BAB II TINJAUAN PUSTAKA. Tabel 2.1. Hasil Penelitian Terdahulu

(1)

11 BAB II

TINJAUAN PUSTAKA A. Tinjauan Hasil Penelitian Terdahulu

1. Hasil Penelitian Terdahulu

Tabel 2.1

Hasil Penelitian Terdahulu

No Judul Variabel Hasil Penelitian

1. Analisis Peramalan Permintaan Pada Geprek Bensu Menggunakan Metode Time Series (Asynari Et Al., 2020)

Variabel independen:

 Time series

 Single moving average

 Single exponential smoothing

Variabel dependen:

Peramalan permintaan

Hasil yang di dapatkan dari penelitian ini menunjukkan bahwa metode single moving average memiliki tingkat akurat yang tinggi, dengan perbandingan akurasi tigkat kesalahan terkecil MAD = 3,116, MAPE = 9%, dan MSE = 2,762.

2. Analisis Peramalan Permintaan Produk Garam Konsumsi Beryodium Pada Ud Garam Samudra (Badi’ah &

Handayani, 2020)

Variabel Independen:

Naive Method, Moving Averages, Weighted Moving Averages, Exponential

Smoothing, dan Linear Regression

Variabel dependen:

 Peramalan permintaan

 Strategi pemenuhan Permintaan

Hasil dari penelitian ini menunjukan bahwa metode yang terpilih untuk memenuhi permintaan garam yodium adalah menggunakan linear regression karena memiliki nilai MSE yang kecil dibandingkan dengan metode lainya.

3. Peramalan

Penjualan Keramik Menggunakan Metode Moving Average dan Expinential

Smoothing Pada

Usaha Agus

Keramik (Suhardi et al., 2020)

 Moving average

 Exponential smoothing Variabel dependen;

Peramalan penjualan

Hasilpenelitian menunjukan bahwa metode Moving Average5 bulanan memiliki tingkat kesalahan terkecil, dan memiliki nilai akurasi mendekati nilai penjualan, sehingga metode Moving Average efektif digunakan untuk melakukan peramalan penjualan.

(2)

No Judul Variabel Hasil Penelitian 4. Demand

Forecasting Of The Short-Lifecycle Dairy Product (Chahal Et Al., 2018)

Moving Average, Regression, Multiple Regression, And The Holt–Winters Model Variabel dependen:

Demand forecasting

Hasil dari penelitian ini akan membantu untuk menetapkan tingat pengendalian persediaan yang stabil, pada studi yang telah dilakukan rata-rata metode yang tepat digunakan pada produk olahan susu adalah menggunakan multiple regression yang didasarkan pada nilai MAPE yang rendah, dan untuk metode yang tidak sesuai dengan produk olahan susuini adalah metode peramalan moving average.

5. Analisa Peramalan Permintaan Mobil Mitsubishi Xpander dengan Tiga Metode

Forecasting (Iwan et al., 2018)

 Moving average, exponential

smoothing, trend analysis

Variabel dependen:

 Peramalan permintaan

Metode dengan tingkat kesalahan yang lebih kecil exponential

smoothing(MAPE=44.57%) dan mempunyai nilai peramalan yang cukup besar yaitu 5.320 mobil, dibandingkan metode yang lainnya.

6. Analisis Metode Peramalan

Permintaan Terbaik Produk Oxycan Pada Pt. Samator Gresik

(Nugraha & Suletra, 2017)

 Time series

 Naive

 Moving average

 Weighted moving average

 Double exponential smoothing

Variabel dependen:

Peramalan permintaan

Metode peramalan yang digunakan adalah naif (naïve), Moving Average, Weighted Moving Average, Double Exponential Smoothing dan proyeksi terhadap trend. Penelitian ini memperoleh hasil dengan metode peramalan terbaik menggunakan Double exponential smoothing dengan hasil nilai MSE sebesar 968877,92; MAE sebesar 14372,35; dan MAPE sebesar 1,3%.

(3)

No Judul Variabel Hasil Penelitian 8. Analisis Peramalan

Penjualan Produk Keripik Pisang Kemasan Bungkus (Studi Kasus : Home Industry Arwana Food Tembilahan) (Wardah &

Iskandar, 2016)

- Moving average - Exponential

smoothing with trend - Trend analysis Variabel dependen:

- Peramalan penjualan

Hasil dari penelitian adalah

untuk mengatasi

permasalahan perusahaan pada persediaan produk yang seringkali mengalami

kekurangan yang

mengakibatkan permintaan konsumen tidak dapat terpenuhi, menggunakan metode moving average, exponential smoothing with trend, tren analysis dan pemilihan metode peramalan didasarkan pada perbandingan nilai MAD, MSE terkecil.

9. Analisis Peramalan Penjualan Produk

Kecap Pada

Perusahaan Kecap Manalagi Denpasar Bali (Yanti1 et al., 2016)

Varaibel independent:

 Moving Average

 Exponential smoothing

 Linear trend

 Non-linear trend Variabel dependen :

 Peramalan penjualan

Hasil peramalan pada dengan menggunakan metode moving average, exponential smoothing, linear trend, non-linear trend, Metode linear trend memiliki kesalahan peramalan terkecil dibandingkan dengan metode lain yang digunakan. Dengan nilai MAD 1.984,54, MSE 8.850.382,64. MAPE 2%

10. Demand

Forecasting Using Neural Network For Supply Chain Management (Suman & Kochak, 2015)

 Demand Forecasting

 Neural Network Variabel dependen:

Supply Chain

Management

Pada pembahasan

mengindikasikan TrainLM method lebih efektif dibandingkan dengan metode peramalan lainya, dan metode ini juga sesuai dengan permasalahan yang menjadi topik penelitian.

Sumber : (Asynari Et Al., 2020), (Badi’ah & Handayani, 2020), (Suhardi et al., 2020), (Chahal Et Al., 2018), (Iwan et al., 2018), (Nugraha & Suletra, 2017), (Wardah & Iskandar, 2016), (Yanti1 et al., 2016), (Suman & Kochak, 2015), diolah.

Berdasarkan analisis penelitian terdahulu yang telah dilakukan, beberapa metode peramalan yang digunakan pada penelitian terdahulu sesuai

(4)

dengan metode yang akan digunakan yaitu metode naïve, moving average, exponential smoothing, dan trend projection. Perhitungan untuk forecasting error atau tingkat kesalahan peramalan peneliti menggunakan MSE, MAD, dan MAPE dengan menggunakan program QM for Windows Version 5 untuk mempermudah dalam pengambilan keputusan atau menjawab permasalahan yang akan diteliti dan dianalisa lebih lanjut.

B. Landasan Teori

1. Peramalan Permintaan

Menurut Schroeder, (2000), permintaan dan penjualan tidak selalu sama. Bagaimanapun juga permintaan tidak membatasi kapasitas dari kebijakan manajemen yang lain. Peramalan permintaan akan menjadi sama dengan peramalan penjualan.

Permintaan akan suatu barang atau jasa terkadang bersifat acak dan juga tidak teratur. Namun dalam waktu tertentu permintaan dapat diprediksikan, seperti tren maupun pola berulang yang dapat merefleksikan peramalan. Ada tiga tipe pada sifat beramalan yaitu tren, siklus dan pola musiman Russell & Taylor, (2011).

(5)

Sumber : Russell & Taylor, (2011)

Gambar 2.1 Bentuk Pergerakan Peramalan 2. Peramalan Horizon Waktu

Menurut Heizer & Render, (2016), peramalan diklasifikasikan dengan horizon waktu pada masa mendatang, horizon waktu dibagi menjadi 3 kategori, yaitu :

a. Peramalan jangka pendek, peramalan jangka pendek memiliki rentang waktu sampai 1 tahun, tetapi pada umumnya kurang dari 3 bulan. Perencanaan jangka pendek digunakan untuk perencanaan pembelian, penjadwalan pekerjaan, level angkatan kerja, penugasan, dan level produksi.

b. Peramalan jangka menengah, peramalan jangka menengah memiliki rentang waktu pada umumnya 3 bulan hingga 3 tahun. Perencanaan jangka menengah digunakan dalam perencanaan penjualan, perencanaan produksi, penganggaran uang kas, dan analisis variasi rencana operasional.

(6)

c. Peramalan jangka panjang, peramalan jangka panjang biasanya memiliki rentang waktu 3 tahun atau bahakan lebih. Perencanaan jangka panjang digunakan dalam perencanaan produk baru, pengeluaran modal, lokasi tempat fasilitas atau perluasan, penelitian serta pengembangan.

3. Pendekatan Peramalan

Menurut Rusdiana et al., (2014) Didasarkan pada sifat ramalan, yaitu meliputi :

a. Peramalan Kualitatif, yaitu peramalan yang didasarkan pada data kualitatif di masa lalu. Hasil peramalan bergantung pada orang yang menyusun peramalan. Hal ini dikarenakan hasil peramalan ditentukan berdasarkan pada pemikiran yang berifat intuisi, pendapat, pengetahuan dan pengalaman dari penyusunnya. Metode kualitatif diantaranya, opini dewan direksi, metode delphi, gabungan karyawan bagian penjualan, dan survey pasar.

b. Peramalan Kuantitatif, yaitu peramalan yang didasarkan pada data kuantitatif pada masa lalu. Hasil peramalan bergantung pada metode yang digunakan. Peramalan kuantitatif memiliki dua metode yaitu time series dan causal. Metode time series menurut Heizer & Render, (2016) ada 6 diantaranya :

1) metode naïve, adalah model peramalan yang paling efektif dalam biaya dan tujuan yang efisien. Peramalan dengan metode ini

(7)

mengasumsikan bahwa permintaan pada periode selanjutnya akan setara dengan permintaan pada periode yang baru.

2) moving average, metode peramalan ini menggunakan sejumlah nilai data historis aktual untuk menghasilkan peramalan. moving average akan bermanfaat apabila dapat diasumsikan bahwa permintaan pasar akan tetap dan wajar selama periode tahunan. moving average biasanya dihitung untuk sebuah periode spesifik, misalnya tiga hingga lima bulan tergantung pada seberapa banyak penghalusan data yang diinginkan

3) weighted moving average dengan memberikan bobot pada peramalan.

4) exponential smoothing mengingat perkiraan terakhir dari nilai rata- rata permintaan dan menggabungkanya dengan nilai aktual yang paling diamati dan paling baru. Hanya saja metode eksponensial mengingat perkiraan terakhir dari nilai rata-rata permintaan dan menggabungkanya dengan nilai aktual yang paling diamati dan paling baru untuk membentuk perkiraan rata-rata baru.

5) exponential smoothing with trend adjustment, dengan persamaan yang berbeda untuk meramalkan level tren.

6) linear trend line, menggunakan metode kuadrat terkecil untuk menyesuaikan garis lurus ke data masa lalu. teknik pada proyeksi kecenderungan menyesuaikan dengan garis kecenderungan dengan rangkaian poin data historis, dan kemudian memproyeksikan

(8)

kemiringan garis ke dalam peramalan pada masa mendatang atau pada jangka menengah hingga jangka panjang. Dalam memutuskan pengembangan garis kecenderungan linear dengan metode statistik yang tepat, maka dapat digunakan metode kuadrat kecil (least square method).

4. Forecasting Error

Menurut Sushil & Starr, (2014) “It is very rare to get 100% accurate forecasts. There are always some errors in forecasting. A good forecasting technique tries to minimize the errors. The forecasting errors are computed by comparing the actual demand for time period t with the forecast for that same period, that is, Error (t) = Demand (t) − Forecast (t)”. Yang apabila diterjemahkan kedalam bahasa Indonesia berarti, Jarang mendapatkan peramalan dengan tingkat keakuratan 100%, akan selalu ada kesalahan dalam beberapa perhitungan peramalan. Teknik peramalan yang baik akan meminimalkan tingkat kesalahan, perhitungan tingkat kesalahan dihitung dengan membandingkan tingkat permintaan aktual dengan perkiraan dengan periode yang sama yaitu:

Kesalahan (t) = permintaan (t) – peramalan (t).

Menurut Heizer & Render, (2016), seluruh keakuratan dalam beberapa model peramalan dapat ditentukan dengan membandingkan nilai yang diramalkan dengan nilai yang aktual atau yang diamati.

(9)

Untuk menghitung peramalan dapat digunaan formula :

Sumber : Heizer & Render, (2016)

Teradapat beberapa pengukuran yang digunakan dalam pengukuran kesalahan peramalan. Pengukuran ini dapat digunakan dalam membandingkan model peramalan yang berbeda, dan jugadapat digunakan untuk memonitor peramalan untuk memastikan bahwa peramlan dapat berfungsi dengan baik. Metode tersebut diantaranya :

a. Mean Absolute Deviation

Nilai MAD dihitung dengan menjumlahkan nilai absolute kesalahan peramalan individual (deviasi) dan membaginya dengan jumlah periode data (n) :

MAD = ∑|𝑨𝒌𝒕𝒖𝒂𝒍−𝑷𝒆𝒓𝒂𝒎𝒂𝒍𝒂𝒏|

𝒏

b. Mean Squared Error (MSE)

MSE adalah rata-rata pada perbedaan yang dikuadratkan di antara nilai yang diramalkan dengan yang diamati. Dengan formula :

MSE = ∑(𝑲𝒆𝒔𝒂𝒍𝒂𝒉𝒂𝒏 𝑷𝒆𝒓𝒂𝒎𝒂𝒍𝒂𝒏)² 𝒏

Sumber : Heizer & Render, (2016) Kesalahan Peramalan = Peramalan aktual – Nilai Peramalan

= 𝑨_𝒕 − 𝑭_𝒕

(10)

c. Mean Absolute Percent Error (MAPE)

Permasalahan pada pengukuran peramalan dengan metode MAD dan MSE adalah bahwa penilaian mereka bergantung pada besarnya barang yang diramalkan. Untuk mengatasi permasalahan ini, dapat digunakan MAPE sebagai solusi dengan menghitung perbedaan rata- rata yang absolute antara nilai yang diramalkan dengan nilai aktualnya.

Dan dicerminkan sebagai presentase nilai aktual. MAPE dapat dihitung dengan menggunakan :

MAPE = ^∑^𝒏_𝒊−𝑰𝟏𝟎𝟎 |𝒂𝒌𝒕𝒖𝒂𝒍_𝒊− 𝒂𝒌𝒕𝒖𝒂𝒍_𝒊 |/𝒂𝒌𝒕𝒖𝒂𝒍_𝒊 𝒏

5. Persediaan

Persediaan adalah sejumlah komoditas yang disimpan untuk memenuhi kebutuhan pada masa yang akan datang Rusdiana et al., (2014).

Menurut Sushil & Starr, (2014) mengenai inventory management yaitu

“Inventory management encompasses the widest spectrum of activities related to materials. Start with the primary activities which include when and how much to make or purchase. In addition, timing of replenishments and decisions about storage are important decisions as well. Inventories serve several functions in an organization. The main function of inventories is to reduce the interdependency of various stages of the production and delivery system.”. Yang memiliki arti manajemen inventaris mencakup aktivitas pada bahan. Di mulai dengan aktivitas utama meliputi kapan dan

(11)

berapa banyak yang harus dibuat atau dibeli. Selain itu waktu pengisian dan keputusan tentang penyimpanan adalah keputusan yang penting, fungsi utama dalam persediaan adalah untuk mengurangi saling ketergantungan dari berbagai tahap sistem produksi dan pengiriman. Tujuan dari manajemen persediaan adalah menentukan keseimbangan antara investasi persediaan dan pelayanan pelanggan.

6. Fungsi persediaan

Persediaan dapat memiliki berbagai fungsi yang menambah flesibilitas operasi perusahaan Heizer & Render, (2016). Keempat fungsi persediaan adalah:

a. Untuk memberikan pilihan barang agar dapat memenuhi permintaan pelanggan yang diantisipasi dan juga memisahkan perusahaan dari flutuasi permintaan. Biasanya digunakan pada perusahaan ritel.

b. Untuk memisahkan beberapa tahapan dari proses produksi. Contoh jika persediaan sebuah perusahaan berfluktuasi, persediaan tambahan diperlukan agar bisa meisahkan proses produksi dari pemasok.

c. Untuk mengambil keuntungan dari potongan jumlah, karena pembelian dalam jumlah besar dapat menurunkan biaya pengiriman barang.

d. Untuk menghindari inflasi dan kenaikan harga.

(12)

7. Jenis Persediaan

Menurut Zulfikarijah, (2005), jenis persediaan diklasifikasikan menjadi :

a. Persediaan Bahan Baku

Persedian barang yang akan dipergunakan dalam proses transformasi produk.

b. Persediaan Barang Setengah Jadi

Persediaan yang telah mengalami proses produksi tetapi masih diperlukan proses lagi untuk mencapai produk jadi.

c. Persediaan Barang Jadi

Persediaan barang yang telah melalui tahapan proses akhir dan siap dijual kepada konsumen.

8. Persediaan Pengaman (Safety Stock)

Menurut Jacob & Chase, (2014),”safety stock is the amount of inventory carried in addition to the expected demand”. Yaitu persediaan pengaman merupakan jumlah persediaan yang dimasukkan sebagai tambahan untuk permintaan yang diharapkan.

Sedangkan menurut Krajewski et al., (2015), “safety stock inventory is surplus inventory that protects againts uncertainties in demand, lead time, and supply changes”. Persediaan safet stock adalah persediaan lebih yang melindungi ketidakpastian dalam perubahan permintaan, waktu tunggu, dan penawaran.

(13)

Persediaan pengaman melibatkan penambahan sejumlah unit sebagai penyangga sampai dnegan titik pemesanan ulang. Pada artikel Crack The Code Understanding Safety Stock and Mastering Its Equations, ditulis oleh King, (2011), mengenai rumus yang dapat digunakan dalam safety stock.

a. Variability in Demand

Rumus ini dapat digunakan apabila satu-satunya variabilitas yang perlu untuk dilindungi adalah variabel permintaan dan terdapat data historis.

Safety stock = Z × √^𝑷𝑪_𝑻

𝟏 × 𝝈_𝒅

Sumber : King, (2011)

Dimana :

Z = Z – Score

PC = PerformanceCycle atau Lead Time

𝑇₁ = Time Increment digunakan untuk menghitung standar deviasi dari permintaan

𝜎_𝑑 = Standar deviasi dari permintaan b. Variabilitas lead time

Apabila variabilitas dari lead time yang menjadi topik, rumus untuk safety stock akan sebagai berikut :

Safety Stock = Z × 𝝈_𝑳𝑻 × 𝑫_𝒂𝒗𝒈

Sumber : King, (2011)

Dimana :

𝜎_𝐿𝑇 = Standar deviasi dari lead time 𝐷_𝑎𝑣𝑔 = Rata-rata permintaan

(14)

c. Variabilitas pada permintaan dan lead time

Ketika variabilitas permintaan dan lead time, dapat dilakukan perhitungan statistik dan dikombinasikan untuk memberikan total safety stock yang lebih rendah dibandingkan penambahan dua perhitungan secara individual. Berikut ini adalah rumus variabilitas pada permintaan dan juga lead time.

Safety Stock = Z × √(^𝑷𝑪

𝑻_𝟏 × 𝝈²_𝑳𝑻) + (𝝈_𝑳𝑻× 𝑫_𝒂𝒗𝒈)² Sumber : King, (2011)

Dimana :

Z = Z – Score

PC = Performance Cycle atau Lead Time

𝑇₁ = Time Increment digunakan untuk menghitung standar deviasi dari permintaan

𝜎_𝑑 = Standar deviasi dari permintaan 𝜎_𝐿𝑇 = Standar deviasi dari lead time 𝐷_𝑎𝑣𝑔 = Rata –rata permintaan

d. Variabilitas permintaan dan lead time tidak independen

Ketika variabilitas permintaan dan lead time tidak independen satu sama lain, maka safet stock adalah penjumlahan dari dua perhitungan individu.

Safety stock = ( Z × √^𝑷𝑪_𝑻

𝟏 × 𝝈_𝒅) + (Z × 𝝈_𝑳𝑻 × 𝑫_𝒂𝒗𝒈 Sumber : King, (2011)

Dimana :

Z = Z – Score

PC = Performance Cycle atau Lead Time 𝜎_𝑑 = Standar deviasi dari permintaan 𝜎_𝐿𝑇 = Standar deviasi dari lead time 𝐷_𝑎𝑣𝑔 = Rata –rata permintaan

(15)

C. Kerangka Pikir

Sumber : Heizer & Render, (2016) diolah

Gambar 2.2 Kerangka Pikir Penelitian

Peramalan merupakan estimasi atas permintaan hingga permintaan akutual menjadi diketahui. Pada peramalan permintaan terdapat beberapa metode diantaranya naive, moving average, exponential smoothing, linear trend line. Variabel-variabel yang dibutuhkan dalam penelitian ini merupakan variabel pada perhitungan peramalan, permintaan, volume penjualan, dan safety stock . Peramalan permintaan mendorong keputusan pada 3 aktivitas, salah

Naïve

- Volume penjualan masa lalu

Moving average - Permintaan

periode sebelumnya - Jumlah periode

Exponential Smoothing

- Permintaan aktual periode

sebelumnya - Peramalan periode

baru

- Peramalan periode sebelumnya - Bobot α konstan Linear trend line - 𝑦̂ nilai peramalan - 𝑎 perpotongan

sumbu 𝑦̂

- b kemiringan garis regresi

- Periode peramalan - Rata-rata jumlah

periode

- Rata-rata jumlah permintaan

Metode Peramalan Permintaan Efektif

Safety Stock - Lead Time - Standar

deviasi permintaan - Time

increment - Z-Score -

(16)

satunya kapasitas. Apabila kapasitas tidak memadai dan mengalami kekurangan maka akan menyebabkan kehilangan konsumen pada pangsa pasar Heizer &

Render, (2016). Pada dasarnya kebutuhan konsumen akan produk sangat bervariasi, dikarenakan hal ini seringkali pada perusahaan terjadi ketidakpastian dalam kegiatan produksi. Diakibatkan ketidakpastian ini stock untuk inventory pada gudang dapat mengalami penumpukan ketika produksi lebih dan kekurangan saat produksi kurang, yang dapat mengakibatkan penurunan kualitas produk dan tidak dapat memenuhi permintaan konsumen sehingga menurunkan tingkat kepercayaan konsumen. Adanya metode peramalan permintaan dan penentuan safety stock dapat membantu perusahaan untuk memperkirakan permintaan produk supaya dapat menyesuaikan dengan stock yang ada, perhitungan peramalan menggunakan metode time series, pergerakan rata-rata bergerak, rata-rata berbobot, penghalusan eksponensial, dan garis trend linear. Untuk meramalkan permintaan produk maka diperlukan data historis mengenai permintaan produk pada periode sebelumnya, kemudian diolah dengan menggunakan metode peramalan yang telah dipilih, untuk kemudian akan dihitung tingkat error dari masing-masing metode peramalan.

Metode peramalan dengan tingkat kesalahan rendah akan digunakan sebagai metode untuk meramalkan permintaan produk. Safety stock atau persediaan pengaman diperlukan untuk mengatasi ketidakpastian pada permintaan suatu produk. Dengan adanya safety stock, maka perusahaan dapat memiliki persediaan cadangan, supaya ketika penjualan tiba-tiba meningkat, perusahaan tetap memiliki persediaan untuk stok produk.