BAB V ANALISA PEMECAHAN MASALAH

77

ANALISA PEMECAHAN MASALAH

5.1 Analisa Pemilihan Model Time Series Forecasting

Pemilihan model forecasting terbaik dilakukan secara statistik, dimana alat statistik yang digunakan adalah MAD, MAPE dan TS. Perbandingan dilakukan dengan menggunakan pembobotan dengan nilai terkecil untuk nilai kesalahan terkecil baik MAD dan MAPE, sedangkan untuk tracking signal nilai bobot terkecil untuk nilai yang mendekati nol baik bernilai positif maupun negatif. Model forecasting terpilih adalah yang mempunyai rangking terkecil

5.1.1 Pembobotan Nilai-nilai Statistik

Tabel 5.1 menampilkan pembobotan nilai-nilai MAD, MAPE dan TS berdasarkan pada 4 (empat) model peramalan, dimana 2 (dua) model lainnya tidak dilakukan evaluasi lebih lanjut yaitu model moving average dan weighted moving average yang berada di luar peta kendali control untuk pengendalian tracking signal. Model forecasting yang akan dilakukan pembobotan adalah untuk Exponential Smoothing, Trend-Corrected Exponential Smoothing, Seasonality Exponential Smoothing dan Trend & Seasonality – Corrected Exponential Smothing.

Pembobotan nilai MAD berturut-turut nilai dari 1 sampai 4 adalah Seasonality Exponential Smoothing, Trend & Seasonality – Corrected Exponential Smothing. Trend-Corrected Exponential Smoothing, dan Exponential Smoothing. Nilai MAPE berturut dari 1 sampai 4 adalah Exponential Smoothing, Seasonality Exponential Smoothing, Trend-Corrected Exponential Smoothing, dan Trend & Seasonality – Corrected Exponential Smothing.

Sedangkan untuk tracking signal, pembobotan dengan nilai bobot terkecil untuk nilai yang mendekati nol baik yang bernilai positif maupun negatif, sehingga baik nilai minimal dan maksimal, akan dipilih nilai yang paling tinggi yang dimiliki masing-masing model forecasting, sehingga diperoleh pembobotan nilai TS berturut-turut nilai dari 1 sampai 4 adalah Seasonality Exponential Smoothing, Trend-Corrected Exponential Smoothing, Exponential Smoothing, dan Trend & Seasonality – Corrected Exponential Smothing.

Tabel 5.1 : Pembobotan Nilai MAD, MAPE dan TS Hasil Aplikasi 4 (Empat) Model Forecasting

Min Max

Simple Exponential Smoothing α = 0,9 3,024.7 21.77 -1.8 3.9

4 1 3 8

Trend-Corrected Exponential Smoothing 2,765.1 25.78 -2.7 -0.4

α = 0,9, β = 0,01 3 4 2 9

Seasonality Exponential Smoothing 2,601.6 22.69 -2.1 1.7

α = 0,5, γ = 0.1 1 2 1 4

Trend-Corrected & Seasonality Exponential 2,715.6 25.74 -4.0 -1.0

Smoothing α = 0,7, β = 0,03, γ = 0.1 2 3 4 9

Metode Peramalan MAD MAPE Tracking Signal Point

Dari tabel pembobotan terlihat bahwa model yang tepat untuk melakukan peramalan menggunakan seasonality exponential smoothing dengan nilai koefisien α = 0.5, γ = 0.01 dengan hasil nilai MAD = 2,601.6, MAPE = 22.69, dan TS Range dari -2.1 sampai 1.7.

5.1.2 Analisa Uji Verifikasi Forecasting

Biegel, John E. (1990 P51) menyatakan bahwa langkah pertama yang harus dilakukan setelah melakukan forecasting adalah melakukan verifikasi apakah fungsi peramalan mewakili pola yang ada. Salah satu metode yang digunakan untuk melakukan verifikasi forecasting dengan menggunakan moving range chart.

(

) (

)

MR LCL MR UCL n MR MR d d d d MR t _t t _t 66 . 2 66 . 2 1 1 1 ' ' − = + = − = − − − =

∑

− − (John E. Biegel, 1990 p52)

(

)

(

)

MR B MR B MR A MR A 89 . 0 66 . 2 3 1 77 . 1 66 . 2 3 2 ± = ± = ± = ± = (John E. Biegel, 1990 p54)

Tabel 5.2 : Perhitungan Moving Range Chart untuk Seasonality Exponential

1 Jan 1 6,872 16,319 9,447 2 Feb 2 9,454 9,798 344 9,102 3 Mar 3 10,602 8,831 (1,771) 2,115 4 Apr 4 12,446 11,222 (1,224) 547 5 May 5 13,678 11,334 (2,344) 1,120 6 Jun 6 16,768 14,260 (2,508) 164 7 Jul 7 16,816 19,800 2,984 5,492 8 Aug 8 15,552 14,637 (915) 3,899 9 Sep 9 15,640 16,267 627 1,542 10 Oct 10 21,100 14,187 (6,913) 7,541 11 Nov 11 19,256 17,769 (1,487) 5,426 12 Dec 12 14,902 14,248 (654) 833 Totals 173,086 168,673 (4,413) 37,782 d'-d Moving Range 2009

No Year Month Periode (t) Demand (d)

Forecast (d')

(

) (

)

∑

= − = − = − − − = − ₋ 435 , 3 1 12 782 , 37 1 1 1 ' ' n MR MR d d d d MR t _t t _t 136 , 9 435 , 3 66 . 2 66 . 2 136 , 9 435 , 3 66 , 2 66 . 2 − = × − = − = + = × + = + = LCL MR LCL UCL MR UCL

Gambar 5.1 : Grafik MR Chart untuk Seasonality Exponential Smoothing

Tabel 5.3 : Matrik Kondisi di Luar Kendali MR Chart

Kondisi di luar kendali, jika : Ya Tidak

Ada titik di luar UCL atau LCL V

Dari 3 titik plot berurutan 2 titik berada pada region A V Dari 5 titik plot berurutan 4 titik berada pada region B V Ada 8 titik plot berurutan berada pada bagian atas atau

bawah garis tengah (region C) V

Dari hasil pemeriksaan dan pengendalian data peramalan model seasonality exponential smoothing dapat disimpulkan bahwa peramalan tersebut valid dan layak untuk digunakan karena seluruh data hasil peramalan dapat dikontrol dalam peta kendali rentang bergerak.

5.2 Analisa Sistem Inventori

Hasil perbandingan biaya inventori dari masing-masing metode dapat dilihat dalam tabel 5.4. Dari hasil perbandingan, terlihat bahwa nilai biaya untuk model LFL sama dengan model saat ini dimana pemesanan dilakukan setiap minggu sekali. Metode EOQ memiliki nilai lebih besar dari sistem saat ini. Metode PPB memiliki nilai lebih kecil dari nilai sistem saat ini, namun masih lebih besar dibanding dengan metode lainnya yatu metode POQ dan LUC yang memiliki nilai total inventori sama yaitu Rp. 237.401.209,00.

Dibandingkan dengan sistem saat ini, ada selisih sebesar Rp.84.998.791,00. Karena metode POQ dan LUC memiliki biaya terkecil dari sistem saat ini maupun metode yang lain seperti PPB dan EOQ sehingga dapat disimpulkan perbaikan sistem menggunakan aplikasi metode POQ atau LUC yaitu penjadwalan pemesanan setiap 2 minggu sekali dengan jumlah pesan bervariasi tergantung pada periode tercakup.

Tabel 5.4 : Perbandingan Hasil Analisa Metode Lot Sizing

Saat ini LFL EOQ POQ LUC PPB

49 210,761 210,761 491,122 421,522 421,522 632,283 50 210,761 210,761 51 210,761 210,761 491,122 421,522 421,522 52 210,761 210,761 653,185 1 210,761 210,761 210,761 491,122 442,424 442,424 2 210,761 231,663 231,663 3 210,761 231,663 231,663 491,122 463,326 463,326 694,989 4 210,761 231,663 231,663 5 210,761 231,663 231,663 491,122 446,512 446,512 6 231,663 214,849 214,849 644,546 7 231,663 214,849 214,849 491,122 429,697 429,697 8 231,663 214,849 214,849 9 231,663 214,849 214,849 412,579 412,579 610,310 10 214,849 197,731 197,731 491,122 11 214,849 197,731 197,731 395,462 395,462 12 214,849 197,731 197,731 491,122 593,192 13 214,849 197,731 197,731 395,462 395,462 14 197,731 197,731 197,731 15 197,731 237,708 237,708 491,122 475,417 475,417 713,125 16 197,731 237,708 237,708 17 197,731 237,708 237,708 491,122 475,417 475,417 18 197,731 237,708 237,708 670,838 19 237,708 216,565 216,565 491,122 433,130 433,130 20 237,708 216,565 216,565 21 237,708 216,565 216,565 491,122 433,130 433,130 649,694 22 237,708 216,565 216,565 23 216,565 216,565 216,565 556,497 556,497 24 216,565 339,932 339,932 491,122 1,019,795 25 216,565 339,932 339,932 491,122 679,864 679,864 26 216,565 339,932 339,932 491,122 27 216,565 339,932 339,932 614,768 614,768 889,605 28 339,932 274,837 274,837 491,122 29 339,932 274,837 274,837 549,673 549,673 30 339,932 274,837 274,837 491,122 844,388 31 339,932 274,837 274,837 569,552 569,552 32 274,837 294,715 294,715 491,122 33 274,837 294,715 294,715 491,122 589,430 589,430 884,145 34 274,837 294,715 294,715 35 274,837 294,715 294,715 491,122 562,446 562,446 36 294,715 267,731 267,731 803,193 37 294,715 267,731 267,731 491,122 535,462 535,462 38 294,715 267,731 267,731 39 294,715 267,731 267,731 491,122 533,250 533,250 798,769 40 267,731 265,519 265,519 491,122 41 267,731 265,519 265,519 531,038 531,038 42 267,731 265,519 265,519 491,122 694,237 43 267,731 265,519 265,519 428,718 428,718 44 265,519 163,199 163,199 491,122 45 265,519 163,199 163,199 326,398 326,398 489,597 46 265,519 163,199 163,199 47 265,519 163,199 163,199 491,122 326,398 326,398 48 163,199 163,199 163,199 163,199 49 163,199 50 163,199 51 163,199 52 163,199 322,400,000 322,400,000 329,746,576 237,401,209 237,401,209 260,754,282

Period Demand Metode Lot Sizing

5.3 Analisa Safety Stock pada Sistem Terpilih

Dari hasil analisa sistem inventori, diperoleh sistem yang memberikan biaya inventori terkecil yang dipilih sebagai metode untuk perbaikan sistem saat ini, yaitu metode POQ atau LUC. Kemudian dilakukan perhitungan tingkat safety stock yang akan diterapkan dalam sistem sebagai tambahan dalam besarnya jumlah pemesanan produk setiap periode pesan. Analisa nilai safety stock digunakan sebagai pengamanan inventori agar tidak terjadi kehabisan persediaan (stock out), karena adanya lead time pengiriman material.

Penghitungan safety stock mengunakan metode deviasi pemakaian selama lead time, yaitu safety stock dihitung dari hasil perkalian deviasi lead time, laju pemakaian rata-rata per-hari selama lead time dan safety factor (k) yang diambil dari tabel distribusi normal tergantung pada berapa besar resiko stock out (service level). Dalam hal ini, perusahaan membatasi bahwa nilai safety stock tertinggi adalah 480.000 Kg dengan tingkat service level sebesar 99%.

Tabel 5.5 : Data Analisa Deviasi Standar Lead Time Pemesanan

1 Jun 31 -3.57 12.74 2 Jul 31 -3.57 12.74 3 Aug 37 2.43 5.90 4 Sep 33 -1.57 2.46 5 Oct 38 3.43 11.76 6 Nov 37 2.43 5.90 7 Dec 35 0.43 0.18

No Month Lead Time (Hari)

Deviasi (Li - L)

Deviasi Kuadrat (Li

- L)2

(

)

7 71 , 51 57 , 34 2 = = − =

∑

n L L L i

Nilai standar deviasi :

(

)

936 , 2 6 71 , 51 1 2 = = − − =

∑

n L L S_L i

Sedangkan data laju pemakaian material selama lead time ditunjukkan dalam tabel berikut :

Tabel 5.6 : Data Laju Pemakaian selama Lead Time

1 Jun 489,728 2 Jul 711,667 3 Aug 1,065,253 4 Sep 932,680 5 Oct 1,564,188 6 Nov 1,184,570 7 Dec 1,138,910 No Month Pemakaian 242 20 , 996 . 086 . 7

∑

∑

= = i i L U

Sehingga dari data di atas, diperoleh nilai rata-rata penggunaan material perhari selama lead time :

11 , 285 . 29 242 20 , 996 . 086 . 7 ₌ = =

∑

∑

i i L L U U

Selanjutnya analisa nilai safety stock dapat dicari menggunakan persamaan berikut, dimana perlu diketahui terlebih dahulu nilai konstanta safety factor (k) yang akan diterapkan pada sistem, yaitu nilai service level sebesar 99%, nilai safety factor (k) adalah sebesar 2.33 sehingga besar safety stock dapat dihitung.

Kg SS Stock Safety S U k SS Stock Safety L _L 336 . 200 92 , 335 . 200 _ 6 93 , 2 11 , 285 . 29 33 , 2 . . _ ≈ = = × × = = =

Angka safety stock yang diperoleh sebesar 200.336 Kg masih dibawah nilai maksimal yang diijinkan yaitu 480.000 Kg (kapasitas pit penampung).

Berdasarkan pada pembahasan 5.3, telah ditetapkan bahwa biaya inventori terkecil diperoleh dengan menerapkan hasil analisa POQ atau LUC yaitu reorder period setiap 2 minggu sekali. Dengan menambahkan nilai safety stock sebesar 200.336 Kg maka diperoleh jadwal pemesanan material dan besarnya jumlah material seperti pada tabel berikut :

Tabel 5.7 : Jadwal Pemesanan Menggunakan POQ / LUC setelah penambahan Safety Stock untuk Periode Tahun 2010

Dengan perhitungan biaya inventori sebagai berikut :

- Biaya simpan = jumlah inventori x biaya simpan per unit per periode Biaya simpan = 16.608.820 x Rp. 12,31 = Rp. 204.416.249,00

- Biaya pesan = jumlah pemesanan x biaya pesan per pesan Biaya pesan = 26 x Rp. 6.200.000,00 = Rp. 161.200.000,00 Total biaya inventori = Biaya simpan + Biaya pesan

= Rp. 204.416.249,00 + Rp. 161.200.000,00 = Rp. 365.616.249,00

Untuk mendapatkan hasil perbandingan, maka perlu dibandingkan dengan data tahun sebelumnya yang paling mendekati yaitu tahun 2009, dimana diperoleh data sebagai berikut :

- Biaya simpan = jumlah inventori x biaya simpan per unit per periode Biaya simpan = 11.366.300,00 x Rp. 12,31 = Rp. 139.892.929,00 - Biaya pesan = jumlah pemesanan x biaya pesan per pesan

Biaya pesan = 44 x Rp. 6.200.000,00 = Rp. 272.800.000,00

Dimana pada 2 bulan pertama (8 minggu) tahun 2009 tidak melakukan importasi karena stock yang dimiliki masih cukup besar.

Total biaya inventori = Biaya simpan + Biaya pesan

= Rp. 139.892.929,00 + Rp. 272.800.000,00 = Rp. 412.692.929,00

Jika dibandingkan dengan biaya inventori tahun 2009 yaitu sebesar Rp. 412.692.929,00 (empat ratus dua belas juta enam ratus sembilan puluh dua ribu sembilan ratus dua puluh sembilan rupiah), nilai biaya inventori menggunakan metode usulan perbaikan sistem inventori menggunakan simulasi pada tahun 2010 adalah sebesar Rp. 365.616.249,00 (tiga ratus enam puluh lima juta enam ratus enam belas ribu dua ratus empat puluh sembilan rupiah). Nilai ini masih lebih kecil dibanding biaya inventori periode sebelumnya dimana terjadi penghematan sebesar

Rp. 47.076.680,00 (empat puluh tujuh juta tujuh puluh enam ribu enam ratus delapan puluh rupiah). Mengingat tingkat penghematan biaya yang cukup besar usulan ini patut untuk dipertimbangkan pihak manajemen perusahaan untuk diterapkan pada periode-periode yang akan datang.