BAB IV PENGUMPULAN DAN PENGOLAHAN DATA. pengumpulandan pengolahannya. Seperti yang telah diuraikan dalam Bab III

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