www.themegallery.com
LOGO
“Pengembangan Metode Peramalan
Permintaan dan Perencanaan Produksi yang
Mempertimbangkan Special Event : Studi Kasus
di Perusahaan minuman Ringan”
Peneliti :
Rina Yulizar Rahman
2509 100 022
Dosen Pembimbing :
Prof. Ir. I Nyoman Pujawan, M.Eng.,Ph.D.,CSCP
Latar Belakang
Adanya special event
Pengembangan penelitian sebelumnya
(Putra, I. N. (2010))Fluktuasi permintaan yang menyebabkan
peramalan menjadi tidak akurat
Pengaruh pembatasan kapasitas penyimpanan terhadap
total cost.
Pada minggu ke-28 sampai 30 terjadi kenaikan karena adanya event berupa
panen tembakau pada waktu tersebut.
Selain itu, terjadi puncak kenaikan permintaan pada minggu ke-52 dikarenakan
adanya event bersamaan berupa promosi produk, Natal, dan Tahun baru.
0 4000 8000 12000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 Dema nd Week
"Fluktuasi Permintaan Karena Adanya Special Event"
Sales
Data Aktual Penjualan
Ilustrasi Index
Index dimiliki oleh masing-masing special event.
Index menggambarkan prosentase (%) kenaikan permintaan
pada periode tersebut ketika terjadinya Special Event.
Perumusan Masalah
Pengembangan
Penelitian
Perencanaan
Produksi yang
lebih baik
Hubungan
Tingkat Error
dengan Total
Cost
Tujuan Penelitian
Nilai update indeks special event untuk peramalan
periode selanjutnya
Peramalan dengan special event lebih akurat
Pengujian terhadap level smoothing parameter
forecast dengan minimal error
Perencanaan produksi dengan total cost untuk
masing-masing kondisi.
Menghubungkan secara statistik antara tingkat
kesalahan forecast dengan ukuran financial
Manfaat Penelitian
1
2
3
Mengetahui
EFEK
dari perubahan
level smoothing
parameter
terhadap hasil
forecast
Mengetahui
HUBUNGAN
antara nilai error
forecast dengan
total biaya
Sebagai
ALTERNATIF
penurunan biaya produksi
melalui perencanaan produksi dengan skenario
4
Memberikan REKOMENDASI mengenai metode peramalan yang lebih akurat dengan memperhatikan special event
Ruang Lingkup Penelitian
Batasan
• Data yang digunakan adalah data sekunder yang berasal dari
penelitian sebelumnya
• Produk yang diamati sebanyak 3
produk. A, B, dan C
• Special Event yang diperhitungkan adalah special event yang
diperkirakan mempengaruhi penjualan secara signifikan.
• Metode peramalan yang digunakan adalah Seasonality dan Exponential
Smoothing dengan nilai level
smoothing parameter 0.1, 0.2, 0.3,
dan 0.5.
Asumsi
• Total biaya dihitung berdasarkan
Inventory cost, shortage cost, dan set up cost.
• Kapasitas penyimpanan adalah sebesar 700 krat, yang berisi 24 botol setiap kratnya.
• Kekurangan barang pada suatu periode akan dipenuhi pada periode berikutnya
A
Critical Review
No. Penulis Judul Jenis Deskripsi
1 Withycombe , R (1989) Forecasting with Combined Seasonal Indices Jurnal Internasional Menghasilkan metode peramalan dengan menggunakan indeks
seasonal untuk multi produk
2 Liu, R
(2006)
A Formal Modeling Approach for Supply
Chain Event Management
Jurnal Internasional
Memodelkan Supply Chain Event Management dengan menggunakan simulasi Petri
net
3
Chung, C.H, Krajewski,
L.J (1984)
Planning Horizon For Master Production
Schedulling
Jurnal Internasional
Penentuan planning horizon yang tepat untuk
Pembuatan Master Production Schedule (MPS)
Critical Review (cont’d)
No. Penulis Judul Jenis Deskripsi
4 Aggraheni, W (2003)
Peramalan Penjualan Berdasarkan Event di PT.
Coca Cola Distribution Indonesia SIER Surabaya
Tugas Akhir Mengusulkan model forecast yang mengakomadasi tren data event.
5 Putra, I.N (2010)
Peramalan Permintaan dan Perencanaan Produksi dengan Mempertimbangkan
Special Event di PT. Coca Cola Bottling Indonesia (PT.
CCBI) Plant Pandaan
Tugas Akhir
Menghasilkan metode peramalan dengan mempertimbangkan special event dan melakukan perencanaan produksinya
6 Rahman, Y.R. (2013)
Pengembangan Metode Peramalan Permintaan Dan Perencanaan Produksi Yang Mempertimbangkan Special
Event : Studi Kasus di Perusahaan Minuman
Ringan
Tugas Akhir
Metode peramalan dengan pertimbangan special event dengan menambahkan pengujian
menggunakan beberapa level smoothing parameter dan melihat
efeknya terhadap forecast, perencanaan produksi, dan total
Metodologi Penelitian
Menentukan variabel dan parameter sebagai input dalam pengambilan data
Pengambilan Data
Data Penjualan Produk Data Aktual
Produksi Data Harga jual
Produk
Kapasitas Penyimpanan Stock On Hand
Akhir Periode Data Event yang
telah direcord
Mulai
1
. Data penjualan produk :
2006-2008
2. Data aktual produksi : 2009
3. Data harga jual produk yang
diamati
4. Data kapasitas penyimpanan
5. Stock on hand akhir periode
2008
6. Data special event yang telah
direcord perusahaan:
2006-2009
Metodologi Penelitian (cont’d)
Tahap Pembuatan Forecast
Pola Data Historis
144 128 112 96 80 64 48 32 16 1 13000 12000 11000 10000 9000 8000 7000 6000 5000 Week S a le sPlot Data Produk A
Menunjukkan pola data
musiman selama kurun
waktu tiga tahun. Dengan
pola musiman 52 minggu
Metode Seasonality
Dimana :
A
wx= Rata-rata demand pada minggu ke-x selama T1, T2,
T3
D
T1= Demand pada tahun ke-1
I
Wx= Index seasonality pada minggu ke-x
G
A= Rata-rata keseluruhan demand
F
T4Wx= Hasil forecast tahun ke-4 pada minggu ke-x
• 𝐴
𝑊𝑥
=
(𝐷
𝑇1+𝐷
3
𝑇2+𝐷
𝑇3)
• 𝐼
𝑊𝑥
=
𝐴
𝐺
𝑊𝑥𝐴
Metode Exponential Smoothing
Dimana :
Ft
= Forecast pada periode t
Dt-1 = Aktual permintaan pada periode t-1
Ft-1
= Forecast pada periode t-1
α
= Level smoothing parameter
Perhitungan Indeks Special Event
𝐼
𝑡
=
𝐴
𝑡
𝐷
𝑡
Dimana :
It
= Indeks pada periode –t (minggu)
At
= Data aktual periode – t (minggu)
Perhitungan Indeks SE
(cont’d)
Minggu Sales Minggu Sales Minggu Sales Minggu Sales Minggu Sales 1 7.035 33 9.252 65 7.562 97 9.685 129 7.903 2 7.536 34 9.425 66 7.932 98 9.836 130 7.953 3 7.162 35 9.535 67 8.031 99 9.954 131 8.341 4 7.165 36 9.632 68 8.134 100 10.234 132 8.562 5 7.143 37 9.799 69 7.811 101 10.341 133 8.740 6 7.156 38 9.934 70 7.396 102 10.531 134 8.813 7 6.294 39 10.341 71 7.734 103 10.952 135 8.325 8 6.124 40 11.841 72 7.724 104 11.031 136 7.921 9 6.842 41 11.865 73 7.924 105 6.649 137 7.772 10 7.134 42 11.896 74 8.632 106 6.803 138 7.848 11 7.123 43 12.012 75 8.245 107 6.456 139 8.484 12 7.253 44 10.686 76 8.742 108 6.672 140 8.690 13 7.298 45 10.854 77 8.992 109 6.215 141 9.204 14 8.134 46 11.854 78 9.013 110 6.612 142 9.295 15 9.141 47 11.895 79 9.146 111 5.542 143 9.492 16 8.853 48 11.942 80 9.235 112 6.042 144 9.123 17 8.426 49 11.843 81 8.946 113 7.295 145 8.924 18 8.241 50 12.034 82 8.642 114 7.941 146 8.839 19 8.335 51 12.542 83 8.249 115 8.356 147 8.921 20 8.537 52 12.600 84 8.321 116 8.647 148 9.134 21 8.742 53 6.738 85 8.597 117 8.434 149 9.315 22 8.747 54 6.839 86 8.634 118 8.440 150 9.445 23 8.840 55 7.024 87 8.110 119 8.412 151 9.832 24 8.954 56 6.930 88 8.325 120 8.096 152 10.397 25 9.252 57 6.563 89 8.942 121 7.456 153 11.032 26 9.536 58 6.355 90 9.413 122 7.265 154 11.354 27 9.567 59 6.741 91 9.853 123 7.785 155 11.994 28 9.356 60 6.325 92 9.936 124 6.928 156 12.326 29 9.532 61 6.903 93 9.975 125 6.997 30 9.145 62 7.786 94 10.015 126 7.246 31 8.975 63 8.423 95 9.536 127 7.564 32 9.023 64 7.925 96 9.532 128 7.732 Produk A Data Penjualan Forecast Perhitungan Indeks SE
𝐼
𝑡=
𝐴
𝑡𝐷
𝑡 Input Periode dan event Grouping eventEvent Produk A Produk B Produk C
Minggu Ke- Minggu Ke- Minggu Ke-
Hari Raya Idul Adha 2 2 2 43 52 52 102 102 102 153 153 153 Hari Raya Idul Fitri 43 43 43 93 93 93 144 144 144 Promo Outlet
dan Kerja Sama
4-6 - -
58-62 - -
Optimis Mean Pesimis Optimis Mean Pesimis Optimis Mean Pesimis Optimis Mean Pesimis Index Masing-Masing α Group Event 0,1 0,2 0,3 0,5 1,03 Hari Raya Idul Fitri 1,20 1,14 1,08 1,12 1,08 1,04 1,16 1,08 1,06 Promosi Produk dan Event Kompetisi 1,16 1,14 1,10 1,05 1,10 1,06 Hari Raya Idul Adha 1,22 1,15 1,07 1,07 1,09 1,08 1,01 1,03 1,01 0,98 Promo Outlet
dan Kerja Sama 1,01 0,90 0,77 1,03 0,97 0,87 1,00 0,85 0,70 1,10 1,04 1,01
Ulang Tahun dan Pesta Perusahaan 1,15 1,05 0,96 1,09 1,03 1,00 1,08 1,03 0,93 1,07 1,02 0,97 1,13 1,01 1,10 1,05 1,00 1,03 1,05 1,04 1,08 1,03 1,00 1,06 1,03 1,03 Panen Tembakau 1,10 1,09 1,10 1,09 1,06 Event Goes to School 1,14 1,07 0,98 1,08 1,06 1,02 1,12 1,07 Natal dan Tahun Baru 1,27 1,18 1,13 1,18 1,11 1,00 Tahun Baru Imlek 1,01 0,84 0,74 1,00 0,95 1,00 0,67 0,87 1,04 1,11 1,06 1,02 1,07 1,04 1,03 1,07 1,17 1,12 1,05 1,08 1,06 0,67 1,02 1,01 0,99
Perhitungan Indeks SE
(cont’d)
Pengkategorian Indeks Event Indeks digunakan untuk tahun 2009 Input Periode dan event 2009 Compare dengan
aktual produksi dan perhitungan error
Nilai Error Masing-masing Metode
Metode Exponential smoothing
Produk MAD MAPE MSE
419,58 5,19 264.836 526,85 6,34 431.592 819,38 9,65 1.101.411 395,60 4,95 254.420 417,50 5,13 264.766 592,85 7,06 523.936 460,46 5,68 329.253 394,63 4,87 246.994 466,12 5,59 344.287 470,70 5,81 341.391 407,42 5,04 250.591 451,88 5,43 332.160 Nilai Index Optimis
Nilai Index Mean Nilai Index Mean
Nilai Index Pesimis
α=0,5 Nilai Index OptimisNilai Index Mean Nilai Index Pesimis Nilai Index Pesimis
α=0,1
α=0,3
Nilai Index Optimis Level Smoothing Parameter
Nilai Index Pesimis
α=0,2
Nilai Index Optimis Nilai Index Mean A
MAD MAPE MSE
Seasonality 757,67 9,23 959.978 α=0,1 419,58 5,19 264836,38 α=0,2 395,60 4,95 254419,74 α=0,3 394,63 4,87 246994,50 α=0,5 407,42 5,04 250590,54 Seasonality 1.816 11,60 5.685.110 α=0,1 1.826,03 11,55 5.407.188 α=0,2 1.631,66 10,45 4.422.169 α=0,3 1.483,02 9,50 3.849.027 α=0,5 1.318,21 8,31 3.274.902 Seasonality 2.053 13,19 6.325.731 α=0,1 1.796,74 11,47 5.346.754 α=0,2 1.716,61 11,06 4.747.415 α=0,3 1.562,12 10,11 4.155.868 α=0,5 1.323,28 8,59 3.292.120 Exponential Smoothing PRODUK A PRODUK B PRODUK C Metode Error Exponential Smoothing Exponential Smoothing
MAD MAPE MSE
Seasonality 757,67 9,23 959.978 α=0,1 419,58 5,19 264836,38 α=0,2 395,60 4,95 254419,74 α=0,3 394,63 4,87 246994,50 α=0,5 407,42 5,04 250590,54 Seasonality 1.816 11,60 5.685.110 α=0,1 1.826,03 11,55 5.407.188 α=0,2 1.631,66 10,45 4.422.169 α=0,3 1.483,02 9,50 3.849.027 α=0,5 1.318,21 8,31 3.274.902 Seasonality 2.053 13,19 6.325.731 α=0,1 1.796,74 11,47 5.346.754 α=0,2 1.716,61 11,06 4.747.415 α=0,3 1.562,12 10,11 4.155.868 α=0,5 1.323,28 8,59 3.292.120 Exponential Smoothing PRODUK A PRODUK B PRODUK C Metode Error Exponential Smoothing Exponential Smoothing
Nilai error paling minimal untuk ketiga varian produk didapatkan dari metode
Peningkatan Akurasi Peramalan
A 91 95 95,13 4,13 0,13 B 82 91 91,69 9,69 0,69 C 79 91 91,41 12,41 0,41 Peningkatan akurasi (%) Terhadap Metode Eksisting Terhadap Penelitian SebelumnyaProduk Metode eksisting
perusahaan Metode penelitian sebelumnya Metode Usulan
Akurasi Peramalan (%)
Terjadi peningkatan yang cukup besar dari metode eksisting perusahaan, tetapi tidak
cukup besar jika dibandingkan dengan penelitian sebelumnya
Updating Indeks
Pembobotan Indeks Event
𝑰𝒕 = 𝟎, 𝟏𝒙𝟏, 𝟏𝟐 + (𝟎, 𝟐𝒙𝟏, 𝟎𝟗) + 𝟎, 𝟑𝒙𝟏, 𝟎𝟒 + 𝟎, 𝟒𝒙𝟏, 𝟏𝟐
Bobot tahun
2006 Bobot tahun 2007 Bobot tahun 2008 Bobot tahun 2009
2006 2007 2008 2009
Hari Raya Idul Adha 1,095 1,07 1,16 1,05 1,09 Hari Raya Idul Fitri 1,12 1,09 1,04 1,12 1,09 Promo Outlet dan Kerja
Sama 1 0,87 1,03 1,04 1,00
Promosi Produk dan Event
Kompetisi 1,04 1 1,09 1,095 1,07
Ulang Tahun dan Pesta
Perusahaan 1,06 1,01 1,05 1,055 1,05
Event Goes to School 1,08 1,08 1,02 1,08 1,06
Panen Tembakau 1,04 1,09 1,06 1,1 1,08
Tahun Baru Imlek 1 0,84 0,85 1 0,92
Natal dan Tahun Baru 1,07 1,09 1,18 1,14 1,14 PRODUK A
Event Index Special Event Updating
2006 2007 2008 2009
Hari Raya Idul Adha 1,03 1,04 1,04 1,04 1,04 Hari Raya Idul Fitri 1,03 1,07 0,8 0,97 0,95 Promo Outlet dan Kerja
Sama - - - 1,01 1,00
Promosi Produk dan Event
Kompetisi 1,09 0,98 0,96 1,03 1,01 Ulang Tahun dan Pesta
Perusahaan 1,05 0,95 0,97 0,99 0,98
Event Goes to School 1,02 1,02 1,25 1,09 1,12
Panen Tembakau 0,98 1,05 1,02 1,02 1,02 Tahun Baru Imlek 1,02 0,87 0,91 0,93 0,92 Natal dan Tahun Baru 1,03 1,08 1,22 1,11 1,13
PRODUK B
Event Index Special Event Updating
Index
Updating Indeks (con’t)
2006 2007 2008 2009
Hari Raya Idul Adha 1,04 1,01 1,06 1,04 1,04 Hari Raya Idul Fitri 1,02 1,07 0,84 0,98 0,96 Promo Outlet dan Kerja
Sama - - - -
-Promosi Produk dan Event
Kompetisi 1,07 1,11 1,06 1,07 1,08 Ulang Tahun dan Pesta
Perusahaan 1,06 0,92 1 0,99 0,99
Event Goes to School 0,99 1,08 1,14 1,07 1,09
Panen Tembakau 0,98 1,08 1,06 1,02 1,04 Tahun Baru Imlek 0,93 0,85 0,9 0,89 0,89 Natal dan Tahun Baru 1,03 1,02 1,03 1,03 1,03
PRODUK C
Event Index Special Event Updating Index
Metodologi Penelitian (cont’d)
Tahap Perencanaan danPengukuran Performansi
Skenario 1: Melakukan pembuatan MPS
tanpa batasan
Skenario 2: Melakukan pembuatan MPS dengan batasan kapasitas penyimpanan
Hasil Peramalan tiap varian dengan masing-masing alfa α= 0,1 Periode (t) Forecast (Yt') Produksi (Pt) Actual Sales (St) Stock On Hand (SOHt-1) Target Inventory (TIt) Inventory (It) Shortage (Sht) Total Biaya Simpan (TCi) Total Biaya Shortage (TCs) 1 7.046 3.030 7.046 13.411 9.395 9.395 0 81.300 0 2 7.046 7.046 7.856 9.395 9.395 8.585 0 74.290 0 3 7.127 8.045 6.749 8.585 9.503 9.881 0 85.506 0 4 7.161 6.829 7.055 9.881 9.548 9.655 0 83.552 0 5 7.086 6.879 7.043 9.655 9.448 9.490 0 82.129 0 6 7.082 7.033 6.864 9.490 9.442 9.660 0 83.592 0 7 7.060 6.813 7.213 9.660 9.413 9.260 0 80.132 0 8 7.075 7.249 6.805 9.260 9.433 9.704 0 83.973 0 9 7.048 6.742 6.601 9.704 9.397 9.844 0 85.193 0 10 7.003 6.497 7.643 9.844 9.338 8.698 0 75.273 0
MPS Skenario 1
Skenario 1: Melakukan pembuatan MPS
tanpa batasan Data historis perusahaan 𝑃𝑡 = 𝑇𝐼𝑡 − (𝑆𝑂𝐻𝑡−1−𝑌𝑡) + 𝑆ℎ𝑡−1 𝑆𝑂𝐻 = 𝑰𝑡−1 𝑇𝐼𝑡 = 𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 − 𝑡 𝐽𝑢𝑚𝑙𝑎ℎ ℎ𝑎𝑟𝑖 𝑥 𝑡𝒊 𝑡𝑖𝑎𝑝 𝑣𝑎𝑟𝑖𝑎𝑛 It = (Pt + SOHt-1) - St 𝑰𝑪 = 𝑰𝒕 𝒙 𝑰𝒄/𝟓𝟐 Sht = St - (Pt + SOHt-1) SC = Sht x Sc/52
α= 0,1 Periode (t) Forecast (Yt') Produksi (Pt) Actual Sales (St) Stock On Hand (SOHt-1) Target Inventory (TIt) Inventory (It) Shortage (Sht) Total Biaya Simpan (TCi) Total Biaya Shortage (TCs) 1 7.046 3.030 7.046 13.411 9.395 9.395 0 81.300 0 2 7.046 7.046 7.856 9.395 9.395 8.585 0 74.290 0 3 7.127 8.045 6.749 8.585 9.503 9.881 0 85.506 0 4 7.161 6.829 7.055 9.881 9.548 9.655 0 83.552 0 5 7.086 6.879 7.043 9.655 9.448 9.490 0 82.129 0 6 7.082 7.033 6.864 9.490 9.442 9.660 0 83.592 0 7 7.060 6.813 7.213 9.660 9.413 9.260 0 80.132 0 8 7.075 7.249 6.805 9.260 9.433 9.704 0 83.973 0 9 7.048 6.742 6.601 9.704 9.397 9.844 0 85.193 0 10 7.003 6.497 7.643 9.844 9.338 8.698 0 75.273 0
MPS Skenario 2
Skenario 2: Melakukan pembuatan MPS Dengan batasan kapasitas penyimpanan
J𝒊𝒌𝒂 𝒊𝒏𝒗𝒆𝒏𝒕𝒐𝒓𝒚 𝒎𝒆𝒍𝒆𝒃𝒊𝒉𝒊 𝟏𝟔. 𝟖𝟎𝟎,
𝒎𝒂𝒌𝒂 𝒊𝒏𝒗𝒆𝒏𝒕𝒐𝒓𝒚 𝒉𝒂𝒏𝒚𝒂 𝒔𝒆𝒃𝒆𝒔𝒂𝒓 𝟏𝟔. 𝟖𝟎𝟎 𝒅𝒂𝒏 𝒌𝒆𝒌𝒖𝒓𝒂𝒏𝒈𝒂𝒏𝒏𝒚𝒂 𝒂𝒌𝒂𝒏 𝒅𝒊𝒑𝒓𝒐𝒅𝒖𝒌𝒔𝒊 𝒑𝒂𝒅𝒂 𝒑𝒆𝒓𝒊𝒐𝒅𝒆 𝒔𝒆𝒍𝒂𝒏𝒋𝒖𝒕𝒏𝒚𝒂
Perhitungan Total Cost
(skenario 1)
Komponen penyusun Total Cost dalam penelitian ini adalah
Inventory cost, Shortage cost, dan Setup cost
Produk Inventory Cost (Rp/th) Shortage Cost (Rp/th) Setup Cost (Rp/th) Total Cost (Rp/th) A 4.928.328 0 12.000.000 16.928.328 B 3.928.024 28.902 25.500.000 29.456.926 C 5.220.805 7.017 25.500.000 30.727.822 Produk Nilai Alfa Inventory Cost (Rp/th) Shortage Cost (Rp/th) Setup Cost (Rp/th) Total Cost (Rp/th)
0,1 4.211.952 0 12.000.000 16.211.952 0,2 4.490.613 0 12.000.000 16.490.613 0,3 4.639.132 0 12.000.000 16.639.132 0,5 4.682.565 0 12.000.000 16.682.565 0,1 2.708.231 275 24.000.000 26.708.506 0,2 2.946.597 63 24.000.000 26.946.660 0,3 3.087.680 0 24.000.000 27.087.680 0,5 3.284.491 0 24.000.000 27.284.491 0,1 3.465.253 227 25.500.000 28.965.480 0,2 4.050.294 0 25.500.000 29.550.294 0,3 4.308.335 0 25.500.000 29.808.335 0,5 4.507.457 0 25.500.000 30.007.457 Skenario Pertama A B C
Metode Exponential smoothing
Metode Seasonality
Variabel pembentuk total biaya yang dihasilkan pada metode exponential smoothing lebih kecil dibandingkan dengan metode seasonality 15%
Perhitungan Total Cost
(skenario 2)
Kapasitas penyimpanan dibatasi sebesar 16.800 botol Metode Exponential smoothing
Metode Seasonality
Produk Nilai Alfa Inventory Cost
(Rp/th) Shortage Cost (Rp/th) Setup Cost (Rp/th) Total Cost (Rp/th) 0,1 4.211.952 0 12.000.000 16.211.952 0,2 4.875.433 0 12.000.000 16.875.433 0,3 4.639.132 0 12.000.000 16.639.132 0,5 4.682.565 0 12.000.000 16.682.565 0,1 2.708.231 14.310 24.000.000 26.722.541 0,2 2.946.597 3300 24.000.000 26.949.897 0,3 3.087.680 0 24.000.000 27.087.680 0,5 3.284.491 0 24.000.000 27.284.491 0,1 3.465.253 11.800 25.500.000 28.977.053 0,2 4.050.294 0 25.500.000 29.550.294 0,3 4.308.335 0 25.500.000 29.808.335 0,5 4.507.457 0 25.500.000 30.007.457 Skenario Kedua A B C
Produk Inventory Cost (Rp/th) Shortage Cost (Rp/th) Setup Cost (Rp/th) Total Cost (Rp/th)
A 4.821.825 124.253 12.000.000 16.946.078 B 3.909.558 50.446 25.500.000 29.460.004 C 4.946.518 331.558 25.500.000 30.778.075 Variabel pembentuk total biaya paling kecil Juga didapatkan dari metode exponential smoothing 12,6%
Rekapitulasi Total Biaya
Skenario 1 Skenario 2 0,1 16.211.952 16.211.952 0,3 16.639.132 16.639.132 0,5 16.490.613 16.682.565 0,2 16.682.565 16.875.433 0,1 26.708.506 26.722.541 0,2 26.946.660 26.949.897 0,3 27.087.680 27.087.680 0,5 27.284.491 27.284.491 B A Exponential Smoothing Produk Nilai AlfaUrutan Total Cost0,1 28.965.480 28.977.053 0,2 29.550.294 29.550.294 0,3 29.808.335 29.808.335 0,5 30.007.457 30.007.457 A 16.928.328 16.946.078 B 29.456.926 29.460.004 C 30.727.822 30.778.075 C Seasonality
-Total biaya paling kecil didapatkan dari metode Exponential Smoothing.
Perbedaan Total biaya antara skenario 1 dan 2 tidak besar, bahkan ada yang sama.
Perbedaan yang terlihat adalah pada produk C yang mempunyai shortage cost yang
Analisa Korelasi Error-Total Cost
Hubungan antara Error dengan Total cost dapat diketahui melalui
running aplikasi Macro pada Microsoft Excel yang telah dibuat
α =
0
Kategori Total Biaya Cost Per Unit MAD MAPE MSE
Optimis 16.887.294 39,80 419,58 5,19 264.836 Mean 16.562.715 40,57 526,85 6,34 431.592 Pesimis 16.211.952 41,47 819,38 9,65 1.101.411 A 0,1 α = 0
Kategori Total Biaya Cost Per Unit MAD MAPE MSE
Optimis 28.368.844 31,23 2.669,03 16,11 11.912.912 Mean 27.564.081 32,57 1.826,03 11,55 5.407.188 Pesimis 26.708.506 34,25 2.266,15 13,78 7.481.561 B 0,1 α = 0
Kategori Total Biaya Cost Per Unit MAD MAPE MSE
Optimis 30.792.073 34,67 2.493,05 15,09 9.500.767 Mean 30.006.245 36,00 1.796,74 11,47 5.346.754 Pesimis 28.965.480 38,08 2.630,65 15,87 9.574.410 C 0,1
Skenario 1
Karena terdapat perbedaan jumlah produk yang diproduksi, maka dilihat costper unit nya
Pada produk A, nilai error kecil menghasilkan cost
per unit yang kecil
Pada produk B & C, nilai error kecil
tidak
menghasilkan cost
Analisa Korelasi Error-Total Cost
Skenario 2
α =0
Kategori Total Biaya Cost Per Unit MAD MAPE MSE
Optimis 17.020.537 40,11 419,58 5,19 264.836 Mean 16.695.958 40,89 526,85 6,34 431.592 Pesimis 16.211.952 41,47 819,38 9,65 1.101.411 A 0,1 α = 0
Kategori Total Biaya Cost Per Unit MAD MAPE MSE
Optimis 28.394.017 31,26 2.669,03 16,11 11.912.912 Mean 27.568.615 32,57 1.826,03 11,55 5.407.188 Pesimis 26.722.541 34,27 2.266,15 13,78 7.481.561 B 0,1 α = 0
Kategori Total Biaya Cost Per Unit MAD MAPE MSE
Optimis 30.849.333 34,74 2.493,05 15,09 9.500.767 Mean 30.006.245 36,00 1.796,74 11,47 5.346.754 Pesimis 28.977.053 38,09 2.630,65 15,87 9.574.410 C 0,1 Pada produk A, nilai error kecil menghasilkan cost
per unit yang kecil
Tetapi...
Pada produk B & C, nilai error kecil
tidak
menghasilkan cost
Kesimpulan
•
Pemilihan metode peramalan yang tepat dan pertimbangan
terhadap special event akan memberikan pengaruh terhadap
tingkat akurasi forecast yang dihasilkan.
•
Melakukan pengujian terhadap tingkat kehalusan peramalan
akan memberikan pilihan terhadap nilai error yang dihasilkan.
Tetapi tidak ada pola urutan untuk tingkat error yang
dihasilkan oleh setiap nilai alfa.
•
Terjadi peningkatan akurasi peramalan yang cukup besar
terhadap metode eksisting perusahaan, tetapi tidak cukup
besar jika dibandingkan dengan penelitian sebelumnya.
Kesimpulan (cont’d)
•
Perencanaan produksi dengan menggunakan skenario berupa batasan
kapasitas penyimpanan tidak mempunyai pengaruh signifikan
terhadap total biaya dikarenakan batasan yang diterapkan masih
cukup besar di atas average inventory masing-masing variannya,
sehingga merupakan batasan yang longgar.
•
Penambahan variabel setup cost dalam perhitungan total biaya dapat
meningkatkan biaya sebesar 60.000.000 dari biaya eksisting. Nilai ini
dipengaruhi oleh besar jumlah produksi tiap periode pada
masing-masing varian.
•
Besar atau kecilnya tingkat error yang dihasilkan dalam suatu
peramalan tidak selalu memberikan pengaruh terhadap besarnya
cost per unit masing-masing varian.
•
Berdasarkan nilai updating index, pada tahun selanjutnya event yang
paling berpengaruh adalah event Natal dan Tahun baru serta event
Saran
•
Perusahaan dapat menggunakan metode peramalan ini dengan
nilai updating index yang telah diperbarui sesuai dengan
keadaan riil untuk periode terbaru.
•
Penggunaan batasan dalam kapasitas penyimpanan dapat
diperbesar atau diperkecil sesuai dengan keinginan
perusahaan.
•
Penelitian ini dapat diterapkan untuk produk jenis lainnya
seperti jenis tetrapack, dll.
•
Penelitian selanjutnya dapat dilakukan untuk melihat hal-hal
yang mempunyai korelasi signifikan dengan besarnya total
biaya, selain dari segi akurasi.
Daftar Pustaka
Anggraheni, W (2003). Peramalan Berdasarkan Event di PT. Coca Cola Distribution
Indonesia SIER Surabaya. Laporan Penelitian Tugas Akhir, Institut Teknologi
Sepuluh Nopember, Surabaya.
Bowerman, B.L., & O’Connell, R.T. (1987). Time series forecasting: Unified concepts
and computer implementation 2nd edition. Boston: Duxbury Press.
Christopher, M.C. (1998). Logistics and Supply Chain Management: Strategies for
Reducing Cost and Improving Services, Financial Times Prentice Hall London
(second edition).
Chung, C.H., Krajewski, L.J. (1984). Planning horizons for master production scheduling. Journal of Operations Management. 4(4), 389-406.
Croxton, K.L., Lambert, D.M., Garcia-Dastugue, S.J., et. al. (2002). The demand management process. International Journal of Logistics Management. 13, 51-66.
Gaspersz, V. (1997). Production Planning and Inventory Control. Jakarta: PT. Gramedia Pustaka Utama.
Hanke, J., Reitsch, A., & Wichern, D. (2001). Business Forecasting Seventh Edition. Prentice-Hall, Inc., Upper Sadle River, New Jersey.
Ignaciuk, P. (2012). Dead-time compensation in continuous-review perishable inventory systems. Journal of Process Control, 22 , 915– 924.
Daftar Pustaka (cont’d)
Kaltim Post (2009). Siapkan Cadangan 600 Ribu Krat (Kamis, 25 Desember 2009) <URL : http://www.kaltimpost.co.id/?mib=berita.detail&id=6770>
Liu, R., Kumar, A., & Aalst, W. (2006). A formal modeling approach for supply chain event management. Journal of decision support system. 43, 761-778.
Nasution, A. H. (1999). Perencanaan dan Pengendalian Produksi. Surabaya: Guna Widya.
Nasution, A. H. (2003). Metode Research Penelitian Ilmiah, Edisi pertama, Cetakan keenam. Jakarta: Bumi Aksara.
Nahmias, S. (2009). Production and Operation Analysis Seventh Edition, Mc Graw-Hill International, Singapore.
Arvitrida, N.I. (2010). Forecasting. Materi mata kuliah Production Planning and
Inventory Control. Jurusan Teknik Industri, Institut Teknologi Sepuluh
Nopember, Surabaya.
Pujawan, I. N., & Mahendrawathi (2010). Supply Chain Management. Surabaya: Guna Widya.
Putra, I. N. (2010). Peramalan Permintaan dan Perencanaan Produksi dengan
Mempertimbangkan Special Event di PT. Coca Cola Bottling Indonesia Plant-Pandaan. Laporan Penelitian Tugas Akhir, Institut Teknologi Sepuluh
Daftar Pustaka
Spencer B, Smith. (1989). Computer-Based Production and Inventory Control. Prentice-Hall International ,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> Whitfield, R. I., & Duffy, A. (2011). Extended revenue forecasting within a service
industry. Int. J. Production Economics. 141, 505– 518.
Withycombe, R. (1989). Forecasting with combined seasonal indices. International