in the market. It is closely related to the availability of
products in the warehouse. Product availability and an economical price can only
happen by having a good coordination between the parties in its supply chain, so
that planning and a good setting on the side of the supplier, warehouse, and an
entire branch of the retailer desperately needed to make the company the optimal
gain.
This research provides an alternate solution to manage inventory so that
companies can gain competitive advantage through effectiveness in the supply
chain where the central warehouse is responsible for managing the supply of
consumers through the flow of information between the central warehouse and
retailer. As for the purpose of this research there are two, the first is to determine
the allocation of the optimal distribution of product from warehouses to every
retailer where the retailer becomes a point of sales so that the retailer doesn't
need to perform purchase order delivery to the central warehouse. The second
objective is to determine the optimal number of orders which must be booked by
the warehouse to the supplier. Processing method used in this research is the
Economic Order Quantity (EOQ) and compared with the method of fuzzy
inventory model for fuzzy fuzzy demand and lead time for determination of the
amount of the order, while the allocation push method and fuzzy inference system
thrust Mamdani is used for the determination of the allocation of the optimization
of the distribution of the products from the central warehouse to each retailer.
Based on research results, calculating the allocation of Fuzzy inference
system using product Mamdani stockout produces lower compared to push
systems approach so that the total goss profit also higher given by Rp 6.169 or
0.0033%.. While the results of the counting of the number of orders, ROP, and
optimal safety stock is obtained by using the methods of fuzzy logic, where such
methods can provide cost savings to the company's inventory an average of
37,78% compared to the EOQ method.

Keyword: EOQ, chain store, fuzzy logic, number of orders, product allocation,
push system

xvii

BAB I
PENDAHULUAN

1.1.Latar Belakang
Peningkatan persaingan industri baik industri manufaktur maupun industri
jasa akibat adanya perdagangan bebas menyebabkan seluruh industri berusaha
untuk melakukan perbaikan berkelanjutan dengan tujuan untuk meningkatkan
produktivitasnya. Salah satu contoh industri yang persaingannya semakin ketat
baik dengan industri lokal, nasional, maupun internasional adalah corporate chain
store. Menurut Saladin (2003) corporate chain store (jaringan toko korporat)
merupakan jaringan dua toko atau lebih yang dimiliki dan dikendalikan secara
bersama-sama yang melakukan pembelian dan perdagangan secara terpusat serta
menjual lini produk yang sejenis. Corporate chain store semakin berkembang
tidak hanya di kota-kota besar seperti Jakarta dan Surabaya tetapi di kota kecil
seperti Yogyakarta saat ini telah banyak terjadi persaingan corporate chain store.
Hal tersebut dikarenakan Yogyakarta merupakan salah satu wilayah yang padat
penduduk dan merupakan daerah wisata sehingga banyak wisatawan baik dari
dalam negeri maupun dari luar negeri yang berkunjung ke kota Yogyakarta.
Melihat kondisi kota Yogyakarta yang memberikan prospek cukup baik bagi
perkembangan corporate chain store, terjadi peningkatan jumlah corporate chain
store tidak hanya berskala internasional dan nasional namun juga berskala lokal.
Perbedaan yang terjadi diantara corporate chain store berskala
internasional, nasional, dan lokal adalah pada aspek Supply Chain Management
(SCM). Supply chain is a global network of organizations that cooperate to
improve the flows of material and information between suppliers and customers
at the lowest cost and the highest speed (Govil & Proth, 2002). Corporate
chain store berskala internasional dan nasional telah menggunakan jaringan SCM
yang terintegasi dengan baik, sedangkan untuk corporate chain store berskala
lokal belum sepenuhnya menggunakan standarisasi tertentu pada jaringan rantai

pasoknya, sehingga hal tersebut dapat menyebabkan timbulnya permasalahan

pada pemenuhan kebutuhan konsumen akibat ketidaktersediaan barang. Jadi,
salah satu hal yang mampu membuat perusahaan lokal tetap bertahan ditengah
persaingan yang semakin ketat adalah penyediaan produk yang tepat bagi
konsumen di waktu yang tepat dan dalam biaya ekonomis. Ketersediaan produk
dan harga jual yang ekonomis hanya dapat terjadi jika terdapat koordinasi yang
baik antara pihak-pihak dalam rantai pasoknya. Koordinasi antara pihak-pihak
dalam rantai pasok tidak hanya melibatkan koordinasi persediaan saja, tetapi juga
informasi tentang pasar yang berguna bagi perencanaan perusahaan. Kekurangan
persediaan produk pada retailer/warehouse akan berakibat kehilangan penjualan,
sedangkan jika kelebihan maka akan berakibat menumpuknya produk dan
meningkatnya biaya pemeliharaan persediaan. Selain itu, koordinasi dengan
seluruh retailer yang ada sebagai salah satu mata rantai pasok adalah penting, di
mana kantor pusat dapat berbagi informasi dan mengumpulkan informasi
mengenai masing-masing suplier agar pengelolaan suplai dan perencanaan
penjualan produk dapat dilakukan dengan lebih baik. Dengan demikian
perencanaan dan pengaturan yang baik pada sisi supplier, warehouse, dan seluruh
cabang retailer sangat dibutuhkan untuk memperoleh keuntungan yang optimal.
Pemenuhan permintaan konsumen secara optimal erat kaitannya dengan
inventori atau jumlah persediaan yang ada. Masalah yang sering dihadapi oleh
corporate chain store adalah inventori yang berlebih untuk barang-barang yang
memiliki tingkat penjualan yang rendah dan stock out untuk barang-barang yang
laku di pasaran (Amer, 2009). Menurut Hsieh (2003) tujuan dari semua model dan
teknik inventori adalah untuk menentukan secara rasional berapa jumlah barang
yang harus dipesan dan kapan waktu pemesanannya. Maka dari itu, perusahaan
harus mencapai sebuah keseimbangan antara level inventori yang rendah dan
tinggi di mana minimasi biaya merupakan faktor utama dalam menentukan
keseimbangan tersebut (Hsieh, 2003). Jadi, kontrol persediaan merupakan sebuah
hal yang penting dalam Supply Chain Management karena secara signifikan dapat
meningkatkan keuntungan perusahaan (Xiaobin et al., 2007).

Puspitasari (2013) telah melakukan penelitian di corporate chain store

lokal untuk menentukan jumlah pesanan yang optimal dan safety stock yang tepat
untuk jenis barang yang berbeda-beda dengan membandingkan metode berbasis
logika kabur dan metode penghitungan klasik Economic Order Quantity (EOQ).
Hasil yang didapat dari penelitian tersebut adalah metode berbasis logika kabur
memberikan total biaya yang lebih rendah dan tidak terjadi out-of-stock dibanding
dengan metode EOQ. Kuantitas order memang memegang peranan penting dalam
manajemen inventori, sedangkan safety stock merupakan inventori tambahan yang
membantu perusahaan dalam mencegah terjadinya out-of-stock seperti yang
dikemukakan oleh Levin et al. (1992). Manajemen inventori yang baik akan
meningkatkan jumlah permintaan suatu produk melalui ketersediaan inventori.
Keputusan akan inventori ini harus dilakukan dengan seksama karena jumlah
inventori yang besar dapat meningkatkan responsivesess namun di lain pihak
dapat meningkatkan biaya. Sebaliknya, inventori yang rendah akan menurunkan
biaya namun responsiveness juga akan berkurang. Oleh karena itu, keputusan
mengenai replenishment inventori dapat berpengaruh langsung terhadap performa
dari supply chain (Subekti, 2012).
Vendor-managed Inventory (VMI) merupakan model replenishment
inventori di mana supplier memiliki tanggung jawab dalam mengelola inventori
retailer dan menentukan seberapa besar jumlah barang yang harus dikirim dan
kapan dilakukan pengiriman (Razmi et al., 2009). VMI adalah progam
partnership yang mengintegasikan operasi antara supplier dan retailer melalui
sharing informasi dan business process reengineering (Pasandideh et al., 2009).
Dengan bantuan teknologi informasi seperti electronic data interchange (EDI)
atau internet-based XML, retailer dapat sharing data penjualan dan informasi
inventori dengan supplier (point of sales) secara real time. Manfaat lain dari VMI
adalah dapat meningkatkan performa supply chain dengan menurunkan level
inventori dan fill rate yang lebih tinggi.
Supply chain pada chain store saat ini merupakan supply chain tradisional
di mana penentuan kuantitas order dilakukan oleh masing-masing retailer dengan
mengirim purchase order (PO) ke gudang pusat dan gudang pusat juga akan

mengirim purchase order ke supplier untuk menentukan kuantitas order.

Purchase order (PO) berisi kuantitas dan kode jenis barang yang dibutuhkan
oleh store maupun gudang. Purchase order disusun berdasarkan jumlah barang
yang dibutuhkan dengan pertimbangan faktor persediaan dan safety stock tiaptiap produk. Pada praktiknya, sering terjadi beberapa permasalahan dalam
pemesanan barang dari retailer ke gudang pusat yakni dalam penentuan
purchase order dengan pertimbangan safety stock hanya dilakukan secara expert
judgment saja, hal tersebut dapat menyebabkan kemungkinan terjadinya
overstock ataupun stock out dalam persediaan produk. Selain itu, pada jenis
produk yang sama dengan varian yang berbeda-beda sering terjadi kesalahan
dalam penulisan kode varian barang oleh pihak retailer sehingga menyebabkan
ketidaksesuaian antara barang yang dikirim oleh gudang dengan barang di
retailer yang persediaannya telah habis. Pendistribusian produk dari gudang ke
masing-masing retailer juga sering tidak merata dan tidak sesuai dengan
purchase

order

yang

diminta.

Hal

tersebut

dikarenakan

manajemen

pengalokasian barang oleh gudang kurang baik sehingga retailer sering

mengalami kekurangan persediaan karena pengiriman yang diminta tidak sesuai
dengan yang dikirim oleh gudang. Jadi, setiap retailer maupun gudang pusat saat
ini hanya bertanggung jawab atas pengendalian inventori dan distribusi masingmasing. Mereka hanya membangun strategi optimal bagi dirinya sendiri tanpa
mempertimbangkan dampaknya bagi anggota supply chain yang lain. Selain itu,
ketiadaan sharing informasi antara anggota dapat mengakibatkan hulu tidak
aware terhadap aktual demand pada hilir atau pasar sesungguhnya, sehingga
anggota supply chain hanya menggunakan informasi pesanan replenishment dari
anggota supply chain sebelumnya.
Penelitian ini memberikan alternatif solusi untuk mencegah terjadinya
permasalahan pada corporate chain store. Maka dari itu dilakukan implementasi
VMI untuk mencapai optimalisasi alokasi distribusi produk dari gudang pusat ke
tiap-tiap retailer sehingga retailer menjadi point of sales, jadi retailer tidak
perlu melakukan pengiriman purchase order ke gudang pusat. Sharing informasi
dilakukan dengan sebuah sistem informasi antara retailer dan gudang pusat,

sehingga gudang bisa memantau permintaan konsumen setiap waktu dan bisa
melakukan pengiriman produk secara optimal. Hal tersebut juga didukung
dengan penelitian yang dilakukan oleh Chopra dan Meindl (2007) yang
menyatakan bahwa menghilangkan purchase order akan dapat menurunkan
biaya transaksi pembelian Jadi dalam penelitian ini akan dilakukan optimalisasi
inventori pada seluruh jaringan rantai pasok yang terkait yakni supplier, gudang
pusat, dan retailer. Forecasting (peramalan) dilakukan untuk mengetahui pola
permintaan konsumen sehingga gudang dapat menentukan alokasi distribusi
yang optimal untuk tiap-tiap retailer, dan penentuan jumlah pesanan yang
optimal dilakukan oleh gudang ke supplier untuk meminimalisasi biaya
persediaan.
Dalam model persediaan klasik, kuantitas pemesanan yang optimal
adalah poin utama untuk meminimalkan total biaya persediaan tahunan, di mana
total biaya persediaan tahunan tersebut merupakan fungsi dari jumlah
persediaan, biaya pesan, dan biaya simpan (Hsieh, 2003). Supply chain
merupakan kegiatan yang selalu diikuti oleh uncertainty, entah itu dari aliran
material, arus informasi, atau hubungan seller-buyer di mana semuanya saling
berikatan dan saling mempengaruhi (Zarandi et al.,2002). Pada kondisi yang
sebenarnya, parameter dan variabel dalam model persediaan juga merupakan
unsur yang tidak pasti. Lotfi A. Zadeh pada tahun 1965 mengembangkan teori
logika kabur yang digunakan untuk menghitung variabel yang mengandung unsur
ketidakpastian. Pendekatan berbasis logika kabur dapat dipertimbangkan sebagai
alternatif yang lebih baik dibandingkan dengan model persediaan klasik. Maka
dari itu, dalam penelitian ini menggunakan pendekatan logika kabur dalam
penentuan order yang optimal dari gudang pusat ke suplier untuk meminimalisir
kemungkinan terjadinya overstock ataupun stock out dalam persediaan produk.
Pendekatan berbasis logika kabur ini juga akan digunakan dalam penentuan
alokasi distribusi seperti penelitian yang dilakukan oleh Petrovic (1996). Dengan
pendekatan fuzzy logic ini dapat diperoleh nilai optimal untuk alternatif solusi
alokasi distribusi produk. Untuk itu, penelitian ini juga menggunakan
pendekatan berbasis logika kabur dalam penentuan alokasi distribusi produk dari

gudang pusat ke masing-masing retailer dengan mempertimbangkan kontribusi

penjualan masing-masing produk, biaya transportasi, dan biaya simpan untuk
mencapai keuntungan yang optimal.

1.2. Perumusan Masalah

Perumusan masalah pada penelitian ini adalah sebagai berikut.
1. Penentuan alokasi distribusi produk dari gudang ke tiap-tiap retailer.
Selama ini gudang menerima purchase order dari retailer di mana masingmasing retailer menentukan jumlah pesanan secara expert judgment dan
sering terjadi kesalahan dalam pembuatan purchase order. Pendistribusian
produk dari gudang ke retailer juga tidak merata.
2. Penentuan jumlah pesanan.
Selama ini gudang pusat menentukan jumlah pesanan ke supplier secara
expert judgment.

1.3. Batasan dan Asumsi Penelitian

Batasan dalam penelitian ini adalah sebagai berikut.
1. Produk yang diteliti adalah 13 varian produk yang memiliki tingkat
permintaan relatif tinggi sehingga sering dipesan oleh tiap cabang
Pamella Swalayan Supermarket ke gudang pusat.
2. Permintaan produk dari gudang ke supplier selama lead time bersifat
tidak pasti.
3. Jumlah lingustic terms yang digunakan pada model fuzzy Mamdani
adalah 2 dan 3.
Asumsi dalam penelitian ini adalah sebagai berikut.
1. Pola permintaan harian seluruh produk sama dengan pola permintaan
harian produk Prenagen di Pamella 1
2. Komponen penentu goss profit terdiri dari kontribusi penjualan, biaya
simpan, dan biaya transportasi

1.4. Tujuan Penelitian

Tujuan yang ingin dicapai dalam penelitian ini adalah.
1. untuk mengetahui jumlah alokasi yang optimal pada tiap varian produk di
masing-masing cabang Pamella Swalayan Supermarket (pont of sales) dengan
menggunakan pendekatan fuzzy logic dan membandingkan hasilnya dengan
pendekatan sistem dorong (push system) dengan indikator pengukuran adalah
goss profit,
2. untuk mengetahui kuantitas order yang optimal pada tiap varian produk oleh
gudang ke supplier dengan menggunakan metode fuzzy logic dan
membandingkan hasilnya dengan pendekatan EOQ dengan indikator
pengukuran adalah biaya inventori.

1.5. Manfaat Penelitian

Penelitian ini diharapkan memberi manfaat bagi perusahaan dalam
pengambilan keputusan penentuan alokasi distribusi barang serta pengendalian
persediaan. Selain itu, penelitian ini diharapkan mampu memberikan kontribusi
kepustakaan di bidang teknik industri dan mampu menjadi sumber referensi
untuk pengembangan penelitian selanjutnya yang memiliki topik yang sama
dengan penelitian ini.

BAB II
TINJAUAN PUSTAKA

Supply chain management adalah seperangkat pendekatan yang digunakan

untuk mengintregasikan supplier, pabrik, gudang, dan retailer sehingga barang
yang diproduksi dapat didistribusikan dalam jumlah, waktu, dan lokasi yang tepat
untuk meminimasi biaya keseluruhan dan meningkatkan pelayanan konsumen
(Chopra, 2004). Pendistribusian produk merupakan faktor yang sangat penting
sebagai perantara sekaligus penghubung antara produsen dengan konsumen agar
produk dapat diterima konsumen dengan cepat, tepat dan dalam kondisi sesuai
yang diharapkan oleh produsen maupun konsumen. Martyani (2010) melakukan
penelitian terhadap distribusi bahan baku rotan dari source ke terminal bahan
baku dan sentra industri rotan yang sering mengalami keterlambatan dan kenaikan
harga terus menerus akibat peningkatan permintaan. Penelitian tersebut
membahas model penentuan alokasi yang diarahkan untuk memenuhi kebutuhan
masing-masing lokasi tujuan dengan meminimasi total biaya inbound. Variabel
yang mempengaruhi model alokasi distribusi bahan baku rotan adalah total biaya
pembelian, total biaya transportasi dari source ke terminal bahan baku, total biaya
simpan di terminal bahan baku dan total biaya transportasi dari terminal bahan
baku ke sentra industri rotan. Model Linear Progamming digunakan untuk
menentukan alokasi dari source ke terminal bahan baku dan dari terminal bahan
baku ke sentra industri. Namun model tersebut belum mempertimbangkan adanya
biaya tetap dan inventory. Hasil penelitian menunjukkan bahwa total inbound cost
yang dikeluarkan mengalami penurunan serta waktu distribusi yang diperlukan
lebih singkat.
Katayama et al. (2007) juga melakukan penelitian terhadap alokasi produk
dari plant ke distribution center, auto manufacturer, dan container port pada
perusahaan pakaian di Jepang dengan menggunakan model yang lebih kompleks
yakni large-scale mixed integer progamming. Model tersebut menggunakan
batasan kapasitas produksi, kapasitas market, dan permintaan. Hasil yang

didapatkan dengan model tersebut adalah penurunan biaya alokasi sebesar

16,85%. Selain untuk alokasi produk, Smith (2008) mencoba menggunakan
pendekatan Percentage Based Allocation untuk mengalokasikan budget yang
dimiliki oleh suatu universitas pada tiap-tiap departemen yang ada sehingga
kegiatan akademik dapat berjalan optimal karena kebutuhan semua departemen
dapat dipenuhi dengan baik.
Penggunaan metode matematik dan heuristic dengan batasan-batasan
tertentu seringkali membuat proses alokasi sumber daya menjadi tidak optimal
karena adanya waste pada sumber daya dan solusi yang dihasilkan dengan
pendekatan ini tidak bisa digunakan fleksibel pada setiap tipe alokasi sumber
daya, maka dari itu banyak peneliti mencoba menggunakan pendekatan berbasis
logika fuzzy karena metode tersebut juga mempertimbangkan ketidakpastian yang
terjadi pada jaringan supply chain, misalnya ketidakpastian pada permintaan
konsumen. Penelitian yang dilakukan oleh Petrovic et al. (1996) untuk
menentukan alokasi persediaan yang optimum bagi fasilitas-fasilitas persediaan,
baik fasilitas untuk penyimpanan bahan baku, produk setengah jadi, maupun
produk jadi. Penelitian tersebut menggunakan pendekatan fuzzy logic karena
pertimbangan permintaan yang tidak pasti. Tujuan yang diharapkan dari penelitian
tersebut adalah minimasi biaya persediaan. Serupa dengan penelitian tersebut,
Reddy et al. (2008) menggunakan pendekatan fuzzy untuk menyelesaikan
permasalahan kuota alokasi pengiriman ke masing-masing distributor. Asumsi
yang digunakan dalam penelitian tersebut adalah permintaan berupa variabel
random dan berdistribusi secara normal. Hasil yang diperoleh adalah maksimasi
pendapatan dari penjualan, minimasi biaya transportasi, minimasi tingkat
kerusakan produk, dan minimasi keterlambatan pengiriman.
Banyak penelitian yang menggabungkan pendekatan fuzzy dengan metode
lain, seperti yang dilakukan oleh Jebaraj et al. (2008). Penelitian tersebut
menggunakan

metode

fuzzy

linear

progamming

untuk

pengoptimalan

pengalokasian listrik dari sumber energi yang berbeda-beda bagi pembangkit

listrik centralized maupun decentralized di India. Tujuannya adalah untuk
mencapai biaya yang minimal pada pembangkit litsrik, sedangkan faktor lain yang

10

berpengaruh sepertii potensi, permintaan, efisiensi, pajak emisi dan karbon

digunakan sebagai pembatas pada model. Ali & Hasan (2012) juga menggunakan
pendekatan fuzzy linear progamming untuk alokasi kebijakan perawatan
komponen-komponen dalam suatu sistem. Tujuannya juga sama yakni untuk
minimasi total biaya yang dikeluarkan serta minimasi waktu yang diperlukan
dalam proses perawatan komponen dalam sistem. Sedangkan Tong & Tam (2003)
mencoba menggunakan model fuzzy genetic algorithm untuk mengalokasikan
tenaga kerja yang memiliki skill berbeda-beda untuk ditempatkan pada tiap
site/lapangan kerja. Tujuannya adalah untuk minimalisasi biaya tenaga kerja.
Pariantho (2009) melakukan penelitian untuk penetapan alokasi distribusi
produk dengan membandingkan 3 pendekatan yakni Analytical Hierarchy Process
(AHP), sistem dorong, dan fuzzy. Dalam penelitian tersebut, didapatkan bahwa
penetapan alokasi dengan menggunakan pendekatan sistem inferensi fuzzy
Mamdani menghasilkan goss profit optimal yang lebih besar dibandingkan kedua
metode lainnya. Selanjutnya, He et al. (2012) mencoba menggabungkan metode
fuzzy dengan AHP dalam permasalahan multi kriteria pengiriman produk.
Penelitian ini menggunakan satu kasus pada industri yang memiliki kompleksitas
jaringan layanan pengiriman. Tujuan yang ingin dicapai adalah peningkatan
service level namun dengan biaya logistik yang minimal.
Dalam penentuan alokasi distribusi produk, pusat distribusi memegang
peranan yang penting di mana keputusan untuk mengambil supply dari produsen
dan mendistribusikan ke retail haruslah tepat sehingga kebutuhan konsumen akan
selalu terpenuhi. Pengelolaan persediaan yang baik dan model transportasi yang
tepat akan dapat meningkatkan performansi dari rantai pasok (Jazuli, 2011).
Masalah optimalisasi pemesanan bahan baku merupakan hal yang penting dalam
suatu perusahaan, sehingga masalah ini terus dipelajari dan dikembangkan.
Banyak metode yang digunakan untuk menyelesaikan masalah tersebut, salah
satunya adalah model Economic order Quantity (EOQ). Model ini digunakan oleh
Yan (2012) serta Liao & Chung (2009) dalam penentuan persediaan yang optimal
khususnya untuk produk perishable (cepat rusak) dengan pertimbangan laju
permintaan. Tujuannya adalah untuk mencapai profit yang optimal dengan

11

persediaan yang sesuai. Lumempouw et al. (2012) juga menggunakan metode

EOQ untuk meningkatkan efisiensi persediaan bahan bakar solar di PT. Sarana
Samudra Pacifik. Berdasarkan hasil penelitian tersebut didapatkan bahwa metode
tersebut dapat meminimalkan total biaya

persediaan perusahaan sebesar Rp

7.237.494.
Firdaus (2007) melakukan penghitungan kuantitas order menggunakan
model EOQ dan safety stock menggunakan EOQ Ordering. Tujuan dari penelitian
tersebut adalah untuk meminimalkan biaya inventori dan mencegah terjadinya
out-of-stock. Namun tidak dilakukan validasi terhadap hasil perhitungan sehingga
tidak diketahui jumlah out-of-stock maupun total biaya inventori yang dihasilkan.
Juslanda & Oktavia (2006) melakukan analisis perencanaan dan pengendalian
persediaan bahan baku di PT. Jaya Mulia Perkasa menggunakan metode EOQ,
ROP (Reorder Point), dan SS (Safety stock). Metode ini digunakan untuk
menentukan tingkat pemesanan ekonomis pada setiap pemesanan bahan baku
untuk kelancaran proses produksi perusahaan dan meminimasi biaya persediaan.
Tujuan penelitian tersebut adalah untuk menciptakan suatu pengelolaan
persediaan yang efektif. Hasil penelitian menunjukkan bahwa perbandingan hasil
biaya persediaan sebelum menggunakan EOQ dan sesudah menggunakan EOQ
dapat diminimalisasi sebesar Rp 36.447.637. Gupta (2003) juga melakukan
penelitian mengenai kebijakan pemesanan dengan metode EOQ. Namun
penelitiannya mencakup empat permasalahan dengan karakteristik permintaan
yang berbeda-beda. Pertama adalah untuk permintaan yang bersifat pasti dan
musiman seperti pohon Natal di mana produk tersebut juga mengalami deteriorasi
seiring berjalannya waktu. Masalah kedua adalah permintaan yang diasumsikan
meningkat seiring peningkatan waktu. Sedangkan yang ketiga sama dengan yang
kedua namun permintaan dibatasi selama horison tertentu. Keempat adalah
masalah biaya pesan yang selalu meningkat seiring berjalannya waktu. Seluruh
permasalahan tersebut diselesaikan dengan metode EOQ dengan tujuan untuk
minimasi biaya persediaan.
Jazuli (2011) melakukan penelitian untuk optimalisasi sistem persediaan
dan distribusi dengan menggunakan model jaringan sebuah pusat distribusi,

12

banyak suplier, dan banyak ritel. Di mana supplier mengirimkan produk pada
pusat distribusi dan seluruh pengiriman kepada toko dilakukan atau diatur oleh
pusat distribusi tersebut, jadi tidak ada supplier yang mengirimkan produknya
secara langsung kepada toko. Penelitian tersebut menggunakan metode
pengendalian Q yang memperbaiki model EOQ di mana pada metode Q ini
diasumsikan permintaan bersifat acak sehingga memungkinkan terjadinya
kehabisan persediaan. Selain itu juga menggunakan metode pengendalian P yang
dalam pengendalian persediaannya meliputi target persediaan dari masing-masing
produk sesuai dengan pola permintaanya, dengan juga memperhatikan kebijakan
stok pengaman pada masing masing ritel maupun pusat distribusi.
Masalah persediaan akan menjadi kompleks apabila dihadapkan pada
kondisi

ketidakpastian.

Ketidakpastian

akan

memicu

risiko

sehingga

membutuhkan sebuah pendekatan yang tepat untuk penanganannya. Salah satu

cara penyelesaian masalah yang mengandung ketidakpastian adalah dengan
menggunakan pendekatan berbasis fuzzy. Hadiguna (2009) melakukan penelitian
untuk menentukan model persediaan minyak sawit menggunakan logika fuzzy.
Teknik defuzzifikasi yang digunakan adalah signed distance sehingga total biaya
persediaan dapat diperoleh. Risiko mutu memberikan kontribusi yang lebih besar
terhadap total biaya persediaan dibandingkan dengan risiko permintaan. Maka
dari itu, studi inimengembangkan economic production quantity (EPQ) sebagai
formulasi dasar. Hasil studi adalah peningkatan kadar risiko permintaan akan
meningkatkan ukuran pemesanan sedangkan peningkatankadar risiko mutu akan
menurunkan

ukuran

pemesanan.

Hasil

penerapan

EPQ-fuzzy

dengan

mempertimbangkanfaktor risiko mutu sangat membantu perusahaan dalam

penentuan ukuran pemesanan yang optimal. Penerapan fuzzy number juga sangat
efektif dalam mengakomodir faktor risiko permintaan dan mutu.
Metode fuzzy juga digunakan untuk menyelesaikan permasalahan
penentuan jumlah pesanan oleh Ouyang et al. (2010). Penelitian dilakukan
terhadap deteriorating item di mana banyak faktor ketidakpastian yang
mempengaruhi jumlah pesanan produk tersebut seperti kebijakan finansial,
kebijakan moneter, dan inflasi. Oleh karena itu metode fuzzy merupakan model

13

yang tepat untuk menyelesaikan permasalahan penentuan pesanan yang optimal

sehingga dapat meminimalkan biaya inventori. Behret & Kahraman (2011)
menggunakan model fuzzy optimization untuk menyelesaikan masalah penentuan
jumlah pesanan optimum single-produk dengan ketidakpastian permintaan yang
menyebabkan ketidakpastian fungsi total biaya persediaan. Validitas dilakukan
untuk menganalisis efek dari parameter-parameter model pada jumlah pemesanan
optimum dan nilai biaya optimum. Model ini juga dapat dikembangkan untuk
kasus multi produk dengan tujuan untuk minimalisasi biaya inventori.
Siregar (2006) melakukan penelitian untuk menghitung kuantitas order
optimal di PT. Braja Mukti Cakra (BMC) menggunakan model EOQ dan logika
kabur. Perbandingan hasil penghitungan dari kedua metode tersebut dilihat dari
eror yang dihasilkan. Hasil yang didapat bahwa metode logika kabur memberikan
total biaya inventori yang lebih rendah dibandingkan model EOQ. Sedangkan
Hsieh (2004) menggunakan dua model fuzzy inventori untuk kuantitas order
dengan tipe crips dan untuk kuantitas order dengan tipe fuzzy. Proses defuzzifikasi
menggunakan metode Gaded k-preference Integation Representation. Hasil yang
didapatkan adalah ketika nilai k = 0,5 dan semua parameter fuzzy adalah bilangan
real crips, solusi optimal yang diperoleh merupakan suatu model inventori klasik.
Total biaya persediaan maupun produksi juga bisa dipengaruhi oleh adanya
produk yang kualitasnya kurang baik. Untuk itu Chenet al. (2007) melakukan
penelitian

menggunakan

metode

fuzzy

untuk

menentukan

jumlah

produksi/inventori optimal untuk produk yang kualitasnya kurang baik, sehingga

produk tersebut tetap dapat bisa dijual dengan harga diskon. Pendekatan yang
digunakan adalah Fuzzy Economic Production Quantity (FEPQ) dengan metode
Gaded Mean Integation Representation untuk proses defuzzifikasi. Validasi
model dilakukan pada perusahaan elektronik dengan hasil yang memuaskan.
Posisi penelitian dan tabel keterkaitan antar penelitian pendukung
ditunjukkan pada Tabel 2.1.

14

Tabel 2.1 Posisi penelitian

BAB III
LANDASAN TEORI

3.1

Supply chain Management

3.1.1 Konsep Supply chain Management

Rantai pasok adalah jaringan supplier, pabrik, distributor, toko atau ritel
serta perusahaan pendukung seperti perusahaan jasa logistik yang secara bersamasama bekerja untuk menciptakan dan menghantarkan suatu produk ketangan
pemakai akhir (Pujawan, 2005). Schroeder (2000) mendefinisikan supply chain
sebagai rangkaian proses bisnis dan informasi yang menyediakan produk atau
layanan dari pemasok melaluai proses manufacture dan distribusi ke konsumen
akhir. Paulson et al. (2000) berpendapat bahwa Supply Chain Management
merupakan suatu filosofi terintegasi untuk mengatur dan mengelola aliran total di
suatu jaringan supply chain mulai dari

supplier hingga konsumen akhir.

Pemikiran yang mendasari konsep ini adalah berusaha mengurangi kesia-siaan

(ketidakefisienan/inefisiensi) dan optimalisasi pencapaian value dalam jaringan
rantai pasoknya, agar pelayanan yang diberikan sesuai dengan kebutuhan dan
memberikan kepuasan pada pelanggan. Selain itu, konsep ini juga bertujuan untuk
meningkatkan kemampuan suatu perusahaan dalam mengintegasikan mata rantai
pasokan pihak-pihak yang terlibat agar peningkatan kompetensi dan pencapaian
optimalisasi total bagi perusahaan dapat diraih.
SCM merupakan penjabaran dari konsep integasi fungsional antar
perusahaan-perusahaan secara keseluruhan pada rantai pasokan yang dapat
membantu meningkatkan daya saing. Menurut Cooper et al. (2000), ada tiga hasil
utama dalam implementasi SCM, pertama mengurangi investasi pada mata rantai
dalam SCM, kedua meningkatkan layanan konsumen dengan cara meningkatkan
persediaan dan mengurangi waktu tunggu pesanan, dan ketiga membantu
membangun keunggulan kompetitif dari channel dengan tujuan menciptakan nilai
konsumen.

15

16

Pada supply chain terdapat tiga aliran yang harus dikelola seperti
ditunjukkan pada Gambar 3.1, yaitu:
1. aliran barang/material,
2. aliran uang/financial, dan
3. aliran informasi

Gambar 3.1 Simplifikasi Model Supply chain (Pujawan, 2005)

3.1.2 Hambatan pada Supply Chain Management

SCM merupakan sesuatu yang sangat kompleks di mana banyak hambatan
yang dihadapi dalam implementasinya sehingga dalam implementasinya memang
membutuhkan tahapan mulai dari tahap perancangan sampai tahap evaluasi dan
continuous improvement. Selain itu implementasi SCM membutuhkan dukungan
dari berbagai pihak mulai dari internal dalam hal ini adalah seluruh manajemen
puncak dan eksternal dalam hal ini adalah seluruh partner yang ada. Berikut ini
merupakan hambatan-hambatan yang akan dijalani dalam implementasi SCM
yang semakin menguatkan argumen bahwa implementasi SCM memang
membutuhkan dukungan berbagai pihak (Chopra & Meindl, 2001).

17

1. Increasing Variety of Products

Saat ini konsumen seakan dimanjakan oleh produsen, hal ini bisa
dilihat dari semakin beragamnya jenis produk yang ada di pasaran dan
strategi perusahaan yang selalu berfokus pada konsumen. Banyaknya jenis
produk dan jumlah yang tidak menentu dari tiap-tiap produk membuat
produsen semakin sulit dalam memuaskan keinginan konsumen.
2. Decreasing Product Life Cycles
Menurunnya daur hidup sebuah produk membuat perusahaan
semakin sulit dalam mengatur strategi pasokan barang karena waktu yang
dibutuhkan juga tidak menentu.
3. Increasingly Demand Customer
Saat ini konsumen semakin menuntut pemenuhan permintaan
secara cepat walaupunpermintaan tersebut sangat mendadak dan bukan
merupakan produk standar (customize) sehingga produsen harus selalu
memperhatikan hal tersebut.
4. Fragmentation of Supply chain Ownership
Hal ini mengGambarkan SCM yang melibatkan banyak pihak
sehingga semakin rumit dan kompleks.
5. Globalization
Masalah globalisasi membuat SCM menjadi semakin kompleks
akibat persaingan tidak hanya dengan pesaing lokal namun juga
internasional.

3.2

Manajemen Persediaan

3.2.1 Konsep Persediaan

Persediaan didefinisikan sebagai barang yang disimpan untuk digunakan
atau dijual pada periode mendatang. Persediaan dapat berbentuk bahan baku yang
disimpan untuk proses, komponen yang diproses, barang dalam proses pada
proses manufaktur dan barang jadi yang disimpan untuk dijual. Persediaan
memegang peranan penting agar perusahaan dapat berjalan dengan baik (Kusuma,
2009). Persediaan dapat diartikan sebagai sumberdaya yang belum digunakan,

18

persediaan mempunyai nilai ekonomis dimasa yang akan datang pada saat aktif
(Priyanto, 2007). Persediaan adalah bahan atau barang yang disimpan yang akan
digunakan untuk memenuhi tujuan tertentu, misalnya untuk proses produksi atau
perakitan, untuk dijual kembali, dan untuk suku cadang dari suatu peralatan atau
mesin. Persediaan dapat berupa bahan mentah, bahan pembantu, barang dalam
proses, barang jadi, ataupun suku cadang (Herjanto, 1999). Setiap perusahaan
perlu mengadakan persediaan untuk menjamin kelangsungan hidup usahanya.
Untuk mengadakan persediaan, dibutuhkan sejumlah uang yang diinvestasikan
dalam persediaan tersebut. Oleh karena itu, setiap perusahaan harus dapat
mempertahankan suatu jumlah persediaan optimum yang dapat menjamin
kebutuhan bagi kelancaran kegiatan perusahaan dalam jumlah dan mutu yang
tepat dengan biaya yang serendah-rendahnya.

3.2.2 Jenis-jenis Persediaan

Berdasarkan fungsinya, persediaan dapat dikelompokkan dalam 4 jenis,
yaitu (Herjanto, 1999).
a. Fluctuation Stock
Merupakan persediaan untuk menjaga terjadinya fluktuasi permintaan
yang tidak dapat diperkirakan sebelumnya, dan untuk mengatasi jika
terjadikesalahan/ penyimpangan dari perkiraan penjualan, waktu produksi,
atauwaktu pengiriman barang.
b. Anticipation Stock
Merupakan persediaan yang dibutuhkan untuk menghadapi permintaan
yang diramalkan, misalnya pada saat jumlah permintaan besar, tetapi kapasitas
produksi tidak mampu memenuhi permintaan tersebut. Jumlah permintaan yang
besar ini diakibatkan oleh sifat musiman dari suatu produk. Persediaan ini juga
menjaga kemungkinan sukarnya diperoleh bahan baku, agar proses produksi tidak
berhenti.
c. Lot Size Inventory
Merupakan persediaan yang diadakan dalam jumlah yang lebih besar
daripada kebutuhan saat itu. Persediaan jenis ini dilakukan untuk mendapatkan

19

potongan harga (discount) karena pembelian barang dalam jumlah besar.

Persediaan jenis ini juga dapat menghemat biaya pengangkutan karena
memperkecil frekuensi pengiriman barang dan biaya per unit pengangkutannya
lebih murah.
d. Pipeline/ Transit Inventory
Merupakan persediaan yang sedang dalam proses pengiriman dari tempat
asal ke tempat di mana barang itu akan digunakan. Persediaan ini timbul karena
jarak dari tempat asal ke tempat tujuan cukup jauh dan bisa memakan waktu
beberapa hari atau beberapa minggu.
Persediaan dapat dikelompokkan menurut jenis dan posisi barang tersebut
di dalam urutan pengerjaan produk, yaitu (Assauri, 1998):
a. Persediaan Bahan Baku (Raw Material Stock)
Merupakan persediaan dari barang-barang yang dibutuhkan untuk proses
produksi. Barang ini bisa diperoleh dari sumber-sumber alam, atau dibeli dari
supplier yang menghasilkan barang tersebut.
b. Persediaan Bagian Produk (Purchased Parts)
Merupakan persediaan barang-barang yang terdiri dari part yang diterima
dari perusahaan lain, yang secara langsung diassembling dengan parts lain tanpa
melalui proses produksi.
c. Persediaan Bahan-Bahan Pembantu (Supplies Stock)
Merupakan persediaan barang-barang yang diperlukan dalam proses
produksi untuk membantu kelancaran produksi, tetapi tidak merupakan bagian
dari barang jadi.
d. Persediaan Barang Setengan Jadi (Work in Process)
Merupakan barang-barang yang belum berupa barang jadi, akan tetapi
masih diproses lebih lanjut sehingga menjadi barang jadi.
e. Persediaan Barang Jadi (Finished Good)
Merupakan barang-barang yang selesai diproses atau diolah dalam pabrik
dan siap untuk disalurkan kepada distributor, pengecer, atau langsung dijual ke
pelanggan.

20

3.2.3 Komponen Biaya Persediaan

Tujuan dari manajemen persediaan adalah memiliki persediaan dalam
jumlah yang optimal, pada waktu yang tepat dengan biaya yang minimum. Oleh
karena itu, kebanyakan model-model persediaan menjadikan biaya sebagai
parameter dalam mengambil keputusan. Secara umum, biaya dalam sistem
persediaan dapat diklasifikasikan sebagai berikut (Ginting, 2007).
1. Biaya Pembelian (Purchasing Cost)
Biaya pembelian dari suatu item adalah harga pembelian setiap unit item
jika item-item tersebut berasal dari sumber-sumber eksternal, atau biaya produksi
per unit bila berasal dari internal perusahaan. Biaya pembelian bisa bervariasi
untuk berbagai ukuran pemesanan bila pemasok menawarkan potongan harga
untuk pemesanan dalam jumlah besar. Dalam kebanyakan teori persediaan, biaya
pembelian tidak dimasukkan kedalam total biaya persediaan karena dianggap
biaya pembelian per unittidak mempengaruhi jumlah barang yang dibeli.
2. Biaya Pengadaan (Procurement Cost)
Biaya pengadaan dibedakan atas 2 jenis, berdasarkan asal-usul barang,
yaitu biayapemesanan (ordering cost) bila barang yang diperlukan diperoleh dari
pihak luar(supplier) dan biaya pembuatan (set up cost) bila barang tersebut
diproduksi sendiri.
a. Biaya Pemesanan (Ordering Cost)
Biaya pemesanan adalah semua biaya yang timbul untuk
mendatangkan barang dari luar. Komponen dari biaya ini adalah biaya
ekspedisi, biaya komunikasi, administrasi, pengiriman ke gudang, dll.
Secara umum, biaya pemesanan tidak tergantung pada jumlah yang
dipesan. Oleh karena itu, biaya ini diasumsikan konstan untuk setiap
kali pesan.
b. Biaya Pembuatan (Set up Cost)
Biaya pembuatan adalah semua pengeluaran yang timbul untuk
mempersiapkan proses produksi barang. Biaya ini biasanya timbul di
dalam pabrik, misalnya biaya menyetel mesin, biaya mempersiapkan
gambar benda kerja, dan sebagainya.

21

3. Biaya Penyimpanan (Holding Cost)

Biaya penyimpanan adalah biaya yang timbul akibat menyimpan suatu
item. Biaya penyimpanan per periode akan semakin besar apabila jumlah barang
yang dipesan semakin banyak, atau rata-rata persediaan semakin tinggi.
Komponen-komponen biaya penyimpanan adalah sebagai berikut.
a. Biaya Memiliki Persediaan (Biaya Modal)
Penumpukan barang di gudang berarti penumpukan modal, di
mana modal perusahaan mempunyai ongkos (expense) yang dapat di
ukur dengan suku bunga bank.
b. Biaya Gudang
Barang yang disimpan memerlukan tempat penyimpanan
sehingga muncul biaya gudang. Bila gudang dan peralatannya di sewa,
maka yang timbul adalah biaya sewa. Tetapi jika gudang dan
peralatannya adalah milik perusahaan, maka biaya gudang merupakan
biaya depresi.
c. Biaya Kerusakan dan Penyusutan
Barang yang disimpan dapat mengalami kerusakan dan
penyusutan karena beratnya berkurang atau jumlahnya berkurang
karena hilang. Biaya ini diukur dari pengalaman sesuai dengan
persentasenya.
d. Biaya Kadaluarsa
Barang yang disimpan akan mengalami penurunan nilai karena
perubahan teknologi dan model seperti barang-barang elektronik.
Biaya kadaluarsa biasanya diukur dengan besarnya penurunan nilai
jual dari barang tersebut.
e. Biaya Asuransi
Barang yang disimpan diasuransikan untuk menjaga dari halhal yang tidak diinginkan, seperti kebakaran. Biaya asuransi
tergantung pada jenis barang yang diasuransikan dan perjanjian dengan
perusahaan asuransi.

22

f. Biaya Administrasi dan Pemindahan

Biaya ini dikeluarkan untuk mengadministrasi persediaan
barang yang ada, baik pada saat pemesanan, penerimaan barang
maupun penyimpanannya dan biaya untuk memindahkan barang dari,
ke dan di dalam tempat penyimpanan, termasuk upah buruh dan
peralatan handling.

4. Biaya Kekurangan persediaan (Stock Out Cost/ Shortage Cost)

Biaya kekurangan persediaan merupakan biaya yang paling sulit
ditentukan darisemua biaya yang ada dalam persediaan. Biaya ini timbul bila
persediaan yang ada tidak dapat memenuhi permintaan pelanggan. Biaya yang
timbul dari kekurangan persediaan ini adalah nilai penjualan yang hilang karena
tidak mampunya memenuh ipermintaan, terganggunya proses produksi, timbulnya
biaya pemesanan khusus dan biaya yang tidak nyata adalah kehilangan pelanggan
yang beralih ke perusahaan lain. Biaya kekurangan persediaan dapat di ukur dari:
a. Kuantitas yang Tidak Dapat Dipenuhi
Biasanya diukur dari keuntungan yang hilang karena tidak
dapat memenuhi permintaan atau dari kerugian akibat terhentinya
proses produksi (Rp/ unit).
b. Waktu Pemenuhan
Biaya ini diukur berdasarkan waktu yang diperlukan untuk
memenuhi gudang. Lamanya gudang kosong berarti lamanya proses
produksi terhenti atau lamanya perusahaan tidak mendapatkan
keuntungan, sehingga waktu menganggur tersebut dapat di artikan
sebagai uang yang hilang. Satuan dari biaya ini adalah Rp/ unit.
c. Biaya Pengadaan Darurat
Untuk menghadapi masalah kekecewaan pelanggan karena tidak
terpenuhinya permintaan, maka perusahaan mengadakan pengadaan
darurat yang biasanya menimbulkan biaya yang lebih besar dari pengadaan
normal. Kelebihan biaya ini dibandingkan dengan pengadaan normal dapat

23

dijadikan ukuran untuk menentukan biaya kekurangan persediaan dengan

satuan Rp/setiap kali kekurangan.
Biaya persediaan yang diperhitungkan dalam penentuan kebijaksanaan
persediaan hanyalah biaya-biaya yang bersifat variabel (incremental cost). Untuk
biaya-biaya yang bersifat fixed cost (biaya tetap) seperti biaya pembelian, tidak
akan mempengaruhi hasil optimal sehingga tidak perlu dipertimbangkan.
5. Biaya Sistemik
Biaya sistemik meliputi biaya perancangan dan perencanaan sistem
persediaan serta ongkos-ongkos untuk mengadakan peralatan (misalnya
komputer) serta melatih tenaga untuk mengoperasikan sistem. Biaya sistemik di
anggap sebagai biaya investasi bagi pengadaan suatu sistem pengadaan. Dalam
identifikasi biaya persediaan, perlu diperhatikan perbedaan antara biaya
persediaan aktual (secara akuntansi) dan biaya yang digunakan dalam penentuan
kebijaksanaan persediaan. Dalam hal ini, yang diperhitungkan hanyalah biayabiaya yang bersifat variabel, sedangkan yang bersifat tetap tidak akan
mempengaruhi hasil optimasi yang diperoleh sehingga keberadaannya tidak harus
diperhitungkan.
3.3 Goss Profit
Profitabilitas

merupakan

kemampuan

suatu

perusahaan

untuk

mendapatkan laba (keuntungan) dalam suatu periode tertentu. Pengertian yang

sama disampaikan oleh Husnan (2001) bahwa profitabilitas adalah kemampuan
suatu perusahaan dalam menghasilkan keuntungan (profit) pada tingkat penjualan,
aset, dan modal saham tertentu. Profitabilitas merupakan kemampuan perusahaan
menghasilkan laba (profit) yang akan menjadi dasar pembagian dividen
perusahaan.
Biaya-biaya yang terlibat dalam penghitungan goss profit suatu
perusahaan adalah biaya yang masuk dan biaya keluar dari perusahaan. Berikut
formulasinya menurut Garrison &Noreen (2000)
Goss profit = sales revenue cost of goods sold

(3.1)

24

Dalam penelitian ini, biaya-biaya serta faktor yang membentuk goss profit
adalah kontribusi penjualan sebagai pemasukan perusahaan, serta biaya
transportasi dan biaya pengiriman sebagai pengeluaran perusahaan.

3.4

Vendor Managed Inventory (VMI)

3.4.1 Sistem Supply Chain Tradisional

Metode rantai pasok yang masih tradisional antara pemasok dan retailer
dapat dideskripsikan sebagai berikut (Alfian, 2012).
1. Terdapat permintaan dari konsumen kepada retailer
2. Retailer akan memenuhi permintaan dari persediaan yang dimiliki, apabila
persediaan tidak cukup maka bisa terjadi dua kondisi, yaitu lost sale
apabila konsumen tidak mau menunggu kekurangan tersebut untuk
dipenuhi di periode selanjutnya dan backorder apabila kekurangan
tersebut dapat dipenuhi di periode selanjutnya.
3. Retailer akan melakukan pengecekan jumlah persediaan yang ada, apabila
jumlah persediaan mencapai level tertentu (order point) maka retailer
akan memesan barang ke pemasok agar persediaannya kembali ke level
maksimal.
4. Pemasok akan menerima informasi pesanan dari retailer.
5. Pemasok akan memenuhi permintaan dari retailer dengan menggunakan
persediaan yang dimiliki dan juga produksi apabila diperlukan. Apabila
kapasitas produksi dan persediaan tidak mencukupi maka pemasok akan
melakukan outsourcing.
6. Barang pesanan akan dikirim sekaligus sehingga level persediaan retailer
kembali ke level maksimal.
Pada model tradisional ini biaya pemesanan ditanggung sepenuhnya oleh
pihak retailer. Informasi yang diterima pemasok dari retailer adalah jumlah
pesanan yang harus dipenuhi. Model rantai pasok tradisional ini dapat dilihat pada
Gambar 3.2.

25

Gambar 3.2 Model Rantai Pasok Tradisional (Alfian, 2012)

3.4.2

Definisi Vendor Managed Inventory (VMI)

Vendor Managed Inventory (VMI) adalah sebuah strategi dalam rantai

pasok di mana pemasok melakukan penanganan persediaan dengan menggunakan

media komunikasi terkini seperti online messaging atau data retrieval system
(Mahamani dan Rao, 2010). Borade dan Bansod (2009) pun mendefinisikan VMI
sebagai sebuah strategi rantai pasok untuk memperoleh keuntungan yang
kompetitif

melalui

efektivitas

dalam

rantai

pasok

di

mana

pemasok

bertanggungjawab mengelola persediaan konsumen melalui aliran informasi yang

terjadi antara kedua belah pihak. Pengelolaan VMI yang baik dapat meningkatkan
performansi

rantai

pasok

dengan

mengurangi

tingkat

persediaan

dan

meningkatkan frekuensi pengisian barang (Mahamani dan Rao, 2010).

Keuntungan penerapan VMI adalah pengurangan biaya simpan baik pada
pemasok maupun retailer dan peningkatan customer service level

dengan

pengurangan waktu siklus pemesanan barang dan peningkatan frekuensi

penggantian/pengisian persediaan. Penerapan VMI membutuhkan keterbukaan
informasi (information sharing) mengenai level persediaan dan jumlah
permintaan konsumen dari pihak retailer terhadap pemasok. Dengan cara seperti
ini pihak pemasok dapat melakukan perencanaan produksi, penjadwalan
pengiriman barang, pemenuhan persediaan retailer, perencanaan pembelian, serta
proses logistik lainnya dengan lebih baik. Yao et al (2005) membahas dua
fenomena yang terjadi dalam VMI, yaitu information sharing dan

process

integation (supply chain integation). Kedua fenomena yang terjadi pada

penerapan VMI ini memberikan keuntungan pada pengelolaan sebuah rantai

26

pasok. Information sharing yang dilakukan antarpihak dalam rantai pasok ternyata
dapat mengurangi bullwhip effect. Bullwhip effect adalah suatu kejadian terjadinya
peningkatan jumlah kelebihan atau kekurangan persediaan di setiap pelaku dalam
rantai pasok seiring semakin jauhnya pelaku tersebut dilihat dari hubungannya
dengan konsumen akhir. Berkurangnya bullwhip effect ini merupakan pencapaian
performansi yang baik dalam sebuah rantai pasok. Adanya information sharing
pun dapat meningkatkan integasi yang lebih baik antarproses dalam rantai pasok.
Nishiguchi (1994) dalam Yao et al (2005) pun menyatakan bahwa alasan utama
keunggulan para produsen dari Jepang adalah adanya sinergi antarpihak dalam
rantai pasok. Oleh sebab itu integasi yang baik antarpihak dalam rantai pasok ini
sangatlah penting.
Penerapan strategi VMI pada rantai pasok melibatkan suatu kesepakatan
antar pihak terkait. Beberapa parameter yang perlu diperhatikan dalam suatu
kesepakatan yang akan mempengaruhi performansi penerapan strategi VMI yaitu
harga beli barang dari pemasok, batas-batas persediaan yang diiingini oleh
retailer, jumlah barang yang dapat dipenuhi oleh pemasok, variasi permintaan dan
sistem pembayaran. Dalam penelitian yang dilakukan GNEg (2010), terdapat
juga parameter-parameter lain yang diuji yaitu kapasitas produksi pemasok, harga
jual barang oleh retailer, dan proporsi ongkos pemesanan. Berbeda dengan sistem
tradisional yang membebankan seluruh ongkos/biaya pemesanan pada retailer,
pada VMI ini terdapat pembagian biaya pemesanan antara pemasok dan retailer
dengan proporsi tertentu. Perbedaan VMI dengan sistem tradisional pun terdapat
pada aliran informasi antara retailer dan pemasok seperti pada Gambar 3.3.

Gambar 3.3 Model rantai pasok VMI (Alfian, 2012)

27

3.4.3

Perbedaan Model Rantai Pasok Tradisional dan VMI

Tabel 3.1 Perbedaan Model Rantai Pasok Tradisional dan VMI

Customer Demand
Distribution
Inventory Level of
Retailer

Traditional

VMI

Available to supplier

Available to supplier

Not available to supplier

Available to supplier

(s, S)

(z, Z)

Retailer

Supplier

Paid by retailer

Shared

Inventory Policy of
Retailer
Replenishment/ Order
decision is Made by
Fixed Cost of Ordering

(Sumber: GUNEg, 2010)

Kebijakan persediaan (inventory policy) penjual (retailer) adalah (s,S)
yang menunjukkan bahwa retailer menerapkan order point s sebagai acuan untuk
melakukan pemesanan ke pemasok dan mempunyai level persediaan maksimum
sebesar S. Retailer yang menerapkan strategi VMI memiliki kebijakan (z,Z) yang
berturut-turut berarti jumlah level persediaan minimum (z) dan level persediaan
maksimum (Z) yang diingini retailer ketika menerapkan model VMI.

3.5

Peramalan

3.5.1

Definisi Peramalan
Menurut Nasution (2005) peramalan adalah proses untuk memperkirakan

beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran

kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan

barang

dan

jasa.

Peramalan

diperlukan

disamping

untuk

memperkirakan apa yang akan terjadi dimasa yang akan datang juga para

28

pengambil keputusan perlu untuk membuat planning. Peramalan adalah kegiatan

memperkirakan tingkat permintaan produk yang diharapkan untuk suatu produk
atau beberapa produk dalam periode waktu tertentu di masa yang akan datang
(Biegel, 1999). Peramalan atau forecasting diartikan sebagai penggunaan teknikteknik statistik dalam bentuk Gambaran masa depan berdasarkan pengolahan
angka-angka historis (Elwood, 1996).
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang
stabil, karena perubahan permintaan relatif kecil. Namun peramalan sangat
dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan dinamis. Dalam
kondisi pasar bebas, permintaan pasar lebih banyak bersifat kompleks dan
dinamis karena permintaan tersebut akan tergantung dari keadaan sosial, ekonomi,
politik, teknologi, pesaing, dan prosuk substitusi. Oleh karena itu peramalan yang
akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan
keputusan manajemen.
3.5.2

Jenis-jenis Pola Data

Pola data dapat dibedakan menjadi empat jenis, yaitu (Makridakis et al.,

1993):
1. Pola Horizontal (H) atau Horizontal Data Pattern
Pola data ini terjadi bilamana data berfluktuasi di sekitar nilai ratarata. Suatu produk yang penjualannya tidak meningkat atau menurun selama
waktu tertentu termasuk jenis ini. Bentuk pola horizontal ditunjukan seperti
Gambar 3.4.

Gambar 3.4 Pola Data Horizontal

29

2. Pola Trend (T) atau Trend Data Pattern

Pola data ini terjadi bilamana terdapat kenaikan atau penurunan
sekuler jangka panjang dalam data. Contohnya penjualan perusahaan,
produk bruto nasional (GNP) dan berbagai indikator bisnis atau ekonomi
lainnya, selama perubahan sepanjang waktu. Bentuk pola trend ditunjukan
seperti Gambar 3.5.

Gambar 3.5 Pola Data Trend

3. Pola Musiman (S) atau Seasional Data Pattern
Pola data ini terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulan atau hari-hari pada minggu
tertentu). Penjualan dari produk seperti minuman ringan, es krim dan bahan
bakar pemanas ruang semuanya menunjukan jenis pola ini. Bentuk pola
musiman ditunjukan seperti Gambar 3.6.

Gambar 3.6 Pola Data Musiman

4. Pola Siklis (S) atau Cyclied Data Pattern
Pola data ini terjadi bilamana datanya dipengaruhi oleh fluktuasi
ekonomijangka panjang seperti yang berhubungan dengan siklus bisnis.

30

Contohnyapenjualan produk seperti mobil, baja. Bentuk pola siklis

ditunjukan seperti Gambar 3.7.

Gambar 3.7 Pola data Siklis

3.5.3

Teknik Peramalan
Menurut Taylor III (2005) terdapat dua buah metode dalam melakukan

peramalan, yaitu metode time series dan metode kausal.

1. Metode Time Series
Metode ini membuat peramalan dengan menggunakan asumsi bahwa
masa depan adalah fungsi dari masa lalu. Tujuannya adalah untuk
menentukan pola dalam deret data historis dan menerjemahkan pola tersebut
ke masa depan. Menganalisis time series berarti membongkar data masa lalu
menjadi komponen-komponen dan kemudian memproyeksikan ke masa yang
akan datang. Model ini memiliki 3 metode peramalan kuantitatif, yaitu:
a. Metode Rata-rata Bergerak (Moving Average)
Metode ini digunakan apabila kita menggunakan asumsi bahwa permintaan
pasar lebih stabil sepanjang waktu. Metode ini dipakai untuk kondisi di mana
setiap data pada waktu yang berbeda mempunyai bobot yang sama sehingga
fluktuasi random data dapat diredam engan rata-ratanya. Apabila tidak semua
data masa lalu dapat mewakili asumsi pola data berlanjut terus di masa yang
akan datang, maka dapat dipilih sejumlah N data pada periode tertentu saja.
Secara sistematis, metode ini ditunjukkan dengan rumus sebagai berikut:

31

Rata-rata bergerak n periode =

(Permintaan dalam n periode terdahulu )

(3.2)

Di mana n adalah banyaknya periode dalam rata-rata bergerak.

b. Metode Exponential Smoothing
Metode ini adalah metode peramalan yang mudah dan efisien penggunaannya
apabila dilakukan dengan komputer. Meskipun merupakan teknik moving
average, metode ini mencakup pemeliharaan data masa lalu yang sedikit,
metode ini ditunjukkan sebagai berikut:
= 1 + (1 1 )

(3.3)

Di mana: = Ramalan baru

1 = Ramalan sebelumnya
1 = Permintaan aktual periode sebelumnya

= Konstanta penghalusan

c. Metode Trend Projection

Metode ini digunakan dengan cara mencocokan garis trend ke rangkaian titik
data historis dan kemudian memproyeksikan garis itu ke dalam ramalan
jangka menengah hingga jangka panjang. Jika kita memutuskan untuk
mengembangkan garis trend linear dengan metode statistik yang tepat, maka
kita dapat memakai metode kuadrat kecil (least square method). Metode ini
digambarkan dalam bentuk perpotongan Y-nya (puncak di mana garis itu
memotong sumbu Y) dan slope-nya (kelandaian).
Jika perpotongan Y dan kelandaiannya bisa dihitung, maka persamaan yang
digunakan adalah:
= a + bx

(3.4)

di mana: = Nilai variabel yang dihitung untuk diprediksi

a = Perpotongan sumbu Y
b = Kelandaian garis regesi
x = variabel bebas/ waktu
Ahli statistik mengembangkan persamaan yang bisa digunakan untuk
memperoleh nilai a dan b untuk garis regesi. Kelandaian b diperoleh dengan:
(3.5)

32

Dan perpotongan y dapat dihitung dengan:

(3.6)
di mana, b = kelandaian garis regesi
x = nilai variabel bebas
y = nilai variabel tak bebas
= rata-rata nilai y
x = rata-rata nilai x
n = jumlah titik data atau observasi

2. Metode Kausal
Model ini mengasumsikan bahwa faktor yang diramalkan mewujudkan
hubungan sebab akibat dengan satu atau lebih variabel independen. Tujuan
dari model ini adalah menemukan bentuk hubungan tersebut dan
menggunakannya untuk meramalkan nilai mendatang dari variabel dependen.
Pendekatan ini lebih kuat dibandingkan metode seri waktu yang hanya
menggunakan nilai historis untuk variabel yang diramalkan. Model
matematika yang digunakan pada metode kuadrat terkecil dari proyeksi trend
bisa digunakan untuk melakukan analisis regesi linear.
Beberapa metode peramalan yang akan digunakan dalam penelitian ini
adalah:
1.

Naive:

+1 = 1

2.

Moving Average :

+1 = =1

(3.8)

3.

Exponential Smoothing :

+1 = + 1

(3.9)

4.

Regession:

= 0 + 1

Di mana: 1 =
0 =

2 ( )2

(3.7)

(3.10)
(3.11)
(3.12)

Dari beberapa metode peramalan tersebut, kemudian dihitung tingkat

akurasi dari masing-masing metode. Pemilihan metode peramalan didasarkan

33

pada tingkat akurasi tertinggi. Menurut Hanke (2005), tingkat akurasi dari
beberapa metode peramalan tersebut dapat dilihat dari beberapa indikator sebagai
berikut:
1.

Mean Absolute Deviation (MAD)

=

2.

(3.13)

=1( )2

(3.14)

Mean Absolute Percentage Error (MAPE)

=

3.6

=1

Mean Square Error (MSE)

=

3.

=1

(3.15)

Purchase order
Pengertian purchase order (PO) bila diterjemahkan secara harfiah bahwa

purchase berarti pembelian sedangkan order berarti pesanan, purchase order

berarti mempunyai definisi pesanan pembelian. Didalam masyarakat global
purchase order dapat didefinisikan sebagai berikut:
a. Purchase order adalah pernyataan resmi yang diterbitkan oleh pembeli
kepada penjual yang dalam pernyataan itu dilengkapi dengan segala
syaratvdan kondisi dari transaksi yang akan dilakukan (Heinkel, 1994).
b. Purchase order adalah surat pernyataan persetujuan (akseptasi) dari
importir atas penawaran eksportir yang sifatnya mengikat secara hukum
(Amir MS, 2001).
Dalam pengertian personal dapat disimpulkan bahwa purchase order (PO)
merupakan bukti tertulis yang menyatakan bahwa pembeli benar-benar berminat
melakukan jual-beli. Dalam purchase order (PO) tertulis secara lengkap informasi
yang diinginkan pembeli tentang barang yang dipesan, jumlahnya, harganya baik
harga satuan maupun harga total, kapan barang dikirim, tujuan barang, cara
pembayaran, syarat penyerahan barang, volume dan catatan lain jika ada. Dengan
diterimanya purchase order (PO) maka penjual akan memproduksi barang seperti
yang dipesan oleh pembeli. Seandainya didalam purchase order (PO) terdapat

34

hal-hal yang tidak disetujui oleh penjual, maka penjual akan menolak purchase
order (PO) tersebut dengan cara mengirimkan kembali purchase order (PO)
disertai dengan konfirmasi penolakan. purchase order (PO) itu sendiri
mempunyai kekuatan seperti halnya sales contract.

3.7

Pendekatan Sistem Dorong

Pembangunan sistem distribusi yang berdasarkan pada pendekatan sistem

dorong adalah pembentukan alokasi distribusi yang optimal menuju masingmasing lokasi pusat penjualan. Dasar pembangunan model distribusi ini adalah
peramalan terhadap tingkat permintaan. Menurut Gaspersz (1998), ada dua
strategi peramalan yang digunakan dalam alokasi sistem dorong, yaitu:
1. Peramalan akumulatif
Peramalan

akumulatif

adalah

peramalan

yang

dilakukan

berdasarkan pada data permintaan periode-periode sebelumnya dengan

menggunakan teknik peramalan yang sesuai.
2. Peramalan alokasi
Peramalan alokasi adalah peramalan yang dilakukan terhadap
pemesanan produk yang diterima oleh gudang dari supplier berdasarkan
pada data pemesanan produk periode sebelumnya dengan menggunakan
teknik peramalan yang sesuai. Angka peramalan tersebut kemudian
dialokasikan ke tiap-tiap cabang distribusi berdasarkan persentase total
penjualan historis tiap cabang.
Hasil peramalan dijadikan dasar dalam menetapkan alokasi distribusi
produk menggunakan pendekatan sistem dorong.

3.8

Model dasar Economic Order Quantity (EOQ)

Dalam pengelolaan persediaan, terdapat dua keputusan penting yang harus

dilakukanoleh manajemen, yaitu berapa banyak jumlah/ barang yang harus

dipesan untuk setiapkali pengadaan persediaan, dan kapan pemesanan barang
harus dilakukan. Setiap keputusan yang diambil mempunyai pengaruh terhadap
besar biaya persediaan. Untuk memudahkan dalam mengambil keputusan,

35

dikembangkan model-model dalam manajemen persediaan (Siswanto, 2007).

Model persediaan deterministik ditandai oleh karakteristik permintaan dan waktu
kedatangan pesanan yang dapat diketahui sebelumnya secara pasti. Model dasar
untuk persediaan deterministik adalah model Economic Order Quantity (EOQ).
Model ini merupakan model sederhana yang dapat digunakan untuk menentukan
ukuran pesanan yang ekonomis. Model ini mempertimbangkan dua biaya
persediaan yaitu biaya pesan dan biaya simpan. Pada kenyataannya, jarang
ditemukan situasi di mana seluruh parameter diketahui secara pasti. Namun
terkadang model ini merupakan pendekatan yang baik untuk menggambarkan
fenomena persediaan.
Konsep perhitungan jumlah pemesanan ekonomis atau Economic Order
Quantity (EOQ) cukup logis dan sederhana. Semakin sering pengisian kembali
persediaan dilakukan, persediaan rata-ratanya akan semakin kecil, dan
mengakibatkan biaya penyimpanan barang akan semakin kecil juga. Tetapi akan
meningkatkan biaya pemesanan. Karena itu, dicari suatu keseimbangan yang
paling optimal dari dua hal yang sangat bertentangan itu. Untuk mencari titik
keseimbangan tersebut, dapat di lihat pada Gambar 3.8.

Gambar 3.8 Hubungan antara Biaya dan Tingkat Persediaan (Siagian, 1987)
Gambar 3.8 menjelaskan bahwa jika tingkat persediaan semakin besar
maka pemesanan akan jarang dilakukan sehingga mengakibatkan biaya pesan
akan semakin kecil. Sebaliknya jika tingkat persediaan sedikit, maka pemesanan
akan semakin sering dilakukan dan biaya pesan akan semakin meningkat,
sedangkan biaya simpan secara langsung tergantung pada tingkat persediaan rata-

36

rata. Semakin banyak tingkat persediaannya, maka biaya simpan akan semain
tinggi. Begitu juga sebaliknya. Oleh karena itu, biaya simpan dan biaya pesan
berbanding terbalik. Solusi yang optimal akan diperoleh jika total biaya minimum.

3.9

Reorder Point (ROP)

Menurut

Heizer

dan

Render

(2005)

model-model

persediaan

mengasumsikan bahwa suatu perusahaan akan menunggu sampai tingkat

persediaannya mencapai nol sebelum perusahaan memesan lagi. Keputusan akan
memesan biasanya diungkapkan dalam konteks titik pemesanan ulang, di mana
pada tingkat persediaan tertentu harus dilakukan pemesanan seperti ditunjukkan
pada Gambar 3.9.

Gambar 3.9 Kurva Titik Pemesanan Ulang (Render & Haizer, 2005)
Model EOQ bukan hanya digunakan untuk menentukan jumlah pesanan,
tetapi untuk menentukan kapan waktu dilakukan pesanan. Metode EOQ Ordering
merupakan cara untuk menentukan kapan waktu dilakukan pesanan atau disebut
reorder point (ROP) (Stevenson, 2004). Persamaan model EOQ untuk
perhitungan ROP dan safety stock dibagi menjadi empat yaitu ketika permintaan
dan lead time konstan, permintaan bervariasi dan lead time konstan, lead time
bervariasi dan permintaan konstan, serta permintaan dan lead time bervariasi
(Stevenson, 2004). Persamaan yang digunakan dalam penelitian ini menggunakan
persamaan ketika permintaan bervariasi dan lead time konstan.

37

Berikut merupakan faktor penentu pada ROP (Stevenson, 2004):

1. Laju permintaan
2. Waktu tunggu
3. Variabilitas tingkat permintaan dan/waktu tunggu
4. Tingkat resiko stockout yang dapat diterima
Persamaan ROP:
= +

(3.16)

keterangan:
LT

= lead time.

= rata-rata permintaan per hari atau minggu.

= standar deviasi permintaan per hari atau minggu.

= nomor standar deviasi.

Nilai z bergantung pada resiko terjadi stockout di mana manajer bersedia

menerima.
Kebutuhan selama lead time pada perusahaan retail pada umumnya
adalah tidak tetap dan jarang sama dengan kebutuhan sebagaimana yang
diharapkan, bahkan kemungkinan akan terjadi stock-out selalu ada. Oleh karena
itu adalah mungkin bahwa meskipun memiliki reorder point kekurangan tetap
saja terjadi. Ilustrasi yang menggambarkan keadaan kehabisan stock (stock-out)
ketika permintaan tidak pasti dalam model EOQ adalah seperti gambar 3.10.

Gambar 3.10 Permintaan Tidak Pasti

38

Dalam siklus pemesanan yang kedua, kehabisan stock terjadi karena

permintaan melebihi perkiraan selama lead time. Sebagai pencegahan terhadap
kekurangan ketika permintaan tidak pasti, perusahaan retail sering menggunakan
penyangga (buffer) atas sejumlah persediaan tambahan yang disebut stok
cadangan. Gambar 3.11 merupakan suatu gafik dalam model EOQ dengan
menambahkan stok cadangan. Titik pemesanan kembali ditentukan sehingga
tingkat stok cadangan diperlakukan sama seperti tingkat persediaan nol tanpa stok
cadangan, sehingga terjadinya persediaan turun lebih rendah daripada tingkat stok
cadangan dapat dihindari dan permintaan dapat tetap dipenuhi.

Gambar 3.11 Model Persediaan dengan stok cadangan

3.10

Logika Kabur

3.10.1

Konsep Logika Kabur

Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan

atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy suatu
nilai bisa benar atau salah secara bersamaan. Namun seberapa besar keberadaan
dan kesalahan tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy
memiliki derajat keanggotaan dalam rentang 0 hingga 1 yang berbeda dengan
logika digital yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy adalah suatu

39

cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output
dan mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu
keanggotakan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan
sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi, 2004).
Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat
keabuan dan juga hitam dan putih dalam bentuk linguistik, konsep tidak pasti
seperti sedikit, lumayan, dan sangat (Zadeh, 1965). Kelebihan dari teori
logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic
reasoing) sehingga dalam perancangannya tidak memerlukan persamaan
matematik dari objek yang akan dikendalikan (Kusumadewi, 2003).

3.10.2

Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang

menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya

(sering juga disebut dengan derajat keanggotaan) yang memiliki interval 0 sampai
dengan1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah melalui pendekatan fungsi. Ada beberapa fungsi yang dapat
digunakan (Kusumadewi, 2003).
1. Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya
digambarkan berupa suatu garis lurus. Bentuk ini merupakan bentuk yang
paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu
konsep yang kurang jelas. Terdapat dua keadaan himpunan fuzzyyang
linear. Pertama, kenaikan himpunan dimulai pada nilai dominan yang
memiliki derajat keanggotaan nol bergerak ke kanan menuju nilai domain
yang memiliki derajat keanggotaan lebih tinggi. Representasi linear naik
dapat dilihat pada Gambar 3.12.

40

Gambar 3.12 Representasi linear naik

Fungsi keanggotaan linear naik:

[x] =

0;

xa

( )
;
( )
1;

axb

(3.17)

xb

Kedua merupakan kebalikan yang pertama. Garis lurus dimulai

dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri,
kemudian bergerak menurun ke nilai domain yang memiliki derajat
keanggotaan yang rendah. Berikut merupakan Gambar 3.13 yang
mengGambarkan kurva representasi liner turun

Gambar 3.13 Fungsi keanggotaan linear turun

Fungsi keanggotaan linear turun:
[x] = {{

( )
;
( )

axb

0;

xb

(3.18)

41

2. Representasi Kurva Segitiga

Kurva segitiga merupakan gabungan antara dua garis linear
seperti yang terlihat pada Gambar 3.14.

Gambar 3.14 Fungsi keanggotaan segitiga

Fungsi keanggotaan segitiga:

[x] = {

0;

x a atau x c

( )
;
( )

axb

( )
;
( )

bxc

(3.19)

3. Representasi Kurva Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya
saja ada beberapa titik yang memiliki nilai keanggotaan 1. Berikut
Gambar 3.15 yang menunjukkan kurva trapesium.

42

Gambar 3.15 Fungsi keanggotaan trapesium

Fungsi keanggotaan trapesium:

[x] =

0;

x a atau x d

( )
;
( )

axb

1;

bxc

( )
;
( )

cxd

(3.20)

4. Representasi Kurva-S
Kurva pertumbuhan dan penyusutan merupakan kurva S atau
sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan
secara tak linear. Kurva-S untuk pertumbuhan akan bergerak dari sisi
paling kiri (nilai keanggotaan = 0) ke sisi paling kanan (nilai
keanggotaan = 1). Fungsi keanggotaannya akan tertumpu pada 50%
nilai keanggotaannya yang sering disebut dengan titik infleksi.

Gambar 3.16 Himpunan fuzzy dengan kurva S pertumbuhan

Keterangan:

43

: nilai fungsi keanggotaan = 0

: nilai fungsi keanggotaan = 0,5
: nilai fungsi keanggotaan = 1
Fungsi keanggotaan kurva pertumbuhan adalah sebagai berikut:
0;
2
; , , =

12

(3.21)

1;
Kurva S untuk penyusutan akan bergerak dari sisi kanan dengan
nilai keanggotaan 1 ke sisi paling kiri dengan nilai keanggotaan
nol.

Gambar 3.17 Himpunan fuzzy dengan kurva S penyusutan

Keterangan:
: nilai fungsi keanggotaan = 1
: nilai fungsi keanggotaan = 0,5
: nilai fungsi keanggotaan = 0
Fungsi keanggotaan pada kurva penyusutan adalah:
1;
12
; , , =
2

;
(3.22)

0;
5. Representasi Kurva Bentuk Lonceng (Bell Curve)

44

Kurva berbentuk lonceng ini terbagi atas tiga kelas, yaitu himpunan
fuzzy PI, Beta, dan Gauss. Perbedaan ketiga kurva ini terletak pada
gadiennya.
a. Kurva PI
Pada kurva ini, derajat keanggotaan 1 terletak pada pusat dengan
domain (), dan lebar kurva () seperti terlihat pada Gambar
3.18.

Gambar 3.18 Karakteristik fungsional kurva PI

Fungsi keanggotaan:

, , =

; , 2 ,

1 ; , + 2 , +

>

(3.23)

b. Kurva Beta
Kurva Beta juga berbentuk lonceng, namun lebih rapat. Kurva
ini didefinisikan dengan dua parameter, yaitu nilai pada domain
yang menunjukkan pusat kurva () dan setengah lebar kurva ().

45

Gambar 3.19 Karakteristik fungsional kurva Beta

Fungsi keanggotaan:
1

, , =
1+

(3.24)

Salah satu perbedaan mencolok kurva Beta dengan kurva PI

adalah fungsi keanggotaannya akan mendekati nol hanya jika
nilai sangat besar.
c. Kurva Gauss
Jika kurva PI dan kurva Beta menggunakan dua parameter yaitu
dan , kurva Gauss menggunakan untuk menunjukkan nilai
domain pada pusat kurva, dan k untuk menunjukkan lebar kurva.
Karakteristik fungsional kurva Gauss dapat dilihat pada Gambar
3.20.

46

Gambar 3.20 Karakteristik fungsional kurva Gauss

3.10.3

Sistem Inferensi Fuzzy

Salah satu aplikasi logika fuzzy yang telah berkembang luas dewasa ini

adalah sistem inferensi fuzzy (Fuzzy Inference System/FIS), yaitu sistem

komputasi yang bekerja atas dasar prinsip penalaran fuzzy, seperti halnya manusia
melakukan penalaran dengan nalurinya. Misalnya penentuan produksi barang,
sistem pendukung keputusan, sistem klarifikasi data, sistem pakar, sistem
pengenalan pola, robotika, dan sebagainya. Pada dasarnya sistem inferensi fuzzy
terdiri dari empat unit, yaitu (Frans Susilo, 2006):
a. Unit fuzzifikasi
Proses fuzzifikasi merupakan proses mengubah variabel non
fuzzy (variabel numerik) menjadi variabel fuzzy (variabel linguistik).
b. Unit penalaran logika fuzzy
Penalaran fuzzy sering disebut juga dengan penalaran hampiran
yakni suatu cara penarikan kesimpulan berdasarkan seperangkat implikasi
fuzzy dan suatu fakta yang diketahui (premis). Penarikan kesimpulan
dalam logika klasik didasarkan pada tautologi, yaitu proposi-proposi yang
selalu benar tanpa tergantung pada nilai kebenaran proposi-proposi
penyusunnya.

47

c. Unit basis pengetahuan

Basis pengetahuan suatu sistem inferensi fuzzy terdiri dari basis
data dan basis aturan. Basis data adalah himpunan fungsi-fungsi
keanggotaan dari himpunan-himpunan fuzzy yang terkait dengan nilai-nilai
linguistik dari variabel-variabel yang terlibat dalam sistem itu. Basis
aturan adalah himpunan implikasi-implikasi fuzzy yang berlaku sebagai
aturan dalam sistem itu.
d. Unit deffuzifikasi
Unit defuzzifikasi digunakan untuk menghasilkan nilai variabel
solusi yang diinginkan dari suatu daerah konsekuen fuzzy. Karena sistem
inferensi hanya dapat membaca nilai yang tegas, maka diperlukan suatu
mekanisme untuk mengubah nilai fuzzy output itu menjadi nilai yang
tegas. Itulah peranan unit defuzzifikasi yang memuat fungsi-fungsi
penegasan dalam sistem itu. Terdapat beberapa metode defuzzifikasi
dalam pemodelan sistem fuzzy, antara lain metode Centroid, metode
Bisektor, dan metode Mean of Maximum. Metode centroid adalah metode
pengambilan keputusan dengan cara mengambil titik pusat daerah fuzzy.
Sedangkan pada metode Bisektor solusi tegas diperoleh dengan cara
mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan
setengah dari jumlah total nilai keanggotaan pada daerah fuzzy. Pada
metode Mean of Maximum (MOM) solusi tegas diperoleh dengan cara
mengambil nilai rata-rata domain yang memiliki nilai keanggotaan
maksimum.
Berikut ini adalah metode-metode pada sistem inferensi fuzzy (Kusumadewi,
2003):
a. Metode Tsukamoto
Pada metode Tsukamoto, setiap konsekuen pada aturan yang
berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy
dengan fungsi keanggotaan yang monoton. Hasilnya berupa output hasil
inferensi dari tiap-tiap aturan yang diberikan secara tegas (crisp)

48

berdasarkan -predikat (fire strength). Hasil akhirnya diperoleh dengan

menggunakan rata-rata terbobot.
b. Metode Mamdani
Sistem inferensi fuzzy Mamdani dikenal juga dengan nama
metode Max-Min. Metode Mamdani bekerja berdasarkan aturan-aturan
linguistik. Metode ini diperkenalkan oleh Ebrahim H. Mamdani pada
tahun 1975. Untuk mendapatkan output/ hasil diperlukan 4 tahapan:
i.

Pembentukan himpunan fuzzy

Pada metode Mamdani, baik variabel input maupun variabel output
dibagi menjadi satu atau lebih himpunan fuzzy

ii.

Aplikasi fungsi implikasi

Pada metode Mamdani, fungsi implikasi yang digunakan adalah
Min

iii.

Komposisi aturan
Tidak seperti penalaran monoton, apabila sistem terdiri dari
beberapa aturan, maka inferensi diperoleh dari kumpulan dan
korelasi antar aturan

iv.

Defuzzifikasi
Proses pengolahan menggunakan metode inferensi fuzzy Mamdani
secara khusus akan mengalami perubahan sesuai dengan fungsifungsi yang akan digunakan di dalam aturan-aturan yang dibentuk.
Dalam metode fuzzy Mamdani, fungsi implikasi yang digunakan
adalah fungsi minimum, sedangkan fungsi komposisi yang
digunakan adalah fungsi maksimum (Kusumadewi, 2003). Proses
defuzzifikasi akan dilakukan setelah mendapatkan keluaran berupa
nilai fungsi keanggotaan dari himpunan keluaran sistem. Metode
defuzzifikasi yang akan digunakan adalah metode Centroid, yang
secara umum dapat dirumuskan sebagai berikut:
=

(3.25)

49

c. Metode Sugeno
Penalaran metode Sugeno ini hampir sma dengan Mamdani,
hanya saja output sistem tidak berupa himpunan fuzzy melainkan berupa
konstanta atau persamaan linear. Metode ini diperkenalkan oleh TakagiSugeno Kang pada tahun 1985. Perbedaan antara Metode Mamdani dan
Metode Sugeno terletak pada konsekuen di mana Metode Sugeno
menggunakan konstanta atau fungsi matematika dari variabel input.

3.10.4

Operator Dasar ZADEH

Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu (Kusumadewi,

2003):
1. Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. predikat sebagai hasil operasi dengan operator AND diperoleh dengan
mengambil nilai keanggotaan terkecil antar elemen pada himpunanhimpunan yang bersangkutan.
(3.26)

AB = min
(A x , B y )
2. Operator OR

Operator ini berhubungan dengan operasi union pada himpunan. predikat sebagai hasil operasi dengan operator OR diperoleh dengan
mengambil nilai keanggitaan terbesar antar elemen pada himpunanhimpunan yang bersangkutan.
AB = max
(A x , B y )

(3.27)

3. Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. predikat sebagai hasil operasi dengan operator NOT diperoleh dengan
mengurangkan

nilai

keanggotaan

elemen

pada

himpunan

yang

bersangkutan dari 1.
A = 1 A []

(3.28)

50

3.10.5 Fungsi Implikasi

Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan
berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan
dalam fungsi implikasi adalah:
IF x is A THEN y is B
dengan x dan y adalah skalar serta A dan B adalah himpunan fuzzy. Proposisi
yang mengikuti IF disebut sebagai antesenden, sedangkan proposisi yang
mengikuti THEN disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan
menggunakan operator fuzzy, seperti:
IF (x1 is A1) (x2 is A2) (x3 is A3) ...... (xn is An) THEN y is B
dengan adalah operator (misal; OR atau AND).
Secara umum ada dua fungsi implikasi yang dapat digunakan yaitu (Kusumadewi,
2003):
a. Min (minimum)
Fungsi ini akan memotong output himpunan fuzzy.
b. Dot (product)
Fungsi ini akan membuat skala output himpunan fuzzy.

3.10.6

Functional Principle
Operasi matematika di dalam logika kabur dengan bentuk trapesium

dapat menggunakan functional principle dan extension principle. Namun

penggunaan extension principle memiliki kelemahan, yaitu tidak bisa digunakan
untuk melakukan perkalian di antara empat buah trapezoidal fuzzy dan hasil
representasi dari fuzzy number akan berbeda dengan bentuk representasi fuzzy
number pada inputnya. Kelemahan ini dapat ditutupi dengan penggunaan
principle function. Principle function pertama kali dikenalkan oleh Chen untuk
melakukan operasi aritmatika pada representasi fuzzy number yang berbentuk
trapesium (Chen, et al., 2006).
Principle Function (Hsieh, 2004):
Jika terdapat dua buah trapezoidal function, = (a1,a2,a3,a4) dan
= (b1,b2,b3,b4) maka:

51

1. Penambahan dan adalah

= (1+1,2+2,3+3,4+4),

(3.29)

Di mana a1, a2, a3, a4, b1, b2, b3, dan b4 adalah nilai pasti.
2. Perkalian dan adalah
x = (1,2,3,4),

(3.30)

Di mana T={a1b1, a1b4, a4b1, a4b4}, T1 = {a2b2, a2b3, a3b2, a3b3}, c1

= min T, c2 = min T1, c3 = max T1, c4 = max T.
Jika a1, a2, a3, a4, b1, b2, b3, dan b4 adalah bernilai positif bukan nol,
maka x = (11,22,33,44),

(3.31)

Di mana x adalah fuzzy number trapezoidal.

3. = 4,3,2,1 , kemudian subtraksi dari dan adalah
- = 14,23,32,41

(3.32)

Di mana a1, a2, a3, a4, b1, b2, b3, dan b4 adalah nilai pasti.
4. 1/B = B-1= (1/b4, 1/b3, 1/b2, 1/b1) di mana b1, b2, b3, dan b4 bernilai positif.
Jika a1, a2, a3, a4, b1, b2, b3, dan b4 adalah bilangan positif bukan nol,
maka pembagian terhadap
/B = (a1/b4, a2/b3, a3/b2, a4/b1)

(3.33)

5.Jika R, maka
()0,x = (1,2,3,4)
()<0,x = (4,3,2,1)

3.10.7

(3.34)

Gaded mean Integation

Gaded Mean Integation merupakan salah satu cara ata metode dalam

proses defuzzifikasi dalam logika kabur. Gaded Mean Integation dikenalkan

pertama kali oleh Chen dan Hsieh. Proses defuzzifikasi dengan menggunakan
Gaded Mean Integation tidak hanya dapat menggeneralisasi fuzzy number, tetapi
juga tidak mengubah representasi hasil setelah penambahan atau pengurangan
jumlah fuzzy number (Chen dan Hsieh, 2000). Metode ini selain digunakan untuk
proses defuzzifikasi juga digunakan untuk pengukuran rangking, jarak, dan
penyamarataan nilai fuzzy number menggunakan left shape function-right function
type membership function (L-R type function) (Wang dan Chen, 2002). Jika L-1

52

dan R-1 adalah fungsi invers dari fungsi L dan R, dan gaded mean pada h-level
dari sebuah fuzzynumber A = (a,b,c,d) adalah
h[L-1(h) + R-1(h)]/2

(3.35)

Maka Gaded Mean Integation pada h level dari persamaan 3.35 adalah trapesium
(Chen dkk, 2006)

P( A)

w
L1 (h) R 1 (h)
h(
)dh / hdh
0
2

(3.40)
di mana h di antara 0 dan w, 0<w1
Jika Gaded Mean Integation didasarkan pada k-preference, maka
persamaan 3.35 dapat ditulis dalam persamaan 3.36 (Wang dan Chen, 2002)
w k (a (b a ) h
w
(1 k )c (c b)h
P( A) h

dh / hdh

0
0
w
w

(3.36)

Untuk memperoleh solusi yang optimal maka dapat digunakan k = 0.5 (Hsieh,
2004).

BAB IV
METODE PENELITIAN

4.1 Waktu dan Lokasi Penelitian

Penelitian dilakukan di gudang pusat dan tujuh cabang Pamella
Swalayan Supermarket Daerah Istimewa Yogyakarta, yaitu:
1. Gudang pusat
2. Pamella 1 : Jl. Kusumanegara 135-141 Yogyakarta
3. Pamella 2 : Jl. Pandean 16 Yogyakarta
4. Pamella 3 : Jl. Wonocatur 377 Bantul
5. Pamella 4 : Jl. Pramuka 84 Yogyakarta
6. Pamella 6 : Jl. Raya Candi Gerbang cc Sleman
7. Pamella 7 : Bromonilan, Purwomartani, Kalasan, Sleman
8. Pamella 8 : Jl. Tegal Turi 69 Yogyakarta
Penelitian dilakukan selama bulan Maret-Juli 2014.

4.2 Data Penelitian

Data yang dibutuhkan untuk melakukan penelitian ini adalah sebagai berikut.
1. Data penjualan 13 produk dengan tipe stabil, musiman, dan trend di tiap
cabang Pamella Swalayan Supermarket, yakni:
a. Prenagen Mommy Choco 200 g new,
b. Poci Teh Biru 40 g,
c. Poci Teh Clp Isi 25 50 g Kuning,
d. Poci Teh Clp vanilla 25 x 2 g,
e. Fortune Refill 1000 ml,
f. Chil Kid Madu 200 g,
g. Sosro Teh Kotak 200 ml,
h. Happy Tos Merah Kcl 25 g,
i. Happy Tos Real Corn Chip 170 g Mrh,

53

54

j. Cap Lang MKP 30 ml,

k. Cap lang MKP 60 ml,
l. Maya Sardines Chili 155 g,
m. Indocafe Coffeemix 20 g Sachet.
2. Ukuran bangunan di tiap cabang Pamella Swalayan Supermarket dan
gudang pusat
3. Data permintaan di gudang pusat dari tiap cabang Pamella Swalayan
Supermarket
4. Data pemesanan dari gudang pusat ke supplier
5. Data biaya pesan dari gudang pusat ke supplier
6. Data biaya penyimpanan di masing-masing gudang tiap cabang Pamella
Swalayan Supermarket
7. Data biaya transportasi dari gudang pusat ke masing-masing cabang
Pamella
8. Data biaya penyimpanan di gudang pusat
9. Data waktu tunggu
10. Harga jual dan harga beli 13 produk yang diteliti
11. Sistem pengelolaan dan kebijakan persediaan di Pamella Swalayan
Supermarket

4.3 Metode Pengumpulan Data

Metode yang digunakan dalam pengumpulan data adalah sebagai
berikut.
1. Observasi
Observasi secara langsung pada tiap-tiap cabang Pamella Swalayan
Supermarket dan gudang pusat dilakukan melalui proses wawancara
dengan kepala cabang maupun karyawan di Pamella Swalayan
Supermarket.

55

2. Studi literatur
Studi literatur dilakukan untuk memperoleh data sekunder yang berkaitan
dengan penelitian. Literatur dapat berupa buku-buku referensi, karya
ilmiah, maupun jurnal.

4.4 Metode Pengolahan Data

Metode

pengolahan

data

yang

dipakai

dalam

penelitian

ini

menggunakan fuzzy inventory model for fuzzy demand and fuzzy lead time untuk
kasus penentuan kuantitas order optimum dari gudang pusat ke supplier, di mana
model tersebut telah dikembangkan oleh Hsieh (2004), sedangkan sistem inferensi
fuzzy Mamdani digunakan untuk penentuan optimalisasi alokasi distribusi produk
dari gudang pusat ke masing-masing cabang Pamella Swalayan Supermarket.
1. Pengolahan data dengan sistem dorong
Digunakan untuk menentukan jumlah alokasi distribusi produk
yang optimal dari gudang pusat ke tujuh cabang Pamella Swalayan
Supermarket berdasarkan hasil peramalan.
2. Pengolahan data dengan sistem inferensi fuzzy
Digunakan untuk menentukan jumlah alokasi distribusi produk
yang optimal dari gudang pusat ke tujuh cabang Pamella Swalayan
Supermarket dengan cara memodelkan permasalahan ke dalam sistem
inferensi fuzzy, kemudian disimulasikan sehingga akan diperoleh solusi
optimal.
3. Pengolahan data dengan EOQ
Digunakan untuk menghitung kuantitas order optimal dari
gudang pusat ke supplier dengan cara memasukkan data biaya pesan dan
biaya simpan
4. Pengolahan data dengan fuzzy inventory model
Digunakan untuk menghitung kuantitas order optimal dari
gudang pusat ke suplier dengan cara melakukan Gaded Mean Integation
berdasarkan k-preference terhadap persamaan total biaya inventori. Model
ini memasukkan fuzzy permintaan dan fuzzy waktu tunggu ke dalam

56

persamaan

matematik

menggunakan

functional

principle

untuk

menghitung jumlah persediaan.

4.5 Alur Penelitian

Penelitian ini dilakukan secara terstruktur mengikuti flowchart yang
ditunjukkan pada Gambar 4.1.

57

Mulai

Studi Pustaka

Perumusan
Masalah

Penetapan Tujuan

Identifikasi
Aktivitas Kerja

Pemilihan Metode
Sistem Inferensi
Fuzzy

Pengumpulan
data historis
permintaan

Pembentukan
masukan dan
keluaran

Pemilihan metode
peramalan

Percobaan model
sistem inferensi
fuzzy Mamdani

Peramalan
terhadap
permintaan

Penentuan
prosentase alokasi
ke masing-masing
cabang

Apakah hasil sudah

optimal?

Ya

Solusi sistem
inferensi fuzzy

Solusi alokasi
sistem dorong

Gambar 4.1 Diagam alir penelitian

Tidak

58

Penentuan total
alokasi optimal

Penentuan
kuantitas order
dengan logika
kabur

Penentuan
kuantitas order
dengan metode
EOQ

Penentuan safety
stock berbasis
service level

Penentuan safety
stock dengan
EOQ ordering

Penentuan ROP

Penentuan ROP

Simulasi
menggunakan
tabel MRP

Simulasi
menggunakan
tabel MRP

Penentuan jumlah
out-of-stock

Penentuan jumlah
out-of-stock

Total Biaya
Inventori

Total Biaya
Inventori

Penentuan Gross
Profit dan biaya
inventori optimal

Analisis hasil dan

pembahasan

Kesimpulan

Selesai

Gambar 4.1 Diagam alir penelitian (lanjutan)

59

4.5.1. Menghitung Alokasi Produk Menggunakan Sistem Alokasi Dorong

Beberapa tahapan penyelesaian menggunakan metode pendekatan
penyimpanan sistem dorong yaitu:
1. Penentuan peramalan akumulatif agegat penjualan
2. Penentuan prosentase kontribusi penjualan
3. Penentuan total alokasi untuk masing-masing retailer
4. Penghitungan goss profit untuk metode alokasi berdasarkan pendekatan
penyimpanan sistem dorong menggunakan persamaan (3.1)

4.5.2. Menghitung Alokasi Produk Menggunakan Sistem Inferensi Fuzzy

Beberapa tahapan yang dilakukan untuk menentukan solusi alokasi
distribusi produk menggunakan sistem inferensi fuzzy Mamdani yaitu:
1. Penentuan masukan sistem, yaitu kontribusi penjualan, biaya transportasi,
dan biaya penyimpanan seperti tampak pada Gambar 4.2

Gambar 4.2 Penentuan jumlah masukan dan keluaran sistem inferensi fuzzy
Mamdani
2. Penentuan keluaran sistem, yaitu alokasi distribusi untuk masing-masing
store
3. Penyusunan karakteristik sistem inferensi fuzzy Mamdani seperti tampak
pada Gambar 4.3

60

Gambar 4.3 Penyusunan karakteristik sistem inferensi fuzzy Mamdani

4. Penyusunan aturan-aturan sistem berdasarkan masukan dan keluaran
sistem seperti tampak pada Gambar 4.4

Gambar 4.4 Penyusunan aturan sistem inferensi fuzzy Mamdani

5. Penentuan alokasi untuk masing retailer berdasarkan nilai keluaran sistem
pada sistem inferensi fuzzy Mamdani yang telah dibentuk
6. Jika nilai total alokasi menuju masing-masing retailer tidak bernilai 100%,
maka dilakukan tahapan normalisasi
7. Pengulangan tahapan 1-5 untuk masing-masing retailer
8. Penghitungan goss profit untuk metode alokasi berdasarkan sistem
inferensi fuzzy Mamdani menggunakan persamaan (3.1).

61

4.5.3. Menghitung Kuantitas Order Menggunakan Integasi Logika Kabur

Kuantitas order yang dihitung dengan menggunakan logika kabur
diperoleh dengan cara melakukan Gaded Mean Integation berdasarkan kpreference terhadap persamaan total biaya inventori. Langkah selanjutnya adalah
melakukan penurunan persamaan yang diperoleh dari hasil Gaded Mean
Integation tersebut terhadap kuantitas order.

4.5.4. Menghitung safety stock berbasis service level dengan logika kabur
Safety stock diperoleh dari nilai reorder point hasil perhitungan
menggunakan logika kabur berbasis service level perusahaan yang dikurangi
dengan hasil Gaded Mean Integation dari fuzzy number jumlah permintaan selama
waktu tunggu pada h level.
Berikut merupakan cara melakukan penghitungan nilai reorder point hasil
penghitungan menggunakan logika kabur berbasis service level perusahaan:
1. Menentukan fuzzy number jumlah permintaan selama waktu tunggu per
periode
2. Menentukan bentuk membership function dari fuzzy number
3. Menentukan daerah reorder point pada membership function dari fuzzy
number
4. Mencari formula matematis untuk reorder point yaitu:

1 SL =

(4.1)

4.5.5. Melakukan simulasi menggunakan tabel MRP

Tabel MRP digunakan untuk validasi model serta membantu dalam
proses penghitungan total biaya inventori yang dihasilkan. Untuk integasi logika
kabur jika masih terjadi out-of-stock maka dilakukan penghitungan kembali
kuantitas order dan jumlah safety stock dengan mengubah-ubah fuzzy numbernya.
Untuk metode EOQ, validasi model dilakukan dengan menghitung order cycle
untuk beberapa sampel produk dengan metode EOQ lalu dibandingkan dengan
kondisi real. Microsoft Excel merupakan alat bantu dalam simulasi ini.

62

Berikut merupakan beberapa istilah dalam tabel MRP.

1. Net requirement (NR)

: kebutuhan bersih

2. Goss Requirement (G)

: kebutuhan kotor

3. Schedule Receipt (SR)

: jadwal penerimaan pesanan dari order yang

dilakukan sebelum periode MRP

4. Projected On hand (POH) : persediaan di gudang
5. Plan Order Receipt (PORcp): rencana kedatangan order pada periode
bersangkutan yang besarnya ditentukan oleh banyaknya lot
6. Plan Order Release (PORls): rencana pembuatan pesanan suatu order
dikaitkan dengan lead time.
Tabel 4.1.Tabel MRP
0

G
SR
POH
NR
PORcp
PORls

4.5.6 Membandingkan Metode

Model yang telah divalidasi akan dibandingkan hasilnya di mana goss
profit dan biaya persediaan merupakan indikatornya.

63

BAB V
HASIL DAN PEMBAHASAN

5.1. Faktor Pembentuk Profit

Pamella supermarket memiliki 1 gudang pusat dan 7 cabang
supermarket, yakni Pamella 1, Pamella 2, Pamella 3, Pamella 4, Pamella 6,
Pamella 7, dan Pamella 8, di mana lokasinya tersebar di wilayah Yogyakarta.
Alokasi produk yang optimal dari gudang pusat ke seluruh cabang Pamella
tersebut akan berpengaruh terhadap keuntungan yang diperoleh. Terdapat 3
komponen dasar pembentukan pendapatan kotor (goss profit) yakni kontribusi
penjualan, biaya transportasi, dan biaya penyimpanan. Kontribusi penjualan
terbentuk melalui jumlah produk yang terjual dikalikan dengan harga jual masingmasing produk. Biaya transportasi merupakan biaya yang harus dikeluarkan oleh
perusahaan pada saat melakukan pengiriman produk dari gudang pusat ke tiaptiap retailer. Sedangkan biaya penyimpanan merupakan biaya yang berhubungan
dengan aktivitas penyimpanan produk termasuk didalamnya adalah biaya
karyawan, biaya listrik, biaya bangunan, dan biaya peralatan penyimpanan.
5.2. Kontribusi Penjualan
Data penjualan yang digunakan pada penelitian ini adalah data penjualan
untuk 13 produk selama 1 tahun pada tahun 2012 yang bisa dilihat pada lampiran
1. Tingkat penjualan di masing-masing lokasi penjualan berbeda-beda sehingga
membutuhkan adanya prioritas dalam menentukan alokasi produk dari gudang
pusat ke masing-masing lokasi penjualan. Besarnya prosentase kontribusi
penjualan untuk tiap-tiap produk di masing-masing retailer dapat dilihat pada
Tabel 5.1.

64

Tabel 5.1 Prosentase Kontribusi Penjualan Tiap-tiap Produk di Masing-masing Retailer

NO
1
2
3
4
5
6
7
8
9
10
11
12
13

NAMA PRODUK
Prenagen Mommy Choco 200g New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 X 2 g
Fortune Refill 1000 ml * 12
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

P1
(%)
44,63
37,26
41,48
34,61
38,38
35,33
31,53
33,16
32,65
20,68
23,14
31,59
26,23

PROSENTASE KONTRIBUSI PENJUALAN

P2
P3
P4
P6
P7
(%)
(%)
(%)
(%)
(%)
8,85
14,35
3,72
11,11
12,47
13,80
15,31
7,81
10,63
12,93
7,78
12,79
8,31
10,12
18,54
6,66
13,53
7,21
12,40
20,94
9,36
6,13
7,91
16,83
16,16
8,71
19,72
6,90
9,90
13,87
9,19
12,70
6,00
23,64
8,01
9,15
16,34
9,57
10,77
16,89
12,69
11,42
8,74
9,27
9,58
11,14
11,49
19,02
15,59
16,26
8,46
15,11
13,37
17,23
17,04
10,23
9,08
12,60
8,38
18,22
10,11
17,43
11,31
13,74
15,46

P8
(%)
4,87
2,26
0,99
4,65
5,23
5,57
8,92
4,12
15,65
5,83
5,66
9,91
5,72

TOTAL
(%)
100,00
100,00
100,00
100,00
100,00
100,00
100,00
100,00
100,00
100,00
100,00
100,00
100,00

65

5.3. Biaya Transportasi

Biaya transportasi terbentuk dari konsumsi bahan bakar yang dipakai sesuai
dengan jarak tempuh dari gudang pusat ke masing-masing lokasi penjualan serta
biaya perawatan kendaraan. Semakin jauh jarak antara gudang pusat ke lokasi
penjualan maka konsumsi bahan bakarnya akan semakin banyak sehingga biaya
transportasinya cenderung lebih besar dan semakin tinggi biaya perawatan
kendaraan maka biaya transportasinya akan lebih besar. Hal tersebut ditunjukkan
pada Gambar 5.1 dan Gambar 5.2. Tabel 5.2 menunjukkan hasil penghitungan
biaya transportasi per unit untuk tiap-tiap lokasi penjualan. Penghitungan biaya

Prosentase Biaya Transport

(%)

transportasi dapat dilihat pada lampiran 2.

40
35
30
25
20
15
10
5
0
240

1500

2700

3000

4000

8100 11800

Jarak
(m)

Prosentase Biaya Transport

(%)

Gambar 5.1 Hubungan Jarak dengan Biaya Transportasi

40
35
30
25
20
15
10
5
0
44

115

231

422

625

1266

1845

Biaya Perawatan
(Rp)

Gambar 5.2 Hubungan Biaya Perawatan Kendaraan dengan Biaya Transportasi

66

Tabel 5.2 Prosentase Biaya Transportasi Tiap-tiap Lokasi Penjualan

Cabang
P1
P2
P3
P4
P6
P7
P8

Jenis Kendaraan
Mistubishi Colt 100ps
Daihatsu Ganmax
Daihatsu Ganmax
Mitsubishi L300
Mitsubishi L300
Mitsubishi L300
Mitsubishi L300

Jarak
(km)

Biaya
Perawatan
(Rp)

0,24
1,50
3,00
2,70
8,10
11,8
4,00

44
115
231
422
1.266
1.845
625

Biaya Konsumsi
Bahan Bakar
(Rp)
102
637
1.274
1.146
3.439
5.009
1.698

Rata-rata Jumlah
Biaya
Pengiriman
Transportasi Prosentae
Barang
per unit
(%)
(unit)
(Rp)
67
4
0,85
63
24
4,65
80
38
7,34
77
41
7,94
73
129
25,12
75
183
35,62
49
95
18,48
100,00

67

5.4. Biaya penyimpanan

Biaya penyimpanan masing-masing produk di tiap-tiap lokasi penjualan
dan gudang pusat berbeda, tergantung dari volume gudang/swalayan, biaya listrik,
biaya bangunan dan biaya karyawan yang terlibat di masing-masing lokasi
penjualan. Tabel 5.3 menunjukkan hasil penghitungan biaya simpan masingmasing produk per unit di gudang pusat, sedangkan penghitungan biaya simpan
per unit di tiap-tiap lokasi penjualan ditunjukkan oleh Tabel 5.4.
Tabel 5.3 Biaya Penyimpanan Produk di Gudang Pusat
No
1
2
3
4
5
6
7
8
9
10
11
12
13

Nama Produk
Prenagen Mommy Choco 200g New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 X 2 g
Fortune Refill 1000 ml * 12
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

Biaya
Simpan/Hari/Unit
(Rp)
0,37
0,66
0,17
0,17
0,56
0,38
0,10
0,65
0,88
0,73
0,68
0,10
0,15

68

Tabel 5.4 Biaya Penyimpanan Produk di Masing-masing Lokasi Penjualan

Cap Lang Mkp 30 ml
Cabang

Biaya Simpan/unit

Rp
%
P1
0,08
0,18
P2
0,06
0,14
P3
0,07
0,15
P4
0,06
0,14
P6
0,04
0,09
P7
0,06
0,13
P8
0,08
0,17
Total
0,46
1,00
Sosro Teh Kotak 200 ml
Cabang
P1
P2
P3
P4
P6
P7
P8
Total

Fortune 1000 ml Refill

Cabang
P1
P2
P3
P4
P6
P7
P8
Total

Biaya Simpan/unit Cabang

Rp
0,29
0,28
0,24
0,22
0,14
0,21
0,27
1,66

%
0,17
0,17
0,15
0,13
0,09
0,13
0,16
1,00

P1
P2
P3
P4
P6
P7
P8
Total

Biaya Simpan/unit
Rp
1,56
1,26
1,34
1,20
0,78
1,15
1,48
8,77
Poci Biru

%
0,18
0,14
0,15
0,14
0,09
0,13
0,17
1,00

Biaya Simpan/unit
Rp
1,83
1,41
1,54
0,37
0,92
1,35
0,99
8,41

%
0,22
0,17
0,18
0,04
0,11
0,16
0,12
1,00

Happytos Merah Kc
Maya Sardine Chili 155 g
Biaya
Biaya
Cabang
Simpan/unit
Simpan/unit
Cabang
Rp
%
Rp
%
P1
1,81 0,19
P1
0,27
0,18
P2
1,46 0,15
P2
0,22
0,14
P3
1,54 0,16
P3
0,23
0,15
P4
1,39 0,14
P4
0,21
0,14
P6
0,90 0,09
P6
0,14
0,09
P7
0,76 0,08
P7
0,20
0,13
P8
1,71 0,18
P8
0,26
0,17
Total
9,57 1,00 Total
1,54
1,00
Chilkid
Caplang Mkp 60 ml
Biaya
Cabang
Biaya Simpan
Cabang
Simpan/unit
Rp
%
Rp
%
P1
1,20 0,18
P1
0,16
0,18
P2
1,05 0,15
P2
0,13
0,15
P3
1,22 0,18
P3
0,11
0,12
P4
0,94 0,14
P4
0,12
0,14
P6
0,52 0,08
P6
0,08
0,09
P7
0,86 0,13
P7
0,12
0,14
P8
0,99 0,15
P8
0,15
0,17
Total
6,79 1,00 Total
0,86
1,00

69

Tabel 5.4 Biaya Penyimpanan Produk di Masing-masing Lokasi Penjualan (lanjutan)

Happytos Real Corn Chips 170 g
Cabang

Indocafe Coffeemix 3in1 20 G

Biaya Simpan/unit Cabang

Rp
%
P1
2,44
0,18
P2
1,97
0,14
P3
2,08
0,15
P4
2,04
0,15
P6
1,21
0,09
P7
1,79
0,13
P8
2,31
0,17
Total
13,85
1,00
Poci Vanila
Cabang
Biaya Simpan/unit
Rp
%
P1
0,49
0,18
P2
0,39
0,14
P3
0,41
0,15
P4
0,37
0,14
P6
0,24
0,09
P7
0,36
0,13
P8
0,46
0,17
Total
2,72
1,00

P1
P2
P3
P4
P6
P7
P8
Total

Biaya Simpan/unit
Rp
0,08
0,09
0,07
0,06
0,04
0,06
0,07
0,46

%
0,17
0,18
0,15
0,13
0,08
0,12
0,16
1,00

Poci Teh Kuning Asli Celup Prenagen Mommy Choco

Biaya
Biaya
Cabang
Cabang
Simpan/unit
Simpan/unit
Rp
%
Rp
%
P1
0,49
0,18
P1
1,04
0,18
P2
0,39
0,14
P2
0,84
0,14
P3
0,42
0,15
P3
0,89
0,15
P4
0,37
0,14
P4
0,80
0,14
P6
0,24
0,09
P6
0,52
0,09
P7
0,36
0,13
P7
0,76
0,13
P8
0,46
0,17
P8
0,99
0,17
Total
2,74
1,00 Total
5,85
1,00

70

5.5. Alokasi Pendekatan Penyimpanan Sistem Dorong

Peramalan tingkat permintaan merupakan dasar utama alokasi dengan
pendekatan penyimpanan sistem dorong. Metode peramalan yang digunakan
adalah metode yang menghasilkan indikator kesalahan terkecil yakni metode
winters. Peramalan dilakukan terhadap data permintaan bulanan pada bulan
Januari 2012 sampai September 2012. Tabel 5.5 menunjukkan hasil indikator
kesalahan dengan metode winters untuk 13 produk.
Tabel 5.5 Hasil Indikator Kesalahan dengan Metode Winters
Nama Produk

Metode
Peramalan

Prenagen
Winter's Additive,
Mommy
2 Season
Coklat 200
Gam
Poci Teh Celup Winter's Additive,
Isi 25 50 Gam
2 Season
Kuning
Winter's
Fortune Refill
Multiplicative, 2
1000 ML
Season

Sosro Teh
Kotak 200 ML

Winter's
Multiplicative, 2
Season

HappyTos
Winter's Additive,
Merah Kecil
2 Season
25 Gam
HappyTos Real Winter's Additive,
Corn Chip 170
2 Season
Gam
Winter's
Cap Lang
Multiplicative, 2
MKP 30 ML
Season

Tingkat Akurasi
MAPE
MSE
MAD

MAPE
Validasi

3,93

101,87

5,51

4,12

20,62

31829,03

153,50

14,27

13,09

395068,77

366,72

5,12

7,26

2856,238

40,18

9,36

10,14

56283,25

171,90

7,59

20,42

13557,91

73,56

10,49

23,92

25109,74

120,40

11,82

Cap Lang
MKP 60 ML

Winter's Additive,
2 Season

9,35

8631,62

71,07

3,67

Maya Sardines
Chili 155 Gam

Winter's Additive,
2 Season

12,50

1249,84

28,57

7,50

71

Tabel 5.5 Hasil Indikator Kesalahan dengan Metode Winters (lanjutan)

Indocafe
Coffeemix 20
Gam Sachet

Winter's
Multiplicative, 2
Season

4,17

602190,48

752,52

4,44

Chilkid Madu
200 g

Winter's Additive,
2 Season

19,09

26,46

4,53

5,83

Poci Teh Biru

40 g

Winter's
Multiplicative, 2
Season

16,14

2170,75

37,10

4,80

Winter's Additive,
2 Season

23,92

25109,74

120,40

11,82

Poci Teh
Vanilla

Hasil peramalan akan dikalikan dengan kontribusi penjualan sehingga

didapatkan total alokasi per bulan. Periode yang digunakan sebagai proses
validasi adalah periode Oktober, November, dan Desember 2012. Jika jumlah
alokasi lebih kecil dari pada penjualan maka hal tersebut mengindikasikan adanya
stockout, sedangkan jika jumlah alokasi lebih besar dari pada penjualan maka
kelebihan alokasi tersebut akan berakibat pada kenaikan biaya penyimpanan. Pada
kondisi yang sebenarnya, terdapat beberapa produk yang tidak bisa dialokasikan 1
bulan sekali karena tingkat permintaannya yang rata-rata cukup tinggi sehingga
alokasi selama 1 bulan sekali akan memperbesar kemungkinan terjadinya
stockout. Maka dari itu pada penelitian ini frekuensi pengiriman dalam 1 bulan
dihitung berdasarkan rata-rata jumlah pengiriman setiap bulan selama 1 tahun.
Tabel 5.6 menunjukkan total alokasi untuk tiap-tiap produk di masing-masing
lokasi penjualan menggunakan sistem dorong beserta validasinya terhadap
penjualan aktual.

72

Tabel 5.6 Hasil Alokasi Sistem Dorong

Prenagen Mommy Choco 200 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
5
6
90
15
68
16
79
39
75
52
40
P2
3
10
14
-2
10
-9
12
-16
16
19
28
P3
3
10
27
26
1
20
21
-1
24
25
-1
P4
2
15
9
1
8
7
1
6
8
1
7
P6
4
7
21
21
0
16
13
3
18
21
-3
P7
3
10
20
30
-10
15
29
-14
18
27
-9
P8
3
10
11
5
6
8
2
6
9
5
4
Indocafe Coffemix 3 in 1 100 S'
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
15
2 3641
3.590
51
3.361
3.515
-154 3.781
3.812
-31
P2
6
5 1471
1.228
243
1.357
1.061
296 1.527
1269
258
P3
6
5 2466
2.225
241
2.276
2.337
-61 2.561
2250
311
P4
3
10 1595
1.633
-38
1.472
1.344
128 1.656
1.498
158
P6
6
5 1929
1.858
71
1.781
1.655
126 2.003
1994
9
P7
5
6 2159
1.982
177
1.993
2.014
-21 2.242
2310
-68
P8
3
10
779
896
-117
720
791
-71
810
836
-26

73

Tabel 5.6 Hasil Alokasi Sistem Dorong (lanjutan)

Maya Sardines Chili 155 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
3
10
70
46
53
12
35
12
24
41
23
P2
2
15
19
1
14
-6
10
-1
18
20
11
P3
1
30
19
8
11
14
14
0
9
9
0
P4
1
30
26
13
13
20
10
10
13
23
-10
P6
1
30
19
6
13
14
5
9
10
9
1
P7
1
30
24
117
-93
18
8
10
12
23
-11
P8
1
30
23
7
16
17
10
7
11
6
5
Sosro Teh Kotak 200 ml
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
6
5
43
228
7
19
182
139
221
220
201
P2
2
15
54
2
70
37
33
55
13
56
68
P3
2
15
46
37
104
74
30
45
55
83
100
P4
1
30
41
-5
45
30
15
25
19
36
44
P6
3
10
150
-27
154
169
-15
189
-40
123
149
P7
1
30
53
-14
48
71
-23
68
-21
39
47
P8
3
10
40
17
71
49
22
38
30
57
68

74

Tabel 5.6 Hasil Alokasi Sistem Dorong (lanjutan)

Cap Lang MKP 60 ml
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
5
6
168
42
168
10
168
32
126
158
136
P2
5
6
64
10
64
20
64
25
54
44
39
P3
4
7
112
25
112
22
112
33
87
90
79
P4
4
7
95
26
95
15
95
-11
69
80
106
P6
5
6
123
12
123
7
123
23
111
116
100
P7
5
6
123
21
123
20
123
16
102
103
107
P8
2
15
35
-13
35
0
35
-28
48
35
63
Poci Kuning Teh celup 10"5*25'S 50 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
9
3
217
43
261
72
239
75
174
189
164
P2
6
5
36
46
-10
43
58
-15
39
51
-12
P3
4
7
63
58
5
76
70
6
70
75
-5
P4
3
10
42
37
5
50
55
-5
46
32
14
P6
5
6
48
44
4
58
48
10
53
91
-38
P7
6
5
90
91
-1
108
119
-11
99
101
-2
P8
3
10
4
11
-7
4
9
-5
4
13
-9

75

Tabel 5.6 Hasil Alokasi Sistem Dorong (lanjutan)

Cap Lang MKP 30 ml
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
5
6
122
47
122
9
183
53
75
113
130
P2
5
6
67
22
67
8
101
46
45
59
55
P3
3
10
66
19
66
-2
99
24
47
68
75
P4
5
6
110
100
10
110
88
22
165
122
43
P6
4
7
85
-17
85
-4
128
28
102
89
100
P7
4
7
92
83
9
92
89
3
137
112
25
P8
2
15
34
33
1
34
32
2
51
28
23
Fortune 1000ml/Refill
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
16
2
503
-32
713
-192
852
-148
535
905
1000
P2
6
5
123
-45
174
-16
209
-22
168
190
231
P3
3
10
78
-75
110
-19
131
-9
153
129
140
P4
4
7
107
183
-76
151
162
-11
181
123
58
P6
2
15
217
9
307
-64
368
-165
208
371
533
P7
3
10
258
208
50
366
112
254
438
168
270
P8
3
10
95
8
87
135
11
124
161
6
155

76

Tabel 5.6 Hasil Alokasi Sistem Dorong (lanjutan)

HappyTos Mrh Kcl 25 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan
Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
14
2
528
428
100
580
447
133
635
515
120
P2
4
7
144
123
21
158
141
17
173
139
34
P3
6
5
232
298
-66
255
284
-29
279
338
-59
P4
3
10
144
93
51
158
235
-77
173
142
31
P6
5
6
159
143
16
174
144
30
191
271
-80
P7
5
6
263
268
-5
289
251
38
317
236
81
P8
3
15
60
81
-21
66
78
-12
72
61
11
HappyTos Mrh Real Corn Chip 170 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
11
3
296
242
54
269
232
37
339
310
29
P2
5
6
117
94
23
107
78
29
135
116
19
P3
4
7
102
94
8
92
74
18
116
118
-2
P4
3
10
79
55
24
72
70
2
90
87
3
P6
3
10
77
91
-14
70
84
-14
88
93
-5
P7
3
10
83
78
5
76
52
24
96
122
-26
P8
3
10
126
193
-67
114
155
-41
144
132
12

77

Tabel 5.6 Hasil Alokasi Sistem Dorong (lanjutan)

Chil Kid Madu 200 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
6
5
40
59
-19
37
65
-28
27
40
-13
P2
2
15
16
6
10
12
1
11
9
3
6
P3
3
10
43
33
10
27
2
25
20
1
19
P4
1
30
2
13
-11
3
9
-6
13
3
10
P6
2
15
21
12
9
12
10
2
9
10
-1
P7
2
15
24
11
13
18
5
13
6
14
-8
P8
2
15
10
6
4
11
6
5
4
12
-8
Poci Biru 40 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
11
3
386
457
-71
497
611
-114
444
413
31
P2
3
10
162
121
41
209
134
75
187
117
70
P3
3
10
170
115
55
219
173
46
196
218
-22
P4
1
30
88
61
27
113
110
3
101
74
27
P6
2
15
115
135
-20
148
116
32
132
127
5
P7
1
30
143
180
-37
184
161
23
165
91
74
P8
1
30
27
17
10
34
8
26
31
35
-4

78

Tabel 5.6 Hasil Alokasi Sistem Dorong (lanjutan)

Poci Celup Vanilla 10*5*25'S
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Cabang
Dalam 1
2012 Penjualan Selisih
2012
2012 Penjualan Selisih
Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
P1
7
4
206
157
49
216
183
33
231
180
51
P2
6
5
36
38
-2
38
52
-14
40
43
-3
P3
6
5
80
73
7
84
63
21
90
70
20
P4
2
15
40
42
-2
43
42
1
45
47
-2
P6
7
4
67
80
-13
70
68
2
75
106
-31
P7
6
5
122
98
24
128
117
11
136
126
10
P8
2
15
29
18
11
31
17
14
33
20
13

79

5.6. Alokasi Sistem Inferensi Fuzzy-Mamdani

Alokasi menggunakan pendekatan sistem inferensi Fuzzy Mamdani dilakukan
dengan pembangunan model. Alokasi yang optimal diperoleh dengan membangun
beberapa model dengan menggunakan perangkat lunak MATLAB Ver.10 dengan input
adalah biaya transportasi, biaya penyimpanan, dan kontribusi penjualan, sedangkan
outputnya adalah total alokasi. Didapatkan hasil bahwa model yang memberikan profit
optimal yakni model ke-2 dengan fungsi keanggotaan zmf-smf dan jumlah linguistic
term input serta outputnya adalah dua yakni rendah dan tinggi. Parameter yang
digunakan pada proses tuning di MATLAB yang memberikan hasil terbaik ditunjukkan
pada tabel 5.7, sedangkan Gambar 5.3, Gambar 5.4, dan Gambar 5.5 menunjukkan
hasil surface model terbaik. Hasil alokasi beserta validasinya untuk 13 produk di
masing-masing cabang dengan sistem inferensi fuzzy Mamdani pada periode Oktober,
November, dan Desember 2012 ditunjukkan pada Tabel 5.7.
Tabel 5.7 Parameter Linguistic Terms Model Terbaik
Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms
Rendah (zmf)
Tinggi (smf)
[9.067 29.27]
[-5.481 27.62]
[6.759 18.63]
[6.004 15.62]
[5.003 41.44]
[0.8105 35.69]
[0.415 13.63]
[14.2 44.1]

Range
[-6 36]
[0 19]
[0 45]
[0 45]

Gambar 5.3 Hasil Surface Biaya Simpan dan Biaya Transportasi Terhadap Alokasi

80

Gambar 5.4 Hasil Surface Kontribusi Penjualan dan Biaya Transportasi Terhadap
Alokasi

Gambar 5.5 Hasil Surface Kontribusi Penjualan dan Biaya Simpan Terhadap Alokasi
Proses tuning dilakukan dengan menggeser grafik fungsi keanggotaan input
maupun output sehingga didapatkan surface optimal sesuai dengan rule yang telah
ditetapkan sebelumnya. Rule yang digunakan pada fuzzy mamdani dapat dilihat pada
lampiran 3.

81

Tabel 5.8 Alokasi Dengan Sistem Inferensi Fuzzy Mamdani

Cabang

P1
P2
P3
P4
P6
P7
P8

Cabang

P1
P2
P3
P4
P6
P7
P8

Frekuensi
Jangka
Pengiriman
Waktu
Dalam 1
Pengiriman
Bulan
(hari)
(kali)
5
6
3
10
3
10
2
15
4
7
3
10
3
10
Frekuensi
Jangka
Pengiriman
Waktu
Dalam 1
Pengiriman
Bulan
(hari)
(kali)
15
2
6
5
6
5
3
10
6
5
5
6
3
10

Okt
2012
(unit)
78
23
30
9
23
17
11

Okt
2012
(unit)
3.594
1.504
2.232
1.634
1.966
2.230
880

Prenagen Mommy Choco 200 g

Validasi
Validasi
Nov
2012
Penjualan Selisih
Penjualan Selisih
(unit)
(unit)
(unit)
(unit)
(unit)
75
3
59
52
7
16
7
17
19
-2
26
4
23
21
2
1
8
7
1
6
21
2
17
13
4
30
-13
13
29
-16
5
6
8
2
6
Indocafe Coffemix 3 in 1 100 S'
Validasi
Validasi
Nov
2012
Penjualan Selisih
Penjualan Selisih
(unit)
(unit)
(unit)
(unit)
(unit)
3.590
1.228
2.225
1.633
1.858
1.982
896

4
276
7
1
108
248
-16

3.318
1.389
2.061
1.509
1.814
2.058
813

3.515
1.061
2.337
1.344
1.655
2.014
791

-197
328
-276
165
159
44
22

Validasi
Des
2012
(unit)

Penjualan
(unit)

69
20
26
8
20
15
10

40
28
25
1
21
27
5

Selisih
(unit)
29
-8
1
7
-1
-12
5

Validasi
Des
2012
(unit)

Penjualan
(unit)

3.732
1.562
2.318
1.698
2.041
2.315
914

3.812
1269
2250
1.498
1994
2310
836

Selisih
(unit)
-80
293
68
200
47
5
78

82

Tabel 5.8 Alokasi Dengan Sistem Inferensi Fuzzy Mamdani (lanjutan)

Cabang

P1
P2
P3
P4
P6
P7
P8

Cabang

P1
P2
P3
P4
P6
P7
P8

Frekuensi
Jangka
Pengiriman
Waktu
Dalam 1
Pengiriman
Bulan
(hari)
(kali)
3
10
2
15
1
30
1
30
1
30
1
30
1
30
Frekuensi
Jangka
Pengiriman
Waktu
Dalam 1
Pengiriman
Bulan
(hari)
(kali)
6
5
2
15
2
15
1
30
3
10
1
30
3
10

Okt
2012
(unit)
54
22
20
27
18
36
22

Okt
2012
(unit)
157
58
80
39
132
53
58

Maya Sardines Chili 155 g

Validasi
Validasi
Nov
2012
Penjualan Selisih
Penjualan Selisih
(unit)
(unit)
(unit)
(unit)
(unit)
24
30
40
41
-1
18
4
17
20
-3
8
12
15
14
1
13
14
21
10
11
6
12
14
5
9
117
-81
27
8
19
7
15
17
10
7
Sosro Teh Kotak 200 ml
Validasi
Validasi
Nov
2012
Penjualan Selisih
Penjualan Selisih
(unit)
(unit)
(unit)
(unit)
(unit)
139
54
46
41
150
53
40

18
4
34
-2
-18
0
18

196
72
100
48
165
66
73

221
37
74
30
169
71
49

-25
35
26
18
-4
-5
24

Validasi
Des
2012
(unit)

Penjualan
(unit)

27
11
10
14
9
18
11

23
11
9
23
9
23
6

Selisih
(unit)
4
0
1
-9
0
-5
5

Validasi
Des
2012
(unit)

Penjualan
(unit)

189
70
97
47
159
64
70

201
55
45
25
189
68
38

Selisih
(unit)
-12
15
52
22
-30
-4
32

83

Cabang

P1
P2
P3
P4
P6
P7
P8

Cabang

P1
P2
P3
P4
P6
P7
P8

Tabel 5.8 Alokasi Dengan Sistem Inferensi Fuzzy Mamdani (lanjutan)

Cap Lang MKP 60 ml
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Dalam 1
2012 Penjualan Selisih
2012
Penjualan Selisih 2012 Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
5
6
155
126
29
155
158
-3
155
136
19
5
6
63
54
9
63
44
19
63
39
24
4
7
114
87
27
114
90
24
114
79
35
4
7
100
69
31
100
80
20
100
106
-6
5
6
125
111
14
125
116
9
125
100
25
5
6
118
102
16
118
103
15
118
107
11
2
15
44
48
-4
44
35
9
44
63
-19
Poci Kuning Teh celup 10"5*25'S 50 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Dalam 1
2012 Penjualan Selisih
2012
Penjualan Selisih 2012 Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
9
3
152
174
-22
183
189
-6
167
164
3
6
5
46
46
0
55
58
-3
51
51
0
4
7
75
58
17
90
70
20
83
75
8
3
10
50
37
13
59
55
4
55
32
23
5
6
60
44
16
72
48
24
67
91
-24
6
5
99
91
8
119
119
0
109
101
8
3
10
18
11
7
22
9
13
20
13
7

84

Cabang

P1
P2
P3
P4
P6
P7
P8

Cabang

P1
P2
P3
P4
P6
P7
P8

Tabel 5.8 Alokasi Dengan Sistem Inferensi Fuzzy Mamdani (lanjutan)

Cap Lang MKP 30 ml
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Dalam 1
2012 Penjualan Selisih
2012
Penjualan Selisih 2012 Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
5
6
114
75
39
114
113
1
171
130
41
5
6
67
45
22
67
59
8
100
55
45
3
10
68
47
21
68
68
0
102
75
27
5
6
107
100
7
107
88
19
161
122
39
4
7
91
102
-11
91
89
2
136
100
36
4
7
93
83
10
93
89
4
140
112
28
2
15
36
33
3
36
32
4
54
28
26
Fortune 1000ml/Refill
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Dalam 1
2012 Penjualan Selisih
2012
Penjualan Selisih 2012 Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
16
2
492
535
-43
698
905
-207
835
1000
-165
6
5
157
168
-11
223
190
33
266
231
35
3
10
103
153
-50
146
129
17
174
140
34
4
7
125
183
-58
177
162
15
212
123
89
2
15
224
208
16
317
371
-54
380
533
-153
3
10
214
208
6
303
112
191
362
168
194
3
10
442
8
434
92
11
81
110
6
104

85

Cabang

P1
P2
P3
P4
P6
P7
P8

Cabang

P1
P2
P3
P4
P6
P7
P8

Tabel 5.8 Alokasi Dengan Sistem Inferensi Fuzzy Mamdani (lanjutan)

HappyTos Mrh Kcl 25 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Dalam 1
2012 Penjualan Selisih
2012
Penjualan Selisih 2012 Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
14
2
424
428
-4
466
447
19
510
515
-5
4
7
153
123
30
168
141
27
184
139
45
6
5
264
298
-34
290
284
6
318
338
-20
3
10
160
93
67
176
235
-59
193
142
51
5
6
183
143
40
201
144
57
220
271
-51
5
6
272
268
4
298
251
47
327
236
91
3
15
75
81
-6
82
78
4
90
61
29
HappyTos Mrh Real Corn Chip 170 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Dalam 1
2012 Penjualan Selisih
2012
Penjualan Selisih 2012 Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
11
3
239
242
-3
218
232
-14
274
310
-36
5
6
120
94
26
109
78
31
138
116
22
4
7
109
94
15
99
74
25
125
118
7
3
10
83
55
28
75
70
5
95
87
8
3
10
88
91
-3
80
84
-4
101
93
8
3
10
95
78
17
86
52
34
109
122
-13
3
10
145
193
-48
132
155
-23
167
132
35

86

Cabang

P1
P2
P3
P4
P6
P7
P8

Cabang

P1
P2
P3
P4
P6
P7
P8

Tabel 5.8 Alokasi Dengan Sistem Inferensi Fuzzy Mamdani (lanjutan)

Chil Kid Madu 200 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Dalam 1
2012 Penjualan Selisih
2012
Penjualan Selisih 2012 Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
6
5
44
59
-15
33
65
-32
25
40
-15
2
15
16
6
10
12
1
11
9
3
6
3
10
33
33
0
25
2
23
18
1
17
1
30
12
13
-1
9
9
0
7
3
4
2
15
18
12
6
14
10
4
9
10
-1
2
15
25
11
14
19
5
14
14
14
0
2
15
10
6
4
8
6
2
6
12
-6
Poci Biru 40 g
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Dalam 1
2012 Penjualan Selisih
2012
Penjualan Selisih 2012 Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
11
3
383
457
-74
493
611
-118
441
413
28
3
10
166
121
45
214
134
80
191
117
74
3
10
162
115
47
208
173
35
186
218
-32
1
30
94
61
33
121
110
11
108
74
34
2
15
135
135
0
174
116
58
155
127
28
1
30
119
180
-61
153
161
-8
137
91
46
1
30
43
17
26
56
8
48
50
35
15

87

Cabang

P1
P2
P3
P4
P6
P7
P8

Tabel 5.8 Alokasi Dengan Sistem Inferensi Fuzzy Mamdani (lanjutan)

Poci Celup Vanilla 10*5*25'S
Frekuensi
Validasi
Validasi
Validasi
Jangka
Pengiriman
Okt
Nov
Des
Waktu
Dalam 1
2012 Penjualan Selisih
2012
Penjualan Selisih 2012 Penjualan Selisih
Pengiriman
Bulan
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(unit)
(hari)
(kali)
7
4
171
157
14
180
183
-3
192
180
12
6
5
44
38
6
46
52
-6
49
43
6
6
5
89
73
16
94
63
31
100
70
30
2
15
48
42
6
51
42
9
54
47
7
7
4
82
80
2
86
68
18
91
106
-15
6
5
114
98
16
120
117
3
128
126
2
2
15
33
18
15
34
17
17
37
20
17

88

5.7. Perbandingan Goss Profit

Penghitungan goss profit dilakukan untuk mengetahui metode alokasi
yang paling optimal. Penghitungan goss profit melibatkan biaya transportasi,
biaya penyimpanan, biaya kehilangan penjualan (loss of sales) dan kontribusi
penjualan. Tabel 5.9 menunjukkan hasil perbandingan penghitungan goss profit
kedua metode.
Tabel 5.9 Perbandingan Total Goss Profit Metode Sistem Dorong dan Fuzzy
No
1
2
3
4
5
6
7
8
9
10
11
12
13

Nama Produk
Prenagen Mommy Choco 200g New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet
Total

Sistem Dorong
(Rp)
14.712.494
5.037.062
5.161.166
5.506.764
57.039.462
9.702.742
3.184.512
4.014.605
16.956.156
10.003.562
21.418.491
1.859.987
32.617.736
187.214.738

Fuzzy Logic
(Rp)
14.717.035
5.035.630
5.166.347
5.516.887
57.063.740
9.715.910
3.175.972
4.003.537
16.955.237
10.006.981
21.440.005
1.865.704
32.557.923
187.220.907

Berdasarkan hasil penghitungan goss profit, terdapat 5 produk yang

memilikii goss profit lebih tinggi dengan penghitungan menggunakan sistem
dorong namun tidak signifikan, yakni Poci Teh Biru 40 g, Sosro Teh Kotak 200
ml, Happytos Merah Kecil 25 g, Happytos Real Corn Chip 170 g Mrh, dan
Indocafe Coffemix 20 g Sachet. Hal tersebut dikarenakan hasil penghitungan
gross profit di Pamela 3 dengan metode fuzzy logic untuk 5 produk tersebut
sedikit lebih rendah dibandingkan sistem dorong. Berdasarkan hasil analisa, pola
data penjualan untuk produk-produk tersebut di Pamela 3 memiliki jenis pola
siklis dan stationer, sehingga disimpulkan bahwa model fuzzy tersebut kurang
optimal untuk data dengan tipe data siklis dan stationer. Selain itu, kemungkinan
solusi fuzzy tersebut belum merupakan solusi global optimum sehingga perlu

89

dilakukan tuning lagi untuk mencari solusi yang paling otimum. Namun pada
solusi fuzzy dengan model ini, untuk total seluruh produk metode fuzzy logic
memberikan total goss profit lebih tinggi meskipun tidak signifikan yakni dengan
selisih Rp 6.169,- atau 0,0033% lebih tinggi.
Karena keterbatasan data penjualan harian yang diperoleh, maka
perbandingan terhadap existing sistem hanya dilakukan terhadap produk Prenagen
Mommy choco 200g di Pamela 1. Model dengan pendekatan sistem dorong dan
fuzzy logic memiliki frekuensi pengiriman 5 kali per bulan yakni setiap 6 hari
sekali. Simulasi alokasi produk Prenagen Mommy choco 200g pada periode
Oktober, November, dan Desember dilakukan untuk mengetahui perbandingan
total pengeluaran kedua metode terhadap kondisi aktual. Total pengeluaran yang
paling besar dihasilkan oleh alokasi dengan pendekatan sistem dorong, sedangkan
pendekatan fuzzy logic memberikan total pengeluaran yang lebih rendah
dibandingkan sistem dorong maupun existing sistem. Hal tersebut ditunjukkan
pada Gambar 5.6.
8.000
aktual; 6.915

7.000
6.000

sistem dorong;
7.464

fuzzy logic;
5.852

Total Pengeluaran
(Rp)

5.000
4.000
3.000
2.000
1.000
-

Gambar 5.6 Perbandingan Total Pengeluaran Untuk Produk Prenagen Mommy

Choco 200 g di Pamela 1

90

Pendekatan sistem dorong memberikan total pengeluaran yang paling

besar karena pengalokasian yang tidak optimal sehingga menyebabkan biaya
penyimpanannya tinggi dan hal tersebut berpengaruh terhadap total pengeluaran
seperti ditunjukkan pada Gambar 5.3. Selain biaya penyimpanan, total
pengeluaran juga dipengaruhi oleh biaya transportasi dan biaya kehilangan
penjualan. Karena total alokasi untuk kedua metode dan existing sistem lebih
besar daripada total penjualan, maka diasumsikan tidak terjadi stockout. Gambar
5.4 menunjukkan perbandingan biaya transportasi untuk kedua metode dan
existing sistem, di mana sistem saat ini memiliki biaya transportasi yang cukup
tinggi karena frekuensi pengiriman dan jumlah pesanan yang tidak menentu.
3.500
sistem dorong;
2962

3.000

Biaya Simpan
(Rp)

2.500

2.000

1.500

fuzzy logic;
1.468

aktual; 1.655

1.000

500

Gambar 5.7 Perbandingan Total Biaya Simpan Untuk Produk Prenagen Mommy
Choco 200g di Pamela 1

91

6.000
aktual; 5.261
5.000
fuzzy logic;
4.384

sistem dorong;
4.384

Biaya Transportasi
(Rp)

4.000

3.000

2.000

1.000

Gambar 5.8 Perbandingan Total Biaya Transportasi Untuk Produk Prenagen

Mommy Choco 200g di Pamela 1

92

5.8. Penghitungan Kuantitas Order Menggunakan Model EOQ

Alokasi produk dari gudang pusat ke retailer dapat dilakukan secara
optimal apabila pemesanan produk dari gudang pusat ke supplier dilakukan
dengan tepat sehingga meminimalisasi terjadinya out-of-stock. Maka dari itu,
perlu dilakukan penghitungan kuantitas order agar gudang dapat menentukan
berapa jumlah produk optimal yang harus dipesan ke supplier.
Model EOQ digunakan untuk menghitung kuantitas order yang optimal
dari masing-masing produk. Pada penelitian ini, produk-produk yang diteliti
mempunyai lead time yang bersifat tetap dan jumlah permintaan yang tidak
konstan. Penghitungan kuantitas order menggunakan metode EOQ dilakukan
dengan memasukkan variabel biaya simpan, biaya pesan, dan rata-rata permintaan
per hari. Hal tersebut ditunjukkan pada lampiran 5. Order cycle juga dihitung
dengan mempertimbangkan kuantitas order untuk masing-masing produk.
Safety stock merupakan persediaan tambahan untuk membantu mencegah
terjadinya stockout akibat permintaan yang bervariasi. Penghitungan safety stock
dilakukan dengan menggunakan variabel input reorder point (ROP) dan jumlah
permintaan yang diharapkan selama lead time. Reorder point (ROP) merupakan
kondisi ketika kuantitas barang yang ada di gudang sampai pada jumlah tertentu
dan harus dilakukan pemesanan kembali. Penghitungan ROP dilakukan
berdasarkan rata-rata permintaan per hari, standar deviasi dari permintaan per
hari, lead time dalam hari, dan nilai service level berdasarkan kebijakan
perusahaan. Nilai service level untuk seluruh produk adalah 90% yang berarti
bahwa perusahaan memperbolehkan resiko kehabisan barang sebesar 10%. Nilai
service level akan mempengaruhi peningkatan jumlah safety stock dari produk
tersebut. Hasil penghitungan jumlah pesanan (Q), ROP, dan safety stock (ss)
dengan metode EOQ ditunjukkan pada Tabel 5.10.

93

Tabel 5.10 Hasil Penghitungan Jumlah Pesanan, Safety Stock, dan ROP
Menggunakan Metode EOQ
No
1
2
3
4
5
6
7
8
9
10
11
12
13
5.9.

Nama Produk
Prenagen Mommy Choco 200 g New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

Q
ss
(Unit) (Unit)
370
4
740
15
1045
8
1048
12
1013
36
319
1
1202
7
845
10
503
8
473
4
536
4
655
3
5555
130

ROP
(Unit)
15
90
48
51
155
9
37
106
54
37
44
12
1106

Penghitungan Kuantitas Order Menggunakan Integasi Logika Kabur

Berdasarkan Nilai Reorder point dari Service Level Perusahaan
Integasi logika kabur dapat digunakan untuk menentukan kuantitas order

optimal beserta safety stock. Penghitungan kuantitas order berdasarkan nilai

reorder point dari service level perusahaan diperoleh dari proses defuzzifikasi
terhadap fuzzy number jumlah rata-rata permintaan per hari menggunakan Gaded
Mean Integation berbasis k-preference dari fuzzy total biaya persediaan. Nilai kpreference diasumsikan 0,5 agar tidak terlalu condong ke kanan atau ke kiri dan
bentuk fungsi keanggotaannya adalah trapesium. Semua perhitungan dalam
penelitian ini menggunakan fungsi aritmatika functional principle. Variabel input
untuk penghitungan kuantitas order dan safety stock adalah D1, D2, D3, dan D4
yang merupakan fuzzy number jumlah permintaan per hari serta d1, d2, d3, dan d4
merupakan fuzzy number yang merepresentasikan jumlah permintaan selama lead
time. Jumlah pesanan dan safety stock yang dihasilkan akan berbeda-beda nilainya
tergantung dari fuzzy number yang menjadi input. Hasil optimal diperoleh saat
total biaya persediaan yang dihasilkan minimum.

94

Penghitungan safety stock berdasarkan nilai reorder point dan reorder

point dihitung melalui prosentase kehabisan barang yang diinginkan oleh
perusahaan. Prosentase kehabisan barang tersebut merupakan kombinasi dari luas
area fungsi keanggotaan fuzzy total permintaan dan luas area fungsi keanggotaan
jumlah kehabisan barang yang diijinkan perusahaan dalam satu siklus persediaan
yang ditunjukkan pada lampiran 8. Jumlah safety stock diperoleh dengan
mengurangi nilai reorder point dengan hasil defuzzifikasi dari fuzzy number
melalui proses Gaded Mean Integation pada h level, 0<hw, 0<w1. Tabel 5.10
merupakan hasil penghitungan kuantitas order, safety stock, dan ROP optimal
menggunakan integasi logika kabur berdasarkan nilai reorder point dari service
level perusahaan.
Tabel 5.10. Hasil Penghitungan Kuantitas Order, Safety Stock, dan ROP
Menggunakan Integasi Logika Kabur
No
1
2
3
4
5
6
7
8
9
10
11
12
13

Nama Produk
Prenagen Mommy Choco 200 g New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

Q
ss
(unit) (unit)
361
15
741
90
1052
130
1052
63
1156
243
374
5
1204
73
983
178
524
122
630
39
613
50
622
12
6720 2340

ROP
(unit)
32
184
243
128
491
11
148
389
247
79
103
24
5491

5.10. Perbandingan Biaya Inventori Kedua Metode

Simulasi menggunakan tabel MRP dilakukan sebagai proses validasi
untuk mengukur tingkat keakuratan hasil penghitungan dalam mencegah
terjadinya stockout dan meminimalkan total biaya inventori masing-masing
produk. Simulasi dilakukan menggunakan data aktual penjualan harian selama

95

satu tahun. Karena keterbatasan data yang didapatkan, validasi hanya dilakukan
terhadap produk Prenagen Mommy Choco 200 g di Pamela 1. Gambar 5.9
merupakan pola permintaan harian produk Prenagen Mommy Choco 200 g di
Pamella 1. Maka dari itu Q, ss, dan ROP untuk Prenagen Mommy Choco 200 g di
Pamela 1 dan Pamela yang lain dihitung berdasarkan prosentase kontribusi
penjualan produk tersebut dikalikan dengan total Q, ss, dan ROP seperti tampak
pada Tabel 5.11.

Tabel 5.11 Q, ROP, dan ss untuk Prenagen Mommy Choco 200 g di masingmasing Pamela
Lokasi

Kontribusi

Penjualan

(%)

EOQ

Fuzzy Logic

P1

44,63

Q
(unit)
165

P2

8,85

33

32

P3

14,35

53

52

P4

3,72

14

13

P6

11,11

41

40

P7

12,47

46

45

P8

4,87

18

18

100,00

370

15

361

32

15

Total

ROP
SS
Q
(unit) (unit) (unit)
6
2
161

ROP
SS
(unit) (unit)
14
7

96

60
50

persediaan
(unit)

40
30
20
10

-10

1
15
29
43
57
71
85
99
113
127
141
155
169
183
197
211
225
239
253
267
281
295
309
323
337
351
365

periode (hari)

Gambar 5.9 Pola Permintaan Prenagen Mommy Choco 200 g di Pamela 1

Gambar 5.10 menunjukkan hasil simulasi produk Prenagen Mommy Choco
200 g

di Pamela 1 menggunakan metode EOQ, sedangkan Gambar 5.11

menunjukkan hasil simulasi dengan integasi logika kabur. Hasil penghitungan

menunjukkan bahwa stockout masih terjadi pada penghitungan dengan metode
EOQ sehingga biaya inventori yang dihasilkan lebih tinggi dibanding dengan
integasi logika kabur. Biaya inventori yang dihasilkan dengan metode EOQ
adalah sebesar Rp 42.216,- sedangkan logika kabur menghasilkan biaya inventori
sebesar Rp 37.314,- sehingga dapat diketahui bahwa integasi logika kabur
memberikan penghematan biaya inventori untuk produk Prenagen Mommy Choco
200 g di Pamela 1 sebesar 6,16%.

97

180
160
140
persediaan
(unit)

120
100

80
60
40
20
-20

1
17
33
49
65
81
97
113
129
145
161
177
193
209
225
241
257
273
289
305
321
337
353

periode
(hari)
Gambar 5.10. Hasil Simulasi Menggunakan Metode EOQ Untuk Prenagen
Mommy Choco 200 G di Pamela 1
200
180
160

140

persediaan (unit)

120
100
80
60
40
20
1
17
33
49
65
81
97
113
129
145
161
177
193
209
225
241
257
273
289
305
321
337
353

periode (hari)
Gambar 5.11 Hasil Simulasi Menggunakan Integasi Logika Kabur Untuk Produk
1 di Lokasi Penjualan 1

98

Jika diasumsikan pola permintaan harian untuk produk Prenagen

Mommy Choco 200 g di Pamela 2, 3, 4, 6, 7, dan 8 sejenis dengan pola
permintaan harian di Pamela 1, maka perbandingan biaya inventori untuk kedua
metode di masing-masing lokasi penjualan ditunjukkan pada Tabel 5.12
Berdasarkan hasil penghitungan tersebut metode integasi logika kabur mampu
memberikan penghematan biaya inventori untuk produk Prenagen Mommy Choco
200 g di semua lokasi penjualan.
Tabel 5.12 Hasil Perbandingan Biaya Inventori Prenagen Mommy Choco
200 G Di Masing-Masing Lokasi Penjualan

Pamela 2

Biaya Inventori
Penghematan
EOQ
Fuzzy logic
(%)
(Rp)
(Rp)
28.341
26.575
3,22

Pamela 3

30.687

28.215

4,20

Pamela 4

29.267

25.231

7,41

Pamela 6

31.159

28.705

4,10

Pamela 7

32.944

28.416

7,38

Pamela 8

26.710

26.192

0,98

Lokasi Penjualan

Jika diasumsikan total pola permintaan harian seluruh produk memiliki

pola yang sejenis dengan pola permintaan harian Prenagen Mommy Choco 200 g
di Pamela 1 maka diperoleh hasil perbandingan biaya inventori seperti tampak
pada Tabel 5.13 dan secara gafik ditunjukkan pada Gambar 5.13, sehingga
didapatkan penghematan baru seperti tampak pada Tabel 5.14.
Tabel 5.13. Perbandingan Total Biaya Inventori Kedua Metode
NO

NAMA BARANG

1
2
3
4
5
6

Prenagen Mommy Choco 200g New

Poci Teh Biru 40 G
Poci Teh Clp Isi 25 50 G Kuning
Poci Teh Clp Vanila 25 X 2 G
Fortune Refill 1000 Ml * 12
Chil Kid Madu 200 G

EOQ
82.220
208.323
130.737
119.061
954.904
102.065

FUZZY
52.120
206.254
75.941
64.936
280.766
41.775

99

Tabel 5.13. Perbandingan Total Biaya Inventori Kedua Metode (lanjutan)

NO

NAMA BARANG

7
8
9
10
11
12
13

Sosro Teh Kotak 200 Ml

Happytos Merah Kecil 25 G
Happytos Real Corn Chip 170 G Mrh
Cap Lang Mkp 30 Ml
Cap Lang Mkp 60 Ml
Maya Sardines Chili 155 G
Indocafe Coffeemix 20 G Sachet
JUMLAH

EOQ
79.636
476.433
638.977
335.975
1.635.455
32.292
3.536.824
8.332.904

FUZZY
46.062
263.450
224.918
158.899
147.876
21.657
539.645
2.124.299

4.500.000
4.000.000

Biaya Inventori
(Rp)

3.500.000
3.000.000

2.500.000
2.000.000

EOQ

1.500.000

FUZZY

1.000.000
500.000
1 2 3 4 5 6 7 8 9 10 11 12 13
Jenis Produk

Gambar 5.13. Perbandingan Biaya Inventori Kedua Metode Untuk Seluruh

Produk

100

Tabel 5.14 Prosentase Penghematan Biaya Inventori Menggunakan Integasi

Logika Kabur
No
1
2
3
4
5
6
7
8
9
10
11
12
13

Nama Produk
Prenagen Mommy Choco 200 g New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet
Rata-rata

Penghematan
(%)
22,41
0,50
26,51
29,42
54,56
41,91
26,71
28,79
47,93
35,78
83,42
19,71
73,52
37,78

Jadi hasil penghitungan jumlah pesanan, reorder point, dan safety stock
menggunakan metode integasi logika kabur memberikan penghematan biaya
inventori kepada perusahaan rata-rata sebesar 37,78% dibandingkan dengan
metode EOQ.

101

BAB VI
PENUTUP

6.1. Kesimpulan
Berdasarkan penelitian yang telah dilakukan, maka dapat diambil
kesimpulan berikut.
1. Alokasi produk untuk tiap-tiap varian produk dari gudang pusat ke tiap-tiap
retailer menggunakan sistem inferensi Fuzzy Mamdani menghasilkan ilai
yang lebih optimal karena stockout yang dihasilkan lebih kecil dibandingkan
dengan pendekatan sistem dorong sehingga total goss profit yang diberikan
juga lebih tinggi dengan selisih Rp 6.169,- atau 0,0033% lebih tinggi.
2. Jumlah pesanan, ROP, dan safety stock yang optimal oleh gudang ke supplier
untuk tiap-tiap varian produk diperoleh dengan menggunakan metode fuzzy
logic, di mana metode tersebut dapat memberikan penghematan biaya
inventori kepada perusahaan rata-rata sebesar 37,78% dibandingkan dengan
metode EOQ.

6.2. Saran
Beberapa saran yang dapat menjadi bahan masukan untuk penelitian
selanjutnya adalah sebagai berikut.
1. Alokasi dilakukan untuk produk dengan tipe pola penjualan yang berbedabeda.
2. Optimalisasi model fuzzy logic dilakukan dengan pembangunan model yang
memiliki variasi jumlah linguistic terms maupun fungsi keanggotaan dan
melalui proses DOE (Design of Experiment).
3. Penggunaan sistem inferensi fuzzy logic yang lain.

DAFTAR PUSTAKA
Alfian, C. S. 2012. Pengembangan Model Persediaan yang Dikelola Pemasok
(Vendors Managed Inventory). Universitas Katolik Parahyangan.
Bandung.
Ali, I., Hasan, S. S. 2012. Fuzzy Progamming Approach For A Compromise
Allocation Of Repairable Components. International Journal of
Scientific and Engineering Research, vol. 3, no. 10, pp. 142-147.
Amer, Y., Luong, L., dan Lee, S. 2009. Optimizing Order Fulfillment In A
Global Retail Supply chain. University of South Australia, Australia.
Amir, M.S. 2001. Seluk Beluk dan Teknik Perdagangan Luar Negeri. Jakarta:
PPM.
Assauri, S. 1998. Manajemen Produksi dan Operasi. Edisi Revisi. Fakultas
Ekonomi Universitas Indonesia (FE-UI). Jakarta.
Ballou, R. H. 2009. Business Logistic Management (4 ed.). Englewood Cliffs, NJ:
Prentice-Hall.
Behret, H., Kahraman, C. 2011. A Fuzzy Optimization Model for Single-Period
Inventory Problem.

Proceedings

of

the

World

Congess

on

Engineering, vol. 2.
Biegel, J. E. 1999. Pengendalian Produksi Suatu Pengendalian Kuantitatif,
Jakarta: Akademika Pressindo.
Borade, A. dan Bansod, S. 2009. Vendor Managed Inventory in a Two Level
Supply Chain : A Case Study of Small Indian Enterise. International
Journal of Management Science and Engineering Management, vol.4,
no.4, pp 270-280.
Buffa, S. E., Rakesh, K. S. 1996. Modern Production and OperationManagement,
Eigth Edition. London: John Willey and Sons Inc.
Chen, S., Chien C.W. 2006. FuzzyDistance of Trapezoidal Fuzzy Number,
Ching Yun University. Taiwan.
Chen, S., Guo-Chin L. 2000. Representation, Rangking, and Distance of Fuzzy
Nimber With Exponential Membership Function Using Gaded Mean

102

103

Integation Method. Journal of Mathematical Sciences,vol 16, no. 2, pp 123-131.

Chen, S.H., Wang, C. C., Chang, S.M. 2007. Fuzzy Economic production
Quantity Model For Items With Imperfect Quality. International
Journal of Innovative Computing, Information and Control, vol. 3, no.
1, pp. 85-95.
Chopra, S., dan Meindl, P. 2004. Supply chain Management : Strategy,
Planningand Operation. New Jersey: Prentice-Hall, Inc.
Chopra, S., Meindl, P. 2007. Supply chain Management: Strategy, Planning, and
Operation. United States: Prentice Hall.
Djaslim Saladin. 2003. Manajemen Pemasaran: Analisis, Perencanaan,
Pelaksanaan, dan Pengendalian. Edisi Kedua. Bandung: CV. Linda
Karya.
Firdaus, S. 2007. Evaluasi Tingkat Safety stock Dalam Replenishment Policy
Berdasarkan Cycle Service Level Untuk Meminimalkan Total Biaya
Persediaan (PT. Muliaglass).Universitas Gadjah Mada. Yogyakarta.
Garrison, R. H., Noreen, E. W. 2000. Managerial Accounting, Mc Gaw Hill
College.
Gasperz, V. 1998. Production Planning and Inventory Control.Jakarta: Gamedia
Pustaka Utama.
Ginting, R. 2007. Sistem Produksi, Yogyakarta: Gaha Ilmu.
Govil, M., dan Proth, J. M. 2002. Supply Chain Design and Management:
Strategic And Tactical Perspectives,United States of America:
Academic Press.
GNEg, H. 2010. Inventory Management Through Vendor Managed Inventory
in a Supply Chain with Stochastic Demand. The Gaduate School of
Natural and Applied Sciences of Middle East Technical University.
Gupta, Y. 2003.Ordering policies for items with seasonal demand.International
Journal of Physical Distribution & Logistics Management, vol. 33, no.
6, pp 500-518.
Hadiguna, R. A. 2009. Model Persediaan Minyak Sawit Kasar Di Tangki
Timbun Pelabuhan. Jurnal teknik Industri, vol. 11, no. 2, pp 111-121.

104

Hanke, J.E., Wichern, D.W. 2005. Business Forecasting, United States of

America: Prentice Hall.
He, T., Ho, W., Man, C. L. K., Xu, X. 2012. A fuzzy AHP based integer linear
progamming model for the multi-criteria transshipment problem. The
International Journal of Logistics Management, vol. 23, no. 1, pp. 159179.
Heinkel, E. G. 1994. Dictionary of International Trade. Jakarta: PPM.
Heizer, J., dan Render B. 2005. Prinsip-Prinsip Manajemen Operasi. Jakarta:
Salemba Empat.
Herjanto, E. 1999. Manajemen produksi dan Operasi, edisi kedua, Jakarta: PT.
Gasindo.
Hsieh, C.H. 2003.Optimization of Fuzzy Inventory Models under k-preference.
Tamsui Oxford Journal of Mathematical Sciences, vol 19, no. 1, pp 7997.
Hsieh, C.H., 2004. Optimization of Fuzzy Inventory Model Under Fuzzy
Demand and Fuzzy Lead Time. Journal of Management Sciences, vol
20, no. 2, pp 21-36.
Hua, L. W., Cai, X. X., Xu, R. Z., Yan, P., 2011. An emergency order allocation
model based on multi-provider in two-echelon logistics service supply
chain . Supply Chain Management: An International Journal, vol. 16,
no. 6, pp. 391-400.
Husnan. S. 2001. Dasar-Dasar Teori Portofolio dan Analisis Sekuritas. Edisi
Ketiga. Yogyakarta: UPP AMP YKPN.
Jazuli. 2011.Optimalisasi Sistem Persediaan Dan Distribusi Pada Pusat Distribusi
Minimarket Berjaringan.Seminar Nasional Teknologi Informasi &
Komunikasi Terapan.
Jebaraj, S. Iniyan, S. Suganthi, L. Goic, R., 2008. An optimal electricity
allocation model for the effective utilisation of energy sources in India
with focus on biofuels. Management of Environmental Quality: An
International Journal, vol. 19, no. 4, pp. 480-486.

105

Juslanda, Oktavia, Y. R., 2006. Analisis perencanaan Dan Pengendalian

Persediaan Bahan Baku Dengan Metode EOQ Pada PT. Jaya Mulia
Perkasa. Universitas Bina Nusantara. Jakarta.
Katayama, N., Yurimoto, S., Yun, S. 2007. A Product-to-Plant Allocation
Problem in Logistics Network Design. 19th International Conference
on Production Research.
Kerslake, C. W. 2005. A Method For Analyzing The Delivery Frequency From
A Distribution Center To A retail Gocery Store. Massachusetts
Institute of Technology.
Kim, K., Paulson, B. C., Petrie, C. J., Lesser, V. R. 2000. Compensatory
Negotiation

for

Agent-Based

Project

Schedule

Coordination.

Proceedings of the Fourth International Conference on Multiagent

Systems. Los Alamitos, Calif: IEEE Computer Society Press.
Forthcoming.
Kusuma H., 2009. Manajemen Produksi : Perencanaan dan Pengendalian
Produksi. Yogyakarta: ANDI.
Kusumadewi, S. 2003. Artificial Intelligence, Yogyakarta: Gaha Ilmu.
Lambert, D. M., Cooper, M. C. 2000. Issues in Supply chain Management.
Industrial Marketing Management, vol. 29, no. 1, pp. 65-83.
Levi, et al. 2000.Designing and Managing the Supply chain,United States:
McGaw Hill.
Levin, R.I, David S.R., Joel P.S., Everette S.G. J. 1992. Quantitative Approaches
to Management, 8th Edition, McGaw Hill Inc., United States of
America.
Liao, J. J., Chung, K. J. 2009. An EOQ Model Foer Deterioration Items Under
Trade Credit Policy In A Supply chain System. Journal of the
Operations Research Society of Japan, vol. 52, no. 1, pp. 46-57.
Lumempouw, V. E. L., Luntungan, H., Punuhsingon, C. C. 2012. Aplikasi
Metode Economic Order Quantity (EOQ) Pada Persediaan BBM Di PT.
Sarana Samudera Pacific Bitung. vol. 1, no. 1.

106

Mahamani, A. dan Rao, K.P. 2010. Development of Spreadsheet Based Vendor

Managed Inventory Model for Single Echelon Supply Chain : A Case
Study. Serbian Journal of Management, vol, 5, no. 2, pp. 199-211.
Makridakis, S., Chatfield, C., Hibon, M., Lawrence, M., Mills, T., Ord, K., &
Simmons, L. F. 1993. The M-2 Competition: a real-time judgmentally
based forecasting study. International Journal of Forecasting 9, pp.
523.
Martyani, D. V. 2010. Model Penentuan Alokasi Pada Sistem Distribusi Bahan
Baku Rotan Bagi Industri Rotan Untuk Meminimasi Total Inbound
Cost. Universitas Sebelas Maret. Surakarta.
Nasution, H. 2005. Manajemen Industri. Yogyakarta: ANDI.
Ouyang, L. Y., Tseng, J. T., Cheng, M. C. 2010. A Fuzzy Inventory System with
Deteriorating Items under Supplier Credits Linked to Ordering
Quantity. Journal of Information Science And Engineering, vol. 26,
pp. 231-253.
Pariantho, A., 2009, Optimalisasi Alokasi Distribusi Produk Menggunakan
Metode Sistem Inferensi Fuzzy Mamdani untuk Memaksimalkan Goss
Profit, Universitas Gadjah Mada. Yogyakarta, Indonesia.
Petrovic, D., Roy, R., Petrovic, R., 1996, A fuzzy Model For Inventory
Allocation In A Serial Production/Inventory System, Yugoslav
Journal of Operations Research, vol. 6, no. 2, pp 171-181.
Priyanto, E. 2007. Fisibilitas Penggunaan Metode Economic order Quantity
(EOQ) Untuk Mencapai Efisiensi Persediaan BBM Pada PT. Kereta
Api (Persero) DAOP IV Semarang. Universitas Negeri Semarang,
Semarang, Indonesia.
Pujawan, I Nyoman. 2005. Supply chain Management. Edisi Pertama. Surabaya:
Guna widya.
Puspitasari, F. H., 2013. Penentuan Safety stock Dan Jumlah Pesanan Untuk
Meminimalisasi Biaya Persediaan Pada Lokal Chain Store Berbasis
Logika Kabur. Universitas Gadjah Mada, Yogyakarta, Indonesia.
Rangkuti, F. 2000. Manajemen Persediaan. PT. Raja Gafindo Persada. Jakarta.

107

Razmi, J., Rad, R. H., Sangari, M. S. 2009. Developing a two-echelon

mathematical model for a vendor-managed inventory (VMI) system.
The International Journal of Advanced Manufacturing Technology, vol.
48, pp. 773-783.
Reddy, B. C. M., Reddy, K. H., Reddy, C. N. M, Reddy, K. V. K, 2008. Quota
Allocation to Distributors of the Supply chain under Distributors'
Uncertainty and

Demand Uncertainty by Using

Progamming. Jordan

Journal

of

Mechanical

Fuzzy Goal

and

Industrial

Engineering, vol. 2, part 4, pp. 215-226.

Schroeder, R. G., 2000. Operation Management. MC Gow Hill Companies.
United States of America.
Siagian, P. 1987.Penelitian Operasional (Teori dan Praktek), Universitas
Indonesia Press, Jakarta.
Siregar, Z.A. 2006. Penentuan Quantity Order Pada Sistem Inventori
Berdasarkan Logika Fuzzy, Universitas Gadjah Mada. Yogyakarta.
Siswanto. 2007. Operation Research. Jilid 2. Yogyakarta: Erlangga.
Smith, D. A. 2008. Percentage based allocation of an academic library materials
budget. Collection Building, vol 27, no. 1, pp. 30-34.
Stevenson, J.W. 2004.Operation Management, United States: McGaw-Hill.
Subekti, F. H., 2012. Pengembangan Sistem Informasi Point of Sale Untuk
Mendukung Vendor Managed Inventory. Universitas Gadjah Mada.
Yogyakarta.
Susilo, F. 2006. Himpunan dan Logika Kabur serta Aplikasinya. Yogyakarta:
Gaha Ilmu.
Taylor III, B. W. 2005.Introduction to Management Science 8thed, New Jersey:
Pearson Prentice Hall.
Thomas, S., Zheng, D. X. M., Jessie, Z. X. 2013. Allocation of construction
resources through a pull-driven approach. Construction Innovation,
vol. 13, no. 1, pp. 77-97.

108

Tong, T. K. L., Tam, C. M., 2003. Fuzzy Optimisation of Labour Allocation by

Genetic Algorithms. Engineering, Construction and Architectural
Management, vol. 10, no. 2, pp. 146-155.
Wang, C., dan Shan-Huo C., 2002. Comparison of Learning Effort Using Fuzzy
Gaded Mean Integation Method. Proceeding of the International
Conference on Computer in Education, IEEA.
Xiaobin, W., Wansheng, T., Ruiqing, Z., 2007. Fuzzy Economic Order Quantity
Inventory Models Without Backordering. Tsinghua Science And
Technology Journal, vol. 12, no. 1, pp. 91-96.
Yan, W., 2012. An EOQ Model for Perishable Items with Freshness-dependent
Demand and Partial Backlogging. International Journal of Control
and Automation, vol. 5, no. 4.
Yao, Y., Evers, P.T., dan Dresner, M.E. 2005. Supply Chain Integation in
Vendor-Managed Inventory. Decision Support Systems 43, pp. 663674.
Zadeh, L. A. 1965. Fuzzy sets. Information Control, vol. 8, no. 3, pp. 338-53

LAMPIRAN

109

LAMPIRAN 1. Data permintaan masing-masing cabang tahun 2012

PAMELLA 1
TERJUAL

NAMA PRODUK
Prenagen Mommy Choco 200 g
New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g
Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

JAN

FEB

26

100

42

369
192
213
479
58
101
535

140
251
138
485
27
88
409

193

218

111
114
124
146
132
112
5.335 4.643

MAR APR

MEI

JUN

JUL

270

48

47

37

67

75

52

40

234
346
143
310
47
90
393

354 383
232 241
140 186
544 2050
34
47
97 165
502 541

343
273
137
402
25
146
547

533
330
366
512
25
141
464

636
291
439
537
31
183
503

513
253
182
483
49
163
472

457
174
157
535
59
139
428

611
189
183
905
65
221
447

413
164
180
1000
40
201
515

242

219

235

204

160

218

242

232

310

84
89
109
138
119
178
12
29
39
449 4.278 3.808

104
140
17
3.551

48

113
116
131
124
21
10
4.768 4.590

110

247

AGST SEPT OKT NOV

DES

102
75
113
130
168
126
158
136
34
24
41
23
3.732 3.590 3.515 3.812

PAMELLA 2

NAMA PRODUK
Prenagen Mommy Choco 200 g
New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g
Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

JAN

FEB

MAR

APR

18

12

13

10

18

11

14

16

19

28

172
45
27
41
7
18
146

152
34
34
180
7
12
105

141
40
34
77
7
27
96

167
41
44
143
8
23
159

176
40
38
250
24
55
154

143
54
36
219
10
64
128

112
57
43
153
17
50
169

208
55
45
129
15
63
102

204
30
40
228
20
48
127

121
46
38
168
6
54
123

134
58
52
190
1
37
141

117
51
43
231
3
55
139

80

69

91

100

76

94

74

73

112

94

78

116

60
45
48
47
12
10
2298 1648

50
38
9
1589

62
67
51
67
17
13
1569 1193

62
49
24
970

51
69
13
1211

45
54
18
1228

68
55
63
48
5
8
2041 1681

111

MEI

TERJUAL
JUN JUL AGST SEPT

OKT

NOV DES

59
55
44
39
20
11
1061 1269

PAMELLA 3

NAMA PRODUK
Prenagen Mommy Choco 200 g
New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g
Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

JAN

TERJUAL
APR MEI JUN JUL AGST SEPT OKT

FEB

MAR

34

18

16

22

20

23

34

33

226
67
72
47
32
73
267

173
68
69
36
34
58
161

98
94
90
81
39
78
199

215
72
76
167
32
62
150

242
47
75
159
16
49
185

172
76
77
129
28
40
282

105
94
79
62
22
64
253

200
137
123
77
21
61
205

48

52

57

90

71

78

74

50
100
15
2982

53
84
11
2508

67
70
61
72
34
120
93
90 106
98
23
9
4
6
8
3241 2839 3038 2596 2406

112

NOV

DES

26

21

25

112
47
96
137
23
49
215

115
58
73
153
33
46
298

173
70
63
129
2
74
284

218
75
70
140
1
45
338

104

91

94

74

118

56
67
28
2065

47
88
7
2134

47
87
8
2225

68
75
90
79
14
9
2337 2250

PAMELLA 4

NAMA PRODUK
Prenagen Mommy Choco 200 g
New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g
Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

JAN

FEB

MAR

APR

10

78
45
41
208
5
19
159

67
27
40
157
2
18
149

51
35
40
180
12
14
138

115
55
55
120
24
63
167

94
35
10
26
3
40
105

68
49
18
135
8
13
112

40
55
15
210
8
39
108

64

49

43

92

53

43

110
86
12
2.114

83
89
9
1.647

118 108
79
81
15
11
2.462 1054

113

MEI

TERJUAL
JUN JUL AGST SEPT

OKT

NOV

DES

21

102
128
108
121
5
2
92

185
35
55
73
7
26
161

61
37
42
183
13
41
93

110
55
42
162
9
30
235

74
32
47
123
3
25
142

38

63

71

55

70

87

33 103 117
26
96 108
18
8
25
2.149 1837 1345

95
82
24
1244

82
73
29
1.549

100
88
69
80
13
10
1633 1.344

122
106
23
1.498

PAMELLA 6

NAMA PRODUK
Prenagen Mommy Choco 200 g
New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g
Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

APR

TERJUAL
MEI JUN JUL AGST SEPT

JAN

FEB

MAR

OKT

NOV

DES

29

18

12

14

19

14

19

17

15

21

13

21

115
56
64
199
8
75
225

103
35
54
369
4
110
177

107
48
60
159
13
54
157

112
55
75
246
5
86
128

95
57
71
422
19
42
202

99
64
67
264
11
87
113

149
88
70
370
10
26
135

122
78
104
216
19
180
65

143
52
64
257
21
133
109

135
44
80
208
12
150
143

116
48
68
371
10
169
144

127
91
106
533
10
189
271

48

66

46

63

65

46

40

63

67

91

84

93

86
54
113 100
7
14
2389 2427

82
119
8
2245

65
64
70
81
115
92
95 109
18
10
12
20
2221 1892 2152 1766

99
88
14
1721

58
99
8
1814

102
111
6
1858

114

89 100
116 100
5
9
1655 1994

PAMELLA 7

NAMA PRODUK
Prenagen Mommy Choco 200 g
New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g
Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

JAN

FEB

MAR

APR

18

18

15

21

14

11

13

136
70
84
375
36
24
251

38
91
79
419
18
14
197

82
97
87
142
6
46
290

118
102
101
210
14
27
282

159
97
110
348
24
14
267

102
116
120
284
16
27
252

48

48

79

76

79

51

67
69
105
92
22
21
2717 2188

MEI

TERJUAL
JUN JUL AGST

102
82
113
99
4
5
2455 2378

115

SEPT

OKT

NOV

DES

18

24

30

29

27

112
142
145
462
20
22
268

292
244
306
528
19
46
163

260
42
118
213
16
29
206

180
91
98
208
11
53
268

161
119
117
112
5
71
251

91
101
126
168
14
68
236

41

52

72

78

52

122

63
98 105
89 101 111
14
13
29
2545 2394 2119

54
95
19
2122

67
126
10
1933

83
102
117
1982

89 112
103 107
8
23
2014 2310

PAMELLA 8

NAMA PRODUK
Prenagen Mommy Choco 200 g
New
Poci Teh Biru 40 g
Poci Teh Clp Isi 25 50 g Kuning
Poci Teh Clp Vanila 25 x 2 g
Fortune Refill 1000 ml
Chil Kid Madu 200 g
Sosro Teh Kotak 200 ml
Happytos Merah Kecil 25 g
Happytos Real Corn Chip 170 g
Mrh
Cap Lang Mkp 30 ml
Cap Lang Mkp 60 ml
Maya Sardines Chili 155 g
Indocafe Coffeemix 20 g Sachet

APR

TERJUAL
MEI JUN JUL AGST

JAN

FEB

MAR

13

10

18

14

22
24
22
120
8
42
105

13
1
21
93
3
8
83

30
1
35
129
4
37
50

27
1
32
186
7
39
45

29
1
43
175
7
44
40

36
2
32
107
5
76
48

48

48

116

80

78

30
40
3
810

29
29
15
950

19
33
7
964

26
23
9
679

40
7
3
788

116

SEPT

OKT

NOV

DES

12

29
1
35
122
10
30
29

21
2
41
156
7
39
46

35
4
15
11
5
49
49

17
11
18
8
6
40
81

8
9
17
11
6
49
78

35
13
20
6
12
38
61

98

130

108

118

193

155

132

27
37
19
921

35
49
37
831

23
11
21
741

33
38
18
843

33
48
7
896

32
35
10
791

28
63
6
836

LAMPIRAN 2. Penghitungan BiayaTransportasi

1. Biaya Konsumsi Bahan Bakar
Berdasarkan Peraturan Presiden Republik Indonesia Nomor 15 Tahun
2012, harga minyak solar (subsidi) adalah Rp 4.500,-/liter. Rata-rata jarak tempuh
per liternya adalah 10,6 km. Sehingga biaya konsumsi bahan bakar per km adalah:
Rp 4.500,-/10,6 = Rp 425,-.

Cabang

Jenis kendaraan

Pamella 1
Pamella 2
Pamella 3
Pamella 4
Pamella 6
Pamella 7
Pamella 8

Mitsubishi Colt t100ps

Daihatsu Gandmax
Daihatsu Gandmax
Mitsubishi L300
Mitsubishi L300
Mitsubishi L300
Mitsubishi L300

Jarak dari gudang

(km)
0,24
1,5
3
2,7
8,1
11,8
4

Biaya konsumsi
bahan bakar sekali
jalan
(Rp)
102
637
1.274
1.146
3.439
5.009
1.698

Contoh penghitungan biaya konsumsi bahan bakar untuk Pamela 1:

0,24 x Rp 425 = Rp 102,-

117

2. Biaya Perawatan Kendaraan

Pamela 1
Jenis Komponen
Oli mesin
Oli gardan/transmisi
Oli transmisi
Filter oli
Filter udara
Air coolant
Kampas rem

Batas Jarak
Penggantian
(km)
5000
20000
40000
10000
20000
40000
40000

Jarak dari
gudang
(km)
0,24
0,24
0,24
0,24
0,24
0,24
0,24
Total

Biaya per unit

(Rp)

Jumlah
kebutuhan

55.000
100.000
100.000
95.000
395.000
104.000
500.000

10 liter
4 liter
4liter
1 unit
1 unit
1 unit
1 unit

Biaya per unit

(Rp)

Jumlah
kebutuhan

Rasio jarak
penggantian
(km)
0,000048
0,000012
0,000006
0,000024
0,000012
0,000006
0,000006

Total
(Rp)
26,40
4,80
2,40
2,28
4,74
0,62
3,00
44,24

Pamela 2
Jenis Komponen
Oli mesin
Oli gardan/transmisi
Oli transmisi
Filter oli
Filter udara
Air coolant
Kampas rem

Batas Jarak
Penggantian
(km)
5000
20000
40000
10000
20000
40000
40000

Jarak dari
gudang
(km)
1,5
1,5
1,5
1,5
1,5
1,5
1,5

55.000
40.000
40.000
40.000
120.000
113.000
445.000

118

4 liter
3 liter
3 liter
1 unit
1 unit
1 unit
1 unit

Rasio jarak
(km)
0,000300
0,000075
0,000036
0,000150
0,000075
0,000038
0,000038
Total

Total
(Rp)
66,00
9,00
4,50
6,00
9,00
4,24
16,69
115,43

Pamela 3
Jenis Komponen
Oli mesin
Oli gardan/transmisi
Oli transmisi
Filter oli
Filter udara
Air coolant
Kampas rem

Batas Jarak
Penggantian
(km)
5.000
20.000
40.000
10.000
20.000
40.000
40000

Jarak dari
gudang
(km)

Biaya per unit

(Rp)
3
3
3
3
3
3
3

55.000
40.000
40.000
40.000
120.000
113.000
445.000

Jumlah
kebutuhan
4 liter
3 liter
3 liter
1 unit
1 unit
1 unit
1 unit

Rasio jarak
(km)
0,000600
0,000150
0,000075
0,000300
0,000150
0,000075
0,000075
Total

Total
(Rp)
132,00
18,00
9,00
12,00
18,00
8,48
33,38
230,85

Pamela 4
Jenis Komponen
Oli mesin
Oli gardan/transmisi
Oli transmisi
Filter oli
Filter udara
Air coolant
Kampas rem

Batas Jarak
Penggantian
(km)
5000
20000
40000
10000
20000
40000
40000

Jarak dari
gudang (km)

Biaya per unit

(Rp)

2,7
2,7
2,7
2,7
2,7
2,7
2,7

60.000
100.000
100.000
95.000
115.000
104.000
500.000

119

Jumlah
kebutuhan
8 liter
4 liter
4 liter
1 unit
1 unit
1 unit
1 unit

Rasio jarak
(km)
0,000540
0,000135
0,000068
0,000270
0,000135
0,000067
0,000068
Total

Total
(Rp)
259,20
54,00
27,00
25,65
15,53
7,02
33,75
422,15

Pamela 6
Jenis Komponen
Oli mesin
Oli gardan/transmisi
Oli transmisi
Filter oli
Filter udara
Air coolant
Kampas rem

Batas Jarak
Penggantian
(km)
5000
20000
40000
10000
20000
40000
40000

Jarak dari
gudang (km)

Biaya per unit

(Rp)

8,1
8,1
8,1
8,1
8,1
8,1
8,1

60.000
100.000
100.000
95.000
115.000
104.000
500.000

Jumlah
kebutuhan
8 liter
4 liter
4 liter
1 unit
1 unit
1 unit
1 unit

Rasio jarak
(km)
0,001620
0,000405
0,000203
0,000810
0,000405
0,000203
0,000203
Total

Total
(Rp)
777,60
162,00
81,00
76,95
46,58
21,06
101,25
1.266,44

Pamela 7
Jenis Komponen
Oli mesin
Oli gardan/transmisi
Oli transmisi
Filter oli
Filter udara
Air coolant
Kampas rem

Batas Jarak
Penggantian
(km)
5000
20000
40000
10000
20000
40000
40000

Jarak dari
gudang
(km)
11,8
11,8
11,8
11,8
11,8
11,8
11,8

Biaya per unit

(Rp)
60.000
100.000
100.000
95.000
115.000
104.000
500.000

120

Jumlah
kebutuhan
8 liter
4 liter
4 liter
1 unit
1 unit
1 unit
1 unit

Rasio jarak
(km)
0,002360
0,000590
0,000295
0,001180
0,000590
0,000295
0,000295
Total

Total
(Rp)
1.132,80
236,00
118,00
112,10
67,85
30,68
147,50
1.844,93

Pamela 8
Jenis Komponen
Oli mesin
Oli gardan/transmisi
Oli transmisi
Filter oli
Filter udara
Air coolant
Kampas rem

Batas Jarak
Penggantian
(km)
5000
20000
40000
10000
20000
40000
40000

Jarak dari
gudang
(km)
4
4
4
4
4
4
4

Biaya per unit

(Rp)
60.000
100.000
100.000
95.000
115.000
104.000
500.000

Jumlah
kebutuhan

Rasio jarak
(km)

8 liter
4 liter
4 liter
1 unit
1 unit
1 unit
1 unit

0,000800
0,000200
0,000100
0,000400
0,000200
0,000100
0,000100
Total

Total
(Rp)
384,00
80,00
40,00
38,00
23,00
10,40
50,00
625,40

Total Biaya Transportasi = (Biaya Konsumsi bahan bakar + Biaya Perawatan Kendaraan) x 2

Cabang
Pamella 1
Pamella 2
Pamella 3
Pamella 4
Pamella 6
Pamella 7
Pamella 8

Biaya Konsumsi
Bahan Bakar
(Rp)
102
637
1.274
1.146
3.439
5.009
1.698

Biaya
Perawatan
(Rp)

Total Biaya
Transportasi
(Rp)

44
115
231
422
1.266
1.845
625

292
1.504
3.009
3.137
9.410
13.709
4.647
121

Rata-rata jumlah
barang yang dikirim
per trip
(unit)
67
63
80
77
73
75
49

Biaya Transportasi
per unit
(Rp)
4
24
38
41
129
183
95

LAMPIRAN 3. Rules Alokasi dengan Fuzzy Mamdani

2 Linguistic terms
Kontribusi
Penjualan
Rendah
Rendah
Rendah
Rendah
Tinggi
Tinggi
Tinggi
Tinggi

Biaya
Transportasi
Rendah
Rendah
Tinggi
Tinggi
Rendah
Rendah
Tinggi
Tinggi

Biaya
Simpan
Rendah
Tinggi
Rendah
Tinggi
Rendah
Tinggi
Rendah
Tinggi

Alokasi
Distribusi
Rendah
Rendah
Rendah
Rendah
Tinggi
Tinggi
Tinggi
Rendah

3 Linguistic terms
No.
1
2
3
4
5
6
7
8
9

No.
10
11
12
13
14
15
16
17
18

Kontribusi
Penjualan
Rendah
Rendah
Rendah
Sedang
Sedang
Sedang
Tinggi
Tinggi
Tinggi
Kontribusi
Penjualan
Rendah
Rendah
Rendah
Sedang
Sedang
Sedang
Tinggi
Tinggi
Tinggi

Biaya
Transportasi
Rendah
Sedang
Tinggi
Rendah
Sedang
Tinggi
Rendah
Sedang
Tinggi

Biaya Simpan
Rendah
Sedang
Tinggi
Rendah
Sedang
Tinggi
Rendah
Sedang
Tinggi

122

Alokasi
Distribusi
Sedang
Sedang
Rendah
Tinggi
Sedang
Rendah
Tinggi
Tinggi
Sedang
Alokasi
Distribusi
Sedang
Sedang
Rendah
Tinggi
Sedang
rendah
Tinggi
Tinggi
Sedang

No.
19
20
21
22
23
24
25
26
27

Biaya
Transportasi
Rendah
Rendah
Rendah
Sedang
Sedang
Sedang
Tinggi
Tinggi
Tinggi

Biaya Simpan
Rendah
Sedang
Tinggi
Rendah
Sedang
Tinggi
Rendah
Sedang
Tinggi

123

Alokasi
Distribusi
Tinggi
Tinggi
Sedang
Tinggi
Sedang
Rendah
Sedang
Sedang
Rendah

LAMPIRAN 4. Parameter Model Fuzzy Mamdani

Model Fuzzy Mamdani 1 (2 LT, TRAPMF)
Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms
Rendah (trapmf)
Tinggi (trapmf)
[0 0 0 28.24]
[8.619 36 37 38]
[0 1 7 16.35]
[9.778 19 20 21]
[0 0 0 33]
[10.1 43 44 45]
[0 0 0 37.09]
[9.342 43 44 45]

Range
[0 36]
[7 19]
[0 45]
[0 45]

Model Fuzzy Mamdani 2 (2 LT, ZMF-SMF)

Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms (new)

Rendah (zmf)
Tinggi (smf)
[9.067 29.27]
[-5.481 27.62]
[6.759 18.63]
[6.004 15.62]
[5.003 41.44]
[0.8105 35.69]
[0.415 13.63]
[14.2 44.1]

Range
[-6 36]
[0 19]
[0 45]
[0 45]

Model Fuzzy Mamdani 3 (2 LT, GAUSSMF)

Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms (new)

Rendah (zmf)
Tinggi (smf)
[20.34 0]
[11.28 33.8]
[5.272 7.38]
[2.721 16.6]
[5.98 6.352]
[19.3 42.6]
[13 0]
[13 44.9]

Range
[0 36]
[5 19]
[0 45]
[0 45]

Model Fuzzy Mamdani 4 (2 LT, TRAPMF-ZMF SMF)

Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms
Rendah (trapmf)
Tinggi (trapmf)
[0 0 0 29.38]
[9.857 36 37 38]
[0 1 7 16.98]
[10.1 19 20 21]
[0 0 0 29.9]
[14.82 45 46 47]
Rendah (zmf)
Tinggi (smf)
[0 35.54]
[10.06 45]

124

Range
[0 36]
[7 19]
[0 45]
[0 45]

Model Fuzzy Mamdani 5 (2 LT, ZMF SMF-TRAPMF)

Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms
Rendah (zmf)
Tinggi (smf)
[0 27.29]
[6.905 36]
[7 16.57]
[9.302 19]
[0 36.49]
[8.512 45]
Rendah (trapmf)
Tinggi (trapmf)
[0 0 0 37.09]
[9.342 45 46 47]

Range
[0 36]
[7 19]
[0 45]
[0 45]

Model Fuzzy Mamdani 6 (2 LT, GAUSSMF ZMF SMF)

Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms
Rendah (gaussmf)
Tinggi (gaussmf)
[12.98 0]
[12.9 36]
[4.193 7]
[3.977 19]
[14.6 0]
[14.91 45]
Rendah (zmf)
Tinggi (smf)
[0 35.54]
[10.06 45]

Range
[0 36]
[7 19]
[0 45]
[0 45]

Model Fuzzy Mamdani 7 (2 LT, GAUSSMF TRAPMF)

Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms
Rendah (gaussmf)
Tinggi (gaussmf)
[12.58 0]
[12.3 36]
[4.193 7]
[3.977 19]
[14.6 0]
[14.91 45]
Rendah (trapmf)
Tinggi (trapmf)
[0 0 0 37.09]
[9.549 45 46 47]

Range
[0 36]
[7 19]
[0 45]
[0 45]

Model Fuzzy Mamdani 8 (2 LT, ZMF SMF GAUSSMF)

Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms (new)

Rendah (zmf)
Tinggi (smf)
[15.98 46.98]
[0.3384 32.67]
[13.98 25.28]
[8.097 19.32]
[0 26.4]
[0 39.4]
Rendah (gaussmf)
Tinggi (gaussmf)
[11.6 8.094]
[12.5 45.93]

125

Range
[0 50]
[7 19]
[0 45]
[0 45]

Model Fuzzy Mamdani 9 (2 LT, TRAPMF GAUSSMF)

Himpunan
Biaya Transportasi
Biaya Simpan Swalayan
Kontribusi Penjualan
Alokasi Distribusi

Linguistic Terms
Rendah (trapmf)
Tinggi (trapmf)
[0 0 0 29.38]
[9.857 36 37 38]
[0 1 7 16.98]
[10.1 19 20 21]
[0 0 0 29.9]
[14.82 45 46 47]
Rendah (gaussmf)
Tinggi (gaussmf)
[12.99 0]
[12.99 45]

Range
[0 36]
[7 19]
[0 45]
[0 45]

Model Fuzzy Mamdani 10 (3 LT, TRAPMF TRIMF TRAPMF )

Himpunan

Biaya
Transportasi
Biaya
Simpan
Swalayan
Kontribusi
Penjualan
Alokasi
Distribusi

Linguistic Terms

Range

Rendah
(trapmf)

Sedang (trimf)

Tinggi (trapmf)

[0 0 0 12.52]

[7.86 19.48 26.1]

[17.19 36 37 38]

[0 36]

[0 1 7 11.49]

[9.56 14.8 16.7]

[13.78 19 20 21]

[7 19]

[0 0 0 16.37]

[5.18 13.27 29.6]

[21.01 45 46 47]

[0 45]

[0 0 0 13.39]

[8.99 21.6 29.8]

[21.73 45 46 47]

[0 45]

Model Fuzzy Mamdani 11 (3 LT, TRAPMF GAUSSMF TRAPMF )

Himpunan

Biaya
Transportasi
Biaya
Simpan
Swalayan
Kontribusi
Penjualan
Alokasi
Distribusi

Linguistic Terms

Range

Rendah
(trapmf)

Sedang (gaussmf)

Tinggi (trapmf)

[0 0 0 11.86]

[6.31 17.2]

[14.71 36 37 38]

[0 36]

[0 1 7 11.84]

[2.88 12.8]

[12.8 19 20 21]

[7 19]

[0 0 0 15.89]

[9.94 18.5]

[18.15 45 46 47]

[0 45]

[0 0 0 18.04]

[8.16 22.53]

[21.73 45 46 47]

[0 45]

126

Model Fuzzy Mamdani 12 (3 LT, TRAPMF TRAPMFTRAPMF )

Himpunan

Biaya
Transportasi
Biaya
Simpan
Swalayan
Kontribusi
Penjualan
Alokasi
Distribusi

Linguistic Terms

Range

Rendah
(trapmf)

Sedang (trapmf)

Tinggi (trapmf)

[0 0 0 13.86]

[7.176 15.38
27.78 30.24]

[20.3 36 37 38]

[0 36]

[0 1 7 12]

[8.79 12.2 15.3

16.5]

[12.7 19 20 21]

[7 19]

[18.2 45 46 47]

[0 45]

[23.2 45 46 47]

[0 45]

[0 0 0 15.2]
[0 0 0 13.4]

[2.32 8.28 15.6

28.15]
[6.182 12.25
29.35 33.95]

Model Fuzzy Mamdani 13 (3 LT, ZMF TRIMF SMF )

Himpunan
Biaya
Transportasi
Biaya
Simpan
Swalayan
Kontribusi
Penjualan
Alokasi
Distribusi

Rendah (zmf)

Linguistic Terms
Sedang (trimf)

Range
Tinggi (smf)

[0 13.95]

[7.86 20.05 26.1]

[15.38 36]

[0 36]

[7 12]

[9.556 14.7 16.7]

[12.79 19]

[7 19]

[0 16.61]

[5.18 13.27 29.6]

[17.2 45]

[0 45]

[0 13.4]

[7.2 18.39 29.8]

[19.58 45]

[0 45]

Model Fuzzy Mamdani 14 (3 LT, ZMF TRAPMF SMF )

Himpunan
Rendah (zmf)
Biaya
Transportasi
Biaya
Simpan
Swalayan
Kontribusi
Penjualan
Alokasi
Distribusi

[0 13.29]
[7 12]
[0 16.61]
[0 12.7]

Linguistic Terms
Sedang (trapmf)
[7.857 13.8 21.5
26.1]
[9.042 12.42
15.52 16.72]
[4.34 10.4 21
27.2]
[5.233 11.33
16.73 28.33]

127

Range
Tinggi (smf)
[14.62 36]

[0 36]

[12.79 19]

[7 19]

[17.2 45]

[0 45]

[19.58 45]

[0 45]

Model Fuzzy Mamdani 15 (3 LT, ZMF GAUSSMF SMF ) Cap Lang 30 ml

Himpunan
Biaya
Transportasi
Biaya
Simpan
Swalayan
Kontribusi
Penjualan
Alokasi
Distribusi

Rendah (zmf)

Linguistic Terms
Sedang (gaussmf)

Tinggi (smf)

[0 13.29]

[5.28 17.58]

[14.62 36]

[0 36]

[7 12]

[1.919 13.86]

[12.79 19]

[7 19]

[0 16.61]

[7.129 15.71]

[17.2 45]

[0 45]

[0 12.7]

[6.986 14.31]

[19.58 45]

[0 45]

128

Range

LAMPIRAN 5. Contoh Penghitungan Kuantitas Order dan Safety Stock

Metode EOQ

4.

Prenagen Mommy Cocho 200 g New

D = 5,3027 unit/hari
H = 0,37,- /pcs
S = 4.828,46,- / pesan
Q*=

2 4828,46 5,3027
370
0,37

SL= 90, di mana nilai z mengikuti tabel distribusi normal yaitu 1,28
Lead time = 2 hari
D = 2,1732 unit/hari
ROP = 5,3027 2 + 1,28 2 2,1732 = 15
SS

5.

= 15 5,3027 2 = 4

Poci Teh Biru 40 g

D = 37,175 unit/hari
H = 0,66,- /pcs
S = 4.828,46,- / pesan
Q*=

2 4828,46 37,175
740
0,66

SL= 90, di mana nilai z mengikuti tabel distribusi normal yaitu 1,28
Lead time = 2 hari
D = 8,546 unit/hari
ROP = 37,175 2 + 1,28 2 8,546 = 90
SS

= 90 37,175 2 = 4

129

LAMPIRAN 6. Penghitungan Kuantitas Order dengan Metode EOQ

*Biaya pesan dan biaya listrik untuk semua produk sama

130

1.PRENAGEN MOMMY COCHO 200 G NEW

131

2.POCI TEH BIRU 40 G

132

3.CHILKID MADU 200 G

133

4.POCI TEH CLP ISI 25 50 G KUNING

134

5. POCI TEH CLP VANILA 25 X 2 G

135

6. FORTUNE REFILL 1000 ML * 12

136

7. SOSRO TEH KOTAK 200 ML

137

8. HAPPYTOS MERAH KECIL 25 G

138

9. HAPPYTOS REAL CORN CHIP 170 G MRH

139

10. CAP LANG MKP 30 ML

140

11. CAP LANG MKP 60 ML

141

12. MAYA SARDINES CHILI 155 G

142

13. INDOCAFE COFFEEMIX 20 G SACHET

143

LAMPIRAN 7. Penghitungan Kuantitas Order Optimal menggunakan

Integasi Logika Kabur
Kuantitas order optimal diperoleh dengan cara melakukan defuzzifikasi
terhadap fuzzy number permintaan per hari mengguanakan gade mean integation
berdasarkan k-preference (diasumsikan k-preference = 0,5 agar tidak terlalu
condong ke kanan atau ke kiri) dari fuzzy total biaya inventori. Hasilnya
diturunkan dengan logika jumlah yang harus di pesan akan optimal saat total
biaya persediaan minimum.
Fuzzy total biaya inventori = fuzzy total biaya simpan+fuzzy total biaya pesan
= [H*Q/2]+[C*(D0Q)]
Di mana D merupakan himpunan fuzzy permintaan tiap hari dengan fuzzy number
= (D1, D2, D3, D4)
Sehingga persamaan tersebut menjadi :
Fuzzy total biaya inventori = [HQ/2+CD1/Q]. [HQ/2+CD2/Q]. [HQ/2+CD3/Q].
[HQ/2+CD4/Q]
Persamaan tersebut nantinya akan dimasukan ke dalam persamaan hasil gade
mean integation berdasarkan k-preference di bawah ini
k ( D1 ( D2 D1 )h 1 k D4 ( D4 D3 )h
P( A) h

dh/ h dh
w
w

0
0
w

P( A)

k ( D1 2 D2 ) (1 k )( D4 2 D3 )
3

Persamaan fuzzy total biaya persediaan akan menjadi persamaan dengan bentuk

P( A)

1 3HQ
(1 k )C (2 D3 D4 )
kC( D1 2 D2 )

3 2
Q

Kuantitas order akan optimal saat total biaya inventori mencapai minimum, yaitu:

dP( A)
0
d0
maka persamaan untuk kuantitas order optimal didapat:
Q

2C k ( D1 2 D2 ) (1 k )(2 D3 D4 )
X
H
3

144

LAMPIRAN 8. Penghitungan Safety Stock Menggunakan Integasi Logika

Kabur Berdasarkan Nilai Reorder Point dari Service Level Perusahaan

Perhitungan safety stock menggunakan integasi logika kabur berdasarkan

nilai reorder point dari service level perusahaan untuk membership function
permintaan selama waktu tunggu

berbentuk trapesium dengan fuzzy number

d=(d1, d2, d3, d4,) dilakukan dengan melakukan perhitungan nilai reorder point
berdasarkan presentase kehabisan barang yang diijinkan perusahaan dikurangi
dengan hasil defuzzifikasi dari fuzzy number melalui proses gade mean integation
pada h-level, 0<hw, 0<w1. Presentase kehabisan barang merupakan kombinasi
dari dari luas area fungsi keanggotaan dari fuzzy total permintaan dan luas area
fungsi keanggotaan dari jumlah kehabisan barang yang diijinkan perusahaan
dalam suatu siklus persediaan.
Untuk memperoleh hasil defuzzifikasi dari fuzzy number jumlah
permintaan selama lead time melalui proses gaded mean integation pada h-level,
0<hw, 0<w1 dengan (nilai w diasumsikan 1 pada penelitian ini):
x d1
w
L( X )
d 2 d1

x d4
R( X )
d d
3

L1 (h)

d 1 (d 2 d 1 )h
w

R 1 (h)

d 4 (d 4 d 3 )h
w

dilakukan dengan mengintegerasikan gaded mean dari inverse L-R type

membership function di mana persamaan gaded mean adalah sebagai berikut :

Gaded mean = h L2 (h) R 1 (h) / 2

=

d1 d 4 (d 2 d1 d 4 d3 )h
/2
w

145

Hasil integasi gaded mean melalui persamaan

w
L1 (h) R 1 (h)

P( A) h
dh / h.dh
2

0
0
Sehingga persamaan untuk stok pengaman = reorder point - rata-rata permintaan
w

selama lead time.

SS R M DL
R d 4 (d 4 d1 d 2 d 3)(d 4 d 3)(1 Sp)

M DL (d1 2d 2 2d 3 d 4) / 6
Dengan memasukan fuzzy number jumlah permintaan selama lead time yang
berbeda-beda dengan aturan fuzzy number A=(min, x1, x2, maks) hingga diperoleh
nilai safety stock dalam jumlah yang optimal.

146

LAMPIRAN 9. Contoh Simulasi Selama 1 Tahun Menggunakan Tabel MRP

1. Prenagen Mommy Cocho 200 g New

147

148

149

150

151