49
BAB 3 LANGKAH PEMECAHAN MASALAH
3.1
Penetapan Standar Optimasi Dasar ev aluasi untuk mengoptimalk an supply chain management pada Honda Tebet
(PT. Setianita Megah Motor) dari proses bisnis perusahaan terutama pada ak tiv itas y ang terk ait dengan supplier y aitu pada bagian perencanaan dan pengendalian. Pada bagian perencanaan dan pengendalian dasar ev aluasi untuk mengoptimasi aliran informasi k epada
supplier dengan cak upan pada penerapan peramalan penjualan. 1. Peramalan permintaan dianalisis menggunak an bantuan software QM (Quantitative
Method ) dengan menggunak an Pendek atan metode peramalan deret wak tu (Time Series) y aitu peramalan dilak uk an berdasark an data-data suatu produk y ang sudah ada sebelumny a, k emudian dianalisa pola datany a apak ah berpola pada trend atau musiman maupun berbentuk sik lus. 2. Peramalan dilak uk an dengan menggunak an data permintaan mobil PT. Setianita Megah Motor pada periode Januari-Juni 2009. 3. Penulis menganalisa peramalan permintaan menggunak an empat metode y aitu : ¾
Moving Averages. Dengan asumsi bahwa demand (permintaan) cenderung stabil sepanjang wak tu.
¾
Weighted Moving Averages. Lebih responsif terhadap perubahan k arena periode y ang lebih baru lebih besar bobotny a.
¾
Eksponential Smoothing. Metode peramalan y ang paling mudah dan efisien. Penghalusan ek sponensial
49
50
mencak up pemeliharaan data masa lalu y ang sangat sedik it. ¾
Regresi Linier. Metode ini bertujuan untuk menghitung bagaimana suatu perk iraan atau persamaan regresi y ang ak an menjelask an hubungan diantara v ariabel. Regresi berarti bergantung bahwa sifat atau perilak u sebuah v ariabel ak an bergantung k epada v ariabel lainny a.
3.2
Pengembangan Model Optimasi Dalam menganalisis peramalan penjualan perusahaan dengan menggunak an tiga
metode peramalan y aitu : 1. Moving Averages.
Moving averages method (rata-rata bergerak). Dengan metode ini k ita dapat membuat asumsi bahwa demand (permintaan) cenderung stabil sepanjang wak tu. Rumus metode rata-rata bergerak (moving average method ) adalah :
Moving Averages =
Σ demand pada periode n n
Sumber : Jay Heizer dan Render (2001, p52)
Dimana n adalah jumlah periode y ang digunak an dalam metode rata-rata bergerak . 2. Weighted Moving Averages. Merupak an metode forecasting y ang menggunak an pembobotan. Rata-rata bergerak dengan pembobotan ditunjuk an secara matematis dengan :
51
Weighted Moving Averages = ∑(bobot untuk periode n)(permintaan dalam periode n)
∑ bobot Sumber : Jay Heizer dan Render (2001, p53)
3. Eksponential Smoothing.
exponential smoothing merupak an salah satu metode forecasting y ang relatif mudah dipergunak an, k arena tidak memerluk an input data y ang sangat bany ak . A dapun rumus metode penghalusan ek sponensial adalah sebagai berik ut:
Forecast periode y ang ak an datang = forecast periode y ang lalu + α (ak tual demand – forecast periode y ang lalu) Sumber : Jay Heizer dan Render (2001, p54)
Di mana α adalah k onstanta y ang nilainy a antara 0 sampai 1. sehingga persamaan tersebut dapat ditulis sebagai berik ut :
Ft = Ft-1 + α (A t–1 – Ft-1) Sumber : Jay Heizer dan Render (2001, p54)
Dimana , Ft
= forecast y ang baru
Ft-1
= forecast y ang lalu
A t-1
= Actual demand periode y ang lalu
52
α α
= k onstanta y ang nilainy a 0 sampai 1 (smoothin g constant) dapat berubah, tergantung pada asumsi k ita mengenai
perubahan y ang ak an terjadi pada data tersebut. Semak in besar asumsi terhadap tarjadiny a peningk atan penjualan, nilai α ak an semak in besar, dan begitu pula sebalik ny a. Dengan demik ian, pemilihan besarny a nilai α harus k ita lak uk an dengan hati-hati. Konstanta penghalus umumny a antara 0,05 sampai 0,50. Untuk memperoleh forecasting y ang lebih ak urat, k ita dapat membandingk an nilai
forecasting dengan nilai ak tual y ang terjadi. Semak in k ecil perbedaan antara nilai hasil forecasting dan nilai ak tual, berarti tingk at k esalahanny a semak in k ecil dan metode forecasting y ang digunak an relatif baik . Tingk at k esalahan forecasting
(forecast error) dapat dihitung sebagai berikut (Jay Heizer dan Render, 2001, p54):
Forecast error = Demand – Forecast Sumber : Jay Heizer dan Render (2001, p56)
Pendek atan y ang digunak an adalah metode peramalan deret wak tu (Time Series) y aitu peramalan dilak uk an berdasark an data-data suatu produk y ang sudah ada sebelumny a, k emudian dianalisa pola datany a apak ah berpola pada trend atau musiman maupun berbentuk sik lus (Jay Heizer dan Render, 2001, p50). 4. Regresi Linier Metode ini bertujuan untuk menghitung bagaimana suatu perk iraan atau persamaan regresi y ang ak an menjelask an hubungan diantara v ariabel. Regresi berarti bergantung bahwa sifat atau perilak u sebuah v ariabel ak an bergantung k epada
53
v ariabel lainny a. Memilih MA D (dev iasi rata-rata absolut) dan MSE (k esalahan ratarata k uadrat) terk ecil. MAD merupak an uk uran pertama k esalahan peramalan k eseluruhan untuk sebuah model. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap k esalahan peramalan dibagi dengan jumlah periode data (n). MSE merupak an rata-rata selisih k uadrat antara nilai y ang diramalk an dan y ang diamati.
