Peramalan Permintaan Pengolahan dan Analisis Data

Lanjutan Tabel 1. Kebutuhan Data Jenis Data Metode Sumber Data Data khusus perusahaan: ƒ Data produksi ƒ Data penjualan barang jadi ƒ Data pemesanan bahan baku ƒ Data pemakaian bahan baku. ƒ Data laporan persediaan bahan baku ƒ Data harga beli per unit bahan baku ƒ Data biaya persediaan bahan baku ƒ Data lead time waktu tunggu dan safety stock persediaan pengaman ƒ Primer ƒ Sekunder ƒ Survai ƒ Wawancara ƒ 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