L Lampiran 1. Diagram Alir Pemrosesan Pesanan Pelanggan. Mulai. Pembeli memesan produk dengan jumlah, waktu, dan harga yang diinginkan

(1)

Lampiran 1

Diagram Alir Pemrosesan Pesanan Pelanggan

Pembeli memesan produk dengan jumlah, waktu, dan

harga yang diinginkan Mulai

Ya _{Bag. Pemasaran}

membuat Sales Order Harga OK? Bag. Pemasaran konfirmasi pada Direktur Tidak Ya Direktur Setuju ? Tidak Bag. Pemasaran memberi penawaran pada pembeli Ya Pembeli Setuju ? Tidak Selesai A

(2)

Diagram Alir Proses Produksi Berdasarkan Pesanan Pelanggan

(3)

(4)

0.131 s X Paku Panjang Brass Plate General Brass Plate Brass Plate

PETA PROSES OPERASI

Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan : : : :

General Tack Button Lubang Tengah Nickel Free 02 Devi Sagitaris 10 Oktober 2007 Sekarang Usulan Mesin Pounch Cap Dicetak Mesin Pounch General Dicetak Dicetak Mesin Pounch Paku

Kegiatan Jumlah Waktu

11 Total Inspeksi Operasi 14 1 Storage 4.488 s -Cap Logo 4.488 s 0.84 s 1.00 s 0.84 s Barrel Cuci Pencucian Campuran kimia 2 O-4 O-1 O-2 O-3 0.109 s Campuran kimia Campuran kimia 0.046 s 0.047 s 0.070 s 0.043 s 1.26 s Gudang Barrel Plating Plating Dryer Pengeringan Mesin Laqer Vernis Heat Dryer Pengeringan Kipas Pendinginan Assembly Ambeng Perakitan O-5 I-1 0.103 s Barrel Pemolesan Pemolesan O-6 I-2 O-7 O-8 O-9 O-10 O-11 Washer Plastic

(5)

X Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan : : : :

Shake Tack Button Nickel Free 03

Devi Sagitaris 10 Oktober 2007

Sekarang Usulan

13 Total Inspeksi Operasi 16 1 Storage 5.809 s -5.809 s 2 Posh Shake Brass Plate Cap Shake Washer Flat Alumunium Plate Mesin Pounch Cap Dicetak Mesin Pounch Cap Dicetak Dicetak Mesin Pounch Posh Shake Storage O-2 O-4 O-5 Cap Logo O-3 Dicetak Mesin Pounch Washer 0.50 s 0.84 s 0.84 s Paku Shake Dicetak Mesin Pounch Paku Shake O-1 0.84 s 0.84 s O-6 Barrel Cuci Pencucian 0.164 s Campuran kimia Bak Plating Plating 0.137 s Campuran kimia Campuran kimia Tabung pemolesan Pemolesan 0.129 s O-9 Dryer Pengeringan 0.058 s O-10 Mesin Laqer Vernis 0.059 s O-11 Heat Dryer Pengeringan 0.088 s O-12 Kipas Pendinginan 0.054 s O-13 Mesin Assembly Perakitan 1.26 s O-7 I-1 O-8 I-2

(6)

Shake Tack Button Lubang Tengah Nickel Free 04

Sekarang Usulan

12 Total Inspeksi Operasi 15 1 Storage 5.242 s -5.242 s 2 Posh Shake Cap Shake Mesin Pounch Cap Dicetak Mesin Pounch Cap Dicetak Dicetak Mesin Pounch Posh Shake Storage O-2 O-4 Cap Logo O-3 0.84 s 0.84 s Paku Shake Brass Plate Dicetak Mesin Pounch Paku Shake O-1 0.84 s 0.84 s O-5 Barrel Cuci Pencucian 0.148 s Campuran kimia Bak Plating Plating 0.124 s Campuran kimia Campuran kimia Tabung pemolesan Pemolesan 0.117 s O-8 Dryer Pengeringan 0.052 s O-9 Mesin Laqer Vernis 0.053 s O-10 Heat Dryer Pengeringan 0.040 s O-11 Kipas Pendinginan 0.048 s O-12 Mesin Assembly Perakitan 1.26 s O-6 I-1 O-7 I-2

Brass Plate Brass Plate

(7)

Rivet Jamur Nickel Free 05

Sekarang Usulan

10 Total Inspeksi Operasi 13 1 Storage 1.918 s -1.918 s 2 Paku Rivet Rivet Jamur Mesin Pounch Rivet Jamur Dicetak Storage O-3 Cap Rivet O-2 Dicetak Mesin Pounch Rivet Jamur 0.56 s 0.56 s Dicetak Mesin Pounch Paku O-1 0.64 s O-4 Barrel Cuci Pencucian 0.038 s Campuran kimia Campuran kimia Barrel pemolesan Pemolesan 0.030 s O-7 Dryer Pengeringan 0.013 s O-8 Mesin Laqer Vernis 0.014 s O-9 Heat Dryer Pengeringan 0.020 s O-10 Kipas Pendinginan 0.012 s Barrel Plating Plating 0.032 s Campuran kimia Brass Plate O-5 I-1 O-6 I-1

(8)

Rivet Finish Nickel Free 06

Sekarang Usulan

9 Total Inspeksi Operasi 12 1 Storage 1.467 s -1.467 s 2 Paku Rivet Rivet Finish Brass Plate Mesin Pounch Rivet Finish Dicetak Storage O-2 0.504 s Dicetak Mesin Pounch Paku O-1 0.84 s O-3 Barrel Cuci Pencucian 0.029 s Campuran kimia Campuran kimia Barrel pemolesan Pemolesan 0.023 s O-6 Dryer Pengeringan 0.010 s O-7 Mesin Laqer Vernis 0.010 s O-8 Heat Dryer Pengeringan 0.016 s O-9 Kipas Pendinginan 0.010 s Barrel Plating Plating 0.024 s Campuran kimia Brass Plate O-4 I-1 O-5 I-1

(9)

Head Finish Nickel Free 07

Sekarang Usulan

9 Total Inspeksi Operasi 12 1 Storage 1.451 s -1.451 s 2 Paku Rivet Rivet Finish Brass Plate Mesin Pounch Head Finish Dicetak Storage O-2 0.504 s Dicetak Mesin Pounch Paku O-1 0.84 s O-3 Barrel Cuci Pencucian 0.026 s Campuran kimia Campuran kimia Barrel pemolesan Pemolesan 0.020 s O-6 Dryer Pengeringan 0.009 s O-7 Mesin Laqer Vernis 0.009 s O-8 Heat Dryer Pengeringan 0.014 s O-9 Kipas Pendinginan 0.008 s Barrel Plating Plating 0.021 s Campuran kimia Brass Plate O-4 I-1 O-5 I-1

(10)

Eyelet Nickel Free 08

Sekarang Usulan

9 Total Inspeksi Operasi 12 1 Storage 1.451 s -1.451 s 2 Posh Washer Washer Eyelet Brass Plate Mesin Pounch Washer Eyelet Dicetak Storage O-2 0.504 s Dicetak Mesin Pounch Posh Washer O-1 0.84 s O-3 Barrel Cuci Pencucian 0.026 s Campuran kimia Campuran kimia Barrel pemolesan Pemolesan 0.020 s O-6 Dryer Pengeringan 0.009 s O-7 Mesin Laqer Vernis 0.009 s O-8 Heat Dryer Pengeringan 0.014 s O-9 Kipas Pendinginan 0.008 s Barrel Plating Plating 0.021 s Campuran kimia Brass Plate O-4 I-1 O-5 I-1

(11)

Lampiran 4

Data Produksi untuk setiap produk periode tahun 2004 sampai dengan 2007

Data Produksi Tahun 2004 (dalam pieces)

Produk September Oktober November Desember GTB 14 -17 mm 195,552 353,232 235,440 80,640 GTB 20 mm 80,064 0 18,000 48,240 GTB LT 14-17 mm 52,560 32,688 81,072 91,440 GTB LT 20 mm 0 49,248 0 0 STB 14-17 mm 80,352 79,776 54,000 34,848 STB 20 mm 3,600 5,040 0 0 STB LT 14-17 mm 16,128 0 51,552 36,720 STB LT 20 mm 0 32,256 18,000 0 Rivet Jamur 9 mm 118,800 12,384 84,384 17,568 Rivet Jamur 9.5 mm 77,472 22,752 36,576 12,384 Rivet Finish 9.5 mm 199,440 95,760 76,032 37,008 Head Finish 9.5 mm 36,576 8,064 90,720 59,760 Eyelet 13 mm 76,608 73,728 65,088 19,440 Eyelet 14 mm 0 22,752 80,784 0 Eyelet 15 mm 50,976 0 18,000 36,864 Eyelet 5 mm 81,072 22,464 16,128 0

(12)

(13)

(14)

(15)

Lampiran 5

Data produk dan jenis bahan baku yang dibahas dalam penelitian Data jenis produk

Jenis Produk Diameter (mm) Keterangan

General Tack Button 14, 15, 17, 20 GTB

General Tack Button Lubang Tengah 14, 15, 17, 20 GTB LT

Shake Tack Button 14, 15, 17, 20 STB

Shake Tack Button Lubang Tengah 14, 15, 17, 20 STB LT

Rivet Jamur 9, 9.5 Rivet Jamur

Rivet Finish 9.5 Rivet Finish

Head Finish 9.5 Head Finish

Eyelet 5, 13, 14, 15 Eyelet

Data jenis bahan baku

Jenis Bahan Baku Ketebalan (cm) Kekerasan Keterangan

Brass Plate 0.23 0 BP O = 0.23 x 0

Brass Plate 0.25 0 BP O = 0.25 x 0

Brass Plate 0.25 0.5 BP O = 0.25 x 0.5

Brass Plate 0.30 0.5 BP O = 0.30 x 0.5

Alumunium Plate 1.0 0 AL O = 1.0 x 0

∗ Kekerasan 0.5 berarti bahan baku cukup keras sehingga tidak mudah untuk dibentuk (ditekuk). Biasanya bahan baku dengan kekerasan 0.5 digunakan pada komponen

cap, dengan tujuan agar bahan tidak mudah retak pada saat ditempa mold (cetakan

untuk logo kancing pada bagian cap).

∗ Kekerasan 0 berarti bahan baku agak lunak, sehingga lebih mudah untuk ditekuk. Biasanya digunakan untuk komponen selain cap (paku, general, posh shake, dll).

(16)

Gambar Struktur produk GTB dan rincian bahan bakunya

Struktur Produk GTB (General Tack Button) diameter 14mm, 15mm, 17mm, 20mm

Rincian bahan baku untuk produk GTB 14 mm General Tack Button (GTB) 14 mm

Komponen Jenis Bahan Baku

Berat Bersih (gram) Berat Kotor (gram) Cap BP O = 0.3 x 0.5 0.774 1.267 Washer Flat AL O = 1.0 x 0 0.339 0.552 General 14 mm BP O = 0.25 x 0 0.570 1.273 Paku Panjang BP O = 0.25 x 0 0.290 0.422

(17)

(18)

Gambar Struktur produk GTB LT dan rincian bahan bakunya

Struktur Produk GTB LT diameter 14 mm, 15 mm, dan 17 mm

Rincian bahan baku untuk produk GTB LT 14 mm

General Tack Button dengan Lubang Tengah (GTB LT) 14 mm

Berat Bersih (gram) Berat Kotor (gram) Cap Lubang BP O = 0.3 x 0.5 0.796 1.314 General 14 mm BP O = 0.25 x 0 0.570 1.273 Paku Panjang BP O = 0.25 x 0 0.290 0.422

Berat Bersih (gram) Berat Kotor (gram) Cap Lubang BP O = 0.3 x 0.5 0.854 1.314 General 15 mm BP O = 0.25 x 0 0.625 1.273 Paku Panjang BP O = 0.25 x 0 0.290 0.422

(19)

Berat Bersih (gram) Berat Kotor (gram) Cap Lubang BP O = 0.3 x 0.5 0.960 1.314 General 17 mm BP O = 0.25 x 0 0.704 1.273 Paku Panjang BP O = 0.25 x 0 0.290 0.422 Struktur Produk GTB LT 20 mm

Berat Bersih (gram) Berat Kotor (gram) Cap Lubang BP O = 0.3 x 0.5 1.085 1.485 Poly washer - - - General 20 mm BP O = 0.25 x 0 0.875 1.601 Paku Panjang BP O = 0.25 x 0 0.290 0.422

(20)

Gambar Struktur produk STB dan rincian bahan bakunya

Struktur Produk STB diameter 14mm, 15mm, 17mm, 20mm

Rincian bahan baku untuk produk STB 14 mm Shake Tack Button (STB) 14 mm

Berat Bersih (gram) Berat Kotor (gram) Cap BP O = 0.3 x 0.5 0.774 1.267 Washer Flat AL O = 1.0 x 0 0.339 0.552 Cap Shake BP O = 0.23 x 0 0.660 1.288 Posh Shake BP O = 0.23 x 0 0.288 0.421 Paku Shake BP O = 0.25 x 0 0.220 0.398

(21)

(22)

Gambar Struktur produk STB LT dan rincian bahan bakunya 1 STB LT Paku Shake Cap Lubang A2 1 1 1 5 6 1 Posh Shake Cap Shake A1 1 3 4 1 2

Struktur Produk STB LT 14 mm, 15 mm, dan 17 mm

Rincian bahan baku untuk produk STB LT 14 mm

Shake Tack Button dengan Lubang Tengah (STB LT) 14 mm

Berat Bersih (gram) Berat Kotor (gram) Cap Lubang BP O = 0.3 x 0.5 0.796 1.314 Cap Shake BP O = 0.23 x 0 0.660 1.288 Posh Shake BP O = 0.23 x 0 0.288 0.421 Paku Shake BP O = 0.25 x 0 0.220 0.398

Berat Bersih (gram) Berat Kotor (gram) Cap Lubang BP O = 0.3 x 0.5 0.854 1.314 Cap Shake BP O = 0.23 x 0 0.769 1.288 Posh Shake BP O = 0.23 x 0 0.288 0.421 Paku Shake BP O = 0.25 x 0 0.220 0.398

(23)

Berat Bersih (gram) Berat Kotor (gram) Cap Lubang BP O = 0.3 x 0.5

0.960 1.314

Cap Shake BP O = 0.23 x 0

0.861 1.288

Posh Shake BP O = 0.23 x 0

0.288 0.421

Paku Shake BP O = 0.25 x 0

0.220 0.398

Struktur Produk STB LT 20 mm

Berat Bersih (gram) Berat Kotor (gram) Cap Lubang BP O = 0.3 x 0.5

0.960 1.314

Poly washer -

- -

Cap Shake BP O = 0.23 x 0

0.861 1.288

Posh Shake BP O = 0.23 x 0

0.288 0.421

Paku Shake BP O = 0.25 x 0

0.220 0.398

(24)

Gambar Struktur produk Rivet jamur dan rincian bahan bakunya

Struktur Produk Rivet Jamur

Rincian bahan baku untuk produk Rivet Jamur 9 mm Rivet Jamur 9 mm

Berat Bersih (gram) Berat Kotor (gram) Cap Rivet BP O = 0.25 x 0.5 0.260 0.423 Posh Rivet BP O = 0.23 x 0 0.200 0.336 Paku Rivet BP O = 0.23 x 0 0.190 0.311

Rincian bahan baku untuk produk Rivet Jamur 9.5 mm Rivet Jamur 9.5 mm

Berat Bersih (gram) Berat Kotor (gram) Cap Rivet BP O = 0.25 x 0.5 0.266 0.423 Posh Rivet BP O = 0.23 x 0 0.200 0.336 Paku Rivet BP O = 0.23 x 0 0.190 0.311

(25)

Lampiran 11

Gambar Struktur produk Rivet finish dan rincian bahan bakunya

Struktur Produk Rivet Finish

Rincian bahan baku untuk produk Rivet Finish Rivet Finish

Berat Bersih (gram) Berat Kotor (gram) Rivet Finish BP O = 0.25 x 0.5 0.200 0.336 Paku Rivet BP O = 0.23 x 0 0.190 0.311

(26)

Gambar Struktur produk Head finish dan rincian bahan bakunya

Struktur Produk Head Finish

Rincian bahan baku untuk produk Head Finish Head Finish

Berat Bersih (gram) Berat Kotor (gram) Head Finish BP O = 0.25 x 0.5 0.250 0.478 Paku Rivet BP O = 0.23 x 0 0.190 0.311

(27)

Lampiran 13

Gambar Struktur produk Eyelet dan rincian bahan bakunya

Struktur Produk Eyelet

Rincian bahan baku untuk produk Eyelet 5 mm Eyelet 5 mm

Berat Bersih (gram) Berat Kotor (gram) Washer Eyelet BP O = 0.23 x 0 0.216 0.348 Posh Washer BP O = 0.23 x 0 0.098 0.122

(28)

Eyelet 14 mm

(29)

Lampiran 14

Contoh perhitungan konversi data produksi menjadi data kebutuhan bahan baku untuk produk GTB 14 – 17 mm pada bulan Agustus 2007

Data produksi produk GTB 14 – 17 mm pada bulan Agustus 2007 = 147,456 pieces. Kebutuhan bahan baku untuk produk GTB 14 – 17 mm pada bulan Agustus 2007 adalah

Komponen Jenis Bahan Baku Berat Kotor (gram) Kebutuhan Bahan Baku (Kg) Cap BP O = 0.3 x 0.5 1.267 186.827 Washer Flat AL O = 1.0 x 0 0.552 81.396 General 14-17 mm BP O = 0.25 x 0 1.273 187.711 Paku Panjang BP O = 0.25 x 0 0.422 62.226

Kebutuhan bahan baku per komponen (Kg) = Data produksi x Berat Kotor per Komponen (Gram) / 1000

 Untuk komponen Cap :

Kebutuhan bahan baku (BP O = 0.3 x 0.5) = 186.827 1000 267 . 1 456 , 147 = × Kg  Untuk komponen Washer flat :

Kebutuhan bahan baku (AL O = 1.0 x 0) = 81.396 1000 552 . 0 456 , 147 = × Kg  Untuk komponen General :

Kebutuhan bahan baku (BP O = 0.25 x 0) = 187.711 1000 273 . 1 456 , 147 = × Kg Untuk komponen Paku panjang :

Kebutuhan bahan baku (BP O = 0.25 x 0) = 62.226 1000 422 . 0 456 , 147 = × Kg

(30)

Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.23 x 0

Autokorelasi Data Historis Bahan Baku BP O = 0.23 x 0

Dari preview data historis di atas, probabilitas Ljung-Box p< 0.0001, nilai ini lebih kecil dari 0.05, maka data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Lag yang dilampirkan menjadi acuan penentuan unsur musiman dalam data historis. Lag yang tertera adalah 6, 1, dan 7. Dari lag tersebut, kemudian dilakukan perhitungan dengan memasukkan unsur musiman 6 dan 7. Nilai lag 1 tidak dapat digunakan karena unsur musiman menentukan pola data dengan siklus waktu, sedangkan untuk unsur musiman 1, tidak dapat dilihat siklus pola datanya, melainkan data berdiri sendiri pada periode waktu tersebut.

Dari pernyataan manajemen, dikatakan bahwa unsur musiman dalam penggunaan bahan baku adalah sama dengan proses produksi. Musim ramai adalah bulan Maret sampai Agustus dan musim sepi adalah bulan September sampai Februari,

(31)

dan hal tersebut selalu stabil setiap tahunnya. Begitupula yang tertera pada lag, dimana diidentifikasi adanya unsur musimana 6 bulanan.

Berdasarkan hal tersebut, maka dilakukan perhitungan peramalan untuk

seasonality = 6, dan diperoleh hasil sebagai berikut :

Peramalan Bahan Baku BP O = 0.23 x 0 dengan seasonality 6 periode

Hasil peramalan yang terbaik dalah Seasonal Multiplicative (α = 0.884 dan γ =0.001) dengan MAPE 40.874%. Bila dilihat dari plot data ternyata plot ramalan agak tertinggal dari data sebenarnya, sehingga hasil ramalan memiliki tingkat kesalahan yang cukup tinggi (40.874%).

Bila ditinjau dari analisa test Durbin – Watson dengan nilai 1.915 (D-WC =

1.915) dimana apabila :

D-WC < 1.41 maka terjadi autokorelasi positif. D-WC > 2.59 maka terjadi autokorelasi positif.

1.41 < D-WC < 1.52 atau 2.48 < D-WC < 2.59 maka pengujian tidak dapat

(32)

Maka nilai D-WC menandakan bahwa tidak ada autokorelasi pada galat hasil

peramalan. Nilai DW yang berada pada wilayah autokorelasi yang cenderung positif ataupun negatif mempengaruhi ketidakakuratan hasil peramalan, sehingga kurang bisa dipercaya hasil ramalannya. Sedangkan bila nilai DW berada dalam wilayah tidak ber-autokorelasi maka dalam galat (error) tidak ada sisa pola apapun, sehingga hasil peramalan dapat dipercaya.

Sedangkan bila ditinjau dari analisa Theil’s U dengan nilai 1.003, jelas terlihat bahwa hasil ramalan lebih buruk daripada pendugaan naif, sehingga hasil peramalan secara formal tidak boleh digunakan. Dari analisa di atas, ternyata seasonality = 6, kurang memberikan hasil yang tepat dan akurat, sehingga perlu dilakukan perhitungan dengan seasonality lainnya.

Dari probabilitas kemungkinan unsur musiman yang tertera pada lag, dinyatakan bahwa data historis kemungkinan mengandung unsur musiman = 7. Berikut ini adalah hasil perhitungannya :

(33)

Dari hasil perhitungan yang dilakukan dengan CB Predictor, metode peramalan yang terbaik bila seasonality dimasukkan angka tujuh, adalah Holt-Winters’

Multiplicative (α = 0.999 β= 0.040 γ = 0.001). Akan tetapi, metode tersebut menghasilkan error yang cukup besar, yaitu 46.955%. Sehingga kurang bisa dipercaya hasil peramalannya. Dilihat dari Durbin – Watson test, nilai yang tertera adalah 2.644. Nilai tersebut berada dalam batas wilayah dimana tidak diketahui ada atau tidaknya autokorelasi dari galat, sehingga tidak dapat ditarik kesimpulan apakah hasil peramalan dapat dipercaya atau tidak. Bila dilihat dari statistik Theil’s U, nilai yang tertera adalah 0.916. Nilai tersebut sangat mendekati 1, sehingga hasil peramalan kurang lebih hampir sama dengan pendugaan naif, dimana metode peramalan tidak perlu diterapkan dan kebutuhan bahan baku dapat diperkirakan berdasarkan data pada periode sebelumnya.

Sedangkan bila dicoba dengan menggunakan software Minitab 14, dengan menggunakan metode Dekomposisi, maka diperoleh hasil sebagai berikut.

(34)

(35)

 Metode Dekomposisi dengan unsur musiman dan trend (additive)

Perbedaan model multiplicative dan additive adalah :

Model Multiplicative Æ apabila jarak pada pola data musiman bergantung pada pola data atau dengan kata lain jarak pada pola data musiman meningkat apabila nilai data dinaikkan dan menurun bila nilai data diturunkan.

Model Additive Æ digunakan apabila jarak pada pola data musiman tidak bergantung pada pola data atau dengan kata lain jarak pada pola data musiman tidak berubah apabila rangkaian data dinaikkan atau diturunkan.

Tetapi, apabila kita tidak mengetahui pola data multiplicative atau additive maka dapat dilakukan trial and error dengan membandingkan nilai presentase dan memilih model dengan nilai error terkecil.

(36)

Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.25 x 0

Autokorelasi Data Historis Bahan Baku BP O = 0.25 x 0

Dari hasil preview data historis di atas, diperoleh nilai probabilitas Ljung-Box p<0.0001 dan nilai tersebut lebih kecil dari 0.05, sehingga data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Dari ketiga lag yang dilampirkan, yang memiliki autokorelasi adalah lag 6, 1, dan 5, sehingga dapat diidentifikasi adanya unsur musiman 5 dan 6. Angka lag 1 tidak dapat dijadikan unsur musiman karena bila

seasonality = 1 maka tidak akan ada siklus pola data musiman karena data dikatakan berdiri sendiri, tidak saling terkait dan membentuk pola siklus.

Bila dimasukkan dalam perhitungan dengan CB Predictor dengan seasonality = 5, maka akan diperoleh hasil sebagai berikut :

(37)

Bila dilihat plot data hasil peramalan dengan seasonality = 5, hasil peramalan seperti tertinggal dari data historisnya, sehingga hal tersebut memperbesar nilai MAPE, yaitu 36.811%. Bila dianalisa dari sudut Durbin – Watson, nilai yang diperoleh adalah 2.085 dan berada dalam wilayah tidak terdapat autokorelasi, sehingga data masih dapat diterima. Memang pada hakekatnya nilai DW bukanlah nilai untuk mengukur ketepatan, melainkan untuk mengukur apakah masih terdapat sisa pola di dalam nilai galat. Tetapi dari hasil DW dapat disimpulkan apabila nilai DW masuk dalam autokorelasi positif ataupun negatif maka dapat dikatakan hasil peramalan kurang bisa dipercaya. Bila dilihat dari analisis Theil’s U, diperoleh nilai 1.023 dimana nilai tersebut menyatakan bahwa hasil ramalan lebih buruk dari pendugaan naif, sehingga metode peramalan formal tidak boleh diterapkan.

Dari pernyataan manajemen yang menyatakan bahwa unsur musiman = 6 bulanan, dan didukung pula dari nilai lag yang dilampirkan di atas, maka dilakukan perhitungan peramalan dengan unsur musiman = 6 dan diperoleh hasil sebagai berikut :

(38)

Hasil ramalan terbaik menggunakan metode Seasonal Multiplicative dengan α = 0.999 dan γ = 0.001 menghasilkan tingkat persentase error 34.273%. Hasil ramalan cenderung tertinggal dari data historis, sehingga menyebabkan tingkat kesalahan yang tinggi. Bila ditinjau dari nilai Durbin – Watson yang diperoleh adalah 1.977, dimana berada dalam wilayah tidak terdapat autokorelasi, maka nilai peramalan dapat dipercaya. Tetapi bila dilihat dari nilai Theil’s U = 0.952, nilai tersebut sangat dekat dengan 1, sehingga hasil peramalan dengan metode formal tidak akan memberikan penyelesaian yang baik dalam menentukan kebutuhan bahan baku dibandingkan dengan pendugaan naif.

Sedangkan bila peramalan dilakukan dengan menggunakan software Minitab 14, maka diperoleh hasil sebagai berikut.

(39)

 Metode Dekomposisi dengan unsur musiman (multiplicative)

(40)

(41)

Lampiran 17

Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.25 x 0.5

Autokorelasi Data Historis Bahan Baku BP O = 0.25 x 0.5

Dari hasil preview data historis di atas, diperoleh nilai probabilitas Ljung-Box p<0.0001 dan nilai tersebut lebih kecil dari 0.05, sehingga data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Dari ketiga lag yang dilampirkan, diindikasi mengandung unsur musiman 6, 1, dan 7. Akan tetapi, unsur musiman tidak dapat dimasukkan angka 1, karena angka 1 menunjukkan data untuk setiap periode sehingga tidak dapat menunjukkan unsur musiman dan pola siklus pada data. Sehingga indikasi unsur musiman yang tersisa adalah 6 dan 7.

Dari hasil perhitungan dengan CB Predictor, dengan seasonality = 6, diperoleh hasil sebagai berikut :

(42)

Peramalan Bahan Baku BP O = 0.25 x 0.5 dengan seasonality 6 periode

Setelah dimasukkan perhitungan dengan seasonality = 6, metode peramalan terbaik adalah Seasonal Multiplicative (α = 0.999 dan γ = 0.001.), dengan tingkat kesalahan 53.690%. Peramalan dengan tingkat kesalahan yang begitu tinggi menyebabkan peramalan menjadi kurang akurat, didukung pula dengan penyimpangan dalam plot data ramalan dengan data historis. Nilai Durbin – Watson = 1.776 dimana berada dalam wilayah tidak terdapat autokorelasi yang berarti tidak ada pola apapun pada galat. Analisis DW memang tidak mendukung ketidakakuratan hasil peramalan, tetapi analisis Theil’s U sangat mendukung. Dengan nilai 0.964, angka yang mendekati 1, lebih memperkuat analisa bahwa hasil ramalan dengan seasonality = 6, kurang dapat dipercaya keakuratannya.

Dari lag yang terlampir, ada indikasi unsur musiman = 7 bulanan, maka dilakukan perhitungan dengan hasil di bawah ini :

(43)

Hasil peramalan yang dianggap terbaik yaitu dengan metode Single Exponential

Smoothing dengan α = 0.999 dengan tingkat kesalahan 65.823%. Persentase kesalahan dapat dikatakan cukup tinggi sehingga hasil peramalan menjadi kurang akurat.

Tetapi nilai Durbin – Watson tidak mendukung, karena nilai DW = 2.345 berada dalam wilayah tidak terdapat autokorelasi, sehingga data masih dapat dipercaya. Sedangkan nilai Theil’s U = 1, memperkuat analisa bahwa metode peramalan ini sama baiknya dengan pendugaan secara naif, yang menganggap bahwa kebutuhan bahan baku bulan depan sama dengan kebutuhan bahan baku bulan sebelumnya, sehingga tidak perlu adanya metode peramalan formal.

Sedangkan bila peramalan dilakukan dengan menggunakan software Minitab 14, maka diperoleh hasil sebagai berikut.

(44)

(45)

 Metode Dekomposisi dengan unsur musiman (addtive)

(46)

Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.30 x 0.5

Autokorelasi Data Historis Bahan Baku BP O = 0.3 x 0.5

Dari hasil preview data historis di atas, diperoleh nilai probabilitas Ljung-Box p<0.0001 dan nilai tersebut lebih kecil dari 0.05, sehingga data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Dari ketiga lag yang dilampirkan, diindikasi adanya unsur musiman 1, 6, dan 7. Akan tetapi, tidak dapat dilakukan perhitungan dengan unsur musiman 1, karena tidak akan membentuk pola siklus data, sehingga tidak dapat dikatakan bahwa pola data mengandung unsur musiman. Sedangkan untuk unsur musiman 6 dan 7 akan dilakukan perhitungannya di bawah ini. Pernyataan manajemen yang menyatakan bahwa unsur musiman adalah = 6 bulanan diukur berdasarkan musim ramai dan musim sepi, mendukung indikasi lag di atas.

Dari hasil perhitungan dengan CB Predictor, dengan seasonality = 6, diperoleh hasil sebagai berikut :

(47)

Hasil peramalan dengan seasonality = 6 periode diperoleh metode terbaik adalah

Seasonal Multiplicative dengan α = 0.999 dan γ = 0.001 serta tingkat kesalahan 30.762%. Dilihat dari nilai Durbin – Watson = 2.007 yang berada dalam wilayah tidak terdapat autokorelasi, mendukung bahwa hasil peramalan masih layak untuk digunakan. Tetapi nilai Theil’s U = 0.989, berkebalikan dengan dengan analisis DW, nilai Theil’s U menyatakan bahwa hasil peramalan sama baiknya dengan pendugaan naif, sehingga tidak diperlukan metode peramalan secara formal, melainkan cukup dengan pendugaan naif saja.

Sedangkan bila dimasukkan unsur musiman = 7 periode (diperoleh dari indikasi

(48)

Ternyata hasil peramalan terbaik adalah metode Double Exponential Smoothing dengan α =0.990 dan β=0.001, dengan MAPE 35.329%. Dilihat dari MAPE,

seasonality = 7 periode memiliki nilai MAPE yang lebih tinggi. Analsis lebih lanjut dari sisi Durbin – Watson dan Theil’s U, masing-masing bernilai 2.007 dan 0.989. Kedua nilai tersebut saling bertentangan dimana Durbin – Watson menyatakan bahwa hasil ramalan tidak sepenuhnya kurang akurat karena berada dalam wilayah tidak autokorelasi, sedangkan Theil’s U menyatakan bahwa hasil ramalan tidaklah lebih baik dari pendugaan (karena nilainya sangat mendekati 1). Sehingga bila dilihat dari ketiga analisis serta plot data hasil ramalan dibandingkan dengan data historis yang banyak menyimpang, maka seasonality = 7 periode kurang dapat diterima keakuratannya.

Sedangkan bila dilakukan uji coba dengan menggunakan metode dekomposisi yang terdapat pada software Minitab 14, maka diperoleh hasil sebagai berikut :

(49)

 Metode Dekomposisi dengan unsur musiman (multiplicative)

(50)

(51)

Lampiran 19

Hasil trial and error perhitungan peramalan untuk bahan baku AL O = 1.0 x 0

Autokorelasi Data Historis Bahan Baku AL O = 1.0

Dari preview data historis di atas, nilai probabilitas Ljung-Box adalah p<0.0001. Nilai tersebut lebih kecil dari 0.05 sehingga data dikatakan memiliki autocorrelation yang signifikan. Dari ketiga lag yang dilampirkan, diindikasi pada pola data terdapat unsur musiman 1, 5, dan 6. Sama seperti sebelumnya, bahwa unsur musiman 1 tidak dapat dilakukan perhitungan karena unsur musiman 1 tidak dapat membentuk pola siklis pada data.

Dari lag yang dilampirkan, dilakukanlah perhitungan dengan unsur musiman = 5, dan diperoleh hasil sebagai berikut :

(52)

Peramalan Bahan Baku AL O = 1.0 dengan seasonality 5 periode

Dari hasil peramalan, diperoleh metode terbaik adalah Double Exponential

Smoothing dengan α = 0.993 dan β= 0.001 serta tingkat kesalahan 45.743%. Dengan tingkat kesalahan yang cukup tinggi, maka hasil peramalan dapat dikatakan kurang akurat. Bila ditinjau dari sudut analisa Durbin – Watson maupun Theil’s U, masing-masing memiliki nilai 2.327 dan 1.042. Kedua nilai test tersebut saling bertentangan dimana nilai DW menyatakan bahwa tidak terdapat autokorelasi pada galat, sedangkan nilai Theil’s U menyatakan bahwa hasil peramalan lebih buruk daripada pendugaan secara naif, sehingga model peramalan formal tidak layak untuk diterapkan. Sehingga peramalan ini dapat dikatakan kurang layak untuk digunakan dalam pengambilan keputusan mengenai kebutuhan bahan baku pada 12 periode mendatang.

Dari pernyataan manajemen, dinyatakan bahwa unsur musiman untuk setiap periode ramai adalah 6 bulanan, begitupula dengan periode sepi, yaitu 6 bulanan. Begitupula dengan indikasi lag yang menyatakan ada kemungkinan bahwa data

(53)

mengandung unsur musiman 6 bulanan. Dari pernyataan tersebut, dilakukanlah perhitungan seperti di bawah ini:

Peramalan Bahan Baku AL O = 1.0 dengan seasonality 6 periode

Hasil perhitungan peramalan ternyata memberikan tingkat kesalahan yang lebih rendah daripada perhitungan sebelumnya (seasonality = 5 periode). Metode terbaik adalah Seasonal Multiplicative dengan α = 0.999 dan γ = 0.001 serta MAPE 41.075%. Meskipun presentase MAPE lebih rendah, akan tetapi nilai 41.075% masih dapat dikatakan cukup tinggi sehingga hasil ramalan menjadi kurang dapat dipercaya.

Dilihat dari hasil test Durbin – Watson dan Theil’s U yang masing-masing bernilai 2.23 dan 0.988, ternyata hasil dari test Theil’s U menyatakan bahwa peramalan tidaklah lebih baik dari pendugaan naif. Sedangkan test Durbin – Watson menyatakan bahwa peramalan masih layak untuk digunakan (tidak terjadi autokorelasi).

Bila dilakukan uji coba dengan menggunakan bantuan software Minitab 14, dengan metode dekomposisi, maka diperoleh hasil sebagai berikut.

(54)

(55)

 Metode Dekomposisi dengan unsur musiman (addtive)

(56)

Biaya – biaya persediaan

Biaya Pesan (A) per satu kali pesanan

Biaya Pesan untuk bahan baku import (Brass Plate), yaitu : - Biaya penerimaan dan bongkar muat :

∗ Biaya ekspedisi, dihitung berdasarkan satu kali angkut karena ekspedisi disewa secara khusus, dengan biaya Rp 5,000,000 untuk sekali angkut, berapapun beratnya.

∗ Biaya penebusan bahan baku di pelabuhan/bandara (pajak bea dan cukai), sebesar Rp 9,000,000.00

∗ Biaya bongkar muat dengan forklift, yaitu sebesar Rp 175,000 dengan kapasitas angkut sebesar 25.6 ton, selama 4 jam.

Biaya jasa penyewaan forklift dihitung per satu kali datang dengan maksimum jam kerja 4 jam dan kapasitas angkut 25.6 ton. Apabila waktu dan kapasitas angkut di bawah nilai di atas, maka perusahan tetap harus membayar biaya sesuai dengan tarif jasa penyewaan forklift. Sedangkan bila kapasitas angkut melampaui angka di atas, maka dikenakan biaya tambahan sebesar Rp 40,000 per jam, dengan kapasitas 6.4 ton.

Kapasitas forklift satu kali angkut adalah 1.6 ton, selama 15 menit. Jadi kapasitas forklift selama satu jam adalah 1.6

(57)

- Biaya Telepon :

Direktur menghubungi pemasok bahan baku melalui media telepon untuk membicarakan kuantitas bahan baku yang dipesan. Biaya telepon interlokal pada jam sibuk adalah Rp 1,500 per menitnya. Lama bicara yaitu selama 8 menit, sehingga biaya yang dikeluarkan untuk memesan bahan baku import adalah sebesar Rp 8 x 1,500 = Rp 12,000 untuk sekali pesan.

- Biaya Karyawan :

Untuk pemesanan bahan baku brass plate, dilakukan langsung oleh pemilik yang juga merangkap sebagai direktur, sehingga sulit untuk diuraikan biayanya, sehingga dapat diabaikan (tidak dibebankan secara langsung).

- Biaya Administrasi :

Adalah biaya yang digunakan untuk kertas dan tinta sebagai dasar pencatatan administrasi yang dibebankan kepada biaya pemesanan. Pembebanan biaya administrasi kepada biaya pemesanan karena dalam melakukan pemesanan, dibutuhkan kertas dan tinta untuk melakukan pencatatan bahan baku apa saja yang akan dipesan. Biaya ini dinilai sebesar Rp 1,000 berdasarkan kebijakan perusahaan.

Jadi total biaya pesan untuk bahan baku import adalah :

• Kapasitas 25.6 ton Æ Rp 5,000,000 + Rp 9,000,000 + Rp 175,000 + Rp 12,000 + Rp 1,000 = Rp 14,188,000

• Kapasitas 32 ton Æ Rp 5,000,000 + Rp 9,000,000 + Rp 175,000 + Rp 40,000 + Rp 12,000 + Rp 1,000 = Rp 14,228,000

(58)

- Biaya penerimaan dan bongkar muat :

Bila bahan baku yang dipesan kurang dari 3 ton maka dapat digunakan tenaga manusia dengan biaya Rp 50,000.

Bila bahan baku yang dipesan lebih dari 3 ton, maka digunakan jasa penyewaan

forklift dengan biaya Rp 175,000 sekali datang, dengan kapasitas pengangkutan seberat 25.6 ton, selama 4 jam.

Bila bahan baku lebih banyak dari 25.6 ton, maka dikenakan tambahan biaya sebesar Rp 40,000 per jam.

Kapasitas pengangkutan forklift satu kali angkut adalah 1.6 ton, selama 15 menit. Jadi kapasitas pengangkutan forklift satu jam adalah 1.6

1560 × ton = 6.4 ton. - Biaya telepon :

Biaya telepon pada jam sibuk per menit adalah Rp 250 untuk 2 menit pertama, dan Rp 125 pada menit berikutnya. Dan biaya untuk satu kali mengirimkan fax adalah Rp 5,025. Untuk menghubungi pemasok, lama bicara adalah 3 menit, dan satu kali fax nota beli. Sehingga biaya telepon yang dikeluarkan untuk sekali pesan adalah adalah :

Biaya telepon = Rp 2 x 250 + 125 = Rp 625 untuk sekali pesan. Biaya fax = Rp 5,025 untuk sekali fax.

(59)

- Biaya karyawan :

Gaji pokok manajer pembelian yang bertugas melakukan pemesanan bahan baku adalah Rp 1.200.000 per bulan. Ditambah dengan THR sebesar satu bulan gaji. Jumlah hari kerja per tahun adalah 300 hari kerja, dengan jam kerja 8 jam/hari dan 6 hari kerja/minggu.

Setiap kali melakukan transaksi pemesanan, dibutuhkan waktu selama 3 menit ditambah 7 menit untuk konfirmasi ulang dari pemasok dan mengirim fax, sehingga sekali pemesanan dibutuhkan waktu selama 10 menit. Biaya karyawan yang dikeluarkan = × = × × 60 10 8 300 13 000 . 200 . 1 Rp 1,083.33≈ Rp 1,084. - Biaya administrasi :

Adalah biaya yang digunakan untuk kertas dan tinta sebagai dasar pencatatan administrasi yang dibebankan kepada biaya pemesanan. Pembebanan biaya administrasi kepada biaya pemesanan karena dalam melakukan pemesanan, dibutuhkan kertas dan tinta untuk melakukan pencatatan bahan baku apa saja yang akan dipesan. Biaya ini dinilai sebesar Rp 1,000 berdasarkan kebijakan perusahaan.

(sumber data : PT. WKHK)

Jadi total biaya pesan untuk bahan baku lokal adalah :

• Kapasitas 3 ton Æ Rp 50,000 + Rp 5,650 + Rp 1,084 + Rp 1,000 = Rp 57,734 • Kapasitas 25.6 ton Æ Rp 175,000 + Rp 5,650 + Rp 1,084 + Rp 1,000 = Rp

(60)

Jenis Bahan Baku Harga / Kg ($) Harga / Kg (Rp) Keterangan BP O=0.23 x 0 8.10 74,520 Import BP O=0.25 x 0 8.40 77,280 Import BP O=0.25 x 0.5 8.75 80,500 Import BP O=0.3 x 0.5 9.25 85,100 Import AL O=1.0 - 52,500 Lokal (sumber data : PT. WKHK)

Untuk bahan baku import, hasil konversi harga dalam Rupiah disesuaikan dengan kurs dolar saat pengolahan data dibuat, yaitu 1$ = Rp 9,200.00

Biaya Simpan (h)

Berdasarkan kebijakan perusahaan, biaya simpan ditentukan sebesar 2% dari harga beli bahan baku, yaitu :

Jenis Bahan Baku Harga / Kg Biaya Simpan / Kg BP O=0.23 x 0 74,520 1,490.40 BP O=0.25 x 0 77,280 1,545.60 BP O=0.25 x 0.5 80,500 1,610.00 BP O=0.3 x 0.5 85,100 1,702.00 AL O=1.0 52,500 1,050.00 (sumber data : PT. WKHK)