BAB IV ANALISA DAN PEMBAHASAN
4.1 Indentifikasi Pola Permintaan Data Historis 2011 dan Perhitungan Model Peramalan Data yang diambil untuk penelitian adalah data permintaan produk MCSet AD1 12.5kV pada PT. Schneider Indonesia, range waktu 12 bulan, Jan – Des 2011. Data permintaan ini mewakili permintaan BBV15582. Berikut adalah data permintaan produk MCSet AD1 12.5kV dalam pcs. Tabel 4.1 Data Permintaan Produk MCSet AD1 12.5kV
43
Gambar 4.1 : Data Permintaan Produk MCSet AD1 12.5kV Berdasarkan data historis permintaan dapat kita ketahui bahwa pola historis dari data actual terhadap permintaan produk MCSet AD1 12.5kV selama periode 2011 memiliki pola historis yang tidak membentuk kecenderungan (trend line), dengan demikian model peramalan yang mempertimbangankan kecenderungan (trend) bisa kita abaikan, maka kita dapat mempertimbangkan model peramalan ratarata bergerak (moving averages), , pemulusan eksponensial (exponential smoothing) atau peramalan regresi linear. a. Metode Peramalan Rata-Rata Bergerak (Moving Average) Berikut adalah hasil dari analisa data menggunakan model rata-rata bergerak 3 periode (n= 3 bulan) dan 4 periode (n=4 bulan) terhadap data actual permintaan
44
produk MCSet AD1 12.5kV ditunjukan dalam tabel berikut, untuk perhitungan lebih lengkap dapat dilihat dalam lampiran. Tabel 4.2. Hasil Peramalan Metode Rata-Rata Bergerak (Moving Averages)
Tabel 4.3. Analisis Kesalahan Peramalan Metode Rata-Rata Bergerak (Moving Averages) Dalam perhitungan peramalan metode rata-rata bergerak (Moving Averages) dikemukakan menggunaan nilai n-perioder =3 dan 4, dengan alasan bahwa untuk peralaman jangka pendek maka periode yang paling ideal untuk dijadikan perbandingan adalan MA(3) dan MA(4).
45
Berdasarkan nilai MAD untuk F,MA3 dan F,MA4, maka ramalan rata-rata bergerak yang lebih disukai adalah F,MA3, karena memiliki nilai MAD yang lebih kecil. Untuk mengetahui sejauh mana keandalan dari metode peramalan yang dipilih maka dilakukan kontrol tracking signal. Tabel 4.4. Tracking Signal dari Metode Peramalan MA(3)
46
Gambar 4.2. : Diagram Tracking Signal dari Metode Peramalan MA(3)
Gambar 4.3. : Diagram data actual dan ramalan permintaan MA(3) & MA(4) b. Metode Peramalan Pemulusan Eskponensial (Exponensial Smoothing) Berikut adalah hasil analisa peramalan dengan metode pemulusan eksponensial (Exponensial Smoothing), dalam hal ini perhitungan peramalan produk MCSet AD1
47
12.5kV dengan α = 0.1 , 0.5 dan 0.9. Untuk perhitungan lebih lengkapnya dapat dilihat pada lampiran. Tabel 4.5. Hasil Peramalan Pemulusan Eskponensial Peramalan (Exponensial Smoothing)
Tabel 4.6 Analisis Kesalahan Peramalan Metode Pemulusan Eskponensial (Exponensial Smoothing)
48
Berdasarkan nilai MAD untuk Peramalana α= 0.1, α = 0.5 dab α = 0.9, maka ramalan pemulusan eksponensial (Exponential Smoothing Model) yang lebih disukai adalah F, α = 0.9 , karena memiliki nilai MAD yang lebih kecil. Untuk mengetahui sejauh mana keandalan dari metode peramalan yang dipilih maka dilakukan kontrol tracking signal. Tabel 4.7. Tracking Signal dari Metode Peramalan Pemulusan Eksponensial α = 0.9
Gambar 4.4. : Diagram Tracking Signal Metode Peramalan Pemulusan Eksponensial α = 0.9
49
Gambar 4.5. : Data Aktual dan Peramalan Permintaan Produk MCSet AD1 12.5kV berdasarkan Metode Peramalan Pemulusan Eksponensial α = (3) c. Metode Peramalan Linear Berikut adalah hasil analisa peramalan produk MCSet AD1 12.5kV dengan metode peramalan linear dan perhitungan kesalahan peramalan untuk metode Linear, untuk perhitungan lebih lengkap dapat dilihat pada lampiran.
50
Tabel 4.8 Hasil Metode Peramalan Linear.
Untuk mengetahui sejauh mana keandalan dari metode peramalan yang dipilih maka dilakukan kontrol tracking signal. Tabel 4.9 Tracking Signal dari Metode Peramalan Linear
51
Gambar 4.6. : Diagram Tracking Signal dari Metode Peramalan Linear
Gambar 4.7. : Data Aktual dan Peramalan Permintaan Produk MCSet AD1 12.5kV berdasarkan Metode Peramalan Linear
52
4.2. Analisa perbandingan hasil peramalan permintaan MCSet AD1 12.5kV dengan metode peramalan rata-rata bergerak, pemulusan eskponensial dan linear Berikut ini adalah hasil perbandingan hasil peramalan permintaan MCSet AD1 12.5kV berdasarkan tiga model peramalan diatas Tabel 4.10 Tabel analisa perbandingan hasil peramalan berdasarkan tiga metode.
. Dari tabel perbandingan analisa error diatas dapat dilihat bahwa analisis kesalahan terkecil atau running sum of forecast error (RSFE) adalah Model peramalan linear, akan tetapi Model peramalan pemulusan eksponensial (ES α = 0.9) memiliki pola tracking signal yang menyerupai data actual, variasi tracking signal juga seimbang serta nilai tracking signal mendekati nol (0) maka yang akan dijadikan MPS sebagai input MRP adalah metode model peramalan pemulusan eksponensial (Eksponential Smoothing)
53
4.3. Komponen biaya bahan baku pada Bill of Materials Untuk menjalankan MRP , tahap selanjutnya adalah breakdown Bill Of Material. Gambar 4.8. : Bill Of Material pada produk BBV15582, untuk detail uraian break down product structure dapat dilihat pada lampiran. Tabel 4. 11 Bill of Materials BBV15582
Berikut di bawah ini jenis-jenis bahan baku dari BBV15582 INTERNAL ARC MV DOOR MCSET2 Tabel 4.12. Tabel Elemen Biaya Persediaan
54
Catatan : *)
Biaya Simpan adalah (Harga x 20%)/12
**)
Biaya Pesan BBV15582 INTERNAL ARC MV DOOR MCSET1 Pesan/Setup
: 484,000 x 15%
Simpan
= 72,600
: (484,000 x 20%)/12 = 8067 Tabel 4.13. Tabel Deskripsi Bahan Baku (Level 3)
Untuk bahan baku MCSet AD1 12.5kV pihak manajemen PT.Schneider Indonesia dengan pempertimbangkan strategi respon terhadap permintaan merupakan model Engineering-to-order, maka ditetapkan kebijakan dengan tidak membuat safety stock meskipun beberapa bahan baku pembuatan produk panel itu sendiri harus di import dari Perancis.
55
