I-116
BAB VI ANALISIS PEMECAHAN MASALAH
6.1. Analisis Hasil Peramalan Permintaan
Distribution Center
Berdasarkan data permintaan 12 bulan sebelumnya yang dimulai dari November 2011 sampai dengan Oktober 2012 dilakukan peramalan pada masing-
masing distribution center untuk 12 bulan kedepan. Laju peramalan adalah suatu kumpulan peramalan yang telah diolah dengan bantuan software WinQSB 2.0
yang dapat disimpulkan berdasarkan hasil olahan sehingga penerapan Distribution Requirement Planning akan lebih efisien dan efektif. Adapun 12 metode yang
digunakan adalah : 25 Simple Average SA
26 Moving Average MA 27 Weight Moving Average WMA
28 Moving Average with Liniar Trend MAT 29 Single Exponential Smoothing SES
30 Single Exponential Smoothing with Trend SEST 31 Double Exponential Smoothing DES
32 Double Exponential Smoothing with Trend DEST 33 Adaptive Exponential Smoothing AES
34 Linier Regression with Time LR 35 Holt-Winters Additive Algorithm HWA
36 Holt-Winters Multiplicative Algorithm HWM
Universitas Sumatera Utara
Keduabelas metode akan diterapkan pada data permintaan tahun lalu dari masing-masing DC yaitu wilayah Banda Aceh, Medan, Pekanbaru, dan Padang.
Perbedaan permintaan tahun lalu pada setiap DC berdampak pada bedanya metode yang cocok atau sesuai untuk meramalkan permintaan yang akan datang
Pemilihan kecocokan metode untuk setiap DC adalah berdasarkan MAD yang terkecil. Hasil perhitungan metode peramalan yang terpilih berdasarkan nilai
MAD yang terkecil untuk setiap DC dapat diiihat pada tabel 6.1.
Tabel 6.1. Model dan Nilai Kesalahan
Sumber : Pengolahan Data
6.2. Analisis Perhitungan
Order Quantity
Selama ini PT. Tirta Sibayakindo dalam menentukan order quantity menggunakan metode lot for lot yaitu besar pengiriman produk disesuaikan
dengan jumlah permintaan sehingga menyebabkan besarnya biaya pendistribusian produk. Dengan metode EOQ ,perhitungan order quantity dilakukan untuk
Distribution Center Produk Metode Peramalan
MAD TSML
240 ml Linier Regression with Time LR
222,44 600 ml
Linier Regression with Time LR 299,69
1500 ml Linier Regression with Time LR
285,89 TIV
240 ml Linier Regression with Time LR
337,45 600 ml
Linier Regression with Time LR 608,68
1500 ml Linier Regression with Time LR
261,33 HMT
240 ml Linier Regression with Time LR
335,61 600 ml
Linier Regression with Time LR 373,69
1500 ml Linier Regression with Time LR
288,74 AWS
240 ml Linier Regression with Time LR
3026,3 600 ml
Linier Regression with Time LR 1654,70
1500 ml Linier Regression with Time LR
363,01
Universitas Sumatera Utara
mengetahui jumlah optimum yang akan dikirimkan untuk setiap kali pemesanan pada masing - masing DC sehingga perusahaan dapat meminimumkan biaya
transportasi. Hasil perbandingan frekuensi pengiriman berdasarkan perhitungan EOQ dengan frekuensi yang ditetapkan oleh perusahaan dapat dilihat pada tabel
6.2.
Tabel 6.2. Perbandingan Frekuensi Pengiriman Hasil EOQ dengan Frekuensi Pengiriman Perusahaan
No. Distribution Center
Produk ml OrderQuantity
KotakPesan
Frekuensi Pengiriman
Hasil EOQ Frekuensi
Pengiriman Perusahaan
1 TSML
240 2.020
21 28
600 2.123
22 30
1500 1.390
14 17
3 TIV
240 2.991
27 32
600 3.298
30 36
1500 2.332
21 25
2 HMT
240 2.649
17 20
600 3.186
20 24
1500 2.333
15 17
4 AWS
240 3.505
19 21
600 3.909
21 25
1500 2.990
16 20
Total 243
295
Dari tabel di atas dapat dilihat bahwa terjadi perbedaan antara frekuensi pengiriman hasil EOQ dengan perusahaan. Frekuensi pengiriman perusahaan
masih berdasarkan pengalaman dan belum menggunakan metode untuk menghitung frekuensi pengiriman. Dengan menggunakan metode DRP maka
diperoleh penurunan frekuensi jumlah pengirimannya dari 295 menjadi 243 kali dengan frekuensi penurunan 17,6. Penurunan jumlah pengiriman dapat
menurunkan biaya pendistribusian produk.
Universitas Sumatera Utara
6.3. Analisis