BAB II TINJAUAN LITERATUR. Pengendalian persediaan dapat dilakukan dalam berbagai cara, antara lain dengan

dokumen-dokumen yang mirip
FORECASTING (Peramalan)

kesimpulan yang didapat.

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN. Disini penerapan kriteria optimasi yang digunakan untuk menganalisis

Bab III Metoda Taguchi

PETA KONSEP RETURN dan RISIKO PORTOFOLIO

LAPORAN RESMI MODUL VII TIME SERIES FORECASTING

BAB 2 LANDASAN TEORI. mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang

IV. METODE PENELITIAN

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA

Prosiding Manajemen ISSN:

MATERI 13 ANALISIS TEKNIKAL ANALISIS TEKNIKAL

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.

BAB 2 LANDASAN TEORI

MODUL 3 PERAMALAN. Halaman 3

ANALISIS RUNTUT WAKTU DAN PERAMALAN (Time Series and Forecasting) Analisis Tren

BAB 2 LANDASAN TEORI

Pendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X

MATERI 10 ANALISIS EKONOMI

PERAMALAN KURSIDRTERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENTIAL SMOOTHING.

BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON

Kata Kunci : Forecasting, Program Perhitungan, Simple Moving Averages, Weighted Moving Averages, Mean Absolute Deviation, Mean Square Error

BAB II TINJAUAN TEORITIS

MANAJEMEN RISIKO INVESTASI

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan

Pengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP

BAB 2 LANDASAN TEORI

APLIKASI PERHITUNGAN METODE PERAMALAN PRODUKSI PADA CV. X

i adalah indeks penjumlahan, 1 adalah batas bawah, dan n adalah batas atas.

BAB 1 PENDAHULUAN. Bagi Negara yang mempunyai wilayah terdiri dari pulau-pulau yang dikelilingi lautan,

PERAMALAN PERENCANAAN PRODUKSI SEMEN DENGAN METODE EXPONENTIAL SMOOTHING PADA PT. SEMEN INDONESIA

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

Model Trend untuk Peramalan Jumlah Penduduk Studi kasus pada Pertumbuhan Penduduk Kabupaten Gowa

BAB 3 METODE PENELITIAN

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

TINJAUAN PUSTAKA Pengertian

PENENTUAN JUMLAH PERENCANAAN PERMINTAAN PELUMAS UNTUK MEMINIMASI TINGKAT KESALAHAN PERAMALAN BERDASARKAN PERAMALAN PERMINTAAN PELUMAS PADA PT.

BAB 2 TINJAUAN TEORI

REGRESI DAN KORELASI SEDERHANA

REGRESI DAN KORELASI

6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI

ANALISIS PERAMALAN PENJUALAN USAHA ARDYLA BAKERY DI MUARA BULIAN Muryati 1

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

IV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang

BAB 6: ESTIMASI PARAMETER (2)

PERANCANGAN APLIKASI PREDIKSI JUMLAH SISWA BARU PADA YAYASAN CERDAS MURNI MENGGUNAKAN EXPONENTIAL SMOOTHING

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET

BAB 2 LANDASAN TEORI

PEMILIHAN TEKNIK PERAMALAN DAN PENENTUAN KESALAHAN PERAMALAN

BAB II TINJAUAN PUSTAKA

BAB V ANALISA PEMECAHAN MASALAH

BAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd

IV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota

BAB 3 DATA DAN METODOLOGI PENELITIAN

BAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:

IV METODE PENELITIAN

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai

Range atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu

Peramalan Jumlah Stok Alat Tulis Kantor Di UD ACHMAD JAYA Menggunakan Metode Double Exponential Smoothing

III. METODE PENELITIAN. kelas VIII semester ganjil SMP Sejahtera I Bandar Lampung tahun pelajaran 2010/2011

BAB II LANDASAN TEORI. kesalahan ramalan (forecast error) yang berbeda pula. Salah satu seni dalam

PENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI

Inflasi dan Indeks Harga I

Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.

III. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain

BAB II LANDASAN TEORI

Bab 2 Tinjauan Pustaka

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28

Distribusi Sampling (Distribusi Penarikan Sampel)

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

BAB III METODE PENELITIAN. objek penelitian yang penulis lakukan adalah Beban Operasional susu dan Profit

SEBARAN t dan SEBARAN F

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

PROSIDING ISBN:

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)

BAB III METODOLOGI PENELITIAN

IV. METODE PENELITIAN

BAB V METODOLOGI PENELITIAN

9 Departemen Statistika FMIPA IPB

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.

BAB III METODE PENELITIAN

ANALISIS TABEL INPUT OUTPUT PROVINSI KEPULAUAN RIAU TAHUN Erie Sadewo

UKURAN PEMUSATAN DATA

MATERI 12 ANALISIS PERUSAHAAN

= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik

BAB II TEORI MOTOR LANGKAH

Elemen Dasar Model Antrian. Aktor utama customer dan server. Elemen dasar : 1.distribusi kedatangan customer. 2.distribusi waktu pelayanan. 3.

BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)

Ukuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL

STATISTIKA NON PARAMETRIK

Metode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial

BAB III METODE PENELITIAN

Transkripsi:

BAB II TINJAUAN LITERATUR 2.1. Klasifikasi ABC Dalam Persediaa Pegedalia persediaa dapat dilakuka dalam berbagai cara, atara lai dega megguaka aalisis ilai persediaa. Dalam aalisis ii, persediaa dibedajka berdasarka ilai ivestasi yag terpakai dalam satu periode. Biasaya, persediaa dibedaka dalam tiga kelas, yaitu A, B, da C, sehigga aalisis ii dikeala sebagai klasifikasi ABC. Klasifikasi ABC diperkealka oleh HF Dickie pada tahu 1950-a. Klasifikasi ABC merupaka aplikasi persediaa yag megguaka prisip Pareto :the critical few ad the triuvial may.ideya utuk memfokuska pegedalia persediaa kepada item(jeis) persediaa yag berilai tiggi(critical) daripada yag lebih redah (trivial). Klasifikasi ABC membagi persediaa dalam tiga kelas berdasarka atas ilai persediaa. Dega megetahui kelas-kelas itu, dapat diketahui item persediaa tertetu yag harus medapat perhatia lebih itesif serius dibadigka item yag lai. Yag dimaksud dega iali dalam klasifikasi ABC buka harga persediaa peruit, melaika volume persediaa yag dibutuhka dalam sartu periode (biasaya satu tahu) dikalika dega harga per uit. Jadi, ilai ivestasi adalah jumlah ilai seluruh item pada satu periode, atau dikeal dega istilah volume tahua rupiah. Suatu item tertetu dikataka lebih petig dari item yag lai, karea item itu memiliki iali ivestasi yag lebih tiggi. Kosekuesiya, item itu medapat perhatia yag lebih besar dibadigkla item yag lai yag memiliki ilai ivestasi lebih redah. Kriteria masig-masig kelas dalam klasifikasi ABC, sebagai berikut :

Kelas A persediaa yag memeiliki ilai volume tahua rupiah yagv tiggi. Kelas ii mewakilisekitar 70% dari total ilai persediaa, meskipu jumlahya haya sedikit, bisa 20% dari seluruh item. Persediaa yag termasuk dalam kelas ii memerluka perhatia yag tiggi dalam pegadaaya karea berdampak biaya yag tiggi. Pemeriksaa dilakuka secara itesif. Kelas B persediaa dega ilai volume tahua rupiah yag m,eegah. Kelompok ii mewakili sekitar 20% dari ilai persediaa tahua, da sekitar 30% dari jumlah item. Disii diperluka tekik pegedalia yag moderat. Kelas C barag yag ilai volume tahua rupiahya redah,yag haya mewakili sekitar 10% dari total ilai persediaa, tetapi terdiri dari sekitar 50% dari jumlah item persediaa. Disii diperluka tekik pegedalia yag sederhaa, pemeriksaa haya dilakuka sekali-kali. Nilai persetase diatas tidak mutlak, amu tergatug dari kebijaka perusahaa. Demikia pula jumlah kelas, tidak terbatas pada tiga kelas, 2.2 Kosep Dasar Maajeme Permitaa Pada dasarya maajeme permitaa didefiisika sebagai suatu fugsi pegelolaa dari semua permitaa produk utuk mejami bahwa jadwal iduk produksi megetahui da meyadari semua permitaa produk itu.(vicet Gaspers). Aktivitas peramala merupaka suatu fugsi bisis yag berusaha memperkiraka pejuala da pegguaa produk sehigga produk-produk itu dapat dibuat dalam kuatitas yag tepat. Ada dua sumber utama yag berkaita dega iformasi permitaa produk yaitu : 1. Ramala terhadap produk idepede demad yag bersifat tidak pasti.

2. Pesaa-pesaa yag bersifat pasti. Hal yag sagat petig utuk diperhatika dalam maajeme permitaa adalah tidak boleh mecoba meramalka hasil-hasil yag dapat direcaaka atau dihitug.produk-produk yag tergolog kedalam depede demad tidak boleh diramalka, tetapi harus direcaaka atau dihitug, sedagka peramala haya boleh dilakuka paa produk-produk yag tergolog kedalam idepedet demad. 2.2.1. Peramala Peramala adalah sei da ilmu utuk memperkiraka kejadia yag aka datag. Peramalam merupaka salah satu masuka dalam kegiata perecaaa da pegedalia bisis, baik didalam maupu diluar fugsi operasi. Secara garis besar metode peramala dibagi dua yaitu: 2.2.1.1 Metode Peramala Kualitatif Metode ii megguaka keputusa maajerial, pegalama data yag releva da model matematis yag implisit. Karea model matematis tersebut implisit, dua orag yag berbeda yag keduaya megguaka metode kualitatif aka meghasilka peramala yag berbeda. Metode ii diguaka utuk peramala jagka meegah da pajag yag melibatka disai proses atau kapasitas suatu fasilitas. Ada empat metode kualitatif yag palig baik da palig serig diguaka, (Kusuma, 2002: hal: 22-35) yaitu: 1. Metode Delphi 2. Survei Pasar 3. Aalogi Daur Hidup 4. Da Keputusa yag diiformasika

2.2.1.2. Metode Peramala Kuatitatif Peramala kuatitatif megguaka berbagai model matematis atau statistik yag megguaka data historis da variabel-variabel kausal utuk meramalka permitaa. Asumsi dasar utuk semua metode peramala kuatitatif adalah data masa lampau da pola data yag dapat diperkiraka utuk memperkiraka masa yag aka datag. Data masa lampau kemudia diolah dega deret berkala atau model kausal utuk meghasilka suatu peramala. Pegguaa metode kuatitatif membutuhka: - Data kodisi masa lalu - Data tersebut merupaka data kuatitatif atau data yag dikuatifisir - Diasumsika pola data masa lalu aka berlajut pada masa yag aka datag Yag termasuk kedalam metode kuatitatif adalah (Kusuma, 2002; Hal: 22-35) a. Model time series atau deret waktu b. Model Kausal Metode ii palig baik diguaka utuk peramala jagka pedek, yag megguaka data masa lalu yag dicatat selam periode tertetu. Umumya berupa data miggua, bulaa, kuartala da tahua. Pola data dari seragkaia data dalam deret berkala dapat dikelompokka kedalam pola dasar sebagai berikut, yaitu: (Kusuma, 2002; hal:22-35) 1. Kosta, yaitu jika dataya berfluktuasi sekitar rata rata secara stabil 2. Lier (Tred), yaitu jika dataya dalam jagka pajag mempuyai kecederuga, baik yag arahya meigkat atau meuru dari waktu ke waktu.

3. Musima (Seasioal), yaitu jika polaya merupaka geraka yag berulag-ulag secara teratur dalam setiap periode teretu, misalya tahua, semestera, kuartala, bulaa da miggua. 4. Siklus (Cyclical) yaitu jika dataya dipegaruhi oleh fluktuasi ekoomi jagka pajag seperti daur hidup bisis 5. Residu (Acak), yaitu jika dataya tidak teratur sama sekali data ii tidak dapat digambarka. Metode smootig diguaka utuk meguragi keteratura musimam dari data yag lalu, dega membuat rata-rata tertimbag dari dari sedereta data masa lalu. Ketetapa peramala dega metode ii aka terdapat pada peramala jagka pedek, sedagka utuk jagka pajag kurag akurat. Metode smoothig terdiri dari metode rata-rata, movig average da akspoetial smoothig. Metode dekomposisi merupaka pedekata peramala yag tertua. Terdapat beberapa pedekata alteratif utuk medekomposisika suatu deret berkala yag semuaya bertujua memisahka setiap kompoe deret data seteliti mugki. Kosep dasar pemisaha bersifat empiris da tetap, yag mula-mula memisahka ussur musima, kemudia tred, da akhirya usur siklis. Prosedur peramala yag dilakuka pada metode Time Series adalah : (Kusuma, 2002 ; Hal:26) 1. Medefeisika Tujua Peramala Pada lagkah ii peramala meetapka apa yag aka mejadi tujua dilakukaya peramala. Tujua peramala diguaka utuk megetahui tigkat permitaa terhadap suatu produk dalam waktu tertetu, sehigga aka dicapai

efektivitas da efisiesi dari periode meajeme produksi da ivetori dalam idustri maufaktur. 2. Membuat Scatter Diagram Sebelum dilakukaya peramala, terlebih dahulu ditetuka pola histories dari data aktual permitaa. Dalam hal ii dapat digambarka dalam betuk grafik yag berupa diagram pecar. 3. Memilih Metode Peramala yag Palig Sesuai Berdasarka pola data histories yag sudah ada pada diagram pecar (scatter diagram), maka dapat ditetuka model peramala yag palig sesuai utuk diguaka. Sebagai perbadiga dapat diambil miimal 2 model peramala yag ada da palig sesuai dega sebara data pada scatter diagram. 4. Meghitug Parameter-parameter Fugsi Peramala Utuk meghitug parameter-parameter fugsi peramala, tergatug dari model yag dipilih, sesuai dega pola data pada scatter diagram. Masig-masig model aka memiliki parameter-parameter yag berbeda. Movig Rage Chart (MRC) utuk melakuka verifikasi peramala dapat dilihat pada Gambar 2.2. A B C 2/3 1/3-1/3-2/3 BKA CL BKB A B C Gambar 2.1 Movig Rage Chart

a. Metode Rata-Rata Bergerak ( Simple Movig Average) Ii adalah metode time series yag palig sederhaa. Pada metode ii diasumsika bahwa pola time series haya sediri dari kompoe average level da kompoe radom error. Model rata-rata bergerak megguaka sejumlah data aktual permitaa yag baru utuk membagkitka ilai ramala utuk permitaa dimasa yag aka datag.l Metode rata-rata bergerak aka efektif diterapka apabila kita dapat megasumsika bahwa permiata pasar tehadap produk aka tetap stabil sepajag waktu. Metode rata-rata bergerak -periode megguaka formula berikut : At = D1 + D 1 +... + Dt N ( N ) t 1 dimaa N adalah bayakya periode dalam rata-rata bergerak. Kalau diasumsika kompoe time series adalah average level maka peramala pada periode t+1 adalah sama dega rata-rata demad sebelumya. Disii maki lama atau maki bayak periode yag diguaka maka: 1. Peramala aka lebih stabil 2. Tetapi disisi lai taggapa terhadap perubaha demad lebih lambat b. Metode Pemulusa Ekspoesial Model peramala pemulusa ekspoesial bekerja hampir serupa dega alat thermostat, dimaa apabila galat ramala adalah positif, yag berarti ilai aktual permitaa lebih tiggi daripada ilai ramala, maka model pemulusa ekspoesial aka secara otomatis meigkatka ilai ramala. Sebalikya apabila galat ramala adalah egatif, yag berarti ilai aktual permitaa lebih redah daripada ilai ramala,

maka model pemulusa ekspoesial aka secara otomatis meuruka ilai ramala. Proses peyesuaia ii berlagsug terus meerus, kecuali galat ramala telah mecapai ol. Keyataa ii yag medorog peramal lebih suka megguaka model peramala pemulusa ekspoesial, apabila pola historis dari data aktual permitaa bergejolak atau tidak stabil dari waktu kewaktu. Peramala megguaka model pemulusa ekspoesial dilakuka berdasarka formula berikut : F t = F t-1 + α(a t-1 - F t-1 ) dimaa : F t = ilai ramala utuk periode waktu ke-t F t-1 = ilai ramala utuk satu periode waktu yag lalu, t-1 A t-1 = ilai aktual utuk satu periode waktu yag lalu, t-1 α = kostata pemulusa Permasalaha umum yag dihadapi apabila megguaka model pemulusa ekspoesial adalah memilih kotata pemulusa, α yag diperkiraka tepat. Nilai kostata pemulusa α dapat dipilih diatara ilai 0 da 1, karea berlaku : 0< α < 1. Bagaimaapu juga utuk meetapka ilai α yag diperkiraka tepat, kita dapat megguaka padua berikut : a. Apabila pola historis dari data aktual permitaa sagat bergejolak atau tidak stabil dari waktu kewaktu, kita memilih ilai α yag medekati satu. Biasaya dipilih ilai α = 0,9 amu kita dapat mecoba ilai-ilai α yag lai medekati satu.

b. Apabila pola historis dari data aktual permitaa tidak berfluktuasi atau relatif stabil dari waktu ke waktu, kita memilih ilai α yag medekati ol. Semaki stabil ilai α yag dipilih harus semaki kecil meuju ke ilai ol. Pegujia keadala dari model peramala berdasarka pemulusa ekspoesial harus megguaka peta kotrol trakig sigal da membadigka apakah ilai-ilai ramala itu telah meggambarka atau sesuai dega pola data historis dari data aktual permitaa. Selajutya besar da jeis error, dimaa idealya total jumlah error adalah o (ol) yag diperoleh dega perhituga: Error (e t ) = Dt-Ft 2.3. Error Peramala Jika megguaka metode peramala expoetial Smoothig maka perhituga utuk meetapka error harus dilakuka pada agka rata-rata yag telah diperhalus. Dimaa Dt adalah data pada periode waktu t da Ft ramala pada periode waktu t. 1. Cumulative Sum of Forecast Error e i t= 1 CFE = 2. Mea Square Error MSE = t=1 e 2 t 3. Mea Absolute Deviatio of Forecast Error MAD = t=1 e t

4. Mea Absolute Percetage Error MAPE = t= 1 et x100% Dt Akar dari MSE dikeal sebagai Stabdard Deviatio ( s = MSE ), MSE sama dega total rata-rata error pagkat dua dimaksudka agar egative error mejadi positive sehigga tidak aka meguragi jumlah error. Satu atau lebih dari ukura ukura diatas dapat diguaka utuk membadigka kierja dari model-model peramala. Apabila megguaka metode Expoetial Smoothig biasaya meghitug smoothig mea absolute deviatio, MAD t = α (Dt-Ft) + (1- α) MAD t-1 1. Perhituga ii dapat diguaka utuk megetahui adaya kelaia demad dega cara membadigka atara stadard deviatio dega MAD t. Jika Stadar deviasi (s) lebih besar dari 3,75 MAD t, maka hal ii berarti demad sebuah ilai yag sagat besar. Biasaya jika s = 1,25 MAD t adalah ormal distributio 2. Keguaa MAD t laiya adalah meetapka apakah peramala pada jalur yag sesugguhya. Utuk tujua ii perlu dihitug Trackig Sigal dega rumus: TS = CFE MAD t Jika perubaha demad diasumsika acak, maka cotrollimit adalah ± 6. Bila TS melebihi ± 6 maka peramala harus dihetika