PENENTUAN LOKASI WAREHOUSE BARU DENGAN PENDEKATAN MULTI CRITERIA GOAL PROGRAMMING UNTUK MENCAPAI EFISIENSI RUTE PENGIRIMAN (Studi Kasus: PT.Coca-Cola Amatil Indonesia unit Balinusa) I Dewa GD. Eka Wirya Guna, I Nyoman Pujawan Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111 Email:
[email protected] ;
[email protected] Abstrak Pada pertengahan tahun 2010, terjadi penumpukan pada warehouse plant sebelah barat yang menyebabkan PT. Coca-Cola Amatil Indonesia unit Balinusa berencana membangun warehouse baru untuk produk Coca-Cola yang diproduksi unit Balinusa maupun unit dari luar dengan produk OWP (One Way Packing). Penentukan lokasi warehouse yang baru mengunakan Multi Criteria Decision Making dengan model Analytical Hierarchy Process (AHP) – Goal programming (GP) untuk menentukan 2 alternatif lokasi. Simulasi Monte Carlo digunakan untuk membangkitkan permintaan dengan bilangan acak mengikuti distribusi data permintaan yang ada. Diakhir, peneliti melakukan proses simulasi rute pengiriman produk berdasarkan 2 alternatif lokasi yang terpilih oleh AHP-GP untuk mendapatkan lokasi yang tepat dengan rute pengiriman yang efisien. Hasil yang didapatkan dalam penelitian tugas akhir ini adalah lokasi Mengwi terpilih sebagai kandidat dengan rute pengiriman yang efisien, dimana hasil yang diperoleh total jarak pengiriman dari lokasi Mengwi 19,4% lebih rendah dibandingkan kandidat lokasi Tabanan. Kata Kunci : Multi Criteria Decision Making, Analytical Hierarchy Process (AHP), Goal programming (GP), Routing ABSTRACT In mid 2010, there are accumulation stocks in the west warehouse plant. Therefore, PT. Coca – Cola Amatil Indonesia Balinusa unit plans to build a new warehouse for Coca – Cola’s product which is produced by Balinusa and outside unit with OWP (One Way Packing) product. Deciding new warehouse location is using Multi Criteria Decision Making with Analytical Hierarchy Process (AHP) – Goal Programming (GP) to determine 2 alternative locations. Monte Carlo simulation is used to generate each sales center’s demand. At last, researcher simulate delivery product’s route based on 2 alternative locations to get the right location and efficient delivery route. Results obtained in this research is Mengwi location as the candidate for efficient delivery route where the result is total delivery distance from Mengwi 19,4% lower than Tabanan location. Keywords: Multi Criteria Decision Making, Analytical Hierarchy Process (AHP), Goal programming (GP), Routing
1.
Pendahuluan
Pada masa sekarang manajemen warehouse dan jaringan distribusi serta transportasi sangatlah penting bagi sebuah perusahaan. Warehouse merupakan salah satu komponen dari suatu perusahaan yang sangat menunjang proses produksi. Hal ini dikarenakan warehouse
menyimpan bahan atau peralatan yang dibutuhkan dalam proses produksi serta produk jadi dari proses produksi itu sendiri. Didalam suatu industri dikenal beberapa jenis warehouse yaitu: warehouse bahan baku yang befungsi untuk penyimpanan bahan baku dan warehouse produk jadi yang berfungsi untuk menyimpan produk jadi hasil proses produksi. PT. Coca-
Cola Amatil Indonesia (selanjutnya disebut PT.CCAI) unit Balinusa merupakan perusahaan manufaktur yang bergerak dalam bidang industri minuman ringan dengan daerah cakupan Bali, NTB, dan NTT. Unit Balinusa memiliki beberapa Sales center (SC) yang tersebar, pada tahun 2010 di pulau Bali sendiri terdapat 6 sales center yaitu Denpasar, Klungkung, Tabanan, Ubud, Singaraja, dan Kuta. Sedangkan di Nusa Tenggara Barat terdapat 3 SC yaitu Mataram, Sumbawa dan Bima. Untuk wilayah Nusa Tenggara Timur dilayani oleh AMC (Area Marketing Contractor) yang merupakan pihak ketiga yang bekerja sama untuk mendistribusikan produk Coca-Cola. Pada tahun 2010, PT. CCAI unit Balinusa memiliki 2 warehouse yaitu: Warehouse di Ketewel (sewa), dan warehouse di Mengwi (milik sendiri) dengan kapasitas 58000 kerat (warehouse barat dan timur). Warehouse yang berlokasi di ketewel dipergunakan untuk produk OWP (One way packing) produk sekali pakai seperti produk kaleng, dan botol plastik (PET), Sedangkan warehouse yang berlokasi di Mengwi diperuntukkan bagi produk RGB (Returnable Glass Bottle) seperti botol karbonat (coca-cola, sprite, fanta dan frestea kemasan botol kaca). Berikut merupakan data total sales produk pada tahun 2006-2010.
Gambar 1. Grafik Total sales produk tahun 20062010 (sumber : PT. CCAI unit Balinusa)
Pada pertengahan tahun 2010, terjadi penumpukan botol kosong di warehouse plant barat untuk produk RGB. Over load pada kapasitas warehouse ini menyebabkan sebagian produk jadi yang seharusnya berada di dalam harus ditempatkan di luar yang langsung terkena sinar matahari. Selain itu kondisi di lapangan adanya landasan warehouse yang tidak rata sehingga peletakan palet produk jadi tidak optimal. Untuk produk jadi yang diletakkan di luar, jika produk RGB CSD terkena sinar
matahari adalah kualiatas rasa, dan botol di bagian tutup bisa berkarat.
Gambar 2. Grafik Data permintaan produk tiap sales center tahun 2010 (sumber : PT. CCAI unit Balinusa)
Gambar 3. Grafik Pengiriman RGB dan Pengambilan botol RGB 2010 (sumber : PT. CCAI unit Balinusa)
Dari grafik di atas dapat dilihat bahwa tingkat pengembaliaan botol kosong dari sales center ke plant sangat tinggi yang disebabkan bedanya jumlah yang diminta dengan yang dikembalikan. Contoh untuk SC Denpasar dan SC Kuta pengembaliannya yang sangat tinggi dikarenakan kondisi atau daya tampung SC tidak memadai, sehingga pengembalian sangat tinggi. Pengamatan yang dilakukan bahwa produk jadi yang ada di luar hanya ditutup bagian atasnya, dimana hal itu tidak menjamin terjadinya karat pada produk. Selain itu, untuk botol kosong menumpuk hingga mengambil bagian parkir kendaraan di plant. Dari hal itu, PT. Coca-Cola Amatil Indonesia unit Balinusa berencana mendirikan warehouse baru untuk produk-produk Coca-Cola yang diproduksi unit Balinusa maupun unit dari luar dengan produk OWP (One way packing) produk sekali pakai seperti produk kaleng, dan botol plastik (PET) yang mampu mengurangi biaya variabel yaitu biaya sewa warehouse untuk di ketewel dan mengoptimalkan efisiensi transportasi.
2
2.
Critical Review
Berikut merupakan hasil review jurnal mengenai penentuan lokasi warehouse: 1. Combining the analytic hierarchy process and goal programming for global facility location-allocation problem (Badri, 1998) Pada Jurnal ini membahas kombinasi metode AHP dengan Multi-Objektif yaitu Goal programming untuk penentuan lokasi fasilitas global dengan mempertimbangkan faktor-faktor yang harus diseleksi. Studi kasus adalah perusahaan Petrokimia sedang mengevaluasi enam potensi lokasi pabrik di 6 negara, yaitu Arab Saudi (KSA), Emirat Arab (UEA), Bahrain(BAH), Kuwait(Kuw), Qatar (qat), dan Oman (OMN). Dengan pabrik untuk melayani 6 distribusi pusat yaitu di Dubai (Uni Emirat Arab), Manama (Bahrain), Teheran (Iran), Jeddah (Arab), New Delhi (India) dan Amsterdam (Belanda). Keputusan lokasi sangat komplek dimana sangat dipengaruhi faktor situasi pemerintah, persaingan global, dan ekonomi Negara tersebut, yang kemudian dijadikan kriteria sebagai penentuan lokasi. Pengambilan keputusan harus melibatkan kualitatif maupun faktor kuantitatif. AHP merupakan metode yang digunakan untuk memecahkan permasalahan yang komplek dengan kriteria tertentu, dari AHP didapat prioritas alternatif lokasi. Setelah itu digunakan model GP untuk mengoptimalkan proses alokasi tersebut. 2. Fuzzy group decision-making for facility location selection (Kahraman et al., 2003) Pemilihan lokasi fasilitas antar alternatif adalah multi-kriteria pengambilan keputusan masalah termasuk kriteria kuantitatif dan kualitatif. Dalam jurnal ini dibahas memecahkan masalah tentang fasilitas lokasi dengan pendekatan fuzzy multi-atribut. Jurnal ini mencakup 4 pedekatan yaitu yang pertama adalah model fuzzy keputusan diusulkan olen Bin, yang kedua adalah
evaluasi fuzzy sintetik. Kemudian yang ketiga adalah metode Yager’s weighted goal , dan yang terakhir adalah AHP. Meskipun keempat pendekatan memiliki tujuan yang sama memilih alternatif lokasi, tetapi mereka datang dari latar berbeda dan teori berbeda tentang multi-atribut dalam mengambil keputusan. Dari Jurnal ini bahwa dilihat dari sudut pandang data yang dibutuhkan, Blin’s fuzzy didasarkan pada hubungan preferensi social, untuk evaluasi fuzzy sintetik berdasarkan pada fuzzy antara alternatif dan evaluasi kriteria,bobot atribut. Sedangkan untuk Yager’s weighted goal hanya berdasarkan evaluasi peringkat dan bobot atribut, dan fuzzy AHP berdasarkan bobot atribut subjektif. Dari sudut kompleksitas Blin’s fuzzy merupakan yang paling kompleks diantara semuanya, dan fuzzy AHP memiliki langkah komputasi yang banyak dan merupakan paling kompleks diantara semuanya. 3. Multi-kriteria fuzzy optimization for locating warehouses and distribution centers in a Supply chain network (Chen et al., 2007) Dalam penelitian ini mempertimbangkan perencanaan multiproduk, multi periode, dan multi-eselon dari jaringan Supply chain dalam penentuan lokasi warehouse dan distribusi pusat dalam melayani zona pelanggan. Model perencanaan Supply chain dibangun sebagai multi-objektif dari Mixed-Interger-LinierProgramming (MILP) dengan beberapa tujuan yaitu minimum total biaya, memperhatikan ketidakpastian permintaan, dan mengurangi total waktu transportasi. Hasil yang didapat adalah metode ini memberikan solusi untuk beberapa permasalahan dalam jaringan Supply chain dengan melihat ketidakpastian permintaan. 4. Analytic hierarchy process to assess and optimize distribution network (Sharma et al., 2008) Dalam penelitian ini bahwa upaya integrasi jaringan Supply chain dilihat
3
dari optimal biaya dan kinerja pelayanan sebagai kriteria keputusan. Peneliti menggunakan metode multikriteria AHP untuk menggabungkan faktor kuantitif dan kualitatif. Hasil yang didapat bahwa AHP dapat secara efektif memilih jaringan Supply chain terbaik dengan biaya serendah mungkin. 5. Comperative analysis of multi-kriteria decision making methodologies and implementation of a warehouse location selection problem (Ozcan et al., 2011) Dalam penelitian ini dikatakan bahwa dalam pengambilan keputusan dengan multi-kriteria dapat menggunakan berbagai macam metode yaitu dalam hal ini adalah AHP, TOPSIS, ELECTRE dan Grey teori. Dari beberapa metode ini akan dibandingkan dan dilakukan penerapan dalam masalah pemilihan warehouse terbaik diantara banyak alternatif. Metode TOPSIS dan ELECTRE dapat alternatif terbaik dengan pengoreksian oleh metode Grey teori. Dalam penelitian tugas akhir ini penulis mengacu pada penelitian dengan metode AHP – GP ((Badri, 1998);(Sharma et al., 2008)) dengan memperhatikan routing yang optimal yaitu rute pengiriman yang efisien. Keuntungannya dalam hal ini adalah dalam penentuan lokasi warehouse baru tidak hanya berdasarkan nilai kriteria subjektifitas dan kriteria objektifitas tetapi peneliti menambahkan berdasarkan efisiensi transportasi dengan rute pengiriman yang optimal. 3.
Metodologi Penelitian
3.1 Identifikasi Permasalahan Berupa identifikasi terhadap permasalahanpermasalahan yang terjadi secara umum, untuk mendapatkan sebuah permasalahan yang relevan untuk dijadikan obyek penelitian. Langkah ini dilakukan dengan cara mencari masalah – masalah yang relevan dalam industri yang membutuhkan penelitian lebih lanjut, baik masalah klasik maupun masalah yang aktual. Adapun pada akhirnya penelitian ini mengambil permasalahan penentuan lokasi warehouse baru (studi kasus PT. Coca-Cola Amatil Indonesia unit Balinusa sebagai permasalahan yang akan dibahas).
3.2 Tinjauan Pustaka 1. Studi literatur terhadap buku-buku atau jurnal-jurnal yang relevan mengenai konsep warehouse, manajemen distribusi dan transportasi dengan tujuan untuk menunjang pelaksanaan penelitian. Studi literatur dilakukan dengan meninjau informasi – informasi yang berkenaan dengan jalannya penelitian, baik yang terdapat di perpustakaan, maupun secara online. 2. Studi lapangan dilakukan untuk mengetahui keadaan riil warehouse dan proses pengiriman dan pengembalian produk, serta melakukan observasi kepada pihak PT. CCAI unit Balinusa. 3.3 Pengumpulan Data Berupa pencarian data yang akan gunakan sebagai input seperti data permintaan tiap sales center, jarak antar plant ke sales center, kriteria yang dibutuhkan dalam penentuan lokasi gudang baru, dan alternatif lokasi warehouse yang akan dibuat. Pengumpulan data pada PT. CCAI unit Balinusa merupakan data historis dari perusahaan dan untuk menentukan kriteria serta alternatif lokasi awal ditentukan oleh pihak PT. CCAI unit Balinusa. 3.4 Generate Permintaan menggunakan Simulasi Monte Carlo Dilakukan simulasi untuk men-generate data permintaan tiap sales center. Dilakukan simulasi untuk men-generate data permintaan dikarenakan permintaan pada PT.CCAI unit Balinusa lumpy. Simulasi yang dilakukan dengan menggunakan bilangan acak untuk membangkitkan permintaan sesuai dengan distribusi data permintaan yang ada atau data historisnya. Hasil generate data permintaan akan digunakan dalam proses penentuan rute pengiriman atau routing. 3.5 Pemilihan keputusan lokasi berdasarkan kriteria Dengan menggunakan AHP yaitu pembobotan dari beberapa kriteria prioritas secara subjektifitas yang menjadi pertimbangan perusahaan terhadap alternatif lokasi yang ada. Kemudian dilakukan kalkulasi bobot-bobot relatif dari elemen-elemen keputusan dan menguji apakah data input memuaskan atau tidak dengan menggunakan indeks konsistens
4
(consistency index). Setelah itu, jumlahkan bobot-bobot relatif tersebut untuk memperoleh hasil dan akan diperoleh ranking-rangking untuk alternatif-alternatif keputusan. Berikut merupakan struktur AHP yang digunakan: 2 Lokasi alternatif terbaik
Keputusan
Biaya
Jarak dari Plant
Ketersediaan Akses Jalan
Kondisi Jalan Baik
Kriteria
Aspek Lingkungan dan Keamanan
1. Goal 1: Biaya total pembelian lahan warehouse tidak melebihi anggaran perusahaan 2. Goal 2: Jarak maksimal dari Plant Mengwi ke warehouse baru 3. Goal 3: Ketersedian jaringan akses jalan menuju warehouse baru 4. Goal 4: Kondisi jalan dalam baik 5. Goal 5: Aspek keamanan baik 6. Goal 6: Aspek lingkungan baik Dari goal diatas dapat beberapa fungsi objektif dan sasaran yang akan diminimasi yaitu:
Alternatif
Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5
Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5
Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5
Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5
Alternatif 1 Alternatif 2 Alternatif 3 Alternatif 4 Alternatif 5
Tabel 2. Fungsi objektif dan tujuan sasaran Goal
Fungsi Objektif
1
� 𝐶𝐶𝑖𝑖 𝑋𝑋𝑖𝑖 + 𝑛𝑛1 − 𝑝𝑝1 = 𝐵𝐵
Gambar 4. Struktur model AHP dalam penelitian
Penetuan kriteria merupakan usulan dari peneliti yang nantinya akan divalidasi oleh pihak perusahaan, sedangkan untuk kandidat dari alternatif lokasi merupakan rekomendasi perusahaan. Pada akhirnya diperoleh bobot tiap alternatif lokasi yaitu: 𝑊𝑊𝑖𝑖 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 = 𝑊𝑊𝑗𝑗 𝑥𝑥 𝑊𝑊𝑙𝑙 (1) Keterangan: 𝑊𝑊𝑖𝑖 = Bobot yang akan dimasukan dalam formulasi goal programming 𝑊𝑊𝑗𝑗 = Bobot Kriteria 𝑊𝑊𝑙𝑙 = Bobot tiap alternatif lokasi
5
Keterangan:
𝑊𝑊𝑖𝑖 𝑋𝑋𝑖𝑖 𝑛𝑛𝑖𝑖 𝑝𝑝𝑖𝑖
= Bobot dari hasil AHP = Alternatif lokasi = Deviasi negatif = Deviasi positif
Selain itu, berikut adalah Goal yang diinginkan dalam penentuan lokasi ini :
𝑀𝑀𝑀𝑀𝑀𝑀 𝑝𝑝1
𝑖𝑖=1 5
2
� 𝐽𝐽0𝑖𝑖 𝑋𝑋𝑖𝑖 + 𝑛𝑛2 − 𝑝𝑝2 = 𝐾𝐾
3
� 𝐹𝐹𝑖𝑖 𝑋𝑋𝑖𝑖 + 𝑛𝑛3 − 𝑝𝑝3 = 𝑇𝑇
4
� 𝐻𝐻𝑖𝑖 𝑋𝑋𝑖𝑖 + 𝑛𝑛4 − 𝑝𝑝4 = 𝐿𝐿
𝑀𝑀𝑀𝑀𝑀𝑀 𝑝𝑝2
𝑖𝑖=1 5
𝑀𝑀𝑀𝑀𝑀𝑀 𝑛𝑛3
𝑖𝑖=1 5
𝑀𝑀𝑀𝑀𝑀𝑀 𝑛𝑛4
𝑖𝑖=1 5
5
� 𝐿𝐿𝑖𝑖 𝑋𝑋𝑖𝑖 + 𝑛𝑛5 − 𝑝𝑝5 = 𝐺𝐺
6
� 𝑅𝑅𝑖𝑖 𝑋𝑋𝑖𝑖 + 𝑛𝑛6 − 𝑝𝑝6 = 𝐷𝐷
3.6 Optimasi bobot ranking
Dengan menggunakan Goal programming dengan software Lindo, rangking bobot prioritas yang telah didapatkan AHP merupakan nilai subjektifitas, kemudian digunakan goal programming untuk pencapaian objektif. Dalam penelitian ini mempertimbangkan nilai subjektifitas dan nilai objektifitas. Berikut adalah model goal programming yang digunakan : ∑5𝑖𝑖=1 𝑊𝑊𝑖𝑖𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑋𝑋𝑖𝑖 + 𝑛𝑛𝑖𝑖 − 𝑝𝑝𝑖𝑖 (2)
Tujuan Sasaran
𝑖𝑖=1 5
𝑖𝑖=1
𝑀𝑀𝑀𝑀𝑀𝑀 𝑛𝑛5 , 𝑝𝑝5 𝑀𝑀𝑀𝑀𝑀𝑀 𝑛𝑛6 , 𝑝𝑝6
Keterangan: C = Harga lahan/tanah pada alternatif lokasi J = Jarak Plant (0) ke alternatif lokasi (i) F = Nilai kemudahan akses jalan ke alternatif lokasi H = Nilai kondisi jalan ke alternatif lokasi L = Nilai aspek keamanan pada alternatif lokasi R = Nilai aspek lingkungan pada alternatif lokasi B = Biaya yang dianggarkan perusahaan untuk mendirikan 2 warehouse K = Total jarak plant ke 2 lokasi warehouse T = Total nilai akses jalan ke 2 warehouse L = Total nilai kondisi jalan pada 2 warehouse G = Total nilai dalam aspek keamanan D = Total nilai dalam aspek lingkungan Didapat fungsi tujuan sebagai berikut: 𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑝𝑝1 + 𝑝𝑝2 + 𝑛𝑛3 + 𝑛𝑛4 + 𝑛𝑛5 + 𝑛𝑛6 (3) 5
Kemudian menggunakan solver Lindo untuk mencari alternatif mana yang paling optimal. Berikut adalah formulasi pada solver Lindo:
Hasil dari penelitian ini merupakan lokasi baru dimana mempertimbangkan efisiensi transportasi.
𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑝𝑝1 + 𝑝𝑝2 + 𝑛𝑛3 + 𝑛𝑛4 + 𝑛𝑛5 + 𝑛𝑛6
4. Pengumpulan dan Pengolahan Data Dalam penentuan lokasi warehouse, PT.CCAI unit Balinusa memiliki beberapa kriteria. Kriteria tersebut dijadikan batasan nantinya dalam pemilihan lokasi gudang baru. Berikut adalah kriteria yang digunakan menurut Manager Warehouse & transportation plant unit Balinusa Bapak Wayan Senti, yaitu:
Subject To
𝑋𝑋1 + 𝑋𝑋2 + 𝑋𝑋3 + 𝑋𝑋4 + 𝑋𝑋5 = 2
𝐶𝐶1 𝑋𝑋1 + 𝐶𝐶2 𝑋𝑋2 + 𝐶𝐶3 𝑋𝑋3 + 𝐶𝐶4 𝑋𝑋4 + 𝐶𝐶5 𝑋𝑋5 + 𝑛𝑛1 − 𝑝𝑝1 = 𝐵𝐵
𝐽𝐽01 𝑋𝑋1 + 𝐽𝐽02 𝑋𝑋2 + 𝐽𝐽03 𝑋𝑋3 + 𝐽𝐽04 𝑋𝑋4 + 𝐽𝐽05 𝑋𝑋5 + 𝑛𝑛2 − 𝑝𝑝2 = 𝐾𝐾 𝐹𝐹1 𝑋𝑋1 + 𝐹𝐹2 𝑋𝑋2 + 𝐹𝐹3 𝑋𝑋3 + 𝐹𝐹4 𝑋𝑋4 + 𝐹𝐹5 𝑋𝑋5 + 𝑛𝑛3 − 𝑝𝑝3 = 𝑇𝑇
𝐻𝐻1 𝑋𝑋1 + 𝐻𝐻2 𝑋𝑋2 + 𝐻𝐻3 𝑋𝑋3 + 𝐻𝐻4 𝑋𝑋4 + 𝐻𝐻5 𝑋𝑋5 + 𝑛𝑛4 − 𝑝𝑝4 = 𝐿𝐿 𝐿𝐿1 𝑋𝑋1 + 𝐿𝐿2 𝑋𝑋2 + 𝐿𝐿3 𝑋𝑋3 + 𝐿𝐿4 𝑋𝑋4 + 𝐿𝐿5 𝑋𝑋5 + 𝑛𝑛5 − 𝑝𝑝5 = 𝐺𝐺
𝑅𝑅1 𝑋𝑋1 + 𝑅𝑅2 𝑋𝑋2 + 𝑅𝑅3 𝑋𝑋3 + 𝑅𝑅4 𝑋𝑋4 + 𝑅𝑅5 𝑋𝑋5 + 𝑛𝑛6 − 𝑝𝑝6 = 𝐷𝐷
𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋5 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎ℎ 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵
(4)
3.7 Penentuan rute pengiriman terhadap kedua lokasi yang terpilih Didapat 2 lokasi yang terbaik, kemudian dilakukan simulasi pengiriman produk atau routing pada tiap lokasi dengan menggunakan metode VRP SDP. Untuk permintaan kedepan tiap sales center akan di-generate menggunakan simulasi Monte Carlo, karena permintaan tiap sales center berubah-ubah dan lumpy. Dilakukan rute pengiriman yang optimal untuk mendapatkan 1 lokasi yang terbaik dengan efisiensi transportasi. Metode yang digunakan adalah metode insertion heuristics dimana merupakan suatu algoritma yang bertujuan untuk membangun suatu himpunan rute dimana rute dibangun secara bertahap dengan cara menyisipkan sales center yang belum dilayani dengan mempertimbangkan kapasitas kendaraan (Campbell, 2004). 3.8 Analisa perbandingan hasil rute pengiriman antara kedua lokasi Setelah dilakukan routing, hasil dari antara kedua lokasi dibandingkan untuk menentukan lokasi yang terbaik dengan mempertimbangkan rute yang akan didapat efisiensinya transportasi. Dimana dari rute tersebut didapat jarak tempuh per hari kemudian dicari jarak tempuh selama 5 tahun. Dari hasil tersebut lokasi dengan jarak tempuh rute pengiriman yang terpendek dipilih sebagai solusi lokasi warehouse baru yang efisien dalam pengiriman.
Tabel 3. Kriteria dalam penentuan lokasi (*sumber: Hasil wawancara Warehouse &Transportation Manager PT.CCAI unit Balinusa) No
*Kriteria
Keterangan
1
Harga Tanah
2 3
Jarak gudang baru ke plant Ada infrastruktur jalan
harga tanah tiap kandidat lokasi, yang dibutuhkan 3 hektar jarak kandidat gudang baru ke plant maksimal 26 km lebar jalan minimal 8 meter
4
Kondisi akses jalan
5
Keamanan
6
Lingkungan
merupakan jalan provinsi ataupun kota sedikit catatan kriminalitas tersedia jaringan listrik, pdam, telepon, sanitasi baik, tidak banjir, dan tidak di daerah perumahan
Berikut kandidat lokasi yang akan dipilih sebagai warehouse baru PT.CCAI unit Balinusa. Kandidat ini diperoleh berdasarkan hasil wawancara dengan Manager Warehouse & transportation unit Balinusa Bapak Wayan Senti, yaitu: Tabel 4. Kandidat lokasi warehouse baru (*sumber: Hasil wawancara Warehouse & transportation manager PT.CCAI unit Balinusa) No
*Alternatif Lokasi
Alamat
1
Sempidi
Jl. Raya Sempidi
2
Mengwi
Jl. Raya Mengwi
3
Jalan Kargo
Jl. Kargo Permai
4
Tabanan
By Pass Kediri Pesiapan
5
Denpasar
Jl. Mahendradata
Berikut adalah merupakan data kapasitas transporter atau truk PT. CCAI Balinusa.
3.9 Penarikan Kesimpulan Pengambilan kesimpulan dengan melihat rute pengiriman yang optimal dari 2 lokasi yang ada.
6
Tabel 5. Kapasitas angkut transporter (sumber: PT. CCAI unit Balinusa) Produk RGB (case) Transporter
Tabel 8. Bobot AHP kandidat lokasi daerah Mengwi Mengwi
Produk OWP (case)
756
Tabel 6. Data jarak dan harga tanah (*sumber: Kantor Lurah setempat)
1 2 3 4 5
Alternatif Lokasi
Jarak dari plant(Km)
Sempidi Mengwi Jalan Kargo Tabanan Denpasar
Bobot Kriteria
1400
Berikut adalah data jarak kandidat lokasi dengan plant, serta harga tanah tiap kandidat lokasi.
No
Kriteria penentuan Lokasi
*Harga / meter persegi
12.2 8.7 16.7
0,500 juta 0,200 juta 0,300 juta
Total harga tanah = 3 hektar 1,500 juta 600 juta 900 juta
12.3 22.3
0,147 juta 0,350 juta
441 juta 1,050 juta
4.1 Perhitungan AHP Dari perhitungan bobot kriteria dan bobot perbandingan antar kandidat lokasi diperoleh hasil skor bobot. Skor bobot ini berasal dari hasil kali bobot kriteria dengan skor alternatif lokasi. Setelah didapat skor bobot, akan dilakukan optimasi goal programming untuk mendapatkan hasil 2 kandidat lokasi yang terbaik. Berikut adalah hasil bobot akhir AHP :
Skor Alternatif Lokasi
Skor Bobot AHP
Harga Tanah
0.034
0.26
0.009
Jarak gudang baru ke plant Ada infrastruktur jalan Kondisi akses jalan
0.130
0.45
0.058
0.225
0.26
0.058
0.138
0.23
0.031
Keamanan
0.225
0.36
0.080
Lingkungan
0.248
0.14
0.035
Tabel 9. Bobot AHP kandidat lokasi daerah Jalan Kargo Kriteria penentuan lokasi Harga Tanah Jarak gudang baru ke plant Ada infrastruktur jalan Kondisi akses jalan Keamanan Lingkungan
Jalan Kargo Bobot Skor Kriteria Alternatif Lokasi
Skor Bobot AHP
0.034 0.130
0.13 0.06
0.004 0.008
0.225
0.04
0.008
0.138 0.225 0.248
0.04 0.04 0.10
0.005 0.010 0.025
Tabel 7. Bobot AHP kandidat lokasi daerah Sempidi Sempidi Kriteria penentuan Lokasi
Bobot Kriteria
Skor Alternatif Lokasi
Skor bobot AHP
Harga Tanah
0.034
0.05
0.002
Jarak gudang baru ke plant Ada infrastruktur jalan Kondisi akses jalan
0.130
0.14
0.018
0.225
0.08
0.019
0.138
0.20
0.028
Keamanan
0.225
0.19
0.042
Lingkungan
0.248
0.04
0.011
Tabel 10. Bobot AHP kandidat lokasi daerah Tabanan Tabanan Skor Alternatif Lokasi
Kriteria penentuan lokasi
Bobot Kriteria
Harga Tanah Jarak gudang baru ke plant Ada infrastruktur jalan Kondisi akses jalan Keamanan Lingkungan
0.034 0.130
0.48 0.32
0.016 0.041
0.225
0.18
0.040
0.138 0.225 0.248
0.23 0.34 0.50
0.031 0.076 0.125
Skor Bobot AHP
7
Tabel 11. Bobot AHP kandidat lokasi daerah Denpasar
0.034 0.130
Denpasar Skor Alterntif Lokasi 0.08 0.03
Skor Bobot AHP 0.001 0.004
0.225
0.44
0.099
0.138 0.225 0.248
0.31 0.08 0.21
0.043 0.017 0.052
Kriteria penentuan lokasi
Bobot Kriteria
Harga Tanah Jarak gudang baru ke plant Ada infrastruktur jalan Kondisi akses jalan Keamanan Lingkungan
Dari tabel 7 hingga tabel 11 merupakan hasil dari skor bobot akhir menggunakan AHP. Skor bobot tersebut akan digunakan sebagai input-an pada optimasi goal programming. Optimasi dilakukan untuk mencari hasil dimana tidak hanya berdasarkan subjektifitas tetapi melihat dari segi objektifitasnya. Dari subjektifitas yang akan di-input-kan adalah bobot kriteria kondisi jalan, aspek keamanan dan aspek lingkungan. 4.2 Optimasi Goal Programmning Bobot kriteria subjektifitas akan dijadikan input dan untuk kriteria objektifitas dilakukan pengambilan data di lapangan yang kemudian dimasukkan pada formulasi goal programming. Untuk X1 hingga X5 merupakan kandidat lokasi yang akan dipilih. Kriteria pada AHP akan menjadi goal sehingga terdapat 6 goal yang harus dicapai.
Gambar 6. Report dari solver LINDO
Dari report menggunakan LINDO dipilih X2 dan X4 yaitu lokasi Mengwi dan Tabanan. 4.3 Generate demand dengan Simulasi Monte Carlo Berikut ini permintaan yang dibangkitkan dengan bilangan acak atau random menggunakan Microsoft Office Excel mengikuti distribusi data permintaan yang ada untuk produk RGB dan OWP :
Gambar 5. Formulasi goal programming
8
Tabel 12. Hasil generate demand untuk produk RGB untuk hari ke- 1 hingga ke-25 pada tahun 2011 Hari ke(2011) Denpasar
Permintaan SC Kuta
Tabanan Singaraja Ubud Klungkung Mataram Sumbawa Bima
1
0
0
0
0
0
510
0
0
0
2
0
0
0
0
0
193
0
0
0
3
0
0
0
0
0
557
0
0
0
4
0
0
0
0
0
22
0
0
0
5
0
0
57
0
0
663
0
0
0
6
14319
3289
2364
1461
1766
3665
0
0
0
7
0
0
42
0
0
636
0
0
0
8
2359
313
283
188
106
907
0
0
0
9
8254
1203
1187
827
881
1541
0
0
0
10
0
0
0
0
0
331
0
0
0
11
0
0
0
0
0
551
0
0
0
12
6242
574
715
748
512
1081
0
0
0
13
18401
6566
5311
5018
3950
5132
0
0
0
14
4127
352
607
216
126
933
0
0
0
15
0
0
0
0
0
37
0
0
0
16
0
0
0
0
0
91
0
0
0 0
17
0
0
29
0
0
612
0
0
18
0
0
0
0
0
103
0
0
0
19
238
145
162
71
22
795
0
0
0
20
220
139
158
67
19
791
0
0
0
21
4115
346
604
211
123
929
0
0
0
22
4093
335
598
204
117
922
0
0
0
23
0
0
0
0
0
55
0
0
0
24
0
58
100
9
0
737
0
0
0
25
0
0
59
0
0
667
0
0
0
Dari tabel di atas dapat dilihat jumlah permintaan tiap sales center unit Balinusa untuk poduk RGB. Perhitungan dilakukan selama setahun yaitu 365 hari baik produk RGB dan produk OWP. Hasil dari simulasi ini akan digunakan dalam simulasi rute pengiriman terhadap 2 lokasi terpilih hasil perhitungan AHP-GP. 4.4 Simulasi rute pengiriman Tahapan dalam melakukan simulasi pengiriman adalah sebagai berikut:
rute
1. Melihat jumlah permintaan tiap sales center (SC) pada hari ke-Y 2. Kemudian mengitung jarak atau matriks jarak dari kandidat gudang ke tiap SC yang akan dilayani. 3. Jarak terpendek akan dilayani dengan melihat kapasitas yang dibutuhkan. 4. Jika kapasitas transporter masih tersedia maka dilakukan penyisipan. 5. Penyisipan dilakukan dengan menghitung jarak terdekat dari SC yang sedang dilayani dengan SC yang akan dilayani.
6. Penyisipan dilakukan selama tidak melanggar kapasitas truk yaitu untuk produk RGB 756 case dan untuk produk OWP 1400 case. 7. Untuk SC Singaraja, dilakukan single route dikarena kondisi geografis yang tidak dimungkinkan dilakukan multi pengiriman. Contoh: Diketahui SC Denpasar memiliki permintaan 900 case RGB dan SC Kuta dan SC Ubud memiliki permintaan 312 case dan 300 case RGB. Kemudian diketahui bahwa SC Denpasar dilayani yang pertama (kapasitas truk adalah 756 case) maka rute yang didapat sebagai berikut: 1. Permintaan SC Denpasar dibagi dengan kapasitas truk maka diperoleh 2 truk atau 2 kali pelayanan. 2. Satu transporter akan melayani SC Denpasar langsung dengan kapasitas 756 case. 3. Truk kedua melayani sisa kekurangan dari SC Denpasar sebanyak 900 – 756 = 144 case. 4. Dilakukan penyisipan pada truk kedua dengan cara melihat jarak terpendek SC yang akan dilayani dari SC Denpasar. 5. Didapat jarak terpendek terhadap SC Denpasar adalah SC Kuta kemudian SC Ubud. 6. Dilakukan penyisipan produk selama tidak melanggar kapasitas truk atau kendaraan. 7. Jadi rute yang diperoleh adalah Gudang X – SC Denpasar – SC Kuta – SC Ubud – Gudang X. 8. Panjang rute diperoleh dari hasil jumlah panjang rute Gudang X – SC Denpasar – SC Kuta – SC Ubud – Gudang X. Dalam simulasi ini peneliti menggunakan software MATLAB untuk mempermudah melakukan simulasi selama 365 hari (selama setahun).
9
Tabel 13. Hasil simulasi rute pengiriman produk OWP untuk gudang Tabanan Kapasitas total (case) 132
Hari
Panjang rute (Km)
Sales center yang dilayani
1
128.0
Klungkung
2
128.0
Klungkung
9
3
128.0
Klungkung
138
4
0.0
-
0
5
128.0
Klungkung
150
6
2679.8
Denpasar, Kuta, Tabanan, Singaraja, Ubud, Klungkung, Mataram, Sumbawa, Bima
30570
7
128.0
Klungkung
147
8
128.0
255
9
691.1
10
128.0
Klungkung Kuta,Tabanan, Singaraja, Klungkung Klungkung
11
128.0
Klungkung
137
12
129.0
Tabanan, Klungkung
437
13
4502.4
Denpasar, Kuta, Tabanan, Singaraja, Ubud, Klungkung, Mataram, Sumbawa, Bima
52129
14
128.0
Klungkung
260
15
0.0
-
0
730 46
16
0.0
-
0
17
128.0
Klungkung
144
18
0.0
-
0
19
128.0
Klungkung
174
20
128.0
Klungkung
173
Dari tabel di atas merupakan hasil simulasi rute pengiriman dari lokasi Tabanan untuk produk OWP dari hari ke-1 hingga hari ke-20 pada tahun 2011. Perhitungan selanjutnya dilakukan dengan cara yang sama untuk lokasi Mengwi dengan produk RGB dan OWP. Selisih jarak tempuh untuk produk RGB antara lokasi Mengwi dan Tabanan adalah 55.389,1 km lebih pendek Mengwi terhadap Tabanan, sedangkan untuk produk OWP Mengwi lebih pendek jarak tempuhnya 27.242,2 km dari Tabanan. Total jarak tempuh pengiriman dari gudang Tabanan selama setahun adalah 506.365,2 km, sedangkan untuk gudang Mengwi adalah 423.944,5 km.
Dari hasil tersebut maka lokasi terpilih adalah Mengwi sebagai gudang baru dengan efisiensi rute pengiriman yang lebih rendah 19,4 % dari kandidat Tabanan. 5. Kesimpulan Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut: 1. Dalam menentukan lokasi warehouse baru pada PT. CCAI unit Balinusa terdapat 6 kriteria yang dipertimbangkan yaitu: Harga tanah, jarak lokasi dengan plant, ada infrastruktur jalan, kondisi jalan, aspek keamanan dan aspek lingkungan. Kemudian, untuk kandidat lokasi yang akan dipilih berdasarkan rekomendasi perusahaan adalah Sempidi, Mengwi, Jalan Kargo, Tabanan, dan Jalan Mahendradata Denpasar. 2. Dari hasil perhitungan dan optimasi AHP-GP, diperoleh 2 kandidat lokasi berdasarkan kriteria subjektifitas dan kriteria objektifitas yaitu daerah Tabanan dan Mengwi. 3. Selanjutnya, dilakukan simulasi rute pengiriman untuk data permintaan tahun 2011 terhadap 2 kandidat lokasi yaitu Tabanan dan Mengwi. Hasil simulasi yang diperoleh bahwa total jarak tempuh rute pengiriman dari gudang Tabanan selama setahun untuk produk RGB dan OWP adalah 506.365,2 km, sedangkan untuk dari gudang Mengwi 423.733,9 km. Jadi kandidat lokasi sebagai warehouse baru dengan rute pengiriman yang efisien adalah lokasi Mengwi dimana hasil yang diperoleh total jarak pengiriman dari lokasi Mengwi 19,4% lebih rendah dibandingkan kandidat lokasi Tabanan. 6. Daftar Pustaka Badri, Masood A. 1998. Combining The Analytic Hieratchy Process And Goal programming For Global Facility Location-Allocation Problem. 237248. Barnhart, C. dan Laporte, G. 2007. Vehicle Routing Handbook in OR & MS. Cahyo, Winda Nur 2008. Pendekatan Simulasi Monte Carlo Untuk Pemilihan
Gambar 7. Perbandingan jarak tempuh
10
Altenatif Dengan Decicion Tree Pada Nilai Outcom Yang Probabilistik. 13, 11-17. Campbell, Ann Melissa. 2004. Efficient Insertion Heuristics for Vehicle Routing and Scheduling Problems. Transportation Science, 38, 369-378. Chen, Cheng-Liang, Yuan, Tzu-Wei dan Lee, Wen-Cheng 2007. Multi-Kriteria Fuzzy Optimization For Locating Warehouses And Distribution Centers in A Supply Chain Network. 393-407. Hawks,
Karen. 2006. What is Reserve Logistics? [Online]. Available: http://rlmagazine.com/edition01p12.php [Diakses pada tanggal 18 Maret 2011].
Kahraman, Cengiz, Ruan, Da dan Dogan, Ibrahim 2003. Fuzzy Group DecisionMaking For Facility Location Selection. 135-153. Marpaung, Juanawati. 2009. Perencanaan Produksi Yang Optimal Dengan Pendekatan Goal programming. Medan: Teknik Industri - Universitas Sumatera Utara.
Prasetyawan, Yudha. 1999. Perencanaan Penjadwalan Kendaraan Pelayanan Pengambilan Sampah Kotamadya Surabay. Surabaya, ITS. Pujawan, I Nyoman dan ER, Mahendrawathi 2010. Supply Chain Management, Surabaya, Guna Widya. Saaty, Thomas L. 2005. Analytic Hierarchy Process. Encyclopedia of Biostatistic. Sharma, Mihtun J., Moon, Ilkyeong dan Bae, Hyerim 2008. Analytic Hierarchy Process To Assess And Optimize Distribution Network. Aplied Mathematics and Computation, 256265. Tabucanon, Mario T. 1988. Multiple Criteria Decision Making In Industri, Amsterdam, ELSEVIER SCIENCE PUBLIHERS B.V. Tarigan, Darmasius. 2008. Pemodelan Vehicle Routing Problem Terbuka Dengan Keterbatasan Waktu. Universitas Sumatera Utara.
Ozcan, Tuncay, Celebi, Numan dan Esnaf, Sakir. 2011. Comparative Analysis Of Multi-Kriteria Decision Making Methodologies And Implementation Of A Warehouse Location Selection Problem. Expert Systems with Applications. Pamungkas, Andreas Adi, Arlianto, Jerry Pengembangan Routing Problem Delivery and Menambahkan Logistic and Management, 1.
Wibisono, Eric dan Agus. 2008. Model Vehicle with Simultaneous Pick-up dengan Batasan Waktu. Supply Chain
Pawestri, Isnaya Endah. 2010. Penentuan Lokasi Distribution Center/Gudang Persediaan Darurat Tanggap Bencana Dengan Pendekatan Multi Kriteria Goal programming Dan Set Covering. Institut Teknologi Sepuluh Nopember.
11