BAB II TINJAUAN LITERATUR 2.1. Klasifikasi ABC Dalam Persediaan Pengendalian persediaan dapat dilakukan dalam berbagai cara, antara lain dengan menggunakan analisis nilai persediaan. Dalam analisis ini, persediaan dibedajkan berdasarkan nilai investasi yang terpakai dalam satu periode. Biasanya, persediaan dibedakan dalam tiga kelas, yaitu A, B, dan C, sehingga analisis ini dikenala sebagai klasifikasi ABC. Klasifikasi ABC diperkenalkan oleh HF Dickie pada tahun 1950-an. Klasifikasi ABC merupakan aplikasi persediaan yang menggunakan prinsip Pareto :the critical few and the triuvial many.Idenya untuk memfokuskan pengendalian persediaan kepada item(jenis) persediaan yang bernilai tinggi(critical) daripada yang lebih rendah (trivial). Klasifikasi ABC membagi persediaan dalam tiga kelas berdasarkan atas nilai persediaan. Dengan mengetahui kelas-kelas itu, dapat diketahui item persediaan tertentu yang harus mendapat perhatian lebih intensif serius dibandingkan item yang lain. Yang dimaksud dengan niali dalam klasifikasi ABC bukan harga persediaan perunit, melainkan volume persediaan yang dibutuhkan dalam sartu periode (biasanya satu tahun) dikalikan dengan harga per unit. Jadi, nilai investasi adalah jumlah nilai seluruh item pada satu periode, atau dikenal dengan istilah volume tahunan rupiah. Suatu item tertentu dikatakan lebih penting dari item yang lain, karena item itu memiliki niali investasi yang lebih tinggi. Konsekuensinya, item itu mendapat perhatian yang lebih besar dibandingklan item yang lain yang memiliki nilai investasi lebih rendah. Kriteria masing-masing kelas dalam klasifikasi ABC, sebagai berikut :
Universitas Sumatera Utara
Kelas A persediaan yang memeiliki nilai volume tahunan rupiah yangv tinggi. Kelas ini mewakilisekitar 70% dari total nilai persediaan, meskipun jumlahnya hanya sedikit, bisa 20% dari seluruh item. Persediaan yang termasuk dalam kelas ini memerlukan perhatian yang tinggi dalam pengadaannya karena berdampak biaya yang tinggi. Pemeriksaan dilakukan secara intensif.
Kelas B persediaan dengan nilai volume tahunan rupiah yang m,enegah. Kelompok ini mewakili sekitar 20% dari nilai persediaan tahunan, dan sekitar 30% dari jumlah item. Disini diperlukan teknik pengendalian yang moderat.
Kelas C barang yang nilai volume tahunan rupiahnya rendah,yang hanya mewakili sekitar 10% dari total nilai persediaan, tetapi terdiri dari sekitar 50% dari jumlah item persediaan. Disini diperlukan teknik pengendalian yang sederhana, pemeriksaan hanya dilakukan sekali-kali.
Nilai persentase diatas tidak mutlak, namun tergantung dari kebijakan perusahaan. Demikian pula jumlah kelas, tidak terbatas pada tiga kelas, 2.2 Konsep Dasar Manajemen Permintaan Pada dasarnya manajemen permintaan didefinisikan sebagai suatu fungsi pengelolaan dari semua permintaan produk untuk menjamin bahwa jadwal induk produksi mengetahui dan menyadari semua permintaan produk itu.(Vincent Gaspers). Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Ada dua sumber utama yang berkaitan dengan informasi permintaan produk yaitu : 1. Ramalan terhadap produk independen demand yang bersifat tidak pasti.
Universitas Sumatera Utara
2. Pesanan-pesanan yang bersifat pasti. Hal yang sangat penting untuk diperhatikan dalam manajemen permintaan adalah tidak
boleh
mencoba
meramalkan
hasil-hasil yang dapat direncanakan atau
dihitung.Produk-produk yang tergolong kedalam dependen demand tidak boleh diramalkan, tetapi harus direncanakan atau dihitung, sedangkan peramalan hanya boleh dilakukan paa produk-produk yang tergolong kedalam independent demand. 2.2.1. Peramalan Peramalan adalah seni dan ilmu untuk memperkirakan kejadian yang akan datang. Peramalam merupakan salah satu masukan dalam kegiatan perencanaan dan pengendalian bisnis, baik didalam maupun diluar fungsi operasi. Secara garis besar metode peramalan dibagi dua yaitu: 2.2.1.1 Metode Peramalan Kualitatif Metode ini menggunakan keputusan manajerial, pengalaman data yang relevan dan model matematis yang implisit. Karena model matematis tersebut implisit, dua orang yang berbeda yang keduanya menggunakan metode
kualitatif akan menghasilkan
peramalan yang berbeda. Metode ini digunakan untuk peramalan jangka menengah dan panjang yang melibatkan disain proses atau kapasitas suatu fasilitas. Ada empat metode kualitatif yang paling baik dan paling sering digunakan, (Kusuma, 2002: hal: 22-35) yaitu: 1. Metode Delphi 2. Survei Pasar 3. Analogi Daur Hidup 4. Dan Keputusan yang diinformasikan
Universitas Sumatera Utara
2.2.1.2. Metode Peramalan Kuantitatif Peramalan kuantitatif menggunakan berbagai model matematis atau statistik yang menggunakan data historis dan variabel-variabel kausal untuk meramalkan permintaan. Asumsi dasar untuk semua metode peramalan kuantitatif adalah data masa lampau dan pola data yang dapat diperkirakan untuk memperkirakan masa yang akan datang . Data masa lampau kemudian diolah dengan deret berkala atau model kausal untuk menghasilkan suatu peramalan. Penggunaan metode kuantitatif membutuhkan: - Data kondisi masa lalu - Data tersebut merupakan data kuantitatif atau data yang dikuantifisir - Diasumsikan pola data masa lalu akan berlanjut pada masa yang akan datang Yang termasuk kedalam metode kuantitatif adalah (Kusuma, 2002; Hal: 22-35) a. Model time series atau deret waktu b. Model Kausal Metode ini paling baik digunakan untuk peramalan jangka pendek, yang menggunakan data masa lalu yang dicatat selam periode tertentu. Umumnya berupa data mingguan, bulanan, kuartalan dan tahunan. Pola data dari serangkaian data dalam deret berkala dapat dikelompokkan kedalam pola dasar sebagai berikut, yaitu: (Kusuma, 2002; hal:22-35) 1. Konstan, yaitu jika datanya berfluktuasi sekitar rata – rata secara stabil 2. Liner (Trend), yaitu
jika datanya dalam jangka panjang mempunyai
kecenderungan, baik yang arahnya meningkat atau menurun dari waktu ke waktu.
Universitas Sumatera Utara
3. Musiman (Seasional), yaitu jika polanya merupakan gerakan yang berulang-ulang secara teratur
dalam setiap periode terentu, misalnya tahunan, semesteran,
kuartalan, bulanan dan mingguan. 4. Siklus (Cyclical) yaitu jika datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti daur hidup bisnis 5. Residu (Acak), yaitu jika datanya tidak teratur sama sekali data ini tidak dapat digambarkan. Metode smooting digunakan untuk mengurangi keteraturan musimam dari data yang lalu, dengan membuat rata-rata tertimbang dari dari sederetan data masa lalu. Ketetapan peramalan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk jangka panjang kurang akurat. Metode smoothing terdiri dari metode rata-rata, moving average dan aksponential smoothing. Metode dekomposisi merupakan pendekatan peramalan yang tertua. Terdapat beberapa pendekatan alternatif untuk mendekomposisikan suatu deret berkala yang semuanya bertujuan memisahkan setiap komponen deret data seteliti mungkin. Konsep dasar pemisahan bersifat empiris dan tetap, yang mula-mula memisahkan unssur musiman, kemudian trend, dan akhirnya unsur siklis. Prosedur peramalan yang dilakukan pada metode Time Series adalah : (Kusuma, 2002 ; Hal:26) 1. Mendefenisikan Tujuan Peramalan Pada langkah ini peramalan menetapkan apa yang akan menjadi tujuan dilakukannya peramalan. Tujuan peramalan digunakan untuk mengetahui tingkat permintaan terhadap suatu produk dalam waktu tertentu, sehingga akan dicapai
Universitas Sumatera Utara
efektivitas dan efisiensi dari periode menajemen produksi dan inventori dalam industri manufaktur. 2. Membuat Scatter Diagram Sebelum dilakukannnya peramalan, terlebih dahulu ditenntukan pola histories dari data aktual permintaan. Dalam hal ini dapat digambarkan dalam bentuk grafik yang berupa diagram pencar. 3. Memilih Metode Peramalan yang Paling Sesuai Berdasarkan pola data histories yang sudah ada pada diagram pencar (scatter diagram), maka dapat ditentukan model peramalan yang paling sesuai untuk digunakan. Sebagai perbandingan dapat diambil minimal 2 model peramalan yang ada dan paling sesuai dengan sebaran data pada scatter diagram.
4. Menghitung Parameter-parameter Fungsi Peramalan Untuk menghitung parameter-parameter fungsi peramalan, tergantung dari model yang dipilih, sesuai dengan pola data pada scatter diagram. Masing-masing model akan memiliki parameter-parameter yang berbeda. Moving Range Chart (MRC) untuk melakukan verifikasi peramalan dapat dilihat pada Gambar 2.2. A
B
C BKA
2 /3 1 /3 CL -1 /3 -2 /3 BKB A
B
C
Gambar 2.1 Moving Range Chart
Universitas Sumatera Utara
a. Metode Rata-Rata Bergerak ( Simple Moving Average) Ini adalah metode time series yang paling sederhana. Pada metode ini diasumsikan bahwa pola time series hanya sendiri dari komponen average level dan komponen random error. Model rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang.l Metode rata-rata bergerak akan efektif diterapkan apabila kita dapat mengasumsikan bahwa perminatan pasar tehadap produk akan tetap stabil sepanjang waktu. Metode rata-rata bergerak n-periode menggunakan formula berikut : At =
D1 + Dt −1 + .... + Dt −( N −1) N
dimana N adalah banyaknya periode dalam rata-rata bergerak. Kalau diasumsikan komponen time series adalah average level maka peramalan pada periode t+1 adalah sama dengan rata-rata demand sebelumnya. Disini makin lama atau makin banyak periode yang digunakan maka: 1. Peramalan akan lebih stabil 2. Tetapi disisi lain tanggapan terhadap perubahan demand lebih lambat
b. Metode Pemulusan Eksponensial Model peramalan pemulusan eksponensial bekerja hampir serupa dengan alat thermostat, dimana apabila galat ramalan adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan, maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalan. Sebaliknya apabila galat ramalan adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan,
Universitas Sumatera Utara
maka model pemulusann eksponensial akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung terus menerus, kecuali galat ramalan telah mencapai nol. Kenyataan ini yang mendorong peramal lebih suka menggunakan model peramalan pemulusan eksponensial, apabila pola historis dari data aktual permintaan bergejolak atau tidak stabil dari waktu kewaktu. Peramalan menggunakan model pemulusan eksponensial dilakukan berdasarkan formula berikut : Ft = Ft-1 + α(At-1 - Ft-1) dimana : Ft = nilai ramalan untuk periode waktu ke-t Ft-1= nilai ramalan untuk satu periode waktu yang lalu, t-1 At-1= nilai aktual untuk satu periode waktu yang lalu, t-1 α
= konstanta pemulusan
Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih kontanta pemulusan, α yang diperkirakan tepat. Nilai konstanta pemulusan α dapat dipilih diantara nilai 0 dan 1, karena berlaku : 0< α < 1. Bagaimanapun juga untuk menetapkan nilai α yang diperkirakan tepat, kita dapat menggunakan panduan berikut : a. Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu kewaktu, kita memilih nilai α yang mendekati satu. Biasanya dipilih nilai α = 0,9 namun kita dapat mencoba nilai-nilai α yang lain mendekati satu.
Universitas Sumatera Utara
b. Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, kita memilih nilai α yang mendekati nol. Semakin stabil nilai α yang dipilih harus semakin kecil menuju ke nilai nol. Pengujian keandalan dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol
traking signal dan membandingkan apakah nilai-nilai
ramalan itu telah menggambarkan atau sesuai dengan pola data historis dari data aktual permintaan. Selanjutnya besar dan jenis error, dimana idealnya total jumlah error adalah o (nol) yang diperoleh dengan perhitungan: Error (et) = Dt-Ft 2.3. Error Peramalan Jika menggunakan metode peramalan exponential Smoothing maka perhitungan untuk menetapkan error harus dilakukan pada angka rata-rata yang telah diperhalus. Dimana Dt adalah data pada periode waktu t dan Ft ramalan pada periode waktu t. 1. Cumulative Sum of Forecast Error n
CFE =
∑e t =1
i
2. Mean Square Error n
MSE =
∑e t =1
2 t
n
3. Mean Absolute Deviation of Forecast Error n
MAD =
∑e t =1
t
n
Universitas Sumatera Utara
4. Mean Absolute Percentage Error n
MAPE =
et
∑D t =1
x 100%
t
n
Akar dari MSE dikenal sebagai Stabdard Deviation ( s =
MSE ), MSE sama
dengan total rata-rata error pangkat dua dimaksudkan agar negative error menjadi positive sehingga tidak akan mengurangi jumlah error. Satu atau lebih dari ukuran – ukuran diatas
dapat digunakan untuk membandingkan kinerja dari model-model
peramalan. Apabila menggunakan metode Exponential Smoothing biasanya menghitung smoothing mean absolute deviation, MADt = α (Dt-Ft) + (1- α) MADt-1 1. Perhitungan ini dapat digunakan untuk mengetahui adanya kelainan demand dengan cara membandingkan antara standard deviation dengan MADt. Jika Standar deviasi (s) lebih besar dari 3,75 MADt, maka hal ini berarti demand sebuah nilai yang sangat besar. Biasanya jika s = 1,25 MADt adalah normal distribution 2. Kegunaan MADt lainnya adalah menetapkan apakah peramalan pada jalur yang sesungguhnya. Untuk tujuan ini perlu dihitung Tracking Signal dengan rumus: TS =
CFE MADt
Jika perubahan demand diasumsikan acak, maka controllimit adalah ± 6. Bila TS melebihi ± 6 maka peramalan harus dihentikan
Universitas Sumatera Utara
