Abstract
North Aceh is one of the districts in Aceh province that has great potential in the marine and fisheries sector. Many
capture fisheries resources have become superior commodities, because some parts of North Aceh are suppliers of
capture fisheries products. As for the problem in this study, there are several sub-districts in North Aceh district
experiencing a shortage of fishery products supply due to their location far from the coastline, causing high logistics
costs for the supply chain of fishery products. Therefore, an optimization model for planning the supply chain of fishery
products is needed. The purpose of this study is to create a supply chain optimization model for capture fisheries using
the mixed integer linear programming method. The steps involved in this research are compiling research instruments
and literature review, collecting and analyzing data, determining parameters and decision variables, formulating
objective functions and model constraint functions, designing optimization models, testing and modeling simulations.
This model can minimize the operational costs of the fishery product supply chain from suppliers to consumers. Testing
and simulating this model using the LINDO Software, with the result that the maximum value of the objective function
is 36 in the 15th iteration.
Keywords: Optimization, Supply chain, Fishery products, Mixed integer linear programming.
How to Cite: Nurdin, N., Taufiq, T., Bustami, B., Marleni, M., & Khairuni, K. (2023). Optimization Model of Fishery
Products Supply Chain Using Mixed Integer Linear Programming Method, JITE (Journal Of Informatics And
Telecommunication Engineering). 6(2), 378-392.
378
I. PENDAHULUAN
Aceh Utara merupakan salah satu kabupaten yang memiliki potensi besar di bidang kelautan dan
perikanan. Banyak sumber daya hasil perikanan tangkap yang menjadi komoditas unggulan, karena
sebagian wilayah Aceh Utara sebagai pemasok hasil perikanan tangkap. Namun demikian ada beberapa
kecamatan di Kabupaten Aceh Utara mengalami kekurangan pasokan hasil perikanan tangkap, karena letak
wilayahnya yang jauh dari pantai, sehingga menyebabkan biaya logistik rantai pasok hasil perikanan
tangkap menjadi tinggi (Nurdin et al, 2021). Oleh sebab itu diperlukan sebuah model optimisasi
perencanaan dan pengelolaan rantai pasok distribusi hasil perikanan tangkap (Fajriana, 2021). Salah satu
cara dalam pemanfaatan sumber daya alam di laut dan pesisir yaitu dengan perikanan tangkap (Andriani,
2015). Perikanan tangkap dapat menjadi salah satu komoditas andalan, sekaligus menjadi alternatif
pendapatan masyarakat (Rahmad, 2016). Dengan adanya tantangan global, pihak yang terkait dengan
pengelolaan hasil perikanan terorganisasi dalam suatu jaringan yang tercakup dalam berbagai proses dan
aktivitas untuk menghasilkan produk akhir dan mendistribusikannya ke masyarakat. Tujuan utamanya
adalah meningkatkan mutu produk yang tepat pada tempat yang tepat dan waktu yang tepat pula dengan
biaya minimum (Yu et al, 2015). Jaringan demikian ini disebut sebagai rantai pasok.
Manajemen rantai pasok didefinisikan sebagai proses logistic dan produksi dari suatu jaringan
perusahaan untuk industri tertentu (Santa Eulalia et al, 2011). Jadi rantai pasok dapat dipandang sebagai
jaringan terhubung antar unit organisasi yang beroperasi dan terkoordinasi untuk mengelola,
mengendalikan dan meningkatkan arus materi dan informasi yang dimulai dari pemasok sampai ke
masyarakat (konsumen), karena adanya kompleksitas pada proses pengambilan keputusan dalam rantai
pasok, terjadi peningkatan kebutuhan terhadap metodologi pemodelan. Model optimisasi rantai pasok
hasil perikanan tangkap ini dibangun dengan menggunakan pendekatan metode Mixed Integer Linear
Programming (Nurdin et al, 2020). Metode Mixed Integer Linear Programming (MILP) dipandang dapat
memberikan kerangka kerja optimisasi matematika untuk merepresentasikan karakteristik persoalan.
(Timpe & Kallrath, 2000) mengemukakan model MILP yang mengintegrasikan seluruh komponen dalam
rantai suplai pasok termasuk lokasi pemasok. Model MILP dan strategi komputasi untuk menyelesaikan
persoalan rantai suplai dua eselon, dengan adanya ketidakpastian pada tingkat persediaan. Menurut
(Gajpa & Nourelfath, 2015) menyelesaikan sistem produksi multi periode yang mengintegrasikan
perencanaan dan pengelolaan rantai suplai. Namun perlu di catat bahwa kebanyakan yang muncul di
literatur membicarakan perencanaan pengelolaan dalam rantai suplai secara umum, tidak ada yang
membahas khusus tentang sumber daya hasil perikanan.
Produksi ikan termasuk jenis produk yang cepat kadaluarsa. Kondisi ini menambah tingkat
kesulitan terhadap pengelolaan rantai pasok. Kesulitan ini mencakup jangka waktu penyimpanan ikan
sebelum dan sesudah diproses. Jadi, perlu diperhatikan jumlah bahan mentah yang akan disimpan dan
hasil produksi yang akan dikirim ke pusat distribusi, serta kapasitas tempat penyimpanan (Seyedhosseini
& Ghoreshi, 2014). Model optimisasi yang diajukan secara eksplisit mengandung parameter tak pasti, yaitu
parameter ketersediaan hasil perikanan dan permintaan pasar. Dalam literature persoalan optimisasi
dengan adanya ketidakpastian muncul pada topic program stokastik (Ruszczynski & Shapiro, 2013). Dalam
model demikian, fungsi objektif pada umumnya merupakan minimisasi biaya ekspektasi atau
memaksimumkan ekspektasi keuntungan (linier atau tak linier).
Model optimisasi matematika telah menjadi teknologi tinggi dalam perencanaaan dan pengelolaan
sumber daya perikaan yang dalam kaitan ini dicakupkan dalam rantai pasok. Model optimisasi matematika
merepresentasikan paradigma konseptual yang kokoh untuk menganalisis dan menyelesaikan persoalan
yang timbul dalam perencanaan terintegrasi rantai pasok sumberdaya hasil perikanan dan pada
kelanjutannya pengembangan perangkat lunak yang diperlukan (Li & Amini, 2012). Model optimisasi
matematika rantai pasok yang diajukan secara eksplisit disini mengandung parameter ketidakpastian,
yaitu parameter ketersedia hasil perikanan dan parameter permintaan pasar. Ketidakpastian permintaan
merupakan salah satu permasalahan yang dihadapi perusahaan atau organisasi yang dapat berakibat
negatif terhadap keuntungan yang dialami oleh perusahaan. Dalam menghadapi kondisi diatas, maka
diperlukan model perencanaan rantai pasok terintegrasi (Jiao et al, 2018), untuk mengatasi dan
mengurangi masalah ketidakpastian dalam rantai pasok, maka digunakan model optimisasi robust
(Govinda & Soleiman, 2017).
379
Adapun tujuan dari penelitian ini adalah untuk mendapatkan sebuah model optimisasi rantai pasok
hasil perikanan dengan menggunakan mixed integer linear programming. Model yang dihasilkan ini dapat
meminimumkan biaya transportasi ke tempat pemasok, meminimumkan biaya transportasi dari pemasok
ke tempat distribusi center dan meminimumkan biaya transportasi dari tempat distribusi center ke
konsumen, serta meminimumkan biaya persediaan produk pada pemasok dan pada distribusi center.
380
Komponen dari vektor feasibel basic optimal (xb)k untuk menyelesaikan masalah terhadap MILP
dituliskan sebagai berikut:
Dengan catatan bahwa: pernyataan tersebut bisa ditemukan dalam prosedur akhir dari metode
simpleks. Jika (xb)k merupakan suatu variabel integer dapat diasumsikan bahwa non integer, kemudian
partisikan menjadi komponen pecahan serta komponen integer yang diberikan oleh:
Andaikan yang diinginkan untuk bisa menambah (xb)k terhadap bilangan integer yang terdekat
yaitu ([β]+1). Berdasarkan gagasan dari penyelesaian sub-optimal yang mungkin untuk dinaikkan suatu
variabel non basic khusus katakanlah (XN)J* dengan batas atasnya yaitu nol yang diberikan αkj* sebagai
suatu elemen dari vector ∆j* merupakan negatif. Andai ∆j* adalah jumlah dari perpindahan non variable
(XN)J* sehingga nilai numerik dari skalar (XN)k merupakan nilai integer. Merujuk ke persamaan (5), maka ∆j*
bisa dinyatakan sebagai berikut:
Sementara itu variabel non basic yang tersisa ada pada nol. Bisa dilihat setelah disubstitusikan (7)
pada persamaan (5) untuk (XN)J* untuk menghitungkan partisi dari βK yang ada pada persamaan (6) maka
diperoleh:
Sehingga (XB)k adalah interger. Dengan demikian jelas bahwa variabel non basic dapat memainkan
peran penting untuk menjumlahkan variabel basic yang sesuai. Sehingga hasil berikutnya perlu untuk
memastikan bahwa variabel tidak integer dapat bekerja dalam proses penjumlahan dan pembulatan.
Dari langkah-langkah penelitian diatas, dapat digambarkan ke dalam tahapan penelitiannya sebagai
berikut
Tabel 1. Hasil Perikanan Tangkap Pelabuhan Perikanan Krueng Mane Kabupaten Aceh Utara
Jenis Kapal Jenis Ikan Tahun Volume Produksi Nilai Produksi
KM_0005 Bawal 2020 144.667 6.547.049.000
KM_0005 Belanak 2020 7.203 158.466.000
Biji
KM_0005 Nangka 2020 7.203 144.060.000
KM_0005 Cakalang 2020 86.8 2.256.800.000
KM_0005 Gulamah 2020 87.89 1.845.690.000
Julung-
KM_0005 julung 2020 84.217 1.684.340.000
KM_0005 Kaci-kaci 2020 61.65 1.972.800.000
KM_0005 Kakap 2020 27.92 1.396.000.000
KM_0005 Kapas- 2020 14.39 316.580.000
382
kapas
KM_0005 Tongkol 2020 70.585 1.411.700.000
KM_0005 Bawal 2020 71.66 3.368.020.000
KM_0005 Kakap 2020 47.209 2.230.850.000
KM_0005 Layur 2020 5.76 120.960.000
KM_0005 Tongkol 2020 25.76 566.720.000
KM_0005 Tuna 2020 5.756 115.120.000
KM_0005_0010 Bawal 2020 126.715 5.368.145.000
KM_0005_0010 Kakap 2020 46.1 1.682.560.000
KM_0005_0010 Tenggiri 2020 34.54 1.036.200.000
KM_0005_0010 Bawal 2020 69.2 3.252.400.000
KM_0005_0010 Cakalang 2020 69.1 1.796.600.000
KM_0005_0010 Kakap 2020 34.58 1.729.000.000
KM_0005_0010 Tenggiri 2020 34.7 1.041.000.000
KM_0010_0020 Bawal 2020 46.1 1.890.100.000
KM_0010_0020 Cakalang 2020 46.08 1.198.080.000
KM_0010_0020 Kakap 2020 46.2 2.310.000.000
KM_0010_0020 Tenggiri 2020 46.15 1.384.500.000
KM_0010_0020 Teri 2020 46.18 692.700.000
KM_0010_0020 Tongkol 2020 46.2 1.016.400.000
KM_0020_0030 Bawal 2020 36.15 1.482.150.000
KM_0020_0030 Tenggiri 2020 72.2 2.166.000.000
KM_0020_0030 Tongkol 2020 72.3 1.590.600.000
KM_0020_0030 Tuna 2020 36.1 722.000.000
KM_0030_0050 Bawal 2020 321.936 13.976.982.000
KM_0030_0050 Cakalang 2020 781.052 20.307.352.000
KM_0030_0050 Gulamah 2020 152.231 3.196.851.000
Julung-
KM_0030_0050 julung 2020 90.777 1.815.540.000
KM_0030_0050 Kaci-kaci 2020 99.2 3.174.400.000
KM_0030_0050 Kakap 2020 185.919 9.295.950.000
KM_0030_0050 Tenggiri 2020 1.405.273 50.098.150.000
KM_0030_0050 Tongkol 2020 1.618.292 33.894.106.000
KM_0030_0050 Tuna 2020 794.62 15.892.400.000
KM_0050_0100 Bawal 2020 38.875 1.593.875.000
KM_0050_0100 Cakalang 2020 109.995 2.859.870.000
Cumi-
KM_0050_0100 cumi 2020 33.772 1.013.160.000
KM_0050_0100 Kaci-kaci 2020 23.098 739.136.000
KM_0050_0100 Kakap 2020 63.027 3.151.350.000
KM_0050_0100 Tenggiri 2020 153.315 5.525.300.000
KM_0050_0100 Tongkol 2020 80.434 1.702.348.000
KM_0050_0100 Tuna 2020 75.781 1.515.620.000
Sumber Statistik KKP: https://statistik.kkp.go.id/
383
Tabel 2. Hasil Perikanan Tangkap Pelabuhan Perikanan Kuala Cangkoy Kabupaten Aceh Utara
Jenis Kapal Jenis Ikan Tahun Volume Produksi Nilai Produksi
KM_0005 Cakalang 2020 2.066 61.980.000
KM_0005 Kakap 2020 1.124 35.968.000
KM_0005 Kurisi 2020 1.668 66.720.000
KM_0005 Kuwe 2020 1.806 59.598.000
KM_0005 Tenggiri 2020 1.226 49.040.000
KM_0005 Cakalang 2020 2.694 80.820.000
KM_0005 Kakap 2020 2.129 68.128.000
KM_0005 Kurisi 2020 2.233 89.320.000
KM_0005 Kuwe 2020 2.218 73.194.000
KM_0005 Tenggiri 2020 1.78 71.200.000
KM_0005 Bawal 2020 4.642 190.322.000
KM_0005 Tuna 2020 5.842 146.050.000
KM_0005_0010 Kakap 2020 7.187 229.984.000
KM_0005_0010 Layang 2020 6.878 144.438.000
KM_0005_0010 Layur 2020 6.368 133.728.000
KM_0005_0010 Selar 2020 9.537 219.351.000
KM_0005_0010 Tenggiri 2020 7.924 316.960.000
KM_0005_0010 Tongkol 2020 27.177 597.894.000
KM_0005_0010 Tuna 2020 31.4 785.000.000
KM_0005_0010 Cakalang 2020 35.921 1.077.630.000
KM_0005_0010 Kakap 2020 15.749 503.968.000
KM_0005_0010 Kurisi 2020 22.643 905.720.000
KM_0005_0010 Kuwe 2020 23.38 771.540.000
KM_0005_0010 Tenggiri 2020 10.865 434.600.000
KM_0020_0030 Bawal 2020 83.135 3.408.535.000
KM_0020_0030 Cakalang 2020 84.923 2.547.690.000
KM_0020_0030 Kembung 2020 94.947 2.373.675.000
KM_0020_0030 Kuwe 2020 159.538 5.264.754.000
KM_0020_0030 Layang 2020 84.978 1.784.538.000
KM_0020_0030 Layur 2020 70.971 1.490.391.000
KM_0020_0030 Lemuru 2020 145.142 2.687.229.000
KM_0020_0030 Peperek 2020 66.496 1.329.920.000
KM_0020_0030 Selar 2020 142.04 2.995.428.000
KM_0020_0030 Tongkol 2020 153.757 3.382.654.000
Sumber Statistik KKP: https://statistik.kkp.go.id/
Tabel 3. Hasil Perikanan Tangkap Pelabuhan Perikanan Blang Mee Kabupaten Aceh Utara
Jenis Kapal Jenis Ikan Tahun Volume Produksi Nilai Produksi
KM_0005 Bawal 2020 299.118 13.059.510.000
KM_0005 Gulamah 2020 130.2 2.734.200.000
Julung-
KM_0005 julung 2020 96.25 1.925.000.000
KM_0005 Kaci-kaci 2020 32.1 1.027.200.000
384
Jenis Kapal Jenis Ikan Tahun Volume Produksi Nilai Produksi
KM_0005 Kakap 2020 172.965 7.091.700.000
KM_0005_0010 Bawal 2020 556.689 24.794.475.000
KM_0005_0010 Cakalang 2020 112.4 2.922.400.000
KM_0005_0010 Gulamah 2020 144.141 3.026.961.000
Julung-
KM_0005_0010 julung 2020 67.2 1.344.000.000
KM_0005_0010 Kaci-kaci 2020 156.818 5.018.176.000
KM_0005_0010 Tongkol 2020 345.92 7.379.500.000
KM_0010_0020 Bawal 2020 414.59 16.998.190.000
KM_0010_0020 Tongkol 2020 414.82 9.126.040.000
KM_0010_0020 Tongkol 2020 415.05 8.301.000.000
KM_0020_0030 Bawal 2020 75.77 3.333.880.000
KM_0020_0030 Tenggiri 2020 5.4 162.000.000
KM_0020_0030 Tongkol 2020 21.695 477.290.000
KM_0020_0030 Tuna 2020 21.695 433.900.000
KM_0020_0030 Udang 2020 5.4 162.000.000
KM_0020_0030 Cakalang 2020 64.87 1.686.620.000
KM_0020_0030 Kaci-kaci 2020 43.27 1.384.640.000
KM_0020_0030 Tenggiri 2020 64.47 2.578.800.000
KM_0020_0030 Tongkol 2020 43.27 951.940.000
KM_0020_0030 Tuna 2020 107.17 2.143.400.000
Sumber Statistik KKP: https://statistik.kkp.go.id/
385
Gambar 2. Model jaringan rantai pasok hasil perikanan tangkap
Ada beberapa jenis hasil perikanan tangkap yang akan didistribusikan pada pada Kabupaten Aceh
Utara Propinsi Aceh yaitu: jenis ikan pelangis, jenis ikan demersal dan jenis ikan karang. Jenis hasil
perikanan ini dinyatakan dalam bentuk indeks . Setiap jenis produk hasil perikanan ini
diasumsikan mengambil pada diagram rantai pasok seperti yang ada pada gambar diatas. Formulasi yang
digunakan pada pembentukan model optimisasi rantai pasok hasil perikanan menggunakan
Mixed Integer Linier Programming sebagai berikut:
1. Himpunan
2. Parameter
center d ∈ D (Rp)
konsumen k ∈ K (Rp)
386
= Jumlah produksi produk m ∈ M oleh pemasok p ∈ P
3. Variabel keputusan
4. Variabel biner
Minimum BT X + BT
pP
p p
pP vV
Y +
pv pv BT
pP d D mM vV
vm
pd
vm
R pd +
(9)
BT
d D kK mM vV
dk
vm
dk
Svm + C pm PApm +
pP mM
C
mM d D
md PAmd
a
pP vV
Y
kpv kpv = 1 k K (10)
X p − Ypv 0 p P, v V (11)
R
pP mM
m
pd KPpdm
pP mM
d D (12)
387
S
d D mM
dk
m KD
d D mM
d
m k K (14)
S
kK mM
dk
m = PP
kK mM
k
m d D (15)
vm
Rpd , Svmdk , PApm , PApd 0 p P, d D, m M , v V (18)
Persamaan (9) merupakan fungsi objektif (fungsi tujuan). Bagian pertama dari fungsi objektif
(fungsi tujuan) ini biaya untuk pemilihan pemasok p∈P. Kedua, biaya transportasi ke pemasok p∈P dengan
rute v∈V. Ketiga, biaya transportasi dari pemasok p∈P ke distribusi center d∈D dengan rute v∈V. Keempat,
biaya transportasi dari distribusi center d∈D ke konsumen k∈K dengan rute v∈V. Kelima, biaya persediaan
produk m∈M pada pemasok p P . Keenam, biaya persediaan produk m∈M pada distribusi center d∈D .
Persamaan (10) merupakan fungsi kendala model, persamaan ini menyatakan bahwa setiap
pemasok p∈P dengan menggunakan rute v∈V mengunjungi konsumen k∈K yang terpilih hanya sekali.
Persamaan (11) merupakan fungsi kendala model, persamaan ini menyatakan bahwa setiap pemasok p∈P
yang terpilih dengan menggunakan rute v∈V untuk mengunjungi fasilitas harus lebih besar atau sama
dengan nol. Persamaan (12) merupakan fungsi kendala model, persamaan ini menyatakan bahwa jumlah
produk m∈M yang dikirimkan dari pemasok p∈P ke distribusi center d∈D tidak boleh melebihi kapasitas
pemasok p∈P. Persamaan (13) merupakan fungsi kendala model, persamaan ini menyatakan bahwa
jumlah produk m∈M yang dikirimkan dari pemasok p∈P ke distribusi center d∈D tidak boleh lebih besar
dari jumlah produk m∈M yang dikirimkan dari distribusi center d∈D ke konsumen k∈K. Persamaan (14)
merupakan fungsi kendala model, persamaan ini menyatakan bahwa jumlah produk m∈M yang dikirimkan
dari distribusi center d∈D ke konsumen k∈K tidak boleh melebihi kapasitas distribusi center d∈D.
Persamaan (15) merupakan fungsi kendala model, persamaan ini menyatakan bahwa jumlah produk m∈M
yang dikirimkan dari distribusi center d∈D ke konsumen k∈K harus bisa memenuhi permintaan produk
m∈M oleh konsumen k∈K. Persamaan (16) merupakan fungsi kendala model, persamaan ini menyatakan
bahwa total seluruh persediaan awal produk m∈M pada pemasok p∈P terdiri dari persediaan awal produk
m∈M pada distribusi center d∈D ditambahkan jumlah produksi pada pemasok p∈P dan di kurangi jumlah
produk m∈M yang akan dikirimkan dari pemasok p∈P ke distribusi center d∈D. Persamaan (17)
merupakan fungsi kendala model, persamaan ini menyatakan bahwa total seluruh persediaan awal produk
m∈M pada distribusi center d∈D terdiri dari persediaan awal distribusi center d∈D ditambahkan jumlah
produk m∈M yang akan dikirimkan dari pemasok p∈P ke distribusi center d∈D dikurangi jumlah produk
m∈M yang dikirimkan dari distribusi center d∈D ke konsumen k∈K. Persamaan (18) merupakan fungsi
kendala model, persamaan ini menyatakan kendala bilangan bulat, untuk setiap variabel yang bernilai
bilangan bulat.
D. Perhitungan dan Pengujian Model Optimisasi Rantai Pasok
Untuk melakukan perhitungan dan pengujian model matematika (model optimisasi rantai pasok)
pada penelitian ini menggunakan aplikasi Linier Interactive and Discrete Optimizer (LINDO). Data yang
digunakan pada penelitian ini yaitu data numerik dalam bentuk matriks berupa data simulasi. Berikut ini
dilampirkan perhitungan dan pengujian data dengan tahapan sebagai berikut:
1. Meminimumkan biaya pemilihan tempat pemasok p ∈ P dari beberapa pemasok yang ada
388
Min 3 xp11 + 2 xp12 + 2 xp13 + 1 xp14 + 3 xp15
389
+ 4 pm31 + 4 pm32 + 2 pm33 + 2 pm34 + 4 pm35
8. Menyatakan bahwa setiap pemasok p ∈ P yang terpilih dengan menggunakan rute v ∈ V untuk
mengunjungi fasilitas harus lebih besar atau sama dengan nol.
pv11 + pv12 + pv13 + pv14 + pv15 - pv11 - pv12 - pv13 - pv14 - pv15 <= 0
pv21 + pv22 + pv23 + pv24 + pv25 - pv21 - pv22 - pv23 - pv24 - pv25 <= 0
pv31 + pv32 + pv33 + pv34 + pv35 - pv31 - pv32 - pv33 - pv34 - pv35 <= 0
pv41 + pv42 + pv43 + pv44 + pv45 - pv41 - pv42 - pv43 - pv44 - pv45 <= 0
pv51 + pv52 + pv53 + pv54 + pv55 - pv51 - pv52 - pv53 - pv54 - pv55 <= 0
9. Persamaan ini menyatakan bahwa jumlah produk m ∈M yang dikirimkan dari pemasok p ∈ P ke
distribusi center d ∈ D tidak boleh lebih besar dari jumlah produk m ∈M yang dikirimkan dari distribusi
center d ∈ D ke konsumen k ∈ K.
390
2 pd15 >= 3 dm15
V. SIMPULAN
Penelitian ini menghasilkan model optimisasi rantai pasok hasil perikanan tangkap dengan
menggunakan metode mixed integer linear programming, dengan mempertimbangkan ketidakpastian
pada suplai hasil perikanan tangkap, sehingga perlu adanya inventory pada pemasok dan distribusi center
untuk mencukupi permintaan konsumen. Model ini merupakan model optimisasi untuk meminimumkan
biaya transportasi ke tempat pemasok, meminimumkan biaya transportasi dari pemasok ke distribusi
center, meminimumkan biaya transportasi dari distribusi center ke konsumen dan meminimumkan biaya
persediaan produk pada pemasok dan pada distribusi center. Hasil perhitungan dan pengujian model ini
menggunakan Software LINDO dengan nilai maksimum dari fungsi tujuan adalah 36 pada iterasi ke 15.
DAFTAR PUSTAKA
Andriani, A. (2015). Prediksi Kenaikan Rata-Rata Volume Perikanan Tangkap Dengan Teknik Data Mining.
Jurnal Teknologi Informasi dan Komunikasi Terapan , 117-121.
Fajriana, F. (2021). Analisis Algoritma K-Medoids Pada Sistem Klasterisasi Produksi Perikanan Tangkap
Kabupaten Aceh Utara. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 7 (2), 263-269.
Gajpal.,Y. M. Nourelfath. (2015). Two efficient heuristics to solve integrated load distribution and
production planning. Reliability Engineering and System Safety, vol. 144, 204-214.
Govinda K, Soleimani H. (2017). A review of reverse logistics and closed-loop supply chains. Journal of
cleaner production focus. J. Clean. Prod. 142(1), 371-384.
Hablum, R. J., Khairan, A., & Rosihan. (2019). Clustering Hasil Tangkap Ikan di Pelabuhan Perikanan
Nusantara (PPN) Ternate Menggunakan Algoritma K-Means. JIKO (Jurnal Informatika dan
Komputer) Ternate , 02 (1), 26-33.
Jiao Z, Ran L, Zhangm Y, Li Z, Zhang W. (2018). Data-driven approaches to integrated closed-loop
sustainable supply chain design under multi-uncertainties. Journal of Cleaner Production ; 185(2),
105-127.
Kusnadi, Hakim, M. L., & Martha, D. (2017). Aplikasi Informasi Hasil Penangkapan Ikan Berbasis Web.
Jurnal Digit , 7 (1), 14-26.
Li, H., Amini. H. (2012). A Hybrid Optimization Approach to Configure Supply Chain for New Product
Diffusion: A Case Study of Multiple-Sourcing Strategy. International Journal of Production Research,
50 , 3152–3171.
Nurdin, N., Bustami, B., & Maryana, M. (2021). Robust Optimization Approach For Agricultural Commodity
Supply Chain Planningg. Journal of Theoretical and Applied Information Technology, 99 (2), 304-
315.
Nurdin, N., Fajriana, F., Maryana, M., & Zanati, A. (2021). Information System for Predicting Fisheries
Outcomes Using Regression Algorithm Multiple Linear. JITE (Journal Of Informatics And
Telecommunication Engineering). 5 (2), 247-258
Nurdin, N., Zarlis, M., Tulus, T., & Efendi, S. (2020). Mixed Integer Linear Programming Model For
Integrated Fish Supply Chain Planning. Journal of Theoretical and Applied Information Technology,
98 (12), 2017-2028.
Nurdin, N., Zarlis, M., Tulus, T., & Efendi, S. (2019). Data Driven Optimization Approach to Fish Resources
Supply Chain Planning in Aceh Province. IOP Conf. Series: Journal of Physics: Conf. Series 1255
(2019) 012081.
Nurdin, N., Zarlis, M., Tulus, T., & Efendi, S. (2021). Optimization and Computing Model of Fish Resource
Supply Chain Distribution Network. IOP Conf. Series: Journal of Physics: Conf. Series 1898 (2021)
012022.
391
Rahmad. (2016). Developing Regional Competitiveness Based Fishery Harbour Landing Fish (PPI) Peudada
Bireuen District-Aceh. Jurnal Kebangsaan , 5 (9), 18-24.
Razak, M. A., & Riksakomara, E. (2017). Peramalan Jumlah Produksi Ikan Dengan Menggunakan
Backpropagation Neural Network. Jurnal Teknik ITS , 6 (1), 142-148.
Rosiyanti, H. (2016). Penggunaan Software LINDO dengan Metode Pembelajaran Penemuan Terbimbing
untuk Meningkatkan Motivasi Belajar Mahasiswa Matematika Angkatan 2013 pada Matakuliah
Program Linier. FIBONACCI: Jurnal Pendidikan Matematika, 2 (2), 19-27.
Ruszczynski A, Shapiro A. (2013). Stochastic programming. Handbooks in operations research and
management science, vol. 10. New York; North-Holland.
Seyedhosseini., S. M and Ghoreyshi, S. M. (2014). An integrated model for production and distribution
planning of perishable products with inventory and routing considerations. Mathematical Problems
in Engineering, Vol. 2014, Article ID 475606.
Santa-Eulalia, L. A, S. Damours, J. M.Frayret, C. C. Menegusso R. C. Azevedo., (2011). Advanced Supply Chain
Planning Systems (APS) Today and Tomorrow. In Supply Chain Management– Pathways for
Research and Practice (D. ONKAL, ED.), InTech, Croatia.
Timpe, C. H J. Kallrat. (2000). Optimal planning in large multi-site production networks. Eur. J. Oper. Res.
126, 422–435.
Ummah, I., & Izzati, N. (2018). Prediksi Jumlah Tangkap Ikan di Pelabuhan Perikanan Nusantara Brondong
Menggunankan Fuzzy Time Series Model Chen. Jurnal Reaktom , 03 (02), 16-21.
Yu.,V. F N., Normasari., M. E. and Luong., H. T. (2015). Integrated location-production-distribution planning
in a multiproducts supply chain network design model, Mathematical Problems in Engineering, vo.
2015, Article ID 473172, 1-13.
392