PENGENDALIAN PERSEDIAAN MRO DENGAN CONTINUOUS REVIEW SYSTEM MENGGUNAKAN SIMULASI MONTE CARLO PADA KONTRAKTOR MIGAS

PENGENDALIAN PERSEDIAAN MRO DENGAN CONTINUOUS REVIEW SYSTEM MENGGUNAKAN SIMULASI MONTE CARLO PADA KONTRAKTOR MIGAS Yadrifil, Wijana Nugraha Departemen Teknik Industri Fakultas Teknik - Universitas Indonesia, Depok 16424 Tel: (021) 78888805. Fax: (021) 78885656 e-mail: yadrifil@yahoo.com; wijana.nugraha@yahoo.com Abstrak: Material MRO merupakan material persediaan yang diperlukan untuk menunjang kegiatan pemeliharaan, perbaikan dan operasi dalam kegiatan operasional perusahaan kontraktor migas. Pengelolaan persediaan MRO diperlukan untuk merencanakan dan mengendalikan permintaan pengadaan yang senantiasa berubah dari tahap pengadaan sampai dengan penggunaannya, guna dapat menunjang operasi migas secara efisien. Pengendalian material MRO ini dilakukan melalui pengaturan kebijakan persediaan seperti jumlah pemesanan, level stock atau biaya yang dinvestasikan Permintaan dan lead time material persediaan yang tidak menentu pada material persediaan MRO perusahaan kontraktor migas merupakan tantangan yang harus dihadapi. Salah satu metode yang digunakan untuk menentukan kebijakan yang berkaitan dengan pengelolaan material persediaan adalah continuous review system. Metode ini digunakan untuk memperoleh jumlah pemesanan, titik pemesanan kembali (ROP), safety stock, dan total biaya material MRO. Simulasi Monte Carlo digunakan untuk memperoleh range terhadap jumlah pemesanan, titik pemesanan kembali, safety stock, dan total biaya material MRO. Hasil yang diperoleh dari kebijakan persediaan MRO dengan continuous review system untuk 15 jenis material persediaan didapat jumlah pemesanan sebanyak 565 unit, safety stock 900 unit, dan titik pemesanan kembali (ROP) mencapai 1467 unit. Kebijakan continuous review system ini juga berhasil menurunkan total biaya persediaan sebesar 31%. Kata kunci : MRO, Manajemen Persediaan, Inventory Policy, Continuous Review System, Simulasi Monte Carlo Abstract: MRO is necessary inventory to support maintenance, repair and operation in operational activity for Oil Company. MRO inventory control has purpose to plan and control uncertain demand during procurement process until its usage, so as to it can support oil and gas operation efficiently. Inventory management is used to control inventory policy, such as order size quantity, stock level or cost investment. Uncertain demand and lead time is the challenge that oil company has to encounter. Continuous review system is method in inventory management to determine inventory policy. This method is used to result order size quantity, reorder point, safety stock, and total cost. Then, those results is simulated by using Monte Carlo Simulation to obtain values range of order size quantity, reorder point, safety stock, dan MRO s total cost. The results of continuous review system inventory policy show 565 units order size quantity, 900 units safety stock, and 1467 units safety stock for 15 MRO materials. Moreover, continuous review system is lowering inventory total cost 31% from initial inventory policy Keywords : MRO, Inventory Management, Inventory Policy, Continuous Review System, Monte Carlo Simulation 1

1. Pendahuluan Industri minyak dan gas bumi (migas) terlibat dalam sebuah rantai pasok global yang mencakup transportasi domestik dan internasional, pemesanan dan pengendalian material serta penanganan material. Terdapat banyak kesempatan untuk mengkordinasikan kegiatan rantai pasok tersebut dengan mengintegrasikan manajemen operasional dengan fungsi lain yang terlibat dalam keputusan manajemen rantai pasok. Pelaku bisnis utama yang bergerak di dalam industri migas ini adalah perusahaan-perusahaan Kontraktor Kontrak Kerja Sama (KKKS), yang melakukan kontrak kerja bagi hasil atau bentuk kontrak kerja sama lain dalam kegiatan Eksplorasi dan Eksploitasi dengan Negara yang diwakili oleh lembaga yang sekarang ini dikenal sebagai SKK MIGAS. Pengendalian material persediaan MRO (maintenance, repair, operations) menjadi bagian yang penting bagi perusahaan, karena jika terdapat persediaan barang yang berlebihan menyebabkan tingginya biaya penyimpanan (holding cost) atau stockout jika persediaan tidak memadai, dan hal ini memiliki dampak yang besar terhadap kinerja operasional perusahaan (Porras, Eric, Dekker, Rommert, 2007). Permasalahan yang menjadi latar belakang penelitian ini adalah kebijakan dalam pengendalian material persediaan, khususnya pada material persediaan MRO dan suku cadang belum optimal terlihat dari perputaran material persediaan yang rendah, biaya persediaan yang tinggi, serta jumlah stok berlebih yang terus meningkat. Strategi perusahaan untuk menurunkan biaya persediaan dan meningkatkan perputaran material persediaan, dapat dilakukan dengan membuat kebijakan persediaan MRO dan suku cadang, berupa penentuan jumlah pemesanan dan reorder point yang tepat, penentuan persediaan material yang optimal sehingga safety stock tidak terlalu besar, serta penggunaan metode peramalan yang lebih baik. Kebutuhan peramalan sangat perlu dalam perencanaan level persediaan, walaupun peramalan memiliki kecenderungan terdapat kesalahan, sehingga pengetahuan atas kesalahan peramalan ini memungkinkan penghitungan akan perlunya safety stock (Love, 1979) Dalam penelitian ini, pemodelan permintaan dilakukan dengan pendekatan continuous review dengan bantuan analisa statistik. Selanjutnya, Monte Carlo Simulation digunakan untuk dapat memperoleh kisaran dari jumlah pemesanan dan titik pemesanan kembali untuk beberapa kondisi yang relevan, sehingga bisa menjadi bahan pertimbangan dalam pengambilan keputusan manajemen. Output dari kebijakan antara lain berupa penentuan jumlah pemesanan, safety stock, titik pemesanan kembali (ROP), serta total biaya persediaan 2. Dasar Teori Sistem pengelolaan persediaan (inventory management) merupakan sekumpulan kebijakan dan kontrol yang memantau level persediaan dan menentukan level apa yang harus dicapai, kapan stok seharusnya ditambah lagi, dan berapa besar pemesanannya (Chase, Jacobs, Aquilano, 2004). Manajemen persediaan menuntut tanggung jawab yang besar dan paling penting diantara unsur manajemen operasi lainnya, karena persediaan membutuhkan biaya yang besar dan berpengaruh terhadap pengadaan barang barang ke pelanggan (Schroeder, 2003). Manajemen persediaan berhubungan dengan pembuatan keputusan dalam bidang pembelian, distribusi, dan logistik. Lebih spesifik lagi manajemen persediaan mengatur kapan harus melakukan pemesanan dan jumlahnya (Tersine, 1994). Persediaan dalam berbagai hal merupakan sesuatu yang penting (Cui, 2011). Terdapat dua filosofi dasar mengenai manajemen persediaan yang dikembangkan (Ballou, 1992). Pertama, dikenal dengan istilah pull. Filosofi ini melihat masing masing titik stock, tidak bergantung terhadap seluruh channel yang lain. 2

Peramalan permintaan dan penentuan jumlah replenishment dilakukan dengan mempertimbangkan hanya pada kondisi lokal. Namun, pendekatan ini tidak memberikan pengendalian yang presisi terhadap level inventory pada masing masing lokasi. Kedua, dikenal dengan istilah push. Filosofi ini dapat digunakan secara terpusat untuk pengendalian keseluruhan yang lebih baik, produksi dan pembelian dapat digunakan membuat level inventory atas biaya yang lebih rendah, dan peramalan permintaan. Dapat dibuat pada permintaan aggregate dan kemudian disesuaikan terhadap masing masing stock untuk perbaikan akurasi. 2.1 Continuous Review System Metode ini melakukan pengontrolan material secara terus menerus sehingga memiliki kelebihan sedikitnya jumlah safety stock. Namun, biaya pengamatan akan lebih tinggi dibandingkan periodic cost serta jumlah tenaga kerja yang diperlukan sewaktu-waktu dapat berubah karena tergantung dari kebutuhan material (Chopra, Sunil, Meindl, 2001). Pemesanan dilakukan ketika persediaan material telah mencapai titik ROP (reorder point). Safety stock hanya digunakan untuk menjawab ketidakpastiaan dari lead time sehingga model ini memberikan persediaan material yang lebih rendah (Ballou, 1992). Gambar 2.1 Continuous Review System Model Pada model persediaan continuous review system pemesanan akan dilakukan ketika inventory level mencapai reorder point (ROP). Karena terdapat lead time dalam proses pemesanan suatu barang, maka terdapat safety stock yang dipersiapkan untuk mengantisipasi adanya perbedaan antara peramalan dan permintaan aktual, antara lead time yang diharapkan dan lead time aktualnya. 2.2 EOQ Model Perhitungan EOQ meliputi pengolahan data yang berkaitan dengan permintaan tahunan rata-rata, biaya tetap per sekali pemesanan, dan inventory carrying cost. Hubungan antara biaya persediaan dengan kuantitas barang yang dibeli adalah seperti Gambar 2.2. Gambar 2.2 Grafik Model EOQ Gambar tersebut menunjukkan, semakin banyak jumlah barang yang dipesan, maka biaya pemesanan (replenishment cost) akan semakin rendah, sebaliknya, dengan semakin banyaknya jumlah barang yang dipesan, maka biaya penyimpanan material/barang (holding cost) akan semakin tinggi (Arnold, 2004). Titik perpotongan antara garis biaya pemesanan (replenishment cost) dan biaya penyimpanan (holding cost) merupakan jumlah pemesanan yang optimal atau EOQ 2.3 Simulasi Monte Carlo Monte Carlo merupakan bagian dari metode yang menggunakan bilangan random number dan distribusi probabilitas dalam analisisnya (Zambawa, Bozena, 2007). Simulasi Monte Carlo merupakan keadaan dengan menggunakan angka bilangan acak yang disesuaikan dengan bentuk probabilitas dari data historis yang telah diperoleh sebelumnya (Lawrence and 3

Pasterneck, 2001). Hal paling dasar dalam Simulasi Monte Carlo adalah mendapatkan nilai bilangan acak yang sudah ada agar sesuai dengan pola distribusi data historis yang telah dimiliki sebelumnya. Hasil yang dapat diperoleh dari simulasi ini yaitu distribusi data terhadap perubahan beberapa variabel yang nilainya terdistribusi dengan pola tertentu. Dalam menjalankan Simulasi Monte Carlo, penelitian ini menggunakan sebuah software yaitu Crystal Ball yang merupakan sebuah tool analitis yang membantu para eksekutif dan analis, membuat keputusan dengan melakukan simulasi pada model spreadsheet. Forecast/peramalan yang dihasilkan dari simulasi ini membantu untuk mengkuantifikasi risiko sehingga pembuat keputusan dapat memiliki sebanyak mungkin informasi yang mendukung keputusan tersebut Untuk menentukan tipe distribusi yang sesuai dengan data historis yang ada, terdapat uji Goodness of Fit yang dapat dilakukan. Goodness of Fit merupakan pengukuran statistik yang menggambarkan kesesuaian data terhadap sebuah distribusi. Terdapat tiga metode yang sering digunakan dalam Goodness of Fit, yaitu : 1. Chi-Square Test Chi-square test dapat diartikan sebagai perbandingan histogram data dengan densitas distribusi yang sesuai. 2. Kolmogorov-Smirnov Test Metode uji tes yang digunakan dengan data yang memiliki distribusi kontinyu. 3. Anderson-Darling Metode Uji data yang digunakan khsusus untuk beberapa tipe distribusi data. Distribusi yang dapat menggunakan metode uji data ini adalah normal, exponential, lognormal, weibull, extreme value tipe I dan logistic distribution 3. Metodologi Penelitian Penelitian ini menggunakan pendekatan continuous review system, serta menggunakan model Monte Carlo Simulation. Pengumpulan data historis mencakup data permintaan dan penggunaan material persediaan MRO dan spare part, daftar nama material persediaan, data komponen biaya persediaan dan penyimpanan. 3.1 Pengumpulan Data Data yang digunakan pada penelitian ini adalah : a. Data biaya pemesanan, biaya penyimpanan dan harga beli material persediaan b. Data historis permintaan persediaan MRO dan spare part c. Laporan detail material persediaan bulanan, serta laporan movement material 3.2 Klasifikasi ABC Jenis jenis item dengan kategori MRO, karena tipe dan jenisnya bermacam macam dengan jumlah yang sangat banyak. Untuk membantu kita dalam menentukan prioritas pengawasan persediaan, maka item-tem tersebut perlu di kelompokkan berdasarkan tingkat kepentingan. Item-item persediaan tersebut dapat dikelompokkan dengan metode klasifikasi ABC yang menggunakan dengan prinsip hukum Pareto. Item tersebut diurutkan berdasarkan total harga barang item dari harga yang paling tinggi hingga paling kecil. Tahapan pengelompokan dibuat berdasarkan permintaan, kemudian dikalikan dengan harga satuan barang. Tahapan pengelompokan berdasarkan permintaan material persediaan MRO untuk klasifikasi ABC adalah : Mengurutkan jumlah barang dari terbesar hingga terkecil, kemudian jumlah tersebut dikalikan dengan harga per satuan Menghitung persentase kumulatif total biaya penggunaan 4

Kemudian menentukan item tersebut sesuai dengan klasifikasi A, B, dan C Secara keseluruhan, total nilai permintaan item material persediaan MRO pada perusahaan yang diteliti mencapai USD 8,126,558.81 untuk jumlah item sebanyak 1123 jenis item Tabel 3.1 Klasifikasi ABC untuk kelas ABC (15 item material) memiliki pola acak, maka metode peramalan yang digunakan adalah exponential smoothing, sedangkan jika pola data membentuk trend maka dapat digunakan Double Exponential Smoothing. Jika pola data menunjukkan seasonal maka digunakan Holt-Winters Exponential Smoothing. Tabel 3.2 Peramalan permintaan material persediaaan per bulan Dari hasil klasifikasi ABC tersebut, material yaitu 5 item material, masingmasingnya masing-masing untuk klasifikasi A, B, dan C dijadikan sampel dalam penelitian ini. Pemilihan masing masing klasifikasi tersebut, berdasarkan pada 5 jenis material dengan total nilai penggunaan paling tinggi di setiap kelasnya baik itu pada kelas A, B, maupun C. Sehingga, untuk pengolahan data berikutnya, ke-15 item material tersebut menjadi input penelitian yang dilakukan mulai dari forecasting, penentuan kebijakan pengendalian persediaan, serta simulasi dan analisis. 3.3 Peramalan Permintaan Berdasarkan data permintaan material MRO dapat dilihat pola pergerakan dan kecenderungan permintaan pada setiap periode sebagai acuan awal dalam memilih metode exponential smoothing untuk meramal permintaan material persediaan MRO tersebut. Pengolahan data peramalan menggunakan software Minitab 15 dengan metode exponential smoothing. Jika data Tabel 3.2 menunjukkan hasil pengolahan data untuk peramalan permintaan kebutuhan material persediaan rata rata setiap bulan yang dibuat berdasarkan data historis permintaan pada bulan Desember 2011 September 2012. 3.4 Perhitungan Kebijakan Pengendalian Material MRO Persamaan persamaan pada Continuous Review Model digunakan untuk menentukan jumlah pemesanan (Q), titik pemesanan kembali (ROP), safety stock, serta total cost. Dalam perhitungan parameter kebijakan persediaan tersebut, digunakan pendekatan EOQ (Ballou, 1992), yaitu : 1. Jumlah pemesanan (Q) (3.1) 2. Reorder Point (ROP) (3.2) 3. Safety stock (SS) (3.3) 5

4. Total cost (TC) Tabel 3.4 Perhitungan kebijakan pengendalian material (3.4) Untuk menentukan parameter kebijakan pengendalian persediaan seperti jumlah pemesanan, titik pemesanan kembali, safety stock, dan total cost masing masing item, dibutuhkan variabel variabel yang relevan seperti jumlah permintaan, serta lead time yang diperlukan. Tabel 3.3 Variabel pendukung parameter kebijakan pengendalian material Tabel 3.4 Perhitungan kebijakan pengendalian material (lanjutan) Tabel 3.3 menunjukkan variabel yang terkait dengan perhitungan parameter kebijakan persediaan MRO, yakni terdiri dari servicel level, nilai z, nilai E z, lead time, dan MAD (Mean Absolute Deviation). Dengan menggunakan persamaan dengan pendekatan EOQ serta variabel pendukung perhitungan parameter kebijakan persediaan, diperoleh hasil sesuai tabel 3.4 berikut. Dari hasil pengolahan terhadap 15 material persediaan MRO pada Tabel 3.4. diperoleh nilai carrying cost yang yang berbeda beda pada setiap item material persediaan untuk persentase nilai carrying cost sebesar 24% dikalikan dengan harga per unit material. Hal yang sama berlaku pada procurement cost dengan nilai yang berbeda beda dengan angka pengali sebesar 13,38%. Tabel 3.4 Perhitungan kebijakan pengendalian material (lanjutan) 3.5 Simulasi Monte Carlo Simulasi Monte Carlo untuk material persediaan MRO ini menggunakan 6 skenario berikut : 6

- Skenario 1 : Permintaan sebagai variabel yang tidak pasti (uncertain), permintaan meningkat 10%, serta tanpa safety lead time - Skenario 2 : Permintaan sebagai variabel yang tidak pasti (uncertain), permintaan, meningkat 10%, serta dengan safety lead time - Skenario 3 : Permintaan sebagai variabel yang tidak pasti atau (uncertain), permintaan 20%, serta tanpa safety lead time - Skenario 4 : Permintaan sebagai variabel yang tidak pasti (uncertain), permintaan, meningkat 20%, dengan safety lead time - Skenario 5 : Permintaan sebagai variabel yang tidak pasti (uncertain), permintaan menurun 10%, serta tanpa safety lead time - Skenario 6 : Permintaan sebagai variabel yang tidak pasti (uncertain), permintaan, menurun 10%, serta dengan safety lead time Penambahan safety lead time merupakan antisipasi jika terjadi keterlambatan atau terdapat masalah dalam pengiriman barang. Safety lead time tersebut diperoleh melalui standar deviasi dari lead time masing masing barang tersebut, sehingga dalam hal ini, masing masing item material persediaan MRO memiliki nilai safety lead time yang berbeda beda. Simulasi Monte Carlo ini memberikan proyeksi atas kebijakan pengendalian persediaan, dan hasilnya merupakan parameter kebijakan pengendalian persediaan tersebut berupa jumlah pemesanan, safety stock, titik pemesanan kembali (ROP) dan total biaya persediaan. Dalam menentukan variabel yang tidak pasti (uncertain), maka perlu diketahui terlebih dahulu, probabilitas distribusi data historis tersebut baik variabel permintaan maupun lead time. Tahap ini menggunakan bantuan software Promodel StatFit Gambar 4.1 Fitting distribusi Oil Hydr Aqualink 300F Houghton dengan StatFit 4. Analisis 4.1 Analisis Penentuan Kebijakan Pengendalian Material Persediaan Hasil dari perhitungan kebijakan pengendalian persediaan antara kondisi keadaan yang ada pada saat ini (existing condition) dapat dilihat pada Tabel 4.1. Untuk hasil perhitungan kebijakan pengendalian persediaan menggunakan continuous review system dapat dilihat pada Tabel 4.2. Service level untuk kebijakan pengendalian persediaan perusahaan untuk keadaan saat ini adalah memiliki nilai yang sama untuk seluruh material sebesar 98,21%, serta tidak ada penentuan secara terperinci dan spesifik berkaitan dengan penghitungan service level untuk masing masing persediaan tersebut. Jika melihat dilihat dari Tabel 4.1, terdapat penurunan biaya total persediaan antara kebijakan pengendalian persediaan saat ini dengan kebijakan pengendalian persediaan yang baru dengan metode continuous review system Tabel 4.1 Hasil perhitungan kebijakan inventory pada existing condition 7

Tabel 4.2 Hasil perhitungan kebijakan inventory dengan continuous review system Untuk biaya total persediaan antara kebijakan pengendalian persediaan saat ini dengan kebijakan pengendalian persediaan yang baru dengan metode continuous review system, terjadi penurunan nilai yang beragam, persentase penurunan tersebut berkisar antara 9 84 % untuk setiap material, sedangkan untuk keseluruhan biaya persediaan persentase penurunan mencapai 31 %, yaitu dari USD 166.562 menjadi USD 115.249 per tahunnya. Kebijakan pengendalian persediaan tidak terlepas dari nilai pada empat variabel yang ada yaitu kuantitas jumlah pemesanan, titik pemesanan kembali (ROP), safety stock. Kebijakan baru dengan metode continuous review system memberikan pengaruh dengan tetap memperhitungkan pula safety stock dan titik pemesanan kembali (ROP) untuk masing masing material penelitian ini, terdapat dua variabel yang merupakan variabel tidak pasti, yaitu permintaan (demand) dari material persediaan dan lead time, sebagai assumption pada software Crystal Ball untuk mengetahui perubahan parameter parameter kebijakan yang dihasilkan. Hasil dari simulasi Monte Carlo ini memperlihatkan penurunan biaya total persediaan dari hasil biaya persediaan dari kebijakan pengendalian material persediaan continuous review system dengan adanya perubahan perubahan melalui peningkatan demand dan adanya safety lead time. Tabel 4.3 Total biaya persediaan pada perusahaan (kondisi saat ini) Tabel 4.4 Total biaya persediaan dengan menggunakan Simulasi Monte Carlo 4.2 Analisis Simulasi Monte Carlo Dalam memproyeksikan kebijakan pengendalian material persediaan MRO, maka perlu dilakukan simulasi yang dapat menampilkan proyeksi keadaan yang akan terjadi pada kemudian hari. Software Crystal Ball merupakan tool yang dapat mengakomodasi kebutuhan tersebut. Untuk dapat melihat hasil Simulasi Monte Carlo tersebut, maka dibutuhkan input yang berupa random number dan asumsi yang berupa nilai nilai yang memiliki rentang yang tidak pasti (uncertainity). Dalam 8

Pada Tabel 4.3 dan Tabel 4.4 dapat dilihat perbandingan total biaya persediaan antara kondisi awal perusahaan, dengan kondisi jika terjadi peningkatan permintaan material 10% dan 20% untuk keempat skenario. Untuk peningkatan kebutuhan material sebesar 10%, terjadi penurunan biaya persediaan dari masing masing material persediaan antara 3% - 83%, dan penurunan grand total biaya persediaan sebesar 30% dari USD 169,486 menjadi USD 117,915. Sedangkan untuk peningkatan permintaan material sebesar 20%, dihasilkan penurunan biaya persediaan dari masing masing material persediaan berkisar antara 14% - 83%, dan penurunan grand total biaya persediaan keseluruhan sebesar 26%, dari USD 172.281 pada total biaya persediaan semula menjadi USD 128.251. Gambar 4.2 Grafik perbandingan total biaya persediaan Gambar 4.2 menunjukkan grafik perbandingan total biaya persediaan, kondisi awal dengan kondisi adanya safety lead time dan tanpa safety lead time. Kondisi awal, memperlihatkan total biaya persediaan pada kisaran kenaikan permintaan antara 10% dan 20%. Gambar 4.3 menunjukkan grafik penurunan biaya persediaan, untuk permintaan 10% ditunjukkan pada skenario 1 dan skenario 2. Gambar 4.3 Grafik penurunan biaya persediaan Untuk skenario 1, merupakan skenario dengan memasukkan unsur safety lead time dan skenario 2 tanpa safety lead time. Untuk permintaan 20% ditunjukkan pada skenario 3 dan skenario 4. Untuk skenario 3 merupakan skenario dengan memasukkan unsur safety lead time dan skenario 4 tanpa adanya safety lead time. Skenario 1 dengan safety lead time persentase penurunan biaya persediaan sebesar 30%, dan skenario 2 tanpa adanya unsur safety lead time dengan persentase penurunan biaya persediaan sebesar 14%, kedua skenario tersebut merupakan kenaikan permintaan sebesar 10%. Skenario 3 dengan safety lead time persentase penurunan biaya persediaan 26%, dan skenario 4 tanpa adanya unsur safety lead time dengan persentase penurunan biaya sebesar 8%. 4.3 Analisis Sensitivitas Dengan analisis sensitivitas ini, bisa dilihat hasil kebijakan pengendalian persediaan berupa jumlah pemesanan, titik pemesanan kembali (ROP), safety stock, dan biaya persediaan jika terdapat perubahan perubahan pada variabel input. Melalui empat skenario berbeda dalam Simulasi Monte Carlo, maka parameter parameter kebijakan pengendalian persediaan tersebut sensitif terhadap perubahan pada : 1. Kenaikan demand tanpa adanya safety lead time 2. Kenaikan demand dengan adanya safety lead time 9

3. Penurunan demand dengan adanya safety lead time 4. Penurunan demand tanpa adanya safety lead time Tabel 4.5 Total biaya persediaan pada perusahaan (existing condition) Tabel 4.6 Total biaya persediaan dengan menggunakan Simulasi Monte Carlo untuk penurunan permintaan 10% 5. Kesimpulan Berdasarkan hasil pengolahan dan analisis data material persediaan MRO pada salah satu perusahaan kontraktor migas, didapat hasil berikut: 1. Kebijakan persediaan MRO menggunakan Metode Continuous Review System dengan parameter parameter jumlah pemesanan, titik pemesanan kembali (ROP), dan safety stock akan dapat menjamin ketersediaan material persediaan dan total cost yang minimum untuk setiap item material persediaan 2. Penentuan kebijakan persediaan MRO, menurunkan total biaya persediaan dari USD 166,562 untuk total biaya persediaan perusahaan saat ini, menjadi USD 115,249 untuk kebijakan Continuous Review System, atau penghematan sebesar USD 51,313 atau 31% per tahun 3. Kebijakan persediaan dengan Continuous Review System dapat menurunkan total biaya persediaan untuk kondisi sbagai berikut : - Peningkatan permintaan MRO 10%, dan tanpa safety lead time. - Peningkatan permintaan MRO sebesar 20% dan penambahan variabel safety lead time. - Peningkatan permintaan MRO sebesar 10% dan penambahan variabel safety lead time. - Peningkatan permintaan MRO sebesar 20%. Referensi Aquilano, Chase, Jacobs. (2004). Operations & Supply Management. New York: McGraw-Hill/Irwin. Arnold, J. R., Tony, Chapman, Stephen, N. (2004). Introduction to Materials Management (5 th ed). New Jersey : Pearson Prentice Hall Ballou, Ronald, H. (1992). Business Logistics Management (3 rd ed). Englewood Cliffs : Prentice Hall, Inc. 10

Chopra, Sunil, Meindl, P. (2001). Supply Chain Management : Strategy, Planning and Operation. New Jersey : Pearson Prentice Hall. Cui, Liu., Zhao, Yiqing., Zhang, Linlin. (2011). Analysis on Inventory Management Model of a Large Mining Group. Energy Procedia 13, 10163 10170. Donald, W., Dobler, David, N., Burt, Lamar, Lee, JR. (1990). Purchasing and Materials Management : Text and Cases. Singapore : McGraw Hill, Inc. Jiao, Shufeng, Shaojie, Du. (2010). Modeling for Random Inventory System Based on Monte Carlo Theory and Its Simulation. Third International Symposium on Information Science and Engineering 978-0-7695-4360- 4/10 IEEE Computer Society. Marcikik, Aleksandra, Boris, Radovanov. (2010). Simulation In Inventory Management. International Cross- Industry Journal 1804-0527 Porras, Eric, Dekker, Rommert. (2007). An Inventory control system for spare parts at a refinery : An empirical comparison of different re-order point methods. European Journal of Operational Research 184, 101 132. Schroeder, Roger, G. (2008). Operations Management (4 th Ed). New York : McGraw-Hill Companies Inc. Tersine, J., Richard. (1994). Principles of Inventory and Materials Management. New Jersey : PTR Prentice Hall. Thomopoulos, Nick, T. (2006). Supplier Lateness, Service Level and Safety Time. Journal of Research in Engineering and Technology Vol. 2 No. 4. Zambawa, Jacek, & Bozena, Mielczarek. (2007). Journal Tools of Monte Carlo Simulation in Inventory Management System. In Proceedings of 21 st European Conference on Modelling and Simulation. 11