Modul 4 PANDA
Modul 4 PANDA
KELOMPOK 2
Gabriel Napitupulu 21S20007
Perkembangan teknologi yang cukup pesat dari waktu ke waktu membuat pekerjaan
yang dilakukan manusia pada umumnya dapat diselesaikan dengan cepat. Teknologi
merupakan salah satu alat bantu yang sering digunakan dalam aktivitas manusia. Peran serta
teknologi menjadikan pengolahan informasi menjadi semakin mudah karena pengolahan
sangat diperlukan agar informasi yang dihasilkan dapat bermanfaat bagi penggunanya.
1.2. Tujuan
1. Mencoba dan menguasai beberapa skema pada nilai dan kuantitas pemesanan serta dapat
mengatur ulang titik
2. Mampu mencari dan menentukan minimum biaya total persediaan (termasuk biaya
pemesanan, penyimpanan dan biaya persediaan)
1.3. Dasar Teori
Persediaan (Inventory) Menurut Arman dan Yudha (2008) persediaan adalah sumber
daya menganggur (idle resources) yang menunggu proses lebih lanjut. Sistem
persediaan merupakan salah satu bagian penting dari masalah simulasi. Ada dua
variabel keputusan yaitu penggunaan order quantity maupun reorder point dan dua
komponen probabilistik yaitu daily demand dan reorder lead 43 time. Persediaan yang
lebih besar harus bisa setimpal dengan biaya yang minimum agar tidak menimbulkan
kerugian. Ada beberapa metode untuk mengendalikan persediaan, semuanya didesain
untuk memastikan suatu sistem yang efisien untuk memutuskan what, when, dan how
much to order:
1. Minimum stock level, menentukan suatu angka minimum persediaan dan
melakukan pemesanan kembali ketika persediaan telah menyentuh angka minimal
yang disebut reorder point.
2. Stock review, mempunyai jadwal teratur untuk memantau persediaan untuk
mengisi kembali persediaan ke batas yang telah ditentukan.
3. Just in Time, bertujuan mengurangi biaya dengan meminimumkan persediaan.
Barang dikirim ketika saat mendekati pemakaian sehingga diperlukan kepastian
pemasok untuk melaksanakan kewajiban pengiriman barang.
4. Reorder lead time, menyediakan untuk tenggang waktu antara pemesanan dan
penerimaan
5. Economic Order Quantity, sebuah formula baku yang digunakan untuk
menciptakan suatu keseimbangan penyimpanan persediaan
6. Batch Control, mengelola produksi biaya dan memastikan komponen-kompone
yang dibutuhkan untuk sejumlah produksi berikutnya dalam jumlah yang tepat.
Banyak cara yang dapat dilakukan perusahaan untuk menarik minat pelanggan.
Salah satunya adalah dengan memberikan sistem diskon pada pembeli yang juga dapat
menurunkan biaya-biaya persediaan pada perusahaan. Telah banyak dikembangkan
penelitian model persediaan yang mempertimbangkan diskon dan waktu kadaluarsa
yang bertujuan untuk menimialkan biaya total persediaan yang ada.
1.3.2. Sistem
Salah satu metode simulasi ialah simulasi Monte Carlo, yang merupakan bentuk
simulasi dimana solusi dari suatu masalah diberikan berdasarkan proses randomisasi
(acak). Simulasi Monte Carlo digunakan untuk mengamati hal yang rumit,
memprediksi sesuatu di masa depan dari suatu sistem, dan mempelajari efek dari hasil
masukan dan perubahan parameter dalam suatu sistem. Menurut Tersine (1994)
simulasi monte carlo adalah jenis simulasi probabilistik yang mendekati solusi
masalah dengan sampling dari sebuah proses acak, meliputi penentuan distribusi
probabilitas dari variabel yang diteliti dan kemudian sampel acak dari distribusi untuk
mendapatkan data. Serangkaian angka acak digunakan untuk menjelaskan pergerakan
variabel acak yang memungkinkan urutan buatan realistis peristiwa yang tejadi.
Teknik simulasi Monte Carlo terbagi atas lima langkah sederhana:
1. Menetapkan sebuah distribusi probabilitas bagi variabel penting
2. Membuat distribusi probabilitas kumulatif bagi setiap variabel
3. Menetapkan sebuah interval bilangan acak bagi setiap variabel
4. Membangkitkan bilangan acak
5. Mensimulasikan serangkaian percobaan
Adapun tujuan dari simulasi ini Monte Carlo adalah:
1. Untuk meniru sebuah situasi dalam dunia nyata secara matematis,
2. Untuk mempelajari karakteristik operasi berdasarkan kesimpulan dan
mengambil keputusan tindakan berdasarkan kepada hasil simulasi.
Penjelasan implementasi Simulasi Montecarlo akan menggunakan perangkat lunak
spreadsheet. Untuk merancang simulasi Monte Carlo, dibuat terlebih dahulu distribusi
probabilitas kumulatif dan menetapkan interval bilangan acak bagi setiap variable.
Setelah itu dilakukan pembangkitan bilangan acak dan melakukan proses simulasi
dengan serangkaian percobaan.
Praktikum Optimasi dan Simulasi Bisnis yang berjudul Queuing System dilaksanakan
pada :
Tempat : Solo
Alat dan Bahan yang diperlukan adalah Laptop yang sudah diiinstal Microsoft Excel,
Software IBM SPSS Statistics 23, dan data mentah yang ada pada praktikum modul 4
“System Inventory”.
1.4.3. Metode
Adapun metode yang digunakan dalam praktikum modul 4 adalah metode System
Meteodologi:
1. Menggunakan Microsoft Excel dengan menggunakan berbagai kalkulasi seperti
penggunaan if, sum, average dan lain sebagainya.
2. Membangkitkan data acak dengan menggunakan formula randbetween pada Ms.
Excel.
3. Peralatan yang digunakan selama praktikum modul IV mengenai simulasi sistem
persediaan ialah laptop yang telah terinstal SPSS dan Ms. Excel. Proses simulasi
dilakukan dengan menggunakan software Microsoft Excel agar dapat dengan
mudah dalam membangkitkan bialangan acak (random) dalam proses simulasi.
Teknik simulasi yang dilakukan ialah teknik simulasi Monte Carlo yang dapat
memperkirakan volume setiap order maupun selang waktu antar (kedatangan)
order.
Berikut alur proses penyelesaian case study:
a. Siapkan probability distributions untuk variable
b. Buat cumulative probability distribution untuk setiap variable
c. Bentuk interval dari random number untuk setiap 4
d. Cari random numbers (menggunakan RANDBETWEEN(0,100) di
Ms.Excel)
e. Simulasikan dengan fungsi IF untuk mendapatkan demand secara acak
menggunakan random number yang sudah di dapat.
NB:
• Penyelesaian demand, revenue dan lost profit serta salvage value untuk
mendapat hasil profit. 90
• Penyelesaian permasalahan order dan reorder barang dengan fungsi IF.
Dengan hasil ending inventory dan beginning inventory yang sebelumnya
ada serta waktu pemesanan sehingga dapat menentukan order atau tidak,
pesan kembali atau tidak.
1.5. Hasil
1.5.1. EXERCISE A
Studi Kasus:
Seorang tukang roti sedang mencoba untuk menentukan berapa banyak bagel yang
dipanggang setiap hari. Bagel dijual seharga 5,4 dolar per lusin. Harganya 3,8 dolar
per lusin untuk membuatnya. Semua bagel yang tidak dijual pada akhir hari dijual
setengah harga ke toko kelontong lokal. Berdasarkan simulasi selama 5 hari, berapa
lusin (hingga 10 lusin) bagel yang harus dipanggang setiap hari?
Tabel 1. Data Mentah
Number of
Probability Cumulative Bound
Customers/Day
8 0.35 0.35 35
10 0.3 0.65 65
12 0.25 0.9 90
14 0.1 1 100
Dimana tukang roti harus mempertimbangkan :
a. Bagel dijual $5,4/lusin
b. Biaya untuk membuat bagel adalah $3,8/lusin.
c. Semua bagel tidak dijual, pada akhir hari yang dijual setengah harga ke
toko kelontong local
Dalam studi kasus ini, seorang pembuat roti ingin menentukan berapa banyak
adonan yang akan dipanggang setiap harinya. Di bawah ini merupakan data dan
pengolahannya.
Tabel 2. Hasil Pengolahan data Costumer
Number of Number of Dozen
Probability
Customers/Day ordered/Customer Probability
8 0.35 1 0.4
10 0.3 2 0.3
12 0.25 3 0.2
14 0.1 4 0.1
10 -28
20 35.8
30 56.4
40 12.2
50 -42.8
1.5.2. EXERCISE B
Studi Kasus :
Dalam permasalahan ini membahas pendistribusian widget secara berkala yaitu
setiap 7 hari. Ketika stock sudah tersisa 6 buah, maka akan dilakukan pemesanan
kembali. Setiap pemesanan berisiskan 10 unit widget. Untuk memperoleh data
tersebut dilakukan simulasi selama 6 hari seperti pada table berikut ini :
Tabel 9. Data mentah Excercise B
9 0 0 13 72 2 11 0 0 11 No
10 0 0 11 23 0 11 0 0 11 No
11 0 0 11 62 2 9 0 0 9 No
12 0 0 9 22 0 9 0 0 9 No
13 0 0 9 46 1 8 0 0 8 No
14 0 0 8 41 1 7 0 0 7 No
15 0 0 7 19 0 7 0 0 7 No
16 0 0 7 73 2 5 0 0 5 Yes 9 1 18
17 0 0 5 30 0 5 0 0 15 No
18 1 10 15 72 2 13 0 10 13 No
19 0 0 13 34 1 12 0 0 12 No
20 0 0 12 100 4 8 0 0 8 No
21 0 0 8 99 4 4 0 0 4 Yes 95 3 25
22 0 0 4 41 1 3 0 0 13 No
23 0 0 3 69 2 1 0 0 11 No
24 0 0 1 43 1 0 0 0 10 No
25 1 10 10 73 2 8 0 10 8 No
26 0 0 8 45 1 7 0 0 7 No
27 0 0 7 86 3 4 0 0 4 Yes 59 3 31
28 0 0 4 40 1 3 0 0 13 No
29 0 0 3 11 0 3 0 0 13 No
30 0 0 3 87 3 0 0 0 10 No
31 1 10 10 89 3 7 0 10 7 No
32 0 0 7 68 2 5 0 0 5 Yes 91 3 36
33 0 0 5 59 2 3 0 0 13 No
34 0 0 3 34 1 2 0 0 12 No
35 0 0 2 23 0 2 0 0 12 No
36 1 10 12 6 0 12 0 10 12 No
37 0 0 12 15 0 12 0 0 12 No
38 0 0 12 57 1 11 0 0 11 No
39 0 0 11 78 2 9 0 0 9 No
40 0 0 9 33 0 9 0 0 9 No
41 0 0 9 50 1 8 0 0 8 No
42 0 0 8 10 0 8 0 0 8 No
Shortage 0
1.5.3. EXERCISE C
Studi Kasus:
Bristol Sepeda, Inc ingin mengembangkan kuantitas order dan menyusus ulang
titik kebijakan yang akan meminimalkan biaya total yang terkait dengan inventaris
sepeda. Distribusi frekuensi relative untuk permintaan eceran secara mingguan adalah
sebagai berikut :
Tabel 13. Data Permintaan dan probabilitas
Demand Probability
0 0,2
1 0,5
2 0,1
3 0,1
4 0,05
5 0,05
Tabel 14. Distribusi frekuensi relatif waktu
Lead Time Probability
1 0,1
2 0,25
3 0,6
4 0,05
Pada permasalahan ini terdapat perusahaan sepeda, Bristol Bikes , Inc yang ingin
meningkatan jumlah pesanan dan titik pemesanan kembali yang akan meminimalkan
biaya invetorynya.
Tabel 15. Hasil Pengolahan data daily demand
Demand Probability Cumulative Bound
0 0.2 0.2 20
1 0.5 0.7 70
2 0.1 0.8 80
3 0.1 0.9 90
4 0.05 0.95 95
5 0.05 1 100
Dengan jumlah pesanan 12 dan reorder points 5, simulasi 10 minggu operasi sistem
persediaan ini.
3.6. Pembahasan
3.6.1. Baker
Pada hasil permasalahan diatas di dapat bahwa seorang tukang roti sedang
mencoba untuk menentukan berapa banyak puluhan bagel untuk memanggang setiap
hari. Pada permasalahan ini, dilakukan sebanyak 5 kali simulasi untuk lebih memastikan
hasil maksimal dari permasalahan tersebut. Simulasi tergantung terhadap banyaknya
customer perhari dan banyaknya yang dipesan oleh customer tersebut.
Dari hasil data diatas, maka informasi yang didapat sebagai berikut:
a. Harga jual untuk setiap bagel per lusin adalah $5,4, sedangkan biaya pembuatan
bagel setiap lusinnya adalah $3,8.
b. Keuntungan yang hilang dari permintaan berlebih adalah $1,6 untuk setiap kertas
yang diminta tidak dapat disediakan.
c. Nilai bagel sisa adalah $2,7.
d. Simulasi yang digunakan memperoduksi 50 bagel setiap harinya.
3.6.2. Widget
Pada hasil permasalahan diatas di dapat bahwa dengan menggunakan periode
review, reorder quantity, dan reorder point saham dikaji setiap 7 hari (tanaman adalah
beroperasi setiap hari) dan jika tingkat stok telah mencapai 6 unit, atau kurang, pesanan
untuk 10 widget ditempatkan.
Dari hasil data simulasi maka diperoleh informasi sebagai berikut:
a. Persediaan diperiksa setiap 7 hari
b. Jika persediaan telah mencapai stock level (reorder point) yaitu sebesar 6 unit atau
kurang dan untuk sekali pemesanan sebesar 10 widgets.
Untuk permasalahan ini, yang akan ditentukan adalah nilai shortage. Nilai shortage
akan berubah jika dilakukan simulasi pada jumlah quantity, order period, reorder point.
Simulasi ini diulang dengan mengubah nilai-nilai untuk kebijakan.
Untuk simulasi yang dilakukan sebanyak 20 kali maka terdapat nilai dari shortage
berubah sebanyak 25% dan selebihnya nilai dari shortage tidak mengalami perubahan
atau sama saja ketika reorder point diganti-ganti. Shortage berubah sebanyak 60% dan
selebihnya nilai shortage tidak mengalami perubahan atau sama saja ketika order quantity
diganti-ganti. Dan review period shortage berubah sebanyak 40%. Hal ini menunjukkan
bahwa perubahan dari jumlah order quantity, order period, reorder point juga akan
berpengaruh terhadap shortage.
Taha, H. A. (2011). Operation Research and Introduction 9th ed. . New York: Prentice Hall.
Winston, W. L. (2004). Operation Research Application and Algorithms 4th ed. USA: Cengage
Learning.
Bain, L., J., & Enelhardt, M. (1992). Intrroduction to Probability and Mathematical Statistics.
California: Duxbury.
Arman, H dan Yudha P. 2008. Perencanaan dan Pengendalian Produksi. Graha Ilmu. Yogyakarta
Heizer and Render B. 2005. Operation Management. Edisi ke Tujuh, Jakarta: Salemba
Tersin, R, J.1994. Principle of Inventory and Material Management. Fourth Edition, Prentice
Hall, New Jersey