Hubungan Pengendalian Persediaan Dengan Efisiensi Penggunaan Penelitan Terdahulu

mencapai tujuan pokok dari perencanaan dan pengendalian produksi haruslah disertai dengan langkah pengendalian persediaan, agar produksi dapat berjalan dengan lancar dan dengan biaya seminimal mungkin.

2.6. Hubungan Pengendalian Persediaan Dengan Efisiensi Penggunaan

Modal Perusahaan Antara pengendalian persediaan dengan efisiensi dalam penggunaan modal kerja perusahaan mempunyai hubungan yang sangat erat. Bahwa setiap perusahaan dapat menjamin kelangsungan usahanya perlu mengadakan persediaan, untuk mengadakan persediaan diperlukan sejumlah uang untuk diinvestasikan dalam persediaan tersebut. Oleh karena itu setiap perusahaan haruslah dapat mempertahankan suatu jumlah persediaan yang optimal, baik dalam jumlah mutu maupun kualitas yang tepat dengan biaya yang serendah- rendahnya Assauri, 1980 : 219. Sehingga sedapat mungkin modal yang tertanam dalam persediaan bahan baku dan biaya yang dikeluarkan tidak terlalu besar, sehingga tujuan pengendalian dan perencanaan produksi tepat pada waktunya dan ekonomis dapat tercapai.

2.7. Model Pengendalian Persediaan

Ditinjau dari sifat permintaan bahan baku, maka dapat dikelompokkan dalam dua bagian besar, yaitu : sifat kebutuhan bahan baku itu secara pasti atau bersifat probabilistik Taha, 1987: 507. Dibawah ini diklasifikasikan permintaan ditinjau dari sifat permintaannya. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Gambar 2.2 Klasifikasi Permintaan Hamdi Taha, 1997

2.7.1. Model Pengendalian Persediaan Deterministik Statis

Model pengendalian persediaan deterministik adalah suatu model persediaan dimana parameter dari sistem pengendalian persediaan adalah dianggap selalu sama atau tidak akan mengalami perubahan Masril, 1995 : 54. Dikatakan Model pengendalian persediaan deterministik statis yaitu apabila tingkat konsumsi diketahui dan tetap konstan sepanjang waktu. Taha, 1987 : 507.

2.7.1.1. Model Statis EOQ Sederhana

Tujuan model ini adalah untuk menentukan jumlah Q setiap kali pemesanan EOQ sehingga meminimasi biaya total persediaan dimana : Arman Hakim, 2003 : 110 Biaya Total Persediaan = Ordering Cost + Holding Cost + Purchasing Cost EOQ = h Dk 2 Parameter–parameter yang dipakai dalam model ini adalah : Permintaan Deterministik Probabilistik Statis Dinamis Stasioner Non Stasioner Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. D = jumlah kebutuhan barang selama satu periode misalnya : 1 tahun k = ordering cost setiap kali pesan h = holding cost per-satuan nilai persediaan per-satuan waktu c = purchasing cost per-satuan nilai persediaan

2.7.1.2. Model Statis EOQ Dengan Price Break

Variasi model EOQ terjadi bila terdapat potongan harga pembelian quantity discount atau price break. Potongan harga pembelian ini sering ditawarkan pemasok supplier untuk menarik minat pembeli agar mau membeli dalam jumlah besar. Keuntungan bagi pembeli bila mau membeli dalam jumlah besar adalah turunnya harga beli peer-unit, biaya perpindahan dan pengiriman yang lebih rendah dan penurunan biaya pemesanan kemungkinan kekurangan persediaan sangat kecil. Dalam kondisi adanya penawaran potongan harga, perhitungan EOQ mengalami sedikit modifikasi. Jumlah pemesanan ekonomis akan dihitung berdasarkan biaya total persediaan untuk setiap harga yang mungkin dan jumlah minimum dimana harga tersebut berlaku. Dalam menyelesaikan model EOQ dengan potongan harga ini diperlukan data holding cost per-unit persediaan sebagai fungsi dari persentase harga satuan barang [PQ] bisa dinyatakan : h = f{PQ} Hal lain yang diperlukan adalah meminimasi TC persediaan dan bukan meminimasi TIC persediaan karena biaya pembelian purchasing cost = P dipengaruhi oleh jumlah pemesanan Q, sehingga bisa dinyatakan : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. D Q P Q D k Q Q P f TC 2 } { + + =

2.7.1.3. Model Statis EOQ Dengan Back Order

Bila kekurangan persediaan atau keterlambatan pemenuhan kebutuhan shortage diizinkan dengan biaya pengadaanketerlambatan tertentu biaya shortage biaya back order, maka model EOQ sederhana dapat dimodifikasi : Teguh Baroto, 2002 : 69 h h b h Dk EOQ + = 2 Dimana : D = jumlah kebutuhan barang selama satu periode misalnya : 1 tahun k = ordering cost setiap kali pesan h = holding cost per-satuan nilai persediaan per-satuan waktu b = biaya back order per-unit per-periode

2.7.2. Model Pengendalian Persediaan Deterministik Dinamis

Model pengendalian persediaan dikatakan deterministik dinamis yaitu apabila tingkat permintaan diketahui dengan pasti tetapi sifat permintaannya bervariasi dari periode ke periode berikutnya. Taha, 1987 : 507.

2.7.2.1. Model EOQ

Metode EOQ Economic Order Quantity merupakan metode yang paling banyak digunakan oleh perusahaan dalam upaya mengendalikan persediaan. Model EOQ ini digunakan untuk menentukan kuantitas pesanan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. persediaan sehingga dapat meminimumkan biaya langsung penyimpanan persediaan dan biaya kebalikannya inverse cost pemesanan persediaan. Model EOQ Economic Order Quantity tersebut dapat dilakukan dengan menggunakan asumsi sebagai berikut : a. Hanya satu item barang produk yang diperhitungkan. b. Kebutuhan permintaan setiap periode diketahui tertentu. c. Barang yang dipesan diasumsikan dapat segera tersedia atau tingkat produksi barang yang dipesan berlimpah. d. Waktu ancang – ancang lead time bersifat konstan. e. Setiap pesanan diterima dalam sekali pegiriman dan langsung dapat digunakan. f. Tidak ada pesanan ulang back order karena kehabisan persediaan. g. Tidak ada quantity discount. Tujuan model ini adalah untuk menentukan jumlah Q setiap kali pemesanan EOQ sehingga meminimasi biaya total persediaan dimana : Biaya Total Persediaan = Ordering Cost + Holding Cost + Purchasing Cost Parameter – parameter yang dipakai dalam model ini adalah : D = jumlah kebutuhan barang selama satu periode misalnya : 1 tahun k = ordering cost setiap kali pesan h = holding cost per-satuan nilai persediaan per-satuan waktu c = purchasing cost per-satuan nilai persediaan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Secara grafis model dasar persediaan ini dapat digambarkan sebagai berikut : Gambar 2.3 Model Persediaan EOQ Arman Hakim, 2003 Setiap siklus persediaan berlangsung selama siklus waktu t, artinya setiap t hari atau minggu, bulan, dsb dilakukan pemesanan kembali. Lamanya t sama dengan proporsi kebutuhan satu periode D yang dapat dipenuhi oleh Q, sehingga dapat ditulis t = D Q . Sedangkan frekuensi pemesanan = Q D Ordering cost per-periode = k Q D     Holding cost per-periode =       2 Q h Purchasing cost per-periode = D.c Dengan menggabungkan ketiga komponen biaya diatas : Biaya Total Persedian TC = c D Q h k Q D . 2 +       +     Biaya Total Persedian Incremental TIC =       +     2 Q h k Q D Tingkat persediaan Waktu Rata-rata persediaan = Q2 Titik saat pesanan diterima order point Q t = QD L Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. atau TIC = Dkh 2 Gambar 2.4 Total Biaya Persediaan Arman Hakim, 2003 Biaya total relevan TC merupakan penjumlahan 2 komponen biaya ordering cost dan holding cost, sehingga tinggi jarak kurva TC pada titik Q merupakan hasil penjumlahan tinggi kedua kurva komponen biaya tersebut. Ordering cost mempunyai bentuk geometris hiperbola dimana makin kecil Q, berarti makin sering pemesanan dilakukan dan makin besar biaya pemesanan yang dikeluarkan demikian juga sebaliknya. Holding cost mempunyai bentuk garis lurus karena komponen biaya ini tergantung pada tingkat persediaan rata–rata. Garis ini dimulai dari titik Q=0, dimana tingkat persediaan rata–rata semakin membesar secara proposional dengan gradient yang sama.

2.7.2.2. Algoritma Wagner – Within

Teknik ini menggunakan prosedur optimasi yang didasari model program dinamis. Tujuannya adalah untuk mendapatkan strategi pemesanan optimum untuk seluruh jadwal kebutuhan bersih dengan jalan meminimasi total ongkos Kurva holding cost hQ2 Jumlah persediaan Q EOQ Biaya Kurva ordering cost DQk Kurva TC TC minimum Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. pengadaan dan ongkos simpan. Pada dasarnya teknik ini mengkaji semua cara pemesanan yang mungkin dalam memenuhi kebutuhan bersih setiap periode yang ada pada horizon perencanaan, teknik ini mempunyai beberapa kelemahan yaitu : a. Prosedur yang digunakan terlalu rumit sehingga sulit dimengerti oleh para praktisi. b. Teknik ini membutuhkan banyak waktu dan usaha dalam melakukan perhitungan. c. Teknik ini mengasumsikan bahwa kebutuhan diluar horizon perencanaan sama dengan nol. Karena beberapa kelemahan tersebut, teknik ini jarang digunakan untuk menentukan ukuran lot pada perencanaan material. Langkah – langkah penerapan algoritma wagner - within adalah sebagai berikut : 1. Membuat tabel komulatif demand Qce Tabel 2.1 Komulatif Demand e = 1 2 3 4 C = 1 2 3 4 Q 11 Q 12 Q 22 Q 13 Q 23 Q 33 Q 14 Q 24 Q 34 Q 44 Sumber : Tersine, 1994 Ket : Q 11 = D Q 22 = D 2 Q 12 = Q 11 + D 2 Q 23 = Q 22 + D 2 Q 13 = Q 12 + D 3 Dan seterusnya sampai akhir periode sehingga didapat total persediaan. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 2. Menghitung total cost Zce dari setiap periode pemesanan yang mungkin terjadi dengan aturan : Zce = c + p.h ∑ = − e c t Qci Qce Dimana : Zce = biaya total variabel dari periode c 1 ≤ c ≤ e ≤ N c = biaya pesan periode p = harga beli per unit h = biaya simpan per unit per periode q = kuantitas permintaan Kemudian ditabelkan seperti dibawah ini : Tabel 2.2 Alternatif Biaya Pesan e = 1 2 3 4 C = 1 2 3 4 Z 11 Z 12 Z 22 Z 13 Z 23 Z 33 Z 14 Z 24 Z 34 Z 44 Sumber : Tersine, 1994 3. Mencari biaya minimum F dengan aturan : Fe = Min Zce + F e-1 Dimana Fe dimulai dari 0 sampai seterusnya F 1 , F 2 , F 3 , ….. , Fn. Kemudian ditabelkan sebagai berikut : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 2.3 Biaya Minimum e = 1 2 3 4 1 2 3 4 Z 11 + Fo Z 12 + Fo Z 22 + F 1 Z 13 + Fo Z 23 + F 1 Z 33 + F 2 Z 14 + Fo Z 24 + F 1 Z 34 + F 2 Z 44 + F 3 Sumber : Tersine, 1994 Ket : F 1 = Min Z 11 + F F 1 = Min Z 13 + F 0, Z 22 + F 1 F 1 = Min Z 13 + F 0, Z 23 + F 1, Z 33 + F 2 Dan seterusnya sampai akhir periode sehingga didapat total biaya persediaan.

2.7.2.3. Model Heuristik Silver Meal

Prinsip Model Heuristik Silver Meal didasarkan atas permintaan beberapa periode mendatang yang sudah diramalkan sebelumnya. Metode ini mirip dengan EOQ tetapi dalam perhitungannya lebih didasarkan pada variabel periode pembelian dan bukan berdasarkan total permintaan selama perencanaan. Metode ini ditentukan oleh Edward Silver dan Harlan meal yang menyatakan bahwa pembelian bahan hanya dilakukan pada awal periode sedangkan biaya simpan hanya dibebankan pada bahan yang simpan lebih dari satu periode. Heuristik Silver Meal dimulai pada awal permulaan periode pertama, dimana pembelian bahan dilakukan bila persediaan bahan baku diperhitungkan nol Arman Hakim,1995. Tersine 1995 memberikan langkah-langkah penerapan dari heuristik silver meal sebagai berikut : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 1. Menghitung total relevan cost TRC T T periode akhir pada simpan biaya Total C T T TRC _ _ _ _ _ _ + = ∑ = − + = T t Rk K ph C T T TRC 1 1 Dimana : C = biaya simpan H = friksi biaya simpan P = biaya pengadaan Ph = biaya simpan TRC T = total relevan cost tiap T periode T = waktu pengadaan Rk = permintaan rata-rata dalam periode Kj Sedangkan menurut Arman Hakim 1995, penyelesaian Heuristik memberikan cara penyelesaian lebih sederhana. Ada beberapa pendekatan heuristik, tetapi pendekatan silver meal lebih mudah digunakan dan menghasilkan pola pembelian terbaik dibandingkan pendekatan heuristik lainnya. Pendekatan Silver Meal mirip dengan pendekatan EOQ, tetapi perhitungannya lebih didasarkan pada variabel periode pembelian dan bukan didasarkan total permintaan selama perencanaan. Bila t adalah jumlah satuan waktu selama periode pembelian, maka : Rata-rata = biaya pesan + biaya simpan total pada akhir periode t biaya persediaan t atau { } t h D t D D D k TU AC t 1 ...... 1 3 1 2 1 1 3 2 1 − + + − + − + − + = dimana : = TU AC Rata-rata biaya persediaan persatuaan waktu K = Biaya perpesan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Dt = Permintaan selama periode ke-t h = Biaya simpan perunit perperiode, dimana pada periode pertama t-1 tidak ada biaya simpan sehingga variabel D pada persamaan diatas dapat diabaikan. Aturan penyelesaiaan adalah menghitung TU AC untuk periode pembeliaan berurutan sampai TU AC terendah yang merupakan periode pembeliaan dan jumlah bahan baku yang dibeli sebagai kebutuhan selama periode tersebut. Q 1 = D 2 + D 2 + D 3 +……D t 2. Membuat tabel pengadaan Adapun bentuk dari pada tabel tersebut adalah sebagai berikut : Tabel 2.4 Pengadaan periode t Kebutuhan TU AC Pembeliaan kembali Sumber : Tersine, 1994 Bila 1 1 + + T T TRC T T TRC maka pada periode T+1 tersebut harus dilakukan pengadaan persediaan bahan baku kembali dan waktu pengadaan T dimulai kembali dari 1 sehingga biaya simpan holding costnya kembali 0 serta terjadi biaya pesan c kembali. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 3. Membuat tabel pengendaliaan Tabel 2.5 Pengendaliaan Periode Kebutuhan Pembeliaan Simpan Total biaya Sumber : Tersine, 1994 4. Menghitung tingkat effisiensi biaya Effisiensi = 100 x TC TC TC A B A − Dimana : TC A = total cost kebijaksanaan pengendaliaan persediaan perusahaan TC B = total cost perhitungan heuristik silver meal.

2.7.3. Model Pengendalian Persediaan Probabilistik Stasioner

Model pengendalian persediaan Probabilistik adalah suatu model pengendalian persediaan dimana parameter dari sistem pengendalian tidak dapat diketahui dengan pasti atau bervariasi Pangestul, 1986 : 228. Model pengendalian persediaan ini disebut sebagai model probabilistik stasioner adalah karena fungsi kepadatan probabilitas permintaannya tetap tidak berubah sepanjang waktu sehingga pada gilirannya pengaruh trend musiman permintaan tidak dihubungkan dan dimasukkan kedalam model pengendalian persediaan Arman Hakim,1995 : 11 . Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

2.7.4. Model Pengendalian Persediaan Probabilisik Non Stasioner

Model pengendalian persediaan probabilistik non stasioner merupakan model probabilistik yang fungsi kepadatan probabilitas permintaannya tetap tidak berubah sepanjang waktu ke waktu dan dipengaruhi trend musiman permintaan. Pada kebutuhan yang bersifat probabilitas ini, kebutuhan dimasa yang akan datang hanya diketahui berdasarkan pada distribusi kemungkinan data kebutuhan masa yang lalu Arman Hakim, 1995 : 11.

2.8. Peramalan Untuk Perencanaan Persedian Bahan Baku

2.8.1. Pengertian Peramalan

Pengertian peramalan menurut Arman Hakim 2003 : 25 adalah proses untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran, kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa. Sedangkan menurut Sofjan Assauri 1993 : 4. prakiraan atau peramalan adalah merupakan seni dan ilmu dalam memprediksi kejadian yang mungkin dihadapi pada masa yang akan datang. Peramalan merupakan salah satu sarana yang penting dalam pengambilan keputusan. Untuk mengetahui hasil dari peramalan dibutuhkan data–data masa lampau yang relevan dan dikumpulkan secara teratur. Dan hasil ramalan tersebut merupakan suatu taksiran yang bersifat ilmiah meskipun masih terdapat kesalahan yang disebabkan oleh adanya keterbatasan metode yang digunakan. Dalam hubungannya dengan waktu peramalan, maka peramalan dapat diklasifikasikan kedalam 3 kelompok yaitu Arman Hakim, 2003 : 26 : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 1. Peramalan Jangka Panjang, umumnya 2 sampai 10 tahun. Peramalan ini digunakan untuk perencanaan produk dan perencanaan sumber daya. 2. Peramalan Jangka Menengah, umumnya 1 sampai 24 bulan. Peramalan ini lebih mengkhusus dibandingkan peramalan jangka panjang, biasanya digunakan untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran. 3. Peramalan Jangka Pendek, umumnya 1 sampai 5 minggu. Peramalan ini digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan lain – lain keputusan control jangka pendek. Teguh Baroto 2002 : 27 Secara umum metode peramalan dibagi menjadi dua kategori yaitu : 1. Metode Kualitatif Metode ini biasanya digunakan bila tidak ada atau sedikit data masa lalu tersedia. Dalam metode ini pendapat, pakar dan prediksi mereka dijadikan dasar untuk menetapkan permintaan yang akan datang. Metode kualitatif yang banyak dikenal adalah metode Delphi dan metode kelompok nominal nominal group technique. 2. Metode Kuntitatif Pada metode ini, suatu set data historis masa lalu digunakan untuk mengekstrapolasi meramalkan permintaan masa depan. Ada dua kelompok besar metode kuantitatif yaitu metode Time Series dan metode Nontime Series structural models. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

2.8.2. Pola Permintaan

Teguh Baroto 2002 : 31 Dalam peramalan time series terdapat empat jenis pola permintaan, yaitu 1 trend, 2 musiman, 3 siklikal, 4 eratikrandom. Pola permintaan ini akan berhubungan dengan metode peramalan yang digunakan. Pola – pola data tersebut akan diuraikan secara jelas, sebagai berikut : 1. Pola Trend Pola trend adalah bila data permintaan menunjukkan pola kecenderungan gerakan penurunan atau kenaikan jangka panjang. Data yang kelihatannya berfluktuasi, apabila dilihat pada rentang waktu yang panjang akan dapat ditarik suatu garis maya garis putus–putus yang disebut garis trend. Bila data berpola trend, maka metode peramalan yang sesuai adalah metode regresi linier, eksponential smoothing atau double eksponential smoothing. Metode regresi linier biasanya memberikan tingkat kesalahan yang lebih kecil. Gambar 2.5 Fluktuasi Permintaan Berpola Trend Teguh Baroto, 2002 Waktu Periode Permintaan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 2. Pola Musiman Bila data yang kelihatannya berfluktuasi, namun fluktuasi tersebut akan terlihat berulang dalam suatu interval waktu tertentu, maka data tersebut berpola musiman. Disebut pula musiman karena permintaan ini biasanya dipengaruhi oleh musim, sehingga biasanya interval perulangan data ini adalah satu tahun. Contoh lain adalah permintaan baju hangat tentu sangat dipengaruhioleh musim semi, panas, gugur, dingin . Metode peramalan yang sesuai dengan pola musiman adalah metode winter sangat sesuai atau moving average atau weight moving average. Gambar 2.6 Fluktuasi Permintaan Berpola Musiman Teguh Baroto, 2002 3. Pola Siklikal Pola siklikal adalah bila fluktuasi permintaan secara jangka panjang membentuk pola sinusoid atau gelombang atau siklus. Pola siklikal mirip dengan pola musiman. Pola musiman tidak harus berbentuk gelombang, bentuknya dapat bervariasi, namun waktunya akan berulang setiap tahun Waktu Periode Permintaan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. umumnya. Pola siklikat bentuknya selalu mirip gelombang sinusoid. Untuk menentukan data berpola siklis tidaklah mudah. Kaluau pola musiman rentang waktu satu tahun dapat dijadikan pedoman, maka rentang waktu perulangan siklikal tidak tentu. Metode yang sesuai bila pola data siklikal adalah metode moving average , weight moving average dan eksponential smoothing. Gambar 2.7 Fluktuasi Permintaan Berpola Siklis Teguh Baroto, 2002 4. Pola EratikRandom Pola eratik random adalah bila fluktuasi data permintaan dalam jangka panjang tidak dapat digambarkan oleh ketiga pola lainnya. Fluktuasi permintaan bersifat acak atau tidak jelas. Tidak ada metode peramalan yang direkomendasikan untuk pola ini. Hanya saja, tingkat kemampuan seorang analis peramalan sangat menentukan dalam pengambilan kesimpulan mengenai pola data. Seorang analis, untuk data yang sama mungkin menyimpulkan berpola random dan analis lainnya menyimpulkan musiman. Keterampilan dan imajinasi analis peramal memang merupakan faktor yang Waktu Periode Permintaan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. paling menentukan dalam pelaksanaan peramalan. Bisa jadi, pola data peramalan yang random ini ternyata mengikuti pola tertentu yang bukan seperti ketiga pola lainnya, untuk ini diperlukan metode khusus mungkin subjektif untuk melakukan peramalan. Gambar 2.8 Fluktuasi Permintaan Berpola EratikRandom Teguh Baroto, 2002

2.8.3. Metode Peramalan

2.8.3.1. Metode Rata – Rata Bergerak Moving Average

Moving Average diperoleh dengan merata – rata permintaan berdasarkan beberapa data masa lalu yang terbaru. Tujuan utama dari penggunaan teknik Moving Average ini adalah untuk mengurangi atau menghilangkan variasi acak permintaan dalam hubungannya dengan waktu. Arman Hakim, 2003 : 35 Teguh Baroto 2002 : 36 Rumus metode Moving Average adalah : Waktu Periode Permintaan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. m f f f f f m t t t t t − − − − + + + + = ...... 3 2 1 Dimana : m = jumlah periode yang digunakan sebagai dasar peramalan nilai m ini minimal 2 dan maksimal tidak ada, ditentukan secara subjekif t f = ramalan penjualan untuk periode t t f = penjualan aktual pada periode t

2.8.3.2. Metode Pemulusan Eksponential Eksponential Smoothing

Ada beberapa metode yang dikelompokkan dalam metode Eksponential Smoothing , yaitu Makridakis, 1995 : 78 : 1. Single Eksponential Smoothing, dapat dirumuskan sebagai berikut : Kasus yang paling sederhana dari pemulusan eksponential ini dapat dikembangkan dari suatu variasi persamaan sebagai berikut :       − − + = + N N X N X F F t t t t 1 Misal observasi lama Xt – N tidak tersedia maka digantikan dengan suatu nilai pendekatan aproksimasi. Salah satu pengganti yang mungkin adalah ramalan periode sebelumnya Ft, maka persamaan menjadi :       − + = + N F N X F F t t t t 1 t t t t F N X N F F       − +       + = + 1 1 1 1 Dari persamaan diatas dapat dilihat bahwa ramalan 1 + t F didasarkan atas pembobotan ramalan yang terakhir dengan suatu nilai bobot 1N dan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. pembobotan ramalan yang terakhir sebelumnya Ft dengan suatu bobot 1 – 1N. Karena N merupakan suatu bilangan positif, 1N akan suatu menjadi konstan antara 0 jika N tidak terhingga dan 1 jika N=1. Dengan mengganti 1N dengan α, persamaan menjadi : t t t F X F . 1 . 1 α α − + = + Dimana : 1 + t F = perkiraan permintaan pada periode t α = suatu nilai 0 α 1 yang ditentukan secara subjektif t X = penjualan aktual pada periode t t F = perkiraan penjualan pada periode t Persamaan ini merupakan bentuk umum yang digunakan dalam menghitung ramalan dengan metode pemulusan smoothing. Metode ini banyak mengurangi masalah penyimpangan data, karena tidak perlu lagi menyimpan semua data historis. 2. Double Eksponential Smoothing Dasar pemikiran dari pemulusan eksponensial dari Brown adalah serupa dengan rata – rata bergerak linier. Dalam metode ini dilakukan 2 kali pemulusan, langkah–langkahnya yaitu : • Menghitung smoothing pertama 1 1 . − − + = t t t S X S α α • Menghitung smoothing kedua 1 1 . − − + = t t t S S S α α • Menghitung perbedaan smoothing t t t t t t S S S S S a 2 − = − + = Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. • Menghitung dugaan trend 1 t t t S S b − − = α α • Menghitung ramalan pada periode m m b A F t t m t . + = + Dimana : Xt = penjualan aktual pada periode t - 1 t S = peramalan penjualan pertama 1 − t S = peramalan penjualan pertama pada periode t α = factor smoothing dan β = 1 - α t S = peramalan penjualan kedua 1 − t S = peramalan penjualan kedua pada periode t t A = perbedaan smoothing t b = pendugaan trend m = jumlah periode dalam peramalan Double Eksponential Smoothing Metode Hold, dapat dirumuskan sebagai berikut : Metode pemulusan ekponential dari Hold dalam prinsipnya serupa dengan Brown kecuali bahwa Hold tidak menggunakan rumus pemulusan secara langsung. Sebagai gantinya Hold memuluskan nilai trend dengan parameter yang berbeda dari parameter yang digunakan pada deret yang asli. Dalam metode ini dilakukan 2 kali pemulusan dan menggunakan 2 konstanta dengan nilai antara 0 dan 1, langkah – langkahnya yaitu : • Pemulusan keseluruhan 1 . 1 1 − − + − + = t t t t b S X S α α Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. • Pemulusan trend 1 1 1 . − − − + − = t t t t b S S b γ γ • Ramalan m b S F t t m t . + = + Dimana : m t F + = ramalan untuk m periode ke depan t S = nilai smoothing α = konstanta untuk smoothing 0 α 1 t b = dugaan trend t X = nilai aktual γ = konstanta untuk trend 0 γ 1 m = periode pendugaan dalam peramalan 3. Triple Eksponential Smoothing Metode Winter Metode Winter didasarkan atas 3 persatuan pemulusan, yaitu satu untuk unsur stasioner, satu untuk unsur trend dan satu untuk unsur musiman. Hal ini serupa dengan metode Hold dengan satu persamaan tambahan untuk mengatasi musiman. Persamaan dasar untuk metode winter adalah sebagai berikut : • Pemulusan keseluruhan 1 1 1 − − + − + − = t t t t t b S L I X S α α • Pemulusan trend 1 1 1 . − − − + − = t t t t b S S b γ γ • Pemulusan musiman L t t t t I S X I − − + = 1 β β Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. • Ramalan m L t t t m t I m b S F + − + + = . Dimana : L = panjang musiman misalnya jumlah bulan B = komponen trend I = faktor penyesuaian musiman m t F + = ramalan untuk m periode ke depan t S = nilai smoothing α = konstanta untuk smoothing 0 α 1 t X = nilai aktual γ = konstanta untuk trend 0 γ 1 t b = dugaan trend β = konstanta untuk musiman 0 β 1 tm = periode penduga

2.8.3.3. Regresi Linier

Regresi Linear adalah suatu metode populer untuk berbagai macam permasalahan. Untuk peramalan time series, formula regresi linier cocok digunakan bila pola data adalah trend. Formulasi regresi linier bila digunakan untuk pendugaan peramalan Teguh Baroto, 2002 : 41 : t t b a f + = Dimana : t f = nilai fungsi permintaan pada periode t variabel terikat a = intercept nilai tetap y bila x = 0 t b = slope derajat kemiringan persaman garis regresi t = periode variabel bebas Dengan : ∑ ∑ ∑ ∑ ∑ ∑ − − = 2 2 2 . . t t n t f t t t f t a Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. ∑ ∑ ∑ ∑ ∑ − − = 2 2 . . t t n t f t t f t n b Dimana : n = jumlah periode dalam peramalan a = intercept nilai tetap y bila x = 0 t b = slope derajat kemiringan persaman garis regresi ∑ t f = jumlah dari variabel terikatnya ∑ t = jumlah dari variabel bebasnya ∑ . t f t = jumlah perkalian variabel bebas dan variabel terikatnya

2.8.4. Ukuran Akurasi Hasil Peramalan

Ukuran akurasi hasil peramalan yaitu criteria ketepatan peramalan merupakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan penjualan yang sebenarnya terjadi. Ada 4 ukuran yang biasa digunakan yaitu : Arman Hakim, 2003 : 30 dan Teguh Baroto, 2002 : 47 1. Rata – Rata Deviasi Mutlak Mean Absolute Deviation = MAD MAD merupakan rata – rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut : m f f MAD m t t t ∑ = − = 1 Dimana : t f = permintaan aktual pada periode t t f = peramalan permintaan forecast pada periode t Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. m = jumlah periode peramalan yang terlibat 2. Rata – Rata Kuadrat Kesalahan Mean Square Error = MSE MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Secara matematis, MSE dirumuskan sebagai berikut : m f f MSE m t t t ∑ = − = 1 2 3. Rata – Rata Kesalahan Peramalan Mean Forecast Error = MFE MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bisa, maka nilai MFE akan mendekati nol. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. Secara matematis, MFE dirumuskan sebagai berikut : m f f MFE m t t t ∑ = − = 1 2 4. Rata – Rata Persentase Kesalahan Absolute Mean Absolute Precentage Error = MAPE MAPE merupakan ukuran kesalahan relative, MAPE biasanya lebih berarti bila dibandingkan dengan MAD karena MAPE menyatakan persentase kesalahan hail peramalan terhadap hasil permintaan actual selama periode tertentu yang akan memberikan informasi presentase kesalahan terlalu tinggi atau terlalu rendah. Secara matematis, MSE dirumuskan sebagai berikut : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. [ ] m x f f f MAPE m t t t t ∑ = − = 1 100 Dimana : t f = penjualan aktual pada periode t t f = peramalan penjualan forecast pada periode t m = jumlah periode peramalan yang terlibat

2.8.5. Uji Verifikasi Peramalan

Langkah terpenting setelah peramalan adalah melakukan verifikasi peramalan sedemikian rupa sehingga hasil peramalan tersebut benar – benar mencerminkan data masa lalu dan system sebab akibat yang mendasari penjualan tersebut. Sepanjang aktualitas peramalan tersebut dapat dipercaya, maka hasil peramalan akan terus digunakan. Jika selama proses verifikasi tersebut ditemukan keraguan validitas metode peramalan yang digunakan harus dicari metode lainnya yang lebih cocok. Validitas tersebut harus ditentukan dengan uji statistik yang sesuai. Banyak alat yang dapat digunakan untuk memverifikasi peramalan dan mendeteksi perubahan system sebab akibat yang melatar belakangi perubahan pola penjualan. Bentuk yang paling sederhana adalah peta control peramalan yang mirip dengan peta control kualitas. Peta control peramalan ini dapat dibuat dengan kondisi data yang tersedia minim. Adapun prosedur peramalan penjualan dengan metode Time Series adalah sebagai berikut : a. Membuat diagram scatter Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. b. Siapkan model peramalan yang sesuai dengan pola data pada diagram scatter c. Menghitung nilai MSE dari masing – masing metode peramalan yang telah dicoba dan mengurutkan mulai dari yang terkecil sampai yang terbesar. d. Melakukan uji verifikasi peramalan dengan Peta Moving Range MRC diurut mulai dari metode yang menghasilkan MSE terkecil e. Jika uji verifikasi tidak terpenuhi yaitu berada dalam kondisi out of control, maka lakukan uji verifikasi kembali dengan memilih metode yang memiliki nilai MSE terkecil berikutnya. f. Jika uji verifikasi terpenui maka dapat dilakukan peramalan penjualan tahun berikutnya dengan metode yang telah dipilih dan hasilnya akan digunakan untuk menghitung target peramalan produksi.

2.8.6. Peta

Moving Range Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai peramalan. Dengan kata lain, kita melihat data permintaan actual dan membandingkannya dengan nilai peramalan pada periode yang sama. Peta tersebut akan dikembangkan sampai periode yang akan datang, sehingga kita dapat membandingkan data peramalan dengan penjualan actual pada periode berikutnya. Aman Hakim, 2003 : 55 Moving Range dapat dirumuskan sebagai berikut : 1 − − − − = t t t t f f f f MR Adapun rata – rata moving range didefinisikan sebagai berikut : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 1 1 − = ∑ = n MR R M n t t Garis tengah Peta Moving Range adalah pada titik nol. Batas atas dan bawah pada Peta Moving Range adalah : BKA = + 2.66 R M BKB = - 2.66 R M Jika semua titik berada didalam batas kendali, diasumsikan peramalan permintaan yang dihasilkan telah cukup baik. Jika terdapat titik yang berada diluar batas kendali, maka jelas dapat kita katakan bahwa peramalan yang didapat kurang baik dan harus direvisi. Peta kendali dapat digunakan untuk mengetahui apakah terjadi perubahan dalam sistem sebab akibat yang melatarbelakangi permintaan sehingga dapat ditntukan persamaan peramalan baru yang lebih cocok. Persamaan yang digunakan untuk menghitung kesalahan atau residual dari setiap metode peramalan : t t f f f e − = ∆ = 1 Dimana : f e ∆ 1 = kesalahan peramalan pada periode t t f = nilai sebenarnya pada periode t t f = nilai peramalan pada periode t Adapun kondisi – kondisi out of control pada batas – batas MRC ini adalah sebagi berikut John E. Biegel, 1992 : 1. Bila terdapat titik–titik diluar batas atas dan batas bawah 2. Bila ada 3 titik berturut–turut ada 2 atau lebih titik berada pada daerah A 3. Bila ada 5 titik berturut–turut ada 4 atau lebih titik berada pada daerah B 4. Bila ada 8 titik berturut–turut terletak pada satu sisi daerah C Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Batas–batas out of control tersebut digambar sebagai berikut : A B C C B A Gambar 2.9 Kriteria of Kontrol Arman Hakim, 2003

2.9. Penelitan Terdahulu

Berikut adalah beberapa ringkasan penelitian terdahulu yang juga menggunakan metode Heuristik Silver Meal : a. Sugeng Juniarto, Analisis pengendalian persediaan komponen braking system aircraft boeing 737 menggunakan metode heuristik silver meal di strategic business unit - merpati maintenance facility, Tahun 2005, UPN “Veteran” Jatim. Strategic Business Unit – Merpati Maintenance Facility PT.Merpati Nusantara Airlines merupakan peusahaan yang bergerak dibidang jasa perawatan pesawat terbang. Untuk menunjuk kelayakan terbang maka diadakan material bahan baku komponen Brake Unit PN.2606672-4. Adapun tujuan diadakan penelitian ini adalah untuk menentukan tingkat pengendalian persediaan komponen Brake Unit secara optimal yang dapat menimumkan biaya persediaan.Dalam merencanakan dan mengendalikan Periode d’t - dt BKA = 2.66 R M 23 BKA 13 BKA Garis tengah - 13 BKA - 23 BKA BKB = - 2.66 R M Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. persediaan komponen agar total biaya persediaan menjadi minimum, data-data diperoleh dari perusahaan mempunyai karakteristik tingkat permintaan yang bervariasi dan fluktuatif, sehingga data-data tersebut diolah dengan model pengendalian persediaan deterministik dinamis, yaitu dengan menggunakan metode Heuristik Silver Meal yang kemudian hasil dari pengolahan data tersebut dibandingkan dengan biaya total persediaan perusahaan yang sebenarnya. Dan setelah dilakukan penelitian, maka didapatkan hasil sebagai berikut : 1. Dari hasil perhitungan diperoleh bahwa metode Heuristik Silver-Meal menghasilkan total biaya persediaan bahan baku yang lebih kecil dari pada total biaya persediaan yang diterapkan oleh perusahaan, dimana total cost riil perusahaan TC A adalah sebesar Rp. 724.217.029,1 sedangkan total cost metode Heuristik Siver-Meal TC B sebesar Rp. 710.126.929,5 sehingga didapat selisih sebesar Rp. 14.090.099,6. 2. Dari hasil penelitian ini didapatkan bahwa model pengendalian Heuristik Silver-Meal lebih efisien dari pada kebijaksanaan pengendalian yang dilakukan oleh perusahaan selama ini. Hal ini dapat dilihat dari tingkat efisiensi biaya dari Metode Heuristik Silver-Meal yang sebesar 1,95 . 3. Dari hasil perhitungan diperoleh bahwa persediaan bahan baku hasil peramalan untuk tahun 2005 dengan menggunakan metode Heuristik Silver Meal menghasilkan total biaya persediaan sebesar Rp. 649.277.998,9 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 4. Pengadaan bahan baku yang optimal dilakukan apabila bahan baku dalam perhitungan sama dengan nol sehingga kelebihan bahan baku tidak akan terjadi. b. Afrian Kurniansyah, Pengendalian bahan baku paving stone dengan pendekatan algoritma wagner within dan heuristik silver meal guna meminimumkan biaya persediaan pada cv. Bangun di Surabaya, Tahun 2005, UPN “Veteran” Jatim. CV. BANGUN merupakan perusahaan yang berlokasi di jalan Mastrip Kebraon dan bergerak dalam pembuatan paving stone. CV. BANGUN memproduksi beberapa jenis paving stone antara lain paving stone balok, paving stone tiga diamond, paving stone segi enam. Untuk setiap hasil produksi paving stone dibutuhkan bahan baku. Adapun bahan baku yang dibutuhkan untuk pembuatan paving stone antara lain pasir, semen, dan abu batu. Masalah yang sering terjadi CV. BANGUN adalah dalam setiap kali pemesanan bahan baku baik secara kuantitas pemesanan bahan baku hingga waktu kedatangan bahan baku antara bahan baku yang satu dengan yang lain selalu tidak sama, sehingga sering terjadi penumpukan bahan baku yang berlebihan. Dan kadang-kadang juga terjadi kekurangan bahan baku pada saat dibutuhkan untuk produksi yang dapat menyebabkan membesarnya biaya pemesanan dan biaya penyimpanan bahan baku serta dapat menggangu atau bahkan sampai terhentinya kegiatan proses produksi paving stone. Hal seperti ini tentunya perlu mendapatkan perhatian dan penanganan yang serius untuk memperbaiki keadaan untuk memperlancar kegiatan produksi perusahaan. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Pendekatan Heuristic Silver Meal dalam perhitungannya lebih didasarkan pada variabel periode pembelian dan bukan berdasarkan total permintaan selama perencanaan yang menyatakan bahwa pembelian bahan baku hanya dilakukan pada awal periode, biaya simpan hanya dibebankan pada bahan yang disimpan lebih dari satu periode. Sedangkan metode pengendalian Wagner – Within didasarkan atas permintaan beberapa periode mendatang yang sudah diramalkan sebelumnya. Pembelian bahan hanya dilakukan pada awal periode sedang biaya simpan hanya dibebankan pada bahan yang disimpan lebih dari satu periode. Algoritma Wagner – Within dimulai pada awal periode, dimana pembelian bahan baku dilakukan hanya jika persediaan bahan baku diperhitungkan nol. Dan setelah dilakukan penelitian, maka didapatkan hasil sebagai berikut : 1. Berdasarkan hasil perhitungan dan analisa perusahaan, ternyata model yang digunakan CV. Bangun untuk melakukan perencanaan pengendalian bahan baku pasir, semen dan abu batu masih belum ekonomis dibandingkan dengan menggunakan Algoritma Wagner Within. 2. Hal tersebut terlihat dari hasil perhitungan dengan metode Heuristik Silver Meal maupun Algoritma Wagner Within, dimana masih dapat dilakukan penghematan seperti terlihat pada tabel berikut ini : 3. Sedangkan total biaya pengadaan bahan baku yang akan dikeluarkan oleh CV. Bangun untuk periode April 2005 – Maret 2006 berdasarkan hasil peramalan dengan perhitungan Wagner Within adalah tidak lebih besar dari Rp. 525.208.000,-. c. Dwi Prasetyo . Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB III METODE PENELITIAN

3.1. Tempat dan Waktu Penelitian

Penelitian ini dilakukan pada CV Gunung Mas Gresik Jln.Rantau No.5 GKB Gresik Jawa Timur. Penelitian dilalukan pada bulan Maret 2011 dan data yang diambil pada bulan Januari 2010 sampai Februari 2011.

3.2. Identifikasi dan definisi operasional variabel

3.2.1. Identifikasi Variabel

Mengacu pada judul penelitian, maka dapat diidentifikasikan variabel – variabel yang berhubungan dengan permasalahan dan nantinya akan dianalisa yang terdiri dari : a. Variabel Terikat : • Total biaya persediaan yang minimum. b. Variabel Bebas : 1. Data kebutuhan bahan baku bulan Januari 2010 Sampai Februari 2011. Kebutuhan bahan baku yang diperlukan adalah mulai Januari 2010 Sampai Februari 2011. 2. Data biaya pemesanan bahan baku Biaya pemesanan yang diperlukan adalah mulai bulan Januari 2010 Sampai Februari 2011. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.