Perencanaan Kebutuhan Distribusi Filter Storage Tank dengan Menggunakan Distribution Requirement Planning (DRP) Pada PT. Pancakarsa Bangun Reksa

(1)

DAFTAR PUSTAKA

Gaspersz, Vincent. 2005. Production Planning and Inventory Control. Jakarta: Gramedia Pustaka Utama.

Ginting, Rosnani. 2007. Sistem Produksi. Yogyakarta: Graha Ilmu.

Makridakis, Spyros. 1999. Metode dan Aplikasi Peramalan. Edisi Kedua. Jilid Pertama. Jakarta: Penerbit Erlangga.

Martin, Andre. J. 1983. Distribution Requirement Planning, Distribution Management’s Most Powerfull Tool. America: Oliver Wight Limited Publications.

Nasution, Arman Hakim. 2008. Perencanaan dan Pengendalian Produksi. Yogyakarta: Graha Ilmu.

(2)

W. Fogarty, Donald. 1997. Production and Inventory Management. South-East Western Co. : Ohio.

(3)

BAB III

LANDASAN TEORI

3.1. Konsep Dasar Peramalan1

1. Jangka pendek (short time)

Peramalan merupakan bagian awal dari proses pengambilan suatu keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa sebenarnya persoalan dalam pengambilan keputusan itu. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess), namun dengan menggunakan teknik-teknik tertentu, peramalan menjadi lebih dari sekedar perkiraan. Peramalan dapat dikatakan perkiraan yang ilmiah (educatedguess). Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah permintaan terhadap suatu produk dan juga merupakan langkah awal dari proses perencanaan dan pengendalian produksi.

Bagan yang menunjukkan peranan peramalan dalam perencanan prosesproduksi dapat dilihat pada Gambar 3.1.

3.1.1. Pendefinisian Tujuan Peramalan yang Baik Tujuan peramalan dilihat dari segi waktu, terdiri dari :

Menentukan kuantitas dan waktu dari item produksi.Biasanya bersifat harian, mingguan ataupun bulanan dan ditentukan oleh low management.

(4)

Perencanaan Bisnis

Perencanaan Produksi (Perencanaan Agregat)

MPS (Master Production Scheduling)

Rough Cut Capacity Planning

Perencanaan Material Perencanaan Kapasitas Pengendalian Material Pengendalian Kapasitas Manajemen Permintaan Peramalan Jangka Panjang Jangka Pendek Part/Komponen Peralatan dan penjadwalan tenaga kerja

Keterbatasan Persediaan Peralatan Produk Kapasitas Peralatan Kapasitas Lapangan Fisik

Permintaan

Gambar 3.1. Peranan Peramalan Dalam Perencanaan Proses

ProduksiSumber: Donald W. Fogarty, John H. Blackstone, dan Thomas R. Hoffmann, Production and Inventory Management.

2. Jangka menengah (medium term)

Menentukan kuantitas dan waktu dari kapasitas produksi.Biasanya bersifat kuartal ataupun tahunan dan ditentukan oleh middle management.

3. Jangka panjang (long term)

Merencanakan kuantitas dan waktu dari fasilitas produksi.Biasanya bersifat 5 tahun, 10 tahun, ataupun 20 tahun dan ditentukan oleh top management.

3.1.2. Karakteristik Peramalan yang Baik

Peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain :

(5)

1. Akurasi

Akurasi dari suatu hasil peramalan diukur dengan konsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil. Peramalan yang terlalu rendah akan mengakibatkan kekurangan persediaan, sehingga permintaan konsumen tidak dapat dipenuhi segera, akibatnya perusahaan dimungkinkan kehilangan pelanggan dan kehilangan keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga banyak modal yang terserap sia-sia. Keakuratan dari hasil peramalan ini berperan penting dalam menyeimbangkan persediaan yang ideal.

2. Biaya

(6)

3. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Metode yang canggih hanya percuma bila tidak dapat diaplikasikan pada sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun peralatan dan teknologi.

3.1.3. Beberapa Sifat Hasil Peramalan

Dalam membuat peramalan atau menerapkan suatu peramalan, maka ada beberapa hal yang perlu dipertimbangkan, antara lain :

1. Ramalan pasti mengandung kesalahan yang mana hal ini berarti peramal hanya bisa mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut.

2. Peramalan seharusnya memberikan informasi tentang beberapa ukuran kesalahan, maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi.

3. Peramalan jangka pendek lebih akurat bila dibandingkan dengan peramalan jangka panjang. Hal ini disebabkan karena karena pada peramalan jangka pendek, faktor-faktor yang mempengaruhi permintaan relatif masih konstan, sedangkan peramalan jangka panjang, perubahan faktor-faktor yang mempengaruhi permintaan semakin besar.

(7)

3.2. Teknik Peramalan2

3.2.1. Faktor-faktor yang Mempengaruhi Pemilihan Teknik Peramalan Peramalan pada dasarnya merupakan upaya dalam memperkecil resiko yang timbul akibat pengambilan keputusan dalam suatu perencanaan produksi. Semakin besar upaya yang dikeluarkan, maka akan semakin besar pula resiko yang diperoleh. Namun, upaya memperkecil resiko tersebut dibatasi oleh biaya yang dikeluarkan dalam mengupayakan hal tersebut.

Faktor-faktor yang harus dipertimbangkan, antara lain : 1. Horizon Peramalan

Ada dua aspek dari horizon waktu yang berhubungan dengan masing-masing metode peramalan, yaitu:

a. Cakupan waktu di masa datang

Dimana perbedaan dari metode peramalan hendaknya disesuaikan. b. Jumlah periode ramalan yang diinginkan.

Beberapa teknik dan metode hanya dapat disesuaikan untuk peramalan satu atau dua periode, sedangkan teknik dan metode ini dapat digunakan untuk peramalan beberapa periode di masa yang akan datang.

2. Tingkat ketelitian

Tingkat ketelitian yang dibutuhkan sangat erat hubungannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. Untuk beberapa pengambilan keputusan diharapkan penyimpangan yang terjadi antara 10-15 %,

(8)

namun untuk kasus yang lain dapat dianggap bahwa penyimpangan ramalan sebesar 5 % merupakan penyimpangan yang cukup berbahaya.

3. Ketersediaan data

Metode yang digunakan sangat besar manfaatnya, apabila dikaitkan dengan keadaan atau informasi yang ada atau data yang tersedia.Apabila dari data di masa lalu diketahui adanya pola musiman. Maka untuk peramalan satu tahun ke depan sebaiknya digunakan metode variasi musiman. Sedangkan apabila dari data yang lalu diketahui adanya pola hubungan antara variabel-variabel yang saling mempengaruhi, maka sebaiknya digunakan metode sebab-akibat (causal).

4. Bentuk pola data

Dasar utama metode peramalan adalah anggapan bahwa pola data yang diramalkan akan berkelanjutan. Sebagai contoh, beberapa deret yang menunjukan pola musiman atau trend. Metode peramalan yang lain mungkin lebih sederhana, terdiri dari satu nilai rata-rata, dengan fluktuasi yang acak. Karena perbedaan kemampuan metode peramalan untuk mengidentifikasi pola-pola data, maka perlu adanya usaha penyesuaian pola-pola data.

5. Biaya

Umumnya ada empat jenis biaya dalam proses peramalan yaitu biaya pengembangan, biaya penyimpanan, biaya operasi, dan biaya kesempatan penggunaan teknik peramalan

(9)

3.2.2. Kegunaan Pemilihan Teknik Peramalan

Metode yang dipergunakan memberi manfaat jika dikaitkan dengan informasi atau data yang dimiliki. Apabila data yang lalu diketahui dengan pola musiman, maka peramalan satu tahun ke depan sebaiknya digunakan metode variasi musiman. Sedangkan bila pola data menunjukkan pola hubungan antar variabel, maka sebaiknya digunakan metode sebab akibat.

Metode merupakan cara berpikir yang sistematis dan pragmatis atas pemecahan masalah. Dengan dasar ini, metode peramalan merupakan cara memperkirakan apa yang terjadi pada masa mendatang sehingga metode peramalan sangat berguna untuk memperkirakan secara sistematis dan pragmatis atas data yang relevan pada masa lalu, dengan demikian metode peramalan diharapkan dapat memberikan hasil yang objektif.

Metode peramalan menghasilkan urutan pekerjaan dan memecahkan atas pendekatan suatu masalah dalam peramalan, sehingga bila digunakan pendekatan yang sama pada proses peramalan, maka akan di dapat dasar pemikiran dan pemecahan yang sama karena argumentasinya sama. Selain itu, metode peramalan memberikan cara pengerjaan yang teratur dan terarah, sehingga dengan demikian dapat memungkinkan penggunaan teknik-teknik penganalisaan yang lebih maju.

3.3. Klasifikasi Teknik Peramalan3

Dalam sistem peramalan, metode yang berbeda akan memberikan hasil yang berbeda dan derajat galat peramalan yang juga berbeda. Salah satu seni

(10)

dalam peramalan adalah memilih metode peramalan. Pada batas pemikiran peramalan untuk produk sebaiknya sedikitnya produk tersebut memiliki total lead time dalam melakukan peramalan. Jika batas lingkup peramalan diperpendek, kemudian kegiatan produksi yang paling cepat, seperti penempatan pesanan yang telah dibayar untuk leadtime yang lama dari komponen-komponen, yang mana dilakukan dengan informasi yang terbatas. Batas pemikiran yang mungkin terjadi selama peramalan dapat dilakukan secara akurat. Frekuensi dari pembaharuan peramalan bergantung pada nilai dari informasi yang diterima dan penjualan produk.

Peramalan sebaiknya diperbaharui secara rutin untuk objek-objek dengan biaya yang tinggi, akurasi tambahan yang diterima dengan pembaharuan secara rutin telah dipulihkan dengan mengeliminasi penyimpanan yang mahal. Berikut merupakan sistem peralaman/prediksi dapat dilihat pada Gambar 3.2.

Sales History

Objective Model Update as

Needed

Comparison to Actual Report Forecast

(Prediction)

Feedback on Forecast Accuracy Data Checked for

Accuracy and Reasonableness

Knowledge of Changed Condition

Sumber: Donald W. Fogarty, John H. Blackstone, dan Thomas R. Hoffmann, Productio and Inventory Management.

Gambar 3.2. Sistem Peramalan/Prediksi

(11)

3.3.1. Peramalan Kualitatif4

Peramalan kualitatif adalah peramalan yang didasarkan atas keadaan masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang besifat intuisi,judgement, pendapat, pengetahuan serta pengalaman dari penyusunnya.

Beberapa metode peramalan yang yang digolongkan sebagai model kualitatif adalah sebagai berikut :

a. Metode Delphi

Dalam hal ini, sekelompok pakar mengisi kuisioner, kemudian moderator menyimpulkan hasilnya dan memformulasikan menjadi suatu kuisioner baru yang diisi kembali oleh kelompok tersebut, demikian seterusnya.Adapun tahapan yang dilakukan adalah menentukan beberapa pakar sebagai partisipan, melalui kuisioner diperoleh peramalan dari seluruh partisipan, kemudian disimpulkan hasilnya yang kemudian didistribusikan kembali kepada partisipan dengan pertanyaan yang baru, selanjutnya disimpulkan kembali revisi hasil peramalan.

b. Dugaan Manajemen

Dalam hal ini, peramalan didasarkan pada pertimbangan manajemen, umumnya oleh manajemen senior. Metode ini akan cocok dalam situasi yang sangat sensitif terhadap intuisi dari suatu kelompok kecil orang dimana pengalamannya mampu memberikan opini yang kritis dan relevan.

(12)

c. Riset Pasar

Merupakan metode peramalan yang didasarkan pada hasil-hasil dari survey pasar yang dilakukan oleh tenaga-tenaga pemasar produk atau yang mewakilinya. Metode ini akan menjaring informasi dari pelanggan, sehingga riset pasar tidak hanya untuk membantu peramalan, tetapi juga untuk meningkatkan desain produk dan perencanaan untuk produk-produk baru. d. Metode Kelompok Terstruktur

Metode ini hampir sama dengan metode Delphi, namun dalam hal ini grup tidak berjumpa secara bersama dalam suatu forum untuk berdikusi, tetapi mereka diminta pendapatnya secara terpisah dan tidak boleh secara berunding. Hal ini dilakukan untuk menghindari pendapat yang bias karena pengaruh kelompok.

e. Analogi Historis

Merupakan teknik peramalan yang didasarkan pada pola data masa lalu dari produk-produk yang dapat disamakan secara analogi. Analogi historis akan cenderung lebih baik untuk penggantian produk di pasar dan apabila terdapat hubungan substitusi langsung dari produk dalam pasar itu.

3.3.2. Peramalan Kuantitatif5

Teknik intrinsik menggunakan data urutan waktu dari aktifitas item yang menjadi perhatian sebagaimana sumber data untuk meramalkan aktivitas masa yang akan datang untuk item tersebut. Sebagaimana ditujukan untuk metode time series pada umumnya. Berikut ini merupakan beberapa tipikal pola data time

5_{Ibid. Hal 86-87}

(13)

series ditunjukkan pada Gambar 3.3., yang mana terdapat pola horizontal, siklik, trend, musiman danrandom.

Gambar 3.3. Pola Peramalan dengan Menggunakan Time Series Sumber: Donald W. Fogarty, John H. Blackstone, dan Thomas R. Hoffmann, Production and Inventory Management.

(14)

Peramalan kuantitatif adalah peramalan yang didasarkan pada data kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang dipergunakan dalam peramalan tersebut.Metode yang baik yaitu yang memberi nilai-nilai perbedaan atau penyimpangan yang mungkin. Peramalan kuantitatif hanya dapat digunakan apabila terdapat dua kondisi berikut:

1. Adanya informasi tentang keadaan yang lain.

2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.

Prosedur umum yang digunakan dalam peramalan secara kuantitatif adalah :

1. Mendefenisikan tujuan peramalan.

2. Pembuatan diagram pencar (scatter diagram).

3. Memilih minimal dua metode peramalan yang dianggap sesuai. 4. Hitung parameter-parameter fungsi peramalan.

5. Hitung kesalahan setiap metode peramalan.

6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil. 7. Lakukan verifikasi peramalan.

3.3.3. Metode Time Series6

Analisis Time Series menemukan bagaimana indikator produksi tertentu bervariasi terhadap waktu. Total penjualan tahunan pada beberapa tahun terakhir

6_{James L. Riggs, 1981,}_{Production System: Planning Analyisis and Control.}_{John Wiley & Sons, Inc : New} York, Hal : 59-60.

(15)

dapat menjadi indikator produksi. Pada umumnya jumlah dari penjualan dapat berubah dari tahun ke tahun sesuai dengan yang telah di formulasikan, hasil dari penggambaran tidak dapat dipungkiri pada sebuah hubungan waktu penjualan yang digunakan untuk memprediksi level penjualan yang akan datang. Menetapkan perhatian untuk setiap langkah dan setiap rumusan hasil sebuah produk hasil akhir terbaik, yang merupakan peramalan paling tepat.

3.3.4. Metode Penghalusan (Smoothing)

Metode smoothing digunakan untuk mengurangi ketidakteraturan musiman dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetan data masa lalu. Ketepatan peramalan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang kurang akurat.

Metode smoothing terdiri dari beberapa jenis, antara lain : 1. Metode Rata-rata Bergerak (Moving Average), terdiri atas :

a. Single Moving Average (SMA)

Moving Average pada suatu periode merupakan peramalan untuk satu periode ke depan dari periode rata-rata tersebut. Persoalan yang timbul dalam penggunaan metode ini adalah dalam menentukan nilai t (periode rata-rata). Semakin besar nilai t maka peramalan yang dihasilkan akan semakin menjauhi pola data. Secara matematis, rumus fungsi peramalan metode ini adalah:

Ft+1 =

N

X X

(16)

dimana :

Xt = data pengamatan periode i

N = jumlah deret waktu yang digunakan Ft+1 = nilai peramalan periode t+1

b. Linier Moving Average (LMA)

Dasar metode ini adalah penggunaan moving average kedua untuk memperoleh penyesuaian bentuk pola trend.Metode Linier Moving Average adalah:

i. Hitung single moving average dari data dengan periode perata-rataan tertentu dan hasilnya dinotasikan dengan St’.

ii. Setelah semua single moving average dihitung, hitung moving average kedua yaitu moving average dari St’ dengan periode perata-rataan yang sama. Hasilnya dinotasikan dengan St’’.

iii. Hitung komponen At dengan rumus: At = St’ + (St’-St’’)

iv. Hitung komponen trend bt dengan rumus: bt = ( ' '')

1 2

St St

N− −

v. Peramalan untuk periode ke depan setelah t adalah sebagai beriku: Ft+m = At + bt .m

c. Double Moving Average

Notasi yang diberikan adalah MA (MxN), artinya M-periode MA dan N-periode MA.

(17)

d. Weighted Moving Average

Data pada periode tertentu diberi bobot, semakin dekat dengan saat sekarang semakin besar bobotnya.Bobot ditentukan berdasarkan pengalaman. Rumusnya adalah sebagai berikut:

Ft =

n n t n t t w w w A w A w A w + + + + − − − 2 1 2 2 1 1 dimana :

w1 = bobot yang diberikan pada periode t-1

w2 = bobot yang diberikan pada periode t-2

wn = bobot yang diberikan pada periode t-n

n = jumlah periode

2. Metode Exponential Smoothing, terdiri atas : a. Single Exponential Smoothing

Pengertian dasar dari metode ini adalah nilai ramalan pada periode t+1 merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang berasal dari kesalahan nilai ramalan yang terjadi pada periode t tersebut. Nilai peramalan dapat dicari dengan menggunakan rumus berikut:

Ft+1 = a.Xt + (1-a).Ft

dimana:

Xt = data permintaan pada periode t a = faktor/konstanta pemulusan Ft+1 = permasalahan untuk periode t

(18)

i. Satu parameter (Brown’s Liniar Method), merupakan metode yang hampir sama dengan linear moving average, disesuaikan dengan menambahkan satu parameter:

St’ = αXt + (1-α)S’t-1

St’’ = α S’’t + (1-α)S’’t-1

dimana St’ merupakan single exponential smoothing, sedangakan St’’ merupakan double exponential smoothing.

at = St’ + (St’ – St’’) = 2St’ – St’’

bt = ( ' '')

1−∝ St−St ∝

Rumus perhitungan peramalan pada period eke t : Ft+m = at + bt.m

ii. Dua parameter (Holt’s Method), merupakan metode untuk time series dengantrend linier. Terdapat konstanta yaitu α dan β. Adapun rumusnya adalah sebagai berikut:

St= αDt + (1-α)(St-1+Gt-1)

Gt= β(St – St-1)+(1-β)Gt-1

dimana :

St = intercept pada waktu t

Gt = slope pada waktu t

Rumusan perhitungan peramalan pada period ke t: Ft+m = St.Gt.m

iii. Exponential Smoothing dengan musiman, pola permintaan musiman dipengaruhi karakteristik data masa lalu, antara lain natal dan tahun

(19)

baru, lebaran, awal tahun ajaran sekolah, dan sebagainya. Terdapat dua kemungkinan dari pengaruh musiman.Pertama dapat bersifat addictive, yaitu mengabaikan laju penjualan setiap minggu selama bulan desember, hanya dikatakan penjualan selama bulan desember meningkat 200 unit.Kedua, pengaruh musiman bersifat multiplicative, laju penjualan setiap minggu selama bulan Desember meningkat dua kali lipat.

Rumusan untuk Exponential Smoothing dengan musiman:

St’ = α (1 )( 1 1)

1

− −

− + −∝ +

t t t

t

b s I

X

It= β +(1− ) t−1 t

t

I S

X _β

Gt= γ (St – St-1) + (1- γ) bt-1

Maka rumus perhitungan peramalan: Ft+m = (St + G + m)It-1 + m

dimana :

G = komponen trend L = panjang musiman I = faktor penyesuaian

Ft+m = ramalan untuk m periode ke muka.

3.3.5. Metode Proyeksi Kecenderungan dengan Regresi

(20)

mesin/peralatan semakin tua atau semakin lama jangka waktu pemakaiannya. Ada beberapa trend yang digunakan di dalam penyelesaian masalah ini yaitu :

1.Trend linier

Bentuk persamaan umum : Y = a + bt

sedangkan peramalannya mempunyai bentuk persamaan Yt = a + bt

∑

∑ ∑

− −

= ₂ ₂

) ( t t n Y t tY n

b t t

2.Trend Eksponensial atau Pertumbuhan Bentuk persamaan umum :

Y = aebt

sedangkan peramalannya mempunyai bentuk persamaan : Yt = aebt

n t b Y

a =

∑

ln t −

∑

ln

3.Trend Logaritma

Metode Proyeksi Kecenderungan dengan RegresiMetode ini merupakan dasar garis kecenderungan untuk suatu persamaan, sehingga dengan dasar persamaan

n t b Y

a=

∑

t −

∑

∑ ∑

− −

= ₂ ₂

) ( ln ln t t n Y t Y t n

b t t

(21)

tersebut dapat diproyeksikan hal-hal yang akan diteliti pada masa yang akan datang.

Y = a + b log t Bentuk fungsi dari metode ini dapat berupa: a. Konstan, dengan fungsi peramalan (Yt):

Yt = a, dimana

N Y

a=

∑

1

dimana : Yt = nilai tambah N = jumlah periode b. Linier, dengan fungsi peramalan:

Yt = a + bt

dimana :

n bt Y

a= −

( ) ( )

( )

∑

∑ ∑ ∑

− − − = ₂ 2 t t n y t ty n b

c. Kuadratis, dengan fungsi peramalan : Yt = a + bt + ct2

dimana : n t c t b Y

a=

∑

−

∑

−

∑

2

∂ − =θ bα

c ₂ α β θα δ − ∂ − ∂ = b

(

∑

)

−

∑

=

∂ 2 2 4

t n t

∑ ∑

−

∑

= t Y n tY

δ

∑ ∑

−

∑

= t2 Y n t2Y

θ

∑ ∑

−

∑

= 2 2 3

t n t t α

∑

−

= 2 2

)

(t n t

(22)

d. Eksponensial, dengan fungsi peramalan : Yt = aebt

dimana :

n t b Y

a=

∑

ln −

∑

ln

( )

2 2 ln ln ln

∑

− − = t t n Y t Y t n β

e. Siklis, dengan fungsi peramalan :

n t c n t b a

Yˆ_t = + sin2π + cos2π

dimana : n t c n t b na

Y sin2π

∑

cos2π

∑

= + + n t n t c n b n t a n t

Ysin2π

∑

sin2π sin2 2πτ

∑

sin2π cos2π

∑

= + + n t n t b n t c n t a n t

Ycos2π

∑

cos2π

∑

cos2 2π

∑

sin2π cos2π

∑

= + +

3.4.Kriteria Performance Peramalan

Seorang perancang tentu menginginkan hasil perkiraan peramalan yang tepat atau paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana yang dibuatnya merupakan rencana yang realistis.

Ketepatan yang kecil memberikan arti ketelitian peramalan tinggi, keakuratan hasil peramalan tinggi, begitu pula sebaliknya. Besar kesalahan suatu peramalan dapat dihitung dengan metode Standard Error of Estimate (SEE)

(

)

k m f f SEE m t t t − − =

∑

=1

2 ˆ

dimana :

(23)

k = derajat kebebasan

Untuk data konstan, k = 1 Untuk data linier, k = 2 Untuk data kuadratis, k = 3 Untuk data siklis, k = 3 Untuk data eksponensial, k = 2

3.5. Pengujian Hipotesa Distribusi F

Setelah didapat kesalahan (error) dari masing-masing metode peramalan, maka akan dilakukan pengujian terhadap dua metode yang memiliki error terkecil, guna mendapatkan metode peramalan yang lebih baik untuk digunakan. Pengujian dilakukan dengan tes distibusi F. Jika diasumsikan bahwa metode “X” adalah metode peramalan yang memiliki besar error yang paling kecil pertama, dan metode “Y” adalah metode peramalan yang memiliki besar error yang paling kecil kedua, maka langkah-langkah pengujiannya adalah sebagai berikut:

1. Tentukan pernyataan awal (H0) dan pernyataan alternatif (H1)

Ho: SEE X ≤ SEE Y Hi : SEE X > SEE Y

2. Lakukan tes statistik dengan rumus:

Uji statistik :

2    

  =

Y X hitung

SEE SEE F

(24)

Jika Fhitung < Ftabel maka H0 diterima (berarti metode peramalan dengan metode X lebih baik digunakan), dan sebaliknya.

Berikut merupakan grafik uji hipotesis dengan distribusi f peramalan dapat dilihat pada Gambar 3.4.

Gambar 3.4. Grafik Uji Hipotesis dengan Distribusi F Peramalan

3.6. Proses Verifikasi

Proses verifikasi digunakan untuk melihat apakah metode peramalan yang diperoleh telah representatif terhadap data. Proses verifikasi dilakukan dengan menggunakan Moving Range Chart (MRC). Dari peta ini dapat terlihat apakah sebaran berada di dalam batas kontrol ataupun sudah di luar kontrol.

Apabila sebaran berada di luar kontrol, maka fungsi/metode peramalan tersebut tidak sesuai, artinya pola peramalan terhadap data (Y-YF) tersebut tidak

representatif. Berikut merupkan proses verifikasi dengan menggunakan Moving Range Chart (MRC) dapat dilihat pada Gambar 3.5.

Daerah Penerimaan Hipotesa

Daerah Penolakan Hipotesa

3,44 0,98

(25)

A

B _C

A B

C Y-Yf

UCL = 2.66 MR

-1/3 x 2.66 MR -2/3 x 2.66 MR Central Line = MR

2/3 x 2.66 MR 1/3 x .66 MR

LCL = -2.66 MR

Gambar 3.5.Moving Range Chart Sumber: Rosnani Ginting, Sistem Produksi.

Kondisi out of control dapat diperiksa dengan menggunkan empat aturan berikut :

1. Aturan Satu Titik

Bila ada sebaran (Y-YF) berada diluar UCL dan LCL. Walaupun jika semua

titik sebaran berada dalam batas kontrol belum tentu fungsi/metoda representatif. Untuk itu penganalisaan perlu dilanjuti dengan membagi MRC menjadi tiga daerah yaitu A, B dan C.

2. Aturan Tiga Titik

Bila ada tiga buah titik secara berurutan berada pada salah satu sisi, yang mana dua diantaranya jatuh pada daerah A.

3. Aturan Lima Titik

(26)

MRC

Out of Control?

Fungsi Penyebab Diketahui?

Gunakan Fungsi yang diperoleh untuk meramalkan

Gejala tersebut bukan Bersifat random sehingga

Data menyimpang

Ganti dengan Fungsi baru

Menghitung kembali Parameter fungsi tersebut dengan menghilangkan titik-titik out of control sehingga diperoleh fungsi yang baru

(data berkurang)

Ulangi Kembali

Tidak

Ya

Tidak

4. Aturan Delapan Titik

Bila ada delapan buah titik secara berurutan berada pada salah satu sisi, pada daerah C.

Proses verifikasi dari proses peramalan dapat dilihat pada Gambar 3.6.

Gambar 3.6. Proses Verifikasi Metode Peramalan

Sumber: Rosnani Ginting, Sistem Produksi.

3.7. EconomicOrder Quantity (EOQ)7

Kegunaan EOQ adalah untuk menentukan order quantity yang akan meminimumkan jumlah biaya persediaan per waktu. Dalam penggunaannya metode EOQ ini dapat dikombinasikan untuk menentukan planned shipments.

7_{Arman Hakim dan Yudha Prasetyawan, 2008,}_{Perencanaan dan Pengendalian Produksi,}_Yogyakarta: Graha Ilmu, Hal. 134.

Ya

(27)

DRP adalah satu metode yang dipakai bersama dengan EOQ untuk pengendalian persediaan dan penjadwalan distribusi pada distribution center.

Asumsi – asumsi dasar EOQ adalah : 1. Lead time adalah konstan dan diketahui.

2. Preparation cost dan total carrying cost konstan dan diketahui. 3. Replenishment sesegera mungkin.

EOQ dapat dihitung dengan rumus :

Dimana :

P = biaya pengorderan (Rp / order) D = jumlah permintaan produk tahunan

C = biaya melakukan persediaan produk tahunan (persentase dari harga produk ataupun ditetapkan oleh perusahaan)

V = biaya per unit (kotak)

3.8. Distribution Requirement Planning (DRP)8

(28)

Distribution Requirement Planning (DRP) adalah suatu rencana penjadwalan kebutuhan untuk mengisi persediaan pada distribution center (DC). Sistem distribusi diklasifikasikan atas 2 jenis yaitu :

1. Sistem tarik (pull system)

Sistem tarik adalah sistem pengisian persediaan dimana setiap DC menentukan kebutuhannya dan memesan dari CSF.

2. Sistem dorong (push system)

Sistem dorong adalah sistem pengisian persediaan dimana CSF menentukan bagaimana mengalokasikan produksi ke DC daripada menunggu mereka untuk memesan.

Distribution Requirement Planning (DRP) adalah proses manajemen yang mengintegrasikan sejumlah aktivitas kritis yang perlu untuk mengatur dan mengendalikan operasi-operasi distribusi dan mengintegrasikan kebutuhan operasi tersebut dengan kemampuan dari sumber persediaan. Logika yang digunakan dalam DRP hampir sama dengan MRP. DRP mengantisipasi kebutuhan dengan perencanaan ke depan pada tiap level distribusi. Dengan DRP ini, unit usaha memulai penjadwalan distribusi dengan lebih akurat dan pada saat yang sama mencapai stabilitas produksi.

Sebagai akibatnya kegiatan distribusi produk dapat memperoleh keuntungan besar dalam hal perbaikan pelayanan pelanggan, pengurangan biaya persediaan, dan pengurangan sedikitnya biaya-biaya barang yang rusak.

(29)

3.8.1. Input Distribution Requirement Planning (DRP)

Input – input DRP secara umum meliputi data sebagai berikut : 1. Bill of Distribution

Bill of Distribution adalah informasi tentang hubungan antara supplier dan yang disuplainya tersusun dalam bentuk level per level. Informasi ini menunjukkan arah informasi material produk dari level yang tinggi ke level yang rendah. Sehingga akan membantu menentukan kebutuhan kotor yang lebih tinggi nantinya.

2. Lead Time Distribusi

Lead time distribusi adalah waktu yang diperlukan dari pelepasan order sampai order diterima DC. Lead time distribusi disusun dari beberapa komponen yaitu pelepasan order, pemuatan barang, pengangkutan barang, dan pembongkaran barang ke DC.

3. Order Entry

Order entry merupakan proses penerimaan dan penerjemahan apa yang diinginkan konsumen kepada bagian distribusi. Hal ini dapat merupakan sebuah proses yang sederhana seperti pembuatan dokumen penerimaan untuk finished good product, sampai kepada aktivitas rumit yang meliputi usaha engineering untuk produk make to order.

4. Forecasting

(30)

5. Inventory Record

Inventory record adalah catatan keadaan persediaan produk pada masing-masing gudang di DC.

3.8.2. Logika Distribution Requirement Planning (DRP)

Pada intinya logika dari proses DRP adalah proses-proses yang hampir sama dengan MRPyaitu :

1. Netting

Netting adalah proses perhitungan kebutuhan bersih (net requirement). Kebutuhan bersih adalah selisih antara kebutuhan kotor (gross requirement) dengan keadaan persediaan yaitu persediaan yang masih dimiliki (on-hand) dan sedang dipesan (on-order).Dimana kebutuhan kotor untuk DC adalah hasil ramalan permintaan produk pada DC tersebut.Data yang harus diketahui untuk menentukan kebutuhan bersih pada setiap periode adalah persediaan yang masih dipunyai (project on – hand) pada awal perencanaan dan jadwal penerimaan untuk tiap periode perencanaan.

2. Lot Sizing

Lot Sizing adalah proses untuk menentukan besarnya pesanan pada setiap item berdasarkan kebutuhan bersih yang dihasilkan dari proses netting. Biasanya cara yang digunakan adalah economic order quantity (EOQ). 3. Offsetting

Offsetting bertujuan menentukan saat yang tepat untuk melakukan rencana pemesanan guna memenuhi kebutuhan bersih.

(31)

4. Exploding

Exploding adalah proses perhitungan kebutuhan kotor untuk item pada level yang lebih tinggi. Dasar untuk menentukan kebutuhan item pada level tergantung pada posisinya pada struktur distribusi.

3.8.3. Output Distribution Requirement Planning (DRP)

Sistem DRP dengan nyata menghasilkan dua output yaitu DRPWorksheet untuk setiap DC, dan master schedule yang merupakan DRPWorksheet untuk CSF di samping terdapat pegging information yang dapat melacak kembali sumber dari permintaan pada CSF.DRPWorksheet memiliki 2 bagian penting yaitu:

1. Time Phased Information

Time phased information adalah informasi-informasi yang dikeluarkan berdasarkan pada suatu time phased yang menunjukkan perkiraan keadaan pada time phased tersebut. Informasi time – phased meliputi:

a. Demands Forecast

Demands Forecast merupakan hasil peramalan permintaan akan suatu produk pada masing-masing distribution center.

b. Planned Shipments-Receipt Date

Planned Shipments-Receipt Date adalah jumlah item atau produk yang dijadwalkan untuk dimasukkan dalam stok.Planned Shipments-Receipt Date produk tidak harus dalam perjalanan, tetapi dapat juga berupa order yang masih dalam pengemasan dan pemuatan.

(32)

Planned Shipments-Ship Date adalah order yang belum dilepas dan masih dalam perencanaan. Pada DC, Planned Shipments-Ship Date adalah jadwal untuk pengiriman produk pada masa yang akan datang dari CSF.

d. Project On-Hand

Project On-Hand adalah proyeksi jumlah persediaan yang ada pada suatu timephased tertentu. Project On-Hand merupakan suatu perencanaan jumlah persediaan pada DC dan CSF yang dijadikan gambaran persediaan yang ada pada masa yang akan datang. Sehingga dengan Project On-Hand ini, setiap komponen sistem distribusi dapat mengetahui masing-masing inventory level sistem tersebut.

2. Description Information

Description information adalah atribut-atribut masukan pada awal perencanaan.Description information ini berupa pengolahan data awal untuk masukan sistem DRP.Description Information meliputi:

a. On-hand balance

On-hand balance adalah jumlah persediaan produk yang terdapat dalam DC pada awal perencanaan.On-hand balance tidak termasuk pada produk yang berada dalam transit dan produk yang rusak.Jadi produk yang ada pada DC adalah jumlah produk yang tersedia untuk dikirimkan.

b. Safetystock

Safety stock adalah persediaan pengaman yang digunakan untuk memproteksi keadaan apabila penjualan melebihi apa yang diramalkan. c. Lead time distribusi

(33)

Lead time distribusi adalah waktu yang dibutuhkan untuk melepaskan suatu order sampai waktu order diterima di distribusi. Lead time distribusi dimulai saat menentukan kebutuhan untuk sebuah penambahan (replenishment) sampai saat inventory yang dibutuhkan.

d. Order Quantity

Order Quantity adalah jumlah produk yang telah ditentukan untuk dikirim. Sedangkan pegging information adalah suatu cara untuk dapat melacak kembali sumber dari permintaan pada CSF untuk satu waktu tertentu. Pegging information sangat berguna bilamana seluruh demand dari sebuah item tidak dapat dipenuhi.Penggunaan pegging ini penting dilakukan untuk menghemat waktu dalam memperoleh sumber masalah untuk perencanaan pendistribusian bilamana demand melebihi supply.Dengan bantuan pegging information, perencana dapat lebih banyak menghabiskan waktu untuk pemecahan masalah tersebut daripada mencari dimana terjadi kelebihan demand.

e. In Transit

In Transit adalah jumlah produk yang sudah dikirimkan pada periode sebelumnya namun produk belum tiba (produk sedang dalam perjalanan). Produk yang pada status in transit tidak dapat dikatakan projected on hand dikarenakan produk belum sampai ke gudang distribution center.

(34)

Distribution Requirement Planning Sheet untuk Distribution X

On Hand Balance : Lead Time :

Safety Stock : Order Quantity :

Distribution Center :

_Past

Due

Week

1 2 3 4 5 6 7 8 9 10

Demands Forecast In Transit Projected on Hand Planned Shipments - Receipt Date

Planned Shipments - Ship Date

Sumber: Andre J. Martin, Distribution Requirement Planning

3.8.4. Sumber-sumber Perubahan yang Mempengaruhi Rencana DRP Beberapa perubahan yang mungkin akan mempengaruhi rencana DRP adalah:

1. Kesalahan peramalan.

2. Perbaikan-perbaikan peramalan. 3. Variasi leadtime.

4. Kehilangan atau kerusakan dari inventory. 5. Pemogokan karyawan/pekerja.

3.8.5. Stok Pengaman dalam DRP

Stok pengaman dalam DRP digunakan untuk mengantisipasi ketidakpastian permintaan relatif terhadap ramalan-ramalan yang dibuat.Ketidakpastian ini paling mungkin terjadi apabila permintaan benar-benar independent pada pusat-pusat distribusi yang secara langsung melayani pelanggan. Tingkat stok pengaman secara keseluruhan dalam sistem distribusi seharusnya menjadi lebih kecil untuk push system daripada pull system.

(35)

Salah satu cara untuk menyelesaikan masalah ketidak pastian permintaan dan penawaran (lead time uncertainty) adalah mengkombinasikan data yang menunjukkan rata-rata permintaan. Hal ini akan menghasilkan ukuran variasi yang lebih besar, namun dapat diterapkan sebagai perhitungan dalam keadaaan normal untuk menentukan stok pengaman guna mencapai tingkat pelayanan yang diinginkan yaitu :

SS = z x s Dimana :

SS = stok pengaman yang disediakan untuk menghadapi ketidakpastian permintaan dan penawaran.

(36)

BAB IV

METODOLOGI PENELITIAN

4.1.Tempat dan Waktu Penelitian

Penelitian dilakukan di PT. Pancakarsa Bangun Reksa yang beralamat di Jl. Bintang Terang Gg. Bintang Terang No. 95 KM 13,8 Binjai-Medan. Waktu penelitian dilakukan pada bulan Maret 2015 sampai dengan Agustus 2015.

4.2.Jenis Penelitian

Berdasarkan sifatnya, maka penelitian ini digolongkan sebagai penelitian deskriptif (descriptive research) yaitu penelitian untuk mendeskripsikan secara sistematik, factual, dan data akurat tentang fakta-fakta dan sifat-sifat suatu objek tertentu9

4.3.Objek Penelitian

. Penelitian deskriptif ini berbentuk action research yaitu penelitian yang bertujuan untuk mendapatkan suatu solusi yang akan diaplikasikan pada PT. Pancakarsa Bangun Reksa.

Objek yang dijadikan penelitian adalah pendistribusian pada produk filter storage tank yang di produksi pada PT. Pancakarsa Bangun Reksa terhadap distribution center.

4.4.Variabel Penelitian

9

Sinulingga, Sukaria. 2011. Metodologi Penelitian. USU press. Medan. Hal.28

(37)

Adapun variabel-variabel yang terdapat dalam penelitian ini adalah sebagai berikut:

1. Variabel Independen

Variabel bebas merupakan variabel penelitian yang mempengaruhi dan menjadi sebab perubahan atau timbulnya variabel akibat. Adapun variabel bebas dalam penelitian ini yaitu:

a. Jumlah Permintaan Pada Setiap Distribution Center

Variabel permintaan pada setiap distribution center dibutuhkan selama 12 bulan terakhir dengan tujuan sebagai dasar permintaan pada setiap distribution center di 12 bulan yang akan datang. Variabel jumlah permintaan merupakan variabel bebas.

b. Variabel Safety Stock

Variabel safety stock adalah variabel dimana sebagai titik acuan dalam pemesanan ulang untuk memenuhi permintaan berdasarkan peramalan. c. Variabel Lead Time

Variabel lead time adalah variabel bebas dimana variabel ini mempengaruhi waktu pelepasan order dalam penjadwalan distribusi.

d. Variabel Biaya Pendistribusian

Variabel biaya pendistribusian adalah variabel bebas dimana variabel ini mempengaruhi order quantity dalam satu kali pengiriman ke setiap distribution center.

(38)

Mulai

Studi Pendahuluan 1. Kondisi Perusahaan 2. Informasi Pendukung

Studi Literatur 1. Metode Pemecahan

Masalah 2. Teori Pendukung

Variabel terikat merupakan variabel yang dipengaruhi atau yang menjadi akibat dari variabel bebas.Adapun variabel terikat dalam penelitian ini adalah jadwal distribusi.

4.5.Kerangka Berpikir Penelitian

Penentuan jadwal distribusi filter storage tank dipengaruhi oleh empat variabel, yakni permintaan, safety stock, lead time serta biaya pendistribusian yang dikeluarkan oleh perusahaan. Data historis permintaan pada perusahaan dibutuhkan untuk kemudian dilakukan forcasting agar mendapatkan gambaran permintaan pada periode berikutnya. Hasil dari forcasting yang didapatkan kemudian digunakan untuk mengetahui order quantity, safety stock serta frekuensi pemesanan yang seharusnya dilakukan oleh perusahaan. Penentuan jadwal distribusi didapat melalui perhitungan pada distribution requirement planning worksheet dan pegging information.

3.6. Flow Chart Prosedur Penelitian

Flow Chart prosedur penelitian dapat dilihat pada Gambar 4.1.

4.7. Pengumpulan Data 4.7.1. Sumber Data

Berdasarkan cara memperolehnya maka sumber data yang diperoleh dari penelitian ini adalah:

(39)

Gambar 4.1.Flow Chart Prosedur Penelitian

(40)

Data primer adalah informasi atau data orisinil yang dikumpulkan dan berhubungan dengan objek yang akan diteliti. Data-data tersebut adalah sebagai berikut:

a. Mengidentifikasi stakeholder, data ini diperoleh dengan melakukan metode wawancara kepada pihak yang berkompeten di PT. Pancakarsa Bangun Reksa.

b. Data-data lain yang berhubungan dengan penelitian. 2. Data sekunder

Data sekunder adalah data yang diperoleh secara tidak langsung yang biasanya berbentuk dokumen, file, arsip, atau catatan-catatan perusahaan.Data ini diperoleh melalui dokumentasi perusahaan, dan literatur yang berhubungan dengan penelitian.

4.7.2. Metode Pengumpulan Data

Pada penelitian ini teknik pengumpulan data yang digunakan adalah dengan melakukan wawancara atau tanya jawab dengan pihak manajemen dan operator yang bekerja di perusahaan tersebut mengenai hal-hal yang berhubungan dengan objek penelitian dan untuk melengkapi data yang diperoleh dari observasi. Metode pengumpulan data sekunder juga dilakukan dengan cara melihat dan mencatat dokumen yang ada di perusahaan.

4.8. Metode Pengolahan Data

(41)

Dalam pengolahan data penelitian ini digunakan metode kuantitatif. Semua data yang terkumpul, baik data yang berasal dari hasil wawancara dan dokumentasi akan diolah sesuai dengan langkah-langkah dalam metode distribution requirement planning untuk mendapatkan hasil akhir berupa distribution requirement planningworksheet dan pegging informationBerikut ini merupakan langkah-langkah dalam melakukan pengolahan data:

1. Perhitungan Peramalan

Dari data permintaan yang didistribusikan dari Januari 2014 sampai dengan Desember 2014 digunakan untuk peramalan 1 tahun kedepannya dalam timebucket bulanan. Dalam meramalkan data ini, digunakan dua metode peramalan dan metode perhitungan standar error peramalan yang digunakan adalah metode peramalan dengan SEE (Standard Error Estimation).Peramalan dilakukan untuk semua distribution center.

2. Order Quantity

Dalam model EOQ, dapat ditentukan jumlah pengiriman optimal setiap kali pemesanan sehingga dapat meminimasi biaya total persediaan.

3. Perhitungan Frekuensi Pemesanan

Dilakukan perhitungan frekuensi pemesanan pada setiap distribution center yang menjadi daerah pemasaran PT. Pancakarsa Bangun Reksa.

(42)

Agar status persediaan (stocklevel) tetap aman maka harus dibuat persediaan pengaman tiap distribution center menurut variansi permintaan ada rata-rata lead time.

5. Membuat Distribution Requirement PlanningWorksheet dan Pegging Information

Setelah langkah-langkah diatas, kemudian disusun distribution requirement planningworksheet dan pegging information sesuai dengan hasil perhitungan.

4.9. Analisis Pemecahan Masalah

Data yang telah diperoleh, kemudian diolah dan dianalisis.Analisis dilakukan terhadap hasil identifikasi terhadap masalah-masalah yang terjadi pada sistem distribusi perusahaan. Dari hasil análisis yang dilakukan maka akan diperoleh pemecahan masalah berupa perbaikan sistem distribusi pada PT. Pancakarsa Bangun Reksa dengan mengunakan penerapan metode distribution requirement planning.

4.10. Kesimpulan dan Saran

Ini merupakan tahap akhir dari penelitian yang berisikan kesimpulan dari keseluruhan proses penelitian serta saran-saran yang diajukan untuk kemajuan perusahaan atau kegiatan penelitian yang akan dilakukan selanjutnya pada waktu yang akan datang.

BAB V

(43)

PENGUMPULAN DAN PENGOLAHAN DATA

5.1. Pengumpulan Data

5.1.1. Data Permintaan Konsumen terhadap Produk Filter Storage Tank

[image:43.595.117.512.365.585.2]

Data jumlah pengiriman produk filter storagetank ke setiap distribution center pada Januari 2014 sampai Desember 2014 digunakan dalam peramalan permintaan pada masa yang akan datang (12 bulan ke depan). Data jumlah permintaan konsumen tersebut dapat dilihat pada Tabel 5.1.

Tabel 5.1. Data Permintaan Distribution Center Masa Lalu

Periode Permintaan (Unit)

Langsa Stabat Pekanbaru Palembang

Januari 2014 102 113 205 240

Februari 2014 104 115 180 226

Maret 2014 110 121 190 185

April 2014 123 134 223 201

Mei 2014 127 138 240 172

Juni 2014 106 117 210 208

Juli 2014 135 146 200 194

Agustus 2014 151 162 176 213

September 2014 107 116 232 234

Oktober 2014 118 129 228 140

November 2014 143 154 194 204

Desember 2014 138 140 217 167

Jumlah 1.464 1.585 2.495 2.384

(44)

5.1.2. Lead Time Distribusi

Lead time distribution adalah waktu yang diperlukan dalam pelepasan order sampai order diterima di stock room pada distribution center. Lead time pada setiap distribution center akan ditunjukkan pada Tabel 5.2.

Tabel 5.2.Lead Time Distribusi Setiap Distribution Center

Keterangan Distribution Center

Langsa Stabat Pekanbaru Palembang

Lead Time (Jam) 8 4 30 60

Sumber: PT. Pancakarsa Bangun Reksa

5.1.3. Status Persediaan Awal

Status persediaan awal berisikan persediaan produk pada setiap distribution

center di awal perencanaan.Status persedian pada masing-masing distribution center

dapat dilihat pada Tabel 5.3.

Tabel 5.3. Status Persediaan Awal Pada Distribution Center

No. Distribution

Center

Jumlah Persediaan (Unit)

1 Langsa 20

2 Stabat 18

3 Pekanbaru 35

4 Palembang 27

Sumber: PT. Pancakarsa Bangun Reksa

5.1.4. Biaya Distribusi 5.1.4.1. Biaya Transportasi

Biaya transportasi yang dikeluarkan untuk masing-masing distribution center berbeda-beda. Proses pengangkutan produk filter storage tank ke masing-masing distribution center menggunakan truk dengan kapasitas yang berbeda.

(45)

[image:45.595.112.513.570.672.2]

Untuk distribution center Langsa dan distribution center Stabat menggunakan kendaraan dengan kapasitas 40 unit/pengiriman, serta untuk distribution center Pekanbaru dan distribution center Palembang menggunakan kendaraan dengan kapasitas 60 unit/pengiriman. Untuk biaya transportasi pada masing-masing distribution center dapat dilihat pada Tabel 5.4.

Tabel 5.4. Biaya Transportasi Pada Masing-masing Distribution Center

DistributionCenter Biaya Transportasi

(Rp/Kirim)

Langsa 2.700.000

Stabat 1.800.000

Pekanbaru 4.800.000

Palembang 6.400.000

Sumber : PT. Pancakarsa Bangun Reksa

5.1.4.2. Biaya Pemesanan

Biaya pemesanan pada perusahaan memperhitungkan beberapa elemen biaya, yakni biaya bongkar muat, biaya telepon, dan administrasi.Perhitungan biaya pemesanan berbeda-beda pada masing-masing distribution center tergantung jarak yang ditempuhnya dapat dilihat pada Tabel 5.5.

Tabel 5.5. Biaya Pemesanan Pada Masing-masing Distribution Center

DistributionCenter

Elemen Biaya

Total Biaya Pemesanan (Rp/Pesan) Biaya Bongkar

Muat (Rp/Order)

Biaya Telepon (Rp/Order)

Biaya Adminitrasi

(Rp/Kirim)

Langsa 535.500 7.000 5.000 547.500 Stabat 468.000 7.000 5.000 480.000 Pekanbaru 627.000 7.000 5.000 639.000 Palembang 656.500 7.000 5.000 668.500

(46)

Rincian biaya penyimpanan persediaan terdiri dari biaya yang

diperkirakan akibat adanya modal tertanam di dalam persediaan (capital cost), biaya asuransi terhadap nilai persediaan (insurance cost) dan biaya yang digunakan untuk pemeliharaan barang, pemindahan produk, catatan-catatan dan sebagainya (storage cost). Besarnya biaya penyimpanan persediaan telah ditetapkan oleh perusahaan, yaitu sebesar Rp 280.000,-/kotak untuk satu tahun.

5.1.6. Frekuensi Pemesanan Selama 12 Bulan Sebelumnya

[image:46.595.199.423.445.529.2]

Frekuensi pemesanan pada setiap distribution center berbeda-beda, jumlah pemesanan yang dilakukan selama 12 bulan sebelumnya dapat dilihat pada Tabel 5.6.

Tabel 5.6. Frekuensi Pemesanan Selama 12 Bulan Sebelumnya

Center

Frekuensi Pemesanan

1 Langsa 25

2 Stabat 24

4 Pekanbaru 27

5 Palembang 23

5.2. Pengolahan Data

5.2.1. Peramalan Permintaan Pada Distribution Center

Untuk meramalkan permintaan konsumen pada setiap distribution center, dilakukan 7 langkah peramalan.Berikut contoh peramalan permintaan pada Distribution Center Langsa.

Langkah-langkah peramalan yang dilakukan adalah:

1. Menetapkan tujuan peramalan

(47)

Tujuan dilakukan peramalan adalah untuk meramalkan data jumlah permintaan pada distribution center Langsa pada 12 bulan yang akan datang.

2. Membuat scatter diagram

Berikut merupakan scatter diagram jumlah permintaan pada distribution center Langsa dapat dilihat pada Gambar 5.1.

Gambar 5.1.Scatter Diagram Jumlah Permintaan Pada Distribution Center

Langsa

3. Memilih metode yang mendekati pola yang dianggap sesuai

Metode peramalan yang akan digunakan adalah sebagai berikut:

a. Metode Linier

b. Metode Eksponensial

4. Menghitung parameter-parameter fungsi peramalan

Untuk memudahkan perhitungan, maka dimisalkan X sebagai variabel tahun dan Y sebagai variabel jumlah permintaan distribution center Langsa.

a. Metode Linier

Fungsi peramalan :Y = a + bx

0 50 100 150 200

1 2 3 4 5 6 7 8 9 10 11 12

(48)

[image:48.595.146.438.191.650.2]

Berikut merupakan perhitungan parameter peramalan jumlah permintaan distribution center Langsa dengan metode linier dapat dilihat pada Tabel 5.7.

Tabel 5.7. Perhitungan Parameter Peramalan Jumlah Permintaan

Distribution Center Langsa dengan Metode Linier

X Y XY X2

1 102 102 1

2 104 208 4

3 110 330 9

4 123 492 16

5 127 635 25

6 106 636 36

7 135 945 49

8 151 1.208 64

9 107 963 81

10 118 1.180 100

11 143 1.573 121

12 138 1.656 144

78 1.464 9.928 650

Sumber : Pengolahan Data

(

)

∑

∑ ∑

− − = ₂ 2 X X n Y X XY n b

(

) ( )(

)

( ) ( )

2

78 650 10 1.464 78 9.928 12 − − = b 88 , 2 = b n X b Y

a=

∑

−

∑

(

)( )

12 78 2,88 928 . 9 − = a 103,27 = a

Fungsi peramalannya adalah :

Y = 103,27 + 2,88X

b. Metode Eksponensial Fungsi peramalan :Y = aebx

(49)

[image:49.595.130.483.148.594.2]

Berikut merupakan perhitungan parameter peramalan jumlah permintaan distribution center Langsa dengan metode eksponensial dapat dilihat pada Tabel 5.8.

Tabel 5.8. Perhitungan Parameter Peramalan Jumlah Permintaan

Distribution Center Langsa dengan Metode Eksponensial

X Y X2 ln Y X ln Y

1 102 1 4,62 4,62

2 104 4 4,64 9,28

3 110 9 4,70 14,10

4 123 16 4,81 19,24

5 127 25 4,84 24,20

6 106 36 4,66 27,96

7 135 49 4,91 34,37

8 151 64 5,02 40,16

9 107 81 4,67 42,03

10 118 100 4,77 47,70

11 143 121 4,96 54,56

12 138 144 4,93 59,16

78 1.464 650 57,53 377,38

b =

(

)

∑

∑ ∑

− − 2 2 ln ln X X n Y X Y X n = 2 ) 78 ( ) 50 6 ( 12 ) 53 , 57 ( 78 ) 38 , 377 ( 12 − − = 0,02

ln a =

n X b Y

∑

ln −

∑

= 12 ) 78 )( 02 , 0 ( 53 , 57 − = 4,64

a = 103,36

Fungsi peramalannya adalah :Y = 103,36 e0,02x

5. Menghitung setiap kesalahan setiap metode

(50)

Dimana :

y = data aktual

y’ = data peramalan

n = banyak data

f = derajat kebebasan

a. Metode Linier ( f = 2 )

[image:50.595.189.423.426.703.2]

Adapun perhitungan SEE untuk metode linier dapat dilihat pada Tabel 5.9.berikut :

Tabel 5.9. Perhitungan SEE Pada Peramalan Jumlah Permintaan Distribution Center Langsa dengan Metode Linier

X Y Y-Y' (Y-Y')2

1 102 -4,15 17,22

2 104 -5,04 25,40

3 110 -1,92 3,69

4 123 8,20 67,24

5 127 9,32 86,86

6 106 -14,56 211,99

7 135 11,56 133,63

8 151 24,68 609,10

9 107 -22,20 492,84

10 118 -14,08 198,25

11 143 8,03 64,48

12 138 0,15 0,02

78 1.464 -0,01 1.910,72

(

)

f n Y Y SEE − − =

∑

2 ' = 2 12 1.910,72

− = 13,82

b. Metode eksponensial ( f = 2 )

(51)

[image:51.595.165.454.208.439.2]

Adapun perhitungan SEE untuk metode eksponensial dapat dilihat pada Tabel 5.10.berikut :

Tabel 5.10. Perhitungan SEE Pada Peramalan Jumlah Permintaan Distribution Center Langsa dengan Metode Eksponensial

X Y Y' Y-Y' (Y-Y')2

1 102 105,87 -3,87 -3,79

2 104 108,44 -4,44 -4,27

3 110 111,07 -1,07 -0,97

4 123 113,77 9,23 7,50

5 127 116,54 10,46 8,24

6 106 119,37 -13,37 -12,61

7 135 122,27 12,73 9,43

8 151 125,24 25,76 17,06

9 107 128,28 -21,28 -19,89

10 118 131,39 -13,29 -11,35

11 143 134,59 8,41 5,88

12 138 137,85 0,15 0,02

78 1.464 1.454,68 9,32 1.937,70

(

)

f n Y Y SEE − − =

∑

2 ' = 2 12 1.937,70

− = 13,92

6. Menghitung pola peramalan yang terbaik dengan perhitungan distribusi f

Ho : SEE linier ≤ SEE eksponensial Hi : SEE linier > SEE eksponensial

α : 0,05

Uji statistik :

2 2 13,92 13,82       =         = al eksponensi linier hitung SEE SEE

F = 0,98

F tabel = 0,05 (12-2,12-2) = 2,98

(52)

Daerah Penerimaan

Hipotesa

Daerah Penolakan

Hipotesa

2,98 0,98

[image:52.595.122.508.112.317.2]

0

Gambar 5.2. Grafik Uji Hipotesis dengan Distribusi F Peramalan Jumlah

Permintaan Distribution Center Langsa

Oleh karena Fhitung (0,98)<Ftabel (2,98), maka Ho diterima. Jadi hasil

pengujian menyatakan bahwa metode linier lebih baik daripada metode eksponensial. Adapun fungsi linier tersebut adalah:

Y = 103,27 + 2,88X 7. Verifikasi peramalan

Tujuan proses verifikasi dilakukan adalah untuk mengetahui apakah fungsi yang telah ditentukan dapat mewakili data yang akan diramalkan. Perhitungan hasil verifikasi peramalan dapat dilihat pada Tabel 5.11.

Tabel 5.11. Perhitungan Hasil Verifikasi Peramalan Jumlah Permintaan Distribution Center Langsa

X Y Y-Y' MR

1 102 -4,15 -

2 104 -5,04 0,89 3 110 -1,92 3,12 4 123 8,20 10,12

5 127 9,32 1,12

(53)

6 106 -14,56 23,88 7 135 11,56 26,12 8 151 24,68 13,12 9 107 -22,20 38,88 10 118 -14,08 8,12 11 143 8,03 22,11 12 138 0,15 7,88 78 1.464 -0,01 163,36

MR = =

−

∑

1 n MR 1 12 447,20

− = 14,85

UCL = 2,66 x MR = 2,66 x 14,85= 39,50 1/3 UCL = 1/3 x 39,50 = 13,17

2/3 UCL = 2/3 x 39,5 = 26,33

LCL = - 2,66 x MR= -2,66 x 14,85 = -39,50 1/3 LCL = 1/3 x (-39,50) = -13,17

2/3 LCL = 2/3 x (-39,50) = -26,33

[image:53.595.120.505.437.683.2]

Berikut ini merupakan moving range chart jumlah permintaan distribution center Langsa dapat dilihat pada Gambar 5.3.

Gambar 5.3.Moving Range Chart Jumlah Permintaan Distribution Center

Langsa -50,00 -40,00 -30,00 -20,00 -10,00 0,00 10,00 20,00 30,00 40,00 50,00

1 2 3 4 5 6 7 8 9 10

(54)

Terlihat keseluruhan titik hasil peramalan telah berada dalam batas sehingga peramalan dengan metode linier cukup memenuhi persyaratan dengan fungsi peramalan:

Y = 103,27 + 2,88X

[image:54.595.113.501.309.445.2]

Dengan menggunakan cara yang sama, rekapitulasi langkah-langkah peramalan pada setiap Distribution Center diuraikan pada Tabel 5.12.

Tabel 5.12. Rekapitulasi Fungsi Peramalan Permintaan Distribution Center

Distribution Center

Metode

Digunakan Fungsi Peramalan SEE

Metode Terpilih

Langsa Linier Y'(t) = 103,27 + 2,88t 13,82 Linier Eksponensial Y'(t) = 103,36e0,02t 13,92

Stabat Linier Y'(t) = 91,02 + 1,28t 13,00 Linier Eksponensial Y'(t) = 90,15e0,01t 13,08

Pekanbaru Linier Y'(t) = 199,58 + 1,28t 19,26 Linier Eksponensial Y'(t) = 198,56e0,03t 19,28

Palembang Linier Y'(t) = 222,35 - 3,64t 24,95 Linier Eksponensial Y'(t) = 222,69e0,03t 24,97

Berikut perhitungan hasil peramalan permintaan untuk masing-masing distribution center pada periode Januari 2015 (periode penelitian ke 13): a. Distribution Center Langsa

Y'(t) = 103,27 + 2,88t = 103,27 + 2,88(13) = 141 unit

b. Distribution Center Stabat

Y'(t) = 91,02 + 1,28t = 91,02 + 1,28(13) = 108 unit

c. Distribution Center Pekanbaru

Y'(t) = 199,58 + 1,28t = 199,58 + 1,28(13) = 217 unit

(55)

d. Distribution Center Palembang

Y'(t) = 222,35 – 3,64t = 222,35 - 3,64(13) = 176 unit

Hasil peramalan data permintaan selama 12 bulan kedepan untuk setiap distribution center dapat dilihat pada Tabel 5.13.

.Tabel 5.13. Rekapitulasi Hasil Peramalan Permintaan Distribution Center

Periode Rekapitulasi Hasil Peramalan (Unit) Langsa Stabat Pekanbaru Palembang

Januari 2015 141 108 217 176

Februari 2015 144 109 218 172

Maret 2015 147 111 219 168

April 2015 150 112 221 165

Mei 2015 153 113 222 161

Juni 2015 156 115 223 157

Juli 2015 158 116 224 154

Agustus 2015 161 117 226 150

September 2015 164 118 227 146

Tabel 5.13. Rekapitulasi Hasil Peramalan Permintaan Distribution Center

(Lanjutan)

Periode Rekapitulasi Hasil Peramalan (Unit) Langsa Stabat Pekanbaru Palembang

Oktober 2015 167 120 228 143

November 2015 170 121 230 139

Desember 2015 173 122 231 135

Total 1.884 1.382 2.686 1.866

5.2.2. Perhitungan Order Quantity untuk Setiap DistributionCenter

(56)

Keterangan: D = Jumlah kebutuhan barang selama satu periode (tahun) k = Orderingcost setiap kali pesan

h = Holdingcost setiap kotak selama satu periode (tahun) Berikut perhitungan EOQ untuk masing-masing distribution center: a. Distribution Center Langsa

D = 1.884 unit/tahun k = Rp 547.500/pesan h = Rp 280.000/tahun

= 86 unit/pesan b. Distribution Center Stabat

= 69 unit/pesan c. Distribution Center Pekanbaru

D = 2.686 unit/tahun

(57)

k = Rp 639.000/pesan h = Rp 280.000/tahun

= 111 unit/pesan d. Distribution Center Palembang

= 95 unit/pesan

Berikut merupakan hasil perhitungan order quantity untuk masing-masing distribution center, dapat dilihat pada Tabel 5.14.

Tabel 5.14. Rekapitulasi Perhitungan Order Quantity

Center

Order Quantity

(Unit)

1 Langsa 86

2 Stabat 69

4 Pekanbaru 111

5 Palembang 95

5.2.3. Perhitungan Frekuensi Pemesanan

(58)

Berikut perhitungan frekuensi pemesanan untuk masing-masing distribution center:

a. Distribution Center Langsa

≈ 23 pemesanan

≈ 21 pemesanan

c. Distribution Center Pekanbaru

≈ 25 pemesanan

d. Distribution Center Palembang

≈ 20 pemesanan

Berikut merupakan hasil perhitungan frekuensi pemesanan untuk masing-masing distribution center, dapat dilhat pada Tabel 5.15.

Tabel 5.15. Rekapitulasi Perhitungan Frekuensi Pemesanan

Center

Frekuensi Pemesanan

(59)

1 Langsa 23

2 Stabat 21

4 Pekanbaru 25

5 Palembang 20

5.2.4. Perhitungan SafetyStock

Safety stock dalam sistem ini merupakan suatu acuan untuk melakukan

pemesanan kembali guna memenuhi hasil peramalan. Dalam perencanaan distribution

requirement planning ini perkiraan safety stock dilakukan dengan cara sederhana

dengan menganggap permintaan normal selama lead time distribusi dan tingkat

pelayanan yang diinginkan perusahaan adalah 95%. Sebagaimana pada bagian

landasan teori maka perhitungan safety stock yang dipakai adalah sebagai berikut:

Safety Stock = s x Z

Dimana : s = Standar deviasi permintaan pada distribution center

Z = Nilai di bawah kurva normal yang ditentukan oleh tingkat pelayanan

Tingkat pelayanan perusahaan terhadap konsumen ialah sebesar 95%

dan nilai Z diperoleh ialah sebesar 1,65. Nilai ini diperoleh dari tabel

distribusi normal.

Perhitungan safety stock untuk distribution center dapat dilihat pada Tabel 5.16.

Tabel 5.16. Perhitungan Safety Stock Setiap Distribution Center

Periode Rekapitulasi Hasil Peramalan (Unit) Langsa Stabat Pekanbaru Palembang

Januari 2015 141 108 217 176 Februari 2015 144 109 218 172 Maret 2015 147 111 219 168 April 2015 150 112 221 165

Mei 2015 153 113 222 161

Juni 2015 156 115 223 157

(60)

September 2015 164 118 227 146 Oktober 2015 167 120 228 143 November 2015 170 121 230 139 Desember 2015 173 122 231 135

Standar Deviasi (s) 10,37 4,65 4,65 13,29

Z (95%) 1,65 1,65 1,65 1,65

Safety Stock = s x Z 18 8 8 22

Berikut perhitungan safety stock untuk masing-masing distribution center: a. Distribution Center Langsa

s x Z = 10,37 x 1,65

≈ 18 unit

s x Z = 4,65 x 1,65

≈ 8 unit

c. Distribution Center Pekanbaru s x Z = 4,65 x 1,65

≈ 8 unit

d. Distribution Center Palembang s x Z = 13,29 x 1,65

≈ 22 unit

5.2.5. Perhitungan Jumlah Permintaan Distribution Center Setiap Minggu Perhitungan jumlah permintaan setiap minggu dari setiap distribution center diperoleh dengan melakukan pembagian antara jumlah permintaan setiap

(61)

[image:61.595.117.516.223.419.2]

distribution center pada setiap bulannya dengan jumlah minggu yang ada pada setiap bulannya.Jumlah permintaan distribution center untuk setiap minggu dapat dilihat pada Tabel 5.17.