PENENTUAN LOKASI WAREHOUSE BARU DENGAN PENDEKATAN MULTI CRITERIA GOAL PROGRAMMING UNTUK MENCAPAI EFISIENSI RUTE PENGIRIMAN

(1)

PENENTUAN LOKASI WAREHOUSE BARU DENGAN PENDEKATAN MULTI

CRITERIA GOAL PROGRAMMING UNTUK MENCAPAI EFISIENSI RUTE

PENGIRIMAN

(Studi Kasus: PT.Coca-Cola Amatil Indonesia unit Balinusa)

I Dewa GD. Eka Wirya Guna, I Nyoman Pujawan Jurusan Teknik Industri

Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111

Email: [email protected] ; [email protected]

Abstrak

Pada pertengahan tahun 2010, terjadi penumpukan pada warehouse plant sebelah barat yang menyebabkan PT. Coca-Cola Amatil Indonesia unit Balinusa berencana membangun warehouse baru untuk produk Coca-Cola yang diproduksi unit Balinusa maupun unit dari luar dengan produk OWP (One Way Packing). Penentukan lokasi warehouse yang baru mengunakan Multi Criteria Decision Making dengan model Analytical Hierarchy Process (AHP) – Goal programming (GP) untuk menentukan 2 alternatif lokasi. Simulasi Monte Carlo digunakan untuk membangkitkan permintaan dengan bilangan acak mengikuti distribusi data permintaan yang ada. Diakhir, peneliti melakukan proses simulasi rute pengiriman produk berdasarkan 2 alternatif lokasi yang terpilih oleh AHP-GP untuk mendapatkan lokasi yang tepat dengan rute pengiriman yang efisien.

Hasil yang didapatkan dalam penelitian tugas akhir ini adalah lokasi Mengwi terpilih sebagai kandidat dengan rute pengiriman yang efisien, dimana hasil yang diperoleh total jarak pengiriman dari lokasi Mengwi 19,4% lebih rendah dibandingkan kandidat lokasi Tabanan.

Kata Kunci : Multi Criteria Decision Making, Analytical Hierarchy Process (AHP), Goal programming (GP), Routing

ABSTRACT

In mid 2010, there are accumulation stocks in the west warehouse plant. Therefore, PT. Coca – Cola Amatil Indonesia Balinusa unit plans to build a new warehouse for Coca – Cola’s product which is produced by Balinusa and outside unit with OWP (One Way Packing) product. Deciding new warehouse location is using Multi Criteria Decision Making with Analytical Hierarchy Process (AHP) – Goal Programming (GP) to determine 2 alternative locations. Monte Carlo simulation is used to generate each sales center’s demand. At last, researcher simulate delivery product’s route based on 2 alternative locations to get the right location and efficient delivery route.

Results obtained in this research is Mengwi location as the candidate for efficient delivery route where the result is total delivery distance from Mengwi 19,4% lower than Tabanan location.

Keywords: Multi Criteria Decision Making, Analytical Hierarchy Process (AHP), Goal programming (GP), Routing

1. Pendahuluan

Pada masa sekarang manajemen warehouse dan jaringan distribusi serta transportasi sangatlah penting bagi sebuah perusahaan. Warehouse merupakan salah satu komponen dari suatu perusahaan yang sangat menunjang proses produksi. Hal ini dikarenakan warehouse

menyimpan bahan atau peralatan yang dibutuhkan dalam proses produksi serta produk jadi dari proses produksi itu sendiri. Didalam suatu industri dikenal beberapa jenis warehouse yaitu: warehouse bahan baku yang befungsi untuk penyimpanan bahan baku dan warehouse produk jadi yang berfungsi untuk menyimpan produk jadi hasil proses produksi. PT.

(2)

Coca-Cola Amatil Indonesia (selanjutnya disebut PT.CCAI) unit Balinusa merupakan perusahaan manufaktur yang bergerak dalam bidang industri minuman ringan dengan daerah cakupan Bali, NTB, dan NTT. Unit Balinusa memiliki beberapa Sales center (SC) yang tersebar, pada tahun 2010 di pulau Bali sendiri terdapat 6 sales

center yaitu Denpasar, Klungkung, Tabanan,

Ubud, Singaraja, dan Kuta. Sedangkan di Nusa Tenggara Barat terdapat 3 SC yaitu Mataram, Sumbawa dan Bima. Untuk wilayah Nusa Tenggara Timur dilayani oleh AMC (Area

Marketing Contractor) yang merupakan pihak

ketiga yang bekerja sama untuk mendistribusikan produk Coca-Cola. Pada tahun 2010, PT. CCAI unit Balinusa memiliki 2

warehouse yaitu: Warehouse di Ketewel (sewa),

dan warehouse di Mengwi (milik sendiri) dengan kapasitas 58000 kerat (warehouse barat dan timur). Warehouse yang berlokasi di ketewel dipergunakan untuk produk OWP (One

way packing) produk sekali pakai seperti produk

kaleng, dan botol plastik (PET), Sedangkan

warehouse yang berlokasi di Mengwi

diperuntukkan bagi produk RGB (Returnable

Glass Bottle) seperti botol karbonat (coca-cola,

sprite, fanta dan frestea kemasan botol kaca). Berikut merupakan data total sales produk pada tahun 2006-2010.

Gambar 1. Grafik Total sales produk tahun 2006-2010

(sumber : PT. CCAI unit Balinusa)

Pada pertengahan tahun 2010, terjadi penumpukan botol kosong di warehouse plant barat untuk produk RGB. Over load pada kapasitas warehouse ini menyebabkan sebagian produk jadi yang seharusnya berada di dalam harus ditempatkan di luar yang langsung terkena sinar matahari. Selain itu kondisi di lapangan adanya landasan warehouse yang tidak rata sehingga peletakan palet produk jadi tidak optimal. Untuk produk jadi yang diletakkan di luar, jika produk RGB CSD terkena sinar

matahari adalah kualiatas rasa, dan botol di bagian tutup bisa berkarat.

Gambar 2. Grafik Data permintaan produk tiap sales center tahun 2010

Gambar 3. Grafik Pengiriman RGB dan Pengambilan botol RGB 2010

Dari grafik di atas dapat dilihat bahwa tingkat pengembaliaan botol kosong dari sales center ke

plant sangat tinggi yang disebabkan bedanya

jumlah yang diminta dengan yang dikembalikan. Contoh untuk SC Denpasar dan SC Kuta pengembaliannya yang sangat tinggi dikarenakan kondisi atau daya tampung SC tidak memadai, sehingga pengembalian sangat tinggi. Pengamatan yang dilakukan bahwa produk jadi yang ada di luar hanya ditutup bagian atasnya, dimana hal itu tidak menjamin terjadinya karat pada produk. Selain itu, untuk botol kosong menumpuk hingga mengambil bagian parkir kendaraan di plant. Dari hal itu, PT. Coca-Cola Amatil Indonesia unit Balinusa berencana mendirikan warehouse baru untuk produk-produk Coca-Cola yang diproduksi unit Balinusa maupun unit dari luar dengan produk OWP (One way packing) produk sekali pakai seperti produk kaleng, dan botol plastik (PET) yang mampu mengurangi biaya variabel yaitu biaya sewa warehouse untuk di ketewel dan mengoptimalkan efisiensi transportasi.

(3)

2. Critical Review

Berikut merupakan hasil review jurnal mengenai penentuan lokasi warehouse:

1. Combining the analytic hierarchy process and goal programming for global facility location-allocation problem (Badri, 1998)

Pada Jurnal ini membahas kombinasi metode AHP dengan Multi-Objektif yaitu Goal programming untuk penentuan lokasi fasilitas global dengan mempertimbangkan faktor-faktor yang harus diseleksi. Studi kasus adalah perusahaan Petrokimia sedang mengevaluasi enam potensi lokasi pabrik di 6 negara, yaitu Arab Saudi (KSA), Emirat Arab (UEA), Bahrain(BAH), Kuwait(Kuw), Qatar (qat), dan Oman (OMN). Dengan pabrik untuk melayani 6 distribusi pusat yaitu di Dubai (Uni Emirat Arab), Manama (Bahrain), Teheran (Iran), Jeddah (Arab), New Delhi (India) dan Amsterdam (Belanda). Keputusan lokasi sangat komplek dimana sangat dipengaruhi faktor situasi pemerintah, persaingan global, dan ekonomi Negara tersebut, yang kemudian dijadikan kriteria sebagai penentuan lokasi. Pengambilan keputusan harus melibatkan kualitatif maupun faktor kuantitatif. AHP merupakan metode yang digunakan untuk memecahkan permasalahan yang komplek dengan kriteria tertentu, dari AHP didapat prioritas alternatif lokasi. Setelah itu digunakan model GP untuk mengoptimalkan proses alokasi tersebut.

2. Fuzzy group decision-making for facility location selection (Kahraman et al., 2003)

Pemilihan lokasi fasilitas antar alternatif adalah multi-kriteria pengambilan keputusan masalah termasuk kriteria kuantitatif dan kualitatif. Dalam jurnal ini dibahas memecahkan masalah tentang fasilitas lokasi dengan pendekatan fuzzy multi-atribut. Jurnal ini mencakup 4 pedekatan yaitu yang pertama adalah model fuzzy keputusan diusulkan olen Bin, yang kedua adalah

evaluasi fuzzy sintetik. Kemudian yang ketiga adalah metode Yager’s weighted

goal , dan yang terakhir adalah AHP.

Meskipun keempat pendekatan memiliki tujuan yang sama memilih alternatif lokasi, tetapi mereka datang dari latar berbeda dan teori berbeda tentang multi-atribut dalam mengambil keputusan. Dari Jurnal ini bahwa dilihat dari sudut pandang data yang dibutuhkan, Blin’s fuzzy didasarkan pada hubungan preferensi social, untuk evaluasi fuzzy sintetik berdasarkan pada

fuzzy antara alternatif dan evaluasi

kriteria,bobot atribut. Sedangkan untuk

Yager’s weighted goal hanya

berdasarkan evaluasi peringkat dan bobot atribut, dan fuzzy AHP berdasarkan bobot atribut subjektif. Dari sudut kompleksitas Blin’s fuzzy merupakan yang paling kompleks diantara semuanya, dan fuzzy AHP memiliki langkah komputasi yang banyak dan merupakan paling kompleks diantara semuanya.

3. Multi-kriteria fuzzy optimization for locating warehouses and distribution centers in a Supply chain network (Chen et al., 2007)

Dalam penelitian ini mempertimbangkan perencanaan

multi-produk, multi periode, dan multi-eselon dari jaringan Supply chain dalam penentuan lokasi warehouse dan distribusi pusat dalam melayani zona pelanggan. Model perencanaan Supply

chain dibangun sebagai multi-objektif

dari Mixed-Interger-Linier-Programming (MILP) dengan beberapa

tujuan yaitu minimum total biaya,

memperhatikan ketidakpastian permintaan, dan mengurangi total waktu

transportasi. Hasil yang didapat adalah metode ini memberikan solusi untuk beberapa permasalahan dalam jaringan

Supply chain dengan melihat

ketidakpastian permintaan.

4. Analytic hierarchy process to assess and optimize distribution network (Sharma et al., 2008)

Dalam penelitian ini bahwa upaya integrasi jaringan Supply chain dilihat

(4)

dari optimal biaya dan kinerja pelayanan sebagai kriteria keputusan. Peneliti menggunakan metode multi-kriteria AHP untuk menggabungkan faktor kuantitif dan kualitatif. Hasil yang didapat bahwa AHP dapat secara efektif memilih jaringan Supply chain terbaik dengan biaya serendah mungkin.

5. Comperative analysis of multi-kriteria decision making methodologies and implementation of a warehouse location selection problem (Ozcan et al., 2011)

Dalam penelitian ini dikatakan bahwa dalam pengambilan keputusan dengan multi-kriteria dapat menggunakan berbagai macam metode yaitu dalam hal ini adalah AHP, TOPSIS, ELECTRE dan Grey teori. Dari beberapa metode ini akan dibandingkan dan dilakukan penerapan dalam masalah pemilihan

warehouse terbaik diantara banyak

alternatif. Metode TOPSIS dan ELECTRE dapat alternatif terbaik dengan pengoreksian oleh metode Grey teori.

Dalam penelitian tugas akhir ini penulis mengacu pada penelitian dengan metode AHP – GP ((Badri, 1998);(Sharma et al., 2008)) dengan memperhatikan routing yang optimal yaitu rute pengiriman yang efisien. Keuntungannya dalam hal ini adalah dalam penentuan lokasi

warehouse baru tidak hanya berdasarkan nilai

kriteria subjektifitas dan kriteria objektifitas tetapi peneliti menambahkan berdasarkan efisiensi transportasi dengan rute pengiriman yang optimal.

3. Metodologi Penelitian 3.1 Identifikasi Permasalahan

Berupa identifikasi terhadap permasalahan-permasalahan yang terjadi secara umum, untuk mendapatkan sebuah permasalahan yang relevan untuk dijadikan obyek penelitian. Langkah ini dilakukan dengan cara mencari masalah – masalah yang relevan dalam industri yang membutuhkan penelitian lebih lanjut, baik masalah klasik maupun masalah yang aktual. Adapun pada akhirnya penelitian ini mengambil permasalahan penentuan lokasi warehouse baru (studi kasus PT. Coca-Cola Amatil Indonesia unit Balinusa sebagai permasalahan yang akan dibahas).

3.2 Tinjauan Pustaka

1. Studi literatur terhadap buku-buku atau jurnal-jurnal yang relevan mengenai konsep warehouse, manajemen

distribusi dan transportasi dengan tujuan untuk menunjang pelaksanaan penelitian. Studi literatur dilakukan dengan meninjau informasi – informasi yang berkenaan dengan jalannya penelitian, baik yang terdapat di perpustakaan, maupun secara online. 2. Studi lapangan dilakukan untuk

mengetahui keadaan riil warehouse dan proses pengiriman dan pengembalian produk, serta melakukan observasi kepada pihak PT. CCAI unit Balinusa. 3.3 Pengumpulan Data

Berupa pencarian data yang akan gunakan sebagai input seperti data permintaan tiap sales

center, jarak antar plant ke sales center, kriteria

yang dibutuhkan dalam penentuan lokasi gudang baru, dan alternatif lokasi warehouse yang akan dibuat. Pengumpulan data pada PT. CCAI unit Balinusa merupakan data historis dari perusahaan dan untuk menentukan kriteria serta alternatif lokasi awal ditentukan oleh pihak PT. CCAI unit Balinusa.

3.4 Generate Permintaan menggunakan Simulasi Monte Carlo

Dilakukan simulasi untuk men-generate data permintaan tiap sales center. Dilakukan simulasi untuk men-generate data permintaan dikarenakan permintaan pada PT.CCAI unit Balinusa lumpy. Simulasi yang dilakukan dengan menggunakan bilangan acak untuk membangkitkan permintaan sesuai dengan distribusi data permintaan yang ada atau data historisnya. Hasil generate data permintaan akan digunakan dalam proses penentuan rute pengiriman atau routing.

3.5 Pemilihan keputusan lokasi berdasar- kan kriteria

Dengan menggunakan AHP yaitu pembobotan dari beberapa kriteria prioritas secara subjektifitas yang menjadi pertimbangan perusahaan terhadap alternatif lokasi yang ada. Kemudian dilakukan kalkulasi bobot-bobot relatif dari elemen-elemen keputusan dan menguji apakah data input memuaskan atau tidak dengan menggunakan indeks konsistens

(5)

(consistency index). Setelah itu, jumlahkan bobot-bobot relatif tersebut untuk memperoleh hasil dan akan diperoleh ranking-rangking untuk alternatif-alternatif keputusan. Berikut merupakan struktur AHP yang digunakan:

Gambar 4. Struktur model AHP dalam penelitian

Penetuan kriteria merupakan usulan dari peneliti yang nantinya akan divalidasi oleh pihak perusahaan, sedangkan untuk kandidat dari alternatif lokasi merupakan rekomendasi perusahaan. Pada akhirnya diperoleh bobot tiap alternatif lokasi yaitu:

𝑊𝑊

𝑖𝑖𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝑖𝑖

= 𝑊𝑊

𝑗𝑗

𝑥𝑥 𝑊𝑊

𝑙𝑙

(1) Keterangan:

𝑊𝑊

𝑖𝑖 = Bobot yang akan dimasukan dalam formulasi goal programming

𝑊𝑊

𝑗𝑗 = Bobot Kriteria

𝑊𝑊

𝑙𝑙 = Bobot tiap alternatif lokasi 3.6 Optimasi bobot ranking

Dengan menggunakan Goal programming dengan software Lindo, rangking bobot prioritas yang telah didapatkan AHP merupakan nilai subjektifitas, kemudian digunakan goal

programming untuk pencapaian objektif. Dalam

penelitian ini mempertimbangkan nilai subjektifitas dan nilai objektifitas. Berikut adalah model goal programming yang digunakan :

∑ 𝑊𝑊5𝑖𝑖=1 𝑖𝑖𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝑖𝑖 𝑋𝑋𝑖𝑖+ 𝑛𝑛𝑖𝑖− 𝑝𝑝𝑖𝑖 (2) Keterangan:

𝑊𝑊𝑖𝑖 = Bobot dari hasil AHP 𝑋𝑋𝑖𝑖 = Alternatif lokasi 𝑛𝑛𝑖𝑖 = Deviasi negatif 𝑝𝑝𝑖𝑖 = Deviasi positif

Selain itu, berikut adalah Goal yang diinginkan dalam penentuan lokasi ini :

1. Goal 1: Biaya total pembelian lahan

warehouse tidak melebihi anggaran

perusahaan

2. Goal 2: Jarak maksimal dari Plant Mengwi ke warehouse baru

3. Goal 3: Ketersedian jaringan akses jalan menuju warehouse baru 4. Goal 4: Kondisi jalan dalam baik 5. Goal 5: Aspek keamanan baik 6. Goal 6 : Aspek lingkungan baik Dari goal diatas dapat beberapa fungsi objektif dan sasaran yang akan diminimasi yaitu:

Tabel 2. Fungsi objektif dan tujuan sasaran

Goal Fungsi Objektif Tujuan

Sasaran 1 � 𝐶𝐶𝑖𝑖 5 𝑖𝑖=1 𝑋𝑋𝑖𝑖+ 𝑛𝑛1− 𝑝𝑝1= 𝐵𝐵 _{𝑀𝑀𝑖𝑖𝑛𝑛 𝑝𝑝} 1 2 � 𝐽𝐽0𝑖𝑖 5 𝑖𝑖=1 𝑋𝑋𝑖𝑖+ 𝑛𝑛2− 𝑝𝑝2= 𝐾𝐾 _{𝑀𝑀𝑖𝑖𝑛𝑛 𝑝𝑝} 2 3 � 𝐹𝐹𝑖𝑖 5 𝑖𝑖=1 𝑋𝑋𝑖𝑖+ 𝑛𝑛3− 𝑝𝑝3= 𝑇𝑇 _{𝑀𝑀𝑖𝑖𝑛𝑛 𝑛𝑛} 3 4 � 𝐻𝐻𝑖𝑖 5 𝑖𝑖=1 𝑋𝑋𝑖𝑖+ 𝑛𝑛4− 𝑝𝑝4= 𝐿𝐿 _{𝑀𝑀𝑖𝑖𝑛𝑛 𝑛𝑛} 4 5 � 𝐿𝐿𝑖𝑖 5 𝑖𝑖=1 𝑋𝑋𝑖𝑖+ 𝑛𝑛5− 𝑝𝑝5= 𝐺𝐺 _{𝑀𝑀𝑖𝑖𝑛𝑛 𝑛𝑛} 5 , 𝑝𝑝5 6 � 𝑅𝑅𝑖𝑖 5 𝑖𝑖=1 𝑋𝑋𝑖𝑖+ 𝑛𝑛6− 𝑝𝑝6= 𝐷𝐷 _{𝑀𝑀𝑖𝑖𝑛𝑛 𝑛𝑛} 6 , 𝑝𝑝6 Keterangan:

C = Harga lahan/tanah pada alternatif lokasi J = Jarak Plant (0) ke alternatif lokasi (i) F = Nilai kemudahan akses jalan ke alternatif lokasi

H = Nilai kondisi jalan ke alternatif lokasi L = Nilai aspek keamanan pada alternatif lokasi R = Nilai aspek lingkungan pada alternatif lokasi

B = Biaya yang dianggarkan perusahaan untuk mendirikan 2 warehouse

K = Total jarak plant ke 2 lokasi warehouse T = Total nilai akses jalan ke 2 warehouse L = Total nilai kondisi jalan pada 2 warehouse G = Total nilai dalam aspek keamanan

D = Total nilai dalam aspek lingkungan Didapat fungsi tujuan sebagai berikut:

𝑀𝑀𝑖𝑖𝑛𝑛 𝑍𝑍 = 𝑝𝑝1+ 𝑝𝑝2+ 𝑛𝑛3+ 𝑛𝑛4+ 𝑛𝑛5+ 𝑛𝑛6 (3)

2 Lokasi alternatif terbaik

Biaya Jarak dari

Plant Ketersediaan Akses Jalan Kondisi Jalan Baik Aspek Lingkungan dan Keamanan Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5 Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5 Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5 Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5 Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5 Keputusan Kriteria Alternatif

(6)

Kemudian menggunakan solver Lindo untuk mencari alternatif mana yang paling optimal. Berikut adalah formulasi pada solver Lindo: 𝑀𝑀𝑖𝑖𝑛𝑛 𝑍𝑍 = 𝑝𝑝1+ 𝑝𝑝2+ 𝑛𝑛3+ 𝑛𝑛4+ 𝑛𝑛5+ 𝑛𝑛6 Subject To 𝑋𝑋1+ 𝑋𝑋2+ 𝑋𝑋3+ 𝑋𝑋4+ 𝑋𝑋5= 2 𝐶𝐶1𝑋𝑋1+ 𝐶𝐶2𝑋𝑋2+ 𝐶𝐶3𝑋𝑋3+ 𝐶𝐶4𝑋𝑋4+ 𝐶𝐶5𝑋𝑋5+ 𝑛𝑛1− 𝑝𝑝1= 𝐵𝐵 𝐽𝐽01𝑋𝑋1+ 𝐽𝐽02𝑋𝑋2+ 𝐽𝐽03𝑋𝑋3+ 𝐽𝐽04𝑋𝑋4+ 𝐽𝐽05𝑋𝑋5+ 𝑛𝑛2− 𝑝𝑝2= 𝐾𝐾 𝐹𝐹1𝑋𝑋1+ 𝐹𝐹2𝑋𝑋2+ 𝐹𝐹3𝑋𝑋3+ 𝐹𝐹4𝑋𝑋4+ 𝐹𝐹5𝑋𝑋5+ 𝑛𝑛3− 𝑝𝑝3= 𝑇𝑇 𝐻𝐻1𝑋𝑋1+ 𝐻𝐻2𝑋𝑋2+ 𝐻𝐻3𝑋𝑋3+ 𝐻𝐻4𝑋𝑋4+ 𝐻𝐻5𝑋𝑋5+ 𝑛𝑛4− 𝑝𝑝4= 𝐿𝐿 𝐿𝐿1𝑋𝑋1+ 𝐿𝐿2𝑋𝑋2+ 𝐿𝐿3𝑋𝑋3+ 𝐿𝐿4𝑋𝑋4+ 𝐿𝐿5𝑋𝑋5+ 𝑛𝑛5− 𝑝𝑝5= 𝐺𝐺 𝑅𝑅1𝑋𝑋1+ 𝑅𝑅2𝑋𝑋2+ 𝑅𝑅3𝑋𝑋3+ 𝑅𝑅4𝑋𝑋4+ 𝑅𝑅5𝑋𝑋5+ 𝑛𝑛6− 𝑝𝑝6= 𝐷𝐷 𝑋𝑋1, 𝑋𝑋2, … , 𝑋𝑋5 𝐿𝐿𝑎𝑎𝐿𝐿𝑙𝑙𝐿𝐿ℎ 𝑏𝑏𝑖𝑖𝑙𝑙𝐿𝐿𝑛𝑛𝑏𝑏𝐿𝐿𝑛𝑛 𝐵𝐵𝑖𝑖𝑛𝑛𝐵𝐵𝐵𝐵 (4)

3.7 Penentuan rute pengiriman terhadap kedua lokasi yang terpilih

Didapat 2 lokasi yang terbaik, kemudian dilakukan simulasi pengiriman produk atau

routing pada tiap lokasi dengan menggunakan

metode VRP SDP. Untuk permintaan kedepan tiap sales center akan di-generate menggunakan simulasi Monte Carlo, karena permintaan tiap

sales center berubah-ubah dan lumpy. Dilakukan

rute pengiriman yang optimal untuk mendapatkan 1 lokasi yang terbaik dengan efisiensi transportasi. Metode yang digunakan adalah metode insertion heuristics dimana merupakan suatu algoritma yang bertujuan untuk membangun suatu himpunan rute dimana rute dibangun secara bertahap dengan cara menyisipkan sales center yang belum dilayani dengan mempertimbangkan kapasitas kendaraan (Campbell, 2004).

3.8 Analisa perbandingan hasil rute pengi-riman antara kedua lokasi

Setelah dilakukan routing, hasil dari antara kedua lokasi dibandingkan untuk menentukan lokasi yang terbaik dengan mempertimbangkan rute yang akan didapat efisiensinya transportasi. Dimana dari rute tersebut didapat jarak tempuh per hari kemudian dicari jarak tempuh selama 5 tahun. Dari hasil tersebut lokasi dengan jarak tempuh rute pengiriman yang terpendek dipilih sebagai solusi lokasi warehouse baru yang efisien dalam pengiriman.

3.9 Penarikan Kesimpulan

Pengambilan kesimpulan dengan melihat rute pengiriman yang optimal dari 2 lokasi yang ada.

Hasil dari penelitian ini merupakan lokasi baru dimana mempertimbangkan efisiensi transportasi.

4. Pengumpulan dan Pengolahan Data Dalam penentuan lokasi warehouse, PT.CCAI unit Balinusa memiliki beberapa kriteria. Kriteria tersebut dijadikan batasan nantinya dalam pemilihan lokasi gudang baru. Berikut adalah kriteria yang digunakan menurut Manager Warehouse & transportation plant unit Balinusa Bapak Wayan Senti, yaitu:

Tabel 3. Kriteria dalam penentuan lokasi (*sumber: Hasil wawancara Warehouse &Transportation Manager PT.CCAI unit Balinusa)

No *Kriteria Keterangan

1 Harga Tanah harga tanah tiap kandidat lokasi,

yang dibutuhkan 3 hektar

2 Jarak gudang baru ke

plant

jarak kandidat gudang baru ke

plant maksimal 26 km

3 Ada infrastruktur jalan lebar jalan minimal 8 meter

4 Kondisi akses jalan merupakan jalan provinsi

ataupun kota

5 Keamanan sedikit catatan kriminalitas

6 Lingkungan tersedia jaringan listrik, pdam,

telepon, sanitasi baik, tidak banjir, dan tidak di daerah perumahan

Berikut kandidat lokasi yang akan dipilih sebagai warehouse baru PT.CCAI unit Balinusa. Kandidat ini diperoleh berdasarkan hasil wawancara dengan Manager Warehouse &

transportation unit Balinusa Bapak Wayan

Senti, yaitu:

Tabel 4. Kandidat lokasi warehouse baru (*sumber: Hasil wawancara Warehouse & transportation manager PT.CCAI unit Balinusa)

No *Alternatif Lokasi Alamat

1 Sempidi Jl. Raya Sempidi

2 Mengwi Jl. Raya Mengwi

3 Jalan Kargo Jl. Kargo Permai

4 Tabanan By Pass Kediri Pesiapan

5 Denpasar Jl. Mahendradata

Berikut adalah merupakan data kapasitas transporter atau truk PT. CCAI Balinusa.

(7)

Tabel 5. Kapasitas angkut transporter (sumber: PT. CCAI unit Balinusa)

Produk RGB (case) Produk OWP (case)

Transporter 756 1400

Berikut adalah data jarak kandidat lokasi dengan

plant, serta harga tanah tiap kandidat lokasi.

Tabel 6. Data jarak dan harga tanah (*sumber: Kantor Lurah setempat)

No Alternatif Lokasi Jarak dari plant(Km) *Harga / meter persegi Total harga tanah = 3 hektar

1 Sempidi 12.2 0,500 juta 1,500 juta

2 Mengwi 8.7 0,200 juta 600 juta

3 Jalan

Kargo

16.7 0,300 juta 900 juta

4 Tabanan 12.3 0,147 juta 441 juta

5 Denpasar 22.3 0,350 juta 1,050 juta

4.1 Perhitungan AHP

Dari perhitungan bobot kriteria dan bobot perbandingan antar kandidat lokasi diperoleh hasil skor bobot. Skor bobot ini berasal dari hasil kali bobot kriteria dengan skor alternatif lokasi. Setelah didapat skor bobot, akan dilakukan optimasi goal programming untuk mendapatkan hasil 2 kandidat lokasi yang terbaik. Berikut adalah hasil bobot akhir AHP :

Tabel 7. Bobot AHP kandidat lokasi daerah Sempidi Kriteria penentuan Lokasi Sempidi Bobot Kriteria Skor Alternatif Lokasi Skor bobot AHP Harga Tanah 0.034 0.05 0.002

Jarak gudang baru ke plant

0.130 0.14 0.018

Ada infrastruktur jalan

0.225 0.08 0.019

Kondisi akses jalan 0.138 0.20 0.028

Keamanan 0.225 0.19 0.042

Lingkungan 0.248 0.04 0.011

Tabel 8. Bobot AHP kandidat lokasi daerah Mengwi Kriteria penentuan Lokasi Mengwi Bobot Kriteria Skor Alternatif Lokasi Skor Bobot AHP Harga Tanah 0.034 0.26 0.009

0.130 0.45 0.058

0.225 0.26 0.058

Keamanan 0.225 0.36 0.080

Lingkungan 0.248 0.14 0.035

Tabel 9. Bobot AHP kandidat lokasi daerah Jalan Kargo Kriteria penentuan lokasi Jalan Kargo Bobot Kriteria Skor Alternatif Lokasi Skor Bobot AHP Harga Tanah 0.034 0.13 0.004

0.130 0.06 0.008

0.225 0.04 0.008

Keamanan 0.225 0.04 0.010

Lingkungan 0.248 0.10 0.025

Tabel 10. Bobot AHP kandidat lokasi daerah Tabanan Kriteria penentuan lokasi Tabanan Bobot Kriteria Skor Alternatif Lokasi Skor Bobot AHP Harga Tanah 0.034 0.48 0.016

0.130 0.32 0.041

0.225 0.18 0.040

Keamanan 0.225 0.34 0.076

(8)

Tabel 11. Bobot AHP kandidat lokasi daerah Denpasar Kriteria penentuan lokasi Denpasar Bobot Kriteria Skor Alterntif Lokasi Skor Bobot AHP Harga Tanah 0.034 0.08 0.001

0.130 0.03 0.004

0.225 0.44 0.099

Keamanan 0.225 0.08 0.017

Lingkungan 0.248 0.21 0.052

Dari tabel 7 hingga tabel 11 merupakan hasil dari skor bobot akhir menggunakan AHP. Skor bobot tersebut akan digunakan sebagai input-an pada optimasi goal programming. Optimasi dilakukan untuk mencari hasil dimana tidak hanya berdasarkan subjektifitas tetapi melihat dari segi objektifitasnya. Dari subjektifitas yang akan di-input-kan adalah bobot kriteria kondisi jalan, aspek keamanan dan aspek lingkungan. 4.2 Optimasi Goal Programmning

Bobot kriteria subjektifitas akan dijadikan input dan untuk kriteria objektifitas dilakukan pengambilan data di lapangan yang kemudian dimasukkan pada formulasi goal programming. Untuk X1 hingga X5 merupakan kandidat lokasi yang akan dipilih. Kriteria pada AHP akan menjadi goal sehingga terdapat 6 goal yang harus dicapai.

Gambar 5. Formulasi goal programming

Gambar 6. Report dari solver LINDO

Dari report menggunakan LINDO dipilih X2 dan X4 yaitu lokasi Mengwi dan Tabanan. 4.3 Generate demand dengan Simulasi Monte

Carlo

Berikut ini permintaan yang dibangkitkan dengan bilangan acak atau random menggunakan Microsoft Office Excel mengikuti distribusi data permintaan yang ada untuk produk RGB dan OWP :

(9)

Tabel 12. Hasil generate demand untuk produk RGB untuk hari ke- 1 hingga ke-25 pada tahun 2011

Dari tabel di atas dapat dilihat jumlah permintaan tiap sales center unit Balinusa untuk poduk RGB. Perhitungan dilakukan selama setahun yaitu 365 hari baik produk RGB dan produk OWP. Hasil dari simulasi ini akan digunakan dalam simulasi rute pengiriman terhadap 2 lokasi terpilih hasil perhitungan AHP-GP.

4.4 Simulasi rute pengiriman

Tahapan dalam melakukan simulasi rute pengiriman adalah sebagai berikut:

1. Melihat jumlah permintaan tiap sales

center (SC) pada hari ke-Y

2. Kemudian mengitung jarak atau matriks jarak dari kandidat gudang ke tiap SC yang akan dilayani.

3. Jarak terpendek akan dilayani dengan melihat kapasitas yang dibutuhkan. 4. Jika kapasitas transporter masih tersedia

maka dilakukan penyisipan.

5. Penyisipan dilakukan dengan menghitung jarak terdekat dari SC yang sedang dilayani dengan SC yang akan dilayani.

6. Penyisipan dilakukan selama tidak melanggar kapasitas truk yaitu untuk produk RGB 756 case dan untuk produk OWP 1400 case.

7. Untuk SC Singaraja, dilakukan single

route dikarena kondisi geografis yang

tidak dimungkinkan dilakukan multi pengiriman.

Contoh:

Diketahui SC Denpasar memiliki permintaan 900 case RGB dan SC Kuta dan SC Ubud memiliki permintaan 312 case dan 300 case RGB. Kemudian diketahui bahwa SC Denpasar dilayani yang pertama (kapasitas truk adalah 756 case) maka rute yang didapat sebagai berikut:

1. Permintaan SC Denpasar dibagi dengan kapasitas truk maka diperoleh 2 truk atau 2 kali pelayanan.

2. Satu transporter akan melayani SC Denpasar langsung dengan kapasitas 756 case.

3. Truk kedua melayani sisa kekurangan dari SC Denpasar sebanyak 900 – 756 = 144 case.

4. Dilakukan penyisipan pada truk kedua dengan cara melihat jarak terpendek SC yang akan dilayani dari SC Denpasar. 5. Didapat jarak terpendek terhadap SC

Denpasar adalah SC Kuta kemudian SC Ubud.

6. Dilakukan penyisipan produk selama tidak melanggar kapasitas truk atau kendaraan.

7. Jadi rute yang diperoleh adalah Gudang X – SC Denpasar – SC Kuta – SC Ubud – Gudang X.

8. Panjang rute diperoleh dari hasil jumlah panjang rute Gudang X – SC Denpasar – SC Kuta – SC Ubud – Gudang X. Dalam simulasi ini peneliti menggunakan software MATLAB untuk mempermudah melakukan simulasi selama 365 hari (selama setahun).

Denpasar Kuta Tabanan Singaraja Ubud Klungkung Mataram Sumbawa Bima

1 0 0 0 0 0 510 0 0 0 2 0 0 0 0 0 193 0 0 0 3 0 0 0 0 0 557 0 0 0 4 0 0 0 0 0 22 0 0 0 5 0 0 57 0 0 663 0 0 0 6 14319 3289 2364 1461 1766 3665 0 0 0 7 0 0 42 0 0 636 0 0 0 8 2359 313 283 188 106 907 0 0 0 9 8254 1203 1187 827 881 1541 0 0 0 10 0 0 0 0 0 331 0 0 0 11 0 0 0 0 0 551 0 0 0 12 6242 574 715 748 512 1081 0 0 0 13 18401 6566 5311 5018 3950 5132 0 0 0 14 4127 352 607 216 126 933 0 0 0 15 0 0 0 0 0 37 0 0 0 16 0 0 0 0 0 91 0 0 0 17 0 0 29 0 0 612 0 0 0 18 0 0 0 0 0 103 0 0 0 19 238 145 162 71 22 795 0 0 0 20 220 139 158 67 19 791 0 0 0 21 4115 346 604 211 123 929 0 0 0 22 4093 335 598 204 117 922 0 0 0 23 0 0 0 0 0 55 0 0 0 24 0 58 100 9 0 737 0 0 0 25 0 0 59 0 0 667 0 0 0 Hari ke- (2011) Permintaan SC

(10)

Tabel 13. Hasil simulasi rute pengiriman produk OWP untuk gudang Tabanan

Dari tabel di atas merupakan hasil simulasi rute pengiriman dari lokasi Tabanan untuk produk

OWP dari hari ke-1 hingga hari ke-20 pada tahun 2011. Perhitungan selanjutnya dilakukan

dengan cara yang sama untuk lokasi Mengwi dengan produk RGB dan OWP. Selisih jarak

tempuh untuk produk RGB antara lokasi Mengwi dan Tabanan adalah 55.389,1 km lebih

pendek Mengwi terhadap Tabanan, sedangkan untuk produk OWP Mengwi lebih pendek jarak

tempuhnya 27.242,2 km dari Tabanan. Total jarak tempuh pengiriman dari gudang Tabanan selama setahun adalah506.365,2 km, sedangkan

untuk gudang Mengwi adalah 423.944,5 km.

Gambar 7. Perbandingan jarak tempuh

Dari hasil tersebut maka lokasi terpilih adalah Mengwi sebagai gudang baru dengan efisiensi rute pengiriman yang lebih rendah 19,4 % dari kandidat Tabanan.

5. Kesimpulan

Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut:

1. Dalam menentukan lokasi warehouse baru pada PT. CCAI unit Balinusa terdapat 6 kriteria yang dipertimbangkan yaitu: Harga tanah, jarak lokasi dengan plant, ada infrastruktur jalan, kondisi jalan, aspek keamanan dan aspek lingkungan. Kemudian, untuk kandidat lokasi yang akan dipilih berdasarkan rekomendasi perusahaan adalah Sempidi, Mengwi, Jalan Kargo, Tabanan, dan Jalan Mahendradata Denpasar.

2. Dari hasil perhitungan dan optimasi AHP-GP, diperoleh 2 kandidat lokasi berdasarkan kriteria subjektifitas dan kriteria objektifitas yaitu daerah Tabanan dan Mengwi.

3. Selanjutnya, dilakukan simulasi rute pengiriman untuk data permintaan tahun 2011 terhadap 2 kandidat lokasi yaitu Tabanan dan Mengwi. Hasil simulasi yang diperoleh bahwa total jarak tempuh rute pengiriman dari gudang Tabanan selama setahun untuk produk RGB dan OWP adalah 506.365,2 km, sedangkan untuk dari gudang Mengwi 423.733,9 km. Jadi kandidat lokasi sebagai warehouse baru dengan rute pengiriman yang efisien adalah lokasi Mengwi dimana hasil yang diperoleh total jarak pengiriman dari lokasi Mengwi 19,4% lebih rendah dibandingkan kandidat lokasi Tabanan. 6. Daftar Pustaka

Badri, Masood A. 1998. Combining The Analytic Hieratchy Process And Goal programming For Global Facility Location-Allocation Problem. 237-248.

Barnhart, C. dan Laporte, G. 2007. Vehicle Routing Handbook in OR & MS. Cahyo, Winda Nur 2008. Pendekatan Simulasi

Monte Carlo Untuk Pemilihan Hari Panjang rute (Km) Sales center yang dilayani Kapasitas total

(case) 1 128.0 Klungkung 132 2 128.0 Klungkung 9 3 128.0 Klungkung 138 4 0.0 - 0 5 128.0 Klungkung 150 6 2679.8

Denpasar, Kuta, Tabanan, Singaraja, Ubud, Klungkung,

Mataram, Sumbawa, Bima

30570 7 128.0 Klungkung 147 8 128.0 Klungkung 255 9 691.1 Kuta,Tabanan, Singaraja, Klungkung 730 10 128.0 Klungkung 46 11 128.0 Klungkung 137 12 129.0 Tabanan, Klungkung 437 13 4502.4

Denpasar, Kuta, Tabanan, Singaraja, Ubud, Klungkung,

Mataram, Sumbawa, Bima

52129 14 128.0 Klungkung 260 15 0.0 - 0 16 0.0 - 0 17 128.0 Klungkung 144 18 0.0 - 0 19 128.0 Klungkung 174 20 128.0 Klungkung 173

(11)

Altenatif Dengan Decicion Tree Pada Nilai Outcom Yang Probabilistik. 13, 11-17.

Campbell, Ann Melissa. 2004. Efficient Insertion Heuristics for Vehicle Routing and Scheduling Problems.

Transportation Science, 38, 369-378.

Chen, Cheng-Liang, Yuan, Tzu-Wei dan Lee, Wen-Cheng 2007. Multi-Kriteria

Fuzzy Optimization For Locating

Warehouses And Distribution Centers in A Supply Chain Network. 393-407.

Hawks, Karen. 2006. What is Reserve Logistics? [Online]. Available: http://rlmagazine.com/edition01p12.php [Diakses pada tanggal 18 Maret 2011]. Kahraman, Cengiz, Ruan, Da dan Dogan,

Ibrahim 2003. Fuzzy Group Decision-Making For Facility Location Selection. 135-153.

Marpaung, Juanawati. 2009. Perencanaan Produksi Yang Optimal Dengan Pendekatan Goal programming. Medan: Teknik Industri - Universitas Sumatera Utara.

Ozcan, Tuncay, Celebi, Numan dan Esnaf, Sakir. 2011. Comparative Analysis Of Multi-Kriteria Decision Making Methodologies And Implementation Of A Warehouse Location Selection Problem. Expert Systems with Applications.

Pamungkas, Andreas Adi, Wibisono, Eric dan Arlianto, Jerry Agus. 2008. Pengembangan Model Vehicle Routing Problem with Simultaneous Delivery and Pick-up dengan Menambahkan Batasan Waktu. Logistic and Supply Chain Management, 1.

Pawestri, Isnaya Endah. 2010. Penentuan Lokasi Distribution Center/Gudang Persediaan Darurat Tanggap Bencana Dengan Pendekatan Multi Kriteria Goal programming Dan Set Covering. Institut Teknologi Sepuluh Nopember.

Prasetyawan, Yudha. 1999. Perencanaan Penjadwalan Kendaraan Pelayanan Pengambilan Sampah Kotamadya Surabay. Surabaya, ITS.

Pujawan, I Nyoman dan ER, Mahendrawathi 2010. Supply Chain Management, Surabaya, Guna Widya.

Saaty, Thomas L. 2005. Analytic Hierarchy Process. Encyclopedia of Biostatistic. Sharma, Mihtun J., Moon, Ilkyeong dan Bae,

Hyerim 2008. Analytic Hierarchy Process To Assess And Optimize Distribution Network. Aplied Mathematics and Computation, 256-265.

Tabucanon, Mario T. 1988. Multiple Criteria Decision Making In Industri, Amsterdam, ELSEVIER SCIENCE PUBLIHERS B.V.

Tarigan, Darmasius. 2008. Pemodelan Vehicle Routing Problem Terbuka Dengan Keterbatasan Waktu. Universitas Sumatera Utara.