PERAMALAN PERMINTAAN DAN PERENCANAAN PRO

(1)

1

PERAMALAN PERMINTAAN DAN PERENCANAAN PRODUKSI DENGAN

MEMPERTIMBANGKAN

SPECIAL EVENT

DI PT. COCA-COLA BOTTLING

INDONESIA (PT. CCBI) PLANT-PANDAAN

Ilsan Nur Putra, I Nyoman Pujawan, Niniet Indah Arvitrida Jurusan Teknik Industri

Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111

Email : ilsannurputra@yahoo.com ; pujawan@ie.its.ac.id ; niniet@ie.its.ac.id

ABSTRAK

Ketidakakuratan ramalan merupakan isu yang paling fundamental dalam proses perencanaan produksi pada Perusahaan Make To Stock (MTS). Pada PT. Coca-Cola Bottling Indonesia Plant Pandaan, pengaruh tersebut akan berdampak pada tingginya tingkat persediaan atau terjadi kekurangan stok di pasar yang diakibatkan oleh perencanaan produksi yang tidak akurat. Penyebabnya adalah manajemen event yang tidak baik diperusahaan. Pemilihan metode peramalan dengan mengikut sertakan variabel pengaruh special event, diharapkan dapat lebih akurat dalam mendeskripsikan kondisi permintaan yang lebih riil. Output dari proses peramalan tersebut kemudian digunakan untuk menjadi input untuk pembuatan Master Production Schedule (MPS) setiap produk dalam proses perencanaan produksinya.

Hasil yang didapatkan dalam penelitian tugas akhir ini, bahwa special event memiliki kontribusi yang signifikan dalam mempengaruhi permintaan. Penerapan metode peramalan dengan mempertimbangkan special event dapat meningkatkan akurasi ramalan untuk masing-masing produk mencapai 5-10%. Dan dapat melakukan penghematan dari segi total biaya sebesar 40% dalam hal perencanaan produksinya.

Kata Kunci : Peramalan, Perencanaan Produksi, Special Event

ABSTRACT

Forecasts inaccuracy is the most fundamental issues for production planning process, especially at the Make to Stock (MTS) Company. At PT. Coca-Cola Bottling Plant Pandaan Indonesia, the effect will impact on the high level of inventory or shortage in the market caused by the inaccurate production planning. This happen due to event management at the company has not well established. The selection forecasting method by considering the special event impact variable, is expected to be more accurate in describing the real demand. The output of the forecasting process is then used as input for Master Production Schedule (MPS) of each product in the production process.

The results show that the special event has a significant contribution in influencing demand. Application of forecasting methods by considering the special event can improve the accuracy of forecasts for each product of 5-10%. On the other hand, total cost saving can be achieved as much as 40% in terms of production planning.

Keywords: Forecast, Production planning, Special Event

1. PENDAHULUAN

PT. Coca Cola Bottling Indonesia (PT. CCBI) merupakan perusahaan manufaktur yang bergerak dalam bidang industri minuman ringan. Produk-produk yang dihasilkan oleh PT. CCBI sangat diminati oleh konsumennya. Dari segi branding, PT. CCBI yang merupakan perusahaan terbesar penghasil minuman berkarbonasi di Indonesia yang namanya sudah tidak asing lagi disemua lapisan masyarakat. Tingginya permintaan

(2)

2 dibanding bulan sebelumnya (Kaltim Post,

2009). Tetapi tidak hanya untuk hari raya keagamaan saja, banyak hal yang mungkin bisa saja sangat mempengaruhi tingkat permintaan seperti faktor promosi, strategi perlawanan dari kompetitor, dan banyak hal lainnya. Seperti yang diungkapkan oleh Dwi Harjono General Manager East Java PT. Coca Cola Distribution yang menggunakan momentum Pesta Demokrasi Pemilu 2009 sebagai ajang untuk mendongkrak penjualan lewat promosi produk baru (Surya, 2009).

Fluktuasi permintaan pada event-event

tersebut sangat berpengaruh terhadap akurasi ramalan yang dilakukan oleh CCBI. Seperti data yang disajikan pada tabel 1, rendahnya akurasi peramalan diakibatkan penggunaan metode Moving Average (MA) oleh perusahaan yang tidak mengakomodasi pengaruh event terhadap permintaan konsumen yang terjadi dalam periode tertentu

Tabel 1. Tabel Prosentase Akurasi Peramalan (Sumber : PT. CCBI Plant Pandaan)

Tahun _{Prosentase (%)}

2005 82 %

2006 85 %

2007 85 %

2008 88 %

2009 86 %

Selain itu, ketika tidak terjadi manajemen permintaan serta manajemen event yang baik, perusahaan akan mengalami kekurangan persediaan barang untuk bisa memenuhi permintaan tersebut. Kebijakan yang diambil oleh perusahaan untuk meminimalisir terjadinya backlog di konsumen, yaitu peningkatan kapasitas produksi untuk dapat menutupi lonjakan permintaan di waktu-waktu tertentu. Tetapi kebijakan ini tidak didukung oleh perhitungan-perhitungan biaya-biaya lain yang harus dikeluarkan jika nantinya kapasitas produksi melebihi permintaan konsumen. Dari hal ini, awal permasalahan yang timbul diakibatkan tidak akuratnya peramalan permintaan konsumen yang berdampak pada perencanaan produksi yang tidak dapat responsif. Karena produksinya bisa saja tidak dapat memenuhi permintaan (backlog) atau bahkan melebihi dari permintaan yang ada

(inventory).

Penerapan metode peramalan dengan mempertimbangkan pengaruh special event

terhadap fluktuasi permintaan akan mengakomodasi perencanaan produksi yang lebih akurat. Perencanaan produksi dapat memperlihatkan dampak dari segi biaya yang dikeluarkan untuk Inventori dan biaya backlog

pada sistem eksisting yang nantinya dibandingkan dengan sistem yang menggunakan metode peramalan dengan konsep manajemen permintaan pada setiap

special event yang terjadi.

Pada penelitian ini, hasil yang ingin dicapai adalah untuk mendapatkan metode peramalan permintaan yang dapat meningkatkan akurasi dari ramalannya. Yang nantinya akan berdampak terhadap rencana produksi dengan total biaya yang lebih murah dari pada rencana produksi eksisting. Selain itu, penelitian juga memberikan saran dan rekomendasi mengenai metode peramalan dengan mempertimbangkan special event yang diakomodasi dengan indeks special event yang menjadi dasar penentuan permintaan di periode tertentu.

Batasan yang digunakan dalam penelitian ini antara lain :

1. Produk yang diamati adalah produk menggunakan kemasan Returnable Glass Bottle (RGB) antara lain Coca-Cola 193 ml, Sprite 200 ml, Fanta Strawberry 200 ml, Sprite 295 ml, Fanta Soda Water 295 ml, dan Frestea Jasmine 220 ml.

2. Special Event yang dimaksud adalah

special event yang diperkirakan mempengaruhi penjualan secara

signifikan yang telah

didokumentasikan oleh perusahaan. 3. Evaluasi dari perencanaan produksi

dilakukan untuk periode Januari-Desember 2009.

Selain itu, terdapat beberapa asumsi yang digunakan dalam penelitian ini antara lain kekurangan barang pada suatu periode akan dipenuhi pada periode berikutnya. Dan biaya penyimpanan dan backlog adalah 30% dari harga jual produk.

2. METODOLOGI

(3)

3

2.1.Tahap Identifikasi Masalah

Pada tahapan ini dilakukan identifikasi masalah yang sedang terjadi pada sistem perencanaan produksi di PT. Coca Cola Bottling Indonesia, perumusan masalah yang ada dan tujuan dari penelitian Tugas Akhir ini. Setelah dilakukan studi literatur, selanjutnya akan dilakukan studi lapangan yaitu mempelajari keadaan nyata di perusahaan mulai dari proses peramalan permintaan hingga aktivitas perencanaan produksinya. Dan juga mempelajari pola permintaan yang terjadi pada saat-saat tertentu.

2.2.Tahap Pengumpulan dan Pengolahan

Data

Setelah tahap identifikasi permasalahan, tahap selanjutnya adalah tahapan pengumpulan dan pengolahan data sesuai dengan permasalahan yang dievaluasi di perusahaan. Tahap ini meliputi beberapa langkah-langkah yang dapat dijelaskan sebagai berikut :

2.2.1. Pengumpulan Data

Pada tahapan ini dilakukan pengumpulan data-data yang diperlukan untuk mendukung hipotesa dari penelitian yang ingin dilakukan. Data-data yang dikumpulkan antara lain :

a. Data sales produk (Mingguan) untuk periode 2006-2009

b. Data special event yang telah direcord oleh perusahaan pada tahun 2006-2009.

c. Data kedatangan botol untuk setiap periodenya (mingguan).

d. Data aktual produksi (Mingguan) periode 2009

e. Data Stock on Hand akhir periode 2008

Data-data tersebut dikumpulkan melalui pengamatan secara langsung, data sekunder dari perusahaan dan wawancara dengan pihak-pihak yang terkait dengan permasalahan ini.

2.2.2. Pengolahan Data

Proses pengolahan data dilakukan dengan dua tahapan yang harus dilakukan. Yaitu, melakukan peramalan tingkat permintaan diperiode mendatang dan membuat perencanaan produksi untuk tingkat permintaan dari hasil ramalan. Setelah dilakukan dua tahap inti tersebut, kemudian dilakukan perhitungan total biaya persediaan

dan backlog, dan rata-rata persediaan produk untuk setiap skenarionya.

2.2.2.1.Peramalan (Forecasting)

Setelah data-data historis penjualan dikumpulkan kemudian dilakukan pengecekan pola dari data tersebut. Data tersebut termasuk pola data random, tren atau musiman. Tujuan dari pengecekan pola data ini untuk mengetahui metode peramalan yang tepat untuk menggambarkan kebutuhan di periode berikutnya. Setelah menentukan pola data historis yang ada, dilakukan perhitungan indeks untuk masing-masing special event

yang telah dicatat oleh perusahaan. Special event yang terjadi seperti hari raya keagamaan, promosi, hari libur nasional, dll. Perhitungan indeks tersebut dilakukan dengan pendekatan metode peramalan berdasarkan musiman untuk setiap event-event yang ada.

Setelah perhitungan indeks special event, kemudian dilakukan peramalan untuk kebutuhan dari masing-masing produk dengan menambahkan faktor indeks yang sudah dihitung sebelumnya. Peramalan ini juga memperbandingkan perfomansi dari metode eksisting dengan metode yang sesuai dengan pola data dan metode peramalan dengan event based.

Selain itu, penelitian tugas akhir ini akan memberikan referensi tentang indeks

special event yang terbaru untuk menjadi masukan dalam peramalan permintaan pada tahun 2010.

2.2.2.2.Rancangan Skenario

Pada tahapan ini, peneliti membuat sebuah rancangan skenario yang digunakan dalam pengolahan data pada penelitian ini. Skenario ini digunakan untuk memberikan gambaran usulan yang nanti dilakukan perbandingan terhadap kondisi eksisting. Terdapat dua skenario yang digunakan, yaitu :

1. Pada pembuatan Master Production Schedule (MPS) yang menggunakan

input dari hasil peramalan permintaan pada tahapan sebelumnya, tidak ada batasan jumlah botol pada saat perencanaannya. Skenario ini bermaksud untuk memberikan gambaran jika pada nantinya ketika ketersediaan dari botol tidak memiliki batasan maka dampaknya terhadap performansi perencanaan signifikan atau tidak.

(4)

4 dalam melakukan perencanaan

produksi untuk menentukan keputusan produksi disetiap periode. Dari skenario ini dapat melihat dampak langsung dari tingkat persediaan

finished goods yang dimiliki oleh perusahaan

2.2.2.3.Perencanaan Produksi

Setelah dilakukan peramalan kebutuhan, kemudian dilakukan pembuatan

Master Production Schedule (MPS) untuk masing-masing Stock Keeping Unit (SKU) produk. Tujuan dari MPS ini sebagai rencana produksi yang dilakukan oleh bagian Planning

untuk kemudian diimplementasikan sebagai keputusan dalam proses produksi oleh bagian produksi.

Dalam pembuatan MPS terdapat dua skenario yang telah direncanakan. Untuk skenario yang pertama, MPS menggunakan

input dari metode peramalan dengan mempertimbangkan pengaruh special event

terhadap permintaan dan tidak memiliki batasan jumlah botol. Sedangkan untuk skenario yang kedua, dengan menggunakan peramalan permintaan dengan pengaruh event tetapi memiliki batasan jumlah botol yang tersedia di setiap periodenya. Untuk keputusan produksi yang diambil adalah minimum (MPS; jumlah botol).

2.2.2.4.Perhitungan Total Biaya

Setelah dilakukan pembuatan MPS untuk setiap skenarionya, didapatkan total inventori dan backlog untuk setiap periodenya. Skenario yang dibandingkan yaitu, MPS kondisi eksisting dengan MPS skenario alternatif. Untuk setiap skenarionya, kemudian dihitung total biaya untuk inventori dan backlog yang dikeluarkan untuk periode waktu yang sama.

2.3. Analisis dan Pembahasan

Pada tahapan ini, hasil dari pengolahan data di tahap sebelumnya dilakukan analisis serta pembahasannya. Hasil perhitungan untuk setiap skenario kemudian dibandingkan parameter-parameter performansi seperti tingkat persediaan

(inventory) dan biaya persediaan dan backlog. Skenario yang dipilih yaitu skenario yang memiliki biaya penyimpanan yang paling murah. Selain itu, pada tahapan analisis ini, dilakukan analisis sensitivitas untuk perubahan target inventori yang telah ditetapkan sebelumnya oleh perusahaan. Pada akhirnya

nanti, akan diusulkan untuk target inventori dengan total biaya yang lebih rendah.

2.4. Kesimpulan dan Saran

Setelah melakukan analisis dari hasil pengolahan data, kemudian dari hasil tersebut ditarik kesimpulan-kesimpulan untuk menjawab dari tujuan penelitian tugas akhir ini. Sehingga manfaat-manfaat yang dapat diterima oleh perusahaan sesuai dengan ekspektasi di awal yang dapat diimplementasikan dalam saran-saran perbaikan.

3. PERAMALAN

Sebelum melakukan perencanaan produksi,untuk dapat membuat gambaran kebutuhan produksi di periode berikutnya dapat dilakukan dengan melakukan proses peramalan. Ada beberapa tahapan yang harus dilakukan dalam melakukan proses ramalan ini.

3.1. Identifikasi Pola Data Historis

Data historis penjualan dari tahun 2006-2008 yang telah dikumpulkan kemudian dicari pola dari penjualan tersebut berdasarkan waktunya. Pengecekan pola data historis dapat dilakukan dengan 2 (dua) cara antara lain dengan menggunakan plot data historis. Pada gambar 1 adalah plot data historis untuk produk Coca-Cola 193 ml.

Gambar 1. Plot Data Historis

Selain itu, pola juga dapat diindentifikasi dengan menggunakan analisis autokorelasi seperti pada gambar 2. Analisis ini menggunakan bantuan Software Minitab 14.0

dengan Autocorrelation Function.

Dari hasil kedua analisis ini dapat ditentukan pola data masing-masing varian produk seperti pada tabel 2 yang nantinya digunakan sebagai dasar penentuan metode peramalan.

(5)

5 (1)

Gambar 2. Autokorelasi

Tabel 2. Rekapitulasi Pola Data Historis Produk

No. Varian Produk Pola Data

1. Coca-Cola 193 ml Musiman 52 Minggu

2. Sprite 200 ml Musiman 52 Minggu

3. Fanta Strawberry

200 ml

Musiman 52 Minggu

4. Sprite 295 ml Musiman 52 Minggu

5. Fanta Soda Water 295 ml

Musiman 52 Minggu

6. Frestea Jasmine 220 ml

Musiman 52 Minggu

3.2. Perhitungan Indeks Special Event

Sebagai dasar dalam penentuan pengaruh dari special event, dapat diukur berdasarkan indeks dari event tersebut. Semakin besar indeksnya maka akan semakin besar pengaruhnya terhadap permintaan disuatu periode. perhitungan indeks tersebut menggunakan persamaan 1.

=

Dimana:

= Data aktual periode – t (minggu) = Indeks pada periode –t (minggu)

= Diadjust (data hasil peramalan pada periode –t dengan menggunakan

moving average dan exponential smoothing)

Nilai Dt didapatkan dari hasil perhitungan

dengan menggunakan metode peramalan dasar yaitu moving average 3 periode dan ekponential dengan α = 0,2.

Dengan menggunakan perumusan 1, dapat menilai indeks dari masing-masing special event. Hasilnya adalah seperti pada tabel 3. Indeks ini untuk produk Sprite 200 ml dengan menggunakan pendekatan moving average.

3.3. Peramalan

Berdasarkan hasil dari pola data historis didapatkan bahwa, pola data penjualan selama

kurun waktu 3 (tiga) tahun terakhir mengikuti pola musiman dalam 52 minggu. Menurut Hanke (2001) metode peramalan yang cocok untuk pola data musiman yaitu menggunakan

Winter Eksponensial Smooting (WES) dan

Decomposition. Selain metode konvensional tersebut, nantinya akan dibandingkan metode peramalan dengan menggunakan Event Based yang tidak di-drive oleh musim. Perbandingan menurut nilai error forecastnya.

3.3.1. Winter Exponential Smoothing

(WES)

Dengan menggunakan bantual software Minitab 14, dapat dihitungan perkiraan permintaan untuk periode 2009 yang dibandingkan dengan aktual penjualan untuk dapat dapat menghitung errornya. Pada tabel 4 adalah hasil perhitungan error untuk metode WES.

Tabel 4. Rekapitulasi Error metode WES

3.3.2. Decomposition

Sama halnya dengan metode WES, kita dapat menghitung nilai error metode ini dengan membandingkan hasil peramalan dengan data aktual penjualan tahun 2009. Hasil perhitungan errornya seperti pada tabel 5.

Tabel 5. Rekapitulasi Error metode Decomposition

3.3.3. Event Based

Metode peramalan Event Based adalah metode pendekatan peramalan permintaan berdasarkan special event yang terjadi di setiap periodenya. Yang berarti tinggi rendahnya permintaan akan berdasarkan indeks dari masing-masing event yang sudah dilakukan perhitungan di sub bab sebelumnya. Metode ini menggunakan persamaan umum pada persamaan 2. Dengan menggunakan pendekatan metode peramalan dasar.

Lag

Autocorrelation Function for S-Coca Cola

(with 5% significance limits for the autocorrelations)

(6)

6 (2)

Tabel 3. Rekapitulasi Indeks Special Event Sprite 200 ml

Metode peramalan yang dimaksud adalah menggunakan Moving Average Event Based

(MAEB) dan Eksponential Smoothing (ESEB) berdasarkan nilai indeks untuk setiap metode untuk setiap eventnya.

=

Dimana,

Yt’ = Peramalan dengan Indeks pada periode -t

It = Indeks Special Event pada periode – t

Yt= Peramalan sebelum Indeks pada periode –t

Dari persamaan 2 tersebut kita dapat menghitung nilai error masing-masing metodenya seperti pada tabel 6 dan 7.

Tabel 6. Rekapitulasi Error metode MAEB

Tabel 7. Rekapitulasi Error metode ESEB

Dari perhitungan nilai error keempat metode peramalan, dapat ditentukan metode peramalan terbaik dengan nilai error yang terkecil yang nantinya digunakan sebagai input dalam perencanaan produksi. Hasil perbandingan nilai error setiap metode seperti pada tabel 8.

Metode peramalan dengam memiliki nilai MAPE terkecil merupakan metode peramalan yang terbaik. Ini terlihat pada tabel 8 dengan metode yang terhighlight warna kuning yang menandakan metode tersebut adalah metode terbaik yang digunakan untuk meramalkan permintaan masing-masing varian produknya.

Group Event Event Index Group Index

Idul Adha 1426 H 1,03

Idul Adha 1,04

Tahun Baru Imlek 2557 1,02

Ultah Coca Cola ke 120 1,07

Ultah Coca-Cola ke 121 1,02

Ultah Coca-Cola ke 122 1,01

Kompetisi Musik Rock & Dangdut Sprite D'Plong 1,20

Hanging Out Place With High School 1,00

Panen Tembakau 1,01

Panen Tembakau 1,06

Panen Tembakau 1,04

Idul Fitri 1427 H 1,02

Coca-Cola Party 1,00

Supermarket Floor Display 1,01

Natal dan Tahun Baru 1,07

1,01

Promosi "3 Tutup Botol Bisa Jadi Jutawan Selama 5 Tahun!" Posko Mudik Segar ala Coca-Cola

Promosi "FIFA World Cup 2006"

Tahun Baru Imlek

Ultah Coca-Cola

Kompetisi Music Rock & Dangdut Sprite

Hanging Out Place With High School

Panen Tembakau

Idul Fitri

Coca-Cola Party

Supermarket Floor Display

Natal dan Tahun Baru

(7)

7

Tabel 8. Rekapitulasi Nilai Error Akhir

4. PERENCANAAN PRODUKSI

Dalam perencanaan produksi, akan membandingkan beberapa skenario untuk dapat mengukur masing-masing performansi dari input dan kondisi yang berbeda-beda. Hasil dari masing-masing skenario tersebut nantinya akan dibandingkan dengan Master Production Schedule (MPS) eksisting untuk dapat diukur perubahannya.

Untuk setiap skenario usulan, yang membedakan terhadap MPS eksisting adalah pada input dari hasil peramalan yang nantinya diimplementasi sebagai rencana produksi per minggunya. Hasil peramalan dengan menggunakan metode terbaik dari hasil perbandingan error diproses sebelumnya akan dibandingkan dengan rencana produksi eksisting yang menggunakan hasil peramalan oleh perusahaan sendiri.

Input tersebut digunakan untuk dua skenario usulan pada skenario 1 (satu) dan skenario (dua). Yang berbeda antara skenario 1 dan dua yaitu terdapat masing-masing batasan dalam penentuan kuantitas produksi

perminggu nya. Perbedaannya itu terdapat pada jumlah botol yang tersedia untuk setiap minggunya. Pada skenario 2, batasan ini yang akan berpengaruh pada penentuan kuantitas produksinya. Jadi ketika, pada suatu periode tersebut membutuhkan 5000 botol tetapi pada periode tersebut hanya tersedia 4800 botol, maka jumlah produk yang diproduksi yaitu sebesar jumlah botol yang tersedia. Berikut ini adalah hasil rekapitulasi untuk setiap kondisi.

4.1. Kondisi Eksisting

Dengan menggunakan hasil input dari metode peramalan di perusahaan, kita dapat menghitungan rata-rata persediaan untuk setiap minggunya. Hasilnya seperti pada tabel 9 untuk varian produk Coca-Cola 193 ml.

Tabel 8. Rekapitulasi MPS Eksisting

4.2. Skenario 1

Untuk dapat menghitung rata-rata persediaan dan rata backlog untuk setiap periode nya, dapat digunakan persamaan 3-8.

v Pt

TIt = Target Inventori periode –t

It = Inventory di akhir periode-t

Sht = Shortage periode –t

(Untuk persamaan 6, target inventori disesuaikan dengan varian produknya)

Dengan menggunakan persamaan tersebut, dapat dilakukan perhitungan rata-rata inventori

MAD MSE MAPE

Fanta Soda Water 295 ml

Frestea Jasmine 220 ml

Metode Error

Coca-Cola 193 ml

Sprite 200 ml

Fanta Strawberry 200 ml

(8)

8 (11)

(9) (10)

(12) (13) (14)

(15) (16) untuk setiap periodenya. Pada tabel 9,

merupakan hasil perhitungan rata-rata inventori untuk varian produk Coca-Cola 193 ml dengan skenario 1.

Tabel 9. Rekapitulasi MPS Skenario 1

4.3. Skenario 2

Untuk dapat menghitung rata-rata persediaan dan rata backlog untuk setiap periode nya, dapat digunakan persamaan 3-8.

v SOHt = It-1

v TIt =

v It = (Pt + SOHt-1) - St

v Sht = St - (Pt + SOHt-1)

v Pt = min (Pet ; Et)

v Et = SEt + (Et-1 - Pt)

Dimana :

t = Periode waktu (minggu)

Yt’ = Forecast Periode – t (setelah dikali

indeks)

Pet = MPS Aktual dalam periode –t

Pt = Produksi periode – t

St = Sales periode – t

SOHt = Stock On Hand diawal periode – t

TIt = Target Inventory periode –t

It = Inventori di akhir periode-t

Dengan menggunakan persamaan tersebut, dapat dilakukan perhitungan rata-rata inventori

untuk setiap periodenya. Pada tabel 10, merupakan hasil perhitungan rata-rata inventori untuk varian produk Coca-Cola 193 ml dengan skenario 2.

Tabel 10. Rekapitulasi MPS Skenario 1

4.4. Perhitungan Total Biaya

Total biaya yang dihitung dalam penelitian ini terdiri dari biaya persediaan

(Inventory Cost) dan biaya yang hilang akibat tidak memenuhi permintaan (Lost sales/Shortage Cost). Karena pada penelitian ini komponen biaya tidak dapat terdefinisi, maka untuk perhitungan biaya menggunakan beberapa asumsi. Asumsi-asumsi seperti dibawah ini :

v Biaya Persediaan (Ic) = 30%Harga Jual/botol/tahun

v Shortage Cost (Sc) = 30% Harga Jual/botol/tahun

Jadi untuk menghitung Inventory Cost serta

Shortage Cost dalam penelitian menggunakan persamaan 15 dan 16.

IC/tahun = Avg. Inv/periode x Ic SC/tahun = Avg. Sh/periode x Sc

Pada tabel 11-13 merupakan hasil perhitungan Total biaya untuk 6 varian produk di dalam penelitian ini untuk kondisi eksisting, skenario 1 dan skenario 2.

Tabel 11. Rekapitulasi Perhitungan Total Cost Eksisting

Tabel 12. Rekapitulasi Perhitungan Total Cost Skenario 1

Avg. Inventory 16.473

Avg. Backorder 0

Rekapitulasi

Avg. Inventory 10.211

Avg. Backorder 310

Rekapitulasi

No. Produk Inventory Cost _(Rp/th) Backlog Cost _(Rp/th) Total Cost _(Rp/th)

1 Coca-Cola 193 ml 9.363.617 0 9.363.617

2 Sprite 200 ml 19.844.553 0 19.844.553

3 Fanta Strawberry 200 ml 12.793.690 0 12.793.690

4 Sprite 295 ml 32.700.687 0 32.700.687

5 Fanta Soda Water 295 ml 29.586.073 0 29.586.073

6 Frestea 220 ml 17.001.120 0 17.001.120

No. Produk Inventory Cost (Rp/th)

Backlog Cost (Rp/th)

Total Cost (Rp/th)

1 Coca-Cola 193 ml 7.412.871 0 7.412.871

2 Sprite 200 ml 7.404.931 0 7.404.931

4 Sprite 295 ml 29.990.832 0 29.990.832

(9)

9

Tabel 13. Rekapitulasi Perhitungan Total Cost Skenario 2

5. ANALISIS

5.1. Analisis Perhitungan Indeks Special Event

Sebelum melakukan peramalan, hal yang harus dilakukan adalah mengidentifikasi Indeks Special Event. Indeks Special Event

(SE) ini menunjukkan pengaruh SE terhadap permintaan produk pada periode tertentu. Jika pada kondisi normal (tidak ada SE), permintaan dapat diramalkan dengan menggunakan metode peramalan biasa. Indeks ini menggambarkan prosentase (%) kenaikan permintaan pada periode tersebut ketika terjadinya SE. Jadi, dari sini SE dapat teridetifikasi pengaruhnya terhadap permintaan jika SE tersebut terlaksana.

Pada tabel 3, dituliskan bahwa terdapat SE bernama “Hanging Out With High School”. Dari hasil perhitungannya, nilai Indeks untuk SE tersebut yaitu sebesar 1,03. Indeks ini berarti pada saat terjadinya SE

“Hanging Out With High School”

permintaan akan naik sebesar 3 persen dari permintaan normalnya. Indeks ini akan menjadi acuan untuk menggambarkan permintaan konsumen ketika SE ini dilaksanakan pada tahun berikutnya.

Tentu saja identifikasi indeks ini akan dapat lebih bermanfaat karena dapat menggambarkan fluktuasi dari permintaan yang mengikuti terjadinya SE yang memiliki karateristik yang berbeda-beda. Semakin tinggi indeks SE yang didapatkan, maka pengaruh jika terjadinya SE tersebut terhadap permintaan akan semakin besar. Nantinya indeks ini akan dimasukkan sebagai variabel dalam penentuan ramalan permintaan untuk periode yang akan datang.

Pada akhir 2009, dilakukan updating

indeks SE yang menambahkan indeks SE yang terjadi pada tahun 2009. Updating ini digunakan untuk memberikan referensi tentang perkembangan terbaru mengenai pengaruh SE tersebut terhadap permintaan. Dalam perhitungan untuk updating indeks ini,

dilakukan dengan cara pembobotan. Pemberian bobot paling tinggi diberikan untuk indeks yang paling terbaru. Ini dikarenakan pola permintaan untuk tahun yang terdekat akan lebih bisa menggambarkan pola yang sebenarnya pada tahun berikutnya.

5.2. Analisis Peramalan

Berdasarkan hasil pengecekan pola data historis didapatkan bahwa data memiliki kecenderungan musiman. Penentuan metode peramalan itu didasari oleh pola data yang terbentuk. Dikarenakan pola data yang terbentuk adalah pola data musiman, jadi metode yang sesuai untuk digunakan dalam proses ramalan ini adalah metode Winter’s Exponential Smoothing (Triple Exponential Smoothing) dan Metode Dekomposisi. Kedua metode konvensional ini akan dibandingkan perfomansi nilai error nya dengan metode peramalan dengan Event Based. Nilai error

yang lebih kecil akan menjadi input dalam perencanaan produksinya.

Untuk peramalan menggunakan metode konvensional digunakan bantuan software Minitab 14. Untuk menggunakan bantuan Minitab ini, diperlukan beberapa parameter salah satunya adalah seasonal lenght. Seasonal lenght merupakan panjang perulangan periode secara musiman. Berdasarkan hasil autokorelasi, didapatkan bahwa data tersebut adalah musiman dengan 52 minggu. Yang berarti parameter seasonal lenght nya sebesar 52.

Dengan menggunakan bantuan Minitab, dapat dilakukan peramalan untuk 52 minggu kedepannya dengam metode Winter ES dan Dekomposisi. Setelah hasil ramalannya didapatkan, kemudian dilakukan perbandingan data hasil ramalan dengan data penjualan aktual pada tahun 2009. Setelah itu dilakukan perhitungan nilai error (MAD, MSE, dan MAPE) untuk kedua metode konvensional pada setiap varian produk.

No. Produk Inventory Cost

(Rp/th)

Backlog Cost (Rp/th)

Total Cost (Rp/th)

1 Coca-Cola 193 ml 4.594.733 279.334 4.874.067

2 Sprite 200 ml 7.187.797 0 7.187.797

4 Sprite 295 ml 19.766.193 0 19.766.193

(10)

10 Perhitungan error juga berlaku untuk dua

metode dengan event based. Seperti hasil yang didapatkan pada sub bab 3.3.3, peramalan menggunakan event based dibagi atas dua metode yaitu menggunakan MA dan ES. Untuk metode event based, hasil dari peramalan menggunakan metode MA dan ES, kemudian dikalikan dengan indeks SE ketika SE tersebut akan dilaksanakan pada periode pelaksanaannya. Setelah dikalikan dengan indeks, hasil ramalan ini kemudian dibandingkan dengan data aktual penjualan pada tahun 2009. Dari sini didapatkan nilai

error dari metode event based ini.

Untuk mendapatkan metode peramalan yang terbaik dilakukan dengan menilai performansi dari error setiap metode. Pada tabel 8, metode yang terbaik diberikan tanda

highlight warna kuning. Perbandingan nilai

error dilakukan dengan membandingkan nilai MAPE dan MSE. Nilai MAPE ini merupakan prosentase terjadinya kesalahan dalam suatu proses peramalan. Dari hasil yang didapatkan pada tabel 8 diketahui bahwa untuk produk Coca-Cola 193 ml, nilai MAPE yang terkecil yaitu sebesar 5% pada metode Event Based

untuk Exponential Smoothing. Ini berarti tingkat akurasi dari peramalan yang dilakukan dengan metode ini sudah mencapai 95 %. Jika dibandingkan dengan metode-metode lain nilai MAPE ini merupakan prosentase error yang terkecil. Selain itu, jika dibandingkan dengan metode eksisting dengan akurasi sebesar 91 persen (MAPE = 9 persen), maka dapat dikatakan metode dengan mempertimbangkan

special event memiliki kontribusi yang sangat signifikan dalam meningkatkan akurasi dari ramalan permintaan di perusahaan.

Untuk varian produk lainnya, dengan analisis yang sama dengan produk sebelumnya dapat ditentukan metode peramalan yang terbaik. Untuk metode MA Event Based

digunakan untuk produk Sprite 200 ml, Fanta Strawberry 200 ml, Sprite 295 ml. Dan untuk metode ES Event Based digunakan untuk produk Fanta Soda Water 295 ml dan Frestea Jasmine 200 ml.

Dilihat pada tabel 14, penggunakan metode peramalan dengan mempertimbangkan

special event akan meningkatkan akurasi dari peramalan yang sudah diterapkan selama ini di perusahaan. Ini menandakan bahwa metode peramalan dengan mempertimbangkan special event sangat berdampak pada performansi ramalan.

5.3. Analisis Perhitungan Total Biaya

Dampak langsung terjadinya perubahan sistem dalam peramalan dan perencanaan produksi akan berpengaruh terhadap total biaya yang dalam hal ini untuk Inventori Cost

dan Shortage Cost. Penerapan metode peramalan dengan mempertimbangkan special event akan berdampak kepada rencana produksi untuk setiap periode. Akurasi ramalan yang rendah pada metode eksisting menyebabkan tingginya kesalahan dalam penentuan kuantitas produksinya. Ketidaksesuaian permintaan terhadap aktual

sales akan berdampak kepada tingginya nilai inventori dari produk tersebut. Seperti yang tertulis pada tabel 14. tingginya nilai inventori ini akan sejalannya dengan semakin besar biaya yang dikeluarkan oleh perusahaan untuk penyimpanan finished goods di gudang. Oleh karena itu, untuk dapat meminamalisir ketidaksesuaian tersebut maka pengunaan metode peramalan dengan mempertimbangkan

special event akan membantu perusahaan untuk dapat melakukan penghematan biaya inventori. Pada tabel 15, penghematan yang dapat dilakukan oleh perusahaan untuk meminimalisir nilai inventori sebesar Rp 4.489.550/th untuk produk Coca-Cola 193 ml. Ini menerangkan bahwa pengaruh dari metode peramalan terhadap perencanaan produk dengan menginginkan total biaya yang lebih murah dapat tercapai. Hal ini berlaku pula untuk varian produk lainnya. Untuk total penghematan yang dapat dilakukan perusahaan untuk enam varian produk ini yaitu sebesar Rp 49.122.321,-/tahun.

5.4. Analisis Sensitivitas Target

Inventori (TI)

(11)

11 sensitivitas TI terhadap total biaya yang

dihasilkan dalam perhitungan masing-masing TI nya. TI yang menghasilkan total biaya yang lebih murah akan menjadi alternatif usulan dalam penelitian ini. Selain dari segi total biaya, alternatif usulan untuk TI dipilih untuk nilai TI yang tidak terjadi backorder pada proses perencanaannya. Pada gambar 3 adalah grafik uji sensitivitas TI terhadap total biaya untuk produk Coca-Cola 193 ml. Untuk varian

produk lainnya dilakukan analisis yang sama dengan yang dilakukan untuk varian produk ini.

Setelah melakukan uji sensitivitas, kita dapat mengetahui TI yang menghasilkan total biaya lebih murah. Pada tabel 16 adalah hasil rekapitulasi nilai TI yang menjadi rekomendasi kepada perusahaan untuk dilakukan review terhadap TI yang telah ditetapkan oleh perusahaan sebelumnya.

Tabel 14. Rekapitulasi Peningkatan Akurasi Forecast

Tabel 15. Penghematan Total Biaya

Gambar 3. Grafik uji sensitivitas TI terhadap total biaya untuk produk Coca-Cola 193 ml

Eksisting Metode

Usulan

1 Coca-Cola 193 ml 91 95 4

2 Sprite 200 ml 82 91 9

3 Fanta Strawberry 200 ml 79 91 12

4 Sprite 295 ml 91 95 4

5 Fanta Soda Water 295 ml 91 94 3

6 Frestea 220 ml 91 94 3

Forecast Accuracy (%)

Peningkatan Akurasi (%) Produk

No.

Eksisting Skenario Usulan

1 Coca-Cola 193 ml 9.363.617 4.874.067 4.489.550 48%

2 Sprite 200 ml 19.844.553 7.187.797 12.656.756 64%

3 Fanta Strawberry 200 ml 12.793.690 7.160.766 5.632.925 44%

4 Sprite 295 ml 32.700.687 19.766.193 12.934.494 40%

5 Fanta Soda Water 295 ml 29.586.073 21.555.573 8.030.500 27%

6 Frestea 220 ml 17.001.120 11.623.024 5.378.096 32%

49.122.321 40%

Total

Penghematan (%) Total Cost (Rp/th)

Penghematan (Rp/th) Produk

No.

Rp-Rp1.000.000 Rp2.000.000 Rp3.000.000 Rp4.000.000 Rp5.000.000 Rp6.000.000

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

Rp/th

Hari

(12)

12

Tabel 16. Usulan Target Inventori

6. PENUTUP

6.1. Kesimpulan

Kesimpulan yang diambil dalam penelitian tugas akhir ini antara lain :

1. Metode peramalan dengan mempertimbangkan special event

dapat meningkatkan akurasi ramalan jika dibandingkan dengan metode peramalan yang diterapkan oleh perusahaan saat ini. Peningkatan akurasi ramalan untuk produk Coca-Cola 193 ml, Sprite 200 ml, Fanta Strawberry 200 ml, Sprite 295 ml, Fanta Soda Water 295 ml, dan Frestea Jasmine 220 ml masing-masing yaitu 4 persen; 9 persen; 12 persen; 4 persen; 3 persen dan 3 persen.

2. Natal dan Tahun Baru merupakan

Special Event yang paling memiliki pengaruh yang signifikan dalam mempengaruhi permintaan untuk 6 varian produk ini yang didasari oleh nilai indeks special event.

3. Perencanaan produksi dengan menggunakan peramalan dengan mempertimbangkan special event

dapat menghasilkan total penghematan untuk 6 varian produk sebesar Rp 49.122.321,-/th yang merupakan 40 persen dari total biaya yang selama ini dikeluarkan oleh perusahaan.

4. Perubahan target inventori untuk masing-masing varian produk antara lain :

ü Coca-Cola 193 ml dari 12 hari menjadi 8 hari

ü Sprite 200 ml dari 6 hari menjadi 3 hari

ü Fanta Strawberry 200 ml dari 6 hari menjadi 4 hari

ü Sprite 295 ml dari 6 hari menjadi 3 hari

ü Fanta Soda Water 295 ml dari 8 hari menjadi 3 hari

ü Frestea Jasmine 200 ml dari 8 hari menjadi 2 hari,

dapat menurunkan total biaya persediaan yang lebih murah.

6.2. Saran

Adapun saran-saran yang dapat direkomendasikan untuk perusahaan dan untuk penelitian kedepannya antara lain :

1. Perusahaan dapat menerapkan metode peramalan dengan menggunakaan

event based forecast berdasarkan refenrensi indeks special event yang telah diperbaharui.

2. Identifikasi perputaran botol dapat disimulasikan menjadi variabel tambahan untuk perencanaan produksi.

3. Penelitian ini diterapkan untuk produk jenis lainnya seperti jenis PET, tetrapack, dll.

7. DAFTAR PUSTAKA

Andrian, Y (2004). Evaluasi dan Perancangan Sistem Penunjang Keputusan pada Proses Perencanaan Produksi Studi Kasus : PT. Coca Cola Bottling Indonesia Plant Pandaan. Laporan Penelitian Tugas Akhir, Institut Teknologi Sepuluh Nopember, Surabaya.

Anggraheni, W (2003). Peramalan Berdasarkan Event di PT. Coca Cola Distribution Indonesia SIER Surabaya.

Laporan Penelitian Tugas Akhir,

Institut Teknologi Sepuluh Nopember, Surabaya.

Ashayeri, J dan Kampstra, P. (2003)

Collaborative Replenishment : A Step by Step Approach, Tillburg University

No. Produk Target Inventori

Eksisting (hari)

Target Inventori Usulan (hari)

1 Coca-Cola 193 ml 12 8

2 Sprite 200 ml 6 3

3 Fanta Strawberry 200 ml 6 4

4 Sprite 295 ml 6 3

5 Fanta Soda Water 295 ml 8 3

(13)

13 Chopra dan Meindl (2004) Supply Chain

Management : Strategy, Planning, and Operation, Prectice Hall Inc., New Jersey Christopher,M.(1992). Logistics and Supply

chain Management. Pitman, London. Chung, C.H, Krajewski, L.J (1984). Planning

Horizon For Master Production Schedulling. Journal of Operation Management. Vol. 4 No. 4, August 1984 Gangadharan, Rajesh. (2006). Supply chain

Strategies To Manage Volatile Demand. <URL:

http://www.sdcexec.com/online/article.jsp ?id=9159&siteSection=4 >

Hanke, J.E, Reitsch, A.G, dan Wichern, D.W. (2001). Business Forecasting Seventh Edition, Prentice Hall, United States of America.

Kaltim Post (2009). Siapkan Cadangan 600 Ribu Krat (Kamis, 25 Desember 2009)

<URL :

http://www.kaltimpost.co.id/?mib=berita. detail&id=6770>

Malkridakis, S, Wheelright, S.C, dan Mc Gee, V.E. (1983). Forecasting Methods and Application 2nd Edition, John Wiley and Sons, Inc.

Nahmias, S. (1993). Production and Operation Analysis, Mc Graw-Hill Internasional, Singapore.

Nahmias, S. (2009). Production and Operation Analysis Seventh Edition, Mc Graw-Hill Internasional, Singapore. Nasution, AH. (1999). Perencanaan dan

Pengendalian Produksi. Guna Widya, Surabaya.

Posko Manado (2009). Permintaan Tetap Tinggi (Kamis, 17 September 2009)

<URL :

http://poskomanado.com/news/index.php ?option=com_content&task=view&id=38 13&Itemid=1>

Pujawan, I Nyoman. (2005). Supply Chain Management. Guna Widya, Surabaya Russel, R.A, Urban, T.L (1993). Horizon

Extention for Rolling Production Schedules : Lenght and Accuracy Requirement. International Journal of Production Economics, 29 (1993) 111-122

R. Liu et al. (2006). A Formal Modeling Approach for Supply Chain Event Management, Desicion Support System 43, 761-778

Silver, E.,D. Pyke, D.,F. Peterson, R. (1998).

Inventory Management and Production Planning and Schedulling. New York, John Willey and Sons, Inc.

Surya (2009). Coca Cola Luncurkan Sprite Zero (Rabu, 11 Maret 2009) <URL :

http://www.surya.co.id/2009/03/11/coca-cola-luncurkan-sprite-zero.html>