PENGENDALIAN PERSEDIAAN SPARE PART DENGAN PENDEKATAN

PERIODIC REVIEW (R,s,S) SYSTEM

(STUDI KASUS : PT. GMF AERO ASIA – UNIT ENGINE MAINTENANCE)

Wirawan Aditya S.P, Prof. Ir. I Nyoman Pujawan, M.Eng.,Ph.D, dan Nani Kurniati, ST., MT.
Jurusan Teknik Industri
Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Kampus ITS Sukolilo Surabaya 60111
Email: wirawan.seta@live.com; pujawan@ie.its.ac.id; nanikur@ie,its.ac.id

Abstrak
PT. Garuda Maintenance Facility Aero Asia bergerak dalam bidang Maintenance, Repair and
overhaul dan mempunyai pelanggan maskapai penerbangan domestik maupun luar negeri. Unit TR
(engine maintenance) bertanggung jawab atas perbaikan mesin pesawat. Saat ini, dalam pengerjaan
perbaikan mesin pesawat, TAT (turn around time) aktual dengan target mempunyai penyimpangan
cukup besar, salah satu faktornya adalah ketersediaan suku cadang (spare part) yang akan
digunakan di lini produksi untuk pengerjaan perbaikan mesin pesawat. Simulasi Monte Carlo
dilakukan untuk memberi gambaran kondisi persediaan suku cadang dengan pendekatan periodic
review (R,s,S) system secara lebih nyata. Penentuan kombinasi parameter S dan s sangat
berpengaruh terhadap keberhasilan pengendalian persediaan. Modifikasi stok maksimum dilakukan
untuk mengantisipasi variabilitas yang tinggi pada demand dan lead time ketika rumus EOQ tidak
mampu mengakomodasi target service level. Spare part diklasifikasi agar dapat diketahui tingkat
kepentingannya, dan dengan analisa hasil simulasi dapat diperoleh informasi strategi pemenuhan
persediaan untuk mengatasi masalah ketidak tersediaan spare part.

Kata kunci : Perawatan mesin, Pengelolaan Persediaan, Pemeriksaan Berkala

ABSTRACT
PT. Garuda Maintenance Facility Aero Asia which moves in the field of Maintenance, Repair
and Overhaul has airline customers, domestic and abroad. TR unit (engine maintenance) is
responsible for aircraft engine repairs. Currently, the repair work on aircraft engines, the target vs
actual TAT (turn around time) has a significant deviation. One factor is the availability of spare
parts (spare part) to be used in the production line for repair work on aircraft engines. Monte
Carlo simulations performed to illustrate the condition of the spare parts inventory with periodic
review approach (R, S, S) system is more real. Determination of the parameters S and s very
influential on the success of inventory control. Parameter combinations were simulated in order to
get better results. Maximum stock modifications made to anticipate the high variability in demand
and lead times when the EOQ formula can not accommodate the service level targets. Spare parts
are classified in order to know its importance, and the analysis of simulation results can be
obtained information compliance strategy to address supply outage spare part.

Keywords: Inventory Control, Periodic Review, Engine Maintenance .

pesawat. Dari 26 project yang ada selama

1. Pendahuluan
Meihat lebih dalam, pada proses bisnis Engine
Maintenance, terdapat 3 faktor yang menjadi
tolok ukur kesuksesan, yaitu TAT (Turn Around
Time), Kualitas pengerjaan mesin (Reliability),
dan ketersediaan floating spare. Dalam kontrak
kerja antara PT. GMF Aero Asia dengan
pelanggan (baik PT. Garuda Indonesia maupun
yang lain) disebutkan poin- poin yang mengatur
pengerjaan perbaikan mesin pesawat, antara lain
target waktu pengerjaan perbaikan dan target
kondisi mesin setelah pengerjaan mesin
Januari – Oktober 2009, digambarkan 14 project
terdapat perbedaan (gap) antara target
pelaksanaan dan pengerjaan aktual dilihat dari
sisi TAT (turn around time). Dapat dilihat
bahwa dalam 10 bulan yakni bulan Januari
hingga Oktober 2009 terdapat 26 project engine,
untuk memperlihatkan perbandingan
penyimpangan maka diambil 14 project. dan
terdapat penyimpangaan yang cukup terlihat
antara target pengerjaan dan aktual pengerjaan.
Dengan melihat perbandingan antara target dan
aktual pengerjaan terdapat rata - rata gap senilai
38%. Nilai gap tersebut merugikan baik dari sisi
tenaga maupun biaya.
Untuk pengerjaan mesin pesawat WIP
(Work in Progress), pola masih sama dengan
pengerjaan mesin pesawat yang telah selesai.
Nilai rata - rata gap sebesar 27% masih
mempunyai potensi meningkat lebih besar.
Setelah mengetahui adanya keadaan tidak
normal (abnormality) yakni terdapat perbedaan
antara target pengerjaan dan pengerjaan aktual
dari sisi TAT (turn around time). Dalam
pengerjaan perbaikan mesin pesawat ada
sebuah prosedur yakni Gating Procedure, di
mana tiap gate menandakan sebuah aktivitas
tertentu. Dengan melihat data historis yang ada
dapat diketahui bahwa penyebab terbesar
tertundanya pengerjaan adalah di gate 5 yaitu
“logistik telah mendapat kepastian dan siap
untuk digunakan pada lini produksi”.
Perbandingan TAT Target dan Aktual
65
725793 42
70
858682 65
75
857383 90
76
858962 112
81
722430 110
66
858619 71
89
721877 109
Actual0TAT 50 TAT
Target 100 150
Gambar 1. 1 Perbandingan antara Rencana dan
Aktual Pengerjaan
Dengan melihat kontribusi tiap gate,
dapat diketahui faktor apa yang sangat
berpengaruh terhadap kemunduran atau
penundaan pengerjaan perbaikan mesin pesawat.
Dari Gambar 1.3 penyebab kemunduran terbesar
adalah faktor logistik atau material, senilai 88%
(dengan satuan hari) dari total semua
keterlambatan. PT. GMF Aero Asia, khususnya
unit TR, dalam menjalankan proses bisnisnya
didukung beberapa departemen yang
mempunyai fungsi berbeda, yakni Planning,
Production, Inspection, Logistic, Engineering.
Untuk itu perlu ditelaah lebih dalam,
departemen mana yang mempunyai kontribusi
dalam kemunduran pengerjaan perbaikan mesin
pesawat.
Departemen yang berkontribusi terbesar
dalam penundaan pengerjaan perbaikan pesawat
adalah departemen Produksi dan Logistik. Pada
dasarnya kemunduran jadwal di departemen
produksi adalah akibat dari pengerjaan proyek
di departemen logistik yang tidak berjalan
dengan baik dan benar, yakni proses pengadaan
material yang selanjutnya digunakan oleh
departemen produksi. Hal ini yang
menyebabkan penundaan pada lini produksi
dimana tidak ada material guna mengerjakan
perbaikan mesin pesawat. Dengan mengetahui
departemen yang berkontribusi paling besar
dalam keterlambatan yakni Logistik, maka dapat
diketahui akar permasalahan penyebabkan
departemen logistik tidak berjalan dengan
semestinya. Dalam kondisi nyata suplai material
untuk beberapa lini produksi terhambat. Contoh
kasus adalah part tipe consumable biasa disebut
C class yang seharusnya part tersebut harus
selalu tersedia di gudang, namun kenyataannya
part tersebut mengalami shortage atau stock out.
Gambar 1. 2 Keadaan material (c class) saat produksi
Permasalahan yang akan diselesaikan
dalam penelitian ini adalah bagaimana
menentukan strategi persediaan spare part
dengan mempertimbangkan service level yang
tinggi tetapi dengan biaya yang rendah pula.
Berdasar pada data yang telah disebutkan
Nampak bahwa problem logistik spare part
adalah banyaknya shortage, dikarenakan hal
tersebut perencanaan inventory spare part perlu
dianalisa. Karena banyaknya jenis spare part
dan mempunyai karakteristik masing – masing,
maka diperlukan pengelolaan lebih lanjut yakni
perlu adanya pengklasifikasian.
Menurut silver (1998) inventory dengan
permintaan yang probabilistic dapat dikelola
dengan metode Continuous Review atau
periodic review. Dengan mempertimbangkan
2
kondisi di perusahaan bahwa terdapat
permintaan yang tidak stabil, meminimalkan
shortage dan data yang digunakan adalah data
review per bulan, sehingga metode yang
digunakan untuk penelitian ini adalah periodic
review (R,s,S) system.

2. Mekanisme Pengendalian Persediaan

Menurut Silver (1998) dalam melakukan
pengendalian inventory terdapat 3 pertanyaan
besar mendasar, yakni seberapa sering
seharusnya status inventory ditentukan, kapan
seharusnya status inventory ditentukan, kapan
seharusnya pemesanan pengisian ditempatkan
dan seberap besar pemesanan pengisian
dilakukan.
2.1 Sistem Persediaan Probalistik
Model persediaan probabilistik adalah
model yang menganggap bahwasanya
parameter-parameter yang dimiliki
menunjukkan adanya ketidakpastian dan
merupakan variabel random. Dalam sistem
persediaan, ketidakpastian ini terutama yang
berhubungan dengan jumlah permintaan
(demand quantity) dan waktu penerimaan (lead
time). Ketidakpastian permintaan dan waktu
pengiriman dapat mengakibatkan kekurangan
persediaan (stocks out). Hal ini akan berdampak
tidak terpenuhinya kepuasan pelanggan. Untuk
mengantisipasi hal tersebut, dibuat kebijakan
untuk mengadakan safety stocks. Dalam
mengukur tingkat ketersediaan bahan baku
didasarkan dari tingkat customer service level.
Menurut Tersine (1994), customer service level
adalah kemampuan untuk memenuhi permintaan
konsumen dari persediaan yang ada. Nilai
customer service level ini akan berpengaruh
pada safety stock yang diharapkan, sehingga
dapat meminimalisasi kekurangan persediaan.
Kekurangan persediaan terjadi apabila
permintaan selama lead time melebihi reorder
point.
 (R,s,S) system ; Combination (s,S) dan (R,S)
Pada sistem persediaan ini, ketika
tingkat persediaan sampai pada tingkat s atau
lebih rendah, maka akan dilakukan pemesanan
sampai pada tingkat persediaan S, dan apabila
diatasnya atau belum mencapai s, maka tidak
dilakukan apapun sampai pada periode
peninjauan R berikutnya.
---- : Inventory Position
: Net Stock or both the inventory
position and the net stock (if they are
equal)
Gambar 2. 1 Inventori dengan sistem (s, S)
Sedangkan untuk penggambaran dengan sistem
(R,S), sebagai berikut
---- : Inventory Position
: Net Stock or both the inventory
position and the net stock (if they are
equal)
Gambar 2. 2 Inventori dengan sistem (R,S)
Sistem (R,s,S) merupakan kombinasi antara
sistem (s,S) dan (R,S). Setiap unit waktu posisi
inventori diperiksa, jika posisi tersebut tepat
atau dibawah reorder point s , maka pemesanan
yang dilakukan cukup untuk mencapai posisi S.
bila posisi diatas s, maka tidak ada yang
dilakukan sampai review selanjutnya.
2.2 Simulasi Monte Carlo
Tersine (1994), Simulasi merupakan sebuah
studi dengan memasukkan manipulasi sebuah
model dari suatu sistem dengan tujuan dengan
mengevaluasi alternatif desain atau aturan
keputusan. Dengan simulasi, percobaan sistem
dapat mengurangi resiko kebingungan struktur
yang ada dengan perubahan yang tidak
mendatangkan keuntungan
Simulasi Monte Carlo sendiri
merupakan simulasi probabilistik, dimana

3
datanya di-generate dari bilangan random, yang diperbesar maka dapat didapat hasil sebagai
kemudian disusun suatu distribusi probabilitas. berikut:

3. Karakteristik Data Scatterplot of Harga vs sum usage

Mengumpulkan data di unit Engine 5000

Maintenance¸yakni data penggunaan spare part

4000
dalam kurun waktu 2 tahun, untuk mengetahui
karakteristik data yang akan diolah. 3000

Data yang digunakan adalah 9 spare part

Harga
2000
sebagai contoh perhitungan simulasi persediaan
dengan Ms. Excel – Monte Carlo. 1000

Tabel 4. 1 Data Karakteristik Material 0

0 200 400 600 800 1000

sum usage
No. Part Class Harga MOQ Sum Usage
Gambar 4.15 Pemetaan material (diperbesar)
1 9523M21P01 EXP 204.25 1 966.00
2 P108P38 REP 262.5 1 653.00 Setelah diperbesar, namun data tetap
3 301-323-910-0 CON 15.25 28 1239.00 mempunyai kecenderungan pada daerah kiri
4 P142P05 REP 576 1 102.00
bawah (harga rendah dan jumlah penggunaan
yang rendah pula). Dengan melihat gambar,
5 305-393-802-0 CON 188.5 1 30.00
sebaran data dapat dibagi ke dalam 3 kelompok
6 P191P08 REP 1017 1 59.00 yakni (1) harga rendah-penggunaan tinggi, (2)
7 305-115-104-0 REP 3661 1 6.00 harga rendah-penggunaan rendah, dan (3) harga
8 335-304-103-0 EXP 3102 1 3.00 tinggi-penggunaan rendah. Tidak didapatkan
data dengan harga tinggi-penggunaan tinggi.
9 301-480-726-0 REP 3209 1 4.00

3.1 Pemetaan Data Spare Part Tabel 4. 2 Kelompok Karakteristik Data

Dilakukan pemetaan terhadap Sum Pemeta-
karakteristik data material berdasarkan Harga No. Part Harga Usage an*
dan Intensitas penggunaan. Titik-titik data dari 1 9523M21P01 204.25 966.00 (1)
518 material dipetakan dengan menggunakan 2 P108P38 262.5 653.00 (1)
scatter plot pada software Minitab untuk melihat 3 301-323-910-0 15.25 1239.00 (1)
sebaran data, didapatkan hasil sebagai berikut: 4 P142P05 576 102.00 (2)
5 305-393-802-0 188.5 30.00 (2)
6 P191P08 1017 59.00 (2)
Scatterplot of Harga vs sum usage
250000
7 305-115-104-0 3661 6.00 (3)
8 335-304-103-0 3102 3.00 (3)
200000 9 301-480-726-0 3209 4.00 (3)
150000
Harga

100000

3.2 Pengukuran Variability Coefficient

50000
Dengan melihat grafik penggunaan
0 material, dapat diketahui tingkat penggunaan
0 1000 2000 3000 4000 5000 6000 yang sangat fluktuatif, untuk mengukur
sum usage
variability suatu data dapat menghitung
Gambar 4.14 Pemetaan material variability coefficient, yakni:
Dengan melihat hasil Gambar 4.14 diketahui VC = Variance of demand per period
bahwa spare part mempunyai kecenderungan di Square of average demand per period
daerah kiri bawah, yakni dengan karakteristik (4.1)
harga rendah dan jumlah penggunaan yang
rendah pula. Jika daerah kiri bawah tersebut di Terdapat ketentuan bahwa:

4
 Jika VC < 0.2 use a simple EOQ involving.
Jika VC >= 0.2 use a heuristic.
Dengan menggunakan acuan diatas, maka
didapat hasil sebagai berikut:
Tabel 4. 3 Contoh perhitunganVariability Coefficient
No. Part VC Metode
1 9523M21P01 0.67 Heuristic
2 P108P38 1.06 Heuristic
3 301-323-910-0 0.31 Heuristic
4 P142P05 6.09 Heuristic
5 305-393-802-0 0.56 Heuristic
6 P191P08 10.50 Heuristic
7 305-115-104-0 6.97 Heuristic
8 335-304-103-0 12.31 Heuristic
9 301-480-726-0 13.98 Heuristic
4. Simulasi Persediaan dengan Ms. Excel
Dengan konsep Monte Carlo dapat
disimulasikan tingkat persedian di gudang unit
TR berdasarkan parameter tertentu, dan dapat
dilihat aspek biaya- biaya terkait seperti holding
cost, order cost, dan stock out cost. Dengan
menggunakan metode (R,s,S) dapat ditentukan
kombinasi untuk parameter (S) dan (s) untuk
mendapatkan hasil yang lebih baik dari segi
biaya dan ketersediaan barang.
Langkah simulasi sebagai berikut:
Langkah 1 : Setting Parameter Input
Langkah 2 : Generate Data Random
Langkah 3 : Simulasi Perhitungan Inventory
dan order barang
Langkah 4: Perhitungan biaya inventory, Biaya
Order, dan Jumlah stock out.
4.1 Setting Parameter Input
Parameter yang dijadikan acuan adalah
parameter persedian yang menggunakan
pendekatan EOQ, yakni:
1. Jumlah Pemesanan
Q*  2C 0 D / h  (2.3)
2. Reorder Point
ROP = d x l + Safety Stock (2.4)
3. Safety stock
SS = Z x sdl (2.5)
4. Maximum stock
Reorder Point + Jumlah Pemesanan
4.2 Generate Data Random
Membuat data random yang menyerupai
data historis yang digunakan dalam simulasi.
Tahap pertama adalah dengan fitting distribution
data historis. Setelah mengetahui probabilitas
distribusi dan juga parameter dari distribusi,
maka parameter distribusi tersebut dilakukan
sebagai inputan dalam men-generate bilangan
acak. Untuk software fitting distribution
menggunakan Promodel – StatFit, dan untuk
men-generate bilangan acak menggunakan
Minitab – Calc – Random Data.
Apabila dalam uji fitting distribution
tidak menunjukkan probabilitas distribusi yang
sesuai maka dilakukan dengan pendekatan
Monte carlo. Adapun langkah – langkah untuk
membuat model simulasi Monte Carlo sebagai
berikut:
Langkah 1: Membuat distribusi
kemungkinan untuk variabel penting.
Langkah 2: Membangun distribusi
kemungkinan kumulatif untuk tiap – tiap
variabel di tahap pertama.
Langkah 3:Menentukan interval angka
radom untuk tiap variabel.
Langkah 4: Membuat angka random.
Langkah 5:Membuat simulasi dari angka
random.
 Untuk metode fitting distribution,
menggunakan software Promodel – Stat Fit,
sebagai berikut:
Gambar 4.16 Fitting distribusi data 9523M21P01
dengan Promodel
5
 Perhitungan dilakukan dengan menggunakan
software Microsoft Excel.
a. Inventory periode ke-t (it):
it = it-1 + Order receive - dt (4.2)
b. Order periode ke-t dilakukan jika inventory
periode t-1 kurang dari ROP (s). Jumlah part
yang diorder adalah sebesar stok maksimum
(S) dikurangi inventory periode t-1.
ordert = Max. stock – (it-1 + inventory on
Gambar 4.17 Perbandingan distribusi 9523M21P01 order t-1) (4.3)
dengan Promodel c. Demand didapatkan dari data asli serta data
yang di-generate dengan simulasi Monte
 Contoh bilangan acak untuk part Carlo atau distribusi data Promodel dan
Minitab.
9523M21P01 dapat dilihat pada tabel 4.8.
d. Inventory on order: jumlah inventory yang
Pada tabel hanya akan ditampilkan 18 dari telah dipesan dan belum sampai di gudang,
120 data yang di-generate. (pendekatan terakumulasi dari inventory on order
probabilitas) sebelumnya, dan dikurangi jika part yang
dipesan diterima.
Tabel 4. 4 Bilangan acak penggunaan part e. Receipt: order yang datang pada periode t
9523M21P01 f. Lead time: waktu tunggu dari order hingga
Perio Bil. Perio Bil. Perio Bil. receipt, didapatkan dari generate random
de Acak de Acak de Acak data.
1 0 7 22 13 20 g. Holding costt = jumlah inventory x holding
2 108 8 110 14 99 cost per part
3 101 9 11 15 15 h. Order costt = 0 jika pada periode t tidak
4 23 10 3 16 81
terdapat pemesanan, atau sejumlah biaya
5 9 11 31 17 37
order jika ada pesanan.
6 73 12 16 18 12

Jika digambarkan dengan flowchart maka

Sehingga didapat hasil distribusi beserta
sebagai berikut:
parameter yang adigunakan dalam men-generate
bilangan ramdom, sebagai berikut:
Tabel 4. 5 Distribusi data penggunaan spare part

No Part Number Parameter Distribution

1 9523M21P01 Triangular (-1,129,-1)
2 P108P38 Exponential (28.4)
3 301-323-910-0 Lognormal (0; 3.91; 0.491)
4 P142P05 Pendekatan Probabilitas 
 roundup S  i (t 1)  i ' (t 1) 
5 305-393-802-0 Triangular (-1;3,64;,1,02) Qt    MOQ
 
 MOQ 
6 P191P08 Pendekatan Probabilitas
7 305-115-104-0 Exponential (0; 0,261)
8 335-304-103-0 Pendekatan Probabilitas
9 301-480-726-0 Triangular (-1; 2,31, -0,137)

4.3 Simulasi Perhitungan Inventory dan

Pemesanan Spare Part
Dengan melakukan simulasi pada Ms.
Excel maka terdapat beberapa langkah dalam
pengambilan keputusan. Berikut adalah flow
chart keputusan dalam hal pemesanan
(ordering):
Gambar 3. 1 Alur Keputusan order
Keterangan:
t = periode
it = inventory periode ke-t
i’t = inventory on order periode ke-t

6
 S = stok maksimum
s = reorder point Tabel 4. 6 Hasil Simulasi Part 9523M21P01
MOQ = minimum order quantity SL. S.L. Total
Eksp. S s
Input Aktual Cost
1 129 90,00% 87 72% 27853,22
4.4 Perhitungan biaya inventory, Biaya 2 124 90,00% 87 69% 26837,08
Order, dan Jumlah stock out. 3 118 90,00% 87 66% 25226,16
4 113 90,00% 87 64% 23931,22
 Biaya penyimpanan dapat diketahui sebagai 5 108 90,00% 87 63% 22596,38
6 102 90,00% 87 61% 21169,53
berikut: 7 97 90,00% 87 56% 19508,99
8 135 92,50% 92 74% 30110,18
HOLDING COST 9 129 92,50% 92 73% 29364,00
10 124 92,50% 92 69% 27306,10
Capital cost 18.0% 11 118 92,50% 92 66% 25940,36
12 113 92,50% 92 66% 24981,68
Tax 1.0% 13 108 92,50% 92 63% 23081,31
Insurance 1.5% 14 102 92,50% 92 62% 21677,45
15 142 95,00% 99 78% 33737,24
Obsolescene 1.0% 16 136 95,00% 99 76% 32906,97
17 131 95,00% 99 74% 30676,48
Storage 2.5% 18 126 95,00% 99 71% 29155,85
19 120 95,00% 99 71% 28073,26
Handling 2.0% 20 115 95,00% 99 67% 26004,73
TOTAL 26% 21 109 95,00% 99 65% 24530,06
22 153 97,50% 110 87% 39384,07
23 147 97,50% 110 82% 38345,81
Biaya Holding didapat dapat dari jumlah faktor 24 142 97,50% 110 78% 35933,88
yakni sebesar 26% dikalikan dengan harga 25 136 97,50% 110 77% 34293,76
spare part tersebut. 26 131 97,50% 110 78% 33197,89
27 126 97,50% 110 76% 30921,36
28 120 97,50% 110 74% 29247,55
 Biaya Pemesanan dapat diketahui Sebesar 29 165 99,00% 123 90% 46610,77
30 160 99,00% 123 90% 44904,27
Rp. 350.000, hal ini meliputi Internet, 31 154 99,00% 123 89% 42704,77
Telepon, Fax, Pembuatan PO (Tinta, Kertas, 32 149 99,00% 123 83% 40807,97
33 144 99,00% 123 82% 39251,86
Printer, administrasi lainnya) 34 138 99,00% 123 81% 37320,52
 Jumlah Stock Out, Didapat Hasil simulasi 35 133 99,00% 123 80% 35093,53

yang menandakan dalam suatu periode yang

tidak terpenuhinya spare part, ditandakan
dengan minus.
5. Hasil Simulasi Pengelolaan Persediaan
Menggunakan metode simulasi Monte Carlo,
tiga belas part disimulasikan. Dua puluh tiga
data pertama untuk demand dalam tiap simulasi
adalah data asli yaitu data penggunaan part.
Selanjutnya, 120 data demand di-generate
berdasarkan distribusi tertentu.
5.1 Hasil Simulasi Part 9523M21P01
Untuk tiap part, simulasi dilakukan pada
berbagai kondisi service level dan S.
Menunjukkan contoh hasil simulasi untuk part
9523M21P01 pada service level 95% dan S
sebesar ROP + Q, yakni 126 item. Holding cost
sebesar $ 4,42 dan order cost sebesar $ 38,04.
Pada tabel hanya ditunjukkan 35 baris dari total
144 baris simulasi.
Diketahui base line (BL) yakni titik
awal untuk melakukan simulasi, yakni
percobaan ke-18 dengan service level (SL)
aktual sebesar 71% dengan total biaya USD
29,155.85. berdasarkan BL (pendekatan EOQ)
maka pencapaian dengan target SL 95% hanya
sebaesar 71% pada kenyataan. Maksud disini
adalah dengan parameter pendekatan EOQ maka
pencapaian SL aktual yang didapat tidak
sebaik SL target.
Setelah disimulasikan ternyata terdapat
hasil dengan SL aktual 71% senilai dengan BL,
namun dengan biaya yang lebih rendah yakni
sebesar USD 280,073, hal ini dapat dijadikan
suatu alternatif dengan kombinasi S dan s dapat
diketahui nilai yang dpakling baik diantara
skenario. Dengan base line yang ada yakni SL
71% percobaan ke 18, jika ingin menaikkan SL
aktual sebesar 80% membutuhkan biaya
sebesar USD 5,937 dan jika ingin menaikkan SL
aktual sebesar 90% maka membutuhkan biaya
USD 15,748.

7
5.2 Hasil Simulasi Part P108P38 Kecenderungan yang didapatkan adalah
semakin besar SL aktual maka biaya juga akan
Simulasi dilakukan untuk berbagai kombinasi
semakin besar, hal ni diperlihatkan dalam
service level dan S dari penggunaan service
gambar dengan kecenderungan yang terjadi.
level input sebesar 90 % hingga 99 %, serta
Jika ingin menaikkan SL aktual dari BL yakni
penggunaan S sejumlah ROP + 0,4 Q hingga
78% menjadi 83% (percobaan ke 16) dengan
ROP + 1,6 Q. Hasil dari 35 simulasi part
nilai S = 104, s = 78. Maka membutuhkan biaya
P108P38 dirangkum dalam tabel 4.13.
total sebesar USD 3,326.05. Untuk menaikkan
Tabel 4. 7 Hasil Simulasi Part P108P38 SL aktual BL menjadi SL sebesar 86% dengan
S. Lvl S.L. Total
Eksp.
S
Input
s
Aktual Cost
parameter S = 114, s = 86 maka membutuhkan
1 97 90,00% 66 78% 31242,35 biaya total sebesar USD 10.247. Namun jika
2 93 90,00% 66 78% 30449,01 ingin memaksimalkan nilai SL aktual yakni
3 89 90,00% 66 76% 28893,17
89% dengan nilai S = 128 s = 97 dengan
4 85 90,00% 66 73% 27263,38
5 81 90,00% 66 71% 25798,54 konsekuensi membutuhkan biaya total yang
6 78 90,00% 66 70% 24337,61 lebih tinggi, sebesar USD 18,628.58.
7 74 90,00% 66 71% 23102,80
8 102 92,50% 71 80% 34313,98
9 98 92,50% 71 80% 33188,62 5.3 Hasil Simulasi Part P142P05
10 94 92,50% 71 78% 31746,90 Simulasi dilakukan untuk berbagai
11 90 92,50% 71 76% 30101,45
12 86 92,50% 71 74% 28545,60
kombinasi service level dan S dari penggunaan
13 82 92,50% 71 71% 27016,42 service level input sebesar 90 % hingga 99 %,
14 78 92,50% 71 71% 25810,05 serta penggunaan S sejumlah ROP + 0,4 Q
15 108 95,00% 77 81% 38056,36
16 104 95,00% 77 83% 36959,43
hingga ROP + 1,6 Q. Hasil dari 35 simulasi part
17 100 95,00% 77 80% 35381,21 P142P05 dirangkum dalam tabel 4.15.
18 96 95,00% 77 78% 33633,38 Tabel 4. 8 Hasil Simulasi Part P142P05
19 92 95,00% 77 77% 32032,04 S. Lvl S.L. Total
Eksp. S s
20 88 95,00% 77 76% 30400,49 Input Aktual Cost
21 84 95,00% 77 73% 29086,05 1 27 90,00% 19 81% 32350,77
22 117 97,50% 86 86% 44703,27 2 26 90,00% 19 80% 30990,45
23 113 97,50% 86 86% 43881,12 3 25 90,00% 19 80% 30267,21
24 109 97,50% 86 84% 41995,40 4 24 90,00% 19 78% 28931,85
25 105 97,50% 86 83% 39876,49 5 23 90,00% 19 77% 27621,45
26 101 97,50% 86 83% 38030,58 6 22 90,00% 19 77% 26311,05
27 97 97,50% 86 82% 36239,78 7 21 90,00% 19 75% 25388,74
28 94 97,50% 86 79% 34669,40 8 29 92,50% 21 86% 34734,45
29 128 99,00% 97 89% 52261,96 9 27 92,50% 21 86% 34123,53
30 124 99,00% 97 88% 51017,16 10 26 92,50% 21 81% 33325,41
31 120 99,00% 97 88% 49126,13 11 25 92,50% 21 80% 31915,17
32 116 99,00% 97 86% 46506,35 12 24 92,50% 21 80% 30504,93
33 112 99,00% 97 85% 45274,69 13 23 92,50% 21 78% 29119,65
34 108 99,00% 97 85% 43620,39 14 22 92,50% 21 77% 28109,98
35 104 99,00% 97 84% 41907,82 15 31 95,00% 23 90% 37817,01
16 30 95,00% 23 90% 37193,61
17 29 95,00% 23 85% 36245,73
Dengan melihat keadaan base line dengan 18 28 95,00% 23 84% 34760,61
pendekatan EOQ berada pada percobaan 18 19 27 95,00% 23 81% 33325,41
20 26 95,00% 23 80% 31915,17
dengan SL aktual sebesar 78%, sedangkan SL 21 25 95,00% 23 80% 30855,58
target adalah 95%, sehingga dengan pendekatan 22 34 97,50% 26 93% 43981,52
EOQ, parameter yang dihasilkan kurang baik 23 33 97,50% 26 93% 42634,29
24 32 97,50% 26 94% 41998,41
dibandingkan dari beberapa scenario yang ada. 25 31 97,50% 26 91% 40950,69
Dalam gambar terlihat BL berada pada SL 26 30 97,50% 26 91% 39340,77
aktual 78%, tetapi dalam hasil perhitungan 27 29 97,50% 26 85% 36245,73
28 28 97,50% 26 86% 35111,26
simulasi terdapat pula percobaan ke 1 dengan 29 38 99,00% 30 98% 50833,04
SL aktual 78% tetapi dengan biaya lebih rendah 30 37 99,00% 30 98% 49435,89
yakni USD 31242.4. Hal ini menunjukkan 31 36 99,00% 30 98% 48787,53
bahwa dengan SL yang sama 78% tetapi dengan 32 35 99,00% 30 98% 47615,01
33 34 99,00% 30 97% 45905,25
mengkombinasi parameter yang ada sehingga 34 33 99,00% 30 94% 44232,93
dapat menemukan titik yang baik diantara 35 32 99,00% 30 91% 41376,22
skenario yang ditawarkan.

8
Diketahui base line yakni titik awal untuk S. Lvl S.L. Total
Eksp. S s
Input Aktual Cost
melakukan simulasi, yakni percobaan ke-18 31 9 99,00% 4 100% 3986,91
dengan service level aktual sebesar 84% dengan 32 8 99,00% 4 99% 3753,89
total biaya USD 34,760.61. Berdasarkan BL 33 8 99,00% 4 99% 3907,12
34 7 99,00% 4 99% 3877,85
(pendekatan EOQ) maka pencapaian dengan 35 6 99,00% 4 99% 4389,59
target SL 95% hanya sebesar 84% pada
aktualnya. Maksud disini adalah dengan Untuk part 305-393-802-0, didapat hasil
parameter pendekatan EOQ maka pencapaian simulasi yakni berada pada percobaan 18
SL aktual yang didapat tidak sebaik SL target. dengan nilai S sebesar 8, s sebesar 3 dan SL
Setelah disimulasikan dengan aktual adalah 95% (target SL adalah 95). Jadi
menggeser parameter persediaan ke atas dan ke memang antara SL target dan aktual mempunyai
bawah dari nilai base line, maka didapatkan nilai yang sama. Dan untuk menaikkan SL
kombinasi dari S dan s yang mempengaruhi SL aktual menjadi 98% pada percobaan 3,
aktual, diketahui untuk nilai base line, kurang membutuhkan biaya sebesar USD 235.82. yang
optimal diantara skenario yang ada. karena pada menyebabkan SL aktual naik adalah kombinasi
percobaan ke 28, didapat SL aktual sebesar 86% dari parameter persediaan seperti S dan s, jika
dengan S senilai 28 , s senilai 26 dan total biaya dilihat dari SL input maka tidak menjadi acuan
sebesar 35,111,26. untuk menaikkan SL aktual bahwa semakin besar SL input akan
dari 84% menuju 86% hanya selisih USD berpengaruh terhadap SL aktual. Hal ini
350.65. dibuktikan pada percobaan 18 dan 3. Nilai SL
input percobaan 18 adalah 95% dan SL aktual
5.4 Hasil Simulasi Part 305-393-802-0 95%, untuk percobaan 3, SL input adalah 90%
Menunjukkan contoh hasil simulasi dan SL aktual adalah 98%.
untuk part 305-393-802-0 pada service level Dengan keadaan seperti ini jika ingin
95% dan S sebesar ROP + Q. Pada tabel hanya menaikkan SL menjadi 99% maka
ditunjukkan 35 baris dari total 144 baris membutuhkan biaya sebesar USD 671.24. untuk
simulasi. menaikkan SL aktual dari 95% menjadi 100%
maka memerlukan biaya sebesar USD 780.30.
Tabel 4. 9 Hasil Simulasi Part 305-393-802-0
S. Lvl S.L. Total
Hal ini dapat disimpulkan bahwa semakin besar
Eksp. S s
Input Aktual Cost SL aktual maka diikuti dengan semakin besar
1 10 90,00% 3 99% 3897,51 pula biaya yang diperlukan.
2 9 90,00% 3 97% 3573,35
3 8 90,00% 3 98% 3442,43
4 7 90,00% 3 95% 3206,61 5.5 Hasil Simulasi Part P191P08
5 6 90,00% 3 97% 3293,21 Simulasi dilakukan pada berbagai
6 6 90,00% 3 95% 3284,36
7 5 90,00% 3 94% 3850,48
kondisi service level dan S. Menunjukkan
8 11 92,50% 3 99% 3897,51 contoh hasil simulasi untuk part P191P08 pada
9 10 92,50% 3 97% 3573,35 service level 95% dan S sebesar ROP + Q. Pada
10 9 92,50% 3 98% 3442,43 tabel hanya ditunjukkan 35 baris dari total 144
11 8 92,50% 3 95% 3206,61
12 7 92,50% 3 97% 3293,21 baris simulasi.
13 6 92,50% 3 95% 3284,36
14 5 92,50% 3 94% 3850,48
Tabel 4. 10 Hasil Simulasi Part P191P08
15 11 95,00% 3 99% 3897,51
S. Lvl S.L. Total
16 10 95,00% 3 97% 3573,35 Eksp. S s
Input Aktual Cost
17 9 95,00% 3 98% 3442,43
1 18 90,00% 14 91% 47122,51
18 8 95,00% 3 95% 3206,61
2 17 90,00% 14 91% 47122,51
19 7 95,00% 3 97% 3293,21
3 17 90,00% 14 91% 45463,86
20 6 95,00% 3 95% 3284,36
4 16 90,00% 14 91% 45463,86
21 5 95,00% 3 94% 3850,48
5 16 90,00% 14 91% 42961,85
22 11 97,50% 4 100% 4497,88
6 15 90,00% 14 91% 42961,85
23 10 97,50% 4 99% 4132,88
7 14 90,00% 14 91% 40728,22
24 9 97,50% 4 100% 3986,91
8 19 92,50% 15 93% 51651,74
25 8 97,50% 4 99% 3753,89
9 19 92,50% 15 91% 49965,02
26 7 97,50% 4 99% 3907,12
10 18 92,50% 15 91% 49965,02
27 6 97,50% 4 99% 3877,85
11 18 92,50% 15 91% 48306,37
28 5 97,50% 4 99% 4389,59
12 17 92,50% 15 91% 45804,37
29 11 99,00% 4 100% 4497,88
13 16 92,50% 15 91% 45804,37
30 10 99,00% 4 99% 4132,88
14 16 92,50% 15 91% 43570,73

9
 S. Lvl S.L. Total S. Lvl S.L. Total
Eksp. S s Eksp. S s
Input Aktual Cost Input Aktual Cost
15 21 95,00% 17 93% 55672,09 7 2 90,00% 2 99% 30817,31
16 20 95,00% 17 93% 55672,09 8 3 92,50% 2 99% 30899,87
17 20 95,00% 17 92% 53991,40 9 2 92,50% 2 99% 30817,31
18 19 95,00% 17 92% 53991,40 10 2 92,50% 2 99% 30817,31
19 19 95,00% 17 91% 51489,40 11 2 92,50% 2 99% 30817,31
20 18 95,00% 17 91% 51489,40 12 2 92,50% 2 99% 30817,31
21 17 95,00% 17 91% 49255,76 13 2 92,50% 2 99% 30817,31
22 24 97,50% 19 94% 63374,36 14 2 92,50% 2 99% 30817,31
23 23 97,50% 19 94% 63374,36 15 3 95,00% 2 99% 30899,87
24 22 97,50% 19 94% 61533,40 16 3 95,00% 2 99% 30899,87
25 22 97,50% 19 94% 59764,57 17 2 95,00% 2 99% 30817,31
26 21 97,50% 19 94% 59764,57 18 2 95,00% 2 99% 30817,31
27 21 97,50% 19 93% 57196,46 19 2 95,00% 2 99% 30817,31
28 20 97,50% 19 93% 57196,46 20 2 95,00% 2 99% 30817,31
29 27 99,00% 22 94% 72232,43 21 2 95,00% 2 99% 30817,31
30 26 99,00% 22 94% 72232,43 22 3 97,50% 2 99% 30899,87
31 25 99,00% 22 94% 70391,47 23 3 97,50% 2 99% 30899,87
32 25 99,00% 22 94% 68622,64 24 3 97,50% 2 99% 30899,87
33 24 99,00% 22 94% 68622,64 25 3 97,50% 2 99% 30899,87
34 24 99,00% 22 94% 66010,46 26 3 97,50% 2 99% 30899,87
35 23 99,00% 22 94% 66010,46 27 2 97,50% 2 99% 30817,31
28 2 97,50% 2 99% 30817,31
29 3 99,00% 2 99% 30899,87
Titik base line dengan pendekatan EOQ untuk 30 3 99,00% 2 99% 30899,87
part P191P08 berada pada percobaan 18 dengan 31 3 99,00% 2 99% 30899,87
SL target sebesar 95% dan SL aktual sebesar 32 3 99,00% 2 99% 30899,87
33 3 99,00% 2 99% 30899,87
92% dengan total biaya sebesar USD 5399140. 34 3 99,00% 2 99% 30899,87
Dengan mengacu pada hasil kombinasi dari 35 3 99,00% 2 99% 30899,87
simulasi maka diketahui bahwa titik EOQ tidak Dengan melihat kecenderungan dari hasil yang
optimal jika dibandingkan dengan skenario yang diperoleh terlihat berpusat pada 2 buah titik,
ada, karena pada percobaan 8, didapatkan hasil yakni pada titik SL aktual di 99%, tetapi yang
S = 20, s = 15 dan SL aktual adalah 93%, tetapi membedakan adalah total biaya. Sebenarnya
dengan total biaya yang lebih rendah sebesar untuk total biaya tidak terlalu beberbeda jauh,
USD 51,651.74. Bila dilihat dari hasil yang hal ini juga dilihat dari kombinasi parameter
diperoleh pada percobaan 18 dan 8, maka dapat persediaan yang hampir sama pada kedua titik
disimpulkan parameter persediaan percobaan 8 ini.
lebih baik dibandingkan dengan parameter Melihat fenomena ini dapat disimpulkan
persediaan percobaan 18. Jika ingin bahwa untuk jenis part ini untuk mencapai SL
memaksimalkan SL aktual berdasar skenario aktual 99% tidak sulit untuk dilakukan, hal ini
yang ditawarkan maka nilai SL maksimal dikarenakan dengan adanya 35 skenario yang
adalah 94% dengan S = 22, s = 19. Dan dengan disimulasikan, hasil yang diperoleh adalah
SL yang besar, dibutuhkan pula kenaikan biaya kecenderungan berpusat pada titik 99%.
sebesar USD 5,773.17.
5.7 Hasil Simulasi Part 335-304-103-0
5.6 Hasil Simulasi Part 305-115-104-0 Simulasi dilakukan pada berbagai
Menunjukkan contoh hasil simulasi kondisi service level dan S. Menunjukkan
untuk part 305-115-104-0 pada service level contoh hasil simulasi untuk part 335-304-103-0
95% dan S sebesar ROP + Q. Pada tabel hanya pada service level 95% dan S sebesar ROP + Q.
ditunjukkan 35 baris dari total 144 baris Pada tabel hanya ditunjukkan 35 baris dari total
simulasi. 144 baris simulasi.
Tabel 4. 11 Hasil Simulasi Part 305-115-104-0 Tabel 4. 12 Hasil Simulasi Part 335-304-103-0
S. Lvl S.L. Total S. Lvl S.L. Total
Eksp. S s Eksp. S s
Input Aktual Cost Input Aktual Cost
1 2 90,00% 2 99% 30817,31 1 2 90,00% 1 99% 14641,64
2 2 90,00% 2 99% 30817,31 2 2 90,00% 1 99% 14641,64
3 2 90,00% 2 99% 30817,31 3 2 90,00% 1 99% 14641,64
4 2 90,00% 2 99% 30817,31 4 2 90,00% 1 99% 14641,64
5 2 90,00% 2 99% 30817,31 5 2 90,00% 1 99% 14641,64
6 2 90,00% 2 99% 30817,31 6 1 90,00% 1 99% 14320,81

10
 S. Lvl S.L. Total S. Lvl S.L. Total
Eksp. S s Eksp. S s
Input Aktual Cost Input Aktual Cost
7 1 90,00% 1 99% 14320,81 1 2 90,00% 1 100% 26954,68
8 2 92,50% 1 99% 14641,64 2 2 90,00% 1 100% 26954,68
9 2 92,50% 1 99% 14641,64 3 2 90,00% 1 100% 26954,68
10 2 92,50% 1 99% 14641,64 4 2 90,00% 1 100% 26954,68
11 2 92,50% 1 99% 14641,64 5 2 90,00% 1 100% 26954,68
12 2 92,50% 1 99% 14641,64 6 2 90,00% 1 100% 26954,68
13 2 92,50% 1 99% 14641,64 7 2 90,00% 1 100% 26954,68
14 1 92,50% 1 99% 14320,81 8 2 92,50% 2 100% 26954,68
15 2 95,00% 1 99% 14641,64 9 2 92,50% 2 100% 26954,68
16 2 95,00% 1 99% 14641,64 10 2 92,50% 2 100% 26954,68
17 2 95,00% 1 99% 14641,64 11 2 92,50% 2 100% 26954,68
18 2 95,00% 1 99% 14641,64 12 2 92,50% 2 100% 26954,68
19 2 95,00% 1 99% 14641,64 13 2 92,50% 2 100% 26954,68
20 2 95,00% 1 99% 14641,64 14 2 92,50% 2 100% 26954,68
21 2 95,00% 1 99% 14641,64 15 2 95,00% 2 100% 26954,68
22 2 97,50% 2 100% 23835,46 16 2 95,00% 2 100% 26954,68
23 2 97,50% 2 100% 23835,46 17 2 95,00% 2 100% 26954,68
24 2 97,50% 2 100% 23835,46 18 2 95,00% 2 100% 26954,68
25 2 97,50% 2 100% 23835,46 19 2 95,00% 2 100% 26954,68
26 2 97,50% 2 100% 23835,46 20 2 95,00% 2 100% 26954,68
27 2 97,50% 2 100% 23835,46 21 2 95,00% 2 100% 26954,68
28 2 97,50% 2 100% 23835,46 22 3 97,50% 2 100% 27049,14
29 2 99,00% 2 100% 23835,46 23 3 97,50% 2 100% 27049,14
30 2 99,00% 2 100% 23835,46 24 2 97,50% 2 100% 26954,68
31 2 99,00% 2 100% 23835,46 25 2 97,50% 2 100% 26954,68
32 2 99,00% 2 100% 23835,46 26 2 97,50% 2 100% 26954,68
33 2 99,00% 2 100% 23835,46 27 2 97,50% 2 100% 26954,68
34 2 99,00% 2 100% 23835,46 28 2 97,50% 2 100% 26954,68
35 2 99,00% 2 100% 23835,46 29 3 99,00% 2 100% 27049,14
30 3 99,00% 2 100% 27049,14
31 3 99,00% 2 100% 27049,14
Melihat hasil dari simulasi, dihasilkan 32 3 99,00% 2 100% 27049,14
persebaran data terhadap SL aktual dan total 33 3 99,00% 2 100% 27049,14
biaya yang mempunyai kecenderungan memusat 34 2 99,00% 2 100% 26954,68
35 2 99,00% 2 100% 26954,68
di suatu titik. Hal ini dikarenakan parameter
persediaan seperti S (max stock) dan s (reorder
point) yang hampir sama di setiap skenario yang Untuk part 301-480-726-0, berdasar hasil
dilakukan. simulasi dengan mengatur kombinasi parameter
Dengan melihat fenomena ini dapat persediaan seperti S (max stock) dan s (reorder
disimpulkan bahwa untuk jenis part 301-480- point), sehingga didapatkan hasil dari 35
726-0, pengendalian persediaan tidak terlalu skenario berpusat pada SL aktual di level 100%.
kompleks, dengan alasan karena dari 35 Hal ini dikarenakan angka kombinasi yang
skenario simulasi hasil yang didapat SL aktual dilakukan hampir serupa, sehingga hasilnya
berpusat / mempunyai kecenderungan pada yang didapat pun hampir serupa.
angka 99% dan 100%. Sehingga untuk jenis Melihat fenomena seperti diatas atas
part ini tidak menjadi perhatian utama dalam dapat disimpulkan bahwa untuk mencapai
pengendalian persediaan. Pencapaian yang besar pencapaian 100% tidak membutuhkan
ini juga mendapat pengaruh dari kuantitas part kompleksitas yang tinggi. Hal ini dikarenakan
dan penggunaan yang tidak terlalu banyak jika dengan melakukan 35 skenario simulasi, hasil
dibandingakan dengan penggunaan part lainnya. yang didapat pun hampir sama yakni pada
service level aktual 100%. Terdapat 2
pemusatan / kecenderungan pada service level
5.8 Hasil Simulasi Part 301-480-726-0 100% tetapi pada biaya USD 26,954.6 dan
Simulasi dilakukan pada berbagai USD 27,049.1
kondisi service level dan S. Menunjukkan
contoh hasil simulasi untuk part 301-480-726-0 5.9 Hasil Simulasi Part 301-323-910-0
pada service level 95% dan S sebesar ROP + Q. Simulasi dilakukan pada berbagai
Pada tabel hanya ditunjukkan 35 baris dari total kondisi service level dan S. Tabel 4.26
144 baris simulasi. menunjukkan contoh hasil simulasi untuk part
301-323-910-0 pada service level 95% dan S
Tabel 4. 13 Hasil Simulasi Part 301-480-726-0

11
sebesar ROP + Q, yakni 81 item. Pada tabel bahwa dengan nilai SL aktual 93% mempunyai
hanya ditunjukkan 35 baris dari total 144 baris total biaya yang berbeda.
simulasi.

Tabel 4. 14 Hasil Simulasi Part 301-323-910-0 6. Kesimpulan

S. Lvl S.L. Total Beberapa kesimpulan yang dapat ditarik dari
Eksp. S s
Input Aktual Cost penelitian adalah:
1 271 90,00% 93 94% 6549,06 1. Material / spare part yang ada di Unit
2 248 90,00% 93 92% 6562,04
3 226 90,00% 93 92% 6095,58 Engine Maintenance mempunyai
4 204 90,00% 93 93% 5919,04 karakteristik penyebaran yakni sebagian
5 181 90,00% 93 92% 5748,44 besar berada pada kudaran dengan harga
6 159 90,00% 93 90% 5381,58
7 137 90,00% 93 89% 5027,40 rendah namun jumlah penggunaan yang
8 275 92,50% 98 93% 6732,44 rendah pula (kelas 2).
9 253 92,50% 98 94% 6650,26 2. Simulasi Monte Carlo yang telah
10 231 92,50% 98 93% 6494,82
11 208 92,50% 98 92% 6055,17
dilakukan dimaksudkan untuk memberi
12 186 92,50% 98 90% 6025,28 gambaran kondisi persediaan secara
13 164 92,50% 98 89% 5558,02 lebih nyata agar dapat ditentukan
14 142 92,50% 98 90% 5243,59
15 281 95,00% 104 94% 7441,19
parameter yang terbaik untuk part
16 259 95,00% 104 94% 6863,05 tertentu. Penentuan parameter S (stok
17 237 95,00% 104 97% 6832,17 maksimum) dan s (reorder point) sangat
18 215 95,00% 104 93% 6388,89 berpengaruh terhadap keberhasilan
19 192 95,00% 104 92% 6011,74
20 170 95,00% 104 92% 5915,20 pengendalian persediaan. Kombinasi
21 148 95,00% 104 91% 5828,61 parameter tersebut dapat disimulasikan
22 291 97,50% 113 94% 7345,70 agar ditemukan kombinasi yang tepat.
23 269 97,50% 113 92% 7311,38
24 246 97,50% 113 93% 7122,85
Adjustment/modifikasi rumus dasar
25 224 97,50% 113 93% 6876,21 (teoritis) diperlukan untuk
26 202 97,50% 113 94% 6476,02 mengantisipasi variabilitas yang tinggi
27 179 97,50% 113 91% 6189,44
28 157 97,50% 113 92% 6033,24
pada demand dan lead time ketika
29 302 99,00% 124 97% 8441,69 rumus EOQ tidak mampu
30 280 99,00% 124 95% 8159,32 mengakomodasi target service level.
31 257 99,00% 124 97% 7650,28 3. Kelas 1 (jumlah penggunaan tinggi;
32 235 99,00% 124 94% 7378,82
33 213 99,00% 124 94% 7250,51 harga rendah) dan 2 (jumlah
34 190 99,00% 124 91% 6626,87 penggunaan rendah; Harga rendah)
35 168 99,00% 124 93% 6546,42 dengan melihat hasil grafik, untuk
mencapai service level yang tinggi
Diketahui base line yakni titik awal untuk membutuhkan kombinasi parameter
melakukan simulasi, yakni percobaan ke-18 yang banyak.
dengan service level aktual sebesar 93% dengan 4. Kelas 3 (jumlah penggunaan rendah;
total biaya USD 6388.9. Berdasarkan BL Harga Tinggi) dengan melihat grafik,
(pendekatan EOQ) maka pencapaian dengan untuk mencapai service level tinggi
target SL 95% hanya sebesar 93% pada tidak membutuhkan kombinasi yang
aktualnya. Maksud disini adalah dengan banyak.
parameter pendekatan EOQ maka pencapain SL 5. Dengan meningkatnya parameter s
yang didapat tidak sebaik SL target. (reorder point) maka akan
Setelah disimulasikan dengan mengakibatkan meningkatnya service
menggeser parameter persediaan ke atas dan ke level aktual.
bawah dari nilai base line, maka didapatkan 6. Spare part untuk mesin pesawat
kombinasi dari S dan s yang mempengaruhi SL CFM56-3 mempunyai variability yang
aktual, diketahui untuk nilai base line kurang tinggi. Hal ini ditunjukkan dengan nilai
optimal diantara skenario yang ada, karena pada variability coefficient yang diatas 0.2.
percobaan ke 4, didapat SL aktulal sebesar 93% meskipun untuk jenis spare part
dengan S senilai 204 , s senilai 93 dan total consumable.
biaya sebesar USD 5919 . Hal ini menunjukkan 7. Dalam kasus pada PT. GMF AA,
pendekatan menggunakan EOQ tidak

12
 menjadi pendekatan terbaik, walaupun Waters, C D J (1992). Inventory Control and
untuk tipe spare part consumable. Management. John Wiley & Sons
8. Untuk perumusan yang menggunakan
pendekatan distribusi normal, bukanlah
parameter yang terbaik. Hal ini berdasar
perhitungan dengan modifikasi
parameter.
7. Daftar Pustaka
Chopra, Sunil and Meindl, Peter (2004). Supply
Chain Management –
Strategy Planning and Operation.
Prentice Hall International Edition
Law, A M dan Kelton W D. (2005). Simulation
Modelling and Analysis.
McGraw – Hill.
Lukito, H K (2007) Penentuan Replenishment
dengan Pendekatan (S,Q) dan
Statistical Process Control (SPC)
untuk Meminimalkan Biaya
Persediaan. Surabaya. Tugas Akhir TI
ITS.
Mandiri, Elan Tangguh,. (2007) Evaluasi
Kebijakan Persediaan Bahan Baku
Untuk Meningkatkan Kinerja
Persediaan di PT. TRISULAPACK
INDAH (MASPION UNIT III).
Surabaya, Tugas Akhir TI ITS.
Nasution, Arman Hakim (1999). Perencanaan
dan Pengendalian Produksi,
Jakarta, PT. Candimas Metropole
Pujawan, I Nyoman. (2005). Supply Chain
Management. Surabaya, Guna Widya
Richardus E. Indrajit dan Djokopranoto
Richardus. (2005). Strategi
Manajemen Pembelian dan Supply
Chain. Grasindo. Jakarta
Silver, E. A., Pyke; David F; Peterson, Rein
(1998) Inventory Management
and Production Planning and
Scheduling. New York, John Wiley
& Sons
Smith, S B. (1989) Computer Based Production
and Inventory Control New Jersey.
Prentice Hall International Edition
Tersine, R J (1994). Principles of Inventory
and Material Management. New
Jersey. Prentice Hall International
Edition

13