Manajemen persediaan yang efektif sangat penting untuk mengurangi biaya operasional dan meningkatkan efisiensi bisnis. Salah satu metode yang digunakan dalam manajemen persediaan adalah Metode Q, yang menentukan kuantitas pesanan tetap setiap kali stok mencapai titik pemesanan ulang. Namun, dalam praktiknya, menentukan jumlah pesanan yang optimal bisa sangat kompleks sehingga Algoritma Genetika (GA) dapat digunakan untuk membantu mengoptimalkan keputusan persediaan. Artikel ini bertujuan untuk menunjukkan bagaimana kombinasi Metode Q dan Algoritma Genetika dapat meningkatkan efisiensi manajemen persediaan. Studi kasus di PT. XYZ akan digunakan untuk mengilustrasikan manfaat dari pendekatan ini.
Metode Q adalah sistem manajemen persediaan yang menentukan kuantitas pesanan tetap setiap kali stok mencapai titik pemesanan ulang. Keuntungan utama dari Metode Q adalah kemampuannya untuk mengurangi kekurangan stok dan menghindari kelebihan stok, yang dapat menimbulkan biaya penyimpanan yang tinggi.
Algoritma Genetika (GA) adalah teknik optimasi yang terinspirasi oleh proses seleksi alam. GA menggunakan mekanisme seperti seleksi, crossover, dan mutasi untuk menemukan solusi optimal atau mendekati optimal dalam ruang solusi yang besar dan kompleks. GA sangat efektif dalam menyelesaikan masalah optimasi yang melibatkan banyak variabel dan batasan.
Penggabungan Metode Q dengan Algoritma Genetika memungkinkan pengoptimalan kuantitas pesanan dan titik pemesanan ulang secara simultan, yang menghasilkan efisiensi biaya dan ketersediaan stok yang lebih baik dengan metodologi sebagai berikut:
1. Pengumpulan Data: Data permintaan harian selama satu tahun diambil dari catatan PT. XYZ dan biaya-biaya terkait persediaan.
2. Penerapan Metode Q: Menentukan titik pemesanan ulang berdasarkan tingkat permintaan dan waktu pemesanan.
3. Implementasi Algoritma Genetika: Menggunakan GA untuk mengoptimalkan kuantitas pesanan dan titik pemesanan ulang. Proses ini melibatkan:
- Inisialisasi populasi solusi acak.
- Evaluasi setiap solusi berdasarkan fungsi biaya yang mempertimbangkan biaya pemesanan, biaya penyimpanan, dan biaya kekurangan stok.
- Seleksi, crossover, dan mutasi untuk menghasilkan solusi baru.
- Iterasi hingga konvergensi pada solusi optimal.
PT. XYZ adalah perusahaan yang memproduksi keripik kentang. Tantangan utama dalam manajemen persediaan adalah fluktuasi permintaan dan biaya penyimpanan yang tinggi. Data permintaan harian selama satu tahun digunakan untuk studi ini. Data permintaan harian dianalisis untuk menentukan pola permintaan. Metode Q digunakan untuk menentukan kuantitas pesanan dan titik pemesanan ulang. Algoritma Genetika kemudian diterapkan untuk mengoptimalkan kedua hal tersebut. Langkah-langkah spesifik yang diambil meliputi:
- Inisialisasi Populasi
Langkah pertama dalam Algoritma Genetika adalah membangkitkan populasi awal dari solusi-solusi kandidat yang disebut kromosom. Setiap kromosom mewakili solusi potensial untuk masalah yang ingin dipecahkan. Pada tahap ini, kita harus menentukan representasi solusi yang akan digunakan, misalnya representasi biner dengan setiap kromosom adalah rangkaian bit (0 dan 1) atau representasi integer dengan setiap kromosom berupa bilangan bulat. Selain itu, ukuran populasi juga ditentukan, populasi yang lebih besar dapat meningkatkan peluang menemukan solusi optimal namun juga meningkatkan beban komputasi. Setelah itu, kromosom-kromosom dibuat secara acak dalam ruang solusi untuk membentuk populasi awal. - Evaluasi
Setelah populasi awal dibuat, setiap kromosom dievaluasi untuk menentukan kualitas atau kebugarannya (fitness). Fungsi kebugaran ini mengukur seberapa baik solusi yang diwakili oleh kromosom tersebut dalam menyelesaikan masalah yang diberikan. Tahap ini dimulai dengan menentukan fungsi kebugaran yang akan digunakan untuk mengevaluasi solusi. Fungsi kebugaran harus sesuai dengan tujuan optimasi, misalnya untuk meminimalkan biaya atau memaksimalkan keuntungan. Setelah fungsi kebugaran didefinisikan, nilai kebugaran dihitung untuk setiap kromosom dalam populasi. - Seleksi
Seleksi adalah proses memilih kromosom-kromosom dari populasi yang akan digunakan untuk menghasilkan generasi berikutnya. Kromosom dengan kebugaran yang lebih tinggi memiliki peluang lebih besar untuk dipilih. Terdapat beberapa metode seleksi yang bisa digunakan, seperti Roulette Wheel Selection dengan kromosom dipilih berdasarkan proporsi kebugarannya terhadap total kebugaran populasi, Tournament Selection dengan kromosom dipilih melalui kompetisi di antara sekelompok kecil kromosom, dan Rank Selection dengan kromosom diurutkan berdasarkan kebugarannya dan probabilitas pemilihan diberikan berdasarkan urutan ini. - Crossover
Crossover adalah proses menggabungkan dua kromosom (induk) untuk menghasilkan satu atau lebih kromosom baru (anak). Tujuan dari crossover adalah untuk menggabungkan karakteristik dari kedua induk untuk menghasilkan solusi yang lebih baik. Proses ini dimulai dengan memilih pasangan kromosom untuk crossover berdasarkan metode seleksi yang telah ditentukan. Setelah itu, satu atau lebih titik crossover pada kromosom ditentukan. Segmen kromosom antara pasangan induk ditukar di titik crossover untuk menghasilkan anak. - Mutasi
Mutasi adalah proses mengubah satu atau lebih gen dalam kromosom secara acak. Mutasi bertujuan untuk menjaga keragaman genetik dalam populasi dan mencegah konvergensi prematur. Pada tahap ini, probabilitas mutasi yang rendah ditetapkan (misalnya, 0.3). Berdasarkan probabilitas mutasi, gen tertentu dalam kromosom diubah secara acak. - Pembaruan Populasi
Setelah crossover dan mutasi, populasi baru dari kromosom-kromosom anak dibentuk. Populasi ini akan digunakan untuk siklus evaluasi berikutnya. Terdapat beberapa metode untuk memilih kromosom untuk generasi baru, seperti seleksi generasi penuh yakni seluruh populasi digantikan oleh generasi baru atau seleksi elit dengan beberapa kromosom terbaik dari generasi sebelumnya dipertahankan. - Iterasi dan Terminasi
Proses iterasi melibatkan pengulangan tahap evaluasi, seleksi, crossover, mutasi, dan pembaruan populasi hingga kriteria terminasi terpenuhi. Kriteria terminasi dapat berupa jumlah generasi yang telah ditentukan, batas waktu tertentu, atau ketika solusi dengan kebugaran yang memuaskan ditemukan. Tahap-tahap sebelumnya diulang hingga kriteria terminasi terpenuhi. - Solusi Akhir
Setelah algoritma selesai, kromosom dengan nilai kebugaran terbaik dalam populasi akhir dianggap sebagai solusi optimal atau mendekati optimal untuk masalah yang diberikan. Solusi terbaik dipilih berdasarkan nilai kebugaran tertinggi dari populasi akhir, kemudian dilakukan analisis terhadap solusi terbaik untuk memastikan kesesuaiannya dengan tujuan optimasi.
Hasil dari penerapan Metode Q dan Algoritma Genetika pada studi kasus PT. XYZ menunjukkan pengurangan biaya persediaan sebesar 40% dibandingkan dengan metode manajemen persediaan tradisional. Analisis lebih lanjut menunjukkan peningkatan efisiensi dalam pengelolaan stok. Kombinasi Metode Q dan Algoritma Genetika terbukti efektif dalam meningkatkan manajemen persediaan di PT.XYZ, memberikan efisiensi biaya dan ketersediaan stok yang lebih baik. Pendekatan ini dapat diterapkan di perusahaan lain yang menghadapi tantangan serupa dalam manajemen persediaan.
