BAB IV HASIL DAN PEMBAHASAN
4.1 Profil Perusahaan 4.1.1 Sejarah Singkat Perusahaan PT. Sebastian Citra Indonesia merupakan salah satu produsen frozen dough yang di supply ke outlet-outlet dengan brand Roti’O. PT. Sebastian Citra Indonesia berlokasi di Jl. Semanan Raya No.27 RT.004/008, Kalideres, Jakarta Barat. Status badan hukum perusahaan berbentuk perseroan terbatas (PT) dan didirikan berdasarkan akta notaris dengan surat ijin dari Dinas Koperasi, Usaha Mikro, Kecil dan Menengah dan Perdagangan Pemerintah Provinsi DKI Jakarta, sebagai berikut : 1. SIUP No.
: 07189 - 03/ PK / 1.824.271
2. TDP No.
: 09.12.1.46.31378
PT. Sebastian Citra Indonesia baru memulai produksinya pada tanggal 16 April 2012. Adapun Roti’O ini merupakan sejenis roti manis dengan isi butter yang diberi topping cream coffee. Saat ini hanya tersedia 1 jenis produk yaitu adonan beku dengan isi butter cream coffee untuk topping. Pelayanan dan kepuasan yang baik adalah komitmen perusahaan kepada pelanggan, salah satunya dengan penyediaan produk dengan kualitas dan hasil yang hygienis merupakan salah satu cara dari perusahaan untuk menunjukkan bahwa pelanggan merupakan asset terpenting baginya, untuk lebih menyakinkan pelanggan bahwa produk yang diproduksi adalah produk yang terbuat dari bahan-bahan terpilih dan
50
51
Halal. Saat ini Outlet Roti’O dibuka di Stasiun Kota Jakarta, Stasiun Bandung, Bandara Husein Sastranegara Bandung.
4.1.2 Visi dan Misi Perusahaan Visi Perusahaan •
Menyebarluaskan Roti’O ke seluruh Indonesia dan memberikan kepuasan kepada konsumen.
Misi Perusahaan •
Menjaga dan mempertahankan kualitas produk dan memberikan pelayanan yang terbaik kepada pelanggan.
4.1.3 Analisis Struktur Organisasi dan Uraian Pekerjaan Struktur organisasi dari PT. Sebastian Citra Indonesia digambarkan pada gambar 4.1. General Manager
Bagian Keuangan
Accounting dan keuangan
Administrasi
Bagian HRD
Pembelian
Bagian Operasional
Produksi
Gudang dan Penerimaan Barang
Gambar 4.1 Bagan Struktur Organisasi PT. Sebastian Citra Indonesia Sumber : Data PT. Sebastian Citra Indonesia (2012)
Marketing
52
Tugas dan tanggung jawab dari struktur organisasi adalah sebagai berikut : 1. General Manager •
Merencanakan strategi yang digunakan dalam mewujudkan visi dan misi perusahaan.
•
Mengatur, mengawasi, dan mengevaluasi seluruh aktivitas yang dilaksanakan oleh setiap divisi di dalam perusahaan.
•
Menentukan
solusi
terhadap
permasalahan
yang
dihadapi
perusahaan. 2. Bagian Keuangan •
Melakukan perencanaan anggaran perusahaan dan menganalisa laporan keuangan.
•
Mengevaluasi perhitungan kewajiban pajak sesuai dengan undangundang perpajakan.
•
Mengatur
kelancaran
pembayaran
tagihan
dan
menjamin
ketersediaan kas demi kelancaran kegiatan operasional perusahaan. •
Bertanggungjawab atas keuangan perusahaan.
3. Bagian HRD •
Menangani absensi karyawan, perhitungan gaji dan tunjangan diperusahaan.
•
Memberikan pelatihan kepada semua karyawan sesuai dengan bidangnya untuk meningkatkan keterampilan dan pengetahuan sesuai dengan standar perusahaan.
•
Melakukan pengawasan terhadap prosedur pelaksanaan kerja.
53
4. Bagian Operasional •
Merencanakan dan mengevaluasi kegiatan operasional produksi secara menyeluruh di perusahaan.
•
Melakukan pengendalian biaya operasional perusahaan agar tidak melewati batas anggaran yang ditetapkan perusahaan.
•
Melakukan pemeriksaan terhadap laporan dari bagian produksi, pembelian, gudang dan penerimaan barang.
5. Marketing •
Bertanggungjawab
terhadap
pendapatan
hasil
penjualan
perusahaan. •
Menentukan strategi pemasaran yang efektif dan efisien dengan memperhatikan sumberdaya perusahaan.
•
Membuat perkiraan tentang permintaan pasar pada masa yang akan datang.
•
Menjalin hubungan baik dengan pelanggan khususnya dalam hal penanganan komplain.
6. Gudang dan Penerimaan Barang •
Mancatat dan mengontrol jumlah barang yang masuk dan keluar di gudang.
•
Menerima dan memeriksa barang yang dikirim supplier.
•
Mempersiapkan bahan baku untuk produksi.
•
Membuat laporan persediaan yang ada di gudang.
54
7. Produksi •
Memastikan produksi dapat berjalan dengan lancar dan sesuai jadwal.
•
Melaporkan kerusakan mesin dan masalah lain yang berhubungan dengan produksi.
•
Memastikan kualitas produksi sesuai dengan standar yang ditetapkan perusahaan.
•
Bertanggungjawab kepada manajer operasional atas hal yang berkaitan dengan produksi di perusahaan.
8. Pembelian •
Merencanakan pembelian bahan baku, dan penolong yang akan digunakan dalam melakukan produksi pada perusahaan.
•
Melakukan pengecekan harga bahan baku dari supplier sebelum melakukan pembelian.
•
Bertanggungjawab kepada manajer operasional atas hal yang berkaitan dengan pembelian bahan baku di perusahaan.
55
4.1.4 Bisnis Proses dan Uraian Proses Produksi
Bahan Baku
Penimbangan
Ayak Tepung
Cuci & Pecah Telur
Pengadukan/mixing
Pembagian/Pembulatan Packing Pengisian Penyimpanan dingin Penyusunan
Pendinginan
Gambar 4.2 Proses Pembuatan Roti’O Sumber : Data PT. Sebastian Citra Indonesia (2012)
56
Berdasarkan gambar diatas dijelaskan cara pembuatan Roti’O dari PT. Sebastian Citra Indonesia, sebagai berikut : 1. Bahan baku yang digunakan dalam membuat Roti’O di antar dari gudang ke pabrik. 2. Kemudian dilakukan penimbangan dari masing-masing bahan baku sebagai takaran dalam satu kali produksi. Tepung terigu yang digunakan dalam 1 kali produksi sebanyak 50 kg untuk persediaan selama 2-3 hari. 3. Setelah semua bahan ditakar, tepung terigu diayak menggunakan mesin ayak tepung di pabrik, selanjutnya telur dicuci dan dipecahkan ke dalam satu wadah. 4. Tepung yang sudah diayak kemudian di campur ke wadah dimana telur dipecahkan bersama bahan baku lain yang diperlukan. Kemudian dilakukan proses pencampuran (mixing) dari bahan-bahan yang telah di campur ke wadah telur dipecahkan. 5. Proses selanjutnya adalah melakukan pembulatan dari hasil mixing tersebut dimana hasil mixing akan dibagikan menjadi bagian-bagian kecil dan dibentuk bulat. 6. Setelah bulatan terbentuk, akan dilakukan pengisian mentega secara manual menggunakan tangan, kemudian disusun ke dalam loyang dan dimasukkan ke freezer untuk dibekukan selama kurang lebih setengah jam. Maka terbentuklah adonan Roti’O yang siap dipanggang dalam bentuk adonan beku.
57
7. Adonan beku yang siap dipanggang, kemudian diantar ke outlet-outlet sesuai dengan jumlah permintaan per outlet dan akan di simpan kembali di frozen bunz yang ada di outlet, lalu didiamkan menggunakan suhu ruang yang telah diatur kurang lebih 4,5 jam sampai adonan mengembang sekitar 30-40 persen. 8. Selanjutnya adonan yang telah mengembang tersebut diproses untuk pengembangan yang lebih besar kemudian dilakukan pelembutan adonan dengan mesin proofer. 9. Adonan akan diproofer kurang lebih 1 jam sampai kondisi buns (adonan beku) mengembang hingga 80 persen, kemudian dilanjutkan dengan proses piping (proses pemakaian cream). Setelah itu adonan Roti’O siap dipanggang di oven kurang lebih 12 – 15 menit. 10. Setelah Roti’O matang dan dikeluarkan dari oven, roti harus dikipas agar permukaannya mejadi crispy kemudian roti siap dipacking ke paper bag.
4.2 Analisis Data Data penjualan dari outlet Stasiun Kota Jakarta, Outlet Stasiun Bandung, dan Outlet Bandara Husein Sastranegara Bandung pada tahun 2012 adalah sebagai berikut :
58
Tabel 4.1 Data Penjualan Roti’O Outlet Stasiun Kota Jakarta Tahun 2012 Bulan
Penjualan
Mei
1.826
Juni
6.089
Juli
5.268
Agustus
5.083
September
5.696
Oktober
6.510
Total Penjualan
30.472
Sumber : Data PT. Sebastian Citra Indonesia (2012) Target penjualan per bulan sebanyak 5400 buns roti (180 buns roti per hari), dibuka pada tanggal 25 Mei 2012.
Tabel 4.2 Data Penjualan Roti’O Outlet Stasiun Bandung Tahun 2012 Bulan
Penjualan
Juni
7.268
Juli
8.354
Agustus
8.186
September
8.071
Oktober
8.891
Total Penjualan
40.770
Sumber : Data PT. Sebastian Citra Indonesia (2012)
59
Target penjualan per bulan sebanyak 7.500 buns roti (250 buns roti per hari), dibuka pada tanggal 2 Juni 2012.
Tabel 4.3 Data Penjualan Roti’O Outlet Bandara Husein Sastranegara Bandung Bulan
Penjualan
Juni
2.062
Juli
3.657
Agustus
3.551
September
4.735
Oktober
4.802
Total Penjualan
18.807
Sumber : Data PT. Sebastian Citra Indonesia (2012) Target penjualan per bulan sebanyak 3.600 buns roti (120 buns roti per hari), dibuka pada tanggal 14 Juni 2012.
4.3 Menghitung Peramalan Menggunakan Software QM for Windows Peramalan penjualan terhadap Roti’O akan dihitung menggunakan software QM (Quantitative Management) for Windows. Peramalan penjualan tersebut dihitung menggunakan metode yang terdapat pada peramalan, antara lain : •
Linear Regression,
•
Moving Average,
•
Weighted Moving Average,
60
•
Exponential Smoothing,
•
Exponential Smoothing with Trend,
•
Naive Method
4.3.1 Menghitung Peramalan Penjualan pada Outlet Stasiun Kota Jakarta 4.3.1.1 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Linear Regression Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Linear Regression dapat dilihat pada gambar dibawah ini.
Gambar 4.3 Hasil Perhitungan Software QM for Windows dengan Metode Linear Regression (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data (2012)
61
4.3.1.2 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Moving Average Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Moving Average dapat dilihat pada gambar dibawah ini.
Gambar 4.4 Hasil Perhitungan Software QM for Windows dengan Metode Moving Average (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
62
4.3.1.3 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Weighted Moving Average Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada gambar dibawah ini.
Gambar 4.5 Hasil Perhitungan Software QM for Windows dengan Metode Weighted Moving Average (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
63
4.3.1.4 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Exponential Smoothing Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada gambar dibawah ini.
Gambar 4.6 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
64
4.3.1.5 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Exponential Smoothing with Trend Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada gambar dibawah ini.
Gambar 4.7 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing with Trend (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
65
4.3.1.6 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Naive Method Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada Naive Method dapat dilihat pada gambar dibawah ini.
Gambar 4.8 Hasil Perhitungan Software QM for Windows dengan Naive Method (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
66
4.3.2 Menghitung Peramalan Penjualan pada Outlet Stasiun Bandung 4.3.2.1 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Linear Regression Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Linear Regression dapat dilihat pada gambar dibawah ini.
Gambar 4.9 Hasil Perhitungan Software QM for Windows dengan Metode Linear Regression (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
67
4.3.2.2 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Moving Average Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Moving Average dapat dilihat pada gambar dibawah ini.
Gambar 4.10 Hasil Perhitungan Software QM for Windows dengan Metode Moving Average (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
68
4.3.2.3 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Weighted Moving Average Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Bandung bulan November 2012 dengan menggunakan Software QM for Windows pada metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada gambar dibawah ini.
Gambar 4.11 Hasil Perhitungan Software QM for Windows dengan Metode Weighted Moving Average (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
69
4.3.2.4 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Exponential Smoothing Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada gambar dibawah ini.
Gambar 4.12 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
70
4.3.2.5 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Exponential Smoothing with Trend Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada gambar dibawah ini.
Gambar 4.13 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing with Trend (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
71
4.3.2.6 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Naive Method Hasil perhitungan peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada Naive Method dapat dilihat pada gambar dibawah ini.
Gambar 4.14 Hasil Perhitungan Software QM for Windows dengan Naive Method (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
72
4.3.3 Menghitung Peramalan Penjualan pada Outlet Bandara Husein Sastranegara Bandung 4.3.3.1 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Linear Regression Hasil perhitungan peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Linear Regression dapat dilihat pada gambar dibawah ini.
Gambar 4.15 Hasil Perhitungan Software QM for Windows dengan Metode Linear Regression (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
73
4.3.3.2 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Moving Average Hasil perhitungan peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Moving Average dapat dilihat pada gambar dibawah ini.
Gambar 4.16 Hasil Perhitungan Software QM for Windows dengan Metode Moving Average (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
74
4.3.3.3 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Weighted Moving Average Hasil perhitungan peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada gambar dibawah ini.
Gambar 4.17 Hasil Perhitungan Software QM for Windows dengan Metode Weighted Moving Average (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
75
4.3.3.4 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Exponential Smoothing Hasil perhitungan peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada gambar dibawah ini.
Gambar 4.18 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
76
4.3.3.5 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Exponential Smoothing with Trend Hasil perhitungan peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada gambar dibawah ini.
Gambar 4.19 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing with Trend (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
77
4.3.3.6 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Naive Method Hasil perhitungan peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Naive Method dapat dilihat pada gambar dibawah ini.
Gambar 4.20 Hasil Perhitungan Software QM for Windows dengan Naive Method (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
78
4.4 Menghitung Peramalan dengan Manual Setelah melakukan perhitungan peramalan dengan Software QM for Windows, selanjutnya akan dilakukan perhitungan peramalan dengan manual untuk membandingkan hasil peramalan Software QM for Windows dan manual apakah hasil perhitungan tersebut memiliki perbedaan nilai yang jauh. Peramalan penjualan terhadap Roti’O akan dihitung dengan manual menggunakan metode yang terdapat pada peramalan, antara lain : •
Linear Regression,
•
Moving Average,
•
Weighted Moving Average,
•
Exponential Smoothing,
•
Exponential Smoothing with Trend,
•
Naive Method
4.4.1 Menghitung Peramalan Penjualan pada Outlet Stasiun Kota Jakarta 4.4.1.1 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Linear Regression Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Linear Regression dapat dilihat pada tabel dibawah ini.
79
Tabel 4.4 Hasil Perhitungan Manual dengan Metode Linear Regression (Stasiun Kota Jakarta, November 2012) Periode
Penjualan
(X)
(Yt)
Mei
1
Juni
X2
X.Y
Ft
Yt – Ft
1.826
1
1.826
3.503,25
1.677,25
2
6.089
4
12.178
4.133,42
1.955,58
Juli
3
5.268
9
15.804
4.763,59
504,41
Agustus
4
5.083
16
20.332
5.393,76
310,76
September
5
5.696
25
28.480
6.023,93
327,93
Oktober
6
6.510
36
39.060
6.654,10
144,10
Jumlah
21
30.472
91
117.680
Bulan
Sumber : Hasil Pengolahan Data, (2012) =
∑ x = 21 = 3,5 6
x =
A=
6
∑ y = 30.472 = 5.078,67 6
6
117.680 - (6).(3.5).(5.078,67) = 630,17 91 - (6).(3,5 2 )
a =
– bx
= 5.078,67 – (630,17).( 3,5) = 2.873,08
4.920.03
80
Y7 = 2.873,08 + (630,17).(7)
∑ | aktual - peramalan |
MAD =
n
=
4 .920 ,03 6
= 820,01
MSE = =
∑ | kesalahan peramalan |
2
n 7.116.764, 82 6
= 1.186.127,47
4.4.1.2 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Moving Average Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Moving Average dapat dilihat pada tabel dibawah ini.
81
Tabel 4.5 Hasil Perhitungan Manual dengan Metode Moving Average (Stasiun Kota Jakarta, November 2012)
Bulan
Periode (X)
Mei
1
Juni
Penjualan
Ft
Yt – Ft
1.826
-
-
2
6.089
-
-
Juli
3
5.268
-
-
Agustus
4
5.083
4.394,33
688,67
September
5
5.696
5.480
216
Oktober
6
6.510
5.349
1.161
November
7
-
5.763
-
(Yt)
Jumlah
2.065,67
Sumber : Hasil Pengolahan Data, (2012) MAD =
=
∑ | aktual - peramalan | n 2.065,67 3
= 688,56
∑ | kesalahan peramalan | MSE = n
=
1.868.843, 37 3
= 622.947,80
2
82
4.4.1.3 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Weighted Moving Average Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.6 Hasil Perhitungan Manual dengan Metode Weighted Moving Average (Stasiun Kota Jakarta, November 2012)
Bulan
Periode (X)
Mei
1
Juni
Penjualan
Ft
Yt – Ft
1.826
-
-
2
6.089
-
-
Juli
3
5.268
-
-
Agustus
4
5.083
4.825,9
257,1
September
5
5.696
5.339,7
356,3
Oktober
6
6.510
5.426,5
1.083,5
November
7
-
5.980,4
-
(Yt)
Jumlah
1.696.9
Sumber : Hasil Pengolahan Data, (2012) MAD = =
∑ | aktual - peramalan | n 1.696,9 3
= 565,63
83
MSE =
∑ | kesalahan peramalan |
=
2
n 1.367.022, 35 3
= 455.674,12
4.4.1.4 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Exponential Smoothing Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada tabel dibawah ini. Tabel 4.7 Hasil Perhitungan Manual dengan Metode Exponential Smoothing (Stasiun Kota Jakarta, November 2012)
Bulan
Periode (X)
Penjualan (Yt)
Ft
Yt – Ft
Mei
1
1.826
-
-
Juni
2
6.089
1.826
4.263
Juli
3
5.268
3.104,9
2.163,1
Agustus
4
5.083
3.753,83
1.329,17
September
5
5.696
4.152,58
1.543,42
Oktober
6
6.510
4.615,61
1.894,39
November
7
-
5.183,93
-
Jumlah Sumber : Hasil Pengolahan Data, (2012)
11.193.08
84
∑ | aktual - peramalan |
MAD =
n
=
11.193,08 5
= 2.238,62
MSE =
∑ | kesalahan peramalan |
=
2
n 30.589.722 ,27 5
= 6.117.944,45
4.4.1.5 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Exponential Smoothing with Trend Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada tabel dibawah ini.
85
Tabel 4.8 Hasil Perhitungan Manual dengan Metode Exponential Smoothing with Trend (Stasiun Kota Jakarta, November 2012) FIT =
Periode
Penjualan
(X)
(Yt)
Mei
1
1.826
-
-
-
-
Juni
2
6.089
1.826
0
1.826
4.263
Juli
3
5.268
3.104,9
255,78
3.360,68
1.907,32
Agustus
4
5.083
3.932,88
370,22
4.303,01
779,99
September
5
5.696
4.537,07
417,01
4.954,08
741,92
Oktober
6
6.510
5.176,66
461,53
5.638,19
871,81
November
7
-
5.899,73
513,84
6.413,57
-
Bulan
Ft
Tt
Yt - FIT Ft + Tt
Jumlah
8564.04
Sumber : Hasil Pengolahan Data, (2012)
∑ | aktual - peramalan |
MAD =
n
=
8.564.04 5
= 1.712.81
MSE =
∑ | kesalahan peramalan | n 23.729.920 ,95 5
= 4.745.984,19
2
86
4.4.1.6 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Naive Method Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan Naive Method dapat dilihat pada tabel dibawah ini. Tabel 4.9 Hasil Perhitungan Manual dengan Naive Method (Stasiun Kota Jakarta, November 2012
Bulan
Periode (X)
Penjualan (Yt)
Ft
Yt – Ft
Mei
1
1.826
-
-
Juni
2
6.089
1.826
4.263
Juli
3
5.268
6.089
821
Agustus
4
5.083
5.268
185
September
5
5.696
5.083
613
Oktober
6
6.510
5.696
814
November
7
-
6.510
6696
Jumlah Sumber : Hasil Pengolahan Data, (2012)
MAD = =
∑ | aktual - peramalan | n 6.696 5
= 1.339,2
87
MSE =
∑ | kesalahan peramalan |
=
2
n 19.919.800 5
= 1.339,2
4.4.2 Menghitung Peramalan Penjualan pada Outlet Stasiun Bandung 4.4.2.1 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Linear Regression Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Linear Regression dapat dilihat pada tabel dibawah ini. Tabel 4.10 Hasil Perhitungan Manual dengan Metode Linear Regression (Stasiun Bandung, November 2012) Periode
Penjualan
(X)
(Yt)
Juni
1
Juli
X2
X.Y
Ft
Yt – Ft
7.268
1
7.286
7.561,4
293,4
2
8.354
4
16.708
7.857,7
496,3
Agustus
3
8.186
9
24.558
8.154
32
September
4
8.071
16
32.284
8.450,3
379,3
Oktober
5
8.891
25
44.455
8.746,6
144,4
Jumlah
15
30.472
55
125.273
Bulan
Sumber : Hasil Pengolahan Data, (2012)
1.345,4
88
=
∑ x = 15 = 3 6
x
5
=
∑ y = 40.770 = 8.154
=
125.273 - (5).(3).(8.154) = 296,3 55 - (5).(3 2 )
a=
6
5
- bx
a = 8.154 – (296,3).( 3) a = 7.265,1 Y6 = 7.265,1+ (296,3).(6) = 9.042,9
MAD = =
∑ | aktual - peramalan | n 1.345,4 5
= 269,08 MSE = ∑ =
| kesalahan peramalan |2 n
498.141,1 5
= 99.628,22
89
4.4.2.2 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Moving Average Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Moving Average dapat dilihat pada tabel dibawah ini. Tabel 4.11 Hasil Perhitungan Manual dengan Metode Moving Average (Stasiun Bandung, November 2012)
Bulan
Periode (X)
Juni
1
Juli
Penjualan
Ft
Yt – Ft
7.268
-
-
2
8.354
-
-
Agustus
3
8.186
-
-
September
4
8.071
7. 936
135
Oktober
5
8.891
8.203,67
687,33
November
6
-
8.382,67
-
(Yt)
Jumlah
822.33
Sumber : Hasil Pengolahan Data, (2012)
MAD =
=
∑ | aktual - peramalan | n 822,33 5
= 411,17
90
MSE =
=
∑ | kesalahan peramalan |
2
n 490.647,53 2
= 245.323,77
4.4.2.3 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Weighted Moving Average Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.12 Hasil Perhitungan Manual dengan Metode Weighted Moving Average (Stasiun Bandung, November 2012)
Bulan
Periode (X)
Juni
1
Juli
Penjualan
Ft
Yt – Ft
7.268
-
-
2
8.354
-
-
Agustus
3
8.186
-
-
September
4
8.071
8.052,8
18,2
Oktober
5
8.891
8.164,6
728,9
November
6
-
8.504
-
(Yt)
Jumlah Sumber : Hasil Pengolahan Data, (2012)
747,1
91
MAD =
=
∑ | aktual - peramalan | n 747,1 2
= 373,55
MSE =
=
∑ | kesalahan peramalan |
2
n 531.626,45 2
= 265.813,23
4.4.2.4 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Exponential Smoothing Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada tabel dibawah ini.
92
Tabel 4.13 Hasil Perhitungan Manual dengan Metode Exponential Smoothing (Stasiun Bandung, November 2012)
Bulan
Periode (X)
Juni
1
Juli
Penjualan
Ft
Yt – Ft
7.268
-
-
2
8.354
7.268
1.086
Agustus
3
8.186
7.593,8
592,2
September
4
8.071
7.771,46
299,54
Oktober
5
8.891
7.861,32
1.029,68
November
6
-
8.170,22
-
(Yt)
Jumlah
3.007,42
Sumber : Hasil Pengolahan Data, (2012)
MAD =
=
∑ | aktual - peramalan | n 3007,42 4
= 751,85 MSE = ∑
=
| kesalahan peramalan |2 n
2.680 .061,95 4
= 670.014,46
93
4.4.2.5 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Exponential Smoothing with Trend Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.14 Hasil Perhitungan Manual dengan Metode Exponential Smoothing with Trend (Stasiun Bandung, November 2012) FIT =
Periode
Penjualan
(X)
(Yt)
Juni
1
7.268
-
-
-
-
Juli
2
8.354
7.268
0
7.268
1.086
Agustus
3
8.186
7.593,8
65,16
7.658,96
527,04
September
4
8.071
7.818,07
96,98
7.915,05
155,95
Oktober
5
8.891
7.961,83
106,34
8.068,17
822,83
November
6
-
8.315,02
155,71
8.470,73
-
Bulan
Ft
Tt
Yt - FIT Ft + Tt
Jumlah
2.591,82
Sumber : Hasil Pengolahan Data, (2012)
MAD =
=
∑ | aktual - peramalan | n 2591,82 4
= 647,96
94
MSE =
=
∑ | kesalahan peramalan |
2
n 2.158.536, 77 4
= 539.634,19
4.4.2.6 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Naive Method Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Stasiun Bandung untuk bulan November 2012 dengan Naive Method dapat dilihat pada tabel dibawah ini Tabel 4.15 Hasil Perhitungan Manual dengan Naive Method (Stasiun Bandung, November 2012)
Bulan
Periode (X)
Juni
1
Juli
Penjualan
Ft
Yt – Ft
7.268
-
-
2
8.354
7.268
1.086
Agustus
3
8.186
8.354
168
September
4
8.071
8.186
115
Oktober
5
8.891
8.071
820
November
6
-
8.891
-
(Yt)
Jumlah Sumber : Hasil Pengolahan Data, (2012)
2.189
95
∑ | aktual - peramalan |
MAD =
=
n 2189 4
= 547,25
MSE =
∑ | kesalahan peramalan |
2
n
4.4.3.1 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Linear Regression Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Linear Regression dapat dilihat pada tabel dibawah ini. Tabel 4.16 Hasil Perhitungan Manual dengan Metode Linear Regression (Bandara Husein Sastranegara Bandung November 2012)
Bulan
Periode (X)
Penjualan (Yt)
X2
X.Y
Ft
Yt – Ft
Juni
1
2.062
1
2.062
2.449,8
387,8
Juli
2
3.657
4
7.314
3.105,6
551,4
Agustus
3
3.551
9
10.653
3.761,4
210,4
September
4
4.735
16
18.940
4.417,2
317,8
Oktober
5
4.802
25
24.010
5.073
271
Jumlah
15
18.807
55
62.979
Sumber : Hasil Pengolahan Data, (2012)
1.738,4
96
=
∑ x = 15 = 3
=
∑ y = 18.807 = 3.761,4
6
x
3
6
5
B=
62.979 - (5).(3).(3 .761,4) = 655,8 55 - (5).(3 2 )
a
=
- bx
= 3.761,4 – (655,8).( 3) = 1794 Y6 = 1794 + ( 655,8).(6) = 5.728,8
MAD =
=
∑ | aktual - peramalan | n 1738,4 5
= 347,68 MSE = ∑
=
| kesalahan peramalan |2 n
673.136,8 5
= 134.627,36
97
4.4.3.2 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Moving Average Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Moving Average dapat dilihat pada tabel dibawah ini. Tabel 4.17 Hasil Perhitungan Manual dengan Metode Moving Average (Bandara Husein Sastranegara Bandung, November 2012)
Bulan
Periode (X)
Juni
1
Juli
Penjualan
Ft
Yt – Ft
2.062
-
-
2
3.657
-
-
Agustus
3
3.551
-
-
September
4
4.735
3.090
1.645
Oktober
5
4.802
3.981
821
November
6
-
4.362,67
-
(Yt)
Jumlah
2.466
Sumber : Hasil Pengolahan Data, (2012)
MAD =
=
∑ | aktual - peramalan | n 2.466 2
= 1.233
98
MSE =
=
∑ | kesalahan peramalan |
2
n 3.380.066 2
= 1.690.033
4.4.3.3 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Weighted Moving Average Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.18 Hasil Perhitungan Manual dengan Metode Weighted Moving Average (Bandara Husein Sastranegara Bandung, November 2012)
Bulan
Periode (X)
Penjualan (Yt)
Ft
Yt – Ft
Juni
1
2.062
-
-
Juli
2
3.657
-
-
Agustus
3
3.551
-
-
September
4
4.735
3.285
1.450
Oktober
5
4.802
4.164,2
637,8
November
6
-
4.531,7
-
Jumlah Sumber : Hasil Pengolahan Data, (2012)
2.087,8
99
MAD =
=
∑ | aktual - peramalan | n 2.087,8 2
= 1043,9
MSE =
=
∑ | kesalahan peramalan |
2
n 2.509.288, 84 2
= 1.254.644,42
4.4.3.4 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Exponential Smoothing Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada tabel dibawah ini.
100
Tabel 4.19 Hasil Perhitungan Manual dengan Metode Exponential Smoothing (Bandara Husein Sastranegara Bandung, November 2012)
Bulan
Periode (X)
Juni
1
Juli
Penjualan
Ft
Yt – Ft
2.062
-
-
2
3.657
2.062
1.595
Agustus
3
3.551
2.540,5
1.010,5
September
4
4.735
2.843,65
1.891,35
Oktober
5
4.802
3.411,06
1.390,94
November
6
-
3.828,34
-
(Yt)
Jumlah
5.887,79
Sumber : Hasil Pengolahan Data, (2012)
MAD =
=
∑ | aktual - peramalan | n 5.887,79 4
= 1.471,95
MSE =
=
∑ | kesalahan peramalan | n 9.077.054, 156 4
= 2.269.263,54
2
101
4.4.3.5 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Exponential Smooting with Trend Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.20 Hasil Perhitungan Manual dengan Metode Exponential Smoothing with Trend (Bandara Husein Sastranegara Bandung, November 2012) FIT =
Periode
Penjualan
(X)
(Yt)
Juni
1
2.062
-
-
-
-
Juli
2
3.657
2.062
0
2.062
1.595
Agustus
3
3.551
2.540,5
95,7
2.636,2
914,8
September
4
4.735
2.910,64
150,59
3.061,23
1.673,77
Oktober
5
4.802
3.563,36
251,02
3.814,38
987,62
November
6
-
4.110,67
310,28
4.420,95
-
Bulan
Jumlah Sumber : Hasil Pengolahan Data, (2012)
Ft
Tt
Yt - FIT Ft + Tt
5.171,19
102
MAD =
∑ | aktual - peramalan | n
=
5.171,19 4
= 1.292,80
MSE =
=
∑ | kesalahan peramalan |
2
n 7.157.783, 32 4
= 1.789.445,83
4.4.3.6 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Naive Method Hasil perhitungan manual peramalan penjualan Roti’O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan Naive Method dapat dilihat pada tabel dibawah ini.
103
Tabel 4.21 Hasil Perhitungan Manual dengan Naive Method (Bandara Husein Sastranegara Bandung, November 2012
Bulan
Periode (X)
Juni
1
Juli
Penjualan
Ft
Yt – Ft
2.062
-
-
2
3.657
2.062
1.595
Agustus
3
3.551
3.657
106
September
4
4.735
3.551
1.184
Oktober
5
4.802
4.735
67
November
6
-
4.802
-
(Yt)
Jumlah
2.952
Sumber : Hasil Pengolahan Data, (2012)
MAD =
=
∑ | aktual - peramalan | n 2.952 4
= 738
∑ | kesalahan peramalan | MSE = n
=
3.961.606 4
= 990.401,5
2
104
4.5 Perbandingan dari Perhitungan Software QM for Windows dengan Perhitungan Manual 4.5.1 Perbandingan Perhitungan pada Outlet Stasiun Kota Jakarta Perhitungan peramalan jumlah penjualan Roti’O stasiun Kota Jakarta untuk bulan November 2012 pada PT. Sebastian Citra Indonesia dengan menggunakan 6 metode peramalan, antara lain : Linear Regression, Moving Average, Weighted Moving Average, Exponential Smoothing, Exponential Smoothing with Trend, dan Naive Method telah dihitung dengan menggunakan Software QM for Windows dan perhitungan manual. Berikut akan ditampilkan tabel perbandingan hasil perhitungan dari ke enam metode. Tabel 4.22 Perbandingan Hasil Perhitungan Software QM for Windows dan Perhitungan Manual dengan Enam Metode Pada Forecasting Stasiun Kota Jakarta (November 2012).
METODE
Perhitungan dengan QM For Windows
Perhitungan Manual
Hasil Peramalan
MAD
MSE
Hasil Peramalan
MAD
MSE
7.284,268
820,0032
1.186,127
7.824,27
820,01
1.186.127,47
Moving Average
5.763
688,5555
622.946,2
5.763
688,56
622.947,80
Weighted Moving Average
5.980,4
565,6333
455.674,1
5.980,4
565,63
455.674,12
Exponential Smoothing
5.183,925
2.238,616
6.117.946
5.183,93
2238,93
6.117.944,45
Exponential Smoothing With Trend
6.413,567
1.712.792
4.745.959
6.413,57
1.712,81
4.745.984,19
6.510
1.339,2
3.983.959
6.510
1.339,2
3.983,960
Linear Regression
Naive Method
Sumber : Hasil Pengolahan Data, (2012)
105
Dari hasil perhitungan tersebut, tabel diatas menunjukkan bahwa metode Weighted Moving Average yang memiliki nilai MAD dan MSE yang paling kecil, sehingga disarankan kepada perusahaan untuk menggunakan metode tersebut untuk memprediksi banyaknya penjualan Roti’O pada periode yang akan datang.
4.5.2 Perbandingan Perhitungan pada Outlet Stasiun Bandung Perhitungan peramalan jumlah penjualan Roti’O Stasiun Bandung untuk bulan November 2012 pada PT. Sebastian Citra Indonesia dengan menggunakan 6 metode peramalan, antara lain : Linear Regression, Moving Average, Weighted Moving Average, Exponential Smoothing, Exponential Smoothing with Trend, dan Naive Method telah dihitung dengan menggunakan Software QM for Windows dan perhitungan manual. Berikut akan ditampilkan tabel perbandingan hasil perhitungan dari ke enam metode.
106
Tabel 4.23 Perbandingan Hasil Perhitungan Software QM for Windows dan Perhitungan Manual dengan Enam Metode Pada Forecasting Stasiun Bandung (November 2012). Perhitungan dengan QM For Windows
Perhitungan Manual
METODE Hasil Peramalan
MAD
MSE
Hasil Peramalan
MAD
MSE
9.042,9
269,08
99.628,16
9.042,9
269,08
99.628,22
Moving Average
8.382,667
411,1665
245.325,8
8.382,67
411,17
245.323,77
Weighted Moving Average
8.504
373,5498
265.813,2
8.504
373,55
265.813,23
Exponential Smoothing
8.170,225
751,8546
670.014,6
8.170,22
751,85
670.014,46
Exponential Smoothing With Trend
8.469,985
648,4943
540.123,4
8.470,73
647,96
539.634,19
8.891
547,25
473.311,3
8.891
547,25
473.311,25
Linear Regression
Naive Method
Sumber : Hasil Pengolahan Data, (2012) Dari hasil perhitungan tersebut, tabel diatas menunjukkan bahwa metode Linear Regression yang memiliki nilai MAD dan MSE yang paling kecil, sehingga disarankan kepada perusahaan untuk menggunakan metode tersebut untuk meramalkan banyaknya penjualan Roti’O pada periode yang akan datang.
4.5.3 Perbandingan Perhitungan pada Outlet Bandara Husein Sastranegara Bandung Perhitungan peramalan jumlah penjualan Roti’O Bandara Husein Sastra Negara Bandung untuk bulan November 2012 pada PT. Sebastian Citra Indonesia dengan menggunakan 6 metode peramalan, antara lain : Linear Regression,
107
Moving Average, Weighted Moving Average, Exponential Smoothing, Exponential Smoothing with Trend, dan Naive Method telah dihitung dengan menggunakan Software QM for Windows dan perhitungan manual. Berikut akan ditampilkan tabel perbandingan hasil perhitungan dari ke enam metode. Tabel 4.24 Perbandingan Hasil Perhitungan Software QM for Windows dan Perhitungan Manual dengan Enam Metode Pada Forecasting Bandara Husein Sastranegara Bandung (November 2012). Perhitungan dengan QM For Windows
Perhitungan Manual
METODE Hasil Peramalan
MAD
MSE
Hasil Peramalan
MAD
MSE
5.728,8
347,6799
1.34.627,3
5.728,8
347,68
134.627,36
Moving Average
4.362,667
1.233
1.690.033
4.362,67
1.233
1.690.033
Weighted Moving Average
4.531,7
1.043,9
1.254.644
4.531,7
1.043,9
1.254.644,42
Exponential Smoothing
3.828,338
1.471,949
2.269,267
3.828,34
1.471,95
2.269.263,54
Exponential Smoothing With Trend
4.420,934
1.292,8
1.789.451
4.420,95
1.292,80
1.789.445,83
4.802
738
990.401,5
4.802
738
990.401,5
Linear Regression
Naive Method
Sumber : Hasil Pengolahan Data, (2012) Dari hasil perhitungan tersebut, tabel diatas menunjukkan bahwa mmetode Linear Regression yang memiliki nilai MAD dan MSE yang paling kecil, sehingga disarankan kepada perusahaan untuk menggunakan metode tersebut untuk memoprediksi banyaknya penjualan Roti’O pada periode yang akan datang.
108
4.6 Menghitung Persediaan Setelah perusahaan melakukan peramalan terhadap penjualan Roti’O, hal berikutnya yang akan dilakuakan adalah menghitung Inventory atau Persediaan bahan baku yang digunakan untuk memproduksi roti. Bahan baku yang diperlukan dalam produksi roti, antara lain : tepung terigu, gula pasir, mentega, susu bubuk, fermipan (pengembang roti), telur, bubuk coklat, bubuk kopi, dan esen moka. Namun, bahan baku yang difokuskan pada pembahasan disini yaitu tepung terigu, gula, dan mentega. Berikut akan ditampilkan data-data yang diperlukan dalam perhitungan persediaan pada PT. Sebastian Citra Indonesia di dalam tabel. Tabel 4.25 Data-Data Bahan Baku PT. Sebastian Citra Indonesia Bahan Baku
Tepung Terigu
Gula
Mentega
600 Kg
250 Kg
360 Kg
Harga per kilogram
Rp. 6.400
Rp. 11.500
Rp. 37.500
Biaya pengiriman (Co)
Rp. 60.000
Rp. 25.000
Rp. 72.000
Biaya penyimpanan (Ch)
Rp. 940
Rp. 940
Rp. 940
Jumlah hari kerja
30 hari
30 hari
30 hari
Waktu tunggu
2 hari
2 hari
4 hari
100 Kg
50 Kg
60 Kg
Demand
Safety stock
Sumber : Hasil Pengolahan Data, (2012)
109
4.6.1 Persediaan Tepung Terigu Persediaan tepung terigu pada PT. Sebastian Citra Indonesia akan dihitung dengan menggunakan Software QM for Windows dan perhitungan secara manual dengan metode EOQ (Economic Order Quantity) sederhana karena data-data yang didapat dari perusahaan tidak mendukung untuk melakukan perhitungan menggunakan metode EOQ Discount.
4.6.1.1 Perhitungan Persediaan Tepung Terigu dengan Software QM for Windows Hasil perhitungan persediaan tepung terigu pada PT. Sebastian Citra Indonesia menggunakan Software QM for Windows dengan metode EOQ (Economic Order Quantity) Model dapat dilihat pada gambar dibawah ini.
Gambar 4.21 Hasil Perhitungan EOQ Tepung Terigu dengan Software QM for Windows Sumber : Hasil Pengolahan Data, (2012)
110
4.6.1.2 Perhitungan Persediaan Tepung Terigu Secara Manual Berdasarkan hasil perhitungan Software QM for Windows pada tabel 4.25, maka dapat dilakukan perhitungan manual persediaan tepung terigu pada PT. Sebastian Citra Indonesia. Dalam perhitungan ini, data-data yang diperlukan perusahaan akan dihitung secara manual, antara lain : 1. EOQ (Q*) 2. Average Inventory 3. Orders per Period 4. Annual Setup Cost 5. Annual Holding Cost 6. Total Unit Cost 7. Total Cost 8. Daily Demand 9. Reorder Point Berikut akan di tampilkan perhitungan manual tepung terigu untuk membandingkan hasil perhitungan dengan Software QM for Windows. 1. EOQ =
=
2.D.S H 2.600.60000 940
= 76595,74 = 267,76 kg
111
2. Average Inventory =
=
Q* 2 267 ,76 2
= 138,38 kg
3. Orders per Period =
=
D Q* 600 276,76
= 2,17 kali pemesanan
4. Annual Setup Cost =
=
D .Co Q*
600 .60.000 276,76
= Rp. 130.076,60
5. Annual Holding Cost = =
Q* .Ch 2 276,76 .940 2
= Rp .130.077,20
112
6. Total Unit Cost = Unit Cost x Demand = Rp. 6.400 x 600 = Rp. 3.840.000
7. Total cost = Total Unit Cost + Annual Setup Cost + Annual Holding Cost = Rp. 3.840.000 + Rp. 130.076,60 + Rp. 130.077,20 = Rp. 4.100.152,80
8. Daily Demand =
=
D Jumlah hari kerja 600 30
= 20 kg
9. Reorder Point = Safety Stock + ( Lead Time x Daily Demand ) = 100 + (2 x 20) = 140 kg
Dari hasil perhitungan Software QM for Windows dan perhitungan manual diatas dapat disimpulkan bahwa PT. Sebastian Citra Indonesia sebaiknya melakukan pemesanan tepung terigu yang ekonomis untuk pembuatan Roti’O sebanyak 267,76 kg, dan melakukan pemesanan sebanyak 2,17 kali dalam waktu sebulan untuk memenuhi kebutuhan tepung terigu pada produksi Roti’O. PT.
113
Sebastian Citra Indonesia membutuhkan tepung terigu sebanyak 20 kg untuk keperluan produksi per hari, maka pemesanan kembali pada tepung terigu (Reoerder Point) dilakukan apabila persediaan tersisa 140 kg. Dalam melakukan pemesanan tepung terigu, PT. Sebastian Citra Indonesia harus mengeluarkan biaya pemesanan sebesar Rp. 130.076,60 dan biaya penyimpanan sebesar Rp. 130.077,20. Total biaya untuk pembelian tepung terigu itu sendiri sebesar Rp. 3.840.000, maka total keseluruhan biaya yang dikeluarkan oleh PT. Sebastian Citra Indonesia untuk memenuhi kebutuhan tepung terigu untuk produksi Roti’O adalah Rp. 4.100.152,80 per bulan.
4.6.2 Persediaan Gula Pasir Persediaan gula pasir pada PT. Sebastian Citra Indonesia akan dihitung dengan menggunakan Software QM for Windows dan perhitungan secara manual dengan metode EOQ (Economic Order Quantity) sederhana karena data-data yang didapat dari perusahaan tidak mendukung untuk melakukan perhitungan menggunakan metode EOQ Discount.
4.6.2.1 Perhitungan Persediaan Gula Pasir dengan Software QM for Windows Hasil perhitungan persediaan gula pasir pada PT. Sebastian Citra Indonesia menggunakan Software QM for Windows dengan metode EOQ (Economic Order Quantity) Model dapat dilihat pada gambar dibawah ini.
114
Gambar 4.22 Hasil Perhitungan EOQ Gula Pasir dengan Software QM for Windows Sumber : Hasil Pengolahan Data, (2012)
4.6.2.2 Perhitungan Persediaan Gula Pasir Secara Manual Berikut akan ditampilkan perhitungan manual gula pasir untuk membandingkan hasil perhitungan dengan Software QM for Windows. 1. EOQ =
=
2.DS H 2.250.25000 940
= 13297,87
= 115,32 kg
115
2. Average Inventory =
Q* 2
115,32 2
=
= 57,66 kg
3. Orders per Period =
D Q*
250 115 .32
=
= 2,17 kali pemesanan
4. Annual Setup Cost =
=
D .Co Q*
250 .25.000 115,32
= Rp. 54.197,02
5. Annual Holding Cost =
=
Q* .Ch 2
115,32 .940 2
= Rp. 54.200,40
116
6. Total Unit Cost = Unit Cost x Demand = Rp. 11.500 x 250 = Rp. 2.875.000
7. Total cost = Total Unit Cost + Annual Setup Cost + Annual Holding Cost = Rp. 2.875.000 + Rp. 54.197,02 + Rp. 54.200,40 = Rp. 2.983.397,42
8. Daily Demand =
=
D Jumlah hari kerja
250 30
= 8,33 kg
9. Reorder Point = Safety Stock + ( Lead Time x Daily Demand ) = 50 + (2 x 8,33) = 66,66 kg
Dari hasil perhitungan Software QM for Windows dan perhitungan manual diatas dapat disimpulkan bahwa PT. Sebastian Citra Indonesia sebaiknya melakukan pemesanan gula pasir yang ekonomis untuk pembuatan Roti’O sebanyak 115,32 kg, dan melakukan pemesanan sebanyak 2,17 kali dalam waktu sebulan untuk memenuhi kebutuhan gula pasir pada produksi Roti’O. PT.
117
Sebastian Citra Indonesia membutuhkan gula pasir sebanyak 8,33 kg untuk keperluan produksi per hari, maka pemesanan kembali pada gula pasir (Reorder Point) dilakukan apabila persediaan tersisa 66,66 kg. Dalam melakukan pemesanan gula pasir, PT. Sebastian Citra Indonesia harus mengeluarkan biaya pemesanan sebesar Rp. 54.197,02 dan biaya penyimpanan sebesar Rp. 54.200,40. Total biaya untuk pembelian gula pasir itu sendiri sebesar Rp. 2.875.000, maka total keseluruhan biaya yang dikeluarkan oleh PT. Sebastian Citra Indonesia untuk memenuhi kebutuhan gula pasir untuk produksi Roti’O adalah Rp. 2.983.397,42 per bulan.
4.6.3 Persediaan Mentega Persediaan mentega pada PT. Sebastian Citra Indonesia akan dihitung dengan menggunakan Software QM for Windows dan perhitungan secara manual dengan metode EOQ (Economic Order Quantity) sederhana karena data-data yang didapat dari perusahaan tidak mendukung untuk melakukan perhitungan menggunakan metode EOQ Discount.
4.6.3.1 Perhitungan Persediaan Mentega dengan Software QM for Windows Hasil perhitungan persediaan mentega pada PT. Sebastian Citra Indonesia menggunakan Software QM for Windows dengan metode EOQ (Economic Order Quantity) Model dapat dilihat pada gambar dibawah ini.
118
Gambar 4.23 Hasil Perhitungan EOQ Mentega dengan Software QM for Windows Sumber : Hasil Pengolahan Data, (2012)
4.6.3.2 Perhitungan Persediaan Mentega Secara Manual Berikut
akan
ditampilkan
perhitungan
manual
mentega
membandingkan hasil perhitungan dengan Software QM for Windows. 1. EOQ =
=
2.DS H
2.360.72.000 940
= 55.148,94 = 234,84 kg
untuk
119
2. Average Inventory =
=
Q* 2
234,84 2
= 117,42 kg
3. Orders per Period =
=
D Q* 360 234,84
= 1,53 kali pemesanan
4. Annual Setup Cost
=
D .Co Q*
=
360 .72.000 234,84
= Rp. 110.373,02
5. Annual Holding Cost = =
Q* .Ch 2 234 ,84 .940 2
= Rp. 110.374,80
120
6. Total Unit Cost = Unit Cost x Demand = Rp. 37.500 x 360 = Rp. 13.500.000
7. Total cost
= TotalUnit Cost + AnnualSetupCost + AnnualHoldingCost = Rp. 13.500.000 + Rp. 110.373,02 + Rp. 110.374,8 = Rp. 13.720.747,82
8. Daily Demand =
=
D Jumlah hari kerja 360 30
= 12 kg
9. Reorder Point = Safety Stock + ( Lead Time x Daily Demand ) = 60 + (4 x 12) = 108 kg
Dari hasil perhitungan Software QM for Windows dan perhitungan manual diatas dapat disimpulkan bahwa PT. Sebastian Citra Indonesia sebaiknya melakukan pemesanan mentega yang ekonomis untuk pembuatan Roti’O sebanyak 234,84 kg, dan melakukan pemesanan sebanyak 1,53 kali dalam waktu sebulan untuk memenuhi kebutuhan mentega pada produksi Roti’O. PT. Sebastian Citra Indonesia membutuhkan mentega sebanyak 12 kg untuk keperluan produksi
121
per hari, maka pemesanan kembali pada mentega (Reorder Point) dilakukan apabila persediaan tersisa 108 kg. Dalam melakukan pemesanan mentega, PT. Sebastian Citra Indonesia harus mengeluarkan biaya pemesanan sebesar Rp. 110.373,02 dan biaya penyimpanan sebesar Rp. 110.374,80. Total biaya untuk pembelian mentega itu sendiri sebesar Rp. 13.500.000, maka total keseluruhan biaya yang dikeluarkan oleh PT. Sebastian Citra Indonesia untuk memenuhi kebutuhan mentega untuk produksi Roti’O adalah Rp. 13.720.747,82 per bulan.
4.7 Pohon Keputusan (Decision Tree) Untuk memasok bahan baku yang diperlukan dalan kegiatan produksi, PT. Sebastian Citra Indonesia menggunakan ekspedisi untuk mengirimkan bahan baku dari supplier ke perusahaan. PT. Sebastian Citra Indonesia berlangganan dengan tiga ekspedisi, yaitu : Galang Tri Manunggal, Mitra Sukses Bersama, dan Buana Trans Sejahtera. Berikut data yang tersedia dari perusahaan untuk melakukan perhitungan dengan metode Pohon Keputusan (Decision Tree).
122
Tabel 4.26 Data Biaya Pengiriman pada PT. Sebastian Citra Indonesia
Alternatif
Peluang Bagi Kondisi Alamiah
Nilai Hasil Keputusan
Ekonomi Baik
Ekonomi Buruk
Ekonomi Baik
Ekonomi Buruk
0.7
0.3
Rp. 1.537.500
Rp. 1.691.250
2. Mitra Sukses Bersama
0.7
0.3
Rp. 1.687.500
Rp. 1856.250
3. Buana Trans Sejahtera
0.7
0.3
Rp. 1.850.000
Rp. 2.035.000
1.
Galang Tri Manunggal
Sumber : PT. Sebastian Citra Indonesia (2012)
Nilai hasil keputusan pada tabel 4.26 merupakan biaya yang dikeluarkan oleh PT. Sebastian Citra Indonesia apabila menggunakan masing-masing ekspedisi untuk mengirimkan bahan baku dari supplier, dan terdapat dua kemungkinan yang akan dihadapi, yaitu kondisi ekonomi baik dan kondisi ekonomi buruk. Nilai pada kondisi ekonomi buruk didapatkan dari asumsi bahwa terjadi tarif pengiriman barang dari masing-masing perusahaan ekspedisi tersebut. Sedangkan data nilai peluang (probabilitas) pada tabel di atas diperoleh dari PT. Sebastian Citra Indonesia yaitu sebagai pihak yang berpengaruh dalam proses pengambilan keputusan.
123
4.7.1 Perhitungan Pohon Keputusan (Decision Tree) dengan Software QM for Windows Hasil perhitungan dengan menggunakan Software QM for Windows untuk menentukan alternatif terbaik yaitu mengetahui ekspedisi apa yang sebaiknya dipilih perusahaan dapat dilihat pada gambar di bawah ini.
Gambar 4.24 Hasil Perhitungan Pohon Keputusan (Decision Tree) dengan Software QM for Windows Sumber : Hasil Pengolahan Data, (2012)
Hasil perhitungan Software QM for Windows menunjukkan bahwa alternatif yang sebaiknya dipilih oleh PT. Sebastian Citra Indonesia untuk melakukan pengiriman barang dari supplier yaitu menggunakan ekspedisi Galang Tri Manunggal dengan node yang mempunyai nilai paling kecil yaitu Rp. 1.583.625.
124
4.7.2 Perhitungan Pohon Keputusan (Decision Tree) secara Manual Untuk memastikan agar hasil perhitungan Software QM for Windows akurat, maka akan dilakukan perhitungan manual untuk membandingkan hasil perhitungan dengan Software QM for Windows. Hasil perhitungan manual dapat dilihat dibawah ini. •
EMV (Galang Tri Manunggal) = (0,7)(Rp. 1.537.500) + (0,3)( Rp. 1.691.250) = Rp. 1.076.250 + Rp. 507.375 = Rp. 1.583.625
•
EMV (Mitra Sukses Bersama) = (0,7)(1.687.500) + (0.3)( Rp. 1856.250) = Rp. 1.181.250 + Rp. 556.875 = Rp. 1.738.125
•
EMV (Buana Trans Sejahtera) = (0,7)(Rp. 1.850.000) + (0,3)(Rp. 2.035.000) = Rp. 1.295.000 + Rp. 610.500 = Rp. 1.905.500
125
Pohon Keputusan (Decision Tree) Ekonomi Baik (0,7) Galang Tri Manunggal
Rp. 1.537.500
Rp. 1.583.625
Rp. 1.691.250 Ekonomi Buruk (0,3)
Mitra Sukses Bersama
Rp. 1.583.625
Ekonomi Baik (0,7)
Rp. 1.687.500
Rp. 1.738.125
Rp. 1856.250 Ekonomi Buruk (0,3)
Ekonomi Baik (0,7) Buana Trans Sejahtera
Rp. 1.850.000
Rp. 1.905.500
Rp. 2.035.000 Ekonomi Buruk (0,3)
Gambar 4.25 Hasil Perhitungan Pohon Keputusan (Decision Tree) Sumber : Hasil Pengolahan Data, (2012)
Berdasarkan hasil perhitungan diatas, nilai EMV yang digunakan dalam mengisi noda keputusan adalah EMV pada ekspedisi Galang Tri Manunggal dengan nilai terkecil yaitu Rp. 1.583.625 dibandingkan EMV pada ekspedisi Mitra Sukses Bersama dengan nilai Rp. 1.738.125 dan EMV ekspedisi Buana Trans Sejahtera dengan nilai Rp. 1.905.500. Dari keterangan tersebut, PT Sebastian Citra Indonesia sebaiknya menggunakan ekspedisi Galang Tri Manunggal untuk melakukan pengiriman bahan baku dari supplier.
126
4.8 Implikasi Hasil Penelitian Setelah melakukan perhitungan terhadap masalah yang terjadi pada PT. Sebastian Citra Indonesia, maka hasil perhitungan peramalan untuk outlet Stasiun Kota Jakarta dengan metode Weighted Moving Average pada bulan November 2012 adalah sebanyak 5.980,4 buns roti dengan tingkat kesalahan peramalan yang paling kecil yaitu dengan nilai MAD sebesar 2.238,616 dan nilai MSE sebesar 6.117.946 dari keenam metode yang telah dilakukan perhitungan peramalan. Peramalan penjualan untuk outlet Stasiun Bandung dengan metode Linear Regression pada bulan November 2012 adalah sebanyak 9.042,9 buns roti dengan tingkat kesalahan peramalan yang paling kecil yaitu dengan nilai MAD sebesar 269,08 dan nilai MSE sebesar 99.628,16 dari keenam
metode yang telah
dilakukan perhitungan peramalan. Peramalan untuk outlet Bandara Husein Sastranegara Bandung dengan metode Linear Regrression pada bulan November 2012 adalah sebanyak 5.728,8 buns roti dengan tingkat kesalahan peramalan yang paling kecil yaitu dengan nilai MAD sebesar 347,68 dan nilai MSE sebesar 134.627,36 dari keenam metode yang telah dilakukan perhitungan peramalan. Setelah mendapatkan jumlah peramalan untuk bulan November 2012, maka PT. Sebastian Citra Indonesia harus menghitung jumlah persediaan bahan baku yang diperlukan untuk memproduksi Roti’O. Dalam penelitian ini penulis telah melakukan perhitungan bahan baku untuk pembuatan Roti’O antara lain tepung terigu yang ekonomis sebanyak 276,76 kg, gula pasir sebanyak 66,66 kg, dan mentega sebanyak 234,84 kg.
127
Selanjutnya untuk melakukan pengiriman bahan baku dari supplier berdasarkan perhitungan dengan metode Pohon Keputusan (Decision Tree), PT. Sebastian Citra Indonesia sebaiknya menggunakan ekspedisi Galang Tri Manunggal untuk meminimalisir biaya pengiriman bahan baku.