BAB IV ANALISIS DAN PEMBAHASAN 4.1 Pengumpulan dan Pengolahan Data Untuk menganalisi permasalahan pengoptimalan produksi, diperlukan data dari UD. Wingko Babat Pak Moel sebagai berikut: a. Data permintaan wingko pada tahun 2016. b. Data harga pokok dan harga jual setiap jenis wingko. c. Data ketersediaan jam kerja dan ketersediaan bahan baku. 4.2.1 Data Permintaan Wingko Tahun 2016 Tabel 4.1 Data Permintaan Wingko Babat Bulan Januari - Desember Tahun 2016 No Bulan Permintaan (Bag) Original Durian Nangka Coklat Jumlah 1 Januari 2.065 1.224 1.037 1.501 5.827 2 Februari 2.200 1.009 1.036 1.876 6.121 3 Maret 2.017 1.047 1.002 1.910 5.976 4 April 1.810 1.140 1.117 2.043 6.110 5 Mei 2.005 1.237 1.323 2.343 6.908 6 Juni 2.332 1.920 2.559 2.728 9.539 7 Juli 1.972 1.516 1.529 2.683 7.700 8 Agustus 2.358 1.526 1.467 1.869 7.220 9 September 1.832 1.220 2.176 2.578 7.806 10 Oktober 1.975 1.599 1.512 2.498 7.584 11 November 2.497 1.404 1.679 1.791 7.371 12 Desember 2.423 1.610 1.925 1.842 7.800 Ket: dalam 1 bag wingko babat sama dengan 20 bungkus wingko 40
41 4.2.2 Data Harga Pokok dan Harga Jual Tiap Jenis Produk Harga pokok dan harga penjualan untuk pembuatan masing-masing wingko berbeda-beda karena menggunakan jenis bahan yang berbeda. Harga Pokok dan harga Jual wingko per bag dapat dilihat dari tabel 4.2. Tabel 4.2 Harga Pokok dan Harga Jual Tiap Jenis Produk No Jenis Produk Harga Pokok Harga Jual 1 Wingko Original Rp. 13.000 Rp. 17.000 2 Wingko Durian Rp. 14.500 Rp. 19.000 3 Wingko Nangka Rp. 14.350 Rp. 19.000 4 Wingko Coklat Rp. 14.500 Rp. 19.000 Sumber: UD. Wingko Babat Pak Moel,2016 4.2.3 Data Ketersediaan Jam Kerja Jam kerja yang tersedia pada UD. Wingko babat Pak Moel adalah terdiri dari 8 jam dalam seharinya. Dalam 1 minggu terdiri dari 6 hari jam kerja. Untuk menentukan jam kerja yang tersedia, dapat digunakan rumus: Waktu kerja yang tersedia = ( waktu/hari) x (jumlah hari kerja/bulan) Waktu kerja yang tersedia pada tahun 2017 dapat dilihat pada tabel 4.3.
42 Tabel 4.3 Jam Kerja yang Tersedia Pada Tahun 2017 Bulan Jumlah Kerja Jam Kerja Tersedia (Jam) Jam Kerja Tersedia (Menit) Januari 26 208 12.360 Februari 24 192 11.520 Maret 27 216 12.960 April 26 208 12.480 Mei 26 208 12.480 Juni 26 208 12.480 Juli 26 208 12.480 Agustus 27 216 12.960 September 26 208 12.480 Oktober 26 208 12.480 November 26 208 12.480 Desember 27 216 12.960 Sumber Data: UD. Wingko Babat Pak Moel 4.2.4 Pemakaian dan Ketersediaan Bahan Baku Pemakaian bahan baku untuk setiap produk berbeda-beda tergantung dari jenis produk yang akan diproduksi namun untuk komposisinya relatif sama. Pemakaian bahan baku untuk membuat masing-masing produk dalam satu bag wingko babat dapat dilihat pada tabel 4.4. Tabel 4.4 Pemakaian Bahan Baku Per Bag No Bahan Baku Wingko Babat Original Durian Nangka Coklat 1 Kelapa 1 butir 1 butir 1 butir 1 butir 2 Tepung Ketan 0,15 kg 0,15 kg 0,15 kg 0,15 kg 3 Gula Pasir 0,1 kg 0,1 kg 0,1 kg 0,1 kg 4 Mentega 4 g 3 g 3 g 3 g 5 Vanili 2,5 g 2,5 g 2,5 g 2,5 g 6 Garam 3 g 3 g 3 g 3 g 7 Perasa Durian - 5 g
43 8 Perasa Nangka - 5 g 9 Perasa Coklat - 6 g Sumber: UD. Wingko Babat Pak Moel Jumlah ketersediaan bahan baku untuk satu bulan dilakukan dengan safety stock. Jumlah ketersediaan bahan baku wingko babat dapat dilihat pada tabel 4.5. Table 4.5 Data Ketersediaan Bahan Baku No Jenis Bahan Baku Ketersediaan 1 Kelapa 8500 Butir 2 Tepung Ketan 1200 Kg 3 Gula Pasir 800 Kg 4 Mentega 35000 gram 5 Vanili 25000 gram 6 Garam 25000 gram 7 Perasa Durian 8000 gram 8 Perasa Nangka 12000 g 9 Perasa Coklat 12000 g Sumber: UD. Wingko Babat Pak Moel
Jumlah Permintaan (bag) Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 44 4.2.5 Peramalan Permintaan Peramalan permintaan dilakukan untuk menentukan batasan target produksi, batasan target biaya produksi dan batasan target keuntungan yang ingin dicapai perusahaan. Langkah-langkah peramalan yang dilakukan untuk tiap jenis produk sebagai berikut: 1. Mendefinisikan Tujuan Peramalan Peramalan yang dilakukan bertujuan untuk meramalkan jumlah permintaan tiap jenis wingko babat pada periode bulan Januari 2016 Desember 2016. 2. Membuat Diagram Pola data dapat diketahui dengan melihat diagram dari jumlah permintaan tiap jenis wingko bulan Januari Desember 2016. Diagram permintaan untuk tiap jenis wingko dapat dilihat pada gambar berikut: 3000 2500 2000 1500 1000 500 0 Data Permintaan Wingko Babat Original Tahun 2016 Wingko Babat Original Gambar 4.1 Diagram Permintaan Wingko Babat Original Tahun 2016 Sumber: Olah data, 2017
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Jumlah Penjualan (bag) Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Jumlah Penjualan (bag) 45 Data Permintaan Wingko Babat Durian Tahun 2016 2500 2000 1500 1000 500 0 Wingko Babat Durian Gambar 4.2 Diagram Permintaan Wingko Babat Durian Tahun 2016 Sumber: Olah data, 2017 Data Permintaan Wingko Babat Nangka Tahun 2016 3000 2500 2000 1500 1000 Wingko Babat Nangka 500 0 Gambar 4.3 Diagram Permintaan Wingko Babat Nangka Tahun 2016 Sumber: Olah data, 2017
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Jumlah Penjualan (bag) 46 3000 2500 2000 1500 1000 500 0 Data Permintaan Wingko Babat Coklat Tahun 2016 Wingko Babat Coklat Gambar 4.2 Diagram Permintaan Wingko Babat Coklat Tahun 2016 Sumber: Olah data, 2017 3. Memilih Metode Peramalan yang Dianggap Tepat/Sesuai Pemilihan metode peramalan dilakukan setelah diperoleh model pola data. Dari model pola data permintaan wingko babat yang diperoleh bahwa pola data dihasilkan membentuk pola musiman (seasonal) karena data ini terjadi dipengaruhi oleh faktor musim. Dari data terlihat seperti di musim lebaran ataupun perayaan hari besar dibulan-bulan tertentu terjadi peningkatan permintaan. Oleh karena itu metode yang digunakan untuk meramalkan permintaan setiap jenis wingko babat untuk periode satu tahun kedepan menggunakan metode Moving Average, dan Double Ekponensial Smoothing. 4. Menghitung Parameter Peramalan Perhitungan parameter peramalan untuk produk wingko original dengan menggunakan software Minitab 16 dapat dilihat sebagai berikut:
Original 47 a. Metode Rata-rata Bergerak (Moving Average) Moving Average Plot for Original 3200 3000 2800 2600 2400 Variable Actual Fits Forecasts 95,0% PI Moving Average Length 2 Accuracy Measures MAPE 11,9 MAD 256,6 MSD 88456,4 2200 2000 1800 2 4 6 8 10 12 14 Index 16 18 20 22 24 Gambar 4.5 Time Series Moving Average Wingko Babat Sumber: Olah data, 2017 Tabel 4.6 Accuracy Measure MovingAverage Accuracy Measures MAPE 11,9 MAD 256,6 MSD 88456,4 Sumber: Olah data, 2017 Tabel 4.7 Hasil Forecast Moving Average Periode Forecast Lower Upper 13 2460 1877 3043 14 2460 1877 3043 15 2460 1877 3043 16 2460 1877 3043 17 2460 1877 3043 18 2460 1877 3043 19 2460 1877 3043 20 2460 1877 3043
Original 48 21 2460 1877 3043 22 2460 1877 3043 23 2460 1877 3043 24 2460 1877 3043 Sumber: Olah data, 2017 Dari hasil olahan forecast menggunakan metode moving average dengan lenght = 2 didapatkan bahwa nilai MAPE sebesar 11,9, nilai MAD sebesar 256,6 dan nilai MSD sebesar 88456,4 dengan continuous forecast sebesar 2460 dimana lower forecast adalah sebesar 1877 dan upper forecast sebesar 3043. b. Metode Pemulusan Eksponensial Ganda (Double Eksponential Smoothing) Smoothing Plot for Original Double Exponential Method 3500 3000 Variable Actual Fits Forecasts 95,0% PI Smoothing Constants Alpha (level) 0,214275 Gamma (trend) 0,224987 2500 Accuracy Measures MAPE 8,8 MAD 187,9 MSD 50831,3 2000 2 4 6 8 10 12 14 Index 16 18 20 22 24 Gambar 4.6 Double Ekponential Smoothing Wingko Babat Original Sumber: Olah data, 2017
49 Tabel 4.8 Accuracy Measure Double Eksponential Smoothing Accuracy Measures MAPE 8,8 MAD 187,9 MSD 50831,3 Sumber: Olah data, 2017 Tabel 4.9 Hasil Forecast Double Eksponential Smoothing Periode Forecast Lower Upper 13 2303 1843 2763 14 2341 1868 2813 15 2379 1893 2864 16 2417 1917 2916 17 2455 1940 2969 18 2492 1962 3023 19 2530 1983 3077 20 2568 2004 3132 21 2606 2024 3188 22 2644 2044 3244 23 2682 2063 3301 24 2720 2082 3358 Sumber: Olah data, 2017 Dari hasil olahan forecast menggunakan metode moving average dengan didapatkan bahwa nilai MAPE sebesar 8,8, nilai MAD sebesar 187,9 dan nilai MSD sebesar 50831,3. 5. Pemilihan Metode Peramalan Terbaik Permintaan Wingko Babat Pemilihan metode peramalan terhadap permintaan wingko babat adalah dengan melakukan perhitungan dan pengamatan terhadap perilaku
50 data series peramalan wingko babat selama satu tahun periode Januari 2016 sampai Desember 2016. Peramalan yang dilakukan dengan menggunakan metode time series seperti Metode Rata-rata Bergerak (Moving Average) dan Metode Pemulusan Eksponensial Ganda (Double Eksponensial Smoothing). Tujuan dari penggunaan beberapa metode peramalan tersebut adalah untuk mengetahui metode mana yang paling sesuai dengan pola data peramalan wingko babat sehingga sesuai untuk meramalkan tingkat peramalan satu tahun mendatang. Berdasarkan hasil penerapan metode peramalan dipilih metode peramalan terbaik ditunjukkan oleh nilai MAPE, MAD dan MSD terkecil dibandingkan dengan metode lainnya. Hal ini dikarenakan semakin kecil nilai MAPE suatu peramalan maka semakin mendekati nilai akurat. Tabel 4.10 menunjukkan hasil perhitungan beberapa metode peramalan permintaan wingko babat original. Tabel 4.10 Nilai Perhitungan Beberapa Metode Peramalan No Metode Peramalan Nilai MAPE Nilai MAD Nilai MSD 1 Moving Average 11,9 256,6 88456,4 2 Double Eksponential 8,8 187,9 50831,3 Smoothing Sumber : Olah data, 2017 Berdasarkan perhitungan pada Tabel 4.10 tersebut, diketahui nilai MAPE terkecil yang diperoleh wingko babat original sebesar 8,8 dihasilkan oleh perhitungan menggunakan metode Double Moving Average. Perhitungan peramalan untuk produk lainnya juga menggunakan metode Moving average dan Double ekponential smoothing. Dengan cara yang sama
51 dicari peramalan permintaan untuk produk lainnya. Perhitungan untuk parameter dan error setiap produk dapat dilihat pada lampiran 2. Hasil rekapitulasi peramalan untuk produk wingko original, wingko durian, wingko nangka dan wingko coklat pada tahun 2017 adalah sebagai berikut: Tabel 4.11 Hasil Rekapitulasi Peramalan Setiap Produk Tahun 2017 No Bulan Original (Bag) Durian (bag) Nangka (bag) Coklat (bag) 1 Januari 2303 1507 1947 1940 2 Februari 2341 1507 1987 1940 3 Maret 2379 1507 2027 1939 4 April 2417 1507 2067 1938 5 Mei 2455 1507 2107 1936 6 Juni 2492 1507 2147 1936 7 Juli 2530 1507 2187 1935 8 Agustus 2568 1507 2227 1934 9 September 2606 1507 2267 1933 10 Oktober 2644 1507 2307 1932 11 November 2682 1507 2347 1931 12 Desember 2720 1507 2387 1.794 Total 30.137 18.084 26.004 23.228 Sumber: Olah Data, 2017
52 4.2 Penyelesaian Goal Programming 4.2.1 Perhitungan Keuntungan Tiap Jenis Produk Berdasarkan hasil pengamatan, dari data penjualan didapatkan keuntungan yang diperoleh dari rumus: Keuntungan = harga jual harga pokok. Hasil keuntungan tiap produk seperti pada tabel berikut: Tabel 4.12 Keuntungan Tiap Jenis Produk No Jenis Produk Keuntungan per bag 1 Wingko Babat Original Rp. 4.000 2 Wingko Babat Durian Rp. 4.500 3 Wingko Babat Nangka Rp. 4.650 4 Wingko Babat Coklat Rp. 4.500 Sumber : UD. Wingko Babat Pak Moel, 2016 4.2.2 Batasan Target Keuntungan Wingko Babat Tahun 2017 Target keuntungan wingko babat tahun 2017 diperoleh dari hasil kali ramalan jumlah produksi wingko per bulan dengan keuntungan per bag wingko babat. Perhitungannya dapat dirumuskan sebagai berikut: Proyeksi Keuntungan (PK): Dengan: = Keuntungan per unit produk i = jumlah produk i yang diproduk
53 = banyak jenis produk Tabel 4.13 Target Keuntungan Wingko Babat Tahun 2017 No. Bulan Ramalan (bag) Target 1 Januari 2 Februari 3 Maret 4 April 5 Mei 6 Juni 7 Juli 8 Agustus 9 September 10 Oktober 11 November 12 Desember Keuntungan 7697 Rp33.777.050 7775 Rp34.115.050 7852 Rp34.448.550 7929 Rp34.782.050 8005 Rp35.111.050 8082 Rp35.445.050 8159 Rp35.778.550 8236 Rp36.112.050 8314 Rp36.450.050 8391 Rp36.783.550 8468 Rp37.117.050 8545 Rp37.450.550 Sumber: Olah data, 2017 4.2.3 Perhitungan Waktu Penyelesaian Produk dan Ketersediaan Waktu Kerja Perhitungan waktu penyelesaian dan ketersediaan waktu kerja sebagai fungsi kendala digunakan untuk mengubungkan antara waktu produksi dengan jumlah yang dihasilkan. Formulasi yang digunakan untuk merumuskan fungsi kendala ini adalah: Dengan :
54 A = waktu yang dibutuhkan untuk memproduksi 1 bag wingko X JK = Variabel keputusan untuk jenis wingko ke-i = Jumlah jam kerja yang tersedia i = Jenis wingko (i = 1,2,3,4) j = bulan (1,2,...,12) = banyak jenis produk Dalam sekali produksi menghasilkan 50 bag wingko babat. Perhitungan waktu produksi untuk 1 bag dapat dilihat pada tabel 4.14. Tabel 4.14 Kecepatan Waktu Produksi No Produk Jumlah produk dalam sekali produksi Waktu Penyelesaian (Menit) Waktu rata-rata yang dibutuhkan per bag (Menit) 1 Wingko Original 50 bag 60 1.2 2 Wingko Durian 50 bag 75 1.5 3 Wingko Nangka 50 bag 75 1.5 4 Wingko Coklat 50 bag 75 1.5 Sumber: UD. Wingko Babat Pak Moel, 2016 4.2.4 Perhitungan Pemakaian dan Ketersediaan Bahan Baku Pemakaian dan ketersediaan bahan baku sebagai fungsi kendala adalah untuk melihat hubungan antara pemakaian dan ketersediaan bahan baku dengan jumlah produk yang dihasilkan. Pemakaian bahan baku dapat dilihat pada tabel 4.5.
55 Jumlah pemakaian bahan baku masing-masing produk harus lebih kecil atau sama dengan ketersediaan bahan baku tersebut. Rumus yang digunakan adalah: Dengan: B X BT i = Jumlah pemakaian bahan baku setiap wingko = Variabel keputusan untuk jenis wingko ke- i = Jumlah ketersediaan bahan baku = jenis wingko l = jenis bahan baku (l = 1,2,3,...,7) = banyak jenis produk B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 B 9 = Jumlah pemakaian kelapa = Jumlah pemakaian tepung ketan = Jumlah pemakaian gula pasir = Jumlah pemakaian mentega = Jumlah pemakaian vanili = Jumlah pemakaian garam = Jumlah pemakaian perasa durian = Jumlah pemakaian perasa nangka = Jumlah pemakaian perasa coklat
56 Berdasarkan penilitian terdahulu Nurti Gusnita (2011), menggunakan bahan baku sebagai fungsi kendala dalam pembuatan produk keripik model goal programming. Dalam penelitian ini rumus fungsi kendala pemakaian bahan baku satu bag wingko setiap bulannya adalah: a. Fungsi kendala pemakaian kelapa - b. Fungsi kendala pemakaian tepung ketan - c. Fungsi kendala pemakaian gula - d. Fungsi kendala pemakaian margarin - e. Fungsi kendala pemakaian vanili - f. Fungsi kendala pemakaian garam -
57 g. Fungsi kendala pemakaian perasa durian - h. Fungsi kendala pemakaian perasa nangka - i. Fungsi kendala pemakaian perasa coklat - 4.3 Pembahasan 4.3.1 Formulasi Model Goal Programming 1. Penetapan sasaran yang ingin dicapai Untuk sasaran dalam permasalahan ini adalah sebagai berikut: a. Memaksimalkan volume produksi. b. Memaksimalkan keuntungan. 2. Variabel Keputusan Variabel-variabel yang digunakan dalam perumusan Goal Programming ini adalah sebagai berikut: X 1 X 2 X 3 X 4 = Jumlah produksi wingko babat original = Jumlah produksi wingko babat durian = Jumlah produksi wingko babat nangka = Jumlah produksi wingko babat coklat
58 3. Fungsi Pembatas Model Fungsi-fungsi pembatas dari model Goal Programming pada permasalahan yang dihadapi oleh UD. Wingko Babat Pak Moel dapat dirumuskan sebagai berikut: a. Pembatas Target Permintaan Pasar Untuk memenuhi target permintaan pasar, maka deviasi negatif dan deviasi positif dari pembatas target permintaan harus diminimumkan. b. Pembatas Keuntungan Penjualan Pembatas ini bertujuan untuk mencapai target keuntungan dari penjualan yang telah ditetapkan dan bila mungkin dimaksimumkan.
59 c. Pembatas ketersediaan waktu kerja Pembatas ini bertujuan untuk mencapai target ketersediaan waktu kerja dengan jumlah permintaan yang diharapkan penyimpangan kelebihan jam kerja diusahakan nol. d. Pembatasan pemakaian dan ketersediaan bahan baku Dalam hal ini, sesuai sasaran kelebihan bahan baku diusahakan nol. Untuk itu model kendala goal programmingnya adalah: a. b. c. d. e. f. g. h. i.
60 4. Fungsi Tujuan Model Berdasarkan pembatas-pembatas tujuan yang diuraikan dan sesuai dengan prioritas yang telah ditetapkan maka fungsi tujuan model Goal Programming ini dapat dirumuskan sebagai berikut: Sesuai dengan tujuan yang ingin dicapai yaitu memaksimalkan jumlah volume permintaan dan memaksimalkan keuntungun, maka formulasi perencanaan produksi Goal Programming untuk kasus ini adalah sebagai berikut: Tabel 4.15 Formulasi Fungsi Tujuan Perencanaan Produksi Tiap Bulan Bulan Fungsi Tujuan Kendala : - Pembatas Target Permintaan Pasar Januari 2017 - Pembatas Keuntungan Penjualan - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku
61 Kendala : - Pembatas Target Permintaan Pasar - Pembatas Keuntungan Penjualan Februari 2017 - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku
62 Tabel 4.15 Formulasi Fungsi Tujuan Perencanaan Produksi Tiap Bulan (lanjutan) Bulan Fungsi Tujuan Kendala : - Pembatas Target Permintaan Pasar - Pembatas Keuntungan Penjualan Maret 2017 - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku
63 Kendala: - Pembatas Target Permintaan Pasar - Pembatas Keuntungan Penjualan April 2017 - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku Tabel 4.15 Formulasi Fungsi Tujuan Perencanaan Produksi Tiap Bulan (lanjutan) Bulan Fungsi Tujuan Mei 2017
64 Kendala : - Pembatas Target Permintaan Pasar - Pembatas Keuntungan Penjualan - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku Juni 2017 Kendala: - Pembatas Target Permintaan Pasar
65 - Pembatas Keuntungan Penjualan - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku Tabel 4.15 Formulasi Fungsi Tujuan Perencanaan Produksi Tiap Bulan (lanjutan) Bulan Fungsi Tujuan Juli 2017 Kendala : - Pembatas Target Permintaan Pasar
66 - Pembatas Keuntungan Penjualan - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku Kendala: - Pembatas Target Permintaan Pasar Agustus 2017 - Pembatas Keuntungan Penjualan
67 - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku Tabel 4.15 Formulasi Fungsi Tujuan Perencanaan Produksi Tiap Bulan (lanjutan) Bulan Fungsi Tujuan Kendala : - Pembatas Target Permintaan Pasar September 2017 - Pembatas Keuntungan Penjualan
68 - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku Kendala: - Pembatas Target Permintaan Pasar Oktober 2017 - Pembatas Keuntungan Penjualan - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku
69 Tabel 4.15 Formulasi Fungsi Tujuan Perencanaan Produksi Tiap Bulan (lanjutan) Bulan Fungsi Tujuan Kendala : - Pembatas Target Permintaan Pasar November 2017 - Pembatas Keuntungan Penjualan - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku
70 Kendala: - Pembatas Target Permintaan Pasar - Pembatas Keuntungan Penjualan Desember 2017 - Pembatas Ketersediaan Jam Kerja - Pembatas Ketersediaan Bahan Baku
71 4.3.2 Penyelesaian Model Data yang telah dikumpulkan diolah menjadi formulasi dalam bentuk model goal programming. Hasil formulasi data dihitung berdasarkan masingmasing tujuan dan fungsi kendalanya dengan menggunakan software LINDO. Hasil penyelesaian model goal programming dapat dilihat pada output software LINDO berikut ini: MIN DB1 + DB2 + DB3 + DB4 + DB5 + DA6 + DA7 + DA8 + DA9 + DA10 + DA11 + DA12 + DA13 + DA14 + DA15 SUBJECT TO X1 + DB1 - DA1 = 2303 X2 + DB2 - DA2 = 1507 X3 + DB3 - DA3 = 1947 X4 + DB4 - DA4 = 1940 4000X1 + 4500X2 + 4650X3 + 4500X4 + DB5 - DA5 = 33777050 1.2X1 + 1.5X2 + 1.5X3 + 1.5X4 + DB6 - DA6 = 12360 1X1 + 1X2 + 1X3 + 1X4 + DB7 - DA7 = 8500 0.15X1 + 0.15X2 + 0.15X3 + 0.15X4 + DB8 - DA8 = 1200 0.1X1 + 0.1X2 + 0.1X3 + 0.1X4 + DB9 - DA9 = 800 4X1 + 3X2 + 3X3 + 3X4 + DB10 - DA10 = 35000 2.5X1 + 2.5X2 + 2.5X3 + 2.5X4 + DB11 - DA11 = 25000 3X1 + 3X2 + 3X3+ 3X4 + DB12 - DA12 = 25000
72 5X2 + DB13 - DA13 = 8000 5X3 + DB14 - DA14 = 12000 6X4 + DB15 - DB15 = 12000 END OUTPUT: LP OPTIMUM FOUND AT STEP 3 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00 VARIABLE VALUE REDUCED COST DB1 0.000000 1.000000 DB2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 DB5 0.000000 1.000000 DA6 0.000000 1.000000 DA7 0.000000 1.000000 DA8 0.000000 1.000000 DA9 0.000000 1.000000 DA10 0.000000 1.000000 DA11 0.000000 1.000000 DA12 0.000000 1.000000 DA13 0.000000 1.000000 DA14 0.000000 1.000000 DA15 0.000000 1.000000
73 X1 2303.000000 0.000000 DA1 0.000000 0.000000 X2 1507.000000 0.000000 DA2 0.000000 0.000000 X3 1947.000000 0.000000 DA3 0.000000 0.000000 X4 2000.000000 0.000000 DA4 60.000000 0.000000 DA5 270002.000000 0.000000 DB6 1415.400024 0.000000 DB7 743.000000 0.000000 DB8 36.450001 0.000000 DB9 24.299999 0.000000 DB10 9426.000000 0.000000 DB11 5607.500000 0.000000 DB12 1729.000000 0.000000 DB13 465.000000 0.000000 DB14 2265.000000 0.000000 DB15 0.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 6) 0.000000 0.000000 7) 0.000000 0.000000
74 8) 0.000000 0.000000 9) 0.000000 0.000000 10) 0.000000 0.000000 11) 0.000000 0.000000 12) 0.000000 0.000000 13) 0.000000 0.000000 14) 0.000000 0.000000 15) 0.000000 0.000000 16) 0.000000 0.000000 NO. ITERATIONS= 3 Hasil Penyelesaian perencanaan produksi dengan menggunakan metode goal programming dapat dilihat pada lampiran 3. Hasil pengolahan data dengan menggunakan software LINDO, maka dapat diketahui jumlah optimal produksi yang ditampilkan untuk produk wingko babat UD. Wingko babat Pak Moel, jumlah produksi yang ditampilkan oleh software LINDO ini merupakan hasil optimum dengan mempertimbangkan kendala-kendala yang ada. Dari hasil formulasi model goal programming mendapatkan jumlah perencanaan produksi yang optimum untuk periode Januari sampai dengan Desember 2017 dapat dilihat pada tabel 4.16: Tabel 4.16 Hasil Perencanaan Produksi Menggunakan Goal Programming Produksi Wingko Babat No Bulan Durian Nangka Coklat Original (bag) (bag) (bag) (bag) 1 Januari 2303 1507 1947 2000 2 Februari 2341 1507 1987 2000 3 Maret 2379 1507 2027 2000
75 4 April 2417 1507 2067 2000 5 Mei 2455 1507 2107 2000 6 Juni 2492 1507 2147 2000 7 Juli 2530 1507 2187 2000 8 Agustus 2568 1507 2227 2000 9 September 2559 1507 2267 2000 10 Oktober 2568 1507 2307 2000 11 November 2605 1507 2347 2000 12 Desember 2643 1507 2387 2000 Total 29860 18084 26004 24000 Sumber: Olah Data, 2017 Dengan kombinasi produk yang diperoleh, maka nilai untuk masing-masing sasaran untuk bulan Januari 2017 adalah: 1. Perhitungan Keuntungan Bulan Januari 2017 Keuntungan optimal dari kombinasi produk yang diperoleh dengan menggunakan goal programming untuk bulan Januari 2017 adalah: Keuntungan yang diperoleh = (jumlah wingko original x keuntungan original) + (jumlah wingko durian x keuntungan durian) + ( jumlah wingko nangka x keuntungan nangka) + (jumlah wingko coklat x keuntungan coklat).
76 2. Perhitungan Pemakaian Jam Kerja Bulan Januari 2017 Penggunaan jam kerja dalam satu tahun dari hasil perencanaan produksi goal programming adalah: Pemakaian Jam Kerja = (Jam kerja wingko original x jumlah wingko original) + (Jam kerja wingko durian x jumlah wingko durian) + (jam kerja wingko nangka x jumlah wingko nangka) + (jam kerja wingko coklat + jumlah wingko coklat). = 1,2 menit (2303) + 1.5 menit (1507) + 1,5 menit (1947) + 1,5 menit (2000) = 10.945 menit Rekapitulasi hasil perencanaan produksi dengan menggunakan goal programming dapat dilihat pada tabel 4.17. Tabel 4.17 Hasil Perencanaan Keuntungan dan Jam Kerja Produksi No Bulan Keuntungan Optimal Pemakaian Jam Kerja (Menit) 1 Januari Rp34.047.050 10.945 2 Februari Rp34.385.050 11.050 3 Maret Rp34.723.050 11.156 4 April Rp35.061.050 11.261 5 Mei Rp35.399.050 11.367 6 Juni Rp35.733.050 11.471 7 Juli Rp36.071.050 11.577 8 Agustus Rp36.409.050 11.683 9 September Rp36.559.050 11.732 10 Oktober Rp36.781.050 11.803 11 Nopember Rp37.115.050 11.907 12 Desember Rp37.453.050 12.013 Sumber: Olah data,2017
77 4.4 Analisis Pembahasan Analisis pembahasan terdiri dari analisis hasil peramalan dan analisis perencanaan produksi dengan menggunakan Goal Programming. 4.4.1 Analisis Hasil Peramalan Peramalan permintaan merupakan tingkat permintaan terhadap produk yang diprediksi untuk jangka waktu tertentu pada masa yang akan datang. Perhitungan peramalan permintaan dalam penelitian ini digunakan menghitung kouta permintaan pada 12 periode yang akan datang. Data yang digunakan untuk meramalkan adalah data permintaan pada tahun 2016. Dari scatter diagram yang diperoleh, maka dilakukan perhitungan parameter-parameter peramalan menggunakan software minitab 16. Pemilihan metode terbaik dilakukan berdasarkan nilai MAPE (tingkat kesalahan) terkecil. Metode peramalan yang digunakan untuk meramalkan permintaan dapat dilihat pada tabel 4.18 berikut: Tabel 4.18 Metode yang Digunakan untuk Meramalkan Permintaan Pada Tahun 2016 No Jenis Wingko Metode yang Digunakan 1 Wingko Original Double Eksponential Smoothing 2 Wingko Durian Moving Average 3 Wingko Nangka Double Eksponential Smoothing 4 Wingko Coklat Double Eksponential Smoothing Sumber : Olah Data, 2017
78 4.4.2 Analisis Perencanaan Produksi 1. Analisis Volume Produksi Sasaran dalam perencanaan produksi yaitu memaksimalkan volume produksi. berdasarkan hasil peramalan diperoleh jumlah permintaan untuk 12 periode kedepan. Hasil peramalan yang diperoleh dijadikan sebagai acuan dalam melakukan perencanaan produksi dengan menggunakan Goal Programming. Hasil perencanaan produksi dengan menggunakan Goal Programming menghasilkan jumlah produksi optimal yang dapat dihasilkan dengan memenuhi fungsi tujuan dan fungsi kendala yang dimiliki perusahaan. Selisih antara jumlah produksi dari hasil peramalan dengan perencanaan produksi optimal dapat dilihat pada tabel 4.19 berikut: Tabel 4.19 Selisih Peramalan dengan Hasil Optimasi Perencanaan Produksi Goal Programming Tahun 2017 No Jenis Produk Peramalan Goal programming Selisih (bag) (bag) (bag) 1 Original 30137 29860-227 2 Durian 18084 18084 0 3 Nangka 26004 26004 0 4 Coklat 23228 24000 772 Sumber: Olah Data, 2017 Dari Tabel 4.19 diperoleh bahwa sasaran memaksimalkan volume produksi dengan goal programming tercapai. Jumlah volume produksi yang direncanakan dengan menggunakan goal programming hampir sama dengan jumlah permintaan yang diramalkan. Volume produksi yang dimaksimalkan terdapat pada produk wingko coklat sebesar 772 bag. Hal ini dikarenakan pada beberapa periode kendala jam kerja dan ketersediaan bahan baku yang
79 digunakan dalam goal programming dapat dioptimalkan. Jika melihat sistem produksi di perusahaan yang bersifat make to order, perencanaan yang dilakukan dapat digunakan untuk merencanakan stock bahan baku setiap bulannya. Sehingga perencanaan yang dilakukan dapat digunakan untuk memenuhi jumlah permintaan setiap bulannya guna untuk menghindari ketidaksesuaian jumlah produksi yang diminta dan keterlambatan penyelesaian barang yang diminta. 2. Analisis Pencapaian Sasaran Memaksimalkan Keuntungan Dengan jumlah kombinasi produk yang diperoleh dari formulasi goal programming, maka hasil sasaran memaksimalkan keuntungan dari keempat produk dibandingkan dengan jumlah keuntungan jika menggunakan peramalan seperti pada tabel 4.20 berikut: Tabel 4.20 Penyimpangan antara Target Keuntungan dengan Solusi Optimal Goal Programming No Bulan Keuntungan Target Keuntungan Solusi Optimal Goal Programming 1 Januari Rp33.777.050 Rp34.047.050 2 Februari Rp34.115.050 Rp34.385.050 3 Maret Rp34.448.550 Rp34.723.050 4 April Rp34.782.050 Rp35.061.050 5 Mei Rp35.111.050 Rp35.399.050 6 Juni Rp35.445.050 Rp35.733.050 7 Juli Rp35.778.550 Rp36.071.050 8 Agustus Rp36.112.050 Rp36.409.050 9 September Rp36.450.050 Rp36.559.050
80 10 Oktober Rp36.783.550 Rp36.781.050 11 Nopember Rp37.117.050 Rp37.115.050 12 Desember Rp37.450.550 Rp37.453.050 Total Rp427.370.600 Rp429.736.600 Sumber: Olah data, 2017 Salah satu sasaran dalam perencanaan produksi yang optimal memaksimalkan keuntungan. Pada tabel 4.20 dapat dilihat Target yang ditetapkan sesuai dengan perencanaan sebelumnya sebelumnya bahkan keuntungan melebihi target sasaran dengan kombinasi optimal yang lebih menguntungkan dengan menggunakan perencanaan goal programming. total keuntungan dengan menggunakan perencanaan goal programming selama tahun 2017 adalah Rp. 429.736.600. Dari data keuntungan pada periode sebelumnya pada tahun 2016 didapatkan keuntungan sebesar Rp. 376.840.300,- dan adapaun keuntungan yang didapatkan dengan menggunakan metode Goal Programming untuk periode tahun 2017 keuntungan diperoleh Rp. 429.736.600. Jadi, selisih peningkatan keuntungannya yaitu sebesar Rp. 52.896.300. 3. Analisis pencapaian Sasaran Pemakaian Jam Kerja Selisih pemakaian jam kerja yang telah dioptimalkan menggunakan perencanaan goal programming dengan jumlah ketersediaan jam kerja guna dapat dilihat pada tabel 4.21 berikut:
81 Tabel 4.21 Selisih Pemakaian Jam Kerja dan Ketersediaan Jam Kerja No Bulan Jam Kerja Tersedia (Menit) Pemakaian Jam Kerja (Menit) 1 Januari 12.360 10.945 2 Februari 11.520 11.050 3 Maret 12.960 11.156 4 April 12.480 11.261 5 Mei 12.480 11.367 6 Juni 12.480 11.471 7 Juli 12.480 11.577 8 Agustus 12.960 11.683 9 September 12.480 11.732 10 Oktober 12.480 11.803 11 November 12.480 11.907 12 Desember 12.960 12.013 Total 150.120 137.964 Sumber: Olah data, 2017 Pemakaian Jam kerja Tahun 2017 sebesar 137.964 menit lebih kecil daripada jam kerja yang tersedia sebesar 150.120 menit, sehingga UD. Wingko Babat Pak Moel tidak perlu melakukan lembur. Dilihat dari kelebihan jam kerja yang tersedia ini maka sasaran untuk mengoptimalkan jam kerja tercapai. 4. Analisis Pencapaian Sasaran Pemakaian Bahan Baku Pemakaian bahan baku selama perencanaan jika dibandingkan dengan ketersediaan bahan baku, maka dapat dilihat bahwa bahan baku tidak habis terpakai. Persentase pemakaian bahan baku dapat dilihat pada tabel berikut:
82 Tabel 4.21 Persentase Pemakaian Bahan Baku Periode Januari - Desember 2017 Bulan Pemakaian Bahan Bahan Baku Bahan Baku yang Persentase Baku yang Terpakai Tersedia Pemakaian Kelapa 7757 butir 8500 butir 91% Tepung Ketan 1163,55 kg 1200 kg 97% Gula Pasir 775 kg 800 kg 97% Mentega 20444 g 35000 g 58% Januari Vanili 19392,5 g 25000 g 78% Garam 23271 g 25000 g 93% Durian 7535 g 8000 g 94% Nangka 9735 g 12000 g 81% Coklat 12000 g 12000 g 100% Kelapa 7835 butir 8500 butir 98% Tepung Ketan 1175,25 kg 1200 kg 98% Gula Pasir 775,7 kg 800 kg 97% Mentega 25846 g 35000 g 74% Februari Vanili 19587,5 g 25000 g 78% Garam 23505 g 25000 g 94% Durian 7535 g 8000 g 94% Nangka 9935 g 12000 g 83% Coklat 12000 g 12000 g 100% Kelapa 8459 butir 8500 butir 100% Tepung Ketan 1268,85 kg 1200 kg 106% Gula Pasir 838,2 kg 800 kg 105% Mentega 27982 g 35000 g 80% Maret Vanili 21147,5 g 25000 g 85% Garam 25377 g 25000 g 102% Durian 7535 g 8000 g 94% Nangka 11735 g 12000 g 98% Coklat 12000 g 12000 g 100% Kelapa 7991 butir 8500 butir 94% Tepung Ketan 1198,65 kg 1200 kg 100% Gula Pasir 799,1 kg 800 kg 100% Mentega 26390 g 35000 g 75% April Vanili 19977,5 g 25000 g 80% Garam 23973 g 25000 g 96% Durian 7535 g 8000 g 94% Nangka 10335 g 12000 g 86% Coklat 12000 g 12000 g 100%
83 Tabel 4.21 Persentase Pemakaian Bahan Baku Periode Januari - Desember 2016 (Lanjutan) Bulan Pemakaian Bahan Bahan Baku Bahan Baku yang Persentase Baku yang Terpakai Tersedia Pemakaian Kelapa 8069 butir 8500 butir 95% Tepung Ketan 1210,35 kg 1200 kg 101% Gula Pasir 806,9 kg 800 kg 101% Mentega 26662 g 35000 g 76% Mei Vanili 20172,5 g 25000 g 81% Garam 24207 g 25000 g 97% Durian 7535 g 8000 g 94% Nangka 10535 g 12000 g 88% Coklat 12000 g 12000 g 100% Kelapa 8146 butir 8500 butir 96% Tepung Ketan 1221,9 kg 1200 kg 102% Gula Pasir 814,6 kg 800 kg 102% Mentega 26930 g 35000 g 77% Juni Vanili 20365 g 25000 g 81% Garam 24438 g 25000 g 98% Durian 7535 g 8000 g 94% Nangka 10735 g 12000 g 89% Coklat 12000 g 12000 g 100% Kelapa 8224 butir 8500 butir 97% Tepung Ketan 1233,6 kg 1200 kg 103% Gula Pasir 822,4 kg 800 kg 78% Mentega 27202 g 35000 g 82% Juli Vanili 20560 g 25000 g 99% Garam 24672 g 25000 g 94% Durian 10935 g 8000 g 91% Nangka 10935 g 12000 g 100% Coklat 12000 g 12000 g 103% Kelapa 8302 butir 8500 butir 98% Tepung Ketan 1245,3 kg 1200 kg 104% Gula Pasir 830,2 kg 800 kg 104% Mentega 27474 g 35000 g 78% Agustus Vanili 20755 g 25000 g 83% Garam 24906 g 25000 g 100% Durian 7535 g 8000 g 94% Nangka 11135 g 12000 g 93% Coklat 12000 g 12000 g 100%
84 Tabel 4.21 Persentase Pemakaian Bahan Baku Periode Januari - Desember 2016 (Lanjutan) Bulan Pemakaian Bahan Bahan Baku Bahan Baku yang Persentase Baku yang Terpakai Tersedia Pemakaian Kelapa 8333 butir 8500 butir 98% Tepung Ketan 1249,95 kg 1200 kg 104% Gula Pasir 833,3 kg 800 kg 104% Mentega 27558 g 35000 g 79% September Vanili 20832,5 g 25000 g 83% Garam 24999 g 25000 g 100% Durian 7535 g 8000 g 94% Nangka 11335 g 12000 g 96% Coklat 12000 g 12000 g 100% Kelapa 8382 butir 8500 butir 99% Tepung Ketan 1257,3 kg 1200 kg 105% Gula Pasir 838,2 kg 800 kg 105% Mentega 27714 g 35000 g 79% Oktober Vanili 20955 g 25000 g 84% Garam 25146 g 25000 g 101% Durian 7535 g 8000 g 94% Nangka 11535 g 12000 g 96% Coklat 12000 g 12000 g 100% Kelapa 8459 butir 8500 butir 100% Tepung Ketan 1268,85 kg 1200 kg 106% Gula Pasir 845,9 kg 800 kg 106% Mentega 25162 g 35000 g 72% November Vanili 19242,5 g 25000 g 77% Garam 25377 g 25000 g 102% Durian 7535 g 8000 g 94% Nangka 11735 g 12000 g 98% Coklat 12000 g 12000 g 100% Kelapa 8537 butir 8500 butir 100% Tepung Ketan 1280,55 kg 1200 kg 107% Gula Pasir 853,7 kg 800 kg 107% Mentega 28254 g 35000 g 81% Desember Vanili 21342,5 g 25000 g 85% Garam 25611 g 25000 g 102% Durian 7535 g 8000 g 94% Nangka 11935 g 12000 g 99% Coklat 12000 g 12000 g 100% Sumber data : Olah data, 2017
85 Dari tabel 4.21 dapat dilihat bahwa usaha untuk meminimumkan pemakaian bahan baku dengan terjadinya peningkatan produksi tercapai dimana bahan baku masih berada dalam batas ketersediaan. Beberapa pemakaian bahan baku terjadi kelebihan beberapa persen dari ketersediaan bahan baku yang ada. Namun beberapa jumlah bahan baku juga tersisa cukup banyak, oleh karena itu UD. Wingko Babat Pak Moel perlu mengurangi persediaan bahan baku yang persentasi pemakaiannya cukup kecil dibandingkan ketersediaan selama ini guna mengurangi biaya penyimpanan bahan baku dan mencegah kerugian akibat bahan baku yang rusak.