BAB II STUDI PUSTAKA. Bagian pertama literatur yang membahas dasar teori yang digunakan dan bagian

BAB II STUDI PUSTAKA

Bab ini membahas beberapa literatur yang terkait dengan penelitian. Bagian pertama literatur yang membahas dasar teori yang digunakan dan bagian kedua membahas penelitian-penelitian yang telah dilakukan sebelumnya yang berkaitan dengan penelitian ini.

2.1. Landasan Teori 2.1.1 Sistem Pengendalian Persediaan Menurut Herjanto (2006), sistem pengendalian persediaan dapat didefinisikan sebagai serangkaian kebijakan pengendalian untuk menentukan tingkat persediaan yang harus dijaga, kapan pesanan untuk menambah persediaan harus dilakukan dan berapa besar pesanan harus diadakan. Sistem ini menentukan dan menjamin tersediannya persediaan yang tepat dalam kuantitas dan waktu yang tepat. Dari penjelasan tersebut dapat ditarik kesimpulan bahwa sistem pengendalian

persediaan

sangat

diperlukan

sebuah

perusahaan

untuk

meningkatkan pelayanan dengan cara menyediakan barang sesuai jumlah kebutuhan pelanggan. Terdapat dua jenis sistem pengendalian persediaan yaitu sistem kontinu (countinuous system) atau kuantitas pesanan tetap (fixed-order quantity) dan sistem

periodik (periodic system) atau periode waktu tetap (fixed-time period) (Taylor, 2005). A.

Sistem Persediaan Kontinu Pada dasarnya sistem persediaan kontinu atau sistem kuantitas pesanan

tetap merupakan cara untuk mengurangi biaya persediaan dengan cara melakukan pemesanan ulang pada titik tertentu dengan jumlah yang tetap. Menurut Taylor (2005), sistem persediaan kontinu atau yang sering disebut sistem perpetual (perpetual system) pesanan dilakukan untuk suatu jumlah tertentu saat persediaan mencapai tingkat yang telah ditentukan. Keuntungan dari sistem persediaan kontinu adalah tingkat persediaan dimonitor ketat dan berkesinambungan sehingga manajemen selalu mengetahui status persediaan. Hal ini terutama menguntungkan untuk persediaan yang penting seperti barang pengganti atau bahan baku dan perlengkapan. Namun, biaya untuk memiliki catatan atas jumlah persediaan bisa merupakan kekurangan sistem ini (Taylor, 2005). Dari penjelasan tersebut dapat disimpulkan bahwa sistem persediaan kontinu secara tidak langsung dapat meningkatkan penghasilan perusahaan. Sedangkan untuk mengatasi kekurangan dari sistem diperlukan penggunaan teknologi untuk menjalankan sistem ini dengan mudah dan lebih menghemat biaya. B.

Sistem Persediaan Periodik Menurut Wibowo dan Arif (2002), sistem persediaan periodik merupakan

sistem pencatatan periodik yang harus melakukan pengecekan fisik terhadap

persediaan dengan cara mengukur dan menghitung berapa jumlah barang yang ada di gudang yang dilakukan pada akhir periode. Sistem pencatatan ini pada akhir periode dibutuhkan ayat jurnal penyesuaian. Berdasakan penjelasan sebelumnya dapat ditarik kesimpulan bahwa sistem persediaan periodik adalah sebuah sistem persediaan dengan jumlah pemesanan tidak tetap atau berbeda-beda yang dihitung pada periode waktu tertentu. Jika dibandingkan dengan sistem persediaan kontinu sistem ini lebih menghemat biaya karena proses perhitungan jumlah persediaan tidak dilakukan setiap saat. Namun, sebagai dampaknya sistem ini akan cenderung menghasilkan tingkat persediaan yang tinggi.

2.1.2 Kuantitas Pesanan Ekonomis ( Economic Order Quantity) Kuantitas pesanan ekonomis adalah suatu metode yang digunakan untuk menentukan berapa kuantitas pesanan optimal dalam sistem kontinu (Taylor, 2005). Dengan demikian, sistem ini berguna bagi perusahaan dalam meminimumkan total biaya persediaan yang meliputi biaya penyimpanan dan biaya pemesanan. Terdapat beberapa variasi dari model EOQ (Economic Order Quantity) antara lain model EOQ dasar, model EOQ dengan penerimaan tak seketika, dan model EOQ dengan kekurangan. Variasi model EOQ tersebut tergantung asumsi atas sistem persediaan. Sebagai contoh model EOQ dasar diasumsikan kekurangan persediaan tidak diperbolehkan atau dengan kata lain jumlah persediaan barang lebih tinggi dari permintaan pelanggan.

A.

Model EOQ Dasar Model ini digunakan untuk mengoptimalkan kuantitas pesanan dengan

cara meminimumkan jumlah biaya pemesanan dan penyimpanan. Menurut Taylor (2005), formula model EOQ dasar dikembangkan berdasarkan beberapa asumsi penyederhanaan dan pembatasan, sebagai berikut. 

Permintaan diketahui pasti dan relatif konstan sepanjang waktu.



Kekurangan tidak diperkenankan.



Waktu tunggu sampai pesanan diterima konstan.



Kuantitas yang dipesan diterima sekaligus. Asumsi dari model EOQ dicerminkan pada gambar 2.1.

Kuantitas Pesanan, Q

Tingkat Permintaan

Tingkat persediaan Titik Pemesanan ulang, R 0 Waktu tunggu PembuatanPenerimaan pesanan pesanan

Waktu tunggu

Waktu

Pembuatan Penerimaan pesanan pesanan

Gambar 2.1. Siklus Pemesanan Persediaan (Taylor, 2005)

Gambar 2.1. menggambarkan siklus pemesanan persediaan kontinu yang terdapat pada model EOQ. Sejumlah kuantitas dipesan (Q), diterima dan digunakan dengan tingkat penggunaan yang sama sepanjang waktu. Pada saat jumlah persediaan berkurang hingga titik pemesanan ulang (R), suatu pesanan baru dibuat dan suatu periode waktu, yang disebut juga waktu tunggu, dibutuhkan

untuk melakukan pengiriman. Pesanan diterima sekaligus pada saat permintaan telah menghabiskan seluruh stok persediaan (dan tingkat persediaan mencapai nol), sehingga tidak ada kekurangan. Siklus ini berulang secara kontinu untuk kuantitas pesanan, titik pemesanan ulang, dan waktu tunggu yang sama. Berdasarkan gambar 2.1. dapat disimpulkan bahwa biaya penyimpanan berbanding lurus dengan jumlah kuantitas pesanan sedangkan biaya pemesanan berbanding terbalik dengan jumlah kuantitas pesanan. Hal tersebut terjadi karena jika kuantitas pesanan meningkat akan dibutuhkan lebih sedikit frekuensi pemesanan sehingga biaya pemesanan turun, sementara jumlah persediaan ratarata meningkat yang akan menyebabkan biaya penyimpanan meningkat. a)

Biaya Penyimpanan Biaya penyimpanan merupakan biaya yang digunakan untuk proses

penyimpanan. Jumlah biaya penyimpanan sangat dipengaruhi oleh jumlah persediaan. Menurut Taylor (2005), total biaya penyimpanan ditentukan oleh jumlah persediaan sepanjang tahun. Jumlah persediaan yang tersedia selama satu tahun diperlihatkan pada Gambar 2.2.

Ukuran pesanan, Q

Tingkat persediaan

0 t

Waktu

2t

Pemesanan ulang

Gambar 2.2. Penggunaan Persediaan (Taylor, 2005)

Mengacu pada Gambar 2.2., dapat dilihat bahwa jumlah persediaan adalah Q,

untuk jangka waktu pendek karena Q akan digunakan untuk memenuhi

permintaan. Hal yang sama, jumlah persediaan nol terjadi pada jangka waktu yang pendek karena hanya pada waktu tertentu (t) tidak terdapat persediaan. Jadi, jumlah persediaan yang tersedia beberapa pada dua titik ekstrem tersebut. Sehingga dapat ditentukan total biaya penyimpanan dengan mengalikan 𝑄

persediaan rata-rata ( 2 ) dengan biaya penyimpanan per unit pertahun (Cc). Biaya penyimpanan tahunan = Cc b)

𝑄 2

(1)

Biaya Pemesanan Total biaya pemesanan tahunan dihitung dengan mengalikan biaya per

pesanan, atau C0, dengan jumlah pesanan per tahun. Karena permintaan tahunan diasumsikan diketahui dan konstan, jumlah pesanan adalah D/Q, dimana Q adalah kuantitas pesanan:

Biaya pesanan tahunan = C0 c)

D Q

(2)

Total Biaya Persediaan Total biaya persediaan (TC) merupakan penjumlahan dari biaya

pemesanan dan penyimpanan. 𝑇𝐶 = 𝐶0

𝐷 𝑄 + 𝐶𝑐 𝑄 2

(3)

Fungsi total biaya persediaan dapat dilihat pada Gambar 2.3. Pada gambar tersebut memperlihatkan hubungan yang berlawanan antara biaya pemesanan dan biaya penyimpanan, yang menghasilkan kurva biaya cembung.

Biaya tahunan

Kemiringan = 0 Biaya total Biaya penyimpanan

Biaya total minimum

Biaya pemesanan Pesanan Optimal, Qopt

Kuantitas pesanan, Q

Gambar 2.3. Model Biaya EOQ (Taylor, 2005)

Pada Gambar 2.3. diperlihatkan ada kecenderungan peningkatan pada kurva total biaya penyimpanan. Saat kuantitas pesanan Q (yang diperlihatkan sebagai sumbu horizontal) meningkat, biaya pesana total (yang berupa sumbu vertikal) juga meningkat. Hal ini logis karena pesanan yang besar menyebabkan persediaan yang lebih besar. Kemudian perhatikan kurva biaya pemesanan pada

gambar tersebut. Saat kuantitas pesanan, Q, naik, biaya pemesanan turun (atau kebalikan pada biaya penyimpanan). Hal ini terjadi karena kenaikan kuantitas pesanan menyebabkan menurunya frekuensi pemesanan. Karena satu biaya naik sedangkan biaya lain turun, penjumlahan keduanya menghasilkan kurva total biaya yang cembung. Kuantitas pesanan optimal terjadi pada titik diamana total biaya mencapai minimum, yang kebetulan merupakan titik dimana kurva biaya pemesanan berpotongan dengan kurva biaya penyimpanan. Hal ini menyebabkan nilai optimal Q dapat ditentukan dengan membuat persamaan kedua fungsi biaya dan mencari Q sebagai berikut. C0

D Q = Cc Q 2

Q2 =

(4)

2C0 D Cc

(5)

2C0 D Cc

Qopt =

(6)

Total biaya minimum ditentukan dengan memasukan nilai kuantitas pesanan optimal, Qopt, kedalam persamaan total biaya. TCmin = Co

Qopt D + C𝑐 Qopt 2

Keterangan: TCmin Qopt C0

= Total biaya minimum = kuantitas pesanan optimal = biaya pemesanan

(7)

B.

D

= permintaan

Cc

= biaya penyimpanan

Titik Pemesanan Ulang Titik pemesanan ulang secara sederhana dapat diartikan sebagai kondisi

dimana pemesanan harus dilakukan pada saat jumlah persediaan mencapai suatu titik. Titik pemesanan ulang sangat erat kaitannya dengan stok cadangan karena mempengaruhi tingkat pelayanan perusahaan. Hal tersebut dikarenakan semakin tinggi kemungkinan permintaan pelanggan akan terpenuhi semakin tinggi pula tingkat pelayanan. Menurut Taylor (2005), tingkat pelayanan adalah probabilitas dimana jumlah persediaan selama waktu tunggu cukup untuk memenuhi permintaan yang diperkirakan. Sedangkan untuk menghitung titik pemesanan ulang dengan stok cadangan yang akan memenuhi tingkat pelayanan tertentu, dimana permintaan dan waktu tunggu bervariasi. Formula untuk titik pemesanan ulang untuk model ini adalah sebagai berikut. R = d L + Z σd L Keterangan: d = permintaan rata-rata L = waktu tunggu σd = deviasi setandar permintaan harian Z = tingkat pelayanan

(8)

Z σd L = stok cadangan

2.1.3 Least Square Regression Line Least square regression line atau linier trend line adalah sebuah metode yang digunakan untuk memprediksi atau meramalkan sesuatu dimasa yang akan datang berdasarkan variabel waktu. Menurut Taylor (2005),

jika permintaan

memperlihatkan tren nyata selama beberapa waktu, metode least square regression line dapat digunakan untuk meramalkan permintaan. Least square regression line menghubungkan satu variabel terikat dengan satu variabel bebas dalam bentuk persamaan linier sebagai berikut y = a + bx

(9)

dimana a = titik potong (pada periode 0) b = kemiringan garis x = periode waktu y = ramalan untuk periode x Parameter

least

square

regression

line

dapat

dihitung

dengan

menggunakan formula pangkat terkecil untuk regresi linier, b=

xy − nx y 2

x 2 − nx

a = y − bx dimana n = jumlah periode

(10) (11)

x=

x n

(12)

y=

y n

(13)

Sebagai contoh, terdapat data permintaan komputer pada perusahaan XYZ pada tabel 2.1 yang telah diakumulasi dari bulan januari sampai desember. Tabel 2.1 Data Permintaan Komputer Periode

Bulan

Permintaan

1

Januari

37

2

Februari

40

3

Maret

41

4

April

37

5

Mei

45

6

Juni

50

7

Juli

43

8

Agustus

47

9

September

56

10

Oktober

52

11

November

55

12

Desember

54

Data permintaan komputer pada tabel 2.1 akan digunakan untuk minghitung ramalan atau prediksi menggunakan least square regression line dan

dilanjutkan dengan penentuan kuantitas optimal menggunakan economic order quantity. Nilai yang diperlukan untuk perhitungan prediksi menggunakan least square regression line diperlihatkan pada tabel 3.2.

Tabel 2.2 Penghitungan Pangkat Terkecil x (periode)

y (permintaan)

Xy

X2

1

37

37

1

2

40

80

4

3

41

123

9

4

37

148

16

5

45

225

25

6

50

300

36

7

43

301

49

8

47

3776

64

9

56

504

81

10

52

520

100

11

55

605

121

12

54

648

144

78

557

3867

650

Dengan menggunakan nilai dari tabel 2.2, parameter garis tren linier dihitung sebagai berikut.

𝑥=

78 = 6,5 12

𝑦=

557 = 46,42 12

𝑏=

𝑥𝑦 − 𝑛 𝑥𝑦 3867 − 12 6,5 (46,42) = = 1,72 𝑥 2 − 𝑛𝑥 2 650 − 12(6,5)2 𝑎 = 𝑦 − 𝑏𝑥 = 46,42 − 1,72 6,5 = 35,2

Sehingga garis tren linier adalah 𝑦 = 35,2 + 1,72𝑥 Untuk menghitung ramalan periode 13, x= 13 dimasukan dalam persamaan garis tren linier, 𝑦 = 35,2 + 1,72 13 = 57,56 jumlah permintaan untuk periode ke 13 adalah 58 (dibulatkan). Setelah jumlah permintaan diketahui akan dilakukan perhitungan menggunakan economic order quantity untuk menentukan kuantitas pesanan optimal. Diketahui: 𝐶𝑐 = 75 𝐶𝑜 = 150 𝐷 = 58 Kuantias pesanan optimal dihitung sebagai berikut. 𝑄𝑜𝑝𝑡 =

2𝐶𝑂 𝐷 𝐶𝑐

𝑄𝑜𝑝𝑡 =

2 150 (58) (75)

𝑄𝑜𝑝𝑡 = 15,23

2.1.4. Keandalan Ramalan Untuk pengukuran keakuratan suatu ramalan dapat digunakan beberapa teknik, salah satunya adalah kesalahan pangkat rata-rata (mean squared errorMSE). Menurut Taylor (2005) pada MSE tiap nilai kesalahan individual dipangkatkan kemudian dijumlahkan dan dicari rata-ratanya. MSE dapat dihitung sebagai berikut. 𝐷𝑡 − 𝐹𝑡 𝑀𝑆𝐸 = 𝑛

2

(14)

Semakin kecil nilai MSE akan semakin baik . Sebagai contoh akan dilakukan pengukuran keakuratan peramalan yang telah dihitung sebelumnya menggunakan metode least square regression line.

Tabel 2.3 Penghitungan Kesalahan Periode

Permintaan

Ramalan

Kesalahan

Kesalahan2

(𝐷𝑡 )

(𝐹𝑡 )

𝐷𝑡 − 𝐹𝑡

𝐷𝑡 − 𝐹𝑡

36,92

0,08

0,0064

38,64

1,36

1,8496

40,36

0,64

0,4096

42,08

-5,08

25,8064

43,8

1,2

1,44

45,52

4,48

20,0704

1

37

2

40

3

41

4

37

5

45

6

50

2

Periode

Permintaan

Ramalan

Kesalahan

Kesalahan2

(𝐷𝑡 )

(𝐹𝑡 )

𝐷𝑡 − 𝐹𝑡

𝐷𝑡 − 𝐹𝑡

47,24

-4,24

17,9776

48,96

-1,96

3,8416

50,68

5,32

28,3024

52,4

-0,4

0,16

54,12

0,88

0,7744

55,84

-1,84

3,3856

7

43

8

47

9

56

10

52

11

55

12

54 Jumlah

2

104,024

Dengan menggunakan data pada tabel 2.3 nilai MSE dapat dihitung sebagai berikut. 𝑀𝑆𝐸 =

104,024 = 8,67 12

2.1.5. Analisis Autokorelasi Observasi pada periode waktu yang berbeda sering berhubungan atau berkorelasi. Ukuran yang digunakan dalam korelasi adalah koefisien autokorelasi. Autokorelasi adalah korelasi antara suatu variabel satu atau lebih periode sebelumnya dengan dirinya sendiri. Pola data, termasuk komponen seperti tren dan musiman, dapat dipelajari menggunakan autokorelasi. Koefisien autokorelasi dari variabel perbedaan waktu sebelumnya digunakan untuk identifikasi pola data runtun waktu. Persamaan 15 adalah rumus untuk menghitung koefisien autokorelasi (rk) antara observasi Yt dan Yt-k dengan k periode terpisah (Yuli, 2007).

𝑟𝑘 =

𝑛 𝑡=𝑘+1(𝑌𝑡 − 𝑌 )(𝑌𝑡−𝑘 𝑛 2 𝑡=1(𝑌𝑡 − 𝑌)

− 𝑌)

𝑘 = 0,1,2,3, …

(15)

dimana: rk

= koefisien autokorelasi untuk k dari lag

Y

= mean dari data observasi

Yt

= observasi pada periode waktu t

Yt-k

= observasi k periode waktu sebelumnya atau periode waktu t-k

Koefisien autokorelasi pada waktu lag yang berbeda dapat digunakan untuk menjawab pertanyaan berikut tentang runtun waktu. 1. Apakah data acak? 2. Apakah data memiliki tren (nonstasioner)? 3. Apakah data stasioner? 4. Apakah data musiman? Menurut Yuli (2007) Jika runtun acak, autokorelasi antara Yt dan Yt-2 untuk semua lag k adalah mendekati nol. Nilai berturut-turut dari runtun waktu tidak terhubung dengan lainnya. Jika runtun waktu tren, pengamatan berturut-turut korelasinya tinggi, dan koefisien autokorelasi signifikan berbeda dari nol untuk beberapa lag waktu yang pertama dan kemudian berangsur-angsur turun mendekati nol. Koefisien autokorelasi untuk lag waktu 1 seringnya sangat besar (mendekati 1). Koefisien autokorelasi untuk lag 2 juga akan membesar. Namun, itu tidak akan sebesar lag 1. Jika data memiliki pola musiman, signifikan koefisien autokorelasi akan terjadi pada lag waktu musiman atau perkalian lag musiman. Lag musiman ada 4 untuk seperempat data dan 12 untuk data bulanan. Untuk

mengetahui apakah koefisien autokorelasi berbeda nyata dengan nol digunakan standar eror dengan rumus:

𝑆𝐸(𝑟𝑘 ) =

𝑘−1 2 𝑖=𝑛 𝑟𝑖

1+2 𝑛

(16)

dimana: 𝑆𝐸(𝑟𝑘 )

= standar eror autokorelasi pada lag ke-k

𝑟𝑖

= autokorelasi pada lag ke-i

k

= lag waktu

n

= banyaknya observasi dalam seri waktu.

2.2. Penelitian Terkait Banyak penelitian yang telah dilakukan sebelumnya, baik yang berkaitan dengan sistem pengendalian persediaan maupun peramalan permintaan pelanggan pada sebuah perusahaan. Berikut beberapa penelitian yang terkait dengan penelitian kali ini.

2.2.1 Sistem Pengendalian Persediaan Hasil studi literatur menunjukan bahwa sebuah sistem pengendalian persediaan sangat diperlukan sebuah perusahaan untuk meminimumkan total biaya persediaan. Hal tersebut terjadi dikarenakan masih banyak perusahaan yang masih menggunakan sistem pengendalian persediaan yang buruk atau dengan kata

lain jumlah pemesanan barang hanya didasari dengan sebuah perkiraan tanpa perhitungan yang jelas. Penelitian tentang sistem pengendalian persediaan sudah banyak dilakukan salah satunya oleh Danuri dan Sujanto (2012). Pada penelitian tersebut, mereka mempelajari sistem pengendalian persediaan Bahan Bakar Minyak (BBM) pada Sentra Penjualan Bahan Bakar Umum (SPBU). Tujuan penelitian mereka adalah merancang sebuah sistem pengendalian persediaan BBM pada SPBU dengan konsep Min-Max stock Level dan Time Phased Order Point. Fokus penelitian mereka adalah pengendalian persediaan dan peramalan penjualan BBM khusus premium untuk meminimalkan losses pada kegiatan pemesanan. Hasil dari penelitian tersebut adalah sistem pengendalian persediaan yang dapat digunakan untuk mendukung dan pemenuhan kebutuhan persediaan pada SPBU. Hasil pengujian sistem menyatakan bahwa sistem yang dikembangkan mendukung pengendalian persediaan pada SPBU, meningkatkan keamanan kebutuhan persediaan dan mengurangi losses yang terjadi pada proses pemesanan. Penelitian lainnya dilakukan oleh Ernawati dan Sunarsih (2008) yang menganalisis sistem pengendalian persediaan. Penelitian mereka bertujuan untuk menganalisis sistem pengendalian persediaan model probabilistik dengan back order policy. Dari hasil penelitian tersebut disimpulkan bahwa pengendalian persediaan dengan menggunakan model persediaan probabilistik berkendala (Q,r,λ) dengan back orders policy pada perusahaan ternyata menunjukkan hasil yang lebih baik dibandingkan dengan perencanaan yang digunakan perusahaan selama ini.

Mangal dan Chandna (2010)

juga melakukan penelitian tentang

pengendalian persediaan. Pada penelitan tersebut, digunakan teknik lateral transshipment

untuk

melakukan

pengendalian

persediaan.

Pengendalian

persediaan dilakukan dengan cara suplai darurat dari stok yang ada pada pengecer. Pada penelitian mereka membuktikan bahwa teknik lateral transshipment dapat mengurangi biaya persediaan dan meningkatkan pelayanan perusahaan. Penelitian yang serupa dilakukan oleh Fernandes, Pinho dan Gouveia (2012). Penelitian tersebut bertujuan untu memberikan solusi pada masalah penjadwalan pemesanan di bawah pembatasan kapasitas, Jumlah modal dan lokasi persediaan. Hasil akhir pada penelitan mereka adalah rancangan model optimasi sistem persediaan yang menekankan pada pengaruh ketidakpastian permintaan pasar dan dimensi yang relevan dari desain jaringan sehingga dapat meningkatkan penghasilan perusahaan dan mengurangi biaya persediaan. Sistem persediaan juga dapat diterapkan pada sistem berbasis web seperti pada penelitian yang dilakukan oleh

Karim, Saad dan Haque (2011). Pada

penelitian tersebut mereka mengaplikasikan sistem persediaan berbasis web pada 5 laboratorium berbeda di Universitas Large Public di Malaysia. Penelitian mereka membuktikan bahwa proses manajemen persediaan lebih efisien dengan menggunakan sistem persediaan berbasis web.

2.2.2 Peramalan Penelitian tentang peramalan atau prediksi untuk kepentingan sebuah perusahaan juga telah banyak dilakukan antara lain oleh Wijianto, Kusrini dan Irhamah (2012). Pada penelitian tersebut, mereka meramalkan nilai kontrak konstruksi PT ‘X’ dengan menggunakan pendekatan regresi time series dan ANFIS. Hasil dari penelitian mereka membuktikan bahwa nilai kontrak saat ini dipengaruhi oleh produk domestik bruto konstruksi dan nilai kontrak dua tahun yang lalu. Nilai ramalan 2 tahun ke depan melalui model-model regresi time series adalah 12,439 triliun rupiah untuk tahun 2012 sedangkan 9,5 trilun rupiah tahun 2013. Penelitian lainnya dilakukan oleh Perdana (2010). Pada penelitian tersebut perdana membandingkan metode time series regression dan arimax pada pemodelan data penjualan pakaian di Boyolali. Pada penelitian tersebut menyimpulkan bahwa metode yang tepat untuk pemodelan peramalan penjualan berdasarkan data penjualan rok adalah metode Time Series Regresi dengan nilai RMSE out-sample paling kecil yaitu sebesar 46,68041. 2.2.3 Metode EOQ Indroprasto

dan

Suryani

(2012)

melakukan

penelitian

tentang

pengendalian persediaan produk dengan metode Economic Order Quantity (EOQ) menggunakan

algoritma

genetika.

Penelitian

tersebut

bertujuan

untuk

menganalisis pengendalian persediaan produk pada PT. XYZ dengan metode EOQ menggunakan algoritma genetika untuk mengefisiensikan biaya persediaan. Penelitian tersebut membuktikan bahwa sistem pengendalian persedian dengan

metode economic order quantity menggunakan algoritma genetika lebih baik dibandingkan dengan sistem pengendalian persediaan yang telah dilakukan perusahaan. Dari hasil analisis juga didapatkan perusahaan bisa menghemat sebesar Rp. 471.848.132.915. Penelitian serupa dilakukan oleh Prasetyo (2011). Pada penelitian tesisnya tersebut Prasetyo bertujuan untuk menghitung jumlah persediaan pengaman komponen yang optimal menggunakan metode EOQ. Pada penelitian tersebut menyimpulkan bahwa dengan menggunakan metode Economic Order Quantity (EOQ), dapat diperoleh jumlah pesanan komponen yang optimal dan biaya persediaan yang minimum. Pada penelitian kali ini akan dibuat sebuah sistem pengendaliaan persediaan berbasis web dengan menerapkan metode least square regression line dan economic order quantity. Dengan sistem ini perusahaan akan dengan mudah menentukan titik pemesanan ulang dan jumlah pemesanan yang optimum berdasarkan jumlah permintaan atau penjualan. Perbedaan

mendasar

penelitian

ini

dengan

sebelumnya adalah penggunaan metode least square

penelitian-penelitian regression line untuk

memprediksi atau meramalkan permintaan serta penggunaan metode economic order quantity untuk meminimumkan total biaya persediaan yang akan diaplikasikan ke sistem berbasis web. Dengan demikian proses peramalan dan menentukan kuantitas pesanan dapat berjalan secara real time.