BAB II STUDI PUSTAKA. Bagian pertama literatur yang membahas dasar teori yang digunakan dan bagian

BAB II STUDI PUSTAKA

Bab ini membahas beberapa literatur yang terkait dengan penelitian. Bagian pertama literatur yang membahas dasar teori yang digunakan dan bagian kedua membahas penelitian-penelitian yang telah dilakukan sebelumnya yang berkaitan dengan penelitian ini.

2.1. Landasan Teori

2.1.1 Sistem Pengendalian Persediaan

Menurut Herjanto (2006), sistem pengendalian persediaan dapat didefinisikan sebagai serangkaian kebijakan pengendalian untuk menentukan tingkat persediaan yang harus dijaga, kapan pesanan untuk menambah persediaan harus dilakukan dan berapa besar pesanan harus diadakan. Sistem ini menentukan dan menjamin tersediannya persediaan yang tepat dalam kuantitas dan waktu yang tepat. Dari penjelasan tersebut dapat ditarik kesimpulan bahwa sistem pengendalian persediaan sangat diperlukan sebuah perusahaan untuk meningkatkan pelayanan dengan cara menyediakan barang sesuai jumlah kebutuhan pelanggan.

Terdapat dua jenis sistem pengendalian persediaan yaitu sistem kontinu (countinuous system) atau kuantitas pesanan tetap (fixed-order quantity) dan sistem

periodik (periodic system) atau periode waktu tetap (fixed-time period) (Taylor, 2005).

A. Sistem Persediaan Kontinu

Pada dasarnya sistem persediaan kontinu atau sistem kuantitas pesanan tetap merupakan cara untuk mengurangi biaya persediaan dengan cara melakukan pemesanan ulang pada titik tertentu dengan jumlah yang tetap. Menurut Taylor (2005), sistem persediaan kontinu atau yang sering disebut sistem perpetual (perpetual system) pesanan dilakukan untuk suatu jumlah tertentu saat persediaan mencapai tingkat yang telah ditentukan.

Keuntungan dari sistem persediaan kontinu adalah tingkat persediaan dimonitor ketat dan berkesinambungan sehingga manajemen selalu mengetahui status persediaan. Hal ini terutama menguntungkan untuk persediaan yang penting seperti barang pengganti atau bahan baku dan perlengkapan. Namun, biaya untuk memiliki catatan atas jumlah persediaan bisa merupakan kekurangan sistem ini (Taylor, 2005).

Dari penjelasan tersebut dapat disimpulkan bahwa sistem persediaan kontinu secara tidak langsung dapat meningkatkan penghasilan perusahaan. Sedangkan untuk mengatasi kekurangan dari sistem diperlukan penggunaan teknologi untuk menjalankan sistem ini dengan mudah dan lebih menghemat biaya.

B. Sistem Persediaan Periodik

Menurut Wibowo dan Arif (2002), sistem persediaan periodik merupakan sistem pencatatan periodik yang harus melakukan pengecekan fisik terhadap

persediaan dengan cara mengukur dan menghitung berapa jumlah barang yang ada di gudang yang dilakukan pada akhir periode. Sistem pencatatan ini pada akhir periode dibutuhkan ayat jurnal penyesuaian.

Berdasakan penjelasan sebelumnya dapat ditarik kesimpulan bahwa sistem persediaan periodik adalah sebuah sistem persediaan dengan jumlah pemesanan tidak tetap atau berbeda-beda yang dihitung pada periode waktu tertentu. Jika dibandingkan dengan sistem persediaan kontinu sistem ini lebih menghemat biaya karena proses perhitungan jumlah persediaan tidak dilakukan setiap saat. Namun, sebagai dampaknya sistem ini akan cenderung menghasilkan tingkat persediaan yang tinggi.

2.1.2 Kuantitas Pesanan Ekonomis ( Economic Order Quantity)

Kuantitas pesanan ekonomis adalah suatu metode yang digunakan untuk menentukan berapa kuantitas pesanan optimal dalam sistem kontinu (Taylor, 2005). Dengan demikian, sistem ini berguna bagi perusahaan dalam meminimumkan total biaya persediaan yang meliputi biaya penyimpanan dan biaya pemesanan.

Terdapat beberapa variasi dari model EOQ (Economic Order Quantity) antara lain model EOQ dasar, model EOQ dengan penerimaan tak seketika, dan model EOQ dengan kekurangan. Variasi model EOQ tersebut tergantung asumsi atas sistem persediaan. Sebagai contoh model EOQ dasar diasumsikan kekurangan persediaan tidak diperbolehkan atau dengan kata lain jumlah persediaan barang lebih tinggi dari permintaan pelanggan.

A. Model EOQ Dasar

Model ini digunakan untuk mengoptimalkan kuantitas pesanan dengan cara meminimumkan jumlah biaya pemesanan dan penyimpanan. Menurut Taylor (2005), formula model EOQ dasar dikembangkan berdasarkan beberapa asumsi penyederhanaan dan pembatasan, sebagai berikut.

 Permintaan diketahui pasti dan relatif konstan sepanjang waktu.  Kekurangan tidak diperkenankan.

 Waktu tunggu sampai pesanan diterima konstan.  Kuantitas yang dipesan diterima sekaligus.

Asumsi dari model EOQ dicerminkan pada gambar 2.1.

Gambar 2.1. menggambarkan siklus pemesanan persediaan kontinu yang terdapat pada model EOQ. Sejumlah kuantitas dipesan (Q), diterima dan digunakan dengan tingkat penggunaan yang sama sepanjang waktu. Pada saat jumlah persediaan berkurang hingga titik pemesanan ulang (R), suatu pesanan baru dibuat dan suatu periode waktu, yang disebut juga waktu tunggu, dibutuhkan

Gambar 2.1. Siklus Pemesanan Persediaan (Taylor, 2005)

Kuantitas Pesanan, Q Titik Pemesanan ulang, R Pembuatan pesanan Pembuatan pesanan Penerimaan pesanan Penerimaan pesanan Waktu tunggu Waktu 0 Tingkat Permintaan Waktu tunggu Tingkat persediaan

untuk melakukan pengiriman. Pesanan diterima sekaligus pada saat permintaan telah menghabiskan seluruh stok persediaan (dan tingkat persediaan mencapai nol), sehingga tidak ada kekurangan. Siklus ini berulang secara kontinu untuk kuantitas pesanan, titik pemesanan ulang, dan waktu tunggu yang sama.

Berdasarkan gambar 2.1. dapat disimpulkan bahwa biaya penyimpanan berbanding lurus dengan jumlah kuantitas pesanan sedangkan biaya pemesanan berbanding terbalik dengan jumlah kuantitas pesanan. Hal tersebut terjadi karena jika kuantitas pesanan meningkat akan dibutuhkan lebih sedikit frekuensi pemesanan sehingga biaya pemesanan turun, sementara jumlah persediaan rata-rata meningkat yang akan menyebabkan biaya penyimpanan meningkat.

a) Biaya Penyimpanan

Biaya penyimpanan merupakan biaya yang digunakan untuk proses penyimpanan. Jumlah biaya penyimpanan sangat dipengaruhi oleh jumlah persediaan. Menurut Taylor (2005), total biaya penyimpanan ditentukan oleh jumlah persediaan sepanjang tahun. Jumlah persediaan yang tersedia selama satu tahun diperlihatkan pada Gambar 2.2.

Mengacu pada Gambar 2.2., dapat dilihat bahwa jumlah persediaan adalah Q, untuk jangka waktu pendek karena Q akan digunakan untuk memenuhi permintaan. Hal yang sama, jumlah persediaan nol terjadi pada jangka waktu yang pendek karena hanya pada waktu tertentu (t) tidak terdapat persediaan. Jadi, jumlah persediaan yang tersedia beberapa pada dua titik ekstrem tersebut. Sehingga dapat ditentukan total biaya penyimpanan dengan mengalikan persediaan rata-rata ( 𝑄₂ ) dengan biaya penyimpanan per unit pertahun (Cc).

Biaya penyimpanan tahunan = Cc

𝑄

2 (1) b) Biaya Pemesanan

Total biaya pemesanan tahunan dihitung dengan mengalikan biaya per pesanan, atau C0, dengan jumlah pesanan per tahun. Karena permintaan tahunan

diasumsikan diketahui dan konstan, jumlah pesanan adalah D/Q, dimana Q adalah kuantitas pesanan:

Gambar 2.2. Penggunaan Persediaan (Taylor, 2005)

Ukuran pesanan, Q Pemesanan ulang t Waktu 0 Tingkat persediaan 2t

Biaya pesanan tahunan = C₀ D

Q (2) c) Total Biaya Persediaan

Total biaya persediaan (TC) merupakan penjumlahan dari biaya pemesanan dan penyimpanan.

𝑇𝐶 = 𝐶₀𝐷 𝑄+ 𝐶𝑐

𝑄

2 (3) Fungsi total biaya persediaan dapat dilihat pada Gambar 2.3. Pada gambar tersebut memperlihatkan hubungan yang berlawanan antara biaya pemesanan dan biaya penyimpanan, yang menghasilkan kurva biaya cembung.

Pada Gambar 2.3. diperlihatkan ada kecenderungan peningkatan pada kurva total biaya penyimpanan. Saat kuantitas pesanan Q (yang diperlihatkan sebagai sumbu horizontal) meningkat, biaya pesana total (yang berupa sumbu vertikal) juga meningkat. Hal ini logis karena pesanan yang besar menyebabkan persediaan yang lebih besar. Kemudian perhatikan kurva biaya pemesanan pada

Gambar 2.3. Model Biaya EOQ (Taylor, 2005) Biaya tahunan Pesanan Optimal, Qopt Biaya total minimum Kuantitas pesanan, Q Kemiringan = 0 Biaya pemesanan Biaya penyimpanan Biaya total

gambar tersebut. Saat kuantitas pesanan, Q, naik, biaya pemesanan turun (atau kebalikan pada biaya penyimpanan). Hal ini terjadi karena kenaikan kuantitas pesanan menyebabkan menurunya frekuensi pemesanan. Karena satu biaya naik sedangkan biaya lain turun, penjumlahan keduanya menghasilkan kurva total biaya yang cembung.

Kuantitas pesanan optimal terjadi pada titik diamana total biaya mencapai minimum, yang kebetulan merupakan titik dimana kurva biaya pemesanan berpotongan dengan kurva biaya penyimpanan. Hal ini menyebabkan nilai optimal Q dapat ditentukan dengan membuat persamaan kedua fungsi biaya dan mencari Q sebagai berikut.

C₀D Q= Cc Q 2 (4) Q2 ₌2C0D C_c (5) Q_opt = 2C0D C_c (6) Total biaya minimum ditentukan dengan memasukan nilai kuantitas pesanan optimal, Qopt, kedalam persamaan total biaya.

TC_min = C_o D Q_opt + C𝑐

Qopt

2 (7) Keterangan:

TC_min = Total biaya minimum Q_opt = kuantitas pesanan optimal

D = permintaan

C_c = biaya penyimpanan

B. Titik Pemesanan Ulang

Titik pemesanan ulang secara sederhana dapat diartikan sebagai kondisi dimana pemesanan harus dilakukan pada saat jumlah persediaan mencapai suatu titik. Titik pemesanan ulang sangat erat kaitannya dengan stok cadangan karena mempengaruhi tingkat pelayanan perusahaan. Hal tersebut dikarenakan semakin tinggi kemungkinan permintaan pelanggan akan terpenuhi semakin tinggi pula tingkat pelayanan.

Menurut Taylor (2005), tingkat pelayanan adalah probabilitas dimana jumlah persediaan selama waktu tunggu cukup untuk memenuhi permintaan yang diperkirakan. Sedangkan untuk menghitung titik pemesanan ulang dengan stok cadangan yang akan memenuhi tingkat pelayanan tertentu, dimana permintaan dan waktu tunggu bervariasi. Formula untuk titik pemesanan ulang untuk model ini adalah sebagai berikut.

R = d L + Z σd L (8)

Keterangan:

d = permintaan rata-rata L = waktu tunggu

σ_d = deviasi setandar permintaan harian Z = tingkat pelayanan

Z σ_d L = stok cadangan

2.1.3 Least Square Regression Line

Least square regression line atau linier trend line adalah sebuah metode

yang digunakan untuk memprediksi atau meramalkan sesuatu dimasa yang akan datang berdasarkan variabel waktu. Menurut Taylor (2005), jika permintaan memperlihatkan tren nyata selama beberapa waktu, metode least square

regression line dapat digunakan untuk meramalkan permintaan.

Least square regression line menghubungkan satu variabel terikat dengan

satu variabel bebas dalam bentuk persamaan linier sebagai berikut

y = a + bx (9) dimana

a = titik potong (pada periode 0) b = kemiringan garis

x = periode waktu

y = ramalan untuk periode x

Parameter least square regression line dapat dihitung dengan menggunakan formula pangkat terkecil untuk regresi linier,

b = xy − nx y

x2_{− nx}2 (10)

a = y − bx (11) dimana

x = x

n (12) y = y

n (13)

Sebagai contoh, terdapat data permintaan komputer pada perusahaan XYZ pada tabel 2.1 yang telah diakumulasi dari bulan januari sampai desember.

Tabel 2.1 Data Permintaan Komputer

Periode Bulan Permintaan

1 Januari 37 2 Februari 40 3 Maret 41 4 April 37 5 Mei 45 6 Juni 50 7 Juli 43 8 Agustus 47 9 September 56 10 Oktober 52 11 November 55 12 Desember 54

Data permintaan komputer pada tabel 2.1 akan digunakan untuk minghitung ramalan atau prediksi menggunakan least square regression line dan

dilanjutkan dengan penentuan kuantitas optimal menggunakan economic order

quantity. Nilai yang diperlukan untuk perhitungan prediksi menggunakan least

square regression line diperlihatkan pada tabel 3.2.

Tabel 2.2 Penghitungan Pangkat Terkecil

x (periode) y (permintaan) Xy X2 1 37 37 1 2 40 80 4 3 41 123 9 4 37 148 16 5 45 225 25 6 50 300 36 7 43 301 49 8 47 3776 64 9 56 504 81 10 52 520 100 11 55 605 121 12 54 648 144 78 557 3867 650

Dengan menggunakan nilai dari tabel 2.2, parameter garis tren linier dihitung sebagai berikut.

𝑥 =78 12= 6,5 𝑦 =557 12 = 46,42 𝑏 = 𝑥𝑦 − 𝑛 𝑥 𝑦 𝑥2 _{− 𝑛𝑥} 2 = 3867 − 12 6,5 (46,42) 650 − 12(6,5)2 = 1,72 𝑎 = 𝑦 − 𝑏𝑥 = 46,42 − 1,72 6,5 = 35,2 Sehingga garis tren linier adalah

𝑦 = 35,2 + 1,72𝑥

Untuk menghitung ramalan periode 13, x= 13 dimasukan dalam persamaan garis tren linier,

𝑦 = 35,2 + 1,72 13 = 57,56

jumlah permintaan untuk periode ke 13 adalah 58 (dibulatkan). Setelah jumlah permintaan diketahui akan dilakukan perhitungan menggunakan economic order

quantity untuk menentukan kuantitas pesanan optimal.

Diketahui:

𝐶_𝑐 = 75 𝐶_𝑜 = 150 𝐷 = 58

Kuantias pesanan optimal dihitung sebagai berikut.

𝑄𝑜𝑝𝑡 =

2𝐶_𝑂𝐷

𝐶𝑐

𝑄_𝑜𝑝𝑡 = 2 150 (58)

𝑄_𝑜𝑝𝑡 = 15,23

2.1.4. Keandalan Ramalan

Untuk pengukuran keakuratan suatu ramalan dapat digunakan beberapa teknik, salah satunya adalah kesalahan pangkat rata-rata (mean squared error-

MSE). Menurut Taylor (2005) pada MSE tiap nilai kesalahan individual

dipangkatkan kemudian dijumlahkan dan dicari rata-ratanya. MSE dapat dihitung sebagai berikut.

𝑀𝑆𝐸 = 𝐷𝑡 − 𝐹𝑡 2

𝑛 (14) Semakin kecil nilai MSE akan semakin baik . Sebagai contoh akan dilakukan pengukuran keakuratan peramalan yang telah dihitung sebelumnya menggunakan metode least square regression line.

Tabel 2.3 Penghitungan Kesalahan Periode Permintaan (𝐷𝑡) Ramalan (𝐹𝑡) Kesalahan 𝐷_𝑡 − 𝐹_𝑡 Kesalahan2 𝐷𝑡− 𝐹𝑡 2 1 37 36,92 0,08 0,0064 2 40 38,64 1,36 1,8496 3 41 40,36 0,64 0,4096 4 37 42,08 -5,08 25,8064 5 45 43,8 1,2 1,44 6 50 45,52 4,48 20,0704

Periode Permintaan (𝐷𝑡) Ramalan (𝐹𝑡) Kesalahan 𝐷𝑡 − 𝐹𝑡 Kesalahan2 𝐷𝑡− 𝐹𝑡 2 7 43 47,24 -4,24 17,9776 8 47 48,96 -1,96 3,8416 9 56 50,68 5,32 28,3024 10 52 52,4 -0,4 0,16 11 55 54,12 0,88 0,7744 12 54 55,84 -1,84 3,3856 Jumlah 104,024

Dengan menggunakan data pada tabel 2.3 nilai MSE dapat dihitung sebagai berikut.

𝑀𝑆𝐸 =104,024

12 = 8,67 2.1.5. Analisis Autokorelasi

Observasi pada periode waktu yang berbeda sering berhubungan atau berkorelasi. Ukuran yang digunakan dalam korelasi adalah koefisien autokorelasi. Autokorelasi adalah korelasi antara suatu variabel satu atau lebih periode sebelumnya dengan dirinya sendiri.

Pola data, termasuk komponen seperti tren dan musiman, dapat dipelajari menggunakan autokorelasi. Koefisien autokorelasi dari variabel perbedaan waktu sebelumnya digunakan untuk identifikasi pola data runtun waktu. Persamaan 15 adalah rumus untuk menghitung koefisien autokorelasi (rk) antara observasi Yt dan

𝑟_𝑘 = (𝑌𝑡− 𝑌 )(𝑌𝑡−𝑘 − 𝑌 ) 𝑛 𝑡=𝑘+1 (𝑌𝑡− 𝑌 )2 𝑛 𝑡=1 𝑘 = 0,1,2,3, … (15) dimana:

rk = koefisien autokorelasi untuk k dari lag

Y = mean dari data observasi Yt = observasi pada periode waktu t

Yt-k = observasi k periode waktu sebelumnya atau periode waktu t-k

Koefisien autokorelasi pada waktu lag yang berbeda dapat digunakan untuk menjawab pertanyaan berikut tentang runtun waktu.

1. Apakah data acak?

2. Apakah data memiliki tren (nonstasioner)? 3. Apakah data stasioner?

4. Apakah data musiman?

Menurut Yuli (2007) Jika runtun acak, autokorelasi antara Yt dan Yt-2 untuk semua lag k adalah mendekati nol. Nilai berturut-turut dari runtun waktu tidak terhubung dengan lainnya. Jika runtun waktu tren, pengamatan berturut-turut korelasinya tinggi, dan koefisien autokorelasi signifikan berbeda dari nol untuk beberapa lag waktu yang pertama dan kemudian berangsur-angsur turun mendekati nol. Koefisien autokorelasi untuk lag waktu 1 seringnya sangat besar (mendekati 1). Koefisien autokorelasi untuk lag 2 juga akan membesar. Namun, itu tidak akan sebesar lag 1. Jika data memiliki pola musiman, signifikan koefisien autokorelasi akan terjadi pada lag waktu musiman atau perkalian lag musiman. Lag musiman ada 4 untuk seperempat data dan 12 untuk data bulanan. Untuk

mengetahui apakah koefisien autokorelasi berbeda nyata dengan nol digunakan standar eror dengan rumus:

𝑆𝐸(𝑟_𝑘) = 1 + 2 𝑟𝑖2

𝑘−1 𝑖=𝑛

𝑛 (16)

dimana:

𝑆𝐸(𝑟_𝑘) = standar eror autokorelasi pada lag ke-k 𝑟_𝑖 = autokorelasi pada lag ke-i

k = lag waktu

n = banyaknya observasi dalam seri waktu.

2.2. Penelitian Terkait

Banyak penelitian yang telah dilakukan sebelumnya, baik yang berkaitan dengan sistem pengendalian persediaan maupun peramalan permintaan pelanggan pada sebuah perusahaan. Berikut beberapa penelitian yang terkait dengan penelitian kali ini.

2.2.1 Sistem Pengendalian Persediaan

Hasil studi literatur menunjukan bahwa sebuah sistem pengendalian persediaan sangat diperlukan sebuah perusahaan untuk meminimumkan total biaya persediaan. Hal tersebut terjadi dikarenakan masih banyak perusahaan yang masih menggunakan sistem pengendalian persediaan yang buruk atau dengan kata

lain jumlah pemesanan barang hanya didasari dengan sebuah perkiraan tanpa perhitungan yang jelas.

Penelitian tentang sistem pengendalian persediaan sudah banyak dilakukan salah satunya oleh Danuri dan Sujanto (2012). Pada penelitian tersebut, mereka mempelajari sistem pengendalian persediaan Bahan Bakar Minyak (BBM) pada Sentra Penjualan Bahan Bakar Umum (SPBU). Tujuan penelitian mereka adalah merancang sebuah sistem pengendalian persediaan BBM pada SPBU dengan konsep Min-Max stock Level dan Time Phased Order Point. Fokus penelitian mereka adalah pengendalian persediaan dan peramalan penjualan BBM khusus premium untuk meminimalkan losses pada kegiatan pemesanan. Hasil dari penelitian tersebut adalah sistem pengendalian persediaan yang dapat digunakan untuk mendukung dan pemenuhan kebutuhan persediaan pada SPBU. Hasil pengujian sistem menyatakan bahwa sistem yang dikembangkan mendukung pengendalian persediaan pada SPBU, meningkatkan keamanan kebutuhan persediaan dan mengurangi losses yang terjadi pada proses pemesanan.

Penelitian lainnya dilakukan oleh Ernawati dan Sunarsih (2008) yang menganalisis sistem pengendalian persediaan. Penelitian mereka bertujuan untuk menganalisis sistem pengendalian persediaan model probabilistik dengan back

order policy. Dari hasil penelitian tersebut disimpulkan bahwa pengendalian

persediaan dengan menggunakan model persediaan probabilistik berkendala (Q,r,λ) dengan back orders policy pada perusahaan ternyata menunjukkan hasil yang lebih baik dibandingkan dengan perencanaan yang digunakan perusahaan selama ini.

Mangal dan Chandna (2010) juga melakukan penelitian tentang pengendalian persediaan. Pada penelitan tersebut, digunakan teknik lateral

transshipment untuk melakukan pengendalian persediaan. Pengendalian

persediaan dilakukan dengan cara suplai darurat dari stok yang ada pada pengecer. Pada penelitian mereka membuktikan bahwa teknik lateral transshipment dapat mengurangi biaya persediaan dan meningkatkan pelayanan perusahaan.

Penelitian yang serupa dilakukan oleh Fernandes, Pinho dan Gouveia (2012). Penelitian tersebut bertujuan untu memberikan solusi pada masalah penjadwalan pemesanan di bawah pembatasan kapasitas, Jumlah modal dan lokasi persediaan. Hasil akhir pada penelitan mereka adalah rancangan model optimasi sistem persediaan yang menekankan pada pengaruh ketidakpastian permintaan pasar dan dimensi yang relevan dari desain jaringan sehingga dapat meningkatkan penghasilan perusahaan dan mengurangi biaya persediaan.

Sistem persediaan juga dapat diterapkan pada sistem berbasis web seperti pada penelitian yang dilakukan oleh Karim, Saad dan Haque (2011). Pada penelitian tersebut mereka mengaplikasikan sistem persediaan berbasis web pada 5 laboratorium berbeda di Universitas Large Public di Malaysia. Penelitian mereka membuktikan bahwa proses manajemen persediaan lebih efisien dengan menggunakan sistem persediaan berbasis web.

2.2.2 Peramalan

Penelitian tentang peramalan atau prediksi untuk kepentingan sebuah perusahaan juga telah banyak dilakukan antara lain oleh Wijianto, Kusrini dan Irhamah (2012). Pada penelitian tersebut, mereka meramalkan nilai kontrak konstruksi PT ‘X’ dengan menggunakan pendekatan regresi time series dan

ANFIS. Hasil dari penelitian mereka membuktikan bahwa nilai kontrak saat ini

dipengaruhi oleh produk domestik bruto konstruksi dan nilai kontrak dua tahun yang lalu. Nilai ramalan 2 tahun ke depan melalui model-model regresi time series adalah 12,439 triliun rupiah untuk tahun 2012 sedangkan 9,5 trilun rupiah tahun 2013.

Penelitian lainnya dilakukan oleh Perdana (2010). Pada penelitian tersebut perdana membandingkan metode time series regression dan arimax pada pemodelan data penjualan pakaian di Boyolali. Pada penelitian tersebut menyimpulkan bahwa metode yang tepat untuk pemodelan peramalan penjualan berdasarkan data penjualan rok adalah metode Time Series Regresi dengan nilai

RMSE out-sample paling kecil yaitu sebesar 46,68041.

2.2.3 Metode EOQ

Indroprasto dan Suryani (2012) melakukan penelitian tentang pengendalian persediaan produk dengan metode Economic Order Quantity (EOQ) menggunakan algoritma genetika. Penelitian tersebut bertujuan untuk menganalisis pengendalian persediaan produk pada PT. XYZ dengan metode EOQ menggunakan algoritma genetika untuk mengefisiensikan biaya persediaan. Penelitian tersebut membuktikan bahwa sistem pengendalian persedian dengan

metode economic order quantity menggunakan algoritma genetika lebih baik dibandingkan dengan sistem pengendalian persediaan yang telah dilakukan perusahaan. Dari hasil analisis juga didapatkan perusahaan bisa menghemat sebesar Rp. 471.848.132.915.

Penelitian serupa dilakukan oleh Prasetyo (2011). Pada penelitian tesisnya tersebut Prasetyo bertujuan untuk menghitung jumlah persediaan pengaman komponen yang optimal menggunakan metode EOQ. Pada penelitian tersebut menyimpulkan bahwa dengan menggunakan metode Economic Order Quantity (EOQ), dapat diperoleh jumlah pesanan komponen yang optimal dan biaya persediaan yang minimum.

Pada penelitian kali ini akan dibuat sebuah sistem pengendaliaan persediaan berbasis web dengan menerapkan metode least square regression line dan economic order quantity. Dengan sistem ini perusahaan akan dengan mudah menentukan titik pemesanan ulang dan jumlah pemesanan yang optimum berdasarkan jumlah permintaan atau penjualan.

Perbedaan mendasar penelitian ini dengan penelitian-penelitian sebelumnya adalah penggunaan metode least square regression line untuk memprediksi atau meramalkan permintaan serta penggunaan metode economic

order quantity untuk meminimumkan total biaya persediaan yang akan

diaplikasikan ke sistem berbasis web. Dengan demikian proses peramalan dan menentukan kuantitas pesanan dapat berjalan secara real time.