PENENTUAN PUSAT DISTRIBUSI RITEL DENGAN ANALISIS
K-MEANS CLUSTERING (STUDI KASUS PT. XYZ DI KALIMANTAN)
Filscha Nurprihatin1
1Program Studi Teknik Industri, Universitas Bunda Mulia, Jl. Lodan Raya No. 2, Ancol, Jakarta
ABSTRAK
Penelitian ini menentukan lokasi pusat distribusi kedua untuk PT. XYZ yang sudah mempunyai 220 ritel dan 1 pusat distribusi di Kalimantan. Lokasi pusat distribusi yang baik harus mampu memperbaiki performansi rantai pasok secara keseluruhan. Dalam penelitian ini, sebelum ditentukan lokasi pusat distribusi kedua, dilakukan clustering terlebih dahulu untuk memecah tugas pelayanan dari masing-masing pusat distribusi. Teknik K-Means clustering merupakan teknik cluster yang secara simultan mengakomodasi titik centroid dalam setiap iterasinya. Lokasi pusat distribusi terbaik untuk cluster 1 terletak di Kabupaten Landak, yang berjarak 101 km dari pusat distribusi yang sudah ada. Akses barang masuk yang terdekat adalah Pelabuhan Dwikora, Pontianak dengan jarak mengemudi 107 km. Lokasi pusat distribusi terbaik untuk cluster 2 terletak di Kabupaten Barito Kuala. Akses barang masuk terdekat adalah Pelabuhan Trisakti, Banjarmasin dengan jarak mengemudi 53.3 km.
Kata Kunci: Lokasi Pusat Distribusi, K-Means Clustering, Kalimantan
1. PENDAHULUAN
Pulau Kalimantan mempunyai karakteristik alam yang masih banyak berbentuk hutan di antara kota. Ekonomi masyarakat cenderung tumbuh di sekitar sungai, pusat pemerintahan provinsi dan kota/kabupaten. Oleh karena itu, akses menuju dan dari satu titik hingga titik lainnya lebih cepat menggunakan transportasi udara, meskipun lebih mahal. PT. XYZ yang mengakomodasi pasar di Kalimantan memiliki 220 titik ritel dan 1 pusat distribusi di Kota Pontianak yang dibangun 17.8 km dari Bandar Udara Supadio. Pusat distribusi dibutuhkan untuk menyimpan, merawat dan melakukan konsolidasi barang-barang yang sudah diterima dari supplier-supplier sehingga siap untuk didistribusikan ke ritel yang membutuhkan (Liu, dkk., 2012). Dengan investasi sebesar Rp 100 Milyar, setiap pusat distribusi diharapkan mampu melayani 250-300 ritel. Dengan kondisi pasar potensial yang terus tumbuh di Kalimantan, maka PT. XYZ perlu mempertimbangkan untuk menentukan lokasi pusat distribusi yang kedua.
Lokasi pusat distribusi yang baik adalah lokasi yang menekan biaya dan memudahkan koordinasi antara pusat distribusi dan ritelnya sebagai representasi dari pelanggan (Liu, dkk., 2012). Bagi pihak ritel, lokasi pusat distribusi akan menentukan biaya transportasi dari dan ke lokasi ritel. Semakin dekat jarak pusat distribusi dan ritel, maka biaya transportasi semakin murah, sehingga dapat menekan harga barang. Sedangkan bagi pihak pelanggan, harga barang merupakan kriteria keputusan saat membeli barang (Tartavulea, 2015). Lebih jauh lagi, performansi distribusi mulai dari hulu hingga hilir rantai pasok secara parsial otomatis mempengaruhi performansi rantai pasok secara keseluruhan.
Studi yang menggunakan Center of Gravity (COG) dilakukan oleh Gui-Zhi dan Jian-Wei (2013) dan Momeni, dkk. (2013). Gui-Zhi dan Jian-Wei (2013) meneliti tentang pendeteksian batasan antar cluster, sedangkan Momeni, dkk. (2013) melakukan penelitian untuk merencanakan tata letak di industri dengan platform mass customization. Konsep mass customization diartikan
sebagai proses manufaktur yang terdiri dari beberapa jenis produk dan masing-masing mempunyai keunikan dalam proses produksinya.
Huang dan Zhu (2014) menentukan lokasi pusat distribusi dengan menggunakan Analythical
Hierarchy Process (AHP) dan Goal Programming. Bobot pada AHP ditentukan oleh prinsip
biaya, prinsip tenaga kerja, dan prinsip jarak baik antara supplier dan konsumen.
Liu, dkk. (2012), Bosona, dkk. (2013), XueYing (2014), Tartavulea (2015) dan Shih (2015) melakukan penelitian menggunakan COG untuk menentukan lokasi pusat distribusi. Penelitian Liu (2012) menentukan lokasi pusat distribusi di Provinsi Jilin, China sedangkan Tartavulea (2015) mencari lokasi optimal di 100 kota terbesar di Eropa untuk meningkatkan performansi rantai pasok yang direpresentasikan dengan ukuran performansi biaya transportasi. Penelitian Tartavulea (2015) melakukan pendekatan terhadap permintaan masing-masing kota dengan populasi kota tersebut. Semakin besar populasinya, maka permintaan dianggap semakin besar, begitu juga sebaliknya. Riset yang dilakukan oleh Bosona, dkk. (2013) adalah studi terhadap jalur distribusi makanan di Swedia dengan Geographic Information System (GIS) untuk mengevaluasi lokasi pusat distribusi yang sudah ada. Penelitian Bosona, dkk. (2013) mempertimbangkan frekuensi dari dan ke masing-masing titik produsen, pusat distribusi hingga konsumen, beserta jarak dan waktu tempuhnya. Dengan jarak yang sama, waktu tempuh dapat berbeda tergantung dengan kondisi kepadatan lalu lintas. Shih (2015) mengungkapkan bahwa pengukuran jarak tempuh dengan menggunakan metode nearest neighbor (euclidean) dapat berbeda secara signifikan dengan mengukur jarak mengemudi jika dua titik dipisahkan oleh objek tertentu seperti gunung atau danau. Oleh karena itu, Shih (2015) meneliti penentuan lokasi pusat distribusi dengan mengukur jarak mengmudi tiap titik ke pusat distribusi.
Penelitian-penelitian sebelumnya menentukan dan/atau mengevaluasi satu pusat distribusi. Sedangkan dengan kondisi pasar yang semakin berkembang, secara logis dibutuhkan penentuan lokasi pusat distribusi yang kedua, ketiga dan seterusnya. Untuk menentukan lokasi pusat distribusi selanjutnya, dapat dilakukan clustering terlebih dahulu untuk memecah tugas pelayanan dari masing-masing pusat distribusi. Teknik clustering merupakan proses mengelompokkan data-data yang homogen berdasarkan persamaan atribut seperti jarak, hubungan dan intensitas aktivitas (Tamiselvi, dkk., 2015; Liu, dkk., 2012). Teknik ini sudah banyak digunakan dalam bidang pemasaran, pertanian, biologi dan medis.
Penelitian Sasikala dan Kalaiselvi (2016) mengindentifikasi kecenderungan minat konsumen menggunakan teknik K-Means clustering. Teknik ini merupakan teknik cluster yang secara simultan mengakomodasi titik centroid dalam setiap iterasinya. Titik centorid yang terbentuk pada penelitian ini adalah titik lokasi pusat distribusi. Dengan asumsi permintaan dan biaya transportasi masing-masing titik sama, maka perhitungan titik centroid pada K-Means clustering sama dengan perhitungan COG. Gumus dan Sevilgen (2012) mengungkapkan bahwa K-Means
clustering baik digunakan untuk menentukan titik optimal lokal, meskipun tidak menjamin solusi
yang dihadirkan adalah solusi yang optimal global. Keunggulan lainnya dari teknik ini adalah waktu komputasi yang relatif cepat (Madhulatha, 2012).
Dengan demikian diperlukan penelitian untuk menentukan lokasi pusat distribusi yang kedua dengan menggunakan K-Means clustering. Penelitian ini dilakukan dengan asumsi bahwa kuantitas barang yang dikirim dan biaya transportasi adalah sama untuk setiap titik ritel.
2. METODOLOGI
Penelitian ini menggunakan teknik K-Means clustering yang secara simultan menentukan cluster dan menghitung titik lokasi pusat distribusi di setiap iterasi.
Data yang diperlukan untuk pengolahan data dengan metode K-Means clustering adalah titik koordinat lintang dan bujur setiap ritel dengan menggunakan aplikasi Google Maps. Dari aplikasi ini juga diperoleh nama kabupaten/kota.
Gambar 1 menggambarkan cara kerja teknik K-Means clustering, yang dapat dijelaskan sebagai berikut:
Langkah 1: Tentukan terlebih dahulu jumlah cluster yang diinginkan. Dalam studi kasus ini, karena yang akan ditentukan adalah lokasi pusat distribusi kedua, maka diperlukan 2 (dua) buah cluster. Lanjutkan ke langkah 2.
Langkah 2: Tentukan anggota masing-masing cluster secara acak. Lanjutkan ke langkah 3. Langkah 3: Hitung nilai centroid. Nilai centroid adalah nilai rata-rata dari setiap atribut
(koordinat x dan y) dari setiap anggota cluster. Lanjutkan ke langkah 4.
Langkah 4: Hitung jarak antara setiap titik dengan kedua nilai centroid. Lanjutkan ke langkah 5.
Langkah 5: Lakukan pengelompokan dengan memilih jarak terdekat antara setiap titik dengan kedua nilai centroid.
Apabila terdapat anggota cluster sebelumnya yang berpindah cluster, maka ulangi langkah 2.
Apabila tidak terdapat anggota cluster sebelumnya yang berpindah cluster, maka lanjutkan ke langkah 6.
Langkah 6: Selesai
Mulai
Jumlah cluster
Hitung Centroid
Hitung Jarak dari Masing-masing Titik ke Centroid
Kelompokkan sesuai dengan Jarak Terdekat
Ada yang Berpindah Cluster?
Selesai
TIDAK
YA
3. HASIL DAN PEMBAHASAN
Tabel 1 menunjukkan data koordinat lintang dan bujur yang diperoleh dari aplikasi Google Maps kemudian diolah menggunakan software SPSS untuk melakukan K-Means clustering. Terlihat bahwa terdapat 74 titik ritel yang berada di Kalimantan Barat masuk dalam cluster 1. Ritel yang terdapat di Kalimantan Tengah, Kalimantan Timur dan Kalimantan Selatan yang berjumlah 146 titik tergabung dalam cluster 2.
Tabel 1. Hasil Clustering
No Kode Kota/Kabupaten Lintang Bujur Cluster 1 KB1 Bengkayang 0.796146 109.267200 1 2 KB2 Kubu Raya -0.035002 109.394009 1 3 KB3 Kubu Raya -0.059822 109.377500 1 4 KB4 Kubu Raya -0.057966 109.381562 1 5 KB5 Kubu Raya -0.146647 109.411745 1 6 KB6 Kubu Raya -0.115852 109.395237 1 7 KB7 Kubu Raya -0.065833 109.389715 1 8 KB8 Kubu Raya -0.052893 109.252356 1 9 KB9 Kubu Raya -0.078299 109.369086 1 10 KB10 Kubu Raya -0.068740 109.366325 1 11 KB11 Kubu Raya -0.110625 109.406150 1 12 KB12 Kubu Raya 0.004731 109.271568 1 13 KB13 Kubu Raya -0.078353 109.367698 1 14 KB14 Kubu Raya 0.001985 109.282554 1 15 KB15 Kubu Raya -0.096892 109.345726 1 16 KB16 Kubu Raya -0.149077 109.425376 1 17 KB17 Kubu Raya -0.063933 109.296287 1 18 KB18 Kubu Raya -0.005984 109.283621 1 19 KB19 Pontianak 0.282709 109.066758 1 20 KB20 Pontianak 0.288165 109.058503 1 21 KB21 Pontianak -0.014682 109.368953 1 22 KB22 Pontianak -0.053753 109.343818 1 23 KB23 Pontianak -0.042583 109.351327 1 24 KB24 Pontianak -0.067356 109.362299 1 25 KB25 Pontianak -0.011706 109.311597 1 26 KB26 Pontianak -0.024904 109.334899 1 27 KB27 Pontianak -0.055168 109.367844 1 28 KB28 Pontianak 0.049099 109.241472 1 29 KB29 Pontianak -0.055694 109.373191 1 30 KB30 Pontianak -0.020675 109.334739 1 31 KB31 Pontianak -0.074920 109.351219 1 32 KB32 Pontianak -0.006255 109.331993 1 33 KB33 Pontianak -0.011748 109.337486 1 34 KB34 Pontianak -0.019988 109.296287 1 35 KB35 Pontianak -0.006255 109.285301 1 36 KB36 Pontianak -0.025481 109.331993 1
No Kode Kota/Kabupaten Lintang Bujur Cluster 37 KB37 Pontianak -0.009002 109.359458 1 38 KB38 Pontianak -0.008282 109.316755 1 39 KB39 Pontianak -0.022124 109.338684 1 40 KB40 Pontianak -0.033372 109.322102 1 41 KB41 Pontianak -0.025171 109.324835 1 42 KB42 Pontianak -0.028114 109.346734 1 43 KB43 Pontianak -0.022783 109.313717 1 44 KB44 Pontianak -0.064023 109.354902 1 45 KB45 Pontianak -0.033852 109.343901 1 46 KB46 Sambas 1.188741 109.087634 1 47 KB47 Sambas 1.191169 109.125999 1 48 KB48 Sambas 1.230124 109.143154 1 49 KB49 Sambas 1.375213 109.304278 1 50 KB50 Sambas 1.182758 108.970351 1 51 KB51 Sambas 1.067340 108.973068 1 52 KB52 Sanggau 0.141466 110.577256 1 53 KB53 Sanggau 0.293121 110.246604 1 54 KB54 Sanggau 0.132214 110.605415 1 55 KB55 Sanggau -0.019988 110.103782 1 56 KB56 Sanggau 0.021211 110.090049 1 57 KB57 Sanggau 0.218292 110.432549 1 58 KB58 Sanggau 0.298607 110.239330 1 59 KB59 Singkawang 0.920132 108.988903 1 60 KB60 Singkawang 0.912379 108.990218 1 61 KB61 Singkawang 0.919517 108.985982 1 62 KB62 Singkawang 0.924796 108.974937 1 63 KB63 Singkawang 0.924796 108.988670 1 64 KB64 Singkawang 0.913811 108.980430 1 65 KB65 Singkawang 0.905572 108.991417 1 66 KB66 Singkawang 0.906256 108.978911 1 67 KB67 Singkawang 0.930936 109.003615 1 68 KB68 Singkawang 0.919804 108.989824 1 69 KB69 Singkawang 0.900467 108.962315 1 70 KB70 Singkawang 0.927735 108.978722 1 71 KB71 Singkawang 0.922083 108.989650 1 72 KB72 Singkawang 0.919089 108.995056 1 73 KB73 Sintang 0.072600 111.479169 1 74 KB74 Sintang 0.080659 111.478724 1 75 KH1 Pulang Pisau -2.768614 114.276761 2 76 KH2 Kapuas -3.002194 114.393476 2 77 KH3 Kapuas -3.010153 114.383848 2 78 KH4 Palangka Raya -2.232735 113.897689 2 79 KH5 Kapuas -3.030872 114.394805 2
No Kode Kota/Kabupaten Lintang Bujur Cluster 80 KH6 Kapuas -3.000433 114.392044 2 81 KH7 Palangka Raya -2.198995 113.903138 2 82 KH8 Palangka Raya -2.231661 113.886644 2 83 KH9 Palangka Raya -2.201890 113.908602 2 84 KH10 Pulang Pisau -2.764712 114.280706 2 85 KH11 Palangka Raya -2.206044 113.926383 2 86 KH12 Palangka Raya -2.282624 113.918128 2 87 KH13 Palangka Raya -2.164344 113.860436 2 88 KH14 Kapuas -3.014907 114.387779 2 89 KH15 Palangka Raya -2.285634 113.919608 2 90 KH16 Kapuas -3.014906 114.386406 2 91 KH17 Palangka Raya -2.202767 113.916741 2 92 KH18 Palangka Raya -2.223351 113.897515 2 93 KH19 Palangka Raya -2.213745 113.930474 2 94 KH20 Palangka Raya -2.251108 113.916683 2 95 KH21 Palangka Raya -2.217910 113.894695 2 96 KT1 Samarinda -0.487833 117.125469 2 97 KT2 Kutai Kertanegara -0.565803 117.250115 2 98 KT3 Samarinda -0.474504 117.125984 2 99 KT4 Kutai Timur 0.549518 117.548929 2 100 KT5 Kutai Timur 0.731784 117.564512 2 101 KT6 Kutai Timur 0.493012 117.520514 2 102 KT7 Paser -1.603712 116.152734 2 103 KT8 Kutai Kertanegara -0.420742 116.999015 2 104 KT9 Samarinda -0.406741 117.152810 2 105 KS1 Banjarmasin -3.308277 114.611367 2 106 KS2 Banjarmasin -3.297314 114.607904 2 107 KS3 Banjarmasin -3.320281 114.597590 2 108 KS4 Banjarmasin -3.289779 114.596202 2 109 KS5 Banjarmasin -3.289779 114.596202 2 110 KS6 Banjar -3.417969 114.848172 2 111 KS7 Barito Kuala -3.275737 114.595472 2 112 KS8 Banjarmasin -3.325320 114.587323 2 113 KS9 Banjarbaru -3.459450 114.837142 2 114 KS10 Banjarbaru -3.445404 114.808975 2 115 KS11 Banjarbaru -3.422448 114.815141 2 116 KS12 Banjarbaru -3.463235 114.850832 2 117 KS13 Tapin -3.156480 115.092517 2 118 KS14 Banjarbaru -3.460505 114.842563 2 119 KS15 Banjarbaru -3.449203 114.861088 2 120 KS16 Banjarbaru -3.440642 114.832921 2 121 KS17 Banjarbaru -3.448531 114.819174 2 122 KS18 Banjar -3.423521 114.850745 2
No Kode Kota/Kabupaten Lintang Bujur Cluster 123 KS19 Banjarbaru -3.435523 114.841117 2 124 KS20 Banjarbaru -3.437244 114.830803 2 125 KS21 Banjarbaru -3.452011 114.844267 2 126 KS22 Banjarmasin -3.329982 114.591409 2 127 KS23 Banjarbaru -3.448201 114.846669 2 128 KS24 Banjarmasin -3.334568 114.584884 2 129 KS25 Banjarbaru -3.498364 114.847525 2 130 KS26 Banjarbaru -3.442999 114.851301 2 131 KS27 Banjar -3.434583 114.846493 2 132 KS28 Banjarmasin -3.308610 114.579902 2 133 KS29 Banjar -3.415179 114.852843 2 134 KS30 Banjarbaru -3.449086 114.789671 2 135 KS31 Banjarmasin -3.340767 114.628823 2 136 KS32 Banjarbaru -3.438765 114.821770 2 137 KS33 Banjarbaru -3.451938 114.806834 2 138 KS34 Banjarbaru -3.442665 114.726152 2 139 KS35 Banjarbaru -3.440760 114.735936 2 140 KS36 Banjarmasin -3.326955 114.617146 2 141 KS37 Banjar -3.318195 114.651649 2 142 KS38 Banjarbaru -3.434530 114.822107 2 143 KS39 Banjarmasin -3.327923 114.583669 2 144 KS40 Banjarbaru -3.434490 114.863133 2 145 KS41 Banjarmasin -3.328568 114.573024 2 146 KS42 Banjarmasin -3.322549 114.569418 2 147 KS43 Banjarmasin -3.289127 114.587099 2 148 KS44 Banjarmasin -3.351559 114.634590 2 149 KS45 Banjarbaru -3.433719 114.813518 2 150 KS46 Banjarmasin -3.293008 114.600142 2 151 KS47 Banjarbaru -3.420142 114.846991 2 152 KS48 Banjar -3.416543 114.849566 2 153 KS49 Banjarmasin -3.294852 114.602372 2 154 KS50 Banjarmasin -3.282835 114.575935 2 155 KS51 Banjarbaru -3.448868 114.800124 2 156 KS52 Banjarmasin -3.319298 114.620909 2 157 KS53 Barito Kuala -3.275234 114.596532 2 158 KS54 Barito Kuala -3.269215 114.601853 2 159 KS55 Banjarbaru -3.444675 114.806300 2 160 KS56 Banjarbaru -3.442770 114.825526 2 161 KS57 Banjarmasin -3.315769 114.599618 2 162 KS58 Banjarmasin -3.307866 114.598931 2 163 KS59 Banjarbaru -3.436712 114.750507 2 164 KS60 Banjarmasin -3.347241 114.628111 2 165 KS61 Banjarmasin -3.319116 114.604250 2
No Kode Kota/Kabupaten Lintang Bujur Cluster 166 KS62 Banjarmasin -3.319267 114.611630 2 167 KS63 Banjarbaru -3.434060 114.814361 2 168 KS64 Tapin -3.115747 115.070838 2 169 KS65 Banjarmasin -3.325376 114.598238 2 170 KS66 Banjarmasin -3.282169 114.589654 2 171 KS67 Banjarbaru -3.420271 114.846287 2 172 KS68 Banjarmasin -3.354106 114.629649 2 173 KS69 Banjarbaru -3.447819 114.862078 2 174 KS70 Banjar -3.317906 114.647672 2 175 KS71 Tanah Laut -3.806603 114.787542 2 176 KS72 Banjar -3.432337 114.688697 2 177 KS73 Barito Kuala -3.263176 114.604754 2 178 KS74 Tanah Bumbu -3.789795 115.384551 2 179 KS75 Barito Kuala -3.272562 114.600632 2 180 KS76 Tanah Laut -3.895250 115.094553 2 181 KS77 Banjarbaru -3.433778 114.740878 2 182 KS78 Tapin -2.941044 115.148723 2 183 KS79 Banjar -3.415104 114.852175 2 184 KS80 Banjar -3.420262 114.846739 2 185 KS81 Banjar -3.423588 114.834944 2 186 KS82 Tanah Laut -3.974897 114.928639 2 187 KS83 Tanah Bumbu -3.410780 116.009986 2 188 KS84 Banjarbaru -3.452829 114.742416 2 189 KS85 Banjarbaru -3.451629 114.740164 2 190 KS86 Barito Kuala -3.148207 114.502530 2 191 KS87 Tanah Laut -3.558462 114.746961 2 192 KS88 Banjar -3.361413 114.641890 2 193 KS89 Banjarbaru -3.461145 114.812163 2 194 KS90 Banjarbaru -3.441954 114.847869 2 195 KS91 Banjarmasin -3.355935 114.633621 2 196 KS92 Banjarbaru -3.432019 114.860901 2 197 KS93 Banjarmasin -3.322693 114.567688 2 198 KS94 Banjar -3.414204 114.847825 2 199 KS95 Tanah Laut -3.818179 114.786699 2 200 KS96 Banjar -3.410784 114.673388 2 201 KS97 Tanah Laut -3.799003 114.775684 2 202 KS98 Banjar -3.434097 114.750264 2 203 KS99 Banjarbaru -3.435130 114.846379 2 204 KS100 Banjarbaru -3.434107 114.818899 2 205 KS101 Banjarbaru -3.441994 114.828498 2 206 KS102 Banjarbaru -3.449196 114.787971 2 207 KS103 Banjarbaru -3.459140 114.844261 2 208 KS104 Banjar -3.360438 114.642388 2
No Kode Kota/Kabupaten Lintang Bujur Cluster 209 KS105 Tanah Laut -3.804863 114.761849 2 210 KS106 Banjarmasin -3.321715 114.577142 2 211 KS107 Banjarbaru -3.440983 114.835321 2 212 KS108 Banjarmasin -3.317266 114.585367 2 213 KS109 Banjarmasin -3.334752 114.605265 2 214 KS110 Banjarbaru -3.439975 114.748073 2 215 KS111 Banjarbaru -3.444437 114.769345 2 216 KS112 Banjar -3.361500 114.636822 2 217 KS113 Banjarmasin -3.325520 114.625821 2 218 KS114 Banjarbaru -3.443417 114.805036 2 219 KS115 Banjarmasin -3.327577 114.601789 2 220 KS116 Banjarbaru -3.441026 114.725370 2
Keadaan alam yang unik menyebabkan akses menuju kota-kota di Kalimantan ditempuh lebih cepat dengan menggunakan pesawat atau kapal daripada melalui jalur darat. Oleh karena itu, pusat distribusi dapat menentukan akses barang masuk melalui bandara/pelabuhan tertentu dengan meminimasi jarak dari pusat distribusi dengan bandara/pelabuhan yang ada.
Koordinat hasil perhitungan dengan menggunakan software SPSS disajikan dalam Tabel 2.
Cluster 1 mempunyai titik centroid yang terletak di Kabupaten Landak, berjarak 101 km dari
pusat distribusi yang sudah ada. Jalur masuk yang terdekat untuk titik ini adalah melalui Pelabuhan Dwikora, Pontianak dengan jarak mengemudi 107 km. Sedangkan pada cluster 2, titik centroid jatuh di Kabupaten Barito Kuala dengan akses masuk barang terdekat adalah dari Pelabuhan Trisakti, Banjarmasin dengan jarak mengemudi 53.3 km.
Tabel 2. Hasil Perhitungan Titik Centroid
Titik Centroid Kota/Kabupaten Akses Barang Masuk Lintang Bujur
Cluster 1 0.281350 109.397439 Landak (101 km dari pusat distribusi yang sudah ada)
Pelabuhan Dwikora, Kalimantan Barat (107 km)
Cluster 2 -3.079746 114.805358 Barito Kuala Pelabuhan Trisakti, Banjarmasin (53.3 km)
4. KESIMPULAN
Teknik K-Means clustering dapat digunakan dan diaplikasikan oleh perusahaan ritel untuk menentukan lokasi pusat distribusi, baik yang pertama, kedua dan seterusnya. Lokasi pusat distribusi terbaik untuk cluster 1 terletak di Kabupaten Landak, yang berjarak 101 km dari pusat distribusi yang sudah ada. Akses barang masuk yang terdekat adalah Pelabuhan Dwikora, Pontianak dengan jarak mengemudi 107 km.
Lokasi pusat distribusi terbaik untuk cluster 2 terletak di Kabupaten Barito Kuala. Akses barang masuk terdekat adalah Pelabuhan Trisakti, Banjarmasin dengan jarak mengemudi 53.3 km. Dikarenakan kedua akses utama adalah pelabuhan, maka PT. XYZ harus mampu mempertimbangkan biaya dan waktu transportasi dan jumlah barang dari produsen ke pelabuhan tersebut.
Penelitian ini mengasumsikan volume distribusi barang dan biaya transportasi sama di setiap titik, sehingga untuk penelitian selanjutnya dapat diperhitungkan variabel-variabel tersebut. 5. DAFTAR PUSTAKA
Bosona, T., Nordmark, I., Gebresenbet, G., Ljungberg, D. (2013). “GIS-Based Analysis of Integrated Food Distribution Network in Local Food Supply Chain”. International
Journal of Business and Management, Vol. 8, No. 17, 13-34.
Gui-Zhi, W dan Jian-Wei, Z. (2013). “Clustering-boundery-detection Algorithm Based on Center of Gravity of Neighborhood”. Telkomnika, Vol. 11, No. 12, 7302-7308.
Gumus, H dan Sevilgen, F.E. (2012). “Refining K-means Algorithm by Detecting Superfluous and Oversized Clusters”. Proceedings of the World Congress on Engineering and
Computer Science 2012, San Francisco, USA October 24-26, 2012.
Huang, H dan Zhu, Y. (2014). “The Location of Logistics Center by AHP-GP Based on Convenient Idea”. Journal of Chemical and Pharmaceutical Research, Vol. 6, No. 7,1098-1102.
Liu, X., Guo, X., Zhao, X. (2012). “Study on Logistics Center Site Selection of Jilin Province”.
Journal of Software, Vol. 7, No. 8, 1799-1806.
Madhulatha, T. S. (2012). “Graph Partitioning Advance Clustering Technique”. International
Journal of Computer Science & Engineering Survey,Vol. 3, No. 1, 91-104.
Momeni, M., Soufi, M., Ajalli, M. (2013). “Layout Planning of Mass Customization Systems by Using Data Clustering Techniques (Case Study: Company of Shoae Beton Shargh)”.
International Journal of Innovative Research in Science, Engineering and Technology,
Vol. 2, Issue 11, 6691-6698.
Sasikala, D dan Kalaiselvi, S. (2016). “Data Mining for Business Intelligence in CRM System”.
International Journal of Multidisciplinary Research and Development, Vol. 3, Issue 3,
198-200.
Shih, H. (2015). “Facility Location Decisions Based on Driving Distances on Spherical Surface”.
American Journal of Operations Research, Vol. 5, 450-492.
Tamiselvi, R., Sivasakthi, B., Kavitha, R. (2015). “A Comparison of Various Clustering Methods and Algorithms in Data Mining”. International Journal of Multidisciplinary Research
and Development, Vol. 2, Issue 5, 32-36.
Tartavulea, R. I. (2015). “Model for Determining the Optimum Location for Performance Improvement in Supply-Chain Strategies”. European Journal of Interdisciplinary
Studies, Vol. 7, Issue 1, 39-54.
XueYing, Z. (2014). “Based on Gravity Method of Logistics Distribution Center Location Strategy Research”. International Conference on Logistics Engineering, Management
