66827086.6 77119955.42 95969195.83 TKY1. PENGUMPULAN DAN PENGOLAHAN DATA

Gambar 5.2. Deseasonalized Data XC7 5. Menghitung Tren musiman Deseasonalized data berguna untuk mendapatkan tren musiman menggunakan metode peramalan eksponensial dan siklis, dimana untuk perhitungannya dapat dilihat pada Tabel 5.11 dan Tabel 5.12. Tabel 5.11 Tren Musiman XC7 Menggunakan Metode Eksponensial Tahun Periode t Xt X 2 lnXt tlnXt Jun-09 1 74511665.4 1 18.126 18.126 Jul-09 2 59383708.6 4 17.900 35.799 Aug-09 3 75509646.1 9 18.140 54.419 Sep-09 4 63311325.7 16 17.964 71.854 Oct-09 5 57515172.1 25 17.868 89.338 Nov-09 6 60493382.2 36 17.918 107.508 Dec-09 7 61530366.7 49 17.935 125.545 Jan-10 8 61270491.7 64 17.931 143.446 Feb-10 9 60750731.3 81 17.922 161.301 Mar-10 10 60144345.8 100 17.912 179.123 Apr-10 11 60620741.7 121 17.920 197.122 May-10 12 61313658.3 144 17.932 215.178 Jun-10 13 62093120.8 169 17.944 233.274 Tabel 5.10 Tren Musiman XC7 Menggunakan metode Eksponensial Lanjutan Tahun Periode t Xt X 2 lnXt tlnXt Jul-10 14 62352875 196 17.948 251.276 Aug-10 15 62924604.2 225 17.957 269.362 Sep-10 16 64102712.5 256 17.976 287.616 Oct-10 17 67099958.3 289 18.022 306.369 Nov-10 18 70573645.8 324 18.072 325.299 Dec-10 19 80955852.2 361 18.209 345.979 Jan-11 20 56617064.9 400 17.852 357.036 Feb-11 21 89339251.7 441 18.308 384.467 Mar-11 22 66827086.6 484 18.018 396.388 Apr-11 23 148953771 529 18.819 432.840 May-11 24 79805153.4 576 18.195 436.682 Total 300 1668000332 4900 432.788 5425.348 b = ∑ ∑ ∑ ∑ − − 2 2 ln t t n tXt Xt t n = 2 300 4900 24 348 . 5425 300 788 . 432 24 − − = 0.01348 ln a = n t b Xt ∑ ∑ − ln = 24 300 01348 . 788 . 432 − = 17.8643 a = 57330309.3 Fungsi Tren Musimannya adalah : Y = 57330309.3e 0.01348X Tabel 5.12 Tren Musiman XC7 Menggunakan Metode Siklis Tahun Periode t Xt Sin 2πxn Cos 2πxn Ysin2πxn Ycos2πxn sin 2 2πxn cos 2 2πxn sin2πxn cos2πxn Jun-09 1 74511665.4 0.259 0.966 19285038.09 71972741.97 0.067 0.933 0.250 Jul-09 2 59383708.6 0.500 0.866 29691854.30 51427800.22 0.250 0.750 0.433 Aug-09 3 75509646.1 0.707 0.707 53393382.80 53393382.80 0.500 0.500 0.500 Sep-09 4 63311325.7 0.866 0.500 54829216.40 31655662.85 0.750 0.250 0.433 Oct-09 5 57515172.1 0.966 0.259 55555390.13 14886021.92 0.933 0.067 0.250 Nov-09 6 60493382.2 1.000 0.000 60493382.20 0.00 1.000 0.000 0.000 Dec-09 7 61530366.7 0.966 -0.259 59433770.30 -15925230.75 0.933 0.067 -0.250 Jan-10 8 61270491.7 0.866 -0.500 53061802.31 -30635245.85 0.750 0.250 -0.433 Feb-10 9 60750731.3 0.707 -0.707 42957254.06 -42957254.06 0.500 0.500 -0.500 Mar-10 10 60144345.8 0.500 -0.866 30072172.90 -52086531.36 0.250 0.750 -0.433 Apr-10 11 60620741.7 0.259 -0.966 15689802.48 -58555140.02 0.067 0.933 -0.250 May-10 12 61313658.3 0.000 -1.000 0.00 -61313658.30 0.000 1.000 0.000 Jun-10 13 62093120.8 -0.259 -0.966 -16070882.23 -59977349.02 0.067 0.933 0.250 Jul-10 14 62352875 -0.500 -0.866 -31176437.50 -53999173.75 0.250 0.750 0.433 Aug-10 15 62924604.2 -0.707 -0.707 -44494414.33 -44494414.33 0.500 0.500 0.500 Sep-10 16 64102712.5 -0.866 -0.500 -55514577.48 -32051356.25 0.750 0.250 0.433 Oct-10 17 67099958.3 -0.966 -0.259 -64813582.66 -17366747.13 0.933 0.067 0.250 Nov-10 18 70573645.8 -1.000 0.000 -70573645.80 0.00 1.000 0.000 0.000 Dec-10 19 80955852.2 -0.966 0.259 -78197348.43 20952916.36 0.933 0.067 -0.250 Jan-11 20 56617064.9 -0.866 0.500 -49031816.49 28308532.45 0.750 0.250 -0.433 Feb-11 21 89339251.7 -0.707 0.707 -63172390.70 63172390.70 0.500 0.500 -0.500 Mar-11 22 66827086.6 -0.500 0.866 -33413543.30 57873954.66 0.250 0.750 -0.433 Apr-11 23 148953771 -0.259 0.966 -38552072.77 143878294.33 0.067 0.933 -0.250 May-11 24 79805153.4 0.000 1.000 0.00 79805153.40 0.000 1.000 0.000 Total 300 1668000332 0.000 0.000 -70547645.72 147964750.84 12.000 12.000 0.000 ∑ Xt = na + b ∑       n t π 2 sin + c ∑       n t π 2 cos 1668000332 = 24a + b0 + c0 1668000332 = 12a a = 69500013.83 ∑ ∑ ∑ ∑       +       +       =       n t n t c n t b n t a n t Xt π π π π π 2 cos 2 sin 2 sin 2 sin 2 sin 2 -70547645.72 = a 0 + b 12 + c 0 -70547645.72 = 12b b = -5878970.477 ∑ ∑ ∑ ∑       +       +       =       n t c n t n t b n t a n t Xt π π π π π 2 cos 2 cos 2 sin 2 cos 2 cos 2 147964750.84 = a 0 + b 0 + c 12 147964750.84 = 12c c = 12330395.9 Fungsi peramalannya adalah : Y = 69500013.83 - 5878970.477sin       n t π 2 +12330395.9 cos       n t π 2

5.2.2.2. Perhitungan Kesalahan Tren untuk XC7

Dari perhitungan kesalahan yang dilakukan didapatkan bahwa Tren Eksponensial memiliki tingkat kesalahan yang lebih kecil dibandingkan dengan Tren Siklis, untuk perhitungannya dapat dilihat pada Tabel 5.13. Tabel 5.13. Perhitungan Kesalahan Tren Metode Dekomposisi untuk XC7 Periode t ERROR ANALYIS TREN EKSPONENSIAL ERROR ANALYIS TREN SIKLIS Ft Xt-Ft Xt-Ft 2 [Pet] Ft Xt-Ft Xt-Ft 2 [Pet] 1 58108281.82 16403383.58 269070992918895.00 22.015 79888672.16 -5377006.76 28912201696378.60 7.216 2 58896811.43 486897.17 237068856822.16 0.820 77238964.69 -17855256.09 318810169900610.00 30.068 3 59696041.39 15813604.71 250070094058060.00 20.942 74061860.50 1447785.60 2096083140983.63 1.917 4 60506116.9 2805208.80 7869196423412.02 4.431 70573874.00 -7262548.30 52744607869201.70 11.471 5 61327185.14 -3812013.04 14531443400743.40 6.628 67012705.71 -9497533.61 90203144697456.00 16.513 6 62159395.28 -1666013.08 2775599572715.07 2.754 63621043.36 -3127661.16 9782264310041.37 5.170 7 63002898.51 -1472531.81 2168349934227.95 2.393 60630023.12 900343.58 810618554295.29 1.463 8 63857848.09 -2587356.39 6694413073486.15 4.223 58243478.10 3027013.60 9162811331245.72 4.940 9 64724399.33 -3973668.03 15790037629830.30 6.541 56624047.38 4126683.92 17029520136941.10 6.793 10 65602709.68 -5458363.88 29793736257858.00 9.075 55882092.50 4262253.30 18166803161410.10 7.087 11 66492938.7 -5872197.00 34482697662552.50 9.687 56068176.46 4552565.24 20725850294084.20 7.510 12 67395248.14 -6081589.84 36985734978837.80 9.919 57169617.93 4144040.37 17173070589867.40 6.759 13 68309801.92 -6216681.12 38647124113601.70 10.012 59111355.51 2981765.29 8890924264135.22 4.802 14 69236766.19 -6883891.19 47387957957839.70 11.040 61761062.98 591812.02 350241466359.02 0.949 15 70176309.38 -7251705.18 52587227983741.10 11.524 64938167.17 -2013562.97 4054435817138.03 3.200 16 71128602.17 -7025889.67 49363125611626.30 10.960 68426153.66 -4323441.16 18692143486285.30 6.745 17 72093817.57 -4993859.27 24938630438423.60 7.442 71987321.96 -4887363.66 23886323499962.10 7.284 18 73072130.96 -2498485.16 6242428074025.03 3.540 75378984.31 -4805338.51 23091278197041.10 6.809 19 74063720.06 6892132.14 47501485502726.60 8.513 78370004.54 2585847.66 6686608108513.70 3.194 20 75068765.02 -18451700.12 340465237401696.00 32.590 80756549.57 -24139484.67 582714719945605.00 42.636 21 76087448.45 13251803.25 175610289284040.00 14.833 82375980.28 6963271.42 48487148840954.80 7.794 22 77119955.42 -10292868.82 105943148604023.00 15.402 83117935.16 -16290848.56 265391746899945.00 24.378 23 78166473.52 70787297.48 5010841485126800.00 47.523 82931851.21 66021919.79 4358893892767670.00 44.324 24 79227192.86 577960.54 334038382113.92 0.724 81830409.74 -2025256.34 4101663230028.35 2.538 1635520857.92 32479474.08 6570331543248100.00 99.428 1668000332.00 0.00 5930858272206150.00 261.560 SEE 17281534.47 SEE 16805410.51 MAPE 4.142817676 MAPE 10.89833047

5.2.2.3. Perhitungan Kesalahan Metode Dekomposisi untuk XC7

Perhitungan kesalahan peramalan untuk jenis obat XC7 menggunakan metode Dekomposisi dapat dilihat pada Tabel 5.14. Tabel 5.14. Perhitungan Kesalahan Metode Dekomposisi untuk XC7 T Xt Ft Xt-Ft Xt-Ft 2 [Pet] 1 56133300 43775824.9 12357475 1.52707E+14 22.01452 2 62370400 61859014.42 511385.58 2.61515E+11 0.819917 3 93555750 73962840.71 19592909 3.83882E+14 20.9425 4 83160500 79475810.68 3684689.3 1.35769E+13 4.430817 5 62371000 66504849.44 -4133849.4 1.70887E+13 6.627839 6 37423300 38453953.37 -1030653.4 1.06225E+12 2.754042 7 39502300 40447660.77 -945360.77 8.93707E+11 2.393179 8 82121000 85588840.57 -3467840.6 1.20259E+13 4.222843 9 42411900 45186036.37 -2774136.4 7.69583E+12 6.540939 10 74844500 81636967.48 -6792467.5 4.61376E+13 9.07544 11 43659300 47888479.73 -4229179.7 1.7886E+13 9.686779 12 65488900 71984624.4 -6495724.4 4.21944E+13 9.918817 13 46777800 51461131.43 -4683331.4 2.19336E+13 10.01187 14 65488900 72719015.08 -7230115.1 5.22746E+13 11.04021 15 77963000 86947795.39 -8984795.4 8.07265E+13 11.52444 16 84200000 93428625.24 -9228625.2 8.51675E+13 10.96036 17 72765000 78180475.31 -5415475.3 2.93274E+13 7.442418 18 43659300 45204949.38 -1545649.4 2.38903E+12 3.540252 19 51973400 47548673.08 4424726.9 1.95782E+13 8.513445 20 75884000 100614861.8 -24730862 6.11616E+14 32.59035 21 62370400 53118920.36 9251479.6 8.55899E+13 14.83313 22 83160600 95969195.83 -12808596 1.6406E+14 15.40224 23 107277100 56295806.08 50981294 2.59909E+15 47.523 24 85239600 84622282.4 617317.6 3.81081E+11 0.724215 Total 1599801250 1602876634 -3075384.2 4.44755E+15 273.5335 SEE 13613026.76 MAPE 11.39723 f n Ft Xt SEE − − = ∑ 2 24 1602876634 1599801250 2 − = = 13613026.76 N PE MAPE N t t ∑ = Ι Ι = 1 = 24 237.5335 = 11.39723

5.2.2.4. Pengujian Hipotesa dan Verifikasi Peramalan

Pengujian hipotesa dilakukan dengan mencari SEE yang terkecil yaitu metode peramalan dekomposisi dan winter, Ho : SEE Dekomposisi ≤ SEE Winter Hi : SEE Dekomposisi ≥ SEE Winter α = 0,05, v 1 = 24 – 1 = 23, v 2 = 24 – 1 = 23 Uji statistik : 2 2 int 4 13816337.6 6 13613026.7       =     = er W i Dekomposis hitung SEE SEE F = 0,985 98 , 1 23 , 23 , 05 . = = F F tabel tabel hitung F F ≤ 98 , 1 985 , tabel hitung F F ≤ maka Ho diterima Hasil pengujian menunjukan bahwa metode dekomposisi lebih baik digunakan daripada metode Winter’s Verifikasi peramalan dilakukan untuk mengetahui apakah fungsi yang ditentukan dapat mewakili data yang akan diramalkan, untuk verifikasi peramalan metode dekomposisi XC7 dapat perhitungannya dibawah ini: 1 24 22013782.3 1 − = − = ∑ n MR MR = 957120.969 BKA = 2,66 x MR = 2.66 x 957120.969 =2545941.77 13 BKA = 13 x 957120.969= 848647.259 23 BKA = 23 x 957120.969= 1697294.518 BKB = -2,66 x MR = -2,66 x -957120.969= -2545941.77 13 BKB = 13 x -957120.969= -848647.259 23 BKB = 23 x -957120.969= -1697294.518 Gambar 5.3. Moving Range Chart Penjualan XC7 Proses verifikasi yang dilakukan pada jenis obat XC7 menggunakan Moving Range Chart MRC untuk metode Dekompoisisi dengan memperhatikan aturan 1 titik, 3 titik, 5 titik dan 8 titik, diperoleh hasil out of control, dimana terdapat 12 titik pada daerah C, yaitu lebih dari 8 titik yang terdapat pada sisi yang sama. Dikarenakan tidak diketahui penyebab out of control pada metode Dekomposisi untuk jenis obat XC7 maka dilakukan pergantian fungsi baru dengan metode Winter’s yang selanjutnya dilakukan verifikasi peramalan untuk mengetahui apakah fungsi yang ditentukan dapat mewakili data yang akan diramalkan, untuk verifikasi peramalan metode Winter’s untuk jenis obat XC7 dapat dilihat dibawah ini: 1 24 4 282566096. 1 − = − = ∑ n MR MR = 12285482 BKA = 2,66 x MR = 2.66 x 12285482=32679383 13 BKA = 13 x 12285482= 21786255.55 23 BKA = 23 x 12285482= 10893127.77 BKB = -2,66 x MR = -2,66 x 12285482= -32679383 13 BKB = -13 x 12285482= -21786255.55 23 BKB = -23 12285482 = -10893127.77 Gambar 5.4. Moving Range Chart Penjualan XC7 Proses verifikasi yang dilakukan pada jenis obat XC7 menggunakan Moving Range Chart MRC untuk metode Winter’s dengan memperhatikan aturan 1 titik, 3 titik, 5 titik dan 8 titik, diperoleh hasil data in control, dimana semua titik berada pada di dalam kendali. Peramalan juga dilakukan terhadap jenis obat DB1, AK3 dan CJ0yang rinciannya dapat dilihat pada Lampiran 3. Rangkuman hasil peramalan keempat jenis obat tersebut dapat dilihat pada tabel 5.15. Tabel 5.15. Rekapitulasi Error Peramalan Peramalan Winters Dekomposisi Pengujian Hipotesa Metode Peramalan Terpilih Obat SEE MAPE SEE MAPE Fhitung Ftabel XC7 13816337,64 17,971 13613026,76 11,397 0.98 2.12 Winter’s DB1 46334911,29 32,294 24798971,96 14,075 0.53 2.12 Dekomposisi AK3 28531408,13 49,706 14237571,19 25,445 0.25 2.12 Dekomposisi CJ0 258442,05 27,838 203708,61 12,420 0.97 2.12 Dekomposisi 5.2.2. Pengendalian Persediaaan 5.2.2.1.Pengelompokan Jenis Bahan Baku Bahan baku yang digunakan untuk membuat empat jenis obat yaitu XC7, DB1, AK3 dan CJ0adalah sebanyak 18 jenis bahan baku. Dikarenakan banyaknya jenis bahan baku, penulis dalam hal ini menggunakan metode ABC untuk mendapatkan jenis bahan baku yang lebih diprioritaskan berdasarkan banyaknya pemakaian dan nilai pembeliannya. Penggunaan metode ABC terhadap 18 jenis bahan baku menghasilkan lima jenis bahan baku dalam kategori A. Lima jenis bahan baku dalam kategori A tersebut adalah TKY1 , XLK7, GGE0, TOY7 dan VFR5. Klasifikasi bahan baku menggunakan metode ABC dapat dilihat pada Tabel 5.16.

5.2.2.2. Perhitungan EOQ Probabilistik

Setelah mendapatkan bahan baku yang paling diprioritaskan untuk keempat jenis obat selanjutnya adalah dilakukan pengendalian persediaan secara tahunan menggunakan EOQ Probabilistik, untuk bahan:

a. TKY1.

C = Rp. 275871.38Kg H = Rp. 4082.89Kg D = 12743.06682 KgTahun µD = 42.476 Kg σD = 306.811KgBulan A = Rp. 150000Pesan L = 29 Hari = 1.16 Bulan asumsi 1 bulan = 25 hari Langkah 1: Menghitung EOQ ekonomis H AD Q 2 = 89 . 4082 06682 . 12743 150000 2 = Q = 967.639 Kg Langkah 2: µ = µD x L = 42.476 x 1.16 = 49.273 Kg σ = σD x L = 306.811 x 16 . 1 = 330.4456 Kg Langkah 3: service level = 95, didapatkan nz = 0.95 dari tabel z didapat nilai z = 1.65 Safety stock Ss = z x σ = 1.65 x 330.4456 = 545.24 Kg Reorder Point r = µ + Ss = 49.273 + 545.24 = 594.51 Kg Langkah 4: Peluang terjadinya kekurangan biaya persediaan Px.r = 05 . = = ∫ x r D HQ dx x f π 0668 . 12743 64 . 967 89 . 4082 05 . π = = Rp. 6200.65Kg Langkah 5: Taksiran besarnya kekurangan persediaan per 1 periode pemesanan         − − − +      − = − ∫ 1 2 exp 2 2 σ µ µ π σ r N r Z dx x f r x S x r         − − − +      − = 45 . 330 273 . 49 51 . 594 1 273 . 49 51 . 594 2 65 . 1 exp 65 . 6200 2 45 . 330 2 N x = 22.36 Kg Langkah 6 : Reorder Quantity H x S A D Q 2 π + = 89 . 4082 36 . 22 65 . 6200 150000 06682 . 12743 2 x x Q + = = 1342.38 Kg Terdapat dua paket kemasan pembelian yang dapat dilakukan untuk bahan TKY1 yaitu kemasan 83 Kg dengan biaya pembelian sebesar Rp. 340.920Kg dan kemasan 300 Kg dengan biaya pembelian sebesar Rp. 275.871Kg. Dengan Q sebesar 1342 Kg didapatkan dua kemungkinan pembelian untuk bahan TKY1 yaitu, dengan pembelian Q=1200 Kg empat kemasan ukuran 300 Kg ditambah 166 Kg dua kemasan 83 Kg sehingga didapatkan 1366 Kg dan Q =1500 Kg lima kemasan 300 Kg. Dengan membandingkan Q antara 1366 Kg dengan 1500 Kg didapatkan Total biaya sebesar dibawah ini: Langkah 7 : Total Biaya Persediaan untuk Q 1366 Kg DC x S Q D r Q H Q AD TC +       +     − + + = 2 π µ     − + + = 273 . 49 51 . 594 2 1200 89 . 4082 1200 067 . 12743 150000x TC 38 . 275871 06682 . 12743 36 . 22 1200 068 . 12743 51 . 594 x x +     + = Rp. 3.520.963.270,-Tahun = Rp. 3.520.963.270 + 166 Kg x Rp 340.920 = Rp. 3.520.963.270 + Rp 56.592.720 = Rp. 3.577.555.990,- Langkah 8 : Total Biaya Persediaan untuk Q 1500 Kg DC x S Q D r Q H Q AD TC +       +     − + + = 2 π µ     − + + = 273 . 49 51 . 594 2 1500 89 . 4082 1500 067 . 12743 150000x TC 38 . 275871 06682 . 12743 36 . 22 1500 068 . 12743 51 . 594 x x +     + = Rp. 3.520.962.589,-Tahun Langkah 9: Selisih Tocal Cost Pemesanan Q 1366 Kg dengan 1500 Kg = TCQ1366 Kg – TCQ1500 Kg = 3.577.555.990 – 3.520.962.589 = Rp 56.593.401,- Total biaya persediaan untuk bahan baku TKY1 menggunakan metode EOQ Probabilistik adalah dengan Q 1500 Kg didapatkan sebesar Rp. Rp. 3.520.962.589,-Tahun. Pengendalian persediaan secara tahunan menggunakan EOQ Probabilistik untuk bahan:

b. GGE0.

C = Rp. 8750Kg H = Rp. 129.5Kg D = 29138.0268 KgTahun µD = 97.126 Kg σD = 556.0947 KgBulan A = Rp. 150000Pesan L = 42 Hari = 1.68 Bulan asumsi 1 bulan = 25 hari Langkah 1: Menghitung EOQ ekonomis H AD Q 2 = 5 . 129 0268 . 29138 150000 2 = Q = 8215.91 Kg Langkah 2: µ = µD x L = 97.126 x 1.68 = 163.1729 Kg σ = σD x L = 556.0947 x 68 . 1 = 733.743 Kg Langkah 3: service level = 95, didapatkan nz = 0.95 dari tabel z didapat nilai z = 1.65 Safety stock Ss = z x σ = 1.65 x 733.743 = 1210.675 Kg Reorder Point r = µ + Ss = 163.1729 + 1210.675 = 1373.848 Kg Langkah 4: Peluang terjadinya kekurangan biaya persediaan Px.r = 05 . = = ∫ x r D HQ dx x f π 0268 . 29138 91 . 8215 5 . 129 05 . π = = Rp. 1373.84 Kg Langkah 5: Taksiran besarnya kekurangan persediaan per 1 periode pemesanan         − − − +      − = − ∫ 1 2 exp 2 2 σ µ µ π σ r N r Z dx x f r x S x r         − − − +      − = 7426 . 733 17 . 163 84 . 1373 1 17 . 163 84 . 1373 2 65 . 1 exp 985 . 104 2 7426 . 733 2 N x = 28.85 Kg Langkah 6 : Reorder Quantity H x S A D Q 2 π + = 5 . 129 85 . 28 29 . 730 150000 0268 . 29138 2 x x Q + = = 8774.15 Kg Terdapat dua paket kemasan pembelian yang dapat dilakukan untuk bahan GGE0 yaitu kemasan 95 Kg dengan biaya pembelian sebesar Rp. 10.350Kg dan kemasan 252 Kg dengan biaya pembelian sebesar Rp. 8750Kg. Dengan Q sebesar 8774 Kg didapatkan dua kemungkinan pembelian untuk bahan GGE0 yaitu, dengan pembelian Q=8568 Kg 34 kemasan ukuran 252 Kg ditambah 285 Kg tiga kemasan 95 Kg sehingga didapatkan 8853 Kg dan Q = 8820 Kg 35 kemasan 252 Kg. Dengan membandingkan Q antara 8853 Kg dengan 8820 Kg didapatkan total biaya sebesar dibawah ini: Langkah 7 : Total Biaya Persediaan Q= 8853 Kg DC x S Q D r Q H Q AD TC +       +     − + + = 2 π µ     − + + = 17 . 163 85 . 1373 2 8568 5 . 129 8568 29138 150000x TC 8750 29138 85 . 28 8568 29138 29 . 730 x x +     + = Rp. 256.095.510,-Tahun = Rp. 256.095.510 + 285 Kg x Rp 10.350