Lanjutan Tabel 1. Kebutuhan Data
Jenis Data Metode Sumber
Data Data khusus
perusahaan: Data produksi
Data penjualan
barang jadi Data pemesanan
bahan baku Data pemakaian
bahan baku. Data laporan
persediaan bahan baku
Data harga beli per unit bahan
baku Data biaya
persediaan bahan baku
Data lead time waktu tunggu
dan safety stock persediaan
pengaman Primer
Sekunder Survai
Wawancara Dokumen dan
laporan bagian produksi, PPIC,
dan gudang Bagian PPIC, Divisi
Noodle, PT ISM, Tbk
3.3. Pengolahan dan Analisis Data
3.3.1. Peramalan Permintaan
Peramalan permintaan merupakan kegiatan yang berhubungan dengan meramalkan atau memproyeksikan permintaan yang akan
datang berdasarkan permintaan yang lalu atau berdasarkan perhitungan tertentu. Alat yang digunakan untuk meramalkan
permintaan pada penelitian ini adalah metode Winters. Metode Winters adalah salah satu metode peramalan yang digunakan untuk
meramalkan data deret waktu musiman. Perhitungan peramalan dengan metode winters menggunakan
perangkat lunak Minitab versi 14. Perhitungan metode Winters ini melalui beberapa tahap, yaitu :
1. Memplotkan Data
Pada tahap ini data deret waktu harus diplotkan dalam bentuk grafik. Tujuan dari memplotkan data dalam bentuk grafik adalah
untuk melihat bagaimana pola data tersebut. Jika data berpola musiman, maka data dapat diramalkan dengan metode Winters.
2. Pengidentifikasian Model
Model dari data musiman dapat dibedakan menjadi dua jenis yaitu model multiplikatif dan model aditif. Model multiplikatif
pada prinsipnya mengandung penggandaan antara komponen trend dengan komponen musim sedangkan untuk model aditif
mengandung penjumlahan komponen trend dengan komponen musim. Model multiplikatif biasanya digunakan jika data pada
musim tertentu proporsional terhadap musim-musim sebelumnya. Sedangkan model aditif biasanya digunakan jika
perbedaan data pada setiap musim relatif konstan. Model yang sesuai untuk meramalkan permintaan penjualan
mie instan pada Divisi Noodle, PT ISM, Tbk adalah model multiplikatif. Data deret waktu musiman multiplikatif
digambarkan dengan model berikut : ε
+ +
=
t t
2 1
t
c t
b b
x ……………………………………….......6
Dimana b
1
merupakan konstanta pemulusan dasar atau komponen permanen,
b
2
merupakan konstanta pemulusan trend, c
t
merupakan konstanta pemulusan musiman dan ε
t
adalah komponen acak.
3. Pengestimasian Nilai Kostanta Pemulusan
Nilai konstanta pemulusan model diestimasikan dengan cara trial and error. Nilai setiap konstanta pemulusan ditentukan
secara subyektif dalam selang 0-1. setelah nilai setiap konstanta pemulusan ditentukan, maka akan muncul nilai Mean Absolute
Percentage Error MAPE, Mean Absolute Deviation MAD dan Mean Square Deviation MSD. MAPE, MAD dan MSD
merupakan parameter yang digunakan untuk mengukur tingkat
keakuratan dari hasil peramalan. Semakin kecil nilai MAPE, MAD, dan MSD maka, semakin baik nilai setiap konstanta
pemulusan. 4.
Penggunaan Model Untuk Peramalan Nilai konstanta pemulusan yang terbaik yang telah diperoleh
digunakan untuk menentukan peramalan. Tahapan
3.3.2. Menentukan Lead Time