Inventory control is crucial for balancing customer demand and inventory levels, especially in make-to-order production systems like those in refrigeration manufacturing. This study addresses the challenges faced by a company producing sandwich panels, where inefficiencies in inventory processing led to overstock and outstock issues. By applying the fuzzy inventory control method using Python, the study aimed to optimize inventory levels. The results showed a 6% reduction in inventory, from 191,307 m² to 182,619.4627 m², demonstrating the method's effectiveness. This approach can improve inventory management in similar industrial settings, aligning production with demand and reducing excess inventory.
Inventory control; Fuzzy logic; Optimization; Production management; Industrial engineeringPendahuluan
Panel sandwich merupakan produk inovasi bahan bangunan berupa dinding pracetak yang terdiri dari lapisan inti (core) dan lapisan kulit (skin). Dengan material inti polyurethane yang terbuat dari bahan liquid A, liquid B, Cat dan CP dengan cara injeksi hingga menghasilkan bentuk panel sandwich. memiliki standart label ramah lingkungan[1], fleksibelitas dalam desain[2], dengan berat relative ringan dan cocok dengan wilayah rawan gempa[3]. Hal penting yang perlu diperhatikan dalam suatu perusahaan yakni persediaan, karena suatu sistem produksi bisa dikatakan efektif dan efisien jika memiliki persediaan yang mampu memenuhi permintaan dengan baik. Persediaan berupa stok yang masih dalam keadaan barang yang belum terpakai dengan jumlah yang minimal[4]. Berguna untuk memperlancar jalannya operasi produksi yang optimum. Memenuhi kebutuhan baik jumlah, mutu, dan waktu dengan biaya yang rendah[5]. Dalam penyimpanan komoditas yang akan digunakan untuk memenuhi permintaan dari waktu ke waktu[6].
Kesulitan dalam pengolahan dan pengendalian persediaan di gudang yang mengakibatkan terjadinya kelebihan stok (overstock) dan kekurangan panel (outstock) terhadap permintaan mempengaruhi efektifitas penyimpanan di gudang. Untuk mengantisipasi adanya fluktuasi pada permintaan, agar tidak terjadi kekurangan persediaan bisa melakukan pemesanan bahan yang membutuhkan waktu dengan jangka waktu yang tidak dapat diprediksi sampai barang datang[7]. Persiapan pengaman yang ditambahkan dalam suatu pembelian persediaan digunakan sebagai penjagaan atas permintaan dengan lead time yang tidak menentu[8]. Fungsi permintaan secara umum ada pada hubungan antara jumlah yang diminta dengan faktor- faktor yang mempengaruhi dalam waktu tertentu[9]. Dapat menunjukkan tingkatan hubungan antara harga dan kualitas barang atau jasa yang ditawarkan[10].
Penelitian mengenai permasalahan terkait persediaan telah banyak dilakukan oleh para peneliti – peneliti sebelumnya seperti terjadinya kekurangan bahan baku akibat adanya fluktuasi permintaan, berdasarkan pada penggunaan penyelesaian dengan metode fuzzy inventory control menghasilkan penghematan total biaya pengendalian persediaan sebesar 14,97%[11]. Kelebihan produksi pada gudang akibat belum dapat menganalisis optimasi dari produksi, menghasilkan optimasi jumlah pengadaan barang menggunakan algoritma fuzzy metode Tsukamoto didapatkan data permintaan dan persediaan untuk data produksi optimum mencapai 2981 buah/hari[12]. Pengambilan keputusan dalam ketidakpastian permintaan di setiap periode membutuhkan perencanaan persediaan bahan baku agar prosses produksi lancar dan mampu menekan biaya persediaan, hasil MAPE data peramalan perusahaan sebesar 24,5% sedangkan penyelesaian metode Fuzzy Inventory Tsukamoto sebesar 23,25%[13]. Untuk menangani pengadaan persediaan barang hingga mencapai nilai optimum dalam jumlah pesanan untuk persediaan pada sub region menggunakan metode fuzzy mamdani dapat meningkatkan efisiensi dalam jumlah pesanan, hingga dapat mempengaruhi harga barang dan nilai inventory gudang dalam jangka waktu yang lebih terukur[14]. Mendukung sistem pengambilan keputusan dalam menentukan jumlah tahu yang diproduksi menggunakan metode fuzzy tsukamoto mampu memberikan solusi baru mengenai cara menentukan jumlah tahu yang akan diproduksi yang lebih optimal dan efektif sehingga dapat mengurangi kerugian dan sesuai dengan pemesanan yang ada[15].
Logika Fuzzy adalah ilmu yang mempelajari ketidakpastian yang bisa digunakan untuk membantu dalam memetakkan suatu input ke dalam output yang tepat menggunakan teori matematis yang berhubungan dengan himpunan fuzzy. Dengan cara yang efektif dan akurat untuk menjelaskan persepsi manusia terhadap permasalahan yang diambil[16]. berupa variabel masukkan ke dalam proses dan akan menghasilkan keluaran dengan aturan IF-THEN. Penerapan 4 tahapan proses yaitu fuzzifikasi, pembentukan basis aturan, inferensi fuzzy dan defuzzifikasi[17]. Logika fuzzy bersifat parsial yang mampu memetakkan masukkan ke dalam keluaran dengan akurat dengan memperhatikan atribut yang ada. Sehingga tidak membutuhkan model matematika yang kompleks dan sangat fleksibel. Dalam. Penggunaan Fuzzy Inventory Control bertujuan untuk membantu dalam hal mengolah persediaan barang terhadap suatu permintaan sehingga dapat dikendalikan dengan baik dan optimal guna mengurangi biaya besar yang akan ditimbulkan dari penyimpanan.
Metode
Tahapan yang dilakukan dalam meyelesaikan permasalahan pengendalian persediaan terhadap permintaan dengan menggunakan metode fuzzy inventory control.
Diagram Alir
Untuk identifikasi masalah dilakukan karena adanya ketidakoptimalan terkait pengendalian persediaan pada gudang produksi, sehingga dilakukan perumusan masalah dengan cara mengkaji penelitian – penelitian terdahulu dan studi lieratur dari berbagai referensi seperti buku dan jurnal. Selanjutnya dalam pengumpulan data diperoleh dengan melakukan wawancara dan observasi yang dibantu oleh orang ahli yang menguasai dalam hal pengendalian persediaan di perusahaan sehingga bisa mendapatkan data yang dibutuhkan , direkap, dan dilakukan perhitungan menggunakan metode fuzzy inventory control untuk membantu dalam menganalisa pengendalian persediaan panel terhadap permintaan. Adapun tahapan yang dilakukan dalam perhitungan metode fuzzy inventory control yakni :
A. Fuzzyfikasi
Tahap awal yang dilakukan dari proses perhitungan logika fuzzy, dengan menentukan nilai maksimum dan minimum dari sebuah nilai input. Memiliki tujuan untuk menentukan nilai fungsi keanggotaannya [18]. Fungsi keanggotaan merupakan suatu kurva yang menjelaskan mengenai pemetaan titik – titik input data kedalam nilai keanggotaan (derajat keanggotaan) dengan interval 0 sampai 1 yang didapat dengan melakukan pendekatan fungsi[19]. Kurva yang sering digunakan untuk menjelaskan fungsi keanggotaan yaitu:
1. Representasi Linier Naik, merupakan himpunan dengan nilai domain yang memiliki derajat keanggotaan nol (0) bergerak ke kanan menuju ke nilai yang lebih tinggi, seperti pada gambar 1.
Linier Naik
Fungsi keanggotaannya berbentuk:
Keterangan :
a = nilai terkecil dalam variabel
b = nilai terbesar dalam variabel
x = nilai variabel
Sumber[19]
2. Representasi Linier Turun, kebalikan dari linier naik yakni nilai domain dimulai dari sisi kiri atau keanggotaan tinggi ke lebih rendah, seperti pada gambar 2.
Linier Turun
Fungsi Keanggotaannya adalah:
Keterangan :
a = nilai terkecil dalam variabel
b = nilai terbesar dalam variabel
x = nilai variabel
Sumber[19]
3. Representasi Kurva Segitiga (Tringular Membership Function), merupakan gabungan dari kedua repesentasi sebelumnya sehingga menghasilkan gabungan dari 2 garis linier.
Gambar 4. Kurva Segitiga
Keterangan :
a = nilai terkecil dalam variabel
b = nilai terbesar dalam variabel
x = nilai variabel
Sumber[19]
Sistem inferensi fuzzy merupakan aplikasi dari penerapan logika fuzzy dengan menggunakan sistem komputasi mekanisme yang berupa pemetaan himpunan semesta pada bagian masukan dan himpunan bagian keluaran berdasarkan suatu aturan. Selanjutnya dilakukan penghubungan dengan interpretasi aturan pada aturan dasar fuzzy sebagai suatu implikasi fuzzy[20].
B.System Inferensi Fuzzy
Sistem inferensi fuzzy merupakan aplikasi dari penerapan logika fuzzy dengan menggunakan sistem komputasi mekanisme yang berupa pemetaan himpunan semesta pada bagian masukan dan himpunan bagian keluaran berdasarkan suatu aturan. Selanjutnya dilakukan penghubungan dengan interpretasi aturan pada aturan dasar fuzzy sebagai suatu implikasi fuzzy[20].
C.Defuzzyfikasi
Tahapan akhir perancangan logika fuzzy dengan melakukan penegasan terhadap output. Penegasan diperoleh dari rule dalam fuzzy dan nilai output berupa bilangan domain yang ada pada himpunan fuzzy[21]. Untuk menghitung bobot rata-rata akhir dari output menggunakan perhitungan dari metode fuzzy tsukamoto. Metode tsukamoto adalah aturan yang berbentuk IF-THEN dengan output hasil inferensi tiap aturan diberikan berdasarkan predikat (Fire Strength)[22].
Defuzzifikasi, output (z):
Keterangan:
z* = hasil output fuzzy
z = derajat keanggotaan terkecil dari tiap rules
w = nilai perhitungan tiap rules
Sumber[19]
<bold id="_bold-18">Hasil dan Pembahasan</bold>
Dari tabel 1 merupakan data awal berupa data produksi, data permintaan dan data persediaan pada perusahaan.
Data Produksi, Data Permintaan, dan Data Persediaan Panel
Bulan
Produksi
Permintaan
Persediaan
Januari
9871
12982
24187
Februari
997
6356
21076
Maret
12038
17005
15717
April
20816
25219
10750
Mei
11002
4781
6347
Juni
9122
7754
12568
Juli
13455
12854
17258
Agustus
22123
15002
17859
September
14027
22102
20429
Oktober
8371
14009
16905
November
22133
16456
11267
Desember
11726
6903
16944
Langkah – langkah analisa data menggunakan fuzzy inventory control
A. Pembentukan Himpunan Fuzzy (Fuzzyfikasi)
Langkah awal pembentukan himpunan fuzzy dilakukan dengan cara menentukan variabel dan semesta pembicara yang berisi variable input dan variabel output. Dalam penelitian ini terdiri atas dua varibel input berupa variabel permintaan dan variabel produksi, sedangkan variabel output berupa variabel persediaan.
Selanjutnya dilakukan penentuan nilai linguistik yang merupakan nilai atau keadaan yang mampu menggambarkan kondisi tertentu dalam suatu himpunan fuzzy. Untuk variabel permintaan memiliki nilai linguistik berupa sedikit dan banyak, variabel produksi memiliki nilai linguistik berupa turun dan naik, dan variabel persediaan memiliki nilai linguistik berupa berkurang dan bertambah.
Berikut adalah penentuan variabel dan semesta pembicara pada panel :
Nilai Semesta Pembicara dan Domain Himpunan <italic id="_italic-98">Fuzzy</italic>
Fungsi
Variabel
Semesta Pembicara
Nama Himpunan Fuzzy
Domain
Input
Produksi
997 - 22133
TURUN
997 – 11565
NAIK
11565,5 – 22133
Permintaan
4781 – 25219
SEDIKIT
4781 – 15000
BANYAK
15000,5 – 25219
Output
Persediaan
6347 - 24187
BERKURANG
6347 – 15267
BERTAMBAH
15267,5 – 24187
Perhitungan Domain:
Selanjutnya menentukan variable yang terkait dalam proses fuzzyfikasi dengan menggunakan fungsi derajat keanggotan presentasi linier sebagai berikut:
a) Fuzzifikasi Variabel Produksi
Berdasarkan data produksi (x) memiliki nilai paling tinggi yaitu 22133 m2 pada bulan November dan paling rendah yaitu 997 m2 pada bulan Februari, maka fungsi keanggotaan dirumuskan sebagai berikut:
Kurva Variabel Produksi
b) Fuzzifikasi Variabel Permintaan
Berdasarkan data permintaan (y) memiliki nilai paling tinggi yaitu 25219 m2 pada bulan April dan paling rendah yaitu 4781 m2pada bulan Mei, maka fungsi keanggotaan dirumuskan sebagai berikut:
Kurva Variabel Permintaan
c) Fuzzifikasi Variabel Persediaan
Berdasarkan data persediaan (z) memiliki nilai paling tinggi yaitu 24187 m2 pada bulan Januari dan paling rendah yaitu 6347 m2pada bulan Mei, maka fungsi keanggotaan dirumuskan sebagai berikut:
Kurva Variabel Persediaan
B. Pembentukan Aturan Dasar Fuzzy/ Inferensi
Dalam tahap inferensi berarti melakukan kombinasi atau penggabungan terkait banyaknya aturan yang ada dari dalam data menggunakan aturan logika fuzzy. Berdasarkan data – data yang telah ada, maka dapat dibentuk aturan – aturan pada inferensi fuzzy seperti pada tabel 2.
Aturan tersebut diambil berdasarkan atas pendapat dibeberapa jurnal ilmiah, dimana aturan (rule) dalam fuzzy diambil menurut keputusan banyak ahli dan dipilih sesuai dengan bayangan keadaa
Derajat keanggotaan secara keseluruhan dalam variabel produksi dapat dilihat dalam tabel
Derajat Keanggonataan variabel Produksi
Bulan
Produksi
µ (x )turun
µ(x)naik
Januari
9871
0.5801
0.4199
Februari
997
1.0000
0.0000
Maret
12038
0.4776
0.5224
April
20816
0.0623
0.9377
Mei
11002
0.5266
0.4734
Juni
9122
0.6156
0.3844
Juli
13455
0.4106
0.5894
Agustus
22123
0.0005
0.9995
September
14027
0.3835
0.6165
Oktober
8371
0.6511
0.3489
November
22133
0.0000
1.0000
Desember
11726
0.4924
0.5076
Pada variabel produksi diketahui memiliki nilai terendah pada bulan Februari sebesar 977 m2 dan nilai tertinggi pada bulan November sebesar 22133 m2 maka dalam perhitungan derajat keanggotaan kurva turun yang memiliki nilai domain dimulai dari sisi kiri atau keanggotaan tinggi ke lebih rendah sehingga pada bulan Februari memiliki nilai sebesar 1,00 dan pada bulan November sebesar 0,00. Sedangkan pada kurva naik yang merupakan kebalikan dari kurva turun yakni nilai domain dimulai dari kanan atau keanggotaan rendah ke tinggi maka nilai sebesar 1,00 ada pada bulan November dan nilai sebesar 0,00 pada bulan Februari.
b) Penentuan Derajat keanggotaan Pada Variabel Permintaan (BANYAK – SEDIKIT )
Jika diketahui pada bulan Februari terdapat permintaan sebanyak 12982 m2, maka:
Derajat keanggotaan secara keseluruhan dalam variabel permintaan dapat dilihat dalam tabel berikut:
Derajat Keanggonataan variabel Permintaan
Bulan
Permintaan
µ (x ) sedikit
µ(x) banyak
Januari
12982
0.5987
0.4013
Februari
6356
0.9229
0.0771
Maret
17005
0.4019
0.5981
April
25219
0.0000
1.0000
Mei
4781
1.0000
0.0000
Juni
7754
0.8545
0.1455
Juli
12854
0.6050
0.3950
Agustus
15002
0.4999
0.5001
September
22102
0.1525
0.8475
Oktober
14009
0.5485
0.4515
November
16456
0.4288
0.5712
Desember
6903
0.8962
0.1038
Pada variabel permintaan diketahui memiliki nilai terendah pada bulan Mei sebesar 4781 m2 dan nilai tertinggi pada bulan Maret sebesar 25219 m2 maka dalam perhitungan derajat keanggotaan kurva turun yang memiliki nilai domain dimulai dari sisi kiri atau keanggotaan tinggi ke lebih rendah sehingga pada bulan Mei memiliki nilai sebesar 1,00 dan pada bulan Maret sebesar 0,00. Sedangkan pada kurva naik yang merupakan kebalikan dari kurva turun yakni nilai domain dimulai dari kanan atau keanggotaan rendah ke tinggi maka nilai sebesar 1,00 ada pada bulan Maret dan nilai sebesar 0,00 pada bulan Mei.
Langkah selanjutnya setelah melakukan inferensi adalah menggunakan metode MIN dengan cara mengambil nilai minimum sesuai aturan (RULE) yang telah dibuat. Dengan tujuan untuk memodifikasi operator OP (gabungan). Berikut perhitungan aturan dan nilai z dari masing – masing atribut panel.
C. Defuzzifikasi(Penegasan)
Defuzzifikasi (Penegasan) merupakan tahapan akhir dari perhitungan logika fuzzy yang dilakukan dengan cara mencari nilai rata-rata pada setiap input dan output yang sudah dilakukan perhitungan sebelumnya. pada penelitian ini menggunakan fuzzy inventory control yang berpedoman dengan perhitungan logika fuzzy tsukamoto.
Jadi hasil defuzzifikasi perhitungan jumlah persediaan yang optimum pada bulan Januari 2022 yaitu sebesar 14473,76 m2. Untuk hasil perhitungan defuzzifikasi dari bulan Januari sampai dengan Desember 2022 dapat dilihat pada tabel.
Hasil Perhitungan <italic id="_italic-114">Defuzzifikasi</italic>
Bulan
∑WnZn
∑W
Z*
Januari
26089.31
1.803
14473.761
Februari
8884.695
1.000
8884.695
Maret
27937.81
1.804
15488.333
April
23075.38
1.000
23075.376
Mei
14791.8
1.000
14791.796
Juni
17646.58
1.291
13669.675
Juli
28923.18
1.790
16158.212
Agustus
15289.88
1.001
15275.425
September
22001.81
1.305
16859.366
Oktober
23954.8
1.698
14109.591
November
15448.08
1.000
15448.080
Desember
18573.12
1.208
15379.527
Jumlah
183613,8361
Hasil tersebut didapat dari perhitungan excel yang mana diketahui terkait optimasi pada tiap bulan yang mampu menstabilkan tingkat persediaan yang ada pada gudang. Untuk selanjutnya mengetahui tingkat prosentase paling besar dalam mengurangi ketidakoptimalan persediaan panel menggunakan metode fuzzy inventory control akan dilakukan perhitungan ulang menggunakan aplikasi python (jupyter).
Analisa Data
Analisa data jumlah persediaan panel yang telah dilakukan perhitungan dengan menggunakan metode fuzzy inventory control yang perpedoman dengan fuzzy tsukamoto untuk dapat menghasilkan data persediaan yang optimal. Hasil output perbandingan jumlah persediaan panel antara realisasi dalam perusahaan dan perkiraan optimasi dengan fuzzy inventory control yang dihitung menggunakan Microsoft Excel dan aplikasi Python ( Jupyter) dapat dilihat pada tabel 3.
Hasil Pengoptimalan Panel
Bulan
Produksi
Permintaan
Persediaan
Realisasi
Python (Jupyter)
Januari
9871
12982
24187
13968,31828
Februari
997
6356
21076
12113,56716
Maret
12038
17005
15717
15473,87721
April
20816
25219
10750
17504,15215
Mei
11002
4781
6347
14854,94114
Juni
9122
7754
12568
14096,72839
Juli
13455
12854
17258
16177,22061
Agustus
22123
15002
17859
15972,95898
September
14027
22102
20429
16681,87066
Oktober
8371
14009
16905
13976,41848
November
22133
16456
11267
16457,32084
Desember
11726
6903
16944
15342,08885
Jumlah
155681
161423
191 307
182619, 4627
Persentase Persediaan terhadap Permintaan
19%
13%
Dapat diketahui bahwa terdapat berbedaan hasil antara jumlah persediaan yang terdapat di perusahaan dan metode fuzzy inventory control. Untuk hasil total jumlah persediaan yang ada diperusahaan memiliki sebesar 191,307m2 sedangkan dengan hasil perhitungan metode fuzzy inventory control dengan perhitungan menggunakan aplikasi Python (Jupyter) persediaan sebesar 182619,4627m2. Jika diprosentasekan jumlah persediaan terhadap banyaknya permintaan, hasil realisasi perusahaan memiliki prosentase kelebihan sebesar 19% sedangkan ketika dilakukan perhitungan dengan metode fuzzy inventory control mengalami penurunan sebesar 6% dengan Python (Jupyter) mencapai Prosentase 13%.
Kesimpulan
Berdasarkan hasil analisis dan perancangan optimasi jumlah persediaan barang terhadap permintaan menggunakan algoritma metode fuzzy inventory control didapatkan hasil bahwa dalam optimasi jumlah persediaan barang menggunakan penerapan logika fuzzy mendapatkan hasil yang tepat karena mampu menurunkan tingkat kelebihan persediaan barang sebesar 6% dari banyaknya persediaan yang ada. Dapat dilihat dari data permintaan dan persediaan terkait optimasinya. Kondisi optimum yang didapatkan dalam persediaan barang menggunakan algoritma fuzzy yakni sebesar 182.619,4627 m2 dari kondisi awal 191.307 m2. Dengan demikian , dapat dijadikan sebagai rekomendasi teknis perusahaan karena dengan hasil tersebut dapat membantu perusahaan dalam menurunkan biaya penyimpanan terhadap persediaan.