MENENTUKAN PERSEDIAAN BERAS DENGAN MENGGUNAKAN MODEL ECONOMIC ORDER QUANTITY (EOQ) BERDASARKAN RAMALAN PERMINTAAN PADA TAHUN 2012

MENENTUKAN PERSEDIAAN BERAS DENGAN

MENGGUNAKAN MODEL ECONOMIC ORDER QUANTITY

(EOQ) BERDASARKAN RAMALAN PERMINTAAN PADA

TAHUN 2012

Julita Nahar

1

1_{Universitas Padjadjaran, Jalan Raya Bandung-Sumedang km 21,Jatinangor 45363}

ABSTRAK

MENENTUKAN PERSEDIAAN BERAS DENGAN MENGGUNAKAN MODEL ECONOMIC ORDER QUANTITY (EOQ) BERDASARKAN RAMALAN PERMINTAAN PADA TAHUN 2012. Perum BULOG merupakan lembaga pangan pemerintah yang memiliki tugas dalam memenuhi kebutuhan pangan masyarakat dengan harga yang relatif terjangkau. Dalam melaksanakan tugasnya BULOG harus dapat mengelola dengan baik agar tidak terjadi kekurangan ataupun kelebihan barang. Dengan adanya jumlah permintaan yang selalu berubah-ubah dari waktu ke waktu, sehingga dibutuhkan adanya ramalan permintaan pada periode selanjutnya agar persediaan dapat memenuhi kebutuhan. Dalam penelitian ini menggunakan metode peramalan dengan menggunakan Single Exponensial Smoothing yaitu dengan hasil ramalan pada tahun 2012 sebesar 95.053.776 kg. Sedangkan untuk model persediaan menggunakan model Economics Order Quantity (EOQ) tanpa stock out, sehingga didapatkan persediaan optimum yang harus dimiliki perusahaan adalah sebesar 120.921.680,1 kg agar dapat memenuhi permintaan konsumen di tahun 2012.

Kata Kunci : Peramalan, EOQ, Persediaan

ABSTRACT

THE DETERMINING OF RICE SUPPLIES USING ECONOMIC ORDER QUANTITY (EOQ) MODEL BASED ON REQUEST FORECAST IN 2012. Perum Bulog is a government food agency whose task to meet the food needs of the community with a relatively affordable price. In making the duties BULOG should be able to manage well so not occour excess or shortage of goods.With the number of requests that are always changing from time to time, so it takes the demand forecast for the next period in order to meet supply needs. In this resarch, used the method of forecasting by Single Exponential Smoothing with the result of forecast in 2012 amounted to 95,053,776 kg. As for the model inventory used Economics Order Quantity (EOQ) model without stock out, so we get the optimum inventory that must be owned by the company amounted to 120,921,680.1 kg in order to meet consumer demand in 2012.

Key words: Forecasting, EOQ, Inventory

1. PENDAHULUAN

Perum BULOG merupakan lembaga pangan pemerintah yang memiliki tugas salah satunya dalam memenuhi kebutuhan pangan masyarakat dengan harga yang relatif terjangkau. Dalam melakukan tugasnya untuk memenuhi pangan

masyarakat perum BULOG harus dapat mengelola persediaan beras dengan baik agar tidak terjadi kekurangan atau kelebihan barang yang akan mengakibatkan biaya-biaya yang cukup besar dan dapat menimbulkan resiko.

Dengan jumlah permintaan yang selalu berubah dari waktu ke waktu, untuk itu Perum

BULOG membutuhkan ramalan permintaan pada periode selanjutnya agar dapat menentukan banyaknya persediaan yang harus disiapkan.

Berdasarkan permasalahan di atas, maka diperlukan adanya analisis yang tepat untuk menentukan persedian beras berdasarkan ramalan permintaan pada periode selanjutnya. Metode peramalan yang dilakukan adalah dengan menggunakan single exponensial smoothing.

2. TEORI PENDUKUNG

Peramalan adalah kegiatan memperkirakan tingkat permintaan produk yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang (John E. Biegel, 1999). Dalam melakukan peramalan terdapat metode yang banyak digunakan tergantung dari tipe pola data dan tujuan penelitian itu sendiri. Sehingga pengidentifikasian awal pola data perlu dilakukan. Pola data deret waktu dapat dibedakan menjadi empat jenis (Markidarkis, 1999) yaitu sebagai berikut :

1. Pola stasioner, terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata konstan.

2. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data.

3. Pola musiman, terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). 4. Pola siklis, terjadi bilamana datanya

dipengaruhi oleh fluktuasi ekonomi jangka panjang.

Untuk meramalkan banyaknya permintaan beras terdapat metode yang dapat digunakan yaitu metode exponential smoothing dan metode box jenkins. Pemilihan metode ini berdasarkan situasi dan kondisi data. Metode Box-Jenkins dapat diaplikasikan pada data yang cukup banyak karena idealnya membutuhkan minimal 50 data (Wei, 2006). Sedangkan metode pemulusan eksponensial dapat digunakan untuk data yang sedikit karena dalam proses analisisnya hanya mempertimbangkan aspek pola data yang terdapat dalam data deret waktu. 2.1 Metode Pemulusan Eksponensial

(Exponential Smoothing)

Dalam metode pemulusan eksponensial dasar pemikiran yang dilakukan adalah pembobotan terhadap data masa lalu dengan nilai data tersebut memiliki bobot yang lebih kecil dari data yang baru dimana hasil pembobotan tersebut akan membentuk pola eksponensial. Metode peramalan ini mempertimbangkan aspek pola data yang terdapat dalam data deret waktu. Metode ini pada umumnya tidak harus selalu memenuhi kaidah-kaidah deret waktu seperti signifikansi autokorelasi dan stasioneritas. Terdapat beberapa metode pemulusan eksponensial yaitu metode pemulusan eksponensial tunggal (single

exponentional smoothing) untuk pola data

stasioner, metode Holt (double exponentional

smoothing) untuk data yang memiliki komponen

trend, dan metode Holt-Winters (triple

exponentional smoothing)untuk data yang

teridentifikasi memiliki trend dan musiman (Markidarkis, 1999).

Metode pemulusan eksponensial tunggal (single exponentional smoothing) memiliki persamaan sebagai berikut :

1

(1

) ...(1)

t t t

F

_





X







F

₍₁₎ dengan, 1 t

F_ : ramalan untuk kurun waktu ke- 1

t 



: konstanta pemulusan, 0  1 t

X : data pada kurun waktu ke-t t

F : ramalan untuk kurun waktu ke - t Untuk menentukan model yang paling baik bisa digunakan ukuran statistik untuk

menghitung besarnya penyimpangan yaitu sebagai berikut.





2 1 ...(2) n t t i X F

Mean Square Error (MSE)

n   



1 100 ...(3) n t t t i

Mean Absolute Percentage Error (MAPE)

X F X n         



dengan n adalah jumlah pengamatan. 2.2 Persediaan

Persediaan merupakan sejumlah bahan-bahan, parts yang disediakan dan bahan-bahan dalam proses yang terdapat dalam perusahaan

untuk proses produksi, serta barang-barang jadi atau produk yang disediakan untuk memenuhi permintaan dari komponen atau langganan setiap waktu (Assauri, 2004).

2.2.1 Model EOQ (Economic Order Quantity)

Economics Order Quantity (EOQ)

dikembangkan pada tahun 1915 oleh Ford Harris dan R.H. Wilson. Tujuan model ini adalah untuk menentukan jumlah optimum setiap kali pemesanan sehingga meminimumkan biaya persediaan. Dilihat dari permintaannya model EOQ terbagi atas dua model yaitu model EOQ dengan kebutuhan deterministik dan model EOQ dengan kebutuhan probabilistik (Makridakis, 1999). Model EOQ deterministik adalah model persediaan dengan permintaan tetap dan dari waktu ke waktu bersifat konstan atau telah diketahui dengan pasti. Sedangkan model EOQ probabilistik adalah model persediaan dimana permintaan barang tidak diketahui sebelumnya dan selalu berubah-ubah sehingga besarnya permintaan mengikuti suatu distribusi peluang tertentu.

2.2.2 Model Persediaan Tanpa Stock Out

Dalam penelitian ini menggunakan model EOQ dengan kebutuhan deterministik. Model EOQ dengan kebutuhan deterministik ini sendiri memiliki beberapa model salah satunya adalah model persediaan tanpa stock out yang akan dijadikan alat dalam melakukan analisisnya.

Model persediaan tanpa stock out dapat diilustrasikan dalam bentuk grafik sebagai berikut.

Gambar.1 Model Persediaan Tanpa Stock-out Dari gambar di atas, misalkan Q adalah jumlah persediaan selama satu kurun waktu dan t merupakan lama satu putaran waktu. Persediaan pada setiap awal putaran sama dengan jumlah persediaan tiap putaran yaitu

sebesar Q.Dengan demikian, jumlah seluruh biaya rata-rata selama kurun waktu T adalah penjumlahan rata-rata biaya penyimpanan dan rata-rata biaya pengadaan barang. Dan untuk mencari besarnya persediaan optimum (Q0)

yaitu dengan menurunkan fungsi biaya terhadap Q sehingga di dapat rumusan Q0, dengan

perumusannya sebagai berikut :

(4) (5) dengan,

cs

J : jumlah biaya rata-rata selama kurun waktu T

Cc : biaya penyimpanan per unit per

satuan waktu

Q : jumlah barang yang dipesan pada awal kurun waktu

T _{: periode waktu}

D : jumlah seluruh kebutuhan selama satu periode.

Cs : biaya pemesanan barang per unit

per satuan waktu

3. TATAKERJA (BAHAN DAN

METODE)

Objek penelitian ini adalah data permintaan beras di Kota Bandung. Data merupakan dari data sekunder yang diperoleh dari Perum BULOG. Data sekunder yang diperoleh adalah data permintaan beras di Kota Bandung selama 3 tahun terakhir, yaitu dari Januari 2009 hingga Desember 2011.

Secara sistematis, langkah-langkah untuk memecahkan masalah penelitian ini diperlihatkan pada diagram alir berikut :

4. HASIL DAN PEMBAHASAN

Berikut adalah plot data permintaan beras dari bulan Juli 2009 hingga Desember 2011. Dapat terlihat bahwa plot berfluktuasi di sekitar nilai rata-rata sehingga data bersifat stasioner.

Gambar.3 Grafik Data Permintaan Beras

a. Model Peramalan

Dalam melakukan model peramalan dilakukan proses trial and error agar diperoleh nilai konstanta pemulusan terbaik, yaitu α yang optimal dengan meminimumkan nilai MSE dan

MAPE sehingga diperoleh hasil nilai beberapa

konstanta pemulusan terbaik sebagai berikut : Tabel 1. Konstanta Pemulusan Terbaik

α MSE MAPE 0,1 0,13080 13,07990 0,2 0,13156 13,15560 0,3 0,12829 12,82910 0,4 0,12519 12,51920 0,5 0,12556 12,55640 0,6 0,12730 12,72950 0,7 0,12867 12,86710 0,8 0,13090 13,09010 0,9 0,13342 13,34210

Dari tabel di atas diperoleh nilai konstanta pemulusan dengan nilai error yang paling kecil yaitu α = 0,4. Sehingga α = 0,4 akan digunakan dalam model matematis sehingga diperoleh hasil ramalan untuk periode mendatang.

Berdasarkan hasil penerapan metode pemulusan eksponensial tunggal (single

exponentional smoothing) dengan konstanta

pemulusan level (α) = 0,4 sehingga model matematis deret waktu untuk waktu mendatang adalah :

(6)

Dengan menggunakan bantuan software

minitab.16 maka telah didapatkan hasil ramalan

seperti berikut :

b. Menentukan Persediaan Optimum Setelah mendapatkan hasil nilai peramalan pada tahun 2012 yaitu sebesar 95.053.76 kg, maka selanjutnya adalah menentukan persedian optimum beras. Biaya-biaya yang digunakan dalam penelitian ini adalah biaya penyimpanan yaitu sebesar Rp 224,7 per kg per bulan dan untuk biaya pengadaannya yaitu sebesar Rp 6.600 per kg. Maka biaya untuk per tahunnya adalah :

224, 7 12

2696, 4

c

C



Rp





Rp

207.392.618.400

s

C



Rp

Sehingga jumlah persediaan optimum komponen beras yangdihitungmenggunakan Persamaan (5) adalah sebagai berikut :

0

ˆ

2

_s c

DC

Q

TC



2 95053776 207392618400 1 2696, 4 120921680,1     

Dari hasil perhitungan diatas, maka dapat terlihat bahwa persediaan optimum yang harus dimiliki perusahaan adalah sebesar 120.921.680,1 kg agar dapat memenuhi permintaan konsumen di tahun 2012.

5. KESIMPULAN

Berdasarkan hasil penelitian yang telah dilakukan maka ditarik kesimpulan sebagai berikut :

1. Hasil ramalan yang diperoleh menunjukkan bahwa permintaan beras pada periode selanjutnya diperkirakan akan mengalami peningkatan.

2. Persediaan optimum yang harus dilakukan oleh perusahaan pada tahun 2012 adalah sebesar 120.921.680,1 kg atau sebesar 120921,6801 ton.

6. DAFTAR PUSTAKA

1. ASSAURI SOFYAN. Manajemen Produksi

dan Operasi, Edisi Revisi, LPFEUI. Jakarta

(1999).

2. GUJARATI, N.D. Basic Econometric

Fourth Edition. McGraw Hill, New York

(2003).

3. MAKRIDAKIS, SPYROS.,

WHEELWRIGHT, STEVEN C., McGEE, VICTOR E. Metode dan Aplikasi Peramalan.Alih Bahasa Hari Suminto. Edisi

Kedua, Interaksara, Jakarta (1999).

4. RANGKUTI, FREDDY. Manajemen Persediaan: Aplikasi di Bidang Bisnis.

Peneribit Gramedia Pustaka Utama, Jakarta (2004).

5. SIAGIAN, P. Penelitian Operasional :

Teori dan Praktek, Cet-1. Penerbit

Universitas Indonesia (UI – Press), Jakarta (1987).

6. WEI, W. W. S,. 1994. Time Series Analysis,

Univariate and Multivariate Methods.

Addison-Wesley Publishing Company, Canada.