Kata kunci: Spare Part, Artificial Neural Network, Montecarlo, (R, s, S) Periodic Review

(1)

1

PENGENDALIAN PERSEDIAAN MATERIAL TRANSFORMATOR

(TRAFO) PADA SISTEM DUA ESELON DENGAN PENDEKATAN (R,s,S)

PERIODIC REVIEW (STUDI KASUS: PT. PLN (PERSERO) AREA BALI

SELATAN)

Vivihapsari, Astami ; Kurniati, Nani ; Santosa Budi

Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember

Surabaya 60111, Indonesia, astamihapsari@gmail.com ; nanikur@ie.its.ac.id ; budi_s@ie.its.ac.id

ABSTRAK

Manajemen persediaan yang baik dapat mengakomodasi permintaan yang sifatnya fluktuatif serta dapat menjadi media penghematan biaya bagi perusahaan (Pujawan, 2005). Namun ketika, Perusahaan menerapkan sistem manajemen pergudangan lebih dari satu eselon (Multi Echelon Inventory System), maka sistem persediaan spare part akan menjadi lebih rumit. PT. PLN (Persero) merupakan satu-satunya perusahaan milik negara yang bergerak di bidang penyedia layanan listrik. Mengingat kebutuhan masyarakat akan listrik yang bersifat vital, kinerja jaringan listrik harus beroperasi secara optimal. Untuk mendukung kinerja jaringan tersebut,diperlukan sistem pengendalian dan perencanaan material yang baik untuk mengantisipasi terjadinya stock out. Objek amatan dalam penelitian ini akan difokuskan pada material Trafo. Metode yang akan digunakan dalam penelitian ini adalah model (R, s, S) Periodic Review. Mengingat pentingnya pengetahuan akan demand yang akan datang, maka akan diajukan dua metode

forecast yang berbeda, yaitu Simulasi Montecarlo dan Artificial Neural Network. Dari hasil pengolahan

data diperoleh kesimpulan bahwa output demand Simulasi Montecarlo memberikan hasil peramalan yang lebih baik, dan Sistem Persediaan (R,s,S) Periodic Review terbukti mampu memberikan service level

target yang diinginkan perusahaan.

Kata kunci: Spare Part, Artificial Neural Network, Montecarlo, (R, s, S) Periodic Review

ABSTRACT

A good inventory management is able to accommodate the fluctuating demand and can also be the appropriate cost saving tool for the company. However when applying a multi echelon inventory system, the spare part inventory system will become more complex. PT.PLN is the only government-owned company that manages the electricity supply in Indonesia. Considering the public needs of electricity, the electrical network should perform optimally. To support its performance, a material planning and control system will be used to anticipate the stock out situation. The object of research will be focused on Trafo material. The method that is being used in this research is the model of (R,s,S) Periodic Review. Analysing on the importance of future demand knowledge, this research uses two different forecast methods, which are Monte Carlo Simulation and Artificial Neural Network. From the results of data processing, the output demand of Montecarlo simulations provides better forecasting results, and Inventory System (R, s, S) Periodic Review produces a service level that is desired by the company.

Keywords: Spare Part, Artificial Neural Network, Monte Carlo, (R, s, S) Periodic Review

1. PENDAHULUAN

PT PLN (persero) Distribusi Bali sebagai Badan Usaha Milik Negara yang ditugaskan oleh Pemerintah untuk mengelola ketanagalistrikan berperan penting dalam menjaga ketersediaan pasokan dan pendistribusian tenaga listrik serta pelayanan

produknya terhadap masyarakat Propinsi Bali. Terkait dengan hal tersebut, terdapat 2 indikator untuk mengukur kinerja PLN dalam menangani masalah keandalan pasokan dan pendistribusian tenaga listrik kepada pelanggan, yaitu SAIDI dan SAIFI.

(2)

2 lama padam yang dirasakan rata-rata per pelanggan per tahun dan SAIFI (System

Interuption Frequency Index) adalah jumlah kali

padam yang dirasakan rata–rata per pelanggan per tahun. Semakin rendah nilai SAIDI dan SAIFI maka semakin baik kinerja PLN yang dicapai. Pencapaian kinerja SAIDI dan SAIFI sangat ditentukan oleh ketersediaan material dan kompetensi para karyawan yang terlibat didalamnya. Adapun material yang sangat berpengaruh terhadap prosentase SAIDI dan SAIFI adalah ketersediaan Transformator (trafo). Trafo dianggap berpengaruh besar karena jika trafo rusak, maka pendistribusian aliran tenaga listrik melalui Jaringan Tegangan Rendah (JTR), Sambungan Rumah (SR) dan Alat Pembatas & Pengukur (APP) menuju instalasi pelanggan terputus dan listrik padam. Bahkan terkadang Jaringan Tegangan Menengah (JTM) juga ikut terputus pendistribusian aliran tenaga listriknya sebagai dampak gangguan rusaknya trafo yang tersambung pada JTM tersebut. Mengingat begitu besar dampak yang diakibatkan dari kerusakan trafo serta harga trafo yang tergolong mahal, perusahaan memberi perhatian secara khusus terhadap operasional trafo dengan membuat target dan realisasi kerusakan trafo per Area setiap bulannya. Demi terwujudnya komitmen PLN dalam menurunkan nilai angka SAIDI dan SAIFI secara berkesinambungan, diperlukan manajemen material trafo yang lebih baik, sehingga ketika dibutuhkan replacement, material trafo yang dibutuhkan tersedia.

Menurut Assistant Manager Distribusi PLN Area Bali Selatan, pengadaan kebutuhan material saat ini berasal dari Kegiatan Investasi dan Kegiatan Operasional yang dilakukan PT.PLN (Persero) Distribusi Bali. Kegiatan Investasi ini meliputi peningkatan mutu dan keandalan jaringan distribusi, Kegiatan efisiensi jaringan distribusi, dan Kegiatan penyambungan pelanggan baru dan tambah daya. Sedangkan Kegiatan Operasional meliputi kegiatan operasi harian terhadap pemeliharaan sistem jaringan, termasuk di dalamnya menangani gangguan pemadaman terhadap pelanggan. Pemesanan material untuk kebutuhan Kegiatan Investasi telah diketahui secara pasti sesuai dengan program rencana kerja yang telah dibuat, sedangkan kebutuhan material untuk kebutuhan

replacement pada Kegiatan Operasional dibuat

berdasarkan prakiraan data historis. Tidak adanya perencanaan kebutuhan material untuk kebutuhan replacement pada Kegiatan

Operasional yang memadai, menyebabkan perusahaan mengambil jatah material yang telah dialokasikan untuk kegiatan yang telah terencana, karena mengingat kebutuhan

replacement yang dibatasi oleh target lama

padam, yaitu selama 3 jam. Berdasarkan data historis berikut, dapat diamati data waktu

recovery yang dilakukan petugas PLN dalam

menangani gangguan pemadaman akibat kerusakan material trafo.

Tabel 1.1 Data Gangguan Trafo Area Batan tahun 2010

TANGGAL DAYA MULAI JAM PADAM

JAM MULAI NYALA

RECOVERY

Jl Popies II (Hotel Barong) Bunisari Kuta 12 Februari 2010 400 8:58:04 18:00:00 9:01 Jl By-Pass Ngurah Rai Sanur Serangan Denpasar 16 Februari 2010 200 12:30:00 18:30:00 6:00 Br. Lumbung Delod Seme Suraberata Suraberata Tabanan 16 Februari 2010 50 3:32 7:20 3:48 Jl Kerta Pura III Abian timbul Denpasar 17 Februari 2010 100 4:38 8:00 3:21

Jl Gatsu Timur Padang Galak Denpasar 21 Februari 2010 160 13:43 16:20 2:37

Jl Akasia Nusa Indah Denpasar 12 Maret 2010 100 5:15 6:40 1:25

PENYULANG RAYON

ALAMAT

TRAFO LAMA / DIGANTI

Dari data di atas, terlihat bahwa masih terdapat realisasi waktu recovery lebih dari target yang diharapkan, yaitu 3 jam. Menurut pihak perusahaan, waktu recovery melewati target yang ditentukan akibat lamanya waktu yang dibutuhkan untuk mencari material karena material tidak tersedia di lokasi terkait. Kondisi akan menjadi kurang baik, ketika material yang dibutuhkan untuk kebutuhan replacement tidak tersedia, serta jatah material untuk Kegiatan Investasi yang terencana pun juga tidak mampu mengatasi. Perusahaan terpaksa mengambil keputusan untuk melakukan supply erect (pembelian material material dalam jumlah terbatas pada waktu tersebut melalui supplier terdekat). Dampaknya, spesifikasi material yang digunakan terkadang kurang sesuai, kualitas material yang kurang baik, serta biaya yang dikeluarkan untuk pembelian dalam jumlah kecil tentu akan lebih mahal daripada pembelian secara borongan. Kebutuhan replacement yang tidak terprediksi, dapat disebabkan oleh banyak hal. Berdasarkan informasi yang diperoleh dari pihak perusahaan, replacement trafo dilakukan akibat adanya kerusakan akibat hubungan singkat jaringan, kegagalan proteksi, maupun bencana alam. Menyikapi permasalahan tersebut, saat ini PT.PLN Persero Distribusi Bali membuat kebijakan baru, dimana di setiap Area dan rayon memiliki kewenangan untuk menyimpan material. PLN memiliki tiga area pelayanan wilayah, yang mana masing- masing area membawahi masing-masing rayon. Area tersebut adalah Area Bali Selatan, Area Bali Timur dan Area Bali Utara. Masing-masing

(3)

3 rayon inilah yang merupakan titik terdekat yang akan berkaitan langsung terkait pelayanan terhadap pelanggan. Lingkup penelitian ini akan difokuskan pada perencanaan dan pengendalian material trafo di Area Bali Selatan. Di mana Area Bali Selatan membawahi 4 (empat) rayon, yaitu Rayon Denpasar, Rayon Tabanan, Rayon Mengwi, dan Rayon Kuta.

Gudang Area Bali Selatan (Tohpati-Denpasar) Gudang Rayon DENPASAR Gudang Rayon TABANAN Gudang Rayon MENGWI Gudang Rayon KUTA

Demand Demand Demand Demand

Eselon 1 Eselon 2

Gambar 1.2 Mekanisme Penyimpanan Material Area Bali Selatan (Sumber : Informasi dari Assman Distribusi PLN Area

Pelayanan Bali Selatan)

Dengan latar belakang di atas, maka Penelitian ini dilakukan untuk memberikan rekomendasi metode forecast yang akurat untuk memprediksi

demand trafo yang akan datang, serta

menentukan kebijakan persediaan dengan menerapkan konsep perhitungan (R,s,S)

Periodic review. Sehingga diharapkan dengan

mengetahui kebutuhan pada tiap rayon, Area Bali Selatan dapat merencanakan dan mengendalikan persediaan material trafo dengan lebih terukur sehingga dapat mendukung target lama padam yang ditetapkan perusahaan dalam mengatasi lamanya waktu pemadaman.

Batasan yang digunakan pada penelitian ini adalah :

1. Proses pengamatan dilakukan di Area Bali Selatan

2. Objek amatan dalam penelitian ini adalah material Trafo Distribusi (50 KVa, 100 KVa, 160 KVa, 200 kVa, dan 250 Kva)

3. Data historis material trafo menggunakan data penggunaan material periode 2007-2010.

Sedangkan asumsi yang digunakan dalam penelitian ini adalah sebagai berikut:

1. Lead time yang digunakan adalah 1 bulan pada masing-masing rayon dan 2 bulan pada Area

2. Kegiatan replenishment dilakukan secara bertingkat berdasarkan tingkatan eselon

3. Holding cost yang digunakan adalah 20% dari total nilai barang

4. Setiap terjadi kerusakan trafo, maka trafo tersebut akan diganti dengan trafo yang memiliki daya yang sama.

2. METODOLOGI PENELITIAN

Penelitian ini dilaksanakan dengan melakukan beberapa metode sebagai berikut:

2.1 Identifikasi Dan Perumusan Masalah

Proses pengolahan data diawali dengan melakukan identifikasi spare part yang memiliki dampak besar terhadap masalah pemadaman listrik. Berdasarkan info dari perusahaan, material terkait adalah material trafo. Langkah selanjutnya, dilakukan prediksi

demand pada masing-masing rayon dengan

menggunakan Simulasi Montecarlo dan Neural

Network, untuk kemudian akan dipilih output

demand dari salah satu metode yang

menghasilkan error terkecil. Hasil prediksi

demand tersebut kemudian akan dijadikan input-an untuk perhitungan perencanaan

persediaan spare part dengan menggunakan konsep perhitungan (R,s,S) periodic review. Dari hasil perhitungan kemudian dilakukan uji sensitivitas dengan mengubah kombinasi parameter persediaan untuk memperoleh

service level target dan biaya yang minimum.

2.2 Tahap Pengumpulan Data

Pada tahap ini, pengumpulan data-data dilakukan untuk mendukung hipotesa dari penelitian yang ingin dilakukan. Data-data yang diperlukan antara lain :

a. Data historis demand spare part trafo periode tahun 2007-2010

b. komponen biaya (biaya pemesanan, biaya persediaan, biaya stock out) untuk periode tahun 2007-2010 pada masing-masing rayon dan Area Bali Selatan.

2.3 Tahap Pengolahan Data

Tahap pengolahan data dalam penelitian ini meliputi:

2.3.1 Penentuan Pola dan Karakteristik

Demand

Setelah dilakukan proses identifikasi material, maka langkah selanjutnya adalah menganalisa karakteristik demand dengan melakukan perhitungan Average Demand

Interval (ADI) dan Coefficient of Variance

(CV). Hasil dari perhitungan tersebut, akan dijadikan landasan untuk mengelompokkan

(4)

4

spare part pada masing-masing jenis trafo

berdasarkan pola dan karakteristiknya dengan menggunakan parameter nilai ADI sebesar 1,32 dan CV sebesar 0,49. Hasil penentuan karakteristik ini akan berpengaruh pada metode yang digunakan untuk menentukan kebutuhan perencanaan dan pengendalian spare part terkait.

2.3.2 Prediksi Demand

Setelah diketahui pola dan karakteristik demand masing-masing jenis trafo, maka langkah selanjutnya adalah menentukan jenis distribusi demand. Hal ini dilakukan agar estimasi kebutuhan demand dapat diketahui secara akurat dengan menggunakan metode peramalan yang tepat. Untuk demand yang memiliki distribusi teoritis (distribusi normal, lognormal, dsb) dapat menggunakan teknik peramalan regresi ataupun time series. Sedangkan untuk demand yang tidak memiliki jenis distribusi teoritis ( memiliki pola

intermittent, lumpy, dsb) tidak dapat

menggunakan metode tersebut. Dalam penelitian ini akan digunakan pendekatan metode Artificial Neural Network (ANN) dan Simulasi Montecarlo.

2.3.3 Perhitungan Kebijakan Inventory

Pada Sistem Dua Eselon

Pada tahapan ini, hasil prediksi

demand dari metode forecast terpilih akan

dijadikan input-an demand untuk perhitungan kebijakan inventory untuk tiap

echelon. Parameter kebijakan inventory

yang digunakan dalam perhitungan adalah sistem periodic review (R,s,S), di mana pada sistem persediaan ini, ketika tingkat persediaan sampai pada tingkat s atau lebih rendah, maka akan dilakukan pemesanan sampai tingkat persediaan S, dan apabila diatasnya atau belum mencapai s, maka tidak dilakukan apapun sampai periode peninjauan R berikutnya. Mula-mula akan dihitung kebutuhan persediaan pada masing-masing gudang rayon, kemudian total

demand dari semua rayon akan menjadi input demand untuk Area Bali Selatan.

2.4 Analisis dan Pembahasan

Pada tahap ini, hasil dari pengolahan data seperti yang telah disebutkan di atas, akan dianalisis dan dibahas. Tahap analisa akan diawali dengan analisa hasil klasifikasi

material trafo pada masing-masing rayon. Kemudian akan dianalisis pula output

forecast pada kedua metode forecast yang

digunakan. Hasil perhitungan kebijakan persediaan material trafo dengan konsep perhitungan periodic review (R,s,S) juga akan dianalisis beserta hasil uji sensitivitas paramatere persedian terhadap service level

actual.

2.5 Kesimpulan dan Saran

Setelah melakukan analisis, hasil pengolahan data tersebut ditarik kesimpulan-kesimpulan untuk menjawab tujuan dari penelitian tugas akhir ini. Setiap kesimpulan harus sesuai dengan tujuan sebelumnya. Sedangkan manfaat yang diekspektasikan diterima oleh perusahaan tetapi belum tercapai sepenuhnya dapat dituangkan dalam saran perbaikan.

3. PENGUMPULAN DAN PENGOLAHAN DATA

Pada tahap ini dilakukan pengumpulan dan pengolahan data yang didapat pada pelaksanaan penelitian.

3.1 Pengumpulan Data

Data yang didapat selama penelitian adalah sebagai berikut:

3.1.1 Data Penggunaan Spare Part

Pada sub bab ini akan ditampilkan data penggunaan spare part trafo selama periode tahun 2007-2010. Jenis Material yang akan dianalisis adalah Trafo 50 KVa,100 KVa, 160 KVa, 200 KVa, dan 250 KVa untuk masing-masing rayon.

Tabel 3.2 Spare Part Trafo Rayon Denpasar Jan-07 Feb-07 Mar-07 Apr-07 May-07 …… …… Oct-10 Nov-10 Dec-10

50 Kva 0 2 1 0 0 …… …… 0 0 0 100 Kva 1 1 0 1 0 …… …… 0 0 0 160 Kva 0 0 1 0 0 …… …… 1 1 0 200 Kva 1 1 2 0 1 …… …… 0 0 1 250 Kva 1 1 4 0 0 …… …… 0 0 0 Periode(Bulan) Jenis Trafo

Tabel 3.3 Spare Part Trafo Rayon Kuta

Jan-07 Feb-07 Mar-07 Apr-07 May-07 …… …… Oct-10 Nov-10 Dec-10

50 Kva 0 1 1 0 0 …… …… 0 0 0

100 Kva 1 0 0 1 0 …… …… 0 1 0

160 Kva 1 0 1 0 1 …… …… 1 0 0

200 Kva 0 2 0 0 0 …… …… 0 0 2

250 Kva 1 1 0 1 0 …… …… 3 0 0

(5)

5 Tabel 3.4 Spare Part Trafo Rayon

Tabanan

Jan-07 Feb-07 Mar-07 Apr-07 May-07 …… …… Oct-10 Nov-10 Dec-10

50 Kva 1 2 1 1 1 …… …… 0 0 0

100 Kva 1 1 1 1 0 …… …… 0 0 0

160 Kva 1 0 1 0 0 …… …… 0 0 0

200 Kva 0 0 0 0 1 …… …… 0 0 0

250 Kva 0 1 0 0 0 …… …… 0 0 0

Jenis Trafo Periode(Bulan)

Tabel 3.5 Spare Part Trafo Rayon Mengwi Jan-07 Feb-07 Mar-07 Apr-07 May-07 …… …… Oct-10 Nov-10 Dec-10

50 Kva 1 0 1 0 0 …… …… 0 0 0

100 Kva 1 0 1 0 0 …… …… 0 0 0

160 Kva 1 0 1 0 0 …… …… 0 2 0

200 Kva 0 1 0 0 0 …… …… 0 0 0

250 Kva 0 1 0 0 0 …… …… 0 0 0

Jenis Trafo Periode(Bulan)

3.1.2 Data Lead Time

Lead time pengiriman barang untuk

spare part trafo pada dasarnya memiliki

nilai yang berbeda-berbeda tergantung pada spesifikasi dan jenis material yang tertuang dalam kesepakatan kontrak tender E-Proc. Setelah diskusi dengan pihak perusahaan maka dapat diasumsikan lead time bernilai konstan pada tiap eselon. Lead time Area diasumsikan 1 bulan. Sedangkan lead time pada tiap rayon diasumsikan 2 bulan.

3.1.3 Data Ordering Cost

Biaya ordering cost pada Area dan tiap rayon dapat diasumsikan dengan menggunakan pendekatan biaya yang dikeluarkan per bulannya untuk penggunaan operasional perusahaan. Data ini bersumber dari laporan keuangan tiap rayon dan area. Tabel 3.6 Ordering Cost Rayon Denpasar

Keterangan Biaya

Pemakaian Perkakas & Peralatan Rp 1,503,805

Listrik, Gas dan Air Rp 49,256,320

Pos & Telekomunikasi Rp 1,887,410

Alat dan Keperluan Kantor Rp 6,812,550

Total Rp 59,460,085

Jumlah PO per Bulan 500

Biaya Order Rp 118,920

Tabel 3.7 Ordering Cost Rayon Kuta

Keterangan Biaya

Pemakaian Perkakas & Peralatan Rp 374,600 Listrik, Gas dan Air Rp 28,847,835 Pos & Telekomunikasi Rp 2,843,783 Alat dan Keperluan Kantor Rp 4,583,990

Total Rp 36,650,208

Tabel 3.8 Ordering Cost Rayon Tabanan

Keterangan Biaya

Pemakaian Perkakas & Peralatan Rp 1,613,000

Listrik, Gas dan Air Rp 588,826

Pos & Telekomunikasi Rp 1,214,070

Alat dan Keperluan Kantor Rp 7,933,500

Total Rp 11,349,396

Biaya Order Rp22,699

Tabel 3.9 Ordering Cost Rayon Mengwi

Keterangan Biaya

Pemakaian Perkakas & Peralatan 1,836,250

Listrik, Gas dan Air 2,038,924

Pos & Telekomunikasi 351,131

Alat dan Keperluan Kantor 3,973,000

Total Rp 8,199,305

3.1.4 Data Holding Cost

Pada dasarnya PLN Area dan Rayon tidak pernah memperhitungkan biaya penyimpanan karena gudang dari PLN Area dan pada masing-masing rayon juga merupakan gudang milik sendiri, oleh sebab itu pada penelitian kali ini biaya penyimpanan diasumsikan sebesar 20% dari harga pembelian barang berlandaskan pada literatur buku yang digunakan. Rincian perhitungan carraying cost seperti pada tabel berikut:

Tabel 3.10 Holding Cost

Rincian Kebutuhan Asumsi

Capital 10%

Storage 5%

Asuransi 5%

Total 20%

3.1.5 Data Stock Out Cost

Berdasarkan diskusi yang dilakukan oleh pihak perusahaan, biaya stock out dapat dihitung dengan menggunakan pendekatan perhitungan terhadap nilai Kwh yang tidak tersalurkan. KWh yang tidak tersalurkan adalah Kwh yang terbuang akibat pemadaman baik akibat kerusakan material, faktor eksternal (laying-layang, petir), maupun pemadaman terencana. Dari hasil perhitungan, diperoleh nilai stock out

cost pada masing-masing jenis trafo yaitu

(6)

6 Tabel 3.11 Biaya Stock Out Spare Part

Trafo Cos Phi kW Lama Padam Rata2 Akibat Trafo Rusak (jam) kWh Rp/kWh Jual Rata2 (Rp) stock Out Cost 1 2 3 = 1*2 4 5 = 3*4 6 7 = 5*6 TRF 3 PH 50 kVA 0.90 45.00 7.996 359.82 887 319,160 TRF 3 PH 100 kVA 0.90 90.00 7.996 719.64 887 638,321 TRF 3 PH 160 kVA 0.90 144.00 7.996 1,151.42 887 1,021,313 TRF 3 PH 200 kVA 0.90 180.00 7.996 1,439.28 887 1,276,641 TRF 3 PH 250 kVA 0.90 225.00 7.996 1,799.10 887 1,595,802 TRF 3 PH 400 kVA 0.90 360.00 7.996 2,878.56 887 2,553,283 TRF 3 PH 630 kVA 0.90 567.00 7.996 4,533.73 887 4,021,420 Jenis Trafo 3.2 Pengolahan Data

Pengolahan data pada penelitian ini meliputi pengklasifikasian karakteristik

spare part, melakukan peramalan demand spare part trafo dengan Simulasi Monte Carlo dan Neural Network. Hasil output

peramalan yang terbaik kemudian akan dijadikan input demand dalam perhitungan simulasi persediaan (R,s,S) periodic review. Pada tahap pengklasifikasian material, setelah dilakukan perhitungan diperoleh rekap data klasifikasi material seperti pada tabel berikut :

Tabel 3.12 Karakteristik Spare part Trafo di Rayon Denpasar

No.

Material

Trafo

CV

ADI

Karakteristik

1 50 Kva

2.377

5.000 lumpy

2 100 Kva

1.995

3.455 lumpy

3 160 Kva

1.420

2.611 lumpy

4 200 Kva

1.192

2.087 lumpy

5 250 Kva

1.412

2.143 lumpy

Tabel 3.13 Karakteristik Spare part Trafo di Rayon Kuta

No. Material

Trafo CV ADI Karakteristik

1 50 Kva 1.297 0.646 erratic

2 100 Kva 1.594 3.133 lumpy

3 160 Kva 1.676 3.214 lumpy

4 200 Kva 1.575 0.583 erratic

5 250 Kva 1.297 0.646 erratic

Tabel 3.14 Karakteristik Spare part Trafo di Rayon Tabanan No. Material

Trafo CV ADI Karakteristik 1 50 Kva 1.261 2.143 lumpy

2 100 Kva 1.557 0.438 erratic

3 160 Kva 2.104 4.667 lumpy

4 200 Kva 3.564 9.750 lumpy

5 250 Kva 2.446 8.400 lumpy

Tabel 3.15 Karakteristik Spare part Trafo di Rayon Mengwi

No. Material

Trafo CV ADI Karakteristik

1 50 Kva 1.429 2.750 lumpy

2 100 Kva 1.726400958 3.230769231 lumpy

3 160 Kva 2.248497535 5.875 lumpy

4 200 Kva 2.793305066 5.571428571 lumpy

5 250 Kva 2.259730731 5 lumpy

Langkah selanjutnya adalah pengolahan

forecasting demand dengan menggunakan

dua pendekatan metode yang berbeda, yaitu

Simulasi Monte Carlo dan Artificial Neural Network (ANN). Keempat rayon akan

diprediksi demand-nya, baru kemudian dilakukan perbandingan error MAPE, MAD, dan MSE pada kedua hasil output

forecast. Berikut merupakan contoh

simulasi perhitungan spare part trafo jenis 50 KVa di Rayon Denpasar dengan menggunakan Simulasi Montecarlo

Tabel 3.16 Demand Trafo 50 KVa Rayon Denpasar (2007-2010) Januari 0 0 Februari 2 2 Maret 1 1 April 0 0 Mei 0 0 ….. ….. ….. ….. ….. ….. ….. ….. September 3 3 Oktober 0 0 November 0 0 Desember 0 0 Tahun 2007 2010

(7)

7 Tabel Perhitungan Probabilitas

interval

random Count If probabilitas cum probabilitas

0 39 0.8125 0.8125 1 6 0.1250 0.9375 2 2 0.0417 0.9792 3 1 0.0208 1.0000 Jumlah 48 Interval 0 0.0000 0.8125 1 0.8126 0.9375 2 0.9376 0.9792 3 0.9793 1.0000 Random

Tabel 3.18 Hasil Output Demand

Random Demand Hasil Simulasi

0.50516717 0 0.08840073 0 0.18026559 0 0.90068871 1 ……. ……. ……. ……. 0.14687791 0 0.64696894 0 0.72348763 0

Model arsitektur neural network (ANN) yang dibuat terdiri dari 2 input, 3

hidden layer dan 1 output, dengan nilai alpha 0,5. Berikut contoh forecast demand

trafo jenis 100 KVa pada Rayon Denpasar. Tabel 3.19 Output Demand Trafo 100

KVa Rayon Denpasar (ANN)

Jan 1 1 Feb 2 0 Mar 3 0 Apr 4 0 May 5 0 ….. ….. ….. ….. ….. ….. Aug 44 0 Sep 45 0 Oct 46 0 Nov 47 1 Dec 48 0

Bulan Periode Neural

Network

2011

2014 Tahun

Setelah dilakukan hasil pengolahan data, diperoleh hasil bahwa forecast ANN memberikan nilai error yang lebih kecil. Berikut rekap nilai perhitungan error forecasting untuk ke-empat rayon.

Tabel 3. 20 Error Forecasting Spare Part di Rayon Denpasar Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN MAD 27.08 25.00 45.83 50.00 62.50 16.67 110.42 2.08 91.67 25.00 67.50 23.75 MAPE 100.00 92.31 157.14 171.43 136.36 36.36 151.43 2.86 133.33 36.36 135.65 67.86 MSE 47.92 37.50 83.33 66.67 116.67 16.67 222.92 2.08 191.67 45.83 132.50 33.75 Average Monte Carlo Average ANN Rayon Denpasar

50 Kva 100 Kva 160 Kva 200 Kva 250 Kva

Tabel 3. 21 Error Forecasting Spare Part di Rayon Kuta Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN MAD 20.83 39.58 68.75 4.17 39.58 4.17 97.92 6.25 83.33 6.45 62.08 12.12 MAPE 100.00 190.00 194.12 20.00 118.75 11.76 167.86 10.71 129.03 6.45 141.95 47.79 MSE 20.83 39.58 106.25 4.17 56.25 11.76 353.57 6.25 158.33 4.17 139.05 13.19 Rayon Kuta Average Monte Carlo Average ANN

Tabel 3.22 Error Forecasting Spare Part di Rayon Mengwi Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN MAD 0.00 27.08 37.50 2.08 39.58 18.75 50.00 16.67 43.75 18.75 34.17 16.67 MAPE 0.00 81.25 128.57 7.14 172.73 81.82 240.00 80.00 175.00 75.00 143.26 65.04 MSE 0.00 27.08 37.50 2.08 77.08 18.75 116.67 100.00 93.75 18.75 65.00 33.33 Average Monte Carlo Average ANN Rayon Mengwi

Tabel 3.23 Error Forecasting Spare Part di Rayon Tabanan Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN MAD 89.58 43.75 54.17 10.42 33.33 0.00 25.00 10.42 27.08 14.58 45.83 15.83 MAPE 165.38 80.77 123.81 23.81 177.78 0.00 240.00 100.00 185.71 100.00 178.54 60.92 MSE 202.08 43.75 87.50 10.42 33.33 0.00 41.67 14.58 27.08 14.58 78.33 16.67 Rayon Tabanan

50 Kva 100 Kva 160 Kva 200 Kva 250 Kva Average

Monte Carlo

Average ANN

Untuk memastikan bahwa kedua metode layak digunakan,maka harus dilakukan verifikasi dan validasi model. Dari hasil validasi dengan melakukan uji paired t test, diperoleh hasil sebagai berikut.

(8)

8 Tabel 3.24 Hasil Paired t-test Montecarlo vs

Demand Actual

Denpasar Kuta Mengwi Tabanan

50 Kva Terima Ho Terima Ho Terima Ho Terima Ho

Rayon Jenis Trafo

Tabel 3.25 Hasil Paired t-test ANN vs

Demand Actual

Rayon

Denpasar Rayon Kuta

Rayon Mengwi

Rayon Tabanan

50 Kva Tolak Ho Tolak Ho Terima Ho Terima Ho

160 Kva Tolak Ho Terima Ho Terima Ho Terima Ho

250 Kva Terima Ho Terima Ho Terima Ho Tolak Ho

Jenis Trafo

Berdasarkan hal tersebut, terlihat bahwa model ANN tidak dapat mewakili karakteristik demand secara keseluruhan, maka output demand dari Simulasi

Montecarlo akan dipilih untuk menajdi

input-an simulasi persediaan (R,s,S)

Periodic Review.

Tahapan berikutnya adalah perencanaan material trafo dengan menggunakan konsep persediaan (R,s,S) Periodic Review. Kondisi eksisting perusahaan pada dasarnya telah memiliki sistem perencanaann namun tidak menggunakan penentuan parameter awal persediaan, sehingga selama ini perusahaan baru akan memesan jika spare part tersebut dibutuhkan. Akibatnya pemesanan akan dilakukan jika terjadi kekurangan stok sebesar kekurangan tersebut. Selama ini proses pengadaan material dilakukan berdasarkan prakiraan demand historis tanpa menggunakan dasar teori yang kuat, di mana dianggap setiap tahun akan terjadi peningkatan kebutuhan spare part sebanyak kurang lebih 10%. Berikut hasil perbandingan simulasi sistem perencanan eksisting perusahaan dengan sistem perencanaan periodic review:

Tabel 3.26 Output Simulasi Rayon Denpasar

Rayon Denpasar Service Level Input s S Order cost Holding cost Total Cost SL Actual Fill rate Eksisting - - Rp 594,600.85Rp 244,260,000.00Rp 244,854,600.85 98% 68% Output Simulasi (R,s,S) 3 4 Rp 1,308,121.87 Rp 645,840,000.00Rp 647,148,121.87 100% 100% Eksisting - - Rp 356,760.51Rp 518,320,000.00Rp 518,676,760.51 98% 67% Output Simulasi (R,s,S) 2 4 Rp 594,600.85Rp 791,120,000.00Rp 791,714,600.85 100% 100% Eksisting - -Rp 951,361.36Rp 427,000,000.00Rp 427,951,361.36 97% 69% Output Simulasi (R,s,S) 3 6 Rp 832,441.19Rp 1,211,000,000.00Rp 1,211,832,441.19 100% 100% Eksisting - - Rp 1,545,962.21 Rp 419,118,000.00Rp 420,663,962.21 95% 71% Output Simulasi (R,s,S) 6 7 Rp 2,854,084.08 Rp 1,972,320,000.00Rp 1,975,174,084.08 100% 100% Eksisting - - Rp 713,521.02Rp 1,192,800,000.00Rp 1,193,513,521.02 98% 82% Output Simulasi (R,s,S) 4 5Rp 2,259,483.23 Rp 1,461,600,000.00Rp 1,463,859,483.23 99% 98% Trafo 250 Kva Trafo 50 Kva Trafo 100 Kva Trafo 160 Kva Trafo 200 Kva

Tabel 3.27 Output Simulasi Rayon Kuta

Rayon Kuta Service Level Input s S Order cost Holding cost Total Cost SL Actual Fill rate Eksisting - - Rp 180,389.00Rp 70,380,000.00Rp 70,560,389.00 83% 56% Output Simulasi (R,s,S) 2 3 Rp 278,783.00Rp 438,840,000.00Rp 439,118,783.00 100% 100% Eksisting - - Rp 114,793.00Rp 354,640,000.00Rp 354,754,793.00 88% 69% Output Simulasi (R,s,S) 2 4 Rp 131,192.00Rp 703,824,000.00Rp 703,955,192.00 100% 100% Eksisting - -Rp 98,394.00Rp 147,000,000.00Rp 147,098,394.00 88% 48% Output Simulasi (R,s,S) 2 4 Rp 81,995.00Rp 1,008,000,000.00Rp 1,008,081,995.00 100% 100% Eksisting - - Rp 131,192.00Rp 657,440,000.00Rp 657,571,192.00 88% 73% Output Simulasi (R,s,S) 5 6 Rp 278,783.00Rp 1,775,088,000.00Rp 1,775,366,783.00 100% 100% Eksisting - - Rp 65,596.00Rp 1,285,200,000.00Rp 1,285,265,596.00 92% 82% Output Simulasi (R,s,S) 3 4Rp 229,586.00Rp 1,218,000,000.00Rp 1,218,229,586.00 100% 100% Trafo 50 Kva Trafo 100 Kva Trafo 160 Kva Trafo 200 Kva Trafo 250 Kva

Tabel 3.28 Output Simulasi Rayon Mengwi Rayon Mengwi Service Level Input s S Order cost Holding cost Total Cost SL Actual Fill rate

Eksisting - - Rp 659,700.00Rp 62,100,000.00Rp 62,759,700.00 83% 50% Output Simulasi (R,s,S) 2 3 Rp 1,172,800.00 Rp 455,400,000.00Rp 456,572,800.00 100% 100% Eksisting - - Rp 439,800.00Rp 136,400,000.00Rp 136,839,800.00 90% 50% Output Simulasi (R,s,S) 2 3 Rp 733,000.00Rp 660,176,000.00Rp 660,909,000.00 100% 100% Eksisting - -Rp 439,800.00Rp 672,000,000.00Rp 672,439,800.00 90% 75% Output Simulasi (R,s,S) 2 5 Rp 293,200.00Rp 1,071,000,000.00Rp 1,071,293,200.00 100% 100% Eksisting - - Rp 806,300.00Rp 336,938,000.00Rp 337,744,300.00 83% 67% Output Simulasi (R,s,S) 4 5 Rp 1,246,100.00 Rp 1,388,842,000.00Rp 1,390,088,100.00 100% 100% Eksisting - - Rp 586,400.00Rp 302,400,000.00Rp 302,986,400.00 85% 60% Output Simulasi (R,s,S) 3 4Rp 1,026,200.00 Rp 1,218,000,000.00Rp 1,219,026,200.00 100% 100% Trafo 50 Kva Trafo 100 Kva Trafo 160 Kva Trafo 200 Kva Trafo 250 Kva

Tabel 3.26 Output Simulasi Rayon Tabanan Rayon Tabanan Service Level Input s S Order cost Holding cost Total Cost SL Actual Fill rate

Eksisting - - Rp 68,097.00Rp 173,880,000.00Rp 173,948,097.00 94% 40% Output Simulasi (R,s,S) 3 4 Rp 113,495.00Rp 741,060,000.00Rp 741,173,495.00 100% 100% Eksisting - - Rp 68,097.00Rp 125,488,000.00Rp 125,556,097.00 94% 25% Output Simulasi (R,s,S) 2 3 Rp 113,495.00Rp 714,736,000.00Rp 714,849,495.00 100% 100% Eksisting - -Rp 136,194.00Rp 210,000,000.00Rp 210,136,194.00 90% 60% Output Simulasi (R,s,S) 2 5 Rp 90,796.00Rp 1,071,000,000.00Rp 1,071,090,796.00 100% 100% Eksisting - - Rp 806,300.00Rp 336,938,000.00Rp 337,744,300.00 83% 67% Output Simulasi (R,s,S) 2 4 Rp 45,398.00Rp 1,282,008,000.00Rp 1,282,053,398.00 100% 100% Eksisting - - Rp 68,097.00Rp 176,400,000.00Rp 176,468,097.00 94% 50% Output Simulasi (R,s,S) 2 3Rp 113,495.00Rp 1,100,400,000.00Rp 1,100,513,495.00 100% 100% Trafo 100 Kva Trafo 160 Kva Trafo 200 Kva Trafo 250 Kva Trafo 50 Kva

Dari hasil output simualsi, kemudian dilakukan uji sensitivitas, di mana dilakukan perubahan nilai s , untuk mengetahui kombinasi total cost dan servicel level yang optimal.

(9)

9 Tabel 3.27 Kombinasi Parameter Trafo

100 Kva di R Denpasar

Service Level

Input s S Order cost Holding cost Total Cost SL Actual Fill rate

Eksisting Perusahaan - - Rp 356,760.51 Rp 518,320,000.00 Rp 518,676,760.51 98.33% 66.67% 2 3 Rp 1,070,281.53 Rp 649,264,000.00 Rp 650,334,281.53 99.44% 97.22% 2 4 Rp 594,600.85 Rp 791,120,000.00 Rp 791,714,600.85 100% 100% 2 5 Rp 356,760.51 Rp 927,520,000.00 Rp 927,876,760.51 100% 100% 2 6 Rp 356,760.51 Rp 1,107,568,000.00 Rp 1,107,924,760.51 100% 100% 3 4 Rp 1,070,281.53 Rp 894,784,000.00 Rp 895,854,281.53 100% 100% 3 5 Rp 594,600.85 Rp 1,047,552,000.00 Rp 1,048,146,600.85 100% 100% 3 6 Rp 356,760.51 Rp 1,183,952,000.00 Rp 1,184,308,760.51 100% 100% 3 7Rp 356,760.51 Rp 1,364,000,000.00 Rp 1,364,356,760.51 100% 100% 4 5 Rp 1,070,281.53 Rp 1,151,216,000.00 Rp 1,152,286,281.53 100% 100% 4 6 Rp 594,600.85 Rp 1,303,984,000.00 Rp 1,304,578,600.85 100% 100% 4 7 Rp 356,760.51 Rp 1,440,384,000.00 Rp 1,440,740,760.51 100% 100% 4 8Rp 356,760.51 Rp 1,620,432,000.00 Rp 1,620,788,760.51 100% 100% 61.05% 95.00% 99%

Tabel 3.28 Kombinasi Parameter Trafo 50 Kva di Area Batan

Service Level

Input s S Order Cost Holding Cost Total Cost Service Level Actual Fill Rate Eksisting Perusahaan - - Rp 668,590.00 Rp 563,040,000.00Rp 563,708,590.00 83.3% 82.9% 6 6Rp 2,160,060.00Rp 608,580,000.00Rp 610,740,060.00 97.78% 94.48% 6 7Rp 1,748,620.00Rp 716,220,000.00Rp 717,968,620.00 98.89% 96.86% 6 8Rp 1,285,750.00Rp 848,700,000.00Rp 849,985,750.00 98.89% 97.43% 6 9Rp 925,740.00 Rp 948,060,000.00Rp 948,985,740.00 99.44% 99.43% 7 8Rp 1,748,620.00Rp 894,240,000.00Rp 895,988,620.00 99.44% 98.86% 7 9Rp 1,337,180.00Rp 1,030,860,000.00 Rp 1,032,197,180.00 99.44% 99.43% 7 10Rp 925,740.00 Rp 1,134,360,000.00 Rp 1,135,285,740.00 100% 100% 7 11Rp 771,450.00 Rp 1,213,020,000.00 Rp 1,213,791,450.00 100% 100% 8 8Rp 2,160,060.00Rp 956,340,000.00Rp 958,500,060.00 99.44% 99.43% 8 9Rp 1,748,620.00Rp 1,080,540,000.00 Rp 1,082,288,620.00 99.44% 99.43% 8 10Rp 1,337,180.00Rp 1,217,160,000.00 Rp 1,218,497,180.00 100% 100% 8 11Rp 925,740.00 Rp 1,328,940,000.00 Rp 1,329,865,740.00 100% 100% 84.37% 99% 95% 4. PEMBAHASAN

Pada bab ini akan dilakukan analisis dan interpretasi hasil dari pengolahan data yang telah dilakukan pada bab sebelumnya. Dari analisis ini dapat diketahui metode forecast yang paling baik serta dapat diambil beberapa kesimpulan yang dapat dipilih oleh perusahaan berkaitan dengan strategi pengadaan material.

4.1 Analisis Kondisi Eksisting Perusahaan

Perusahaan yang menjadi objek amatan dalam penelitian ini adalah perusahaan yang bergerak di bidang ketenaga-listrikan yang berfokus dalam menjaga stabilitas ketersediaan layanan listrik bagi konsumennya. Terkait dengan hal tersebut, ketersediaan material secara tepat, baik waktu, dan jumlah, sangat dibutuhkan untuk menunjang tujuan tersebut. Saat ini sistem persediaan material yang diterapkan oleh perusahaan masih tergolong konvensional. Perencanaan jumlah persediaan material dilakukan berdasarkan prakiraan (tanpa dasar teori yang kuat), dimana setiap tahun persediaan material dinaikkan jumlahnya sebanyak +/- 10% dari total penggunaan material pada tahun sebelumnya, dengan asumsi terdapat kenaikan jumlah pelanggan baru setiap tahunnya. Selain itu, sistem persediaan material juga tidak didukung dengan sistem komunikasi serta teknologi yang canggih. Padahal sistem

persediaan yang dimiliki perusahaan merupakan sistem persediaan multi eselon, di mana sistem persediaan dilakukan secara bertingkat dan terdapat lebih dari satu gudang penyimpanan. Manajemen persediaan yang kurang baik ini menyebabkan seringkali terjadinya stock out ataupun over stock karena ketika permintaan tinggi dan stok tidak mencukupi, baru dilakukan

order. Sistem persediaan yang baik juga tidak

terlepas dari proses forecasting demand. Keakuratan dalam memprediksi demand yang akan datang, tentunya akan berpengaruh dalam penentuan jumlah persediaan dalam mengatasi ketidakpastian demand di setiap waktunya. Terkait dengan hal tersebut,maka dalam penelitian ini disajikan dua metode forecasting yang berbeda yaitu Simulasi Montecarlo dan

Artificial Neural Network untuk kemudian

dibandingkan mana yang akan memberikan hasil

forecasting yang paling mendekati demand actual. Untuk mengatasi permasalahan stock out

dan overstock yang dialami perusahaan, maka dikembangkan sebuah model simulasi sistem persediaan multi eselon dengan didasari konsep

periodic review (R,s,S) sehingga diharapkan

dapat membantu perusahaan untuk membuat sistem perencanaan persediaan yang memiliki rujukan teori yang kuat dan ilmiah terhadap masalah ketersediaan material.

4.2 Analisis Material Transformator (Trafo)

Dari hasil perhitungan diperoleh hasil pada Rayon Denpasar semua jenis material trafo termasuk kategori lumpy (100% lumpy), kemudian Rayon Tabanan Trafo jenis 100 Kva tergolong kategori erratic, sedangkan sisanya masuk dalam kategori lumpy. Sehingga jika diprosentasekan secara keseluruhan pada Rayon Tabanan, 20% material tergolong kategori

erratic dan 80% sisanya termasuk kategori lumpy.Untuk Rayon Kuta material trafo jenis 50

KVa, 200 KVa dan 250 KVa tergolong dalam kategori erratic dan jenis trafo sisanya, yaitu trafo jenis 100 KVa dan 160 KVa tergolong dalam kategori lumpy. Sehingga, jika diprosentasekan secara keseluruhan untuk Rayon Kuta adalah 60% erratic dan 40% material tergolong kategori lumpy. Rayon yang terakhir, yaitu Rayon Mengwi keseluruhan material trafo tergolong dalam kategori lumpy (100% lumpy). Jika dilihat secara keseluruhan dari keempat Rayon tersebut 80% material termasuk dalam kategori lumpy. Hal ini mengindikasikan bahwa tingkat keseringan terjadinya zero demand cukup tinggi serta

(10)

10 variasi demand yang cukup fluktuatif di setiap periodenya.

4.3 Analisis Metode Forecasting

Simulasi Monte Carlo pada dasarnya menirukan pola dan karakteristik dari demand

actual. Langkah pertama yang dilakukan adalah

mencari nilai probabilitas untuk masing-masing

demand, kemudian dari probabilitas kumulatif

akan di-generate bilangan random dari rentang 1- 48. Dari rentang inilah nantinya didapatkan jumlah demand yang akan datang, sejumlah 48 periode, yaitu Januari 2011- Desember 2014.

Metode forecast yang kedua yaitu metode ANN. Metode ini dianggap mampu menangkap pola data yang bersifat non linear yang tidak mampu dilakukan dengan menggunakan metode tradisional time series. Mengingat pola demand trafo bersifat non linear, maka metode ini tepat untuk digunakan. Dalam penelitian ini metode ANN yang digunakan adalah Multi Layer Perceptron (MLP) yang

di-training dengan menggunakan back-propagation algorithm (BP Algorithm). Model yang

digunakan menggunakan 2 input variabel, yaitu

demand historis dan periode yang muncul

setelah adanya non zero demand. Hidden layer yang digunakan adalah 3 unit, dan 1 variabel

output yaitu prediksi demand yang akan datang. Learning Rate (Alpha) yang digunakan adalah

0.5. Tahapan dalam metode ANN ini adalah proses training, testing dan forecasting. Proses

training dilakukan sebanyak 47 iterasi dengan

menggunakan algoritma BP. Total maksimum yang hanya 47 iterasi diakibatkan minimnya data demand historis yang dimiliki perusahaan. Proses testing adalah proses membandingkan

demand hasil forecast dengan demand

actual(demand historis). Error forecasting ini

dinilai dengan nilai MAPE-nya. Semakin kecil nilai MAPE, berarti semakin kecil tingkat error yang dihasilkan. Kemudian tahapan forecasting adalah tahapan di mana pola dan karakteristik model telah terbentuk, sehingga setiap input-an yang masuk, akan menghasilkan output-an

demand sebanyak 48 periode ke depan. Dari

hasil pengolahan data diperoleh hasil bahwa hasil forecast yang memberikan hasil error terkecil merupakan hasil dari output ANN. Berikut merupakan perbandingan total rata-rata

error dari masing-masing metode.

Tabel 4.1 Perbandingan Error Forecasting

Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN Monte Carlo ANN MAD 67.50 23.75 62.08 12.12 34.16667 16.66667 45.83333 15.83333 MAPE 135.65 67.86 141.95 47.79 143.2597 65.04221 178.5372 60.91575 MSE 132.50 33.75 139.05 13.19 65 33.33333 78.33333 16.66667

Rayon Denpasar Rayon Kuta Rayon Mengwi Rayon Tabanan

Dari tabel di atas, dapat disimpulkan bahwa keseluruhan hasil perbandingan error

forecasting menunjukkan bahwa ANN

memberikan hasil error yang paling kecil. Namun, berdasarkan hasil pengujian yang terangkum kedua metode pada tabel (4.25) dan (4.26), terlihat bahwa secara keseluruhan output Simulasi Montecarlo menaytakan terima Ho, sehingga hal ini membuktikan bahwa output

Montecarlo tidak berbeda secara signifikan

dengan demand actual. Sedangkan , pada model ANN secara keseluruhan hasil pengujian menyatakan terima Ho. Namun, pada material trafo jenis 50 KVa pada Rayon Denpasar dan Kuta, Trafo jenis 160 KVa pada Rayon Denpasar serta Trafo jenis 250 KVa pada Rayon Tabanan menyatakan Tolak Ho. Sehingga hal ini membuktikan bahwa pada material jenis tersebut, terbukti berbeda secara signifikan. Hal ini disebabkan karena data demand actual dari jenis material tersebut yang kurang bervariatif, serta jumlah data historis yang terlalu sedikit. Sehingga walaupun ANN memberikan error yang lebih kecil, secara keseluruhan Simulasi Montecarlo lebih mewakili karakteristik pola

demand actual. Berdasarkan perpertimbangan

tersebut, hasil forecast Montecarlo akan dipergunakan dalam simulasi persediaan (R,s,S)

periodic review.

4.4 Analisis Sistem Persediaan (R,s,S) Periodic

Review

Analisis dari perhitungan persediaan menggunakan (R,s,S) periodic review dimana dilakukan kombinasi parameter untuk maksimum stok (S), reorder point (s), dan

review period (R) selama 1 bulan, sesuai dengan

kondisi riil perusahaan. Dalam simulasi ini terdapat 12 kombinasi dimana terdapat 3 nilai

reorder point yang berbeda berdasarkan input service level awal dan maksimum stok yang

berbeda pula dari setiap reorder point. Setelah didapatkan nilai service level aktual dan biaya total dari tiap kombinasi maka dilakukan beberapa langkah selanjutnya untuk menetapkan kombinasi yang akan dipilih.

(11)

11 Tabel 4.2 Hasil Kombinasi Persediaan

eksperimen Input SL s S Total Cost SL Actual

Eksisting 100% - - Rp 244,854,600.85 98% baseline 81.07% 3 4 Rp 647,148,121.87 100% Alternatif 1 81.07% 3 5 Rp 758,333,521.02 100% Alternatif 2 95.00% 4 5 Rp 841,728,121.87 100% Rp-Rp100,000,000.00 Rp200,000,000.00 Rp300,000,000.00 Rp400,000,000.00 Rp500,000,000.00 Rp600,000,000.00 Rp700,000,000.00 Rp800,000,000.00 Rp900,000,000.00 98% 98% 99% 99% 100% 100% 101% Eksisting Baseline Alternatif 1 Alternatif 2

Gambar 4.1 Grafik Perbandingan Service Level dan Total Cost

Dari hasil plot grafik di atas, dapat dilihat beberapa kombinasi yang berpotensi untuk dijadikan pilihan, yaitu memiliki service

level actual 100% dan menghasilkan total cost

paling kecil. Dengan base line yang ada, yaitu 98% apabila dibandingkan dengan hasil eksperimen alternatif 1 ataupun alternatif 2, memberikan service level actual yang sama dan

total cost paling kecil. Sehingga dengan

perusahaan dapat mempertimbangkan strategi pengadaan materialnya yaitu dengan menetapkan tingkat minimum stok sebesar 3 dan maksimum stok sebesar 4.

4.5 Analisis Perbandingan Sistem Persediaan Eksisting dan (R,s,S) Periodic Review

Berdasarkan perhitungan dan analisis sebelumnya, dapat dilihat perbandingan hasil simulasi eksisting dan konsep persediaan (R, s, S) Review Period. Hasil simulasi konsep persediaan (R,s,S) memberikan service level yang lebih baik daripada kondisi eksisting perusahaan. Namun, hal ini menimbulkan konsekuensi dari segi total cost, di mana segi

total cost hasil simulasi memiliki nilai yang

mayoritas lebih tinggi dibandingkan dengan kondisi eksisting. Hal ini sebenarnya merupakan sebuah trade off bagi perusahaan itu sendiri,

yang artinya diperlukan pengorbanan biaya yang tidak sedikit untuk mencapai service level sesuai dengan target yang diharapkan. Namun mengingat perusahaan sangat menghindari terjadinya stock out/shortage, dan realisasi kerusakan trafo berpengaruh terhadap KPI (Key

Perofrmance Indikator) bagi kinerja perusahaan,

maka penggunaan konsep persediaan (R,s,S)

periodic review dirasa tepat untuk

diimplementasikan dalam manajemen persediaan spare part.

4.6 Analisis Sistem Persediaan Dua Eselon

Penerapan sistem (R,s,S) pada sistem

dua eselon diharapkan mampu membantu perusahaan dalam meminimalisir terjadinya

stock out. Sehingga, dengan mengatur

persediaan minimum dan maksimum pada tiap eselon, diharapkan dapat mendukung kebijakan perusahaan dalam menempatkan spare part di setiap stocking point (gudang) menjadi lebih terukur dan efisien. Selain itu dengan membaca informasi demand pada tiap rayon setiap bulan, maka proses replenishment dapat secara jelas terdata oleh Area, sehingga hal ini akan memudahkan sistem administrasi perusahaan.

5. KESIMPULAN

Dari pengolahan dan analisa data yang telah dilakukan, dapat disimpulkan hal-hal sebagai berikut:

1. Material Transformator (Trafo) dengan jenis 50 KVa, 100 Kva, 160 KVa, 200 KVa, dan 250 KVa pada keempat rayon terbukti memiliki karakteristik 80% tergolong lumpy, dan 20% tergolong

erratic demand.

2. Dari hasil pengukuran error forecasting, diketahui bahwa ANN memberikan nilai

error yang lebih kecil jika dibandingkan

dengan Simulasi Montecarlo.

3. Dari hasil uji validasi secara statistik, hasil Simulasi Montecarlo terbukti lebih mewakili karakteristik demand actual. 4. Dari perbandingan kondisi eksisting dan

(R,s,S) Periodic review didapatkan

kesimpulan bahwa konsep persediaan (R,s,S) Periodic review memberikan hasil yang lebih baik, di mana hal ini dibuktikan dengan pemenuhaan service

level target hampir di setiap kombinasi

(12)

12

6. DAFTAR PUSTAKA

ANORAGA, R. V. 2003. Multi Echelon Inventory

Control pada Sistem Distribusi PT. Semen Gresik., Institut Teknologi

Sepuluh Nopember.

AXSÄTER, S., OLSSON, F. & TYDESJÖ, P. 2007. Handling Direct Upstream Demand in Multi-Echelon Inventory Systems Lund University, Sweden.

BLANC, H. 2011. Advanced Inventory

Management Models and Algorithms

Netherlands Center Graduate Program in Business Tilburg University

CALLEGARO, A. 2010. Forecasting Method For Spare Parts Demand. Universita'

Degli Studi Di Padova.

DESMET, B., AGHEZZAF, E.-H. & VANMAELE, H. 2010. A Normal Approximationmodel for Safety Stock Optimization in a Two-Echelon Distribution

System

Journal of the Operational Research Society.

DHAMAYANTI, A. A. P. 2010. Pengendalian

Persediaan Spare Part Base Transceiver Station (BTS) dengan Pendekatan Base Stock (R, s, S) (Studi Kasus : PT.Mobile-8 Telecom,Tbk Region V-Surabaya). Institut Teknologi

Sepuluh Nopember.

GHOBBAR, A. A. & FRIEND, C. H. 2002. Sources of intermittent demand for aircraft spare parts within airline

operations. Air Transport Management.

GILLILAND, M. 2002. Is Forecasting a Wate of Time? Supply Chain Management

Review, 16-23.

HADI, F. 2010. Perencanaan Pengadaan dan

Pengendalian Persediaan Berbasis 2 Tingkat Dengan Pendekatan Model Vendor Managed Inventory di PT. Garuda Indonesia

Institut Teknologi Sepuluh Nopember.

HARTINI. 2010. Evaluasi Dan Prediksi Strategi

Pengadaan Spare Part Auxilary Power Unit (APU) Tipe GTCP85 H/J/K Pada Unit Engine Maintenance PT.GMF AEROASIA. Institut Teknologi Sepuluh

Nopember.

HILL, T., MARQUEZ, L., O'CONNOR, M. & REMUS, W. 1994. Artificial Neural Network Model for Forecasting and Decision Making. International Journal

of Forecasting 10.

HILL, T., O'CONNOR, M. & REMUS, W. 1996. Neural Network Models For Time

Series Forecasts. Management Science, 42.

PUJAWAN, I. N. 2005. Supply Chain

Management. , Surabaya, Guna Widya.

RAFAEL S.G., ADRIANO O.S. & SOMNAT, M. 2008. Lumpy Demand Forecasting Using Neural Networks. international

journal of production economics, 111.

SMITH, S. B. 1989. Computer Based

Production and Inventory Control,

Prentice Hall International.

TERSINE, R. J. 1994 Principles of Inventory and Materials Management.