Permintaan Optimalisasi Pengertian Sistem

13

2.2. Permintaan

Menurut Pujawan 2005, p85, permintaan terhadap barang atau jasa adalah awal dari semua kegiatan supply chain. Kegiatan produksi, pengiriman, perancangan produk dan pembelian material dilaksanakan dengan tujuan untuk memenuhi kebutuhan atau permintaan terhadap barang atau jasa dari pihak konsumen. Pada hampir semua situasi riil, besar dan waktu permintaan terhadap barang atau jasa tidak mudah diketahui sebelum terjadi. Di sisi lain, banyak aktivitas yang sudah harus dikerjakan sebelum permintaan atau kebutuhan dari konsumen teridentifikasi dengan pasti. Pada perusahaan yang berproduksi dengan sistem make to stock, kegiatan produksi, pembelian material, dan pengiriman produk ke toko atau tempat penjualan dilakukan sebelum perusahaan mengetahui jumlah produk yang akan terjual di masing- masing toko atau tempat penjualan. Pada sistem produksi make to order, beberapa aktivitas seperti perakitan akhir dan pembuatan komponen memang bisa ditunda sampai ada permintaan definitif, namun tetap sebagian aktivitas seperti penyediaan bahan baku dan kapasitas dilakukan atas dasar perkiraan atau peramalan. Dengan demikian, boleh dikatakan tidak ada perusahaan yang bisa menghindar dari kegiatan memperkirakan atau meramalkan permintaan untuk keperluan perencanaan aktivitas-aktivitas yang harus dilakukan sebelum permintaan definitif datang dari konsumen.

2.3. Peramalan

Menurut Heizer dan Render 2009, p162, peramalan forecasting adalah seni dan ilmu untuk memperkirakan kerjadian di masa depan. Hal ini dapat 14 dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Hal tersebut juga merupakan prediksi intuisi yang bersifat subjektif. Atau dapat pula menggunakan kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang manager. Sedangkan menurut Hastarita 1984 pada Assauri 2008, Peramalan merupakan bagian awal dari suatu proses pengambilan suatu keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa sebenarnya persoalan dalam pengambilan keputusan itu. Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau beberapa produk pada periode yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan guess, tetapi dengan menggunakan teknik-teknik tertentu, maka peramalan menjadi lebih sekedar perkiraan. Peramalan dapat dikatakan perkiraan yang ilmiah educated guess. Setiap pengambilan keputusan yang menyangkut keadaan di masa yang akan datang, maka pasti ada peramalan yang melandasi pengambilan keputusan tersebut. Pujawan 2005, p87 menyatakan bahwa peramalan permintaan adalah kegiatan untuk mengestimasi besarnya permintaan terhadap barang barang atau jasa tertentu pada suatu periode dan wilayah pemasaran tertentu. Ramalan yang tidak akurat bisa menimbulkan berbagai permasalahan pada supply chain. Kelebihan pasokan produk ke satu wilayah sementara kekurangan di wilayah lain, kelebihan di suatu periode tetapi kekurangan di periode lain, atau kelebihan di produk A sementara kekurangan produk B, dan sebagainya membuat service level yang rendah maupun ongkos-ongkos persediaan yang tinggi. Oleh karena itu untuk 15 meningkatkan efisiensi maupun efektifitas pada supply chain diperlukan cara-cara yang tepat untuk meningkatkan akurasi peramalan permintaan. Peningkatan akurasi bisa dilakukan dengan menggunakan metode peramalan yang lebih baik, mencari data yang lebih komprehensif, melakukan kolaborasi dengan pihak-pihak lain pada supply chain, serta memilih tingkat agregasi yang tepat untuk tiga dimensi, yaitu wilayah, waktu dan produk. Kegiatan peramalan memiliki peran yang sangat kritis pada supply chain. Hanya saja, walaupun ramalan dilakukan dengan baik dan hasilnya akurat, supply chain tidak dijamin bisa memenuhinya dengan efektif dan efisien. Hal ini terutama terjadi kalau permintaan memiliki pola yang fluktuatif. Walaupun fluktuasinya bisa diprediksi dengan baik, biaya-biaya yang muncul pada supply chain bisa cukup besar bila fluktuasinya tinggi. Oleh karena itu, disamping upaya untuk secara reaktif meramalkan permintaan dan merespon hasil ramalan apapun polanya, supply chain harus lebih proaktif mencoba membuat pola permintaan tersebut lebih stabil sehingga mudah untuk dipenuhi. Menurut Santoso 2009, p7 definisi peramalan sebenarnya beragam, berikut beberapa definisi mengenai peramalan: ƒ Perkiraan munculnya sebuah kejadian di masa depan, berdasarkan data yang ada di masa lampau. ƒ Proses menganalisis data historis dan data saat ini untuk menentukan trend di masa mendatang. ƒ Proses estimasi dalam situasi yang tidak diketahui. ƒ Pernyataan yang dibuat tentang masa depan. ƒ Penggunaan ilmu dan teknologi untuk memperkirakan situasi di masa depan. 16 ƒ Upaya sistematis untuk mengantisipasi kejadian atau kondisi di masa depan. Dari beberapa definisi di atas, dapat disimpulkan bahwa peramalan berkaitan dengan upaya memperkirakan apa yang terjadi di masa depan, berbasis pada metode ilmiah ilmu dan teknologi serta dilakukan secara sistematis. Walaupun demikian, kegiatan forecasting tidaklah semata-mata berdasarkan prosedur ilmiah atau terorganisir, karena ada kegiatan peramalan yang menggunakan intuisi perasaan atau lewat diskusi informal dalam sebuah grup. Berikut beberapa ciri sebuah kegiatan peramalan, yaitu: 1. Berfokus pada data di masa lalu. 2. Bertujuan untuk menguji perkembangan saat ini dan relevansinya di masa mendatang. 3. Metode yang digunakan adalah proyeksi berdasarkan ilmu statistik, diskusi, dan review program. 4. Frekuensinya bersifat regular teratur. 5. Hasil peramalan tidak sekedar akurasi, namun bersifat pembelajaran. Dari kriteria diatas, terlihat bahwa peramalan adalah kegiatan yang bersifat teratur, berupa memprediksi masa depan dengan menggunakan tidak hanya metode ilmiah, namun juga mempertimbangkan hal-hal yang bersifat kualitatif, seperti perasaan, pengalaman seseorang dan lainnya. 17

2.3.1. Meramalkan Horizon waktu

Heizer dan Render 2009, p163 mengatakan bahwa peramalan biasanya diklarifikasikan berdasarkan horizon waktu masa depan yang dilingkupinya. Horizon waktu terbagi menjadi beberapa kategori: 1. Peramalan Jangka Pendek Peramalan ini meliputi jangka waktu hingga satu tahun, tetapi umumnya kurang dari tiga bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi. 2. Peramalan Jangka Menengah Peramalan jangka menengah atau intermediate umumnya mencakup hitungan bulan hingga tiga tahun. Peramalan ini bermanfaat untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas, serta menganalisis bermacam-macam rencana operasi. 3. Peramalan Jangka Panjang Umumnya untuk perencanaan masa tiga tahun atau lebih. Peramalan jangka panjang digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian dan pengembangan litbang.

2.3.2. Jenis Peramalan

Organisasi pada umumnya menggunakan tiga tipe peramalan yang utama dalam perencanaan operasi di masa depan Heizer, dan Render, 2009, p164: 18 1. Peramalan ekonomi economis forecast menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indicator perencanaan lainnya. 2. Peramalan teknologi techonological forecast memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru. 3. Peramalan permintaan demand forecast adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan ini disebut juga peramalan penjualan, dimana mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.

2.3.3. Pendekatan Dalam Peramalan

Menurut Heizer dan Render 2009, p167, terdapat dua pendekatan umum peramalan, yaitu: 1. Peramalan kuantitatif quantitative forecast, adalah peramalan yang menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan. 2. Peramalan subjektif atau kualitatif qualitative forecast, adalah peramalan yang menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal. 19

2.3.4. Metode Peramalan Kuantitatif

Heizer dan Render 2009, p167, menguraikan metode peramalan secara kuantitatif meliputi: ƒ Dekomposisi ƒ Pendekatan naif Pendekatan naif merupakan metode peramalan yang paling sederhana, dimana metode ini mengasumsikan bahwa permintaan pada periode mendatang akan sama dengan permintaan pada periode terakhir. Pendekatan ini sesuai untuk beberapa jenis produk dan merupakan model peramalan objektif yang paling efektif dan efisien dari segi biaya. Pendekatan ini memberikan titik awal untuk perbandingan dengan model lain yang lebih berkembang. ƒ Rata-rata bergerak Moving Average Metode ini sangat bermanfaat apabila kita dapat membuat asumsi bahwa permintaan demand cenderung stabil sepanjang tahun. Rumus metode rata-rata bergerak adalah: Dimana n adalah jumlah periode yang digunakan dalam metode rata- rata bergerak. ∑ permintaan data n peride sebelumnya n 20 ƒ Rata-Rata Bergerak Tertimbang Weighted Moving Average Apabila terdapat pola atau tren maka bobot timbangan bisa digunakan untuk menempatkan lebih banyak tekanan pada nilai baru. Hal tersebut membuat teknik ini lebih responsif terhadap perubahan karena periode yang lebih baru mungkin mendapatkan bobot yang lebih besar. Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkannya. Oleh karena itu, pemutusan bobot mana yang akan digunakan membutuhkan pengalaman. Jika bulan atau periode terakhir diberi bobot yang terlalu berat, peramalan dapat mencerminkan perubahan yang terlalu cepat dan yang tidak biasa pada permintaan atau pola penjualan. Rata-rata bergerak tertimbang ditunjukkan secara matematis dengan: ƒ Penghalusan Eksponensial Exponential Smoothing Penghalusan eksponensial merupakan metode peramalan rata-rata bergerang tertimbang yang canggih, namun relatif mudah dipergunakan. Metode ini tidak memerlukan input data yang sangat banyak. Rumus penghalusan eksponensial dasar dapat ditunjukkan sebagai berikut: ∑ Bobot untuk periode n Permintaan dalam perode n ∑ Bobot 21 dimana adalah sebuah bobot, atau konstanta penghalusan smoothing constant yang mempunyai nilai antara 0 dan 1. Persamaan untuk metode penghalusan eksponensial dapat juga ditulis secara matematis sebagai berikut : dimana, = peramalan periode mendatang = peramalan periode sebelumnya = konstanta penghalusan 0 ≤ ≤1 = permintaan aktual peride sebelumnya Konstanta penghalusan umumnya antara 0,05 sampai 0,50 untuk aplikasi bisnis. Konstanta penghalusan dapat diubah untuk memberikan bobot yang lebih besar pada data sekarang saat tinggi atau bobot yang lebih pada data masa lalu saat rendah. Yang pasti, periode masa lalu menurun dengan cepat ketika meningkat. ƒ Penghalusan Eksponensial dengan Penyesuaian Tren Exponential Smoothing Adjusted for Trend : Holt’s Method Medote peramalan ini merupakan pengembangan dari metode penghalusan eksponensial, dimana metode ini dapat memberikan respon terhadap tren yang terjadi. Rumus penghalusan eksponensial dengan penyesuaian tren dapat ditunjukkan sebagai berikut: 22 Pada penghalusan eksponensial dengan penyesuaian tren, estimasi rata- rata maupun tren dihaluskan. Prosedur ini membutuhkan dua konstanta penghalusan, untuk rata-rata data penghalusan eksponensial dan β untuk tren. Terdapat tiga langkah dalam menghitung peramalan dengan penyesuaian tren, yaitu: Langkah 1: menghitung , peramalan eksponensial yang dihaluskan untuk periode t. Langkah 2: menghitung trens yang dihaluskan, . Langkah 3: menghitung peramalan dengan tren, . Persamaan yang digunakan untuk menghitung peramalan eksponensial yang dihaluskan sebagai berikut: atau Persamaan yang digunakan untuk menghitung tren yang dihaluskan adalah: 1 1 23 atau dimana: = peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode t = tren dengan eksponensial yang dihaluskan pada periode t = permintaan aktual pada periode t = konstanta penghalusan untuk rata-rata 0 ≤ ≤1 = konstanta penghalusan untuk tren 0 ≤ ≤1 Nilai konstanta penghalusan tren menyerupai konstanta , karena yang tinggi lebih tanggap terhadap perubahan tren. yang rendah memberikan bobot yang rendah kepada tren terbaru dan cenderung memperhalus tren sekarang. Nilai dapat ditentukan dengan pendekatan uji coba, dengan MAD digunakan sebagai ukuran pembanding. Penghalusan eksponensial sederhana sering disebut sebagai penghalusan tingkat pertama first-order smoothing dan penghalusan dengan penyesuaian tren disebut sebagai penghalusan tingkat kedua second-order atau double smoothing. 1 1 24 ƒ Proyeksi tren Trend Projection ƒ Regresi Linear Linear Regression causal model Analisis regresi linier dapat diperoleh dengan menggunakan model matematis pada metode kuadrat terkecil dari proyeksi tren. Variabel terikat yang diramalkan tetap sama, dan variabel bebas yang digunakan dapat berupa variabel lain selain waktu. Persamaan regresi linier adalah: dimana: = nilai terhitungdari variabel yang akan diprediksi disebut variabel terikat = persilangan sumbu y = kemiringan garis regresi tingkat perubahan pada y untuk perubahan yang terjadi di x = variabel bebas Nilai dan untuk setiap garis regresi ditentukan dengan persamaan: ∑ ∑ ∑ 25 Keterangan : = tanda penjumlahan total = nilai variable bebas yang diketahui = nilai variable terkait yang diketahui = rata-rata nilai = rata-rata nilai n = jumlah data atau pengamatan Metode peramalan kuantitatif terdiri dari peramalan deret waktu time series dan peramalan sebab akibatkausal causal. Kedua metode kuantitatif ini mendasarkan peramalannya adalah pada data masa lalu dengan menggunakan prediktor untuk masa mendatang. Dengan mengelola data masa lalu maka akan diperoleh suatu hasil peramalan. Metode peramalan kuantitatif dibagi menjadi dua, yaitu: a. Peramalan deret waktu time series Peramalan ini dilakukan berdasarkan data-data dari suatu produk yang sudah ada sebelumnya, kemudian dianalisa pola datanya apakah berpola trend atau musiman maupun berbentuk siklus. Metode-metode yang dapat dipergunakan dalam hal ini dapat berupa rata-rata bergerak moving average, penghalusan eksponensial exponential smoothing, model matematika, dan metode Box-Jenkis. ∑ 26 ∑ | | b. Peramalan sebab-akibat kausal causal Peramalan ini dilakukan berdasarkan data yang sudah ada sebelumnya, tetapi mempergunakan data dari variabel lain yang menentukan atau mempengaruhinya pada masa depan, seperti penduduk, pendapatan, dan kegiatan ekonomi.

2.3.5. Menghitung Kesalahan Peramalan

Menurut Heizer dan Render, terdapat beberapa perhitungan yang biasa dipergunakan untuk menghitung kesalahan peramalan forecast error total. Perhitungan ini dapat dipergunakan untuk membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan guna memastikan peramalan berjalan dengan baik. Dua teknik perhitungan yang paling terkenal adalah deviasi rata-rata absolut mean absolute deviation – MAD dan kesalahan rata-rata kuadrat mean squared error – MSE 1. Deviasi Rata-rata Absolut Mean Absolute Deviation – MAD MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari kesalahan peramalan dibagi dengan jumlah periode data n. 27 2. Kesalahan Rata-rata Kuadrat Mean Squared Error – MSE MSE merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rat-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati. Kekurangan penggunaan MSE adalah bahwa ia cenderung menonjolkan deviasi yang besar karen adanya pengkuadratan. Berdasarkan Nachrowi dan Hardius 2004, p239, menyatakan bahwa membandingkan kesalahan peramalan adalah suatu cara sederhana, apakah suatu teknik peramalan tersebut patut dipilih untuk digunakan sebagai indicator apakah suatu teknik peramalan cocok digunakan atau tidak. Dan teknik yang mempunyai MSE terkecil merupakan ramalan yang terbaik. Sedangkan menurut Gaspers 2005, p80 dalam bukunya menyebutkan akurasi peramalan akan semakin tinggi apabila nilai-nilai MAD dan MSE semakin kecil. Dan menurut Rangkuti 2005, p70 menyatakan keharusan untuk membandingkan perhitungan yang memiliki nilai MAD paling kecil, karena semakin kecil nilai MAD berarti semakin kecil pula perbedaan antara hasil peramalan dan nilai aktual. ∑ 28

2.3.6. Pengawasan dan Pengendalian Peramalan

Heizer dan Render 2006, p172 menyatakan bahwa salah satu cara untuk mengawasi peramalan berjalan dengan baik adalah dengan menggunakan sebuah sinyal penelusuran tracking signal. Sinyal penelusuran adalah sebuah perhitungan seberapa baik peramalan mempresiksi nilai aktual. Sejalan dengan peramalan yang diperbarui setiap minggu, bulan atau kuartal, data permintaan baru yang tersedia dibandingkan dengan nilai peramalan. Sinyal penelusuran dihitung sebagai running sum of the forecast errors RSFE dibagi dengan mean absolute deviation MAD: dimana Sinyal penelusuran positif menandakan permintaan lebih besar dari peramalan. Sinyal penelusuran yang bagus adalah yang memiliki RSFE rendah. Kecenderungan konsisten peramalan untuk bisa lebih besar atau lebih kecul dari nilai aktual yaitu, untuk RSFE tinggi disebut sebagai kesalahan bias. Bias artinya sebuah peramalan yang secara konsisten lebih tinggi atau lebih rendah dari nilai aktual pada satu kurun waktu. Sinyal penelusuran dihitung dan dibandingkan untuk menetapkan batas kendali. Geoge Plossl dan Oliver Wight adalah pakar pengendali 29 persediaan, telah menyarankan menggunakan maksimum ± 4 MAD untuk produk dengan persediaan tinggi, dan ± 8 MAD.

2.3.7. Karakteristik Peramalan

Menurut Nasution 2003, p28, peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain: 1. Akurasi Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan konsistensi peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. 2. Biaya Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang digunakan. 3. Kemudahan Penggunaan metode peramalan yang sederhana, mudaha dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.

2.3.8. Sifat Hasil Peramalan

Pada Nasution 2003, p23 mengungkapkan bahwa dalam membuat peramalan atau menerapkan hasil suatu permalan, maka ada beberapa hal yang harus dipertimbangkan, yaitu: 30 1. Peramalan pasti mengandung kesalahan, artinya peramalan hanya dapat mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut. 2. Peramalan seharusnya memberikan informasi tentang berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka adalah penting bagi peramalan untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi. 3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka panjang. Hal ini disebabkan karena faktor-faktor yang mempengaruhi permintaan pada peramalan jangka pendek relatif masih konstan, sedangkan semakin panjang periode peramalan, maka semakin besar pula kemungkinan terjadinya perubahan faktor-faktor yang mempengaruhi permintaan.

2.4. Optimalisasi

Menurut Kamus Besar Bahasa Indonesia, optimalisasi adalah proses atau cara untuk menjadikan paling baik, paling tinggi, paling menguntungkan, dan sebagainya. Hasil dari optimalisasi disebut hasil yang optimal. Dalam penelitian ini, optimalisasi yang ingin dicapai adalah optimalisasi rute. Optimalisasi rute adalah proses mencari rute yang paling baik dengan mempertimbangkan kapasitas kendaraan dan jarak tempuh dari beberapa alternatif yang ada. 31

2.5. Penentuan Rute dan Jadwal Pengiriman

Menurut Pujawan 2005, p179 salah satu keputusan operasional yang sangat penting dalam manajemen distribusi adalah penentuan jadwal serta rute pengiriman dari satu lokasi ke beberapa lokasi tujuan. Keputusan seperti ini sangat penting bagi mereka yang harus mengirimkan barang dari satu lokasi misalnya gudang regional ke berbagai toko yang tersebar di sebuah kota. Keputusan jadwal pengiriman serta rute yang akan ditempuh oleh tiap kendaraan akan sangat berpengaruh terhadap biaya-biaya pengiriman. Namun demikian, biaya bukanlah satu-satunya faktor yang perlu dipertimbangkan dalam proses pengiriman. Mungkin perusahaan juga memiliki target bahwa tiap konsumen di sebuah tempat harus sudah mendapatkan pesanannya selambat-lambatnya dalam batas waktu tertentu. Dengan kata lain, ada constraint kendala waktu yang sering dinamakan time window. Di samping itu, jadwal dan rute sering kali juga harus mempertimbangkan kendala lain seperti kapasitas kendaraan atau armada pengangkutan. Secara umum permasalahan penjadwalan dan penentuan rute pengiriman bisa memiliki beberapa tujuan yang ingin dicapai seperti tujuan untuk meminimumkan biaya pengiriman, meminimumkan waktu, atau meminimumkan jarak tempuh. Dalam bahasa pemrograman matematis, salah satu dari tujuan tersebut bisa menjadi fungsi tujuan objective function dan yang lainnya menjadi kendala constraint. Misalnya, fungsi tujuannya adalah meminimumkan biaya pengiriman, namun ada kendala time window dan kendala maksimum jarak tempuh tiap kendaraan, di samping kendala lain seperti kapasitas kendaraan atau kendala lainnya. 32 Dalam penentuan rute pengiriman, pekerjaan pertama yang harus dilakukan adalah menentukan alokasi kendaraan, sebagai contoh digunakan truk sebagai alat pengiriman. Artinya, perlu diketahui truk mana yang akan mengunjungi toko yang mana. Tahap kedua nantinya adalah menentukan rute perjalanan masing-masing truk.

2.5.1 Metode untuk Penentuan Rute dan Jadwal Pengiriman

Menurut Maulity 2008, setelah mengetahui hasil ramalan permintaan baru bisa menganalisis distribusi awalnya. Dalam menganalisis diperlukan data-data. Data yang diperlukan untuk analisis pemecahan masalah adalah dengan mengadakan survei langsung pada objeknya untuk mendapatkan data yang relevan dengan masalah yang diteliti. Selanjutnya dilakukan pengolahan data untuk menentukan distribusi dan data parameternya dalam menghasilkan solusi optimal. Salah satu metode yang dapat digunakan untuk pengolahan adalah savings matrix. Metode savings matrix Pujawan, 2005 p180 pada hakekatnya adalah metode untuk meminimumkan jarak atau waktu atau ongkos dengan mempertimbangkan kendala-kendala yang ada. Digunakan jarak sebagai fungsi tujuan apabila diketahui koordinat tujuan pengiriman, lalu jarak yang akan ditempuh oleh semua kendaraan akan diminimumkan. Langkah- langkah yang harus dikerjakan adalah sebagai berikut : 1. Mengidentifikasi matrik jarak. Pada langkah ini perlu diketahui jarak antara gudang perusahaan ke masing-masing toko dan jarak antar toko. Dengan 33 mengetahui koordinat masing-masing lokasi maka jarak antar dua lokasi dapat dihitung dengan menggunakan rumus jarak standar. Misalkan dua lokasi masing-masing diketahui dengan koordinat dan maka jarak antara dua lokasi tersebut adalah : Dengan rumus tersebut dapat diketahui jarak antara gudang perusahaan dengan masing-masing toko dan antara toko yang satu dengan toko yang lainnya. Hasil perhitungan jarak tersebut kemudian akan digunakan untuk menentukan matrik penghematan savings matrix yang akan dikerjakan pada langkah berikutnya. 2. Mengidentifikasi matrik penghematan savings matrix Pada awal langkah ini diasumsikan bahwa setiap toko akan dikunjungi oleh satu truk secara eksklusif. Maka akan ada penghematan yang akan diperoleh jika dua atau lebih rute bila digabungkan menjadi satu rute. Savings matrix merepresentasikan penghematan yang bisa direalisasikan dengan menggabungkan dua toko konsumen ke dalam satu rute. Apabila masing-masing toko 1 dan toko 2 dikunjungi secara terpisah maka jarak yang dilalui adalah jarak dari gudang perusahaan ke toko 1 dan dari toko 1 balik ke gudang perusahaan ditambah dengan jarak dari gudang perusahaan ke toko 2 dan kemudian balik ke gudang. Misalkan toko 1 dan toko 2 digabungkan ke dalam satu 34 rute maka jarak yang dikunjungi adalah dari gudang perusahaan ke toko 1 kemudian ke toko 2 dan dari toko 2 balik ke gudang perusahaan. Gambar 2.1 mengilustrasikan perubahan tersebut. Gambar 2.1 Perubahan yang Terjadi Dengan Mengkonsolidasikan Toko 1 dan Toko 2 ke Dalam Satu Rute Sumber : Supply Chain Management, I Nyoman Pujawan Melalui Gambar 2.2 dapat dilihat bahwa perubahan jarak penghematan adalah sebesar total jarak kiri dikurangi total jarak kanan yang besarnya adalah : Hasil ini diperoleh dengan asumsi bahwa jarak x, y sama dengan jarak y, x. Hasil di atas bisa digeneralisasikan sebagai berikut : Sx,y = J G,x + JG,y – Jx,y, dimana Sx,y adalah penghematan jarak savings yang diperoleh dengan menggabungkan rute x dan y menjadi satu. Dengan menggunakan formula tersebut maka matrik penghematan jarak bisa dihitung untuk semua toko dan hasilnya dapat dibuat dalam suatu tabel matrik penghematan jarak. 35 3. Mengalokasikan konsumen dalam rute perjalanan kendaraan Pada tahapan ini, dilakukan pembagian konsumen ke dalam suatu rute perjalanan kendaraan dengan mempertimbangkan konsumen dan kapasitas kendaraan yang digunakan. Sebuah rute dikatakan feasible apabila jumlah permintaan total dari semua konsumen tidak melebihi kapasitas kendaraan dan jumlah permintaan dari satu konsumen dapat ditampung secara keseluruhan oleh satu kendaraan. Prosedur yang digunakan untuk pengelompokkan konsumen yaitu berdasarkan nilai saving matriks terbesar. Jadi, pertama-tama mengurutkan nilai saving matriks yang terbesar sampai kapasitas kendaraan yang digunakan dapat menampung semua permintaan. Apabila kapasitas sudah maksimal, maka prosedur tersebut akan berulang sampai semua konsumen teralokasi dalam suatu rute perjalanan. 4. Mengurutkan toko tujuankonsumen dalam rute yang sudah terdefinisi Tahap ini merupakan tahap akhir dari metode saving matrix. Tujuan dari tahapan ini adalah mengurutkan kunjungan dari kendaraan ke setiap konsumen yang sudah dikelompokkan dalam suatu rute perjalanan agar dapat diperoleh jarak yang minimal. Berikut adalah beberapa cara yang digunakan untuk pengurutan kunjungan: 36 a Farthest Insert Prosedur ini dilakukan dengan melakukan penambahan konsumen dalam sebuah rute perjalanan. Prosedur ini dimulai dari penentuan rute kendaraan ke konsumen yang memiliki jarak yang paling jauh. Kemudian prosedur ini akan terus berulang hingga semua konsumen masuk ke dalam rute perjalanan. b Nearest Insert Prosedur ini merupakan kebalikan dari farthest insert dimana prosedur ini dimulai dari penentuan rute kendaraan ke konsumen yang memiliki jarak yang paling dekat. Kemudian prosedur ini akan terus berulang hingga semua konsumen masuk ke dalam rute perjalanan. c Nearest Neighbour Prosedur ini memulai rute kendaraannya dari jarak yang paling dekat dengan depot. Kemudian rute selanjutnya yaitu konsumen yang paling dekat dengan konsumen pertama yang sudah dikunjungi. Prosedur ini akan terus berulang sampai semua konsumen masuk ke dalam rute perjalanan.

2.6. Pengertian Sistem

Menurut McLeod 2001, p11, sistem merupakan sekelompok elemen yang terintegrasi dengan maksud yang sama untuk mencapai suatu tujuan. Contoh suatu organisasi atau bidang fungsional cocok untuk menggambarkan ini, dimana 37 organisasi terdiri dari bidang-bidang fungsional yang semuanya mengacu pada tercapainya tujuan organisasi yang telah ditetapkan. Sedangkan menurut O’Brien 2003,p8, sistem adalah sekelompok yang terintegrasi dan bekerja sama untuk mencapai tujuan yang sama dengan menerima masukan inputs dan menghasilkan keluaran outputs dalam sebuah proses transformasi yang terorganisir dengan baik.

2.7. Pengertian Informasi