BULLETIN OF COMPUTER SCIENCE RESEARCH
ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Analisis Persediaan Bahan Baku Teh dengan Logika Fuzzy Sugeno dan Metode AHP Alya Firzana.
Muhammad Abdillah Nurachman*.
Sayilita Fani Fatihah.
Suwandi Esa Putra Sekolah Vokasi.
Manajemen Industri.
IPB University.
Kota Bogor.
Indonesia Email: 1alyafirzana24@gmail.
com, 2,*m.
abdillah0906@gmail.
com, 3sayilitaaff17@gmail.
com, 4suwandiesap1@gmail.
Email Penulis Korespondensi: m.
abdillah0906@gmail.
AbstrakOePermasalahan utama yang dihadapi mencakup ketidakpastian pasokan teh, fluktuasi harga bahan baku, terbatasnya kapasitas produksi, tantangan mempertahankan kualitas produk yang konsisten, dan kompleksitas koordinasi distribusi bahan baku antar outlet untuk mengoptimalkan penggunaan sumber daya.
Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem pengelolaan persediaan bahan baku yang efisien untuk IKM Mimici menggunakan pendekatan terintegrasi Fuzzy dan metode AHP.
Metodologi penelitian ini diawali dengan studi literatur tentang persediaan dan metode Fuzzy AHP, dilanjutkan identifikasi masalah persediaan teh IKM Mimici.
Tahap berikutnya adalah pengumpulan data primer dan sekunder, kemudian penerapan Fuzzy Sugeno untuk kategorisasi bahan baku.
Selanjutnya dilakukan analisis prioritas menggunakan AHP dan pengolahan data dengan software terkait.
Penelitian diakhiri dengan penyusunan laporan hasil penelitian.
Analisis pengelolaan persediaan bahan baku teh di IKM Mimici mengungkapkan pentingnya fokus pada kualitas dan ketepatan waktu pengadaan.
Metode Fuzzy Sugeno berhasil mengatasi ketidakpastian dalam pengelolaan stok, sedangkan metode AHP membantu memprioritaskan kriteria pengadaan.
Meski demikian, implementasi terkendala keterbatasan sumber daya untuk pemantauan persediaan, sehingga diperlukan integrasi teknologi informasi dalam sistem manajemen.
Analisis perencanaan persediaan bahan baku daun teh IKM Mimici di Bogor mengkombinasikan Fuzzy Sugeno dan metode AHP untuk mengoptimalkan manajemen stok.
Fuzzy Sugeno menangani data tidak pasti seperti persediaan dan penjualan, sementara metode AHP menentukan prioritas berdasarkan kriteria risiko, biaya, dan kualitas.
Kombinasi ini menghasilkan pengelolaan persediaan yang lebih akurat dan efisien dalam menghadapi permintaan pelanggan yang fluktuatif.
Kata Kunci: Manajemen Persediaan.
Fuzzy Sugeno.
Analytical Hierarchy Process (AHP).
Industri Kecil Menengah (IKM).
Optimasi Stok AbstractOeThe primary issues faced include uncertainty in tea supply, fluctuations in raw material prices, limited production capacity, challenges in maintaining consistent product quality, and the complexity of coordinating raw material distribution among outlets to efficient resource utilization.
Therefore, this study aims to develop an optimal raw material inventory management system for the small and medium-sized enterprise (SME) Mimici using an integrated fuzzy AHP approach.
The research methodology begins with a literature review on inventory management and the fuzzy AHP method, followed by the identification of inventory issues at SME Mimici.
The next phase involves collecting primary and secondary data, then applying Fuzzy Sugeno for raw material categorization.
A priority analysis is conducted using AHP, and data is processed with relevant software.
The study concludes with the preparation of a research report.
Analysis of raw material inventory management for tea at SME Mimici reveals the importance of focusing on quality and timely procurement.
The Fuzzy Sugeno method effectively addresses uncertainties in stock management, while AHP aids in prioritizing procurement criteria.
However, implementation is hindered by limited resources for inventory monitoring, necessitating the integration of information technology into the management system.
The analysis of raw material planning for tea leaves at SME Mimici in Bogor combines Fuzzy Sugeno and AHP methods to optimize stock management.
Fuzzy Sugeno handles uncertain data such as inventory and sales, while AHP establishes priorities based on risk, cost, and quality criteria.
This combination results in more accurate and efficient inventory planning to meet fluctuating customer demand.
Keywords: Inventory Management.
Fuzzy Sugeno.
Analytical Hierarchy Process (AHP).
small and medium-sized enterprise (SME).
Stock Optimization PENDAHULUAN Pengelolaan persediaan bahan baku dan gudang merupakan aspek krusial dalam manajemen operasional perusahaan, terutama bagi industri kecil dan menengah (IKM).
Kompleksitas dalam pengelolaan persediaan menjadi semakin meningkat seiring dengan pertumbuhan bisnis dan tuntutan pasar yang dinamis.
Untuk memenuhi permintaan pelanggan dengan cara yang paling efisien dan efektif, manajemen rantai pasok berusaha untuk mengoptimalkan seluruh proses .
Informasi manajemen gudang yang tepat sangat diperlukan agar bisnis dapat menjalankan tugas yang terkait dengan manajemen gudang bahan baku dengan lebih efisien dan efektif .
Dengan adanya manajemen inventory yang baik akan mengakibatkan persediaan stock yang memadai.
Industri kecil dan menengah (IKM) memegang peranan penting dalam mendukung perekonomian dan mengatasi resesi global.
Di sisi lain.
IKM juga memberikan kesempatan kerja, peluang usaha dan meningkatkan pendapatan masyarakat.
Berdasarkan data Kementerian Perindustrian tahun 2023, kontribusi IKM terhadap PDB nasional mencapai 17,36%, dengan total nilai output IKM sebesar Rp 1.
115,10 triliun.
Selain itu.
IKM juga berfungsi sebagai penyerap tenaga kerja yang penting, dengan lebih dari 10 juta orang terlibat dalam sektor ini.
Dalam konteks perkembangan ekonomi regional.
IKM berperan sebagai tulang punggung ekonomi nasional, menciptakan lapangan kerja dan memperkuat struktur industri melalui inovasi dan kolaborasi dengan sektor besar.
Khususnya di sektor minuman.
IKM menghadapi tantangan unik dalam hal pengelolaan bahan baku karena karakteristik produk yang memiliki masa simpan terbatas dan ketergantungan pada kualitas bahan baku yang konsisten.
Dalam perkembangannya, manajemen persediaan modern membutuhkan pendekatan yang lebih rumit untuk menghadapi kompleksitas dan ketidakpastian dalam rantai pasok.
Dalam menangani kompleksitas pengelolaan Copyright A 2024 The Author.
Page 1 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
persediaan, logika fuzzy telah terbukti efektif untuk menyelesaikan masalah dalam sistem tanpa penjelasan matematis, dengan menggunakan prinsip aturan If Then Else.
Pendekatan ini memberikan fleksibilitas dalam pengambilan keputusan dengan mempertimbangkan berbagai tingkat ketidakpastian yang inherent dalam sistem persediaan.
Pada tahap fuzzifikasi, variabel dikelompokkan ke dalam beberapa kategori yang diimplementasikan dengan tujuan agar tempat yang diteliti dapat menggunakan algoritma fuzzy untuk menggambarkan persediaan barang dan jumlah penjualan dalam satu bulan, sehingga pemilik bengkel dapat menentukan stok peralatan mana yang harus ditambah atau tidak.
Proses fuzzifikasi ini memungkinkan pengambil keputusan untuk mengkuantifikasi variabel-variabel linguistik dan mengintegrasikannya ke dalam model pengambilan keputusan yang lebih komprehensif.
Metode Analytical Hierarchy Process (AHP) dipilih karena penataan hirarki kriteria dapat memberikan hasil yang unggul dalam menyelesaikan permasalahan yang kompleks untuk menentukan prioritas perolehan atau penggantian persediaan yang rusak dengan cara dengan membuat bobot atau prioritas dengan menggunakan berbagai pertimbangan.
Metode ini dapat memecahkan masalah yang sangat kompleks, dapat dengan mudah disederhanakan, dan mampu memberikan kemudahan dalam setiap pengambilan keputusan berdasarkan penentuan kriteria, penyusunan hirarki, dan pemberian nilai pembanding terhadap kriteria sampai pada proses perangkingan.
Lebih lanjut, fuzzy AHP merupakan gabungan metode AHP dan pendekatan konseptual fuzzy.
Fuzzy AHP menutupi kelemahan AHP yaitu permasalahan dengan kriteria yang lebih bersifat subjektif.
Dengan integrasi konsep fuzzy AHP, pembobotan kriteria yang dihasilkan akan lebih akurat dan hasil pembobotan akan lebih bisa dipertanggungjawabkan karena konsisten, terukur, dan lebih objektif.
IKM Mimici, yang berlokasi di Kota Bogor.
Jawa Barat, merupakan contoh konkret dari IKM yang membutuhkan sistem pengelolaan persediaan yang efektif.
Dengan tiga outlet yang strategis di daerah Azimar.
Pakuan, dan Pelataran Masjid Alumni IPB.
IKM ini menghadapi tantangan dalam mengelola persediaan bahan baku teh untuk memenuhi permintaan yang bervariasi di setiap lokasi.
Setiap outlet memiliki karakteristik permintaan yang unik, dipengaruhi oleh faktor-faktor seperti lokasi, demografi pelanggan, dan pola konsumsi musiman.
Permasalahan utama yang dihadapi mencakup beberapa aspek kritis.
Pertama, ketidakpastian pasokan teh dari petani yang dipengaruhi oleh faktor cuaca, musim panen, dan kondisi pertanian.
Kedua, fluktuasi harga bahan baku yang signifikan dapat mempengaruhi struktur biaya dan marjin keuntungan.
Ketiga, terbatasnya kapasitas produksi yang harus disesuaikan dengan permintaan yang dinamis.
Keempat, tantangan dalam mempertahankan kualitas produk yang konsisten di semua outlet.
Kelima, kompleksitas dalam koordinasi distribusi bahan baku antar outlet untuk mengoptimalkan penggunaan sumber daya.
Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk mengembangkan sistem pengelolaan persediaan bahan baku yang optimal untuk IKM Mimici menggunakan pendekatan terintegrasi fuzzy dan metode AHP.
Pendekatan ini dipilih karena kemampuannya dalam menangani ketidakpastian data persediaan dan memberikan framework pengambilan keputusan yang sistematis.
Melalui implementasi sistem ini, diharapkan IKM Mimici dapat mengoptimalkan pengelolaan persediaan bahan baku daun teh, yang pada akhirnya akan meningkatkan efisiensi operasional dan meminimalkan risiko terkait dengan fluktuasi permintaan.
Metodologi penelitian yang digunakan menggabungkan pendekatan kuantitatif dan kualitatif, meliputi beberapa tahap kunci.
Tahap pertama fokus pada pengumpulan data historis persediaan, penjualan, dan pola permintaan dari ketiga Tahap kedua melibatkan analisis pola permintaan menggunakan metode fuzzy untuk mengidentifikasi tren dan variasi musiman.
Tahap ketiga mencakup pembobotan kriteria keputusan menggunakan AHP untuk menentukan prioritas dalam pengelolaan persediaan.
Tahap keempat adalah pengembangan model terintegrasi yang menggabungkan hasil analisis fuzzy dan AHP.
Tahap terakhir meliputi validasi model dan implementasi sistem, termasuk pelatihan staf dan evaluasi kinerja sistem.
METODOLOGI PENELITIAN
1 Tahapan Penelitian Berikut ini adalah tahapan-tahapan penelitian yang dilakukan dalam studi ini.
Setiap tahapan dijalankan secara sistematis untuk memastikan hasil penelitian yang akurat dan dapat dipertanggungjawabkan.
Dimulai dari tahap perumusan masalah hingga tahap akhir berupa penyusunan laporan hasil penelitian.
Untuk memudahkan pemahaman mengenai alur penelitian yang dilakukan, dapat dilihat secara lebih jelas pada gambar 1, sebagai berikut:
Gambar 1.
Tahapan Penelitian Copyright A 2024 The Author.
Page 2 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
1 Studi Literatur Menurut .
Metode Studi Literatur dapat digunakan untuk mengumpulkan informasi-informasi yang relevan mengenai topik analisis yang sedang dibahas.
Tahapan awal dalam penelitian ini adalah melakukan kajian literatur terkait konsep pengendalian persediaan bahan baku, penerapan Fuzzy Sugeno, dan metode AHP.
Studi literatur ini bertujuan untuk memperkuat landasan teori yang mendukung penelitian serta memahami metode yang tepat digunakan dalam pengendalian bahan baku.
2 Identifikasi Masalah Tahapan ini dilakukan pengumpulan data awal terkait permasalahan pengendalian bahan baku teh di IKM Mimici.
Data yang diperoleh mencakup jenis dan volume bahan baku, pola pengadaan, serta kendala yang dihadapi dalam proses persediaan bahan baku.
3 Pengumpulan Data Tingkat keberhasilan dalam tahapan pengolahan data sangat dipengaruhi oleh tata cara pengumpulan data yang dilakukan.
Penelitian ini menggunakan data primer dari wawancara, observasi, dan kuesioner, serta data sekunder dari catatan persediaan di gudang dan dokumen terkait.
Data stok teh selama 1 tahun seperti pada tabel 1, sebagai berikut:
Tabel 1.
Data Stok Teh Mimici November 2023 - Oktober 2024 Stok Awal Pembelian Terjual Stok Akhir .
November Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Bulan Tabel 1 memperlihatkan data stok Teh Mimici dari November 2023 hingga Oktober 2024, mencakup stok awal, pembelian, penjualan, dan stok akhir setiap bulan.
Sebagai contoh, pada November 2023, stok awal 9.
510 gram ditambah 000 gram.
Penjualan mencapai 22.
000 gram, sehingga stok akhir bulan tersebut menjadi 10.
310 gram.
Tabel ini menunjukkan perubahan stok bulanan dan pengaruh pembelian serta penjualan terhadap stok yang tersedia.
4 Penerapan Fuzzy Sugeno Setelah data terkumpul, tahap selanjutnya yaitu menerapkan logika Fuzzy Sugeno untuk menentukan kategori bahan baku berdasarkan kriteria yang telah ditentukan.
Fuzzy Sugeno digunakan untuk mengatasi ketidakpastian dalam pengelolaan bahan baku yang sulit dikuantifikasi dengan metode konvensional.
5 Analisis dengan Metode AHP Analisis metode AHP dilakukan untuk melakukan prioritas persediaan bahan baku berdasarkan kriteria yang mempengaruhi pengambilan keputusan.
Dalam analisis menggunakan metode AHP terdapat beberapa rumus perhitungan yang akan digunakan untuk menghitung nilai CR (Consistency Rati.
, rumus yang digunakan antara lain sebagai berikut:
Vektor Eigen
VE = oanj=1 anij
Vektor Prioritas VP = OcVE
Vektor Alternatif
VA= aij ui VP
Vektor Bobot
VB = VP
Copyright A 2024 The Author.
Page 3 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
OcVB max = n .
Consistency Index
CI =
max Oe n .
nOe1
Consistency Ratio
CR = RI
Pada perhitungan dengan metode AHP ini diperlukan nilai Consistency Ratio (CR) yang didapatkan dengan membagi nilai Consistency Index (CI) dengan nilai Ratio Index (RI).
Nilai RI tersebut sudah ditetapkan dan dapat dilihat dari Tabel T.
Saaty Random Index (RI) seperti pada tabel 4.
Tabel 2.
Tabel Random Index (T.
Saat.
Matrix size
Random Consistency Index
0,00
0,00
0,58
0,90
1,12
1,24
1,32
1,41
Tabel Random Consistency Index (RI) ini merupakan komponen yang digunakan untuk memastikan konsistensi dalam pengambilan keputusan berbasis matriks perbandingan berpasangan.
Tabel ini berisikan nilai indeks konsistensi acak untuk berbagai ukuran matriks, yang merupakan angka acuan dalam menghitung Consistency Ratio (CR).
6 Pengolahan dan Analisis Data Data yang terkumpul kemudian diolah untuk mendapatkan hasil yang valid.
Hasil dari analisis fuzzy dan metode AHP kemudian diinterpretasikan untuk memberikan rekomendasi terkait pengendalian bahan baku.
7 Penyusunan Laporan Penelitian Tahap akhir dari penelitian ini adalah menyusun laporan yang memuat hasil analisis, kesimpulan, dan rekomendasi yang dapat diterapkan oleh IKM Mimici dalam pengendalian persediaan bahan baku teh.
2 Subjek Penelitian Subjek penelitian dalam penelitian ini terdiri dari para pakar yang terlibat langsung dalam pengelolaan dan pengendalian bahan baku teh di IKM Mimici.
Pemilihan subjek dilakukan melalui pendekatan purposive sampling, dengan fokus pada individu yang memiliki pengalaman dan pengetahuan mendalam terkait pengelolaan bahan baku teh, sehingga hasil penelitian dapat lebih akurat dan relevan.
1 Supervisor Bagian Pengadaan Sebagai supervisor di bagian pengadaan yang memiliki tanggung jawab utama dalam memastikan ketersediaan bahan baku sesuai kebutuhan produksi.
Tidak hanya mengawasi proses pengadaan bahan baku, tetapi juga melakukan evaluasi terhadap kualitas dan kuantitas bahan baku yang masuk.
Supervisor berperan penting dalam menentukan strategi pengelolaan bahan baku, mulai dari pemilihan pemasok, penjadwalan pembelian, hingga mitigasi risiko yang berkaitan dengan fluktuasi persediaan.
Pengalaman dan wawasan supervisor mengenai tantangan operasional yang dihadapi IKM Mimici akan menjadi sumber data utama dalam memahami pola pengelolaan bahan baku yang efektif.
2 Staf Bagian Pengadaan Staf yang berperan langsung dalam operasional sehari-hari terkait pengelolaan bahan baku teh di IKM Mimici.
Tanggung jawabnya meliputi pencatatan stok bahan baku, monitoring kebutuhan produksi harian, serta memastikan prosedur pengadaan sesuai dengan rencana yang telah ditetapkan oleh supervisor.
Selain itu juga berperan dalam melakukan kontrol persediaan dan mengidentifikasi kendala teknis yang muncul dalam pengelolaan bahan baku, seperti masalah keterlambatan pengiriman atau fluktuasi kualitas bahan baku.
Data yang diperoleh akan memberikan wawasan mengenai operasionalisasi pengelolaan bahan baku di level teknis.
Copyright A 2024 The Author.
Page 4 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
HASIL DAN PEMBAHASAN
1 Hasil Analisis Persediaan Bahan Baku Teh Dengan Fuzzy Sugeno Pada tahap penerapan Fuzzy Sugeno data kebutuhan bahan baku teh di IKM Mimici diolah untuk menentukan kategori persediaan yang dibutuhkan dengan menggunakan tiga variabel yaitu stok awal, pembelian, dan terjual.
1 Himpunan Fuzzy Pada bagian ini, himpunan Fuzzy yang digunakan untuk menentukan keanggotaan variabel input dan output akan Himpunan keanggotaan ini penting untuk menginterpretasikan nilai input dan output dalam bentuk Fuzzy yang sesuai.
Untuk penjelasan lebih rinci mengenai himpunan keanggotaan tersebut, dapat dilihat pada gambar 2 sebagai Gambar 2.
Variabel input dan output Gambar 2 menunjukkan model fuzzy untuk menentukan stok akhir Teh Mimici berdasarkan tiga variabel input dan satu variabel output yaitu sebagai berikut:
Stok Awal: Dikategorikan menjadi rendah .
- 4.
210 gra.
, sedang .
840 - 14.
280 gra.
, dan tinggi .
510 - 17.
dengan fungsi Triangular.
Pembelian: Terbagi menjadi rendah .
- 15.
500 gra.
, sedang .
500 - 31.
000 gra.
, dan tinggi .
000 - 44.
menggunakan fungsi Trapezoidal.
Terjual: Kategori rendah .
- 15.
860 gra.
, sedang .
400 - 30.
480 gra.
, dan tinggi .
200 - 39.
890 gra.
menggunakan fungsi Triangular.
Stok Akhir dikelompokkan sebagai rendah, sedang, dan tinggi berdasarkan input dari tiga variabel tersebut.
2 Aturan Fuzzy Aturan dasar dalam Fuzzy Sugeno 3x3x3 berkaitan dengan sistem yang menggunakan tiga variabel input, di mana masingmasing variabel tersebut memiliki tiga kategori fuzzy.
Dalam sistem ini, setiap variabel input dapat diklasifikasikan menjadi tiga kategori yaitu rendah, sedang, dan tinggi, sehingga total aturan yang dapat dibentuk adalah 3x3x3 yaitu 27 Aturan fuzzy dapat dilihat pada tabel 3.
Tabel 3.
Aturan Fuzzy No Stok Awal Pembelian 1 Rendah Rendah 2 Rendah Rendah 3 Rendah Rendah 4 Rendah Sedang 5 Rendah Sedang 6 Rendah Sedang 7 Rendah Tinggi 8 Rendah Tinggi 9 Rendah Tinggi 10 Sedang Rendah 11 Sedang Rendah 12 Sedang Rendah 13 Sedang Sedang 14 Sedang Sedang 15 Sedang Sedang Terjual Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Stok Akhir Banyak A Sedang B Sedikit C Sedang B Sedikit C Sedikit C Banyak A Sedang B Sedikit C Sedang B Sedang B Sedikit C Banyak A Sedikit C Sedikit C Nilai (Paka.
Copyright A 2024 The Author.
Page 5 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
No Stok Awal Pembelian 16 Sedang Tinggi 17 Sedang Tinggi 18 Sedang Tinggi 19 Tinggi Rendah 20 Tinggi Rendah 21 Tinggi Rendah 22 Tinggi Sedang 23 Tinggi Sedang 24 Tinggi Sedang 25 Tinggi Tinggi 26 Tinggi Tinggi 27 Tinggi Tinggi Terjual Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Rendah Sedang Tinggi Stok Akhir Banyak A Sedang B Sedang B Banyak A Banyak A Sedang B Banyak A Banyak A Sedang B Banyak A Banyak A Sedikit C Nilai (Paka.
Tabel 3 menunjukkan aturan Fuzzy Sugeno untuk menentukan stok akhir berdasarkan kombinasi stok awal, pembelian, dan penjualan.
Ada 27 aturan yang mengelompokkan stok akhir menjadi Banyak (A).
Sedang (B), atau Sedikit (C), dengan skor dari pakar mulai dari 0,2 hingga 0,9.
Skor pakar menunjukkan keyakinan pada hasil yang diperoleh dari setiap aturan.
Tabel ini memandu prediksi stok akhir berdasarkan input yang diberikan.
3 Fuzzifikasi Penghitungan himpunan keanggotaan fuzzy dengan rumus seperti berikut:
Fungsi Keanggotaan Triangular Rumus keanggotaan triangular untuk suatu nilai x:
0, jika x O a atau x Ou c xOea = { bOea , jika a O x O b cOex cOeb , jika b O x O c Penjelasan:
Kiri : .
Oe.
etika x di antara a dan .
Kanan : .
Oe.
etika x di antara b dan .
(NOe.
Oe.
Fungsi Keanggotaan Trapezoidal Rumus keanggotaan trapezoidal untuk suatu nilai x:
0, jika x O a atau x Ou d jika a O x O b bOea xOea .
= cOex { dOec , jika b O x O c jika c O x O d .
Penjelasan:
(NOe.
Kiri : .
Oe.
etika x di antara a dan .
Kanan .
Oe.
: .
Oe.
etika x di antara c dan .
Menghitung nilai derajat keanggotaan pada setiap variabel seperti berikut:
Variabel Input Stok Awal Langkah berikut ini menjelaskan cara menghitung nilai derajat keanggotaan pada setiap variabel, khususnya untuk variabel input Stok Awal.
Nilai derajat keanggotaan ini akan digunakan untuk menentukan seberapa besar suatu nilai termasuk dalam kategori tertentu pada himpunan fuzzy.
Rincian lebih lanjut mengenai perhitungan tersebut dapat dilihat pada gambar 3, sebagai berikut:
Gambar 3.
Variabel input stok awal Copyright A 2024 The Author.
Page 6 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Gambar 3 menunjukkan grafik dari himpunan keanggotaan fuzzy pada variabel input stok awal dengan nilai x sebesar 11000 gram dengan menghitung masing-masing nilai 1 dan 2 seperti berikut:
(NOe.
00 Oe 9.
Oe.
80 Oe 11.
1_Stok Awal_Tinggi = .
Oe.
= .
60 Oe 9.
2_Stok Awal_Sedang = .
Oe.
= .
80 Oe 6.
= .
= 0,197 = 0,20 .
= .
= 0,421 = 0,42 .
Variabel Input Pembelian Langkah berikutnya menjelaskan cara menghitung nilai derajat keanggotaan pada variabel input pembelian bahan.
Nilai derajat keanggotaan ini akan digunakan untuk menentukan seberapa besar suatu nilai termasuk dalam kategori tertentu pada himpunan fuzzy.
Rincian lebih lanjut mengenai perhitungan tersebut dapat dilihat pada gambar 4, sebagai berikut:
Gambar 4.
Variabel input pembelian Gambar 4 menunjukkan grafik dari himpunan keanggotaan fuzzy pada variabel input pembelian dengan nilai x sebesar 30000 gram dengan menghitung masing-masing nilai 1 dan 2 seperti berikut:
Oe.
00 Oe 30.
Oe.
00 Oe 26.
1_Pembelian_Sedang = .
Oe.
= .
00 Oe 26000 ) 2_Pembelian_Tinggi = .
Oe.
= .
00 Oe 26.
= .
= 0,20 .
= .
= 0,50 .
Variabel Input Terjual Langkah berikutnya menjelaskan cara menghitung nilai derajat keanggotaan pada variabel input terjual.
Nilai derajat keanggotaan ini akan digunakan untuk menentukan seberapa besar suatu nilai termasuk dalam kategori tertentu pada himpunan fuzzy.
Rincian lebih lanjut mengenai perhitungan tersebut dapat dilihat pada gambar 5, sebagai berikut:
Gambar 5.
Variabel input terjual Gambar 5 menunjukkan grafik dari himpunan keanggotaan fuzzy pada variabel input terjual dengan nilai x sebesar 26000 gram dengan menghitung masing-masing nilai 1 dan 2 seperti berikut:
(NOe.
00 Oe 22.
1_Terjual_Tinggi = .
Oe.
= .
90 Oe 22.
2_Terjual_Sedang .
Oe.
= .
= 0,214 = 0,22 .
80 Oe 26.
= .
Oe.
= .
80 Oe 22.
= .
= 0,541 = 0,54 .
Variabel Output Stok Akhir Langkah terakhir yaitu pada output stok akhir, nilai derajat keanggotaan ini akan digunakan untuk menentukan seberapa besar suatu nilai termasuk dalam kategori tertentu pada himpunan fuzzy.
Rincian lebih lanjut mengenai perhitungan tersebut dapat dilihat pada gambar 6, sebagai berikut:
Copyright A 2024 The Author.
Page 7 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Gambar 6.
Variabel output stok akhir Gambar 6 menunjukan nilai variabel output yaitu stok akhir, variabel output dalam sistem ini digunakan untuk menentukan stok akhir pada setiap parameter, dengan nilai-nilai yang telah diatur berdasarkan panduan dari ahli.
Rentang nilai yang digunakan berkisar dari 0 hingga 1, yang merepresentasikan tingkat stok yang dihasilkan dalam tiga kategori output yaitu Sedikit.
Sedang, dan Banyak.
Kategori-kategori ini dirancang untuk mencerminkan jumlah stok yang harus dipertahankan berdasarkan kondisi tertentu, dengan tujuan menyediakan keputusan yang lebih akurat mengenai pengelolaan bahan baku.
Nilai output tersebut dirumuskan melalui proses penilaian ahli untuk menyesuaikan strategi pengelolaan stok sesuai dengan kebutuhan operasional dan situasi pasar.
4 Inferensi Fuzzy Pada tahap ini, dilakukan proses inferensi fuzzy untuk menentukan derajat keanggotaan dari setiap variabel input yang telah didefinisikan.
Derajat keanggotaan ini mencerminkan sejauh mana suatu nilai input berada dalam kategori tertentu, seperti "Tinggi", "Sedang", atau "Rendah".
Penilaian ini didasarkan pada fungsi keanggotaan yang telah ditetapkan sebelumnya untuk tiap variabel input.
Berikut adalah derajat keanggotaan untuk masing-masing variabel yang akan digunakan dalam analisis lebih lanjut:
Derajat Keanggotaan 1_Stok Awal_Tinggi = 0,20 2_Stok Awal_Sedang = 0,42 1_Pembelian_Sedang = 0,20 2_Pembelian_Tinggi = 0,50 1_Terjual_Tinggi = 0,22 2_Terjual_Sedang = 0,54 .
Penggabungan Setelah nilai dan derajat keanggotaan dihitung, langkah selanjutnya adalah melakukan penggabungan data untuk memudahkan analisis lebih lanjut.
Hasil penggabungan ini disajikan dalam bentuk tabel, yang akan memudahkan dalam melihat hubungan antar variabel yang telah diolah.
Tabel penggabungan dapat dilihat pada Tabel 3, seperti Tabel 4.
Hasil Penggabungan No Stok Awal Rendah
Rendah
Rendah
Rendah
Rendah
Rendah
Rendah
Rendah
Rendah
0,42
0,42
0,42
0,42
0,42
0,42
0,42
0,42
0,42
0,20
Pembelian Rendah
Rendah
Rendah
0,20
0,20
0,20
0,50
0,50
0,50
Rendah
Rendah
Rendah
0,20
0,20
0,20
0,50
0,50
0,50
Rendah
Terjual Rendah
0,54
0,22
Rendah
0,54
0,22
Rendah
0,54
0,22
Rendah
0,54
0,22
Rendah
0,54
0,22
Rendah
0,54
0,22
Rendah Stok Akhir Banyak Sedang Sedikit Sedang Sedikit Sedikit Banyak Sedang Sedikit Sedang Sedang Sedikit Banyak 0,20 0,20 Banyak 0,42 0,22 Banyak Nilai (Paka.
Copyright A 2024 The Author.
Page 8 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
Rendah
Rendah
0,20
0,20
0,20
0,50
0,50
0,50
0,54
0,22
Rendah
0,54
0,22
Rendah
0,54
0,22
Banyak Sedang Banyak 0,20 0,20 Banyak 0,20 0,20 Tabel 3 menunjukkan penggabungan antara parameter stok awal, pembelian, terjual, stok akhir, dan nilai pakar dalam kategori A.
B, atau C.
Setiap kombinasi parameter menghasilkan nilai pakar antara 0,2 hingga 0,9.
Kombinasi ini ditampilkan dengan kategori numerik atau kualitatif .
endah, sedang, banya.
, dengan kombinasi penting diberi warna latar abu-abu untuk menyoroti perbedaan nilai pakar atau kategori akhir.
5 Defuzzifikasi Deffuzifikasi bertujuan untuk mengubah nilai-nilai tidak pasti menjadi nilai yang mudah dipahami menggunakan perhitungan rata-rata .
Rumus perhitungan defuzzifikasi sebagai berikut:
Defuzzifikasi = Oc(F x N) / OcF F = .
,20.
0,20.
0,42.
0,22.
0,20.
0,20.
0,20.
N = .
,2.
0,2.
0,5.
0,5.
0,9.
0,5.
0,9.
,20 y 0,.
,20 y 0,.
,42 y 0,.
,22 y 0,.
,20 y 0,.
,20 y 0,.
,20 y 0,.
,20 y 0,.
} Defuzzifikasi ,20 0,20 0,42 0,22 0,20 0,20 0,20 0,.
= 1,84 = 0,49
6 Output Nilai stok akhir dari dengan jumlah stok awal sebanyak 1100 gram, pembelian sebanyak 30000 gram, dan terjual sebanyak 26000 adalah 0,49.
2 Hasil Analisis Prioritas Persediaan Bahan Baku Teh Dengan Metode AHP Struktur hierarki AHP mempunyai tiga tingkatan yaitu tujuan, kriteria, alternatif.
Metode AHP dikenal sangat akurat untuk dipakai dalam pengambilan keputusan dengan banyak kriteria.
Pola yang dibentuk sebagai analisis dengan model AHP dapat digambarkan sebagai berikut.
Gambar 7.
Struktur AHP Struktur AHP yang sudah dibentuk seperti pada gambar 7 memiliki model ukuran empat level.
Level pertama sebagai tujuan yaitu pemilihan perencanaan persediaan bahan baku teh.
Level kedua sebagai kriteria yaitu kemungkinan risiko dalam persediaan, biaya dalam proses persediaan, dan Kualitas yang diharapkan.
Level ketiga sebagai sub kriteria yaitu kekurangan stok, kelebihan stok, biaya pengadaan, biaya penyimpanan, biaya kehilangan, konsistensi kualitas, dan Terakhir level keempat sebagai alternatif yaitu sistem Just in Time, tradisional, dan prediksi.
Selanjutnya akan dibuatkan kuesioner yang diberikan kepada pakar sebagai bahan untuk dihitung nilai bobot prioritasnya menggunakan perbandingan berpasangan.
1 Tabel Hasil Perhitungan Nilai Geometric Mean (Geomea.
dari Perbandingan Berpasangan Setelah AHP ditentukan, selanjutnya dibuat matriks perbandingan berpasangan dengan menghitung geomean nilai dari responden 1 dan responden 2.
Nilai geomean ini didapatkan dari hasil akar nilai responden 1 dikali dengan nilai responden Nilai akhir dapat dianggap konsisten apabila menghasilkan 0,1 Ou CR (Consistency Rati.
Nilai tersebut dipaparkan dalam bentuk tabel sebagai berikut.
Copyright A 2024 The Author.
Page 9 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Tabel 5.
Nilai geomean dari perbandingan berpasangan untuk kriteria terhadap tujuan Kriteria Risiko Biaya Kualitas VE Risiko
0,14
0,25
0,33
Biaya
2,76
Kualitas 0,33 1,10 0,08 0,66 0,26 0,24 1,99 0,79 3,02 3,02 3,02 yyAmax
3,02
0,0108
0,018
Berdasarkan hasil perhitungan pada Tabel 5, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level kriteria adalah biaya dengan nilai sebesar 0,66.
Pada kriteria ini artinya kategori biaya lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 6.
Nilai geomean dari perbandingan berpasangan untuk sub kriteria terhadap kriteria risiko
Sub kriteria Kekurangan Kelebihan VE Kekurangan 0,33 0,57 Kelebihan 1,73 0,25 0,75 0,50 1,50 1,99 1,99 yyAmax
1,99
Berdasarkan hasil perhitungan pada tabel 6, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level sub kriteria risiko adalah kelebihan stok dengan nilai sebesar 0,75.
Pada sub kriteria ini artinya kategori kelebihan stok lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 7.
Nilai geomean dari perbandingan berpasangan untuk sub kriteria terhadap kriteria biaya Sub kriteria Pengadaan Penyimpanan Kehilangan VE VP VA VB yyAmax CI Pengadaan 2,47 0,64 1,93 3,03 Penyimpanan 1,00 0,26 0,78 3,03 3,03 0,0165 0,0284 Kehilangan 0,33 0,40 0,10 0,32 3,03 Berdasarkan hasil perhitungan pada Tabel 7, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level sub kriteria biaya adalah pengadaan dengan nilai sebesar 0,64.
Pada kriteria ini artinya kategori biaya pengadaan lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 8.
Nilai geomean dari perbandingan berpasangan untuk sub kriteria terhadap kriteria kualitas Sub kriteria
Konsistensi
Standar
Konsistensi Standar VE 1,41 0,71 0,67 0,33 1,33 0,67 2,00 2,00 yyAmax
2,00
Berdasarkan hasil perhitungan pada Tabel 8, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level sub kriteria adalah konsistensi dengan nilai sebesar 0,67.
Pada kriteria ini artinya kategori konsistensi kualitas lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 9.
Nilai geomean dari perbandingan berpasangan untuk alternatif terhadap sub kriteria kekurangan Alternatif
JIT
Tradisional Prediksi
JIT Tradisional Prediksi
0,11
0,17
VE VP VA VB yyAmax CI
2,62 0,61 1,82 3,01
1,44 0,33 1,00 3,01 3,01 0,0046 0,0079
0,26 0,06 0,18 3,01
Berdasarkan hasil perhitungan pada Tabel 9, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level alternatif terhadap sub kriteria kekurangan adalah JIT dengan nilai sebesar 0,61.
Pada kriteria ini artinya kategori JIT lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 10.
Nilai geomean dari perbandingan berpasangan untuk alternatif terhadap sub kriteria kelebihan Alternatif
JIT
Tradisional Prediksi
Tradisiona
Prediksi VE 1,82 0,17 0,32 1,71 JIT
VB yyAmax
0,47 1,42 3,00
0,08 0,25 3,00 3,00 0,0018 0,0031
0,44 1,33 3,00
Berdasarkan hasil perhitungan pada Tabel 10, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level alternatif terhadap sub kriteria kelebihan adalah JIT dengan nilai sebesar 0,47.
Pada kriteria ini artinya Copyright A 2024 The Author.
Page 10 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
kategori JIT lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 11.
Nilai geomean dari perbandingan berpasangan untuk alternatif terhadap sub kriteria pengadaan Alternatif
JIT
Tradisional Prediksi
Tradisiona
Prediksi
0,25
yyAmax
1,59
0,37
1,71
0,43 1,30
0,10 0,30
0,47 1,40
3,01
3,01
3,01
3,01
JIT
0,0027 0,0047
Berdasarkan hasil perhitungan pada Tabel 11, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level alternatif terhadap sub kriteria pengadaan adalah prediksi dengan nilai sebesar 0,47.
Pada kriteria ini artinya kategori prediksi lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 12.
Nilai geomean dari perbandingan berpasangan untuk alternatif terhadap sub kriteria penyimpanan Alternatif
JIT
Tradisional Prediksi
JIT Tradisional Prediksi
VE VP VA VB
1,71 0,45 1,36 3,00
0,34 0,09 0,27 3,00
1,71 0,45 1,36 3,00
yyAmax
3,00
Berdasarkan hasil perhitungan pada tabel 12, dapat diketahui nilai bobot atau vektor prioritas (VP) pada pilihan di level alternatif JIT dengan prediksi terhadap sub kriteria penyimpanan adalah sama, dengan nilai sebesar 0,45.
Pada kriteria ini artinya kategori JIT ataupun prediksi sama unggul dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 13.
Nilai geomean dari perbandingan berpasangan untuk alternatif terhadap sub kriteria kehilangan Alternatif
JIT
Tradisional Prediksi
JIT
0,25
Tradisional Prediksi VE 2,71 0,33 0,40 0,91 VP VA VB yyAmax
0,67 2,08 3,08
0,10 0,31 3,09 3,08 0,0416 0,0717
0,23 0,70 3,08
Berdasarkan hasil perhitungan pada tabel 13, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level alternatif terhadap sub kriteria kehilangan adalah prediksi dengan nilai sebesar 0,67.
Pada kriteria ini artinya kategori Just in Time lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 14.
Nilai geomean dari perbandingan berpasangan untuk alternatif terhadap sub kriteria konsistensi
Alternatif
JIT Tradisional Prediksi
JIT
Tradisional Prediksi
0,14
2,41
0,31
1,36
0,59 1,78
0,08 1,23
0,33 1,00
yyAma
3,01
3,01 3,01 0,0071 0,0122
3,01
Berdasarkan hasil perhitungan pada tabel 14, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level alternatif terhadap sub kriteria konsistensi adalah JIT dengan nilai sebesar 0,59.
Pada kriteria ini artinya kategori JIT lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Tabel 15.
Nilai geomean dari perbandingan berpasangan untuk alternatif terhadap sub kriteria standar
Alternatif
JIT
Tradisional Prediksi
Tradisiona
Prediksi VE VP
1,91 0,49
0,14
0,31 0,08
1,71 0,44
JIT
yyAmax
1,47
0,23
1,31
3,01
3,01
3,01
3,01 0,0062 0,011
Berdasarkan hasil perhitungan pada Tabel 15, dapat diketahui nilai bobot atau vektor prioritas (VP) tertinggi pada pilihan di level alternatif terhadap sub kriteria kesesuaian standar adalah JIT dengan nilai sebesar 0,49.
Pada kriteria ini artinya kategori JIT lebih unggul atau dapat diprioritaskan dalam merencanakan persediaan bahan baku teh.
Hasil akhir dikatakan konsisten karena nilai CR < 0,1.
Copyright A 2024 The Author.
Page 11 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
2 Tabel pembobotan prioritas pilihan Setelah perhitungan pembobotan nilai didapatkan hasil setiap kriteria memiliki pengaruh akan pemilihan keputusan.
Nilai pembobotan ini dilihat pada nilai vektor prioritas yang diberikan pada tabel berikut.
Tabel 16.
Bobot Prioritas AHP pada kriteria
Kriteria
Risiko
Biaya
Kualitas Bobot AHP
0,08
0,66 no 0,26 Prioritas Ke Berdasarkan hasil perhitungan pada kriteria yang dirangkum pada Tabel 16, dapat diketahui nilai tertinggi pada bobot prioritas diperoleh oleh kriteria biaya dengan nilai sebesar 0,66 atau 66%.
Artinya IKM Mimichi harus memprioritaskan pengaruh biaya dalam pemilihan rencana pengelolaan persediaan bahan baku teh.
Tabel 17.
Bobot Prioritas AHP pada sub kriteria terhadap kriteria prioritas Sub-kriteria
Pengadaan Penyimpanan Kehilangan Bobot AHP
0,64
0,26
0,10
Prioritas Ke Berdasarkan hasil perhitungan pada sub kriteria yang dirangkum pada Tabel 17, dapat diketahui nilai tertinggi pada bobot prioritas diperoleh oleh sub-kriteria Biaya Pengadaan dengan nilai sebesar 0,64 atau 64%.
Artinya IKM Mimichi harus memprioritaskan pengaruh biaya pengadaan terhadap kriteria biaya dalam pengelolaan persediaan bahan baku teh.
Tabel 18.
Bobot Prioritas AHP pada nilai geomean alternatif terhadap sub kriteria
Alternatif
JIT
Tradisional Prediksi
Bobot AHP
0,51
0,09
0,36
Prioritas Ke Berdasarkan hasil perhitungan geomean dari nilai alternatif terhadap sub kriteria yang dirangkum pada tabel 18, dapat diketahui nilai tertinggi pada bobot prioritas diperoleh oleh alternatif JIT atau sistem Just in Time dengan nilai sebesar 0,51 atau 51%.
Artinya IKM Mimichi harus memprioritaskan pengaruh sistem JIT atau Just in Time dalam pemilihan rencana persediaan bahan baku teh.
3 Pembahasan Hasil analisis menunjukkan bahwa pengelolaan persediaan bahan baku teh di IKM Mimici perlu fokus pada biaya yang Biaya tersebut penting untuk dianggarkan dengan baik terutama pada biaya pengadaan untuk persediaan bahan baku.
Meskipun persediaan secara keseluruhan mencukupi, namun jika pengelolaan pengadaan bahan baku masih rendah akan dapat mengganggu produksi apabila tidak dikelola dengan baik.
Fuzzy Sugeno dapat membantu pertimbangan dalam mengatasi ketidakpastian pengelolaan persediaan, memungkinkan pengkategorian bahan baku secara fleksibel berdasarkan tingkat kebutuhan.
Berdasarkan hasil defuzzifikasi didapatkan interpretasi bahwa tingkat ketersediaan stok akhir dalam rentang 0 - 1 dengan stok awal 11000 gram, pembelian bahan baku 30000 gram, dan terjual 26000 gram adalah 0,49.
Selanjutnya pada metode AHP membantu menentukan prioritas kriteria yang jelas untuk strategi pengelolaan bahan baku yang lebih efektif.
Berdasarkan hasil perhitungan bobot prioritas pemilihan keputusan yang diprioritaskan pada setiap level dapat dilihat sebagai berikut.
Gambar 8.
Struktur AHP setelah perhitungan bobot prioritas Copyright A 2024 The Author.
Page 12 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 1.
Desember 2024 | Hal 1-13 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Berdasarkan gambar 8 dapat diketahui keputusan yang akan diambil dalam pengelolaan persediaan bahan baku adalah memprioritaskan alternatif sistem Just in Time (JIT) dengan mempertimbangkan kriteria penganggaran biaya yaitu biaya pengadaan.
Namun, perlu digaris bawahi adanya tantangan implementasi di lapangan, seperti keterbatasan sumber daya untuk memantau persediaan dan menghitung ketepatan waktu pengadaan.
Integrasi teknologi informasi dan sistem manajemen persediaan diperlukan untuk mendukung penerapan rekomendasi ini.
KESIMPULAN
Analisis perencanaan persediaan bahan baku daun teh IKM Mimici di Kota Bogor menggunakan logika berpikir Fuzzy Sugeno dan metode AHP (Analytic Hierarchy Proces.
mampu menghasilkan perencanaan persediaan bahan baku daun teh yang lebih akurat, efisien, dan efektif.
Hal tersebut dapat dilihat dari masing-masing kegunaan dua metode tersebut yaitu Fuzzy Sugeno berfungsi dalam penentuan data angka input yang tidak pasti seperti data persediaan, penjualan, dan penambahan stok bahan baku daun teh IKM Mimici.
Sedangkan metode AHP (Analytic Hierarchy Proces.
mampu menghasilkan penentuan prioritas berdasarkan beberapa kriteria yang sudah dipilih pada struktur hirarki seperti risiko akan adanya kekurangan atau kelebihan stok, biaya-biaya yang terpakai, dan kualitas daun teh yang menjadi tolak ukur IKM Mimici, kemudian nantinya akan dihasilkan penentuan metode prioritas yang dibutuhkan pada IKM Mimici berdasarkan alternatif-alternatif seperti metode JIT (Just In Tim.
, tradisional, atau prediksi berdasarkan permintaan .
Adanya analisis perencanaan persediaan bahan baku daun teh yang dilakukan di IKM Mimici dengan hasil prioritas penggunaan metode alternatif just in time sebesar 51% dan stok akhir berdasarkan perhitungan fuzzy sugeno sebesar 0,49 diharapkan akan memberikan kontribusi, manfaat, dan dampak positif jangka panjang dalam mempermudah penentuan perencanaan persediaan bahan baku daun teh yang saat ini menjadi permasalahan pada IKM Mimici, penentuan persediaan bahan baku daun teh IKM Mimici sangat sulit ditentukan karena adanya data permintaan pelanggan yang bersifat fluktuatif pada setiap periodenya.
REFERENCES