BAB IV PENGUMPULAN DAN PENGOLAHAN DATA. pengumpulandan pengolahannya. Seperti yang telah diuraikan dalam Bab III
|
|
- Suryadi Iskandar
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV PENGUMPULAN DAN PENGOLAHAN DATA Dalam Bab IV ini dikemukakan tentang metode yang dilakukan dalam pengumpulandan pengolahannya. Seperti yang telah diuraikan dalam Bab III bahwa metode pengumpulan data dilakukan dengan cara pengamatan dan pengukuran langsung, penelusuran data masa lalu (literatur), serta wawancara (interview), juga dilakukan secara menyeluruh (sensus) dan sampling secara acak (random). 4.1 Profil Perusahaan AMDK PT. X adalah sebuah perusahaan AMDK merek Y yang berkantor pusat di Jakarta dan memliki pabrik di wilayah Cibinong, Kabupaten Bogor. Perusahaan ini telah beroperasi sejak tahun 1992, dimana perusahaan ini telah mendapatkan sertifikat SNI , ijin edar yaitu sertifikat Persetujuan Produk Pangan dari Badan POM RI (Pengendalian Obat dan Makanan Republik Indonesia) atau yang biasa orang awam mengenalnya sebagai nomor MD, dan sertifikat Halal dari MUI (Majelis Ulama Indonesia). Sehingga secara regulasi pemerintah, perusahaan ini telah layak untuk berproduksi produk AMDK yang mana produknya aman dan halal untuk dikonsumsi oleh masyarakat luas. 61
2 62 Pemilihan lokasi pabrik di daerah Cibinong didasarkan pada pertimbangan lebih mudah untuk akses ke Jakarta dibandingkan dari Sukabumi (dimana pabrikpabrik AMDK banyak dijumpai), dengan kualitas air baku di daerah Cibinong yang masih baik dan terjaga. Air baku yang digunakan oleh pabrik ini didapatkan dengan menjalin kerjasama dengan PDAM Kabupaten Bogor, yang mana PDAM Kabupaten Bogor tersebut mengambil dan mengolahnya dari sumber mata air Ciburial di daerah Ciomas yang merupakan hutan lindung milik Perhutani kabupaten Bogor di lereng Gunung Salak bagian barat daya. Dalam menjalankan kegiatan produksinya, pabrik tersebut dipimpin oleh seorang Plant Manager yang dibantu oleh Supervisor Produksi, Supervisor QC, Supervisor Gudang, dan beberapa orang staf. Untuk lebih jelasnya dapat dilihat pada gambar 4.1 mengenai stuktur organisasi di bawah ini.
3 63 Plant Manager Supervisor Produksi Supervisor Qualty Control Supervisor Gudang Kepala Shift Teknik Kepala Shift Produksi QC Laboraturium QC Inspeksi dan Process Kepala Shift Gudang Bahan Baku Kepada Shift Gudang Produk jadi Kepala Shift Angkutan Gambar 4.1 StukturOrganisasiPabrik AMDK PT. X Pabrik tersebut mempunyai fasilitas produksi, yang terdiri dari : 1. Unit Pengolahan Air (Water Threatment Unit). 2. Unit Produksi Mesin Galon dengan kapasitas 500 galon/jam. 3. Unit Produksi Mesin Botol dengan kapasitas botol/jam 4. Unit Produksi Mesin Cup dengan kapasitas cup/jam. Hari kerja pada pabrik tersebut adalah hari Senin Sabtu, dimana hari Sabtu hanya setengah hari, dan setiap harinya menggunakan sistem 2 shift, dimana jam kerjanya adalah sebagai berikut : Shift 1 : jam (istirahat jam ) Shift 2 : jam (istirahat jam ) Pemilihan jam kerja untuk shift 2 yang mulai jam dengan tujuan untuk menghindari waktu beban puncak PLN.
4 64 Pengaturan jadwal kerja secara lengkap, dapat dilihat pada tabel 4.1 dibawah ini Tabel. 4.1 Pengaturan Jadwal Kerja Karyawan PT. X Armada angkutan yang dimiliki oleh perusahaan ini berjumlah 10 unit kendaraan yang terdiri dari : Truk tronton 20 ton : 2 unit, khusus untuk produk galon Truk fuso 14 ton : 2 unit, khusus untuk produk small pack Truk double 7 ton : 2 unit, untuk produk gallon dan small pack Truk engkel 4 ton : 2 unit, khusus untuk kanvas produk galon Truk box engkel 4 ton : 2 unit, khusus untuk kanvas produk small pack 4.2 Profil Perusahaan Distributor AMDK Distributor PT. A adalah perusahaan distributor yang mengkhususkan untuk mendistribusikan produk-produk minuman termasuk AMDK di dalamnya.
5 65 Perusahaan yang berlokasi di daerah Palmerah, Jakarta ini, didirikan pada tahun Batas wilayah operasional perusahaan distributor ini adalah : Batas wilayah barat Batas wilayah utara : Bandengan : Bunderan HI Batas wilayah timur : TuguPancoran Batas wilayah selatan : Blok M Perusahaan distributor ini dipimpin oleh seorang Unit Manager yang membawahi sales supervisor, kanvaser, dropper, motorist, dan beberapa orang staf, seperti pada gambar 4.2 di bawah ini. Unit Manager System Analys Petugas Gudang Supervisor Sales Galon Supervisor Sales Smallpack Salesman Galon 1 Salesman Galon 2 Kanvaser E Kanvaser A Dropper 1 Dropper 2 Kanvaser B Dropper 1 Dropper 2 Kanvaser C Dropper 1 Dropper 2 Kanvaser D Dropper 1 Dropper 2 Gambar 4.2 Struktur Organisasi Distributor PT.A Kanvaser F Kanvaser G Kanvaser H motoris 1 s/d 6
6 66 Armada kendaraan operasional yang dimiliki oleh distributor ini meliputi : Pick up T-120 : 2 unit, untuk supervisor sales Pick up L-300 : 4 unit, untuk kanvase rgalon Truk engkel : 8 unit, untuk dropper gallon Box L-300 : 4 unit, untuk kanvaser dan dropping produk Motor : 6 unit Jam kerja dan jumlah karyawan pada perusahaan tersebut ditunjukkan pada tabel 4.2 di bawahini. Tabel 4.2 Pengaturan Jadwal Kerja PT. A Distributor ini mendapatkan pasokan produk AMDK dari 3 pabrik yaitu pabrik Cicurug, pabrik Cisalopa, dan pabrik Cibinong. 4.3 Metode Pengumpulan Data Metode pengumpulan data dalam penelitian ini dilakukan dengan cara sebagai berikut
7 Pengamatan dan pengukuran langsung. Metode ini dilakukan untuk data-data : a. Data ukuran setiap jenis produk AMDK. b. Data berat setiap jenis produk AMDK Penelusuran data masa lalu (literatur) Data yang diperoleh dengan metode ini meliputi : a. Data aktual permintaan produk AMDK pada distributor di Palmerah, Jakarta dalam periode 24 (dua puluh empat) bulan dari bulan Oktober tahun 2012 sampai dengan bulan September tahun b. Data tarif angkutan/biaya pengiriman produk AMDK dari PT. X di Cibinong, Bogor ke distributor di Palmerah, Jakarta. c. Data kapasitas muat produk AMDK pada truk jenis fuso. d. Data struktur harga produk AMDK untuk distributor, grosir dan retail/eceran di wilayah Jakarta Wawancara (interview) Dilakukan untuk mendapatkan data kapasitas gudang distributor di Palmerah Pengambilan data dilakukan secara menyeluruh (sensus) untuk beberapa data meliputi:
8 68 a. Data aktual permintaan produk AMDK pada distributor di Palmerah, Jakarta dalam periode 25 (dua puluh lima) bulan dari bulan Oktober tahun 2012 sampai dengan bulan Oktober tahun b. Data tarif angkutan/biaya pengiriman produk AMDK dari PT. X di Cibinong, Bogor ke distributor di Palmerah, Jakarta. c. Data struktur harga produk AMDK untuk distributor, grosir dan retail/eceran di wilayah Jakarta Pengambilan data dilakukan sampling secara acak (random) untuk beberapa data meliputi : a. Data kapasitas muat produk AMDK pada truk. b. Data kapasitas gudang pada distributor di Palmerah, Jakarta c. Data ukuran setiap jenis produk AMDK. d. Data berat setiap jenis produk AMDK 4.4 Metode Pengolahan Data Metode pengolahan data yang dilakukan dalam penelitian ini adalah menggunakan Microsoft Excel Data Analysis, Microsoft Excel, danmicrosoft Excel Solver Problems. Seperti telah diuraikan pada Bab III, penggunaan Microsoft Excel adalah untuk mengolah data-data sebagai berikut : Microsoft Excel Data Analysis Digunakan untuk mencari persamaan regresi linear dari data aktual permintaan.
9 Microsoft Excel Digunakan untuk mencari error, RSFE (Run Sum Forecast Error), MAD (Mean Absolut Deviation), TS (Tracking Signal), keuntungan distributor, dan formula untuk linear programming Microsoft Excel Solver Problems. Digunakan untuk mencari komposisi produk AMDK dalam 1 truk sehingga keuntungan distributor menjadi maksimal. 4.5 Pengolahan Data Data aktual permintaan produk AMDK. Data ini didapatkan dari distributor produk AMDK dari bulan Oktober 2012 hingga bulan Oktober 2014 seperti ditunjukkan pada tabel 4.3 di bawah ini : Tabel 4.3 Data Aktual Permintaan
10 70 Seperti yang telah diuraikan dalam flow chart pada Bab III, maka dari data aktual permintaan tersebut dapat digunakan untuk mengolah data selanjutnya Historical Data Data ini diolah dari data aktual permintaan, sehingga didapatkan historical data seperti pada tabel 4.4 di bawah ini.
11 71 Tabel 4.4 Historical Data Forecasting Dari historical data di atas, maka dapat digunakan untuk mengolah data forecasting. Metode forecasting yang diuji pada penelitian ini meliputi : a. Metode Moving Average 4 (MA 4) b. Metode Moving Average 5 (MA 5) c. Metode Weight Moving Average 4 (WMA 4) d. Metode Weight Moving Average 5 (WMA 5) e. Metode Exponential Smoothing with Trend f. Metode Regresi Linear with Seasonal Index
12 Metode Moving Average 4 (MA 4) Model rata-rata bergerak (Moving Averages Model/MA Model) ini dinyatakan sebagai berikut : (permintaan dalam n periode terdahulu) Rata rata bergerak n periode = n MA(n) = (A + A + A + + A ) 2.1) n Dimana : n = banyaknya periode dalam rata-rata bergerak Dengan menggunakan Microsoft Excel didapatkan nilai forecast moving average 4 (MA 4) untuk produk PAB 1500 ml sebagai berikut : MA4 (1) = ( ) MA4 (1) = ( ) = 12609,5 dibulatkan menjadi MA4 (2) = ( ) MA4 (2) = ( ) = 12805,75 dibulatkan menjadi 12806
13 73 MA4 (3) = ( ) MA4 (3) = ( ) = Dan seterusnya sampai MA4 (22), sehingga didapatkan nilai forecast moving average 4. Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml, sehingga didapatkan data seperti pada tabel 4.5 berikut ini.
14 Tabel 4.5 Forecasting Moving Average 4 74
15 Metode Moving Average 5 (MA 5) Model rata-rata bergerak (Moving Averages Model/MA Model) ini dinyatakan sebagai berikut : (permintaan dalam n periode terdahulu) Rata rata bergerak n periode = n Dimana : MA(n) = (A + A + A + + A ) (2.1) n n = banyaknya periode dalam rata-rata bergerak Dengan menggunakan Microsoft Excel didapatkan nilai forecast moving average5 (MA 5) untuk produk PAB 1500ml sebagai berikut : MA5 (1) = ( ) MA5 (1) = ( ) = MA5 (2) = ( ) MA5 (2) = ( ) = 13431,6 dibulatkan menjadi MA5 (3) = ( )
16 76 MA5 (3) = ( ) = 14170,8 dibulatkan menjadi Dan seterusnya sampai MA5 (21), sehingga didapatkan nilai forecast moving average 5. Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml, sehingga didapatkan data seperti pada tabel 4.6 berikut ini.
17 Tabel 4.6Forecasting Moving Average 5 77
18 Metode Weight Moving Average 4 (WMA 4) Model rata-rata bergerak terbobot (Weighted Moving Averages Model/WMA Model), dinyatakan sebagai berikut : (permintaan untuk periode n)(aktual permintaan periode n) WMA n periode = n WMA(n) = (A )(P ) + (A )(P ) + (A )(P ) + + (A )(P ) P (2.2) Secara umum pemberian bobotuntuk model rata-rata bergerak n-periode terbobot WMA(n), akan dilakukan sebagai berikut :... (2.3) Periode Koefisien Pembobot (P) 1 periode yang lalu 2 periode yang lalu 3 periode yang lalu : : n-1 periode yang lalu n periode yang lalu n n - 1 n - 2 : : n (n - 2) = 2 n (n 1) = 1 Jumlah Pi (i = 1,2,3, n) Dengan menggunakan Microsoft Excel didapatkan nilai forecast weight moving average 4 (WMA 4) untuk produk PAB 1500ml sebagai berikut : WMA4 (1) = ( ) ( ) ( ) ( ) ( ) WMA4 (1) = ( ) ( ) ( ) ( ) ( ) = 13019,9 dibulatkan menjadi 13020
19 79 WMA4 (2) = ( ) ( ) ( ) ( ) ( ) WMA4 (2) = ( ) ( ) ( ) ( ) ( ) = 12992,9 dibulatkan menjadi WMA4 (3) = ( ) ( ) ( ) ( ) ( ) WMA4 (3) = ( ) ( ) ( ) ( ) ( ) = 14244,6dibulatkan menjadi Dan seterusnya sampai WMA4 (22), sehingga didapatkan nilai forecast weight moving average 4. Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml, sehingga didapatkan data seperti pada tabel 4.7 berikut ini.
20 Tabel 4.7 Forecasting Weight Moving Average 4 80
21 Metode Weight Moving Average 5 (WMA 5) Model rata-rata bergerak terbobot (Weight Moving Averages Model/WMA Model), dinyatakan sebagai berikut : (permintaan untuk periode n)(aktual permintaan periode n) WMA n periode = n WMA(n) = (A )(P ) + (A )(P ) + (A )(P ) + + (A )(P ) P (2.2) Secara umum pemberian bobot untuk model rata-rata bergerak n-periode terbobot WMA(n), akan dilakukan sebagai berikut :..(2.3) Periode Koefisien Pembobot (P) 1 periode yang lalu 2 periode yang lalu 3 periode yang lalu : : n-1 periode yang lalu n periode yang lalu n n - 1 n - 2 : : n (n - 2) = 2 n (n 1) = 1 Jumlah Pi (i = 1,2,3, n) Dengan menggunakan Microsoft Excel didapatkan nilai forecast weight moving average5 (WMA 5) untuk produk PAB 1500ml sebagai berikut : WMA5 (1) = ( ) ( ) ( ) ( ) ( ) ( ) WMA (1) = ( ) ( ) ( ) ( ) ( ) ( ) = 12860,6 dibulatkan menjadi 12861
22 82 WMA5 (2) = ( ) ( ) ( ) ( ) ( ) ( ) WMA5 (2) = ( ) ( ) ( ) ( ) ( ) ( ) = 13973,6 dibulatkan menjadi WMA5 (3) = ( ) ( ) ( ) ( ) ( ) ( ) WMA5 (3) = ( ) ( ) ( ) ( ) ( ) ( ) = 14679,7 dibulatkan menjadi Dan seterusnya sampai WMA5 (21), sehingga didapatkan nilai forecast weight moving average 5. Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml, sehingga didapatkan data seperti pada tabel 4.8 berikut ini.
23 Tabel 4.8 Forecasting Weight Moving Average 5 83
24 Metode Exponential Smoothing with Trend Adjusment Formula untuk model pemulusan eksponensial dengan mempertimbangkan kecenderungan adalah : (2.9) Forecast Including Trend (FIT) = New Forecast (F t ) + Trend Correction (T t ).... Persamaan untuk koreksi kecenderungan (trend correction) menggunakan suatu konstanta pemulusan beta, β, yang dihitung berdasarakan formula berikut : Dimana : T t = ( 1 β ) T t-1 + β ( F t F t-1 )....(2.10) T t T t-1 β F t = smoothed trend untuk periode t = smoothed trend untuk periode t-1 (periode yang lalu) = konstanta dari smoothed trend yang dipilih = nilai ramalan terhadap model peramalan ES untuk periode t F t-1 = nilair amalan terhadap model peramalan ES untuk periode t-1 Langkah ke-1: Menghitung nilai ramalan periode t ( F t ) berdasarkan metode pemulusan eksponensial sederhana (simple exponential smoothing). F t = F t-1 + α (A t-1 F t-1 )
25 85 Dengan menggunakan Microsoft Excel didapatkan nilai new forecast (F t) untuk produk PAB 1500ml sebagai berikut : F t (1) = Rata-rata aktual permintaan = A1+A2+A3+..+A25 25 = F t(2) =F t-1 + α (A t-1 F t-1 ) = F t(1) + 0,9(A 1 F t(1) ) = ,9( ) = F t(3) =F t-1 + α (A t-1 F t-1 ) = F t(2) + 0,9(A 2 F t(2) ) = ,9( ) = F t(4) = F t(3) + 0,9(A 3 F t(3) ) = ,9( ) = Dan seterusnya sampai F t(26), sehingga didapatkan nilai new forecast metode exponential smoothings sederhana. Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml, sehingga didapatkan data seperti pada tabel 4.9 berikut ini.
26 Tabel 4.9 Data Forecast Simple Exponential Smoothing 86
27 87 Langkah ke-2 : Menghitung nilai trend dengan menggunakan persamaan berikut : T t = ( 1 β ) T t-1 + β ( F t F t-1 ). Untuk memulai langkah ke-2 pertama kali nilai trend untuk periodet-1 harus ditetapkan melalui perkiraan atau melalui observasi terhadap data yang lalu. Setelah itu baru nilai trend untuk periode t dihitung. Dengan menggunakan Microsoft Excel didapatkan nilai trend untuk produk PAB 1500ml sebagai berikut : T t (1) = 0(nilai trend untuk periode t-1 harus ditetapkan melalui perkiraan) T t(2) =( 1 β ) T t-1 + β ( F t F t-1 ). = (1 0,3) T t(1) + 0,3(F t(2) F t(1) ) = 0,7 x 0 + 0,3( ) = T t(3) =( 1 β ) T t-1 + β ( F t F t-1 ). = (1 0,3) T t(2) + 0,3(F t(3) F t(2) ) = 0,7(- 921) + 0,3( ) = T t(4) = (1 0,3) T t(3) + 0,3(F t(4) F t(3) ) = 0,7(- 711) + 0,3( ) = - 310
28 88 Dan seterusnya sampai T t(26), sehingga didapatkan nilai trend. Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml, sehingga didapatkan data seperti pada tabel 4.10 berikut ini. Tabel 4.10 Data Trend
29 89 Langkah ke-3 : Menghitung nilai ramalan berdasarakan metode pemulusan eksponensial dengan mempertimbangkan kecederungan, menggunakan persamaan berikut : FIT t = F t + T t Dengan menggunakan Microsoft Excel didapatkan nilai Forecats Including Trend (FIT) untuk produk PAB 1500ml sebagai berikut : FIT t = F t + T t FIT t(1) =FT t(1) + T t(1)
30 90 = = FIT t(2) =FT t(2) + T t(2) = (- 921) = FIT t(3) =FT t(3) + T t(3) = (-711) = FIT t(4) =FT t(4) + T t(4) = (-310) = Dan seterusnya sampai FIT t(26), sehingga didapatkan nilai Forecat Including Trend. Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml, sehingga didapatkan data seperti pada tabel 4.11 berikut ini.
31 Tabel 4.11 Nilai Forecast Including Trend 91
32 92
33 93
34 Metode Regresi Linear with Seasonal Index Menghitung index musiman (seasonal index) Langkah ke-1 : Hitung rata-rata permintaan aktual dalam bulan yang sama untuk tahun yang berbeda (dengan microsoft excel)
35 95 Untuk PAB 1500ml Bulan Tahun Tahun Tahun Rata-rata Januari ( )= Februari ( )= : : : : : Oktober ( ) = Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml. Langkah ke-2 :Hitung rata-rata dari langkah 1 untuk 12 bulan (dengan Untuk PAB 1500ml microsoft excel). Bulan Rata-Rata Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Rata-rata Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml.
36 96 Langkah ke-3 : Hitung index musiman (seasonal index) dengan membagi Untuk PAB 1500ml hasil perhitungan pada langkah ke- 1 dengan langkah ke-2 (dengan microsoft excel). Bulan Rata-rata Rata-Rata bulan tahun Seasonal Index Januari (15054/15159) = 0,99 Februari (14734/15159) = 0,97 : : : : Oktober (15404/15159) = 1,02 Hal yang sama dilakukan juga untuk produk PAB 600ml, PAB 330ml dan PAP 240ml, Sehingga didapatkan data seasonal index seperti pada tabel 4.12 di bawah ini. Tabel 4.12 Seasonal Index
37 Menghitung regresi linear Model analisis garis kecenderungan yang paling sederhana adalah menggunakan persamaan garis lurus, sebagai berikut : F t = a + b t.....(2.6) Dimana : F t a b = nilairamalanpermintaanpadaperiodeke-t = intersep = slope dari garis kecenderungan (trend line), merupakan tingkat perubahan dalam permintaan. t = indeks waktu (t = 1,2,3,..n) ; n adalah banyaknya periode waktu
38 98 Slope dan intersep dari persamaan garis lurus dihitung dengan menggunakan formula berikut : b = ta n(t )(A ) t.. (2.7) n(t )2 a = A b(t )... (2.8) Dimana : b a t t-bar A = slope dari persamaan garis lurus = intersep dari persamaan garislurus = indeks waktu = nilai rata-rata dari t = data aktualpermintaan A-bar = nilai rata-rata permintaan per periode waktu, rata-rata dari A Cara mencari persamaan garis lurus dapat melalui dua metode pendekatan yaitu : Metode formula menggunakan microsoft excel Metode data analysis menggunakan microsoft excel data analysis Metode formula menggunakan microsoft excel Memasukkan nilai-nilai sesuai dengan formula yang ada, contoh di bawah ini untuk produk PAB 1500 ml seperti berikut ini :
39 99 b = ta n(t )(A ) t.. (2.7) n(t )2 b = (13)(15168,42) (13)13 = 75,9585
40 100 a = A b(t )... (2.8) a = 15168,52 75,9585 = 14181,54 F t = a + b t.....(2.6) Jadi formula forecasting dengan metode regresi linear untuk produk PAB 1500 ml F = 14181, ,9585 (t) Metode data analysis menggunakan microsoft excel data analysis Metode ini menggunakan software data analysis pada microsoft excel, seperti yang akan diuraikan pada langkah-langkah di bawah ini, untuk produk PAB 1500 ml: Langkah ke-1 : Masuk sheet historical data, klik Data dan pilih Data Analysis pilih Regression, kemudian kilik OK, seperti ditunjukkan pada gambar 4.3 di bawah ini
41 101 Gambar 4.3 Pemilihan software Data Analysis Regression Langkah ke-2 : Input nilai aktual permintaan pada Input Y Range, input nilai indeks waktu pada Input X Range, klik New Worksheet Ply, klik Residual Plots, kemudian klik OK, seperti ditunjukkan pada gambar 4.4 berikut ini
42 102 Gambar 4.4 Input nilai aktual permintaan dan nilai indeks waktu Langkah ke-3 : Menentukan persamaan regresi linear dari hasil langkah ke- 1 dan langkah ke-2, seperti gambar 4.5 berikut ini.
43 103 Fungsi regresi linear y = a + bt y = ,9585 (t) t = 10 (hasil di tabel 14940,6) y = a + bt y = ,9585 (10) = 14940,58 Gambar 4.5 Fungsi regresi linear Dari pengolahan data analysis di atas, maka didapatkan fungsi regresi linearnya adalah y = ,9585(t) atau forecasting dengan metode regresi linear untuk produk PAB 1500 ml F = ,9585 (t) Dengan demikian untuk menghitung forecast regresi linear baik menggunakan pendekatan formula maupun menggunakan pendekatan data analysis menghasilkan hasil yang sama, sehingga kedua pendekatan tersebut dapat digunakan salah satunya. Namun dalam peneletian ini penulis dalam menghitung forecast metode regresi linear menggunakan pendekatan data analysis, karena lebih mudah dalam aplikasi dan lebih cepat dalam penghitungannya.
44 104 Dari pengolahan data di atas, maka nilai forecast yang didapatkan dikalikan dengan seasonal index sebagai faktor koreksi. (Vincent Gaspersz, Production Planning And Inventory Control, 1998, halaman ). Sehingga didapatkan data forecast seperti pada tabel 4.13 berikut ini. Tabel 4.13 Forecasting Regresi Linear WithSeasonal Index
45 Pengujian akurasi dan validitas metode forecasting Seperti yang telah disampaikan pada Bab II sebelumnya, bahwa ada sejumlah indikator dalam pengukuran akurasi dan validasi forecasting, namun yang paling umum dipergunakan adalah : Mean Absolute Deviation (MAD) Rata-rata penyimpangan absolut, menggunakan formula sebagai berikut : MAD =.. (2.11) e t = A t - F t.... (2.12)
46 106 Dimana : e t n A t F t = forecast error periode t = banyaknya periode data = aktual permintaan periode t = nilai ramalan periode t Mean Square Error (MSE) Rata-rata kuadrat kesalahan, menggunakan formula sebagai berikut : Dimana : MSE = (e )2. (2.13) n e t = forecast error periode t n = banyaknya periode data Mean Absolute Percentage Error (MAPE) Rata-rata kuadratkesalahan, menggunakan formula sebagaiberikut : e A 100% MAPE =. (2.14) n Dimana : e t = forecast error periode t A t = aktual permintaan periode t n = banyaknya periode data Perhitungan MAD, MSE, dan MAPE untuk nilai forecast produk PAB 1500ml hasil dari metode moving average 4 adalah sebagai berikut :
47 107 MAD = e n.. (2.11) MAD = (E 1 + E 2 + E E 21 ) 21 = = MSE = (e )2. (2.13) n
48 108 MSE = {( E 1 + E 2 + E E 21 )} 2 = {(-188)2} 21 = e A 100% MAPE =. (2.14) n MAPE = {(E1/A5)100% + (E2/A6)100% +.. +(E21/A25)100%)} 21 = % 21 = 24.68% Dengan metode perhitungan yang sama dan cara penghitungannya menggunakan microsoft excel, maka pada tabel 4.14 di bawah ini adalah nilai MAD, MSE, dan MAPE untuk produk-produk PAB 1500 ml, PAB 600 ml, PAB 330 ml, dan PAP 240 ml menggunakan metode forecasting moving average 4, moving average 5, weight moving average 4, weight moving average 5, exponential smoothing with trend adjusment, regresi linear with seasonal index.
49 Tabel 4.14 Nilai MAD, MSE, dan MAPE 109
50 Tracking Signal (TS) Tracking signal adalah suatu ukuran bagaimana kinerja suatu ramalan memperkirakan nilai-nilai aktual. Tracking signal dihitung sebagai Running Sum of the Forecast Error (RSFE) dibagi dengan Mean Absolute Deviation (MAD), sehingga didapatkan formula sebagai berikut : TS = RSFE (2.15) MAD RSFE = e t... (2.16) Dimana : TS = Tracking Signal RSFE = Running Sum of the Forecast Error MAD = Mean Absolute Deviation e t = forecast error periode t Perhitungan tracking signal untuk nilai forecast produk PAB 1500 ml menggunakan metode moving average 4 adalah sebagai berikut : 1. Hitung RSFE setiap bulannya dengan cara menjumlahkan secara kumulatif forecast error (E) 2. Absolutkan nilai forecast error (E)
51 Jumlahkan secara kumulatif absolut error 4. Hitung MAD setiap bulannya dengan cara kumulatif absolut error dibagi waktu tracking 5. Hitung tracking signal setiap bulannya dengan cara RSFE dibagi MAD Sehingga didapatkan nilai tracking signal seperti pada tabel 4.15 di bawah ini Tabel 4.15 Nilai Tracking Signal PAB 1500 ml metode forecasting moving average 4 Dengan metode perhitungan yang sama dan cara penghitungannya menggunakan microsoft excel, maka pada tabel 4.16 di bawah ini adalah nilai tracking signal untuk produk-produk PAB 1500 ml, PAB 600 ml, PAB 330 ml, dan PAP 240 ml menggunakan metode forecasting moving average 4, moving average 5, weight moving average 4, weight moving average 5, exponential smoothing with trend adjusment, regresi linear with seasonal index.
52 112 Tabel 4.16 Nilai Tracking Signal Dari tabel 4.16 di atas dan berdasarakan teori bahwa Apabila nilai tracking signal telah berada di luar batas-batas pengendalian (lebih dari ± 4), maka model peramalan perlu ditinjau kembali, karena akurasi dan validasi peramalan tidak
53 113 dapat diterima ( Vincent Gaspersz, Production Planning And Inventory Control, 1998, halaman 81-82), maka dapat disimpulkan bahwa metode forecasting yang akurat dan valid untuk menyelesaikan historical data permintaan tersebut adalah metode Forecasting Exponential Smoothing with Trend Adjusment atau sering disebut juga Double Exponential Smoothing, seperti pada Tabel 4.11 di atas Mencari keuntungan distributor Keuntungan distributor untuk setiap jenis produk AMDK dapat dicari dengan cara menghitung kombinasi dari beberapa data berikut ini meliputi : Biaya kirim Biaya kirim untuk setiap jenis produk AMDK dari pabrik PT. X di Cibinong ke distributor PT. A di Palmerah, dalam satuan rupiah/karton, seperti pada Tabel 1.1 di atas Struktur harga Struktur harga setiap jenis produk AMDK yang meliputi harga distributor, harga grosir dan harga retail, seperti pada Tabel 1.2 di atas Selisih harga Merupakan data selisih harga antara harga distributor dengan harga grosir, sehingga didapatkan data seperti ditunjukkan pada tabel 4.20 berikut ini.
54 114 Tabel 4.17 Daftar Selisih Harga Keuntungan distributor Keuntungan distributor didapatkan dari selisih harga distributor (Tabel 4.17) dikurangi dengan biaya kirim (Tabel 1.1) untuk setiap jenis produknya, sehingga didapatkan nilai seperti pada Tabel 1.3 di atas Data untuk memaksimalkan keuntungan distributor Dalam penelitian ini keuntungan distributor dapat dimaksimalkan melalui pengaturan komposisi produk AMDK yang dimuat dalam truk dan pola pengirimannya dari pabrik ke distributor dalam satu hari. Dalam upaya mengatur komposisi produk AMDK yang dimuat dalam truk yang bertujuan untuk memaksimalkan keuntungan distributor ini, maka digunakan Linear Programming yang dihitung menggunakan aplikasi Microsoft Excel Data Solver. Data-data yang dibutuhkan untuk menjalakan aplikasi tersebut meliputi :
55 Data nilai forecast bulanan permintaan produk AMDK Seperti yang telah diuraikan di atas, bahwa forecast bulanan didapatkan dengan mengolah historical data menggunakan metode Exponential Smoothing with Trend Adjusment. Penggunaan metode forecasting ini didasarkan pada hasil pengujian akurasi dan validasi yang menunjukkan bahwa penggunaan metode forecasting exponential smoothing with trend ini menghasilkan nilai tracking signal (TS) pada range ± 4 untuk semua jenis produk AMDK. Tabel berikut ini menunujukkan data nilai forecasting bulanan setiap jenis produk AMDK. Tabel 4.18 Nilai Forecast Bulanan
56 116 Dari tabel 4.18 di atas, nilai forecast yang digunakan adalah nilai forecast pada bulan November 2014 (yang diberi warna kuning) Data nilai rata-rata forecast harian produk AMDK. Nilai forecast ini diperoleh dengan cara membagi nilai forecast bulanan dengan jumlah hari kerja pada bulan berjalan. Dalam hal ini nilai forecast bulanan yang dimaksud adalah nilai forecast bulan November 2014, dengan hari kerja pada bulan November 2014 sejumlah 25 (dua puluh lima) hari kerja. Sehingga didapatkan data nilai rata-rata forecast harian seperti ditunjukkan pada tabel berikut ini. Tabel 4.19 Nilai Rata-rata Forecast Harian bulan November Data berat dan ukuran produk ADMK Data berat dan ukuran setiap jenis produk AMDK ini didapatkan dari pengukuran langsung di pabrik AMDK PT. X, seperti pada tabel di bawah ini.
57 117 Tabel 4.20 Data Berat dan Ukuran Produk AMDK Data kapasitas daya muat truk Data kapasitas daya muat ini didapatkan secara interview dari kepala shift angkutan pada pabrik AMDK PT. X. Data tersebut seperti ditunjukkan pada tabel berikut ini. Tabel 4.21 Data Kapasitas Daya Muat Truk Data ukuran gudang distributor Data ukuran gudang distibutor yang digunakan untuk menyimpan produk AMDK adalah sekitar 500 m 3, data ini didapatkan dari interview dengan Unit Manager dan petuga gudang distributor Palmerah Data keuntungan distributor Keuntungan distributor seperti telah dijelaskan pada bab ini sub bab pada Bab ini.
58 Model Umum Linear Programming Memaksimumkan keuntungan Z = C X + C X + C X + C X Di mana : Z mak = Nilai keuntungan C 1 C2 C3 C4 X1 X2 X3 X4 = Keuntungan produk PAP 240 ml (Rp/karton) = Keuntungan produk PAB 330 ml (Rp/karton) = Keuntungan produk PAB 600 ml (Rp/karton) = Keuntungan produk PAB 1500 ml (Rp/karton) = Jumlah produk PAP 240 ml yang dimuat (karton) = Jumlah produk PAB 330 ml yang dimuat (karton) = Jumlah produk PAB 600 ml yang dimuat (karton) = Jumlah produk PAB 1500 ml yang dimuat (karton) Batasan kapasitas truk angkutan A X + A X + A X + A 4X B B1 A11 A12 A13 A14 = Batasan maksimum kapasitas truk angkutan (kg) = Berat produk PAP 240 ml (kg) = Berat produk PAB 330 ml (kg) = Berat produk PAB 600 ml (kg) = Berat produk PAB 1500 ml (kg)
59 119 Batasan kapasitas gudang distributor A X + A X + A X + A X B B2 A21 A22 A23 A24 = Batasan maksimum kapasitas gudang distributor (m3) = Kubikasi produk PAP 240 ml (m3) = Kubikasi produk PAB 330 ml (m3) = Kubikasi produk PAB 600 ml (m3) = Kubikasi produk PAB 1500 ml (m3) Batasan forecast bulanan A X + A X + A X + A X B B3 A31 A32 A33 A34 = Batasan maksimum forecast bulanan produk (karton) = Jumlah produk PAP 240 ml (karton) = Jumlah produk PAB 330 ml (karton) = Jumlah produk PAB 600 ml (karton) = Jumlah produk PAB 1500 ml (karton) Batasan forecast harian A X + A X + A X + A X B B4 A41 A42 A43 A44 = Batasan maksimum forecast harian produk (karton) = Jumlah produk PAP 240 ml (karton) = Jumlah produk PAB 330 ml (karton) = Jumlah produk PAB 600 ml (karton) = Jumlah produk PAB 1500 ml (karton)
60 120 Batasan non negativitas Xn, Amn Formula untuk memaksimalkan keuntungan distributor Seperti yang telah disampaikan padalangkah-langkah Bab II danflow chart Bab III sebelumnya,bahwa peng-inputan formula permasalahan linear programmingini dapat diselesaikan dengan menggunakan software Microsoft Excel Spread Sheet to Solver Linear Programming Problems, seperti berikut ini : Langkah ke-1 : Memasukkan formula untuk fungsi Z maksimum =(C20*C5)+(D20*D5)+(E20*E5)+(F20*F5) Langkah ke-2 : Memasukkan formula untuk fungsi kendala Langkah ke-3 : Membuka Data Solver Langkah ke-4 : Memasukkan formula Z maksimum ke dalam field Data Solver =(C20*C5)+(D20*D5)+(E20*E5)+(F20*F5) Klik max Langkah ke-5 : Memasukkan nilai konstanta penambahan nilai Z = (C20:F20) Langkah ke-6 : Memasukkan nilai kendala dan fungsi non negativitas Langkah ke-7 : Memilih tampilan Langkah ke-8 : Klik Solve, pengolahan oleh komputer, sehingga didapatkan komposisi produk untuk memaksimalkan keuntungan distributor Langkah-langkah tersebut seperti ditunjukkan pada gambar-gambar berikut ini.
61 121 Gambar 4.6 Input formula untuk linear programming Gambar 4.7 Hasil dari input formula
62 122 Gambar 4.8 Aplikasi MS Office Excel Data Solver Jumlah komposisi produk Hasil dari langkah-langkah yang ditunjukkan pada Gambar 4.6, Gambar 4.7, dan Gambar 4.8 di atas, maka akan didapatkan komposisi pengiriman produk seperti yang ditunjukkan padagambar 4.9, Gambar 4.10, dan Gambar 4.11 di bawah, dimana yang diberi latar belakang warna kuning adalah jumlah komposisi produk AMDK yang dimuat dalam 1 unit truk, dan yang diberi latar belakang warna biru adalah keuntungan maksimal yang didapatkan oleh distributor dengan jumlah komposisi produk tersebut. Gambar 4.9 menunjukkan komposisi muatan produk AMDK pada ritase ke-a Gambar 4.10 menunjukkan komposisi muatan produk AMDK pada ritase ke-b Gambar 4.11 menunjukkan komposisi muatan produk AMDK pada ritase ke-c Ketiganya dilakukan pada hari yang sama.
63 123 Gambar 4.9 Komposisi produk dan keuntungan distributor pada ritase ke-a Gambar 4.10 Komposisi produk dan keuntungan distributor pada ritase ke-b
64 124 Gambar 4.11 Komposisi produk dan keuntungan distributor pada ritase ke-c Penggabungan dari gambar 4.9, 4.10, dan 4.11 ditunjukkan pada Tabel 4.22 di bawah ini, yaitu tabel jumlah komposisi produk yang dikirim setiap harinya dari pabrik PT. X ke distributor PT. A. Tabel 4.22 Jumlah Komposisi Produk Dari model pengiriman produk pada tabel di atas, maka dapat diuraikan sebagai berikut :
65 Komposisi pengiriman produk Komposisi pengiriman produk dari pabrik ke distributor setiap harinya dimuat dalam tiga ritase yaitu rit a, rit b, dan rit c, menggunakan truk fuso dengan komposisi sebagai berikut : Rit a : Produk PAP 240ml = 477 karton Produk PAB 330ml =289 karton Produk PAB 600 ml = 405 karton. Rit b Rit c : Produk PAB 600 ml = 952 karton : Produk PAB 600 ml = 193 karton Produk PAB 1500 ml = 578 karton Tonase komposisi produk Tonase komposisi produk pada setiap rit-nya (rit, a, rit b, atau rit c) adalah sesuai dengan kapasitas muat (tonase) truk yang digunakan (fuso) yaitu sebesar kg, seperti yang dijelaskan berikut ini : Rit a : PAP 240 ml = 477 karton x 11,6 kg = 5.553,2 kg PAB 330 ml = 289 karton x 8,7 kg PAB 600 ml = 405 karton x 14,7 kg Total = 2.514,3 kg = 5.953,5 kg = ,0 kg Rit b PAB 600 ml = 952 karton x 14,7 kg = ,4 kg
66 126 Rit c PAB 600 ml = 193 karton x 14,7 kg = 2.837,1 kg PAB 1500 ml = 578 karton x 18,4 kg Total = ,2 kg = ,3 kg Jumlah total komposisi produk Jumlah total komposisi produk yang dikirim setiap harinya dari pabrik ke distributor pada ketiga rit tersebut yaitu rit a, rit b, dan rit c adalah sesuai dengan jumlah forecast permintaan harian pada distributor, seperti pada penjelasaan di bawah ini. Produk PAP 240 ml : Rit a = 477 karton Forecast harian bulan Nov-2014 = 477 karton Produk PAB 330 ml : 289 karton Forecast harian bulan Nov-2014 = 289 karton Produk PAB 600 ml : Rit a = 405 karton Rit b = 952 karton Rit c = 193 karton, total = karton Forecast harian bulan Nov-2014 = karton Produk PAB 150 ml : Rit c = 578 karton Forecast harian bulan Nov-2014 = 578 karton
67 Keuntungan distributor Keuntungan yang didapatkan distributor dari komposisi pengiriman produk setiap harinya adalah sebagai berikut : Rit a : PAP 240 ml = 477 karton x Rp. 789 = Rp PAB 330 ml = 289 karton x Rp. 942 = Rp PAB 600 ml = 405 karton x Rp. 601 = Rp Sub Total = Rp Rit b PAB 600 ml = 952 karton x Rp. 601 = Rp Rit c PAB 600 ml = 193 karton x Rp. 601 = Rp PAB 1500 ml = 578 karton x Rp. 377 = Rp Sub Total = Rp Grand Total = Rp Model pengiriman Dengan jumlah komposisi produk yang dikirim setiap harinya seperti yang ditunjukkan pada Tabel 4.22 di atas, maka tabel di bawah ini adalah menunjukkan komposisi produk dan model pengiriman-nya.
68 Tabel 4.23 Komposisi Produk dan Model Pengiriman Produk 128
69 129
70 Perbandingankeuntungan Perbandingan keuntungan pada distributor antara kondisi ideal, kondisi kedepan (setelah menerapkan hasil penelitian/kondisi LP), dan kondisi saat ini (current), ditunjukkan pada tabel di bawah ini. Tabel 4.24 Perbandingankeuntungan
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tujuan Penelitian Berdasarkan masalah-masalah yang telah dirumuskan, maka tujuan penelitian ini adalah untuk memaksimalkan keuntungan distributor produk AMDK di wilayah
Lebih terperinciPERENCANAAN PRODUKSI MINYAK TELON UKURAN 100 ML DENGAN METODE TIME SERIES DI PT. MERPATI MAHARDIKA
Teknologi ISSN 1858-4993 JURNAL ILMIAH DAN TEKNOLOGI PERENCANAAN PRODUKSI MINYAK TELON UKURAN 100 ML DENGAN METODE TIME SERIES DI PT. MERPATI MAHARDIKA Dosen Program Studi Teknik Industri Universitas Pamulang
Lebih terperinciBAB III PERAMALAN. Praktikum Sistem Produksi ATA 2014/2015
BAB III PERAMALAN 3.1 Landasan Teori Peramalan merupakan suatu bentuk usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa
Lebih terperinciBAB III PERAMALAN 3.1 Landasan Teori Peramalan
BAB III PERAMALAN 3.1 Landasan Teori Peramalan Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk
Lebih terperinciPERAMALAN (FORECASTING) #2
#4 - Peramalan (Forecasting) #2 1 PERAMALAN (FORECASTING) #2 EMA302 Manajemen Operasional Model Trend Linear Multiplicative 2 Kecenderungan (trend). Komponen musiman (seasonal): rasio untuk model trend.
Lebih terperinciKATA PENGANTAR. Malang, Mei Penyusun
KATA PENGANTAR Puji syukur penyusun panjatkan kepada Tuhan Yang Maha Esa karena atas karunia-nya penyusun dapat menyelesaikan laporan Kuliah Kerja Nyata - Praktik (KKN-P) ini dengan baik. Laporan KKN-P
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern
Lebih terperinciBAB III TINJAUAN PUSTAKA
BAB III TINJAUAN PUSTAKA 3.1 Teori Dunia industri biasanya tak lepas dari suatu peramalan, hal ini disebabkan bahwa peramalan dapat memprediksi kejadian di masa yang akan datang untuk mengambil keputusan
Lebih terperinciPembahasan Materi #7
1 EMA402 Manajemen Rantai Pasokan Pembahasan 2 Pengertian Moving Average Alasan Tujuan Jenis Validitas Taksonomi Metode Kualitatif Metode Kuantitatif Time Series Metode Peramalan Permintaan Weighted Woving
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Pertumbuhan Industri AMDK di Indonesia Dengan jumlah penduduknya yang cukup besar saat ini, maka Indonesia merupakan pasar yang potensial untuk industry
Lebih terperinciBAB 3 METODE PENELITIAN. Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari
BAB 3 METODE PENELITIAN 3.1 Desain Penelitan Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari PT. Honda Dunia Motorindo. Setelah itu dengan analisa tersebut, penulis berusaha
Lebih terperinciPROSIDING SEMINAR ILMIAH NASIONAL: MEMBANGUN PARADIGMA KEHIDUPAN MELALUI MULTIDISIPLIN ILMU
ANALISIS PERSEDIAAN BARANG DENGAN METODE TIME SERIES DAN SISTEM DISTRIBUTION REQUIREMENT PLANNING UNTUK MENGOPTIMALKAN PERMINTAAN BARANG DI PT. ASRI MANDIRI GEMILANG Sofian Bastuti, Teddy Universitas Pamulang
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
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
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciBAB III METODOLOGI. Jenis data Data Cara pengumpulan Sumber data 1. Jenis dan jumlah produk yang dihasilkan
BAB III METODOLOGI 3.1 Waktu dan Lokasi Penelitian Kegiatan penelitian ini dilaksanakan pada Bulan April 2011 sampai Mei 2011 di PT. Pindo Deli Pulp and Paper di bagian Paper machine 12. Lokasi Industri
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manajemen 2.1.1 Pengertian Manajemen Manajemen berasal dari bahasa kata to manage yang artinya mengatur atau mengelola. Pengaturan dilakukan melalui proses dan diatur berdasarkan
Lebih terperinciBAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI. Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi?
BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi? a. Ada ketidak-pastian aktivitas produksi di masa yag akan datang b. Kemampuan & sumber daya perusahaan
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33)
Lebih terperinciANALISIS PERAMALAN PENJUALAN KANTOR PERCETAKAN DAN PERDAGANGAN UMUM CV AGUNG BEKASI TIMUR
ANALISIS PERAMALAN PENJUALAN KANTOR PERCETAKAN DAN PERDAGANGAN UMUM CV AGUNG BEKASI TIMUR NAMA : GALANG INDRAS SUWANTO NPM : 12210908 JURUSAN : MANAJEMEN PEMBIMBING : SUPRIYO HARTADI, W. SE. MM LATAR BELAKANG
Lebih terperinciPerkapalan Negeri Surabaya, Surabaya Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri
Perbandingan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential Smoothing pada Peramalan Penjualan Klip (Studi Kasus PT. Indoprima Gemilang Engineering) Aditia Rizki Sudrajat 1, Renanda
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH. Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi semakin sulit untuk diperkirakan. Selama ini, manajer PT. Focus
Lebih terperinciPENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20
PENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20 Theresia Oshin Rosmaria Pasaribu 1 Rossi Septy Wahyuni 2 Jurusan Teknik Industri,
Lebih terperinciAplikasi Sistem Informasi Forecasting pada PD. Maha Jaya. Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya
Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya Rudy Adipranata 1, Tanti Octavia 2, Andi Irawan 1 Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya Pendahuluan Pentingnya
Lebih terperinciANALISIS PERAMALAN PENJUALAN DAN KAITANNYA DALAM PERAMALAN LABA PADA PD. RAMATEX. Nama : Desty Trisnayannis NPM :
ANALISIS PERAMALAN PENJUALAN DAN KAITANNYA DALAM PERAMALAN LABA PADA PD. RAMATEX Nama : Desty Trisnayannis NPM : 21210860 Latar Belakang Dalam dunia usaha, perusahaan harus memperkirakan hal-hal yang terjadi
Lebih terperinciPERAMALAN PENJUALAN TIKET PESAWAT PADA CV. VIDO JAYA TOUR DAN TRAVEL
PERAMALAN PENJUALAN TIKET PESAWAT PADA CV. VIDO JAYA TOUR DAN TRAVEL Nama : Awalludin Ma rifatullah Idhofi NPM : 11212269 Jurusan : Manajemen Pembimbing : Dr. Dra. Peni Sawitri, MM PENDAHULUAN Latar Belakang
Lebih terperinciBAB IV PENGUMPULAN DAN PENGOLAHAN DATA
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Data Perusahaan PT.YPP adalah salah satu perusahaan nasional yang bergerak di bidang obatobatan (Jamu). Terletak di jalan Pulo Buaran Raya Blok X no.6 Kawasan
Lebih terperinciBAB III METODE PENELITIAN. deskriptif adalah suatu kegiatan yang berkenaan dengan pernyataan terhadap
BAB III METODE PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan pada penelitian ini adalah metode deskriptif dan metode komparatif. Menurut Sugiono (2013:89) bahwa penelitian deskriptif
Lebih terperinciBAB 3 PENGOLAHAN DATA
BAB 3 PENGOLAHAN DATA 3.1 Pengertian Pengolahan Data Pengolahan data dapat diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah dimengerti dan menguraikan
Lebih terperinciMETODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN
METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat
Lebih terperinciBAB IV PENGUMPULAN DAN PENGOLAHAN DATA
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Pengumpulan Data Pengumpulan data yang dilakukan dengan cara pengamatan dari dokumen perusahaan. Data yang di perlukan meliputi data penjualan produk Jamur Shiitake,
Lebih terperinciPERAMALAN (FORECASTING)
#3 - Peramalan (Forecasting) #1 1 PERAMALAN (FORECASTING) EMA302 Manajemen Operasional Pengertian (1) 2 Oxford Dictionary, Forecast is a statement about what will happen in the future, based on information
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
Lebih terperinciBAB 4 PENGUMPULAN DAN ANALISA DATA
69 BAB 4 PENGUMPULAN DAN ANALISA DATA 4.1 Pengumpulan Data 4.1.1 Data Penjualan Pipa PVC Pada bab ini ditampilkan data-data penjualan pipa PVC yang diambil pada saat pengamatan dilakukan. Data yang ditampilkan
Lebih terperinciPENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG
PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG Siti Rohana Nasution 1, Temotius Agung Lukito 2 1,2) Jurusan Teknik Industri Fakultas Teknik Universitas Pancasila 1) nasutionana@yahoo.co.id,
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK PT X merupakan industri makanan di Depok yang memproduksi roti dengan 23 varian roti. Masalah yang dihadapi perusahaan saat ini adalah sering terjadinya over stock dan terkadang lost sales yang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 1.1 Tempat Penelitian Penelitian ini dilakukan di PT. Aetra Air Jakarta, Jl. Jend. Sudirman Ged. Sampoerna Strategic Square. 1.2 Obyek Penelitian Objek penelitian dilakukan
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit
BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga
Lebih terperinciBAB 3 PENGOLAHAN DATA
18 BAB 3 PENGOLAHAN DATA 3.1. Pengumpulan Data Data yang akan diolah dalam penelitian ini adalah data sekunder yang diperoleh dari Badan Pusat Statistik Provinsi Sumatera Utara di Jln. Asrama No. 179 Medan
Lebih terperinciNama : Rian Surya Aji NPM : Jurusan : Manajemen Pembimbing : Martani, SE, MM.,
ANALISIS PERAMALAN PENJUALAN TERHADAP PENJUALAN DEPOT AIR CV. RAYA AIR DENGAN MENGUNAKAN METODE MA (MOVING AVERAGE), WMA (WEIGHT MOVING AVERAGE), ES (EXPONENTIAL SMOOTHING), TREND LINEAR Nama : Rian Surya
Lebih terperinciSI403 Riset Operasi Suryo Widiantoro, MMSI, M.Com(IS)
SI403 Riset Operasi Suryo Widiantoro, MMSI, M.Com(IS) Mahasiswa mampu melakukan perencanaan untuk memastikan kelancaran operasi rantai pasok 1. Peramalan dalam organisasi 2. Pola permintaan 3. Metode peramalan
Lebih terperinciBAB IV ANALISA DAN PEMBAHASAN. 4.1 Indentifikasi Pola Permintaan Data Historis 2011 dan Perhitungan Model
BAB IV ANALISA DAN PEMBAHASAN 4.1 Indentifikasi Pola Permintaan Data Historis 2011 dan Perhitungan Model Peramalan Data yang diambil untuk penelitian adalah data permintaan produk MCSet AD1 12.5kV pada
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.. Plotting Data Bahan baku komponen yang dipakai untuk membuat panel listrik jumlahnya cukup banyak dan beragam untuk masing-masing panel listrik yang dibuat. Jadi, penggunaan
Lebih terperinciSistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing
Sistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing Teguh Andriyanto Sistem Informasi Universitas Nusantara PGRI Kediri Kediri, Indonesia E-mail: teguh@ unpkediri.ac.id Abstrak Emas
Lebih terperinciBAB IV PENGUMPULAN DAN PENGOLAHAN DATA
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Pengumpulan Data 4.1.1 Sejarah Perusahaan CV. Kurnia Teknik adalah sebuah CV spesialis moulding dan juga menerima jasa CNC, EDM, INJECT, dan DIGIT. CV. Kurnia
Lebih terperinciANALISIS PERAMALAN PENJUALAN PAKAIAN PADA TOKO KARTINI BUSANA. Nama : SUCI MUTIARA NPM : Kelas : 3 EA 14
ANALISIS PERAMALAN PENJUALAN PAKAIAN PADA TOKO KARTINI BUSANA Nama : SUCI MUTIARA NPM : 16210708 Kelas : 3 EA 14 LATAR BELAKANG Persaingan usaha dewasa ini menuntut pengusaha agar lebih peka terhadap keinginan
Lebih terperinciANALISIS PERAMALAN PENJUALAN JASA PADA BENGKEL SERVICE MOTOR
ANALISIS PERAMALAN PENJUALAN JASA PADA BENGKEL SERVICE MOTOR Nama : Ahmad Fuad Sobirin NPM : 10210380 Jurusan : Manajemen Pembimbing : Irfan Ardiansyah, SE., MM. Latar Belakang Banyaknya pengusaha bengkel
Lebih terperinci2.4 Pemilihan Metode Peramalan
2.4 Pemilihan Metode Peramalan Dalam memilih metode peramalan yang akan digunakan didasarkan pada uji verifikasi. Dimana uji verifikasi ini bertujuan untuk menghitung error dari metode yang akan kita gunakan.
Lebih terperinciMATERI 3 PER E AM A AL A AN
MATERI 3 PERAMALAN APAKAH PERAMALAN ITU? Peramalan (Forecasting) : Seni dan ilmu memprediksi peristiwa- peristiwa masa depan. Peramalan memerlukan pengambilan data historis dan memproyeksikannya ke masa
Lebih terperinciPERAMALAN PASOKAN BAHAN BAKU DAN PENJUALAN SIR 20 DI PT. PERKEBUNAN NUSANTARA VII UNIT PADANG PELAWI KEC. SUKARAJA KAB. SELUMA
PERAMALAN PASOKAN BAHAN BAKU DAN PENJUALAN SIR 20 DI PT. PERKEBUNAN NUSANTARA VII UNIT PADANG PELAWI KEC. SUKARAJA KAB. SELUMA The Forecasting of Raw Materials Supply and Sales in PT. Perkebunan Nusantara
Lebih terperinciBAB III LANGKAH PEMECAHAN MASALAH
BAB III LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Koperasi Niaga Abadi Ridhotullah (KNAR) adalah badan usaha yang bergerak dalam bidang distributor makanan dan minuman ringan (snack). Koperasi
Lebih terperinciUNIVERSITAS GUNADARMA FAKULTAS EKONOMI. Bekasi 2013
UNIVERSITAS GUNADARMA FAKULTAS EKONOMI Bekasi 2013 PERAMALAN PENJUALAN SEPEDA MOTOR VARIO PADA PT. TUNGGUL MITRA SEJATI BEKASI Disusun Oleh : Nama : Eddie Wibowo NPM : 10205387 Pembimbing : Lies Handrijaningsih
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Produksi Kedelai Dalam ketersediaan kedelai sangat diperlukan diberbagai penjuru masyarakat dimana produksi kedelai merupakan suatu hasil dari bercocok tanam dimana dilakukan dengan
Lebih terperinciBAB III METODE PENELITIAN. Indonesia yaitu PT. Indosat, Tbk yang beralamat di jalan Daan Mogot KM 11
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di salah satu perusahaan telekomunikasi di Indonesia yaitu PT. Indosat, Tbk yang beralamat
Lebih terperinciLAMPIRAN 1. Catylac New, Catylac Exterior Base, Catylac Exterior.
L1 LAMPIRAN 1 Spesifikasi produk : Catylac New, Catylac Exterior Base, Catylac Exterior. Cat Catylac adalah cat yang berfungsi sebagai pelapis serta pelindung dari hujan dan memberikan varian warna yang
Lebih terperinciBAB 2 LANDASAN TEORI. sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada
BAB 2 LANDASAN TEORI 2.1 Curah Hujan Hujan sangat diperlukan diberbagai penjuru masyarakat. Curah hujan tidak selalu sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada bulan-bulan
Lebih terperinciLAPORAN PRAKTIKUM MODUL I PERAMALAN
LAPORAN PRAKTIKUM MODUL I PERAMALAN Disusun oleh: Kelompok II 1. Ari Handayani (4409216094) 2. Caecilia Eka A.W.S. (4409216097) 3. Dwi Darmawan Saputra (4409216100) LABORATORIUM SISTEM PRODUKSI FAKULTAS
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN. dari UD. Wingko Babat Pak Moel sebagai berikut: a. Data permintaan wingko pada tahun 2016.
BAB IV ANALISIS DAN PEMBAHASAN 4.1 Pengumpulan dan Pengolahan Data Untuk menganalisi permasalahan pengoptimalan produksi, diperlukan data dari UD. Wingko Babat Pak Moel sebagai berikut: a. Data permintaan
Lebih terperinciANALISIS PERAMALAN PENJUALAN PRODUK KECAP PADA PERUSAHAAN KECAP MANALAGI DENPASAR BALI.
ANALISIS PERAMALAN PENJUALAN PRODUK KECAP PADA PERUSAHAAN KECAP MANALAGI DENPASAR BALI Ni Putu Lisna Padma Yanti 1, I.A Mahatma Tuningrat 2, A.A.P. Agung Suryawan Wiranatha 2 1 Mahasiswa Jurusan Teknologi
Lebih terperinciBAB 3 FORECASTING DAN PENGAMATAN TRAFIK DATA
BAB 3 FORECASTING DAN PENGAMATAN TRAFIK DATA Forecasting adalah suatu peramalan nilai sebuah atau sekumpulan variabel pada satu titik waktu di masa depan. Dalam melakukan perhitungan peramalan pertumbuhan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian terhadap populasi yang sangat besar, kita perlu melakukan suatu penarikan sampel. Hal ini dikarenakan tidak selamanya kita dapat
Lebih terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
Lebih terperinciPERAMALAN (FORECASTING) #2
PERAMALAN (FORECASTING) #2 Materi #4 EMA302 Manajemen Operasional Model Simple Linear Regression (1) 2 Model simple linear regression berusaha untuk menyesuaikan garis melalui berbagai data dari waktu
Lebih terperinciPENERAPAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENJUALAN TOPPING EXTRA CHEESE : DWI SEPTIANI NPM :
PENERAPAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENJUALAN TOPPING EXTRA CHEESE Nama : DWI SEPTIANI NPM : 12210211 Kelas : 3EA13 Fakultas : Ekonomi Jenjang/Jurusan : S1/Manajemen
Lebih terperinciPERAMALAN PENJUALAN PADA USAHA DEPOT AIR MINUM ISI ULANG AQUA JOSS
PERAMALAN PENJUALAN PADA USAHA DEPOT AIR MINUM ISI ULANG AQUA JOSS Nama : Annis Nur Hayati R. NPM : 10210904 Jurusan : Manajemen Pembimbing : Gatot Subiyakto, SH.,MM. Bab I. Pendahuluan Latar Belakang
Lebih terperinciLABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI MODUL VIII ( TIME SERIES FORECASTING
FAKULTAS TEKNOLOGI INDUSTRI PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL VIII TIME SERIES FORECASTING I. Pendahuluan A. LatarBelakang (Min. 1 halaman)
Lebih terperinciMETODE PENELITIAN. pelanggan rumah tangga, bisnis, sosial, dan industri pada tahun-tahun yang
III. METODE PENELITIAN 3.1 Pendahuluan Tugas akhir ini merupakan survei yang bertujuan untuk mengetahui pengaruh pendapatan konsumen dan jumlah penduduk terhadap kebutuhan/permintaan energi listrik di
Lebih terperinciPRESENTASI SIDANG PENULISAN ILMIAH
PRESENTASI SIDANG PENULISAN ILMIAH METODE PERAMALAN PENJUALAN TAHU PADA USAHA KECIL MENENGAH (UKM) MAKMUR JAYA NAMA : Tia Mutiara NPM : 16210881 JURUSAN : Ekonomi Manajemen PENDAHULUAN Peramalan digunakan
Lebih terperinciANALISIS PERAMALAN VOLUME PENJUALAN UD. AMER DENGAN METODE SMOOTHING NAMA : MUHAMMAD IQBAL NPM : KELAS : 3EA01 JURUSAN : MANAJEMEN
ANALISIS PERAMALAN VOLUME PENJUALAN UD. AMER DENGAN METODE SMOOTHING NAMA : MUHAMMAD IQBAL NPM : 11209226 KELAS : 3EA01 JURUSAN : MANAJEMEN LATAR BELAKANG MASALAH Perkembangan usaha dalam bidang sandang
Lebih terperinciBAB V ANALISA HASIL. Pada bab sebelumnya telah dilakukan pengolahan data-data yang
BAB V ANALISA HASIL Pada bab sebelumnya telah dilakukan pengolahan data-data yang dikumpulkan untuk pembuatan perencanaan kebutuhan material (MRP). Kemudian dalam bab ini berisikan analisa berdasarkan
Lebih terperinciSEMINAR NASIONAL MESIN DAN INDUSTRI (SNMI6) 2010
PENENTUAN JUMLAH TENAGA KERJA DAN ONGKOS PRODUKSI MINIMUM PADA PERUSAHAAN ABC Ahmad Staf Pengajar Program Studi Teknik Industri Universitas Tarumanagara, Jakarta e-mail: ahmad_industri@tarumanagara.ac.id
Lebih terperinciSALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN
BAB IV SALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN A. Identifikasi Peramalan Penjualan oleh UD. Jaya Abadi Dari hasil wawancara yang menyebutkan bahwa setiap pengambilan keputusan untuk estimasi penjualan
Lebih terperinciPERAMALAN PERSEDIAAN BARANG MENGGUNAKAN METODE WEIGHTED MOVING AVERAGE DAN METODE DOUBLE EXPONENTIAL SMOOTHING
Jurnal PILAR Nusa Mandiri Vol. 13, No. 2, September 2017 217 PERAMALAN PERSEDIAAN BARANG MENGGUNAKAN METODE WEIGHTED MOVING AVERAGE DAN METODE DOUBLE EXPONENTIAL SMOOTHING Ratih Yulia Hayuningtyas Teknik
Lebih terperinciBAB 3 METODE PEMECAHAN MASALAH
BAB 3 METODE PEMECAHAN MASALAH 3.1 Kerangka Pikir Pemecahan Masalah Adapun kerangka pemikiran pemecahan masalah dalam bentuk diagram, adalah sebagai berikut: Gambar 3.1 Flow Diagram Kerangka Pikir Pemecahan
Lebih terperinciANALISIS PERAMALAN PENJUALAN SPARE PART BUSSING GARDAN MOBIL TRUK PADA CV. HARAPAN KELUARGA MAKMUR. : Dwi Handoko Npm :
ANALISIS PERAMALAN PENJUALAN SPARE PART BUSSING GARDAN MOBIL TRUK PADA CV. HARAPAN KELUARGA MAKMUR Nama : Dwi Handoko Npm : 12211238 Pembimbing : Handayani, SE.,MM PENDAHULUAN Latar Belakang : Berkembangnya
Lebih terperinciUNIVERSITAS WINAYA MUKTI TEKNIK PROYEKSI BISNIS DODI TISNA AMIJAYA SE.,MM METODA METODA -- METODA PERAMALAN METODA PERAMALAN
UNIVERSITAS WINAYA MUKTI TEKNIK PROYEKSI BISNIS DODI TISNA AMIJAYA SE.,MM METODA - METODA PERAMALAN PADA DASARNYA METODA PERAMALAN DAPAT DIKELOMPOKKAN KE DALAM 3 KELOMPOK YAITU : 1. METODA KUALITATIF YANG
Lebih terperinciEMA302 Manajemen Operasional
1 PERAMALAN (FORECASTING) EMA302 Manajemen Operasional Pengertian (1) 2 Oxford Dictionary, Forecast is a statement about what will happen in the future, based on information that is available now. (Peramalan
Lebih terperinciHasil Peramalan dengan Menggunakan Software Minitab
71 Lampiran 1. Hasil Peramalan dengan Menggunakan Software Minitab Moving Average Data C1 Length 12 NMissing 0 Moving Average Length 4 Accuracy Measures MAPE 25 MAD 54372 MSD 4819232571 Time C1 MA Predict
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Profil Perusahaan 4.1.1 Profil PT. Sinar Perdana Ultra PT. Sinar Perdana Ultra (SPU) yang berdiri pada tahun 1990 pada mulanya adalah Home Industry dan mulai menjadi Perseroan
Lebih terperinciANALISIS PENGELOLAAN DAN PENGENDALIAN PERSEDIAAN BBM PADA SPBU PT. MANASRI USMAN *)
ANALISIS PENGELOLAAN DAN PENGENDALIAN PERSEDIAAN BBM PADA SPBU PT. MANASRI USMAN *) Jonathan Binus University, Jakarta, DKI Jakarta, Indonesia ABSTRAK Tujuan dari penelitian ini adalah untuk mengetahui
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
19 3.1 Diagram Alir Penelitian BAB 3 METODOLOGI PENELITIAN MULAI Pengajuan Surat Survei PT. Bangkit Sukses Mandiri (BSM) Diterima? Tidak Ya Observasi Perusahaan Wawancara dengan Direktur PT. BSM Pengamatan
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1 Peramalan Dalam melakukan analisa ekonomi atau analisa kegiatan perusahaan, haruslah diperkirakan apa yang akan terjadi dalam bidang ekonomi atau dunia usaha pada masa yang
Lebih terperinciAnalisis Peramalan Permintaan Kemasan Karton Box Gelombang Pada PT. Multibox Indah
Analisis Peramalan Permintaan Kemasan Karton Box Gelombang Pada PT. Multibox Indah Jaka Satya Bhakti 14213595 Dosen Pembimbing : Supriyo Hartadi. W., S.E., M.M. PENDAHULUAN Latar Belakang Dalam bauran
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH Flow diagram untuk pemecahan masalah yang terdapat pada PT. Pulogadung Pawitra Laksana (PT. PPL) dapat dilihat dalam diagram 3.1 di bawah ini. Mulai Identifikasi Masalah
Lebih terperinciBAB V HASIL DAN PEMBAHASAN 5.1 OBSERVASI LAPANG
BAB V HASIL DAN PEMBAHASAN 5.1 OBSERVASI LAPANG Perum Perhutani Unit III Jawa Barat dan Banten merupakan salah satu perusahaan yang memproduksi air minum dalam kemasan. Perusahaan memproduksi berbagai
Lebih terperinciPERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA
PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA Weny Indah Kusumawati Program Studi Sistem Komputer, Institut Bisnis dan Informatika Stikom Surabaya email: weny@stikom.edu Abstrak
Lebih terperinciANALISIS PERAMALAN PENJUALAN SERAGAM PADA KONVEKSI JEDRICO
ANALISIS PERAMALAN PENJUALAN SERAGAM PADA KONVEKSI JEDRICO NAMA : OLIVIA RONITASARI NPM : 15211464 JURUSAN : MANAJEMEN PEMBIMBING : Dr. LIES HANDRIJANINGSIH LATAR BELAKANG Salah satu usaha yang cukup berkembang
Lebih terperinciSISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING
SISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING Afni Sahara (0911011) Mahasiswa Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN. Berikut ini adalah data permintaan produk CJM tipe PU STD periode Januari 2015 sampai Desember 2015.
BAB I PENDAHULUAN 1.1 Latar Belakang Kebutuhan ekonomi nasional saat ini semakin terus meningkat, hal ini ditandai dengan upaya dari berbagai perusahaan yang terus mengembangkan inovasi, dan kreativitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perusahaan Sumber Tirta merupakan perusahaan distributor yang bergerak dalam penjualan air minum kemasan merk aqua. Barang yang dijual pada distributor ini
Lebih terperinciBAB III METODE PENELITIAN. untuk memahami, memecahkan dan mengantisipasi masalah. adalah penelitian secara deskriptif dan komparatif.
BAB III METODE PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif dan komparatif. Melalui penelitian, manusia dapat menggunakan hasilnya, secara
Lebih terperinciPERENCANAAN KEBUTUHAN BAHAN BAKU KEMASAN MINUMAN RINGAN UNTUK MEMINIMUMKAN BIAYA PERSEDIAAN. Mila Faila Sufa 1*, Rizky Novitasari 2
PERENCANAAN KEBUTUHAN BAHAN BAKU KEMASAN MINUMAN RINGAN UNTUK MEMINIMUMKAN BIAYA PERSEDIAAN Mila Faila Sufa 1*, Rizky Novitasari 2 1,2 Jurusan Teknik Industri, Fakultas Teknik, Universitas Muhammadiyah
Lebih terperinciKata Kunci : Peramalan (Forecasting), Perencanaan Persediaan Metode P dan Q. Sistemik Nomor. 4 Volume. 2, Desember
USULAN PERENCANAAN PERSEDIAAN BAHAN BAKU TINTA JENIS BW NEWS PERFECTOR BLACK-G YANG OPTIMAL UNTUK MEMINIMUMKAN BIAYA PERSEDIAAN DENGAN MENGGUNAKAN METODE INVENTORI PROBABILISTIK STUDI KASUS DI PT REMAJA
Lebih terperinciOPTIMASI PERENCANAAN PENGENDALIAN BAHAN BAKU CAPROLACTAM
OPTIMASI PERENCANAAN PENGENDALIAN BAHAN BAKU CAPROLACTAM PABRIK NYLON PT. ITS Dyah Lintang Trenggonowati 1), Wisnu Broto Darmawan 2) 1),2 ) Teknik Industri, Fakultas Teknik, Universitas Sultan Ageng Tirtayasa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan
Lebih terperinciANALISIS PERAMALAN PENDAPATAN JASA WARUNG INTERNET KALFIN.NET NAMA : IMAN ARIF HIDAYAT NPM :
ANALISIS PERAMALAN PENDAPATAN JASA WARUNG INTERNET KALFIN.NET NAMA : IMAN ARIF HIDAYAT NPM : 12209674 Latar Belakang Usaha dibidang warnet sangatlah menjanjikan, karena seiring perkembangan zaman daya
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA 1.1 Landasan Teori 1.1.1 Prediksi Prediksi adalah sama dengan ramalan atau perkiraan. Menurut kamus besar bahasa indonesia, prediksi adalah hasil dari kegiatan memprediksi atau
Lebih terperinciBAB 3 ANALISA DATA. produksi kelapa sawit dari tahun 2007 sampai dengan tahun Tabel 3.1 Data Produksi Kelapa Sawit di
BAB 3 ANALISA DATA 3.1 Pengumpulan Data Data yang digunakan untuk penganalisaan tugas akhir ini adalah data jumlah hasil produksi kelapa sawit dari tahun 2007 sampai dengan tahun 2014 Tabel 3.1 Data Produksi
Lebih terperinciMatakuliah : Ekonomi Produksi Peternakan Tahun : Oleh. Suhardi, S.Pt.,MP
Matakuliah : Ekonomi Produksi Peternakan Tahun : 2014 Oleh. Suhardi, S.Pt.,MP 1 Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Menunjukkan jenis Peramalan Menggunakan Metode Peramalan Kuantitatif
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 205, Halaman 957-966 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PREDIKSI NILAI KURS DOLLAR AMERIKA MENGGUNAKAN EXPONENTIAL SMOOTHING
Lebih terperinciEnter the Problem (Masukkan Permasalahan)
FORECASTING PENGANTAR SISTEM PENDUKUNG KEPUTUSAN FORECASTING Program ini mempraktekkan time series forecasting dan linear regresi. Metode time series meliputi simple average, moving average, dengan atau
Lebih terperinci