BAB 2 LANDASAN TEORI 2.1
Peramalan Menurut Jay Heizer dan Barry Render (2001), peramalan merupakan sebuah seni dan sains dalam memprediksi masa yang akan datang. Peramalan melibatkan dara historis dan memproyeksikannya ke masa depan dengan beberapa model matematis. Hasilnya dapat berupa prediksi yang subjektif atau intuitif ataupun dapat juga melibatkan kombinasi dari model matematis yang disesuaikan oleh manajer.
2.1.1
Meramalkan horizon waktu Jay Heizer dan Barry Render mengatakan bahwa pada umumnya peramalan diklasifikasikan menurut horizon waktu masa depan yang dicakupnya, yang dibagi dalam tiga kategori berikut (Heizer & Render, 2011, hal. 136): 1. Peramalan jangka pendek Peramalan ini memiliki jangka waktu hingga satu tahun tetapi umumnya kurang dari tiga bulan. Digunakan untuk perencanaan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi. 2. Peramalan jangka menengah Peramalan jangka menengah atau intermediate, umumnya mencakup hitungan tiga bulan hingga tiga tahun. Berguna untuk perencanaan penjualan, perencanaan dan anggaran produksi, anggaran kas, dan menganalisa berbagai perencanaan operasi. 3. Peramalan jangka panjang Umumnya memiliki jangka waktu dari tiga tahun keatas. Digunakan dalam perencanaan produk baru, pembelanjaan modal, lokasi ataupun ekspansi, serta penelitian dan pengembangan.
2.1.2
Pendekatan dalam peramalan Umumnya terdapat dua pendekatan dalam peramalan, di mana keduanya berguna untuk mengatasi model keputusan tertentu. Salah satunya adalah analisis kuantitatif dan lainnya adalah analisis kualitatif. Dalam peramalan kuantitatif, peramalan menggunakan model matematis yang beragam yang bergantung pada data historis dan variabel sebab akibat untuk meramalkan permintaan. Kemudian peramalan kualitatif menggabungkan beberapa faktor, seperti: intuisi, emosi, pengalaman pribadi dan sistem penilaian pengambil keputusan untuk meramal (Heizer & Render, 2011, hal. 139).
2.1.3 Model peramalan metode kuantitatif Menurut Jay Heizer dan Barry Render, peramalan metode kuantitatif memiliki dua model, yaitu (Heizer & Render, 2011, hal. 139-140): 1. Model Deret Waktu (Time-Series Models) Model deret waktu memprediksikan berdasarkan asumsi bahwa masa yang akan datang merupakan bagian dari masa lalu. Dalam arti lain, mereka melihat apa yang terjadi pada suatu waktu tertentu dan menggunakan data masa lalu untuk membuat peramalan. 5
6 2. Model Asosiatif (Associative Models) Model asosiatif atau sebab-akibat, seperti Linear Regression, menggabungkan banyak variabel yang mungkin memberikan pengaruh kepada kuantitas yang sedang diramalkan. 2.1.4 Peramalan deret waktu Menganalisis deret waktu berarti membagi data masa lalu menjadi komponen-komponen, kemudian memproyeksikannya ke masa depan. Deret waktu memiliki empat komponen, antara lain (Heizer & Render, 2011, hal. 140): 1. Tren, merupakan pergerakan keatas maupun kebawah dari data selama beberapa waktu. Perubahan pada pendapatan, populasi, distribusi usia, atau pandangan budaya dapat mempengaruhi pergerakan tren. 2. Musim, adalah pola data yang berulang pada periode waktu tertentu, seperti: hari, minggu, bulan, atau kuartal. 3. Siklus, merupakan pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit dilakukan karena adanya pengaruh dari peristiwa politik atau kekacauan internasional. 4. Variasi acak, merupakan satu titik khusus dalam data yang disebabkan peluang dan situasi yang tidak lazim. Variasi acak tidak mempunyai pola khusus sehingga tidak dapat diprediksi. 2.1.5 Metode peramalan kuantitatif Dalam buku Manajemen Operasi yang ditulis Jay Heizer dan Barry Render, metode peramalan deret waktu terdiri dari: 1. Pendekatan Naif (Naive Approach) Cara paling sederhana untuk melakukan peramalan adalah dengan mengasumsikan permintaan di periode mendatang akan sama seperti permintaan di periode terakhir. Untuk beberapa jenis produk, pendekatan naif merupakan model peramalan objektif yang paling efektif dan efisien dari segi biaya. Paling tidak, pendekatan naif memberikan titik awal untuk perbandingan dengan model yang lebih canggih (Heizer & Render, 2011, hal. 140-141). 2. Rataan Bergerak (Moving Average) Peramalan rataan bergerak menggunakan sejumlah data historikal aktual untuk mendapatkan peramalan. Rataan bergerak berguna jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil selama waktu tertentu. Secara sistematis, rataan bergerak sederhana dapat dinyatakan sebagai berikut:
di mana n adalah jumlah periode dalam rataan bergerak (Heizer & Render, 2011, hal. 141). 3. Penghalusan Eksponensial (Exponential Smoothing) Penghalusan eksponensial merupakan metode peramalan ratarata bergerak dengan pembobotan yang canggih, tetapi masih mudah digunakan. Metode ini menggunakan pencatatan data historis yang
7 sangat sedikit. Rumus penghalusan eksponensial dasar dapat ditunjukkan sebagai berikut (Heizer & Render, 2011, hal. 144): Peramalan baru = peramalan periode lalu + α (permintaan aktual periode lalu – peramalan periode lalu) Di mana adalah sebuah bobot atau konstanta penghalusan yang dapat dipilih oleh peramal, yang memiliki nilai antara 0 dan 1. Secara sistematis peramalan tersebut dapat ditulis sebagai berikut (Heizer & Render, 2011, hal. 144-145): Ft = Ft-1 + (At-1 + Ft-1) di mana: Ft = peramalan baru Ft-1 = peramalan sebelumnya α = konstanta penghalusan (pembobotan) (0 ≤ α ≤ 1) At-1 = permintaan aktual periode lalu 4. Penghalusan Eksponensial dengan Penyesuaian Tren (Exponential Smoothing with Trend Adjustment atau Holt’s Model) Penghalusan eksponensial dapat dikatakan tidak dapat merespon tren yang terjadi pada pola data, sehingga perlunya penyesuaian tren. Idenya adalah dengan menghitung rata-rata dari penghalusan eksponensial, kemudian menyesuaikan untuk keterlambatan positif atau negatif pada tren. Dengan penghalusan eksponensial dengan penyesuaian tren, estimasi rata-rata dan tren dihaluskan. Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-rata dan β untuk tren. Kemudian, kita menghitung rata-rata dan tren untuk setiap periode. Rumus penghalusan eksponensial dengan penyesuaian tren adalah sebagai berikut (Heizer & Render, 2011, hal. 148-149): Ft = α (At-1) + (1- α)(Ft-1 + Tt-1) Tt = β (Ft - Ft-1) + (1- β) Tt-1 di mana: Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode t Tt = tren dengan eksponensial yang dihaluskan pada periode t = permintaan aktual periode t At α = konstanta penghalusan untuk rata-rata (0 ≤ α ≤ 1) β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1) 5. Proyeksi Tren (Trend Projection) Proyeksi tren merupakan suatu metode peramalan yang mencocokkan garis tren pada serangkaian data masa lalu, kemudian memproyeksikan garis pada masa mendatang untuk peramalan jangka menengah atau jangka panjang. Rumus untuk menentukan perhitungan proyeksi tren adalah sebagai berikut (Heizer & Render, 2011, hal. 151-152): y = a + bx di mana: y = nilai terhitung dari variabel yang akan diprediksi a = persilangan sumbu y b = kemiringan garis regresi (atau tingkat perubahan pada y untuk perubahan yang terjadi di x x = variable bebas (dalam kasus ini adalah waktu).
8 Untuk menentukan nilai a dan b, akan di jelaskan pada rumus dibawah ini.
di mana: x = nilai variabel bebas yang diketahui y = nilai variabel terkait yang diketahui = rata-rata nilai y = rata-rata nilai x 2.1.6
Menghitung kesalahan peramalan Menurut Jay Heizer dan Barry Render (2011), ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan peramalan total. Perhitungan ini dapat digunakan untuk membandingkan model peramalan yang berbeda, mengawasi peramalan, dan untuk memastikan peramalan berjalan baik. Tiga dari perhitugan yang paling terkenal adalah rataan deviasi mutlak (Mean Absolute Deviation – MAD), rataan kesalahan kuadrat (Mean Squared Error – MSE), dan rataan kesalahan persen mutlak (Mean Absolute Percent Error – MAPE). 1. Rataan Deviasi Mutlak (Mean Absolute Deviation) MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah periode data n. rumus untuk menghitung MAD adalah sebagai berikut (Heizer & Render, 2011, hal. 146):
2. Rataan Kesalahan Kuadrat (Mean Squared Error) MSE merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati. Keuntungan penggunaan MSE adalah bahwa ia cenderung menonjolkan deviasi yang besar karena adanya pengkuadratan. Rumus untuk menghitung MSE adalah sebagai berikut (Heizer & Render, 2011, hal. 147):
3. Rataan Kesalahan Persen Mutlak (Mean Absolute Percent Error) Adanya Rataan kesalahan persen mutlak (MAPE) berkaitan dengan munculnya permasalahan dengan MAD dan MSE yang nilainya bergantung pada besarnya jumlah barang yang diramal. Apabila peramalan diukur dalam jumlah ribuan, maka nilai MAD dan MSE akan menjadi besar. Maka dari itu, digunakan rataan kesalahan persen mutlak. Rumus untuk menghitung MAPE adalah sebagai berikut (Heizer & Render, 2011, hal. 147-148):
9 Untuk menentukan apakah metode peramalan secara konsisten tidak terlalu banyak atau terlalu sedikit daripada permintaan, maka kesalahan peramalan dapat dievaluasi dengan mencari nilai biasnya, rumus untuk menghitung bias sebagai berikut (Chopra & Meindl, 2010, hal. 215):
di mana: Et = Ft - Dt = kesalahan peramalan pada periode t = peramalan pada periode t = permintaan pada periode t Tracking signal (TS) adalah rasio antara bias dan MAD. Jika TS di setiap periode berada diluar ±6 berarti peramalannya bias. Dikatakan underforecasting jika TS < -6 atau overforecasting jika TS > +6. Hal ini berarti perusahaan harus mencari metode peramalan baru. Rumus untuk menghitung TS sebagai berikut (Chopra & Meindl, 2010, hal. 215): Et Ft Dt
2.1.7
Software Minitab Software Minitab adalah sebuah program aplikasi statistika yang sudah banyak digunakan untuk mempermudah pengolahan data statistik, karena biasanya data statistik yang akan diolah sering berjumlah banyak dan rumit. Pengolahan data secara statistis membutuhkan ketelitian dan kesabaran yang tinggi. Jika dikerjakan secara manual akan berpeluang besar terjadi kesalahan. Software Minitab ini hadir dengan menyediakan program-program untuk mengolah data statistik secara lengkap sehingga dapat membantu dalam mengolah data yang banyak tersebut dan meminimalisasi peluang terjadinya kesalahan. Software Minitab dapat ditemukan di website www.minitab.com (Iriawan & Astuti, 2006, hal. 19-20). Keunggulan dari software Minitab adalah dapat digunakan dalam mengolah data statistik untuk tujuan sosial maupun teknik. Dibandingkan dengan program statistik lainnya, Minitab telah diakui sebagai program statistika yang sangat kuat dengan tingkat akurasi taksiran statistik yang tinggi. Berikut adalah beberapa keunggulan Minitab jika dibandingkan dengan program statistika lainnya (Iriawan & Astuti, 2006, hal. 22-23): • Pada Minitab, tampilan menu yang lebih lengkap dan disertai toolbartoolbar akan memudahkan pengguna. • Minitab menyediakan StatGuide yang menjelaskan cara melakukan interpretasi tabel dan grafik statistika yang dihasilkan oleh Minitab dengan cara yang mudah dipahami. • Ukuran Worksheet yang dinamis dan memuat hingga 4.000 kolom. • Memiliki bahasa pemograman macro yang lebih mudah. • Minitab menyediakan ReportPad agar mudah membuat laporan project yang telah dibuat. • Dalam Minitab, pengguna dapat membuat nama yang panjang pada file tanpa harus menyingkat nama file.
10
2.2
Inventory Management on Costumer Satisfaction Sistem manajemen persediaan diciptakan untuk memantau dan mengontrol ketersediaan produk, menentukan jadwal pembelian, dan proses siklus dari produk yang tidak terjual. Sistem manajemen persediaan yang baik berarti bahwa sebuah perusahaan memiliki waktu yang rendah untuk memenuhi permintaan. Selain itu, perusahaan juga dapat menganalisa penjualan produk untuk beberapa waktu ke depan sehingga dapat selalu menyediakan barang yang sering dibeli dan siap dikirim ke pelanggan (Ali & Muhammad, 2012, hal. 12-16). Manajemen persedian dapat membantu perusahaan dalam mengontrol kepuasan pelanggan, contohnya dalam hal pengembalian barang. Selain itu, sistem manajemen persediaan yang baik dan efisien dapat mengurangi biaya operasional sehingga harga yang dijual oleh perusahaan pun bisa menjadi lebih rendah. Yang terakhir adalah sistem manajemen persediaan yang baik selalu up to date terhadap informasi, baik itu informasi jumlah barang di gudang, maupun informasi kepada pelanggan. Memberikan informasi yang akurat kepada pelanggan walaupun pelanggan tersebut tidak berkeinginan untuk membeli pada saat itu adalah salah satu pelayanan yang baik dari perusahaan dan dapat mempertahankan kepuasan pelanggan (Ali & Muhammad, 2012, hal. 16-17). Pengendalian persediaan berpengaruh pada sukses atau tidaknya sebuah perusahaan. Jika sebuah perusahaan memiliki pengendalian persediaan yang baik, maka otomatis mereka dapat memenuhi permintaan pelanggan pada periode kapan pun sehingga pelanggan akan puas. Selain persediaan yang tersedia, faktor lain yang menimbulkan kepuasan pelanggan adalah pengiriman yang tepat waktu. Seorang pelanggan dikatakan puas apabila ia menerima barang lebih cepat dari waktu yang ia perkirakan untuk menunggu (Thogori & Gathenya, 2014, hal. 110-111). Kepuasan pelanggan didefinisikan sebagai pengukur bagi perusahaan yang berlandaskan kualitas dan loyalitas. Kepuasan pelanggan dapat menyebabkan timbulnya customer loyalty dan repeat purchases. Dua hal inilah yang sangat menunjang kesuksesan dari sebuah perusahaan. Loyalitas pelanggan adalah perilaku dari pelanggan di mana mereka akan terus menerus membeli barang dari satu perusahaan tanpa memperdulikan barang yang diluncurkan dari perusahaan lain (kompetitor). Menurut Cacioappo, peningkatan loyalitas pelanggan sebanyak 5% dapat meningkatkan profit perusahaan sebesar 25% hingga 85%. Selain itu menurut Eckert, pelanggan yang loyal memiliki kemungkinan enam kali lebih besar untuk membeli barang dari perusahaan itu lagi atau merekomendasikan produk perusahaan tersebut kepada orang lain (Thogori & Gathenya, 2014, hal. 111-113).
2.3
Inventory Management Inventori memiliki beberapa fungsi guna meningkatkan fleksibilitas bagi operasi perusahaan. Empat fungsi inventori antara lain (Heizer & Render, 2011, hal. 500-501): • Memisahkan beberapa tahapan dari proses produksi. Sebagai contoh jika persediaan sebuah perusahaan berfluktuasi, persediaan tambahan
11 mungkin diperlukan untuk melakukan pemisahan proses produksi dari para pemasok. • Melakukan pemisahaan perusahaan dari fluktuasi permintaan dan menyediakan persediaan barang yang akan memberikan pilihan bagi pelanggan. • Mengambil keuntungan dari diskon kuantitas karena pembelian dalam jumlah besar dapat mengurangi harga barang dan biaya pengiriman barang. • Melindungi terhadap inflasi dan kenaikan harga. Untuk mengakomodasi fungsi inventori tersebut, adapun empat macam persediaan yaitu (Heizer & Render, 2011, hal. 501): • Persediaan barang mentah (raw material inventory) Persediaan ini dapat digunakan untuk melakukan pemisahan pemasok dari proses produksi. Pendekatan yang dipilih adalah menghilangkan variabilitas pemasok terhadap kualiatas, kuantitas, atau waktu pengiriman sehingga tidak diperlukan pemisahan. • Persediaan barang setengah jadi (work in process inventory – WIP) WIP adalah bahan mentah yang telah melewati beberapa proses perubahan, tetapi belum selesai. Sebuah produk terdiri dari beberapa komponen dan memiliki waktu siklus produksi. Komponen tersebut bisa berupa barang mentah atau barang setengah jadi. Barang setengah jadi ini ada karena menunggu waktu untuk menyelesaikan suatu produk. Mengurangi waktu siklus maka akan mengurangi persediaan. • Persediaan pasokan pemelliharaan/perbaikan/operasi (maintenance, repair, operating – MRO) Perlengkapan pemeliharaan, perbaikan dan operasi yang dibutuhkan untuk menjaga agar mesin-mesin dan proses-proses tetap produktif. MRO ada karena kebutuhan serta waktu untuk pemeliharaan dan perbaikan dari beberapa perlengkapan tidak diketahui. • Persediaan barang jadi (finished goods inventory) Persediaan ini adalah produk yang telah selesai dan tinggal menunggu pengiriman. Barang jadi dapat dimasukan ke persediaan karena permintaan pelanggan di masa mendatang tidak diketahui. Model-model persediaan berkaitan dengan biaya penyimpanan, biaya pemesanan, dan biaya penyetelan. Biaya penyimpanan (holding cost) adalah biaya yang terkait dengan penyimpan persediaan selama waktu tertentu, mencakup biaya tempat, penanganan material, tenaga kerja, pajak, asuransi, barang usang dan pembayaran bunga. Banyak perusahaan yang tidak berhasil menyertakan semua biaya penyimpanan persediaan. Akibatnya, biaya penyimpanan persediaan sering ditetapkan kurang dari sebenarnya (Heizer & Render, 2011, hal. 506). Biaya pemesanan (ordering cost) mencakup biaya persediaan, formulir, proses pemesanan, pembelian, administrasi, dan seterusnya. Ketika pesanan sedang diproduksi, biaya pesanan juga ada, tetapi mereka adalah bagian dari biaya penyetelan. Biaya penyetelan (setup cost) adalah biaya untuk mempersiapkan sebuah mesin atau proses manufaktur sebuah pesanan.
12 Biaya ini termasuk waktu dan tenaga kerja untuk membersihkan serta mengganti peralatan. Manajer operasi dapat menurunkan biaya pemesanan dengan mengurangi biaya penyetelan serta menggunakan prosedur yang efisien, seperti pemesanan dan pembayaran elektronik (Heizer & Render, 2011, hal. 506). 2.4 2.4.1
Teknik Penentuan Ukuran Lot untuk Pengendalian Persediaan Lot for Lot (LFL) Lot untuk lot merupakan suatu teknik penentuan ukuran lot yang menghasilkan secara tepat apa yang diperlukan untuk memenuhi rencana. Keputusan ini konsisten sesuai sasaran perencanaan kebutuhan material atau sering dikenal dengan MRP, yaitu memenuhi kebutuhan yang dependen. Metode lot for lot menjadi sangat efisien ketika pesanan bersifat ekonomis dan penerapan teknik persediaannya just in time (JIT). Apabila biaya pemesanan cukup besar atau perusahaan tidak mampu menerapkan JIT, maka metode ini menjadi sangat mahal (Heizer & Render, 2011, hal. 589-590).
2.4.2
The Silver-Meal Heuristic The Silver-Meal Heuristic (diambil dari nama Harlan Meal dan Edward Silver) adalah metode berkelanjutan yang membutuhkan biaya ratarata per periode sebagai fungsi dari jumlah periode pesanan saat ini untuk menjangkau dan menghentikan perhitungan ketika fungsi ini meningkat (Nahmias, 2009, hal. 377). C(T) adalah rata-rata penyimpanan dan biaya pemesanan per periode jika urutan saat ini mencakup periode T berikutnya. Sedangkan (r1, r2, … rn) didefinisikan sebagai persyaratan untuk n periode. Misalnya, jika produksi yang dihasilkan pada periode satu cukup untuk memenuhi permintaan dalam periode 1, maka hanya dikenakan biaya pesanan K, disimbolkan C(1) = K. Jika pemesanan periode satu untuk memenuhi permintaan pada periode satu dan dua maka C(2) = (K + hr2)/2. Metode ini memiliki rumusan sebagai berikut (Nahmias, 2009, hal. 377-378): C(j) = (K + hr2 + 2hr3 + … + (j-1)hrj )/ j y1 = r1 + r2 + … + rj-1 perhitungan berhenti ketika C(j) > C(j-1) di mana: C(j) = total biaya K = biaya pemesanan h = biaya penyimpanan rj = permintaan pada periode j y = pemesanan ke -
2.4.3
Least Unit Cost (LUC) Least Unit Cost Heuristic mirip dengan metode Silver-Meal di mana dalam membagi biaya selama j periode dengan jumlah periode, metode Least Unit Cost membagi dengan jumlah total unit yang diminta selama periode j. Hal ini dilakukan untuk meminimalkan biaya per unit daripada biaya per periode (Nahmias, 2009, hal. 378-379). Metode ini memiliki rumusan sebagai berikut: C(j) = (K + hr2 + 2hr3 + … + (j-1)hrj ) / (r1 + r2 + … + rj) y1 = r1 + r2 + … + rj-1
13 perhitungan berhenti ketika C(j) > C(j-1) di mana: C(j) = total biaya K = biaya pemesanan h = biaya penyimpanan rj = permintaan pada periode j y = pemesanan ke 2.4.4
Part Period Balancing (PPB) Penyeimbangan periode bagian adalah sebuah pendekatan yang lebih dinamis untuk menyeimbangkan biaya pemesanan dan biaya penyimpanan untuk permintaan yang diketahui. PPB menyebabkan sebuah periode bagian ekonomis (economic part period) yang merupakan perbandingan biaya pemesanan dengan biaya penyimpanan. Oleh karena itu, ditentukan periode waktu ketika rasio biaya pemesanan terhadap biaya penyimpanan adalah sama (Heizer & Render, 2011, hal. 591-592). Walaupun, metode The Silver-Meal Heuristic tampak memberikan hasil yang lebih baik dalam beberapa kasus, namun dalam prakteknya, PPB tampak lebih popular digunakan. Metode ini digunakan untuk mengatur urutan pesanan agar sama dengan jumlah periode di mana paling sesuai dengan biaya total penyimpanan dengan biaya pemesanan selama periode tersebut. Metode ini memiliki rumusan sebagai berikut (Nahmias, 2009, hal. 379): PPj = D2 + 2D3 + 3D4 + … + (j-1)rj ≡ K/h y1 = r1 + r2 + … + rj-1 perhitungan berhenti ketika PPj > K/h di mana: = periode bagian untuk j periode PPj rj = permintaan pada periode j K = biaya pemesanan h = biaya penyimpanan y = pemesanan ke -
2.4.5
Wagner-Whitin Algorithm Algoritma Wagner-Within adalah sebuah model pemrogaman dinamis yang menambahkan beberapa kerumitan pada perhitungan ukuran lot. Prosedur ini mengasumsikan sebuah horizon waktu yang terbatas di luar keadaan di mana tidak ada kebutuhan neto tambahan yang digunakan pada strategi pengurutan (Heizer & Render, 2011, hal. 593).
14
