BAB 3 METODE PENELITIAN
3.1 Penetapan Kriteria Optimasi
Disini penerapan kriteria optimasi yang digunakan untuk menganalisis kebutuhan pokok pada PT. Kusuma Kencana Khatulistiwa yaitu : 1. Analisis forecasting (peramalan penjualan) Variable utama dari penelitian ini adalah tentang menetapkan metode peramalan penjualan atau permintaan akan Snoopy Bedding dari PT. Kusuma Kencana Khatulistiwa, dimana peramalan yang dilakukan untuk periode Juni 2013 dengan menganalisis data penjualan dari tahun Januari 2012 – Mei 2013. 2. Analisis inventory Variable ini digunakan untuk mengetahui berapa banyak produk yang dipesan dengan melihat jumlah bahan baku utama yang optimal untuk memproduksi Snoopy Bedding agar dapat memenuhi permintaan konsumen dengan membandingkan hasil dari perhitungan EOQ, EOI dan MinMax.
40
41
3.1.1 Pengembangan Alternatif
Untuk mengembangkan alternatif atau langkah pemecahan masalah dari persoalan yang diteliti digunakan : 1. Forecasting (peramalan) dianalisis dengan menggunakan bantuan software QM for window dengan menggunakan pendekatan-pendekatan seperti metode moving average (rata-rata bergerak), weighted moving average
(rata-rata
(penghalusan
bergerak
eksponensial),
tertimbang), exponential
exponential smoothing
smoothing with
trend
(penghalusan eksponensial dengan trend), linear regression, dan naive method . 2. Inventory (persediaan) dengan menggunakan QM for window dengan pendekatan seperti EOQ, reorder point, annual set up cost, holding cost, total cost. 3. Sedangkan untuk EOI dan MinMax dilakukan perhitungan secara manual dengan menggunakan rumus dari masing-masing metode.
3.2 Metode Penelitian dan Teknik Pengumpulan Data
Metode penelitian yang digunakan disini adalah deskriptif yang dimana pengumpulan data yang diteliti dikumpulkan, dianalisis, diolah dan kemudian diintepretasikan sehingga dapat mengetahui masalah dan bisa memberikan
42
gambaran dari pemecahan masalah dan jenis datanya adalah kuantitatif dan kualitatif. Berdasarkan pokok permasalahan yang dikemukakan, maka teknik pengumpulan data yang digunakan untuk penelitian ini adalah : 1. Observasi Disini pengamatan langsung terjun ke lapangan yaitu PT.Kusuma Kencana Khatulistiwa dengan melihat langsung kegiatan produksi perusahaan tersebut, bagaimana cara pembuatannya, proses produksinya dan sebagainya. 2. Wawancara Disini pengumpulan data dengan melakukan tanya jawab secara langsung dengan pihak perusahaan untuk mengetahui kondisi perusahaan secara langsung, struktur perusahaan, kegiatan operasinya, jumlah permintaan dan lain-lain.
3.2.1 Teknik Analisis Data
Dalam menganalisis data pada PT.Kusuma Kencana Khatulistiwa digunakan metode yaitu : 1. Moving average (rata-rata bergerak ) Metode forecast yang menggunakan rata-rata dari sejumlah (n) data terkini untuk meramalkan periode mendatang.
43
∑ demand pada periode n Rata-rata bergerak = n 2. Weighted moving average (rata-rata bergerak tertimbang) Apabila terdapat pola atau trend maka bobot (timbangan) bisa digunakan untuk
menempatkan lebih banyak tekanan pada nilai baru. Hal tersebut
membuat teknik ini lebih responsive terhadap perubahan karena periode yang lebih baru mungkin mendapatkan bobot yang lebih besar. Rata-rata bergerak tertimbang = ∑ (bobot untuk periode n) (permintaan dalam periode n) ∑ bobot 3. Exponential Smoothing (penghalusan eksponensial) Teknik forecasting rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi eksponensial. Peramalan periode mendatang = peramalan periode lalu + α (permintaan actual periode lalu – peramalan periode lalu) Dimana α adalah sebuah bobot atau konstanta penghalusan yang mempunyai nilai antara 0 dan 1. Persamaan untuk metode penghalusan eksponensial dapat juga ditulis secara matematis sebagai berikut :
Ft = Ft − 1 + α (( At − 1) − ( Ft − 1))
44
Dimana : Ft
: Peramalan periode mendatang
Ft-1
: Peramalan periode sebelumnya
α
: Konstanta (0≤α≤1)
At-1
: Permintaan actual periode sebelumnya
4. Exponential smoothing adjusted for trend (penghalusan eksponensial dengan trend) Metode
peramalan
ini
merupakan
pengembangan
dari
metode
penghalusan eksponensial, dimana metode ini dapat memberikan respon terhadap trend yang terjadi. Rumus untuk metode ini adalah : Peramalan periode mendatang dengan trend (FIT t) =
peramalan
penghalusan
eksponensial
(Ft)
+
trend
penghalusan eksponensial (Tt) pada penghalusan eksponensial dengan trend estimasi rata-rata maupun trend dihaluskan. Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-rata data penghalusan eksponensial dan β untuk trend. Persamaan
yang
digunakan
untuk
menghitung
eksponensial yang dihaluskan sebagai berikut :
peramalan
45
Peramalan dengan trend = α (permintaan actual periode terakhir) + (1-α)(peramalan periode terakhir + estimasi trend periode terakhir)
Atau
Ft = α ( At − 1) + (1 − α )( Ft − 1 + Tt − 1) Persamaan yang digunakan untuk menghitung trend yang dihaluskan adalah : Trend dengan eksponensial = β(peramalan periode ini – peramalan periode terakhir) + (1-β)(estimasi trend periode terakhir) Atau
Tt = β ((F1) − ( Ft − 1)) + (1 − β )(Tt − 1) Dimana : Ft
: peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode t.
Tt
: trend dengan eksponensial yang dihaluskan pada periode t.
At
: permintaan actual pada periode t.
α
: konstanta penghalusan untuk rata-rata (0≤α≤1)
β
: konstanta penghalusan untuk trend (0≤β≤1)
46
Nilai β menyerupai α karena β yang tinggi lebih tanggap terhadap perubahan trend. β yang rendah memberikan bobot yang rendah kepada trend terbaru dan cenderung memperhalus trend sekarang. Nilai β dapat ditentukan dengan pendekatan uji coba dengan MAD digunakan sebagai ukuran pembanding. Penghalusan eksponensial sederhana biasa disebut sebagai penghalusan tingkat pertama (first order smoothing) sedangkan penghalusan dengan trend biasa disebut sebagai penghalusan tingkat dua (second order smoothing). 5. Linear regression (regresi linear) Analisis regresi dapat diperoleh dengan menggunakan model matematis pada metode kuadrat terkecil dari proyeksi trend. Variable terikat Y yang diramalkan tetap sama dan variable X yang digunakan dapat berupa variable lain. Persamaan regresinya adalah : Y = a + bX
Dimana : Y
: nilai terhitung dari variable yang akan diprediksi (variable
terikat) a
: persilangan sumbu Y
b
: kemiringan garis regresi
X
: variable bebas
47
Koefisien kemiringan (b) dapat dihitung dengan menggunakan rumus :
∑ XY − n ( ∑ xy ) b= ∑ X − n( x ) 2
2
a = X
y − bX =
y =
∑
X n Y
∑ n
Dimana : ∑
: tanda penjumlahan total
X
: nilai variable bebas yang diketahui
Y
: nilai variable terkait yang diketahui
x
: rata-rata nilai X
y
: rata-rata nilai Y
n
: jumlah data
6. Naive method Peramalan naive method dapat ditulis dengan (M x N) yang artinya M periode MA dan N periode MA. Metode ini mengikuti metode moving average .
48
3.2.2 Ukuran Akurasi Peramalan
Menurut Render, Barry dan Jay Heizer ukuran hasil peramalan ada 4 tapi yang digunakan disini hanya dua yaitu : 1. MAD Merupakan ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model. Nilai ini dihitung dengan mengambil jumlah nilai absolute dari kesalahan peramalan dibagi dengan jumlah periode data (n). Rumus nya adalah : ∑ |permintaan actual – peramalan | MAD = n Persamaan nya :
MAD =
∑ At −
Ft n
Dimana : At
: permintaan actual pada periode t
Ft
: peramalan permintaan pada periode t
n
: jumlah periode peramalan
49
2. MSE Merupakan
cara
kedua
untuk
mengukur
kesalahan
peramalan
keseluruhan. MSE merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan diamati. Kekurangan penggunaan MSE yaitu ia cenderung menonjolkan deviasi yang besar karena adanya pengkuadratan. Rumus nya adalah :
∑ (kesalahan peramalan)² MSE = n
Persamaannya :
MSE =
∑ ( At − Ft ) n
3.2.3 Economic Order Quantity (EOQ)
Dengan menggunakan metode ini dapat diasumsikan jumlah pemesanan yang optimal untuk menghasilkan biaya yang minimum, dimana rumus nya sebagai berikut :
-
EOQ =
2 DS H
50
-
Average inventory
=
Q 2
-
Order per periode (year) =
D Q
-
Annual set up cost
=
D Co × Q S
-
Annual holding cost
=
Q Ch × 2 H
-
Total unit cost
= unit cost x D
-
Total cost
= total unit cost + annual set up cost + annual holding cost
D daysperyear
-
DD
=
-
ROP
= SS + (LT x DD)
Dimana : D
: jumlah permintaan
Co/S : biaya pemesanan (cost ordering) LT
: lead time (waktu pemesanan)
DD
: daily demand rate
Ch/H : biaya perawatan atau biaya penyimpanan
51
SS
: safety stock
Q
: jumlah unit yang dipesan
3.2.4 Fixed Order Interval (EOI)
Dengan menggunakan metode ini akan dihitung dan dicari persediaan optimal untuk perusahaan dengan membandingkan terhadap perhitungan metode EOQ dan MinMax. Rumus dari atau cara perhitungan dari EOI ini yaitu
Type equation here.(EOI)
Ccd -
(Safety Stock)
-
(Maximum Inventory Level)
-
(Average Inventory Level)
-
(Turn Over Ratio)
-
(Order Quantity)
-
(Total Inventory Cost)
52
3.2.5 MinMax
Menghitung metode ini dengan cara menghitung minimum stock dan maksimal stock, dimana apabila persediaan sudah melewati batas minimum dan mendekati batas safety stock maka re-order harus dilakukan.
Rumus dari maximum-minimum system : -
SS =
D n
-
Max stock = 2( D × L) + SS
-
Min stock = ( D × L) + SS
-
Q = Max stock - Min stock
-
m=
D Q
(banyaknya pemesanan)
-
T =
Q D
(interval pesanan)
-
1 I = SS + ( × Q) 2
-
TOR =
-
TC =
D I
D × (Co + Ccd ) Q
(Order quantity)
(average inventory level)
53
3.3 Rancangan Solusi
Rancangan solusi untuk penelitian ini adalah : 1. Untuk menghitung dan menetapkan metode peramalan maka digunakan metode forecasting untuk mengatasi masalah peramalan penjualan. 2. Untuk menghitung optimaliasi persediaan bahan baku maka digunakan metode EOQ untuk mengatasi masalah persediaan ini agar tidak terjadi kelebihan dan kekurangan bahan baku. 3. Semua metode menggunakan software yang disebut QM for windows yang bisa mengaplikasikan semua metode forecasting dan inventory. Berikut akan diberikan sedikit gambaran atau tampilan untuk QM for windows. 4. Menghitung EOI dan MinMax dilakukan dengan perhitungan secara manual dikarenakan tidak adanya software untuk menghitung kedua metode ini. Berikut adalah tampilan, cara menggunakan dan menghitung persediaan dengan software QM :
54
Gambar 3.1 Tampilan awal QM
Gambar 3.2 Metode-metode peramalan
55
Gambar 1.3 Tampilan inventory
