BAB 3 LANGKAH PEMECAHAN MASALAH
3.1 Penetapan Kriteria Optimasi Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi semakin sulit untuk diperkirakan. Selama ini, manajer PT. Focus Network Agencies Indonesia dalam meramalkan proyeksi permintaan konsumen hanya berdasarkan penjualan bulan lalu dimana teknik peramalan ini tidak dapat memproyeksikan permintaan konsumen untuk bulan berikutnya secara tepat karena sering terjadi perbedaan cukup signifikan antara proyeksi permintaan dengan permintaan aktual. Akibatnya, dalam hal persediaan sering terjadi kelebihan stok (overstock) atau kekurangan stok (out of stock). Bila perusahaan sering tidak dapat memenuhi kebutuhan konsumen, bukan tidak mungkin konsumen akan berhenti membeli produk tersebut dan berpindah ke pesaing. Untuk mencegah hal tersebut terjadi, maka PT. Focus Network Agencies Indonesia harus melakukan perencanaan dan pengendalian persediaan dengan menggunakan metode Forecasting dan Inventory. 3.1.1 Kriteria Optimasi Forecasting Pada metode forecasting, kriteria optimasinya adalah nilai MAD dan MSE. Perhitungan ini dapat digunakan untuk membandingkan model peramalan yang berbeda, mengawasi peramalan, dan untuk memastikan peramalan berjalan dengan baik. 3.1.2 Kriteria Optimasi Inventory
45
46
Pada model inventory, kriteria optimasinya adalah total biaya (total cost). Total biaya merupakan total biaya yang harus dikeluarkan oleh perusahaan guna memenuhi kebutuhan konsumen. 3.2 Pengembangan Alternatif Solusi Alternatif solusi yang diusulkan pada PT. Focus Network Agencies Indonesia terdiri dari 2 pendekatan yakni forecasting dan inventory. Pendekatan forecasting digunakan untuk meramalkan permintaan konsumen di bulan berikutnya sehingga perusahaan dapat mengetahui kondisi permintaan bulan berikutnya. Pendekatan ini mengambil data penjualan Januari 2012 hingga Oktober 2012. Setelah melakukan peramalan permintaan maka dilanjutkan ke pendekatan berikutnya yaitu pendekatan inventory. Pendekatan ini dapat mendukung persediaan perusahaan dengan memberikan masukan tentang jumlah pemesanan persediaan yang ekonomis per periode, titik pemesanan kembali, frekuensi pemesanan yang tepat per periode dengan tujuan untuk meminimalkan biaya yang harus dikeluarkan oleh perusahaan. Kedua pendekatan diatas akan dianalisis dengan menggunakan perhitungan manual dan program Quantitative Method for Windows 2 (QM 2). 3.2.1 Model Forecasting Ada 11 metode yang digunakan dalam analisis forecasting antara lain: 1.
Pendekatan Naive (Naive Approach). Cara yang paling sederhana untuk meramal adalah berasumsi bahwa permintaan di periode mendatang akan sama dengan permintaan pada periode terakhir. Ft = Yt-1
2.
Rata-rata bergerak (Moving Average).
47
Peramalan rata-rata bergerak menggunakan sejumlah data aktual masa lalu utnuk menghasilkan
peramalan.
Rata-rata
bergerak
berguna
jika
kita
dapat
mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan. Secara matematis, rata-rata bergerak sederhana (merupakan prediksi permintaan periode mendatang) dinyatakan sebagai berikut:
dimana n adalah jumlah periode dalam rata-rata bergerak. 3.
Rata-rata bergerak tertimbang (Weighted Moving Average). Saat terdapat tren atau pola yang terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Praktik ini membuat teknik peramalan lebih tanggap terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat. Rata-rata bergerak dengan pembobotan atau rata-rata bergerak tertimbang dapat digambarkan secara matematis sebagai berikut:
4.
Penghalusan eksponensial (Exponential Smoothing). Penghalusan eksponensial merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih tetapi masih mudah digunakan. Metode ini menggunakan pencatatan data masa lalu yang sangat sedikit. Rumus penghalusan eksponensial dasar dapat ditunjukkan sebagai berikut: Ft = Ft-1 + α (At-1 – Ft-1)
48
Dimana: Ft = peramalan baru Ft-1 = peramalan sebelumnya α = konstanta penghalusan (pembobotan) (0 ≤ α ≤ 1) At-1 = permintaan aktual periode lalu 5.
Penghalusan eksponensial dengan tren (Exponential Smoothing with Trend). Penghalusan eksponensial yang sederhana gagal memberikan respons terhadap tren yang terjadi. Untuk memperbaiki peramalan, maka digunakan model penghalusan eksponensial yang lebih rumit dan dapat menyesuaikan diri pada tren yang ada. Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-rata dan β untuk tren. Kemudian, dihitung rata-rata dan tren untuk setiap periode. Ft = α (At-1) + (1 – α)(Ft-1 + Tt-1) Tt = β (Ft – Ft-1) + (1 – β) Tt-1 Dimana: Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode t Tt = tren dengan eksponensial yang dihaluskan pada periode t At = permintaan aktual pada periode t α = konstanta penghalusan untuk rata-rata (0 ≤ α ≤ 1) β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1) Jadi, tiga langkah menghitung peramalan dengan yang disesuaikan dengan tren adalah sebagai berikut:
49
a. Menghitung Ft, peramalan eksponensial yang dihaluskan untuk periode t, menggunakan persamaan Ft. b. Menghitung tren yang dihaluskan, Tt, menggunakan persamaan Tt. c. Menghitung peramalan dengan tren, FITt, dengan rumus FITt = Ft + Tt. 6.
Proyeksi tren (Trend Projection) atau analisis tren (Trend Analysis). Teknik ini mencocokan garis tren pada serangkaian data masa lalu, kemudian memproyeksikan garis pada masa datang untuk peramalan jangka menengah atau jangka panjang. ŷ = a + bX Dimana: ŷ = nilai terhitung dari variabel yang akan diprediksi (variabel terkait) a = persilangan sumbu y b = kemiringan garis regresi (tingkat perubahan pada y untuk perubahan yang terjadi di x) X = variabel bebas
X = nilai variabel bebas yang diketahui Y = nilai variabel terkait yang diketahui ¯ = rata-rata nilai X X ¯Y = rata-rata nilai Y n = jumlah data atau pengamatan
50
7.
Regresi linier (Linear Regression). Model matematika garis lurus untuk menggambarkan hubungan fungsional antara variabel-variabel yang bebas maupun variabel terikat. Persamaan garisnya dapat dinyatakan sebagai: ŷ = a + bX
Dimana: ŷ = nilai terhitung dari variabel yang akan diprediksi (variabel terkait) a = persilangan sumbu y b = kemiringan garis regresi (tingkat perubahan pada y untuk perubahan yang terjadi di x) X = variabel bebas X = nilai variabel bebas yang diketahui Y = nilai variabel terkait yang diketahui ¯ = rata-rata nilai X X ¯Y = rata-rata nilai Y n = jumlah data atau pengamatan 8.
Additive Decomposition – Average All Tentukan berapa banyak seasons yang ingin dibagi (misalnya kuartal). Hitung rata-rata penjualan (CTD MA). Hitung difference dengan rumus: penjualan – CTD MA. Hitung nilai seasonal tiap kuartal dengan rumus kuartal yang sama memiliki nilai seasonal yang sama.
dan untuk tiap
51
Hitung nilai smoothed dengan rumus: penjualan – seasonal. Kemudian hitung Yuandjusted
= a + bX (nilai Y yang digunakan untuk
menghitung a dan b adalah Y smoothed). Dilanjutkan dengan mencari nilai Yadjusted = Yuandjusted + seasonal. 9.
Additive Decomposition – Centered Moving Average Tentukan berapa banyak seasons yang ingin dibagi (misalnya kuartal).
Hitung nilai CTD MA dengan rumus Hitung difference dengan rumus: penjualan – CTD MA. Hitung nilai seasonal tiap kuartal dengan rumus
dan untuk tiap
kuartal yang sama memiliki nilai seasonal yang sama. Hitung nilai smoothed dengan rumus: penjualan – seasonal. Kemudian hitung Yuandjusted
= a + bX (nilai Y yang digunakan untuk
menghitung a dan b adalah Y smoothed). Dilanjutkan dengan mencari nilai Yadjusted = Yuandjusted + seasonal. 10.
Multiplicative Decomposition – Average All Tentukan berapa banyak seasons yang ingin dibagi (misalnya kuartal). Hitung rata-rata penjualan (CTD MA). Hitung nilai rasio dengan rumus: Hitung nilai seasonal tiap kuartal dengan rumus
dan untuk tiap
kuartal yang sama memiliki nilai seasonal yang sama. Hitung nilai smoothed dengan rumus: Kemudian hitung Yuandjusted
= a + bX (nilai Y yang digunakan untuk
menghitung a dan b adalah Y smoothed).
52
Dilanjutkan dengan mencari nilai Yadjusted = Yuandjusted * seasonal. 11.
Multiplicative Decomposition – Centered Moving Average Tentukan berapa banyak seasons yang ingin dibagi (misalnya kuartal).
Hitung nilai CTD MA dengan rumus Hitung nilai rasio dengan rumus: Hitung nilai seasonal tiap kuartal dengan rumus
dan untuk tiap
kuartal yang sama memiliki nilai seasonal yang sama. Hitung nilai smoothed dengan rumus: Kemudian hitung Yuandjusted
= a + bX (nilai Y yang digunakan untuk
menghitung a dan b adalah Y smoothed). Dilanjutkan dengan mencari nilai Yadjusted = Yuandjusted * seasonal. 3.2.2 Model Inventory Untuk analisis inventory digunakan 3 metode yakni EOQ, EOI dan Min-Max. 1.
Economic Order Quantity (EOQ) Model kuantitas pesanan ekonomis (Economic Order Quantity – EOQ) ini adalah salah satu teknik pengendalian persediaan yang paling tua dan paling dikenal secara luas.
Q* = I = ½ Q*
53
SS = Z ROP = (d x L) + SS Dimana: Q* = jumlah optimum unit per pesanan (EOQ) D = permintaan per periode S = biaya pemesanan untuk setiap pesanan H = biaya penyimpanan per unit per periode I = rata-rata tingkat persediaan (average inventory) N = jumlah pemesanan yang diperkirakan per periode SS = safety stock Z = standar normal (diperoleh dari tabel distribusi normal. Misalnya, Z = 95%, ini berarti tingkat pelayanan sebesar 95% dari permintaan atau penjagaan terhadap kemungkinan terjadinya stock out hanya 5%) = standar deviasi L = lead time ROP = reorder point d = permintaan per hari =
2.
Fixed Order Interval System (EOI) Menggunakan tingkat persediaan maksimum (maximum inventory level) selama waktu lead time dan interval pesanan. Setelah suatu periode tetap (T) telah terlewati, jumlah persediaan dihitung. Sebuah pesanan dilakukan untuk memulihkan persediaan, dan jumlah pesanannya tergantung berapa jumlah yang berkurang (maximum inventory level).
54
E = SS + D (T*+ L) I = SS + ½ (D T*) Q* = E – I TOR =
Dimana: T* = economic order interval Co = biaya pemesanan untuk setiap pesanan Cc = biaya penyimpanan per unit per periode D = permintaan per periode SS = safety stock Z = standar normal (diperoleh dari tabel distribusi normal. Misalnya, Z = 95%, ini berarti tingkat pelayanan sebesar 95% dari permintaan atau penjagaan terhadap kemungkinan terjadinya stock out hanya 5%) = standar deviasi L = lead time E = maximum inventory level I = average inventory control Q* = order quantity TOR = turn over ratio 3.
Minimum-Maximum (Min-Max)
System
55
Cara kerja sistem ini yaitu apabila persediaan telah melewati batas minimum dan mendekati batas safety stock maka reorder harus dilakukan. Jadi batas minimum (minimum stock) merupakan batas tingkat reorder. Batas maksimum (maximum stock) adalah batas kesediaan perusahaan untuk menginvestasikan uangnya dalam bentuk persediaan bahan baku. Jadi dalam hal ini yang terpenting adalah batas minimum dan maksimum untuk dapat menentukan order quantity. SS = Minimum stock = (DL) + SS Maximum stock = 2(DL) + SS Q* = Max stock – Min stock N= I = SS + (½ Q*) TOR =
Dimana: SS = safety stock D = permintaan per periode L = lead time I = average inventory control Q* = order quantity TOR = turn over ratio 3.3 Pengembangan Model Optimasi 3.3.1 Model Optimasi Forecasting
56
Dua model optimasi forecasting yakni MAD dan MSE yang digunakan dalam penelitian ini: 1. Deviasi mutlak rerata (Mean Absolute Deviation - MAD). Ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model adalah MAD. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah periode data (n).
2. Kesalahan kuadrat rerata (Mean Square Error – MSE). MSE merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati.
3.3.2 Model Optimasi Inventory Model optimasi inventory yakni total cost terendah untuk tiap metode inventory dapat dihitung dengan menggunakan rumus: Tabel 3.1 Model Optimasi Inventory
Dimana: EOQ
TC(Q*) = total cost atau total biaya Total unit cost = harga per unit x permintaan D = permintaan per periode
57
S = biaya pemesanan untuk setiap pesanan H = biaya penyimpanan per unit Q = jumlah unit per pesanan TC(T*) =
+ (SS + ½ D T*) Cc Dimana:
TC(T*) = total cost
EOI Co = biaya pemesanan untuk setiap pesanan SS = safety stock D = permintaan per periode Cc = biaya penyimpanan per unit TC(Min-Max) = Dimana: TC(Min-Max) = total cost Min-Max
D = permintaan per periode Q* = order(min-max) Co = biaya pemesanan untuk setiap pesanan Cc = biaya penyimpanan per unit
Sumber: Hasil pengolahan penulis 3.4 Pemilihan Alternatif Solusi 3.4.1 Pemilihan Alternatif Solusi Forecasting Dari 11 metode forecasting yang digunakan dalam analisis peramalan, alternatif solusi yang dipilih adalah metode yang menghasilkan nilai MAD dan MSE terkecil.
58
Menurut Vincent Gasperz (2004:80) dalam bukunya menyebutkan akurasi peramalan akan semakin tinggi apabila nilai-nilai MAD dan MSE semakin kecil. 3.4.2 Pemilihan Alternatif Solusi Inventory Setelah didapatkan nilai forecast dilanjutkan analisis inventory dengan menggunakan 3 metode yakni metode EOQ, EOI dan Min-Max. Alternatif solusi yang dipilih adalah metode yang menghasilkan total cost terendah. 3.5 Rancangan Implikasi Solusi Terpilih Hasil atau implikasi dari solusi terpilih diharapkan dapat membantu PT. Focus Network Agencies Indonesia dalam mengetahui metode peramalan permintaan untuk periode berikutnya secara tepat. Dari hasil peramalan tersebut kemudian digunakan untuk merencanakan persediaan perusahaan antara lain jumlah pemesanan persediaan yang ekonomis, titik pemesanan kembali, dan frekuensi pemesanan yang tepat per periode sehingga biaya yang dikeluarkan oleh perusahaan dapat diminimalkan dan tingkat stok selalu dalam kondisi optimal.
