THE MATLAB TRAINING

Wellcome
Lorem Ipsum is simply dummy text of the printing.

DATA MINING

Faldy Maulana
Lorem Ipsum is simplyYuantoro a
dummy text of the printing and typesetting industry. Lorem Ipsum has been the industry's standard dummy text
ever since the 1500s, when an unknown printer took a galley of type and scrambled it to make a type specimen book.
 DATA MINING
Data mining merupakan kegiatan yang meliputi pengumpulan
dan pemakaian data historis untuk menemukan pola atau
hubungan dalam suatu set data yang berukuran besar
dengan tujuan memperbaiki pengambilan keputusan di masa
depan
 DATA MINING
Contoh penggunaan data mining adalah:
1. Prediksi harga saham berdasarkan performansi perusahaan dan data-data ekonomi.
2. Prediksi permintaan semen berdasarkan data permintaan semen di tahun-tahun
sebelumnya.
3. Prediksi terjadinya tornado berdasarkan informasi dari sebuah radar tentang kondisi
angin dan kondisi atmosfer serta yang lainnya.
4. Pengelompokkan produk yang defek dan lolos quality control.
5. Prediksi terjadinya pola kerusakan mesin.
6. Pengelompokan pengguna kartu kredit, dll.

3
4
JENIS DATA

5
 Kemiripan (Similarity)

• Kovarian
• Korelasi : antara -1 sampai 1
• Kosinus: antara -1 sampai 1
Semakin besar nilai ukuran similarity (kovarian, korelasi, cosinus, dll), maka data
akan semakin mirip. Pada ukuran korelasi misalnya, jika korelasi antar 2 data
bernilai 1, maka kedua data yang dibandingkan memiliki nilai yang sama /
berbanding lurus. Sebaliknya bila nilainya -1, maka kedua data berbanding
terbalik.

The Power of PowerPoint | thepopp.com 6

 Simmilarity

The Power of PowerPoint | thepopp.com 7

 Dissimilarity

• Minkowski (L Norm)
• Manhattan/City Block (L1 Norm)
• Euclidean (L2 Norm)
• Supremum
Semakin besar jarak, maka data akan semakin tidak mirip. Jarak dua
data yang bernilai 0 menunjukkan bila dua data tersebut memiliki nilai
variabel yang sama.

The Power of PowerPoint | thepopp.com 8

Dissimilarity

9
 CLUSTERING

Tujuan utama dari metode klaster adalah pengelompokkan

sejumlah data/obyek ke dalam klaster (group) sehingga
dalam setiap klaster akan berisi data yang semirip mungkin.

Metode yang digunakan dalam klastering antara

lain: partisioning dan hirarki.

10
 K-MEANS

• Tentukan K (Banyaknya Klaster)

• Tentukan Pusat Awal Klaster
• Hitung jarak setiap Data Object ke Pusat Klaster
• Kelompokkan Data Object ke pusat klaster terdekat,
hitung mean dari klaster tersebut, jadikan means
tersebut sebagai pusat klaster yang baru
• Ulangi langkah 3 dan seterusnya
• Iterasi dihentikan jika pusat klaster tidak berubah lagi

11
 CONTOH K-MEANS

Perusahaan ingin mengelompokkan produk-produk

makanannya menjadi 2 kelompok berdasarkan berat
produk dan kadar alcohol. Pengelompokkan digunakan
untuk mengetahui produk mana yang layak jual atau
tidak. Perusahaan menduga jika kadar alcohol rendah
dan beratnya rendah, maka produk tidak layak jual.
Data tiap produk adalah sebagai berikut:

The Power of PowerPoint | thepopp.com 12

Produk Berat (gram) Kadar %
1 159 55
2 147 57
3 159 46
4 152 57
5 147 45
6 158 46
7 145 46
8 146 56
9 149 46
… … …
13
 KLASIFIKASI
pengelompokkan data yang similar ke dalam klaster atau kelas
yang sama dengan melihat pembagian kelas yang sudah ada
sebelumnya.
 K-Nearest Neighboor

K dalam KNN menunjukkan jumlah tetangga

terdekat. Jadi, objek data akan dikelompokkan
berdasarkan kedekatannya dengan objek data
lain yang sudah berlabel dengan memperhatikan
K tetangga terdekatnya.

The Power of PowerPoint | thepopp.com 15

 K-Nearest Neighboor
• Tentukan data training, label data training, dan data
testing
• Cari jarak setiap data testing terhadap setiap data
training
• Tentukan k data training yang memiliki jarak terdekat
dengan data testing
• Periksa label dari k data training terpilih
• Masukkan data testing ke kelas dengan frekuensi yang
paling banyak
The Power of PowerPoint | thepopp.com 16
 CONTOH KNN
Berat
Produk Kadar % Warna Kelas Kelas
(gram)
1 159 55 1 Defect -1
2 147 57 2 QC Pass 1
3 159 46 3 Defect -1
Jika di 4esok hari terdapat
152produk yang
57akan dilakukan
3 pengujian,
QCdengan
Pass 1
5
data sebagai 147 apakah produk
berikut, maka 45 tersebut3tergolong cacat
Defect
atau -1
tidak?
Kada
Produk Berat (gram) Warna
r%
A 161 47 1
B 150 61 2
C 163
The Power 54
of PowerPoint | thepopp.com 2 17
 ASOSIASI

Asosiasi apriori merupakan metode yang paling sederhana

dan umum digunakan dalam kasus nyata. dalam Asosiasi
apriori, setiap kemungkinan kombinasi itemset dihitung
frekuensinya untuk mendapatkan frequent itemset. Frequent
itemset merupakan pasangan item yang memiliki frekuensi
kemunculan lebih besar dari batas minimal yang telah
ditentukan.

The Power of PowerPoint | thepopp.com 18

 ASOSIASI
Support
Support merupakan indikasi seberapa sering sebuah itemset muncul
dalam database. Nilai support merupakan proporsi antara frekuensi
kemunculan suatu itemset dalam seluruh database.

Confidence
Confidence merupakan indikasi seberapa sering suatu aturan yang telah
ditemukan terbukti benar. Misalnya didapatkan sebuah aturan X  Y,
maka nilai confidence dari aturan ini merupakan proporsi antara transaksi
X yang juga berisi Y dengan semua transaksi X yang ada dalam
database.
The Power of PowerPoint | thepopp.com 19
 LANGKAH ASOSIASI
• Hitung jumlah kemunculan dari setiap jenis itemset yang paling
sederhana
• Tentukan itemset yang paling sering muncul melalui perbandingan
support masing-masing itemset dengan minimum support yang
ditentukan.
• Lakukan kombinasi dari frequent itemset yang ditemukan dari langkah
sebelumnya dan cari nilai support untuk masing-masing kombinasi.
• Ulangi langkah kedua hingga semua kombinasi dari itemset sudah
dicari nilai support-nya atau tidak ada lagi kombinasi yang menjadi
frequent itemset.

The Power of PowerPoint | thepopp.com 20

No. Tran
Item
saksi
1 Bread, Milk
2 Bread, Diaper, Beer, Eggs
3 Milk, Diaper, Beer, Coke
4 Bread, Milk, Diaper, Beer
5 Bread, Milk, Diaper, Coke

The Power of PowerPoint | thepopp.com 21

 No.
Transak Bread Milk Diaper Beer Eggs Coke
si
1 1 1 0 0 0 0

2 1 0 1 1 1 0

3 0 1 1 1 0 1

4 1 1 1 1 0 0

1 1 1 0 0 1
5 The Power of PowerPoint | thepopp.com 22
 OUTLINE

PENDAHULUAN
01 Latar Belakang
Perumusan Masalah
Tujuan & Manfaat Penelitian
Ruang Lingkup Penelitian

LANDASAN TEORI
02 Pengendalian Inventory, Inventory Control,
Can-order Policy, Metaheuristik

METODOLOGI PENELITIAN
03

1
01
PENDAHULUAN
LATAR BELAKANG

PERUMUSAN MASALAH

TUJUAN DAN MANFAAT PENELITIAN

RUANG LINGKUP PENELITIAN

 ERRATIC LUMPY
Kebutuhan Part 82 Tahun 2018 Kebutuhan Part 105 Tahun 2018
35 60

30
50
25
40
20

Unit

Unit
15 Smooth 25% 20
30

10 75%
5 10

0
1 2 3 4 5 6 7 8 9 10 11 12
0
1
61%
2 3
Intermittent
4 5 6 7 8 9 10 11 1
Bulan ke- Bulan ke-

Kebutuhan Part 59 Tahun 2018 Kebutuhan Part 44 Tahun 2018

7 14

6 12

SPARE PART INVENTORY 5

4
10

PT INALUM
Unit

Unit
3

2
Kebutuhan Permintaan Mechanical 6

1 Part Tahun 2018 2

0
0
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 1
Bulan ke- Bulan ke-
SMOOTH INTERMITTENT 25
 LATAR BELAKANG
NILAI PERSEDIAAN DALAM $

8% 7% Finished goods

Goods in progress
27%
34% Raw materials

Spare parts and

SPARE PART INVENTORY consumable supplies
PT INALUM 24% Goods in transit
 LATAR BELAKANG

SPARE PART
CUSTOMER

PRODUKSI

MAINTENANCE SALES
27
 LATAR BELAKANG
KEBIJAKAN
PERUSAHAAN SIPPER (1997)
(s, S) Policy
/ Joint Replenishment

Multi-Item

PEMESANAN
DILAKUKAN SECARA CAN-ORDER POLICY
COST
INDIVIDU TIAP ITEM
20% SAVING
+- 14.000 Part BALINTFY (1964)

Pada 2016, 24% Part Stockout

28
 LATAR BELAKANG

MULTIPLE CAN-ORDER LEVEL

NAGASAWA (2016) 29
 LATAR BELAKANG

MODEL INTEGER
NON-LINEAR
PROGRAMMING

KOMBINATORIAL
NP-HARD METAHEURISTIK
EKSAK
SIMULATED ANNEALING
Minimasi Total Carrier
MULTI OBJECTIVE Minimasi Total Inventory Cost

30
 TUJUAN PENELITIAN

Memberikan rekomendasi dalam permasalahan spare part inventory PT

Indonesia Asahan Aluminium (Persero) dengan menentukan jadwal
pemesanan dan kuantitas pesanan yang optimal dari setiap item untuk
meminimasi total biaya dan jumlah angkutan supplier.

Mengembangkan algoritma Simulated Annealing untuk

menyelesaikan permasalahan multiple can-order level pada
can-order policy.

31
 MANFAAT PENELITIAN
Memberikan kontribusi di bidang optimasi dengan penerapan algoritma simulated
annealing untuk menyelesaikan permasalahan multiple can-order level pada can-
order policy
&
Memberikan alternatif solusi pada kebijakan inventory control di PT Indonesia Asahan
Aluminium (Persero) untuk meminimasi total biaya persediaan dan total angkutan
supplier.
RUANG LINGKUP PENELITIAN
BATASAN
Permasalahan yang diteliti adalah multiple
can-order level pada can-order policy 01
dengan fungsi tujuan meminimasi total biaya
Data uji menggunakan data spare part inventory
persediaan dan meminimasi total carrier.
02 PT Indonesia Asahan Aluminium (Persero) pada
tahun 2018.
Item yang diperhitungkan adalah item jenis
mechanical part yang tergolong ke dalam 03
replacement part dan consumable part.
Supplier yang diperhitungkan untuk dilakukan
04 joint replenishment adalah 3 supplier yang
Komputasi model dilakukan dengan jenis memenuhi jumlah jenis item terbanyak pada
spesifikasi komputer yang telah ditentukan. tahun 2018.
05

33
RUANG LINGKUP PENELITIAN
ASUMSI
Seluruh input data bersifat deterministik
selama periode perencanaan
01
Replenishment item diantarkan dengan
02 kapasitas angkutan / carrier oleh supplier yang
tak terbatas
Korelasi antar item dilihat berdasarkan
kesamaan antar supplier 03

04 Jumlah maksimum item yang shortage

didasarkan pada klasifikasi kritis ABC

05

34
 02
TINJAUAN PUSTAKA
 TINJAUAN PUSTAKA
ALGORITMA SIMULATED ANNEALING CAN-ORDER POLICY
MULTIPLE CAN-ORDER LEVEL

OPTIMASI MULTI-OBJECTIVE INVENTORY POLICY

METODE GLOBAL CRITERION JOINT REPLENISHMENT PROBLEM

POSISI PENELITIAN MANAJEMEN PERSEDIAAN

- BIAYA PERSEDIAAN
- KLASIFIKASI DEMAND

Landasan Teori
Multiple Can-Order Level
untuk menyelesaikan Spare Part Inventory PT INALUM
36
 POSISI PENELITIAN
Storag
Carrier Multi
Multiple Lead e Metode
Penelitian Demand Capacit Tujua Fungsi Tujuan
COL Time Capacit Penyelesaian
y n
y
Atkins &
Fixed Deterministik Minimasi total biaya Heuristic
Iyogun (1988)
Johansen &
Markov Decision
Melchiors Fixed Stokastik √ Minimasi total biaya
Theory
(2003)
Tsai, dkk Association
Fixed Deterministik √ Minimasi total biaya
(2009) Clustering Algorithm
Fransiska Variabl
Stokastik Minimasi total biaya Simulasi Diskrit
(2011) e
Putra &
Variabl
Pujawan Stokastik Minimasi total biaya Simulasi Monte Carlo
e The Power of PowerPoint | thepopp.com 37
03
METODOLOGI
PENELITIAN
METODOLOGI PENELITIAN
START METODOLOGI PENELITIAN
PART BRG – VENDOR B Chart of Supplier
Pareto
Periode Jan Feb700Mar Apr May Jun Jul Aug Sep Oct Nov Dec
600 100
Material Scatter
A Plot500Permintaan 2Spare
2 Part
3 pada Matriks 80

Percent
1 400

Part
2Syntetos 60
DESKRIPSIMaterial B 300
3 1
40
PERMASALAHAN 2 Erratic
Material C 1 200 3 3 1 Lumpy
20
100
Material D 4 1 0
2 0
1.5
Material ESupplier
1 SA S A R A1 A
M RA S A S A
M
A
her
I
R KA YA HT E PR N T A NT O RKA T A O
t
S A EJA DO2 S A IU
CV^2
Material F PE R S E
2 PE K
1 RA A KA A S IN NU MA RO RE
Z
A T A
Material G NT T R JA Y JA M A R
E GO 4 DI
L
SA CI IRA T RA A DH TIN AN

478
U I
0.5
0.49 N W CI UD DJA
A A B
GEM DHY Intermittent
Smooth A
0

Part
Part 178 162 138 33 31 26 17 14 24
1 1.32Percent1.5 28.6 26.0 22.2 5.3
2 5.0 4.2 2.7 2.5 2.2 3.9 3
Cum % 28.6 54.6 76.7 ADI
82.0 87.0 91.2 93.9 96.1 100.0
STUDI LITERATUR
Pencarian referensi terkait dengan kebijakan
pengendalian inventory pada spare part termasuk
can-order policy dan metode penyelesaiannya

PENGUMPULAN DATA
Permint
aan Volume Item
Item

Holdin Order
Harga Item g ring
Cost Cost
Stora
Backord Kapasitas
ge
erring Angkut
Cost Capa
Supplier
city
 TAHAP PENGEMBANGAN MODEL MATEMATIS
Model yang dibangun merupakan pengembangan model multiple can-
order level pada can-order policy oleh Nagasawa (2016)
CONSTRAINT:
FUNGSI
CONSTRAINT:
CONSTRAINT: TUJUAN:
Kuantitas
MINIMASI
Can-order VARIABEL
Keseimbangan item
TOTAL
level yang
KEPUTUSAN
CARRIER
tidak dipesan
persediaan
lebih : dari sebesar
untuk
nilaisemua selisihitem
order-up-to dari:level :persediaan dan order-up-to level
yang yt memiliki hubungan
= jumlah angkutan dengan pada item lain terkorelasi
periode ke t : S ij  cij ; i, j
Re-order si level = re-order
tidak lebih level dariTitem i
can-order I
level : i ,t 1  x  I  o  d ; i, t
it it it it
 I Jumlah                q ); i, j , t
j ; iijt, j
Z y
S ij j ,t c1ij d jt o
= can-order
pesanan jt xitem
jt M ( 1
level item
selama q );
ijt j ketika
periode i
INPUT, j ,
waktuitem t
PARAMETER S
idibawah
dipesan
ij I: j ,tkapasitas
1 d jt o angkut
jt x c
jt ij: M (s1
Item
Level
Min
Sij dengan
persediaan leveldari
= order-up-to persediaan
1 suatu level item berada
item tapakah ji ketika pada = atau
item
berada jenis item
di bawah
i dipesan
pada atau can-order
di bawah can-order dan
I re-order level level
bisaoitem
dari
Iit
itdilakukan
: = jumlah pemesanan item i tyang
= inventory level itemx i pada
:1 stockout j
t
t = jenis item yang berhubungan
periode
I
= waktu t perencanaan  vi xit  by t ; t
IJika
j ,x
MINIMASI  d jtTOTAL
t it1 level = ojumlah
jt  Mk
BIAYA order
ijt  c ; 
quantity
PERSEDIAAN
persediaan jatuh pada atau di bawah
ij i ,  jtj ,  M
item i
 tM (r jt  I j ,t q1ijt; 
pada = big-M
i 1
periode d jjt, tto jt  M (1  k ijt )i 1 cij ; i, j , t
re-order level, maka pesanan akan
Jumlah
Total
Ketika rit Biaya
ditempatkan item=persediaan
level =yang
1,: jikashortage
Iit berada dari pada di bawah
setidaknya dit satu
setiap siitempada =item demand
tidak
periode lebih
berada itemtdari
pada i padaatauperiode
permintaan di bawah : ke tre-order
Total pesanan
level, Purchasing 0, otherwise
Cost + Totaltermasuk
ditempatkan Holding vi Costitem+yang =Totalvolume Ordering
level item iCost + Totalberada
persediaannya Backorderring
dibawah
Iatau
i ,t k
Cost 1 ijt pada  1,
d it can-order
= oitjika  IitMr it : s idi
berada
level ;o 
it i ,pi
bawah dit t cij pada
;  i ,  I
t
=i harga  d
,t 1 Iperiodeitem 
it i t it o  M (1  r it )  si ; i, t
Jumlah
Kuantitas item

yang
0,
pesanan

dipesan
otherwise
 
T pada
ditentukan I dari suatu Chi
selisih periode
c Tk
=I holding
order-up-to tidak c cost
melebihi
q level ; item
dan iIinventory
Ti, kapasitas
j , t storage:
levelT : I
q r ; i , j ,

t
Z 2 Iitberada dixbawah   
i 1 Ch  1 item dipesan
cost item i r Co 

ij ijt ij ijt
qijtijtMinit= 1, jika I
px Coi cij, dan = orderring
setidaknya
I pada periode o Cbt
dan
S ii  I i ,t 1  d it  oit  xitt 1 M tambahan  it
pesanan Cbi
i
i 1(1 i 1rit ); i, t
 Gditempatkan
I ; t = back-orderring it  dii 
Sij 
cost 
item
it i i   
it i

it S
t i 1 1ii; i,i I ,t 1 d o x M (1 r ); i , t
    1q t it1 i 1it t 1 iti 1
it
Konstrain q ijt k
variabel; i , j , t
biner dan non-negativity
ijt0, otherwise) b =
ijt kapasitas t
angkut
G i 1 = storage capacity
 TAHAP PENGEMBANGAN ALGORITMA SIMULATED ANNEALING

PERHITUNGAN NILAI OPTIMAL TIAP FUNGSI TUJUAN

Penyelesaian model dengan fungsi tujuan 1 Penyelesaian model dengan fungsi tujuan 2
(Minimasi Total Carrier) | Didapatkan Z1* (Minimasi Total Cost) | Didapatkan Z2*

Item
11
Item 22 33 …
… nn
Item si
11 cS11 cS21 cS31 …
… cS1n1n
MEMBANGUN FUNGSI FITNESS DENGAN1METODE GLOBAL
11 21 31
s1
KRITERIA 22 cS12
12
cS22
22
cS32
32
…
… cS2n2n
 Z1 *  Z1   Z 2 *  Z 22
2 2
s2
Min F    33 cS13  cS23 cS33 …
… cS3n
 Z1 *   Z 2 * 3  13 23 33
s3 3n

…
… …
… …
… …… … …
… … … …

m
cm
Sm1
cm
Sm2
cm
Sm3 …
cSm
m M
PERHITUNGAN NILAI OPTIMAL FUNGSI FITNESSm s … mn

1 2 3 n

Didapatkan Z1** Didapatkan Z2**

 P( E )  e  E / kT

Si+1 = (Si + bilanganrandom * K)

dimana,
i = Iterasi
Si = Nilai decision variable pada iterasi ke i
K = Konstanta pengali bilangan random
VALIDASI MODEL DAN ALGORITMA
Membandingkan antara perhitungan
eksak dan hasil dari uji algoritma.

EKSPERIMEN
Eksperimen dilakukan terhadap set data
studi kasus spare part inventory PT
INALUM (Persero).
 ANALISA DAN INTERPRETASI HASIL
o Analisa performansi waktu komputasi dan kualitas solusi

o Perbandingan kondisi riil perusahaan terhadap hasil optimasi model.

PENARIKAN KESIMPULAN DAN SARAN

END
 DAFTAR PUSTAKA
Arnold, T., Chapman, S. & Clive, L., 2008. Introduction to Materials Management. 6th ed. New
Jersey: Pearson Education, Inc.,.

Balintfy, J. L., 1964. On A Basic Class of Multi-Item Inventory Problems. Manage. Sci., Volume 10,
pp. 287-297.

Ballou, R. H., 2004. Business Logistics / Supply Chain Management. 5th ed. New Jersey:
Pearson/Prentice Hall Inc..

Cohon, J. J. & Marks, D. H., 1975. A review and evaluation of multiobjective programming
techniques. Water Resour. Res 11, pp. 208-220.

Eaves, A. C. & Kingsman, B. G., 2004. Forecasting for the ordering and stockholding of spare
parts. Journal of the Operational Research Society, Issue 55, pp. 431-437.

Federgruen, A., Groenevelt, H. & Tijms, H. C., 1984. Coordinated Replenishment in a Multi-Item
Inventory System with Compund Poisson Demands. Manage. Sci, Volume 30, pp. 344-357.

Fogarty, D. W., Blackstone, J. H. & Hoffmann, T. R., 1991. Production & Inventory Management.
2nd ed. Cincinnati, Ohio: South-Western Publishing Co.. 48
 DAFTAR PUSTAKA
Ghorbel, N. & dkk, 2014. Replenishment Policies in Static and Dynamic Spare Part Inventory
Control: A Survey. IJEDR ISSN: 2321-9939, 2(4).

Heinecke, G., Syntetos, A. A. & Wang, W., 2013. Forecasting-based SKU classification.
International Journal of Production Economics, Issue 143 (2), pp. 455-462.

Jamalnia, A. & Soukhakian, M. A., 2008. A hybrid fuzzy goal programming approach with
different goal priorities. Elseiver Computer & Industrial Engineering, Volume 56.

Nagasawa, K. & Irohara, T., 2016. Multiple Can-order Level for Can-order Policies under Carrier
Capacity and Correlated Demands. J Jpn Ind Manage Assoc 67, pp. 114-123.

Porras, E. & Dekker, R., 2008. A solution method for the joint replenishment problem with
correction factor. International Journal of Production Economics, Issue 113(2), pp. 834-851.

Putra, I. A. & Pujawan, I. N., 2011. Pengendalian Persediaan Spare Part dengan Menggunakan
Can-Ordering Policy Studi Kasus: PT. PJB Unit Pembangkitan Gresik, Surabaya: Jurusan
Teknik Industri Institut Teknologi Sepuluh Nopember.
49
 DAFTAR PUSTAKA
Ramaekers, K. & Janssens, G. K., 2014. Optimal Policies for Demand Forecasting and Inventory
Management of Goods with Intermittent Demand. Journal of Applied Operational Research
6(2), pp. 111-123.
Santosa, B. & Willy, P., 2011. Metoda Metaheuristik Konsep dan Implementasi. 1st Edition ed.
Surabaya: Prima Printing.
Sipper, D. & Bulfin, R., 1997. Production: Planning, Control, and Integration. United States of America:
The McGraw-Hill Companies, Inc.
Syntetos AA, B. J. d. C. J., 2005. On the Categorization of Demand Patterns. J Opl Res Soc 56: 495–
503.
Tabucanon, M. T., 1988. Multiple Criteria Decision Making in Industry. Amsterdam: Elsevier.
Vollmann, T. E., Berry, W. L. & Whybark, D. C., 1997. Manufacturing Planning and Control System 4th
Edition. United States of America: The McGraw-Hill Companies, Inc.
Vrat, P., 2014. Materials Management, Springer Texts in Business and Economics. DOI 10.1007/978-81-
322-1970-5_2 ed. India: Springer India.
Williams, T. M., 1984. Stock control with sporadic and slow-moving demand. Journal of the
Operational Research Society, 35(10), pp. 939-948. 50
 TERIMA
KASIH.
 KLASIFIKASI DEMAND
AVERAGE DEMAND INTERVAL

Rata-rata interval antara dua

permintaan di periode yang
berbeda

SQUARED COVARIANCE
Mengukur besarnya variabilitas
terhadap rata-rata

52
 INVENTORY
REPLENISHMENT POLICY :
POLICY
(s, Q) Policy : Ketika posisi persediaan berada di bawah atau tepat di reorder point s, pesanan
ditempatkan dengan kuantitas yang tetap Q.
(s, S) Policy : Ketika posisi persediaan berada di bawah atau tepat di reorder point s, order
ditempatkan dengan kuantitas tertentu hingga mencapai posisi order-up-to level S.
(T, S) Policy : Posisi persediaan dilakukan review pada interval waktu T, dengan setiap review
menempatkan pesanan dengan kuantitas tertentu hingga mencapai posisi order-up-to level S.
(T, s, S) Policy : Posisi persediaan dilakukan review pada interval waktu T, dengan setiap review
menempatkan pesanan dengan kuantitas tertentu hingga mencapai posisi order-up-to level S dan
dilihat berdasarkan titik reorder point s.

T : Periodicity
Fixed Variable
Q : Quantity
Fixed - (s,Q)
53
 JOINT REPLENISHMENT POLICY
• Menghemat purchasing cost per unit.
• Menghemat biaya transportasi. Supplier yang
awalnya mengirimkan item secara individu item
dapat dilakukan dengan mengirim kelompok
item.
• Menghemat biaya pemesanan. Untuk
mengurangi biaya pemesanan, item
dikelompokkan kedalam satu grup
Memudahkan penjadwalan.
• Pengelolaan pesanan yang terkoordinasi akan
memberikan kemudahan penjadwalan waktu 54
 CAN-ORDER POLICY

“Ketika level persediaan dari suatu item berada dibawah

s, pesanan ditempatkan pada level persediaan item
tersebut mencapai S. Untuk item lain yang level
persediannya dibawah c, maka pesanan akan
ditempatkan pada level persediaan mencapai S.”
55
MULTIPLE CAN-ORDER LEVEL PADA CAN-ORDER POLICY

Minimasi Jumlah Carrier

Minimasi Jumlah Stockout

Minimasi Total Persediaan

56
 OPTIMASI
Optimasi

Kombinat
Kontinu
orial

Aproksim
Linear Kuadratik Non-linear Eksak
asi

Lokal Global

Klasik Metaheuristik Heuristik

Populatio
Neighborhood
n based

Tabu
Search

SA 57
 SIMULATED ANNEALING

METAHEURISTIk
Metode pencarian solusi yang memadukan interaksi antara prosedur
pencarian local untuk menciptakan proses yang mampu keluar dari
local optima dengan pencarian solusi untuk menemukan solusi global

Menggunakan Bilangan random

Tidak menggunakan perhitungan gradien
Pengaturan nilai parameter sulit ditentukan

58
 SIMULATED ANNEALING

KELEBIHAN
Pada masalah dengan ukuran data yang besar, SA lebih cepat menemukan
solusi optimal dibandingkan Population based
Terhidar dari terjebak di Local Optima dengan menerima solusi yang lebih
buruk
Input parameter yang ditentukan lebih sedikit daripada Metode lain

59
 GLOBAL KRITERIA

p
K
 f l ( x*)  f l ( x) 
Min F   
l 1  f l ( x*) 
Jika p = 1, maka besar kecilnya nilai penyimpangan diberi nilai
yang sama menjadi fungsi linear

Jika p > 1, maka fungsi akan mendahulukan penyimpangan

yang lebih besar sebagai entering variable menjadi fungsi
quadratic.

60
 TERIMA
KASIH.