Data Awal Referensi Model Inventory
Decision Keterangan
Penulis Area Aplikasi Judul Structure Uncertainly Methods Constrain
Variable Lainnya
Inventory Policy, Fixed Optimization, Joint Minimasi Cost,
A multiple-retailer Balance
order quantity system, economic lot size Tactical-
Verma and replenishment model constraint Quantity and
Inventory Single-item, Single- model, nonlinear operational
Chatterjee, under VMI: - and replenishment
policy supplier, Multi-retailer, mixed-integer Decision
2017 Accounting for the conditional cycle
Two echelon SC, VMI, programming model , (Replenishment
retailer heterogeneity constrain
Deterministic model heuristic, cycle ratio cycle)
Optimization,
A two-stage deterministic
stochastic Inventory policy, equivalent mixed-
programming model Continuous review, integer linear Capacity and Quantity and
Cunha et al., Inventory Minimasi cost dan
for periodic Single item, Single Demand programing model , Balance replenishment
2017 policy target level
replenishment control echelon SC, Stochastic Stochastic- constraint cycle
system under demand model programming based
uncertainty (SP) method, Hadley-
Whitin method
Simulation, Order-Up-
Service level
Inventory control Inventory policy, To inventory (OUT)
constraint Quantity and
Kenzhevayeva inventory models for spare Continuous review, model, (s, S) inventory Minimasi Cost and
Demand and total replenishment
eta al., 2021 policy parts in aviation Multi-item, Stochastic model, Revised Power CSL
biaya cycle
logistics model Approximation (RPA)
maksimum
inventory models
Zhu, 2015 Inventory Dynamic Inventory policy, Supply Optimization, a single- Leadtime Production Minimasi cost
policy replenishment from Stochastic model, quantity, item, periodic-review quantity, quantity
two sources with Dynamic policy, demand inventory model with order, level of
different yields, Periodic review, Single dual sourcing, Multi- inventory
costs, and leadtimes item, dual sourcing (in- period, finite-period
house production and problem with Markov
Decision Keterangan
Penulis Area Aplikasi Judul Structure Uncertainly Methods Constrain
Variable Lainnya
outsourcing),
decision programming
backlogged
Inventory policy,
Continuous review,
Order quantity,
A genetic algorithm- price dependent
Optimization, cycle time, selling
based approach for a demand, stochastic
inventory Demand, deteriorating inventory vehicle price, backorder
Kumar, 2025 sustainable inventory demand, partially Minimasi cost
policy Price model, Metaheuristic capacity quantity,
model in fuzzy backlogged, single
(Genetic Algorithm) deterioration rate
environment item, leadtime
control
diabaikan, time
dependent holding cost
Inventory and
Integrated inventory
Transportation Policy,
and transportation Optimization, Order quantity,
Stochastic model,
management with stochastic EMPC Shipment Minimasi
Inventory Continuous review,
Qian et al., stochastic demands: (economic model quantity, operating cost and
policy and Multi-products, Single Demand Capacity
2022 A scenario-based predictive control ) inventory level, a guaranteed risk
transportation supplier, Multi
economic model approach, real-time backorder probability
retailers, Multi period,
predictive control algorithm , quantity
backorder, Multi
approach
echelon SC
ANALISIS MODEL INVENTORY
1. Analisis frekuensi metode yang paling sering digunakan
Visualisasi di atas menunjukkan frekuensi penggunaan metode dalam berbagai model inventory. Dari grafik, kita bisa melihat:
Optimization adalah metode paling dominan, digunakan hampir di semua model.
Metode Mixed Integer Programming, Heuristic, Simulation, dan Stochastic Programming juga cukup sering muncul.
Pendekatan Metaheuristic seperti Genetic Algorithm digunakan lebih jarang, tapi tetap signifikan untuk konteks tertentu.
2. Korelasi antara jenis ketidakpastian (Uncertainty) dan metode yang digunakan
Grafik heatmap di atas memperlihatkan korelasi antara jenis ketidakpastian dan metode yang digunakan:
Demand sangat sering dikaitkan dengan metode seperti:
o Optimization
o Stochastic programming
o Simulation
o Mixed Integer Programming
Price muncul bersamaan dengan metode berbasis Metaheuristic seperti Genetic Algorithm.
Supply cenderung dikombinasikan dengan metode Markov Decision Programming pada model dinamis.
3. Visualisasi hubungan antara constraints dan decision variables
Grafik heatmap di atas memperlihatkan hubungan antara constraints (kendala) dan decision variables (variabel keputusan):
Kapasitas sering dikaitkan dengan variabel keputusan seperti:
o order quantity
o shipment quantity
o inventory level
Replenishment cycle dan quantity sering muncul bersamaan dengan kendala seperti:
o balance constraint
o conditional constraint
Leadtime hanya muncul di satu model, namun sangat berpengaruh terhadap production quantity dan inventory level.
4. Pemetaan metode terhadap struktur model yang digunakan
Heatmap di atas memperlihatkan korelasi antara struktur model dan metode yang digunakan:
Stochastic model paling banyak dikombinasikan dengan metode:
o Stochastic programming
o Simulation
o Optimization
o Mixed integer programming
Continuous review dan multi-echelon SC juga umum digunakan dengan metode optimisasi berbasis skenario dan real-time.
Fixed order quantity system dan deterministic model biasanya dipasangkan dengan pendekatan klasik seperti heuristic dan joint economic lot size.
5. Klasifikasi model berdasarkan tujuan optimisasi
Dari heatmap klasifikasi struktur model terhadap tujuan optimisasi, kita dapat menarik beberapa insight penting:
Hampir seluruh struktur model bertujuan untuk minimasi biaya (cost) — hal ini menandakan cost tetap menjadi KPI utama dalam pengelolaan inventory.
Struktur seperti stochastic model, continuous review, dan multi-echelon lebih sering dikaitkan dengan tujuan tambahan seperti:
o Tactical-operational decision
o Target level
o Cycle Service Level (CSL)
6. Segmentasi model berdasarkan struktur supply chain
Grafik segmentasi di atas menunjukkan bagaimana struktur supply chain (SC) diadopsi dalam berbagai model:
Multi-retailer dan single-supplier adalah konfigurasi SC yang paling umum dalam studi-studi ini.
Multi-echelon supply chain lebih sering muncul dalam model dengan pendekatan kompleks seperti integrasi transportasi.
Model dengan single echelon SC digunakan dalam skenario yang lebih sederhana dan biasanya cocok untuk pendekatan deterministik.
7. Analisis trend waktu dari metode yang digunakan (berdasarkan tahun publikasi)
Grafik di atas memperlihatkan perkembangan tren metode inventory model berdasarkan tahun publikasi:
Optimization tetap menjadi metode dominan sepanjang tahun.
Stochastic programming dan heuristics semakin populer dalam dekade terakhir, menunjukkan tren menuju solusi yang lebih fleksibel dan realistis.
Genetic Algorithm muncul di tahun terbaru (2025), mencerminkan minat terhadap AI dan metaheuristics dalam pengambilan keputusan inventory modern.
8. Perbandingan antara Deterministic vs Stochastic Model dalam konteks kendala (constraints)
Grafik ini menunjukkan perbandingan penggunaan constraints (kendala) antara model deterministik dan stokastik:
Kapasitas dan service level lebih umum muncul dalam model stochastic, yang mencerminkan kebutuhan untuk mengelola variabilitas permintaan dan
ketidakpastian real-time.
Balance constraint lebih umum dalam deterministic models, karena mereka mengasumsikan kondisi yang lebih pasti sehingga fokus pada kesetimbangan
jumlah/order lebih eksplisit.
9. Pemetaan jaringan antar komponen — Metode ↔ Struktur ↔ Ketidakpastian menggunakan grafik jaringan
Grafik jaringan di atas memperlihatkan hubungan kompleks antara:
Metode (seperti optimization, heuristic, GA)
Struktur model (seperti stochastic model, continuous review, etc.)
Ketidakpastian (seperti demand, price, supply)
Insight yang tampak jelas:
Optimization adalah node sentral, terhubung ke hampir semua struktur dan jenis ketidakpastian.
Stochastic model memiliki koneksi kuat dengan metode seperti stochastic programming dan simulation.
Demand adalah faktor ketidakpastian paling sering dikaitkan dengan semua jenis metode.
10. Visualisasi hubungan antara constraints dan decision variables
Grafik heatmap di atas memperlihatkan hubungan antara constraints (kendala) dan decision variables (variabel keputusan):
Kapasitas sering dikaitkan dengan variabel keputusan seperti:
o order quantity
o shipment quantity
o inventory level
Replenishment cycle dan quantity sering muncul bersamaan dengan kendala seperti:
o balance constraint
o conditional constraint
Leadtime hanya muncul di satu model, namun sangat berpengaruh terhadap production quantity dan inventory level.
KESIMPULAN
Analisis ini menunjukkan bahwa:
Kendala kapasitas paling sering berkorelasi dengan keputusan order quantity, shipment quantity, dan inventory level.
Balance dan conditional constraints sering dikaitkan dengan replenishment cycle serta kuantitas pemesanan.
Lead time secara spesifik mempengaruhi keputusan production quantity dan inventory level, menandakan pentingnya faktor
waktu dalam sistem produksi internal.
Intinya: Jenis kendala dalam model inventory sangat menentukan variabel keputusan utama, dan pemilihan model harus
mempertimbangkan constraint dominan dalam sistem supply chain yang dimodelkan.