L Lampiran 1. Diagram Alir Pemrosesan Pesanan Pelanggan. Mulai. Pembeli memesan produk dengan jumlah, waktu, dan harga yang diinginkan

Transkripsi

1 L. 297 Lampiran 1 Diagram Alir Pemrosesan Pesanan Pelanggan Mulai Pembeli memesan produk dengan jumlah, waktu, dan harga yang diinginkan Harga OK? Ya Bag. Pemasaran membuat Sales Order A Tidak Bag. Pemasaran konfirmasi pada Direktur Direktur Setuju? Ya Tidak Bag. Pemasaran memberi penawaran pada pembeli Pembeli Setuju? Ya Selesai Tidak

2 L. 298 Lampiran 2 Diagram Alir Proses Produksi Berdasarkan Pesanan Pelanggan Lampiran 3

3 Peta Proses Operasi L. 299

4 L. 300 PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan : : : : General Tack Button Lubang Tengah Nickel Free 02 Devi Sagitaris 10 Oktober 2007 X Sekarang Usulan Cap Logo Brass Plate General Brass Plate Paku Panjang Brass Plate 0.84 s O-3 Dicetak Dicetak 1.00 s O s Mesin Pounch Cap Mesin Pounch General O-1 Dicetak Mesin Pounch Paku Campuran kimia s Campuran kimia s Campuran kimia O-4 O-5 I-1 Pencucian Barrel Cuci Plating Barrel Plating s O-6 I-2 Pemolesan Barrel Pemolesan s O-7 Pengeringan Dryer s O-8 Vernis Mesin Laqer s O-9 Pengeringan Heat Dryer s O-10 Pendinginan Kipas Washer Plastic 1.26 s O-11 Perakitan Assembly Ambeng Gudang Kegiatan Operasi Inspeksi Storage Total Jumlah Waktu s s

5 L. 301 PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan : : : : Shake Tack Button Nickel Free 03 Devi Sagitaris 10 Oktober 2007 X Sekarang Usulan Cap Logo Brass Plate Washer Flat Alumunium Plate Cap Shake Posh Shake Paku Shake Brass Plate Brass Plate Brass Plate Dicetak 0.84 s O s Dicetak O s Mesin Mesin Pounch Pounch Cap Washer O-3 Dicetak Mesin Pounch Cap Dicetak 0.84 s O s Mesin Pounch Posh Shake O-1 Dicetak Mesin Pounch Paku Shake Campuran kimia s Campuran kimia O-6 Pencucian Barrel Cuci s Campuran kimia O-7 I-1 Plating Bak Plating s O-8 I-2 Pemolesan Tabung pemolesan s O-9 Pengeringan Dryer s O-10 Vernis Mesin Laqer s O-11 Pengeringan Heat Dryer s O-12 Pendinginan Kipas 1.26 s O-13 Perakitan Mesin Assembly Storage Kegiatan Operasi Inspeksi Storage Total Jumlah Waktu s s

6 L. 302 PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan : : : : Shake Tack Button Lubang Tengah Nickel Free 04 Devi Sagitaris 10 Oktober 2007 X Sekarang Usulan Cap Logo Brass Plate Cap Shake Brass Plate Posh Shake Brass Plate Paku Shake Brass Plate Dicetak 0.84 s O s Mesin Pounch Cap O-3 Dicetak Mesin Pounch Cap Dicetak 0.84 s O s Mesin Pounch Posh Shake O-1 Dicetak Mesin Pounch Paku Shake Campuran kimia s Campuran kimia O-5 Pencucian Barrel Cuci s Campuran kimia O-6 I-1 Plating Bak Plating s O-7 I-2 Pemolesan Tabung pemolesan s O-8 Pengeringan Dryer s O-9 Vernis Mesin Laqer s O-10 Pengeringan Heat Dryer s O-11 Pendinginan Kipas 1.26 s O-12 Perakitan Mesin Assembly Storage Kegiatan Operasi Inspeksi Storage Total Jumlah Waktu s s

7 L. 303 PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan : : : : Rivet Jamur Nickel Free 05 Devi Sagitaris 10 Oktober 2007 X Sekarang Usulan Cap Rivet Brass Plate Rivet Jamur Brass Plate Paku Rivet Brass Plate 0.56 s O-3 Dicetak 0.56 s Mesin Pounch Rivet Jamur O-2 Dicetak Mesin Pounch Rivet Jamur 0.64 s O-1 Dicetak Mesin Pounch Paku Campuran kimia s Campuran kimia s Campuran kimia O-4 O-5 I-1 Pencucian Barrel Cuci Plating Barrel Plating s O-6 I-1 Pemolesan Barrel pemolesan s O-7 Pengeringan Dryer s O-8 Vernis Mesin Laqer s O-9 Pengeringan Heat Dryer s O-10 Pendinginan Kipas Storage Kegiatan Operasi Inspeksi Storage Total Jumlah Waktu s s

8 L. 304 PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan : : : : Rivet Finish Nickel Free 06 Devi Sagitaris 10 Oktober 2007 X Sekarang Usulan Rivet Finish Brass Plate Paku Rivet Brass Plate s O-2 Dicetak Mesin Pounch Rivet Finish 0.84 s O-1 Dicetak Mesin Pounch Paku Campuran kimia s Campuran kimia s Campuran kimia O-3 O-4 I-1 Pencucian Barrel Cuci Plating Barrel Plating s O-5 I-1 Pemolesan Barrel pemolesan s O-6 Pengeringan Dryer s O-7 Vernis Mesin Laqer s O-8 Pengeringan Heat Dryer s O-9 Pendinginan Kipas Storage Kegiatan Operasi Inspeksi Storage Total Jumlah Waktu s s

9 L. 305 PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan : : : : Head Finish Nickel Free 07 Devi Sagitaris 10 Oktober 2007 X Sekarang Usulan Rivet Finish Brass Plate Paku Rivet Brass Plate s O-2 Dicetak Mesin Pounch Head Finish 0.84 s O-1 Dicetak Mesin Pounch Paku Campuran kimia s Campuran kimia s Campuran kimia O-3 O-4 I-1 Pencucian Barrel Cuci Plating Barrel Plating s O-5 I-1 Pemolesan Barrel pemolesan s O-6 Pengeringan Dryer s O-7 Vernis Mesin Laqer s O-8 Pengeringan Heat Dryer s O-9 Pendinginan Kipas Storage Kegiatan Operasi Inspeksi Storage Total Jumlah Waktu s s

10 L. 306 PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan : : : : Eyelet Nickel Free 08 Devi Sagitaris 10 Oktober 2007 X Sekarang Usulan Washer Eyelet Brass Plate Posh Washer Brass Plate s O-2 Dicetak Mesin Pounch Washer Eyelet 0.84 s O-1 Dicetak Mesin Pounch Posh Washer Campuran kimia s Campuran kimia s Campuran kimia O-3 O-4 I-1 Pencucian Barrel Cuci Plating Barrel Plating s O-5 I-1 Pemolesan Barrel pemolesan s O-6 Pengeringan Dryer s O-7 Vernis Mesin Laqer s O-8 Pengeringan Heat Dryer s O-9 Pendinginan Kipas Storage Kegiatan Operasi Inspeksi Storage Total Jumlah Waktu s s

11 L. 307 Lampiran 4 Data Produksi untuk setiap produk periode tahun 2004 sampai dengan 2007 Data Produksi Tahun 2004 (dalam pieces) Produk September Oktober November Desember GTB mm 195, , ,440 80,640 GTB 20 mm 80, ,000 48,240 GTB LT mm 52,560 32,688 81,072 91,440 GTB LT 20 mm 0 49, STB mm 80,352 79,776 54,000 34,848 STB 20 mm 3,600 5, STB LT mm 16, ,552 36,720 STB LT 20 mm 0 32,256 18,000 0 Rivet Jamur 9 mm 118,800 12,384 84,384 17,568 Rivet Jamur 9.5 mm 77,472 22,752 36,576 12,384 Rivet Finish 9.5 mm 199,440 95,760 76,032 37,008 Head Finish 9.5 mm 36,576 8,064 90,720 59,760 Eyelet 13 mm 76,608 73,728 65,088 19,440 Eyelet 14 mm 0 22,752 80,784 0 Eyelet 15 mm 50, ,000 36,864 Eyelet 5 mm 81,072 22,464 16,128 0

12 L. 308

13 L. 309

14 L. 310

15 L. 311 Lampiran 5 Data produk dan jenis bahan baku yang dibahas dalam penelitian Data jenis produk Jenis Produk Diameter (mm) Keterangan General Tack Button 14, 15, 17, 20 GTB General Tack Button Lubang Tengah 14, 15, 17, 20 GTB LT Shake Tack Button 14, 15, 17, 20 STB Shake Tack Button Lubang Tengah 14, 15, 17, 20 STB LT Rivet Jamur 9, 9.5 Rivet Jamur Rivet Finish 9.5 Rivet Finish Head Finish 9.5 Head Finish Eyelet 5, 13, 14, 15 Eyelet Data jenis bahan baku Jenis Bahan Baku Ketebalan (cm) Kekerasan Keterangan Brass Plate BP O = 0.23 x 0 Brass Plate BP O = 0.25 x 0 Brass Plate BP O = 0.25 x 0.5 Brass Plate BP O = 0.30 x 0.5 Alumunium Plate AL O = 1.0 x 0 Kekerasan 0.5 berarti bahan baku cukup keras sehingga tidak mudah untuk dibentuk (ditekuk). Biasanya bahan baku dengan kekerasan 0.5 digunakan pada komponen cap, dengan tujuan agar bahan tidak mudah retak pada saat ditempa mold (cetakan untuk logo kancing pada bagian cap). Kekerasan 0 berarti bahan baku agak lunak, sehingga lebih mudah untuk ditekuk. Biasanya digunakan untuk komponen selain cap (paku, general, posh shake, dll).

16 L. 312 Lampiran 6 Gambar Struktur produk GTB dan rincian bahan bakunya Struktur Produk GTB (General Tack Button) diameter 14mm, 15mm, 17mm, 20mm Rincian bahan baku untuk produk GTB 14 mm General Tack Button (GTB) 14 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap BP O = 0.3 x Washer Flat AL O = 1.0 x General 14 mm BP O = 0.25 x Paku Panjang BP O = 0.25 x Rincian bahan baku untuk produk GTB 15 mm General Tack Button (GTB) 15 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap BP O = 0.3 x Washer Flat AL O = 1.0 x General 15 mm BP O = 0.25 x Paku Panjang BP O = 0.25 x

17 L. 313 Rincian bahan baku untuk produk GTB 17 mm General Tack Button (GTB) 17 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap BP O = 0.3 x Washer Flat AL O = 1.0 x General 17 mm BP O = 0.25 x Paku Panjang BP O = 0.25 x Rincian bahan baku untuk produk GTB 20 mm General Tack Button (GTB) 20 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap BP O = 0.3 x Washer Flat AL O = 1.0 x General 20 mm BP O = 0.25 x Paku Panjang BP O = 0.25 x

18 L. 314 Lampiran 7 Gambar Struktur produk GTB LT dan rincian bahan bakunya Struktur Produk GTB LT diameter 14 mm, 15 mm, dan 17 mm Rincian bahan baku untuk produk GTB LT 14 mm General Tack Button dengan Lubang Tengah (GTB LT) 14 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Lubang BP O = 0.3 x General 14 mm BP O = 0.25 x Paku Panjang BP O = 0.25 x Rincian bahan baku untuk produk GTB LT 15 mm General Tack Button dengan Lubang Tengah (GTB LT) 15 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Lubang BP O = 0.3 x General 15 mm BP O = 0.25 x Paku Panjang BP O = 0.25 x

19 L. 315 Rincian bahan baku untuk produk GTB LT 17 mm General Tack Button dengan Lubang Tengah (GTB LT) 17 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Lubang BP O = 0.3 x General 17 mm BP O = 0.25 x Paku Panjang BP O = 0.25 x Struktur Produk GTB LT 20 mm Rincian bahan baku untuk produk GTB LT 20 mm General Tack Button dengan Lubang Tengah (GTB LT) 20 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Lubang BP O = 0.3 x Poly washer General 20 mm BP O = 0.25 x Paku Panjang BP O = 0.25 x

20 L. 316 Lampiran 8 Gambar Struktur produk STB dan rincian bahan bakunya Struktur Produk STB diameter 14mm, 15mm, 17mm, 20mm Rincian bahan baku untuk produk STB 14 mm Shake Tack Button (STB) 14 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap BP O = 0.3 x Washer Flat AL O = 1.0 x Cap Shake BP O = 0.23 x Posh Shake BP O = 0.23 x Paku Shake BP O = 0.25 x

21 L. 317 Rincian bahan baku untuk produk STB 15 mm Shake Tack Button (STB) 15 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap BP O = 0.3 x Washer Flat AL O = 1.0 x Cap Shake BP O = 0.23 x Posh Shake BP O = 0.23 x Paku Shake BP O = 0.25 x Rincian bahan baku untuk produk STB 17 mm Shake Tack Button (STB) 17 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap BP O = 0.3 x Washer Flat AL O = 1.0 x Cap Shake BP O = 0.23 x Posh Shake BP O = 0.23 x Paku Shake BP O = 0.25 x Rincian bahan baku untuk produk STB 20 mm Shake Tack Button (STB) 20 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap BP O = 0.3 x Washer Flat AL O = 1.0 x Cap Shake BP O = 0.23 x Posh Shake BP O = 0.23 x Paku Shake BP O = 0.25 x

22 L. 318 Lampiran 9 Gambar Struktur produk STB LT dan rincian bahan bakunya 1 A2 STB LT Paku Shake 2 A Cap Lubang Cap Shake 1 Posh Shake Struktur Produk STB LT 14 mm, 15 mm, dan 17 mm Rincian bahan baku untuk produk STB LT 14 mm Shake Tack Button dengan Lubang Tengah (STB LT) 14 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Lubang BP O = 0.3 x Cap Shake BP O = 0.23 x Posh Shake BP O = 0.23 x Paku Shake BP O = 0.25 x Rincian bahan baku untuk produk STB LT 15 mm Shake Tack Button dengan Lubang Tengah (STB LT) 15 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Lubang BP O = 0.3 x Cap Shake BP O = 0.23 x Posh Shake BP O = 0.23 x Paku Shake BP O = 0.25 x

23 L. 319 Rincian bahan baku untuk produk STB LT 17 mm Shake Tack Button dengan Lubang Tengah (STB LT) 17 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Lubang BP O = 0.3 x Cap Shake BP O = 0.23 x Posh Shake BP O = 0.23 x Paku Shake BP O = 0.25 x Struktur Produk STB LT 20 mm Rincian bahan baku untuk produk STB LT 20 mm Shake Tack Button dengan Lubang Tengah (STB LT) 20 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Lubang BP O = 0.3 x Poly washer Cap Shake BP O = 0.23 x Posh Shake BP O = 0.23 x Paku Shake BP O = 0.25 x

24 L. 320 Lampiran 10 Gambar Struktur produk Rivet jamur dan rincian bahan bakunya Struktur Produk Rivet Jamur Rincian bahan baku untuk produk Rivet Jamur 9 mm Rivet Jamur 9 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Rivet BP O = 0.25 x Posh Rivet BP O = 0.23 x Paku Rivet BP O = 0.23 x Rincian bahan baku untuk produk Rivet Jamur 9.5 mm Rivet Jamur 9.5 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Cap Rivet BP O = 0.25 x Posh Rivet BP O = 0.23 x Paku Rivet BP O = 0.23 x

25 L. 321 Lampiran 11 Gambar Struktur produk Rivet finish dan rincian bahan bakunya Struktur Produk Rivet Finish Rincian bahan baku untuk produk Rivet Finish Rivet Finish Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Rivet Finish BP O = 0.25 x Paku Rivet BP O = 0.23 x

26 L. 322 Lampiran 12 Gambar Struktur produk Head finish dan rincian bahan bakunya Struktur Produk Head Finish Rincian bahan baku untuk produk Head Finish Head Finish Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Head Finish BP O = 0.25 x Paku Rivet BP O = 0.23 x

27 L. 323 Lampiran 13 Gambar Struktur produk Eyelet dan rincian bahan bakunya Struktur Produk Eyelet Rincian bahan baku untuk produk Eyelet 5 mm Eyelet 5 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Washer Eyelet BP O = 0.23 x Posh Washer BP O = 0.23 x Rincian bahan baku untuk produk Eyelet 13 mm Eyelet 13 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Washer Eyelet BP O = 0.23 x Posh Washer BP O = 0.23 x

28 L. 324 Rincian bahan baku untuk produk Eyelet 14 mm Eyelet 14 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Washer Eyelet BP O = 0.23 x Posh Washer BP O = 0.23 x Rincian bahan baku untuk produk Eyelet 15 mm Eyelet 15 mm Komponen Jenis Bahan Baku Berat Bersih Berat Kotor Washer Eyelet BP O = 0.23 x Posh Washer BP O = 0.23 x

29 L. 325 Lampiran 14 Contoh perhitungan konversi data produksi menjadi data kebutuhan bahan baku untuk produk GTB mm pada bulan Agustus 2007 Data produksi produk GTB mm pada bulan Agustus 2007 = 147,456 pieces. Kebutuhan bahan baku untuk produk GTB mm pada bulan Agustus 2007 adalah Komponen Jenis Bahan Baku Berat Kotor Kebutuhan Bahan Baku (Kg) Cap BP O = 0.3 x Washer Flat AL O = 1.0 x General mm BP O = 0.25 x Paku Panjang BP O = 0.25 x Kebutuhan bahan baku per komponen (Kg) = Data produksi x Berat Kotor per Komponen (Gram) / 1000 Untuk komponen Cap : 147, Kebutuhan bahan baku (BP O = 0.3 x 0.5) = = Kg 1000 Untuk komponen Washer flat : 147, Kebutuhan bahan baku (AL O = 1.0 x 0) = = Kg 1000 Untuk komponen General : 147, Kebutuhan bahan baku (BP O = 0.25 x 0) = = Kg 1000 Untuk komponen Paku panjang : 147, Kebutuhan bahan baku (BP O = 0.25 x 0) = = Kg 1000

30 L. 326 Lampiran 15 Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.23 x 0 Autokorelasi Data Historis Bahan Baku BP O = 0.23 x 0 Dari preview data historis di atas, probabilitas Ljung-Box p< , nilai ini lebih kecil dari 0.05, maka data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Lag yang dilampirkan menjadi acuan penentuan unsur musiman dalam data historis. Lag yang tertera adalah 6, 1, dan 7. Dari lag tersebut, kemudian dilakukan perhitungan dengan memasukkan unsur musiman 6 dan 7. Nilai lag 1 tidak dapat digunakan karena unsur musiman menentukan pola data dengan siklus waktu, sedangkan untuk unsur musiman 1, tidak dapat dilihat siklus pola datanya, melainkan data berdiri sendiri pada periode waktu tersebut. Dari pernyataan manajemen, dikatakan bahwa unsur musiman dalam penggunaan bahan baku adalah sama dengan proses produksi. Musim ramai adalah bulan Maret sampai Agustus dan musim sepi adalah bulan September sampai Februari,

31 L. 327 dan hal tersebut selalu stabil setiap tahunnya. Begitupula yang tertera pada lag, dimana diidentifikasi adanya unsur musimana 6 bulanan. Berdasarkan hal tersebut, maka dilakukan perhitungan peramalan untuk seasonality = 6, dan diperoleh hasil sebagai berikut : Peramalan Bahan Baku BP O = 0.23 x 0 dengan seasonality 6 periode Hasil peramalan yang terbaik dalah Seasonal Multiplicative (α = dan γ =0.001) dengan MAPE %. Bila dilihat dari plot data ternyata plot ramalan agak tertinggal dari data sebenarnya, sehingga hasil ramalan memiliki tingkat kesalahan yang cukup tinggi (40.874%). Bila ditinjau dari analisa test Durbin Watson dengan nilai (D-W C = 1.915) dimana apabila : D-W C < 1.41 maka terjadi autokorelasi positif. D-W C > 2.59 maka terjadi autokorelasi positif < D-W C < 1.52 atau 2.48 < D-W C < 2.59 maka pengujian tidak dapat disimpulkan.

32 L < D-W C < 2.48 maka tidak terjadi autokorelasi. Maka nilai D-W C menandakan bahwa tidak ada autokorelasi pada galat hasil peramalan. Nilai DW yang berada pada wilayah autokorelasi yang cenderung positif ataupun negatif mempengaruhi ketidakakuratan hasil peramalan, sehingga kurang bisa dipercaya hasil ramalannya. Sedangkan bila nilai DW berada dalam wilayah tidak berautokorelasi maka dalam galat (error) tidak ada sisa pola apapun, sehingga hasil peramalan dapat dipercaya. Sedangkan bila ditinjau dari analisa Theil s U dengan nilai 1.003, jelas terlihat bahwa hasil ramalan lebih buruk daripada pendugaan naif, sehingga hasil peramalan secara formal tidak boleh digunakan. Dari analisa di atas, ternyata seasonality = 6, kurang memberikan hasil yang tepat dan akurat, sehingga perlu dilakukan perhitungan dengan seasonality lainnya. Dari probabilitas kemungkinan unsur musiman yang tertera pada lag, dinyatakan bahwa data historis kemungkinan mengandung unsur musiman = 7. Berikut ini adalah hasil perhitungannya : Peramalan Bahan Baku BP O = 0.23 x 0 dengan seasonality 7 periode

33 L. 329 Dari hasil perhitungan yang dilakukan dengan CB Predictor, metode peramalan yang terbaik bila seasonality dimasukkan angka tujuh, adalah Holt-Winters Multiplicative (α = β = γ = 0.001). Akan tetapi, metode tersebut menghasilkan error yang cukup besar, yaitu %. Sehingga kurang bisa dipercaya hasil peramalannya. Dilihat dari Durbin Watson test, nilai yang tertera adalah Nilai tersebut berada dalam batas wilayah dimana tidak diketahui ada atau tidaknya autokorelasi dari galat, sehingga tidak dapat ditarik kesimpulan apakah hasil peramalan dapat dipercaya atau tidak. Bila dilihat dari statistik Theil s U, nilai yang tertera adalah Nilai tersebut sangat mendekati 1, sehingga hasil peramalan kurang lebih hampir sama dengan pendugaan naif, dimana metode peramalan tidak perlu diterapkan dan kebutuhan bahan baku dapat diperkirakan berdasarkan data pada periode sebelumnya. Sedangkan bila dicoba dengan menggunakan software Minitab 14, dengan menggunakan metode Dekomposisi, maka diperoleh hasil sebagai berikut. Metode Dekomposisi dengan unsur musiman (multiplicative)

34 L. 330 Metode Dekomposisi dengan unsur musiman dan trend (multiplicative) Metode Dekomposisi dengan unsur musiman saja (additive)

35 L. 331 Metode Dekomposisi dengan unsur musiman dan trend (additive) Perbedaan model multiplicative dan additive adalah : Model Multiplicative apabila jarak pada pola data musiman bergantung pada pola data atau dengan kata lain jarak pada pola data musiman meningkat apabila nilai data dinaikkan dan menurun bila nilai data diturunkan. Model Additive digunakan apabila jarak pada pola data musiman tidak bergantung pada pola data atau dengan kata lain jarak pada pola data musiman tidak berubah apabila rangkaian data dinaikkan atau diturunkan. Tetapi, apabila kita tidak mengetahui pola data multiplicative atau additive maka dapat dilakukan trial and error dengan membandingkan nilai presentase dan memilih model dengan nilai error terkecil.

36 L. 332 Lampiran 16 Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.25 x 0 Autokorelasi Data Historis Bahan Baku BP O = 0.25 x 0 Dari hasil preview data historis di atas, diperoleh nilai probabilitas Ljung-Box p< dan nilai tersebut lebih kecil dari 0.05, sehingga data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Dari ketiga lag yang dilampirkan, yang memiliki autokorelasi adalah lag 6, 1, dan 5, sehingga dapat diidentifikasi adanya unsur musiman 5 dan 6. Angka lag 1 tidak dapat dijadikan unsur musiman karena bila seasonality = 1 maka tidak akan ada siklus pola data musiman karena data dikatakan berdiri sendiri, tidak saling terkait dan membentuk pola siklus. Bila dimasukkan dalam perhitungan dengan CB Predictor dengan seasonality = 5, maka akan diperoleh hasil sebagai berikut :

37 L. 333 Peramalan Bahan Baku BP O = 0.25 x 0 dengan seasonality 5 periode Bila dilihat plot data hasil peramalan dengan seasonality = 5, hasil peramalan seperti tertinggal dari data historisnya, sehingga hal tersebut memperbesar nilai MAPE, yaitu %. Bila dianalisa dari sudut Durbin Watson, nilai yang diperoleh adalah dan berada dalam wilayah tidak terdapat autokorelasi, sehingga data masih dapat diterima. Memang pada hakekatnya nilai DW bukanlah nilai untuk mengukur ketepatan, melainkan untuk mengukur apakah masih terdapat sisa pola di dalam nilai galat. Tetapi dari hasil DW dapat disimpulkan apabila nilai DW masuk dalam autokorelasi positif ataupun negatif maka dapat dikatakan hasil peramalan kurang bisa dipercaya. Bila dilihat dari analisis Theil s U, diperoleh nilai dimana nilai tersebut menyatakan bahwa hasil ramalan lebih buruk dari pendugaan naif, sehingga metode peramalan formal tidak boleh diterapkan. Dari pernyataan manajemen yang menyatakan bahwa unsur musiman = 6 bulanan, dan didukung pula dari nilai lag yang dilampirkan di atas, maka dilakukan perhitungan peramalan dengan unsur musiman = 6 dan diperoleh hasil sebagai berikut :

38 L. 334 Peramalan Bahan Baku BP O = 0.25 x 0 dengan seasonality 6 periode Hasil ramalan terbaik menggunakan metode Seasonal Multiplicative dengan α = dan γ = menghasilkan tingkat persentase error %. Hasil ramalan cenderung tertinggal dari data historis, sehingga menyebabkan tingkat kesalahan yang tinggi. Bila ditinjau dari nilai Durbin Watson yang diperoleh adalah 1.977, dimana berada dalam wilayah tidak terdapat autokorelasi, maka nilai peramalan dapat dipercaya. Tetapi bila dilihat dari nilai Theil s U = 0.952, nilai tersebut sangat dekat dengan 1, sehingga hasil peramalan dengan metode formal tidak akan memberikan penyelesaian yang baik dalam menentukan kebutuhan bahan baku dibandingkan dengan pendugaan naif. Sedangkan bila peramalan dilakukan dengan menggunakan software Minitab 14, maka diperoleh hasil sebagai berikut.

39 L. 335 Metode Dekomposisi dengan unsur musiman (multiplicative) Metode Dekomposisi dengan unsur musiman dan trend (multiplicative)

40 L. 336 Metode Dekomposisi dengan unsur musiman (additive) Metode Dekomposisi dengan unsur musiman dan trend (additive)

41 L. 337 Lampiran 17 Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.25 x 0.5 Autokorelasi Data Historis Bahan Baku BP O = 0.25 x 0.5 Dari hasil preview data historis di atas, diperoleh nilai probabilitas Ljung-Box p< dan nilai tersebut lebih kecil dari 0.05, sehingga data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Dari ketiga lag yang dilampirkan, diindikasi mengandung unsur musiman 6, 1, dan 7. Akan tetapi, unsur musiman tidak dapat dimasukkan angka 1, karena angka 1 menunjukkan data untuk setiap periode sehingga tidak dapat menunjukkan unsur musiman dan pola siklus pada data. Sehingga indikasi unsur musiman yang tersisa adalah 6 dan 7. Dari hasil perhitungan dengan CB Predictor, dengan seasonality = 6, diperoleh hasil sebagai berikut :

42 L. 338 Peramalan Bahan Baku BP O = 0.25 x 0.5 dengan seasonality 6 periode Setelah dimasukkan perhitungan dengan seasonality = 6, metode peramalan terbaik adalah Seasonal Multiplicative (α = dan γ = ), dengan tingkat kesalahan %. Peramalan dengan tingkat kesalahan yang begitu tinggi menyebabkan peramalan menjadi kurang akurat, didukung pula dengan penyimpangan dalam plot data ramalan dengan data historis. Nilai Durbin Watson = dimana berada dalam wilayah tidak terdapat autokorelasi yang berarti tidak ada pola apapun pada galat. Analisis DW memang tidak mendukung ketidakakuratan hasil peramalan, tetapi analisis Theil s U sangat mendukung. Dengan nilai 0.964, angka yang mendekati 1, lebih memperkuat analisa bahwa hasil ramalan dengan seasonality = 6, kurang dapat dipercaya keakuratannya. Dari lag yang terlampir, ada indikasi unsur musiman = 7 bulanan, maka dilakukan perhitungan dengan hasil di bawah ini :

43 L. 339 Peramalan Bahan Baku BP O = 0.25 x 0.5 dengan seasonality 7 periode Hasil peramalan yang dianggap terbaik yaitu dengan metode Single Exponential Smoothing dengan α = dengan tingkat kesalahan %. Persentase kesalahan dapat dikatakan cukup tinggi sehingga hasil peramalan menjadi kurang akurat. Tetapi nilai Durbin Watson tidak mendukung, karena nilai DW = berada dalam wilayah tidak terdapat autokorelasi, sehingga data masih dapat dipercaya. Sedangkan nilai Theil s U = 1, memperkuat analisa bahwa metode peramalan ini sama baiknya dengan pendugaan secara naif, yang menganggap bahwa kebutuhan bahan baku bulan depan sama dengan kebutuhan bahan baku bulan sebelumnya, sehingga tidak perlu adanya metode peramalan formal. Sedangkan bila peramalan dilakukan dengan menggunakan software Minitab 14, maka diperoleh hasil sebagai berikut.

44 L. 340 Metode Dekomposisi dengan unsur musiman (multiplicative) Metode Dekomposisi dengan unsur musiman dan trend (multiplicative)

45 L. 341 Metode Dekomposisi dengan unsur musiman (addtive) Metode Dekomposisi dengan unsur musiman dan trend (addtive)

46 L. 342 Lampiran 18 Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.30 x 0.5 Autokorelasi Data Historis Bahan Baku BP O = 0.3 x 0.5 Dari hasil preview data historis di atas, diperoleh nilai probabilitas Ljung-Box p< dan nilai tersebut lebih kecil dari 0.05, sehingga data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Dari ketiga lag yang dilampirkan, diindikasi adanya unsur musiman 1, 6, dan 7. Akan tetapi, tidak dapat dilakukan perhitungan dengan unsur musiman 1, karena tidak akan membentuk pola siklus data, sehingga tidak dapat dikatakan bahwa pola data mengandung unsur musiman. Sedangkan untuk unsur musiman 6 dan 7 akan dilakukan perhitungannya di bawah ini. Pernyataan manajemen yang menyatakan bahwa unsur musiman adalah = 6 bulanan diukur berdasarkan musim ramai dan musim sepi, mendukung indikasi lag di atas. Dari hasil perhitungan dengan CB Predictor, dengan seasonality = 6, diperoleh hasil sebagai berikut :

47 L. 343 Peramalan Bahan Baku BP O = 0.3 x 0.5 dengan seasonality 6 periode Hasil peramalan dengan seasonality = 6 periode diperoleh metode terbaik adalah Seasonal Multiplicative dengan α = dan γ = serta tingkat kesalahan %. Dilihat dari nilai Durbin Watson = yang berada dalam wilayah tidak terdapat autokorelasi, mendukung bahwa hasil peramalan masih layak untuk digunakan. Tetapi nilai Theil s U = 0.989, berkebalikan dengan dengan analisis DW, nilai Theil s U menyatakan bahwa hasil peramalan sama baiknya dengan pendugaan naif, sehingga tidak diperlukan metode peramalan secara formal, melainkan cukup dengan pendugaan naif saja. Sedangkan bila dimasukkan unsur musiman = 7 periode (diperoleh dari indikasi lag) ke dalam perhitungan, maka diperoleh hasil peramalan sebagai berikut :

48 L. 344 Peramalan Bahan Baku BP O = 0.3 x 0.5 dengan seasonality 7 periode Ternyata hasil peramalan terbaik adalah metode Double Exponential Smoothing dengan α =0.990 dan β =0.001, dengan MAPE %. Dilihat dari MAPE, seasonality = 7 periode memiliki nilai MAPE yang lebih tinggi. Analsis lebih lanjut dari sisi Durbin Watson dan Theil s U, masing-masing bernilai dan Kedua nilai tersebut saling bertentangan dimana Durbin Watson menyatakan bahwa hasil ramalan tidak sepenuhnya kurang akurat karena berada dalam wilayah tidak autokorelasi, sedangkan Theil s U menyatakan bahwa hasil ramalan tidaklah lebih baik dari pendugaan (karena nilainya sangat mendekati 1). Sehingga bila dilihat dari ketiga analisis serta plot data hasil ramalan dibandingkan dengan data historis yang banyak menyimpang, maka seasonality = 7 periode kurang dapat diterima keakuratannya. Sedangkan bila dilakukan uji coba dengan menggunakan metode dekomposisi yang terdapat pada software Minitab 14, maka diperoleh hasil sebagai berikut :

49 L. 345 Metode Dekomposisi dengan unsur musiman (multiplicative) Metode Dekomposisi dengan unsur musiman dan trend (multiplicative)

50 L. 346 Metode Dekomposisi dengan unsur musiman (addtive) Metode Dekomposisi dengan unsur musiman dan trend (addtive)

51 L. 347 Lampiran 19 Hasil trial and error perhitungan peramalan untuk bahan baku AL O = 1.0 x 0 Autokorelasi Data Historis Bahan Baku AL O = 1.0 Dari preview data historis di atas, nilai probabilitas Ljung-Box adalah p< Nilai tersebut lebih kecil dari 0.05 sehingga data dikatakan memiliki autocorrelation yang signifikan. Dari ketiga lag yang dilampirkan, diindikasi pada pola data terdapat unsur musiman 1, 5, dan 6. Sama seperti sebelumnya, bahwa unsur musiman 1 tidak dapat dilakukan perhitungan karena unsur musiman 1 tidak dapat membentuk pola siklis pada data. Dari lag yang dilampirkan, dilakukanlah perhitungan dengan unsur musiman = 5, dan diperoleh hasil sebagai berikut :

52 L. 348 Peramalan Bahan Baku AL O = 1.0 dengan seasonality 5 periode Dari hasil peramalan, diperoleh metode terbaik adalah Double Exponential Smoothing dengan α = dan β = serta tingkat kesalahan %. Dengan tingkat kesalahan yang cukup tinggi, maka hasil peramalan dapat dikatakan kurang akurat. Bila ditinjau dari sudut analisa Durbin Watson maupun Theil s U, masingmasing memiliki nilai dan Kedua nilai test tersebut saling bertentangan dimana nilai DW menyatakan bahwa tidak terdapat autokorelasi pada galat, sedangkan nilai Theil s U menyatakan bahwa hasil peramalan lebih buruk daripada pendugaan secara naif, sehingga model peramalan formal tidak layak untuk diterapkan. Sehingga peramalan ini dapat dikatakan kurang layak untuk digunakan dalam pengambilan keputusan mengenai kebutuhan bahan baku pada 12 periode mendatang. Dari pernyataan manajemen, dinyatakan bahwa unsur musiman untuk setiap periode ramai adalah 6 bulanan, begitupula dengan periode sepi, yaitu 6 bulanan. Begitupula dengan indikasi lag yang menyatakan ada kemungkinan bahwa data

53 L. 349 mengandung unsur musiman 6 bulanan. Dari pernyataan tersebut, dilakukanlah perhitungan seperti di bawah ini: Peramalan Bahan Baku AL O = 1.0 dengan seasonality 6 periode Hasil perhitungan peramalan ternyata memberikan tingkat kesalahan yang lebih rendah daripada perhitungan sebelumnya (seasonality = 5 periode). Metode terbaik adalah Seasonal Multiplicative dengan α = dan γ = serta MAPE %. Meskipun presentase MAPE lebih rendah, akan tetapi nilai % masih dapat dikatakan cukup tinggi sehingga hasil ramalan menjadi kurang dapat dipercaya. Dilihat dari hasil test Durbin Watson dan Theil s U yang masing-masing bernilai 2.23 dan 0.988, ternyata hasil dari test Theil s U menyatakan bahwa peramalan tidaklah lebih baik dari pendugaan naif. Sedangkan test Durbin Watson menyatakan bahwa peramalan masih layak untuk digunakan (tidak terjadi autokorelasi). Bila dilakukan uji coba dengan menggunakan bantuan software Minitab 14, dengan metode dekomposisi, maka diperoleh hasil sebagai berikut.

54 L. 350 Metode Dekomposisi dengan unsur musiman (multiplicative) Metode Dekomposisi dengan unsur musiman dan trend (multiplicative)

55 L. 351 Metode Dekomposisi dengan unsur musiman (addtive) Metode Dekomposisi dengan unsur musiman dan trend (addtive)

56 L. 352 Lampiran 20 Biaya biaya persediaan Biaya Pesan (A) per satu kali pesanan Biaya Pesan untuk bahan baku import (Brass Plate), yaitu : - Biaya penerimaan dan bongkar muat : Biaya ekspedisi, dihitung berdasarkan satu kali angkut karena ekspedisi disewa secara khusus, dengan biaya Rp 5,000,000 untuk sekali angkut, berapapun beratnya. Biaya penebusan bahan baku di pelabuhan/bandara (pajak bea dan cukai), sebesar Rp 9,000, Biaya bongkar muat dengan forklift, yaitu sebesar Rp 175,000 dengan kapasitas angkut sebesar 25.6 ton, selama 4 jam. Biaya jasa penyewaan forklift dihitung per satu kali datang dengan maksimum jam kerja 4 jam dan kapasitas angkut 25.6 ton. Apabila waktu dan kapasitas angkut di bawah nilai di atas, maka perusahan tetap harus membayar biaya sesuai dengan tarif jasa penyewaan forklift. Sedangkan bila kapasitas angkut melampaui angka di atas, maka dikenakan biaya tambahan sebesar Rp 40,000 per jam, dengan kapasitas 6.4 ton. Kapasitas forklift satu kali angkut adalah 1.6 ton, selama 15 menit. Jadi kapasitas forklift selama satu jam adalah ton = 6.4 ton. 15

57 L Biaya Telepon : Direktur menghubungi pemasok bahan baku melalui media telepon untuk membicarakan kuantitas bahan baku yang dipesan. Biaya telepon interlokal pada jam sibuk adalah Rp 1,500 per menitnya. Lama bicara yaitu selama 8 menit, sehingga biaya yang dikeluarkan untuk memesan bahan baku import adalah sebesar Rp 8 x 1,500 = Rp 12,000 untuk sekali pesan. - Biaya Karyawan : Untuk pemesanan bahan baku brass plate, dilakukan langsung oleh pemilik yang juga merangkap sebagai direktur, sehingga sulit untuk diuraikan biayanya, sehingga dapat diabaikan (tidak dibebankan secara langsung). - Biaya Administrasi : Adalah biaya yang digunakan untuk kertas dan tinta sebagai dasar pencatatan administrasi yang dibebankan kepada biaya pemesanan. Pembebanan biaya administrasi kepada biaya pemesanan karena dalam melakukan pemesanan, dibutuhkan kertas dan tinta untuk melakukan pencatatan bahan baku apa saja yang akan dipesan. Biaya ini dinilai sebesar Rp 1,000 berdasarkan kebijakan perusahaan. Jadi total biaya pesan untuk bahan baku import adalah : Kapasitas 25.6 ton Rp 5,000,000 + Rp 9,000,000 + Rp 175,000 + Rp 12,000 + Rp 1,000 = Rp 14,188,000 Kapasitas 32 ton Rp 5,000,000 + Rp 9,000,000 + Rp 175,000 + Rp 40,000 + Rp 12,000 + Rp 1,000 = Rp 14,228,000

58 L. 354 Biaya Pesan untuk bahan baku lokal (Alumunium Plate), yaitu : - Biaya penerimaan dan bongkar muat : Bila bahan baku yang dipesan kurang dari 3 ton maka dapat digunakan tenaga manusia dengan biaya Rp 50,000. Bila bahan baku yang dipesan lebih dari 3 ton, maka digunakan jasa penyewaan forklift dengan biaya Rp 175,000 sekali datang, dengan kapasitas pengangkutan seberat 25.6 ton, selama 4 jam. Bila bahan baku lebih banyak dari 25.6 ton, maka dikenakan tambahan biaya sebesar Rp 40,000 per jam. Kapasitas pengangkutan forklift satu kali angkut adalah 1.6 ton, selama 15 menit. Jadi kapasitas pengangkutan forklift satu jam adalah ton = 6.4 ton Biaya telepon : Biaya telepon pada jam sibuk per menit adalah Rp 250 untuk 2 menit pertama, dan Rp 125 pada menit berikutnya. Dan biaya untuk satu kali mengirimkan fax adalah Rp 5,025. Untuk menghubungi pemasok, lama bicara adalah 3 menit, dan satu kali fax nota beli. Sehingga biaya telepon yang dikeluarkan untuk sekali pesan adalah adalah : Biaya telepon = Rp 2 x = Rp 625 untuk sekali pesan. Biaya fax = Rp 5,025 untuk sekali fax. Total biaya pesan = Rp 5,650 untuk sekali pesan pada satu pemasok.

59 L Biaya karyawan : Gaji pokok manajer pembelian yang bertugas melakukan pemesanan bahan baku adalah Rp per bulan. Ditambah dengan THR sebesar satu bulan gaji. Jumlah hari kerja per tahun adalah 300 hari kerja, dengan jam kerja 8 jam/hari dan 6 hari kerja/minggu. Setiap kali melakukan transaksi pemesanan, dibutuhkan waktu selama 3 menit ditambah 7 menit untuk konfirmasi ulang dari pemasok dan mengirim fax, sehingga sekali pemesanan dibutuhkan waktu selama 10 menit. Biaya karyawan yang dikeluarkan = = Rp 1, Rp 1, Biaya administrasi : Adalah biaya yang digunakan untuk kertas dan tinta sebagai dasar pencatatan administrasi yang dibebankan kepada biaya pemesanan. Pembebanan biaya administrasi kepada biaya pemesanan karena dalam melakukan pemesanan, dibutuhkan kertas dan tinta untuk melakukan pencatatan bahan baku apa saja yang akan dipesan. Biaya ini dinilai sebesar Rp 1,000 berdasarkan kebijakan perusahaan. (sumber data : PT. WKHK) Jadi total biaya pesan untuk bahan baku lokal adalah : Kapasitas 3 ton Rp 50,000 + Rp 5,650 + Rp 1,084 + Rp 1,000 = Rp 57,734 Kapasitas 25.6 ton Rp 175,000 + Rp 5,650 + Rp 1,084 + Rp 1,000 = Rp 182,734

60 L. 356 Harga Bahan Baku Jenis Bahan Baku Harga / Kg Harga / Kg ($) (Rp) Keterangan BP O=0.23 x ,520 Import BP O=0.25 x ,280 Import BP O=0.25 x ,500 Import BP O=0.3 x ,100 Import AL O=1.0-52,500 Lokal (sumber data : PT. WKHK) Untuk bahan baku import, hasil konversi harga dalam Rupiah disesuaikan dengan kurs dolar saat pengolahan data dibuat, yaitu 1$ = Rp 9, Biaya Simpan (h) Berdasarkan kebijakan perusahaan, biaya simpan ditentukan sebesar 2% dari harga beli bahan baku, yaitu : Jenis Bahan Baku Harga / Kg Biaya Simpan / Kg BP O=0.23 x 0 74,520 1, BP O=0.25 x 0 77,280 1, BP O=0.25 x ,500 1, BP O=0.3 x ,100 1, AL O=1.0 52,500 1, (sumber data : PT. WKHK)