PENENTUAN TINGKAT KEBUTUHAN SAFETY STOCK DI INDUSTRI FARMASI DEBBIE KEMALA SARI DAN HERRY SUDAYAT Program Studi Teknik Industri Universitas Suryadarma Jakarta ABSTRAK Dunia industri yang semakin ketat mengakibatkan perusahaan-perusahaan harus menekan biaya produksi guna mendapatkan keuntungan maksimal. Untuk itu, diperlukan perencanaan produksi yang matang. Dalam perencanaan produksi, peramalan untuk memperkirakan kebutuhan material yang akan datang merupakan aspek penting.). Metode yang digunakan dalam penelitian ini antara lain: metode naïve, metode Single Exponential Smoothing, metode Product Aggregation, metode kombinasi antara Product Aggregation dan Naïve dan perhitungan teori Jumlah Pesanan Ekonomis (EOQ) dan Titik pemesanan ulang (ROP). Hasil penelitian menunjukkan bahwa Nilai Mean Absolute Percentage Error (MAPE) berdasarkan peramalan yang selama ini diterapkan adalah sebesar 81% dari Forecast Error dibagi Demand fix dikali 100, sedangkan nilai Mean Absolute Percentage Error (MAPE) berdasarkan kombinasi metode Product Aggregation dan Naive adalah sebesar 28% dari Forecast Error dibagi Demand fix dikali 100. Sehingga penurunan nilai Mean Absolute Percentage Error (MAPE) yang terjadi adalah sebesar 53% dari 81% diambil 28%. Service Level berdasarkan peramalan yang selama ini diterapkan (metode lama) adalah sebesar 66,2%, sedangkan service level berdasarkan kombinasi Metode Product Aggregation dan Naive adalah sebesar 97,7%. Sehingga mengalami peningkatan sebesar 31,5% dari 97,7% diambil 66,2%. Estimasi perhitungan kebutuhan safety stock dengan variasi service level yang ditentukan yang dapat digunakan sebagai bahan pertimbangan perusahaan dalam penetapan besar safety stock adalah sebagai berikut; untuk service level 90%, kebutuhan safety stock adalah 4902; untuk service level 85%, kebutuhan safety stock adalah 3983; untuk service level 80%, kebutuhan safety stock adalah 3217; untuk service level 65%, kebutuhan safety stock adalah 1455; untuk service level 52%, kebutuhan safety stock adalah 230. Hasil yang didapat nilai Jumlah pesanan ekonomis (Economic Order Quantity / EOQ) adalah sebesar 1744 karton. Titik pemesanan ulang (Reorder Point / ROP) adalah sebesar 1492 karton, sedangkan Total Biaya per tahun adalah $ 17479.
PENDAHULUAN Semakin banyak persaingan diantara industri dalam mencapai tujuan utama, semua perusahaan menginginkan keuntungan yang maksimal. Dengan faktor produksi yang paling minimum mengakibatkan persaingan menjadi ketat karena banyaknya industri yang sejenis atau perusahaan yang bergerak dalam bidang industri yang sama, sedangkan pangsa pasar terbatas atau konsumen yang tidak bertambah (customer lama).
Perusahaan farmasi yang ideal memiliki strategi perencanaan produksi yang efektif dalam menyesuaikan target produksi terhadap kapasitas yang tersedia. Kekurangan kapasitas produksi akan menyebabkan kegagalan memenuhi target produksi, keterlambatan pengiriman ke pelanggan dan kehilangan kepercayaan. Sebaliknya kelebihan kapasitas produksi akan mengakibatkan tingkat biaya penyimpanan (Holding Cost) tinggi, sehingga menurunkan modal biaya.
69
Diperlukan pemahaman lebih untuk menentukan perencanaan produksi yang baik agar dapat menghasilkan keuntungan yang maksimum dengan biaya minimum. Permasalahan mengenai safety stock menjadi hal yang menarik untuk dibahas. Dengan melakukan peramalan dengan metode terbaik dan melakukan perhitungan jumlah safety stock, biaya produksi akan dapat diminimalisasi. Atas dasar pemikiran tersebut, penulis melaksanakan penelitian mengenai penerapan metode peramalan untuk penentuan strategi safety stock yang sesuai pada industri farmasi dengan pola permintaan yang bersifat musiman (seasonal). Masalah dalam penelitian ini diuraikan sebagai berikut : a. Penelitian difokuskan pada metode peramalan untuk penentuan strategi safety stock Product Sangobion kemasan 100 ml/ltr di PT. Merck Tbk b. Menentukan pokok permasalahan diperusahaan dengan cara wawancara. Tujuan penelitian ini adalah untuk mengetahui: a. Metode peramalan alternatif dengan cara menggunakan informasi permintaan dari tingkat kumpulan (aggregation level) yang lebih tinggi dan dengan mengkombinasikan beberapa metode peramalan untuk industri farmasi yang memiliki pola permintaan yang bersifat musiman (seasonal). b. Penentuan strategi safety stock berdasarkan metode peramalan terbaik yang sesuai pada industri farmasi dengan pola permintaan yang bersifat musiman (seasonal). c. Perhitungan Jumlah pesanan ekonomis (Economic Order Quantity /EOQ) dan titik pemesanan ulang (Reorder Point / ROP).
METODE Peramalan adalah suatu proses untuk memperkirakan berapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa (Indra almahdy & Kholil). Metode Peramalan Peramalan dapat dilakukan dengan beberapa cara yang dikelompokkan dalam dua kategori, yaitu kuantitatif dan kualitatif. Peramalan kualitatif dapat dilakukan dengan cara sebagai berikut (Aulia Ishak; 2010): a. Juri opini eksekutif. Dalam metode ini, peramalan dilakukan oleh eksekutif atau manajer tingkat atas perusahaan. b. Metode Delphi. Metode ini dilakukan dengan melengkapi data untuk peramalan dengan membagikan daftar pertanyaan kepada konsumen atau masyarakat c. Tenaga Penjualan. Peramalan dilakukan dengan memanfaatkan kedekatan tenaga penjual dengan konsumen. d. Survei Pasar. Dimana peramalan dilakukan dengan turun langsung ke lapangan atau pasar, sehingga diperoleh informasi langsung dari pasar. Sedangkan metode lainnya, yakni metode peramalan kuantitatif, dipergunakan bila kondisi berikut terpenuhi : 1) Adanya informasi tentang masa lalu 2) Informasi tersebut dapat dikuantitatifkan dalam bentuk data Informasi tersebut dapat diasumsikan bahwa pola masa lalu akan terus bersambung sampai ke masa depan. Kategori peramalan kuantitatif memanfaatkan data historis (masa lalu) untuk diproyeksikan sebagai peramalan 70
di masa mendatang. Data ini tergolong ke dalam data time series. Pengertian dari time series (runtun waktu) adalah himpunan observasi berurut dalam waktu atau dimensi apa saja yang lain. Berikut ini merupakan beberapa metode peramalan kuantitatif yang sering digunakan, yaitu: Metode Naive Metode Naive adalah metode peramalan yang sangat sederhana, ia hanya menggunakan data nilai aktual tahun lalu sebagai ramalan / perkiraan untuk tahun ini, peramalan tahun berikutnya hanya berupa (t-1) akan sama dengan data tahun ini. Metode ini murni merefleksikan permintaan pada periode sebelumnya tanpa ada pembobotan maupun faktorfaktor lainnya. Metode ini hanya menggunakan data nilai aktual periode lalu sebagai ramalan atau perkiraan untuk periode ini. Data aktual periode ini akan sama dengan peramalan untuk periode berikutnya, dan begitu seterusnya. Dapat dirumuskan sebagai berikut: Ft
= Xt-1
Keterangan : Ft = Forecast pada periode t Xt-1 = Aktual demand (permintaan) periode t-1 Single Exponential Smoothing Exponential Smoothing adalah Suatu tipe teknik peramalan rata-rata bergerak yang melakukan penimbangan terhadap data masa lalu dengan cara eksponensial sehingga data paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak. Single exponential smoothing banyak digunakan untuk peramalan jangka pendek. Metode ini biasanya digunakan jika data cukup konstan (data mengandung trend yang tidak terlalu signifikan).
Single exponential dirumuskan sebagai berikut:
smoothing
Ft = Ft-1 + α (Xt-1 – Ft-1) Keterangan : Ft = Forecast pada periode t Ft-1 = Forecast pada periode t-1 α = Konstanta smoothing Xt-1 = Aktual demand periode t-1 Hal utama yang dilakukan dalam metode single exponential smoothing adalah menentukan nilai α. Nilai α ini dapat disesuaikan dengan pola historis data aktual. Apabila pola historis dari data aktual sangat bergejolak atau tidak stabil dari waktu ke waktu, nilai α yang dipilih yang mendekati 1. Jika pola historis dari data aktual tidak berfluktuasi atau relatif stabil dari waktu ke waktu, nilai α yang dipilih yang mendekati 0. Alternatif lain yang dapat dilakukan adalah dengan melakukan trial and error sehingga menemukan nilai α yang menghasilkan nilai MAPE terkecil. Product Aggregation Peramalan yang dilakukan pada tingkat family product akan lebih akurat dari pada peramalan pada tingkat Individual item. Pada tingkat item produk, pemintaan cenderung menunjukan variasi yang lebih besar jika dibandingkan dengan permintaan pada family product. Untuk pemintaan dengan tipe seasonal, memisahkan seasonal index pada tingkat family product menghasilkan estimasi yang lebih baik pada peramalan tingkat individual item. Berikut ini merupakan langkah peramalan dengan menggunakan metode product aggregation. Pertamatama yang dilakukan adalah mengumpulkan data permintaan semua item produk dalam satu family produk dengan rumus : Xj,t,t+1 = αj,t . f Nt+1-P
71
Keterangan : Xj,t,t+1 = Peramalan permintaan untuk produk j padaperiode t+1, dan dibuat diakhir periode t. αj,t = Tingkat permintaan produk j pada produk t. f Nt+1-P = Seasonal index untuk family product pada periode t.
MSE = Σ Et2 n MSE menunjukkan rata-rata dari kuadrat kesalahan yang terjadi selama periode peramalan.
Setelah didapat hasil peramalan individual item, dilakukan peramalan kembali pada tingkat family product, dengan rumus : Xt = ΣXj,t
MAD = Σ ІEtІ n MAD menunjukkan rata-rata dari nilai absolut kesalahan yang terjadi selama periode peramalan.
Keterangan : Xj,t,t = Peramalan permintaan untuk produk j pada periode t Xt = Total peramalan permintaan produk j
Rata-rata Persentase Kesalahan Absolute (Mean Absolute Percentage Error = MAPE)
Product Aggregation Combined with Naive Metode ini menghasilkan peramalan berdasarkan penggabungan dari dua metode peramalan, yakni Product Aggregation dengan Naive. Hasil peramalan diperoleh dengan cara 2.1 merata-ratakannya. 2.2 Akurasi Peramalan Peramalan tidak pernah sempurna, peramalan terhadap kondisi di masa mendatang umumnya tidak dapat persis sama dengan kenyataan sesungguhnya yang terjadi di masa yang akan datang. Dalam setiap peramalan yang dibuat selalu dihasilkan bias. Metode peramalan terbaik adalah yang menghasilkan nilai kesalahan peramalan yang terkecil. Agar didapat peramalan yang memiliki tingkat keakuratan yang baik maka perlu dilakukan uji ketelitian dengan mencari error terkecil dengan menghitung nilai : Rata-rata Kuadrat Kesalahan (Mean Squared Error = MSE)
Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD)
MAPE = Σ ІEtІ/ Dt x 100 n MAPE menunjukkan rata-rata persentase dari nilai absolut kesalan yang terjadi selama periode peramalan terhadap permintaan aktual. Keterangan : Et = forecast error pada periode t. Dt = Permintaan pada perode t. n = Jumlah periode Manajemen Permintaan Pada dasarnya manajemen permintaan (demand management) didefinisikan sebagai suatu fungsi pengelolaan dari semua permintaan produk. Tujuannya adalah untuk menjamin bahwa penyusun jadwal induk (master scheduler) mengetahui dan menyadari semua permintaan produk itu (Vincent Gaspersz, 1998). Permintaan terdiri dari beberapa komponen di dalamnya, yakni tren, variasi musiman, variasi siklis dan sisanya adalah variasi random. Perusahaan dapat berperan aktif dalam mengontrol besarnya pemintaan dengan cara menaikkan atau menurunkan harga. Perusahaan juga dapat berperan merespon permintaan dengan memproyeksikan pola permintaan sebelumnya untuk kebutuhan peramalan di masa datang. 72
PERAMALAN (TIDAK PASTI)
PELAYANAN PESANAN(PASTI)
MANAJEMEN PERMINTAAN
Gambar 2. Aktifitas utama dalam Manajemen Permintaan (Sumber : Vincent Gaspersz, 1998) Karakteristik permintaan Secara umum dapat dijelaskan, bahwa peramalan produksi dengan pendekatan analisis runtun waktu (time series) dilakukan dengan memanfaatkan data masa lalu yang dimiliki perusahaan secara series. Tingkat permintaan biasanya membentuk pola-pola sebagai berikut: Tren (Trend), Musiman (Seasonality), Acak (Random) maupun Siklis (Cycle).
kuantitas dari produk yang ada di dalam stock. 3) Safety stock adalah stock tambahan dari item yang direncanakan untuk berada dalam persediaan yang dijadikan sebagai stock pengaman. Tujuan dari stock pengaman ini adalah mengatasi fluktuasi dalam ramalan penjualan, pesananpesanan pelanggan dalam waktu singkat (short-term customer orders), penyerahan item untuk pengisian kembali persediaan.
Manajemen Persediaan Persediaan (Inventory) Dalam manajemen rantai pasok (supply chain management), strategi dalam menetapkan persediaan memiliki peranan yang sangat penting. Supply chain merupakan urutan dari bisnis proses dan aktifitas-aktifitas dari mulai supplier hingga ketangan konsumen yang menyediakan produk, jasa dan informasi untuk memenuhi kepuasan konsumen. Ada beberapa informasi yang harus diketahui dalam manajemen persediaan. Berikut ini akan dikemukakan penjelasan singkat berkaitan dengan informasi yang ada di seputar manajemen persediaan, yaitu: 1) Lead time adalah waktu (banyaknya periode) yang dibutuhkan untuk memproduksi suatu produk. 2) On hand adalah posisi persediaan awal yang secara fisik tersedia dalam stock yang merupakan
Persediaan adalah suatu sumber daya menganggur yang keberadaannya menunggu proses lebih lanjut. Keberadaan persediaan pada suatu perusahaan perlu diatur sedemikian rupa sehingga kelancaran pemenuhan kebutuhan pemakai dapat dijamin, tetapi ongkos yang ditimbulkan sekecil mungkin. Fungsi Persediaan Fungsi persediaan dapat diidentifikasi menjadi 3 jenis motif yaitu: a. Motif transaksi (Transaction motive), b. Motif berjaga-jaga (precautionary motive). c. Motif spekulasi (speculative motive).
73
Laba yang maksimal dapat dicapai dengan meminimalkan biaya operasional yang berkaitan dengan persediaan. Namun meminimalkan biaya persiapan dapat dicapai dengan memesan atau memproduksi dalam jumlah yang kecil, sedangkan untuk meminimalkan biaya pemesanan dapat dicapai dengan melakukan pesanan yang besar dan jarang. Secara umum alasan untuk memiliki persediaan adalah sebagai berikut: a. Untuk menyeimbangkan biaya pemesanan atau persiapan dan biaya penyimpanan b. Untuk memenuhi permintaan pelanggan, misalnya menepati tanggal pengiriman. c. Untuk menghindari penutupan fasilitas manufaktur.
Formula yang digunakan untuk menghitung nilai safety stock adalah: σc
=
Standar deviasi penjualan / penggunaan rata-rata (σs) didapat dari formula berikut. Demikian juga dengan formula untuk perhitungan standar deviasi siklus pengisian persediaan (σR): =
Dimana:
Perhitungan kebutuhan safety stock Safety stock merupakan persediaan yang disiapkan sebagai penyangga untuk mengantisipasi adanya perbedaan antara peramalan dan permintaan aktual, antara delivery time yang diharapkan dan aktualnya, serta hal-hal tak terduga lainnya. Jumlah safety stock yang dibutuhkan untuk memenuhi tingkat permintaan / kebutuhan tertentu dapat ditentukan melalui simulasi komputer atau metode statistik. Dalam perhitungannya, diperlukan sampel data mengenai volume penjualan / penggunaan dan siklus pengorderan. f = Frekuensi kejadian d = Deviasi kejadian terhadap ratarata (mean) n = Total observasi
R(σs2) + S2(σR2)
Dimana : σc = Jumlah safety stock yang dibutuhkan R = Siklus pengisian persediaan rata-rata (lead time) σs = Standar deviasi penjualan / penggunaan rata-rata S = Penjualan / Penggunaan ratarata σR = Standar deviasi siklus pengisian persediaan (lead time)
σs
d. Untuk menyanggah proses produksi yang tidak dapat diandalkan. e. Untuk memanfaatkan diskon f. Untuk menghadapi kenaikan harga di masa yang akan datang.
Σ fd2 n-1
Sehubungan dengan ketidak akuratan peramalan, terdapat formula dalam menentukan safety stock, yakni: Safety stock = Service Level x Forecast Error x Lead time Nilai service level yang digunakan dalam perhitungan rumus ini adalah besarnya nilai z dari persentase tingkat pelayanan yang diharapkan. Forecast error yang digunakan adalah nilai Root Mean Square Error, sedangkan Lead time yang digunakan adalah rentang waktu dimulai dari saat pemesanan barang hingga barang siap digunakan. Pengukuran Kinerja Performa perusahaan pada umumnya diukur secara berkala untuk menjaga keberlangsungan produksi dengan tujuan terus meningkatkan keuntungan yang dihasilkan. 74
Service Level Service level atau tingkat pelayanan merupakan salah satu metode untuk penilaian kinerja dari manajemen persediaan dan juga gudang. Service level adalah suatu tingkat yang memperlihatkan jumlah pemesanan (reservasi) akan suatu produk yang dipenuhi tepat waktu dibandingkan dengan total permintaan terhadap
produk tersebut. Biasanya service level dinyatakan dalam satuan persen, dimana semakin mendekati nilai 100%, berarti kebutuhan akan produk dapat terpenuhi dengan sangat baik. Nilai service level ini memiliki keterkaitan dengan jumlah kejadian stock out yaitu kekurangan produk dari pada yang dibutuhkan dan merupakan salah satu cara penilaian kerja inventory control. Semakin tinggi nilai service level, maka kejadian stock out semakin jarang. Nilai service level dapat diperoleh dengan menggunakan formula berikut:
Service level = Jumlah permintaan terpenuhi x 100% Total permintaan Biaya pemesanan = pesanan x Biaya pesanan Jumlah Pesanan Ekonomis (Economic Order Quantity /EOQ) Jumlah Pesanan Ekonomis (Economic Order Quantity /EOQ) merupakan salah satu model yang sudah tua, diperkenalkan oleh FW Harris pada tahun 1914, tetapi paling banyak dikenal dalam teknik pengendalian persediaan. EOQ banyak dipergunakan sampai saat ini karena mudah dalam penggunaannya, meskipun dalam penerapannya harus memperhatikan asumsi yang dipakai.Asumsi-asumsi tersebut sebagai berikut: a. Barang yang dipesan dan disimpan hanya satu macam. b. Kebutuhan / permintaan barang diketahui dengan pasti c. Waktu tenggang (lead time) diketahui dengan pasti d. Pemesanan kembali dilakukan ketika persediaan mencapai titik nol, dan akan langsung diterima seketika, sesuai ukuran pemesanan yang dilakukan, sehingga tidak akan terjadi kekurangan persediaan. Model Economic Order Quantity (EOQ) ini mencari ukuran pemesanan yang ekonomis dengan meminimalkan total biaya.
Frekuensi
=
Biaya penyimpanan per tahun = Persediaan rata-rata x Biaya penyimpanan
ℎ
=
Total biaya per tahun = Biaya pemesanan x Biaya penyimpanan
+
=
ℎ
EOQ terjadi bila biaya pemesanan Biaya penyimpanan
+
2
=
ℎ
2 .
= ℎ. 2. . = ℎ
∗
=
2. . ℎ
75
Ch = I x C = Biaya penyimpanan (dolar / unit / tahun) Q = Jumlah pemesanan (unit / pesanan) F = Frekuensi pemesanan (kali / tahun) T = Jarak waktu antar tiap pesanan (tahun, hari) TC= Total biaya persediaan (dolar / tahun)
Q* adalah EOQ yaitu jumlah pemesanan yang memberikan total biaya persediaan yang terendah. EOQ juga bisa diperoleh dengan membuat turunan dari fungsi total biaya (TC) terhadap Q sebagai berikut: TC dTC dQ 2DCo Q*
= ½ Q Ch + D x Co Q = - DCo x Ch = 0 Q2 2 = ChQ2 = 2DCo Ch
Jumlah Pesanan Ekonomis dengan titik pemesanan ulang (Reorder Point / ROP)
(EOQ)
Pada model EOQ sebelumnya, informasi lead time belum dipertimbangkan, sehingga diasumsikan bahwas pesanan akan langsung diterima seketika, sesuai ukuran pemesanan yang dilakukan. Tentunya asumsi ini tidak realistis karena sesungguhnya pesanan akan diterima setelah selang waktu tertentu setelah dilakukannya pemesanan. Pada model EOQ dengan titik pemesanan ulang (reorder point), asumsi tersebut ditiadakan. Pemesanan harus dilakukan sebelum tingkat persediaan menjadi nol, yaitu ketika persediaan mencapai titik pemesanan ulang (reorder point) (Aulia Ishak, 2010). Secara grafis situasi ini dapat digambarkan seperti pada gambar 2.
Total biaya per tahun (TC) = Biaya pembelian per tahun + Biaya penyimpanan per tahun + Biaya Pemesanan per tahun TC = ½ Q Ch + D x Co (2.16) Q Dimana : D = Jumlah kebutuhan barang (unit / tahun) Co = Biaya pemesanan (dolar / pesanan) I = Biaya penyimpanan (% terhadap nilai barang) C = Harga barang (dolar / unit)
Tingkat Persediaan
Q
ROP L
L Waktu
Gambar 2 Titik Pemesanan Ulang dan Tenggang Waktu Titik pemesanan ulang dihitung dengan mengalikan tenggang waktu (L) dengan permintaan perhari. Jika kita mengasumsikan bahwa satu tahun terdiri dari 365 hari.
76
maka permintaan D/365
per
hari
adalah
L = Waktu tenggang (Lead time) D = Jumlah kebutuhan barang (unit / tahun) R = Titik pemesanan ulang (Reorder Point / ROP)
Jadi rumus untuk titik pemesanan ulang, R, adalah R = L.D/365 Dimana :
Single Exponential Smoothing HASIL DAN PEMBAHASAN Besarnya α (konstanta smoothing) yang terdapat dalam perhitungan Single Eksponential Smoothing ditentukan dengan cara trial and error hingga mendapat error terkecil. Setelah dilakukan uji coba terhadap variasi α dari 0,1 hingga 0,9 diperoleh nilai α sebesar 0,3 yang menghasilkan error terkecil. Nilai MAPE berdasarkan metode Single Exponential Smoothing adalah sebesar 51%. Nilai tersebut menunjukkan rata-rata simpangan maksimum yang dihasilkan dari forecast dengan metode single eksponential smoothing. Berikut ini adalah visualisasi dari data Mean Absolute Percentage Error (MAPE) selama 1 tahun.
Metode peramalan yang digunakan untuk meramalkan permintaan adalah Metode Naive, Single Exponential Smoothing, Product Aggregation, Kombinasi antara Product Aggregation dan Naive. Metode Naive Nilai MAPE berdasarkan metode Naive adalah 53%. Nilai ini masih cukup besar karena peramalan yang diberlakukan rata-rata memiliki simpangan hingga ±53% dari peramalan sebenarnya. Berikut ini adalah visualisasi dari data Mean Absolute Percentage Error (MAPE) selama 1 tahun.
1400 1200 1000 800 600 400 200 0
1236,2 36,3
560,1
57,4 11,5
46,5
14
8
38,6
121,9
152,5
108,7
03 /0 1 17 /20 /0 11 1 31 /20 /0 11 1 14 /20 /0 11 2 28 /20 /0 11 2/ 14 20 /0 11 3 28 /20 /0 11 3 11 /20 /0 11 4/ 25 20 /0 11 4 09 /20 /0 11 5 23 /20 /0 11 5/ 06 20 /0 11 6 20 /20 /0 11 6 04 /20 /0 11 7 18 /20 /0 11 7 01 /20 /0 11 8 15 /20 /0 11 8/ 12 20 /0 11 9 26 /20 /0 11 9 10 /20 /1 11 0 24 /20 /1 11 0 07 /20 /1 11 1/ 21 20 /1 11 1 05 /20 /1 11 2/ 20 11
Tingkat Kesalahan
Rata-rata Kesalahan Pada Metode Naive tahun 2011
MAPE
Tanggal
Gambar 5. Pergerakan MAPE berdasarkan Metode Naive
1200 1000 800 600 400 200 0
1039
38,1 75,3
14,1
46
14
8
86
291
203
44
115
106
03 /0 1 17 /20 /0 11 1 31 /20 /0 11 1/ 14 2 0 /0 11 2 28 / 20 /0 11 14 2/ 20 /0 11 3 28 / 20 /0 11 3 11 / 20 /0 11 4 25 / 20 /0 11 09 4/ 20 /0 11 5 23 / 20 /0 11 5 06 / 20 /0 11 20 6/ 20 /0 11 6 04 / 20 /0 11 7 18 / 20 /0 11 7 01 / 20 /0 11 15 8/ 20 /0 11 8 12 / 20 /0 11 9 26 / 20 /0 11 9 10 / 20 /1 11 0 24 / 20 /1 11 0/ 07 20 /1 11 1 21 / 20 /1 11 05 1/ 20 /1 11 2/ 20 11
Tingkat Kesalahan
Rata-rata Kesalahan Pada M e tode Single Exponential Smooting tahun 2011
MAPE
Tanggal
Gambar 6. Pergerakan MAPE berdasarkan Single Exponential Smoothing
77
seasonal index yang diperoleh pada level family product sebagaimana yang terdapat pada rumus (2.3). Lalu selanjutnya melakukan penjumlahan terhadap keseluruhan hasil peramalan pada level individual product seperti yang tertera pada rumus (2.4). Sehingga didapat peramalan pada tingkat family product. Nilai MAPE yang dihasilkan adalah sebesar 32%. Hal ini berarti rata-rata kesalahan peramalan dengan pendekatan seperti ini cukup kecil, yakni memiliki rata-rata persentase simpangan sebesar 32% dari permintaan yang sebenarnya. Untuk menggambarkan fluktuasi dari Rata-rata Persentase Kesalahan (MAPE) data tersebut akan disajikan dalam bentuk grafik. Berikut ini adalah visualisasi dari data Mean Absolute Percentage Error (MAPE) selama 1 tahun.
Product Aggregation (Kumpulan) Metode ini merupakan metode yang menggunakan peramalan pada level family product. Metode ini juga menggunakan data produk yang terdapat di dalam family product tersebut (individual item). Untuk menerapkan tipe peramalan ini, diperlukan perhitungan seasonal index terlebih dahulu. Berikut ini adalah seasonal index yang di dapat dengan cara membagi permintaan dengan rata-rata permintaan tahun tersebut pada periode yang sama. Peramalan dengan metode product aggregation ini dilakukan dengan cara mengalikan masing-masing jumlah permintaan individual product dengan
120 100 80 60 40 20 0
94 37
50 25
4
17
96
57
59 53
12
33
58
59
43
03 /0 1 17 /20 /0 11 1 31 /20 /0 11 1/ 14 20 /0 11 2 28 / 20 /0 11 2 14 / 20 /0 11 3/ 28 20 /0 11 3 11 / 20 /0 11 4 25 / 20 /0 11 4 09 / 20 /0 11 5 23 / 20 /0 11 5 06 / 20 /0 11 6 20 / 20 /0 11 6 04 / 20 /0 11 7 18 / 20 /0 11 7 01 / 20 /0 11 8 15 / 20 /0 11 8 12 / 20 /0 11 9 26 / 20 /0 11 9 10 / 20 /1 11 0/ 24 20 /1 11 0 07 / 20 /1 11 1 21 / 20 /1 11 1 05 / 20 /1 11 2/ 20 11
Tingkat Kesalahan
Rata-rata Kesalahan Pada Metode Product Aggregation tahun 2011
MAPE
Tanggal
Gambar 7 Pergerakan MAPE Berdasarkan Metode Product Aggregation Kombinasi antara Aggregation dan Naive
Product
Metode ini merupakan kombinasi dari dua buah metode forecast yang telah dibahas sebelumnya, yakni Product Aggregation dan Naive. Kombinasi ini dilakukan dengan cara merata-ratakan hasil peramalan dari masing-masing metode. Berikut ini adalah hasil pengolahan data dengan metode kombinasi kedua metode peramalan ini.
Kombinasi metode product aggregation dan naive menghasilkan hasil MAPE yang lebih kecil yakni sebesar 28%. Dalam kondisi seperti ini berarti kombinasi dengan metode naive sangat berperan dalam menghasilkan peramalan yang lebih memadai. Besarnya MAPE 28% secara umum dipengaruhi oleh seasonal index yang didapat ketika melakukan perhitungan peramalan dengan metode product aggregation.
78
Nilai Mean Square Error (MSE) adalah 14670547 jika di akar ( √ ) kan hasilnya sebesar 3830 (Forecast Error) Untuk menggambarkan fluktuasi dari Rata-rata Persentase Kesalahan
(MAPE) data tersebut akan disajikan dalam bentuk grafik. Berikut ini adalah visualisasi dari data Mean Absolute Percentage Error (MAPE) selama 1 tahun.
600 500 400 300 200 100 0
570 15
22
8
231
27 8
8
2
22
54
14
35
32,9
03 /0 1 17 /20 /0 11 1/ 31 20 /0 11 14 1/2 /0 011 28 2/2 /0 01 2 1 14 /20 /0 11 3 28 /20 /0 11 3 11 /20 /0 11 4 25 /20 /0 11 4 09 /20 /0 11 5/ 23 20 /0 11 5 06 /20 /0 11 20 6/2 /0 01 6 1 04 /20 /0 11 7 18 /20 /0 11 7 01 /20 /0 11 8 15 /20 /0 11 8 12 /20 /0 11 9 26 /20 /0 11 9 10 /20 /1 11 0 24 /2 /1 01 0 1 07 /20 /1 11 1/ 21 20 /1 11 1 05 /20 /1 11 2/ 20 11
Tingkat Kesalahan
Rata-rata Ke salahan Pada Kombinasi M etode Product Aggregation dan Naiv e tahun 2011
MAPE
Tanggal
Gambar 8. Pergerakan MAPE berdasarkan Kombinasi Metode Product Aggregation dan Naive. Perbandingan Mean Persentage Error (MAPE)
Absolute
Dalam mengukur akurasi peramalan, terdapat beberapa perhitungan yang dapat dilakukan, antara lain Mean Absolute Deviation (MAD), Mean Squared Error (MSE) dan Mean Absolute Persentage Error (MAPE). Untuk membandingkan akurasi peramalan antara metode yang satu
dengan yang lainnya, yang paling tepat adalah MAPE karena hasil kesalahan peramalan ditinjau sebagai persentase error yang terjadi dibandingkan dengan keadaan sebenarnya. Berdasarkan pengolahan data dengan berbagai metode peramalan di atas, diperoleh hasil MAPE sebagai berikut.
Tabel 1 Hasil Mean Absolute Persentage Error (MAPE) METODE Naive Methode Single Exponential Smoothing Product Aggregation Product Aggregation combined with Naive Terlihat dari resume tabel di atas, metode-metode peramalan yang baru di usulkan menghasilkan nilai MAPE yang lebih kecil dibandingkan dengan peramalan yang telah dilakukan. Oleh karena itu, metode tersebut layak untuk dicoba diterapkan pada perusahaan. Dari keseluruhan metode yang diusulkan, nilai MAPE yang terkecil adalah ketika peramalan dilakukan dengan metode Product Aggregation dikombinasikan dengan metode Naive. MAPE yang dihasilkan oleh metode
MAPE 53% 51% 32% 28%
kombinasi ini adalah sebesar 28%. Hal ini terjadi karena dari semua metode baru yang diusulkan, sedangkan metode Product Aggregation yang menghasilkan MAPE sebesar 32%, berarti hasilnya jauh lebih besar dan tidak layak untuk di coba atau diterapkan di perusahaan. Untuk perhitungan selanjutnya, akan digunakan metode peramalan yang terpilih berdasarkan nilai MAPE terkecil, yakni metode Product Aggregation yang dikombinasikan dengan metode Naive.
79
Perbandingan Penilaian Kinerja
mengantisipasi kondisi kehilangan penjualan ini, diperlukan sebuah tindakan antisipasi. Pemberlakuan persediaan pengamanan (safety stock) merupakan salah satu upaya menghindari terjadinya permintaan yang tidak dapat terpenuhi. Berikut ini adalah perhitungan safety stock 1 tahun terakhir dengan menggunakan nilai Mean Absolute Percentage Error (MAPE) terkecil; yakni Product Aggregation combined with Naive. Setelah menghitung besar safety stock untuk tiap periode dan masingmasing metode, dilakukan estimasi jumlah produksi dengan cara menambahkan nilai forecast dengan safety stock. Permintaan yang tidak terpenuhi merupakan kerugian bagi perusahaan. Berikut ini adalah perbandingan nilai service level sebelum dan sesudah diterapkannya metode peramalan yang terpilih.
Penilaian kinerja secara rutin dilakukan perusahaan untuk menjamin keberlangsungan produksi guna mengevaluasi kinerja untuk meningkatkan performa perusahaan secara berkelanjutan. Salah satu cara dalam melakukan penilaian kinerja adalah dengan melakukan perhitungan service level. Penilaian kinerja ini dihitung berdasarkan perhitungan besarnya service level sebelum dan sesudah diterapkannya metode peramalan yang terpilih. Terlihat dari tabel 1 terjadi beberapa periode dimana permintaan tidak dapat terpenuhi. Dengan menjumlahkan seluruh kehilangan permintaan tersebut, total permintaan yang tidak terpenuhi adalah sebesar 507525 karton. Jumlah ini cukup besar mengingat kepuasan pelanggan sangatlah berarti guna meningkatkan keuntungan perusahaan. Untuk Tabel 2 Perbandingan Tingkat Pelayanan (Service Level) Metode Peramalan Perusahaan Total Stock out Total permintaan terpenuhi Total Permintaan Service Level Product Aggregation combined with Naive Total Stock out Total permintaan terpenuhi Total Permintaan Service Level
Dari tabel di atas terlihat bahwa terjadi peningkatan service level sebesar 31,5%. Hal ini disebabkan oleh akurasi metode peramalan yang baru lebih tinggi sehingga permintaan yang datang dapat di antisipasi dengan baik. Sedangkan pada metode yang lama, error yang terjadi lebih besar jika dibandingkan dengan metode yang baru. Oleh karena itu, terdapat beberapa kali kondisi dimana permintaan tidak dapat tertangani dengan baik ketika produksi
507525 992441 1499966 66,2 % 34443 1465523 1499966 97,7 %
yang dilakukan lebih permintaan yang datang.
kecil
dari
Strategi Penentuan Safety Stock Ketersediaan produk merupakan hal yang paling penting dalam menjamin tingkat pelayanan perusahaan terhadap customernya. Kondisi dimana permintaan lebih tinggi dari pada
80
produksi menyebabkan stock out yang menimbulkan kehilangan penjualan. Kehilangan penjualan ini merupakan kerugian bagi perusahaan. Oleh karena itu, diperlukan strategi dalam menentukan jumlah persediaan untuk motif berjaga-jaga. Jenis persediaan ini dikenal dengan sebutan safety stock. Besarnya nilai safety stock tergantung kepada nilai service level yang ditentukan oleh perusahaan. Nilai service level yang digunakan dalam perhitungan rumus ini adalah besarnya
nilai z dari persentase tingkat pelayanan yang diharapkan. Forecast error yang digunakan adalah nilai Root Mean Square Error, sedangkan Lead time yang digunakan adalah rentang waktu dimulai dari saat pemesanan barang hingga barang siap digunakan. Berdasarkan perhitungan, diperoleh besarnya safety stock yang harus disediakan berdasarkan metode Product Aggregation combined with Naive, sebagai berikut.
Tabel 3 Tingkat Kebutuhan Safety Stock Service Level 99% 98% 97% 96% 95% 94% 93% 92% 91% 90% 85% 80% 65% 52% 50%
Z 2,33 2,05 1,88 1,75 1,64 1,55 1,48 1,41 1,34 1,28 1,04 0,84 0,38 0,06 0
Forecast Error 3830 3830 3830 3830 3830 3830 3830 3830 3830 3830 3830 3830 3830 3830 3830
Pada dasarnya, penentuan service level ini merupakan kebijakan perusahaan karena mungkin saja masih ada pertimbangan-pertimbangan lain yang harus dipertimbangkan guna mendapatkan laba yang lebih banyak. Tabel diatas merupakan alternatif usulan penentuan jumlah safety stock yang dapat membantu perusahaan berdasarkan service level 50-99%. Safety stock yang disediakan juga dapat menimbulkan resiko meningkatnya biaya gudang. Oleh karena itu, dibutuhkan perhitungan safety stock yang lebih akurat guna meminimalisir biaya-biaya yang dikeluarkan. Besarnya safety stock yang ditentukan tergantung kepada keakuratan peramalan. Berikut ini merupakan gambaran besarnya selisih
Lead Time 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Safety Stock 8924 7852 7200 6703 6281 5937 5668 5400 5132 4902 3983 3217 1455 230 0
kebutuhan safety stock yang harus disediakan sebelum dan sesudah diterapkannya peramalan yang baru. Pada dasarnya, safety stock ini digunakan untuk menangani ketidakpastian besarnya permintaan. Dengan adanya metode peramalan yang akurat, jumlah kebutuhan safety stock dapat terkendali dengan baik. Semakin kecil error dari peramalan, semakin kecil pula tingkat kebutuhan safety stock. Perhitungan Ekonomis Ulang.
Jumlah Pesanan dan Titik Pemesanan
Perhitungan EOQ dan ROP dilakukan terhadap permintaan terhadap produk sangobion kemasan 100 ml/ltr dalam satuan botol. 81
Asumsi-asumsi pehitungan adalah sebagai berikut: a. Satu botol sangobion kemasan 100 ml/ltr= $ 3,33 b. Satu karton isi 50 botol sangobion kemasan 100 ml/ltr=$ 167 c. Hasil rata-rata permintaan sangobion kemasan 100 ml/ltr dalam jangka 2 tahun = 544482 karton. d. Biaya pemesanan ditetapkan dari perusahaan $ 28 terhadap Diketahui: D = 544482 karton Co = $ 28 I = 6% C = $ 167 Ch = $ 167 x 0,06 = $ 10,02 EOQ = Q* = 2DCo Ch
Jangka waktu antar tiap pesanan : T = Jumlah hari kerja per tahun Frekuensi pesanan = 365/312 = 1,16 ( dibulatkan 1 hari ) d = 544482/365 = 1492 karton / hari Total biaya per tahun : TC = 1 Q Ch + D/Q x Co 2 TC =1744/2 x $ 10,02 + 544482/1744 x $ 28
Q* = (2) . (544482) . ($ 28) $ 10,02 = 1744 karton Frekuensi pesanan ekonomis adalah: = 312 kali/tahun
Tingkat Persediaan
F = D = 544482 Q 1744
total barang. Terdiri dari biaya telepon, biaya pembuatan penawaran sampai terjadinya Purchase Order (PO), biaya pengiriman dan biaya tak terduga. e. Biaya penyimpanan 6% terhadap total barang. Terdiri dari biaya Listrik antara lain lampu, komputer, printer, kipas angin, kulkas, AC. Biaya kebersihan, obat anti rayap / hama dan biaya tak terduga.
= $ 17479 Titik pemesanan ulang (Reorder Point / ROP) R = L.D/365 = 1 x 544482 / 365 = 1492 EOQ : 1744 ROP: 1492 SS : 1455
Waktu Gambar 8 EOQ, ROP, dan SS Hasil yang didapat nilai Jumlah pesanan ekonomis (EOQ) adalah 1744 karton.
Titik pemesanan ulang (ROP) adalah 1492 karton Total Biaya per tahun adalah $ 17479. 82
KESIMPULAN
Sesuai dengan tujuan penelitian, yakni mencari berapa safety stock level yang paling ideal untuk produk sangobion dan mencari metode peramalan yang terbaik untuk mendapatkan hasil MAPE terkecil, diperoleh kesimpulan sebagai berikut: a. Berdasarkan pengolahan data yang dilakukan, safety stock level yang paling ideal, yakni dengan menggunakan metode terbaik yang terpilih berdasarkan error terkecil adalah kombinasi Metode Product Aggregation dan Naive, dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 28%. b. Nilai Mean Absolute Percentage Error (MAPE) berdasarkan peramalan yang selama ini diterapkan adalah sebesar 81%, sedangkan nilai MAPE berdasarkan kombinasi metode Product Aggregation dan Naive adalah sebesar 28%. Sehingga penurunan yang terjadi adalah sebesar 53%. c. Untuk meminimalisir peramalan dan perintah produksi dengan cara Service Level. Service Level berdasarkan peramalan yang selama ini diterapkan adalah sebesar 66,2%, sedangkan service level berdasarkan kombinasi Metode Product Aggregation dan Naive adalah sebesar 97,7%. Sehingga mengalami peningkatan sebesar 31,5%. d. Estimasi perhitungan kebutuhan safety stock dengan variasi service level yang ditentukan yang dapat digunakan sebagai bahan pertimbangan perusahaan dalam penetapan besar safety stockdengan service level 65%, kebutuhan safety stock adalah 1455 karton.
e. Hasil yang didapat nilai Jumlah pesanan ekonomis (EOQ) adalah sebesar 1744 karton. Titik pemesanan ulang (ROP) adalah sebesar 1492 karton, sedangkan Total Biaya per tahun adalah $17479. DAFTAR PUSTAKA Almahdy, Indra, Kholil M.1998. Perencanaan dan Pengendalian Produksi, Grasindo, Jakarta. Biegel, John E.1992, Pengendalian Produksi, Akademika Pressindo, Jakarta. Chockalingam, Mark.2010. Forecast Error and Safety Stock Strategies. Gaspersz, Vincent. 1998, Production Planning and Inventory Control, PT. Gramedia Pustaka Utama, Edisi Perrtama, Jakarta. George Box E. P & Jenkins, Gwilym M 2004. Time Series Analysis, Forecasting and Control, Grasindo, Jakarta. Herjanto Eddy 2003, Manajemen Produksi dan Operasi, Edisi Kedua dan Ketiga, PT. Gramedia Widia Sarana Indonesia, Jakarta. Ishak, Aulia, 2010. Manajemen Operasi, Graha Ilmu, Edisi Pertama, Yogyakarta. Subandijo A. F. M. 1998. Management Science Quantitative Approaches to Decision Making.
83
