dan pembaiiasan peramalan · langkah pengerjaan dari peramalan sebagai berikut: 1. melakukan plot...
TRANSCRIPT
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
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
• ModelARIMA (2,1,2)
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
* ModelARIMA (2,1,2)
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.
« ModelARIMA (2,1,0)
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.
* ModelARIMA (0,1,2)
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
model dapat diterima.
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
Langkah pengerjaan dari peramalan sebagai berikut:
/. 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,
sedangkan untuk penghitungan PACF dapat dilihat jika mengalami cut off
pada lag ke-1. dan juga mengalami dies down fairly guickly hal ini
menunjukkan jika data tersebut sudah stasioner.
4. Dari hasil output komputer untuk ketiga model peramalan tersebut dilakukan
pengujian untuk memilih model peramalan yang layak (lihat lampiran 6) :
a. Menguji nilai estimasi parameter dari masing-masing model.
• 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
• ModelARIMA (0,1,1)
Dilihat dari nilai koefisien estimasi parameter untuk tipe MA 1 = 0,612
sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat diterima
• ModelARIMA (1,1,1)
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
• ModelARTMA (0,1,1)
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
• ModelARIMA (1,1,1)
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.
• ModelARIMA (1,1,0)
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
model dapat diterima.
• ModelARTMA (1,1,1)
20
Nilai chi-square dari model ini sebesar 4,4 (DF = 10), sedangkan nilai
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
Langkah pengerjaan dari peramalan sebagai berikut:
1. Melakukan plot data permintaan, dimana data belum stasioner ( lihat
lampiran 7 )
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 lampiran 7 )
3. Melakukan penghitungan ACF (Aulocorrelalkm Funclion) dan PACF (Partial
Autocorrelation Function) dapat dilihat pada lampiran 7
Dari penghitungan ACF dapat dilihat jika mengalami cut o/fpada lag ke-1,
sedangkan untuk penghitungan PACF dapat dilihat jika mengalami cut off
pada lag ke-1. dan juga mengalami dies down fair/y quickly hal ini
menunjukkan jika data tersebut sudah stasioner.
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 )
a. Menguji nilai estimasi parameter dari masing-masing model.
• ModelARlMA (1,1,0)
Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = -0,397
sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat diterima.
* ModelARIMA (0,1,1)
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
b. Menguji nilai t-hitung
* ModelARlMA (1,1,0)
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) =
1,96 sehingga t-hitung > t oc/2 (n-np). Jadi model ini diterima
* ModelARlMA (1,1,1)
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)
Nilai chi-square dari model ini sebesar 9,4 (DF =11), sedangkan nilai
%2 (k-np) untuk oc = 5% adalahl9,6751. Karena %2 (k-np) > 9,4 maka
model dapat diterima.
* ModelARlMA (0,1,1)
Nilai chi-square dari model ini sebesar 9,4 (DF =11), sedangkan nilai
X2 (k-np) untuk oc = 5% adalah 19,6751. Karena x2 (k-np) > 9,4 maka
model dapat diterima.
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
Langkah pengerjaan dari peramalan sebagai berikut:
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
menunjukkan jika data tersebut sudah stasioner.
4. Dari hasil oitfput komputer untuk ketiga model peramalan tersebut dilakukan
pengujian untuk memilih model peramalan yang layak : (lihat larnpiran 10 )
a. Menguji nilai estimasi parameter dari masing-masing model.
• 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.
• ModelARTMA (0,2,1)
Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl =
0,9788 tipe ini memiliki nilai koef <1 jadi model ini dapat diterima.
• ModelARIMA (2,2,1)
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.
b. Menguji nilai t-hitung
• 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
* ModelARIMA (0,2,1)
Nilai t-hitung dari model ini sebesar 14,55 sedangkan t a/2 (n-np) =
1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima
« ModelARlMA (2,2,1)
Nilai t-hitung dari model ini sebesar 0,59 sedangkan t a/2 (n-np) =
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
maka model dapat diterima.
• ModelARlMA (0,2,1)
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
maka model dapat diterima.
d. Melihat nilai SSE
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
didapatkan model yang layak diterima adalah ARIMA (0,2,1)
4.1.5. Peramalan untuk produk Sadex
Langkah pengerjaan dari peramalan sebagai berikut:
1. Melakukan plot data pennintaan, dimana data belum stasioner { lihat
lampiran 11)
2 Melakukan proses perbedaan pertama, kemudian dilakukan plot data
perbedaan pertama. Hasil dari gambar plot data perbedaan pertama
menunjukkan jika data tersebut sudah stasioner (lihat lampiran 11)
3. Melakukan penghitungan ACF {Autocorrelation Function) dan PACF {Fartial
Autocorrelation Function) dapat dilihat pada lampiran 11
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.
« ModelARIMA (1,1,0)
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)
Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl =
0,4728 tipe ini memiliki nilai koef <I jadi model ini dapat diterima.
• ModelARIMA (1,1,1)
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.
b. Menguji nilai t-hitung
• ModelARIMA (1,1,0)
Nilai t-hitung dari model ini sebesar -2,65 sedangkan t a/2 (n-np) =
1,96 sehingga t-hitung > t oc/2 (n-np). Jadi model ini diterima
• ModelARIMA (0,1,1)
Nilai t-hitung dari model ini sebesar 4,28 sedangkan t oc/2 (n-np) =
1,96 sehingga t-hitung > t oc/2 (n-np). Jadi model ini diterima
• ModelARJMA (1,1,1)
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
c. Menguji nilai chi-square kemudian membandingkan dengan nilai chi-
square tabel.
• ModelARIMA (1,1,0)
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.
* ModelARIMA (0,1,1)
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.
« ModelARIMA (1,1,1)
Nilai chi-sguare dari model ini sebesar 4,9 (DF = 10), sedangkan nilai
X2 (k-np) untuk oc = 5% adalah 18,307.
d. Melihat nilai SSE
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
didapatkan model yang layak diterima adalah ARIMA (1,1,1)
4.1.6. Peramalan untuk produk kacang
Langkah pengerjaan dari peramalan sebagai berikut:
1 Melakukan plot data permintaan, dimana data- belum stasioner { lihat
lampiran 13 )
2 Melakukan proses perbedaan pertama, kemudian dilakukan plot data
perbedaan pertama. Hasil dari gambar plot data perbedaan pertama
menunjukkan jika data tersebut sudah stasioner {lihat lampiran 13 )
3. Melakukan penghitungan ACF {Autocorrelation Function) dan PACF {Partial
Autocorrelation Function) dapat dilihat pada lampiran 13
Dari penghitungan ACF dapat dilihat jika mengalami cut o^pada lag ke-1,
sedangkan untuk penghitungan PACF dapat dilihat jika mengalami cut off
pada lag ke-1. dan juga mengalami clies down fairly quickly hal ini
menunjukkan jika data tersebut sudah slasioner.
4. Dari hasil output komputer untuk ketiga model peramalan tersebut dilakukan
pengujian untuk memilih model peramalan yang layak : (lihat lampiran 14 )
a. Menguji nilai estimasi parameter dari masing-masing model.
26
« ModelARDMA (1,1,0)
Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = -
0,3412 sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat
diterima.
• ModeiARIMA (0,1,1)
Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl =
0,4136 tipe ini memiliki nilai koef <1 jadi model ini dapat diterima.
« ModelARIMA (1,1,1)
Dilihat dari nilai koefisien estimasi paramater untuk tipe AR1= 0,4874
tipe MAl = 0,9631. Dari kedua tipe ini semuanya memiliki nilai koef
< 1 jadi model ini dapat diterima.
b. Menguji nilai t-hitung
• ModelARIMA (1,1,0)
Nilai t-hitung dari model ini sebesar -2,85 sedangkan t cc/2 (n-np) =
1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima
• ModelARIMA (0,1,1)
Nilai t-hitung dari model ini sebesar 3,54 sedangkan t oc/2 (n-np) =
1,96 sehingga t-hitung > t ot/2 (n-np). Jadi model ini diterima
« ModelARIMA (1,1,1)
Nilai t-hitung dari model ini sebesar 3,69 sedangkan t oc/2 (n-np) =
1,96 sehingga t-hitung > t oc/2 (n-np). Jadi model ini dapat diterima
c. Menguji nilai chi-square kemudian membandingkan dengan nilai chi-
sgitare tabel.
• ModelARIMA (1,1,0)
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
maka model dapat diterima.
• ModelARIMA (0,1,1)
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
maka model dapat diterima.
27
• ModelARIMA (1,1,1)
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
d. Melihat nilai SSE
Setelah dilakukan pengujian terhadap ketiga modei peramaian, dimana
ketiga 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 (1,1,1)
4.1.7. Peramalan untuk produk ekonomi
Langkah pengerjaan dari peramalan sebagai berikut:
1 Melakukan plot data permintaan, dimana data belum stasioner ( iihat
lampiran 15 )
2 Melakukan proses perbedaan pertama, kemudian dilakukan plot data
perbedaan pertama. Hasil dari gambar plot data perbedaan pertama
menunjukkan jika data tersebut sudah stasioner (lihat lampiran 15 )
3. Melakukan penghitungan ACF (Autocorrelaiion Functiori) dan PACF (Partial
Autocorrelation Function) dapat dilihat pada lampiran 15
Dari penghitungan ACF dapat dilihat jika mengalami cut q/fpada lag ke-1,
sedangkan untuk penghitungan PACF dapat diiihat jika mengalami cut off
pada lag ke-1. dan juga mengalami dies down fairly quickly hal ini
menunjukkan jika data tersebut sudah staswner.
4. Dari hasil output komputer untuk ketiga model peramalan tersebut dilakukan
pengujian untuk memilih model peramalan yang iayak : (lihat lampiran 16 )
a. Menguji nilai estimasi parameter dari masing-masing model.
• ModelARIMA( 1,1,0)
Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = -
0,3515 sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat
diterima.
• ModelARJMA (0,1,1)
28
Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl =
0,5111 tipe ini memiliki nilai koef <1 jadi model ini dapat diterima.
« ModelARIMA (1,1,1)
Dilihat dari nilai koefisien estimasi paramater untuk tipe AR1= 0,4367
tipe MAl = 0,9778. Dari kedua tipe ini semuanya memiliki nilai koef
< j iadi model ini dapat diterima.
b. Menguji ni'iai t-hitung
• ModelARIMA( 1,1,0)
Nilai t-hitung dari model ini sebesar -2,78 sedangkan t a/2 (n-np) =
1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima
• ModelARlMA (0,1,1)
Nilai t-hitung dari model ini sebesar 4,38 sedangkan t a/2 (n-np) =
1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima
• ModelARIMA (1,1,1)
Nilai t-hitung dari model ini sebesar 3,12 sedangkan t a/2 (n-np) =
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.
• ModelARlMA (1,1,0)
Nilai chi-sguare dari model ini sebesar 10,7 (DF = 11), sedangkan
nilai x2 (k-np) untuk a = 5% adalah 19,675. Karena x2 (k-np) > 10,7
maka model dapat diterima.
• ModelARIMA (0,1,1)
Nilai chi-square dari model ini sebesar 13,0 (DF = 11), sedangkan
nilai x2 (k-np) untuk a = 5% adalah 19,675. Karena x2 (k-np) > 13,0
maka modei dapat diterima.
• ModelARIMA (1,1,1)
Nilai chi-square dari model ini sebesar 11,2 (DF = 10), sedangkan
nilai x2 (k-np) untuk a = 5% adalah 18,307. Karena x2 (k-np) > 11,2
maka mode! dapat diterima
29
d. Mclihat nilai SSE
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
didapatkan model yang layak diterima adalah ARIMA (1,1,1)
4.1.8. Peramalan untuk produk Mie BBQ
Langkah pengerjaan dari peramalan sebagai berikut:
1 Melakukan plot data permintaan, dimana data belum stasioner { lihat
lampiran 17 )
2 Melakukan proses perbedaan pertama, kemudian dilakukan plot data
perbedaan pertama. Hasil dari gambar plot data perbedaan pertama
menunjukkan jika data tersebut sudah stasioner (lihat lampiran 17 )
3. Melakukan penghitungan ACF {Auiocorrelation Function) dan PACF (Partial
Autocorrelation Function) dapat dilihat pada lampiran 17
Dari penghitungan ACF dapat dilihat jika mengalami cut o//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 jika data tersebut sudah stasioner.
4. Dari hasil output komputer untuk ketiga model peramalan tersebut dilakukan
pengujian untuk memilih model peramalan yang layak : (lihat lampiran 18 )
a. Menguji nilai estimasi parameter dari masing-masing model.
• ModelARIMA(2,l,0)
Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = -
0,3929 sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat
diterima.
• ModelARMA (0,1,2)
Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl =
0,3614 tipe ini memiliki nilai koef <1 jadi model ini dapat diterima.
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.
b. Menguji nilai t-hitung
* 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
* ModelARIMA (0,1,2)
Nilai t-hitung dari model ini sebesar 3,13 sedangkan t a/2 (n-np) =
1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima
* ModelARIMA (2,1,2)
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
c. Menguji nilai chi-sguare kemudian membandingkan dengan nilai chi-
square\dbt\.
« ModelARIMA (2,1,0)
Nilai chi-square dari model ini sebesar 7,7 (DF = 10), sedangkan nilai
X2 (k-np) untuk a = 5% adalah 18,307. Karena x2 (k-np) > 7,7 maka
model dapat diterima.
* ModelARIMA (0,1,2)
Nilai chi-sguare dari model ini sebesar 7,7 (DF = 10), sedangkan nilai
X2 (k-np) untuk a = 5% adalah 18,307. Karena x2 (k-np) > 7,7 maka
model dapat diterima.
* ModelARIMA (2,1,2)
Nilai chi-square dari model ini sebesar 4,6 (DF = 8), sedangkan nilai
y2 (k-np) untuk a = 5% adalah 15,507. Karena x2 (k-np) > 4,6 maka
modei dapat diterima
31
d. Melihat nilai SSE
Setelah dilakukan pengujian lerhadap ketiga model peramalan, dimana
ketiga model tersebut diterima maka melihat nilai SSE yang tcrkecil dari
ketiga model dengan membandingkannya. Dengan melihat nilai SSE maka
didapatkan model yang layak diterima adalah ARTMA (2,1,0)
4.1.9. Peramalan untuk produk Mie Goreng
Langkah pengerjaan dari peramalan sebagai berikut:
1 Meiakukan plot data permintaan, dimana data belum stasioner ( lihat
lampiran 19 )
2 Melakukan proses perbedaan pertama, kemudian dilakukan plot data
perbedaan pertama. Hasil dari gambar plot data perbedaan pertama
menunjukkan jika data tersebut sudah stasioner {lihat lampiran 19 )
3. Melakukan penghitungan ACF {Autocorrelation Function) dan PACF {Partial
Autocorrelation Function) dapat dilihat pada lampiran 19
Dari penghitungan ACF dapat dilihat jika mengalami cut off'pada lag ke-2,
sedangkan untuk penghitungan PACF dapat dilihat jika mengalami cut off
pada lag ke-2. dan juga mengalami dies dawn jairly quickly hal ini
menunjukkan jika data tersebut sudah slasioner.
4. Dari hasil output komputer untuk ketiga model peramalan tersebut dilakukan
pengujian untuk memilih model peramalan yang layak : (lihat iampiran 20 )
a. Menguji nilai estimasi parameter dari masing-masing model.
• ModelARIMA (2,1,0)
Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = 0,0547
sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat diterima.
• ModelARIMA (0,1,2)
Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl = -
0,0611 tipe ini memiliki nilai koef <1 jadi model ini dapat diterima.
32
« Mode! ARIMA (2,1,2)
Dilihat dari nilai koefisien estimasi paramater untuk tipe AR1= 0,1477
tipe MAl = 0,1691. Dari kedua tipe ini semuanya memiliki nilai koef
< 1 jadi model ini dapat diterima.
b. Menguji nilai t-hitung
• Mode! ARIMA (2,1,0)
Nilai t-hitung dari mode! ini sebesar -3,02 sedangkan t a/2 (n-np) =
1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima
• ModelARIMA (0,1,2)
Nilai t-hitung dari model ini sebesar 4,28 sedangkan t a/2 (n-np) =
1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima
• ModelARTMA (2,1,2)
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
c. Menguji nilai chi-sguare kemudian membandingkan dengan nilai chi-
sguare table.
• ModelARIMA(2,l,0)
Nilai chi-square dari model ini sebesar 8,5 (DF = 10), sedangkan nilai
X2 (k-np) untuk a = 5% adalah 18,307. Karena x2 (k-np) > 8,5 maka
model dapat diterima.
• ModelARIMA (0,1,2)
Nilai chi-square dari model ini sebesar 7,2 (DF = 10), sedangkan nilai
X2 (k-np) untuk a = 5% adalah 18,307. Karena x2 (k-np) > 7,2 maka
model dapat diterima.
• ModelARJMA (2,1,2)
Nilai chi-square dari model ini sebesar 6,6 (DF = 8), sedangkan nilai
X2 (k-np) untuk a = 5% adalah 15,507. Karena x2 (k-np) > 6,6 maka
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
ketiga model dengan membandingkannya. Dengan melihat nilai SSE maka
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 )
2 Melakukan proses perbedaan pertama, kemudian dilakukan plot data
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
Autocorrelation Function) dapat dilihat pada lampiran 21
Dari penghitungan ACF dapat dilihat jika mengalami cut offpada lag ke-1,
sedangkan untuk penghitungan PACF dapat dilihat jika mengalami cut off
pada lag ke-1. dan juga mengalami dies down fairty auickly hal ini
menunjukkan jika data tersebut sudah stasioner.
4. Dari hasil output komputer untuk ketiga model peramalan tersebut dilakukan
pengujian untuk memilih model peramalan yang layak : (lihat lampiran 22 )
a. Menguji nilai estimasi parameter dari masing-masing model.
• ModelARIMA (1,2,0)
Dilihat dari nilai koefisien estimasi paramater untuk tipe ARl = -0,633
sehingga tipe ini memiliki nilai koef < 1 jadi model ini dapat diterima.
• ModelARIMA (0,2,1)
Dilihat dari nilai koefisien estimasi paramater untuk tipe MAl =
0,9616 tipe ini memiliki nilai koef <1 jadi model ini dapat diterima.
H
• ModelARIMA( 1,2,1)
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.
b. Menguji nilai t-hitung
» ModelARIMA (1,2,0)
Nilai t-hitung dari model ini sebesar -5,83 sedangkan t oi/2 (n-np) =
1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima
• ModelARTMA (0,2,1)
Nilai t-hitung dari model ini sebesar 9,94 sedangkan t a/2 (n-np) =
1,96 sehingga t-hitung > t a/2 (n-np). Jadi model ini diterima
» 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
c. Menguji nilai chi-square kemudian membandingkan dengan nilai chi-
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
maka model dapat diterima.
• ModelARIMA (0,2,1)
Nilai chi-square dari model ini sebesar 6,8 (DF =11), sedangkan nilai
X2 (k-np) untuk a = 5% adalah 19,6751. Karena x2 (k-np) > 8,5 maka
modei dapat diterima.
d. Melihat nilai SSE
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
didapatkan model yang layak diterima adalah ARIMA (0,2,1)
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,-
Untuk penghitungan bahan baku jenis lain dapat dilihat pada lampiran 32
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,-
Untuk penghitungan bahan baku jenis lain dapat dilihat pada lampiran 34
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.