dan pembaiiasan peramalan · langkah pengerjaan dari peramalan sebagai berikut: 1. melakukan plot...

4. IIASIL DAN PEMBAIIASAN

4.1. Peramalan

Peramalan permintaan merupakan ha! penting dalam pengendaiian persediaan

bahan baku. Dalam penyusunan tugas akhlr mi akan dibahas 10 jenis produk.

Berikut ini pembahasan untuk peramaSan permintaan :

4.1.1. Peramalan Permintaan, untuk produk tic

Langkah pengerjaan dari peramalan sebagai berikut:

1. Melakukan plot data permintaan, data permintaan dapat dilihat dilampiran 1 .

1000 -

900 -

800 -

•g 700 -

600 -

500 -

400 -I I I 1 I I 1

!ndex 10 23 30 40 50 60 70

Gambar 4.1. Plot data permmtaan produk tic

Dari gambar 4.1 plot data permintaan dapat diketahui jika data permintaan

tersebut tidak slasioner, hal itu dapat dilihat dari fluktuasi data yang tidak berada

pada rata-rata dan variance yang konstan. Sehingga dilakukan differences

(perbedaan) pertama agar didapatkan data permintaan yang stasioner untuk

dilakukan peramalan.

2. Melakukan perbedaan pertama , kemudian dilakukan plot data perbedaan

pertama.

M

http://www.petra.ac.id

http://digilib.petra.ac.id/help.htm

http://digilib.petra.ac.id/master-index.htm


http://digilib.petra.ac.id/index.html

http://digilib.petra.ac.id/help.html

15

300 -

200

100

o --lOu

-200 -

-300

-400 -

-500

lndex

^ m f\jk * ?s ? i i i

'/IW\/i/.

- 1 — i — i — i — i — i — — 10 20 30 40 50 60 70

Gambar 4.2. Plot data perbedaan pertama produk tic

Hasil dari gambar 4.2 plot data perbedaan pertama diatas menunjukkan jika data

tersebut sudah stasioner, hal ini dilihat dari fluktuasi plot data yang berada pada

means dan variance yang konstan.

3. Melakukan penghitungan ACF {Autocorrelation Function) dan PACF (Fartial

Autocorrelation Function)

Autocorrelation Function for dif tic2

Aut

ocor

rela

tion 1.0

08 0.0 0.4 02 0.0

-02 -04 -06 -0» -10

-

- I

Lay

1 2 3 4

5 6 7

I

i

2

CotT

-0.23 -0.38

0.24 0.01

-0.11 0.10

-0.02

I

T

-197 -3.07 1.71 0.04 -0.76 068

-0.15

1

LBQ

4.05 15.13 19.53 19.54

20.50 21.29 21.33

l

i 7

Lag Coir

8 - 0 14 9 003

10 0.02 11 -0.03 12 0.11 13 -0.02 14 -0.24

.

T

-o.9e 0.18 0.16

-0.20

0.74 -0.12 -1.62

LBQ

23.05 23.12 23.17 23.25

24.33 24.35 29.79

I

12

Lay Coir

15 0.09 16 018

17 -0.05 18 -0.02

„

I

T

0.60 1.13

-0.31 -0.10

• !

LBQ

30.61 33 60

33.83 33.86

*~ " -~~

I 17

Gambar 4.3. ACF perbedaan pertama data permintaan produk tic


!6

Partia! Autocorrelation Function for dif tic2

artia

lAut

ocor

rela

tion

Q.

10 -03 -06 -04 -02 -0.0 -

-04 --06 --08 --10 ^

! !

i 2

Lay PtC

1 -0.23 2 -0.45 3 0.00 4 -0.12 5 -0.04 6 0.03 7 -0.03

T

-1.97 -3.S1 0.03

-1.00 -0.31 023

-0.24

i

i

7

Laj PPC

8 -013 9 -012

10 -0.14 11 -0.09 12 0.07 13 0.02 14 -0.22

• 1

T

-1.11 -1.04 -1.16 -0.74 0.61 0.21

-1.88

I 12

La) PfC

15 -0.13 1G -005 17 0.05 1S 0.07

l '-

T

-1.14 -0.44 0.44 0.52

I 17

Gambar 4.4. PACF perbedaan pertama dala produk tic

Dari penghitungan ACF dapat dilihat jika mengalami cut ofj pada lag ke-2,

sedangkan untuk penghitungan PACF dapat dilihat jika mengalami cut off

pada lag ke-2. dan juga mengalami dies down fairly quickly hal ini

menunjukkan data tersebut sudah stasioner. Sehingga dapat diketahui model

yang akan dipakai dalam peramalan. Perhitungan peramalan dengan

menggunakan software Minitab dapat dilihat pada lampiran 4.

4. Dari hasil output komputer untuk ketiga model peramalan tersebut dilakukan

pengujian untuk memilih model peramalan yang layak :

a. Menguji nilai estimasi parameter dari masing-masing model.

• ModelARTMA (2,1,0)

Dilihat dari nilai koefisien estimasi parameter untuk tipe AR1 = -

0,3505 dan untuk tipe AR2 = -0,4741 sehingga kedua tipe ini memiliki

nilai koef < 1 jadi model ini dapat diterima

• ModelARIMA (0,1,2)

Dilihat dari nilai koefisien estimasi parameter untuk tipe MA 1 = 0,466

dan tipe MA2 = 0,5872, sehingga kedua tipe ini memiliki nilai koef <

1 jadi model ini dapat diterima


Dilihat dari nilai koefisien estimasi parameter untuk tipe ARl = -

0,3861. tire AR2= -0,2684. tire MA 1 = -0.0172 dan tioe MA2 =


17

0,2978 sehingga kcdua tipc ini memiliki niiai koef < 1 jadi model ini

dapat diterima

Menguji niiai t-hitung

* ModelARIMA (2,1,0)

Nilai l-hitung dari modcl ini scbcsar -3,26 scdangkan t oc/2 (n-np) =

1,96 sehingga jt-hitj > t ct/2 (n-np). Jadi model ini dapat diterima

« ModelARIMA (0,1,2)

Nilai t-hitung dari model ini scbcsar 4,87 scdangkan t cc/2 (n-np) =

1,96 sehingga |t-hit| > t a/2 (n-np). Jadi mode! ini dapat diterima


Nilai t-hitung dari model ini sebesar -1,52 sedangkan t ot/2 (n-np) =

1,96 sehingga jt-hitj > t ot/2 (n-np). Jadi model ini tidak layak

Menguji nilai chi-sauare kemudian membandingkan kemudian

membandingkan dengan nilai chi-sguare tabel.


Nilai chi-square dari model ini sebesar 5,0 (DF = 10), sedangkan nilai

%2 (k-np) untuk a = 5 % adalah 18,307. Karena %' (k-np) > 5,0 maka

model dapat diterima.


Nilai chi-sqnare dari model ini sebesar 8,1 (DF = 10), sedangkan nilai

-£ (k-np) untuk a = 5 % adalah 18,307. Karena %2 (k-np) > 8,1 maka


Melihat nilai SSE

Setelah dilakukan pengujian terhadap model peramalan, dimana ada 2

model yang diterima maka melihat nilai SSE yang terkecil dari kedua

model dengan membandingkannya. Dengan melihat nilai SSE maka

didapatkan model yang layak diterima adalah ARIMA (0,1,2). Hasil

peramalan produk tic sebagai berikut:


18

Tabel 4.1 Hasi! Peramalan Produk ] ic

Periode

1

2

4

5

6

1 i

8

Hasi! Peramaian (ro!!

712,683

622,794

622,691

622,588

622,485

622,382

622,729

622,176

)

4.1.2. Peramalan untuk produk DDJ


/. Melakukan plot data permintaan, dimana data belum stasioner

(lihat lampiran 5)

2. Melakukan proses perbedaan pertama, kemudian dilakukan plot data

perbedaan pertama. Hasil dari gambar plot data perbedaan pertama

menunjukkan jika data tersebut sudah slasioner (lihat larnpiran 5)

3. Melakukan penghitungan ACF (Aulocorrelalion Funclion) dan PACF (Parlial

Autocorrelation Function) dapat dilihat pada lampiran 5

Dari penghitungan ACF dapat dilihat jika mengalami cut o^'pada lag ke-1,


pada lag ke-1. dan juga mengalami dies down fairly guickly hal ini

menunjukkan jika data tersebut sudah stasioner.


pengujian untuk memilih model peramalan yang layak (lihat lampiran 6) :


• ModelARIMA( 1,1,0)

Dilihat dari nilai koefisien estimasi parameter untuk tipe ARl =


19

- 0,4267schingga tipe ini memiliki nilai koef < 1 jadi model ini dapat

diterima


Dilihat dari nilai koefisien estimasi parameter untuk tipe MA 1 = 0,612

sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat diterima


Dilihat dari nilai koefisien estimasi parameter untuk tipe AR1 = 0,3458

, tipe MA 1 = 0,9667 sehingga tipe ini memiliki nilai koef < 1 jadi

modei ini dapat diterima

b. Menguji nilai t-hitung

• ModelARlMA (1,1,0)

Nilai t-hitung dari model ini sebesar -3,9 sedangkan t a/2 (n-np) =

1,96 sehingga |t-hit| > t a/2 (n-np). Jadi model ini dapat diterima


Nilai t-hitung dari model ini sebesar 6,17 sedangkan t a/2 (n-np) =

1,96 sehingga |t-hit| > t a/2 (n-np). Jadi model ini dapat diterima


Nilai t-hitung dari model ini sebesar 2,7 sedangkan t a/2 (n-np) = 1,96

sehingga |t-hit| > t a/2 (n-np). Jadi model ini dapat diterima.

c. Menguji nilai chi-square kemudian membandingkan kemudian

membandingkan dengan nilai chi-square tabel.


Nilai chi-square dari model ini sebesar 12,1 (DF =11) , sedangkan

nilai f (k-np) untuk a = 5 % adalah 19,675. Karena tf (k-np) > 12,1

maka model dapat diterima.

• ModelARMA (0,1,1)

Nilai chi-square dari model ini sebesar 7,9 (DF =11), sedangkan nilai

X2 (k-np) untuk a = 5 % adalah 19,675. Karena x (k-np) > 7,9 maka




20


yj (k-no) untuk a = 5 % adaiah 18.307. Karena YZ (k-no) > 4.4 maka / V * l ./ - / V V 1 > '

model dapat diterima

d. Meiihat nilai SSE

Setelah dilakukan pengujian terhadap model peramalan, dimana ada 2

model yang diterima maka melihat niiai SSE yang terkecil dari kedua

modei dengan membandingkannya. Dengan meiihat nilai SSE maka

didapatkan model yang layak diterima adalah ARIMA (1,1,1)

4. i .3. Peramalan untuk produk Higinis


1. Melakukan plot data permintaan, dimana data belum stasioner ( lihat

lampiran 7 )

2. Melakukan proses perbedaan pertama, kemudian dilakukan plot data


menunjukkan jika data tersebut sudah slasioner (lihat lampiran 7 )

3. Melakukan penghitungan ACF (Aulocorrelalkm Funclion) dan PACF (Partial


Dari penghitungan ACF dapat dilihat jika mengalami cut o/fpada lag ke-1,


pada lag ke-1. dan juga mengalami dies down fair/y quickly hal ini


Dari ketiga model peramalan tersebut dilakukan pengujian untuk memilih

model peramalan yang layak :

4. Dari hasil outpui komputer untuk ketiga model peramalan tersebut dilakukan

pengujian untuk memilih model peramalan yang layak : (lihat lampiran 8 )



Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = -0,397

sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat diterima.



21

Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl = 0,574

sehingga tipe ini memiliki nilai koef <1 jadi model ini dapat diterima.

* ModelARlMA (1,1,1)

Dilihat dari nilai koefisien estimasi paramater untuk tipe AR1 = 0,0697

tipe MAl = -0,3392. Dari kedua tipe ini semua memiliki nilai < 1. Jadi

model ini diterima



Nilai t-hitung dari model ini sebesar 3.06 sedangkan t oc/2 (n-np) =

1,96 sehingga t-hitung > t oc/2 (n-np). Jadi model ini diterima

* ModelARJMA (0,1,1)

Nilai t-hitung dari model ini sebesar -3.49 sedangkan t oc/2 (n-np) =



Nilai t-hitung dari model ini sebesar 0.14 sedangkan t oc/2 (n-np) =

1,96 sehingga t-hitung < t cc/2 (n-np). Jadi model ini tidak layak

c. Menguji nilai chi-square kemudian membandingkan dengan nilai chi-

square tabel.

« ModelARlMA (1,1,0)


%2 (k-np) untuk oc = 5% adalahl9,6751. Karena %2 (k-np) > 9,4 maka




X2 (k-np) untuk oc = 5% adalah 19,6751. Karena x2 (k-np) > 9,4 maka


d. Melihat nilai SSE

Setelah dilakukan pengujian terhadap ketiga model peramalan,

dimana kedua model tersebut diterima maka melihat nilai SSE yang

terkecil dari ketiga model dengan membandingkannya. Dengan melihat

nilai SSE maka didapatkan model yang layak diterima adalah ARIMA

(0,1,1).


22

4.1.4. Peramalan untuk produk Nafdac


1 Melakukan plot data permintaan, dimana data belum stasloner ( lihat

lampiran 9 )

2 Melakukan proses perbedaan pertama, kemudian dilakukan plot data

perbedaan pertama, karena beium didapatkan data yang stasioner rnaka

dilakukan perbedaan kedua (Iihat lampiran 3). Hasii dari gambar plot data

perbedaan kedua menunjukkan jika data tersebut sudah stasioner

3. Melakukan penghitungan ACF (Autocorrelation Function) dan PACF (Pariial

Autocorrelation Function) dapat dilihat pada iampiran 9

Dari penghitungan ACF dapat dilihat jika mengalami cut offpada. lag ke-2,

sedangkan untuk penghitungan PACF dapat dilihat jika mengalami cul off

pada lag ke-i. dan juga mengalami dies down fairly auickly hal ini


4. Dari hasil oitfput komputer untuk ketiga model peramalan tersebut dilakukan

pengujian untuk memilih model peramalan yang layak : (lihat larnpiran 10 )


• Model APJMA (2,2,0)

Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = 0,1205

dan untuk tipe AR 2 = 0,3058 sehingga kedua tipe ini memiliki nilai

koef < I jadi model ini dapat diterima.


Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl =

0,9788 tipe ini memiliki nilai koef <1 jadi model ini dapat diterima.


Dilihat dari nilai koefisien estimasi paramater untuk tipe AR1= 0,0889

tipe AR2 = 0,0854 tipe MAl = 0,9328. Dari ketiga tipe ini semuanya

memiliki nilai koef < 1 jadi model ini dapat diterima.


• Model ARIMA (2,2,0)

Nilai t-hitung dari model ini sebesar -5,41 sedangkan t oc/2 (n-np) =

1,96 sehingga t-hitung > t a/2 (n-np). Jadi modei ini diterima


23



1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima

« ModelARlMA (2,2,1)


1,96 sehingga t-hitung < t a/2 (n-np). Jadi model ini tidak layak

c. Menguji nilai chi-square kemudian membandingkan dengan

nilai chi-square tabel.

Model ARMA (2,2,0)

Nilai chi-sauare dari model ini sebesar 6,2 (DF = 10), sedangkan

nilai -f (k-np) untuk a = 5% adalahl 8,307. Karena x2 (k-np) > 6,2



Nilai chi-square dari model ini sebesar 8,5 (DF =11), sedangkan

nilai %2 (k-np) untuk a = 5% adalahl9,6751. Karena %2 (k-np) > 8,5



Setelah dilakukan pengujian terhadap ketiga model peramalan, dimana

ketiga model tersebut diterima maka melihat nilai SSE yang terkecil dari

ketiga model dengan membandingkannya. Dengan melihat nilai SSE maka


4.1.5. Peramalan untuk produk Sadex


1. Melakukan plot data pennintaan, dimana data belum stasioner { lihat

lampiran 11)



menunjukkan jika data tersebut sudah stasioner (lihat lampiran 11)

3. Melakukan penghitungan ACF {Autocorrelation Function) dan PACF {Fartial



24

Dari penghitungan ACF dapat dilihat jika mengalami cid o/fpada lag kc-i,

sedangkan untuk penghitungan PACF dapat diiihat jika mcngalami cut off

pada lag ke-i. dan juga mengalami dies down fairly auickly hal ini

menunjukkan jika data tersebut sudah slasioner.

4. Dari hasii output komputer untuk ketiga model peramaian tersebut dilakukan

pengujian untuk memilih model peramalan yang layak : ( lihat iampiran i2 )

a. Menguji nilai estimasi parameter dari masing-masing modei.


Dilihat dari nilai koefisien estimasi paramater untuk tipc ARl = -

0,3223 sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat

diterima.

• ModelARJMA (0,1,1)


0,4728 tipe ini memiliki nilai koef <I jadi model ini dapat diterima.


Dilihat dari nilai koefisien estimasi paramater untuk tipe AR1 = 0,4439

tipe MAl = 0,9602. Dari kedua tipe ini semuanya memiiiki nilai koef

< 1 jadi model ini dapat diterima.






Nilai t-hitung dari model ini sebesar 4,28 sedangkan t oc/2 (n-np) =



Nilai t-hitung dari model ini sebesar 3,49 sedangkan t cc/2 (n-np) =

1,96 sehingga t-hitung > t ot/2 (n-np). Jadi model ini dapat diterima


square tabel.



25

Nilai chi-square dari modei ini sebesar 8,9 (DF =11), sedangkan nilai

X2 (k-np) untuk ot = 5% adalah 19,675. Karena x2 (k-np) > 8,9 maka

mode! dapat diterima.


Nilai chi-sauare dari model ini sebesar 10,4 (DF =11) , sedangkan

nilai x2 (k-np) untuk a = 5% adalah 19,675. Karena x2 (k-np) > 10,4

maka model dapat ditcrima.


Nilai chi-sguare dari model ini sebesar 4,9 (DF = 10), sedangkan nilai

X2 (k-np) untuk oc = 5% adalah 18,307.






4.1.6. Peramalan untuk produk kacang


1 Melakukan plot data permintaan, dimana data- belum stasioner { lihat

lampiran 13 )



menunjukkan jika data tersebut sudah stasioner {lihat lampiran 13 )

3. Melakukan penghitungan ACF {Autocorrelation Function) dan PACF {Partial


Dari penghitungan ACF dapat dilihat jika mengalami cut o^pada lag ke-1,


pada lag ke-1. dan juga mengalami clies down fairly quickly hal ini






26

« ModelARDMA (1,1,0)

Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = -


diterima.

• ModeiARIMA (0,1,1)





tipe MAl = 0,9631. Dari kedua tipe ini semuanya memiliki nilai koef




Nilai t-hitung dari model ini sebesar -2,85 sedangkan t cc/2 (n-np) =




1,96 sehingga t-hitung > t ot/2 (n-np). Jadi model ini diterima



1,96 sehingga t-hitung > t oc/2 (n-np). Jadi model ini dapat diterima


sgitare tabel.


Nilai chi-square dari model ini sebesar 14,3 (DF = 11), sedangkan

nilai x2 (k-np) untuk oc = 5% adalah 19,675. Karena x2 (k-np) > 14,3



Nilai chi-sauare dari model ini sebesar 13,9 (DF =11) , sedangkan

nilai x2 (k-np) untuk ct = 5% adalah 19,675. Karena x2 (k-np) > 13,9



27


Niiai chi-sauare dari modei ini sebesar 14,1 (DF = 10), sedangkan

nilai x2 (k-np) untuk a = 5% adalah 18,307. Karena y2 (k-np) > 14,1

maka model dapat diterima


Setelah dilakukan pengujian terhadap ketiga modei peramaian, dimana




4.1.7. Peramalan untuk produk ekonomi


1 Melakukan plot data permintaan, dimana data belum stasioner ( iihat

lampiran 15 )



menunjukkan jika data tersebut sudah stasioner (lihat lampiran 15 )

3. Melakukan penghitungan ACF (Autocorrelaiion Functiori) dan PACF (Partial


Dari penghitungan ACF dapat dilihat jika mengalami cut q/fpada lag ke-1,

sedangkan untuk penghitungan PACF dapat diiihat jika mengalami cut off


menunjukkan jika data tersebut sudah staswner.


pengujian untuk memilih model peramalan yang iayak : (lihat lampiran 16 )





diterima.



28






< j iadi model ini dapat diterima.

b. Menguji ni'iai t-hitung









1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini dapat diterima

c. Menguji nilai chi-sguare kemudian membandingkan dengan nilai chi-

square tabel.


Nilai chi-sguare dari model ini sebesar 10,7 (DF = 11), sedangkan






maka modei dapat diterima.




maka mode! dapat diterima


29

d. Mclihat nilai SSE





4.1.8. Peramalan untuk produk Mie BBQ


1 Melakukan plot data permintaan, dimana data belum stasioner { lihat

lampiran 17 )



menunjukkan jika data tersebut sudah stasioner (lihat lampiran 17 )

3. Melakukan penghitungan ACF {Auiocorrelation Function) dan PACF (Partial


Dari penghitungan ACF dapat dilihat jika mengalami cut o//pada lag ke-2,







• ModelARIMA(2,l,0)



diterima.

• ModelARMA (0,1,2)




30

* ModelARIMA (2.1,2)

Dilihat dan nilai koefisien estimasi paramater untuk tipe AR1= -0,469

tipe MAl = -0,0536. Dari kedua tipe ini semuanya memiliki nilai koef

< I jadi modei ini dapat diterima.


* Mode! ARIMA (2,1,0)

Nilai t-hitung dari model ini sebesar -3,55 sedangkan t cc/2 (n-np) =

1,96 sehingga t-hitung > t ot/2 (n-np). Jadi model ini diterima





Nilai t-hitung dari model ini sebesar -1,76 sedangkan t oc/2 (n-np) =

1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini dapat diterima


square\dbt\.



X2 (k-np) untuk a = 5% adalah 18,307. Karena x2 (k-np) > 7,7 maka



Nilai chi-sguare dari model ini sebesar 7,7 (DF = 10), sedangkan nilai





y2 (k-np) untuk a = 5% adalah 15,507. Karena x2 (k-np) > 4,6 maka

modei dapat diterima


31


Setelah dilakukan pengujian lerhadap ketiga model peramalan, dimana

ketiga model tersebut diterima maka melihat nilai SSE yang tcrkecil dari


didapatkan model yang layak diterima adalah ARTMA (2,1,0)

4.1.9. Peramalan untuk produk Mie Goreng


1 Meiakukan plot data permintaan, dimana data belum stasioner ( lihat

lampiran 19 )



menunjukkan jika data tersebut sudah stasioner {lihat lampiran 19 )

3. Melakukan penghitungan ACF {Autocorrelation Function) dan PACF {Partial


Dari penghitungan ACF dapat dilihat jika mengalami cut off'pada lag ke-2,


pada lag ke-2. dan juga mengalami dies dawn jairly quickly hal ini



pengujian untuk memilih model peramalan yang layak : (lihat iampiran 20 )



Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = 0,0547



Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl = -



32

« Mode! ARIMA (2,1,2)





• Mode! ARIMA (2,1,0)

Nilai t-hitung dari mode! ini sebesar -3,02 sedangkan t a/2 (n-np) =






Nilai t-hitung dari model ini sebesar 0,7 sedangkan t a/2 (n-np) = 1,96

sehingga t-hitung > t a/2 (n-np). Jadi model ini dapat diterima


sguare table.

• ModelARIMA(2,l,0)











model dapat diterima


33

d. Mclihal nilai SSE

Setelah dilakukan pengujian lcrhadap ketiga model peramalan, dimana

ketiga model terscbut diterima maka melihat nilai SSE yang terkecil dari


didapatkan mode! yang layak diterima adaiah ARTMA (0,1,2)

4.1.10. Peramalan untuk produk chiken

Langkah pengerjaan dari peramaian sebagai berikut:

1 Melakukan plot data permintaan, dimana data belum stasioner ( lihat

lampiran 21 )


perbedaan pertama, karena belum didapatkan data yang stasioner maka

dilakukan perbedaan kedua (lihat lampiran 3). Hasil dari gambar plot data

perbedaan kedua menunjukkan jika data tersebut sudah stasioner

3. Melakukan penghitungan ACF (Aulocorrelation Function) dan PACF (Partial


Dari penghitungan ACF dapat dilihat jika mengalami cut offpada lag ke-1,


pada lag ke-1. dan juga mengalami dies down fairty auickly hal ini






Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = -0,633






H


Dilihat dari nilai koefisien estimasi paramater untuk tipe AR1= -

0,1947 tipe MAl = 0,9658. Dari kedua tipe ini semuanya memiliki

nilai koef < 1 jadi model ini dapat diterima.


» ModelARIMA (1,2,0)

Nilai t-hitung dari model ini sebesar -5,83 sedangkan t oi/2 (n-np) =





» ModelARIMA (1,2,1)

Nilai t-hitung dari model ini sebesar -1,39 sedangkan t ot/2 (n-np) =

1,96 sehingga t-hitung < t a/2 (n-np). Jadi model ini tidak layak


square tabel.

• ModelARTMA( 1,2,0)

Nilai cht-square dari model ini sebesar 10,7 (DF = 11), sedangkan

nilai %2 (k-np) untuk a = 5% adalah 19,675. Karena x2 (k-np) > 6,2





modei dapat diterima.







35

Dari penghitungaa peramaian yang dilakukan diatas ciidapatkan model peramalan

yang layak untuk masing-masing produk sebagai berikut:

l abei 4.2 Hasii pemiiihan keiayakan model peramaian

Produk i ic DDJ

Modei Peramaian (0,1,2) ( i.LI )

Higinis

(O.i.l )

Nafdac

(0,2,! )

Sadex

( 1,1,1 )

Produk < Kacang jEkonomi

Modei Peramaian ! 1,1,1 ) ( 1,1,1 )

Mie BBQ| Mie Gr I Chiken !

(2,1,0 ) (0,1,2) (0,2.1 )

Sedangkan hasil peramaian dari model yang layak untuk masing-masing produk

setelah pembulatan perhitungan dalam satuan roll sebagai berikut:

Tabei 4.3 Hasil Peramaian (roii siitter)

tlC-tiC

713

623

623

623

622

622

6253

622

DDJ

234

227

O "> 1

224

223

224

224

224

Higinis

443

443

443

442

442

442

442

442

Nafdac

175

171

167

162

158

153

149

144

Sadex

114

115

116

117

117

117

117

117

kacang

240

236

234

233

232

232

232

232

i ekonomhMie bbq

66

67

67

68

68

68

68

69

242

235

238

240

238

238

240

239

MieGr

201

203

203

204

204

204

chiken

239

241

244

247

250

253

256

259


36

4.2. Struktur Produk

Daiam perencanaan dan pcngendalian pcrsediaan bahan baku struktur produk

memegang peranan penting, karena struktur produk memelaskan secara iengkap

rnengenai jumiah dan komposisi bahan baku dari suatu produk. Contoh untuk

struktur produk Tic sebagai berikut:

Tic

OPP 20 (1130)

I i

Gambar 4.5. Struktur Produk Tic

Untuk produk lainnya struktur produk dapat dilihat pada lampiran 23. Dari

struktur produk diatas dapat diketahui level untuk masing-masing bahan baku,

untuk produk tic ini terdiri dari 2 level. Dimana pada level 1 terdapat 7 jenis

bahan baku, jadi untuk menunjang produk Tic ini diperlukan 7 jenis bahan baku.

Komposisi bahan baku untuk setiap produk Tic ini dapat dilihat pada tabel

dibawah ini:

Tabei 4.4. Komposisi bahan baku untuk produk Tic

Jenis Bahan

OPP 20 (1.130)

PP 25 (1130)

Tinta Hitam

Tinta Biru

Tinta Magenta

Tinta Kuning

Core

Massa (kg)

5,1415

6,426875

0,2825

0,2825

0,565

1,13

0,5

PP25 Tinta Hitam

Tinta Biru

Tinta Macema

Tinta Kuning !

Corc


37

Untuk komposisi bahan produk lain dapal dilihat dilampiran 24.

4.3. Perencanaan Kebutuhan Bahan Baku

Setelah dikctahui struktur produk maka dapat dikctahui ievci dari masing-

masing produk tersebut. Untuk levei 0 ini nilai dari (jross Requirement (GR)

didapatkan dari hasil peramalan. Hasil perhitungari' Materia! Reguirement

Planning (MRP) untuk produk tic sebagai berikut:

Tabel 4. 5. MRP Produk Tic untuk SeveS 0

Produk: Tic

!eve! : 0 lead time : 5 menit / rol!

0 1 2 3

GR

OHI

NR

POR

PREL

713 623 623

0

713

713

713

623

623

623

623

623

623

623

A

H

623

623

5 6 7 i I

622 | 622 | 623 j |

622

623 622

622 | 622

622

622

623

623

623

622

8

622

622

622

Dengan waktu proses 5 menit per roll, maka untuk memproduksi 713 roll

dibutuhkan waktu 3565 menit atau setara dengan 59,4 jam. Waktu kerja dipabrik

ini untuk hari Senin - Sablu terdiri dari 3 shift ( 1 shift = 8 jam ). Sehingga total

waktu kerja selama seminggu = 144 jam. Sehingga lead time produksi produk Tic

untuk periode 1 = 1 minggu. Untuk penghitungan produk lain dapat dilihat di

lampiran 25.Bahan bakuyang digunakan dalam pembuatan suatu produk memiliki

karakteristik seperti : lead time , pesanan minimum, sediaan ditangan, penerimaan

terjadwal.

Tabel 4.6. Karakteristik Bahan Baku

Jenis bahan

baku OPP20(1130)

OPP 20 (960)

OPP20(1145)

Pesanan

Minimal

10ro!l

lOroil

lOroll

Inventori

tersedia

9ro!l

2ro!l

3 roll

Lead time

(minggu) 2

2

|

Beratper Penerimaan

satuan umt (kg)j terjadwal

164,528140 (mlnggu ke-4)

139,776

166.712

0

0


38

Tabei 4.6. Karakteristik Bahan Baku

Jenis bahan

baku

OPP25(1150)

CMS25

SCU 25

PFT 12

Alum Foi! 7

PP

PE

Core

Tinta

Pesanan

Minimal

lOroll

lOroi!

lOroll

iOroii

40 rol!

600 karung

600 karung

300 roll

4 kalen^

Inventori

tcrseciia

2 roi!

0

0

0

0

0

o 0

o

Lead time

(minggu) 2

3

3 9

4

4

4

1

1

Berat per

satuan unit (kg)

156,975

156,975

131,04

115,3152

67,2672

25

25

6.82

25

Penerimaan

terjadwal

25 (minggu ke-3)

0

0

0

0

0

0

0

0

Setelah mengetahui data berkenaan dengan karakteristik bahan baku, maka juga

harus diketahui data kebutuhan bahan baku untuk periode yang akan datang.

Kebutuhan bahan baku core ini didapatkan dari konversi data hasil peramaian

untuk setiap produk mcnjadi data roll dalam bentuk core. Contoh untuk produk ini

adalah core

Tabel 4.7. Kebutuhan bahan baku core

Periode | 0

Core | 205

1

197

2 3

197 196

4

196

5

196

6

196

7

196 I

Untuk mengetahui data kebutuhan jenis bahan baku lainnya dapat dilihat pada

lampiran 26.

Penghitungan komponen dalam iot sizing:

• Gross Requirement (GR) pada bahan baku core ini didapatkan dari konversi

data hasil peramalan untuk setiap produk nilainya seperti dalam tabel 4.4

• On Hand Invenlory (OHI) pada bahan baku core didapat dari selisih POR

dengan NR, seperti pada periode 1 untuk lolfor loi OHI = 95. Hal ini terjadi

karena POR = 300 sedangkan GR = 205 sehingga ada selisih 95.

• Net Requirement (NR) pada bahan baku core didapatkan dari selisih nilai GR

dengan OHI, seperti pada periode 2 untuk iotfor lot NR = 102. Hal ini terjadi


39

karena GR untuk periode 2 = 197 padahal pada periode sebelumnya masih ada

sisa barang sebanyak 95. Jadi nilai NR = 197-95 = 102

* Plan Order Receipis (POR) pada bahan baku core didapatkan dai nilai PREL

• Plan Order Release (PREL) pada bahan baku core didapalkan dari NR tctapi

tidak harus sama dengan NR hal ini karena adanya pemcsanan minimum.

Seperti pada periode 1 NR = 205 karena ada minimum pemesanan sebesar 300

maka sisa dari barang tersebut masuk dalam OHI

Untuk penghitungan lot sizing dari beberapa metode , diambil sebagai contoh

produk core

Biaya yang diperlukan dalam lot sizing ini sebagai berikut:

A. Biayapesan

• Biaya telepon Rp. 747

Percakapan interlokal (jam kerja) Rp. 166,- ( per 40 detik)

Lama pembicaraan 3 menit

• Biaya inspeksi, meliputi:

Biaya tenaga kerja Rp. 2000,-

Biaya administrasi Rp. 1000,-

Total biaya inspeksi Rp. 3000.-

• Biaya angkut gudang Rp. 10000,-

( Menggunakan forklift selama 1 jam dan memiliki daya angkut 5 ton,

untuk sekali pengangkutan)

Jadi total biaya pesan untuk bahan baku core = Rp. 13.747,-

B. Biayasimpan

Dengan lead time bahan baku 1 minggu maka persentase laju penyimpanan :

Bunga bank sebesar 9,5 % pertahun

— x 9,5% = 0,18% per 1 minggu

Hargauntukbahanbakujeniscoreperroll = Rp. 17.050,-

Jadi biaya simpan = 0,18 % x Rp. 17.050,- = Rp. 31,- per roll

Untuk rincian biaya bahan baku lain dapat dilihat di lampiran 27


40

4.3.1 .Mctodc Lotfor loi

Langkah pengerjaan :

1. Memasukkan kcbutuhan bahan kcdalam GR

2. Mciakukan pcmcsanan scsuai dcngan kebutuhan bahan scliap pcriodc

3. Jika pemesanan meiebihi kebutuhan maka masuk kedaiam OHI

Tabel 4.8. MRP lotfor lot produk core

Material: Core ievel: 1 iead time : 1 minggu iot sizing : iot for iot

GR

OHI

SR

NR

POR

PREL

-l| 0. ij 2

205 597; 197

Oj 95 198 I

d 0 0 j

205| 102]

300: 30ol

! j 300J 300| 300

3 4

196; 196

105j 209

0

195

300

300

0

91

300

5 6j 7

196 196J 196

13 117: 221 i 0

300

0

183

300

300

0

79

300

Total Biaya Persediaan = (B x A ) + (T x H) + (D x C)

B = Jurnlah pemesanan

A = Biaya pcmesanan

T = Jumlah barang disimpan

H = Biayasimpan

D = Jumlah barang dibeli

C = Harga perunit barang

Total Biaya Persediaan = ( 6 x Rp. 13747,-) + ( 959 x Rp 31,-) + ( 1579 x Rp

17.050,-)

= Rp 27.034.161,-

Untuk penghitungan bahan baku jenis lain dapat dilihat pada lampiran 28

4.3.2. Metode Least unit cost

Langkah pengerjaan:

1. Menghitung total biaya perunit dengan cara membagi jumiah dari biaya pesan

dan biaya simpan sampai akhir periode dengan jumlah akumulatif kebutuhan

sampai akhir periode


4]

2. Membandingkan biaya perunit bila pemesanan dilakukan pada periode

sebelumnya dengan biaya perunit periode sesudahnya. Setelah itu diambil

keputusan untuk menyimpan barang atau tidak

Tabel 4.9. Penghitungan biaya per unit least unit cost

Core

Periode

1

2

2

3

4

5

5

6

7

7

8

Permintaan

205

197

197

197

196

196

196

196

196

196

196

Total

periode

1

1,2

1,2,3 1 0

3,4

3,4,5

5

5,6

5,6,7

7

7,8

Permintaan

Kumulatif

300

402

599

300

393

589

300

392

588

300

392

Biaya Pesan

(Rp)

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

Biaya

Simpan (Rp)

2.945,00

6.107,00

18.321,00

3.193,00

6.076,00

18.259,00

3.224,00

6.076,00

18.228,00

3.224,00

6.076,00

Total Biaya

(Rp)

16.692,00

19.854,00

32.068,00

16.940,00

19.823,00

32.006,00

16.971,00

19.823,00

31.975,00

16.971,00

19.823,00

Biaya per

roll (Rp)

55,64

49,40

53,50

85,98

50,44

54,34

56,57

50,57

54,38

56,57

50,57

Untuk penghitungan biaya perunit dapat dilihat pada lampiran 29

Tabel 4.10. MRP Least unit cost produk core

Material: Core ievei: 1 lead time : 1 minggu lot sizing : LUC

GR

Offl

SR

NR

POR

PREL

-1

0

402

0

205

197

0

402

402

1

197

0

0

393

2

197

196

0

393

393

196

0

0

4

196

196

0

392

392

392J

5

196

0

0

392

6

196

196

0

392

392

7

196

0

0


42

Total Biaya Persediaan = (4 x Rp 13.747,-)+(785 x Rp 31,-)+ (1579 x Rp 17.050 )

= Rp. 26.987.526,-

Untuk penghitungan bahan baku jenis lain dapat dilihat pada iampiran 30

4.3.3. Metode Silver Meal

Langkah pengerjaan :

1. Menghitung total biaya periode dengan cara membagi jumiah dari biaya pesan

dan biaya simpan sampai akhir periode dengan jumlah periode

2. Membandingkan biaya perunit bila pemesanan dilakukan pada periode

sebelumnya dengan biaya perunit periode sesudahnya. Seteiah ltu diambil

keputusan untuk menyimpan barang atau tidak

Tabel 4.11. Penghitungan Biaya Per Periode Siher Meal

Core

Periode

1

2

J

3

4

5

5

6

7

7

8

Permintaan

205

197

197

197

196

196

196

196

196

196

196

Total

periode

1

1,2

1,2,3

3

3,4

3 4 5 - ' • ) * i —

5

5,6

5,6,7

7

7,8

Permintaan

Kumulatif

300

402

599

300

393

589

300

392

588

196

392

Biaya

Pesan (Rp)

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

13.747,00

Biaya

Simpan (Rp)

2.945,00

6.107,00

18.321,00

3.193,00

6.076,00

18.259,00

3.224,00

6.076,00

18.228,00

3.224,00

6.076,00

Total Biaya

(Rp)

13.747,00

19.854,00

32.068,00

13.747,00

19.823,00

32.006,00

13.747,00

19.823,00

31.975,00

13.747,00

19.823,00

Biaya per

periode (Rp)

16.692,00

9.927,00

10.689,33

16.940,00

9.911,50

10.668,83

16.971,00

9.911,50

10.658,33

16.971,00

9.911,50

Untuk penghitungan biaya per periode dapat dilihat pada lampiran 31


43

Material: Core

Tabel 4.12. MRP Si/ver mea/ produk core

level: 1 lead time : 1 minggu lot sizing : Silver Meal

GR

OHI

SR

NR

POR

PREL

-1

0

402

0

205

197

0

402

402

1

197

0

0

393

2

197

196

0

393

393

196

0

0

392

4

196

196

0

392

392

5

196

0

0

392

6

196

196

0

392

392

7

196

0

0

Total Biaya Persediaan = (4 x Rp 13747,-)+(785 x Rp 31,-)+ (1579 x Rp 17.050,-)

= Rp 26.987.526,-


4.3.4 Metode Part PeriodBalance

Langkah pengerjaan:

1. Membagi biaya pemesanan dengan biaya simpan

2. Membandingkan hasil bagi itu dengan jumlah permintaan, setelah itu diambil

keputusan untuk melakukan penyimpanan barang atau tidak

BiayaPemesanan Rpl3.747,-EPP =

BiayaSimpan Rpll-= 443,45

Tabel 4.13. Penghitungan Part Period Balance

Periode

1 2

3

4

4

5

6

7

7

8

Jumlah

Periode (T)

1 2

3

4

1 2

3

4

1

2

Permintaan

(Dt)

205

197

197

196

300

196

196

196

300

196

(T-l) Dt

( 0 ) ( 2 0 5 )

( 1 ) ( 1 9 7 )

( 2 ) ( 1 9 7 )

( 3 ) (196 )

( 0 ) ( 1 9 6 )

( 1 ) ( 1 9 6 )

( 2 ) ( 1 9 6 )

( 3 ) ( 1 9 6 )

( 0 ) ( 196 )

( 1 ) ( 1 9 6 )

APP

0 < 443,45

197 < 443,45

394 < 443,45

588 > 443,45

0 < 443,45

196 < 443,45

392 < 443,45

588 > 443,45

0 < 443,45

196 < 443,45


44

Untuk penghitungan Part Perioci Balance dapat dilihat dilampiran 33

Tabel 4.14. MRP Parf Period Balance Produk core

Material: Core ievel: 1 iead time : 1 minggu iot sizing : PPB

GR

Offl

SR

NR

POR

PREL

-1

0

599

0

205

394

0

1

197

197

0

5991 l

599

2

197

0

0

588

3

196

392

0

588

588

4

196

196

0

5

196

0

0

392

6

196

196

0

392

392

7!

196 1

0

0

Total Biaya Persediaan = (3 x Rp 13747,-) (1375 x Rp 31,-) (1579 x Rp 17.050,-)

= Rp. 27.005.816,-


4.3.5. MetodeEOQ

2xA.xD

h

A = Biaya Pemesanan H = Biaya Simpan

D = Rata-rata permintaan tiap periode

Tabel 4.15. MRP EOQ produk core

Material: Core level: 1 Lead time : 1 minggu lot sizing : EOQ

GR

OHI

SR

NR

POR

PREL

-1

0

418

0

205

213

0

205

418

1

197

16

0

418

7

197

237

0

181

418

3

196

41

0

418

4

196

263

0

155

418

5

196

67

0

418

6

196

289

0

129

418

7

196

93

0

EOO =


45

Total Biaya Persediaan = (4 x Rp 13747) + (1219 x Rp 31,-) + (1579 x

Rp 17.050,-)

= Rp. 27.014.727,-

Untuk penghitungan bahan baku jenis lain dapat dilihat pada lampiran 35.Dari

penghitungan lot sizing yang teiah dilakukan untuk produk core terpilih yang

terbaik metode Least Unit Cos t dan Silver Meal dengan total biaya persediaan

Rp 26.987.526,-

Untuk bahan baku jenis lain perhitungan biaya persediaan sebagai berikut:

Tabel 4.16. Total Biaya Persediaan Bahan Baku

Jenis

Bahan Baku

OPP20(1130)

OPP 20 (960)

OPP20(1145)

OPP25(1150)

CMS25(1150)

SCU 25 (960)

PET 12 ( 880 )

Al Foil 7 (880)

PP

HE

Core

Tinta Hitam

Tinta Biru

Tinta Putih

Tinta Orange

Tinta Merah

Tinta Kuning

Tinta Hijau

Tinta Magenta

Lot Sizing

Lot For Lot (Rp)

710.881.557,00

156.297.920,00

184.476.692,00

144.916.599,00

180.942.188,00

170.500.895,00

45.351.019,50

39.892.010,00

677.977.785,00

206.526.070,00

27.034.161,00

130.682.580,00

150.842.580,00

138.842.580,00

15.482.580,00

187.802.580,00

332.762.580,00

148.442.580,00

97.082.580,00

LUC (Rp)

710.881.557,00

156.297.920,00

184.476.692,00

144.916.599,00

180.942.188,00

170.500.895,00

45.351.019,50

39.892.010,00

676.750.929,00

206.526.070,00

26.987.526,00

130.682.580,00

150.842.580,00

138.842.580,00

15.430523,50

187.802.580,00

332.762.580,00

148.442.580,00

97.082.580,00

Silver Meal (Rp)

710.881.557,00

156.297.920,00

184.476.692,00

144.916.599,00

180.942.188,00

170.500.895,00

45.351.019,50

39.892.010,00

676.750.929,00

206.526.070,00

26.987.526,00

130.682.580,00

150.842.580,00

138.842.580,00

15.430.523,50

187.802.580,00

332.762.580,00

148.442.580,00

97.082.580,00

PPB (Rp)

710.881.557,00

156.297.920,00

184.476.692,00

144.916.599,00

180.942.188,00

170.500.895,00

45.351.019,50

39.892.010,00

676.991.093,00

206.388.680,00

27.005.816,00

130.682.580,00

150.842.580,00

138.842.580,00

15.436.249,00

187.802.580,00

332.762.580,00

148.442.580,00

97.082.580,00

EOQ (Rp)

710.881.557,00

156.297.920,00

184.476.692,00

144.916.599,00

180.942.188,00

170.500.895,00

45.351.019,50

39.892.010,00

677.841.757,00

206.526.070,00

27.014.727,00

130.682.580,00

150.842.580,00

138.842.580,00

15.437.539,50

187.802.580,00

332.762.580,00

148.442.580,00

97.082.580,00

Dari hasil biaya persediaan diatas menunjukkan hasil lot sizing menunjukkan hasil

tidak banyak perbedaan. Untuk produk OPP, PET, CMS, SCU, tinta akibat

permintaan yang melebihi pesanan minimum dari suatu pemesanan bahan baku

terhadap supplier barang. Sedangkan untuk produk PP, PE, Alu Foil akibat dari


46

permintaan yang kurang dari pesanan minimum, sehingga menyebabkan biaya

simpan sangat besar.

4.4. Perencanaan Persediaan

Perencanaan pengendalian persediaan merupakan hal yang utama daiam

perusahaan, karena perusahaan saat ini memiiiki sitat make to order. Sedangkan

data permintaan berdasarkan hasii peramaian, hal ini tentunya memungkinkan

adanya kesalahan. Oleh karena itu digunakan metode pengendaiian persediaan

EOQ, sebab jika hanya menggunakan MRP ada kemungkinan kesalahan. Hal ini

disebabkan MRP mempunyai asumsi tidak adanya safety stock. Untuk

perencanaan pengendalian persediaan ini yang dibahas adalah produk core.

1. Menghitung nilai EOQ

A = Biaya untuk sekali pemesanan sebesar Rp. 13.747

D = Jumlah permintaan dalam satu periode sebesar 1579

H = Biaya simpan sebesar Rp 31,- per mmggu

Sehingga didapatkan Q = 418,4 roll « 418 roll

2. Mencari niiai u dan <r

JLI = uD x L

= 197,375 x 1 = 197,375

<T = oDXyjL

= 3,114x1=3,114

3. Menghitung safety stock dan reorder poirit

Safely Slock ( S ) = z x o = 5,138

Reorderpoint ( r ) = fi + S = 202,513

Nilai z dalam hal ini adalah service level sebesar 95 % sehingga n(Z) = 0,95

dengan melihat nilai z table didapatkan 1,65

4. Menghitung totai biaya persediaan

Total Biaya persediaan (TC) = Biaya pesan + biaya simpan + Biaya beli

0 Q — + r-u 2

+ DC


47

= Rp 51.930,- + RP 6.638 ,- + Rp 26.921.950

= Rp 26.980.518,-

Penghilunganjumlah pcmesanan ekonomis, safelyslock, reorder poinl dapat

dilhat pada tabel dibawah ini :

Tabel 4.17. Penghitungan EOQ

Jenis Bahan Baku OPP20(1130) OPP 20 (960)

OPP20(1145)

OPP25(1150) CMS25(1150)

SCU 25 (960)

PET12(880) Al Foil 7 (880)

PP

PE

Core Tinta Hitam

Tinta Biru

Tinta Putih Tinta Orange

Tinta Merah Tinta Kuning

Tinta Hijau

Tinta Magenta

Demand ( unit)

375 roll 97 roll

96 roll 80 roll 80roU

129 roll 24 roll 24 roll

3511 karung

947 karung

1579roll 272 kaleng

314 kaleng

289 kaleng

32 kaleng 391 kaleng 693 kaleng

309 kaleng

202 kaleng

Rata demcmd

46,875

12,125 12 10 10

16,125 3

3

438,875

118,375 197,375

34

39,25

36,125 4

48,875

86,625

38,625

25,25

Simpangan

demcind 1,356

0,354

o 0 0

0,354

0 0

9,98

1,061

3,114 0,535

0,707 0,354

0 0,354

1,769

0,518

0,707

u

93,75

24,25 24 20 30

48,375

6 12

1755,5

473,5 197,375

34

39,25

36,125 4

48,875 86,625,

38,625

25,25

a

1,918 0,5

0 0 0

0,613

0 0

19,96 2,122

3,114 0,535

0,707

0,354 0

0,354

1,769

0,518

0,707

Safety

slock (S)

3,165

0,825 0 0 0

1,01

0 0

32,934

3,5 5,138 0,883

1,167 0,584

0 0,584

2,92

0,855

1,167

Reorder

point (r)

96,915 25,075

24 20 30

49,385

6 12

1788,434

477 202,513

34,883

40,417

36,709

4 49,459 89,545

39,48

26,417

Q*

19

10 10 10

10 13

10 40

1144

560

418 34

37

36

12 41

55

37

30

Dari table 4.17 didapatkan nilai pemesanan ekonomis ( Q ), safety stock

( S ), reorder point ( r ). Jika membandingkan nilai Q dan u untuk beberapa

bahan baku, dimana nilai \x lebih besar untuk beberapa jenis bahan baku hal ini

disebabkan biaya pemesanan yang relatif kecil dibandingkan dengan biaya

simpan.

Jadi sistem pemesanan yang digunakan jika jumlah persediaan bahan

baku lebih kecil dari r maka dilakukan pemesanan, dimana pemesanan bergantung

pada periode pemesanan setiap bahan baku. Sebaliknya jika jumlah persediaan

bahan baku masih lebih besar dari nilai r maka pemesanan dilakukan menunggu

sampai mencapai nilai r. Misalnya untuk bahan baku OPP 20 (1130) maka

pemesanan dilakukan jika jumlah persediaan lebih kecil dari reorder point maka


48

dilakukan pemesanan ekonomis sejumlah 19 roll dan periode pemesanan 3 hari

sekali. Untuk mengetahui frekuensi pemesanan dan periode pemesanan selama

perencanaan dapat dilihat pada tabel 4.18

Tabel 4.18. Frekuensi dan periode bahan baku

Jenis

Bahan Baku

OPP20(1130)

OPP 20 (960)

OPP20(1145)

OPP25(1150)

CMS25(1150)

SCU 25 (960)

PP

Tinta Hitam

Tinta Bini

Tinta Putih

Tinta Merah

Tinta Kuning

Tinta Hijau

Frek

Pemesanan

20

10

10

9

10

10

3

8

8

8

10

13

8

Periode

pemesanan

3

6

6

6

6

6

19

7

7

7

6

4

7

Sedangkan untuk bahan baku PET, Al Foil, PE, core, tinta orange, tinta magenta

dimana nilai Q lebih besar dari nilai p. maka pemesanan dilakukan seperti pada

penghitungan EOQ. Sehingga pemesanan dilakukan setelah mencapai reorder

point. Untuk hasil total biaya persediaan dapat dilihat pada tabel 4.19

Tabel 4.19. Total Biaya Persediaan

Bahan baku

OPP20(1130) OPP 20 (960) OPP20(1145) OPP25(1150) CMS25(1150) SCU 25 (960) PET 12 (880)

Biaya Pesan (Rp)

262.944,00

129.228,00

127.896,00

106.580,00

106.988,00

132.706,00

31.974,00

Biaya Simpan (Rp)

43.859,00 17.137,00 17.545,00 16.520,00 20.650,00 18.122,00 17.190,00

Biaya Beli (Rp)

710.761.125,00 156.191.340,00 184.370.112,00 144.668.160,00 180.835.200,00 170.393.907,00 45.166.656.00

Total Biaya Persediaan ( R p )

711.067.928,00 156.337.705,00 184.515.553,00 144.791.260,00 180.962.838,00 170.544.735,00 45.215.820,00


49

Tabel 4.19. fotai Biaya Persediaan

Bahan baku

Al Foil 7 (880)

PP PE Core Tinta Hitam

Tinta Biru

Tinta Putih Tinta Orange

Tinta Merah Tinta Kuning

Tinta Hijau Tinta Magenta

Biaya Pesan (Rp)

312.546,00

1.604.840,00 884.278,00

51.930,00

122.580,00 130.034,00

123 006,00

40.860,00

146.124,00 193 064,00

127.964,00 103.172,00

Biaya Simpan (Rp)

58.980,00

212.332,00 ! ! 1 983,00

6.638,00 15.683,00

17.248,00

16.298,00

5.262,00

18.491,00 26.678,00

16.974,00 14.179,00

Biaya Beli (Rp)

38.745.912,00

674.112.000,00 204.552.000,00 26.921.950,00

130 560.000,00 150.720.000,00

138.720.000,00

15.360.000,00

187.680.000,00

332.640.000,00 148.320.000,00 96.960.000,00

Total Biaya Persediaan (Rp )

39.! 17.438,00

675.929.172,00 205.548.261,00 26.980.518,00

130.698.263,00 150.867.282,00

138.859.304,00 15.406.122,00

187.844.615,00 332.859.742,00

148.464.938,00 97.077.351,00

Dari hasil perhitungan biaya persediaan untuk EOQ didapatkan hasil yang

lebih kecil dibandingkan MRP untuk bahan baku OPP 25 (1150), PET 12 (880),

Alu Foil, PP, PE, core, tinta orange, tinta magenta sedangkan untuk bahan baku

lainnya lebih baik menggunakan perhitungan biaya persediaan dengan MRP

(Material Requirement Flanning) karena didapatkan biaya persediaan yang lebih

kecil. Dengan menggunakan metode EOQ dapat diketahui sediaan pengaman,

sehingga jika terjadi kekurangan bahan baku akibat kesalahan penghitungan

peramalan dapat dicegah dengan adanya sediaan pengaman. Tetapi untuk metode

EOQ ini selalu ada inventory selain itu juga pemesanan bahan baku tergantung

dari jumlah pemesanan ekonomis. Sedangkan untuk metode MRP jumlah

pemesanan berdasarkan periode perencanaan dan untuk inventory tidak selalu ada.

Tetapi dalam MRP tidak ada sediaan pengaman sehingga jika terjadi kekurangan

bahan baku maka akan menghambat secara langsung terhadap proses produksi.

Dengan membandingkan kedua metode pengendalian persediaan yaitu

MRP dan EOQ, sebaiknya untuk perusahaan lebih baik diterapkan metode EOQ.

Hal ini terjadi karena total biaya persediaan untuk keseluruhan bahan baku untuk

metode EOQ dihasilkan lebih rendah dibandingkan metode MRP. Total biaya

persediaan dengan metode MRP didapatkan Rp 3.745.274.599,- sedangkan untuk

metode EOQ didapatkan Rp 3.743.088.845,- sehingga metode EOQ total biaya

persediaan lebih rendah Rp 2.185.754,- dibandingkan metode MRP.


dan pembaiiasan peramalan · langkah pengerjaan dari peramalan sebagai berikut: 1. melakukan plot...

Documents