PENGENDALIAN PERSEDIAAN BAHAN BAKU KUE BOLU BERDASARKAN RAMALAN PENJUALAN MENGGUNAKAN MODEL P (STUDI KASUS: P.IRT FOKER CAKE)

(1)

Prosiding SEMNAS Pendidikan Matematika 2017 ISBN. 978-602-50629-0-2 219 ©Program Studi Pendidikan Matematika FKIP-UNIKU

PENGENDALIAN PERSEDIAAN BAHAN BAKU KUE BOLU

BERDASARKAN RAMALAN PENJUALAN

MENGGUNAKAN MODEL P

(STUDI KASUS: P.IRT FOKER CAKE)

Eman Lesmana 1), Julita Nahar2), Wahyu Suseno Rizkiyanto3)

Departemen Matematika, Universitas Padjadjaran, Jl. Raya Bandung-Sumedang Km.21, Sumedang; man.msie@gmail.com

Sumedang; wahyususenow@gmail.com ABSTRAK

Perusahaan memerlukan kebijakan persediaan yang tepat guna memenuhi permintaan yang tidak pasti. Untuk memecahkan permasalahan permintaan yang tidak pasti, metode Brown exponential smoothing dan metode dekomposisi dapat digunakan sebagai solusi untuk mengetahui ramalan permintaan di masa yang akan datang sehingga dapat ditentukan kebijakan persediaan yang tepat. Pemilihan bahan baku yang akan digunakan pada proses penentuan kebijakan persediaan adalah bahan baku pada Kategori A dari Analisis ABC. Penelitian ini menganalisa dua metode penentuan kebijakan persediaan bahan baku utama kue bolu yaitu metode konvensional dan model P dalam kasus lost sales. Setelah dianalisa, model P mampu menghasilkan total biaya persediaan yang lebih rendah dari pada metode konvensional. Berdasarkan hasil tersebut, manajemen P.IRT Foker Cake dalam mengambil kebijakan pengendalian persediaan hendaknya dapat mempertimbangkan penggunaan model P karena dapat menghemat total biaya sebesar 9,841435 % atau Rp 18.647.787,- per tahun.

Kata kunci : Analisis Abc,Model P, Peramalan

A. PENDAHULUAN

Pengendalian persediaan bahan baku merupakan hal penting yang harus diperhatikan oleh suatu perusahaan. Mengingat bila terjadi kekurangan kekurangan persediaan bahan baku berarti akan menggangu jalannya produksi, sebaliknya jika persediaan berlebihan akan menyebabkan biaya penyimpanan

menjadi besar. Untuk menjaga hal tersebut maka perusahaan harus menetapkan kebijakan pengendalian persediaan agar dapat dicapai kedaan optimal, yang pada akhirnya dapat meminimalkan biaya produksi.

Pada permasalahan yang real seringkali permintaan produk sering berubah dari waktu ke waktu. Perusahaan memerlukan kebijakan

(2)

persediaan yang tepat guna memenuhi permintaan yang tidak pasti. Untuk mengatasi permasalahan tersebut metode peramalan dapat digunakan sebagai solusi untuk menentukan permintaan di masa yang akan datang sehingga dapat ditentukan kebijakan persediaan yang tepat. Permintaan yang tidak pasti akan mengakibatkan sistem persediaan bersifat probabilistik. Model P merupakan salah satu metode yang dapat digunakan untuk memecahkan permasalahan sistem persediaan yang bersifat probabilistik.

Untuk mendukung penulisan makalah ini, penulis melakukan penelitian di P.IRT Foker Cake. P.IRT Foker Cake merupakan home industry yang memproduksi kue dengan berbagai jenis varian dan harga. Produk utama yang menjadi andalan P.IRT Foker Cake adalah kue bolu. Komposisi pembuatan kue yang bermacam-macam seperti tepung terigu, gula, telur, mentega, dan lainnya memerlukan perhatian yang khusus dalam sistem persediaannya.

B. METODE PENELITIAN 2.1 Metode Brown Exponential Smoothing

Metode Brown Exponential Smoothing linear satu parameter merupakan salah satu metode peramalan yang digunakan untuk meramalkan data yang memiliki pola data trend. Pada metode ini dilakukan dua kali pemulusan eksponensial dan satu kali pemulusan terhadap trend [2]. Ada beberapa langkah yang digunakan untuk menentukan ramalan dengan metode Brown Exponential Smoothing, yaitu sebagai berikut:

1. Hitung pemulusan eksponensial tunggal:

𝑆_𝑡′ _{= 𝛼. 𝑋}

𝑡+ 1 − 𝛼 𝑆𝑡−1′

(2.1)

2. Hitung pemulusan eksponensial ganda:

𝑆_𝑡′′ _{= 𝛼. 𝑆}

𝑡′ + 1 − 𝛼 𝑆𝑡−1′′

(2.2)

3. Tentukan nilai pemulusantrend: 𝑎_𝑡 = 2𝑆_𝑡′ − 𝑆_𝑡′′

(2.3)

4. Tentukan nilai slope 𝑏_𝑡: 𝑏_𝑡 = 𝛼

1−𝛼 𝑆𝑡

′ _{− 𝑆}

𝑡′′

(2.4)

5. Tentukan nilai peramalan 𝐹𝑡+𝑚:

𝐹_𝑡+𝑚 = 𝑎_𝑡+ 𝑏_𝑡. 𝑚 (2.5)

Adapun inisialisasi dalam metode ini adalah:

𝑆₁′ _{= 𝑆}

1′′ = 𝑋1

(2.6)

2.2 Metode Dekomposisi

Metode dekomposisi berasumsi bahwa data tersusun sebagai berikut:

𝑑𝑎𝑡𝑎 = 𝑝𝑜𝑙𝑎 + 𝑘𝑒𝑠𝑎𝑙𝑎𝑕𝑎𝑛 = 𝑓 𝑡𝑟𝑒𝑛𝑑, 𝑠𝑖𝑘𝑙𝑢𝑠, 𝑚𝑢𝑠𝑖𝑚𝑎𝑛 + 𝑘𝑒𝑠𝑎𝑙𝑎𝑕𝑎𝑛

(2.7)

Menurut [2] Penulisan matematis secara umumdarimodel dekomposisiadalah:

𝑋_𝑡 = 𝑓(𝐼_𝑡, 𝑇_𝑡, 𝐶_𝑡, 𝐸_𝑡) (2.8)

dimana

𝑋𝑡= data aktual pada periode ke-𝑡 𝐼𝑡= indeks musiman pada periode ke-𝑡 𝐶𝑡= unsur siklus pada periode ke-𝑡 𝐸𝑡= unsur kesalahan pada periodeke-𝑡.

Bentuk fungsional yang pasti dari persamaan di atas bergantung pada metode dekomposisi rata-rata sederhana yang berasumsi pada model aditif:

𝑋_𝑡 = (𝐼_𝑡 + 𝑇_𝑡 + 𝐶_𝑡) + 𝐸_𝑡 (2.9)

Metode dekomposisi rasio-trend yang berasumsi pada model

(3)

multiplikatif:

𝑋𝑡 = 𝑓(𝐼𝑡 ∗ 𝑇𝑡 ∗ 𝐶𝑡) ∗ 𝐸𝑡

(2.10)

2.3 Ukuran Statistik Standar

Nilai kesalahan dapat didefinisikan sebagai:

𝑒_𝑡 = 𝑋_𝑡− 𝐹_𝑡 (2.11)

Menurut [3], ukuran statistik standar dapat didefiniskan sebagai berikut diantaranya:

1. Rata-rata Kesalahan Absolut (Mean Absolute Error) 𝑀𝐴𝐸 = 1 𝑛 𝑒𝑡 𝑛 𝑡=1 (2.12)

2. Rata-rata Kesalahan Kuadrat (Mean Squared Error) 𝑀𝑆𝐸 = 1 𝑛 𝑒𝑡 2 𝑛 𝑡=1 (2.13)

Sedangkan untuk menghitung kesalahan relatif atau persentase kesalahan diantaranya:

1. Persentase Kesalahan ( Percentage Error)

𝑃𝐸𝑡 =

𝑋𝑡−𝐹𝑡

𝑋𝑡 ∙ 100% (2.14)

2. Rata-rata Presentase Kesalahan Absolut (Mean Absolute Percentage Error) 𝑀𝐴𝑃𝐸 = 1 𝑛 𝑃𝐸𝑡 𝑛 𝑡=1 (2.15) dengan

𝑒_𝑡 = nilai kesalahan pada periode 𝑡 𝑋𝑡 = data permintaan pada periode

𝑡

𝑛 = banyaknya periode waktu 𝐹_𝑡 = nilai perkiraan pada periode 𝑡 2.4 Pengujian Normalitas Data

Uji normalitas data dimaksudkan untuk memperlihatkan bahwa data sampel berasal dari

populasi yang berdistribusi normal. Data yang memiliki distribusi yang normal dapat diartikan memiliki sebaran yang normal pula, dengan kata lain data tersebut dianggap dapat mewakili populasinya [3].Berikut ini merupakan langkah-langkah dalam pengujian normalitas data menggunakan Uji Kolmogorov-Smirnov:

1. Buat hipotesis:

𝐻₀ : data mengikuti distribusi normal

𝐻₁ : data tidak mengikuti distribusi normal.

2. Lakukan statistik Uji Kolmogorov-Smirnov:

𝐷 = 𝑠𝑢𝑝[𝑆₀ 𝑋 − 𝐹0 𝑋 ]

(2.16)

dengan tingkat signifikansi 5% atau 0.05.

3. Gunakan kriteria uji berdasarkan hipotesis yang telah dibuat:

𝐻₀diterima jika nilai signifikansi > 0.05

𝐻₀ditolak jika nilai signifikansi < 0.05.

2.5 Diagram Pareto

Diagram Pareto disusun berdasarkan persentase kumulatif penyerapan dana dan persentase jenis item dari barang yang dikelola [1].Untuk menggambarkan diagram Pareto dan memilah barang atas beberapa kategori dilakukan langkah sebagai berikut:

1. Hitung jumlah penyerapan dana untuk setiap jenis barang 𝑖 per tahun (𝑀_𝑖):

𝑀𝑖 = 𝐷𝑖. 𝑝𝑖

(2.17) dimana

𝐷𝑖= Jumlah pemakaian jenis barang

per tahun

(4)

2. Hitung jumlah total penyerapan dana untuk semua jenis barang.

𝑀 = 𝑀_𝑖 (2.18)

3. Hitung persentase penyerapan dana untuk semua jenis barang 𝑃_𝑖.

𝑃_𝑖 =𝑀𝑖

𝑀 × 100%

(2.19)

4. Hitung persentase setiap jenis item 𝐼_𝑖.

𝐼𝑖 = 1

𝑁× 100%

(2.20)

dimana𝑁 = jumlah semua jenis item. 5. Urutkan persentase penyerapan dana sesuai dengan urutan besarnya persentase penyerapan dana.

6. Hitung nilai kumulatif persentase penyerapan dana dan nilai kumulatif jenis barang.

7. Gambarkan diagram Pareto pada diagram Cartesian dengan menggunakan nilai persentase jenis item sebagai sumbu ordinat dan persentase penyerapan dana sebagai sumbu absis.

8. Tentukan kategorisasi barang berdasarkan prinsip Pareto.

2.6 Model P dengan Lost Sales

Permasalahan kebijakan persediaan yang akan dipecahkan dengan model P berkaitan dengan penentuan besarnya stok operasi (operating stock) yang harus disediakan dan cadangan pengamannya (safety stock).Pada kasus lost sales, ketika terjadi kekurangan persediaan maka pemakai barang tidak mau menunggu barang yang diminta tersedia di gudang. Pemakai akan pergi dan mencari barang kebutuhannya di tempat lain [1].Langkah-langkah dalam menentukan 𝑇 dan 𝑅 yang optimal menggunakan metode Hadley-Within

dapat d iperoleh dengan cara sebagai berikut:

a. Hitung nilai 𝑇₀ . 𝑇₀ = 2𝐴

𝐷𝑕

(2.21)

b. Hitung nilai 𝛼 dan 𝑅 dengan menggunakan persamaan (2.42)

𝛼 = 𝑕𝑇0

𝑐𝑢+𝑕𝑇0

(2.22)

jika kebutuhan 𝑇 + 𝐿 berdistribusi normal maka:

𝑅 = 𝑇₀ 𝐷 + 𝐷𝐿 + 𝑧_𝛼 𝑇₀ + 𝐿 (2.23)

c. Hitung total ongkos persediaan (𝑂𝑇)0dengan menggunakan persamaan (2.40) (𝑂𝑇)0 = 𝐷. 𝑝 +𝐴 𝑇+ 𝑅 − 𝐷𝐿− 𝑇𝐷 2 𝑕 + 𝑐𝑢 𝑇 + 𝑕 𝑁 (2.24) dengan 𝑁 = 𝑆 𝑇₀ + 𝐿 𝑓 𝑧_𝛼 − 𝑧_𝛼𝛿 𝑧_𝛼 (2.25)

d. Ulangi mulai langkah 2 dengan mengubah 𝑇_𝑛 = 𝑇₀ + ∆𝑇₀

(2.26)

i. Jika hasil (𝑂_𝑇)_𝑛 lebih besar dari (𝑂_𝑇)_𝑛−1, iterasi penambahan 𝑇₀ dihentikan. Kemudian dicoba dengan iterasi pengurangan (𝑇𝑛 = 𝑇0 −

∆𝑇₀ ) dan baru berhenti apabila (𝑂_𝑇)_𝑛 lebih kecil dari (𝑂_𝑇)_𝑛−1. Nilai 𝑇 optimal adalah yang memberikan nilai minimal 𝑂_𝑇. ii. Jika hasil (𝑂𝑇)𝑛 lebih kecil dari

(𝑂𝑇)𝑛−1, iterasi penambahan

(𝑇_𝑛 = 𝑇₀ + ∆𝑇₀ ) dilanjutkan dan baru berhenti apabila (𝑂_𝑇)_𝑛

(5)

lebih besar dari (𝑂𝑇)𝑛−1.

Kemudian dicoba dengan iterasi pengurangan (𝑇𝑛 = 𝑇0 −

∆𝑇₀ ) dan baru berhenti apabila

(𝑂𝑇)𝑛 lebih kecil dari (𝑂𝑇)𝑛−1.

Nilai 𝑇 optimal adalah yang memberikan nilai minimal 𝑂𝑇.

C. HASIL DAN PEMBAHASAN 3.1 Data Penelitian

Tabel 1. Data Jumlah Penjualan Kue P.IRT Foker CakePeriode Juni 2014 – Januari 2017

Bulan

Jumlah Penjualah Kue Bolu Tahun

2014 2015 2016 2017

Januari NaN 3.714 3.196 3.712

Februari NaN 4.150 3.611 NaN

Maret NaN 4.580 3.416 NaN

April NaN 3.834 3.754 NaN

Mei NaN 3.459 2.971 NaN

Juni 1.803 3.732 2.824 NaN Juli 2.172 2.963 3.088 NaN Agustus 2.587 3.474 2.191 NaN September 2.824 4.466 3.779 NaN Oktober 3.014 2.976 3.839 NaN November 3.261 2.861 3.666 NaN Desember 2.501 1.950 3.029 NaN

Tabel 2. Data Harga Bahan Baku Februari 2017 Item Bahan Baku Harga (Per Kg) Terigu 12000 Mentega 8000 Gula 10000 Susu Bubuk 30000 Telur 21000 Vanili 20000 3.2 Identifikasi Pola Data

Adapun plot data jumlah penjualan kue pada P.IRT Foker Cake adalah sebagai berikut:

Gambar 1. Plot Data Jumlah Penjualan Kue P.IRT Foker Cake Pada Bulan Juni 2014 sampai dengan Januari 2017

Data penjualan kue P.IRT Foker Cake berpola musiman namun mengandung trend atau tidak.

0 2,000 4,000 6,000 1 4 7 10 13 16 19 22 25 28 31 Jum lah P enju al an Kue Bulan Grafik Penjualan Kue Bolu

(6)

3.3 Peramalan Menggunakan Metode Brown Exponential Smoothing

Tabel 3. Proses Pemilihan Nilai Konstanta Pemulusan∝ pada Metode Brown Exponential Smoothing ∝ MAE MAPE 0,09 514,5088 16,54 0,10 513,1101 16,59 0,11 512,0716 16,60 0,20 537,0118 17,18 0,30 542,7632 17,20 0,40 552,2221 17,39 0,50 569,8992 17,83 0,60 583,5228 18,17 0,70 611,3155 18,95 0,80 664,3724 20,62 0,90 751,3358 23,31

Berdasarkan Tabel, nilai MAE dan MAPE yang paling minimum adalah dengan ∝= 0,11.

3.4 Peramalan Menggunakan MetodeDekomposisi

Tabel 4. Proses Pemilihan Periode N pada Metode Dekomposisi

N MAE MAPE 3 445,483 12,8810 4 430,305 12,5252 5 441,106 12,8868 6 435,221 12,7300 7 473,573 14,2673 8 442,206 13,0720 9 466,347 13,9051 10 433,192 12,7797 11 459,29 13,5984 12 465,839 13,8531 13 494,967 14,9931 14 511,635 15,8263 15 507,95 15,7243 16 518,142 16,0130 17 542,748 16,8530 18 561,582 17,4870 19 572,108 17,8473 20 571,029 17,7624

(7)

21 571,776 17,8245

Berdasarkan tabel, nilai MAE dan MAPE yang paling minimum adalah dengan periode 𝑁 = 4.

3.5 Penentuan Metode Peramalan dengan Analisis Kesalahan

Tabel 5. Perbandingan Analisis Kesalahan Metode Brown Exponential Smoothing dan Dekomposisi No Analisis Kesalahan Brown Exponential Smoothing Dekomposisi 1 MAE 512,07 430,305 2 MSE 470695,4 304919 3 MAPE 16,60 12,5252

Berdasarkan perbandingan hasil analisis kesalahan metode dekomposisi memiliki nilai kesalahan terkecil dibandingkan metode Brown

exponential smoothing. Oleh karena itu metode dekomposisimerupakan metode yang tepat untuk peramalan penjualan kue P.IRT Foker Cake.

3.6 Uji Normalitas Data Penjualan Kue

Tabel 6. Data Jumlah Penjualan Kue Bolu pada Periode Juli 2016 hingga Juni 2017

Tahun Bulan Jumlah

Penjualan 2016 Juli 3.088 Agustus _2.191 September 3.779 Oktober 3.839 November _3.666 Desember 3.029 2017 Januari 3.712 Februari _3.475 Maret 3.201 April 3.057 Mei _2.628 Juni 2.950

Untuk membantu perhitungan digunakan softwareSPSS Statistics 17.0 dalam melakukan proses Uji Kolmogorov-Smirnov sehingga diperoleh hasil seperti pada tabel 7

(8)

Tabel 7. Uji Kolmogorov-Smirnov pada Data Penjualan Kue Bolu One-Sample Kolmogorov-Smirnov Test

Uji data

N 12

Normal Parametersa,,b Mean 3412.500

00 Std. Deviation 141.4011 06 Most Extreme Differences Absolute .166 Positive .122 Negative -.166 Kolmogorov-Smirnov Z .574

Asymp. Sig. (2-tailed) .897

a. Test distribution is Normal. b. Calculated from data.

Berdasarkan Tabel 4.7 dapat dilihat bahwa data penjualan kue pada Juli 2016 hingga Juni 2017 berdistribusi normal dengan nilai signifikansi sebesar 0,092 yang artinya lebih besar dari 0.05 sehingga data mengikuti distribusi normal.

3.7 Analisis ABC Pada Bahan Baku Pembuatan kue

Dari hasil wawancara dengan pemilik P.IRT Foker Cake diperoleh informasi bahwa dalam 1 adonan kue bolu membutuhkan:

 0,5 kg mentega  1 kg gula halus  1 kg tepung terigu

 15 sendok makan susu bubuk putih (0,225 kg)

 10 butir telur (0,5 kg)

 5 sendok teh vanili (0,02 kg) Dari 1 adonan tersebut dapat dihasilkan sebanyak 5 kue bolu dan ekspektasi penjualan kue bolu pada periode Juli 2016 hingga Juni 2017 sebesar 38.616 kue bolu. Sehingga ekspektasi kebutuhan bahan baku pembuatan kue bolu untuk periode Juli 2016 hingga Juni 2017 adalah:

Tabel 8.Ekspektasi Kebutuhan Bahan Baku Pembuatan KuePeriode Oktober

2015 hingga September 2016 Item Kebutuhan per kg Terigu 7723,2 Mentega 3861,6 Gula 7723,2 Susu Bubuk 1737,72 Telur 3861,6

(9)

Vanili 154,464

Kemudian untuk menggambarkan diagram Pareto dan memilah bahan baku menjadi beberapa kategori dilakukan dengan langkah sebagai berikut:

Tabel 9. Pengolahan Data Bahan Baku Menggunakan Analisis ABC pada Langkah 1 hingga Langkah 4 Bahan Baku Kebutuhan per kg Harga per kg Mi Pi Ii Terigu 7723,2 12000 92678400 27,49 16,67 Mentega 3861,6 8000 30892800 9,164 16,67 Gula 7723,2 10000 77232000 22,91 16,67 Susu Bubuk 1737,72 30000 52131600 15,46 16,67 Vanili 154,464 20000 3089280 0,916 16,67 Telur 3861,6 21000 81093600 24,05 16,67

Total Penyerapan Dana (M)

(dalam rupiah) 337117680 100

Tabel 10. Pengolahan Data Bahan Baku Menggunakan Analisis ABC pada Langkah 5 hingga Langkah 6 Bahan Baku Mi Pi Pi Kum Ii Ii Kum Terigu 92678400 27,49 27,49 16,67 16,67 Telur 81093600 24,05 51,55 16,67 33,33 Gula 77232000 22,91 74,45 16,67 50 Susu Bubuk 52131600 15,46 89,92 16,67 66,67 Mentega 3082800 9,16 99,08 16,67 83,33 Vanili 3089280 0,916 100 16,67 100 Total 337117680

Gambarkan diagram Pareto pada diagram Cartesian.

Gambar 2. Diagram Pareto Bahan Baku Kue Bolu P.IRT Foker Cake Tabel 11. Kategorisasi Bahan Baku Kue Bolu Berdasarkan Prinsip Pareto

0 50 100 150 0 50000000 10000000 (da lam pe rse n) (da lam k g)

Jenis Bahan Baku

Diagram Pareto Bahan Baku Kue Bolu P.IRT Foker Cake

(10)

Bahan Baku

Kebutuhan

per kg Mi Pi Kum Ii Kum Gol

Terigu 7723,20 92678400 27,49 16,67 A Telur 3861,60 81093600 51,55 33,33 B Gula 7723,20 77232000 74,46 50 B Susu Bubuk 1737,72 52131600 89,92 66,67 C Mentega 3861,60 30892800 99,08 83,33 C Vanili 154,464 3089280 100 100 C Total 357493500

Berdasarkan Tabel 11 dapat disimpulkan bahwa terigu merupakan prioritas utama karena merupakan bahan baku dengan kategori A.

3.8 Perencanaan Persediaan Bahan Baku Dengan Metode Konvensional

Dari hasil wawancara dengan pemilik P.IRT Foker Cake diperoleh data mengenai ongkos-ongkos persediaan yang meliputi:

Harga Terigu (D)= Rp 12.000,-

Kebutuhan selama 1 tahun (p)= 7.723,2 kg

Kebutuhan selama 1 bulan (Q)= 643,6 kg

Frekuensi pemesanan (f)= 12 kali Biaya pemesanan (A) = Rp 22.000,-Sehingga total biaya pengendalian persediaan P.IRT Foker Cake adalah: 𝑂𝑇 = 𝑂𝑏 + 𝑂𝑝 + 𝑂𝑠 = 𝐷. 𝑝 + 𝑓. 𝐴 + 𝑕. 𝑚 = (12000)(7723,2) + (12)(22000) +643,6 2 (300000) = 𝑅𝑝 189.482.400, −

3.9 Perencanaan Persediaan Bahan Baku Dengan Model P

Dari hasil wawancara dengan pemilik P.IRT Foker Cake diperoleh data mengenai ongkos-ongkos persediaan yang meliputi:

Ongkos Pesan (𝐴) = Rp 22.000/pesan Ongkos Simpan (𝑕) = Rp 833,33,-/hari Ongkos Kekurangan Barang (𝑐_𝑢) = Rp 10.000,-/kg

Harga Terigu (Juni 2017) (𝑝)= Rp 12.000,-/kg

Lead time (𝐿)= 0,0027 tahun Permintaan (𝐷) = 7723,2 kg

Ekspektasi Permintaan (𝐷𝐿)= 𝐷. 𝐿 =

42,32 kg

Standar Deviasi Permintaan (𝑆)= 7671,15 kg

Standar Deviasi Lead Time (𝑆𝐿)= 𝑆 𝐿

= 398,605 kg/tahun

Tabel 12. Hasil perhitungan tiap iterasi pada model P untuk persediaan terigu di P.IRT Foker Cake

Iterasi T 𝛼 𝑧𝛼 R N 𝑂𝑇

1

0,08 0,007 2,45 660,46 1,65 170.910.418 0,01 0,010 2,30 979,85 2,81 171.115.634 2 0,04 0,003 2,70 341,02 0,62 170.860.383

(11)

Berdasarkan Tabel 12 dapat dilihat bahwa proses perhitungan berhenti pada iterasi ke-4 karena 𝑂_𝑇5 > 𝑂_𝑇4 sehingga didapat waktu antar pemesanan yang optimal adalah 0,055122376/tahun dengan ongkos total Rp 170.834.613,-.

Adapun besarnya presentase biaya penghematan dengan menggunakan model P adalah:

%𝑃𝑒𝑛𝑔𝑕𝑒𝑚𝑎𝑡𝑎𝑛 = 𝑂𝑇− (𝑂𝑇)𝑃 𝑂_𝑇 . 100% = 189482400 − 170834613 189482400 . 100% = 9,841435 %

Jadi penghematan yang dapat dilakukan manajemen P.IRT Foker Cake dengan menggunakan model P adalah sebesar 9,841435 % atau sebesar Rp 18.647.787,-.

D. KESIMPULAN

Berdasarkan pembahasan sebelumnya maka dapat disimpulkan bahwa:

1. Berdasarkan hasil perbandingan analisis kesalahan, metode dekomposisi mampu menghasilkan nilai MAE, MSE dan MAPE yang lebih rendah dibanding metode Brown exponential smoothing, yaitu sebesar430,305, 304919, dan 12,5252sehingga salah satu metode peramalan yang cocok digunakan untuk menentukan jumlah penjualan kue bolu adalah metode dekomposisi.

2. Biaya total bahan baku utama kue bolu menggunakan model P adalah 𝑅𝑝 170.910.418,- per tahun lebih rendah dibanding metode

konvensional yang selama ini digunakan manajemen P.IRT Foker Cake dengan biaya penghematan sebesar Rp 18.647.787,- per tahun.

DAFTAR PUSTAKA

[1] Bahagia, S. N. 2006. Sistem Inventory. Bandung: Penerbit ITB. [2] Makridakis, S., Spyros, G. 1983.

Forecasting:Methods and Applications 2nd Edition. Singapore: John Wiley & Sons. [3] Shardeo, V. 2015. Impact of

Inventory Management on the Financial Performance of the firm. IOSR Journal of Business and Management. e-ISSN: 2278-487X.Volume 17, Issue 4, April 2015.

3 0,05 0,004 2,60 447,43 0,93 170.834.613 4 0,06 0,005 2,55 500,74 1,12 170.847.031

(12)