Optimisasi Inventory Stock Level Menggunakan Hybrid Genetic Algorithm Variable Neighborhood Search Untuk Meningkatkan Penjualan Spare Part Mesin Crusher

Santoso, Juli (2026) Optimisasi Inventory Stock Level Menggunakan Hybrid Genetic Algorithm Variable Neighborhood Search Untuk Meningkatkan Penjualan Spare Part Mesin Crusher. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032241182_Master_Thesis.pdf Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Dalam menghadapi dinamika pasar yang semakin kompleks, perusahaan dituntut untuk meningkatkan fleksibilitas dalam pengelolaan rantai pasok (supply chain). Hal ini mencakup alokasi sumber daya yang efisien, optimalisasi proses produksi, pemangkasan siklus pengiriman, pengendalian biaya persediaan (inventory cost), serta inovasi berkelanjutan guna mempertahankan daya saing dan memenuhi ekspektasi konsumen yang terus berkembang.Peningkatan penjualan suku cadang (spare part) mesin crusher PT. XYZ belum diimbangi oleh efektivitas sistem rantai pasok. Lead time yang panjang, tingginya biaya produksi, pengiriman,dan pergudangan, serta keterlambatan pengiriman kepada pelanggan menunjukkan perlunya perbaikan menyeluruh dalam rantai pasok untuk meningkatkan daya saing. Penelitian ini bertujuan untuk mengoptimalkan pengelolaan persediaan dengan meminimalkan total inventory cost serta memastikan pencapaian service level minimal sebesar 90%. Selain itu, penelitian ini menetapkan batasan average inventory agar tidak melebihi baseline sebesar ±5% dalam horizon perencanaan selama 12 bulan. Fokus utama diarahkan pada 10 komponen spare part kategori A/Y yang memiliki tingkat kritikal tinggi terhadap operasional. Penelitian ini juga merumuskan kebijakan stok operasional berbasis sistem Material Requirements Planning (MRP) dengan pendekatan Manually Maintained Safety Stock (SS), serta menetapkan parameter Reorder Point (ROP) dan lot size yang optimal untuk masing-masing komponen tersebut. Data yang digunakan diperoleh dari transaksi penjualan dan distribusi dalam sistem SAP R3P kemudian dianalisis menggunakan metode Hybrid Genetic Algorithm Variable Neighborhood Search (HGA-VNS), dengan input Cost of Goods, Initial Stock Level, Quantity Demand, Holding Cost, Delivery Cost and Penalty Cost untuk menghasilkan kebijakan persediaan (Inventory Policy) dengan biaya minimum. Hasil penelitian menunjukkan bahwa metode HGA-VNS mampu menurunkan total biaya sebesar 0,51% dan 13,86% masing-masing dibandingkan dengan metode GA dan VNS, sekaligus tetap memiliki skalabilitas komputasi yang baik dibandingkan dengan model Mixed Integer Linear Programming (MILP). Simulasi Monte Carlo yang dilakukan dengan minimal 500 replikasi, serta pengujian paired test dan uji nonparametrik, menunjukkan tidak adanya perbedaan yang signifikan antara hasil biaya deterministik dan stokastik serta nilai fill rate (p > 0,05). Meskipun nilai fill rate pada metode HGA-VNS menunjukkan signifikansi statistik (p < 0,01), ukuran efek yang kecil (d = −0,152) mengindikasikan keterbatasan relevansi praktis, sehingga secara keseluruhan metode ini tetap menunjukkan tingkat ketahanan (robustness) yang baik terhadap ketidakpastian. Terkait kebijakan stok level inventory, metode HGA-VNS mampu menurunkan expected shortage unit 14.1% terhadap metode VNS dan 35.2% terhadapa metode GA. Dengan rentang fill rate dominan diatas 90% dibandingkan GA dan VNS. HGA‑VNS juga menunjukkan keseimbangan yang paling baik karena mampu menekan expected shortage hingga nilai terendah tanpa meningkatkan persediaan secara berlebihan. Temuan ini semakin menguatkan bahwa pendekatan metaheuristik memiliki ketahanan yang baik dalam menjaga keseimbangan antara biaya dan fill rate pada kondisi permintaan dan lead time yang bersifat stokastik. Secara umum, metode HGA-VNS yang diusulkan mampu merepresentasikan trade-off antara biaya dan fill rate secara realistis serta mendukung koordinasi persediaan yang efektif dalam rantai pasok pertambangan yang kompleks. Hasil penelitian ini diharapkan memberikan kontribusi praktis bagi pelaku bisnis di sektor impor, penjualan, dan distribusi dalam merumuskan kebijakan persediaan yang lebih efisien. Selain itu, penelitian ini juga diharapkan memberikan kontribusi akademik sebagai referensi bagi studi lanjutan dalam bidang optimasi rantai pasok dan manajemen persediaan berbasis pendekatan heuristik.
==================================================================================================================================
In response to increasingly complex market dynamics, companies are required to enhance flexibility in supply chain management. This includes efficient resource allocation, production process optimization, reduction of delivery cycles, inventory cost control, and continuous innovation to maintain competitiveness and meet evolving customer expectations. The increase in sales of crusher machine spare parts at PT. XYZ has not been matched by the effectiveness of its supply chain system. Extended lead times, high production, shipping, and warehousing costs, along with delivery delays to customers, indicate the need for comprehensive improvements in the supply chain to enhance competitiveness. This study aims to optimize inventory management by minimizing total inventory cost while ensuring a minimum service level of 90%. Additionally, it imposes a constraint requiring average inventory to remain within ±5% of the baseline over a 12-month planning horizon. The focus is directed toward 10 critical spare part items classified as A/Y, which are essential to operational continuity. The study also formulates operational stock policies based on a Material Requirements Planning (MRP) system using a Manually Maintained Safety Stock (SS) approach and determines the optimal Reorder Point (ROP) and lot size parameters for each item. The data were obtained from sales and distribution transactions recorded in the SAP R3P system and analyzed using the Hybrid Genetic Algorithm–Variable Neighborhood Search (HGA-VNS) method. The model incorporates Cost of Goods, Initial Stock Level, Quantity Demand, Holding Cost, Delivery Cost, and Penalty Cost as input parameters to generate an inventory policy with minimum total cost. The results show that HGA-VNS reduces total cost by 0.51% and 13.86% compared with the Genetic Algorithm (GA) and Variable Neighborhood Search (VNS), respectively, while remaining computationally scalable relative to Mixed-Integer Linear Programming (MILP). Monte Carlo simulations with at least 500 replications, supported by paired and nonparametric tests, indicate no significant differences between deterministic and stochastic cost and fill rate results (p > 0.05). Although the HGA-VNS fill rate exhibits statistical significance (p < 0.01), the small effect size (d = −0.152) indicates limited practical relevance, demonstrating the method's robustness under uncertainty. In terms of inventory policies, HGA-VNS reduces expected shortage units by 14.1% compared with VNS and by 35.2% compared with GA. Furthermore, HGA-VNS consistently achieves a fill rate exceeding 90%, outperforming both GA and VNS in service performance. It also provides the most balanced trade-off between inventory efficiency and service level by achieving the lowest expected shortage without excessive inventory accumulation. These findings further confirm the cost–fill rate robustness of metaheuristic approaches under stochastic demand and lead time conditions. Overall, the proposed HGA-VNS method effectively captures realistic cost–fill rate trade-offs and supports efficient inventory coordination in complex mining supply chains. The findings are expected to provide practical contributions for practitioners in the import, sales, and distribution sectors in formulating more efficient inventory policies, while also serving as a valuable academic reference for future research on supply chain optimization and inventory management using heuristic-based approaches.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	supply chain; inventory cost; spare part; crusher; lead time; Variable Neighborhood Search (VNS); Cost of goods; Initial Stock Level; Quantity Demand; Delivery Cost; Penalty Cost; service level; inventory policy
Subjects:	T Technology > T Technology (General) > T57.84 Heuristic algorithms.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Juli Santoso
Date Deposited:	23 Jul 2026 09:23
Last Modified:	23 Jul 2026 09:23
URI:	http://repository.its.ac.id/id/eprint/136539

Actions (login required)

View Item