BAB IV HASIL DAN PEMBAHASAN 4.1 Profil Perusahaan 4.1.1 Sejarah Singkat Perusahaan PT. Sebastian Citra Indonesia merupakan salah satu produsen frozen dough yang di supply ke outlet-outlet dengan brand Roti O. PT. Sebastian Citra Indonesia berlokasi di Jl. Semanan Raya No.27 RT.004/008, Kalideres, Jakarta Barat. Status badan hukum perusahaan berbentuk perseroan terbatas (PT) dan didirikan berdasarkan akta notaris dengan surat ijin dari Dinas Koperasi, Usaha Mikro, Kecil dan Menengah dan Perdagangan Pemerintah Provinsi DKI Jakarta, sebagai berikut : 1. SIUP No. : 07189-03/ PK / 1.824.271 2. TDP No. : 09.12.1.46.31378 PT. Sebastian Citra Indonesia baru memulai produksinya pada tanggal 16 April 2012. Adapun Roti O ini merupakan sejenis roti manis dengan isi butter yang diberi topping cream coffee. Saat ini hanya tersedia 1 jenis produk yaitu adonan beku dengan isi butter cream coffee untuk topping. Pelayanan dan kepuasan yang baik adalah komitmen perusahaan kepada pelanggan, salah satunya dengan penyediaan produk dengan kualitas dan hasil yang hygienis merupakan salah satu cara dari perusahaan untuk menunjukkan bahwa pelanggan merupakan asset terpenting baginya, untuk lebih menyakinkan pelanggan bahwa produk yang diproduksi adalah produk yang terbuat dari bahan-bahan terpilih dan 50
51 Halal. Saat ini Outlet Roti O dibuka di Stasiun Kota Jakarta, Stasiun Bandung, Bandara Husein Sastranegara Bandung. 4.1.2 Visi dan Misi Perusahaan Visi Perusahaan Menyebarluaskan Roti O ke seluruh Indonesia dan memberikan kepuasan kepada konsumen. Misi Perusahaan Menjaga dan mempertahankan kualitas produk dan memberikan pelayanan yang terbaik kepada pelanggan. 4.1.3 Analisis Struktur Organisasi dan Uraian Pekerjaan Struktur organisasi dari PT. Sebastian Citra Indonesia digambarkan pada gambar 4.1. General Manager Bagian Keuangan Bagian HRD Bagian Operasional Accounting dan keuangan Administrasi Pembelian Produksi Gudang dan Penerimaan Barang Marketing Gambar 4.1 Bagan Struktur Organisasi PT. Sebastian Citra Indonesia Sumber : Data PT. Sebastian Citra Indonesia (2012)
52 Tugas dan tanggung jawab dari struktur organisasi adalah sebagai berikut : 1. General Manager Merencanakan strategi yang digunakan dalam mewujudkan visi dan misi perusahaan. Mengatur, mengawasi, dan mengevaluasi seluruh aktivitas yang dilaksanakan oleh setiap divisi di dalam perusahaan. Menentukan solusi terhadap permasalahan yang dihadapi perusahaan. 2. Bagian Keuangan Melakukan perencanaan anggaran perusahaan dan menganalisa laporan keuangan. Mengevaluasi perhitungan kewajiban pajak sesuai dengan undangundang perpajakan. Mengatur kelancaran pembayaran tagihan dan menjamin ketersediaan kas demi kelancaran kegiatan operasional perusahaan. Bertanggungjawab atas keuangan perusahaan. 3. Bagian HRD Menangani absensi karyawan, perhitungan gaji dan tunjangan diperusahaan. Memberikan pelatihan kepada semua karyawan sesuai dengan bidangnya untuk meningkatkan keterampilan dan pengetahuan sesuai dengan standar perusahaan. Melakukan pengawasan terhadap prosedur pelaksanaan kerja.
53 4. Bagian Operasional Merencanakan dan mengevaluasi kegiatan operasional produksi secara menyeluruh di perusahaan. Melakukan pengendalian biaya operasional perusahaan agar tidak melewati batas anggaran yang ditetapkan perusahaan. Melakukan pemeriksaan terhadap laporan dari bagian produksi, pembelian, gudang dan penerimaan barang. 5. Marketing Bertanggungjawab terhadap pendapatan hasil penjualan perusahaan. Menentukan strategi pemasaran yang efektif dan efisien dengan memperhatikan sumberdaya perusahaan. Membuat perkiraan tentang permintaan pasar pada masa yang akan datang. Menjalin hubungan baik dengan pelanggan khususnya dalam hal penanganan komplain. 6. Gudang dan Penerimaan Barang Mancatat dan mengontrol jumlah barang yang masuk dan keluar di gudang. Menerima dan memeriksa barang yang dikirim supplier. Mempersiapkan bahan baku untuk produksi. Membuat laporan persediaan yang ada di gudang.
54 7. Produksi Memastikan produksi dapat berjalan dengan lancar dan sesuai jadwal. Melaporkan kerusakan mesin dan masalah lain yang berhubungan dengan produksi. Memastikan kualitas produksi sesuai dengan standar yang ditetapkan perusahaan. Bertanggungjawab kepada manajer operasional atas hal yang berkaitan dengan produksi di perusahaan. 8. Pembelian Merencanakan pembelian bahan baku, dan penolong yang akan digunakan dalam melakukan produksi pada perusahaan. Melakukan pengecekan harga bahan baku dari supplier sebelum melakukan pembelian. Bertanggungjawab kepada manajer operasional atas hal yang berkaitan dengan pembelian bahan baku di perusahaan.
55 4.1.4 Bisnis Proses dan Uraian Proses Produksi Bahan Baku Penimbangan Ayak Tepung Cuci & Pecah Telur Pengadukan/mixing Pembagian/Pembulatan Packing Pengisian Penyimpanan dingin Penyusunan Pendinginan Gambar 4.2 Proses Pembuatan Roti O Sumber : Data PT. Sebastian Citra Indonesia (2012)
56 Berdasarkan gambar diatas dijelaskan cara pembuatan Roti O dari PT. Sebastian Citra Indonesia, sebagai berikut : 1. Bahan baku yang digunakan dalam membuat Roti O di antar dari gudang ke pabrik. 2. Kemudian dilakukan penimbangan dari masing-masing bahan baku sebagai takaran dalam satu kali produksi. Tepung terigu yang digunakan dalam 1 kali produksi sebanyak 50 kg untuk persediaan selama 2-3 hari. 3. Setelah semua bahan ditakar, tepung terigu diayak menggunakan mesin ayak tepung di pabrik, selanjutnya telur dicuci dan dipecahkan ke dalam satu wadah. 4. Tepung yang sudah diayak kemudian di campur ke wadah dimana telur dipecahkan bersama bahan baku lain yang diperlukan. Kemudian dilakukan proses pencampuran (mixing) dari bahan-bahan yang telah di campur ke wadah telur dipecahkan. 5. Proses selanjutnya adalah melakukan pembulatan dari hasil mixing tersebut dimana hasil mixing akan dibagikan menjadi bagian-bagian kecil dan dibentuk bulat. 6. Setelah bulatan terbentuk, akan dilakukan pengisian mentega secara manual menggunakan tangan, kemudian disusun ke dalam loyang dan dimasukkan ke freezer untuk dibekukan selama kurang lebih setengah jam. Maka terbentuklah adonan Roti O yang siap dipanggang dalam bentuk adonan beku.
57 7. Adonan beku yang siap dipanggang, kemudian diantar ke outlet-outlet sesuai dengan jumlah permintaan per outlet dan akan di simpan kembali di frozen bunz yang ada di outlet, lalu didiamkan menggunakan suhu ruang yang telah diatur kurang lebih 4,5 jam sampai adonan mengembang sekitar 30-40 persen. 8. Selanjutnya adonan yang telah mengembang tersebut diproses untuk pengembangan yang lebih besar kemudian dilakukan pelembutan adonan dengan mesin proofer. 9. Adonan akan diproofer kurang lebih 1 jam sampai kondisi buns (adonan beku) mengembang hingga 80 persen, kemudian dilanjutkan dengan proses piping (proses pemakaian cream). Setelah itu adonan Roti O siap dipanggang di oven kurang lebih 12 15 menit. 10. Setelah Roti O matang dan dikeluarkan dari oven, roti harus dikipas agar permukaannya mejadi crispy kemudian roti siap dipacking ke paper bag. 4.2 Analisis Data Data penjualan dari outlet Stasiun Kota Jakarta, Outlet Stasiun Bandung, dan Outlet Bandara Husein Sastranegara Bandung pada tahun 2012 adalah sebagai berikut :
58 Tabel 4.1 Data Penjualan Roti O Outlet Stasiun Kota Jakarta Tahun 2012 Bulan Penjualan Mei 1.826 Juni 6.089 Juli 5.268 Agustus 5.083 September 5.696 Oktober 6.510 Total Penjualan 30.472 Sumber : Data PT. Sebastian Citra Indonesia (2012) Target penjualan per bulan sebanyak 5400 buns roti (180 buns roti per hari), dibuka pada tanggal 25 Mei 2012. Tabel 4.2 Data Penjualan Roti O Outlet Stasiun Bandung Tahun 2012 Bulan Penjualan Juni 7.268 Juli 8.354 Agustus 8.186 September 8.071 Oktober 8.891 Total Penjualan 40.770 Sumber : Data PT. Sebastian Citra Indonesia (2012)
59 Target penjualan per bulan sebanyak 7.500 buns roti (250 buns roti per hari), dibuka pada tanggal 2 Juni 2012. Tabel 4.3 Data Penjualan Roti O Outlet Bandara Husein Sastranegara Bandung Bulan Penjualan Juni 2.062 Juli 3.657 Agustus 3.551 September 4.735 Oktober 4.802 Total Penjualan 18.807 Sumber : Data PT. Sebastian Citra Indonesia (2012) Target penjualan per bulan sebanyak 3.600 buns roti (120 buns roti per hari), dibuka pada tanggal 14 Juni 2012. 4.3 Menghitung Peramalan Menggunakan Software QM for Windows Peramalan penjualan terhadap Roti O akan dihitung menggunakan software QM (Quantitative Management) for Windows. Peramalan penjualan tersebut dihitung menggunakan metode yang terdapat pada peramalan, antara lain : Linear Regression, Moving Average, Weighted Moving Average,
60 Exponential Smoothing, Exponential Smoothing with Trend, Naive Method 4.3.1 Menghitung Peramalan Penjualan pada Outlet Stasiun Kota Jakarta 4.3.1.1 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Linear Regression Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Linear Regression dapat dilihat pada gambar dibawah ini. Gambar 4.3 Hasil Perhitungan Software QM for Windows dengan Metode Linear Regression (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data (2012)
61 4.3.1.2 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Moving Average Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Moving Average dapat dilihat pada gambar dibawah ini. Gambar 4.4 Hasil Perhitungan Software QM for Windows dengan Metode Moving Average (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
62 4.3.1.3 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Weighted Moving Average Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada gambar dibawah ini. Gambar 4.5 Hasil Perhitungan Software QM for Windows dengan Metode Weighted Moving Average (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
63 4.3.1.4 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Exponential Smoothing Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada gambar dibawah ini. Gambar 4.6 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
64 4.3.1.5 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Exponential Smoothing with Trend Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada gambar dibawah ini. Gambar 4.7 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing with Trend (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
65 4.3.1.6 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Naive Method Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan menggunakan Software QM for Windows pada Naive Method dapat dilihat pada gambar dibawah ini. Gambar 4.8 Hasil Perhitungan Software QM for Windows dengan Naive Method (Stasiun Kota Jakarta, November 2012) Sumber : Hasil Pengolahan Data, (2012)
66 4.3.2 Menghitung Peramalan Penjualan pada Outlet Stasiun Bandung 4.3.2.1 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Linear Regression Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Linear Regression dapat dilihat pada gambar dibawah ini. Gambar 4.9 Hasil Perhitungan Software QM for Windows dengan Metode Linear Regression (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
67 4.3.2.2 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Moving Average Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Moving Average dapat dilihat pada gambar dibawah ini. Gambar 4.10 Hasil Perhitungan Software QM for Windows dengan Metode Moving Average (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
68 4.3.2.3 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Weighted Moving Average Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Bandung bulan November 2012 dengan menggunakan Software QM for Windows pada metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada gambar dibawah ini. Gambar 4.11 Hasil Perhitungan Software QM for Windows dengan Metode Weighted Moving Average (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
69 4.3.2.4 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Exponential Smoothing Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada gambar dibawah ini. Gambar 4.12 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
70 4.3.2.5 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Exponential Smoothing with Trend Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada gambar dibawah ini. Gambar 4.13 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing with Trend (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
71 4.3.2.6 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Naive Method Hasil perhitungan peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada Naive Method dapat dilihat pada gambar dibawah ini. Gambar 4.14 Hasil Perhitungan Software QM for Windows dengan Naive Method (Stasiun Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
72 4.3.3 Menghitung Peramalan Penjualan pada Outlet Bandara Husein Sastranegara Bandung 4.3.3.1 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Linear Regression Hasil perhitungan peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Linear Regression dapat dilihat pada gambar dibawah ini. Gambar 4.15 Hasil Perhitungan Software QM for Windows dengan Metode Linear Regression (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
73 4.3.3.2 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Moving Average Hasil perhitungan peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Moving Average dapat dilihat pada gambar dibawah ini. Gambar 4.16 Hasil Perhitungan Software QM for Windows dengan Metode Moving Average (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
74 4.3.3.3 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Weighted Moving Average Hasil perhitungan peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada gambar dibawah ini. Gambar 4.17 Hasil Perhitungan Software QM for Windows dengan Metode Weighted Moving Average (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
75 4.3.3.4 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Exponential Smoothing Hasil perhitungan peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada gambar dibawah ini. Gambar 4.18 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
76 4.3.3.5 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Exponential Smoothing with Trend Hasil perhitungan peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada gambar dibawah ini. Gambar 4.19 Hasil Perhitungan Software QM for Windows dengan Metode Exponential Smoothing with Trend (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
77 4.3.3.6 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Naive Method Hasil perhitungan peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan menggunakan Software QM for Windows pada metode Naive Method dapat dilihat pada gambar dibawah ini. Gambar 4.20 Hasil Perhitungan Software QM for Windows dengan Naive Method (Bandara Husein Sastranegara Bandung, November 2012) Sumber : Hasil Pengolahan Data (2012)
78 4.4 Menghitung Peramalan dengan Manual Setelah melakukan perhitungan peramalan dengan Software QM for Windows, selanjutnya akan dilakukan perhitungan peramalan dengan manual untuk membandingkan hasil peramalan Software QM for Windows dan manual apakah hasil perhitungan tersebut memiliki perbedaan nilai yang jauh. Peramalan penjualan terhadap Roti O akan dihitung dengan manual menggunakan metode yang terdapat pada peramalan, antara lain : Linear Regression, Moving Average, Weighted Moving Average, Exponential Smoothing, Exponential Smoothing with Trend, Naive Method 4.4.1 Menghitung Peramalan Penjualan pada Outlet Stasiun Kota Jakarta 4.4.1.1 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Linear Regression Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Linear Regression dapat dilihat pada tabel dibawah ini.
79 Tabel 4.4 Hasil Perhitungan Manual dengan Metode Linear Regression (Stasiun Kota Jakarta, November 2012) Bulan Periode (X) Penjualan (Yt) X 2 X.Y Ft Yt Ft Mei 1 1.826 1 1.826 3.503,25 1.677,25 Juni 2 6.089 4 12.178 4.133,42 1.955,58 Juli 3 5.268 9 15.804 4.763,59 504,41 Agustus 4 5.083 16 20.332 5.393,76 310,76 September 5 5.696 25 28.480 6.023,93 327,93 Oktober 6 6.510 36 39.060 6.654,10 144,10 Jumlah 21 30.472 91 117.680 4.920.03 Sumber : Hasil Pengolahan Data, (2012) x x 6 21 3,5 6 y 30.472 5.078,67 6 6 117.680 - (6).(3.5).(5.078,67) A 630,17 2 91- (6).(3,5 ) a bx 5.078,67 (630,17).( 3,5) 2.873,08
80 Y 7 2.873,08 + (630,17).(7) MAD aktual - peramalan 4.920,03 6 820,01 n MSE kesalahan peramalan n 7.116.764, 82 6 1.186.127,47 2 4.4.1.2 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Moving Average Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Moving Average dapat dilihat pada tabel dibawah ini.
81 Tabel 4.5 Hasil Perhitungan Manual dengan Metode Moving Average (Stasiun Kota Jakarta, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Mei 1 1.826 - - Juni 2 6.089 - - Juli 3 5.268 - - Agustus 4 5.083 4.394,33 688,67 September 5 5.696 5.480 216 Oktober 6 6.510 5.349 1.161 November 7-5.763 - Jumlah 2.065,67 Sumber : Hasil Pengolahan Data, (2012) MAD aktual - peramalan n 2.065,67 3 688,56 MSE kesalahan peramalan n 1.868.843, 37 3 622.947,80 2
82 4.4.1.3 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Weighted Moving Average Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.6 Hasil Perhitungan Manual dengan Metode Weighted Moving Average (Stasiun Kota Jakarta, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Mei 1 1.826 - - Juni 2 6.089 - - Juli 3 5.268 - - Agustus 4 5.083 4.825,9 257,1 September 5 5.696 5.339,7 356,3 Oktober 6 6.510 5.426,5 1.083,5 November 7-5.980,4 - Jumlah 1.696.9 Sumber : Hasil Pengolahan Data, (2012) MAD 1.696,9 3 565,63 aktual - peramalan n
83 MSE kesalahan peramalan n 1.367.022, 35 3 455.674,12 2 4.4.1.4 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Exponential Smoothing Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada tabel dibawah ini. Tabel 4.7 Hasil Perhitungan Manual dengan Metode Exponential Smoothing (Stasiun Kota Jakarta, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Mei 1 1.826 - - Juni 2 6.089 1.826 4.263 Juli 3 5.268 3.104,9 2.163,1 Agustus 4 5.083 3.753,83 1.329,17 September 5 5.696 4.152,58 1.543,42 Oktober 6 6.510 4.615,61 1.894,39 November 7-5.183,93 - Jumlah 11.193.08 Sumber : Hasil Pengolahan Data, (2012)
84 MAD aktual - peramalan 11.193,08 5 2.238,62 n MSE kesalahan peramalan n 30.589.722,27 5 6.117.944,45 2 4.4.1.5 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Metode Exponential Smoothing with Trend Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada tabel dibawah ini.
85 Tabel 4.8 Hasil Perhitungan Manual dengan Metode Exponential Smoothing with Trend (Stasiun Kota Jakarta, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Tt FIT Ft + Tt Yt - FIT Mei 1 1.826 - - - - Juni 2 6.089 1.826 0 1.826 4.263 Juli 3 5.268 3.104,9 255,78 3.360,68 1.907,32 Agustus 4 5.083 3.932,88 370,22 4.303,01 779,99 September 5 5.696 4.537,07 417,01 4.954,08 741,92 Oktober 6 6.510 5.176,66 461,53 5.638,19 871,81 November 7-5.899,73 513,84 6.413,57 - Jumlah 8564.04 Sumber : Hasil Pengolahan Data, (2012) MAD aktual - peramalan 8.564.04 5 1.712.81 n MSE kesalahan peramalan n 23.729.920,95 5 4.745.984,19 2
86 4.4.1.6 Menghitung Peramalan pada Outlet Stasiun Kota Jakarta dengan Naive Method Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Kota Jakarta untuk bulan November 2012 dengan Naive Method dapat dilihat pada tabel dibawah ini. Tabel 4.9 Hasil Perhitungan Manual dengan Naive Method (Stasiun Kota Jakarta, November 2012 Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Mei 1 1.826 - - Juni 2 6.089 1.826 4.263 Juli 3 5.268 6.089 821 Agustus 4 5.083 5.268 185 September 5 5.696 5.083 613 Oktober 6 6.510 5.696 814 November 7-6.510 - Jumlah 6696 Sumber : Hasil Pengolahan Data, (2012) MAD 6.696 5 1.339,2 aktual - peramalan n
87 MSE kesalahan peramalan 19.919.800 5 1.339,2 n 2 4.4.2 Menghitung Peramalan Penjualan pada Outlet Stasiun Bandung 4.4.2.1 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Linear Regression Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Linear Regression dapat dilihat pada tabel dibawah ini. Tabel 4.10 Hasil Perhitungan Manual dengan Metode Linear Regression (Stasiun Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) X 2 X.Y Ft Yt Ft Juni 1 7.268 1 7.286 7.561,4 293,4 Juli 2 8.354 4 16.708 7.857,7 496,3 Agustus 3 8.186 9 24.558 8.154 32 September 4 8.071 16 32.284 8.450,3 379,3 Oktober 5 8.891 25 44.455 8.746,6 144,4 Jumlah 15 30.472 55 125.273 1.345,4 Sumber : Hasil Pengolahan Data, (2012)
88 x x 6 15 5 3 y 6 40.770 5 8.154 125.273 - (5).(3).(8.154) 55 - (5).(3 ) 2 296,3 a - bx a 8.154 (296,3).( 3) a 7.265,1 Y 6 7.265,1+ (296,3).(6) 9.042,9 MAD 1.345,4 5 269,08 aktual - peramalan n MSE kesalahan peramalan 498.141,1 5 99.628,22 n 2
89 4.4.2.2 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Moving Average Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Moving Average dapat dilihat pada tabel dibawah ini. Tabel 4.11 Hasil Perhitungan Manual dengan Metode Moving Average (Stasiun Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Juni 1 7.268 - - Juli 2 8.354 - - Agustus 3 8.186 - - September 4 8.071 7. 936 135 Oktober 5 8.891 8.203,67 687,33 November 6-8.382,67 - Jumlah 822.33 Sumber : Hasil Pengolahan Data, (2012) MAD 822,33 5 411,17 aktual - peramalan n
90 MSE kesalahan peramalan 490.647,53 2 245.323,77 n 2 4.4.2.3 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Weighted Moving Average Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.12 Hasil Perhitungan Manual dengan Metode Weighted Moving Average (Stasiun Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Juni 1 7.268 - - Juli 2 8.354 - - Agustus 3 8.186 - - September 4 8.071 8.052,8 18,2 Oktober 5 8.891 8.164,6 728,9 November 6-8.504 - Jumlah 747,1 Sumber : Hasil Pengolahan Data, (2012)
91 MAD 747,1 2 aktual - peramalan n 373,55 MSE kesalahan peramalan 531.626,45 2 265.813,23 n 2 4.4.2.4 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Exponential Smoothing Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada tabel dibawah ini.
92 Tabel 4.13 Hasil Perhitungan Manual dengan Metode Exponential Smoothing (Stasiun Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Juni 1 7.268 - - Juli 2 8.354 7.268 1.086 Agustus 3 8.186 7.593,8 592,2 September 4 8.071 7.771,46 299,54 Oktober 5 8.891 7.861,32 1.029,68 November 6-8.170,22 - Jumlah 3.007,42 Sumber : Hasil Pengolahan Data, (2012) MAD 3007,42 4 751,85 aktual - peramalan n MSE kesalahan peramalan n 2.680.061,95 4 670.014,46 2
93 4.4.2.5 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Metode Exponential Smoothing with Trend Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.14 Hasil Perhitungan Manual dengan Metode Exponential Smoothing with Trend (Stasiun Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Tt FIT Ft + Tt Yt - FIT Juni 1 7.268 - - - - Juli 2 8.354 7.268 0 7.268 1.086 Agustus 3 8.186 7.593,8 65,16 7.658,96 527,04 September 4 8.071 7.818,07 96,98 7.915,05 155,95 Oktober 5 8.891 7.961,83 106,34 8.068,17 822,83 November 6-8.315,02 155,71 8.470,73 - Jumlah 2.591,82 Sumber : Hasil Pengolahan Data, (2012) MAD aktual - peramalan 2591,82 4 647,96 n
94 MSE kesalahan peramalan n 2.158.536, 77 4 539.634,19 2 4.4.2.6 Menghitung Peramalan pada Outlet Stasiun Bandung dengan Naive Method Hasil perhitungan manual peramalan penjualan Roti O pada outlet Stasiun Bandung untuk bulan November 2012 dengan Naive Method dapat dilihat pada tabel dibawah ini Tabel 4.15 Hasil Perhitungan Manual dengan Naive Method (Stasiun Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Juni 1 7.268 - - Juli 2 8.354 7.268 1.086 Agustus 3 8.186 8.354 168 September 4 8.071 8.186 115 Oktober 5 8.891 8.071 820 November 6-8.891 - Jumlah 2.189 Sumber : Hasil Pengolahan Data, (2012)
95 MAD 2189 4 aktual - peramalan n 547,25 MSE kesalahan peramalan n 2 4.4.3.1 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Linear Regression Hasil perhitungan manual peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Linear Regression dapat dilihat pada tabel dibawah ini. Tabel 4.16 Hasil Perhitungan Manual dengan Metode Linear Regression (Bandara Husein Sastranegara Bandung November 2012) Bulan Periode (X) Penjualan (Yt) X 2 X.Y Ft Yt Ft Juni 1 2.062 1 2.062 2.449,8 387,8 Juli 2 3.657 4 7.314 3.105,6 551,4 Agustus 3 3.551 9 10.653 3.761,4 210,4 September 4 4.735 16 18.940 4.417,2 317,8 Oktober 5 4.802 25 24.010 5.073 271 Jumlah 15 18.807 55 62.979 1.738,4 Sumber : Hasil Pengolahan Data, (2012)
96 x x 6 15 3 3 y 6 18.807 3.761,4 5 B 62.979 - (5).(3).(3.761,4) 55 - (5).(3 655,8 2 ) a - bx 3.761,4 (655,8).( 3) 1794 Y 6 1794 + ( 655,8).(6) 5.728,8 MAD 1738,4 5 347,68 aktual - peramalan n MSE kesalahan peramalan 673.136,8 5 134.627,36 n 2
97 4.4.3.2 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Moving Average Hasil perhitungan manual peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Moving Average dapat dilihat pada tabel dibawah ini. Tabel 4.17 Hasil Perhitungan Manual dengan Metode Moving Average (Bandara Husein Sastranegara Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Juni 1 2.062 - - Juli 2 3.657 - - Agustus 3 3.551 - - September 4 4.735 3.090 1.645 Oktober 5 4.802 3.981 821 November 6-4.362,67 - Jumlah 2.466 Sumber : Hasil Pengolahan Data, (2012) MAD 2.466 2 aktual - peramalan n 1.233
98 MSE kesalahan peramalan 3.380.066 2 1.690.033 n 2 4.4.3.3 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Weighted Moving Average Hasil perhitungan manual peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Weighted Moving Average dengan bobot 0,5, 0,3, 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.18 Hasil Perhitungan Manual dengan Metode Weighted Moving Average (Bandara Husein Sastranegara Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Juni 1 2.062 - - Juli 2 3.657 - - Agustus 3 3.551 - - September 4 4.735 3.285 1.450 Oktober 5 4.802 4.164,2 637,8 November 6-4.531,7 - Jumlah 2.087,8 Sumber : Hasil Pengolahan Data, (2012)
99 MAD aktual - peramalan 2.087,8 2 1043,9 n MSE kesalahan peramalan n 2.509.288, 84 2 1.254.644,42 2 4.4.3.4 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Exponential Smoothing Hasil perhitungan manual peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Exponential Smoothing dengan Alpha 0,3 dapat dilihat pada tabel dibawah ini.
100 Tabel 4.19 Hasil Perhitungan Manual dengan Metode Exponential Smoothing (Bandara Husein Sastranegara Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Juni 1 2.062 - - Juli 2 3.657 2.062 1.595 Agustus 3 3.551 2.540,5 1.010,5 September 4 4.735 2.843,65 1.891,35 Oktober 5 4.802 3.411,06 1.390,94 November 6-3.828,34 - Jumlah 5.887,79 Sumber : Hasil Pengolahan Data, (2012) MAD 5.887,79 4 1.471,95 aktual - peramalan n MSE kesalahan peramalan n 9.077.054, 156 4 2.269.263,54 2
101 4.4.3.5 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Metode Exponential Smooting with Trend Hasil perhitungan manual peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan metode Exponential Smoothing with Trend dengan Alpha 0,3 dan Beta 0,2 dapat dilihat pada tabel dibawah ini. Tabel 4.20 Hasil Perhitungan Manual dengan Metode Exponential Smoothing with Trend (Bandara Husein Sastranegara Bandung, November 2012) Bulan Periode (X) Penjualan (Yt) Ft Tt FIT Ft + Tt Yt - FIT Juni 1 2.062 - - - - Juli 2 3.657 2.062 0 2.062 1.595 Agustus 3 3.551 2.540,5 95,7 2.636,2 914,8 September 4 4.735 2.910,64 150,59 3.061,23 1.673,77 Oktober 5 4.802 3.563,36 251,02 3.814,38 987,62 November 6-4.110,67 310,28 4.420,95 - Jumlah 5.171,19 Sumber : Hasil Pengolahan Data, (2012)
102 MAD aktual - peramalan n 5.171,19 4 1.292,80 MSE kesalahan peramalan n 7.157.783, 32 4 1.789.445,83 2 4.4.3.6 Menghitung Peramalan pada Outlet Bandara Husein Sastranegara Bandung dengan Naive Method Hasil perhitungan manual peramalan penjualan Roti O pada outlet Bandara Husein Sastranegara Bandung untuk bulan November 2012 dengan Naive Method dapat dilihat pada tabel dibawah ini.
103 Tabel 4.21 Hasil Perhitungan Manual dengan Naive Method (Bandara Husein Sastranegara Bandung, November 2012 Bulan Periode (X) Penjualan (Yt) Ft Yt Ft Juni 1 2.062 - - Juli 2 3.657 2.062 1.595 Agustus 3 3.551 3.657 106 September 4 4.735 3.551 1.184 Oktober 5 4.802 4.735 67 November 6-4.802 - Jumlah 2.952 Sumber : Hasil Pengolahan Data, (2012) MAD 2.952 4 aktual - peramalan n 738 MSE kesalahan peramalan 3.961.606 4 990.401,5 n 2
104 4.5 Perbandingan dari Perhitungan Software QM for Windows dengan Perhitungan Manual 4.5.1 Perbandingan Perhitungan pada Outlet Stasiun Kota Jakarta Perhitungan peramalan jumlah penjualan Roti O stasiun Kota Jakarta untuk bulan November 2012 pada PT. Sebastian Citra Indonesia dengan menggunakan 6 metode peramalan, antara lain : Linear Regression, Moving Average, Weighted Moving Average, Exponential Smoothing, Exponential Smoothing with Trend, dan Naive Method telah dihitung dengan menggunakan Software QM for Windows dan perhitungan manual. Berikut akan ditampilkan tabel perbandingan hasil perhitungan dari ke enam metode. Tabel 4.22 Perbandingan Hasil Perhitungan Software QM for Windows dan Perhitungan Manual dengan Enam Metode Pada Forecasting Stasiun Kota Jakarta (November 2012). METODE Perhitungan dengan QM For Windows Hasil Peramalan MAD MSE Hasil Peramalan Perhitungan Manual MAD MSE Linear Regression 7.284,268 820,0032 1.186,127 7.824,27 820,01 1.186.127,47 Moving Average 5.763 688,5555 622.946,2 5.763 688,56 622.947,80 Weighted Moving Average Exponential Smoothing Exponential Smoothing With Trend 5.980,4 565,6333 455.674,1 5.980,4 565,63 455.674,12 5.183,925 2.238,616 6.117.946 5.183,93 2238,93 6.117.944,45 6.413,567 1.712.792 4.745.959 6.413,57 1.712,81 4.745.984,19 Naive Method 6.510 1.339,2 3.983.959 6.510 1.339,2 3.983,960 Sumber : Hasil Pengolahan Data, (2012)
105 Dari hasil perhitungan tersebut, tabel diatas menunjukkan bahwa metode Weighted Moving Average yang memiliki nilai MAD dan MSE yang paling kecil, sehingga disarankan kepada perusahaan untuk menggunakan metode tersebut untuk memprediksi banyaknya penjualan Roti O pada periode yang akan datang. 4.5.2 Perbandingan Perhitungan pada Outlet Stasiun Bandung Perhitungan peramalan jumlah penjualan Roti O Stasiun Bandung untuk bulan November 2012 pada PT. Sebastian Citra Indonesia dengan menggunakan 6 metode peramalan, antara lain : Linear Regression, Moving Average, Weighted Moving Average, Exponential Smoothing, Exponential Smoothing with Trend, dan Naive Method telah dihitung dengan menggunakan Software QM for Windows dan perhitungan manual. Berikut akan ditampilkan tabel perbandingan hasil perhitungan dari ke enam metode.
106 Tabel 4.23 Perbandingan Hasil Perhitungan Software QM for Windows dan Perhitungan Manual dengan Enam Metode Pada Forecasting Stasiun Bandung (November 2012). METODE Perhitungan dengan QM For Windows Hasil Peramalan MAD MSE Hasil Peramalan Perhitungan Manual MAD MSE Linear Regression 9.042,9 269,08 99.628,16 9.042,9 269,08 99.628,22 Moving Average 8.382,667 411,1665 245.325,8 8.382,67 411,17 245.323,77 Weighted Moving Average Exponential Smoothing Exponential Smoothing With Trend 8.504 373,5498 265.813,2 8.504 373,55 265.813,23 8.170,225 751,8546 670.014,6 8.170,22 751,85 670.014,46 8.469,985 648,4943 540.123,4 8.470,73 647,96 539.634,19 Naive Method 8.891 547,25 473.311,3 8.891 547,25 473.311,25 Sumber : Hasil Pengolahan Data, (2012) Dari hasil perhitungan tersebut, tabel diatas menunjukkan bahwa metode Linear Regression yang memiliki nilai MAD dan MSE yang paling kecil, sehingga disarankan kepada perusahaan untuk menggunakan metode tersebut untuk meramalkan banyaknya penjualan Roti O pada periode yang akan datang. 4.5.3 Perbandingan Perhitungan pada Outlet Bandara Husein Sastranegara Bandung Perhitungan peramalan jumlah penjualan Roti O Bandara Husein Sastra Negara Bandung untuk bulan November 2012 pada PT. Sebastian Citra Indonesia dengan menggunakan 6 metode peramalan, antara lain : Linear Regression,
107 Moving Average, Weighted Moving Average, Exponential Smoothing, Exponential Smoothing with Trend, dan Naive Method telah dihitung dengan menggunakan Software QM for Windows dan perhitungan manual. Berikut akan ditampilkan tabel perbandingan hasil perhitungan dari ke enam metode. Tabel 4.24 Perbandingan Hasil Perhitungan Software QM for Windows dan Perhitungan Manual dengan Enam Metode Pada Forecasting Bandara Husein Sastranegara Bandung (November 2012). METODE Perhitungan dengan QM For Windows Hasil Peramalan MAD MSE Hasil Peramalan Perhitungan Manual MAD MSE Linear Regression 5.728,8 347,6799 1.34.627,3 5.728,8 347,68 134.627,36 Moving Average 4.362,667 1.233 1.690.033 4.362,67 1.233 1.690.033 Weighted Moving Average Exponential Smoothing Exponential Smoothing With Trend 4.531,7 1.043,9 1.254.644 4.531,7 1.043,9 1.254.644,42 3.828,338 1.471,949 2.269,267 3.828,34 1.471,95 2.269.263,54 4.420,934 1.292,8 1.789.451 4.420,95 1.292,80 1.789.445,83 Naive Method 4.802 738 990.401,5 4.802 738 990.401,5 Sumber : Hasil Pengolahan Data, (2012) Dari hasil perhitungan tersebut, tabel diatas menunjukkan bahwa mmetode Linear Regression yang memiliki nilai MAD dan MSE yang paling kecil, sehingga disarankan kepada perusahaan untuk menggunakan metode tersebut untuk memoprediksi banyaknya penjualan Roti O pada periode yang akan datang.
108 4.6 Menghitung Persediaan Setelah perusahaan melakukan peramalan terhadap penjualan Roti O, hal berikutnya yang akan dilakuakan adalah menghitung Inventory atau Persediaan bahan baku yang digunakan untuk memproduksi roti. Bahan baku yang diperlukan dalam produksi roti, antara lain : tepung terigu, gula pasir, mentega, susu bubuk, fermipan (pengembang roti), telur, bubuk coklat, bubuk kopi, dan esen moka. Namun, bahan baku yang difokuskan pada pembahasan disini yaitu tepung terigu, gula, dan mentega. Berikut akan ditampilkan data-data yang diperlukan dalam perhitungan persediaan pada PT. Sebastian Citra Indonesia di dalam tabel. Tabel 4.25 Data-Data Bahan Baku PT. Sebastian Citra Indonesia Bahan Baku Tepung Terigu Gula Mentega Demand 600 Kg 250 Kg 360 Kg Harga per kilogram Rp. 6.400 Rp. 11.500 Rp. 37.500 Biaya pengiriman (Co) Rp. 60.000 Rp. 25.000 Rp. 72.000 Biaya penyimpanan (Ch) Rp. 940 Rp. 940 Rp. 940 Jumlah hari kerja 30 hari 30 hari 30 hari Waktu tunggu 2 hari 2 hari 4 hari Safety stock 100 Kg 50 Kg 60 Kg Sumber : Hasil Pengolahan Data, (2012)
109 4.6.1 Persediaan Tepung Terigu Persediaan tepung terigu pada PT. Sebastian Citra Indonesia akan dihitung dengan menggunakan Software QM for Windows dan perhitungan secara manual dengan metode EOQ (Economic Order Quantity) sederhana karena data-data yang didapat dari perusahaan tidak mendukung untuk melakukan perhitungan menggunakan metode EOQ Discount. 4.6.1.1 Perhitungan Persediaan Tepung Terigu dengan Software QM for Windows Hasil perhitungan persediaan tepung terigu pada PT. Sebastian Citra Indonesia menggunakan Software QM for Windows dengan metode EOQ (Economic Order Quantity) Model dapat dilihat pada gambar dibawah ini. Gambar 4.21 Hasil Perhitungan EOQ Tepung Terigu dengan Software QM for Windows Sumber : Hasil Pengolahan Data, (2012)
110 4.6.1.2 Perhitungan Persediaan Tepung Terigu Secara Manual Berdasarkan hasil perhitungan Software QM for Windows pada tabel 4.25, maka dapat dilakukan perhitungan manual persediaan tepung terigu pada PT. Sebastian Citra Indonesia. Dalam perhitungan ini, data-data yang diperlukan perusahaan akan dihitung secara manual, antara lain : 1. EOQ (Q*) 2. Average Inventory 3. Orders per Period 4. Annual Setup Cost 5. Annual Holding Cost 6. Total Unit Cost 7. Total Cost 8. Daily Demand 9. Reorder Point Berikut akan di tampilkan perhitungan manual tepung terigu untuk membandingkan hasil perhitungan dengan Software QM for Windows. 1. EOQ 2.D.S H 2.600.60000 940 76595, 74 267,76 kg
111 2. Q * Average Inventory 2 267,76 2 138,38 kg 3. Orders per Period D Q * 600 276,76 2,17 kali pemesanan D 4. Annual Setup Cost.Co Q * 600.60. 000 276,76 Rp.130.076,60 Q * 5. Annual Holding Cost.Ch 2 276,76.940 2 Rp.130.077,20
112 6. Total Unit Cost Unit Cost x Demand Rp. 6.400 x 600 Rp. 3.840.000 7. Total cost Total Unit Cost + Annual Setup Cost + Annual Holding Cost Rp. 3.840.000 + Rp. 130.076,60 + Rp. 130.077,20 Rp. 4.100.152,80 8. D Daily Demand Jumlah hari kerja 600 30 20 kg 9. Reorder Point Safety Stock + ( Lead Time x Daily Demand) 100 + (2 x 20) 140 kg Dari hasil perhitungan Software QM for Windows dan perhitungan manual diatas dapat disimpulkan bahwa PT. Sebastian Citra Indonesia sebaiknya melakukan pemesanan tepung terigu yang ekonomis untuk pembuatan Roti O sebanyak 267,76 kg, dan melakukan pemesanan sebanyak 2,17 kali dalam waktu sebulan untuk memenuhi kebutuhan tepung terigu pada produksi Roti O. PT.
113 Sebastian Citra Indonesia membutuhkan tepung terigu sebanyak 20 kg untuk keperluan produksi per hari, maka pemesanan kembali pada tepung terigu (Reoerder Point) dilakukan apabila persediaan tersisa 140 kg. Dalam melakukan pemesanan tepung terigu, PT. Sebastian Citra Indonesia harus mengeluarkan biaya pemesanan sebesar Rp. 130.076,60 dan biaya penyimpanan sebesar Rp. 130.077,20. Total biaya untuk pembelian tepung terigu itu sendiri sebesar Rp. 3.840.000, maka total keseluruhan biaya yang dikeluarkan oleh PT. Sebastian Citra Indonesia untuk memenuhi kebutuhan tepung terigu untuk produksi Roti O adalah Rp. 4.100.152,80 per bulan. 4.6.2 Persediaan Gula Pasir Persediaan gula pasir pada PT. Sebastian Citra Indonesia akan dihitung dengan menggunakan Software QM for Windows dan perhitungan secara manual dengan metode EOQ (Economic Order Quantity) sederhana karena data-data yang didapat dari perusahaan tidak mendukung untuk melakukan perhitungan menggunakan metode EOQ Discount. 4.6.2.1 Perhitungan Persediaan Gula Pasir dengan Software QM for Windows Hasil perhitungan persediaan gula pasir pada PT. Sebastian Citra Indonesia menggunakan Software QM for Windows dengan metode EOQ (Economic Order Quantity) Model dapat dilihat pada gambar dibawah ini.
114 Gambar 4.22 Hasil Perhitungan EOQ Gula Pasir dengan Software QM for Sumber : Hasil Pengolahan Data, (2012) Windows 4.6.2.2 Perhitungan Persediaan Gula Pasir Secara Manual Berikut akan ditampilkan perhitungan manual gula pasir untuk membandingkan hasil perhitungan dengan Software QM for Windows. 1. EOQ 2.DS H 2.250.25000 940 13297,87 115,32 kg
115 2. Q * Average Inventory 2 115,32 2 57,66 kg 3. Orders per Period D Q * 250 115.32 2,17 kali pemesanan D 4. Annual Setup Cost.Co Q * 250.25.000 115,32 Rp. 54.197,02 Q * 5. Annual Holding Cost.Ch 2 115,32.940 2 Rp. 54.200,40
116 6. Total Unit Cost Unit Cost x Demand Rp. 11.500 x 250 Rp. 2.875.000 7. Total cost Total Unit Cost + Annual Setup Cost + Annual Holding Cost Rp. 2.875.000 + Rp. 54.197,02 + Rp. 54.200,40 Rp. 2.983.397,42 8. D Daily Demand Jumlah hari kerja 250 30 8,33 kg 9. Reorder Point Safety Stock + ( Lead Time x Daily Demand) 50 + (2 x 8,33) 66,66 kg Dari hasil perhitungan Software QM for Windows dan perhitungan manual diatas dapat disimpulkan bahwa PT. Sebastian Citra Indonesia sebaiknya melakukan pemesanan gula pasir yang ekonomis untuk pembuatan Roti O sebanyak 115,32 kg, dan melakukan pemesanan sebanyak 2,17 kali dalam waktu sebulan untuk memenuhi kebutuhan gula pasir pada produksi Roti O. PT.
117 Sebastian Citra Indonesia membutuhkan gula pasir sebanyak 8,33 kg untuk keperluan produksi per hari, maka pemesanan kembali pada gula pasir (Reorder Point) dilakukan apabila persediaan tersisa 66,66 kg. Dalam melakukan pemesanan gula pasir, PT. Sebastian Citra Indonesia harus mengeluarkan biaya pemesanan sebesar Rp. 54.197,02 dan biaya penyimpanan sebesar Rp. 54.200,40. Total biaya untuk pembelian gula pasir itu sendiri sebesar Rp. 2.875.000, maka total keseluruhan biaya yang dikeluarkan oleh PT. Sebastian Citra Indonesia untuk memenuhi kebutuhan gula pasir untuk produksi Roti O adalah Rp. 2.983.397,42 per bulan. 4.6.3 Persediaan Mentega Persediaan mentega pada PT. Sebastian Citra Indonesia akan dihitung dengan menggunakan Software QM for Windows dan perhitungan secara manual dengan metode EOQ (Economic Order Quantity) sederhana karena data-data yang didapat dari perusahaan tidak mendukung untuk melakukan perhitungan menggunakan metode EOQ Discount. 4.6.3.1 Perhitungan Persediaan Mentega dengan Software QM for Windows Hasil perhitungan persediaan mentega pada PT. Sebastian Citra Indonesia menggunakan Software QM for Windows dengan metode EOQ (Economic Order Quantity) Model dapat dilihat pada gambar dibawah ini.
118 Gambar 4.23 Hasil Perhitungan EOQ Mentega dengan Software QM for Sumber : Hasil Pengolahan Data, (2012) Windows 4.6.3.2 Perhitungan Persediaan Mentega Secara Manual Berikut akan ditampilkan perhitungan manual mentega untuk membandingkan hasil perhitungan dengan Software QM for Windows. 1. EOQ 2.DS H 2.360.72.000 940 55.148,94 234,84 kg
119 2. Q * Average Inventory 2 234,84 2 117,42 kg 3. Orders per Period D Q * 360 234,84 1,53 kali pemesanan D 4. Annual Setup Cost.Co Q * 360.72.000 234,84 Rp.110.373,02 Q * 5. Annual Holding Cost.Ch 2 234,84.940 2 Rp.110.374,80
120 6. Total Unit Cost Unit Cost x Demand Rp. 37.500 x 360 Rp. 13.500.000 7. Total cost Total UnitCost+ AnnualSetupCost + AnnualHoldingCost Rp. 13.500.000 + Rp. 110.373,02 + Rp. 110.374,8 Rp. 13.720.747,82 8. D Daily Demand Jumlah hari kerja 360 30 12 kg 9. Reorder Point Safety Stock + ( Lead Time x Daily Demand) 60 + (4 x 12) 108 kg Dari hasil perhitungan Software QM for Windows dan perhitungan manual diatas dapat disimpulkan bahwa PT. Sebastian Citra Indonesia sebaiknya melakukan pemesanan mentega yang ekonomis untuk pembuatan Roti O sebanyak 234,84 kg, dan melakukan pemesanan sebanyak 1,53 kali dalam waktu sebulan untuk memenuhi kebutuhan mentega pada produksi Roti O. PT. Sebastian Citra Indonesia membutuhkan mentega sebanyak 12 kg untuk keperluan produksi
121 per hari, maka pemesanan kembali pada mentega (Reorder Point) dilakukan apabila persediaan tersisa 108 kg. Dalam melakukan pemesanan mentega, PT. Sebastian Citra Indonesia harus mengeluarkan biaya pemesanan sebesar Rp. 110.373,02 dan biaya penyimpanan sebesar Rp. 110.374,80. Total biaya untuk pembelian mentega itu sendiri sebesar Rp. 13.500.000, maka total keseluruhan biaya yang dikeluarkan oleh PT. Sebastian Citra Indonesia untuk memenuhi kebutuhan mentega untuk produksi Roti O adalah Rp. 13.720.747,82 per bulan. 4.7 Pohon Keputusan (Decision Tree) Untuk memasok bahan baku yang diperlukan dalan kegiatan produksi, PT. Sebastian Citra Indonesia menggunakan ekspedisi untuk mengirimkan bahan baku dari supplier ke perusahaan. PT. Sebastian Citra Indonesia berlangganan dengan tiga ekspedisi, yaitu : Galang Tri Manunggal, Mitra Sukses Bersama, dan Buana Trans Sejahtera. Berikut data yang tersedia dari perusahaan untuk melakukan perhitungan dengan metode Pohon Keputusan (Decision Tree).
122 Tabel 4.26 Data Biaya Pengiriman pada PT. Sebastian Citra Indonesia Alternatif 1. Galang Tri Manunggal 2. Mitra Sukses Bersama 3. Buana Trans Sejahtera Peluang Bagi Kondisi Alamiah Ekonomi Baik Ekonomi Buruk Nilai Hasil Keputusan Ekonomi Baik Ekonomi Buruk 0.7 0.3 Rp. 1.537.500 Rp. 1.691.250 0.7 0.3 Rp. 1.687.500 Rp. 1856.250 0.7 0.3 Rp. 1.850.000 Rp. 2.035.000 Sumber : PT. Sebastian Citra Indonesia (2012) Nilai hasil keputusan pada tabel 4.26 merupakan biaya yang dikeluarkan oleh PT. Sebastian Citra Indonesia apabila menggunakan masing-masing ekspedisi untuk mengirimkan bahan baku dari supplier, dan terdapat dua kemungkinan yang akan dihadapi, yaitu kondisi ekonomi baik dan kondisi ekonomi buruk. Nilai pada kondisi ekonomi buruk didapatkan dari asumsi bahwa terjadi tarif pengiriman barang dari masing-masing perusahaan ekspedisi tersebut. Sedangkan data nilai peluang (probabilitas) pada tabel di atas diperoleh dari PT. Sebastian Citra Indonesia yaitu sebagai pihak yang berpengaruh dalam proses pengambilan keputusan.
123 4.7.1 Perhitungan Pohon Keputusan (Decision Tree) dengan Software QM for Windows Hasil perhitungan dengan menggunakan Software QM for Windows untuk menentukan alternatif terbaik yaitu mengetahui ekspedisi apa yang sebaiknya dipilih perusahaan dapat dilihat pada gambar di bawah ini. Gambar 4.24 Hasil Perhitungan Pohon Keputusan (Decision Tree) dengan Sumber : Hasil Pengolahan Data, (2012) Software QM for Windows Hasil perhitungan Software QM for Windows menunjukkan bahwa alternatif yang sebaiknya dipilih oleh PT. Sebastian Citra Indonesia untuk melakukan pengiriman barang dari supplier yaitu menggunakan ekspedisi Galang Tri Manunggal dengan node yang mempunyai nilai paling kecil yaitu Rp. 1.583.625.
124 4.7.2 Perhitungan Pohon Keputusan (Decision Tree) secara Manual Untuk memastikan agar hasil perhitungan Software QM for Windows akurat, maka akan dilakukan perhitungan manual untuk membandingkan hasil perhitungan dengan Software QM for Windows. Hasil perhitungan manual dapat dilihat dibawah ini. EMV (Galang Tri Manunggal) (0,7)(Rp. 1.537.500) + (0,3)( Rp. 1.691.250) Rp. 1.076.250 + Rp. 507.375 Rp. 1.583.625 EMV (Mitra Sukses Bersama) (0,7)(1.687.500) + (0.3)( Rp. 1856.250) Rp. 1.181.250 + Rp. 556.875 Rp. 1.738.125 EMV (Buana Trans Sejahtera) (0,7)(Rp. 1.850.000) + (0,3)(Rp. 2.035.000) Rp. 1.295.000 + Rp. 610.500 Rp. 1.905.500