View of Optimization Model of Fishery Products Supply Chain Using Mixed Integer Linear Programming Method

JITE, 6 (2) January 2023 ISSN 2549-6247 (Print) ISSN 2549-6255 (Online)

JITE (Journal of Informatics and Telecommunication Engineering)

Available online http://ojs.uma.ac.id/index.php/jite DOI : 10.31289/jite.v6i2.8186

Received: 11 October 2022 Accepted: 20 December 2022 Published: 25 January 2023

Optimization Model of Fishery Products Supply Chain Using Mixed Integer Linear Programming Method

Nurdin1)*, Taufiq2) , Bustami3) , Marleni4) & Khairuni5)

1,3)Prodi Teknik Informatika, Fakultas Teknik, Universitas Malikussaleh, Indonesia 2) Prodi Teknik Elektro, Fakultas Teknik, Universitas Malikussaleh, Indonesia

4,5) Mahasiswa Prodi Magister Teknologi Informasi, Fakultas Teknik, Universitas Malikussaleh, Indonesia

*Coresponding Email: nurdin@unimal.ac.id Abstrak

Aceh Utara merupakan salah satu kabupaten di provinsi Aceh 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. Adapun yang menjadi permasalahan dalam penelitian ini ada beberapa kecamatan di kabupaten Aceh Utara mengalami kekurangan pasokan hasil perikanan karena letak wilayahnya yang jauh dari garis pantai, sehingga menyebabkan biaya logistik rantai pasok hasil perikanan menjadi tinggi. Oleh sebab itu diperlukan sebuah model optimisasi perencanaan rantai pasok hasil perikanan. Tujuan dari penelitian ini membuat sebuah model optimisasi rantai pasok hasil perikanan tangkap dengan menggunakan metode mixed integer linear programming. Tahapan yang dilakukan dalam penelitian ini menyusun instrumen penelitian dan kajian pustaka, pengumpulan dan analisa data, penentuan parameter dan variabel keputusan, merumuskan fungsi objektif dan fungsi kendala model, perancangan model optimisasi, pengujian dan simulasi model. Model ini dapat meminimalkan biaya operasional rantai pasok hasil perikanan dari pemasok ke konsumen. Pengujian dan simulasi model ini menggunakan Software LINDO, dengan hasil nilai maksimum dari fungsi tujuan adalah 36 pada iterasi ke 15.

Kata Kunci: Optimisasi, Rantai suplai, Hasil perikanan, Mixed integer linier programming.

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.

379

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).

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.

II. STUDI PUSTAKA A. Penelitian Terdahulu

Ada beberapa penelitian terkait atau penelitian terdahulu yang sudah penulis lakukan dan menjadi salah satu acuan dalam melakukan penelitian ini untuk mendapatkan gambaran atau perbandingan dari peneliti sebelumnya, diantaranya penelitian yang sudah dilakukan oleh (Nurdin et al, 2019) model rantai suplai yang diusulkan pada penenelitian ini ada tiga tingkatan yaitu pemasok, distribusi center dan konsumen, untuk mengantisipasi ketidakpastian pada pasokan digunakan inventory (Nurdin et al, 2021).

Untuk meminimumkan biaya rantai suplai dari pemasok ke pusat ditribusi dan ke konsumen digunakan pendekatan optimisasi data driven. Penelitian lainnya yang dilakukan oleh (Nurdin et al, 2020) Penelitian ini membuat model optimisasi distribusi rantai pasok sumberdaya ikan dengan pendekatan model Mixed Integer Linear Programming. Model yang dihasilkan ini bagian dari bentuk program bilangan cacah campuran linier dengan variabel biner 0 dan 1. Hasil pengujian dan simulasi mengunakan Software Linear Interactive and Discreate Optimizer (LINDO). Software LINDO dapat menyelesaikan permasalahan program linier dengan mudah, cepat dan akurat bahkan mampu menyelesaikan masalah linier sampai 100 constraints (fungsi kendala) (Rosiyanti, 2016).

Penelitian lainnya yang terkait dengan masalah perikanan, seperti penelitian yang dilakukan oleh (Ummah & Izzati, 2018) memprediksi jumlah tangkap ikan menggunakan Fuzzy Time Series model Chen.

Dalam penelitian ini proses Fuzzy Time Series model Chen memprediksi jumlah tangkapan ikan melalui empat tahapan yaitu pembentukan U (universe of discourse), pembentukan fuzzyfication, pembentukan Fuzzy Logic Relationship dan pembentukan fuzzy logic relationship group model chen. Dari empat tahap tersebut, menghasilkan tingkat error sebesar 28%. Penelitian lainnya yang dilakukan oleh (Nurdin et al, 2021) Sistem Informasi ini dapat memprediksi hasil perikanan tangkap di Kabupaten Bireun pada tahun 2021 sebanyak 12.813,870305238 Ton. Sistem ini menjadi salah satu alternatif sebagai pengganti sistem prediksi yang dilakukan secara manual. Variabel yang digunakan pada penelitian ini terdiri dari jumlah hasil tangkapan ikan, jumlah kapal motor dan jumlah hari hujan.

Penelitian lainnya oleh (Hablum et al, 2019) yang berjudul Clustering Hasil Tangkap Ikan di PPN Ternate dengan menggunakan metode K-Means. Dalam penelitian ini Algoritma K-Means digunakan untuk mengelompokan hasil tangkap ikan periode 2015-2017 dengan menggunakan dua cluster. Cluster satu dikelompokan sebagai hasil tangkapan sedikit dan cluster dua dikelompokan hasil tangkapan yang banyak, hasil akhir ada 16 ikan pada cluster satu dan dua jenis ikan pada cluster dua yaitu ikan laying dan cakalang, berdasarkan cluster jenis ikan yang unggul adalah pada cluster dua.

Dalam penelitian (Kusnadi et al, 2017) yang berjudul aplikasi informasi hasil penangkapan ikan berbasis web dengan menggunakan metode Waterfall. Metode Waterfall merupakan model klasik yang bersifat sistematis, berurutan dalam membangun software. Hasil dari penelitian ini membuat aplikasi web yang difokuskan kepada pencatatan hasil produksi ikan yang datang dan dibawa oleh armada kapal yang ditujukan untuk pelabuhan kejawanan cirebon dimana sistem ini dapat mencatat hasil produksi ikan yang telah dilelang.

B. Pendekatan Metode Mixed Integer linear Programming

Metode yang digunakan untuk masalah model optimisasi perencanaan dan pengelolaan rantai suplai menggunakan pencarian langsung layak yang dikembangkan oleh Nam Hwang. Dengan memperhatikan suatu masalah Mixed Integer Linear Programming atau program linier integer campuran sebagai berikut:

381

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.

III. METODE PENELITIAN A. Tahapan Penelitian

Langkah-langkah yang dilakukan dalam penelitian model optimisasi rantai pasok hasil perikanan dengan menggunakan metode mixed integer linear programming sebagai berikut:

1. Kajian Pustaka.

Kajian pustaka dilakukan untuk mendapatkan studi literatur dan referensi yang berhubungan dengan model optimisasi rantai pasok dengan menggunakan metode Mixed Integer Linear Programming.

2. Pengumpulan data.

Data yang digunakan dalam penelitian ini adalah data simulasi numerik dalam bentuk matriks untuk mendukung dalam proses pembuatan model dan memberikan kejelasan fungsi objektif model secara matematis.

3. Menentukan parameter dan variabel keputusan.

Penentuan parameter dan variabel keputusan akan digunakan untuk membuat perancangan fungsi objektif dan fungsi kendala model.

4. Merumuskan fungsi objektif model.

Fungsi objektif dari model yang dibangun adalah untuk meminimumkan biaya operasional rantai pasok hasil perikanan.

5. Merumuskan fungsi kendala model.

Merumuskan kendala model dilakukan dengan cara menentukan nilai awal dari permasalahan dan batasan dari model yang akan dibangun.

6. Pemodelan.

Formulasi model ini dipakai untuk perencanaan dan pengambilan keputusan secara optimal, maka struktur model berbentuk model program matematika.

7. Pengujian dan simulasi model.

Tujuan dilakukan pengujian dan simulasi model untuk mengetahui model tersebut apakah sudah berjalan dengan baik sesuai yang diinginkan

Dari langkah-langkah penelitian diatas, dapat digambarkan ke dalam tahapan penelitiannya sebagai berikut

Gambar 1. Tahapan penelitian

B. Data Hasil Perikanan Tangkap Kabupaten Aceh Utara

Berikut ini data hasil perikanan tangkap dari tiga pelabuhan perikanan (PP. Krueng Mane, PP. Kuala Cangkoy dan PP. Blang Mee) yang ada diwilayah Kabupaten Aceh Utara Provinsi Aceh

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

KM_0005 Biji

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

KM_0005 Julung-

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

383 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 KM_0030_0050

Julung-

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 KM_0050_0100

Cumi-

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/

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

KM_0005

Julung-

julung 2020 96.25 1.925.000.000

KM_0005 Kaci-kaci 2020 32.1 1.027.200.000

385

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 KM_0005_0010

Julung-

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/

IV. HASIL DAN PEMBAHASAN A. Deskripsi Formulasi Masalah

Kabupaten Aceh Utara merupakan salah satu kabupaten di Provinsi Aceh 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 garis pantai. Hasil perikanan tangkap merupakan produk perikanan yang mempunyai jenis yang beragam dan memiliki karakteristik mudah busuk atau cepat kadaluarsa. Proses pendistribusian hasil perikanan dari pemasok hingga ke konsumen membutuhkan waktu yang lama, sehingga membutuhkan sistem pendistribusian yang baik dan waktu yang tepat agar kualitas hasil perikanan tetap terjaga dengan biaya yang minimal, sehingga diperlukan suatu model optimisasi rantai pasok hasil perikanan.

Perancangan model optimisasi hasil perikanan menggunakan jaringan rantai pasok.

Jaringan rantai pasok yang diusulkan dalam penelitian ini meliputi tiga tingkatan jaringan distribusi yaitu pemasok, distribusi center dan konsumen. Untuk menghasilkan solusi yang optimal dalam meminimalkan biaya operasional jaringan rantai pasok hasil perikanan menggunakan motode MILP. Pemasok sumber daya hasil perikanan tangkap di kabupaten Aceh Utara berasal dari 3 Pangkalan Pendaratan Ikan (PPI), yang terdiri dari: PPI Blang Mee, PPI Krueng Mane dan PPI Kuala Cangkoy. Sedangkan untuk distribusi center dan konsumen terdiri dari 27 Kecamatan di Kabupaten Aceh Utara.

B. Hasil Perancangan Perumusan Model

Model formulasi matematika yang dibangun berdasarkan deskripsi formulasi masalah model optimisasi rantai pasok hasil perikanan tangkap di Kabupaten Aceh Utara seperti terlihat pada gambar 2.

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

P = Himpunan Pemasok, dengan indeks p

D = Himpunan Distribusi Center, dengan indeks d K = Himpunan Konsumen, dengan indeks k

M = Himpunan Produk hasil perikanan, dengan indeks m V = Himpunan Rute Kendaraan, dengan indeks v

2. Parameter

= Biaya Transportasi produk menggunakan rute v∈V dari pemasok p∈P ke distribusi center d∈D (Rp)

= Biaya Transportasi produk menggunakan rute v∈V dari distribusi center d∈D ke konsumen k∈K (Rp)

C

pm

= Biaya operasional penyimpanan produk di pemasok p∈P (Rp)

C

md = Biaya untuk operasional penyimpanan produk di distribusi center d∈D

BT

p

= Biaya yang dikaitkan dengan pemilihan pemasok p∈P (Rp)

BT

pv= Biaya transportasi yang dikaitkan dengan pemasok p∈P melaui rute v∈V KPp = Kapasitas pemasok p∈P (Ton)

KDd = Kapasitas distribusi center d∈D (Ton)

387

= Jumlah produksi produk m∈M oleh pemasok p∈P

= Permintaan produk m∈M oleh konsumen k∈K 3. Variabel keputusan

= Jumlah produk akan dikirimkan dari pemasok ke distribusi center melalui rute

v V 

= Jumlah produk akan dikirimkan dari distribusi center ke konsumen melalui rute

v V 

= Persediaan awal produk di pemasok

= Persediaan awal produk di distribusi center

4. Variabel biner

1, dikunjungi dari pemasok p memakai rute v V,

kpv 0,

jika konsumen k K P

a jika tidak

  

=



 

1, jika pemasok terpilih, 0, jika tidak

p

p p P

X   

= 

1, jika rute dipakai untuk mengunjungi fasilitas j, ,

pv 0,

k p P v V

Y jika tidak

  

= 



C. Hasil Pemodelan Optimisasi Rantai Pasok

Berikut ini hasil pemodelan optimisasi rantai pasok untuk meminimumkan biaya operasional dari pemasok ke pusat distribusi dan ke konsumen pada jaringan rantai pasok hasil perikanan:

vm vm

p p pv pv pd pd

p P p P v V p P d D m M v V

dk dk

vm vm pm pm md md

d D k K m M v V p P m M m M d D

Minimum BT X BT Y BT R

BT S C PA C PA

      

       

+ + +

+ +

     

       

(9)

kpv kpv 1

p P v V

a Y k K

 

=  



(10)

0 ,

p pv

X −Y   p P v V (11)

m m

pd pd

p P m M p P m M

R KP d D

   

  

   

(12)

dk d

m m

d D m M d D m M

S KD k K

   

  

   

(14)

dk k

m m

k K m M k K m M

S PP d D

   

=  

   

(15)

, , , 0 , , ,

vm vm

pd dk pm pd

R S

_

PA PA    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

389 Min 3 xp11 + 2 xp12 + 2 xp13 + 1 xp14 + 3 xp15

+ 2 xp21 + 3 xp22 + 4 xp23 + 4 xp24 + 2 xp25 + 3 xp31 + 4 xp32 + 2 xp33 + 4 xp34 + 1 xp35 + 1 xp41 + 2 xp42 + 4 xp43 + 1 xp44 + 4 xp45 + 2 xp51 + 4 xp52 + 3 xp53 + 3 xp54 + 3 xp55

2. Meminimumkan biaya transportasi ke tempat pemasok p∈P dengan menggunakan rute v∈V Min + 2 pv11 + 3 pv12 + 3 pv13 + 2 pv14 + 2 pv15

+ 3 pv21 + 4 pv22 + 1 pv23 + 3 pv24 + 4 pv25 + 2 pv31 + 2 pv32 + 4 pv33 + 1 pv34 + 3 pv35 + 3 pv41 + 4 pv42 + 2 pv43 + 3 pv44 + 4 pv45 + 2 pv51 + 2 pv52 + 3 pv53 + 4 pv54 + 4 pv55

3. Meminimumkan biaya transportasi dari tempat pemasok p∈P ke pusat distribusi d∈D Min + 3 pd11 + 3 pd12 + 3 pd13 + 1 pd14 + 2 pd15

+ 4 pd21 + 4 pd22 + 4 pd23 + 3 pd24 + 5 pd25 + 4 pd31 + 1 pd32 + 2 pd33 + 2 pd34 + 2 pd35 + 2 pd41 + 4 pd42 + 3 pd43 + 1 pd44 + 4 pd45 + 3 pd51 + 2 pd52 + 4 pd53 + 2 pd54 + 3 pd55

4. Meminimumkan biaya transportasi dari pusat distribusi d∈D ke konsumen k∈K Min + 3 dk11 + 3 dk12 + 4 dk13 + 2 dk14 + 4 dk15

+ 4 dk21 + 2 dk22 + 2 dk23 + 1 dk24 + 2 dk25 + 4 dk31 + 4 dk32 + 1 dk33 + 1 dk34 + 2 dk35 + 2 dk41 + 3 dk42 + 3 dk43 + 4 dk44 + 3 dk45 + 3 dk51 + 2 dk52 + 2 dk53 + 3 dk54 + 2 dk55

5. Meminimumkan biaya persediaan produk m∈M pada tempat pemasok p∈P Min + 2 pm11 + 3 pm12 + 3 pm13 + 2 pm14 + 2 pm15

+ 3 pm21 + 4 pm22 + 1 pm23 + 4 pm24 + 1 pm25

+ 4 pm31 + 4 pm32 + 2 pm33 + 2 pm34 + 4 pm35 + 3 pm41 + 1 pm42 + 3 pm43 + 3 pm44 + 2 pm45 + 1 pm51 + 2 pm52 + 2 pm53 + 3 pm54 + 3 pm55

6. Meminimumkan biaya persediaan produk m∈M pada pusat distribusi d∈D Min + 3 dm11 + 2 dm12 + 3 dm13 + 4 dm14 + 2 dm15

+ 2 dm21 + 1 dm22 + 4 dm23 + 1 dm24 + 1 dm25 + 4 dm31 + 3 dm32 + 3 dm33 + 2 dm34 + 2 dm35 + 1 dm41 + 2 dm42 + 1 dm43 + 3 dm44 + 1 dm45 + 2 dm51 + 4 dm52 + 2 dm53 + 2 dm54 + 3 dm55

7. Menyatakan bahwa setiap pemasok p∈P dengan menggunakan rute v∈V mengunjungi konsumen k∈K yang terpilih hanya sekali

pv11 + pv12 + pv13 + pv14 + pv15 =1 pv21 + pv22 + pv23 + pv24 + pv25 =1 pv31 + pv32 + pv33 + pv34 + pv35 =1 pv41 + pv42 + pv43 + pv44 + pv45 =1 pv51 + pv52 + pv53 + pv54 + pv55 =1

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.

3 pd11 >= 2 dm11 3 pd12 >= 2 dm12 2 pd13 >= 4 dm13 1 pd14 >= 5 dm14

391 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.

VI. UCAPAN TERIMAKASIH

Terima kasih kepada Lembaga Penelitian dan Pengabdian Masyarakat Universitas Malikussaleh atas dukungan dana penelitian untuk skema Penelitian Lektor, sehingga penelitian ini dapat terlaksana dengan baik.

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.

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.