TUGAS AKHIR USULAN PENERAPAN DISTRIBUTION RESOURCE PLANNING (DRP) UNTUK MENDUKUNG STRATEGI SUPPLY CHAIN (Studi Kasus : KJUB uspetasari,Klaten).

TUGAS AKHIR

USULAN PENERAPAN

DISTRIBUTION RESOURCE

PLANNING

_{(DRP) UNTUK MENDUKUNG STRATEGI SUPPLY}

CHAIN

(Studi Kasus : KJUB Puspetasari,Klaten)

Disusun dan Diajukan Guna Memenuhi Salah Satu Syarat Menyelesaikan Program Studi S 1 Jurusan Teknik Industri Fakultas Teknik

Universitas Muhammadiyah Surakarta

Disusun Oleh : AGUS WICAKSONO

NIM : D 600 020 040 NIRM: 02.6.106.03064.5.040

JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH SURAKARTA

2008

.

LEMBAR PERSETUJUAN

USULAN PENERAPAN

DISTRIBUTION RESOURCE

PLANNING

_{(DRP) UNTUK MENDUKUNG STRATEGI}

SUPPLY

CHAIN

(Studi Kasus : KJUB Puspetasari, Klaten)

Tugas Akhir ini telah disetujui dan disyahkan sebagai salah satu syarat dalam menyelesaikan Studi Strata I (SI) untuk memperoleh

gelar sarjana Teknik Industri Fakultas Teknik Universitas Muhammadiyah Surakarta.

Pada Hari / Tanggal :

Disusun Oleh :

NAMA : AGUS WICAKSONO NIM : D 600 020 040

NIRM : 02.6.106.03064.5.040 Fak/Jur : Teknik / Teknik Industri

Menyetujui :

Dosen Pembimbing I Dosen Pembimbing II

LEMBAR PENGESAHAN

USULAN PENERAPAN

DISTRIBUTION RESOURCE

PLANNING

_{(DRP) UNTUK MENDUKUNG STRATEGI}

SUPPLY

CHAIN

(Studi Kasus : KJUB Puspetasari,Klaten)

Tugas Akhir ini telah dipertahankan pada sidang tingkat Sarjana Jurusan Teknik Industri Fakultas Teknik Universitas Muhammadiyah Surakarta.

Pada Hari / Tanggal :

Jam :

Mengesahkan

Dewan Penguji Tanda Tangan

1. Much Djunaedi, ST. MT

(Ketua) _______________________

2. Etika Muslimah, ST. MM

(Anggota) _______________________ 3. Hari Prasetyo, ST. MT.

(Anggota) _______________________

4. Siti Nandiroh, ST

(Anggota) _______________________

Mengetahui

Dekan Fakultas Teknik Ketua Jurusan Teknik Industri

MOTTO

“ Se sung g uhnya se suda h ke sulita n a da ke m uda ha n, m a ka a pa b ila ka m u te la h se le sa i (da ri sa tu urusa n) ke rja ka nla h de ng a n sung g uh- sung g uh (urusa n) ya ng la in. Da n ha nya ke pa da Alla h_la h he nda knya ka m u b e rha ra p”

(Q S. Al- Insyira h : 6- 8)

“ Ujia n b a g i se se o ra ng ya ng sukse s b uka nla h pa da ke m a m pua nnya untuk m e nc e g a h m unc ulnya m a sa la h,

te ta pi pa da wa ktu m e ng ha da pi & m e nye le sa ika n se tia p ke sulita n sa a t m a sa la h itu te rja di”

(Da vid J. Sc hwa rtz)

“Ke sa b a ra n da n ke ikhla sa n a da la h kunc i uta m a da la m hidup ya ng pe nuh de ng a n ujia n da n Tuha n m e liha t b uka n pa da b e ntukm u a ta upun

pe rb ua ta nm u m e la inka n pa da ha tim u” (Pe nulis)

PERSEMBAHAN

Alhamdulillah,

Puji syukur kehadirat Allah SWT atas Rahmat & Karunia_Nya, Sehingga Laporan Tugas Akhir ini dapat penulis selesaikan

Karya kecil ini kupersembahkan teruntuk :

• Ibu & Bapak yang selalu mengiringi

langkahku dengan do’a dan restu serta segala pengorbanannya.

• Kakakku (Rais,Heru,Indra)

• Myluv “Karina” yang membuat hidupku lebih berwarna

• Anthique Community

KATA PEN GAN TAR

Assalamu’alaikum Wr.Wb.

Dengan memanjatkan puji syukur kehadirat Allah SWT yang telah memberikan kesempatan, rahmat, taufik serta hidayah_Nya, Alhamdulillah akhirnya penulis dapat menyelesaikan Tugas Akhir ini, dengan judul: Usulan Penerapan Distribution Resource Planning (DRP) untuk mendukung strategi Supply Chain.

Sebagai syarat untuk memperoleh gelar sarjana teknik Jurusan Teknik Industri Fakultas Teknik Universitas Muhammadiyah Surakarta.

Dalam penulisan Tugas Akhir ini, penulis menyadari sepenuhnya bahwa penyusunan Tugas Akhir ini tidak lepas dari bantuan, masukan dan bimbingan dari berbagai pihak. Oleh karena itu dalam kesempatan ini penulis menyampaikan rasa terima kasih yang sebesar-besarnya kepada :

1. Bapak Ir. H. Sri Widodo, MT., selaku Dekan Fakultas Teknik Universitas Muhammadiyah Surakarta.

2. Bapak Munajat Tri Nugroho, ST. MT., selaku Ketua Jurusan Teknik Industri yang telah berkenan memberikan masukan, bimbingan, arahan, dan motivasi kepada penulis hingga penyusunan Tugas Akhir ini selesai.

3. Much Djunaedi, ST, MT., selaku Pembimbing I yang telah berkenan meluangkan waktunya untuk memberikan bimbingan, masukan serta pengarahan kepada penulis hingga Tugas Akhir ini selesai.

4. Etika Muslimah, ST, MM., selaku Pembimbing II yang dengan sabar penuh pengertian membimbing, mengarahkan dan memberikan dorongan moril kepada penulis dari awal sampai selesainya Tugas Akhir ini.

5. Hari Prasetyo, ST. MT., selaku Dosen Penguji yang telah berkenan memberikan banyak bantuan dan masukan kepada penulis.

6. Siti Nandiroh, ST.,selaku Dosen Penguji yang telah berkenan memberikan masukan dan saran kepada penulis.

7. Ibu Etika Muslimah, ST. MM., selaku Pembimbing Akademik serta segenap Staff Pengajar Jurusan Teknik Industri Fakultas Teknik Universitas Muhammadiyah Surakarta.

8. Bapak Darius MYW,SH., selaku Pembimbing yang telah memberikan izin untuk melakukan penelitian dan meluangkan sebagian waktunya guna memberikan banyak bantuan serta arahan kepada penulis.

9. Bapak Ir. Agus Tikta, selaku Pembimbing Lapangan terima kasih untuk waktu dan bantuannya selama penyusunan Tugas Akhir ini.

10.Bapak dan Ibu Tercinta, yang tiada henti mengalirkan Do’a, kasih sayang, petuah bimbingan serta fasilitas-fasilitasnya terima kasih atas perjuangan dan pengorbanannya yang tak kenal lelah hingga penulis bisa menjadi seseorang yang mempunyai impian, cita-cita dan masa depan.

11.MyLuv “Karina Pramhytasari” terima kasih atas cinta, kasih sayang, kesabaran, pengertian dan kesetiaannya.

12.Sobat-sobat di UMS (Sukron, Faris dan semuanya yang tidak dapat penulis sebutkan satu persatu serta semua pihak yang telah banyak membantu dalam proses penyusunan Tugas Akhir ini.

13.Anthique Community (Andrew, Arya, Karinz, Riky, Pilip, Kingkong, Ocep, Bayonic, Ivan, Krisna, terima kasih atas persahabatanya)

14.Teman-teman TI 02 (Penulis menyadari bahwa dalam penyusunan Tugas Akhir ini masih jauh dari kesempurnaan, oleh karena itu dengan segala kerendahan hati sumbangan saran dan kritik dari pembaca merupakan hal terpenting. Semoga laporan Tugas Akhir ini bermanfaat bagi penulis khususnya serta dapat memberikan hikmah dan ide bagi pembaca pada umumnya.

Wassalamu’alaikum Wr.Wb.

Surakarta, Februari 2008

DAFTAR ISI

Halaman HALAMAN JUDUL

HALAMAN PERSETUJUAN ... ii

HALAMAN PENGESAHAN ... iii

HALAMAN MOTTO ... iv

HALAMAN PERSEMBAHAN ... v

KATA PENGANTAR ... vi

DAFTAR ISI ... viii

DAFTAR TABEL ... xii

DAFTAR GAMBAR ... xiii

ABSTRAKSI ... xiv

BAB I PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Perumusan Masalah ... 1

1.3 Batasan Masalah ... 2

1.4 Tujuan Penelitian dan Manfaat Penelitian ... 2

1.5 Sistematika Penulisan ... 3

BAB II LANDASAN TEORI 2.1 Distribution Resource Planning ... …. 5

2.1.1 Tahap 1 ... 5

2.1.2 Tahap 2 ... 6

2.2 Strategi Persediaan ... 7

2.3 Strategi Rantai Pasokan ... 7

2.4 Strategi Logistik ... 8

2.5 Konsep Supply Chain... 9

2.6 Perencanan SCM... 12

2.7 Perbedaan Antara Manajemen Logistik dan Manajemen Supply Chain ... 13

2.8 Peramalan (Forecasting) ... 27

2.9 Metode Peramalan... 16

2.10 Perencanaan Kebutuhan Bahan... 22

2.10.1 Tujuan Perencanaan Kebutuhan... 23

2.10.2 Masukan MRP... 23

2.10.3 Keluaran MRP... 23

2.10.4 Pendekatan Material Requirement Planning (MRP) ... 23

2.10.5 Fungsi Distribution Resource Planning ...25

2.10.6 Beberapa Langkah Pengolahan DRP ... 25

BAB III METODE PENELITIAN 3.1 Objek Penelitian ... 28

3.2 Data Yang Dipakai ... 28

3.3 Observasi... 28

3.4 Tehnik Pengolahan Dan Analisis Data ... 30

3.5 Wilayah Distribusi Produk Nutrifeed ... 31

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

4.1 Hasil Produk Dan Pemasaran...33

4.2 Sistem Informasi ... 33

4.3 Pengumpulan Data ... 34

4.3.1 Data Permintaan Makanan Ternak Periode juli 2006 – juni 2007 ... 35

4.3.2Data Waktu Ancang ... 35

4.3.3 Data Biaya – Biaya Terkait ... 36

4.4 Pengolahan Data ... 37

4.4.1 Peramalan Dan Proporsi Kebutuhan ... 37

4.4.2 Perbandingan Grafik Laju Permintaan Item Produk ... 40

4.4.3 Perhitungan DRP untuk Juli 2006- juni 2007 ... 42

4.4.4 Perhitungan DRP untuk Juli 2007 - juni 2008 (Peramalan) ... 55

4.5 Analisis Data ... 68

4.5.1 Analisis Peramalan... 68

4.5.2 Analisa Grafik Laju Permintaan... 69

4.5.3 Analisa DRP... 69

4.5.4 Analisa SCM ... 77

4.5.5Analisis Perbaikan Sistem Informasi Pendistribusian Produk Makanan Ternak Untuk Tiap Item ... 78

BAB V PENUTUP 5.1 Kesimpulan ... 80

5.2 Saran ... 81 DAFTAR PUSTAKA

DAFTAR TABEL

Halaman

Tabel 3.1 Tabel wilayah distribusi produk nutrifeed...31

Tabel 4.1. Tabel permintaan makanan ternak ...35

Tabel 4.2. Tabel wilayah distribusi produk nutrifeed ...35

Tabel 4.3. Tabel biaya kirim pada wilayah distribusi produk nutrifeed...36

Tabel 4.4. Tabel Model dan hasil peramalan tiap item ... 38

Tabel 4.5. Tabel rekapitulasi hasil peramalan ... 39

Tabel 4.6. Tabel rekapitulasi hasil perhitungan wilayah 1 ... 67

Tabel 4.7. Tabel rekapitulasi hasil perhitungan wilayah 2... 67

DAFTAR GAMBAR

Halaman

Gambar 2.1 Model Supply Chain Management ... 12

Gambar 2.2 Sistem lengkap MRP ... 24

Gambar 3.1 Skema alur proses produksi dan proses pendistribusian produk ...28

Gambar 3.2 Kerangka pemecahan masalah ... 32

Gambar 4.1 Sistem informasi distribusi makanan ternak ... 33

Gambar 4.2 Rantai pendistribusian makanan ternak... 34

Gambar 4.3 Permintaan produk BC 132 tahun 2006 dan peramalan tahun 2007 ... 40

Gambar 4.4. Permintaan produk KF tahun 2006 dan peramalan tahun 2007 ... 41

Gambar 4.5. Permintaan produk DC 132 tahun 2006 dan peramalan tahun 2007 ... 41

Gambar 4.6. Permintaan produk DC 133 tahun 2006 dan peramalan tahun 2007 ... 42

ABSTRAKSI

Untuk menciptakan pelayanan yang diinginkan, koordinasi antara pihak-pihak didalam supply chain sangat diperlukan, kurangnya koordinasi sering kali menimbulkan kesalahan informasi yang salah satu sebabnya adalah adanya komposisi biaya-biaya untuk pemesanan dan persediaan yang tidak sama antar konsumen.

Akibatnya informasi produk apa yang yang diperlukan, jumlah, siapa konsumen yang memesan dan kapan produk harus dikirim menjadi kurang tepat. Dampaknya rencana pemesanan bahan baku ke pemasok juga tidak terestimasi dengan baik

Distribution Resource Planning (DRP) mengolah informasi untuk

memperlancar dan mengatur pemasaran agar supply dan demand lebih seimbang Caranya adalah dengan melakukan peramalan permintaan dari data periode sebelumnya sebagai acuan untuk memesan bahan baku ke pemasok. Dengan acuan tersebut perusahaan bisa tepat waktu memenuhi permintaan pelanggan serta menyiapkan tersedianya produk yang cukup dan tidak berlebihan sehingga dapat diketahui banyaknya jumlah produk yang harus disediakan di tiap wilayah distribusi (Economic Order Quantity ), kapan dilakukannya pemesanan kembali oleh masing- masing wilayah (Reorder Point) dan besarnya persediaan yang ada (Safety Stock),

BAB I PENDAHULUAN

1.1. Latar Belakang Masalah

Koperasi Jasa Usaha Bersama (KJUB) PUSPETASARI merupakan perusahaan perdagangan makanan ternak (nutrifeed) yang berlokasi di Klaten Jawa Tengah, Konsep manajemen rantai pasokan dengan fokus kajian keefektifan dan keefesienan aliran produk maupun aliran informasi telah menempati prioritas penting dalam menentukan kebijakan pendistribusian produk kepada penjual atau agen.

Berkembangnya informasi yang tak terbatas di era globalisasi sekarang ini, Koperasi Jasa Usaha Bersama (KJUB) PUSPETASARI dihadapkan pada kendala yang berkaitan dengan pendistribusian produk hingga ke konsumen pemakai akhir. Permasalahan yang ada pada Koperasi Jasa Usaha Bersama (KJUB) PUSPETASARI adalah terjadinya perbedaan proporsi permintaan masing-masing konsumen. Dan adanya komposisi biaya-biaya untuk pemesanan dan persediaan yang tidak sama antar konsumen. Akibatnya informasi produk apa yang yang diperlukan, jumlah, siapa konsumen yang memesan dan kapan produk harus dikirimkan menjadi kurang tepat. Dampaknya rencana pemesanan bahan baku ke pemasok juga tidak terestimasi dengan baik.

1.2. Perumusan Masalah

Sistem distribusi barang atau produk dapat digambarkan dari

Manufacture/pabrik mengirimkan produknya kepada distributor utama dan pihak

pihak retailer yang akan menyampaikan produk tersebut kepada konsumen akhir atau end users-nya. Permasalahan yang diangkat dalam tugas akhir ini adalah :

1. Berapa banyak jumlah produk yang harus disediakan di tiap wilayah distribusi? 2. Kapan harus dilakukan pemesanan kembali oleh masing- masing wilayah? 3. Berapa besarnya persediaan yang harus ada?

1.3. Batasan Masalah

Ruang lingkup kajian yang dibahas akan dibatasi, mengingat terkaitnya permasalahan dengan sistem manajemen perusahaan serta tujuan dari penelitian yang akan diarahkan. Batasan yang akan ditetapkan adalah sebagai berikut :

1. Penelitian ini hanya dilakukan pada sistem distribusi dari perusahaan ke agen penjualan.

2. Pengukuran tingkat efesiensi tidak menjelaskan kepada nominal keuntungan perusahaan.

1.4. Tujuan Dan Manfaat Penelitian

Adapun tujuan yang dapat diambil dari penelitian ini adalah sebagai berikut: 1. Merencanakan pendistribusian pemenuhan permintaan pelanggan yang

agregrasinya menjadi kebutuhan pemesanan ke pemasok.

2. Mendapatkan sistem informasi distribusi yang mendukung penerapan Supply

Chain Management.

Adapun manfaat yang dapat diambil dari penelitian ini adalah sebagai berikut:

1. Optimasi Supply Chain sangat penting untuk meningkatkan efektifitas dan efisiensi yang akan dipengaruhi juga oleh faktor perubahan jumlah permintaan. Dengan dikembangkannya pendekatan terhadap sistem nyata, maka aktivitas yang terjadi dalam supply chain dapat dilakukan dengan lebih tepat waktu dan lebih baik.

2. Menghasilkan pendekatan sistem yang fleksibel untuk diimplementasikan pada distribusi yang telah dikembangkan.

3. Mengetahui prinsip dasar supply chain yang meliputi alur kegiatan, mulai dari perencanaan, proses pengadaan, proses pengiriman dan pengawasan atau pengendalian proses pasokan material serta pemeriksaan mutu dan ketepatan waktu.

1.5. Sistematika Penulisan Laporan

Sistematika penulisan dalam Laporan Tugas Akhir ini dibagi dalam beberapa bab, yaitu :

BAB I PENDAHULUAN

Pada bab ini berisi mengenai latar belakang masalah distribusi produk makanan ternak, perumusan masalah untuk kasus pendistribusian, batasan masalah yang akan dikaji, tujuan dan manfaat penelitian, dan sistematika penulisan.

BAB II LANDASAN TEORI

Pada bab ini berisi uraian singkat mengenai teori-teori manajemen rantai pasokan yang mendukung penulisan laporan.

BAB III METODOLOGI PENELITIAN

Pada bab ini berisi tentang obyek penelitian yaitu, teknik-teknik pengumpulan, teknik analisa data, dan kerangka pemecahan masalah.

BAB IV PENGUMPULAN, PENGOLAHAN DAN HASIL ANALISIS DATA Pada bab ini berisi mengenai data yang diperoleh selama penelitian dilakukan dan pengolahan data-data yang diperoleh.

BAB V PENUTUP

Pada bab ini berisi mengenai kesimpulan dari penelitian tentang kasus pendistribusian produk makanan ternak, serta saran usulan untuk perusahaan atas solusi yang didapat.

BAB II

LANDASAN TEORI

2.1Distribution Resource Planning

Distribution Resource Planning (DRP) adalah suatu proses yang menentukan

kebutuhan dari ISL (Investory Stocking Locatian) dan memastikan bahwa sumber

Supply dapat memenuhi permintaan tersebut. Dalam hal ini ISL-nya adalah Pabrik

Makanan Ternak Nutrifeed di KJUB Puspetasari.

Tujuan dari DRP adalah mensimulasikan kejadian yang sebenarnya di suatu perusahaan agar dapat diketahui apa yang akan dilakukan untuk masa yang akan datang dengan sumber-sumber yang ada, Penambahan kecil dan sering dalam batasan pesanan dan pesanan yang ekonomis. DRP mengolah informasi ini untuk memperlancar dan mengatur pemasaran, sehingga dapat menyeimbangkan antara

supply dan demand. Diharapkan dengan adanya perencanaan pendistribusian yang

baik, keberhasilan pemenuhan permintaan pelanggan akan menjadi optimal dan dengan demikian diharapkan dapat meningkatkan kinerja penjualan dengan mampu memenuhi pesanan tepat waktu.(Andre, 1995)

Langkah-langkah dalam proses DRP adalah sebagai berikut: 2.1.1. Tahap pertama

DRP menerima input berupa:

1. Hasil peramalan penjualan yang dilakukan oleh ISL.

2. Pesanan dari konsumen yang akan dikirim saat ini maupun yang akan datang. 3. Persediaan yang ada saat ini yang dapat dijual oleh setiap ISL.

4. Lead Time pemesanan.

5. Safety stock.

6. Jumlah minimal dari produk yang harus dijual, diproduksi maupun didistribusikan.

2.1.2. Tahap kedua

Begitu semua input diterima, DRP membangkitkan model berdasarkan pada waktu untuk mendukung strategi logistik dimana dengan adanya model tersebut dapat ditentukan:

1. Produk apa yang diperlukan, berapa banyak dan dimana serta kapan produk tersebut diperlukan.

2. Kapasitas transportasi yang diperlukan.

3. Tempat, tenaga manusia dan kapasitas peralatan yang dibutuhkan oleh ISL 4. Jumlah inventory yang diperlukan ISL.

5. Level produksi yang diperlukan. 2.1.3. Tahap ketiga

DRP membandingkan sumber-sumber yang diperlukan dengan apa yang akan ada di masa mendatang. Dengan adanya informasi ini maka akan dapat diketahui tindakan apa yang harus dilakukan untuk memperlancar atau menunda pembelian/pemesanan, sehingga dengan demikian dapat menyeimbangkan supply dan demand. Langkah ketiga ini mendorong integrasi dan memberikan umpan balik ke sistem kemudian menutup loop antara produksi, pembelian dan logistik maupun konsumen.(Lisa, 2001)

2.2Strategi Persediaan.

Persediaan merupakan bahan atau barang yang disimpan untuk tujuan tertentu, antara lain untuk proses produksi, jika berupa bahan mentah maka akan diproses lebih lanjut.

Persediaan merupakan bagian terbesar dalam penggunaan modal kerja perusahaan dan merupakan aktiva yang selalu mengalami perubahan setiap saat. Persediaan juga mengalami perputaran yang berbeda-beda, tinggi rendahnya perputaran akan berpengaruh langsung terhadap besar kecilnya dana yang ditawarkan atau dibutuhkan dalam persediaan tersebut. Syarat persediaan yang ideal :

1. Peningkatan layanan kepada pelanggan, melalui pemberian layanan berupa penyediaan bahan atau barang yang dibutuhkan pelanggan (service availability) 2. Penekanan biaya. Persediaan tidak hanya sekedar menyediakan bahan atau

barang sesuai kebutuhan saja, tetapi harus mempertimbangkan hal-hal lain seperti ketepatan waktu, ketepatan mutu, biaya yang ekonomis, dan ketepatan jumlah.(Yolanda, 2005)

2.3Stategi Rantai Pasokan/ Supply Chain

Strategi supply chain adalah startegi manajmnen yang membahas tentang bagaimana upaya perusahaan memposisikan pemasok-pemasoknya sebgai bagaian dalam proses produksinya.

Upaya agar konsumen menjadi loyal adalah dengan kepuasan pelanggan. Kebutuhan dan keinginan pelanggan sangat beragam, dari produk berwujud hingga produk estetika, dan faktor yang terpenting adalah psikologis (keramahan pelayanan,

rasa aman). Perusahaan dapat memuaskan keinginan dan kebutuhan konsumen dengan mengembangkan dan mencapai misi dan strategi.

Strategi adalah rencana aksi organisasi untuk mencapai misi. Strategi dapat dijalankan setelah perusahaan menetapkan misi. Secara umum strategi perusahaan ada dua, tujuan komersial dan tujuan sosial, yaitu:

1. Tujuan komersil atau yang disebut dengan profit oriented yaitu tujuan perusahaan untuk mencari atau memperoleh keuntungan.

2. Tujuan sosial atau yang disebut dengan social oriented yaitu perusahaan yang didirikan dengan tujuan untuk membantu kalangan-kalangan tertentu yang membutuhkan, seperti koperasi jasa usaha bersama (KJUB).

Penciptaan strategi perusahaan dimulai dari bersihnya image perusahaan, selanjutnya proses pandangan (visioning) dimana hal-hal tidak lazim, tidak terdengar dan bahkan strategi melawan pesaing juga harus dipertimbangkan. Terdapat penempatan empat komponen untuk strategi yang baik yaitu, konsumen, pemasok, pesaing dan perusahaan.(Arnold, 1997)

2.4Srategi Logistik

Strategi logistik diperlukan untuk membantu pencapaian tujuan perusahaan yang diinginkan dalam strategi perusahaan. Inovasi terhadap pendekatan-pendekatan strategi logistik akan membuat perusahaan dapat unggul dalam bersaing.

Dalam perencanaan strategi logistik diperlukan beberapa sumber pengambilan keputusan. Suatu perspektif strategi untuk sumber dari dalam dan luar perusahaan bertujuan agar mampu bersaing berdasarkan difrensiasi produk dan atau fokus. Unsur pembuatan strategi logistik menurut sislian dan satir (2000) terdiri dari

faktor primer (keunggulan bersaing, fleksibilitas permintaan) dan faktor sekunder (kapabilitas proses, batas waktu proses, dan resiko strategi).

2.5Konsep Supply Chain

Supply chain pada hakikatnya merupakan jaringan organisasi yang menyangkut hubungan ke hulu (upstream) dan ke hilir (downstream) dalam proses dan kegiatan berbeda yang menghasilkan nilai yang terwujud dalam barang dan jasa ditangan pelanggan terakhir. Hubungan ke hulu bersifat forward yaitu rantai hubungan pemasok menuju konsumen, sedangkan hubungan ke hilir bersifat

backward dari konsumen menuju pemasok. Perusahan perlu mengelola supply chain

–nya dengan baik untuk menciptakan keunggulan kompetitif yang unik pada sistem bisnis (Haizer & Raider, 2001).

Konsep supply chain merupakan rangkaian dari fasilitas, fungsi dan aktivitas perusahaan yang terlibat dalam pembuatan dan penyaluran barang atau jasa. Rangkaian tersebut dimulai dari pemasok dan berakhir pada konsumen akhir. Dengan menganalisis secara keseluruhan proses, dari pemasok awal sampai dengan konsumen akhir, dapat diketahui keuntungan-keuntungan dari supply chain yaitu mengurangi inventory barang dengan berbagai cara, menjamin kelancaran penyediaan barang dan menjamin mutu.

Penentu supply chain bukan lagi perusahaan melainkan konsumen (Mattsson, 2003). Konsumen bebas menentukan pilihan mereka pada berbagai pilihan barang atau jasa yang tersedia di pasaran sehingga perusahaan berusaha untuk menyesuaikan produk mereka sesuai pilihan serta kehendak konsumen (Larsen & Bagchi, 2002, Barrat, 2004).

Menurut Stevenson (2002), ada dua jenis pergerakan (movement) dalam sistem supply chain. Pertama , physical movement of materials yaitu pergerakan arus barang dimana umumnya memiliki arah menuju rantai akhir (konsumen), meskipun tidak semua rantai berawal dengan bahan baku. Kedua exchange of information yaitu pergerakan arus informasi ini menuju dua arah, baik menju rantai awal maupun rantai akhir, disepanjang supply chain.

Supply chain management merupakan integrasi dari beberapa proses bisnis

inti melalui original supplier (pemasok awal) menuju end user (konsumen akhir) yang menyediakan barang, jasa dan informasi yang mampu memberikan tambahan nilai bagi konsumen.

Proses utama aktivitas supply chain management (Stock & Lambert, 2001) sebagai berikut:

1. Manajemen hubungan dengan konsumen (customer relationship management) mengidentifikasikan konsumen yang kritis bagi misi perusahaan.

2. Manajemen pelayan konsumen (customer service management). Menyediakan informasi tunggal, informasi real-time (faktual) tentang tanggal pengiriman yang sudah dijanjikan atau ketersediaan produk bagi konsumen.

3. Manajemen permintaan (demand management) menyeimbangkan kebutuhan konsumen dengan kemampuan perusahaan untuk memenuhinya.

4. Manajemen order (order fulfiliment) menyediakan proses bisnis yang transparan,

supply chain yang efektif menepati customer need date (pemenuhan kebutuhan

5. Manajemen aliran manufaktur (manufacturing flow mangemnet) menyesuaikan antara permintaan dengan kemampuan produksi.

6. Pembelian (procurement) fungsi pembelian mengembangkan mekanisme informasi cepat seperti electronic data interchange (EDI) dan jaringan internet untuk transfer kebutuhan secara cepat. Komunikasi cepat ini menyediakan alat untuk mengurangi waktu dan biaya yang terbuang pada bagian pembeliaan saat transaksi berlangsung.

7. Pengembangan dan komersialisasi produk (product development and

commersialization) mengintegrasikan pemasok dan konsumen kedalam proses

pengembangan produk.

8. Tingkat pengembalian (return) manajemen pada tingkat saluran pengembalian yang efektif memudahkan identifikasi perbaikan produktifitas dan terobosan baru produk.

Sesuai dengan perkembangan ilmu pengetahuan dan teknologi. Istilah Supply

Chain Management telah mengalami paradigma, dari sekedar proses inventory dan

transportasi menjadi proses peningkatan hasil tambah (value creation) dari barang dan jasa yang berfokus pada efesiensi dan efektifitas aliran material, aliran mata uang, dan yang paling penting adalah informasi yang terjadi secara simultan, sehingga akan meningkatkan performansi rantai pasokan secara keseluruhan. Prinsip yang digunakan dalam Supply Chain Management adalah “Getting the right

product, to the right place, at the right time, for the right price” (Reyes, 1998).

Dari keseluruhan pendekatan dan konsep melahirkan definisi Supply Chain

mengoptimasi potensi dari keseluruhan bisnis (termasuk bisnis pendukung) dalam memenuhi kebutuhan komersial yang meningkat yang diindikasikan oleh permintaan pelanggan pada keseluruhan sistem”. Supply Chain Management efektif berkontribusi pada pembangunan berkelanjutan dari struktur bisnis keseluruhan . Sesuai gambar 2.1 dibawah ini.

Gambar 2.1. Model Supply Chain Management

Seluruh elemen dalam Supply Chain Management tidak bisa berjalan secara terpisah, tetapi harus merupakan satu kesatuan. Sehingga akan menghasilkan sinergi dan pada akhirnya menciptakan efisiensi dan efektifitas. Dalam Supply Chain

Management sendiri hal yang paling penting adalah saling berbagi (sharing). Dan

terlihat dari adanya aliran material, uang dan informasi yang mengintegrasikan keseluruhan elemen dalam Supply Chain Management. Istilah yang dikenal pada

Supply Chain Management yaitu concurrent, yang berarti aliran tersebut harus terjadi

secara simultan. Dari konesp integrasi dan concurrent tersebut timbul konsep

Knowledge Management yang basisnya adalah ilmu pengetahuan.

2.6Perencanaan SCM.

Terdiri dari enam topik, yaitu:

Pemasok dari pemakai

Pemasok (Supplier)

Perusahaan

Pemakai akhir (end user) Pelanggan (Customer)

Perancangan – pemasaran – pengadaan – produksi - distribusi

1. Tingkat Perencanaan.

Perencanaan SCM bertujuan untuk menjawab pertanyaan tentang apa, kapan, bagaimana, hal tersebut berlangsung pada tiga tingkatan, yaitu strategis, taktikal, dan operasional.

2. Luasnya Daerah Pemesanan

Menyangkut empat keputusan penting, yaitu:

• Tingkat layanan kepada pelanggan.

• Lokasi fasilitas logistik, yaitu memntukan strategi logistic dapat berjalan lancar dan menjamin akan mendapat stok

• Keputusan persediaan, berkaitan dengan persediaan yang dimiliki dan kecukupan stok barang.

• Keputusan transportasi, yaitu memilih model transportasi yang akan digunakan.

2.7Perbedaan Antara Manajemen Logistik dan Manajemen Supply Chain Antara manajemen logistik dan manajemen supply chain memiliki sejumlah persamaan yang terkadang menimbulkan kerancuan yaitu:

1. Keduanya menyangkut pengelolaan arus barang atau jasa.

2. Keduanya menyangkut pengelolaan mengenai pembelian, pergerakan, penyimpanan, pengangkutan, administrasi dan penyaluran barang.

3. Keduanya terkait usaha untuk meningkatkan efesiensi dan efektifitas pengelolaan barang.

Disamping persamaan tersebut ada beberapa perbedaan mendasar diantara keduanya yang antara lain dapat disebutkan sebagai berikut :

1. Manajemen logistik

Mengutamakan pengelolaan termasuk arus barang dalam perusahaan serta berorientasi pada perencanaan dan kerangka kerja yang menghasilkan rencana tunggal arus barang dan informasi di seluruh perusahaan.

2. Manajemen supply chain.

Mengutamakan arus barang antar perusahaan, sejak perusahaan paling hulu sampai yang paling hilir agar koordinasi proses bisnis antar perusahaan tercipta, mulai dari pemasok sampai pada pelanggan.

2.8Peramalan (Forecasting)

Pada akhir ini terdapat perkembangan yang pesat sekali dalam teknik dan metode analisa, baik analisa ekonomi maupun analisa kegiatan usaha perusahaan terutama di bidang pemasaran, produksi dan keuangan. Dalam melakukan analisa ekonomi atau analisa kegiatan usaha perusahaan, haruslah diperkirakan apa yang akan terjadi dalam bidang ekonomi atau dalam dunia usaha pada masa yang akan datang. Kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang disebut juga dengan peramalan (forecasting). (Assauri, 1984)

Kegunaan peramalan adalah :

a. Berguna untuk dapat memperkirakan secara sistematis dan pragmatis atas dasar data yang relevan pada masa yang lalu, dengan kata lain metode peramalan diharapkan dapat memberikan obyektivitas yang lebih besar.

b. Membantu dalam mengadakan pendekatan analisa terhadap pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan

yang sistematis dan pragmatis serta memberikan tingkat keyakinan yang lebih besar atas ketepatan hasil ramalan yang dibuat atau yang disusun.

Jenis-jenis peramalan adalah sebagai berikut:

a. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu atau time series.

b. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, yang bukan waktu, yang disebut dengan metode korelasi sebab-akibat (causal methods).

Langkah-langkah peramalan, yaitu :

a. Pertama, menganalisa data yang lalu, tahap ini berguna untuk pola yang terjadi pada masa lalu. Analisa ini dilakukan dengan cara membuat tabulasi dari data yang lalu. Dengan tabulasi data, maka dapat diketahui pola dari data tersebut. b. Kedua, menentukan metode yang dipergunakan. Masing-masing metode

memberikan hasil peramalan yang berbeda. Metode peramalan yang baik adalah metode yang memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan yang terjadi. Dengan kata lain metode peramalan yang baik adalah metode yang menghasilkan penyimpangan antara hasil peramalan dengan nilai kecil yang sekecil mungkin.

c. Ketiga, memproyeksikan data yang lalu dengan menggunakan metode yang dipergunakan dan mempertimbangkan adanya beberapa faktor perubahan. Faktor-faktor perubahan tersebut antara lain terdiri dari perubahan

kebijakan-kebijakan yang mungkin terjadi, termasuk perubahan kebijakan-kebijakan pemerintah, perkembangan potensi masyarakat, perkembangan teknologi dan penemuan-penemuan baru.

2.9Metode Peramalan

Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang terjadi pada masa lalu. Oleh karena itu, metode peramalan didasarkan atas data yang relevan pada masa lalu, maka metode peramalan ini dipergunakan dalam peramalan yang obyektif.

Metode-metode peramalan dengan menggunakan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu atau analisa deret waktu, terdiri dari:

a. Metode smoothing, yang mencakup metode data lewat (past data), metode rata-rata kumulatif, metode rata-rata-rata-rata bergerak (moving average) dan metode “exponential smoothing”

b. Metode Box Jenkis menggunakan dasar deret waktu dengan model matematis agar kesalahan yang terjadi dapat sekecil mungkin.

c. Metode Proyeksi Trend dengan regresi, merupakan dasar garis trend untuk suatu persamaan matematis, sehingga dengan dasar persamaan tersebut dapat diproyeksikan hal yang diteliti untuk masa depan.

Dalam pemilihan teknik dan metode peramalan, pertama-tama perlu mengetahui ciri-ciri yang penting yang perlu diperhatikan bagi pengambilan keputusan dan analisa keadaan. Dalam mempersiapkan peramalan, ada 6 ciri utama yang perlu diperhatikan :

a. Horison waktu (time horizon). b. Tingkat perincian.

c. Jumlah produk.

d. Pengawasan versus perencanaan. e. Stabilitas.

f. Prosedur perencanaan yang ada.

Ada berbagai cara didalam teknik peramalan antara lain: (Long Cang-yih) Notasi-notasi yang digunakan adalah sebagai berikut :

t = Waktu atau periode, t = 1,2,...,n

m = Periode rata-rata bergerak atau lamanya siklus musiman.

α = Parameter smoothing. β = Trend smoothing parameter.

γ = Parameter smoothing musiman.

τ = Waktu dari t. n = Banyaknya data.

A(t) = Data nilai aktual pada periode ke-t. A(i) = Rata-rata dari data aktual.

f(t) = Peramalan pada periode ke-t. T(t) = Trend pada periode ke-t.

F(t) = Smoothing value pada periode ke-t.

W(t) = Nilai tertimbang pada periode ke-t. I(t) = Indeks musiman pada periode ke-t.

e(t) = Kesalahan (penyimpangan) pada periode ke-t, yaitu f(t)-A(t). Model-model peramalan yang digunakan adalah sebagai berikut :

1. Simple Average

Metode rata-rata sederhana ini digunakan untuk data yang tidak mengandung unsur trend dan faktor musiman. Secara sederhana metode ini menghitung rataan dari data yang tersedia sejumlah n mengikuti.

Persamaan yang digunakan adalah :

n t A t

F

n

t

∑

₌ = 1

) ( )

( ... (2.1)

2. Weighted Moving Average

Istilah Moving Average menggambarkan prosedur jika ada data baru, rata-rata baru dapat dihitung dan data yang lalu dihapus. Karakteristik Moving Average, yaitu peramalannya dipengaruhi oleh t periode masa lalu dan jumlah data tiap waktu tetap.

Persamaannya adalah :

( )

=

_∑

t

_∑

i

t

i

i W i

A i W t

F () ()/ (); keterangan i = (t – m + 1) ke-t

( ) ( )

t F t

f +τ = ... (2.2) 3. Moving Average with Linier Trend

Metode rata-rata tertimbang dengan trend linear ini akan efektif jika

trend linier dan faktor random error tidak besar.

( )

=

_∑

t i m t A t

F ( )/ ; keterangan i = (t – m + 1) ke-t

( ) ( ) ( )( )

t+τ = F t +T t t+τ

f ... (2.3) 4. Single Exponential Smoothing

Metode ini digunakan pada saat data cenderung konstans, dalam arti tidak memiliki unsur yang cukup berarti. Karakteristik smoothing dikendalikan dengan menggunakan faktor smoothing (penghalusan) a, yang bernilai antara 0 sampai dengan 1. Fungsi faktor ini adalah untuk memberikan penekanan yang lebih terhadap data yang baru. Setiap peramalan berdasarkan pada hasil peramalan sebelumnya ditambah dengan suatu presentase perbedaan antara peramalan dengan nilai aktualnya pada saat tersebut.

Persamaan yang digunakan adalah : ) 1 ( ) 1 ( ) ( . )

(t = A t + − F t−

F α α

) ( ) (t F t

F +τ = ... (2.4) 5. Single Exponential Smoothing with linear trend

Metode ini digunakan pada data histories yang cenderung konstan mengandung unsur trend. Persamaan yang digunakan :

) 5 . 2 ...( ... ... ... )... ( . ) ( ) ( ) 1 ( ) 1 ( )) 1 ( ) ( ( ) ( ) 1 ( ) 1 ( )( 1 ( ) ( . ) ( t T t F t f t T t F t F t T t T t F t A t F τ

τβ β

α α + = + − − + − − = − + − − + =

6. Double Exponential Smoothing

Metode ini digunakan pada data histories yang mengandung unsur trend. Persamaan yang digunakan :

) 1 ( ' ) 1 ( ) ( . ) ( ' ) 1 ( ) 1 ( ) ( . ) ( − − + = − − + = t F t F t F t F t A t F α α α α ) ( ' ) (t F t

F +τ = ... (2.6) 7. Double Exponential Smoothing with Linier Trend

Persamaan metode ini adalah :

β α τ

γ α α

α α / . ) 1 ( ' ) 1 ( ) ( . ) ( ' ) 1 ( ) 1 ( ) ( . ) ( = − − + = − − + = t F t F t F t F t A t F

( ) (

t

) ( ) ( ) ( )

F t F t

f +τ = 2+γ − 1+γ ' ... (2.7) 8. Adaptive Exponential Smoothing

Persamaan metode ini adalah : ) 1 ( ) 1 ( ) ( . )

(t = A t + − F t−

F α α ... (2.8) 9. Linier Regresion

Tujuan dari regresi linear sederhana adalah untuk memperoleh sebuah persamaan garis lurus yang akan meminimasi jumlah bias vertikal dari titik-titik yang terobservasi dengan garis lurus yang terbentuk. Persamaan yang dipakai adalah :

Y = a + bX ... (2.9) Dimana : Y = Variabel tidak bebas (Dependent).

X = Variabel bebas (Independent). b = Slope (kemiringan).

a = Konstanta.

(

) ( )( )

( )

2

( )

2

X Y N Y X XY N b − − =

∑

∑

∑

∑

_{... (2.10)}

N X b Y

a=

∑ ∑

− ... (2.11) Dimana : N = Jumlah data hasil observasi

10.Winter’s model

Metode winter merupakan metode permalan yang sering dipilih untuk menangani data permintaan baik yang mengandung variasi musiman maupun unsur trend. Metode ini mengolah tiga asumsi untuk modelnya, seperti unsur konstans, unsur trend, dan unsur musiman. Ketiga komponen diatas secara kotinyu saling memperbaharui.

Persamaan yang digunakan adalah:

) ( )) ( . ) ( ( ) ( ) ( ) 1 ( ) ( / ) ( . ) ( ) 1 ( ) 1 ( )) 1 ( ) ( ( ) ( )) 1 ( ) 1 ( )( 1 ( ) ( / ) ( . ) ( m t I t T t F t f m t I t F t A t I t T t F t F t T t T t F m t I t A t F − + + = + − − + = − − + − − = − + − − + − = τ τ

τγ γ

β

β α

α

Jika faktor-faktor musiman diabaikan, maka ditentukan pada nilai berikut ini : ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ =

∑

= m i t A t A t I 1 ) ( / ) ( )

( , t = 1,2,...,m ... (2.12)

Pengukuran kesalahan peramalan dapat dihitung dengan rumus sebagai berikut:

a. Mean Absolute Deviation adalah mengukur akurasi peramalan dengan

merata-ratakan kesalahan peramalan (nilai absolutenya) Persamaannya adalah :

Mean Absolute Deviation =

n e t

t

∑

………...(2.13)

b. Mean Squared Error adalah merupakan metode alternatif dalam mengevaluasi

suatu teknik peramalan. Setiap kesalahan atau residual dikuadratkan, kemudian dijumlahkan dan dibagi dengan jumlah observasi.

Persamaannya adalah :

Mean Squared Error =

( )

n e

t t

∑

2

………...(2.14)

c. Mean Error adalah menunjukkan besarnya perkiraan yang ditunjukkan oleh

metode tersebut, jumlah nilai error dibagi jumlah periode.

Persamaannya adalah :

Mean Error = n

e

t t

∑

………...(2.15)

Keterangan:

e(t) = kesalahan (deviasi) untuk periode yaitu f(t) – A(t)

n = nomor periode dimana e(t) dapat dicari, i, e, mempunyai kedua f(t) dan A(t).

2.10 Perencanaan Kebutuhan Bahan

Perencanaan kebutuhan bahan (Material Requirement Planing)

menggantungkan pengendalian pekerjaan dan pengendalian produk. Waktu yang digunakan untuk mengubah jadwal produksi akibat permintaan atau keterlambatan tak terduga secara manual cukup panjang, sehingga memungkinkan perhitungan kebutuhan bahan untuk keperluan produksi.

2.10.1 Tujuan Perencanaan Kebutuhan.

1. Meningkatkan pelayanan dan kepuasan konsumen. 2. Meningkatkan pemanfaatan fasilitas dan tenaga kerja. 3. Perencanaan dan penjadwalan persediaan yang lebih baik.

4. Tanggapan yang lebih cepat terhadap perubahan dan pergeseran pasar. 5. Mengurangi tingkat persediaan.

2.10.2 Masukan dan keluaran MRP

Jadwal Induk Produksi (JIP)/ Master Production Schedule (MPS).

1. Jadwal induk produksi merupakan rencana rinci tentang jumlah barang yang akan diproduksi pada beberapa satuan waktu dalam barisan perencanaan. Jadual induk produksi merupakan optimasi ongkos dengan memperhatikan kapasitasnya yang tersedia dan ramalan permintaan untuk mencapai rencana produksi yang akan meminimasi total ongkos produksi dan persediaan.

2. Struktur Produk/ Bill of Material (BOM)

Setiap item dan komponen harus memiliki identifikasi yang jelas dan unik sehingga berguna pada saat komputerisasi. Hal ini dilakukan dengan membuat struktur produk dan bill of material tiap produk.

Struktur produk berisi tentang informasi mengenai hubungan antar komponen dalam perakitan. Informasi ini penting dalam penentuan kebutuhan kotor dan kebutuhan bersih suatu komponen. Lebih jauh lagi, struktur produk juga

mengandung informasi tentang semua item, seperti nama item, serta jumlah yang dibutuhkan pada tiap tahun terhadap perakitan.

Data jumlah persediaan yang dimiliki digunakan untuk membuat keputusan dalam pemesanan suatu barang dengan sebaik-baiknya.

2.10.3 Keluaran MRP meliputi :

Material Requirement Planning (Perencanaan kebutuhan bahan)

mempunyai beberapa keluaran antara lain: 1. Memberikan catatan mengenai pesanan.

MRP dapat menentukan jumlah kebutuhan komponen serta waktu pemesanannya untuk memenuhi permintaan sesuai dengan JIP.

2. Memberikan indikasi untuk penjadwalan ulang.

MRP dapat memberi indikasi penjadwalan ulang apabila kapasitas produksi yang telah ada tidak dapat memenuhi pesanan yang dijadualkan.

3. Memberi indikasi untuk pembatalan pesanan.

Memberikan kepastian terhadap pembatalan pesanan yang dilakukan atas suatu komponen.

4. Memberi informasi mengenai keadaan persediaan.

MRP dapat menentukan secara tepat penjadwalan setiap komponen sehingga dapat meminimumkan biaya pesan maupun biaya perawatan.

2.10.4 Pendekatan Material Requirement Planning (MRP)

Pada tahap perencanaan kebutuhan material, dilakukan perencanaan terhadap produk/part/material. Pendekatan untuk menyelesaikan masalah ini dilakukan melalui logika sederhana, yaitu :

Gambar 2.2 : Sistem lengkap MRP

2.10.5 Langkah –Langkah Dasar Proses Pengolahan MRP 1. Perhitungan Kebutuhan Bersih (Netting)

Merupakan proses perhitungan untuk menetapkan jumlah kebutuhan bersih yang besarnya merupakan selisih antara kebutuhan kotor dengan keadaan persediaan. Masukan yang diperlukan dalam proses perhitungan kebutuhan bersih ini adalah :

Kebutuhan kotor setiap periode. Persediaan yang ada di tangan.

Rencana penerimaan (schedule receipts) pada periode mendatang.

Net requirement = [gross requirement + allocation] – [ on hand + scheduled

receipts]

Peramalan Master Prod.

Schedule

Pesanan Langganan

Status Persediaan Sistem MRP Struktur Produk

Rencana Pemesanan

Pemesanan Pembelian

Pesanan Kerja Penjadwalan Kerja

Pembatalan Kerja

2. Penentuan Ukuran Lot (lotting)

Lotting merupakan proses untuk menentukan besarnya pesanan setiap item

berdasarkan kebutuhan bersih yang dihasilkan dari proses netting. Tujuannya

untuk memenuhi pesanan secara bertahap sampai jumlah pesanan terpenuhi. 3. Proses Offsetting

Proses ini ditunjukan untuk menentukan saat yang tepat guna melakukan rencana pemesanan dalam upaya memenuhi tingkat kebutuhan bersih. Rencana pemesanan dilakukan pada saat material dibutuhkan dikurangi dengan waktu ancang.

4. Proses Explosion

Proses explosion adalah proses perhitungan kebutuhan kotor item yang

berada di tingkat lebih bawah, didasarkan atas rencana pemesanan yang telah disusun pada proses offsetting. Dalam proses explosion ini data struktur produk dan bill of material memegang peran penting karena menentukan arah explosion

item komponen.

Adapun Teknik Lot Sebagai Berikut Menurut Zulian (1998) : 1. Economic Order Quantity (EOQ)

Metode ini digunakan untuk permintaan yang tidak seragam dalam beberapa periode. Rata-rata permintaan dipergunakan untuk mendapatkan rata-rata jumlah bahan setiap kali pemesanan, rata-rata-rata-rata permintaan beberapa periode dijumlahkan selanjutnya dibagi dengan jumlah periode yang ada dan hasilnya dibulatkan ke dalam angka integer. Angka terakhir yang menunjukkan jumlah ekonomis dalam setiap kali pemesanan.

2. Titik pemesanan kembali (reorder point)

ROP adalah titik/tingkat persediaan, dimana pemesanan kembali harus dilakukan. Model persediaan sederhana mengasumsikan bahwa penerimaan suatu pesanan bersifat seketika. Artinya, model persediaan mengasumsikan bahwa suatu perusahaan akan menunggu sampai tingkat persediaannya mencapai nol, sebelum perusahaan memesan kembali dan dengan seketika kiriman yang dipesan akan diterima. Akan tetapi, waktu antara dilakukannya pemesanan atau waktu pengiriman bias cepat atau lambat, sehingga perlu ditetapkan kapan harus dilakukan pemesanan ulang.

3. Safety Stock.

Persediaan pengaman adalah tambahan persediaan dari jumlah biasanya sebesar rata-rata kondisi persediaan dan lamanya waktu tunggu. Peranan peramalan sangat penting untuk menentukan besarnya persediaan pengaman, jika peramalan dilakukan dengan tepat maka perusahaan boleh tidak mempunyai persediaan pengaman.

BAB III

METODOLOGI PENELITIAN

3.1. Obyek Penelitian

Alamat KJUB PUSPETASARI, Jl.Stasiun Ceper No.1 Ceper, Klaten, Jawa tengah, Indonesia.

3.2. Data yang Dipakai

Pada penelitian ini data yang dipakai adalah : a. Data permintaan produk dari konsumen.

b. Kapasitas/stok pengiriman dari perusahaan. c. Wilayah tujuan konsumen.

3.3. Observasi

Berikut adalah skema urutan proses pembuatan produk makanan ternak

nutrifeed hingga produk sampai ke konsumen.

Gambar 3.1. Skema alur proses produksi dan distribusi produk.

Pemilihan bahan baku

Penimbangan bahan baku.

Proses penggilingan

Pembuatan golden-Pro

Pembuatan slaz Proses produksi

pakan ternak

Packing produk untuk agen

Pengiriman ke konsumen

┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:15:46 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ T(t) │ │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 46.8│ │ │ │ │ │ │ 2 │ 37.65│ 55.94997│ -9.149979│ │ │ │ │ 3 │ 47│ 43.61665│ .1000061│ │ 28.50003│ -18.49997│ │ 4 │ 30.75│ 50.24999│ -3.879997│ │ 44.01668│ 13.26668│ │ 5 │ 32.95│ 49.40998│ -3.459995│ │ 30.85001│ -2.099995│ │ 6 │ 35.55│ 47.10999│ -2.474284│ │ 28.65001│ -6.899984│ │ 7 │ 10.35│ 52.66428│ -4.557142│ │ 29.79001│ 19.44001│ │ 8 │ 17.35│ 52.37857│ -4.461904│ │ 16.20715│ -1.142853│ │ 9 │ 21.05│ 50.41666│ -3.873332│ │ 12.22143│ -8.828566│ │ 10 │ 29.75│ 46.80333│ -2.887878│ │ 11.68334│ -18.06666│ │ 11 │ 43│ 41.71909│ -1.616817│ │ 15.03667│ -27.96333│ │ 12 │ 35.35│ 39.54696│ -1.115559│ │ 22.31728│ -13.03272│ │ 13 │ │ │ │ │ 25.0447│ │ │ 14 │ │ │ │ │ 23.92914│ │ │ 15 │ │ │ │ │ 22.81359│ │ │ 16 │ │ │ │ │ 21.69803│ │ │ 17 │ │ │ │ │ 20.58247│ │ │ 18 │ │ │ │ │ 19.46691│ │ │ 19 │ │ │ │ │ 18.35135│ │ │ 20 │ │ │ │ │ 17.23579│ │ │ 21 │ │ │ │ │ 16.12023│ │ │ 22 │ │ │ │ │ 15.00467│ │ │ 23 │ │ │ │ │ 13.88912│ │ │ 24 │ │ │ │ │ 12.77356│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Linear regression: CPU Seconds = 0 │ │ MAD = 12.92 MSD = 230.56 Bias = -6.38 R-square = 0 │ │ A = 39.547 B = -1.116 │ └────────────────────────────────────────────────────────────────────────────┘ ┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:17:57 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ T(t) │ I(t) │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 46.8│ 46.84493│ 25.18897│ 1.449103│ │ │ │ 2 │ 37.65│ 37.68301│ 9.311377│ 1.165785│ 72.03391│ 34.3839│ │ 3 │ 47│ 47│ 9.313968│ 1.455296│ 46.99439│-0.0056076│ │ 4 │ 30.75│ 30.77454│ -2.490808│ .9521352│ 56.31396│ 25.56396│ │ 5 │ 32.95│ 32.94552│ -.3360472│ 1.020255│ 28.28374│ -4.666265│ │ 6 │ 35.55│ 35.54718│ 1.021811│ 1.100761│ 32.60947│ -2.940525│ │ 7 │ 10.35│ 10.37517│ -11.08544│ .3204748│ 36.56899│ 26.21899│ │ 8 │ 17.35│ 17.33266│ -2.745676│ .537221│ -.7102642│ -18.06026│ │ 9 │ 21.05│ 21.04379│ .2387772│ .6517869│ 14.58698│ -6.463015│ │ 10 │ 29.75│ 29.74187│ 4.148816│ .9211714│ 21.28257│ -8.467428│ │ 11 │ 43│ 42.99125│ 8.35526│ 1.331441│ 33.89069│ -9.109314│ │ 12 │ 35.35│ 35.36536│ .9684839│ 1.094568│ 51.34651│ 15.99651│ │ 13 │ │ │ │ │ 52.65149│ │ │ 14 │ │ │ │ │ 43.48649│ │ │ 15 │ │ │ │ │ 55.69535│ │ │ 16 │ │ │ │ │ 37.36111│ │ │ 17 │ │ │ │ │ 41.0222│ │ │ 18 │ │ │ │ │ 45.32523│ │ │ 19 │ │ │ │ │ 13.50633│ │ │ 20 │ │ │ │ │ 23.16133│ │ │ 21 │ │ │ │ │ 28.73188│ │ │ 22 │ │ │ │ │ 41.49895│ │ │ 23 │ │ │ │ │ 61.27116│ │ │ 24 │ │ │ │ │ 51.43066│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Winter's model: CPU Seconds = 0 │ │ MAD = 13.81 MSD = 302.92 Bias = 4.77 R-square = 0 │ │ Alpha = .99904 Beta = .46222 Gamma = .50000 Search criterion: MAD │ └────────────────────────────────────────────────────────────────────────────

┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:21:01 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ │ │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ 8.7│ │ │ │ │ │ 2 │ 13.7│ 11.2│ │ │ 8.7│ -5│ │ 3 │ 27.75│ 16.71667│ │ │ 11.2│ -16.55│ │ 4 │ 25│ 18.7875│ │ │ 16.71667│ -8.283333│ │ 5 │ 27│ 20.43│ │ │ 18.7875│ -8.2125│ │ 6 │ 28.75│ 21.81667│ │ │ 20.43│ -8.32│ │ 7 │ 29.95│ 22.97857│ │ │ 21.81667│ -8.133335│ │ 8 │ 24.3│ 23.14375│ │ │ 22.97857│ -1.321428│ │ 9 │ 9│ 21.57222│ │ │ 23.14375│ 14.14375│ │ 10 │ 6.35│ 20.05│ │ │ 21.57222│ 15.22222│ │ 11 │ 5.6│ 18.73636│ │ │ 20.05│ 14.45│ │ 12 │ 12.5│ 18.21667│ │ │ 18.73636│ 6.236364│ │ 13 │ │ │ │ │ 18.21667│ │ │ 14 │ │ │ │ │ 18.21667│ │ │ 15 │ │ │ │ │ 18.21667│ │ │ 16 │ │ │ │ │ 18.21667│ │ │ 17 │ │ │ │ │ 18.21667│ │ │ 18 │ │ │ │ │ 18.21667│ │ │ 19 │ │ │ │ │ 18.21667│ │ │ 20 │ │ │ │ │ 18.21667│ │ │ 21 │ │ │ │ │ 18.21667│ │ │ 22 │ │ │ │ │ 18.21667│ │ │ 23 │ │ │ │ │ 18.21667│ │ │ 24 │ │ │ │ │ 18.21667│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Simple average: CPU Seconds = 0 │ │ MAD = 9.62 MSD = 113.78 Bias = -.52 R-square = 0 │ │ MAD = 9.62 MSD = 113.78 Bias = -.52 │ └────────────────────────────────────────────────────────────────────────────┘ ┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:28:08 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ W(t) │ │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ │ .5│ │ │ │ │ 2 │ 13.7│ 11.2│ .5│ │ │ │ │ 3 │ 27.75│ 20.725│ │ │ 11.2│ -16.55│ │ 4 │ 25│ 26.375│ │ │ 20.725│ -4.275│ │ 5 │ 27│ 26│ │ │ 26.375│ -.625│ │ 6 │ 28.75│ 27.875│ │ │ 26│ -2.75│ │ 7 │ 29.95│ 29.35│ │ │ 27.875│ -2.075001│ │ 8 │ 24.3│ 27.125│ │ │ 29.35│ 5.050001│ │ 9 │ 9│ 16.65│ │ │ 27.125│ 18.125│ │ 10 │ 6.35│ 7.675│ │ │ 16.65│ 10.3│ │ 11 │ 5.6│ 5.975│ │ │ 7.675│ 2.075│ │ 12 │ 12.5│ 9.05│ │ │ 5.975│ -6.525│ │ 13 │ │ │ │ │ 9.05│ │ │ 14 │ │ │ │ │ 9.05│ │ │ 15 │ │ │ │ │ 9.05│ │ │ 16 │ │ │ │ │ 9.05│ │ │ 17 │ │ │ │ │ 9.05│ │ │ 18 │ │ │ │ │ 9.05│ │ │ 19 │ │ │ │ │ 9.05│ │ │ 20 │ │ │ │ │ 9.05│ │ │ 21 │ │ │ │ │ 9.05│ │ │ 22 │ │ │ │ │ 9.05│ │ │ 23 │ │ │ │ │ 9.05│ │ │ 24 │ │ │ │ │ 9.05│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Weighted moving average: CPU Seconds = 0 │ │ MAD = 6.84 MSD = 81.14 Bias = .28 R-square = .10 │ │ M = 2 │ └────────────────────────────────────────────────────────────────────────────┘

┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:29:05 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ T(t) │ │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ │ │ │ │ │ │ 2 │ 13.7│ 11.2│ 5│ │ │ │ │ 3 │ 27.75│ 20.725│ 14.05│ │ 18.7│ -9.049999│ │ 4 │ 25│ 26.375│ -2.750002│ │ 41.8│ 16.8│ │ 5 │ 27│ 26│ 1.999998│ │ 22.25│ -4.750004│ │ 6 │ 28.75│ 27.875│ 1.749998│ │ 29│ .2499962│ │ 7 │ 29.95│ 29.35│ 1.199999│ │ 30.5│ .5499954│ │ 8 │ 24.3│ 27.125│ -5.650003│ │ 31.15│ 6.849998│ │ 9 │ 9│ 16.65│ -15.3│ │ 18.64999│ 9.649994│ │ 10 │ 6.35│ 7.675│ -2.650002│ │ -6.300002│ -12.65│ │ 11 │ 5.6│ 5.975│ -.7500029│ │ 3.699997│ -1.900003│ │ 12 │ 12.5│ 9.05│ 6.899995│ │ 4.849996│ -7.650004│ │ 13 │ │ │ │ │ 19.39999│ │ │ 14 │ │ │ │ │ 26.29999│ │ │ 15 │ │ │ │ │ 33.19999│ │ │ 16 │ │ │ │ │ 40.09998│ │ │ 17 │ │ │ │ │ 46.99997│ │ │ 18 │ │ │ │ │ 53.89997│ │ │ 19 │ │ │ │ │ 60.79996│ │ │ 20 │ │ │ │ │ 67.69996│ │ │ 21 │ │ │ │ │ 74.59995│ │ │ 22 │ │ │ │ │ 81.49995│ │ │ 23 │ │ │ │ │ 88.39995│ │ │ 24 │ │ │ │ │ 95.29994│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Moving average with linear trend: CPU Seconds = 0 │ │ MAD = 7.01 MSD = 74.93 Bias = -.19 R-square = .17 │ │ M = 2 │ └────────────────────────────────────────────────────────────────────────────┘ Modules-1 Modules-2 Input Data Solution Options Help - TSFC

┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:29:50 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ │ │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ 8.7│ │ │ │ │ │ 2 │ 13.7│ 13.69703│ │ │ 8.7│ -5│ │ 3 │ 27.75│ 27.74166│ │ │ 13.69703│ -14.05297│ │ 4 │ 25│ 25.00163│ │ │ 27.74166│ 2.741659│ │ 5 │ 27│ 26.99881│ │ │ 25.00163│ -1.998373│ │ 6 │ 28.75│ 28.74896│ │ │ 26.99881│ -1.751186│ │ 7 │ 29.95│ 29.94929│ │ │ 28.74896│ -1.20104│ │ 8 │ 24.3│ 24.30335│ │ │ 29.94929│ 5.649288│ │ 9 │ 9│ 9.009082│ │ │ 24.30335│ 15.30335│ │ 10 │ 6.35│ 6.351578│ │ │ 9.009082│ 2.659082│ │ 11 │ 5.6│ 5.600446│ │ │ 6.351578│ .7515783│ │ 12 │ 12.5│ 12.4959│ │ │ 5.600446│ -6.899554│ │ 13 │ │ │ │ │ 12.4959│ │ │ 14 │ │ │ │ │ 12.4959│ │ │ 15 │ │ │ │ │ 12.4959│ │ │ 16 │ │ │ │ │ 12.4959│ │ │ 17 │ │ │ │ │ 12.4959│ │ │ 18 │ │ │ │ │ 12.4959│ │ │ 19 │ │ │ │ │ 12.4959│ │ │ 20 │ │ │ │ │ 12.4959│ │ │ 21 │ │ │ │ │ 12.4959│ │ │ 22 │ │ │ │ │ 12.4959│ │ │ 23 │ │ │ │ │ 12.4959│ │ │ 24 │ │ │ │ │ 12.4959│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Single exponential smoothing: CPU Seconds = 0 │ │ MAD = 5.27 MSD = 50.90 Bias = -.35 R-square = .40 │ │ Alpha = .99941 Search criterion: MAD │ └────────────────────────────────────────────────────────────────────────────┘

│ 08-01-2007 19:30:39 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ T(t) │ │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ 8.7│ 0│ │ │ │ │ 2 │ 13.7│ 13.69817│ .3897912│ │ 8.7│ -5│ │ 3 │ 27.75│ 27.74499│ 1.45486│ │ 14.08796│ -13.66204│ │ 4 │ 25│ 25.00154│ 1.127447│ │ 29.19985│ 4.19985│ │ 5 │ 27│ 26.99968│ 1.19535│ │ 26.12899│ -.8710117│ │ 6 │ 28.75│ 28.7498│ 1.238614│ │ 28.19503│ -.5549717│ │ 7 │ 29.95│ 29.95001│ 1.23562│ │ 29.98841│0.03841018│ │ 8 │ 24.3│ 24.30252│ .6988277│ │ 31.18563│ 6.885635│ │ 9 │ 9│ 9.00587│ -.5486093│ │ 25.00135│ 16.00135│ │ 10 │ 6.35│ 6.350773│ -.7128876│ │ 8.45726│ 2.10726│ │ 11 │ 5.6│ 5.600014│ -.7158411│ │ 5.637885│0.03788518│ │ 12 │ 12.5│ 12.49721│ -.1221247│ │ 4.884172│ -7.615828│ │ 13 │ │ │ │ │ 12.37508│ │ │ 14 │ │ │ │ │ 12.25296│ │ │ 15 │ │ │ │ │ 12.13083│ │ │ 16 │ │ │ │ │ 12.00871│ │ │ 17 │ │ │ │ │ 11.88658│ │ │ 18 │ │ │ │ │ 11.76446│ │ │ 19 │ │ │ │ │ 11.64233│ │ │ 20 │ │ │ │ │ 11.52021│ │ │ 21 │ │ │ │ │ 11.39808│ │ │ 22 │ │ │ │ │ 11.27596│ │ │ 23 │ │ │ │ │ 11.15384│ │ │ 24 │ │ │ │ │ 11.03171│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Exponential smoothing with linear trend: CPU Seconds = 0 │ │ MAD = 5.18 MSD = 54.21 Bias = .14 R-square = .36 │ │ Alpha = .99963 Beta = 0.07799 Search criterion: MAD │ └────────────────────────────────────────────────────────────────────────────┘ ┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:31:29 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ F'(t) │ │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ 8.7│ 8.7│ │ │ │ │ 2 │ 13.7│ 13.69817│ 13.69633│ │ 8.7│ -5│ │ 3 │ 27.75│ 27.74485│ 27.73969│ │ 13.69633│ -14.05367│ │ 4 │ 25│ 25.00101│ 25.00201│ │ 27.73969│ 2.739693│ │ 5 │ 27│ 26.99927│ 26.99854│ │ 25.00201│ -1.997988│ │ 6 │ 28.75│ 28.74936│ 28.74871│ │ 26.99854│ -1.751465│ │ 7 │ 29.95│ 29.94956│ 29.94912│ │ 28.74871│ -1.201286│ │ 8 │ 24.3│ 24.30207│ 24.30414│ │ 29.94912│ 5.64912│ │ 9 │ 9│ 9.005613│ 9.011225│ │ 24.30414│ 15.30414│ │ 10 │ 6.35│ 6.350974│ 6.35195│ │ 9.011225│ 2.661225│ │ 11 │ 5.6│ 5.600276│ 5.600551│ │ 6.35195│ .7519498│ │ 12 │ 12.5│ 12.49747│ 12.49494│ │ 5.600551│ -6.899449│ │ 13 │ │ │ │ │ 12.49494│ │ │ 14 │ │ │ │ │ 12.49494│ │ │ 15 │ │ │ │ │ 12.49494│ │ │ 16 │ │ │ │ │ 12.49494│ │ │ 17 │ │ │ │ │ 12.49494│ │ │ 18 │ │ │ │ │ 12.49494│ │ │ 19 │ │ │ │ │ 12.49494│ │ │ 20 │ │ │ │ │ 12.49494│ │ │ 21 │ │ │ │ │ 12.49494│ │ │ 22 │ │ │ │ │ 12.49494│ │ │ 23 │ │ │ │ │ 12.49494│ │ │ 24 │ │ │ │ │ 12.49494│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Double exponential smoothing: CPU Seconds = 0 │ │ MAD = 5.27 MSD = 50.90 Bias = -.35 R-square = .40 │ │ Alpha = .99963 Search criterion: MAD │ └────────────────────────────────────────────────────────────────────────────┘

┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:32:20 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ F'(t) │ T(t) │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ 8.7│ 8.7│ 0│ │ │ │ 2 │ 13.7│ 13.2162│ 12.7792│ .8376451│ 8.7│ -5│ │ 3 │ 27.75│ 26.3437│ 25.03119│ 2.515886│ 14.49083│ -13.25917│ │ 4 │ 25│ 25.13002│ 25.12045│0.01833167│ 30.17209│ 5.172094│ │ 5 │ 27│ 26.81906│ 26.6547│ .3150496│ 25.15791│ -1.842089│ │ 6 │ 28.75│ 28.56316│ 28.3785│ .3539725│ 27.29847│ -1.451532│ │ 7 │ 29.95│ 29.81581│ 29.67673│ .2665881│ 29.1018│ -.8482037│ │ 8 │ 24.3│ 24.83371│ 25.30233│ -.8982632│ 30.22147│ 5.921474│ │ 9 │ 9│ 10.53208│ 11.96127│ -2.739526│ 23.46684│ 14.46684│ │ 10 │ 6.35│ 6.754662│ 7.258458│ -.9656999│ 6.363376│0.01337623│ │ 11 │ 5.6│ 5.711726│ 5.861389│ -.2868812│ 5.285167│ -.3148332│ │ 12 │ 12.5│ 11.84316│ 11.26436│ 1.109474│ 5.275182│ -7.224818│ │ 13 │ │ │ │ │ 13.53144│ │ │ 14 │ │ │ │ │ 14.64091│ │ │ 15 │ │ │ │ │ 15.75038│ │ │ 16 │ │ │ │ │ 16.85986│ │ │ 17 │ │ │ │ │ 17.96933│ │ │ 18 │ │ │ │ │ 19.07881│ │ │ 19 │ │ │ │ │ 20.18828│ │ │ 20 │ │ │ │ │ 21.29776│ │ │ 21 │ │ │ │ │ 22.40723│ │ │ 22 │ │ │ │ │ 23.5167│ │ │ 23 │ │ │ │ │ 24.62618│ │ │ 24 │ │ │ │ │ 25.73565│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Double exponential smoothing with linear trend: CPU Seconds = .05 │ │ MAD = 5.05 MSD = 48.22 Bias = -.40 R-square = .43 │ │ Alpha = .90324 Beta = .47121 Search criterion: MAD │ └────────────────────────────────────────────────────────────────────────────┘ ┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:33:15 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ │α (alpha) │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ 8.7│ │ 0│ │ │ │ 2 │ 13.7│ 8.95│ │ .05│ 8.7│ -5│ │ 3 │ 27.75│ 10.83│ │ .1│ 8.95│ -18.8│ │ 4 │ 25│ 12.9555│ │ .15│ 10.83│ -14.17│ │ 5 │ 27│ 15.7644│ │ .2│ 12.9555│ -14.0445│ │ 6 │ 28.75│ 19.0108│ │ .25│ 15.7644│ -12.9856│ │ 7 │ 29.95│ 22.29256│ │ .3│ 19.0108│ -10.9392│ │ 8 │ 24.3│ 22.79442│ │ .25│ 22.29256│ -2.007439│ │ 9 │ 9│ 18.65609│ │ .3│ 22.79442│ 13.79442│ │ 10 │ 6.35│ 14.34896│ │ .35│ 18.65609│ 12.30609│ │ 11 │ 5.6│ 11.72427│ │ .3│ 14.34896│ 8.74896│ │ 12 │ 12.5│ 11.95699│ │ .3│ 11.72427│ -.7757273│ │ 13 │ │ │ │ │ 11.95699│ │ │ 14 │ │ │ │ │ 11.95699│ │ │ 15 │ │ │ │ │ 11.95699│ │ │ 16 │ │ │ │ │ 11.95699│ │ │ 17 │ │ │ │ │ 11.95699│ │ │ 18 │ │ │ │ │ 11.95699│ │ │ 19 │ │ │ │ │ 11.95699│ │ │ 20 │ │ │ │ │ 11.95699│ │ │ 21 │ │ │ │ │ 11.95699│ │ │ 22 │ │ │ │ │ 11.95699│ │ │ 23 │ │ │ │ │ 11.95699│ │ │ 24 │ │ │ │ │ 11.95699│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Adaptive exponential smoothing: CPU Seconds = 0 │ │ MAD = 10.32 MSD = 135.24 Bias = -3.99 R-square = 0 │ │ Alpha = .30000 │ └────────────────────────────────────────────────────────────────────────────┘

│ 08-01-2007 19:34:00 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ T(t) │ │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ │ │ │ │ │ │ 2 │ 13.7│ 3.700003│ 4.999998│ │ │ │ │ 3 │ 27.75│ -2.333328│ 9.524998│ │ 18.7│ -9.050003│ │ 4 │ 25│ 3.049999│ 6.295001│ │ 35.76666│ 10.76666│ │ 5 │ 27│ 6.06│ 4.79│ │ 34.525│ 7.525002│ │ 6 │ 28.75│ 8.076666│ 3.925714│ │ 34.8│ 6.049999│ │ 7 │ 29.95│ 9.678565│ 3.325001│ │ 35.55666│ 5.606663│ │ 8 │ 24.3│ 12.67321│ 2.326787│ │ 36.27858│ 11.97858│ │ 9 │ 9│ 18.14305│ .6858342│ │ 33.61429│ 24.61429│ │ 10 │ 6.35│ 21.87333│ -.3315149│ │ 25.00139│ 18.65139│ │ 11 │ 5.6│ 24.16909│ -.9054549│ │ 18.22667│ 12.62667│ │ 12 │ 12.5│ 24.30303│ -.9363639│ │ 13.30363│ .8036346│ │ 13 │ │ │ │ │ 12.1303│ │ │ 14 │ │ │ │ │ 11.19394│ │ │ 15 │ │ │ │ │ 10.25757│ │ │ 16 │ │ │ │ │ 9.321209│ │ │ 17 │ │ │ │ │ 8.384845│ │ │ 18 │ │ │ │ │ 7.448481│ │ │ 19 │ │ │ │ │ 6.512116│ │ │ 20 │ │ │ │ │ 5.575752│ │ │ 21 │ │ │ │ │ 4.639388│ │ │ 22 │ │ │ │ │ 3.703024│ │ │ 23 │ │ │ │ │ 2.76666│ │ │ 24 │ │ │ │ │ 1.830296│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Linear regression: CPU Seconds = 0 │ │ MAD = 10.77 MSD = 157.98 Bias = 8.96 R-square = 0 │ │ A = 24.303 B = -.936 │ └────────────────────────────────────────────────────────────────────────────┘ ┌────────────────────── Forecast Results for Peramalan ──────────────────────┐ │ 08-01-2007 19:34:55 Page: 1 of 2 │ ├──────────┬──────────┬──────────┬──────────┬──────────┬──────────┬──────────┤ │ Period │ Actual │ F(t) │ T(t) │ I(t) │ Forecast │ Error │ ├──────────┼──────────┼──────────┼──────────┼──────────┼──────────┼──────────┤ │ 1 │ 8.7│ 8.705163│ 6.650388│ .4775846│ │ │ │ 2 │ 13.7│ 13.70098│ 6.26036│ .7520585│ 15.35555│ 1.655551│ │ 3 │ 27.75│ 27.74538│ 8.095271│ 1.52333│ 19.96134│ -7.788658│ │ 4 │ 25│ 25.00643│ 5.541348│ 1.37237│ 35.84065│ 10.84065│ │ 5 │ 27│ 27.00211│ 4.705535│ 1.482159│ 30.54778│ 3.547783│ │ 6 │ 28.75│ 28.75175│ 4.008751│ 1.578225│ 31.70764│ 2.957642│ │ 7 │ 29.95│ 29.95167│ 3.346632│ 1.644099│ 32.76051│ 2.810505│ │ 8 │ 24.3│ 24.30534│ 1.226743│ 1.333943│ 33.2983│ 8.998302│ │ 9 │ 9│ 9.009811│ -2.66801│ .4940531│ 25.53208│ 16.53208│ │ 10 │ 6.35│ 6.349995│ -2.666079│ .3485819│ 6.341801│-0.0081987│ │ 11 │ 5.6│ 5.598863│ -2.214673│ .3074108│ 3.683916│ -1.916084│ │ 12 │ 12.5│ 12.49459│-0.0671014│ .6861848│ 3.384189│ -9.11581│ │ 13 │ │ │ │ │ 5.935177│ │ │ 14 │ │ │ │ │ 9.295734│ │ │ 15 │ │ │ │ │ 18.72673│ │ │ 16 │ │ │ │ │ 16.77884│ │ │ 17 │ │ │ │ │ 18.0217│ │ │ 18 │ │ │ │ │ 19.08387│ │ │ 19 │ │ │ │ │ 19.77009│ │ │ 20 │ │ │ │ │ 15.951│ │ │ 21 │ │ │ │ │ 5.874625│ │ │ 22 │ │ │ │ │ 4.121484│ │ │ 23 │ │ │ │ │ 3.614067│ │ │ 24 │ │ │ │ │ 8.02107│ │ ├──────────┴──────────┴──────────┴──────────┴──────────┴──────────┴──────────┤ │ Winter's model: CPU Seconds = 0 │ │ MAD = 6.02 MSD = 59.20 Bias = 2.59 R-square = .30 │ │ Alpha = .99941 Beta = .23573 Gamma = .50000 Search criterion: MAD │ └────────────────────────────────────────────────────────────────────────────┘