BAB 3 LANGKAH PEMECAHAN MASALAH

Transkripsi

1 49 BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Standar Optimasi Dasar evaluasi untuk mengoptimalkan supply chain management pada Honda Tebet (PT. Setianita Megah Motor) dari proses bisnis perusahaan terutama pada aktivitas yang terkait dengan supplier yaitu pada bagian perencanaan dan pengendalian. Pada bagian perencanaan dan pengendalian dasar evaluasi untuk mengoptimasi aliran informasi kepada supplier dengan cakupan pada penerapan peramalan penjualan. 1. Peramalan permintaan dianalisis menggunakan bantuan software QM (Quantitative Method) dengan menggunakan Pendekatan metode peramalan deret waktu (Time Series) yaitu peramalan dilakukan berdasarkan data-data suatu produk yang sudah ada sebelumnya, kemudian dianalisa pola datanya apakah berpola pada trend atau musiman maupun berbentuk siklus. 2. Peramalan dilakukan dengan menggunakan data permintaan mobil PT. Setianita Megah Motor pada periode Januari-Juni Penulis menganalisa peramalan permintaan menggunakan empat metode yaitu : Moving Averages. Dengan asumsi bahwa demand (permintaan) cenderung stabil sepanjang waktu. Weighted Moving Averages. Lebih responsif terhadap perubahan karena periode yang lebih baru lebih besar bobotnya. Eksponential Smoothing. Metode peramalan yang paling mudah dan efisien. Penghalusan eksponensial 49

2 50 mencakup pemeliharaan data masa lalu yang sangat sedikit. Regresi Linier. Metode ini bertujuan untuk menghitung bagaimana suatu perkiraan atau persamaan regresi yang akan menjelaskan hubungan diantara variabel. Regresi berarti bergantung bahwa sifat atau perilaku sebuah variabel akan bergantung kepada variabel lainnya. 3.2 Pengembangan Model Optimasi Dalam menganalisis peramalan penjualan perusahaan dengan menggunakan tiga metode peramalan yaitu : 1. Moving Averages. Moving averages method (rata-rata bergerak). Dengan metode ini kita dapat membuat asumsi bahwa demand (permintaan) cenderung stabil sepanjang waktu. 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 yang digunakan dalam metode rata-rata bergerak. 2. Weighted Moving Averages. Merupakan metode forecasting yang menggunakan pembobotan. Rata-rata bergerak dengan pembobotan ditunjukan secara matematis dengan :

3 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 merupakan salah satu metode forecasting yang relatif mudah dipergunakan, karena tidak memerlukan input data yang sangat banyak. Adapun rumus metode penghalusan ek sponensial adalah sebagai berik ut: Forecast periode yang akan datang = forecast periode yang lalu + α (aktual demand forecast periode yang lalu) Sumber : Jay Heizer dan Render (2001, p54) Di mana α adalah konstanta yang nilainya antara 0 sampai 1. sehingga persamaan tersebut dapat ditulis sebagai berikut : Ft = Ft-1 + α (At 1 Ft-1) Dimana, Sumber : Jay Heizer dan Render (2001, p54) Ft Ft-1 At-1 = forecast yang baru = forecast yang lalu = Actual demand periode yang lalu

4 52 α = konstanta yang nilainya 0 sampai 1 α (smoothing constant) dapat berubah, tergantung pada asumsi kita mengenai perubahan yang akan terjadi pada data tersebut. Semakin besar asumsi terhadap tarjadinya peningkatan penjualan, nilai α akan semakin besar, dan begitu pula sebaliknya. Dengan demikian, pemilihan besarnya nilai α harus kita lakukan dengan hati-hati. Konstanta penghalus umumnya antara 0,05 sampai 0,50. Untuk memperoleh forecasting yang lebih akurat, kita dapat membandingkan nilai forecasting dengan nilai aktual yang terjadi. Semakin kecil perbedaan antara nilai hasil forecasting dan nilai aktual, berarti tingkat kesalahannya semakin kecil dan metode forecasting yang digunakan relatif baik. Tingkat kesalahan forecasting (forecast error) dapat dihitung sebagai berikut (Jay Heizer dan Render, 2001, p54): Forecast error = Demand Forecast Sumber : Jay Heizer dan Render (2001, p56) Pendekatan yang digunakan adalah metode peramalan deret waktu (Time Series) yaitu peramalan dilakukan berdasarkan data-data suatu produk yang sudah ada sebelumnya, kemudian dianalisa pola datanya apakah berpola pada trend atau musiman maupun berbentuk siklus (Jay Heizer dan Render, 2001, p50). 4. Regresi Linier Metode ini bertujuan untuk menghitung bagaimana suatu perkiraan atau persamaan regresi yang akan menjelaskan hubungan diantara variabel. Regresi berarti bergantung bahwa sifat atau perilaku sebuah variabel akan bergantung kepada

5 53 variabel lainnya. Memilih MAD (deviasi rata-rata absolut) dan MSE (kesalahan ratarata kuadrat) terkecil. MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah periode data (n). MSE merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati.