Keywords— Rice 25 Kg, Forecasting, Inventory, Demand, Sales

  117

ANALISIS PENGENDALIAN PERSEDIAAN BERAS KAMPUNG

  

INDAH 25 KG DENGAN MENGGUNAKAN METODE

PERAMALAN DI UD. CAHAYA KEPRINDO

_{1 2 3 1,2,3}

Refdilzon Yasra* , Nanang Alamsyah , Winda Adelia

  STT Ibnu Sina; Jl.Teuku Umar _1,2,3 – Lubuk Baja; telp/fax: 0778-425391/ 0778-458394 Program Studi Teknik Industri, STT Ibnu Sina, Batam ₃ e-mail: 1410128425005@stt-

  

ibnusina.ac.id

Abstrak

  UD. Cahaya Keprindo merupakan perusahaan distributor sembako. UD. Cahaya

Keprindo memiliki beberapa barang yang didistribusikan misalnya yaitu beras 5 kg, 10 kg, dan

25 kg dengan brand beras kampung indah. Pihak perusahaan saat melakukan pembelian atau

pemesanan beras untuk melengkapi jumlah permintaan beras dari sales sering terjadinya

kekurangan, maka perusahaan harus konsisten dengan jumlah persediaan yang ada, pada

hakikatnya diperusahaan ini sering terjadi kekurangan jumlah persediaan yang artinya tidak

sesuai antara jumlah persediaan dengan tingkat penjualan, dengan ini peneliti akan melakukan

penelitian berdasarkan kasus yang ada dengan menggunakan metode peramalan yaitu moving

average dan exponential smoothing serta ditambahkan dengan ketetapan peramalan untuk

mengetahui nilai error dari masing-masing metode peramalan yang digunakan, adapun

ketetapan peramalan yang digunakan yaitu Mean Square Error (MSE), Mean Absolute

Percentage Error (MAPE), Mean Absolute Deviation (MAD). Pengolahan data terdiri dari

penentuan metode, penetapan metode hingga sampai dengan perbandinga hasil data yang sudah

ada dengan data peramalan 1 tahun kedepannya.

  Kata kunci Beras 25 Kg, Peramalan, Persediaan, Permintaan, Sales

  —

  

Abstract

UD. Cahaya Keprindo is a food distributor company. UD. Cahaya Keprindo has several

items distributed, for example 5 kg, 10 kg and 25 kg rice with the beautiful kampong rice brand.

  

The company when making a purchase or ordering rice to complete the amount of rice demand

from sales often occurs deficiencies, then the company must be consistent with the amount of

inventory available, in fact in this company often there is a shortage of inventory which means it

is not suitable between the amount of inventory and the level of sales, with This researcher will

conduct research based on existing cases by using forecasting methods, namely moving average

and exponential smoothing and added with the forecasting to determine the error value of each

forecasting method used, while the forecasting used is Mean Square Error (MSE), Mean Absolute

Percentage Error (MAPE), Mean Absolute Deviation (MAD). Data processing consists of

determining the method, determining the method up to the comparison of the results of the existing

data with forecasting data 1 year in the future.

  Keywords Rice 25 Kg, Forecasting, Inventory, Demand, Sales —

  

Oktober 2018 | Vol. 3 | No. 2 | ISSN : 2541-2647 Jurnal Teknik Ibnu Sina (JT-IBSI)

  Analisis Pengendalian Persediaan Beras Kampung Indah 25 kg Dengan Menggunakan Metode Peramalan Di UD. Cahaya Keprindo 118

  1. PENDAHULUAN Persediaan adalah suatu aktiva lancar yang meliputi barang-barang milik perusahaan dengan maksud dijual dalam periode usaha. Setiap perusahaan distributor, baik besar, menengah, maupun kecil memiliki persediaan dalam jumlah yang berbeda-beda. Tanpa adanya persediaan, perusahaan akan dihadapkan pada suatu risiko dimana perusahaan akan mengalami kendala karena tidak dapat memenuhi permintaan dari pelanggan. Namun persediaan dapat menimbulkan biaya penyimpanan dalam jumlah yang besar, seperti modal awal perusahaan dalam bentuk inventori, biaya operasional pabrik, dan lain lain. Oleh karena itu, persediaan dapat digunakan apabila keuntungan yang diharapkan dari persediaan memiliki profit yang lebih besar daripada biaya-biaya yang ditimbulkan.

  UD. Cahaya Keprindo merupakan perusahaan yang bergerak dalam bidang distribusi makanan pokok (sembako) yaitu salah satunya beras kampung indah 25 kg. Perusahaan melakukan distribusi barang melalui saluran distribusi yaitu sales center dan proses distribusi yang dilakukan perusahaan berdasarkan atas permintaan dari masing-masing sales dan untuk pembelian produk dilakukan oleh manajer perusahaan itu sendiri.

  UD. Cahaya Keprindo mengalami kendala dimana perusahaan tidak dapat memprioritaskan pemesanan barang, terutama pada barang dengan penjualan tertinggi. Sehingga ketika terjadi banyak pesanan dari konsumen terhadap barang tersebut, perusahaan tidak dapat memenuhi pesanan, mengingat stok barang yang kurang, oleh karena itu perlu dilakukan penelitian terhadap persediaan barang untuk mengetahui seberapa banyak hasil (output) yang dihasilkan dalam suatu proses waktu pekerjaan yang dikerjakan, dalam rangka untuk meningkatkan produktivitas sesuai dengan yang diharapkan dan lebih meningkatkan efisiensi biaya.

  Penelitian ini melakukan perbaikan pada pengendalian persediaan stok beras kampung indah 25 kg yang dilakukan oleh manajer perusahaan dan sales agar persediaan dapat terkendali dan akurat tanpa adanya kerugian oleh pihak perusahaan. Berdasarkan latar belakang diatas maka penulis tertarik untuk membahas lebih lanjut dalam sebuah penulisan skripsi dengan judul “Analisis Pengendalian Persediaan Beras Kampung Indah 25 kg dengan Metode Peramalan di UD. Cahaya Keprindo”.

  2. METODE PENELITIAN

  2.1 Metode Pengolahan Data

  Perbandingan persediaan stok dan permintaan sales dari bulan juli 2017 sampai bulan juni 2018, untuk dapat memenuhi permintaan sales akan produk beras kampung indah 25 kg maka perlu dilakukan analisis persediaan beras kampung indah 25 kg diantaranya adalah sebagai berikut:

  A. Penentuan Metode Peramalan 1.

  Plot Data 2. Pengamatan terhadap plot data dan penentuan metode yang digunakan

  B. Penetapan Metode Peramalan dan Ketetapan Peramalan 1.

  Metode Peramalan 3 month Moving Average 2. Metode Peramalan Exponential Smoothing 3. Ketepatan peramalan dengan Mean Square Absolut Error (MSE), Mean Absolute Percentage Error (MAPE), Mean Absolute Deviation (MAD).

  C. Peramalan / Penerapan Hasil

  2.2 Pengendalian Persediaan

  Pengendalian persediaan merupakan suatu kegiatan untuk mengontrol jumlah persediaan barang jadi, sehingga perusahaan dapat menghindari terganggunya proses produksi dan mengetahui penjualan dan pembelian yang optimal. Pengendalian persediaan berfungsi untuk mencegah keadaan yang merugikan bagi perusahaan, yaitu terjadinya overstock (kelebihan persediaan) dan outstock (kekurangan persediaan). Terjadinya overstock dapat merugikan

  Oktober 2018 | Vol. 3 | No. 2 | ISSN : 2541-2647 Yasra, Alamsyah, Adelia 119

  perusahaan, sehingga dapat menimbulkan warehouse cost yang tinggi. Outstock dapat mengakibatkan terhambatnya proses produksi akibat dari kurangnya bahan baku. Hal ini menyebabkan perusahaan kehilangan penjualannya, karena pesanan pelanggan tidak dapat terpenuhi.

  2.3 Metode Peramalan

  Menurut Subagyo (1986), tujuan peramalan adalah mendapatkan peramalan yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan mean

  

squarederror, mean absolute error , dan sebagainya. Adapun jenis metode peramalan adalah

  sebagai berikut:

  1. Metode kuantitatif (Time series), model time series membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu. Dengan kata lain, mereka melihat apa yang terjadi selama kurun waktu tertentu dan menggunakan data masa lalu tersebut untuk melakukan peramalan tersebut. Time series mempunyai empat komponen: a.

  Trend merupakan pergerakan data sedikit demi sedikit meningkat atau menurun.

  b.

  Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan, atau kuartal.

  b.

  Siklus adalah pola dalam data yang terjadi setiap beberapatahun.

  c.

  Variasi Acak merupakan satu titik khusus dalam data, yang disebabkan oleh peluang dan situasi yang tidak biasa.

  2. Rata-rata bergerak dengan pembobotan (weighted moving average), saat ada tren atau pola yang terdeteksi, bobot dapatuntuk menempatkan penekanan yang lebih pada nilai terkini. Rata- rata bergerak dengan pembobotan dapat digambarkan secara matematis sebagai: Rata-rata bergerak dengan pembobotan =

  ∑(bobot pada periode n)(permintaan pada periode n)

  ….… (2.1)

  ∑Bobot

  ….… (2.2)

  Untuk 3 bulan moving average adalah:

  ….… (2.3)

  3. Exponential Smoothing, Penghalusan eksponensial (exponential smoothing), merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih mudah digunakan. Exponential smoothing dapat digambarkan secara matematis sebagai berikut:

  Ft =Ft-1 + a (At-1 – Ft-1)

  ….… (2.4)

  Dimana: Ft = peramalan baru Ft-1 = peramalan sebelumnya a = konstanta penghalus (pembobot) (0£ a £ 1)

  2.4 Ketetapan Peramalan

  Setelah melakukan penghitungan forecasting, hasilnya akan diuji kesalahan atau error untuk memastikan tingkat keakurasian dari hasil perhitungan karena kondisi peramalan derajat ketidakpastian. Besarnya derajat tersebut disebabkan oleh faktor tak terduga, tidak ada satupun metode peramalan yang bisa menghasilkan nilai peramalan yang tepat dan akurat. Ketepatan ramalan adalah satu hal yang mendasar dalam peramalan, yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Ketepatan dipandang sebagaai kreteria penolakan untuk memilih suatu metode ramalan. Dalam pemodelan deret berkala (time series) dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini digunakan ketepatan ramalan. Beberapa Kriteria yang digunakan untuk menguji ketepatan ramalan antara lain:

  Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina

  Analisis Pengendalian Persediaan Beras Kampung Indah 25 kg Dengan Menggunakan Metode Peramalan Di UD. Cahaya Keprindo 120 1.

  Mean Square Absolut Error (MSE)

  Mean Square Error (MSE) merupakan ukuran kontrol kualitas yang digunakan untuk

  mengetahui kualitas dari suatu proses. MSE menghitung seberapa besar pergeseran data antara sinyal sumber dan sinyal hasil keluaran, dimana sinyal sumber dan sinyal hasil keluaran memiliki ukuran yang sama.

  ….… (2.5)

  Keterangan: At = Nilai aktual pada periode t Ft = Forecasting periode t n = Periode forecasting yang terlibat

  Hasil peramalan lebih baik jika nilai MSE lebih atau paling kecil jika dibandingkan dengan metode peramalan lainnya. Semakin kecil nilainya, semakin baik tingkat keakurasian dari metode peramalan itu.

  2. Mean Absolute Percentage Error (MAPE) Pendekatan ini sangat berguna jika ukuran variabel peramalan merupakan faktor penting dalam mengevaluasi akurasi peramalan tersebut. MAPE memberikan petunjuk seberapa besar kesalahan peramalan dibandingkan dengan nilai sebenarnya dari data series tersebut. MAPE merupakan parameter ketetapan relatif dengan bentuk presentase penyampaian dari hasil peramalan. Nilai yang dihasilkan dari perhitungan MAPE semakin kecil, maka semakin baik pula tingkat akurasinya. Metode peramalan memiliki kinerja yang baik jika mempunyai nilai antara 10% dan 20%.

  ….… (2.6)

  Keterangan: At = nilai aktual pada periode t Ft = forecasting periode t n = periode forecasting yang terlibat

  3. Mean Absolute Deviation (MAD) Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute percentage error, dan mean squared error semakin kecil. MAD merupakan nilai total absolut dari forecast error dibagi dengan data. Atau yang lebih mudah adalah nilai kumulatif absolute error dibagi dengan periode. Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut:

  ….… (2.7)

  Peneliti menggunakan standar deviasi untuk mencari selisih atau range antara persediaan dan permintaan sales. Adapun rumusnya adalah sebagai berikut:

  ….… (2.8)

2.5 Kerangka Pemecahan Masalah (Flow Chart)

  Oktober 2018 | Vol. 3 | No. 2 | ISSN : 2541-2647 Yasra, Alamsyah, Adelia 121

Gambar 2.2 Kerangka Pemecahan Masalah (Flow Chart)

  3. HASIL DAN PEMBAHASAN

3.1 Pengolahan Data

3.1.1 Penentuan Metode Peramalan

  780 732 720 700 700 688 688 650 700 650 700

  

700

g k

  5

  2 as er B h la m

  800 750 710 725 725 700 700 700 700 Ju

  655 655

620

  Agus'1 Juli'17 Sep'17 Okt'17 Nov'17 Des'17 Jan'18 Feb'18 Mar'18 Apr'18 Mei'18 Juni'18

  7 Total Stok (bag) 700 700 688 700 650 650 700 720 700 780 732 688 Permintaan Sales (bag) 710 655 700 620 700 725 655 700 725 800 750 700 Gambar 3.1 Plot Data Perbandingan Persediaan dan Permintaan Konsumen.

  Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina

  Analisis Pengendalian Persediaan Beras Kampung Indah 25 kg Dengan Menggunakan Metode Peramalan Di UD. Cahaya Keprindo Oktober 2018 | Vol. 3 | No. 2 | ISSN : 2541-2647

  122

  3.1.2 Penetapan Metode Peramalan Tabel 3.1 Mencari Standar Deviasi Permintaan dan Persediaan Beras.

  Bulan Permintaan Sales (Xi) Xi² Persediaan (Xi) Xi² Juli 2017 710 Goni 504100 700 Goni 490000

  Agustus 2017 655 Goni 429025 700 Goni 490000 September 2017 700 Goni 490000 688 Goni 473344 Oktober 2017 620 Goni 384400 700 Goni 490000 November 2017 700 Goni 490000 650 Goni 422500 Desember 2017 725 Goni 525625 650 Goni 422500 Januari 2018 655 Goni 429025 700 Goni 490000 Februari 2018 700 Goni 490000 720 Goni 518400 Maret 2018 725 Goni 525625 700 Goni 490000 April 2018 800 Goni 640000 780 Goni 608400 Mei 2018 750 Goni 562500 732 Goni 535824 Juni 2018 700 Goni 490000 688 Goni 473344 Σ

  8440 Goni 5960300 8408 Goni 5904312 Nilai Varian 2.197 1.191,5 Standar Deviasi

  46.9

  34.5 Dengan diketahuinya masing-masing standar deviasi antara permintaan konsumen dan

  persediaan beras kampung indah 25 kg yang nilainya selisih 12 goni maka jelas tingkat perbedaan cukup signifikan, dengan ini peneliti akan melakukan analisis dengan menggunakan metode peramalan untuk menentukan tingkat persediaan guna mengurangi nilai standar deviasi pada permintaan sales yaitu 46.9 dan nilai standar deviasi untuk persediaan yaitu 34.5, Dengan demikian nilai tersebut dapat menentukan penggunaan metode peramalan moving averages dan exponential smoothing kemudian menggunakan metode Mean Square Absolut Error (MSE),

  

Mean Absolute Percentage Error (MAPE) dan Mean Absolute Deviation (MAD) untuk

mengetahui nilai ketepatan peramalannya.

  Adapun peta aliran proses untuk menggambarkan kegiatan pembelian persediaan sebelumnya.

Tabel 3.2 Peta Aliran Proses (Sekarang) Pembelian Persediaan Beras. Yasra, Alamsyah, Adelia Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina

  123

  3.1.6 Peramalan (Forecast) 1 Tahun Dengan Exponential Smoothing Tabel 3.6 Peramalan (Forecast) 1 Tahun Dengan Exponential Smoothing.

  10 April 2018 800 Goni 690+ 0.1 (725-690) = 694 Goni -106

  11 Mei 2018 750 Goni 694+ 0.1 (800-694) = 705 Goni -45

  12 Juni 2018 700 Goni 705+ 0.1 (750-705) = 710 Goni +10

  

13 Juli 2018 ? Goni 710+ 0.1 (700-710) = 709 Goni 419/11 = 38

Tabel 3.5 Perbandingan Nilai Error Pada Forecast Peramalan

  

Ketepatan Peramalan Moving Average Exponential Smoothing

MAE 535.336 59.593

MAPE 24.4% 6.45%

  MAD

  

48

  38

  No Bulan Permintaan Sales Forecast ǁErrorǁ

  8 Februari 2018 700 Goni 693+ 0.1 (655-693) = 689 Goni -11

  1 Juli 2018 695 Goni 710+ 0.1 (700-710) = 709 Goni +14

  2 Agustus 2018 700 Goni 709+ 0.1 (695-709) = 708 Goni +46

  3 September 2018 700 Goni 708+ 0.1 (700-708) = 707 Goni -4

  4 Oktober 2018 620 Goni 707+ 0.1 (700-707) = 706 Goni +77

  5 November 2018 700 Goni 706+ 0.1 (620-706) = 697 Goni -11

  6 Desember 2018 725 Goni 697+ 0.1 (700-697) = 697 Goni -35

  7 Januari 2019 655 Goni 697+ 0.1 (725-697) = 700 Goni +39

  8 Februari 2019 700 Goni 700+ 0.1 (655-700) = 696 Goni -11

  9 Maret 2019 725 Goni 696+ 0.1 (700-696) = 696 Goni -35

  10 April 2019 800 Goni 696+ 0.1 (725-696) = 699 Goni -106

  9 Maret 2018 725 Goni 689+ 0.1 (700-689) = 690 Goni -35

  7 Januari 2018 655 Goni 689+ 0.1 (725-689) = 693 Goni +39

  3.1.3 Metode Peramalan Moving Averages Tabel 3.3 Peramalan Dengan 3 Bulan Moving Average.

  10 April 2018 800 Goni 658 Goni - 142 Goni

  No Bulan Permintaan Sales Forecast ǁErrorǁ

  1 Juli 2017 710 Goni - -

  2 Agustus 2017 655 Goni - -

  3 September 2017 700 Goni - -

  4 Oktober 2017 620 Goni 688 Goni - 68 Goni

  5 November 2017 700 Goni 658 Goni - 42 Goni

  6 Desember 2017 725 Goni 673 Goni - 52 Goni

  7 Januari 2018 655 Goni 682 Goni - 27 Goni

  8 Februari 2018 700 Goni 693 Goni - 7 Goni

  9 Maret 2018 725 Goni 693 Goni - 32 Goni

  11 Mei 2018 750 Goni 742 Goni - 8 Goni

  6 Desember 2017 725 Goni 688+ 0.1 (700-688) = 689 Goni -35

  12 Juni 2018 700 Goni 758 Goni

  58 Goni

  13 Juli 2018 ? Goni 750 Goni 436/9 = 48

  3.1.4 Metode Peramalan Exponential Smoothing Tabel 3.4 Peramalan Dengan Exponential Smoothing.

  No Bulan Permintaan Sales Forecast ǁErrorǁ

  1 Juli 2017 710 Goni (700) -

  2 Agustus 2017 655 Goni 700+ 0.1 (710-700) = 701 Goni +46

  3 September 2017 700 Goni 701+ 0.1 (655-701) = 696 Goni -4

  4 Oktober 2017 620 Goni 696+ 0.1 (700-696) = 696 Goni +77

  5 November 2017 700 Goni 696+ 0.1 (620-697) = 688 Goni -11

3.1.5 Ketepatan Peramalan

  Analisis Pengendalian Persediaan Beras Kampung Indah 25 kg Dengan Menggunakan Metode Peramalan Di UD. Cahaya Keprindo Oktober 2018 | Vol. 3 | No. 2 | ISSN : 2541-2647

  44.5

  31.58 Adapun peta aliran proses (usulan) untuk menggambarkan kegiatan pembelian persediaan sebelumnya.

  38

  

Perbedaan Nilai Error

Forecast Data Sebelumnya Forecast 1 Tahun

  34.5

44.5 < 46.9 6.2 < 34.5

Tabel 3.8 Perbedaan Nilai Error / Nilai Selisih Data Sebelumnya dan 1 Tahun Kedepan.

  6.2

  46.9

  6.2 Tabel 3.8 Perbedaan STD Forecast Sebelumnya dan 1 Tahun Kedepan. Standar Deviasi Forecast 1 Tahun Kedepan (Permintaan Sales) Standar Deviasi Data Sebelumnya (Permintaan Sales) Standar Deviasi Forecast 1 Tahun Kedepan (Persediaan) Standar Deviasi Forecast Sebelumnya (Persediaan)

  124

  44.5

  37.9 Standar Deviasi

  Jumlah 8470 Goni 6.000.200 8437 Goni 5.932.331 Rata-Rata 698 Goni 709 Goni Nilai Varian 1981.1

  Juli 2018 695 Goni 483.025 709 Goni 502.681 Agustus 2018 700 Goni 490.000 708 Goni 501.264 September 2018 700 Goni 490.000 707 Goni 499.849 Oktober 2018 620 Goni 384.400 706 Goni 498.436 November 2018 700 Goni 490.000 697 Goni 485.809 Desember 2018 725 Goni 525.625 697 Goni 485.809 Januari 2019 655 Goni 429.025 700 Goni 490.000 Februari 2019 700 Goni 490.000 696 Goni 484.416 Maret 2019 725 Goni 525.625 696 Goni 484.416 April 2019 800 Goni 640.000 699 Goni 488.601 Mei 2019 750 Goni 562.500 709 Goni 502.681 Juni 2019 700 Goni 490.000 713 Goni 508.369

  Bulan Permintaan Sales (Xi) Xi² Persediaan (Xi) Xi² ǁErrorǁ

  12 Juni 2019 700 Goni 709+ 0.1 (750-709) = 713 Goni +10 379/12 = 31.58 Tabel 3.7 Standar Deviasi Dalam Forecast 1 tahun kedepan.

  11 Mei 2019 750 Goni 699+ 0.1 (800-699) = 709 Goni -45

Tabel 3.9 Peta Aliran Proses (Usulan) Pembelian Persediaan Beras Kedepan. Yasra, Alamsyah, Adelia 125

4. SIMPULAN

  Adapun kesimpulan yang dapat diambil yaitu untuk menentukan persediaan beras supaya memenuhi permintaan konsumen di UD. Pada pada tabel 3.8 menunjukan bahwa nilai perbedaan antar standar deviasi, adalah nilai standar deviasi untuk permintaan sales dari forecast 1 tahun kedepan memiliki nilai 44.5 < 46.9 yaitu dari nilai standar deviasi untuk 1 tahun sebelumnya serta nilai standar deviasi untuk persediaan dari forecast 1 tahun kedepan memiliki nilai 6.2 < 34.5 yaitu dari nilai standar deviasi untuk forecast 1 tahun sebelumnya sedangkan pada

tabel 4.16 mengetahui perbedaan nilai error pada forecast 1 tahun kedepan yaitu 31.58 < 38 dari forecast data sebelumnya.

  Dapat dilihat pada tabel peta aliran proses usulan lebih sedikit atau lebih simpel langkah dari kegiatan yang dilakukan oleh manager untuk membeli persediaan beras kampung indah 25 kg yaitu sebanyak 5 langkah dari peta aliran proses sekarang yaitu 8 langkah.

5. SARAN

  Berdasarkan dari pengkajian hasil penelitian dilapangan maka penulis bermaksud memberikan saran yang mudah-mudahan dapat bermanfaat bagi lembaga maupun bagi peneliti yang selanjutnya, yaitu sebagai berikut: 1.

  Peneliti saat melakukan penelitian harus serius dan fokus pada objek penelitian agar tidak membuang-buang waktu yang telah diberikan oleh perusahaan.

  2. Peneliti selanjutnya diharapkan untuk mengkaji lebih banyak sumber maupun referensi yang terkait dengan sarana prasarana pendidikan maupun efektivitas proses pembelajaran agar hasil penelitiannya dapat lebih baik dan lebih lengkap lagi.

  3. Peneliti diharapkan lebih mempersiapkan diri dalam proses pengambilan gagasan dan untuk menetapkan keputusan dan segala sesuatunya sehingga penelitian dapat dilaksanakan dengan lebih baik.

  

DAFTAR PUSTAKA

Assauri, S. (2016). " Manajemen Operasi Produksi". PT. Raja Grafido Persada: Jakarta.

  Biegel, John, E. (2000). Pengendalian produksi: Suatu Pendekatan Kualitatif, Jakarta, Akademika Pressindo. Gaspersz, Vincent. (2004). Production Planning and Inventory Control PT. Gramedia Pustaka Utama, Jakarta. Hadiguna, R.A. (2009). Manajemen Pabrik Pendekatan Sistem untuk Efisiensi dan Efektivitas.

  Jakarta: Bumi Aksara. Hanke, John E., Wichern Dean W., &amp; Reitsch, Arthur G. (2003). Peramalan Bisnis Edisi Ketujuh. Heizer, Jay dan Barry render, (2009). Manajemen Operasi Buku 1 Edisi 9. Jakarta: Salemba 4. Herjanto, Eddy. (2008). Manajemen Operasi Edisi Ketiga. PT. Gramedia Widia Sarana Indonesia, Jakarta.

  Larisang, Zeri Yusdianata, Bahari Syaputra (2018). Analisis Perbandingan Kondisi Existing dengan Metode Economic Order Quantity (EOQ) dalam menentukan Jumlah Persedian Bahan Baku WCP2 dan 7HF. Jurnal Kreatif Industri. Vol. 2, No. 2. Hal 19-36.

  Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina

  Analisis Pengendalian Persediaan Beras Kampung Indah 25 kg Dengan Menggunakan Metode Peramalan Di UD. Cahaya Keprindo Oktober 2018 | Vol. 3 | No. 2 | ISSN : 2541-2647

  126

  Michel Chandra Tuerah (2014). Analisis Pengendalian Persediaan Bahan Baku Ikan Tuna Pada CV. Golden KK. Jurnal Simetris, 4. Vol 2 No. 4, Hal 524-536. Nanik Susanti, Muhammad Sahli (2013). Penerapan Metode Exponential Smoothing Dalam

  Sistem Informasi Pengendalian Persediaan Bahan Baku (Studi Kasus Toko Tirta Harus) Jurnal Simetris, 4. Vol 3 No. 1, Hal 1-12. Nandar Cundara Abdurahman, Sanusi, Muh. Wahyu Ar (2018). Analisa Pengendalian Kabel RG

  6 Dengan Menggunakan Metode Material Requirement Planning (MRP) dan Vendor Managed Inventory (VMI) Studi Kasus PT. Barelang Vision. Jurnal Teknik Ibnu Sina (JT- IBSI). Vol 3 No. 1, Hal 83-91.

  Nasution, A. H., &amp; prasetyawan (2008), Perencanaan dan Pengendalian Produksi,Yogyakarta, Graha Ilmu. Nora Santoso (2016). Pengendalian Persediaan Souvenir Di Toko Kedaton Batik Batam. STT Ibnu Sina Batam. Rangkuti, Freddy (2009). Great Sales Forecast for Marketing. PT Gramedia Pustaka Utama, Jakarta. Siagian, P. Sondang. (2005). Fungsi-fungsi Manajemen. Jakarta. Penerbit Bumi Aksara. Wingjosoebroto, S. (2003). Pengantar Teknik &amp; Manajemen Industri, Surabaya, Guna Widya. Yasra, Refdilzon (2013). Perancangan Sistem Informasi Pengadaan Peralatan Multi Fuction Test System Alat Bantu Pendengaran (Studi kasus di PT. Siemens Hearing Instrument Batam).

  Tesis Magister Teknik Industri UII.