Sabrina Hudani
2507100056
Dosen Pembimbing: Prof. Dr. Ir. Suparno, MSIE.
Optimasi Pengadaan Beras dengan
Menggunakan Linear Programming
dan Mempertimbangkan Hasil Panen
(Studi Kasus: Perum BULOG Sub
Divisi Regional I Surabaya Utara)
Tinjauan Pustaka
Metodologi Penelitian
Pendahuluan
Content
Pengolahan Data
Kesimpulan
Pendahulua
n
Latar
Belakang
Tempat
Penelitian
Perumusan MasalahTujuan
Penelitian
Ruang
Lingkup
Manfaat
Penelitian
Latar Belakang
Menangani masalah
ketahan pangan
Cadangan Beras Pemerintah (CBP) Beras Miskin (RASKIN)Ketahanan pangan baik
Individu, rumah tangga,
dan komunitas
merupakan hak azasi
manusia
Ketersediaan beras erat
kaitannya dengan produksi
padi para petani
Pemerintah menginginkan
tercapainya ketahanan
pangan
Tempat Penelitian
Divisi Regional
Jawa Timur
Sub Divisi
Regional I
Perumusan Masalah
• Perum BULOG harus menyediakan beras sesuai dengan
kebutuhan masyarakat sehingga diperlukan suatu metode
untuk mengetahui persediaan optimal beras agar
perusahaan dapat mengantisipasi stock out.
• Dengan menggunakan metode linear programming, maka
diharapkan perusahaan dapat memenuhi kebutuhan beras
untuk RASKIN, CBP dan OPM, serta dapat meminimumkan
biaya distribusi.
Tujuan Penelitian
Mengetahui sistem eksisting perusahaan dalam pengadaan beras
Meramalkan jumlah produksi padi di wilayah Surabaya, Gresik,
dan Sidoarjo selama tahun 2011
Mengaplikasikan metode Linear programming untuk pengadaan
beras yang optimal di wilayah Surabaya, Gresik, dan Sidoarjo
Memperoleh alternatif kebijakan pengadaan beras yang dapat
meminimumkan biaya distribusi untuk perusahaan amatan
Ruang Lingkup
Penelitian hanya dilakukan di Perum BULOG Sub Divisi Regional I Surabaya Utara
Objek yang diteliti hanya beras RASKIN, CBP, dan OPM
Wilayah yang diteliti hanya daerah Surabaya, Gresik, dan Sidoarjo
Data yang digunakan dalam penelitian adalah data produksi padi tahun 2005 sampai 2009 untuk wilayah Gresik dan Sidoarjo dan data produksi padi tahun 2006 sampai 2010 untuk wilayah Surabaya.
Batasan
Asumsi
Beras petani yang memenuhi kualitas beras BULOG sebesar 40% dari hasil panen atau produksi padi di masing-masing wilayah
Perhitungan jarak yang digunakan dalam penentuan biaya distribusi adalah jarak total jarak dari titik asal ke titik tujuan
Manfaat Penelitian
Dapat mengoptimalkan persediaan beras dengan
mempertimbangkan peramalan produksi padi dan
kebutuhan beras di masa mendatang
Memberikan alternatif kebijakan pengadaan beras
untuk perusahaan dalam mengoptimalkan
persediaan beras lokal
1
Tinjauan Pustaka
LINEAR PROGRAMMING (LP)
Suatu masalah optimasi yang berkaitan dengan meminimumkan atau
memaksimalkan suatu fungsi linier yang dibatasi oleh
konstrain-konstrain atau kendala-kendala yang berbentuk baik persamaan
ataupun ketidaksamaan (Bazaraa et al, 2005).
Minimize: Z = c
1X
1+ c
2X
2+ ... + c
nX
nDengan batasan:
i = 1,2,3, ...
m
Tinjauan Pustaka
TRANSPORTATION
PROBLEM
Total Supply = Total Demand
Minimize
c
11x
11+…. + c
1nx
1n+ c
21x
21+ … +
c
2nx
2n+ … + c
m1x
m1+ … + c
mnx
mnSubject to
x
11+ … + x
1n= s1
x
21+ … + x
2n= s2
x
m1+ … + x
mn= sm
x
11+ x
21+ …. + x
m1= d1
x
1n+ x
2n+ …. + x
mn= dn
x
11, … x
1n,… x
21,… x
2n,… x
m1,…
x
mn,… ≥ 0
PERSEDIAAN (INVENTORY)
PERAMALAN (FORECASTING)
Material yang ditahan dalam suatu keadaan idle atau keadaan
tidak sempurna menunggu penggunaan di masa mendatang
(Tersine ,1994).
Prediksi, proyeksi, atau estimasi dari kejadian yang tidak tentu
di masa mendatang dari suatu kegiatan (Tersine, 1994)
Peramalan hasil panen atau produksi padi di wilayah Surabaya, Gresik,
dan Sidoarjo, serta harga beras.
Metodologi Penelitian
Tahap Persiapan
Identifikasi Awal dan
Perumusan Masalah
Penetapan Tujuan
Studi Pustaka
Studi Lapangan
Pengumpulan Data
Tahap
Pengumpulan
Data
Tahap
Pengolahan
Data
Peramalan Produksi Padi di Wilayah
Surabaya, Gresik, dan Sidoarjo
Peramalan Harga Beras
Pemodelan Matematis
(Linear Programming)
Analisis dan Interpretasi Hasil
Kesimpulan dan Saran
Tahap Analisis
dan Kesimpulan
Metodologi Penelitian
Pengujian Model Linear
Luas Panen dan
Produksi Padi
Surabaya
Peramalan Produksi
Padi
Peramalan Produksi
Padi
Luas Panen dan
Produksi Padi
Peramalan Produksi Padi di
Surabaya
Regression Analysis: Y(t) versus X(t-12)
The regression equation is Y(t) = 607 + 2,30 X(t-12)
48 cases used, 12 cases contain missing values Predictor Coef SE Coef T P Constant 606,6 198,3 3,06 0,004 X(t-12) 2,3004 0,8971 2,56 0,014 S = 1054,94 R-Sq = 12,5% R-Sq(adj) = 10,6% Analysis of Variance Source DF SS MS F P Regression 1 7317351 7317351 6,57 0,014 Residual Error 46 51193723 1112907
Peramalan Produksi
Padi
Output Model AR(1)12
Final Estimates of Parameters
Type Coef SE Coef T P
SAR 12 0,5153 0,1414 3,64 0,001 Constant 75,55 22,20 3,40 0,001 Mean 155,86 45,81 Number of observations: 60 Residuals: SS = 1698497 (backforecasts excluded) MS = 29284 DF = 58
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Peramalan Produksi
Padi
RESI17 P e rc e n t 200 100 0 -100 -200 -300 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,090 -42,94 StDev 77,57 N 60 KS 0,106 P-ValueProbability Plot of RESI17
Normal
Peramalan Luas Panen di
Surabaya
Peramalan Produksi
Padi
Luas Panen dan
Produksi Padi
Gresik
Peramalan Produksi
Padi
Luas Panen dan
Produksi Padi
Gresik
Peramalan Produksi
Padi
3
Regression Analysis: Y(t) versus X(t-12)
The regression equation is Y(t) = 8955 + 3,96 X(t-12)
48 cases used, 24 cases contain missing values
Predictor Coef SE Coef T
P Constant 8955 4270 2,10 0,041 X(t-12) 3,9638 0,6245 6,35 0,000 S = 23173,1 R-Sq = 46,7% R-Sq(adj) = 45,5% Analysis of Variance Source DF SS MS F P
Peramalan Produksi
Padi
Peramalan Produksi Padi di
Gresik
Output Model MA(2)12
Final Estimates of Parameters
Type Coef SE Coef T P
SMA 12 -1,0137 0,1901 -5,33 0,000 SMA 24 -0,6044 0,2084 -2,90 0,005 Number of observations: 60 Residuals: SS = 1166291578 (backforecasts excluded) MS = 20108475 DF = 58
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 13,2 24,2 33,5 46,5 RESI27 P e rc e n t 20000 10000 0 -10000 -20000 -30000 -40000 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean 0,082 -3948 StDev 8165 N 48 KS 0,120 P-Value
Probability Plot of RESI27
Normal
Peramalan Produksi
Padi
Peramalan Produksi
Padi
v
Luas Panen dan
Produksi Padi
Sidoarjo
Peramalan Produksi
Padi
v
Luas Panen dan
Produksi Padi
Sidoarjo
Peramalan Produksi
Padi
Regression Analysis: Y(t) versus X(t)
The regression equation is Y(t) = 149 + 5,69 X(t)
Predictor Coef SE Coef T P Constant 149,1 286,8 0,52 0,005 X(t) 5,69081 0,07880 72,22 0,000 S = 1529,28 R-Sq = 98,9% R-Sq(adj) = 98,9% Analysis of Variance Source DF SS MS F P Regression 1 12198549026 12198549026 5215,97 0,000 Residual Error 58 135644154 2338692 Total 59 12334193180
Peramalan Produksi
Padi
Peramalan Produksi Padi di
Sidoarjo
Output Model ARMA(1,1)12
Final Estimates of Parameters
Type Coef SE Coef T P
SAR 12 0,9990 0,0091 109,18 0,000 SMA 12 0,7587 0,1407 5,39 0,000 Number of observations: 60 Residuals: SS = 53869388 (backforecasts excluded) MS = 928783 DF = 58
Modified Box-Pierce (Ljung-Box) Chi-Square statistic RESI14 Pe rc en t 200 100 0 -100 -200 -300 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,086 -41,09 StDev 68,94 N 60 KS 0,107 P-Value
Probability Plot of RESI14 Normal
Peramalan Produksi
Padi
Peramalan Produksi
Padi
Kebutuhan Alokasi
Beras
RASKIN
OPM
Kebutuhan Alokasi
Beras
Output Model AR(1) Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 0,9995 0,0116 85,96 0,000
Number of observations: 28
Residuals: SS = 3635176
(backforecasts excluded)
MS = 134636 DF = 27
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 10,6 22,1 * * DF 11 23 * * P-Value 0,479 0,512 * *
Perhitungan Supply
Beras
Beras Petani Surabaya (1) Beras Petani Sidoarjo (3) Beras Petani Gresik (2) Beras Movement (4) Sisa Beras Tahun Lalu (5) RASKIN untuk Sidoarjo (3) RASKIN untuk Surabaya (1) RASKIN untuk Gresik (2) CBP untuk Sidoarjo (6) CBP untuk Surabaya (4) CBP untuk Gresik (5) OPM untuk Surabaya (7) OPM untuk Gresik (8) Gudang BULOG I (1) Gudang BULOG II (2) Gudang BULOG III (3) i j k
Formulasi Model
Matematis
Formulasi Model
Matematis
Formulasi Model
Matematis
Jumlah beras i yang dikirim ke gudang BULOG j <= jumlah
supplyberas i
Jumlah beras dari supply beras i yang masuk gudang BULOG j <= kapasitas gudang BULOG j
Jumlah beras yang dikirim dari gudang BULOG j ke titik tujuan k <= jumlah beras yang masuk dari
supply i ke gudang
BULOG j
Jumlah pengiriman beras dari gudang BULOG j ke titik tujuan
k = Jumlah demand k
Minimasi Total Biaya Distribusi
Hasil Running LINGO
Jumlah supply beras pada
gudang BULOG
Jumlah pengiriman beras dari
gudang BULOG ke titik tujuan
1. Dalam penyaluran beras, perusahaan amatan tidak terlalu
mempertimbangkan jarak antara letak supplier dengan gudang BULOG
maupun jarak antara gudang BULOG dengan titik tujuan (demand).
2. Produksi padi di masing-masing wilayah dapat diramalkan dengan metode
regresi, dengan luas panen sebagai independent variable dan produksi padi
sebagai dependent variable. Luas panen sendiri dapat diramalkan dengan
metode ARIMA, dengan model yang sesuai dengan ketentuan ARIMA.
Jumlah produksi padi di masing-masing wilayah pada tahun 2011 adalah
sebagai berikut.
– Jumlah produksi padi di wilayah Surabaya sebesar 139.717.900 kg
– Jumlah produksi padi di wilayah Gresik sebesar 266.585.076 kg.
– Jumlah produksi padi di wilayah Sidoarjo sebesar 187.966.109 kg.
KESIMPULAN
3. Dari hasil running LINGO, tidak ada beras yang masuk ke gudang BULOG
I, jumlah supply beras yang masuk ke gudang BULOG II sebesar 9.678,61
ton dari beras petani Surabaya, 10.000 ton dari beras movement, dan
9.936,929 ton dari sisa beras tahun lalu, sedangkan jumlah supply beras
yang masuk ke gudang BULOG III sebesar 11.454,78 ton dari beras petani
Sidoarjo. Gudang BULOG II memenuhi kebutuhan RASKIN Surabaya dan
RASKIN Gresik, sedangkan gudang BULOG III memenuhi kebutuhan
RASKIN Sidoarjo dan kebutuhan beras OPM di Surabaya, Gresik, dan
Sidoarjo.
4. Pemodelan LP menghasilkan total biaya distribusi sebesar Rp
879.823.000.000,00. Nilai ini lebih rendah jika dibandingkan dengan total
biaya distribusi berdasarkan pragnosa yang dilakukan perusahaan amatan,
yaitu sebesar Rp 898.765.200.000,00. Dengan pemodelan LP, kebutuhan
beras dapat dipenuhi. Namun, di sisi lain utilitas gudang BULOG tidak
maksimum.
Daftar
Pustaka
Amalia, Rizka. 2004. Optimasi Komposisi Kuantum Produksi dengan Menggunakan Metode
Linear Programming (Studi Kasus: PT. Petrokimia Gresik). Surabaya: Tugas Akhir Teknik
Industri ITS, Institut Teknologi Sepuluh Nopember.
Ballou, R. H. 2004. Business Logistic Management. Prentice hall, Inc. USA.
Bhattacharya, U. K. 2007. A Chance Constraints Goal programming Model for The
Advertising Planning Problem. European Journal of Operational Research vol. 192 pp.
382-395.
Chafid, M., dkk. 2006. Pemodelan Stok Gabah/Beras di Kabupaten Subang. Jurusan Statistik Institut Pertanian Bogor. Bogor.
Divisi Gasar Perum BULOG. 2009. Statistik Operasional dan Pendukung Operasional. Jakarta: Perum BULOG.
Hiller, F. S. and Lieberman, G. J. 1990. Introductions to Operations Research. McGraw-Hill, Inc. USA.
Pujawan, I N. dan Mahendrawathi, ER. 2010. Supply Chain Management edisi Kedua. Surabaya: Guna Widya.
Santosa, Budi dan Paul Willy. 2011. Metoda Metaheuristik Konsep dan Implementasi. Surabaya: Guna Widya.
Sawit, M. H., Djanuardi, B., dan Pertini, K. 2003. BULOG Baru Menyelaraskan Kegiatan
dan Memantapkan Tugas Nasional. Jakarta: Perum BULOG.
Tersine, R. J. 1994. Principles of Inventory and Materials Management. New Jersey: Prentice Hall, Inc.
Walpole, R. E. and Myers, R. H. 1989. Ilmu Peluang dan Statistika untuk Insinyur dan
Ilmuwan. Bandung: ITB.
www.bulog.co.id diakses tanggal 23 Mei 2011.
www.jatim.bps.go.id diakses tanggal 15 Mei 2011.