3.5. Pengolahan dan Analisis Data 3.5.1. Klasifikasi Persediaan Berdasarkan Volume Penjualan
Pengelompokkan produk-produk yang perlu mendapatkan prioritas dalam pengendalian persediaan dilakukan berdasarkan volume penjualan
tertinggi untuk produk-produk Dry PT. Alam Sumbervita Jakarta. Penentuan prioritas produk ini dilakukan dengan bantuan Software
Microsoft Excel, agar produk-produk yang termasuk dalam kategori penting dengan persentase kumulatif penjualan 50 sampai 75 persen
mendapatkan perhatian lebih dalam pengendalian persediaan.
3.5.2. Peramalan Permintaan
Peramalan digunakan untuk memproyeksikan volume penjualan di masa yang akan datang. Alat analisis yang digunakan untuk meramalkan
permintaan adalah dengan menggunakan ARIMA. ARIMA merupakan suatu model peramalan yang merupakan gabungan dari model
Autoregresive AR, Integrateddifferencing I, dan Moving Average MA. Perhitungan dengan metode ARIMA ini menggunakan software
Minitab versi 14. Perhitungan ARIMA ini melalui beberapa tahap, yaitu :
1. Pemeriksaan kestasioneran data Pada tahap ini data runut waktu Time Series harus diperiksa
kestasionerannya untuk melihat apakah rata-rata dan variansinya konstan, homogen dari waktu ke waktu. Karena data yang dianalisis
pada ARIMA adalah data stasioner, yaitu data yang rata-rata dan variansinya konstan dari periode ke periode. Proses stasioner
merupakan salah satu syarat untuk pemodelan data deret waktu. Kestasioner diperlukan untuk mempermudah dalam identifikasi dan
penarikan kesimpulan. Suatu data dikatakan stasioner jika memiliki nilai tengah dan ragam yang relatif konstan. Bila data tidak stasioner
pada nilai tengah maka perlu dilakukan pembedaan atau differensiasi derajat d, sedangkan untuk mengatasi ketidak stasioneran ragam
dilakukan transformasi. Pemeriksaan ini dilakukan berdasarkan analisis otokorelasi dan otokorelasi parsial atau dilihat berdasarkan
plot diagram data aktualnya. Jika data belum stasioner maka harus ditransformasi sampai stasioner, setelah data stasioner dilanjutkan ke
tahap selanjutnya. 2. Pengidentifikasian model
Model data yang telah stasioner akan diidentifikasi berdasarkan hasil analisis otokorelasi dan otokorelasi parsial. Data yang dianalisis ini
mungkin saja data asli atau data yang telah ditransformasi menjadi stasioner. Pengidentifikasian ini mungkin menghasilkan model AR,
MA, ARI, IMA, ARMA atau ARIMA. 3. Pengestimasian parameter model
Parameter model diestimasi berdasarkan taraf nyata model sebesar 0,05.
4. Pengujian model Dari model yang telah ada yang taraf nyata modelnya di bawah 0,05
dipilih lagi yang terbaik dengan kriteria model yang memiliki MS Mean Square terkecil.
5. Penggunaan model untuk peramalan Model ARIMA yang telah diperoleh digunakan untuk menentukan
peramalan.
3.5.3. Metode Pengendalian Persediaan
