BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Pertumbuhan Industri AMDK di Indonesia Dengan jumlah penduduknya yang cukup besar saat ini , maka Indonesia merupakan pasar yang potensial untuk industry makanan dan minuman yang mana mengalami pertumbuhan sebesar 8% pada tahun 2012 dan di prediksi akan tetap berkisar pada angka tersebut. Sedangkan menurut Asosiasi Perusahaan Air Minum Dalam Kemasan Indonesia (Aspadin) memperkirakan penjualan

Air

Minum Dalam Kemasan (AMDK) tumbuh 11% hingga 15%, kenaikan ini ditopang pertumbuhan permintaan seiring kenaikan konsumsi AMDK, karena kebutuhan akan air minum adalah mutlak untuk dipenuhi oleh setiap orang. Kebutuhan ini terus meningkat sejalan dengan semakin bertambahnya jumlah penduduk di Indonesia.Dengan menggaris bawahi alasan pertambahan penduduk ini semakin menyulitkan masyarakat untuk memperoleh air minum yang bersih serta aman untuk dikonsumsi. Hal ini sesuai dengan data dari Asosiasi Perusahaan Air Minum Dalam Kemasan Indonesia (Aspadin) dan lembaga survey menyebutkan bahwa industri AMDK yang berdiri sejak tahun 1973 dengan kapasitas produksi 6 juta liter per tahun, maka pada tahun 2007 mencapai 12,83 milyar liter, kemudian meningkat menjadi 14,27 milyar liter pada tahun 2008, dan

11

12

terus meningkat pada tahun-tahun berikutnya, sehingga menjadi 19,79 milyar liter pada tahun 201, sehingga selama periode tersebutvolume produksi AMDK di Indonesia meningkat rata-rata sebesar 11,5% per tahun, dengan nilaipasar yang meningkat rata-rata 18,5% per tahun, yaitudariRp. 7,45triliun padatahun 2007 meningka tmenjadiRp. 14,67 triliun pada tahun 2011. Pertumbuhan Volume danNilaiPasar AMDK dari tahun 2007 sampai dengan tahun 2011 dapat dilihat pada grafik dibawah ini.

Perkembangan Pasar AMDK di Indonesia Tahun 2007-2011 Volume (juta liter)

Nilai Pasar (miliar rupiah) 14.665,5

12.493,7

2008

2009

19.752,2

17.906,9

15.714,4

14.237,1

12.803,2

2007

10.217,3

8.646,9

7.447,1

2010

2011

Grafik 2.1 Perkembangan Pasar AMDK Di Indonesia

Konsumsi rata-rata per kapita AMDK di Indonesia pada tahun 2007 mencapai 56.9 liter, kemudian meningkat menjadi 83.6 liter pada tahun 2011. Selama periode tersebut, volume konsumsi rata-rata per kapita untuk AMDK di Indonesia telah meningkat 10.1% per tahun.Perinciannya dapat dilihat pada tabel berikut. Dan hal ini diprediksi masih mempunyai peluang pertumbuhan yang menarik, mengingat konsumsi AMDK per kapita di Indonesia sekitar 80 liter per tahun, masih di bawah Thailand yang sekitar 100 liter per kapita per tahun.

13

Tabel 2.1 Konsumsi AMDK Rata-rata Per Kapita

Sumber : Studi Tentang Industri & Pasar AMDK di Indonesia Tahun 2012, PT. Corinthian Infopharma Corpora

2.1.2 Jenis, Proses Produksi, dan Kemasan AMDK Jenis AMDK yang diproduksi di Indonesia tidak saja terbatas air mineral (AMDK) saja, namun juga AMDK berupa air minum isi ulang dan air minum untuk kesehatan meliputi air beroksigen, air hexagonal, air alkali, air destilasi, dan sebagainya. Produksi AMDK di Indonesia pada tahun 2011 msih didominasi AMDK atau air mineral dengan produksi actual sebesar 12,75 milyar liter, atau peranannya merupakan 64,4% dari total produksi AMDK secara nasional. Kemudian diikuti oleh AMDK berupa air minum isi ulang (35,0% ; 6,94 milyar liter) dan AMDK berupa air minum untuk kesehatan (0,6% ; 112,88 juta liter). Untuk lebih jelasnya dapat dilihat pada tabel berikut.

14

Tabel 2.2 Jenis Produksi AMDK

Sumber : Studi Tentang Industri & Pasar AMDK di Indonesia Tahun 2012, PT. Corinthian Infopharma Corpora

Proses produksi diantara ketiga jenis diatas AMDK di atas adalah berbeda satu dengan yang lainnya, untuk AMDK Air Mineral proses produksinya mengacu pada KepMenPerindag 705/MPP/Kep/11/2003adalah seluruh rangkaian kegiatan yang meliputi penerimaan dan penyiapan bahan baku dan bahan kemasan, pengolahan, pengemasan, dan pengendalian mutu sehingga diperoleh produk jadi yang siap didistribusikan.

Peralatan proses produksi AMDK minimal minimal terdiri dari : a) Bak atau tangki penampungan air baku (Gambar 1.1) i.

Air baku ditampung dalam bak atau tangki penampungan (reservoir).

ii.

Bila sumber air dari pabrik, maka air dapat dialirkan melalui pipa atau diangkut menggunakan tangki.

b) Sistem pengolahan air, yang terdiri dari (Gambar 1.2) i.

Prefilter. mikrofilter, dan alat desinfeksi. 

Menggunakan pasir atau bahan lain yang efektif.



Fungsi : menyaring partikel-partikel kasar.

15



Menggunakan butir-butir silika (SiO2) min. 95%.



Ukuran butir tergantung tingkat kejernihan air.

i.

Filter karbon aktif. 

Fungsi : menyerap bau, rasa, warna, sisa klor dan bahan organik.



Bahan baku karbon aktif biasanya berasal dari batu bara atau batok kelapa.

 i.

Daya serap I2 minimal 75%. Mikrofilter.



Fungsi : menyaring partikel halus.



Berukuran maksimal 10 mikron.

ii.

Alat desinfeksi. 

Kadar ozon dalam tangki pencampur minimal 0,6 ppm.



Residu ozon sesaat setelah pengisian 0,1 – 0,4 ppm.



Lampu ultraviolet dengan λ 254 nm atau 2537AO dengan intensitas minimum 10 000 mw detik per cm2.

c) Mesin pencuci kemasan (washing machine). i.

Kemasan sekali pakai tidak diharuskan dicuci dan/atau dibilas.

ii.

Kemasan yang dipakai ulang harus dicuci dan disanitasi.

iii.

Untuk membersihkan botol digunakan deterjen pada suhu 60-85 º C.

iv.

Untuk sanitasi dapat digunakan air ozon atau desinfektan lain yang aman. d) Mesin pengisi kemasan (filling machine). e) Mesin penutup kemasan (capping machine).

16

Gambar 2.1 Bak atau tangki penampungan air baku

. Gambar 2.2 Sistem Pengolahan Air (water treatment system) Produksi AMDK di Indonesia hingga saat ini masih didominasi kemasan gallon. Produksi aktual AMDK kemasan gallon pada tahun 2011 mencapai 14,42 milyar liter, atau peranannya 72,8% dari total produksi AMDK nasional yang pada tahun itu tercatat sebesar 19,79 milyar liter. AMDK kemasan cup plastik menyusul di urutan kedua dengan peranan sebesar 13,7% (2,7 milyar liter).

17

Kemudian diikuti oleh AMDK kemasan botol plastic sedang (7,0% ; 1,38 milyar liter), kemasan botol plastike besar (5,5% ; 1,08 milyar liter). Untuk lebih jelasnya dapat dilihat pada tabel berikut.

Tabel 2.3 Produksi AMDK berdasarkan Jenis Kemasan

Sumber : Studi Tentang Industri & Pasar AMDK di Indonesia Tahun 2012, PT. Corinthian Infopharma Corpora

Dari variasi kemasan produk AMDK yang ada di Indonesia, maka apabila dilihat dari volume pasarnya, selama periode lima tahun belakangan ini masih didominasi oleh kemasan gallon. Namun demikian peranannya terlihat semakin menurun dari 76.7% (9.81 milyar liter) pada tahun 2007, kemudian menurun menjadi 75.5% (11.87 milyar liter) pada tahun 2009 dan menurun lagi menjadi 73.0% (14.42 milyar liter) pada tahun 2011. Tingginya peranan AMDK kemasan gallon selama periode tersebut, karena sumbangsih air minum isi ulang yang pada umumnya menjual produknya dalam kemasan gallon.Selain daripada itu, pembeli

18

kemasan gallon pada umumnya adalah pelanggan yang rutin mengonsumsi AMDK dalam jumlah yang cukup besar, baik itu perkantoran, perumahan dan sebagainya. Sebaliknya kemasan non gallon, baik itu botol plastik, botol kaca dan cup plastik lebih ditujukan untuk memenuhi keperluan insidentil di luar rumah.Perkembangan dan peranan volume pasar AMDK dari tahun 2007 sampai tahun 2011 dapat dilihat pada tabel berikut.

Tabel 2.4 Perkembangan dan Peranan Volume Pasar AMDK

2.1.3 Market Share Produk AMDK di Indonesia AQUA sebagai pelopor di bisnis ini masih menjadi penguasa pasar AMDK secara keseluruhan di Indonesia pada tahun 2011 dengan nilai pasar sebesar Rp. 7,1triliyun atau pangsa pasaranya merupakan 48,5%. Kemudian berturut-turut sampai sepuluh besar diikuti oleh CLUB, VIT, 2 TANG, SANQUA, CHEERS, ADES, VIRO, ALTO dan PRIM-A yang mana nilai pasarnya dapat dilihat dalam grafik di bawah ini.

19

Nilai Pasar AMDK Secara Total Menurut Merek Dagang, 2011 ADES; 160,5

VIRO; 152,9

ALTO; 146,3

CHEERS; 165,0 SANQUA; 168,3

PRIM-A; 127,0

2 TANG; 255,2 VIT; 411,7 CLUB; 422,6

AQUA; 7.400,0

Sumber : Studi Tentang Industri & Pasar AMDK di Indonesia Tahun 2012, PT. Corinthian Infopharma Corpora Grafik 2.2 Nilai Pasar AMDK Menurut Merek Dagang

20

Sedangkan market sharenya tersaji dalam grafik berikut ini.

Market Share AMDK Secara Total Menurut Merek Dagang, 2011 CHEERS; 1,1%

ADES; 1,1% VIRO; 1,0%

SANQUA; 1,1% 2 TANG; 1,7%

ALTO; 1,0% PRIM-A; 0,9%

VIT; 2,8% CLUB; 2,9%

AQUA; 48,5%

Sumber : Studi Tentang Industri & Pasar AMDK di Indonesia Tahun 2012, PT. Corinthian Infopharma Corpora Grafik 2.3 Market Share AMDK menurut Merek Dagang

Dan Nilai Pasar AMDK Kemasan Gallon, kemasan cup, kemasan botol plastik besar, kemasan botol plastik sedang dan kemasan botol plastik kecil menurut merek dagang dapat dilihat dalam tabel berikutini.

21

Tabel 2.5 Nilai Pasar AMDK Menurut Jenis Kemasan dan Merek Dagang Nilai Pasar AMDK Semua Kemasan Menurut Merek Dagang, 2011 Merek Dagang AQUA VIT CLUB VICA ROYAL OASIS ALTO SANQUA CHEERS ALFA ONE 2 TANG AGUARIA ADES VIRO PURE LIFE TRIPANCA INDOMART HEXAGONAL PRIM-A OXY SUPER O2

Gallon 2,800.0 110.2 105.5 74.5 72.8 59.7 55.7 32.4 31.8 28.0

Nilai Pasar (Milyar Rupiah) Cup Botol besar Botol sedang Botol kecil 1,400.0 420.6 1,500.0 458.7 168.0 76.2 56.2 120.4 74.2 97.1 25.4

55.6 59.3 50.8 42.1 64.5 44.1

28.4

46.2

70.1

70.8

58.9 23.2 19.5 17.9 14.1 1.3

64.3 44.4

21.8 29.8 17.4

47.1 60 47.3

Diolah dari : Studi Tentang Industri & Pasar AMDK di Indonesia Tahun 2012, PT. Corinthian Infopharma Corpora

Value Persaingan pada industri Air Minum Dalam Kemasan (AMDK) di Indonesia yang sangat tinggi disebabkan pasar produk AMDK sangat potensial dan mempunyai pertumbuhan yang bagus, seperti yang sudah dipaparkan di atas, juga dipengaruhi oleh Tingkat Indeks Loyalitas Pelanggan yang cenderung rendah dimana dengan mudahnya pelanggan pindah dari merek yang satu ke merek yang lain (merek pesaing). Banyaknya home industri yang berbasis isi ulang, juga

22

termasuk faktor yang mempengaruhi tingginya persaingan pada industri AMDK di Indonesia. Oleh karena itu dibutuhkan Segmenting, Targeting, Positioning (STP) dan Product, Place, Promotion, Price (4P) yang tepat dari industry AMDK. Sebagian besar industri AMDK dalam menjalani persaingan menerapkan strategi Quality, Distribusion, Promotion, Price yang bermuara pada kepuasan pelanggan.

Kualitas

produk

menjadi

perhatian

serius

dalam

menjaga

kepuasan pelanggan, meliputi air produk proses produksi dan kemasannya. Produk AMDK juga sebaiknya terdistribusi ke seluruh saluran distribusi sehingga pelanggan mudah untuk mendapatkannya. Promosi diperlukan sebagai brand awareness dan brand image sehingga pelanggan dan calon pelanggan mudah dalam mengingat dan tertanam kuat dalam benak pelangga. Salah satu faktor yang tak kalah pentingnya adalah harga, karena tingkat Indeks Loyalitas Customer produk AMDK yang rendah, maka produk dengan harga yang murah tanpa menurunkan kualitasnya adalah produk yang akan dicari oleh pelanggan.

2.1.4 Saluran Distribusi Sistem distribusi yang diterapkan dalam memasarkan produk AMDK di Indonesia dapat dikelompokkan menjadi dua bagian, yaitu sistem distribusi secara regular distribution dan Multi Level Marketing (MLM). Sistem MLM pada awalnya diperkenalkan perusahaan dalam rangkan PMA yang terhambat masuk untuk mendistribusikan sendiri produknya, karena adanya kebijakan pemerintah yang melarang PMA masuk ke jalur distribusi. Sistem

23

MLM untuk produk AMDK pada umumnya diadopsi oleh perusahaan AMDK jenis air minum untuk kesehatan, terutama air minum beroksigen. Sebaliknya sistem distribusi secara regular distribution, merupakan sistem biasa, dengan menunjuk distributor tertentu atau memanfaatkan distributor yang masih berada dalam satu kelompok dengan perusahaan yang bersangkutan atau perusahaan tersebut langsung menangani sendiri distribusi produknya.Sistem ini juga beraneka ragam dan secara garis besar dapat dikelompokkan berdasarkan asal produknya, yaitu sistem distribusi untuk produk AMDK lokal dan impor. Untuk produk AMDK lokal, saluran distribusi yang berlaku relatif bervariasi, tergantung besar kecilnya skala industrinya. Produsen AMDK yang berskala kecil biasanya distribusinya ditangani sendiri oleh perusahaan yang bersangkutan, karena wilayah pemasaran produknya masih terbatas di sekitar lokasi pabrik itu sendiri, atau bisa juga sampai ke luar daerah, tetapi masih berada dalam wilayah propinsi yang sama atau masih berdekatan dengan provinsi tersebut.Produsen AMDK yang berskala menengah besar pada umumnya mempunyai wilayah pemasaran yang lebih luas, sehingga untuk memperlancar penyaluran produk AMDK-nya ke konsumen cenderung bekerjasama atau menunjuk distributor tertentu di wilayah tersebut. Pada umumnya untuk setiap wilayah pemasaran hanya ditunjuk satu distributor saja.Hal ini untuk mecegah infiltrasi produk dan persaingan yang tidak diinginkan antara distributor di satu wilayah pemasaran tertentu. Apabila lebih dari satu distributor di setiap wilayah, biasanya dibedakan berdasarkan target

24

pasarnya, modern market,traditional market, institutional market (salah satu diantaranya adalah horeca market), dan sebagainya.

2.1.5 Promosi Salah satu strategi agar produk AMDK-nya dikenal luas di masyarakat, banyak produsen AMDK melakukan aktivitas promosi diantaranya adalah : 

Sistem Joint Brand Yaitu

kerjasama

dalam

memasarkan

produk

AMDK dengan

cara

menggabungkan brand produk AMDK dengan brand outlet yang bekerjasama, pada label produk, sehingga pada outlet tersebut yang dipasarkan hanya produk AMDK joint brand saja. Produk AMDK joint brand tersebut dapat diberikan sebagai compliment kepada pelanggan outlet maupun dijual bebas. Produk AMDK joint brand ini dapat ditemukan di beberapa tempat makan seperi Solaria, Dcost, Es Teler, Bakso Atom, Bakso Afung, mapun di Fashion Hotel, Amaris, The Papandayan, juga di Taman Safari, Water Boom, Transera atau juga di moda transportasi shuttle bus seperti X-Trans dan Citi Trans, bahkan juga di maskapai penerbangan seperti Lion Air, Srwijaya Air, dan lain sebagainya.



Papan Nama Produsen AMDK membuatkan papan nama untuk toko, arena olah raga,

arena hiburan, rumah makan dengan menampilkan logo dan foto produk AMDK secara menonjol dan dominan, dengan syarat ada target minimal untuk penjulan produk AMDK pada lokasi tersebut. Hal ini biasanya diikuti dengan mengecat

25

lapangan olah raga, untuk arena olah raga, membuatkan daftar menu, tempat tissue, tempat sendok untuk rumah makan .



Menjadi Sponsor dalam beberapa event Event dengan mengusung berbagai tema sekarang ini marak diadakan, seperti

makanan , pakaian/assesoris, musik, otomotif, olahraga dan juga sifatnya mulai dari lokal, regional maupun nasional. Event-event tersebut seperti Jak-Cloth, Jak Jazz, Java Jazz, Soul Nation, Indonesia International Motor Show, Kelapa Gading Food Festival, Festival Makan Medan, Basket Liga Mahasiswa, Seleknas Bulu Tangkis, Liga Futsal , dan lain-lain. Bentuk promosi yang dilakukan oleh para produsen AMDK adalah dengan menjadi sponsor utama kegiatan event tersebut atau cukup berpartisipasi dengan membuat booth yang menarik perhatian pengunjung baik dari tampilan booth-nya, permainan yang diadakan maupun hadiah-hadiahnya.

2.1.6 Price (harga) Harga produk AMDK menjadi salah satu pertimbangan utama setelah kualitas produk.Harga Pokok Produksi (HPP) produk AMDK terdiri dari beberapa komponen biaya yaitu meliputi biaya bahan penolong, biaya produksi (termasuk didalamnya biaya SDM, biaya depresiasi mesin/alat produksi, biaya over head) dan biaya distribusi. Biaya bahan penolong besarannya sangat tergantung dengan nilai tukar rupiah terhadap USD, hal ini dikarenakan bahan baku penolong untuk produk AMDK

26

bebahan dasar plastik, mulai dari tutup, botol, gallon, cup, capseal, lidcup, sedotan dan label, sehingga sangat tergantung pada harga resin dunia. Untuk biaya produksi besarannya sangat ditentukan oleh kenaikan UMK (Upah Minimum Kabupaten/Kota) dan kenaikan TDL (Tarif Daftar Listrik) untuk Industri. Sedangkan biaya distribusi besarannya ditentukan oleh kenaikan harga BBM, frekuensi ritase angkutan dalam sehari, kapasitas muat kendaraan angkutan, dan komposisi produk yang dimuat.

2.2 Pengertian Metode Peramalan Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variable peramal, sering berdasarkan data deret waktu historis. Peramalan dapat menggunakan teknik-teknik peramalan yang bersifat formal maupun informal ( Vincent Gaspersz, Production Planning And Inventory Control, 1998, halaman 71). Perencanaan atau rancang bangun sebagai salah satu fungsi pengambilan keputusan manajemen produksi dan operasi, membutuhkan sebuah ramalan tentang permintaan yang biasa disebut demand terhadap produk barang dan jasa. Kebutuhan akan jawaban tentang perubahan pasar yang cepat akan memerlukan peramalan yang tepat. (Lalu Sumayang, Dasar-Dasar Manajemen Produksi & Operasi, 2003 halaman 23).

27

Terdapat perbedaan antara Peramalan dan Perkiraan. Peramalan adalah perhitungan yang objektif menggunakan data-data masa lalu, untuk menentukan sesuatu di masa yang akan datang, sedangkan perkiraan dengan cara subyektif dan atau tidak dari data-data masa lalu, memperkirakan sesuatu di masa yang akan datang. Sehingga dengan demikian peramalan selalu memerlukan data-data dari masa lalu dan apabila tidak ada data masa lalu, maka penentuan sesuatu di masa yang akan datang dapat dilakukan dengan cara perkiraan. Untuk

melakukan

perkiraan

diperlukan

keahlian,

pengalaman,

dan

pertimbangan seorang manajer operasi.Sedangkan untuk melakukan peramalan diperlukan ilmu pengetahuan, statistic, dan teknologi.

2.2.1 Konsep Dasar Sistem Peramalan Pada dasarnya terdapat beberapa langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi dari sistem peramalan dalam manajemen permintaan, yaitu :

2.2.1.1 Menentukan Tujuan Dari Peramalan. Tujuan utama dari peramalan dalam manajemen permintaan adlah untuk meramalkan permintaan dari item-item independent demand di masa yang akan datang. Selanjutnya dengan mengkombinasikannya dengan pelayanan pesanan (order service) yang bersifat pasti, kita dapat mengetahui total permintaan dari suatu item atau produk agar memudahkan manajemen produksi dan inventori. Perencanaan produksi dan inventori, termasuk kapasitas dan sumber daya lainnya

28

dalam indsutri manufaktur, seyogianya mengacu kepada data total permintaan produk di masa yang akan datang. Dengan demikian jelas bahwa tujuan peramalan dalam manajemen permintaan adalah untuk mencapai efektivitas dan efisiensi dari manajemen produksi dan inventori dalam industri manufaktur.

2.2.1.2 Memilih Item independent demand yang akan diramalkan. Bagi manajemen industri item-item independent demand adalah item-item yang bebas atau tidak terkait langsung dengan struktur bill of material (BOM) untuk produk akhir yang akan dibuat oleh industri manufaktur, sehingga menjadi jelas bahwa dalam setiap industri manufaktur, produk akhir merupakan item independent demand yang dipilih untuk diramalkan.

2.2.1.3 Menentukan horizon waktu dari permalan (jangka pendek, menengah, atau panjang). Penentuan horizon waktu peramalan akan tergantung pada situasi dan kondisi aktual dari masing-masing industri manufaktur serta tujuan dari peramalan itu sendiri. Alternatif yang umum dipilih adalah menggunakan interval waktu : harian, mingguan, bulanan, triwulan, semesteran, atau tahunan. Disamping itu, harus dipilih banyaknya periode di masa yang akan datang, alternatifnya dapat mencakup periode 12 atau 24 bulan mendatang, atau periode 8, 12, 16, atau 20 triwulan mendatang. Dalam sistem peramalan berlaku aturan bahwa semakin jauh periode di masa mendatang yang diramalkan (dengan asumsi faktor-faktor lain tetap) hasil ramalan akan semakin kurang akurat. Dalam industri manufaktur,

29

pemilihan interval waktu mingguan dimaksudkan untuk peramalan jangka pendek, sedangkan interval waktu bulanan untuk peramalan jangka menengah dan interval waktu triwulan untuk peramalan jangka panjang. Peramalan jangka panjang berkaitan dengan perencanaan bisnis, analisis fasilitas, produk-produk baru, investasi modal, dan lain-lain. Karakteristik dari peramalan jangka panjang adalah : dilakukan analisis satu kali, lebih banyak berdasarkan pertimbangan manajemen puncak, lebih banyak menggunakan data eksternal (triwulan dan tahunan), dilakukan oleh manajemen puncak, dan dilakukan terhadap beberapa produk atau family dari produk (product family). Peramalan jangka menengah berkaitan dengan perencanaan anggaran, produksi, pembelian, dll. Karakterisitik dari peramalan jangka menengah adalah : bersifat periodikal (data bulanan dan triwulan), menggunakan teknik kuantitatif dan kualitatif, dilakukan oleh manajemen menengah, dan dilakukan terhadap kelompok produk atau family dari produk (product family). Peramalan jangka pendek berkaitan dengan perencanaan distribusi inventori, perencanaan material, dan lain-lain. Karakteristik dari peramalan jangka pendek adalah : dilakukan secara teratur dan berulang, menggunakan data internal (harian atau mingguan), menggunakan teknik kuantitatif, dan dilakukan secara terperinci untuk banyak item atau stock keeping units (SKUs).

2.2.1.4 Memperoleh data yang dibutuhkan untuk melakukan peramalan. Terdapat sejumlah sumber data dan jenis data yang digunakan untuk peramalan, namun menentukan data terbaik untuk situasi tertentu seringkali

30

menjadi sangat sulit karena hal ini mencakup identifikasi, definisi, dan penyesuaian data dari berbagai sumber.Terdapat jenis-jenis data umum yang bersifat generik serta cocok untuk berbagai situasi seperti ditunjukkan pada tabel di bawah ini.

Tabel 2.6 Tipe Umum dari Data untuk Peramalan Permintaan No

Deskripsi

Data Publikasi

Data Asli

Data Deret Waktu

1

Jangka Waktu

Panjang

Menengah

Pendek

2

Pengguna (user)

Manajemen Puncak

Pemasaran

Produksi/Operasi

3

Biaya untuk

Medium

Tinggi

Rendah

Moderate

Sulit

Mudah

Publikasi

Riset Pasar

Historis Permintaan

memperoleh data 4

Kemudahan memperoleh data

5

Metode

2.2.2 Memilih model-model peramalan. Pemilihan model-model peramalan akan tergantung pada pola data dan horizon waktu dari peramalan. Penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan derajat dari forecast error yang berbeda pula, dan model peramalan yang terbaik adalah yang mampu mengidentifikasi dan menanggapi pola aktivitas historis dari data. Secara umum model-model peramalan dapat dikelompokkan ke dalam dua kelompok utama yaitu : (1) metode kualitatif, (2) metode kuantitatif. Penggolongan model-model peramalan ini ditunjukkan dalam gambar berikut ini.

31

MODEL PERAMALAN

METODE KUALITATIF

METODE KUANTITATIF

CAUSAL

TIME SERIES

- Moving Average

- Regression Causal Model

- Exponential Smoothing - Trend Projection Gambar 2.3 Model-Model Peramalan

Metode kualitatifakan digunakan apabila data pada masa lalu tidak dapat menjelaskan hal-hal yang akan terjadi di masa mendatang atau dengan kata lain data-data historis (historical data) tidak tersedia. Metode kualitatif ini biasanya digunakan untuk peramalan terhadap produk baru, pasar baru, proses baru, perubahan sosial di masyarakat, perubahan teknologi, dan lain-lain. Beberapa model peramalan yang digolongkan sebagai metode kualitatif adalah :  Dugaan manajemen (management estimate), dimana peramalan sematamata berdasarkan pertimbangan manajemen, umumnya oleh manajemen senior. Model ini akan dipergunakan dalam situasi di mana tidak ada alternatif lain dari

32

modelPeramalan yang dapat diterapkan. Model ini banyak keterbatasannya, sehingga perlu dikombinasikan dengan model peramalan yang lain.  Metode Delphi, adalah model peramalan kualitatif yang menggunakan panel yang terdiri dari para ahli, baik dari dalam maupun dari luar organisasi. Masing-masing ahli tanpa identitas akan memberikan jawaban terhadap beberapa pertanyaan yang diajukan. Tanpa identitas ini dimaksudkan agar supaya analisis yang diberikan terhindar dari pengaruh latar belakang masing-masing ahli. Jawaban-jawaban tersebut, kemudian menjadi umpan balik ke panel sebagai bahan analisis berikutnya, dan setelah 3 sampai 6 putaran, diharapkan diperoleh hasil ramalan.  Metode Nominal Grup, adalah model peramalan kualitatif semacam metode Delphi hanya perbedaannya adalah para ahli diberikan kesempatan untuk berdiskusi satu dengan lainnya.  Riset Pasar (market research), merupakan metode peramalan kualitaitf berdasarkan hasil-hasil dari survei pasar yang dilakukan oleh tenaga-tenaga pemasar produk. Metode ini akan menjaring informasi dari pelanggan atau pelanggan potensial, berkaitan dengan rencana pembelian mereka di masa mendatang. Riset pasar ini tidak hanya akan membantu peramalan, tetapi juga untuk meningkatkan design produk dan perencanaan untuk produk-produk baru.  Analogi historis (historical analogy), merupakan metode peramalan kualitatif di mana penelitian pasar dilengkapi dengan data tentang kinerja produk sebelumnya, sehingga peramalan dapat dilakukan dengan cara membandingkan, 

33

mempelajari, dan menganalisa kurva dari siklus kehidupan dari produk sebelumnya tersebut. Metode-metode kausal berusaha menemukan hubungan sebab-akibat (causal relationship) di antara variable yang akan diramalkan dengan satu atau lebih variable yang lain.

2.2.2.1 Model Rata-rata Bergerak (Moving Averages Model/MA) Model rata-rata bergerak (MA)menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa mendatang. Model ini akan efektif diterapkan apabila diasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu. Model ratarata bergerak (Moving Averages Model/MA Model) ini dinyatakan sebagai berikut

Rata − rata bergerak n periode =

MA(n) =

∑(permintaan dalam n periode terdahulu) n

∑(A + A + A + … … + A ) … … … … … … … … … … … (2.1) n

Dimana : n = banyaknya periode dalam rata-rata bergerak

2.2.2.2

Model Rata-rata Bergerak Terbobot (Weighted Moving Averages

Model) Model rata-rata bergerak terbobot (WMA) lebih responsif terhadap perubahan, karena data dari periode yang baru diberi bobot lebih besar. Model rata-rata

34

bergerak terbobot (Weighted Moving Averages Model/WMA Model), dinyatakan sebagai berikut :

WMA n periode =

WMA(n) =

∑(permintaan untuk periode n)(aktual permintaan periode n) n

∑(A )(P ) + (A )(P ) + (A )(P ) + … … + (A )(P ) … … … … … (2.2) ∑

Secara umum pemberian bobot untuk model rata-rata bergerak n-periode terbobot

WMA(n),

akan

dilakukan

sebagai

berikut

:

………………...............(2.3) Periode 1 periode yang lalu 2 periode yang lalu 3 periode yang lalu : : n-1 periode yang lalu n periode yang lalu Jumlah

Koefisien Pembobot (P) n n-1 n-2 : : n – (n - 2) = 2 n – (n – 1) = 1 ∑Pi (i = 1,2,3, … n)

2.2.2.3 Model Pemulusan Eksponensial (Exponential Smoothing Model/ES) Model peramalan pemulusan eksponensial ini dipergunakan apabila pola historis dari data aktual permintaan bergejolak atau tidak stabil dari waktu ke waktu. Apabila forecast error adalah positif, ini berarti aktual permintaan lebih

35

tinggi daripada nilai ramalan (A – F > 0), maka model peramalan pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalan. Sebaliknya apabila forecast error adalah negatif yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A – F < 0), maka model peramalan pemulusan eksponensial ini akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung terus menerus, kecuali forecast error mencapai nol. Peramalan

menggunakan

model

pemulusan

eksponensial

dilakukan

berdasarkan formula berikut :

F =F

+ α(A

−F

) … … … … … … … . … … … … … … … … … (2.4)

Dimana : Ft

= nilai ramalan untuk periode waktu ke-t

F t-1

= nilai ramalan untuk satu periode waktu yang lalu, t-1

A t-1

= nilai actual untuk satu periode waktu yang lalu, t-1

α

= konstanta pemulusan (smoothing constant)

Untuk nilai ramalan F

t(1),

karena nilai ramalan F

t-1

tidak ada, maka berlaku

formula sebagai berikut : F t(1) = Rata-rata dari aktual permintaan ……………….(2.5)

Nilai α dapat dipilih diantara 0 dan 1, karena berlaku : 0 < α < 1, maka untuk penetapan nilai α yang diperkirakan tepat, dapat menggunakan panduan berikut :

36

 Apabila pola historis dari data aktual permintaan sangat bergejolak dari waktu ke waktu, maka dapat dipilih nilai α yang mendekati satu, semakin bergejolak datanya, maka nilai α yang dipilih harus semakin tinggi mendekati satu.  Apabila pola historis dari data aktual permintaan relatif stabil dari waktu ke waktu, maka dapat dipilih nilai α yang mendekati nol, semakin stabil datanya, maka nilai α yang dipilih harus semakin rendah mendekatinol.

2.2.2.4 Model Analisis Garis Kecenderungan (Trend Line Analysis Model) Model analisis garis kecenderungan dipergunakan sebagai model permalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu ke waktu. Model analisis garis kecenderungan yang paling sederhana adalah menggunakan persamaan garis lurus, sebagai berikut : Ft=a+bt

…………………………………………..(2.6)

Dimana : F t= nilai ramalan permintaan pada periode ke-t a

= intersep

b

=slope dari garis kecenderungan (trend line), merupakan tingkat perubahan dalam permintaan.

t= indeks waktu (t = 1,2,3, …..n) ; n adalah banyaknya periode waktu Slope dan intersep dari persamaan garis lurus dihitung dengan menggunakan formula berikut :

37

b =

∑ tA − n(t )(A ) … … … … … … … … … … … … … … … … … … . . (2.7) ∑t − ( )2

a = A

− b(t

) … … … … … … … … … . … … … … … … … … … … … . . (2.8)

Dimana : b

= slope dari persamaan garis lurus

a

= intersep dari persamaan garis lurus

t

= indeks waktu

t-bar

= nilai rata-rata dari t

A

= data aktual permintaan

A-bar = nilai rata-rata permintaan per periode waktu, rata-rata dari A

Selain menggunakan formula diatas, dalam mencari persamaan garis lurus dapat menggunakan aplikasi data analysis dari microsoft excel, seperti penjelasan berikut ini : Langkah ke-1 : Masuk sheet historical data, klik “Data” dan pilih “Data Analysis” pilih “Regression”, kemudian kilik “OK”, seperti ditunjukkan pada gambar di bawah ini

38

Gambar 2.4 Pemilihan software Data Analysis Regression

Langkah ke-2 : Input nilai aktual permintaan pada Input Y Range, input nilai indeks waktu pada Input X Range, klik “New Worksheet Ply”, klik “Residual Plots”, kemudian klik “OK”, seperti ditunjukkan pada gambar berikut ini

39

Gambar 2.5 Input nilai aktual permintaan dan nilai indeks waktu

Langkah ke-3 : Menentukan persamaan regresi linear dari hasil langkah ke-1 dan langkah ke2, seperti gambar berikut ini.

40

Fungsi regresi linear y = a + bt y = 14181 + 75,9585 (t)

t = 10 (hasil di tabel 14940,6) y = a + bt y = 14181 + 75,9585 (10) = 14940,58

Gambar 2.6 Fungsi Regresi Linear

2.2.2.5

Model

Peramalan

Eksponensial

dengan

Mempertimbangkan

Kecenderungan (Exponential Smoothing With Trend Adjusment)

Formula untuk model pemulusan eksponensial dengan mempertimbangkan kecenderungan adalah : Forecast Including Trend (FIT) = New Forecast (F t) + Trend Correction (T t) .. (2.9) Persamaan untuk koreksi kecenderungan (trend correction) menggunakan suatu konstanta pemulusan beta, β, yang dihitung berdasarakan formulaberikut :

41

T t = ( 1 – β ) T t-1 + β ( F t – F t-1 ) …………………..…….(2.10) Dimana : Tt

= smoothed trend untuk periode t

T t-1

= smoothed trend untuk periode t-1 (periode yang lalu)

β

= konstanta dari smoothed trend yang dipilih

Ft

= nilai ramalan terhadap model peramalan ES untuk periode t

F t-1

= nilai ramalan terhadap model peramalan ES untuk periode t-1

Berdasarkan formula di atas, terdapat tiga langkah untuk menghitung nilai ramalan berdasarkan model pemulusan eksponensial dengan mempertimbangkan kecenderungan, yaitu meliputi :

Langkah ke-1: Menghitung nilai ramalan periode t ( Ft) berdasarkan metode pemulusan eksponensial sederhana (simple exponential smoothing). Ft = F t-1 + α (A t-1 – F t-1)

Langkah ke-2 : Menghitung nilai trend dengan menggunakan persamaan berikut : T t = ( 1 – β ) T t-1 + β ( F t – F t-1 ).

42

Untuk memulai langkah 2 pertama kali nilai trend untuk periode t-1 harus ditetapkan melalui perkiraan atau melalui observasi terhadap data yang lalu.Setelah itu baru nilai trend untuk periode t dihitung.

Langkah ke-3

:

Menghitung nilai ramalan berdasarakan metode pemulusan eksponensial dengan mempertimbangkan kecederungan, menggunakan persamaan berikut : FIT t = F t + T t

Nilai awal ini dapat ditentukan berdasarkan nilai rata-rata permintaan atau data masa lalu. Selanjutnya nilai ramalan untuk periode bulan berikutnya, FIT(2) dilakukan sebagai berikut :

Langkah ke-1 : Menghitung ramalan periode 2 (F2) berdasarkan metode pemulusan eksponensial sederhana (simple exponential smoothing), dengan menggunakan formula F t = F t-1 + α ( At – F t ), dengan demikian dapat dihitung : F 2 = F 1 + α ( A1 – F 1).

Langkah ke-2 : Menghitung nilai trend dengan menggunakan persamaan berikut : T t = ( 1 – β ) T t-1 + β ( F t – F t-1)

43

Langkah ke-3: Menghitung nilai ramalan berdasarkan metode pemulusan eksponensial dengan mempertimbangkan kecenderungan dengan menggunakan persamaan berikut : FIT t = F t + T t Dengan cara yang sama, dapat dihitung nilai ramalan untuk periode bulanbulan selanjutnya.

2.2.2.6 Model Peramalan dengan Mempertimbangkan Pengaruh Musiman Dalam situasi tertentu seringkali permintaan terhadap suatu produk industri dipengaruhi oleh faktor musiman yang berkaitan dengan fluktuasi periodic serta bersifat relatif konstan. Fluktuasi periodik dipengaruhi oelh faktor-faktor seperti : temperatur, curah hujan, hari raya keagamaan, dan lain-lain. Apabila identifikasi pola historis dari data actual permintaan menunjukkan adanya fluktuasi musiman, perlu dilakukan penyesuaian terhadap pengaruh musiman itu melalui menghitung indeks musiman (seasonal index).Selanjutnya metode peramalan seperti rata-rata bergerak, pemulusan eksponensial, dan analisis garis kecenderungan dapat diterapkan tergantung pada pola historis dari data aktual permintaan itu. Apabila pola data aktual permintaan hanya menunjukkan fluktuasi musiman tanpa ada kecenderungan menaik, maka dapat digunakan metode peramalan ratarata bergerak (MA), permalan rata-rata bergerak terbobot (WMA), atau pemulusan eksponential (ES) untuk menghitung nilai-nilai ramalan, dan selanjutnya nilainilai ramalan itu dikoreksi terhadap pengaruh musiman menggunakan indeks

44

musiman (seasonal index). Tetapi apabila data aktual permintaan menunjukkan fluktuasi musiman dengan kecenderungan menaik (trend), dapat digunakan metode peramalan analisis garis kecenderungan untuk menghitung nilai-nilai ramalan, selanjutnya nilai-nilai ramalan itu dikoreksi terhadap pengaruh musiman dengan menggunakan indeks musiman (seasonal index).( Vincent Gaspersz, Production Planning And Inventory Control, 1998, halaman 113-114).

Menghitung index musiman (seasonal index) Langkah ke-1 : Hitung rata-rata permintaan aktual dalam bulan yang sama untuk tahun yang berbeda (kolom ke-4) Langkah ke-2:Hitung rata-rata dari langkah 1 dalam waktu 1 tahun (kolom ke-5) Langkah ke-3:Hitung index musiman (seasonal index) dengan membagi hasil perhitungan pada langkah 1 dengan langkah 2. (kolom ke-6)

Untuk lebih jelasnya dapat dilihat pada tabel berikut ini.

45

Tabel 2.7 Indeks Musiman (seasonal index)

Sehingga nilai forecast didapatkan dengan menggunakan formula persamaan garis lurus (formula 2.6) dikalikan dengan seasonal index sebagai faktor koreksi : F t =( a + b t) x SI

………………………………..(2.11)

2.2.3 Akurasi dan Validasi Model Peramalan. Ada sejumlah indikator dalam pengukuran akurasi dan validasi peramalan, namun yang paling umum dipergunakan adalah :

2.2.3.1 Mean Absolute Deviation (MAD) Rata-rata penyimpangan absolut, menggunakan formula sebagai berikut :

=

∑| |

… … … … … … … … … … … … … … … … … … … … … . . (2.12)

et = A t - F t ………..…………………………………..…… (2.13)

46

Dimana : et

= forecast error periode t

n

= banyaknya periode data

At

= aktual permintaan periode t

Ft

= nilai ramalan periode t

2.2.3.2 Mean Square Error (MSE) Rata-rata kuadrat kesalahan, menggunakan formula sebagi berikut : MSE =

∑( )2 … … … … … … … … … … … … … … … … … … … … . (2.14) n

Dimana : et = forecast error periode t n = banyaknya periode data

2.2.3.3 Mean Absolute Percentage Error (MAPE) Rata-rata kuadrat kesalahan, menggunakan formula sebagi berikut : ∑ e A 100% MAPE = … … … … … … … … … … … … … … … (2.15) n Dimana : et = forecast error periode t A t = actual permintaan periode t n = banyaknya periode data Satu atau lebih dari indicator pengukuran akurasi peramalan ini dapat digunakan untuk membandingkan keakuratan model-model peramalan. Akurasi

47

peramalan akan semakin tinggi apabila nilai-nilai :MAD, MSE, dan MAPE semakin kecil.

2.2.3.4Tracking Signal Berkaitan dengan validasi model peramalan, dapat dipergunakantracking signal (TS).Tracking signal adalah suatu ukuran bagaimana kinerja suatu ramalan memperkirakan nilai-nilai aktual.Tracking signal dihitung sebagai Running Sum of the Forecast Error (RSFE) dibagi dengan Mean Absolute Deviation (MAD), sehingga didapatkan formula sebagai berikut : TS

=

RSFE

…….…………..……...………. (2.16)

MAD RSFE = ∑ e t…………….…………………..……… (2.17)

Dimana : TS

= Tracking Signal

RSFE = Running Sum of the Forecast Error MAD = Mean Absolute Deviation et

= forecast error periode t

Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada nilai ramalan, sedangkan tracking signal yang negatif berarti nilai aktual permintaan lebih kecil daripada nilai ramalan. Suatu TS dikatakan

48

baik, apabila memiliki RSFE yang rendah, dan mempunyai positive error yang sama banyak dengan negative error, sehingga pusat dari TS mendekati nol. Beberapa ahli dalam sistem peramalan seperti George Plossl dan Oliver Wight, menyarankan untuk menggunakan nilai tracking signal maksimum ± 4, sebagai batas-batas pengendalian tracking signal.Dengan demikian apabila nilai tracking signal telah berada di luar batas-batas pengendalian (lebih dari ± 4), maka model peramalan perlu ditinjau kembali, karena akurasi dan validasi peramalan tidak dapat diterima.( Vincent Gaspersz, Production Planning And Inventory Control, 1998, halaman 81-82).

2.2.4 Membuat Peramalan Dalam membuat peramalan sebelum memilih suatu model permalan yang akan digunakan diperlukan langkah-langkah sebagai berikut : Langkah ke-1

:Identifikasi pola historis dari data aktual permintaan.

Langkah ke-2

:Memilih model peramalan yang sesuai dengan pola historis dari data aktual permintaan.

Langkah ke-3

:Melakukan analisis data berdasarkan model peramalan yang dipilih.

Langkah ke-4

:Memilih model peramalan yang tepat berdasarkan MAD terkecil.

Langkah ke-5

:Memeriksa keandalan model peramalan yang dipilih berdasarkan TS.

49

2.3 Konsep Linear Programming Linear Programming (LP) merupakan teknik riset operasional yang telah dipergunakan secara luas dalam berbagai jenis masalah manajemen.Keputusan manajemen produksi dan inventori mencoba membuat agar penggunaan sumber.sumber

daya

manufacturing

menjadi

lebih

efektif

dan

efisien.Linear

Programming adalah suatu teknik matematik yang didesain untuk membantu para manajer operasi dalam merencanakan dan membuat keputusan yang diperlukan untuk mengalokasikan sumber daya. Beberapa contoh permasalahan di mana LP telah berhasil diterapkan dalam bidang manajemn operasi adalah :  Penjadwalan bus sekolah untuk meminimalkan jarak perjalanan total untuk mengantar dan menjemput para pelajar.  Memilih bauran produk pada suatu pabrik untuk memanfaatkan penggunaan mesin dan jam kerja yang tersedia sebaik mungkin, dengan tujuan memaksimalkan laba perusahaan.  Pemilhan bauran komposisi makanan untuk menghasilkan kombinasi makanan dengan biaya minimal.  Mengalokasikan ruangan untuk para penyewa yang bercampur dalam pusat perbelanjaan baru untuk memaksimalkan pendapatan perusahaan penyewaan.  Menentukan sistem distribusi yang akan meminimalkan biaya pengiriman total dari beberapa gudang ke beberapa lokasi pasar.

50

 Memilih bauran permintaan produk, untuk menghasilkan kombinasi bauran produk dengan tujuan memaksimalkan laba perusahaan. Semua masalah linear programming pada dasarnya memiliki lima karakter utama sebagai berikut :  Masalah linear programming berkaitan dengan upaya memaksimalkan (pada umumnya keuntungan) dan meminimalkan (pada umumnya biaya). Upaya optimalisasi ini disebut sebagai fungsi tujuan dari linear programming.  Terdapat kendala-kendala atau keterbatasan, yang membatasi pencapaian tujuan yang dirumuskan dalam linear programming. Kendala-kendala ini dirumuskan dalam fungsi-fungsi kendala (constraint’s function), terdiri dari variable-variabel keputusan yang menggunakan sumber-sumber daya yang terbatas itu. Dengan demikian yang akan diselesaikan dalam linear programming adalah mencapai fungsi tujuan (maksimal keuntungan atau minimal biaya) dengan memperhatikan fungsi-fungsi kendala sumbersumber daya yang ada.  Memiliki sifat linearitas. Sifat linearitas ini berlaku untuk semua fungsi tujuan dan fungsi-fungsi kendala.  Memiliki

sifat

homogenitas.

Sifat

homogenitas

kehomogenan sumber-sumber daya yang digunakan.

ini

berkaitan

51

2.3.1 Model Umum Linear Programming  Maksimum (atau minimum) Z = C X + C X + C X + ⋯ … … . . + C X … … … … . … (2.18) Di mana : Z = Nilai dari semua standard perfomansi Cn = Konstanta penambahan terhadap nilai Z untuk aktivitas n Xn= Variabel-variabel keputusan untuk aktivitas n

 Kendala fungsional X +

X +

X + … +

X ≤

X +

X +

X + … +

X ≤

: : X +

X +

X + +

X ≤

… … … … … … . (2.19)

Di mana : Amn

= Jumlah sumber daya m yang dipakai oleh aktivitas n

Bm

= Jumlah sumber daya m yang tersedia

Xn

= Variabel-variabel keputusan untuk aktivitas n

 Kendala non negativitas ≥ 0 … … … … … … … … … … … … … … … … … … … … … … . . (2.20)

52



Data-data yang diperlukan

……(2.21)

Bentuk Standar

2.3.2 Asumsi dalam Linear Programming 

Proporsional

Kontribusi setiap aktivitas terhadap nilai fungsi tujuan Z adalah proporsional terhadap tingkat aktivitas Xj, seperti yang digambarkan oleh suku CjXj dalam fungsi tujuan. Demikian pula, kontribusi setiap aktivitas di setiap sisi kiri tiap kendala fungsional adalah proporsional terhadap tingkat aktivitas Xj, seperti yang digambarkan oleh suku aij, Xj dalam kendala.

53



Penjumlahan

Setiap fungsi dalam model pemrograman linier (baik fungsi tujuan maupun fungsi di sebelah kiri kendala fungsional) adalah jumlah kontribusi individu pada masing-masing aktivitas. 

Pembagian

 variabel keputusan dalam model pemrograman linier diperbolehkan untuk memiliki suatu nilai, termasuk nilai pecahan, yang memenuhi kendala fungsional dan kendala non negatif.  variabel-variabel dapat bernilai bulat atau pecahan. 

Kepastian

Nilai yang diberikan oleh tiap parameter dari model pemrograman linier diasumsikan sebagai konstanta yang diketahui.

2.3.3 Menggunakan Software Microsoft Excel Spread Sheet to Solver Linear Programming Problems. Untuk menyelesaikan permasalahan linear programming dapat menggunakan software Microsoft Excel Spread Sheet to Solver Linear Programming Problems, seperti yang akan dijelaskan pada langkah-langkah di bawah ini. Langkah ke-1 : Memasukkan formula untuk fungsi Z maksimum Langkah ke-2 : Memasukkan formula untuk fungsi kendala Langkah ke-3 : Membuka Data Solver, seperti ditunjukkan pada gambar berikut ini

54

Gambar 2.7Microsoft Excel Data Solver

Langkah ke-4 : Memasukkan formula Z maksimum ke dalam field Data Solver Langkah ke-5 : Memasukkan nilai konstanta penambahan nilai Z Langkah ke-6 : Memasukkan nilai kendala dan fungsi non negativitas Langkah ke-7: Memilih tampilan Langkah ke-8: Klik “Solve”, pengolahan oleh komputer, sehingga didapatkan komposisi produk untuk memaksimalkan keuntungan distributor

Langkah ke-4 sampai dengan langkah ke-8 ditunjukkan pada gambar di bawah ini

55

Langkah ke-4 Langkah ke-5 Langkah ke-6 Langkah ke-7 Langkah ke-8

Gambar 2.8Langkah ke-4 s/d ke-8