BAB 3 LANGKAH PEMECAHAN MASALAH
3.1 Penetapan Kriteria Optimasi Kriteria optimasi yang digunakan dalam menganalisis kebutuhan produksi pada PT Dinamika Indonusa Prima terkait dengan jumlah permintaan akan spring bed tipe 101, adalah menggunakan kriteria – kriteria optimasi berikut : •
Analysis Forecasting (analisis peramalan) Kriteria Optimasi : Variabel utama dalam penelitian ini adalah peramalan permintaan pelanggan terhadap produk spring bed tipe 101 dari PT Dinamika Indonusa Prima, dimana permintaan ini sebagai salah satu variabel yang digunakan dalam menganalisis peramalan permintaan produk dimana variabel yang digunakan adalah permintaan produk dari Januari 2009 sampai September 2010 untuk mencari peramalan permintaan pada Oktober 2010.
•
Inventory Control Kriteria Optimasi : Pemesanan, variabel ini digunakan untuk mengetahui berapa banyak produk yang di pesan dengan melihat jumlah bahan baku utama yang diperlukan (kawat baja) untuk memproduksi spring bed tipe 101. Agar dapat memenuhi permintaan dari pelanggan dan kestabilan proses produksi.
•
Pengambilan Keputusan untuk jalur pengiriman barang (Decision Tree) Kriteria Optimasi : Variabel ini merupakan variabel pendukung dimana PT Dinamika Indonusa Prima mengambil sebuah keputusan untuk menentukan jalur pengiriman yang tepat untuk pendistribusiaan spring bed tipe 101 dengan dua alternatif jalur yang
39
40
tersedia yaitu jalur darat dan jalur laut. Selain itu juga menentukan perusahaan ekspedisi mana yang akan di ambil untuk melakukan pengiriman barang dengan faktor biaya sebagai penentunya.
3.2 Pengembangan Alternatif Solusi Penentuan standar kualitas produksi dengan menggunakan : 1. Forecasting
(Peramalan)
dianalisis
dengan
menggunakan
bantuan
software QM For Windows dengan menggunakan pendekatan Metode regresi linier (Linear Reggression), Metode penghalusan eksponensial dengan trend (Exponential Smoothing With Trend), Metode penghalusan eksponensial (Exponential Smooting), Metode rata – rata bergerak dengan bobot (Weighted Moving Average), Metode rata – rata bergerak
(Moving Average) dan Metode Naive Method peramalan dilakukan berdasarkan data-data permintaan spring bed tipe 101 yang sudah ada sebelumnya kemudian dilakukan peramalan untuk bulan oktober 2010 dan metode apa yang sebaiknya digunakan oleh PT Dinamika Indonusa Prima. 2. Inventory (Persediaan) dianalisis dengan bantuan software QM For Windows berdasarkan hasil dari peramalan permintaan spring bed tipe 101 untuk Oktober 2010 dengan menghitung EOQ, Average Inventory,
Orders per period (tahun/year), Annual Setup Cost, Annual Holding Cost dan Total Cost (TC) untuk menentukan persediaan akan kawat baja pada PT Dinamika Indonusa Prima. 3. Pengambilan keputusan untuk jalur pengiriman terbaik menggunakan metode pohon keputusan (Decision Tree). Dimana perusahaan dapat
41
mengetahui jalur dan perusahaan ekspedisi mana yang sebaiknya dipilih untuk melakukan pengiriman kepada pelanggan.
3.3 Pengembangan Model Optimasi 3.3.1 Jenis dan Metode Penelitian Jenis penelitian yang digunakan adalah penelitian untuk menyelesaikan masalah yang ada pada PT Dinamika Indonusa Prima merupakan penelitian mengenai suatu objek tertentu selama waktu tertentu dengan cukup mendalam dan menyeluruh dari lingkungan produksi dan kondisi masa lalunya. Metode
penelitian
yang
digunakan
adalah
dengan
deskriptif
adanya
pengumpulan data yang berkaitan dengan masalah yang diteliti, kemudian diolah diinterpretasikan memberikan
dan
dianalisis,
sehingga
dapat
mengetahui
masalah
dan
gambaran pemecahan dari masalah tersebut, dengan jenis data
kualitatif dan kuantitatif.
3.3.2 Teknik Pengumpulan Data Teknik pengumpulan data yang digunakan untuk mengetahui masalah dan memberikan solusi terhadap masalah tersebut adalah •
Wawancara Wawancara merupakan teknik pengumpulan data yang dilakukan untuk menemukan pemasalah yang akan diteliti. Wawancara dapat dilakukan dengan tanya jawab secara langsung dengan pihak perusahaan yang bersangkutan untuk mengetahui perusahaan tersebut seperti kondisi perusahaan, struktur perusahaan, kegiatan operasi perusahaan, proses produksi, jumlah kapasitas produksi, dan jumlah permintaan.
•
Observasi
42
Dilakukan dengan cara melalukan pengamatan/melihat secara langsung kegiatan proses produksi PT Dinamika Indonusa Prima, bagaimana pengadaan bahan baku, dan proses pembuatan spring bed serta cara perusahaan melakukan pendistribusian produknya.
3.3.3 Teknik Analisis Data Dalam menganalisis proses produksi pada PT Dinamika Indonusa Prima dengan menggunakan metode yaitu: 1.
Forecasting (Peramalan) Dengan menggunakan metode Forecasting (Peramalan) kita dapat
mengasumsi
penjualan
pelanggan. Menurut
setiap
Barry
tahun
yang
banyak
permintaan
dari
Render, (2006 : p52–63) dalam perhitungan
permintaan pelanggan ada 6 metode Forecasting (Peramalan) yaitu: a. Regresi Liniear Model matematika yang sama yang kita gunakan dalam metode kuadrat terkecil Dari proyeksi trend bias digunakan untuk melakukan analisis regresi linear. Variable-variabel tidak bebas yang akan diramal tetap Ŷ. Namun sekarang varibel bebas, x, bukan lagi waktu.
Dimana : a = perpotongan garis y b = kelandaian garis regresi Ŷ = nilai variable tidak bebas X = variable bebas
43
b. Penghalusan Eksponensial dengan trend Garis kuadrat terkecil digambarkan dalam bentuk perpotongan-y nya (puncak dimana garis itu memotong sumbu-y) dan slope-nya (kelandaiannya).Jika
perpotongan-y
dan
kelandaiannya
biasa
dihitung, persamaannya akan menjadi : Ŷ = a + bx Dimana : Ŷ (disebut “y topi”) = nilai variable yang dihitung untuk diprediksi (disebut variabel tidak bebas) a = perpotongan sumbu –y b = Kelandaian garis regresi (atau tingkat perubahan dalam untuk Ŷ perubahan tertentu dalam x) X = variabel bebas (dalam hal ini waktu) Ahli statistic mengembangkan persamaan yang bias digunakan untuk memperoleh nilai a dan b untuk garis regresi.Kelandaian b diperoleh dengan :
Dimana : B = kelandaian garis regresi ∑ = tanda penjumlahan X = nilai variable bebas Y = nilai variable tidak bebas Ŷ (y bar) = rata-rata nilai y
44
(x bar) = rata-rata nilai x N = jumlah titik data atau observasi Perpotongan-y bias dihitun sebagai berikut :
Dimana : a = perpotongan garis y b = kelandaian garis regresi Ŷ (y bar) = rata-rata nilai y (x bar) = rata-rata nilai x
c.
Penghalusan Eksponensial Penghalusan eksponensial atau eksponential smoothing adalah
metode peramalan yang mudah digunakan dengan computer. Meskipun
merupakan
teknik
rata-rata
bergerak,
penghalusan
eksponensial mencakup pemeliharaan data masalalu yang sangat sedikit.
Dimana : £ adalah timbangannya, atau konstanta penghalusan, yang nilainya antara 0 sampai 1. Persamaannya juga bisa di tulis secara matematis dengan :
45
Dimana : Ft = ramalan baru Ft-1 = ramalan sebelumnya £ (alpha) = konstanta penghalusan At-1 = permintaan actual periode sebelumnya Konstanta penghalusan, £, umumnya antara 0,05 sampai 0.50 untuk aplikasi bisnis. Konstanta penghalusan bias diubah untuk memberikan timbangan yang lebih besar pada data baru (bila £ tinggi) atau pada data masa lalu (bila £ rendah). Yang pasti, periode masa lalu menurun dengan cepat ketika £ meningkat.
d. Rata-rata bergerak dengan bobot Apabila ada pola atau trend yang dapat kita deteksi, timbangan bias digunakan untuk menempatkan lebih banyak tekanan pada nilai baru. Ini membuat teknik itu lebih respons terhadap perubahan karena periode yang lebih baru mungkin lebih besar timbangannya. Memutuskan timbangan mana yang akan dipakai membutuhkan pengalaman dan unsure keberuntungan. Pilihan timbangan adalah bersifat Arbirter karena tidak ada rumus untuk menentukannya. Jika bulan atau periode terakhir ditimbang terlalu berat, ramalan bias mencerminkan perubahan alam permintaan yang tidak biasa atau pola penjualan yang terlalu cepat.
46
Rata-rata bergerak mempunyai beberapa masalah. Meningkatkan ukuran
n
(jumlah
periode
yang
dirata-ratakan)
memang
menghaluskan fluktuasi dengan lebih baik, tetapi periode ini kurang sensitive, untuk perubahan nyata dalam data. Rata-rata bergerak akan selalu berada dalam tingkat masa lalu dan tidak memprediksi perubahan ketingkat yang lebih tinggi maupun yang lebih rendah.
e.
Rata-rata bergerak Bermanfaat jika kita mengasumsikan bahwa permintaan pasar
tetap stabil sepanjang waktu. Rata-rata bergerak empat bulan diperoleh dengan menjumlahkan permintaan selama empat bulan anda dibagi 4.Data bulanter akhir ditambahkan kejumlah data tiga bulan sebelumnya, danbulan yang paling awal dihilangkan. Hal ini cenderung menghaluskan ketidak teraturan jangka pendek didalam seri data.
f.
Naïve Method Metode peramalan dengan Naïve Method dapat ditulis dengan
diberikan kata adalah (M x N) yang artinya M-periode MA dan Nperiode MA. Dapat dikatakan pula dengan metode ini mengikuti dari metode single moving average, dimana untuk peroide 3 bulan diberikan angka 3, maka perhitungan metode double moving average
47
menjadi MA (3 x 2) yang artinya 3 perioder DMA dan untuk angka 2 didapat karena kata double (2 kali) metode DMA.
Menurut (Mahmoud, E, 2000:p135) Ukuran akurasi hasil peramalan Ada 4 ukuran yang biasa digunakan akan tetapi dalam penelitian ini akan digunakan 2 dari 4 ukuran tersebut, yaitu : 1. Rata-rata Deviasi mutlak (Mean Absolute Devitation = MAD) MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut :
Dimana : At= permintaan actual padaperiode –t Ft = peramalan permintaan (forecast) pada periode –t N = jumlah periode peramalan yang terlibat
2. Rata- rata kuadrat kesalahan (Mean square error = MSE) MSE Dihitung dengan menjumlahkan kuadrat semua kesalahan peramalana pada setiap periode dan membaginya dengan jumlah peroide peramalan. Rumus MSE :
48
2.
Inventory (Persediaan) Dengan metode ini kita dapat mengasumsi jumlah pemesanan produk
dari konsumen untuk menghasilkan biaya yang minimum. Rumusan dari metode persedian (inventory) untuk menentukan pemesanan yang ekonmis yaitu:
Keterangan : D
: Demand ( Jumlah Permintaan )
Co/S
: Cost Ordering ( Biaya Pemesanan )
H /Ch
: Biaya Perawatan/Biaya Penyimpanan
SS
: Safety Stock
LT
: Lead Time
DD
: Daily Demand Rate
49
3. Menggunakan Desicion Tree Model untuk menentukan jalur pengiriman yang terbaik. Kriteria yang digunakan dalam model decision tree adalah: EMV (Expected Monetary Value). Satu dari langkah awal analisis ini adalah untuk menggambar pohon keputusan dan menetapkan konsekuensi financial dari semua hasil masalah tertentu. Nilai harapan moneter (Expected Monetary
Value – EMV) adalah nilai harapan moneter yang diharapkan dari sebuah variabel yang memiliki beberapa kemungkinan kondisi alamiah yang berbeda, masing-masing dengan peluang tersendiri. Saat peluang diketahui, nilai
maximax dan maximin menyatakan skenario perencanaan kasus terbaik – kasus terburuk. Nilai ini mewakili nilai yang diharapkan atau rata-rata tingkat pengembalian modal jika keputusan ini dapat diulangin berkali-kali. EMV sebuah alternatif merupakan jumlah semua keuntungan alternatif, yang masing-masing diberikan bobot kemungkinan terjadinya. Dalam hal ini, lokasi yang terpilih berdasarkan EMV yang dihasilkan, semakin besar nilai EMV (Expected Monetary Value) maka lokasi tersebut semakin baik. 3.4 Rancangan Implikasi Solusi Terpilih Rancangan implikasi solusi yang diharapkan dari penelitian ini adalah : •
Untuk mengatasi permasalahan terhadap proyeksi permintaan akan
spring bed tipe 101 maka digunakan analisis forecasting yang akan menghasilkan kondisi permintaan di PT Dinamika Indonusa Prima pada periode berikutnya atau bulan berikutnya.
50
•
Untuk mengatasi masalah persediaan (inventory) yang terjadi di PT Dinamika Indonusa Prima , maka digunakan analisis EOQ. Yang akan menghasilkan kondisi baru persediaan bahan baku dan cadangan bahan baku untuk mengatasi lead time yang berlebih serta permintaan yang melonjak dari pelanggan.
•
Untuk mengetahui jalur pengiriman yang terbaik dari 2 alternatif yang ada yaitu jalur darat dan jalur laut dari beberapa perusahaan ekspedisi yang ada digunakan pohon keputusan (decisión tree) untuk pengambilan keputusan yang terbaik bagi PT Dinamika Indonusa Prima yang meminimalkan biaya tersebut.
