BAB II TINJAUAN PUSTAKA
2.1.9 Pengertian Kulit Manis
Kayu manis (Cinnamomum verum, sin. C. zeylanicum) ialah sejenis pohon penghasil rempah-rempah. Termasuk ke dalam jenis rempah-rempah yang amat
beraroma, manis, dan pedas. Orang biasa menggunakan rempah-rempah dalam makanan yang dibakar manis, anggur panas. Kayu manis adalah salah satu bumbu makanan tertua yang digunakan manusia. Bumbu ini digunakan di Mesir Kuno sekitar 5000 tahun yang lalu, dan disebutkan beberapa kali di dalam kitab-kitab Perjanjian Lama (Barito, 2012).
Kayu manis juga secara tradisional dijadikan sebagai suplemen untuk berbagai penyakit, dengan dicampur madu, misalnya untuk pengobatan penyakit radang sendi, kulit, jantung, dan perut kembung.
Beberapa spesies kayu manis yang dijual di pasaran di antaranya (Barito, 2012):
1. Cinnamomum verum' (True cinnamon, Sri Lanka cinnamon atau Ceylon cinnamon).
2. C. burmannii (korintje, kasiavera, atau Indonesian cinnamon).
3. C. loureiroi (Saigon cinnamon atau Vietnamese cinnamon).
4. C. aromaticum (Cassia atau Chinese cinnamon).
Kulit manis Ceylon sering kali hanya menggunakan kulit bagian dalam yang lebih tipis, lebih memiliki kesegaran, kurang padat, lebih beraroma, dan lebih lembut dalam rasa daripada kasiavera. Kasiavera memiliki rasa yang lebih kuat (sering lebih pedas) daripada kulit manis Sri Lanka dan umumnya berwarna merah kecoklatan sedang hingga ringan, keras dan bertekstur kayu, serta lebih tebal (2–3 mm (0,079–0,12 inci) dan menggunakan seluruh lapisan kulitnya.
Gambar 2.7 Kulit Kayu Manis 2.1.10 Jadwa Induk Produksi (JIP)
Jadwal induk produksi merupakan penjabaran dari hasil perencanaan produksi menjadi produk individu. JIP biasanya disusun dan direvisi setiap bulan.
JIP dapat dikatakan sebagai tahapan awal dari pelaksanaan rencana produksi.
Jadwal induk produksi merupakan penguraian rencana produksi famili produk (hasil Production Planning) menjadi produk individu (item).
Pada dasarnya jadwal induk produksi merupakan suatu perencanaan tentang produk akhir dari suatu perusahaan industri manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas dan periode waktu. Jadwal induk produksi mendisagregasikan dan mengimplementasikan rencana produksi. Apabila rencana produksi yang merupakan hasil dari proses perencanaan produksi dinyatakan dalam bentuk agregat. Aktivitas penjadwalan induk produksi pada dasarnya berkaitan dengan bagaimana menyusun dan memperbaharui jadwal induk produksi, memproses transaksi, memelihara catatan-catatan, mengevaluasi efektifitas dari JIP, dan memberikan laporan evaluasi dalam periode waktu yang teratur untuk keperluan umpan balik dan tinjauan ulang.
Berdasarkan uraian diatas, kita mengetahui bahwa JIP berkaitan dengan
pernyataan tentang produksi dan bukan pernyataan tentang permintaan pasar. JIP sering didefinisikan sebagai anticipated build schedule untuk item-item yang disusun oleh perencana jadwal induk produksi. JIP membentuk jalinan komunikasi antara bagian pemasaran dan bagian manufakturing, sehingga bagian pemasaran juga mengetahui informasi yang ada dalam JIP terutama berkaitan dengan ATP (Available To Promise) agar dapat memberikan janji yang akurat kepada pelanggan (Gaspersz,2005).
Penjadwalan Induk Produksi berkaitan dengan aktivitas untuk melakukan 4 fungsi utama yaitu (Gaspersz, 2005)
1. Menyediakan atau memberikan input utama kepada sistem perencanaankebutuhan material dan kapasitas (Material and Capacity Requirements Planning = M & CRP).
2. Menjadwalkan pesanan-pesanan produksi dan pembelian (Production and Purchase Order) untuk item-item JIP.
3. Memberikan landasan untuk penentuan kebutuhan sumber daya dan kapasitas.
4. Memberikan basis untuk pembuatan janji tentang penyerahan produk (delivery promises) kepada pelanggan.
Beberapa karakteristik khusus JIP adalah (Gaspersz, 2001):
1. JIP merupakan pernyataan mengenai sesuatu yang akan diproduksi oleh perusahaan.
2. JIP sebelumnya dinyatakan sebagai produk famili dalam perencanaan produksi.
3. JIP merupakan suatu peramalan dengan mempertimbangkan ketersediaan material, kapasitas, backlog serta tujuan dan kebijakan manajemen.
4. JIP memberikan arah bagi sistem perencanaan kebutuhan material.
Adapun teknik penyusunan JIP adalah sebagai berikut (Gaspersz, 2012) : 1. Lead Time adalah waktu (banyaknya periode) yang dibutuhkan untuk memproduksi atau membeli suatu item.
2. On Hand adalah posisi inventori awal yang secara fisik tersedia dalam stok, yang merupakan kuantitas dari item yang ada dalam stok.
3. Safety Stock adalah stok tambahan dari item yang direncanakan untuk berada dalam inventori yang dijadikan sebagai stok pengaman guna mengatasi fluktuasi dalam ramalan penjualan, pesanan-pesanan pelanggan dalam waktu singkat (short-term customer orders), penyerahan item untuk pengisian kembali inventori dan lain-lain. Safety stock merupakan kebijaksanaan manajemen berkaitan dengan stabilisasi dari sistem manufakturing, dimana apabila sistem manufakturing semakin stabil kebijaksanaan stok pengaman ini dapat diminimumkan.
4. Jadwal induk produksi merupakan jadwal produksi atau manufakturing yang diantisipasi (anticipated manufacturing schedule) untuk item tertentu.
Adapun untuk perhitungan jadwal induk produksi diantaranya adalah sebagai berikut :
1. Masukkan data persediaan awal (inventory awal) pada tahun 2019 mulai dari Januari sampai dengan Desember 2019.
2. Data kebutuhan produksi dari bulan Januari sampai dengan Desember 2019.
3. Dari data yang telah dimasukkan di atas, maka hitung berapa stock on hand yang didapat dari penjumlahan antara data inventory awal dijumlahkan dengan kebutuhan produksi.
4. Dari perhitungan di atas, maka didapatkan hasil dari stock on hand yang nanti akan dihitung selisihnya dengan demand.
5. Setelah didapatkan hasil perhitungan dari selisih antara stock on hand dan demand maka didapatkan inventory akhir.
Adapun contoh tabel tentang jadwal induk produksi adalah sebagai berikut : Tabel 2.1
Contoh Tabel Jadwal Induk Produksi (JIP)
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Kebutuhan Produksi 544.105,60 150.261,70 403.866,00 510.604,20 508.911,90 286.310,60 286.444,30 25.534,20 0,00 146.232,20 430.895,80 343.489,70 On Hand 2.240.339,60 1.696.234,00 1.545.972,30 1.142.106,30 631.502,10 122.590,20 -163.720,40 -450.164,70 -475.698,90 -475.698,90 -621.931,10 -1.052.826,90 Persediaan Akhir 1.696.234,00 1.545.972,30 1.142.106,30 631.502,10 122.590,20 -163.720,40 -450.164,70 -475.698,90 -475.698,90 -621.931,10 -1.052.826,90 -1.396.316,60
JIP 2019 Bulan
Sumber : Diolah Sendiri
Adapun untuk JIP pada bulan Januari adalah sebesar 544.105,60, bulan Februari sebesar 150.261,70, bulan Maret sebesar 403.866, bulan April sebesar 510.604,20, bulan Mei sebesar 508.911,90, bulan Juni sebesar 286310,60, bulan Juli sebesar 286.444,30, bulan Agustus sebesar 25.534,20, pada bulan September perusahaan tidak memproduksi, selanjutnya pada bulan Oktober sebesar 146.232,20, bulan November sebesar 430.895,80 dan terakhir bulan Desember didapat sebesar 343.489,70.
2.2 Kerangka Konseptual
Dalam kerangka konseptual ini dijelaskan variabel-variabel yang akan diteliti serta kaitan antar variabel itu sendiri. Disini penulis akan memfokuskan kepada konsep Peramalan Permintaan Kulit Manis jenis Broken untuk Penyusunan jadwal induk produksi Pada PT. Sumatera Tropical Spice (PT. STS).
Setelah dilakukan penelitian, maka dapat disimpulkan kerangka konseptual adalah sebagai berikut:
Gambar 2.8 Kerangka Konseptual
Berdasarkan dari kerangka konseptual di atas, maka dapat disimpulkan pada input berisi tentang data produksi cassia broken tahun 2016 sampai 2018 dan data permintaan cassia broken tahun 2016 sampai 2018. Untuk proses terbagi dua diantaranya metode peramalan yang terdiri dari penggunaan metode trend linear, trend kuadratik dan trend eksponensial, selanjutnya bagian proses yang kedua yaitu penyusunan jadwal induk produksi. Yang terakhir adalah output yang berisi
1. Data produksi
2. Mengetahui susunan jadwal induk produksi (JIP) berdasarkan hasil peramalan cassia broken di tahun 2019.
INPUT PROSES OUTPUT
tentang hasil peramalan permintaan cassia broken di tahun 2019 dan susunan jadwal induk produksi (JIP) berdasarkan hasil peramalan cassia broken di tahun 2019.
METODOLOGI PENELITIAN
3.1 Jenis Penelitian
Jenis penelitian ini digolongkan pada penelitian kuantitatif karena bersifat sistematis yaitu menggunakan data yang memerlukan perhitungan dan analisa kualitatif mendeskripsikan data-data yang sudah diperoleh menjadi lebih jelas.
Menurut Sugiono, metode penelitian kuantitatif dapat diartikan sebagai metode penelitian yang berdasarkan pada filsafat positif, digunakan untuk meneliti pada populasi atau sampel tertentu. Teknik pengambilan sampel pada umumnya dilakukan secara random, pengumpulan data menggunakan instrument penelitian, analisis data bersifat kuantitatif atau statistik dengan tujuan untuk menguji hipotesis yang telah ditetapkan (Sugiyono, 2011).
3.2 Lokasi dan Waktu Penelitian
Penelitian ini dilaksanakan di PT. Sumatera Tropical Spices, Jl. Raya Padang Bukittinggi Km.24 Pasar Usang, Padang Pariaman, Sumatera Barat.
Waktu penelitian ini dilaksanakan pada bulan April 2019.
3.3 Variabel Penelitian
Variabel penelitian adalah objek penelitian atau apa yang menjadi perhatian suatu titik perhatian suatu penelitian (Arikunto, 1998).
Berdasarkan permasalahan yang diteliti dari hasil penelitian ini, maka terdapat beberapa variabel, diantaranya:
4. Produksi kulit manis jenis broken lebih besar dari pada permintaan.
5. Terjadi penumpukkan barang jadi di gudang.
36
6. Bertambahnya biaya penyimpanan yang besar.
3.4 Jenis dan Sumber Data 3.4.1 Jenis Data
Data merupakan segala sesuatu yang dianggap mempunyai sifat bisa memberikan gambaran tentang suatu keadaan atau persoalan.
Adapun jenis data dalam penelitian adalah data sekunder yaitu data yang telah disusun dalam bentuk dokumen tertulis yang diperoleh dari buku pustaka, jurnal, serta literature lainnya yang terkait dalam penelitian dan internet.
3.4.2 Sumber Data
Sumber data adalah subyek darimana data dapat diperoleh. Pada penelitian ini, sumber data didapat langsung dari PT. Sumatera Tropical Spices dari data yang telah di arsipkan.
3.5 Teknik Pengolahan dan Analisa Data
Untuk mendapatkan suatu hasil analisis dari peramalan permintaan pada PT. Sumatera Tropical Spices, maka peneliti mengangkat metode peramalan dengan output penyusunan jadwal induk produksi (Makridakis dan Spyros1993).
Pengolahan data yang dilakukan adalah sebagai berikut :
1. Mengetahui hasil peramalan permintaan cassia broken di tahun 2019 Adapun langkah-langkah dalam meramalkan permintaan pada cassia broken di tahun 2019 adalah sebagai berikut :
2. Mendefinisikan Tujuan Peramalan
Tujuan peramalan adalah untuk meramalkan permintaan cassia broken di tahun 2019.
2. Membuat Diagram Pencar (Plot Data)
Misalnya memplot demand versus waktu, dimana demand sebagai ordinat (Y) dan waktu sebagai axis (X).
3. Memilih Model Peramalan yang Tepat
Melihat dari kecenderungan data pada diagram pencar, maka dapat dipilih beberapa model peramalan yang diperkirakan dapat mewakili pola tersebut. Metoda peramalan yang dapat digunakan diantaranya :
a. Metode Peramalan Trend Linear b. Metode Peramalan Trend Kuadratik c. Metode Peramalan Trend Eksponensial 4. Melakukan Peramalan
5. Menghitung Kesalahan Ramalan (forecast error)
Keakuratan suatu model peramalan bergantung pada seberapa dekat nilai hasil peramalan terhadap nilai data yang sebenarnya. Perbedaan atau selisih antara nilai aktual dan nilai ramalan disebut sebagai kesalahan ramalan atau deviasi yang dinyatakan dalam :
et = Y(t) - Y’(t)
Dimana : Y(t) = Nilai data aktual pada periode t Y’(t) = Nilai hasil peramalan pada periode t t = Periode peramalan
6. Memilih Metode Peramalan dengan Kesalahan Terkecil
Apabila nilai kesalahan tersebut tidak berbeda secara signifikan padatingkat ketelitian tertentu, maka pilihlah secara sembarang metode-metode tersebut.
7. Melakukan Verifikasi
Untuk mengevaluasi apakah pola data menggunakan metode peramalan tersebut sesuai dengan pola data sebenarnya.
8. Mean Square Error (MSE)
Untuk menetukan metode peramalan mana yang akan dipilih sebagai metode peramalan yang baik, maka dapat dihitung nilai MSE nya. Untuk mencari MSE digunakan rumus :
MSE =
Keterangan :
MSE = Rata-rata dari kuadrat kesalahan
Ʃe2 = Total selisih antara nilai aktual dan nilai peramalan dikuadratkan
n = Total periode
2. Mengetahui susunan jadwal induk produksi (JIP) berdasarkan hasil peramalan cassia broken di tahun 2019
Setelah dilakukan peramalan, maka dilakukan penyusunan jadwal induk produksi dari data-data yang telah diramalkan tersebut. Dengan mencari roundup
nya. Adapun langkah-langkah dalam penyusunan jadwal induk produksi diantaranya:
1. Data persediaan awal
Didapatkan dari data akhir 2018 pada bulan Desember.
2. Masukkan data permintaan cassia broken yang telah di ramalkan dengan metode peramalan yang terpilih yaitu trend linear.
3. Berapa hasil yang tersedia setelah didapatkan penjumlahan dari data persediaan awal dengan permintaan bahan baku.
4. Masukan data produksi.
5. Maka didapatkan persediaan akhir.
3.6 Kerangka Metodologi Penelitian
Adapun kerangka metodologi penelitian yang melalui tahapan-tahapan dalam penelitian ini dapat dilihat pada gambar berikut:
Survey Lapangan 1. Interview
2. Observasi
Studi Literatur
Mempelajari buku jurnal, , yang berkaitan dengan Metodologi Penelitian dan perencanaan dan pengendalian produksi.
Identifikasi Masalah
1. Produksi cassia roken lebih besar dari pada permintaan.
2. Terjadi penumpukkan barang jadi di gudang.
3. Bertambahnya biaya penyimpanan yang besar.
MULAI
A
Gambar 3.1 Kerangka Metodologi SELESAI
Kesimpulan dan Saran Pengumpulan Data 1. Data Sekunder.
Rumusan Masalah
1. Berapa hasil peramalan permintaan cassia broken di tahun 2019?
2. Bagaimana susunan jadwal induk produksi (JIP) berdasarkan hasil peramalan cassia broken di tahun 2019?
PROSES
Model Penugasan (Assignment Model) Pengolahan Data
1. Mengetahui hasil peramalan permintaan cassia broken di tahun 2019.
2. Mengetahui susunan jadwal induk produksi (JIP) berdasarkan hasil peramalan cassia broken di tahun 2019.
Analisa Pengolahan Data
A
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Pengumpulan Data
Berdasarkan dari latar belakang perumusan masalah yang telah dikemukakan maka dilakukan pengumpulan data-data yang digunakan dalam perhitungan peramalan permintaan cassia broken pada PT. Sumatera Tropical Spices. Data tersebut berupa data aktual atau permintaan cassia broken.
4.1.1 Data Permintaan Cassia Broken
Pengumpulan data permintaan cassia broken yang aktual dilakukan dan didapatkan dari PT. Sumatera Tropical Spices yang mengacu ada pemesanan yang diterima dari konsumen mulai dari periode bulan Januari 2016 - Desember 2018.
Adapun data permintaan cassia broken dapat dilihat pada tabel berikut : Tabel 4.1
Dari tabel di atas dapat diketahui bahwa permintaan cassia broken di PT.
Sumatera Tropical Spices jumlah produksi cassia broken pada tiap tahunnya tidak stabil, terlihat dari rentang angka yang memiliki perbedaan yang jauh dari tiap
42
tahunnya. Dari tabel di atas juga terlihat adanya ketidaktepatan jumlah permintaan cassia broken. Sedangkan produksi yang dilakukan oleh perusahaan tidak mempertimbangkan permintaan pasar. Selanjutnya dari tabel diatas dituangkan dalam bentuk grafik sehingga dapat terlihat kenaikan dan penurunan permintaan.
4.1.2 Grafik Permintaan Cassia Broken
Berdasarkan data permintaan aktual di atas, maka dapat dibuat grafik seperti berikut :
Gambar 4.1 Grafik Jumlah Permintaan Cassia Broken
Dari grafik di atas dapat dilihat bahwa jumlah permintaan cassia broken tidak stabil sehingga di grafik terjadi kenaikan dan penurunan pada tiap bulannya.
4.2 Pengolahan Data
Dalam menentukan metode apa yang paling cocok dipakai untuk meramalkan permintaan cassia broken dan selanjutnya dilakukan peramalan untuk 1 tahun kedepan ada beberapa langkah pengolahan data yang dilakukan.
Adapun langkah-langkahnya diantaranya sebagai berikut : 4.2.1 Ramalan permintaan cassia broken di tahun 2019 4.2.1.1 Metode Peramalan Trend Linear
Untuk metode peramalan trend linear, maka digunakan rumus sebagai berikut :
y’ = a + bt Keterangan :
y’ = Variabel yang diprediksi a,b = Parameter peramalan t = Periode waktu
Parameter a dan b dapat dicari dengan menggunakan rumus dengan persamaan berikut :
b =
keterangan :
n = Jumlah periode
= Total periode dikali data aktual Ʃ t = Total jumlah periode
Ʃ y = Total data aktual
Ʃ t2 = Total periode yang dikuadratkan dua
Dari rumus diatas, maka dapat dilakukan perhitungan dengan menggunakan tabel metode peramalan trend linear dibawah ini :
Tabel 4.2
Perhitungan Peramalan Metode Trend Linear
Periode t t^2 y t*y y'
1 1 1 292.195,00 292.195,00 280.343,69
2 2 4 235.925,00 471.850,00 279.359,60
3 3 9 384.050,00 1.152.150,00 278.375,50
4 4 16 453.675,00 1.814.700,00 277.391,41
5 5 25 249.485,00 1.247.425,00 276.407,31
6 6 36 294.830,00 1.768.980,00 275.423,21
7 7 49 408.305,00 2.858.135,00 274.439,12
8 8 64 476.335,00 3.810.680,00 273.455,02
9 9 81 249.460,00 2.245.140,00 272.470,92
10 10 100 226.750,00 2.267.500,00 271.486,83
11 11 121 113.425,00 1.247.675,00 270.502,73
12 12 144 139.000,00 1.668.000,00 269.518,64
13 13 169 388.460,00 5.049.980,00 268.534,54
14 14 196 181.430,00 2.540.020,00 267.550,44
15 15 225 238.225,00 3.573.375,00 266.566,35
16 16 256 315.725,00 5.051.600,00 265.582,25
17 17 289 251.825,00 4.281.025,00 264.598,16
18 18 324 102.570,00 1.846.260,00 263.614,06
19 19 361 331.230,00 6.293.370,00 262.629,96
20 20 400 420.485,00 8.409.700,00 261.645,87
21 21 441 371.270,00 7.796.670,00 260.661,77
22 22 484 394.290,00 8.674.380,00 259.677,67
23 23 529 487.110,00 11.203.530,00 258.693,58
24 24 576 499.005,00 11.976.120,00 257.709,48
25 25 625 350.219,00 8.755.475,00 256.725,39
26 26 676 49.204,00 1.279.304,00 255.741,29
27 27 729 325.468,00 8.787.636,00 254.757,19
28 28 784 500.500,00 14.014.000,00 253.773,10
29 29 841 375.375,00 10.885.875,00 252.789,00
30 30 900 434.395,00 13.031.850,00 251.804,91
31 31 961 222.885,00 6.909.435,00 250.820,81
32 32 1.024 10.000,00 320.000,00 249.836,71
33 33 1.089 325.325,00 10.735.725,00 248.852,62
34 34 1.156 175.175,00 5.955.950,00 247.868,52
35 35 1.225 275.275,00 9.634.625,00 246.884,42
36 36 1.296 198.900,00 7.160.400,00 245.900,33
Total 666 16.206 10.747.781,00 195.010.735,00 9.472.392,40
Sumber : Pengolahan Data
Dari tabel perhitungan metode trend linear di atas didapatkan peramalan untuk 36 periode. Untuk mencari nilai a dan b menggunakan rumus diatas sehingga diperoleh persamaan y(t) berikut :
1. Menghitung nilai b
b =
=
-984.102. Menghitung nilai a
a =
=
316755.25Dari hasil perhitungan diatas maka didapat grafik hasil peramalan metode trend linear seperti berikut :
Gambar 4.2 Grafik hasil peramalan metode trend linear Keterangan :
Y’ = Hasil peramalan
Dari grafik di atas dapat dilihat bahwa peramalan dengan menggunakan metode trend linear memiliki pola data trend linear negative. Artinya permintaan mengalami penurunan pada tiap periodenya.
Selanjutnya untuk menghitung rata-rata kuadrat kesalahan (Mean Square Error) pada peramalan metode trend linear dengan rumus :
MSE = Keterangan :
MSE = Rata-rata dari kuadrat kesalahan
= Total selisih antara nilai aktual dan nilai peramalan dikuadratkan
n = Total periode
Tabel 4.3
Perhitungan Galat Metode Peramalan Trend Linear
t y y' e e^2
Dari tabel perhitungan galat diatas dapat diketahui nilai standard error untuk peramalan metode trend linear yaitu 16907857743.10.
4.2.1.2 Metode Peramalan Trend Kuadratik
Untuk melakukan perhitungan trend kuadratik ini, maka digunakan rumus sebagai berikut :
y’ = a + bt + ct2 Keterangan :
y’ = Variabel yang diprediksi a,b,c = Parameter peramalan t = Periode waktu
Dari persamaan diatas maka dapat dicari nilai a,b dan c menggunakan rumus seperti berikut:
a =
b =
c = Keterangan :
n = Jumlah periode
= Total periode dikali data aktual = Total data aktual
= Total periode yang dikuadratkan dua = Total periode yang dikuadratkan empat
= Total periode yang dikuadratkan dua dikali dengan data aktual
Dari rumus-rumus diatas, maka dilakukan perhitungan dengan menggunakan tabel metode peramalan Trend Kuadratik sebagai berikut :
Tabel 4.4
Perhitungan Peramalan Metode Trend Kuadratik
Periode t t^2 t^4 y t^2*y t*y y'
1 1 1 1 292.195,00 292.195,00 292.195,00 4.838.319.767,80
2 2 4 16 235.925,00 943.700,00 471.850,00 4.838.331.700,94
3 3 9 81 384.050,00 3.456.450,00 1.152.150,00 4.838.343.567,34 4 4 16 256 453.675,00 7.258.800,00 1.814.700,00 4.838.355.367,01 5 5 25 625 249.485,00 6.237.125,00 1.247.425,00 4.838.367.099,94 6 6 36 1.296 294.830,00 10.613.880,00 1.768.980,00 4.838.378.766,14 7 7 49 2.401 408.305,00 20.006.945,00 2.858.135,00 4.838.390.365,60 8 8 64 4.096 476.335,00 30.485.440,00 3.810.680,00 4.838.401.898,32 9 9 81 6.561 249.460,00 20.206.260,00 2.245.140,00 4.838.413.364,31 10 10 100 10.000 226.750,00 22.675.000,00 2.267.500,00 4.838.424.763,57 11 11 121 14.641 113.425,00 13.724.425,00 1.247.675,00 4.838.436.096,09 12 12 144 20.736 139.000,00 20.016.000,00 1.668.000,00 4.838.447.361,87 13 13 169 28.561 388.460,00 65.649.740,00 5.049.980,00 4.838.458.560,92 14 14 196 38.416 181.430,00 35.560.280,00 2.540.020,00 4.838.469.693,23 15 15 225 50.625 238.225,00 53.600.625,00 3.573.375,00 4.838.480.758,80 16 16 256 65.536 315.725,00 80.825.600,00 5.051.600,00 4.838.491.757,64 17 17 289 83.521 251.825,00 72.777.425,00 4.281.025,00 4.838.502.689,75 18 18 324 104.976 102.570,00 33.232.680,00 1.846.260,00 4.838.513.555,12 19 19 361 130.321 331.230,00 119.574.030,00 6.293.370,00 4.838.524.353,75 20 20 400 160.000 420.485,00 168.194.000,00 8.409.700,00 4.838.535.085,65 21 21 441 194.481 371.270,00 163.730.070,00 7.796.670,00 4.838.545.750,81 22 22 484 234.256 394.290,00 190.836.360,00 8.674.380,00 4.838.556.349,23 23 23 529 279.841 487.110,00 257.681.190,00 11.203.530,00 4.838.566.880,92 24 24 576 331.776 499.005,00 287.426.880,00 11.976.120,00 4.838.577.345,88 25 25 625 390.625 350.219,00 218.886.875,00 8.755.475,00 4.838.587.744,10 26 26 676 456.976 49.204,00 33.261.904,00 1.279.304,00 4.838.598.075,58 27 27 729 531.441 325.468,00 237.266.172,00 8.787.636,00 4.838.608.340,33 28 28 784 614.656 500.500,00 392.392.000,00 14.014.000,00 4.838.618.538,34 29 29 841 707.281 375.375,00 315.690.375,00 10.885.875,00 4.838.628.669,61 30 30 900 810.000 434.395,00 390.955.500,00 13.031.850,00 4.838.638.734,15 31 31 961 923.521 222.885,00 214.192.485,00 6.909.435,00 4.838.648.731,96 32 32 1.024 1.048.576 10.000,00 10.240.000,00 320.000,00 4.838.658.663,03 33 33 1.089 1.185.921 325.325,00 354.278.925,00 10.735.725,00 4.838.668.527,36 34 34 1.156 1.336.336 175.175,00 202.502.300,00 5.955.950,00 4.838.678.324,96 35 35 1.225 1.500.625 275.275,00 337.211.875,00 9.634.625,00 4.838.688.055,82 36 36 1.296 1.679.616 198.900,00 257.774.400,00 7.160.400,00 4.838.697.719,95 Total 666 16.206 12.948.594 10.747.781,00 4.649.657.911,00 195.010.735,00 174.186.553.025,80
Sumber : Pengolahan Data
Dari tabel perhitungan metode trend kuadratik di atas diperoleh peramalan untuk 36 periode, selanjutnya dicari nilai a,b dan c dengan menggunakan persamaan berikut :
1. Menghitung nilai b
b = = 12033.2429
2. Menghitung nilai c
c = = -33.3678
3. Menghitung nilai a
a = = 4838307768
Dari hasil perhitungan di atas didapat grafik hasil peramalan metode trend kuadratik seperti berikut :
Gambar 4.3 Grafik hasil peramalan metode trend kuadratik Keterangan :
Y’ = Hasil peramalan
Dari grafik peramalan metode trend kuadratik di atas dapat diketahui bahwa permintaan mengalami kenaikan ditiap periodenya, kemudian langkah selanjutnya yaitu menghitung rata-rata kuadrat kesalahan (Mean Square Error) pada peramalan diatas menggunakan rumus :
MSE = Keterangan :
MSE = Rata-rata dari kuadrat kesalahan
= Total selisih antara nilai aktual dan nilai peramalan dikuadratkan
n = Total periode
Tabel 4.5
Perhitungan Galat Metode Peramalan Trend Kuadratik
t y y' e e^2
Dari tabel perhitungan galat metode trend kuadratik diatas didapat standard error yaitu 23408341953916500000.
4.2.1.3 Metode Peramalan Trend Eksponensial
Dalam melakukan perhitungan menggunakan metode trend eksponensial ini, maka dapat digunakan persamaan sebagai berikut :
y’ = a.bt
Keterangan :
y’ = Variabel yang diprediksi a,b = Parameter peramalan t = Periode waktu
Dimana untuk mencari nilai a dan b menggunakan rumus sebagai berikut : Log y = log a + log b
a = antilog
b = antilog
Keterangan :
n = Jumlah periode
=
Total hasil log data aktual= Total periode dikali log data aktual = Total periode yang dikuadratkan dua
Dari rumus-rumus di atas, maka dapat dilakukan perhitungan dengan menggunakan tabel metode peramalan Trend Eksponensial berikut :
Tabel 4.6
Perhitungan Peramalan Metode Trend Eksponensial
Periode t t^2 y Log y t*log y y'
1 1 1 292.195,00 5,47 5,47 420.739,63
2 2 4 235.925,00 5,37 10,75 841.479,26
3 3 9 384.050,00 5,58 16,75 1.262.218,89
4 4 16 453.675,00 5,66 22,63 1.682.958,52
5 5 25 249.485,00 5,40 26,99 2.103.698,15
6 6 36 294.830,00 5,47 32,82 2.524.437,78
7 7 49 408.305,00 5,61 39,28 2.945.177,41
8 8 64 476.335,00 5,68 45,42 3.365.917,04
9 9 81 249.460,00 5,40 48,57 3.786.656,67
10 10 100 226.750,00 5,36 53,56 4.207.396,30
11 11 121 113.425,00 5,05 55,60 4.628.135,93
12 12 144 139.000,00 5,14 61,72 5.048.875,56
13 13 169 388.460,00 5,59 72,66 5.469.615,19
14 14 196 181.430,00 5,26 73,62 5.890.354,82
15 15 225 238.225,00 5,38 80,65 6.311.094,45
16 16 256 315.725,00 5,50 87,99 6.731.834,08
17 17 289 251.825,00 5,40 91,82 7.152.573,71
18 18 324 102.570,00 5,01 90,20 7.573.313,34
19 19 361 331.230,00 5,52 104,88 7.994.052,97
20 20 400 420.485,00 5,62 112,48 8.414.792,60
21 21 441 371.270,00 5,57 116,96 8.835.532,23
22 22 484 394.290,00 5,60 123,11 9.256.271,86
23 23 529 487.110,00 5,69 130,82 9.677.011,49
24 24 576 499.005,00 5,70 136,75 10.097.751,12
25 25 625 350.219,00 5,54 138,61 10.518.490,75
26 26 676 49.204,00 4,69 121,99 10.939.230,38
27 27 729 325.468,00 5,51 148,84 11.359.970,01
28 28 784 500.500,00 5,70 159,58 11.780.709,64
29 29 841 375.375,00 5,57 161,66 12.201.449,27
30 30 900 434.395,00 5,64 169,14 12.622.188,90
31 31 961 222.885,00 5,35 165,79 13.042.928,53
32 32 1.024 10.000,00 4,00 128,00 13.463.668,16
33 33 1.089 325.325,00 5,51 181,91 13.884.407,79
34 34 1.156 175.175,00 5,24 178,28 14.305.147,42
35 35 1.225 275.275,00 5,44 190,39 14.725.887,05
36 36 1.296 198.900,00 5,30 190,75 15.146.626,68
Total 666 16.206 10.747.781,00 194,52 3.576,42 280.212.593,51
Sumber : Pengolahan Data
Dari tabel perhitungan peramalan metode trend eksponensial di atas diperoleh peramalan untuk 36 periode, selanjutnya mencari nilai a dan b sehingga didapatkan persamaan berikut :
1. Menghitung nilai a
a = antilog = 5.403329
b = antilog = 0.220685
Dari hasil perhitungan di atas didapat grafik hasil peramalan metode trend eksponensial berikut :
Gambar 4.4 Grafik perhitungan peramalan metode trend eksponensial Keterangan :
Y’ = Hasil peramalan
Dari hasil grafik dengan metode trend eksponensial di atas dapat dilihat bahwa permintaan mengalami kenaikan yang sangat pesat ditiap periodenya, selanjutnya menghitung rata-rata kuadrat kesalahan (Mean Square Error) pada peramalan diatas dengan rumus :
MSE = Keterangan :
MSE = Rata-rata dari kuadrat kesalahan
= Total selisih antara nilai aktual dan nilai peramalan dikuadratkan
n = Total periode
Tabel 4.7
Perhitungan Galat Metode Peramalan Trend Eksponensial
t y y' e e^2
MSE = = 75235955385626.50
Dari tabel perhitungan galat di atas diperoleh nilai MSE untuk peramalan metode trend eksponensial yaitu 75235955385626.50.
MSE untuk metode trend linear sebelumnya diketahui 16907857743.10 dan MSE untuk metode trend kuadratik yaitu 23408341953916500000. Sehingga dapat diketahui bahwa nilai MSE terkecil yaitu metode trend linear. MSE terkecil lebih baik dipilih karena akan semakin kecil pula perbedaan antara hasil peramalan dan data aktual. Berikut tabel perbandingan nilai MSE terkecil :
Tabel 4.8
Tabel Perbandingan Nilai MSE
No Metode MSE MSE Terkecil
1 Trend Linear 16.907.857.743,10
2 Trend Kuadratik 23.408.341.953.916.500.000,00 3 Trend Eksponensial 75.235.955.385.626,50
16.907.857.743,10 Sumber : Pengolahan Data
Dari tabel perbandingan nilai MSE di atas dapat dilihat bahwa metode peramalan trend linear memiliki nilai MSE terkecil yaitu sebesar 15652752749.918 dibandingkan dengan metode trend kuadratik dan juga trend eksponensial.
4.2.1.4 Pengujian Verifikasi Hasil Peramalan Terpilih
Langkah selanjutnya untuk menentukan metode peramalan terbaik adalah dengan melakukan pengujian verifikasi dengan menggunakan peta moving range untuk membandingkan nilai permintaan aktual dengan nilai peramalan. Adapun rumus perhitugan moving range ditulis dalam persamaan berikut :
BKA = 2.66 x MR =
BKB = -2.66 x =
Keterangan :
MR = Jarak atau range bergerak antara satu titik data dengan titik data sebelumnya
F = Hasil peramalan A = Data aktual
= Total moving range dibagi periode dikurang satu
BKA = Batas kendali atas BKB = Batas kendali bawah
Jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan diverifikasikan, maka harus ditentukan apakah data harus diabaikan atau membuat peramalan baru.
Dari rumus-rumus di atas selanjutnya dilakukan perhitungan dengan menggunakan tabel untuk mencari moving range berikut ini :
Tabel 4.9
Perhitungan Moving Range Trend Linear
Periode aktual (y) Forecast (y') z = y-y' Moving Range
1 292.195 280.343,69 11.851,31 11.851,31
Berikut adalah contoh perhitungan MR :
MR = = 11851.31
Dimana untuk mencari nilai moving range rata-rata adalah sebagai berikut:
= = 111181.60
Kemudian untuk mengetahui apakah hasil peramalan yang dilakukan berada pada batas kontrolnya atau berada diluar batas control. Hal ini dapat dilakukan dengan menghitung peta kendali berikut :
BKA = 2.66 x 111181.60= 295743.06 BKB = -2.66 x 111181.60= -295743.06 BK = MR
Selanjutnya adalah menentukan daerah atau pengujian diluar batas kendali sebagai berikut :
Daerah A = (2.66 x 111181.60) = 197162.04
Daerah B = (2.66 x 111181.60) = 98581.02
Daerah C = Daerah dibawah atau diatas BK
Dengan didapatkan nilai-nilai dan batas-batas untuk uji verifikasi, maka nilai moving range dapat digambarkan kedalam bentuk grafik berikut ini :
Gambar 4.5 Peta Moving Range Peramalan Trend Linear
Grafik di atas digunakan untuk uji kelengkapan data, apakah data yang kita gunakan dalam melakukan peramalan sudah terpenuhi atau belum. Data yang sudah lengkap bisa dilihat pada grafik diatas, dimana datanya tidak ada yang melewati batas kendali baik batas kendali atas maupun batas kendali bawah.
Selanjutnya data yang sudah lengkap bisa digunakan untuk peramalan satu tahun kedepan.
Adapun data peramalan permintaan cassia broken berdasarkan metode moving range adalah sebagai berikut :
Tabel 4.10
Data Peramalan Permintaan Cassia Broken Berdasarkan Metode Trend Linear
Pada tabel 4.10 di atas dapat dilihat bahwa permintaan pasar pada cassia broken pada tahun 2019 diprediksi bulan Januari sebesar 280343.69 kg, Februari sebesar 279359.60kg, Maret sebesar 278375.50 kg, April sebesar 277391.41 kg, Mei sebesar 276407.31 kg, Juni sebesar 275423.21 kg, Juli sebesar 274439.12 kg, Agustus sebesar 273455.02 kg, September sebesar 272470.92 kg, Oktober sebesar 271486.83 kg, November sebesar 270502.73 kg dan Desember sebesar 269518.64 kg. Sehingga total cassia broken yang harus diproduksi oleh PT. Sumatera Tropical Spices pada tahun 2019 untuk penyusunan jadwal induk produksinya (JIP) adalah 3299180 kg.
4.2.2 Penyusunan jadwal induk produksi (JIP) di tahun 2019
4.2.2 Penyusunan jadwal induk produksi (JIP) di tahun 2019