BAB III LANGKAH PEMECAHAN MASALAH

Transkripsi

1 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 Niaga Abadi Ridhotullah mendistribusikan produk-produknya ke para anggota maupun non anggota koperasi. Koperasi Niaga Abadi Ridhotullah memiliki 901 item produk yang dijual. Dari 901 item produk tersebut, terdapat sebuah produk yang paling diminati, yaitu ABC Susu yang merupakan produk minuman. Oleh karena itu, penulis hanya akan menggunakan produk tersebut untuk analisis perhitungan. Seiring dengan semakin pesatnya pertumbuhan industri pangan sehingga permintaan terhadap makanan dan minuman ringan (snack) mengalami peningkatan pula dan semakin sulit untuk diestimasi. Sebenarnya perusahaan sudah memiliki sistem pengontrolan persediaan, namun selama ini perusahaan belum dapat meramalkan berapa jumlah permintaan terhadap produk-produknya sehingga sewaktu-waktu dapat mengalami kehabisan stok ketika barang tersebut hendak dipesan oleh konsumen. Kehabisan stok yang tidak dapat diprediksi dapat menyebabkan perusahaan mengalami kerugian karena tidak dapat memenuhi kebutuhan konsumen. Pada akhirnya konsumenlah yang akan dibuat kecewa karena tidak bisa mendapatkan produk yang diinginkan. Dengan begitu konsumen akan berhenti membeli produk perusahaan dan justru pindah ke tempat pesaing. Untuk dapat mengatasi hal tersebut maka Koperasi Niaga Abadi Ridhotullah harus bisa meramalkan jumlah permintaan produk sehingga dapat mengantisipasi kekurangan stok dan memiliki stok barang yang cukup. Oleh karena itu, diperlukan 35

2 36 Pengelolaan Pengendalian Persediaan di Koperasi Niaga Abadi Ridhotullah dengan menggunakan metode Forecasting dan Inventory Kriteria Optimasi Forecasting Pada metode forecasting, kriteria optimasi adalah berdasarkan pada nilai MAD dan MSE yang dihasilkan dari metode yang digunakan Kriteria Optimasi Inventory Pada model inventory, kriteria optimasi adalah berdasarkan dari metode yang menghasilkan biaya total (total cost). Dalam penelitian dilakukan analisis persediaan dengan 2 metode, yaitu metode EOQ dan Min-Max. 3.2 Pengembangan Alternatif Solusi Alternatif solusi yang diusulkan pada Koperasi Niaga Abadi Ridhotullah adalah dengan menggunakan dua metode kuantitatif bisnis, yaitu metode forecasting dan inventory. Metode forecasting digunakan untuk meramalkan permintaan yang akan datang dari konsumen dilihat dari data penjualan masa lalu sehingga perusahaan dapat mengetahui permintaan pada bulan berikutnya. Kemudian dilanjutkan dengan metode selanjutnya, yaitu metodeinventory. Dengan menggunakan metode ini, perusahaan dapat mengetahui jumlah pemesanan persediaan yang ekonomis, titik pemesanan kembali yang harus dilakukan, stok/persediaan pengaman, frekuensi pemesanan per periode dan biaya minimal yang harus dikeluarkan oleh perusahaan untuk pemesanan. Kedua metode tersebut, baik forecasting maupun inventory akan dianalisis menggunakan program Quantitative Method for Windows 2 (QM 2) serta menggunakan perhitungan manual.

3 Model Forecasting Terdapat 5 (lima) metode yang digunakan dalama analisis forecasting, diantaranya: 1. Rata-rata Bergerak (Moving Average) Peramalan rata-rata bergerak menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan. Secara matematis, rata-rata bergerak sederhana (merupakan prediksi permintaan periode mendatang) dinyatakan sebagai berikut: n = jumlah periode dalam rata-rata bergerak. 2. Rata-rata Bergerak Tertimbang (Weighted Moving Average) Saat terdapat tren atau pola yang terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Praktik ini membuat teknik peramalan lebih tanggap terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat. Rata-rata bergerak dengan pembobotan atau rata-rata bergerak tertimbang dapat digambarkan secara matematis sebagai berikut: 3. Penghalusan Eksponensial (Exponential Smoothing) Penghalusan eksponensial merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih tetapi masih mudah digunakan. Metode ini

4 38 menggunakan pencatatan data masa lalu yang sangat sedikit. Rumus penghalusan eksponensial dasar dapat ditunjukkan sebagai berikut: Peramalan baru = peramalan periode lalu + α (permintaan sebenarnya periode terakhir peramalan periode terakhir). Dimana α adalah sebuah bobot atau konstanta penghalusan yang dipilih oleh peramal yang mempunyai nilai antara 0 dan 1. Persamaan diatas dapat pula ditulis dengan: F t = F t-1 + α (A t-1 F t-1 ) F t = peramalan baru F t-1 = peramalan sebelumnya α = konstanta penghalusan (pembobotan) (0 α 1) A t-1 = permintaan aktual periode lalu 4. Penghalusan Eksponensial dengan Tren (Exponential Smoothing with Trend) Penghalusan eksponensial yang sederhana gagal memberikan respons terhadap tren yang terjadi. Inilah alasan penghalusan eksponensial harus diubah saat ada tren. Untuk memperbaiki peramalan, maka digunakan model penghalusan eksponensial yang lebih rumit dan dapat menyesuaikan diri pada tren yang ada. Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-rata dan β untuk tren. Kemudian, dihitung rata-rata dan tren untuk setiap periode. F t = α (A t-1 ) + (1 α)(f t-1 + T t-1 ) T t = β (F t F t-1 ) + (1 β) T t-1 F t = peramalan dengan eksponensial yang dihaluskan dari data berseri pada

5 39 periode t T t = tren dengan eksponensial yang dihaluskan pada periode t A t = permintaan aktual pada periode t α = konstanta penghalusan untuk rata-rata (0 α 1) β = konstanta penghalusan untuk tren (0 β 1) 5. Regresi Linear (Linear Regression) Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya korelasi antarvariabel.persamaan garisnya dapat dinyatakan sebagai: ŷ = a + bx ŷ = nilai terhitung dari variabel yang akan diprediksi (variabel terikat) a = perpotongan sumbu Y b = koefisien regresi/slop Y = nilai variabel terikat yang diketahui X = nilai variabel bebas yang diketahui b = kemiringan garis regresi (tingkat perubahan pada y untuk perubahan yang terjadi di x) n = jumlah data atau pengamatan

6 Model Inventory Terdapat 2 (dua) metode yang digunakan dalama analisis inventory, diantaranya: 1. Model Economic Order Quantity (EOQ) Model kuantitas pesanan ekonomis (Economic Order Quantity EOQ) ini adalah salah satu teknik pengendalian persediaan yang paling tua dan paling dikenal secara luas. EOQ = Q * = I = ½ Q* SS = Z ROP = (d x L) + SS Q * = jumlah optimum unit per pesanan (EOQ) D = permintaan per periode S = biaya pemesanan untuk setiap pesanan H = biaya penyimpanan per unit per tahun I = rata-rata tingkat persediaan (average inventory) N = jumlah pemesanan yang diperkirakan selama setahun SS = safety stock Z = standar normal (diperoleh dari tabel distribusi normal. Misalnya, Z = 95%, ini berarti tingkat pelayanan sebesar 95% dari permintaan atau penjagaan terhadap kemungkinan terjadinya stock out hanya 5%) = standar deviasi

7 41 L = lead time ROP = reorder point d = permintaan per hari = 2. Minimum-Maximum Concept Cara kerja sistem ini yaitu apabila persediaan telah melewati batas minimum dan mendekati batas safety stock maka reorder harus dilakukan. Jadi batas minimum (minimum stock) merupakan batas tingkat reorder. Batas maksimum (maximum stock) adalah batas kesediaan perusahaan untuk menginvestasikan uangnya dalam bentuk persediaan bahan baku. Jadi dalam hal ini yang terpenting adalah batas minimum dan maksimum untuk dapat menentukan order quantity. Safety stock : SS = Minimum stock = (DL) + SS Maximum stock = 2(DL) + SS Q* = Max stock Min stock N= I = SS + (½ Q*) TOR = SS = safety stock D = permintaan per periode Co = biaya pemesanan untuk setiap pesanan Cc = biaya penyimpanan per unit per tahun Q = jumlah unit per pesanan

8 42 I = rata-rata tingkat persediaan (average inventory) Q* = order quantity TOR = turn over ratio 3.3 Pengembangan Model Optimasi Model Optimasi Forecasting Model optimasi yang digunakan pada metode forecasting adalah MAD dan MSE. 1. Deviasi Mutlak Rerata (Mean Absolute Deviation = MAD) MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah periode data (n). 2. Kesalahan Kuadrat Rerata (Mean Square Error = MSE) MSE merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rata-rata selisih kuardrat antara nilai yang diramalkan dan yang diamati Model Optimasi Inventory Model optimasi yang digunakan pada metode inventory adalah biaya total (total coet). Rumus yang digunakan untuk menghitung biaya total, yaitu: 1. Economic Order Quantity (EOQ)

9 43 TC(Q*) = total cost atau total biaya Total unit cost = harga per unit x permintaan D = permintaan per periode S = biaya pemesanan untuk setiap pesanan H = biaya penyimpanan per unit Q = jumlah unit per pesanan 2. Minimum-Maximum Concept TC(Min-Max) = TC(Min-Max) = total cost D = permintaan per periode Q* = order(min-max) Co = biaya pemesanan untuk setiap pesanan Cc = biaya penyimpanan per unit 3.4 Pemilihan Alternatif Solusi Alternatif solusi untuk metode forecasting dipilih berdasarkan metode yang memiliki nilai MAD dan MSE terkecil. Alternatif solusi untuk model inventory dipilih berdasarkan metode yang memiliki hasil biaya total terendah.

10 Rancangan Implikasi Solusi Terpilih Dalam penelitian ini penulis menggunakan beberapa metode perhitungan baik untuk mendapatkan hasil peramalan permintaan yang akan datang maupun untuk mendapatkan hasil efisiensi biaya total dari persediaan barang. Dari metode peramalan yang digunakan dapat diketahui nilai MAD dan MSE yang terkecil, lalu metode yang memiliki MAD dan MSE terkecil itulah yang akan digunakan untuk pengelolaan dan pengendalian kebutuhan persediaan dimasa mendatang berdasarkan analisis peramalan dengan menggunakan tools Quantitative Method for Windows 2 (QM 2). Implikasi dari hasil penelitian tersebut adalah untuk mengetahui peramalan permintaan produk, dapat mengetahui kapan harus melakukan pemesanan ulang agar tidak kehabisan stok sehingga biaya yang dikeluarkan perusahaan dapat seminimal mungkin dan permintaan konsumen dapat terpenuhi.