BAB V HASIL PENELITIAN DAN PEMBAHASAN Implementasi Supply Requirement Planning (SR Planning) dan Logistic

78

BAB V HASIL PENELITIAN DAN PEMBAHASAN

5.1. Implementasi Supply Requirement Planning (SR Planning) dan Logistic Support Performance pada Logistic DC divisi Domestic Market-CP Prima. 5.1.1. Implementasi Supply Requirement Planning (SR Planning) pada Logistic CP Prima. Proses implementasi perencanaan Supply Requirement Planning (SR Planning) pada perusahaan berorientasi pada penentuan tingkat jumlah stok Product jadi (finished goods Product) yang akan dikirim atau disuplai (Stock to be Deliver point) dengan mengacu pada kebutuhan nasional (National order booking) yaitu Kebutuhan ini berdasarkan kebutuhan seluruh cabang untuk memenuhi

estimasi Monthly sales

target

yang disesuaikan

dengan

memperhitungkan tingkat inventory (Opening Stock dan Stock policy) dari masing-masing cabang dan National-DC Warehouse. SR Planning berdasarkan formulasi matematis tersebut menjelaskan bahwa elemen-elemen pada pembentukan SR Planning terdiri dari faktor-faktor sebagai berikut: a. National Sales Forecast (Ramalan Penjualan Nasional). b. National order booking (Estimasi kebutuhan permintaan Nasional). c. Buffer Stock Estimate (Estimasi kebutuhan Buffer Stock). d. Inventory

average

of

Processing

Plant

(rata-rata

proses/produksi).

http://digilib.mercubuana.ac.id/

persediaan

plant

79

e. Inventory average of DC Plant (rata-rata persediaan plant Logistik). f. Realisatios of Supply (tingkat realisasi suplai). a) National order booking Selama periode sampel penelitian didapatkan rata-rata jumlah National order booking berada pada point 299,491.49 Kg (2.99 MT) atau 102% dari nilai National Sales Forecast, dimana nilai prosentase tertinggi National order booking pada periode tersebut terjadi di periode Juli 2014 yaitu 128% dari nilai Sales Forecast (point of Demand Planning), nilai National order booking yang lebih besar dari jumlah Sales Forecast umumnya disebabkan oleh adanya kebijakan Buffer Stock yang cukup besar dari cabang sehingga kebutuhan stok yang direncanakan akan diorder melebihi nilai estimasi Sales Forecast awal. Nilai terendah National order booking pada periode tersebut terjadi di periode Februari 2016 yaitu 69% dari nilai Sales Forecast (point of Demand Planning), adapun nilai National order booking yang lebih kecil dari jumlah Sales Forecast umumnya disebabkan oleh adanya jumlah stok/persediaan awal di cabang yang masih cukup besar, sehingga stok awal tersebut akan mengurangi kebutuhan dari stok yang direncanakan akan diorder dengan estimasi Sales Forecast awal. Adapun terkait realisasi daripada pencapaian atau aktual dari National Order Booking selama periode sampel penelitian (Januari 2014 s/d Juni 2016) dapat ditunjukan dengan data pada tabel berikut ini :


80

Tabel 5.1.National order booking Estimate Vs Actual Order Booking National Order Booking Estimate

Actual National Order Booking

Jan-14

113,202

75,816

(37,386)

37,386

33%

67%

Feb-14

113,202

88,295

(24,907)

24,907

22%

78%

Mar-14

130,075

94,266

(35,810)

35,810

28%

72%

Apr-14

132,267

125,133

(7,134)

7,134

5%

95%

May-14

176,189

116,859

(59,330)

59,330

34%

66%

Jun-14

187,948

139,716

(48,233)

48,233

26%

74%

Jul-14

427,719

147,012

(280,707)

280,707

66%

34%

Aug-14

427,719

147,480

(280,239)

280,239

66%

34%

Sep-14

219,330

140,074

(79,256)

79,256

36%

64%

Oct-14

299,432

162,878

(136,554)

136,554

46%

54%

Nov-14

299,359

180,300

(119,059)

119,059

40%

60%

Dec-14

300,940

207,547

(93,392)

93,392

31%

69%

Jan-15

327,769

200,289

(127,480)

127,480

39%

61%

Feb-15

243,019

182,258

(60,761)

60,761

25%

75%

Mar-15

424,328

207,414

(216,913)

216,913

51%

49%

Apr-15

424,328

215,215

(209,112)

209,112

49%

51%

May-15

289,164

276,099

(13,065)

13,065

5%

95%

Jun-15

299,874

297,321

(2,553)

2,553

1%

99%

Jul-15

213,919

242,560

28,641

28,641

13%

113%

Aug-15

344,560

331,601

(12,959)

12,959

4%

96%

Sep-15

407,326

302,665

(104,660)

104,660

26%

74%

Oct-15

407,326

271,294

(136,031)

136,031

33%

67%

Nov-15

366,077

323,217

(42,860)

42,860

12%

88%

Dec-15

328,559

382,475

53,917

53,917

16%

116%

Jan-16

407,421

295,450

111,971

27%

73%

Feb-16

270,677

298,390

27,713

27,713

10%

110%

Mar-16

385,011

325,130

(59,881)

59,881

16%

84%

Apr-16

304,708

302,279

(2,429)

2,429

1%

99%

May-16

356,650

406,150

49,500

-14%

114%

Jun-16

356,650

498,491

141,841

141,841

40%

140%

Mean

299,491

232,789

(66,702)

83,510

26%

79%

Periode

error

(111,971)

Absolute Error

(49,500)

% Absolute Error

Estimate Accuracy (%)

Sumber :SR PlanningDatabase yang diolah (2016)

Tabel 5.1. memberikan informasi bahwa selama periode Januari 2014 s/d Juni 2016 rata-rata ketepatan dalam perkiraan permintaan barang ke Dc sebesar 79% dengan rata-rata persentase kesalahan estimasi mutlak sebesar 26%. Natioal Order Booking Estimate tidaklah hanya diukur dari sejauh mana permintaan aktual mencapai target penjualan yang diinginkan, tetapi selain dari pada itu,


81

keberhasilan dari pada National order booking Estimate juga diukur dari seberapa tepat perhitungann Estimasi tersebut memprediksi secara cermat dan tepat terhadap aktual permintaan yang terjadi dalam periode tersebut. Perhitungan estimasi yang akurat akan memberikan informasi yang tepat dalam proses dan strategi perencanaan suplai (Supply Planning) yang di hitung dalam Model SR Planning. b) National Sales Forecast (Ramalan Penjualan Nasional). SR Planning pada implementasinya di rancang dan disusun untuk memperhitungkan tingkat stok baik pada proses produksi, suplai, maupun pencadangannya sehingga ketersediaan stok yang ada akan mampu mendukung proses dan pencapaian penjualan yang terjadi dengan acuan awal adalah tingkat peramalan penjualan nasional (National Sales Forecast). Indikator keberhasilan dari peramalan penjualan tidaklah hanya diukur dari sejauh mana penjualan aktual mencapai target penjualan yang diinginkan, tetapi selain daripada itu, keberhasilan dari pada peramalan penjualan juga diukur dari seberapa tepat peramalan tersebut memprediksi secara cermat dan tepat terhadap penjualan yang terjadi dalam periode tersebut. Peramalan yang akurat akan memberikan informasi yang tepat dalam proses dan strategi perencanaan suplai (Supply Planning) dan perencanaan produksi (Productions Planning) yang di hitung dalam Model SR Planning. Prinsipnya nilai daripada ramalan penjualan (Sales Forecast) adalah merupakan nilai acuan sebagai rencana permintaan (Demand Planning), dan SR Planning adalah bentuk rencana tanggapan sebagai rencana suplai guna memenuhi rencana dan estiamasi permintaan tersebut.


82

Sehingga keduanya merupakan dua point yang saling berkaitan sebagai fungsi perencanaan (Planning Fungtions). Berikut adalah data National Sales Forecast (Peramalan Penjualan Nasional) dibandingkan dengan data aktual penjualan selama periode sampel yang dipakai dalam penelitian (Januari 2014 s/d Juni 2016), pada Tabel berikut juga di jelaskan tingkat error dari proses peramalan penjualan (Sales Forecast) dan tingkat keakuratanya (Sales Forecast Accuracy) terhadap aktual penjualan yang terjadi pada periode tersebut. Tabel 5.2. National Sales Forecast Vs Actual Sales Forecast

Periode

National_Sales Actual Forecast Sales_National( (Demand Actual Demand) Planing)

error

Absolute Error

% Absolute Error

Forecast Accuracy (%)

Jan-14

105,735

49,335

(56,400)

56,400

53%

47%

Feb-14

105,735

70,843

(34,893)

34,893

33%

67%

Mar-14

122,065

68,553

(53,512)

53,512

44%

56%

Apr-14

121,121

88,402

(32,719)

32,719

27%

73%

May-14

163,461

92,594

(70,866)

70,866

43%

57%

Jun-14

171,521

105,189

(66,332)

66,332

39%

61%

Jul-14

334,671

102,356

(232,315)

232,315

69%

31%

Aug-14

334,671

107,552

(227,119)

227,119

68%

32%

Sep-14

202,562

102,541

(100,020)

100,020

49%

51%

Oct-14

267,113

118,025

(149,088)

149,088

56%

44%

Nov-14

267,462

119,061

(148,402)

148,402

55%

45%

Dec-14

268,624

147,281

(121,343)

121,343

45%

55%

Jan-15

291,814

151,382

(140,432)

140,432

48%

52%

Feb-15

227,773

137,515

(90,257)

90,257

40%

60%

Mar-15

346,588

162,451

(184,138)

184,138

53%

47%

Apr-15

379,172

163,586

(215,586)

215,586

57%

43%

May-15

324,680

194,671

(130,008)

130,008

40%

60%

Jun-15

318,067

215,238

(102,829)

102,829

32%

68%

Jul-15

229,079

170,992

(58,087)

58,087

25%

75%

Aug-15

347,044

211,615

(135,429)

135,429

39%

61%

Sep-15

416,922

218,714

(198,208)

198,208

48%

52%

Oct-15

416,922

197,721

(219,201)

219,201

53%

47%

Nov-15

379,743

218,101

(161,642)

161,642

43%

57%

Dec-15

347,677

279,256

(68,421)

68,421

20%

80%

Jan-16

422,673

201,285

(221,388)

221,388

52%

48%

Feb-16

394,979

212,173

(182,806)

182,806

46%

54%

Mar-16

383,492

249,327

(134,165)

134,165

35%

65%

Apr-16

381,254

219,370

(161,885)

161,885

42%

58%

May-16

436,993

293,997

(142,997)

142,997

33%

67%

Jun-16

436,993

328,460

(108,533)

108,533

25%

M ean

298,220

166,586

(131,634)

131,634

Sumber :SR PlanningDatabase yang diolah (2016)


44%

75% 56%

83

Data pada Tabel 5.2. berikut ini memberikan informasi bahwa selama periode Januari 2014 s/d Juni 2016 rata-rata keakuratan peramalan penjualan (Sales Forecast Accuracy) berada pada prosetase 56% dengan rata-rata prosentase kesalahan mutlak (Mean Absolute Error Percente) sebesar 44%. Dengan rata-rata ketidaktercapaian ramalan penjualan dari yang direncanakan adalah sebesar 131 MT (131.634 Kg). Rata-rata Forecast

Accuracy selama

periode Januari 2014 s/d Juni 2016 Forecast Accuracy hanya berada pada prosentase 56% hal tersebut tidak hanya menggambarkan adanya kekurang akuratan dalam perhitungan peramalan penjualan (Sales Forecast) tetapi juga menunjukan pencapaian penjualan (Sales Achievement) belum ada yang mencapai target sesuai nilai yang diramalkan sehingga terjadi gap antara nilai peramalan penjualan dengan nilai aktual penjualan pada periode tersebut, maka dari informasi ini manajemen selain melakukan evaluasi terhadap metode peramalan juga harus melakukan evaluasi dan perbaikan strategi pada proses penjualan, terkait hal tersebut maka sesuai batasan penelitian maka permaslahan terkait strategi proses penjualan dan evaluasi peramalan penjualan tidak akan dianalisis lebih jauh pada penelitian ini. c)

Buffer Stock Estimate (Estimasi kebutuhan Buffer Stock) Implementasi dari proses penentuan nilai Buffer Stock Estimate pada SR

Planning Model CP Prima umumnya ditentukan sebagai prosentase estimasi stok pengaman dari Sales Forecast volume. Adapun rata-rata pada periode implementasi SR Planning yang dijadikan sample pada penelitian ini menunjukan rata-rata prosentase volume dari Buffer


84

Stock Estimate berada pada prosentase 46 % dari volume Sales Forecast. dimana nilai prosentase tertinggi Buffer Stock Estimate pada periode tersebut terjadi di periode April 2016 yaitu 118% dari nilai Sales Forecast (point of Demand Planning), nilai Buffer Stock Estimate yang lebih besar dari jumlah Sales Forecast umumnya disebabkan oleh adanya penyesuaiaan strategi kebijakan stok yang di sesuaikan dengan kondisi performance atau estimasi penjualan yang cukup besar (optimism sales performance) sehingga kebutuhan stok yang direncanakan akan diorder melebihi nilai estimasi Sales Forecast awal. Nilai terendah Buffer Stock pada periode tersebut terjadi di periode May 2014 yaitu 19% dari nilai Sales Forecast (point of Demand Planning), adapun nilai Buffer Stock Estimate yang lebih kecil dari jumlah Sales Forecast umumnya disebabkan juga oleh adanya penyesuaiaan strategi kebijakan stok yang di sesuaikan dengan kondisi performance atau estimasi penjualan yang cukup rendah (pesimism sales performance) sehingga kebutuhan stok yang direncanakan akan di Buffer nilainya tidak signifikan dari estimasi Sales Forecast awal.

Gambar 5.1.Buffer Stock Vs National Sales Forecast Sumber :SR PlanningDatabase yang diolah


85

Gambar 5.1. merupakan gambaran daripada proporsi antara Buffer Stock dengan tingkat peramalan penjualan (Sales Forecast), dimana berdasarkan data SR Planning periode Januari 2014 s/d Juni 2016 menunjukan bahwa rata-rata proporsi Buffer Stock yang berfungsi sebagai stok cadangan atau pengaman terhadap adanya fluktuasi tingkat permintaan aktual sebesar 46% yang berarti stok cadangan/pegaman disiapkan sebesar 0,46 kali dari rencana penjualan. d) Inventory average of Processing Plant (rata-rata persediaan plant proses/produksi). Tabel 5.3. Average Inventory of Processing Plant

Periode

National Sales Forecast (Demand Planing)

Opening Stock in Processing Plant

Ending Stock in Processing Plant

Average Inventory

(%) Average Inventory in Processing Plant of Demand Planing

Jan-14

105,735

44,632

44,632

44,632

Feb-14

105,735

44,632

119,290

81,961

78%

Mar-14

122,065

119,290

131,765

125,528

103%

Apr-14

121,121

131,765

105,679

118,722

98%

May-14

163,461

105,679

95,360

100,519

61%

Jun-14

171,521

95,360

112,400

103,880

61%

Jul-14

334,671

112,400

112,400

112,400

34%

Aug-14

334,671

112,400

96,923

104,661

31%

Sep-14

202,562

96,923

146,177

121,550

60%

Oct-14

267,113

146,177

176,032

161,104

60%

Nov-14

267,462

176,032

212,548

194,290

73%

Dec-14

268,624

212,548

128,545

170,546

63%

Jan-15

291,814

128,545

149,780

139,162

48%

Feb-15

227,773

149,780

148,906

149,343

66%

Mar-15

346,588

148,906

116,682

132,794

38%

Apr-15

379,172

116,682

63,969

90,325

24%

May-15

324,680

63,969

84,081

74,025

23%

Jun-15

318,067

84,081

53,214

68,647

22%

Jul-15

229,079

53,214

56,374

54,794

24%

Aug-15

347,044

56,374

60,673

58,524

17%

Sep-15

416,922

60,673

60,673

60,673

15%

Oct-15

416,922

60,673

43,788

52,231

13%

Nov-15

379,743

43,788

85,839

64,814

17%

Dec-15

347,677

85,839

43,402

64,621

19%

Jan-16

422,673

43,402

93,037

68,220

16%

Feb-16

394,979

93,037

143,608

118,323

30%

Mar-16

383,492

143,608

176,792

160,200

42%

Apr-16

381,254

176,792

203,738

190,265

50%

May-16

436,993

203,738

203,738

203,738

47%

Jun-16

436,993

203,738

143,608

173,673

40%

Max

436,993

212,548

212,548

203,738

103%

Min

105,735

43,402

43,402

44,632

13%

Average

298,220

110,489

113,788

112,139

44%

Stdev

105,416

51,124

49,907

47,129

24%

Sumber : data SR Planing yang diolah (2016)


42%

86

Opening Stock Processing Plant rata–rata Opening Stock Processing Plant (stok awal Plant proses) pada periode penelitian adalah sebesar 42% dari volume Sales Forecast. Adapun rata-rata persedian pada plant produksi adalah rata-rata tingkat persedian awal (Opening Stock) dan stok akhir (Ending Stock) plant produksi. Rata-rata persediaan ini juga merupakan bagian yang dipertimbangkan atau diperhitungkan dalam perancangan dan penyusunan SRPlanning. Data pada Tabel 5.3. menunjukan rata-rata persediaan di plant produksi (Inventory Average of Processing Plant) selama periode sample penelitian berada pada point 112,13 MT atau rata-rata 44% dari nilai peramalan penjualan nasional (National Sales Forecast). e)

Inventory average of DC (rata-rata persediaan Plant Logistik-DC CWH) Opening Stock DC rata-rata yang terjadi pada periode penelitian adalah

sebesar 58 % dari nilai prosentase volume Sales Forecast. Semakin besar volume dari stok awal DC-CWH maka semakin kecil kebutuhan akan stok yang akan disuplai dari Plant proses ke Plant Logistik DC-CWH (point of Supply Planning), demikian sebaliknya. Adapun rata-rata persedian pada plant logistik (Logistic DC-CWH) adalah rata-rata tingkat persedian awal (Opening Stock) dan stok akhir (Ending Stock) plant logistik (Logistic DC-CWH). Sama halnya dengan rata-rata persedian pada plant produksi maka rata-rata persediaan pada plant logistik juga merupakan bagian yang dipertimbangkan atau diperhitungkan dalam perancangan dan penyusunan SR Planning, dimana stok awal pada plant logistik merupakan faktor pengurang pada tingkat suplai yang akan direncanakan (Supply Planning).


87

Tabel 5.4.Inventory Average of DC Plant Periode


Opening Stock DCCWH

Ending Stock in DC-CWH

% Inventory Inventory Average in Average of DC of DC Demand Planing

Jan-14

105,735

49,713

49,713

49,713

47%

Feb-14

105,735

49,713

66,989

58,351

55%

Mar-14

122,065

66,989

71,349

69,169

57%

Apr-14

121,121

71,349

70,765

71,057

59%

May-14

163,461

70,765

72,564

71,664

44%

Jun-14

171,521

72,564

67,514

70,039

41%

Jul-14

334,671

67,514

67,514

67,514

20%

Aug-14

334,671

67,514

159,193

113,353

34%

Sep-14

202,562

159,193

148,623

153,908

76%

Oct-14

267,113

148,623

123,521

136,072

51%

Nov-14

267,462

123,521

153,756

138,638

52%

Dec-14

268,624

153,756

171,356

162,556

61%

Jan-15

291,814

171,356

177,006

174,181

60%

Feb-15

227,773

177,006

164,272

170,639

75%

Mar-15

346,588

164,272

206,347

185,309

53%

Apr-15

379,172

206,347

157,610

181,979

48%

May-15

324,680

157,610

97,340

127,475

39%

Jun-15

318,067

97,340

287,449

192,395

60%

Jul-15

229,079

287,449

169,757

228,603

100%

Aug-15

347,044

169,757

158,647

164,202

47%

Sep-15

416,922

158,647

158,647

158,647

38%

Oct-15

416,922

158,647

213,042

185,845

45%

Nov-15

379,743

213,042

233,836

223,439

59%

Dec-15

347,677

233,836

259,359

246,597

71%

Jan-16

422,673

259,359

285,081

272,220

64%

Feb-16

394,979

285,081

310,580

297,830

75%

Mar-16

383,492

310,580

337,000

323,790

84%

Apr-16

381,254

337,000

364,203

350,601

92%

May-16

436,993

364,203

364,203

364,203

83%

Jun-16

436,993

364,203

300,218

332,210

76%

Max

436,993

364,203

364,203

364,203

100%

Min

105,735

49,713

49,713

49,713

20%

Average

298,220

173,898

182,248

178,073

59%

Stdev

105,416

95,285

95,003

91,561

18%

Sumber : SR Planning Database yang diolah (2016)

f) Requirement Planning (Rencana Kebutuhan Stok) Rata-rata nilai dari Supply Planning pada periode penelitian ini adalah sebesar 90% dari volume Sales Forecast, rata-rata nilai dari Production Planning base SR Planning sebesar 50% dari Sales Forecast dengan rata-rata penyesuaian kapasitas produksi sebesar 12% dan menjadikan rata-rata Production Planning Final adalah sebesar 64%.


88

Demand Planning Vs Supply Planning Vs Production Planning Jan 2014 - Jun 2016 600000

300000

0


Stock to Be Deliver (Supply Planing)

Stock to Be Produce (Production Planing) -Final

Gambar 5.2.Demand Planning Vs Supply Planning Vs Production PlanningVolume Sumber :SR Planning (2016)

Gambar 5.2 menunjukan gambaran perbandingan antara besarnya volume rencana permintaan (Demand Planning) terhadap rencana suplai (Supply Planning) dan rencana produksi (Productions Planning). Beberapa periode menunjukan adanya kondisi dimana rencana suplai (Supply Planning) dan juga rencana produksi (Productions Planning) volume nya lebih besar dari rencana permintaan (Demand Planning), kondisi tersebut dapat terjadi apabila rencana stok yang dibutuhakan atau akan di order secara nasional (National order booking Volume ) lebih besar dari rencana penjualan (Sales Forecast) sebagai rencana permintaan (Demand Planning), dimana hal tersebut dapat terjadi apabila estimasi Buffer stok keseluruhan cabang yang cukup tinggi dengan kondisi stok awal cabang (Opening Stock Branch) cukup kecil, demikian sebaliknya ketika terjadi kondisi dimana pada beberapa periode menunjukan adanya kondisi dimana rencana suplai (Supply Planning) dan juga rencana produksi (Productions Planning) volume nya lebih rendah dari rencana permintaan (Demand Planning).


89

Realisasi dari pada rencana suplai (Supply Planning) selama periode yang dijadikan sample penelitian (periode Januari 2014 s/d Juni 2016) adalah seperti pada Tabel berikut ini: Tabel 5.5. Realsasi Suplai (Supply Realisations) periode Januari 2014 s/d Juni 2016 Requirement Planning Periode

Stock to be Deliver (Supply Planning) a

Actual Balancement Realisation of Unfullfill to realese

Acv(%)

Actual Realisation of Supply

Gap

% Realisation of Supply

b

c=b-a

d=(b/a*100%)

Jan-14

93.851

78.602

(15.250)

84%

Feb-14

93.851

90.848

(3.003)

97%

Mar-14

101.930

85.909

(16.021)

84%

Apr-14

95.644

89.035

(6.609)

93%

May-14

157.241

114.752

(42.489)

73%

Jun-14

167.563

150.070

(17.493)

90%

Jul-14

476.878

176.262

(300.615)

37%

Aug-14

476.878

152.765

(324.112)

Sep-14

134.766

135.220

454.000

Oct-14

225.770

176.338

(49.433)

78%

Nov-14

260.931

125.092

(135.838)

48%

Dec-14

236.431

216.314

(20.118)

91%

Jan-15

241.435

171.975

(69.459)

Feb-15

170.159

172.648

Mar-15

330.675

290.892

(39.783)

88%

Apr-15

318.638

174.941

(143.698)

55%

May-15

193.888

189.756

(4.132)

Jun-15

266.536

315.656

Jul-15

167.577

Aug-15

304.624

Sep-15

2.489

32% 100%

71% 101%

98%

49.121

118%

179.137

11.559

107%

247.857

(56.767)

81%

346.595

296.372

(50.224)

86%

Oct-15

346.595

213.981

(132.614)

62%

Nov-15

390.360

244.013

(146.347)

Dec-15

273.297

295.463

Jan-16

442.392

227.620

(214.772)

51%

Feb-16

396.874

228.447

(168.427)

58%

Mar-16

425.685

176.809

(248.876)

42%

Apr-16

417.130

219.700

(197.430)

53%

May-16

316.227

215.146

(101.081)

Jun-16

316.227

319.866

Average

272.888

192.383

(80.505)

Max

476.878

319.866

49.121

93.851

78.602

118.503

68.905

Min Stdev

22.166

3.639

(324.112) 99.212

Sumber : data SR Planning yang diolah (2016)


63% 108%

68% 101% 77% 118% 32% 23%

90

Data realisasi suplai (Supply Realisations) pada periode penelitian seperti pada Tabel 5.5. menunjukan bahwa rata-rata suplai tercapai pada prosentase pencapaian 77% dari rencana suplai, adapun untuk pencapaian realisasi suplai tertinggi terjadi dengan prosentase 118% dari rencana suplai, hal tersebut dapat terjadi apabila stok awal pada Plant proses (processesing Plant) volume nya cukup besar yang diimbangi dengan reaisasi produksi (Production Realese) yang juga cukup besar dengan didukung proses suplai yang cukup lancar dari Plant proses (Processesing Plant) ke Plant logistik (DC-CWH), demikian sebaliknya ketika kondisi realisasi suplai rendah dimana pada periode tersebut kondisi terendah terjadi pada realisasi supai 32% dari rencana suplai. Perbedaan jumlah stok yang direncanakan untuk dikirim dengan yang terealisasi dapat ditunjukan pada gambar 5.3 dimana ditemukan selalu adanya gap antara rencana suplai (supply Planning) dengan realisasi suplai (Realisations of Supply).

Supply Planning Vs Actual Realisation Supply 600.000

300.000

-

Requirement Planning Stock to be Deliver (Supply Planning) Actual Realisation Actual Realisation of Supply

Gambar 5.3.Supply Planning Vs Realisation Sumber :Logistic DC-CWH database yang di olah (2016)


91

5.1.2. Implementasi Logistic Support Performance pada Logistic CP Prima Pencapaian kinerja dukungan layanan Logistic (Logistic Support Performance) merupakan beberapa ukuran-ukuran kinerja yang tersusun sebagai kunci pencapaian kinerja department logistik (Logistic Keys Performance Indicator). Ukuran-ukuran tersebut secara umum merupakan gambaran sejauh mana operasional logistik dapat mendukung dan memberikan layanan terhadap proses dan pencapaian penjualan produk dari perusahaan hingga ke pelanggan (Customer). 5.1.2.1. Logistic Service Level Logistic Service Level merupakan ukuran keberhasilan selain bersifat kuantitatif yaitu ketidaktersediaan stok, juga ditentukan oleh faktor-faktor kualitatif, karena proses perhitungannya diukur dari faktor-faktor yang bersifat kualitatif seperti adanya proses pemenuhan pengiriman pesanan (Delivery Order Fullfill) ditetukan oleh faktor-fakor seperti kesalahan pengiriman (Miss Delivery & Loading Prosses), kesalahan administrasi (miss on administration prosses), keterlambatan pengiriman (Delivery Late), isu armada (Truck Issue), masalah kualitas produk saat atau sebelum sampai ke pelanggan (Quality Issue). Berikut adalah data performance level layanan logistik (Logistic Service Level) pada periode yang dijadikan sample dalam penelitian (periode Januari 2014 s/d Juni 2016). Data tersebut merupakan data historikal level layanan (Service Level) baik untuk pengiriman atas adanya orderan pelanggan (DC-Market chanel), maupun pengiriman atas adanya permintaan operasional cabang (Branch Operational Warehouse), seperti pada Tabel berikut ini.


92

Tabel 5.6. Logistic Service Level Performance Actual Order

Actual fullfill Realese Service Level (%)

Periode SO (In Kg)

STR (In Kg)

DO (In Kg)

STO (In Kg)

Jan-14

43,992

35,066

40,798

35,018

96%

Feb-14

61,679

29,176

59,205

29,090

97%

Mar-14

56,766

39,578

54,687

39,578

98%

Apr-14

79,822

48,456

76,856

48,277

98%

May-14

84,125

39,431

77,590

39,269

95%

Jun-14

82,947

59,245

81,206

58,510

98%

Jul-14

93,727

61,455

86,000

61,012

95%

Aug-14

87,329

65,733

81,779

65,701

96%

Sep-14

84,500

62,792

77,282

62,792

95%

Oct-14

102,702

70,774

92,798

70,080

94%

Nov-14

107,360

82,691

97,609

82,691

95%

Dec-14

139,059

86,078

121,573

85,974

92%

Jan-15

144,394

71,261

129,028

71,261

93%

Feb-15

115,942

68,590

114,082

68,176

99%

Mar-15

127,130

87,802

120,182

87,233

97%

Apr-15

130,260

95,200

120,087

95,128

95%

May-15

154,990

127,110

148,989

127,110

98%

Jun-15

151,456

155,552

141,769

155,552

97%

Jul-15

149,430

116,506

126,054

116,506

91%

Aug-15

170,855

168,268

163,915

167,686

98%

Sep-15

179,944

140,653

162,018

140,647

94%

Oct-15

168,400

122,083

149,243

122,051

93%

Nov-15

165,606

170,453

152,929

170,288

96%

Dec-15

227,793

162,954

219,615

162,860

98%

Jan-16

153,670

155,419

140,101

155,349

96%

Feb-16

161,481

137,754

160,678

137,712

100%

Mar-16

303,563

123,249

202,140

122,989

76%

Apr-16

286,175

128,355

173,959

128,320

73%

May-16

356,930

159,458

246,878

159,272

79%

Jun-16

396,414

227,777

270,876

227,615

80%

Average

152,281

103,297

129,664

103,125

93%

M ax

396,414

227,777

270,876

227,615

100%

M in

43,992

29,176

40,798

29,090

73%

Stdev

85,662

50,325

55,674

50,348

7%

Sumber : Data Logistic Service Level yang diolah. (2016)

Tabel 5.6. memberikan informasi bahwa rata-rata pencapaian level layanan logistik (Logistic Service Level) pada periode penelitian sebesar 93% artinya sebanyakrata-rata 7% volume penjualan tidak terlayani atau terpenuhi disebabkan oleh faktor ketidaktersedian stok dan atau faktor-faktor lainnya, sementara itu


93

pencapaian terbesar pernah dicapai sebesar 100% atau (99.9%) pada periode Februari 2016, dan pencapaian terendah dicapai pada prosentase 73% atau sebesar 27% volume penjualan tidak terlayani atau terpenuhi disebabkan oleh faktor ketidaktersedian stok dan atau faktor-faktor lainnya. Adapun pada pencapaian level layanan logistik (Logistic Service Level) pada periode penelitian secara keseluruhan sebesar 63.54% pesanan (Delivery Order) dapat terkirim tepat waktu (On Time Delivery) dengan 9.9% pesanan (Delivery Order) terkirim melebihi waktu yang di minta (Late Delivery). 5.1.2.2. Biaya Logistik (Logistic Cost) Biaya Logistik (Logistic Cost) secara operasional perusahaan merupakan keseluruhan biaya yang timbul diakbitkan adanya proses dan operasional logistik. Adapun operasional logistik terdiri dari tiga elemen aktivitas operasional yaitu meliputi; a)

Proses dan aktivitas operasional pengadaan produk atau suplai dari plant proses (Processing Plant) ke plant Logistik (DC-CWH) yaitu proses Supply In/Inbond Delivery. Adapun biaya yang terjadi dalam proses ini dikenal dengan biaya pengadaan (Freight In Cost).

b) Proses dan aktivitas operasional penanganan produk (meliputi proses storeging, carring, dan picking). Biaya pada proses ini meliputi biaya penanganan (Handling Cost), dan biaya simpan berupa biaya sewa gudang (Warehouse & Inventory Cost). c)

Proses dan aktivitas operasional pengiriman barang baik ke pelanggan (DCMarket Chanel) maupun kepada Cabang-cabang operasional (Branch


94

Operation WH). Biaya yang terjadi dalam proses ini disebut biaya pengiriman (Delivery Cost) yang masuk kedalam kategori Freight Out Cost. Berikut adalah data historikal aktual biaya logistik dan analisa rasio biaya logistik terhadap pencapaian penjualan, sebagai berikut : Tabel 5.7.Sum of Logistic Cost Ratios Supply In Cost

Distributions Handling & Out Cost WH-Cost

Periode Cost Rate (Rp/Kg)

Cost Rate (Rp/Kg)

Cost Rate (Rp/Kg)

Logistic Cost Rate (Rp/Kg)

Logistic Cost Ratio (% of Sales)

Jan-14

Rp

1,209

Rp

825

Rp

2,227

Rp

4,261

Feb-14

Rp

1,046

Rp

599

Rp

1,923

Rp

3,568

15% 9%

Mar-14

Rp

1,339

Rp

599

Rp

1,912

Rp

3,849

14%

Apr-14

Rp

1,123

Rp

255

Rp

1,613

Rp

2,990

11%

May-14

Rp

828

Rp

535

Rp

1,493

Rp

2,856

11%

Jun-14

Rp

900

Rp

649

Rp

1,198

Rp

2,747

11%

Jul-14

Rp

823

Rp

482

Rp

1,077

Rp

2,381

12%

Aug-14

Rp

818

Rp

616

Rp

1,157

Rp

2,591

11%

Sep-14

Rp

850

Rp

537

Rp

1,260

Rp

2,648

10%

Oct-14

Rp

1,219

Rp

874

Rp

1,027

Rp

3,120

13%

Nov-14

Rp

1,759

Rp

922

Rp

1,138

Rp

3,819

13%

Dec-14

Rp

809

Rp

276

Rp

827

Rp

1,912

7%

Jan-15

Rp

1,425

Rp

860

Rp

938

Rp

3,223

14%

Feb-15

Rp

1,014

Rp

644

Rp

983

Rp

2,641

11%

Mar-15

Rp

808

Rp

661

Rp

707

Rp

2,176

12%

Apr-15

Rp

1,258

Rp

606

Rp

999

Rp

2,863

10%

May-15

Rp

1,212

Rp

577

Rp

841

Rp

2,630

10%

Jun-15

Rp

1,093

Rp

641

Rp

645

Rp

2,379

10%

Jul-15

Rp

1,116

Rp

714

Rp

1,092

Rp

2,923

12%

Aug-15

Rp

1,251

Rp

523

Rp

802

Rp

2,576

11%

Sep-15

Rp

1,215

Rp

687

Rp

776

Rp

2,678

10%

Oct-15

Rp

1,425

Rp

1,165

Rp

952

Rp

3,542

13%

Nov-15

Rp

1,168

Rp

574

Rp

818

Rp

2,561

10%

Dec-15

Rp

1,032

Rp

512

Rp

689

Rp

2,233

9%

Jan-16

Rp

1,054

Rp

599

Rp

885

Rp

2,539

10%

Feb-16

Rp

1,313

Rp

514

Rp

879

Rp

2,707

10%

Mar-16

Rp

1,075

Rp

518

Rp

922

Rp

2,514

7%

Apr-16

Rp

1,047

Rp

430

Rp

887

Rp

2,364

9%

May-16

Rp

1,069

Rp

215

Rp

749

Rp

2,033

7%

Jun-16

Rp

813

Rp

329

Rp

575

Rp

1,717

7%

Max Min Average

Rp Rp Rp

1,125 1,209 1,091

Rp Rp Rp

1,165 215 598

Rp Rp Rp

2,227 575 1,066

Rp Rp Rp

4,261 1,717 2,768

15% 7% 11%

Sumber : Logistic Cost (2016)

Tabel 5.7 memberikan informasi bahwa rata-rata rasio biaya logistik terhadap total penujualan adalah 11%, nilai tersebut masihlah sangat tinggi dengan target


95

perusahaan yang bergerak di industry & distribusi makanan olahan yaitu 6%, besarnya rasio biaya logistik menunjukan bahwa adanya aktifias operasional logistik yang belum efisien dalam perusahaan yang perlu untuk dilakukan perbaikan. 5.1.3. Faktor-Faktor yang menyebabkan terjadinya gap antara SR Planing dengan realisai suplai. Tabel 5.8. % Realisation of Supply Vs % Realisations of Produce

Periode

Stock to Be Deliver (Supply Planing)

Stock to Be Opening Produce Stock in (Production Processing Planing)Plant Final

Ending Stock in Processing Plant

Actual Realisation of Supply

Kg

Kg

Kg

Kg

93,851

67,807

44,632

44,632

78,602

84%

78,602

116%

Feb-14

93,851

67,807

44,632

119,290

90,848

97%

165,507

244%

Mar-14

101,930

73,412

119,290

131,765

85,909

84%

98,383

134%

Apr-14

95,644

36,876

131,765

105,679

89,035

93%

62,950

171%

May-14

157,241

94,912

105,679

95,360

114,752

73%

104,432

110%

Jun-14

167,563

105,380

95,360

112,400

150,070

90%

167,110

159%

Jul-14

476,878

386,397

112,400

112,400

176,262

37%

176,262

46%

Aug-14

476,878

386,397

112,400

96,923

152,765

32%

137,288

36%

Sep-14

134,766

74,071

96,923

146,177

135,220

100%

184,474

249%

Oct-14

225,770

113,685

146,177

176,032

176,338

78%

206,193

181%

Nov-14

260,931

106,331

176,032

212,548

125,092

48%

161,608

152%

Dec-14

236,431

61,098

212,548

128,545

216,314

91%

132,311

217%

Jan-15

241,435

148,981

128,545

149,780

171,975

71%

193,210

130%

Feb-15

170,159

89,710

149,780

148,906

172,648

101%

171,775

191%

Mar-15

330,675

194,537

148,906

116,682

290,892

88%

258,668

133%

Apr-15

318,638

211,895

116,682

63,969

174,941

55%

122,227

58%

May-15

193,888

158,982

63,969

84,081

189,756

98%

209,868

132%

Jun-15

266,536

195,066

84,081

53,214

315,656

118%

284,789

146%

Jul-15

167,577

140,516

53,214

56,374

179,137

107%

182,297

130%

Aug-15

304,624

270,698

56,374

60,673

247,857

81%

252,155

93%

Sep-15

346,595

297,222

60,673

60,673

296,372

86%

296,372

100%

Oct-15

346,595

297,222

60,673

43,788

213,981

62%

197,096

66%

Nov-15

390,360

350,744

43,788

85,839

244,013

63%

286,064

82%

Dec-15

273,297

219,828

85,839

43,402

295,463

108%

253,026

115%

Jan-16

442,392

404,606

43,402

93,037

227,620

51%

277,255

69%

Feb-16

396,874

322,638

93,037

143,608

228,447

58%

279,018

86%

Mar-16

425,685

306,286

143,608

176,792

176,809

42%

209,993

69%

Apr-16

417,130

310,318

176,792

203,738

219,700

53%

246,645

79%

May-16

316,227

112,489

203,738

203,738

215,146

68%

215,146

191%

Jun-16

316,227

112,489

203,738

143,608

319,866

101%

259,736

231%

Average

272,888

190,613

110,489

113,788

192,383

77%

195,682

130%

M aksimum

476,878

404,606

212,548

212,548

319,866

118%

296,372

249%

93,851

36,876

43,402

43,402

78,602

32%

62,950

36%

118,503

114,273

51,124

49,907

68,905

23%

65,384

59%

n

Jan-14

M inimum St.Dev

Kg

Sumber : data SR Planning database yang diolah (2016)


%

Actual Realisation of Produce

Kg

%

96

Data pada Tabel 5.8 memberikan informasi bahwa rata-rata realisasi suplai (Realisations of Supply) berada pada prosentase pencapaian rata-rata 77 % dari nilai rencana suplai (Supply Planning) yang berarti bahwa pada periode tersebut rata-rata ketidakterpenuhainya sulai (unrealese of supply) sebesar 23% dari rencana suplai (Supply Planning), dengan prosentase maksimum realisasi yang pernah tercapai sebesar 118% dan prosentase minimum realisasi yang pernah dicapai adalah sebesar 32% dengan deviasi sebesar 23%. Realisasi yang melebihi point pencapaian 100% dimungkinkan dapat terjadi

apabila

terjadinya

kenaikan

volume

aktual

permintaan

(Actual

Demand/actual of National order Boooking) dari nilai ramalan awal (National order booking Estimate) yang dapat diimbangi dengan adanya penambahan kemampuan produksi atau pencapaian produksi pada waktu yang tepat.seperti pada beberapa beriode berikut ini; Tabel 5.9. Periode dengan Realisasi Suplai (> 100%)

Periode

n

Actual Realisation of Supply Kg

%

Actual Realisation of Produce Kg

National Order Booking_ Estimate

%

Kg

Actual National Order Booking

Kg

%

Sep-14

135,220

100%

184,474

249%

219,330

140,074

64%

Feb-15

172,648

101%

171,775

191%

243,019

182,258

75%

Jun-15

315,656

118%

284,789

146%

299,874

297,321

99%

Jul-15

179,137

107%

182,297

130%

213,919

242,560

113%

Dec-15

295,463

108%

253,026

115%

328,559

382,475

116%

Jun-16

319,866

101%

259,736

231%

356,650

498,491

140%

Average

236,332

106%

222,683

177%

276,892

290,530

101%

Sumber :data SR Planning database yang diolah (2016)


97

Data Tabel 5.9. dapat di interpretasikan bahwa untuk realisasi suplai yang melebihi nilai pencapaian 100% dapat dimungkinkan terjadi apabila adanya kenaikan pada aktual permintaan (Actual National Order Booking) yang melebihi estimasi awal dan kemudian diimbangi dengan kemampuan produksi untuk memproduksi melebihi daripada rencana produksi awal (Production Planning). Seperti pada data Tabel 5.11 menunjukan bahwa dengan rata rata pada periode penelitian pencapaian realisasi yang mencapai lebih dari nilai prosentase 100% dengan rata-rata pencapaian 106% disebabkan oleh adanya kenaikan pada aktual permintaan (actual order booking) sebesar 101% yang didukung dengan adanya kenaikan volume produksi dari rencana produksi awal dengan rata-rata 177%. Realisasi suplai (Supply Realisations) tidak tercapai secara penuh yaitu prosentase pencapaian berada pada nilai prosentase dibawah 100% dapat terjadi disebabkan oleh beberapa fakor. Hasil observasi data menunjukan faktor-faktor tersebut adalah sebagai berikut; a) Realisasi Suplai (Supply Realisations) tidak tercapai secara penuh dalam satu periode karena tidak tercapainya Realisasi Produksi dalam periode tersebut. Realisasi suplai merupakan kelanjutan daripada tahapan proses sebelumnya, yaitu proses di hulu logistik, atau pada proses produksi. Realisasi suplai yang besar tidak bisa secara langsung dijadikan sebagai ukuran realisasi produksi yang besar, karena pada prosesnya, stok awal pada plant produksi juga merupakan prioritas awal sebagai stok produk yang pertama harus disuplai sebelum hasil produksi baru disuplai, untuk mengetahui realisasi suplai maka besar nilai suplai dikurangi


98

dengan stok awal, maka hasil selisih (+) dari perhitugan tersebut adalah realisasi produksi. Tabel 5.10. % Factor of Unrelese Supply of Unrealese Produce

Periode

n

Stock to Be Stock to Be Produce Deliver (Production (Supply Planing)Planing) Final Kg

Kg

Actual Realisation of Supply Kg

%

Actual Realisation of Produce Kg

%Factor Balancement Balancement Unrealese of Supply of Produce Supply of Realisations Realisastion Unrealese Produce

%

Kg

Kg

%

Jul-14

476,878

386,397

176,262

37%

176,262

46%

(300,615)

(210,135)

70%

Aug-14

476,878

386,397

152,765

32%

137,288

36%

(324,112)

(249,109)

77%

Apr-15

318,638

211,895

174,941

55%

122,227

58%

(143,698)

(89,668)

62%

Aug-15

304,624

270,698

247,857

81%

252,155

93%

(56,767)

(18,543)

33%

Sep-15

346,595

297,222

296,372

86%

296,372

100%

(50,224)

(851)

2%

Oct-15

346,595

297,222

213,981

62%

197,096

66%

(132,614)

(100,126)

76%

Nov-15

390,360

350,744

244,013

63%

286,064

82%

(146,347)

(64,680)

44%

Jan-16

442,392

404,606

227,620

51%

277,255

69%

(214,772)

(127,351)

59%

Feb-16

396,874

322,638

228,447

58%

279,018

86%

(168,427)

(43,620)

26%

Mar-16

425,685

306,286

176,809

42%

209,993

69%

(248,876)

(96,292)

39%

417,130 4,342,649 394,786

310,318 3,544,424 322,220

219,700 2,358,766 214,433

53% 246,645 74% 2,480,377 56% 225,489

79% 97% 71%

(197,430) (1,983,883) (180,353)

(63,673) (1,064,047) (96,732)

32% 27% 47%

Apr-16 Total Average

Sumber : Lost Realisations analyze (2016)

Data pada periode berikut ini menunjukan bahwa ralisasi suplai tidak tercapai secara penuh dalam satu periode (realisasi < 100%) salah satunya dapat terjadi disebabkan oleh faktor tidak tercapainya realisasi pada proses hulu yaitu proses produksi. Data selama periode sample penelitian menunjukan bahwa total ketidakterpenuhinya suplai yang disebabkan oleh adanya ketidak tercapaian produksi adalah sebesar 1063 MT atau sebesar 55% dari jumlah ketidak tercapaian suplai selama periode tersebut. Adapun ketidaktercapaian produksi disebabkan faktor-faktor terkait proses produksi yang dipenelitian ini tidak dibahas dan dianalisis lebih jauh.


99

b) Realisasi Suplai (Supply Realisations) tidak tercapai secara penuh dalam satu periode karena adanya proses yang kurang maksimal dalam penggunaan kapasitas muat dari Truck pengiriman dari plant proses (Processing Plant) ke plant Logistic (LogisticDC-CWH). Tabel5.11. % Factor Unrealese Supply of Less Capacity Vehicle Utilizations

Periode

Maximum Stock to Capacity Utilization Average Unfullfill Actual Be Average Delivery Maximum of Vehicle Capacity Remark of Utilization Deliver Realisation of Capacity Count Per Truck Estimate Vehicle Utilizations of Vehicle Supply (Supply Used Load on Utilizations on Periode Planing) Periode

Jan-14 Feb-14 Mar-14 Apr-14 Jun-14 Oct-14 Nov-14 Jan-15 Feb-15 Apr-15 May-15 Jun-15 Jul-15 Aug-15 Sep-15 Oct-15 Nov-15 Dec-15 Jan-16 Feb-16 Mar-16 Apr-16 May-16

93,851 93,851 101,930 95,644 167,563 225,770 260,931 241,435 170,159 318,638 193,888 266,536 167,577 304,624 346,595 346,595 390,360 273,297 442,392 396,874 425,685 417,130 316,227

78,602 90,848 85,909 89,035 150,070 176,338 125,092 171,975 172,648 174,941 189,756 315,656 179,137 247,857 296,372 213,981 244,013 295,463 227,620 228,447 176,809 219,700 215,146

84% 97% 84% 93% 90% 78% 48% 71% 101% 55% 98% 118% 107% 81% 86% 62% 63% 108% 51% 58% 42% 53% 68%

Average

271,394 187,987 76%

19 19 23 20 27 43 44 49 35 44 46 69 40 62 72 61 57 61 48 60 38 46 46 42

Absolute of Absolute of Balancemen Balanceme t of Supply nt of Supply Realisations Realisations after

Factor Unrealese Supply of Unfulfill Utilizations of Vehicle on Periode

7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200

136800 136800 165600 144000 194400 309600 316800 352800 308000 316800 331200 427000 399000 446400 518400 439200 410400 322000 345600 432000 273600 331200 331200

4,137 4,781 3,735 4,452 5,558 4,101 2,843 3,510 4,933 3,976 4,125 4,575 4,478 3,998 4,116 3,508 4,281 4,844 4,742 3,807 4,653 4,776 4,677

57% Less 66% Less 52% Less 62% Less 77% Less 57% Less 39% Less 49% Less 69% Less 55% Less 57% Less 64% Less 62% Less 56% Less 57% Less 49% Less 59% Less 67% Less 66% Less 53% Less 65% Less 66% Less 65% Less

58,198 45,952 79,691 54,965 44,330 133,262 191,708 180,825 135,352 141,859 141,444 111,344 219,863 198,543 222,028 225,219 166,387 26,537 117,980 203,553 96,791 111,500 116,054

15,250 3,003 16,021 6,609 17,493 49,433 135,838 69,459 143,698 4,132 56,767 50,224 132,614 146,347 214,772 168,427 248,876 197,430 101,081

15,250 3,003 16,021 6,609 17,493 49,433 135,838 69,459 54,030 4,132 38,224 50,224 32,488 81,667 87,421 124,807 152,584 133,757 101,081

15,250 3,003 16,021 6,609 17,493 49,433 135,838 69,459 54,030 4,132 38,224 50,224 32,488 81,667 87,421 124,807 96,791 111,500 101,081

7,200

303,648

4,658

65%

104,255

86,365

49,703

37,775

Sumber : Lost Realisations analyze (2016)


100

Proses Suplai pada prosesnya dilakukan dengan menggunakan truk pengiriman, adapun truk armada pengiriman yang dipakai merupakan Cold Diesel Truck-Tronton (CDT-T) dengan kapasitas maksimal adalah 8 Ton dengan space ruang udara yang di gunakan untuk sirkulasi udara produk sebesar 10% dari kapasitas ruang (10% of Kapasitas Maksimum), sehingga kapasitas optimal adalah 7,2 Ton. Data pada Tabel 5.11 menunjukan bahwa faktor kurang maksimalnya penggunaan kapasitas optimal dari truk armada pengiriman berpotensi terhadap terjadinya tidak ter-realisasinya volume

suplai dari rencana suplai (Supply

Planning), dimana, hasil uji analsis data menunjukan selama periode sample yang dipakai dalam penelitian (Periode Januari 2014 s/d Juni 2016) didapatkan informasi rata-rata penggunaan kapasitas armada berada pada rata-rata penggunaan sebesar 65% dengan total keseluruhan tidak terpenuhinya suplai karena faktor kurang maksimalnya penggunaan kapasitas truk armada selama periode tersebut sebesar 1095 MT atau 44% dari keseluruhan ketidakterpenuhan suplai atau rata-rata 37.7 MT per periode bulan atau (52% of unfullfill Supply). Dari hasil analisis data selama periode Januari 2014 s/d Juni 2016 menunjukan bahwa proses suplai dalam realisasinya ditentukan oleh dua faktor yaitu; a) Tingkat Realisasi produksi (Realisations of Produce Point) dan b) Tingkat maksimalisasi penggunaan kapasitas truk armada yang dipakai dalam proses suplai, dan faktor-faktor lainnya yang berpotensi terhadap realisasi suplai. Berikut adalah prosentase dari faktor-faktor tersebut terhadap realisasi suplai.


101

Gambar 5.4. Lost Realisations of Supply Analys Sumber : Lost Realisations analyze (2016)

Gambar 5.4. menunjukan bahwa selama periode yang digunakan sebagai sampel dalam penelitian ini realisasi suplai tidak tercapai secara penuh disebabkan oleh beberapa faktor yaitu faktor tidak terealisasinya rencana produksi (Unrelese of Productions Planning) yang memiliki bobot 42% dari keseluruhan jumlah suplai yang tidak terealisasi, 44% disebabkan oleh kurang maksimalnya dalam proses penggunaan kapasitas truk armada pengiriman pada proses suplai (Unmaxsimize of Vehicle Utilizations) dan 14 % disebabkan oleh faktor-faktor lain yang tidak diananlisis lebih dalam pada penelitian ini. 5.2.

Perancangan formulasi prediksi (persamaan matematis) pada model

SR Planning untuk menentukan tingkat realisasi suplai optimum (Optimum Realisations of Supply) sehingga dapat meningkatkan Logistic Support Performace menjadi lebih efektif dan efisien. Proses perhitungan Supply Requirement Planning seperti diterangkan sebelumnya, merupakan perancangan dengan memperhitungkan elemen-elemen


102

atau faktor-faktor yang digunakan dalam menentukan nilai jumlah yang direncanakan akan di suplai (Stock to be Deliver-Supply Planning Point), sehingga untuk menentukan perancangan model formulasi dan prediksi pada Model dan Realisasi Supply Requirement Planning maka faktor-faktor yang menjadi elemen-elemen dalam perhitungan model SR Planning harus dijadikan sebagai indikator model. Tujuan utamaa daripada perancangan formulasi dan prediksi pada model & realisasi SR Planning adalah guna mengetahui saling keterkaitan antara setiap elemen-elemen perancangan sehingga didapatkan formulasi strategi untuk menentukan nilai realisasi suplai yang optimum (Optimum Realisations of Supply) sehingga dapat menigkatkan Logistic Support Performance yaitu Service Level berada pada pencapaian yang efektif dan Logistic Cost yang berada pada level efisien. 5.2.1. Uji Asumsi Klasik Tahapan selanjutnya elemen-elemen atau faktor-faktor tersebut di jadikan sebagai indikator dalam variabel–variabel penelitian, yaitu: National Sales Forecast (ܺଵ ) sebagai dasar daripada data Demand Planning maka dijadikan sebagai variabel Moderator, adapun National order booking Accuracy (ܺଶ), Buffer Stock Estimate Portions (ܺଷ), Processing Plant Inventory Level/average (ܺସ), DC

Inventory Level/average (ܺହ), realisasi suplai (Realisation of Supply (ܺ଺) adalah variabel bebas (Indevendent Variable) pada penelitian ini. Formulasi prediksi

pada model & realisasi SR Planning bertujuan untuk menemukan formulasi prediksi yang mendukung tercapainya Logistic Support Performance yang efektif


103

(Service Level) dan efisien (Logistic Cost), maka dua indikator daripada Logistic Support Performance ini dijadikan sebagai Variabel terikat (Dependent Variable) pada penelitian ini, yaitu Logistic Service Level (ܻଵ) dan Logistic Cost (ܻଶ).

Proses perancangan formulasi prediksi pada model & realisasi SR

Planning dilakukan dengan menggunakan pendekatan regresi secara simultan, dengan menentukan persamaan prediksi berdasarkan hubungan keterkaitan antar variabel. Adapun sebelum dilakukan proses regresi linier yang merupakan tahapan pada analisis dengan pendekatan metode statistik parametrik, maka data harus melalui proses uji analisis asumsi klasik yang meliputi : a) Uji Normalitas, b) Uji Heterokedastisitas, c) Uji Autokorelasi, d) Uji Multikolinieritas. a) Uji Normalitas Uji Normalitas digunakan untuk mengetahui apakah data diambil dari populasi yang berdistribusi normal atau tidak. Pentingnya mengetahui data berdistribusi normal atau tidak, karena data yang berdistribusi normal merupakan salah satu syarat untuk dilakukannya parametric-test (tes statistik parametrik), sementara untuk data yang tidak berdistribusi normal maka digunakan non-parametric test. Untuk mendeteksi normalitas data, maka pada penelitian ini digunakan pendekatan kurva Normal P-P Plot, dimana data pada variabel yang digunakan (variabel bebas/independent variable) dinyatakan normal atau mendekati normal jika gambar disribusi dengan titik-titik data menyebar disekitar garis diagonal dan penyebaran titik-titik data searah mengikuti garis diagonal (medekati kemiringan 45º).


104

Gambar 5.5.Output Kurva Normal P-P Plot Dependent Variable Logistic Service Level & Logistic Cost Hasil Output uji Normalitas dengan menggunakan pendekatan kurva normal P-P Plot untuk data pencapaian Logistic Service Level secara residual, dapat dilihat bahwa sebaran titik-titik data pada kurva normal P-P Plot menyebar disekitar garis diagonal (kemiringan 45º). Hasil tersebut menunjukan data dari 2 variabel tersebut diambil dari data berdistribusi normal, sehingga data tersebut layak untuk di uji dengan analisis regresi sehingga variabel independent dapat digunakan untuk memprediksi variabel dependent. b) Uji Heterokedastisitas Heterokedastisitas terjadi dalam regresi apabila varian error tidak konstan untuk beberapa nilai x. Pendekatan konstan tidaknya varian error dapat dilakukan dengan menggambar grafik antara Y dengan residu, apabila garis yang membatasi sebaran titik-titik relatif pararel maka varian error dikatakkan konstan.


105

Gambar 5.6.Scatterplot Hasil output uji heterokedastisitas diatas menunjukan grafik Scatterplot tampak bahwa titik-titik menyebar dan tidak membentuk pola tertentu. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heterokedastisitas.Artinya data tersebut layak untuk diuji dengan analisis regresi sehingga semua variabel independent dapat digunakan untuk memprediksi variabel dependen. c) Uji Autokorelasi Autokorelasi adalah korelasi yang terjadi diantara anggota observasi yang terletak berderetan. Autokorelasi terjadi dalam regresi apabila dua error et-1 dan et tidak independen. Untuk mendeteksi adanya autokorelasi dapat dilakukan dengan uji Durbin-Watson

dengan

ketentuan

autokorelasi

tidak

terjadi

bila

nilai

durbinwatson mendekati 2, dan autokorelasi positife terjadi apabila mendekati 0, sedangkan autokorelasi negatife terjadi apabila nilai durbin watson mendekati 4.


106

Tabel 5.12.uji Durbin Watson Independent Variable terhadap Dependent Variable Logistic Service Level&Logistic Cost Ratio

Dependent Variable

Durbin-Watson

Logistic_CostRatio Logistic_ServiceLevel

2,648 1,314

a. Predictor : (Constant), Realisations_ofSupply,Inv.Avg_ofDCPlant, Inv.Avg_ofPPlant,BufferStock_Estimate,NationalSalesForecast_Accuracy, NationalOrderBooking_Accuracy

Sumber :Uji SPSS

Hasil output didapatka nilai statistik uji Durbin Watson sebesar : 1,314& 2,648 Nilai tersebut berada pada kisaran point mendekati 2, maka sesuai ketetuan dapat disimpulkan bahwa tidaak terdapat autokorelasi antara variabel bebas dengan variabel terikat. Hasil tersebut menunjukan bahwa data layak untuk dilakukan uji regresi. d) Uji Multikolinieritas Multikolinieritas timbul sebagai akibat adanya hubungan kausal antara dua variabel bebas atau lebih.Uji Multikolinieritas dapat dideteksi dengan menghitung koefisien ganda dan embandingkannya dengan koefisien korelasi antar variabel bebas.Uji Multikolinieritas melalui SPSS dapat dilihat dari Output Collinierity Diagnostics pada uji Regresi, dengan nilai VIF (Variance Inflation Factor) dan koefisien korelasi variabel bebas. Adapun kriteria yang digunakan adalah sebagai berikut : a)

Jika nilai VIF disekitar angka 1 atau memiliki toleransi mendekati 1, maka dapat dikatakan tidak terdapat masalah multikolinieritas.


107

b) Jika koefisien korelasi antar variabel bebas kurang dari 0.5, maka tidak terdapat masalah multikolinieritas. c)

Jika nilai VIF lebih kecil dari 10 maka variabel bebas dari asumsi klasik multikoliieritas. Tabel 5.13. Collinearity Statistics-VIF Value

Independent Variable of Model

VIF

(Constant) NationalSalesForecast_Accuracy

6,447

NationalOrderBooking_Accuracy

7,695

BufferStock_Estimate

3,298

Inv.Avg_ofPPlant Inv.Avg_ofDCPlant Realisations_ofSupply

1,246 3,362 3,184

a. Dependent Variable : Logistic_CostRatio & Logistic_ServiceLevel

Sumber : Uji SPSS

Hasil analisis pada Tabel 5.13 menunjukan untuk semua variabel nilai VIF berada pada nilai lebih kecil dari 10, maka variabel bebas terbebas dari asumsi klasik multikolinieritas. Setelah dilakukannya Uji Analisis Klasik, dapat disimpulkan bahwa data dari variabel-variabel penelitian tersebut telah memenuhi asumsi normalitas data dan terbebas dari asumsi asumsi klasik lainnya, maka atas dasar hal tersebut maka analisis data yang dapat dilakukan untuk tujuan perancangan persamaan matematis guna formulasi & prediksi pada model & realisasi SR Planningadalah tes analisis statistik parametrik yang pada penelitian ini digunakan meliputi : Uji Koefisien determinan Simultan, dan Uji regresi linier berganda.


108

5.2.2. Uji Koefisien determinan Simultan Tujuan daripada perhitungan koefisien determinan simultan adalah untuk mengetahui besar pengaruh variabel bebas terhadap variabel terikat. Adapun pada perhitungan inidilakukan untuk tujuan perancangan persamaan matematis guna formulasi & prediksi pada model & realisasi SR Planningsebagai sebuah model yang setiap elemen atau faktornya merupakan kesatuan model, maka koefisien determinan yang dihitung adalah koefisien determinan secara simultan. Tabel 5.14.Uji Regresi SimultanIndependent Variable terhadap Dependent Variable Logistic Service Level& Logistic Cost Ratio

Dependent Variable

R

R Square

Logistic_CostRatio

,692

,639

Logistic_ServiceLevel

,799

,478

a. Predictor : (Constant), Realisations_ofSupply,Inv.Avg_ofDCPlant, Inv.Avg_ofPPlant,BufferStock_Estimate,NationalSalesForecast_Accuracy, NationalOrderBooking_Accuracy

dari Output Model Summary Uji Regresi linier secara simultan antara variabelvariabel bebas (Independent Variables) terhadap variabel terikat (Dependent Variable)Logistic Service Leveldidapat nilai Rsquare = 0,545 yang artinya besar koefisien determinan secara simultan antara variabel-variabel bebas (Independent Variables) terhadap variabel terikat (Dependent Variable)Logistic Service Leveladalah kuadrat persen dari nilai tersebut, atau Koefisen determinan = R‫݁ݎܽݑݍݏ‬ଶX 100% = 0,639ଶX 100% = 40,8 %, dari hasil tersebut dapat

disimpulkan bahwa variabel-variabel bebas (Independent Variables) yaitu faktor-


109

faktor pada perancangan SR Planning berpengaruh sebesar 40,8% terhadap pencapaian Logistic Service Level.UntukOutput Model Summary Uji Regresi linier secara simultan antara variabel-variabel bebas (Independent Variables) terhadap variabel terikat (Dependent Variable)Logistic Cost Ratio didapat Rsquare = 0,478 yang artinya besar koefisien determinan secara simultan antara variabel-variabel bebas (Independent Variables) terhadap variabel terikat (Dependent Variable)Logistic Cost Ratio adalah kuadrat persen dari nilai tersebut, atau Koefisen determinan =R‫݁ݎܽݑݍݏ‬ଶX 100%= 0,478ଶX 100% = 22,84 % , dari hasil tersebut dapat disimpulkan bahwa variabel-variabel bebas (Independent Variables)yaitu faktor-faktor pada perancangan SR Planning berpengaruh sebesar 22,84 % terhadap pencapaianLogistic CostRatio. 5.2.3. Uji Regresi Linier Simultan. Uji regresi linier simultan atau berganda pada penelitian ini bertujuan untuk mendapatkan persamaan formulasi & prediksi pada model & realisasi SR Planningterhadap Logistic Service Level&Logistic Cost Ratio sebagai 2 point ukuran Logistic Support Performance. Berikut ini adalah Output Coefficients Uji Regresi Linier Simultan antara variabel-variabel

bebas

(Independent

Variables)

perancangan

SR

Planningmeliputi National Sales ForecastAccuracy (X1), National order booking Accuracy (X2), Buffer Stock Estimate (X3), Inventory Average of Processing Plant (X4), Inventory Average of DC Plant (X5), dan Realisations of Supply (X6) terhadap variabel terikat (Dependent Variable) Logistic Service Level (Y1) dan Logistic Cost Ratio (Y2)


110

Tabel 5.15.OutputCoefficients UjiLinier Regression Simultan antara VariabelVariabel bebas terhadap Variabel terikat

Independent Variable of Model (Constant) NationalSalesForecast_ Accuracy NationalOrderBooking_ Accuracy BufferStock_Estimate Inv.Avg_ofPPlant Inv.Avg_ofDCPlant Realisations_ofSupply a. Dependent Variable : Logistic_ServiceLevel & Logistic_CostRatio

Logistic_ServiceLevel B

Sig. 1,084 -,226

Logistic_CostRatio B

Sig.

,000

,164

,000

,232

-,102

,144

,565 ,596 ,024 ,079 ,263

,010 ,018 -,002 -,007 ,018

,775 ,395 ,470 ,045 ,463

,056 -,030 -,022 -,016 -,077

Sumber : Uji SPSS Output Coefficient uji regresi simultan pada Tabel 5.15 dapat diketahi nilai a (Costant) = 1,084 dengan koefisien regresi National Sales ForecastAccuracy = 0,226 , National order booking Accuracy = 0,056, Buffer Stock Estimate = -0,03, Inventory Average of Processing Plant = -0,022, Inventory Average of DC Plant = -0,016 dan Realisations of Supply = 0,077 sehingga model persamaan formulasi dan prediksi pada Model & Realisasi SR Planningterhadap Logistic Service LevelInterpretasi dari nilai pada tabel 5.15 diatas adalah, jika National Sales ForecastAccuracy naik 1% maka Logistic Service Levelakan turun sebesar 0.226 Kali, jika National order booking Accuracy naik 1% maka Logistic Service Levelakan naik sebesar 0.056 Kali, jika Buffer Stock Estimate naik sebesar 1% maka Logistic Service Levelakan turun sebesar 0,03 Kali, jika Inventory Average of Processing Plantnaik 1% maka Logistic Service Levelakan turun sebesar 0.022 Kali, jika Inventory Average of DC Plantnaik 1% makaLogistic Service Levelakan


111

turun sebesar 0.016 Kali, dan Jika Realisations of Supplynaik 1% maka Logistic Service Levelakan naik sebesar 0.077 Kali, dengan faktor yang berpengaruh secara signifikan adalah Inventory average of Processing Plant (sig = 0,024 < 0,05), dimana faktor-faktor lain yang mempengaruhi dalam keadaan tetap (Ceteris Paribus). Dengan persamaan sebagai berikut: ෢૚ = 1,084 – 0,226 ࢄ ૚ + 0,056 ࢄ ૛– 0,03ࢄ ૜– 0,022 ࢄ ૝–0,016 ࢄ ૞+ 0,077 ࢄ ૟ ࢅ

(5.1)

Adapun Output Coefficients Uji Regresi Linier Simultan antara variabel-variabel bebas (Independent Variables) perancangan SR Planningmeliputi National Sales ForecastAccuracy (X1), National order booking Accuracy (X2), Buffer Stock Estimate (X3), Inventory Average of Processing Plant (X4), Inventory Average of DC Plant (X5), dan Realisations of Supply (X6) terhadap variabel terikat (Dependent Variable) Logistic Cost Ratios (Y2) pada tabel 5.15dapat diketahi nilai

a

(Costant)

=

0.164

dengan

koefisien

regresi

National

Sales

ForecastAccuracy = -0.102 , National order booking Accuracy = 0,010, Buffer Stock Estimate =0.018, Inventory Average of Processing Plant = -0,002, Inventory Average of DC Plant = -0,007 dan Realisations of Supply = 0,018 sehingga model persamaan formulasi dan prediksi pada Model & Realisasi SR Planningterhadap Logistic Cost Ratios adalah sebagai berikut:, jika National Sales ForecastAccuracy naik 1% maka Logistic Cost Ratios akan turun sebesar 0.164 Kali, jika National order booking Accuracy naik 1% maka Logistic Cost Ratios akan naik sebesar 0.016 Kali, jika Buffer Stock Estimate naik sebesar 1% maka Logistic Cost Ratios akan naik sebesar 0,018 Kali, jika Inventory Average of


112

Processing Plantnaik 1% maka Logistic Cost Ratios akan turun sebesar 0.002 Kali, jika Inventory Average of DC Plantnaik 1% maka Logistic Cost Ratios akan turun sebesar 0.007 Kali, dan Jika Realisations of Supplynaik 1% maka Logistic Cost Ratios akan naik sebesar 0.018 Kali, dengan faktor yang berpengaruh secara signifikan adalah Inventory Average of Dc Plant (Sig = 0,045 < 0,05), dimana faktor-faktor lain yang mempengaruhi dalam keadaan tetap (Ceteris Paribus). ෢૛ = 0,164 – 0,102ࢄ ૚ + 0,010ࢄ ૛ + 0,018ࢄ ૜– 0,002ࢄ ૝–0,007ࢄ ૞+ 0,018ࢄ ૟ ࢅ

(5.2)

5.2.4. Perancangan Formulasi Prediksi untuk mendapatkan nilai realisasi optimum Dua Persamaan Y1 & Y2 merupakan 2 persamaan dengan 2 tujuan prediksi yang berbeda, yaitu persamaan Y1 adalah persamaan yang digunakan untuk memprediksi Logistic Support Performancedari sisi Performace terkait efektifitas operasional logistik yaitu Logistic Service Leveldan Y2 adalah persamaan yang digunakan untuk memprediksi Logistic Support Performancedari sisi Performace terkait efisiensu operasional logistik yaitu Logistic CostRatios. Secara Operasional Logistic Service Levelyang menjadi target perusahaan adalah berada pada level lebih besar atau sama dengan 95%, sedangkan Logistic Cost Ratios yang ditargetkan oleh perusahaan untuk operasional logistik adalah lebih kecil atau sama dengan 6%. Guna mencapai 2 pencapaian tersebut salah satunya dapat dilakukan dengan melakukan perbaikan (Improvement) pada sisi perencanaan suplai (SR Planning), yaitu dengan mendapatkan besarnya point rencana supali yang memberikan kesetimbangan antara Logistic Service


113

Levelyang mencapai 95% dengan Logistic Cost Ratios yang berada pada efisiensi dibawah atau sama dengan 6%. Untuk itu persamaanya adalah sebagai berikut: a) Kriteria Logistic Support Performance yaitu Logistic Service Levelberada pada level efektif. Logistic Service Level ≥ 95 % ෢૚≥ 0,95 ࢅ

(5.3)

1,084 – 0,226 ܺଵ + 0,056 ܺଶ– 0,03ܺଷ– 0,022 ܺସ–0,016 ܺହ+ 0,077 ܺ଺≥ 0,95 b)

(5.4)

Kriteria Logistic Support Performance yaitu Logistic Cost Ratiosberada pada level efisien.

Logistic Cost Ratios ≤ 6% ෢૛≤ 0,06 ࢅ

(5.5)

0,164 – 0,102ܺଵ + 0,010ܺଶ + 0,018ܺଷ– 0,002ܺସ–0,007ܺହ+ 0,018ܺ଺≤ 0,06

(5.6)

Logistic Service Levelakan dinilai berada pada taraf efektif & efisien jika kedua indikatornya yaitu Logistic Service Level&Logistic Cost Ratios dapat tercapai sesuai target.Supply Requirement Planningsebagai sebuah model yang berfungsi sebagai fungsi perencanaan harus mampu memprediksi berapa jumlah rencana suplai yang optimal sehingga dua aspek Logistic Support Performancedapat dicapai, sehingga operasional logistik dapat berjalan secara efektif dan efisien. Dari hal tersebut maka persamaan yang berlaku harus mewakili kriteria sebagai berikut: Kriteria Logistic Support Performance Efektif & Efisien Efektif Operations = Efisien Operations Logistic Service Level (≥ 95 %) = Logistic Cost Ratios (≤ 6%)


114

෢૚≥ 0,95 = ࢅ ෢૛≤ 0,06 ࢅ

(5.7)

Syarat Optimum adalah ෢૚ = ࢅ ෢૛= 0 ࢅ

(5.8)

෡ଵ Untuk ܻ

1,084 – 0,226 ܺଵ + 0,056 ܺଶ– 0,03ܺଷ– 0,022 ܺସ–0,016 ܺହ+ 0,077 ܺ଺≥ 0,95

1,084 – 0,226 ܺଵ + 0,056 ܺଶ – 0,03ܺଷ – 0,022 ܺସ –0,016 ܺହ + 0,077 ܺ଺ – 0,95≥

00,134 – 0,226 ࢄ ૚ + 0,056 ࢄ ૛ – 0,03ࢄ ૜ – 0,022 ࢄ ૝ –0,016 ࢄ ૞ + 0,077 ࢄ ૟ ≥ 0 (5.9)

Untuk ܻ෡ଶ

0,164 – 0,102ܺଵ + 0,010ܺଶ + 0,018ܺଷ– 0,002ܺସ–0,007ܺହ+ 0,018ܺ଺≤ 0,06

0,164 – 0,102ܺଵ + 0,010ܺଶ + 0,018ܺଷ– 0,002ܺସ–0,007ܺହ+ 0,018ܺ଺ – 0,06≤ 0

0,104 – 0,102ࢄ ૚ + 0,010ࢄ ૛ + 0,018ࢄ ૜– 0,002ࢄ ૝–0,007ࢄ ૞+ 0,018ࢄ ૟≤ 0 (5.10) Maka persamaanya didapatkan sebagai berikut:

0,030 – 0,124ࢄ ૚ + 0,046ࢄ ૛- 0,048ࢄ ૜– 0,020ࢄ ૝–0,009ࢄ ૞+ 0,095ࢄ ૟≥ 0

(5.11)

Karena X1 (National Sales ForecastAccuracy) dan X2 (National order booking Accuracy) kedua adalah fungsi daripada perencanaan, yaitu National Sales ForecastAccuracy terkait perencanaan penjualan &National order booking terkait perencanaan estimasi permintaan yang keduanya mewakili rencana permintaan (Demand Planning) maka nilainya dianggap 100% (kondisi optimis) saat proses rencana suplai (Supply Planning) dibuat. Dari hal tersebut maka guna menemukan nilai rencana suplai optimal (Optimum Supply Planning) maka didapatkan persamaan sebagai berikut: X1 = 100% dan X2 = 100% atau =1


115

0,030 – 0,124 (1) + 0,046(1) - 0,048ܺଷ– 0,020ܺସ–0,009ܺହ+ 0,095ܺ଺≥ 0 -0,048 - 0,048ࢄ ૜– 0,020ࢄ ૝–0,009ࢄ ૞+ 0,095ࢄ ૟≥ 0

(5.12)

Karena persamaan ini dimaksudkan untuk menemukan nilai rencana suplai yangoptimal sehingga tercapai Logistic Support Performanceyang efektif (Logistic Service Level ≥ 95%) dan efisien (Logistic Cost Ratios ≤ 6%) maka selanjutnya persamaan ini dibuat untuk memprediksi nilai rencana suplai tersebut atau sama dengan memprediksi nilai dari X6 (Realisations of Supply). ࢄ ૟ = 0,505 + 0,505ࢄ ૜+ 0,211ࢄ ૝+ 0,095ࢄ ૞ (5.13)

Interpretasi dari persamaan (v) sebagai perhitungan realisasi suplai optimum adalah jika Buffer Stock Estimate naik 1% maka Optimum Realisations of Supply point akan naik sebesar 0,50 Kali, dan apabila Inventory Average of Processing Plant naik 1% maka Optimum Realisations of Supply point akan naik sebesar 0,21 Kali, serta apabila Inventory Average of DC Plant naik 1% maka Optimum Realisations of Supply point akan naik sebesar 0,095 Kali, dimana faktor-faktor lain yang mempengaruhi dalam keadaan tetap (Ceteris paribus). 5.3.

Perancangan Strategi Improvement pada Model SR Planning untuk

meningkatkan Logistic Support Performace. Gambar 5.7. adalah gambaran tahapan menjelaskan bahwa fungsi daripada adanya formulasi & prediksi dalam model SR Planning adalah untuk mendapatkan atau menentukan prediksi terhadap nilai atau jumlah realisasi suplai yang optimum dengan kondisi elemen-elemen atau faktor-faktor Supply Requirement Planning yang ada, sehingga realisasi suplai tersebut dapat secara optimal

mendukung

tercapainya

atau

meningkatnya


Logistic

Support

116

Performance secara efektif (Service level ≥ 95%) dan efisien (Logistic Cost Ratio≤ 6%).

National Sales Forecat Metode

To Estimate

-Up-Down -Bottom-Up

Sales ForecatBranch A

Sales Forecat Branch B

To Estimate

DC Buffer Stock Estimate

National Order Booking

Opening Stock DC

Buffer StockBranch A

Buffer StockBranch B

Opening Stock Branch A

Order Booking Branch A

Opening Stock Branch B

Order Booking Branch B

Supply Planing : NOB + BSE – OS’DC

Supply Planing

Optimum Realisasi Suplai

Menghitung Seasonal Weekly Demand Indexs dengan Review Weekly Demand

Weekly Supply Planing

Menghitung Maxzimize Vehicle Utilizations Capacity

Weekly Delivery Count Planing

Gambar 5.7. Bagan Improvement Model Formulasi & Prediksi SR Planning 5.3.1. Menggunakan pendekatan Persamaan formulasi & prediksi pada model SR Planninguntuk mendapatkan nilai rencana suplai

optimum

(Optimum of Supply Planning). Persamaan (5.13) merupakan persamaan untuk mendapatkan nilai rencana suplai yang optimum untuk mecapai Logistic Service Levelyang efektif dengan biaya (Logistic Cost) yang efisien.


117

Persamaan tersebut selanjutnya dipakai dalam proses perancangan SR Planningdimana nilai nilai pada 3 faktor atau indikator perancangan SR Planningmeliputi Buffer Stock Estimate (X3), Inventory Average of Processing Plant(X4) dan Inventory average of DC Plant(X5) diperhitungkan dalam persamaan tersebut sehingga didapatkan nilai Realisations of Supplysebagai nilai SR Planningyang diestimasikan akan optimal terhadap kinerja operasional logistik yang efektif & efisien. Adapun dengan data pada periode penelitian maka hasil analisisnya dengan menggunakan persamaan (v) adalah sebagai berikut ; Tabel 5.16. Hasil analisis Optimum Realisations of Supply

Periode

n

Constant

Koefisien Regresi Buffer Stock Estimate

Buffer Stock Estimate

Koef.Regre Optimum Optimum Stock to be si of Inventorya Koef.Regre Inventorya of Realisations of Deliver (Supply Inventorya verageof_ siInventory verageof_ Realisation Supply Base Planing) Base verageof_ Processin averageof DCPlant sof_Supply on Formulasi on SR Planing Processin gPlant _DCPlant (in %) Prediksi gPlant

a

b3

X3

b4

X4

b5

0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505

0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505 0.505

0.287 0.287 0.318 0.287 0.317 0.304 0.349 0.349 0.368 0.281 0.318 0.332 0.291 0.457 0.204 0.265 0.192 0.201 1.053 0.374 0.235 0.235 0.625 0.514 0.696 1.041 0.916 1.179 0.741 0.741

0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211 0.211

1.000 1.836 2.813 2.660 2.252 2.327 2.518 2.345 2.723 3.610 4.353 3.821 3.118 3.346 2.975 2.024 1.659 1.538 1.228 1.311 1.359 1.170 1.452 1.448 1.529 2.651 3.589 4.263 4.565 3.891

0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095 0.095

X5

In Kg

In Kg

67,807 67,807 73,412 36,876 94,912 105,380 386,397 386,397 74,071 113,685 106,331 61,098 148,981 89,710 194,537 211,895 158,982 195,066 140,516 270,698 297,222 297,222 350,744 219,828 404,606 322,638 306,286 310,318 112,489 112,489

64,824 77,910 102,140 49,666 121,227 135,262 518,333 538,044 115,536 189,671 196,618 109,347 244,759 158,609 309,278 299,585 190,065 253,354 243,432 347,677 360,712 364,297 545,058 338,781 687,580 696,694 717,831 828,481 285,536 262,670

Average

161%

190,613

311,766

Maximum

267%

404,606

828,481

36,876

49,666

Minimum

1.000 1.174 1.391 1.429 1.442 1.409 1.358 2.280 3.096 2.737 2.789 3.270 3.504 3.433 3.728 3.661 2.564 3.870 4.598 3.303 3.191 3.738 4.495 4.960 5.476 5.991 6.513 7.053 7.326 6.683

X6 96% 115% 139% 135% 128% 128% 134% 139% 156% 167% 185% 179% 164% 177% 159% 141% 120% 130% 173% 128% 121% 123% 155% 154% 170% 216% 234% 267% 254% 234%

Jan-14 Feb-14 Mar-14 Apr-14 May-14 Jun-14 Jul-14 Aug-14 Sep-14 Oct-14 Nov-14 Dec-14 Jan-15 Feb-15 Mar-15 Apr-15 May-15 Jun-15 Jul-15 Aug-15 Sep-15 Oct-15 Nov-15 Dec-15 Jan-16 Feb-16 Mar-16 Apr-16 May-16 Jun-16

96%

Sumber : Optimum Realisations Supply Analyze


118

Dari hasil analisis menggunakan pendekatan formulasi & prediksi SR Planninguntuk menentukan nilai volume rencana suplai yang optimal sehingga tercapai Logistic Support Performanceyang efektif dan efisien, dengan estimasi optimis bahwa penjualan akan tercapai sesuai target sehingga ekspektasi adalah National Sales ForecastAccuracy &National order booking Accuracy 100% maka didapatkan rata-rata rencana suplai optimum berada pada point rata-rata 311.766 Kg atau rata-rata realisasi yang optimum adalah berada pada realisasi 161% atau naik 61% dari rencana suplai awal.

Supply Planing Base on SR Planing Vs Optimum Predictions 800,000

400,000

-

Stock to be Deliver (Supply Planing) Base on SR Planing Optimum Realisations of Supply Base on Formulasi Prediksi

Gambar 5.8. Supply Planning Base on SR PlanningVs Optimum Predictions Sumber : analisis optimum realisasi suplai.

Gambar 5.8. menunjukan adanya gap antara rencana suplai dengan acuan SR Planningdengan rencana suplai dengan pendekatan Optimum Predictions, dari gambar tersebut dapat ditunjukan pada beberpa periode ditemukan kesesuaian antara dua point suplai dari dua pendekatan tersebut yang artinya bahwa rencana suplai pada SR Planningsudah sesuai dengan prediksi rencana suplai yang


119

optimum, sementara pada beberapa periode ditemukan nilai SR Planninglebih rendah ataupun lebih tinggi dari nilai rencana suplai Optimum predictions, yang artinya bahwa secara predictable nilai volume tersebut SR Planningdinilai belum optimal untuk mencapai operasional logistik yang efektif dan efisien dalam menjalankan fungsi supportnya dengan rata-rata gap sebesar 121.153 Kg (121 MT) . 5.3.2. Maksimalisasi penggunaan kapasitas Armada Suplai (Maksimize Vehicle Utilizations for Truck Supply Capacity). Truck pengiriman dalam proses suplai produk dari plant produksi (Processing Plant) ke plant logistik (Logistic DC) merupakan salah satu faktor pendukung tercapainya proses terpenuhinya rencana suplai (Supply Planning), akan tetapi, jika penggunaan truck pengiriman dalam proses suplai tidak dikontrol sesuai kebutuhan maka akan berakibat kepada tidak efektifnya penggunaan kapasitas truk sehingga dapat juga menimbulkan inefisiensi dalam biaya yang ditimbulkan dari penggunaan truk untuk proses suplai tersebut.

Gambar 5.9.Truck pengiriman merupakan salah satu faktor pendukung tercapainya proses terpenuhinya rencana suplai (Supply Planning) Sumber : Dokumentasi logistik CP Prima


120

Maksimalisisasi terhadap penggunaan kapasitas armada suplai (Maksimize Vehicle Utilizations for Truck Supply Capacity) perlu dilakukan untuk menemukan kesesuaian antara efektifitas proses suplai dengan efisiensi dari biaya penggunaan truk dalam proses suplai. Tabel 5.17. Perhitungan Delivery Count Planning with Maksimize Vehicle Utilizations Capacity Base on Actual Realisations Supply

Periode

Supply Volume

I

Kg

Capa city Max imu m Truck Load Kg

Delivery Count Planing

Rea lisati ons Planing (%)

Unit

Jan-14

93,851

7000

13

100%

Feb-14

93,851

7000

13

100%

Mar-14

101,930

7000

15

100%

Apr-14

95,644

7000

14

100%

May-14

157,241

7000

22

100%

Jun-14

167,563

7000

24

100%

Jul-14

476,878

7000

68

100%

Aug-14

476,878

7000

68

100%

Se p-14

134,766

7000

19

100%

Oct-14

225,770

7000

32

100%

Nov-14

260,931

7000

37

100%

De c-14

236,431

7000

34

100%

Jan-15

241,435

7000

34

100%

Feb-15

170,159

7000

24

100%

Mar-15

330,675

7000

47

100%

Apr-15

318,638

7000

46

100%

May-15

193,888

7000

28

100%

Jun-15

266,536

7000

38

100%

Jul-15

167,577

7000

24

100%

Aug-15

304,624

7000

44

100%

Se p-15

346,595

7000

50

100%

Oct-15

346,595

7000

50

100%

Nov-15

390,360

7000

56

100%

De c-15

273,297

7000

39

100%

Jan-16

442,392

7000

63

100%

Feb-16

396,874

7000

57

100%

Mar-16

425,685

7000

61

100%

Apr-16

417,130

7000

60

100%

May-16

316,227

7000

45

100%

Jun-16

316,227

7000

45

100%

8,186,648

7,000

272,888

7,000

Total Average

Sumber : analisis delivery count


1,170 39

100% 100%

121

Perhitungan ini dilakukan dengan membagi nilai rencana suplai (Supply PlanningVolume ) dengan kapasitas maksimum truk (Maxsimum Truck Capacity), hasil perhitungan ini kemudian dijadikan sebagai estimasi berapa kali proses suplai dilakukan dalam satu periode (bulan) sehingga terpenuhinya jumlah rencana suplai.Melalui perhitungan maksimalisasi penggunaan kapasitas truk pengiriman untuk proses suplai produk dari plant produksi (Processing Plant) ke plant logistik (LogisticDC-CWH) dengan estimasi realisasi suplai 100% didapatkan rata-rata jumlah unit pemakaian truk adalah sejumlah 27 Unit per periode atau sama dengan 27 kali pengiriman (Delivery Count) atau lebih hemat 15 Unit atau 75 Juta dari aktual suplai yang terjadi selama periode Januari 2014 s/d Juni 2016. Adapun jika menggunakan data pendekatan formulasi & prediksi model & realiasi SR Planningdengan ekspektasi optimis realisasi penjualan sesuai target (National Sales Forecast& Order Booking 100%) maka data penggunaan kapasitas pengiriman untuk proses suplai adalah seperti ditunjukan pada table 5.18. Melalui perhitungan maksimalisasi penggunaan kapasitas truk pengiriman untuk proses suplai produk dari plant produksi (Processing Plant) ke plant logistik (LogisticDC-CWH) dengan estimasi realisasi suplai 100% didapatkan rata-rata jumlah unit pemakaian truk adalah sejumlah 45 Unit per periode atau sama dengan 30 kali pengiriman (Delivery Count).


122

Tabel 5.18. Perhitungan Delivery Count Planning base on Maksimize Vehicle Utilizations Capacitydengan kondisi ekspektasi realisasi National Sales Forecast& Order Booking 100% (Nilai Optimum Realisasi Suplai)

Optimum Realisations Capacity of Supply Maximum Base on Truck Formulasi Load Prediksi

Periode

n

In Kg

Jan-14 Feb-14 Mar-14 Apr-14 May-14 Jun-14 Jul-14 Aug-14 Sep-14 Oct-14 Nov-14 Dec-14 Jan-15 Feb-15 Mar-15 Apr-15 May-15 Jun-15 Jul-15 Aug-15 Sep-15 Oct-15 Nov-15 Dec-15 Jan-16 Feb-16 Mar-16 Apr-16 May-16 Jun-16 Average Maximum Minimum

64,824 77,910 102,140 49,666 121,227 135,262 518,333 538,044 115,536 189,671 196,618 109,347 244,759 158,609 309,278 299,585 190,065 253,354 243,432 347,677 360,712 364,297 545,058 338,781 687,580 696,694 717,831 828,481 285,536 262,670 311,766 828,481 49,666

In Kg 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7000 7,000 7,000

Delivery Realisations Count Planing (%) Planing

In Unit 9 11 15 7 17 19 74 77 17 27 28 16 35 23 44 43 27 36 35 50 52 52 78 48 98 100 103 118 41 38 45 118 7

Sumber : analisisDelivery Count


(%) 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

123

5.3.3. Menggunakan PerhitunganIndeks Permintaan musiman (mingguan) (Weekly Seasonal Demand Indeks) untuk perancangan rencana kebutuhan suplai mingguan (Weekly Demand &Supply Planning). SR Planningsebagai model yang digunakan terkait perencanaan suplai (Supply Planning) merupakan rencana suplai yang meReviewkebutuhan atau estimasi permintaan dalam satu bulan kedepan.SR Planningyang berorientasi pada fungsi perencanaan supali bertujuan agar proses suplai yang dilakukan akan mendorong tercapainya pemenuhan terhadap kebutuhan produk dari adanya proses permintaan penjualan (Sales Demand), sehingga layanan terhadap adanya Sales Demandtersebut mencapai level yang maksimum atau dapat diartikan bahwa proses suplai memberikan dampak yang efektif terhadap pencapaian penjualan (Sales). SR Planningsebagai sebuah fungsi perencanaan suplai pada kelanjutanya akan berhubungan dengan proses dan aktivitas operasional logistik terkait realisasi suplai tersebut, sehingga proses SR Planningjuga berkaitan dengan biaya yang terjadi dalam proses suplai tersebut. Realisasi yang baik haruslah tercapai dengan biaya yang efisien. Proses untuk meningkatkan nilai efektifitas dan efisiensi realisasi SR Planningmaka perencanaan terhadap realisasinya juga harus diReviewdengan melihat tingkat permintaan mingguan dalam satu bulan. Reviewini penting agar proses suplai dalam satu periode (bulan) dapat dilakukan pada jumlah dan waktu yang tepat sehingga Logistic Support Performanceterkait fungsi Support terhadap proses penjualan akan berjalan secara efektif dan efisien.


124

Metode yang dapat dipakai untuk menentukan atau melihat pergerakan tingkat permintaan produk minguan maka digunakan perhitungan dengan menggunakan pendekatan indeks permintaan musiman mingguan (Weekly Seasonal Demand Indexs. Tabel 5.19.Weekly Seasonal Demand Indexs

Periode

n Jan-14 Feb-14 Mar-14 Apr-14 May-14 Jun-14 Jul-14 Aug-14 Sep-14 Oct-14 Nov-14 Dec-14 Jan-15 Feb-15 Mar-15 Apr-15 May-15 Jun-15 Jul-15 Aug-15 Sep-15 Oct-15 Nov-15 Dec-15 Jan-16 Feb-16 Mar-16 Apr-16 May-16 Jun-16 Average Maximum Minimum

Sales (Actual Sales (Actual Demand) Average on 3 Last Demand) Month Per Week Average on 3 Last Month

Week-1

Week-2

Week-3

13,237 14,010 13,842 10,874 14,885 16,613 18,222 21,181 22,197 21,913 15,926 19,245 22,257 23,427 23,394 26,138 33,165 35,938 36,090 42,896 52,027 56,906 49,025 42,728 43,351 38,926 35,817 35,663 43,054 46,111

8,900 9,575 11,433 11,546 12,649 13,887 17,359 21,862 22,614 23,123 23,053 23,347 25,709 24,911 24,822 24,626 28,530 35,922 45,123 54,594 59,298 53,301 46,994 37,728 43,884 41,604 44,627 47,662 53,238 61,379

13,592 13,707 17,144 18,303 18,569 19,363 22,096 29,829 30,164 31,302 26,649 31,045 34,381 34,972 29,656 31,318 31,002 40,095 39,724 30,883 30,492 33,358 47,517 48,506 56,303 55,659 51,418 43,007 43,532 51,774

Week-4 24,468 26,099 25,607 18,574 25,467 25,328 32,745 29,972 35,557 39,175 39,125 38,037 43,275 50,941 50,058 48,043 45,610 55,536 55,333 64,772 67,384 65,419 59,788 57,006 65,428 63,163 56,248 83,827 90,791 110,911

80,263 84,522 90,701 79,064 95,427 100,254 120,564 137,126 147,376 154,016 139,671 148,899 167,496 179,002 170,572 173,260 184,408 223,321 235,028 257,459 278,935 278,646 271,100 247,957 278,619 265,802 250,812 280,212 307,487 360,233

Weekly Seasonal Demand Indexs

Week-1

Week-2

Week-3

Week-4

0.16 0.17 0.15 0.14 0.16 0.17 0.15 0.15 0.15 0.14 0.11 0.13 0.13 0.13 0.14 0.15 0.18 0.16 0.15 0.17 0.19 0.20 0.18 0.17 0.16 0.15 0.14 0.13 0.14 0.13 0.15 0.20 0.11

0.11 0.11 0.13 0.15 0.13 0.14 0.14 0.16 0.15 0.15 0.17 0.16 0.15 0.14 0.15 0.14 0.15 0.16 0.19 0.21 0.21 0.19 0.17 0.15 0.16 0.16 0.18 0.17 0.17 0.17 0.16 0.21 0.11

0.17 0.16 0.19 0.23 0.19 0.19 0.18 0.22 0.20 0.20 0.19 0.21 0.21 0.20 0.17 0.18 0.17 0.18 0.17 0.12 0.11 0.12 0.18 0.20 0.20 0.21 0.21 0.15 0.14 0.14 0.18 0.23 0.11

0.56 0.56 0.53 0.48 0.52 0.50 0.53 0.47 0.50 0.51 0.53 0.50 0.51 0.53 0.54 0.53 0.50 0.50 0.49 0.50 0.49 0.49 0.47 0.48 0.48 0.48 0.47 0.55 0.55 0.56 0.51 0.56 0.47

Sumber: analisis weekly seasonal demand indexs Tabel 5.19 merupakan TabelSummary perhitungan indeks permintaan musiman mingguan (Weekly Seasonal Demand Indexs) dari periode sample penelitian Januari 2014 s/d Juni 2016. Dari hasil perhitungan rata-rata trend permintaan mingguan menunjukan bahwa rata-rata trend permintaan mingguan


125

adalah minggus pertama 0.15 Kali dari estimasi rencana suplai, minggu kedua rata-rata trend adalah 0.16 Kali dari estimasi rencana suplai, minggu ketiga ratarata trend adalah 0.18 Kali dari estimasi rencana suplai mingguan, dan minggu keempat rata-rata trend adalah 0.26 Kali dari estimasi rencana suplai mingguan. Tabel 5.20.Weekly Demand Estimate Base on Indexs

Periode

Optimum Realisations of Supply Base on Formulasi Prediksi

n

In Kg


64,824 77,910 102,140 49,666 121,227 135,262 518,333 538,044 115,536 189,671 196,618 109,347 244,759 158,609 309,278 299,585 190,065 253,354 243,432 347,677 360,712 364,297 545,058 338,781 687,580 696,694 717,831 828,481 285,536 262,670 311,766 828,481 49,666

Weekly Seasonal Demand Indexs

Week-1

Week-2

Week-3

Week-4

0.16 0.17 0.15 0.14 0.16 0.17 0.15 0.15 0.15 0.14 0.11 0.13 0.13 0.13 0.14 0.15 0.18 0.16 0.15 0.17 0.19 0.20 0.18 0.17 0.16 0.15 0.14 0.13 0.14 0.13 0.15 0.20 0.11

0.11 0.11 0.13 0.15 0.13 0.14 0.14 0.16 0.15 0.15 0.17 0.16 0.15 0.14 0.15 0.14 0.15 0.16 0.19 0.21 0.21 0.19 0.17 0.15 0.16 0.16 0.18 0.17 0.17 0.17 0.16 0.21 0.11

0.17 0.16 0.19 0.23 0.19 0.19 0.18 0.22 0.20 0.20 0.19 0.21 0.21 0.20 0.17 0.18 0.17 0.18 0.17 0.12 0.11 0.12 0.18 0.20 0.20 0.21 0.21 0.15 0.14 0.14 0.18 0.23 0.11

0.56 0.56 0.53 0.48 0.52 0.50 0.53 0.47 0.50 0.51 0.53 0.50 0.51 0.53 0.54 0.53 0.50 0.50 0.49 0.50 0.49 0.49 0.47 0.48 0.48 0.48 0.47 0.55 0.55 0.56 0.51 0.56 0.47

Weekly Demand Estimate as Weekly Supply Planing Base On Indexs

Week-1 10,372 13,245 15,321 6,953 19,396 22,995 77,750 80,707 17,330 26,554 21,628 14,215 31,819 20,619 43,299 44,938 34,212 40,537 36,515 59,105 68,535 72,859 98,110 57,593 110,013 104,504 100,496 107,703 39,975 34,147 47,715 110,013 6,953

Sumber: analisis weekly seasonal demand indexs \


Week-2 7,131 8,570 13,278 7,450 15,759 18,937 72,567 86,087 17,330 28,451 33,425 17,496 36,714 22,205 46,392 41,942 28,510 40,537 46,252 73,012 75,750 69,216 92,660 50,817 110,013 111,471 129,210 140,842 48,541 44,654 51,174 140,842 7,131

Week-3 11,020 12,466 19,407 11,423 23,033 25,700 93,300 118,370 23,107 37,934 37,358 22,963 51,399 31,722 52,577 53,925 32,311 45,604 41,383 41,721 39,678 43,716 98,110 67,756 137,516 146,306 150,745 124,272 39,975 36,774 55,719 150,745 11,020

Week-4 36,301 43,629 54,134 23,840 63,038 67,631 274,716 252,881 57,768 96,732 104,208 54,673 124,827 84,063 167,010 158,780 95,032 126,677 119,282 173,839 176,749 178,506 256,177 162,615 330,038 334,413 337,381 455,665 157,045 147,095 157,158 455,665 23,840

126

Data Tabel 5.20.menunjukan perhitungan rencana suplai mingguan dimana Weekly Seasonal Demand Indeks kemudian dikalikan dengan estimasi rencana suplai bulanan. Adapun rencana suplai yang dipakai pada analisis ini adalah rencana suplai (Supply Planning) yang menggunakan pendekatan formulasi

prediksi model & realisasi SR Planningpada nilai realisasi yang

optimal guna tercapainya Logistic Support Performance yang efektif dan efisien. Minggu pertama rata-rata estimasi permintaan adalah sebesar 47 MT dengan nilai estimasi tertinggi sebesar 110 MT dan nilai estimasi minimum sebesar 6 MT, minggu kedua rata-rata estimasi permintaan adalah sebesar 51 MT dengan nilai estimasi tertinggi sebesar 140 MT dan nilai estimasi minimum sebesar 7 MT,minggu ketiga rata-rata estimasipermintaan adalah sebesar 55 MT dengan nilai estimasi tertinggi sebesar 150 MT dan nilai estimasi minimum sebesar 11 MT,minggu keempat rata-rata estimasipermintaan adalah sebesar 157 MT dengan nilai estimasi tertinggi sebesar 455 MT dan nilai estimasi minimum sebesar 23 MT. Hasil perhitungan estimasi rencana suplai mingguan dengan berdasarkan nilai indeks permintaan mingguan kemudian disesuaikan atau diintegrasikan dengan data pada Tabel 5.21 sehingga didapat data informasi untuk estimasi rencana pengiriman per minggu (Weekly Delivery Count) dengan maksimalisasi penggunaan kapasitas truk (Maxsimize Vehicle Utilizations of Truck Capacity).


127

. Tabel 5.21.Delivery Count Estimate Base on Maxsimize Vehicle Utilizations of Truck Capacity

Periode

Optimum Realisations of Supply Base on Formulasi Prediksi

n

In Kg


64,824 77,910 102,140 49,666 121,227 135,262 518,333 538,044 115,536 189,671 196,618 109,347 244,759 158,609 309,278 299,585 190,065 253,354 243,432 347,677 360,712 364,297 545,058 338,781 687,580 696,694 717,831 828,481 285,536 262,670 311,766 828,481 49,666

Weekly Demand Estimate as Weekly Supply Planing Base On Indexs

Week-1 10,372 13,245 15,321 6,953 19,396 22,995 77,750 80,707 17,330 26,554 21,628 14,215 31,819 20,619 43,299 44,938 34,212 40,537 36,515 59,105 68,535 72,859 98,110 57,593 110,013 104,504 100,496 107,703 39,975 34,147 47,715 110,013 6,953

Week-2 7,131 8,570 13,278 7,450 15,759 18,937 72,567 86,087 17,330 28,451 33,425 17,496 36,714 22,205 46,392 41,942 28,510 40,537 46,252 73,012 75,750 69,216 92,660 50,817 110,013 111,471 129,210 140,842 48,541 44,654 51,174 140,842 7,131

Week-3 11,020 12,466 19,407 11,423 23,033 25,700 93,300 118,370 23,107 37,934 37,358 22,963 51,399 31,722 52,577 53,925 32,311 45,604 41,383 41,721 39,678 43,716 98,110 67,756 137,516 146,306 150,745 124,272 39,975 36,774 55,719 150,745 11,020

Week-4 36,301 43,629 54,134 23,840 63,038 67,631 274,716 252,881 57,768 96,732 104,208 54,673 124,827 84,063 167,010 158,780 95,032 126,677 119,282 173,839 176,749 178,506 256,177 162,615 330,038 334,413 337,381 455,665 157,045 147,095 157,158 455,665 23,840

Maxzimize Capacity of Vehicle

Kg 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000 7,000

Weekly Delivery Count Planing Base On Weekly Supply Planing and Maxzimize Vehicle Capacity Utilizations

Week-1

Week-2

Week-3

Week-4

1 2 2 1 3 3 11 12 2 4 3 2 5 3 6 6 5 6 5 8 10 10 14 8 16 15 14 15 6 5 7 16 1

1 1 2 1 2 3 10 12 2 4 5 2 5 3 7 6 4 6 7 10 11 10 13 7 16 16 18 20 7 6 7 20 1

2 2 3 2 3 4 13 17 3 5 5 3 7 5 8 8 5 7 6 6 6 6 14 10 20 21 22 18 6 5 8 22 2

5 6 8 3 9 10 39 36 8 14 15 8 18 12 24 23 14 18 17 25 25 26 37 23 47 48 48 65 22 21 22 65 3

Sumber : Analisis Weekly Delivery Count

Hasil perhitungan estimasi rencana suplai mingguan dengan berdasarkan nilai indeks permintaan mingguan kemudian disesuaikan atau diintegrasikan dengan


128

data pada Tabel 5.21 sehingga didapat data informasi untuk estimasi rencana pengiriman per minggu (Weekly Delivery Count) dengan maksimalisasi penggunaan kapasitas truk (Maxsimize Vehicle Utilizations of Truck Capacity). Hasil analisis Tabel 5.21 memberikan data hasil perhitungan analisis, jika menggunakan acuan data Weekly Seasonal Demand Indexs sebagai rencana suplai mingguan (Weekly Supply Planning) dengan kondisi memaksimalkan kapasitas optimum dari kapasitas truk pengiriman, maka didapatkan jumlah kali pengiriman (Delivery Count) rata-rata pada minggus pertama, kedua dan ketiga adalah 7 kali pengiriman (7 kali proses suplai/7 unit Truk) dan di minggus ke empat rata-rata kali pengiriman (Delivery Count) selama periode penelitian adalah 22 kali pengiriman (22 kali proses suplai/22 unit Truk), nilai tersebut tentu akan sangat lebih efisien jika dibandingkan dengan data aktual pengiriman tanpa memperhitungkan penggunaan kapasitas dan Weekly Seasonal Demand Indexs yaitu didapatkan rata-rata pengiriman pada 11 Kali pengiriman (44 dibagi 4 periode mingguan data pada Tabel 5.21. 5.3.4. Simulasi Implementasi Strategi Improvement SR Planninguntuk meningkatkan Logistic Support Performance. Strategi

Improvement

pada

model

SR

Planningbertujuan

untuk

menemukan nilai optimum dari SR Planningsebagai rencana suplai bulanan yang efektif dan efisien terhadap fungsi dukungan logistik (Logistic Support Performance) terhadap aktifitas dan proses penjualan (Sales Process), dan Weekly Seasonal Demand Indexs bertujuan untuk meReviewrencana suplai mingguan


129

sehingga rencana suplai bulanan pada SR Planningmenjadi lebih efektif dan efisien proses realisasinya. Tabel 5.22.Service Level Base on Simulations of Strategic Vs Actual Achievment

Periode

Estimate of Supply Realisatio Opening ns Base Stock DC Optimum Realisatio ns

Actual Order

Opening Stock Plant

Stock Ready Estimate

Ending Stock Estimate

Service Service Level (%)- Level (%)Simulasi Actual

Jan-14

43,992

35,066

64,824

49,713

44,632

114,537

35,479

100%

96%

Feb-14

61,679

29,176

77,910

35,479

44,632

113,389

22,533

100%

97%

Mar-14

56,766

39,578

102,140

22,533

119,290

124,673

28,329

100%

98%

Apr-14

79,822

48,456

49,666

28,329

131,765

77,994

-

61%

98%

May-14

84,125

39,431

121,227

-

105,679

121,227

-

98%

95%

Jun-14

82,947

59,245

135,262

-

95,360

135,262

-

95%

98%

Jul-14

93,727

61,455

518,333

-

112,400

518,333

363,151

100%

95%

Aug-14

87,329

65,733

538,044

363,151

112,400

901,195

748,133

100%

96%

Sep-14

84,500

62,792

115,536

748,133

96,923

863,669

716,377

100%

95%

Oct-14

102,702

70,774

189,671

716,377

146,177

906,047

732,571

100%

94%

Nov-14

107,360

82,691

196,618

732,571

176,032

929,189

739,138

100%

95%

Dec-14

139,059

86,078

109,347

739,138

212,548

848,485

623,347

100%

92%

Jan-15

144,394

71,261

244,759

623,347

128,545

868,106

652,451

100%

93%

Feb-15

115,942

68,590

158,609

652,451

149,780

811,060

626,528

100%

99%

Mar-15

127,130

87,802

309,278

626,528

148,906

935,807

720,874

100%

97%

Apr-15

130,260

95,200

299,585

720,874

116,682

1,020,459

794,999

100%

95%

May-15

154,990

127,110

190,065

794,999

63,969

985,064

702,964

100%

98%

Jun-15

151,456

155,552

253,354

702,964

84,081

956,318

649,310

100%

97%

Jul-15

149,430

116,506

243,432

649,310

53,214

892,742

626,806

100%

91%

Aug-15

170,855

168,268

347,677

626,806

56,374

974,483

635,360

100%

98%

Sep-15

179,944

140,653

360,712

635,360

60,673

996,072

675,475

100%

94%

Oct-15

168,400

122,083

364,297

675,475

60,673

1,039,772

749,288

100%

93%

Nov-15

165,606

170,453

545,058

749,288

43,788

1,294,346

958,287

100%

96%

Dec-15

227,793

162,954

338,781

958,287

85,839

1,297,069

906,322

100%

98%

Jan-16

153,670

155,419

687,580

906,322

43,402

1,593,901

1,284,812

100%

96%

Feb-16

161,481

137,754

696,694

1,284,812

93,037

1,981,506

1,682,271

100%

100%

Mar-16

303,563

123,249

717,831

1,682,271

143,608

2,400,102

1,973,290

100%

76%

Apr-16

286,175

128,355

828,481

1,973,290

176,792

2,801,771

2,387,241

100%

73%

May-16

356,930

159,458

285,536

2,387,241

203,738

2,672,777

2,156,389

100%

79%

Jun-16

396,414

227,777

262,670

2,156,389

203,738

2,419,059

1,794,869

100%

80%

Average

152,281

103,297

311,766

1,794,869

110,489

1,053,147

797,568

98%

93%

Max

396,414

227,777

828,481

797,568

212,548

2,801,771

2,177,581

100%

100%

Min

43,992

29,176

49,666

2,177,581

43,402

77,994

4,826

61%

73%

Stdev

85,662

50,325

214,498

4,826

51,124

754,341

618,355

7%

7%

Sumber : Simulasi Service Level Estimate

Proses simulasi implementasi dilakukan dengan membandingkan antara hasil pencapaian Logistic Support Performance dengan simulasi strategi Improvement dibandingkan dengan pencapaian aktual pada periode Sample


130

penelitian yaitu pencapaian aktual di periode Januari 2014 s/d Juni 2016 dengan hasil analisis sebagai pada tabel 5.22 menunjukan bahwa rata-rata pencapaian Service Level diestimasikan jika menggunakan pendekatan implementasi strategi Improvement SR Planningdengan metode perhitungan realisasi suplai optimum dan rencana suplai mingguan melalui pendekatan Seasonal Demand Indexs adalah sebesar 98%, atau berada diatas target pencapaian efektifitas Service Level 95%, sementara kondisi aktual tanpa simulasi berada pada level rata-rata sebesar 93% atau lebih rendah, hal tersebut dapat digambarkan melalui pendekatan grafik perbandingan (Comparative Grafic) sebagai berikut:

Service Level ofSimulations Vs Actual Achievment 100%

50%

0%

Service Level (%)-Simulasi

Service Level (%)-Actual

Gambar 5.10. Grafic of Service Level Base on Simulations of Strategic Vs Actual Achievment Sumber : Analisis simulasi service level achievment Rata-rata estimasi pencapaian Service Level simulasi lebih besar daripada pencapaian aktual maka dapat diberi kesimpulan bahwa strategi Improvement SR Planningdengan menggunakan pendekatan perhitungan realisasi optimum (Optimum Realisations of Supply) dan perhitungan rencana suplai mingguan


131

melalui pendekatan Seasonal Indexs Demand dapat direkomendasikan untuk dapat di terapkan atau diimplementasikan pada proses Supply di logistik CP Prima Proses simulasi untuk pengujian implementasi strategi improvement SR Planning sehingga dapat meningkatkan atau mendukung pencapaian Logistic Support Performance tidak hanya dilihat dari sisi efektifitasnya terhadap Service Level, tetapi juga harus dilakukan pengujian terhadap efisiensinya terhadap biaya logistik (Logistic Cost) yang terjadi yang dapat di ukur melalui perbandingan Logistic Cost Ratiospada estimasi simulasi dengan Logistic Cost Ratios Actual, Tabel 5.23.Logistic Cost Base on Simulations of Strategic Vs Actual Achievment


132

Logistic Cost Rate (Rp/Kg)

Logistic Cost Rate (Rp/Kg)Simulasi

Jan-14

Rp

4,261

Rp

3,732

Rp

528

Feb-14

Rp

3,568

Rp

3,219

Rp

348

Mar-14

Rp

3,849

Rp

3,212

Rp

637

Apr-14

Rp

2,990

Rp

2,736

Rp

255

May-14

Rp

2,856

Rp

2,723

Rp

133

Jun-14

Rp

2,747

Rp

2,583

Rp

164

Jul-14

Rp

2,381

Rp

2,247

Rp

134

Aug-14

Rp

2,591

Rp

2,465

Rp

126

Sep-14

Rp

2,648

Rp

2,485

Rp

163

Oct-14

Rp

3,120

Rp

2,562

Rp

558

Nov-14

Rp

3,819

Rp

2,728

Rp

1,092

Dec-14

Rp

1,912

Rp

1,796

Rp

116

Jan-15

Rp

3,223

Rp

2,452

Rp

772

Feb-15

Rp

2,641

Rp

2,334

Rp

307

Mar-15

Rp

2,176

Rp

2,060

Rp

117

Apr-15

Rp

2,863

Rp

2,292

Rp

571

May-15

Rp

2,630

Rp

2,120

Rp

510

Jun-15

Rp

2,379

Rp

1,980

Rp

399

Jul-15

Rp

2,923

Rp

2,458

Rp

465

Aug-15

Rp

2,576

Rp

2,028

Rp

548

Sep-15

Rp

2,678

Rp

2,139

Rp

539

Oct-15

Rp

3,542

Rp

2,754

Rp

788

Nov-15

Rp

2,561

Rp

2,085

Rp

476

Dec-15

Rp

2,233

Rp

1,904

Rp

329

Jan-16

Rp

2,539

Rp

2,172

Rp

367

Feb-16

Rp

2,707

Rp

2,106

Rp

600

Mar-16

Rp

2,514

Rp

2,031

Rp

484

Apr-16

Rp

2,364

Rp

1,915

Rp

449

May-16

Rp

2,033

Rp

1,633

Rp

401

Jun-16

Rp

1,717

Rp

1,552

Rp

165

Max Min Average

Rp Rp Rp

4,261 1,717 2,768

Rp Rp Rp

3,732 1,552 2,350

Rp Rp Rp

1,092 116 418

Periode

Eficiensi (Rp/Kg)

Sumber : Analisis Logistic Cost Rate Simulasi rata-rata Logistic Cost Ratesimulasi lebih rendah yaitu berada pada taraf Rp. 2350/Kg dibandingkan dengan Logistic Cost Rate Actual aktual yang berada pada rate Rp.2765/kg, atau memiliki rata-rata efisiensi biaya sebesar Rp. 418/Kg. Tentu strategi Improvement SR Planningdengan menggunakan pendekatan perhitungan realisasi optimum (Optimum Realisations of Supply) dan perhitungan rencana suplai

mingguan

melalui

pendekatan

Seasonal

Indexs

Demand

dapat

direkomendasikan untuk dapat di terapkan atau diimplementasikan pada proses


133

Supply di logistik CP Prima.Dengan rata-rata estimasi pencapaian Logistic Cost Ratios simulasi lebih rendah daripada pencapaian aktual maka dapat diberi kesimpulan bahwa strategi Improvement SR Planningdengan menggunakan pendekatan perhitungan realisasi optimum (Optimum Realisations of Supply) dan perhitungan rencana suplai mingguan melalui pendekatan Seasonal Indexs Demand diikuti dengan proses maksimalisasi penggunaan kapasitas truk armada pengiriman dalam proses Supply maka dapat direkomendasikan untuk dapat di terapkan atau diimplementasikan pada proses Supply di logistik CP Prima. Pendekatan dengan simulasi diatas masih bersifat estimasi terhadap nilai pencapaian Logistic Service Level untuk keseluruhan secara umum persediaan yang merupakan agregat persediaan barang jadi (Aggregat of Finished Good Inventory). Hasil daripada analisis perancangan strategi improvement SR Planninguntuk meningkatkan dan mendukung tercapainya Logistic Support Performance maka model SR Planningselanjutnya dapat digambarkan dengan penambahan

instrument-instrument

Improvement,

yaitu

pada

tahapan

Improvement SR Planningyang bertujuan untuk mendukung dan meningkatkan Logistic Support Performance secara efektif dan efisien. Model awal SR Planningsebelum penambahan Improvement adalah hanya sampai pada penentuan jumlah produk yang akan di suplai (Supply Planning) dari plant produksi (Processing Plant) ke plant logistik (Logistic DC Plant) dalam satu periode (satu bulan). Hal tersebut memiliki beberapa kelemahan untuk dipakai sebagai fungsi pendukung efektifitas serta efisiensi operasional dan aktifitas logistik terkait fungsi dukungannya (Support Fungtions) terhadap proses pemenuhan adanya


134

permintaan (Demand), karena nilai yang dihasilkan hanya merupakan gambaran umum rencana suplai (Supply Planning) bulanan, tanpa memperhitungkan ketepatan waktu dan jumlah yang akan disuplai dalam periode satu bulan tersebut. Oleh karena itu, Improvement dilakukan dengan menambahkan beberapa Instrument sebagai berikut: 1. Melakukan

perhitungan

Jumlah

realisasi

suplai

optimum

(Optimum

Realisastions of Supply) sehingga Logistic Support Performance tercapai secara efektif (Kriteria Service Level ≥ 95%) dan efisien (kriteria Logistic Cost Ratios ≤ 6%). 2. Melakukan perhitungan estimasi rencana suplai mingguan (Weekly Supply Planning) dengan menggunakan pendekatan Weekly Seasonal Demand Indexs. 3. Melakukan perhitungan jumlah pengiriman (Delivery Count) atau jumlah pemakaian armada kiriman per minggus (Weekly Vehicle Utilizations) dengan pendekatan maksimalisasi penggunaan kapasitas muat armada suplai (Maxsimize of Vehicle Capacity Utilizations).


BAB V HASIL PENELITIAN DAN PEMBAHASAN Implementasi Supply Requirement Planning (SR Planning) dan Logistic

Recommend Documents