chapter iii vii

5/13/2018 Chapter III Vii - slidepdf.com

http://slidepdf.com/reader/full/chapter-iii-vii-55a74d60acd7f 1/74

V-31

BAB III

TINJAUAN PUSTAKA

3.1. Peramalan ( Forecasting)

Peramalan merupakan tahap awal dari perencanaan dan pengendalian

produksi. Peramalan adalah pemikiran terhadap suatu besaran, misalnya

permintaan terhadap suatu atau beberapa produk pada periode yang akan datang.

Pada hakekatnya peramalan merupakan suatu perkiraan terhadap keadaan yang

akan terjadi di masa yang akan datang. Keadaan masa yang akan datang yang

dimaksud adalah :

1. Apa yang dibutuhkan (jenis)

2. Berapa yang dibutuhkan (jumlah/kuantitas)

3. Kapan dibutuhkan (waktu)

Tujuan peramalan dalam kegiatan produksi adalah untuk meredam

ketidakpastian, sehingga diperoleh suatu perkiraan yang mendekati keadaan yang

sebenarnya. Peramalan tidak akan pernah “ perfect ”, tetapi meskipun demikian

hasil peramalan akan memberikan arahan bagi suatu perencanaan. Suatu

perusahaan biasanya menggunakan prosedur tiga tahap untuk sampai pada

peramalan penjualan, yaitu diawali dengan melakukan peramalan lingkungan,

diikuti dengan peramalan penjualan industri, dan diakhiri dengan peramalan

penjualan perusahaan.



V-32

3.1.1. Pendefinisian Tujuan Peramalan

Tujuan peramalan dilihat dengan waktu:

a. Jangka pendek (short term)

Menentukan kuantitas dan waktu dari item dijadikan produksi. Biasanya

bersifat harian ataupun mingguan dan ditentukan oleh low management .

b. Jangka menengah (medium term)

Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya bersifat

bulanan ataupun kuartal dan ditentukan oleh middle management .

c. Jangka panjang (long term)

Menentukan kuantitas dan waktu dari fasilitas produksi. Biasanya bersifat

tahunan, 5 tahun, 10 tahun, ataupun 20 tahun dan ditentukan oleh top

management .

3.1.2. Peranan Peramalan dalam Sistem Produksi

Peranan peramalan dalam perencanaan proses produksi adalah sebagai

berikut:

1. Business Planning

Berisi rencana pendanaan, pembiayaan dan keuangan perusahaan sebagai

dasar untuk membuat rencana pemasaran.

2. Marketing Planning

Rencana tentang produk yang akan dibuat, penjualan dan pemasaran, sebagai

dasar untuk membuat production planning.



V-33

3. Master Production Schdule

Rencana produk akhir yang harus dibuat pada tiap periode selama 1-5 tahun.

Produk akhir, merupakan dekomposisi dari production planning .

4. Requirement Planning

Rencana kapasitas yang diperlukan untuk memenuhi production plan, dapat

dinyatakan dalam jam-orang atau jam-mesin. Merupakan bahan pertimbanagn

untuk ekspansi orang, mesin, pabrik, dan lain-lain, yang ditetapkan

berdasarkan kapasitas yang tersedia.

5. Rought Cut Capacity Planning (RCPP)

Rencana untuk menentukan kapasitas yang diperlukan untuk memenuhi MPS.

Hasilnya berupa jenis orang/mesin yang diperlukan untuk tiap work centre

pada setiap periode. Merupakan bahan pertimbangan untuk penambahan jam

kerja atau sub kontrak.

6. Demand Management

Aktivitas memprediksi kebutuhan di masa datang dikaitkan dengan kapasitas.

Terdiri dari aktivitas forecasting, distribution requirement planning, order

entry, shipment, dan service part requirement.

7. Material Requirement Planning

Menetapkan rencana kebutuhan material untuk melaksanakan MPS. Output

MRP adalah purchasing dan PAC (Production Activity Control), dan MRP

menghasilkan rencana pembelian meliputi jumlah due date, release date.



V-34

8. Capacity Requirement Planning

Rencana kebutuhan kapasitas yang dibutuhkan untuk merelealisasikan MPS di

tiap periode dan tiap mesin. CRP lebih teliti dan lebih rinci dibanding RCCP,

karena disarkan pada planned order . Jika kapasitas tidak tersedia bisa

ditambah dengan over time, merubah routing dan lain-lain. Jika tidak tercapai

MPS harus dirubah.

9. Production Activity Control (PAC)

Sering disebut distributor shop floor control (SFC), aktivitas membuat produk

setelah bahan dibeli. PAC terdiri dari aktivitas awal-akhir suatu job

berdasarkan urutan kedatangan job, lalu membebankan job ke work station,

dan melakukan pelaporan. Hasil laporan akan merupakan feedback bagi MPS.

10. Purchasing

Merupakan aktivitas memilih vendor , membuat order pembelian, dan

menjadwalkan vendor .

11. Performance Measurement

Evaluasi sistem untuk melihat seberapa jauh hasil yang diperoleh

dibandingkan dengan rencana yang telah ditetapkan. Sebagai bahan evaluasi

pencapaian bisnis planning.

3.1.3. Karakteristik Peramalan yang Baik



V-35

Peramalan yang baik mempunyai beberapa kriteria yang penting, antara

lain akurasi, biaya, dan kemudahan. Penjelasan dari kriteria-kriteria tersebut

adalah sebagai berikut:

1. Akurasi

Akurasi dari suatu peramalan diukur dengan hasil kebiasaan dan konsistensi

peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut

terlalu tinggi atau telalu rendah dibanding dengan kenyataan yang sebenarnya

terjadi. Hasil peramalan dikatakan konsisten jika besarnya kesalahan

peramalan relatif kecil. Peramalan yang terlalu rendah akan mengakibatkan

kekurangan persediaan sehingga permintaan konsumen tidak dapat dipenuhi

segera, akibatnya perusahaan kemungkinan kehilangan pelanggan dan

keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan

terjadinya penumpukan barang/ persediaan, sehingga banyak modal tersia-

siakan. Keakuratan hasil peramalan berperan dalam menyeimbangkan

persediaan ideal.

2. Biaya

Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung jumlah

item yang diramalkan, lamanya periode peramalan, dan metode peramalan

yang digunakan. Ketiga faktor pemicu biaya tersebut akan mempengaruhi

betapa banyak data yang diblutuhkan, bagaimana pengolahannya (manual atau

komputerisasi), bagaimana penyimpanan datanya dan siapa data ahli yang

diperbantukan. Pemilihan metode peramalan harus sesuai dengan dana yang

tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang



V-36

penting akan diramalkan dengan metode yang sederhana dan murah. Prinsip

ini merupakan adopsi dari hukum Pareto (Analisa ABC).

3. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah

diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah percuma

memakai metode yang canggih tetapi tidak dapat diaplikasikan pada sistem

perusahaan karena keterbatasan dana, sumber daya manusia, maupun

peralatan teknologi.

3.1.4. Peramalan Kuantitatif

Metode peramalan ini didasarkan pada data kuantitatif pada masa lalu.

Hasil peramalan yang dibuat tergantung pada metode yang dipergunakan dalam

peramalan tersebut. Metode yang baik yaitu yang memberi nilai-nilai perbedaan

atau penyimpangan yang mungkin. Peramalan kuantitatif hanya dapat digunakan

apabila terdapat tiga kondisi berikut:

1. Adanya informasi tentang keadaan yang lain.

2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data dapat

diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan

datang.

Ada dua kelompok besar metode kuantitatif, yaitu:

a. Metode Time Series

Metode time series dalah metode yang dipergunakan untuk menganalisis

serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan



V-37

beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola

dasarnya dapat diidentifikasi semata-mata atas dasar data historis dari serial itu.

Dengan metode deret waktu dapat ditunjukkan bagaimana permintaan terhadap

suatu produk tertentu bervariasi terhadap waktu. Sifat dari perubahan permintaan

dari tahun ke tahun dirumuskan untuk meramalkan penjualan pada masa yang

akan datang.

Ada empat komponen utama yang mempengaruhi analisis ini, yaitu :

1. Pola siklis, jika penjualan produk memilki siklus yang berulang secara

periodik

2. Pola musiman, jika pola penjualan berulang setiap periode

3. Pola horizontal, jika nilai data berfluktuasi di sekitar nilai rata-rata.

4. Pola trend, jika data memiliki kecenderungan untuk naik atau turun terus

menerus

Dalam meramalkan biaya-biaya yang termasuk di dalam biaya operasi

dipergunakan pola trend karena biaya tersebut cenderung naik jika

mesin/peralatan semakin tua atau semakin lama jangka waktu pemakaiannya. Ada

beberapa trend yang digunakan di dalam penyelesaian masalah ini yaitu :

1. Trend linier

Bentuk persamaan umum :

Y = a + bt

sedangkan peramalannya mempunyai bentuk persamaan

Yt = a + bt

∑ ∑∑ ∑ ∑

−

−−

22)( t t n

Y t tY nb

t t



V-38

n

t bY a

t ∑ ∑−=

2. Trend Eksponensial atau Pertumbuhan

Bentuk persamaan umum :

Y = aebt

sedangkan peramalannya mempunyai bentuk persamaan :

Yt = aebt

∑ ∑∑ ∑ ∑

−

−=

22 )(

lnln

t t n

Y t Y t nb

t t

n

t bY a

t ∑ ∑−=

lnln

3. Trend Logaritma

Y = a + b log t

sedangkan bentuk peramalannya :

Yt = a + b log t

∑ ∑∑ ∑ ∑

−

−=

22)log(log

loglog

t t n

Y t tY nb

t t

n

t bY a

t ∑ ∑−=

log

4. Trend Geometrik

Bentuk persamaannya :

Y = atb

sedangkan bentuk peramalannya :

Yt = atb

∑ ∑∑ ∑ ∑

−

−=

22)log(log

logloglog.log

t t n

Y t Y t nb

t t



V-39

n

t bY a

t ∑ ∑−=

loglog

5. Trend Hyperbola

Bentuk persamaan umumnya adalah :

Y =t b

a

sedangkan peramalnnya :

Yt = t b

a

∑ ∑∑ ∑ ∑

−

−=

22)(

loglog.log

t nt

Y t Y t nb

t t

n

t bY a

t ∑ ∑−=

logloglog

Adapun metode peramalan yang termasuk model time series adalah :

1. Metode Penghalusan (Smoothing)

Metode ini digunakan untuk mengurangi ketidakteraturan musiman dari data

yang lalu, dengan membuat rata-rata tertimbang dari sederetan data masa lalu.

Ketepatan dengan metode ini akan terdapat pada peramalan jangka pendek,

sedangkan untuk peramalan jangka panjang kurang akurat.

Metode ini terdiri dari:

a. Metode rata-rata bergerak (moving average)

1. Single Moving Average

Merupakan peramalan untuk satu periode ke depan dari periode rata-rata.

Rumus yang digunakan adalah:

N

X X X F t t N t t

+++= ++−

+11

1

...



V-40

Dimana:

Xi : data pengamatan periode i.

N : jumlah deret waktu yang digunakan

Ft+1 : nilai peramalan periode t+1

2. Linear Moving Avarage

Dasar dari metode ini adalah penggunaan moving average kedua untuk

memperoleh penyesuaian bentuk pola trend.

3. Double Moving Avarage

Notasi yang diberikan adalah MA (M x N), artinya M – periode MA dan

N – periode NA

4. Weigthed Moving Average

Weighted moving average adalah metode perhitungan dengan cara

mengalikan tiap-tiap periode dengan faktor bobot dan membagikannya

dengan hasil produk yang merupakan penjumlahan faktor bobot. Formula

metode Weighted Moving Average adalah:

nt nt t t Aw Aw AwF −−− +++= ...2211

dimana :

w1 : bobot yang diberikan pada periode t-1

w2 : bobot yang diberikan pada periode t-2

wn : bobot yang diberikan pada periode t-n

n : jumlah periode

b. Metode Eksponensial Smoothing

1. Single Eksponensial Smoothing



V-41

Pengertian dasar dari metode ini adalah: nilai ramalan pada periode t+1

merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang

berasal dari kesalahan nilai ramalan yang terjadi pada periode t tersebut.

Secara matematis dapat dinyatakan:

( ) ( ) 1ˆ1ˆ

−−+= t t t f f f α α

dimana :

t f ̂ : perkirakan permintaan pada periode t

α : suatu nilai (0<α <1) yang ditentukan secara subjektif

t f : permintaan aktual pada periode t

1ˆ

−t f : perkiraan permintaan pada periode t-1

2. Double Exponensial Smoothing

Formula Double Exponential Smoothing adalah :

..mba f t t mt +=+

sedangkan :

( ) 1'1' −−+= t t t f X f α α

( ) 1"1"" −−+= t t t f f f α α

dimana

't f : single exponential smoothing

"t f : double exponential smoothing

( ) "'2"'' t t t t t t f f f f f −=−+=α

( )"'1

t t t f f −−

=α

α β

2. Metode Proyeksi Kecenderungan dengan Regresi



V-42

Metode ini merupakan dasar garis kecenderungan untuk suatu persamaan,

sehingga dengan dasar persamaan tersebut dapat di proyeksikan hal-hal yang

akan diteliti pada masa yang akan datang.

Bentuk fungsi dari metode ini dapat berupa:

a. Konstan, dengan fungsi peramalan (Yt):

Yt = a, dimana N

Y a

∑=

1

dimana : Yt = nilai tambah

N = jumlah periode

b. Linier, dengan fungsi peramalan:

Yt = a + bt

dimana :n

bt Y a

−=

( ) ( )

( )∑ ∑

∑ ∑ ∑

−−

−=

22

t t n

yt tynb

c. Kuadratis, dengan fungsi peramalan :

Yt = a + bt + ct2

dimana :

n

t ct bY a

∑ ∑ ∑−−=

2

;∂

−=

α θ bc ;

2α β

θα δ

−∂

−∂=b

( ) ∑∑ −=∂422t nt

∑ ∑ ∑−= tY nY t δ

∑ ∑ ∑−= Y t nY t 22θ

∑ ∑ ∑−= 322t nt t α

( ) ∑∑ −= 22t nt β

d. Eksponensial, dengan fungsi peramalan :



V-43

Yt = aebt

dimana :

n

t bY a

∑ ∑−=

lnln

( )22

lnlnln

∑∑

∑ ∑∑−

−=

t t n

Y t Y t na

e. Siklis, dengan fungsi peramalan :

n

t c

nbaY t

τ τ 2cos

2sinˆ ++=

dimana :

n

t c

n

t bnaY

τ τ 2cos

2sin ∑∑ ++=

n

t

n

t c

nb

n

t a

n

t Y

τ τ τ τ τ 2cos

2sin

2sin

2sin

2sin 2 ∑∑∑ ++=

n

t

n

t b

nc

n

t a

n

t Y

τ τ τ τ τ 2cos

2sin

2cos

2cos

2cos 2 ∑∑∑∑ ++=

3. Metode dekomposisi

Metode peramalan yang ditentukan dengan kombinasi dari fungsi yang ada

sehingga tidak dapat diramalkan secara biasa. Model tersebut didekati dengan

funsi linier atau siklis, kemudian bagi t atas kuartal sementara berdasarkan

pola data yang ada. Metode dekomposisi merupakan pendekatan peramalan

yang tertua. Terdapat beberapa pendekatan alternatif umtuk

mendekomposisikan suatu deret berkala yang semuanya bertujuan

memisahkan setiap komponen deret data seteliti mungkin.

b. Metode Kausal

Peramalan dengan metode kausal mendasarkan hasil ramalan yang disusun

atas pola hubungan antara variabel yang dicari atau diramalkan dengan variabel-

variabel yang mempengaruhinya yang bukan waktu. Dalam analisa ini,



V-44

diasumsikan bahwa faktor atau variabel yang menunjukkan suatu hubungan

pengaruh sebab akibat dengan satu atau lebih variabel bebas. Sebagai contoh,

permintaan akan baju baru mungkin berhubungan dengan banyaknya populasi

pendapatan masyarakat, jenis kelamin, budaya daerah, dan bualn-bulan khusus.

Jadi, maksud dari analisa metode kausal adalah untuk menemukan bentuk

pola hubungan yang saling mempengaruhi antara variabel yang dicari dan

variabel-variabel yang mempengaruhinya, serta menggunakannya untuk

meramalkan nilai-nilai dari variabel pada masa yang akan datang. Metode kausal

dapat dipergunakan dalam peramalan dengan keberhasilan yang lebih besar,

sehingga sering dipergunakan untuk pengambilan keputusan. Metode kausal ini

terdiri dari :

1. Metode regresi dan korelasi

Metode regresi dan korelasi didasarkan pada penetapan suatu persamaan

estimasi menggunakan teknik “least squares”. Ketepatan peramalan dengan

metode ini sangat baik untuk peramalan jangka pendek, sedangkan untuk

peramalan jangka panjang ternyata ketepatannya kurang begitu baik.

2. Model Ekonometri

Metode ini didasarkan atas peramalan pada sistem persamaan regresi yang

diestimasikan secara simultan. Baik untuk peramalan jangka pendek maupun

untuk jangka panjang, ketepatan peramalan dengan metode ini sangat baik.

Data yang dibutuhkan untuk penggunaan metode peramalan ini adalah data

kuartalan beberapa tahun.

3. Model Output-Input



V-45

Metode ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka

panjang. Model ini kurang baik ketepatannya untuk peramalan jangka pendek,

dan sangat baik ketepatannya untuk peramalan jangka panjang. Data yang

digunakan untuk metode ini adalah data tahunan selama sekitar sepuluh

sampai lima belas tahun.

3.1.5. Kriteria Performance Peramalan

Seorang perencana tentu menginginkan hasil perkiraan peramalan yang

tepat atau paling tidak dapat memberikan gambaran yang paling mendekati

sehingga rencana yang dibuatnya merupakan rencana yang realistis. Ketepatan

yang kecil memberikan arti ketelitian peramalan tinggi, keakuratan hasil

peramalan tinggi, begitu pula sebaliknya. Besar kesalahan suatu peramalan dapat

dihitung dengan beberapa cara, antara lain adalah:

1. Mean Square Error (MSE)

( )

N

f f

MSE t t

N

t

2

1

ˆ−

=

∑=

dimana,t

f : data aktual periode t

t f ̂ : nilai ramalan periode t

N : banyaknya periode

2. Standard Error of Estimate (SEE)

( )

f N

f f

SEE

N

t

t t

−

−

=

∑=1

2ˆ

dimana : f = derajat kebebasan



V-46

Untuk data konstan, f = 1

Untuk data linier, f = 2

Untuk data kuadratis, f = 3

Untuk data siklis, f = 3

3. Percentage Error

%100×

−=

t

t t

t X

F X PE

dimana nilai dari PEt bisa positif atau negatif.

4. Mean Absolute Percentage Error (MAPE)

N

PE

MAPE t

N

t

∑== 1

3.1.6. Verifikasi Peramalan

Langkah penting setelah peramalan dibuat adalah melakukan verifikasi peramalan

sedemikian rupa sehingga hasil peramalan tersebut benar-benar mencerminkan

data masa lalu dan sistem sebab akibat yang mendasari permintaan tersebut.

Sepanjang aktualitas peramalan tersebut dapat dipercaya, hasil peramalan akan

terus digunakan. Jika selama proses verifikasi tersebut ditemukan keraguan

validitas metode peramalan yang digunakan, harus dicari metode lainnya yang

lebih cocok. Banyak alat yang dapat digunakan untuk memverifikasi peramalan

dan mendeteksi perubahan sistem sebab akibat yang melatarbelakangi perubahan

pola permintaan. Bentuk yang paling sederhana adalah peta kontrol peramalan

yang mirip dengan peta kontrol kualitas dengan nama Moving Range Chart

(MRC). Peta kontrol ini dapat dibuat dengan dalama kondisi data yang tersedia



V-47

minim. Dari peta ini dapat dilihat apakah sebaran masih dalam control ataupun

sudah berada di luar kontrol. Proses verifikasi dengan menggunakan Moving

Range Chart (MRC), dapat digambarkan pada Gambar 3.1. Harga MR diperoleh

dari :

1

1

2

−=

∑−

=

N

MR

R M

N

t

t

Dimana :

( ) ( )11 −

−−−=− t t F t T t t

Y Y Y Y MR atau :1−

−=t t t

ee MR

Moving Range Chart

-4000

-3000

-2000

-1000

0

1000

2000

3000

4000

1 2 3 4 5 6 7 8 9 10

Y-Y'

UCL

LCL

1/3 UCL

2/3 UCL

1/3 LCL

2/3 LCL

Gambar 3.1. Moving Range Chart

Kondisi out of control dapat diperiksa dengan menggunakan empat aturan

berikut:

1. Aturan Satu Titik

Bila ada titik sebaran (Y-Yf ) berada di luar UCL dan LCL.

2. Aturan Tiga Titik

Bila ada tiga buah titik secara berurutan berada pada salah satu sisi, yang

mana dua diantaranya jatuh pada daerah A.



V-48

3. Aturan Lima Titik

Bila ada lima buah titik secara berurutan berada pada salah satu sisi, yang

mana empat diantaranya jatuh pada daerah B.

4. Aturan Delapan Titik

Bila ada delapan buah titik secara berurutan berada pada salah satu sisi, pada

daerah C.

3.2. Economic Order Quantity (EOQ)

Kegunaan EOQ adalah untuk menentukan order Quantity yang akan

meminimumkan jumlah biaya persediaan per waktu. Dalam penggunaannya

metode EOQ ini dapat dikombinasikan untuk menentukan order release. DRP

adalah satu metode yang dipakai bersama – sama dengan EOQ untuk

pengendalian persediaan pada unit distribusi.

Asumsi – asumsi dasar EOQ adalah :

1. Lead time adalah konstan dan diketahui dan demand relatif konstan dan

diketahui ratenya, sehingga tidak terjadi stock out.

2. Preparation cost dan total carrying cost konstan dan diketahui.

3. Replenishment sesegera mungkin, item tiba pada laju infinitif pada suatu

waktu tertentu.

EOQ dapat dihitung dengan rumus :

CV

PD EOQ

2=

Dimana :

P = biaya pengorderan (Rp / order )



V-49

D = jumlah permintaan produk tahunan

C = biaya melakukan persediaan produk tahunan (persentase dari harga

produk)

V = biaya per unit

3.3. Distribution Requirement Planning ( DRP )

Distribusi adalah usaha perpindahan / pengiriman produk dari akhir lini

produksi kepada konsumen. Kegiatan distribusi meliputi transportasi /

pengangkutan, proteksi terhadap pengemasan, pengendalian persediaan, bangunan

pabrik, pemilihan lokasi gudang, pemrosesan pesanan, peramalan pasar, dan

layanan pelanggan.

Distribution Requirement Planning (DRP) adalah suatu rencana

penjadwalan kebutuhan untuk mengisi persediaan pada distribution center (DC).

Sistem distribusi diklasifikasikan atas 2 jenis yaitu :

1. Sistem tarik ( pull system)

Sistem tarik adalah sistem pengisian persediaan dimana setiap DC

menentukan kebutuhannya dan memesan dari CSF.

2. Sistem dorong ( push system)

Sistem dorong adalah sistem pengisian persediaan dimana CSF menentukan

bagaimana mengalokasikan produksi ke DC daripada menunggu mereka untuk

memesan.

Distribution Requirement Planning (DRP) adalah proses manajemen yang

mengintegrasikan sejumlah aktivitas kritis yang perlu untuk mengatur dan



V-50

mengendalikan operasi – operasi distribusi dan mengintegrasikan kebutuhan

operasi tersebut dengan kemampuan dari sumber – sumber persediaan. Logika

yang digunakan dalam DRP hampir sama dengan MRP. DRP mengantisipasi

kebutuhan – kebutuhan dengan perencanaan ke depan pada tiap level distribusi.

Dengan DRP ini, unit usaha memulai penjadwalan distribusi dengan lebih akurat

dan pada saat yang sama mencapai stabilitas produksi.

Sebagai akibatnya kegiatan distribusi produk dapat memperoleh

keuntungan besar dalam hal perbaikan pelayanan pelanggan, pengurangan biaya

persediaan, dan pengurangan sedikitnya biaya – biaya barang yang usang.

3.3.1. Input Distribution Requirement Planning (DRP)

Input – input DRP secara umum meliputi data sebagai berikut :

1. Bill of Distribution

Bill of Distribution adalah informasi tentang hubungan antara supplier dan

yang disuplainya tersusun dalam bentuk level per level.informasi ini

menunjukkan arah informasi material produk dari level yang tinggi ke level

yang rendah. Sehingga akan membantu menentukan kebutuhan kotor yang

lebih tinggi nantinya.

2. Lead time Distribusi

Lead time distribusi adalah waktu yang diperlukan dari pelepasan order

sampai order diterima DC. Lead time distribusi disusun dari beberapa

komponen yaitu pelepasan order , pemuatan barang, pengangkutan barang, dan

pembongkaran barang ke DC.



V-51

3. Order Entry

Order Entry merupakan proses penerimaan dan penerjemahan apa yang

diinginkan konsumen kepada bagian distribusi. Hal ini dapat merupakan

sebuah proses yang sederhana seperti pembuatan dokumen penerimaan untuk

finished good product , sampai kepada aktivitas rumit yang meliputi usaha

engineering untuk produk make to order .

4. Forecasting

Forecasting adalah hasil peramalan permintaan produk pada masing – masing

DC yang langsung berhubungan dengan konsumen.

5. Inventory Record

Inventory Record adalah catatan keadaan persediaan produk pada masing –

masing gudang di DC.

3.3.2. Logika Distribution Requirement Planning (DRP)

Pada intinya logika dari proses DRP adalah proses – proses yang hampir

sama dengan MRP yaitu :

1. Netting

Netting adalah proses perhitungan kebutuhan bersih (net requirement ).

Kebutuhan bersih adalah selisih antara kebutuhan kotor (Gross Requirement )

dengan keadaan persediaan yaitu persediaan yang masih dimiliki (on-hand )

dan sedang dipesan (on-order ). Dimana kebutuhan kotor untuk DC adalah

hasil ramalan permintaan produk pada DC tersebut. Data yang harus diketahui

untuk menentukan kebutuhan bersih pada setiap periode adalah persediaan



V-52

yang masih dipunyai ( project on – hand ) pada awal perencanaan dan jadwal

penerimaan untuk tiap periode perencanaan.

2. Lot Sizing

Lot Sizing adalah proses untuk menentukan besarnya pesanan pada setiap item

berdasarkan kebutuhan bersih yang dihasilkan dari proses netting. Biasanya

cara yang digunakan adalah economic order Quantity (EOQ).

3. Offsetting

Offsetting bertujuan menentukan saat yang tepat untuk melakukan rencana

pemesanan guna memenuhi kebutuhan bersih.

4. Exploding

Exploding adalah proses perhitungan kebutuhan kotor untuk item pada level

yang lebih tinggi. Dasar untuk menentukan kebutuhan item pada level

tergantung pada posisinya pada struktur distribusi.

3.3.3. Output Distribution Requirement Planning (DRP)

Sistem DRP dengan nyata menghasilkan dua output yaitu DRP display

untuk setiap DC, dan master schedule yang merupakan DRP display untuk CSF di

samping terdapat pegging informasi yang dapat melacak kembali sumber dari

permintaan pada CSF dan Transportation Planning Report .

DRP display (DRP Worksheet ) memiliki 2 bagian penting yaitu :

1. Time Phased Information



V-53

Time phased information adalah informasi – informasi yang dikeluarkan

berdasarkan pada suatu time phased yang menunjukkan perkiraan keadaan

pada time phased tersebut. Informasi time – phased meliputi :

a. Gross Requirement

Gross Requirement merupakan permintaan akan suatu item atau produk yang

diramalkan.

b. Schedule receipt

Schedule receipt adalah jumlah item atau produk yang dijadwalkan untuk

dimasukkan dalam stok. Schedule receipt produk tidak harus dalam

perjalanan, tetapi dapat juga berupa order yang masih dalam pengemasan dan

pemuatan.

c. Planned order

Planned order adalah order yang belum dilepas dan masih dalam

perencanaan. Pada DC, Planned order adalah jadwal untuk pengiriman

produk pada masa yang akan datang dari CSF.

d. Project on – hand balance

Project On – hand balance adalah proyeksi jumlah persediaan yang ada pada

suatu time phased tertentu. Project On – hand balance merupakan suatu

perencanaan jumlah persediaan pada DC dan CSF yang dijadikan gambaran

persediaan yang ada pada masa yang akan datang. Sehingga dengan project on

– hnad balance ini, setiap komponen sistem distribusi dapat mengetahui

masing – masing inventory level sistem tersebut.

2. Description Information



V-54

Description information adalah atribut – atribut masukan pada awal

perencanaan. Description information ini berupa pengolahan data awal untuk

masukan sistem DRP. Description Information meliputi :

a. On – hand balance

On – hand balance adalah jumlah persediaan produk yang terdapat dalam DC

pada awal perencanaan. On – hand balance tidak termasuk pada produk yang

berada dalam transit dan produk yang rusak. Jadi produk yang ada pada DC

adalah jumlah produk yang tersedia untuk dikirimkan.

b. Safety stock

Safety stock adalah persediaan pengaman yang digunakan untuk memproteksi

keadaan apabila penjualan melebihi apa yang diramalkan.

c. Lead time distribusi

Lead time distribusi adalah waktu yang dibutuhkan untuk melepaskan suatu

order sampai waktu order diterima di distribusi. Lead time distribusi dimulai

saat menentukan kebutuhan untuk sebuah penambahan (replenishment )

sampai saat inventory yang dibutuhkan.

d. Order Quantity

Order Quantity adalah jumlah produk yang telah ditentukan untuk dikirim.

Sedangkan pegging information adalah suatu cara untuk dapat melacak

kembali sumber dari permintaan pada CSF untuk satu waktu tertentu. Pegging

information sangat berguna bilamana seluruh demand dari sebuah item tidak dapat

dipenuhi.



V-55

Penggunaan pegging ini penting dilakukan untuk menghemat waktu dalam

memperoleh sumber masalah untuk perencanaan pendistribusian bilamana

demand melebihi supply. Dengan bantuan pegging information, perencana dapat

lebih banyak menghabiskan waktu untuk pemecahan masalah tersebut daripada

mencari dimana terjadi kelebihan demand .

Transportation planning report adalah laporan yang berisikan

perencanaan jumlah alat transportasi untuk pengiriman item ke suatu DC tertentu.

3.3.4. Sumber – sumber Perubahan yang Mempengaruhi Rencana DRP

Beberapa perubahan yang mungkin akan mempengaruhi rencana DRP

adalah :

1. Kesalahan peramalan

2. Perbaikan – perbaikan peramalan

3. Variasi waktu tunggu

4. Kehilangan atau kerusakan dari inventory

5. Pemogokan karyawan / pekerja

3.3.5. Integrasi Sistem Distribusi dan Manufaktur

Integrasi sistem distribusi dan manufaktur bertemu pada jadwal induk

produksi (MPS) dimana Planned order untuk central supply stocking point

menjadi satu input utama dalam pengembangan MPS. MPS juga

mempertimbangkan kebutuhan – kebutuhan lain seperti pesanan – pesanan

internal atau antar pabrik. Tetapi ramalan untuk permintaan produk disaring



V-56

melalui rencana distribusi, seharusnya menjadi penyumbang utama bagi MPS.

Integrasi sistem distribusi dan manufaktur dikenal sebagai DRP / MRP connention

yang bertemu pada MPS. Dengan kata lain, titik dimana sistem distribusi dan

sistem produksi digabung secara bersama adalah melalui pengembangan dari satu

MPS.

Manajemen permintaan menggambarkan keterkaitan (connection) antara

market place dan manufaktur. Pada umumnya dimulai dengan peramalan dan

berakhir dengan suatu MPS yang konsisten sesuai dengan tujuan jangka panjang

perusahaan dan kendala kapasitas. Melalui pengintegrasian sistem distribusi dan

produksi, dimana data dan catatan time phased grid berada dalam format yang

sesuai fungsi manajemen permintaan dapat menjadi lebih efektif, efisien, dan

tepat waktu.

3.3.6. Stok Pengaman dalam DRP

Stok pengaman dalam DRP digunakan untuk mengantisipasi

ketidakpastian permintaan relatif terhadap ramalan – ramalan yang dibuat.

Ketidakpastian ini paling mungkin terjadi apabila permintaan benar – benar

independent pada pusat – pusat distribusi yang secara langsung melayani

pelanggan. Sedangkan keadaan permintaan yang ditempatkan ada intermediate

distribution center adalah dependent demand yang seharusnya dapat diperkirakan.

Planned requirement yang ditunjukkan pada TPOP display, mengijinkan

tindakan – tindakan yang berkaitan dengan pesanan dapat direncanakan lebih awal

dengan lebih sedikit terjadi hal – hal yang bersifat luar biasa. Bagaimanapun, stok



V-57

pengaman masih tetap diperlukan pada intermediate distribution centres. Namun

tingkat stok pengaman secara keseluruhan dalam sistem distribusi seharusnya

menjadi lebih kecil untuk push system daripada pull system.

Sebagai tambahan, apabila permintaan adalah discontinuous, penggunaan

metode safety Lead time lebih tepat atau cocok mengantisipasi ketidakpastian

dibandingkan dengan penggunaan Safety stock Quant ities.

Safety Lead time didefenisikan sebagai suatu elemen waktu yang

ditambahkan pada noraml Lead time untuk memenuhi suatu pesanan sebelum

tanggal dibutuhkan (real need date) guna mencegah fluktuasi dalam waktu tunggu

(supply uncertainty). Apabila menggunakan sistem MRP untuk item – item

inventory yang tergolong dependent demand , diperlukan Lead time offset yaitu

teknik yang digunakan dimana Planned order receipts dalam suatu periode waktu

membutuhkan order release lebih awal didasarkan pada waktu tunggu untuk item

itu.

Banyaknya safety Lead time terhadap penyesuaian reorder point

mencakup penambahan unit item sehingga pesanan pengisian kembali akan

dilakukan lebih awal kepada pabrik untuk item yang dibeli atau kepada pabrik

untuk item yang dibuat. Asumsinya jika pesanan suatu item dilakukan lebih awal,

tetapi penyerahan item itu berada dalam Lead time yang diharapkan atau lebih

lambat, maka diharapkan kuantitas pengisian kembali tidak terlambat datang.

Variabilitas Lead time dapat diukur dari simpangan baku disekitar rata –

rata lead time, sehingga penentuan banyaknya tambahan waktu dalam upaya

menentukan safety Lead time dapat menjadi optimum.



V-58

Menghadapi situasi ketidakpastian permintaan (demand uncertainty) dan

juga ketidakpastian waktu tunggu ( Lead time uncertainty), dibutuhkan lebih

banyak stok pengaman dibandingkan apabila hanya mempertimbangkan salah satu

ketidakpastian tetapi tidak sebanyak pengkombinasian keduanya (stok pengaman

dari permintaan tidak pasti + stok pengaman dari penawaran / Lead time tidak

pasti). Karena probabilitas bersama ( joint probability) dari kelebihan permintaan

dan kelebihan Lead time tidak terjadi dalam siklus pesanan yang sama lebih kecil

dari probabilitas yang tunggal (single probability) untuk kelebihan permintaan

atau kelebihan Lead time terjadi secara bebas.

Dengan demikian apabila permintaan dan penawaran kedua – duanya

bersifat tidak pasti, banyaknya stok pengaman yang disimpan seharusnya

didasarkan pada probabilitas bersama ( joint probability) dari kedua ketidak

pastian itu.

Salah satu cara untuk menyelesaikan masalah ketidak pastian permintaan

dan penawaran ( Lead time uncertainty) adalah mengkombinasikan data yang

menunjukkan rata – rata permintaan selama suatu rata – rata Lead time dan

membangun distribusi probabilitas tunggal. Hal ini akan menghasilkan ukuran

variasi yang lebih besar, namun dapat diterapkan sebagai perhitungan dalam

keadaaan normal untuk menentukan stok pengaman guna mencapai tingkat

pelayanan yang diinginkan yaitu :

SS = z x s

Dimana :



V-59

SS = stok pengaman yang disediakan untuk menghadapi ketidakpastian

permintaan dan penawaran.

z = faktor pengganda pada tingkat pelayanan yang diinginkan.

s = simpangan baku di sekitar rata – rata permintaan selama rata – rata lead time.

Safety Factor (service level) adalah tingkat pelayanan kosumen yang

merupakan penyimpanan normal standar yang memberi kemungkinan terjadinya tidak

ada persediaan atau stock out.

Penentuan safety level adalah dengan membagi jumlah permintaan yang dapat

dipenuhi dengan jumlah permintaan total dikali dengan 100 %.



V-60

BAB IV

METODOLOGI PENELITIAN

4.1. Tempat dan Waktu Penelitian

Penelitian ini akan dilaksanakan pada bulan Januari 2010 sampai dengan

Maret 2010. Dan penelitian ini akan dilaksanakan di PT. Uni Perkasa yang

beralamat di Jl. Johar No. 62 Sunggal, Medan.

4.2. Objek Penelitian

Objek penelitian yang diteliti adalah jumlah kebutuhan produk /

permintaan di tiap Distribution Center . Dalam penelitian ini, produk yang

digunakan adalah AMDK ( Air Minum Dalam Kemasan ) Minly.

4.3. Variabel / Data Penelitian

Adapun variabel yang mempengaruhi perencanaan suatu sistem distribusi

adalah :

1. Jumlah permintaan di tiap DC .

2. Biaya-biaya dalam proses pendistribusian.

3. Lead time distribusi.

4. Status Persediaan ( Inventory record ).

5. Jaringan distribusi produk di PT. Uni Perkasa.



V-61

4.4. Instrumen Penelitian

Instrumen penelitian yang digunakan adalah metode peramalan kuantitatif

dan metode perencanaan kebutuhan DRP.

4.5. Pelaksanaan Penelitian

Pelaksanaan Penelitian mulai dilakukan setelah SK TA keluar atau dimulai

dari bulan Januari 2010 hingga laporan penelitian selesai ( masa berlaku 6 bulan ).

4.6. Sistem Informasi

Sistem informasi yang diaplikasikan dalam perusahaan awalnya bersifat

manual, hanya menggunakan telepon, untuk segala keperluan operasional

perusahaan

baik internal maupun eksternal.

Hal tersebut dapat dilihat pada Gambar 4.1

Gambar 4.1. Sistem Informasi Distribusi Produk

Perusahaan menerima orderan dari bagian pemasaran. Informasi

permintaan produk tentu saja berawal dari sales tiap wilayah ataupun permintaan

via telepon, faximile dan e-mail dari DC tertentu. Selanjutnya perusahaan

mengecek persediaan yang ada dari bagian pergudangan. Jika jumlah produk tidak

mencukupi , maka dilakukan pemasokan bahan baku yang akan diproses menjadi

Pemasok

Bahan BakuUni

Perkasa

Agen

Penjual



V-62

produk guna memenuhi jumlah permintaan. Perusahaan akan melakukan

pengiriman langsung ke DC yang bersangkutan jikalau produk telah ada ;

begitupun seterusnya.

Jadi, dalam hal ini perusahaan dituntut untuk melakukan pendistribusian

yang efektif untuk mendukung strategi supply chain ( distribusi yang tak

terhambat ). Pendistribusian yang efektif tentu didukung oleh persediaan / stok

yang ada dan bagaimana mengalokasikannya sehingga permintaan dari DC dapat

terpenuhi secara tepat waktu. Aliran distribusi yang lancar merupakan salah satu

cara untuk meningkatkan efisiensi dan profit perusahaan yang berdampak pada

peningkatan produktivitas perusahaan. Untuk lebih jelasnya akan digambar tabel

pendistribusian makanan ternak secara ril seperti pada Gambar 4.2.

4.7. Pengolahan Data

Dalam pengolahan data penelitian ini digunakan metode kuantitatif.

Semua data yang terkumpul, baik data yang berasal dari hasil wawancara dengan

bagian produksi, data yang berasal dari pengamatan secara langsung, maupun data

tertulis akan diolah sesuai dengan langkah – langkah dalam metode DRP untuk

mendapatkan hasil akhir yaitu DRP Worksheet dan Pegging Information. Tahapan

– tahapan yang dilakukan dalam pengolahan data yaitu :

a. Perhitungan Peramalan

Dari data permintaan atau data jumlah produk jelly yang didistribusikan sepanjang

tahun 2009, dilakukan peramalan untuk tahun 2010. Dalam meramalkan data ini,



V-63

BagianPemasaran

Sales

Bagian Gudang / Persediaan

Produk

Pemasok BahanBaku

Mengirimkan OrderProduk

Order BahanBaku Diproses

Jadi Produk

PengirimanBahan BakuDistribution

Centers

MengirimkanOrder

UNIPERKASA

J u m l a h P r o d u k

C u k u p

J uml ah P r o d uk

T i d ak C uk u p

Gambar 4.2. Rantai Pendistribusian Produk

digunakan tiga metode peramalan, dimana metode peramalan yang digunakan

adalah metode peramalan dengan SEE terkecil. Peramalan dilakukan untuk

semua DC.

b. Safety Stock

Dalam pengembangan sistem DRP, perkiraan safety stock dilakukan dengan

cara sederhana dan menganggap permintaan normal selama lead time distribusi

dan service level yang diinginkan adalah 95%.

c. Economic Order Quantity (EOQ)

Kegunaan EOQ adalah untuk menentukan order quantity yang akan

meminimumkan jumlah biaya pemesanan dan biaya persssediaan per waktu.



V-64

Dari perhitungan EOQ, maka dapat disusun perencanaan DRP untuk setiap DC

dalam time bucket bulanan.

d. DRP Worksheet dan Pegging Information

Setelah langkah – langkah diatas, kemudian disusun DRP Worksheet dan

Pegging Information sesuai dengan hasil perhitungan. Elemen – elemen yang

ada dalam DRP Worksheet adalah gross requirement, on hand, safety stock, in

transit dan replenish order.

Diagram yang menggambarkan tahap-tahap pengolahan data dapat dilihat

pada Gambar 4.3.

4.8. Analisa Data

Setelah hasil dalam pengolahan data didapat, langkah selanjutnya adalah

menganalisis data tersebut. Dalam analisis data, akan ditentukan faktor – faktor

yang dianggap dominan dalam menentukan saluran distribusi dan kebutuhan

produk setiap DC akan dianalisi sebagai landasan dalam menyusun strategi bisnis

selanjutnya. Dan jumlah pesanan ekonomis yang dapat diterapkan pada setiap DC

sesuai dengan kebutuhan tiap periodenya.



V-65

Menentukan peramalan permintaan konsumen- Peramalan dengan menggunakan software QS

- Pilih metode peramalan berdasarkan MAD terkecil

Menetapkan Economic Order Quantity (EOQ)

- Hitung biaya order

- Biaya persediaan- Biaya per unit

Membuat DRP Worksheet - Hitung GR, POH, order release, schedule receipt

Membuat Pegging Information

- Masukkan data DRP sheet dalam diagram Pegging

Information

Gambar 4.3. Blok Diagram Pengolahan Data

Perhitungan safety stock

- Hitung rata-rata peramalan tiap DC- Hitung standar deviasi

- Hitung safety stock



V-66

BAB V

PENGUMPULAN DAN PENGOLAHAN DATA

5.1. Pengumpulan Data

PT. Uni Perkasa merupakan suatu perusahaan swasta yang bergerak di

bidang produksi air minum kemasan, air rasa dan jelly. Produk yang dihasilkan

oleh PT. Uni Perkasa mempunyai merk seperti “Minly”, “Syrup Aceh”,

“Fantamin”, “ Black Coffee” dan “Ria Jelly”.

Data yang dikumpulkan dalam penelitian ini adalah data permintaan

produk ” Minly “ dari tiap DC, data waktu ancang ( lead time) ke tiap DC ,status

persediaan awal dan safety stock , data biaya pemesanan, dan data biaya simpan.

Minly merupakan air minum dalam kemasan ( AMDK ) dengan ukuran cup 220

ml dan tiap karton / dus berisi 48 buah cup. Jaringan distribusi produk minly

mencakup 4 kota ( DC ) yaitu kota Padang, Pekanbaru, Aceh dan Bandar

Lampung. Jaringan distribusi PT. Uni Perkasa dapat dilihat pada Gambar 5.1.

PT. Uni

Perkasa

Bandar

LampungPadangAceh Pekanbaru

Gambar 5.1. Jaringan Distribusi PT. Uni Perkasa

5.1.1. Data Jumlah Permintaan Produk Minly



V-67

Data jumlah permintaan yang digunakan adalah dari periode Maret 2009

hingga Maret 2010 yang akan digunakan untuk meramalkan jumlah permintaan

pada periode berikutnya di masing-masing DC. Berikut data jumlah permintaan

produk Minly dapat dilihat pada Tabel 5.1 dan satuan yang digunakan untuk

masing-masing DC adalah kotak.

Tabel 5.1. Permintaan Produk Minly pada Masing – Masing DC

Bulan

DC 1

( Aceh)

DC 2

( Padang )

DC 3

( Bandar Lampung )

DC 4

( Pekanbaru )

Maret 2009 21000 25100 15600 8700

April 2009 35000 18200 15400 13700

Mei 2009 27000 25200 14200 27700

Juni 2009 42500 24300 13800 25000

Juli 2009 43000 15000 12200 27000

Agustus 2009 45000 16500 11500 28700

September 2009 32000 29000 11000 29900

Oktober 2009 55000 31500 12000 24300

November 2009 46500 41400 12300 9000

Desember 2009 51000 33700 14400 6350

Januari 2010 23600 12000 14400 5600

Februari 2010 24700 15000 15600 12500

Jumlah446300 286900 162400 218450

Sumber : PT. Uni Perkasa

5.1.2. Data Lead Time



V-68

Lead time adalah selang waktu antara dimulainya pemesanan barang

hingga pesanan diterima, data ini dibutuhkan untuk menetapkan kapan waktu

yang tepat untuk melakukan pemesanan agar barang yang digunakan sesuai

dengan waktu yang dibutuhkan. Tabel 5.2 berisikan data setiap kota ( DC )

beserta lead time nya.

Tabel 5.2. Lead time Distribusi Masing – Masing DC

Nama DC Lead Time

Bandar Lampung 1 minggu

Padang 4 hari

Aceh 3 hari

Pekanbaru 2 hari

5.1.3. Status Persediaan Awal dan Safety Stock

Status persediaan awal berisikan persediaan produk pada setiap DC di

awal perencanaan dan safety stock adalah stok pengaman untuk mencegah

fluktuasi permintaan. Persediaan awal dan safety stock AMDK Minly di masing –

masing DC dapat dilihat pada Tabel 5.3.

5.1.4. Data Biaya-biaya Terkait

Perhitungan biaya pemesanan berbeda-beda pada setiap DC tergantung

jarak yang ditempuhnya.

Tabel 5.3. Status Persediaan Awal dan Safety Stock Masing – masing DC



V-69

No. Nama DC

Jumlah

Persediaan( Kotak )

Safety Stock

( Kotak )

1 Aceh 350 85

2 Padang 200 35

3 Bandar Lampung 170 30

4 Pekanbaru 150 10

Biaya-biaya ini meliputi biaya pemesanan ( via telepon ) dan biaya transportasi.

Berikut biaya-biaya yang terkait untuk setiap DC :

1. Biaya pesan untuk DC 1 ( Aceh )

• Biaya berkas nota dan nota = 5.000

• Biaya telepon 10 menit = 10.000

• Biaya bongkar muat = 350.000

Total : Rp.365.000

+

2. Biaya pesan untuk DC 2 ( Padang )




Total : Rp.365.000

+

3. Biaya pesan untuk DC 3 ( Bandar Lampung )



V-70




Total : Rp.295.000

+

4. Biaya pesan untuk DC 4 ( Pekanbaru )




Total : Rp.315.000

+

5.1.5. Data Frekuensi Pemesanan Tiap-tiap DC pada Tahun 2008

Frekuensi pemesanan produk minly ( Air minum dalam kemasan ) setiap

DC berbeda-beda , jumlah pemesanan yang dilakukan setiap tahun dapat dilihat

pada Tabel 5.4.

Tabel 5.4. Frekuensi Pemesanan tiap DC

DC Frekuensi Pemesanan per Tahun (kali )

Aceh 48

Padang 35

Bandar Lampung 30

Pekanbaru 32

5.2. Pengolahan Data



V-71

5.2.1. Peramalan dan Proporsi Kebutuhan ( Permintaan )

Untuk mengetahui jumlah permintaan yang akan datang, dibuat perkiraan

permintaan melalui peramalan kebutuhan tiap DC dengan bantuan softwar e Q.S

dengan menggunakan sepuluh metode yaitu:

1. Double exponential smoothing.

2. Exponential smoothing with linier trend.

3. Double exponential smoothing with linier trend.

4. Adaptive exponential smoothing.

5. Linier regression

6. Winter’s model

7. Simple average.

8. Weight moving average.

9. Moving average with linier trend.

10. Single exponential smoothing.

Data yang digunakan adalah data 12 bulan lalu yang dimulai dari bulan

Maret 2009 hingga Februari 2010 . Data tersebut akan dijadikan sebagai acuan

untuk melakukan peramalan kebutuhan produk Minly untuk 12 bulan mendatang.

Metode peramalan yang akan dipilih adalah metode dengan tingkat kesalahan

terkecil ( MAD terkecil ). Dengan memilih MAD( Mean Absolute Deviation )

terkecil sebagai parameter tingkat kesalahan, nilai tingkat kesalahan dapat dilihat

pada Tabel 5.5.

Tabel 5.5. Model dan Nilai Kesalahan



V-72

Nama DC Model Peramalan

Nilai MAD

terkecil

Aceh Exponential smoothing with linear trend’s model 7567

Padang Winter’s model 8270

Bandar Lampung Double Exponential smoothing with linear trend’s model 697

Pekanbaru Double exponential smoothing with linear’s model 5834

Hasil peramalan untuk masing–masing DC dapat dilihat pada Tabel 5.6.

Tabel 5.6. Rekapitulasi Hasil Peramalan

No Bulan

Jumlah Item

( Kotak )

Aceh

( Exponential

smoothing with

linear trend’s

model )

Padang

(Winter’s

model )

Bandar

Lampung

( Double

exponential

smoothing with

linear’s model )

Pekanbaru

( Double

exponential

smoothing with

linear’s model )

1 Maret 2010 20176 21322 16090 15800

2 April 2010 21600 15104 16600 17880

3 Mei 2010 25000 2041517110

19050

4 Juni 2010 29500 2921117620

23150

5 Juli 2010 36700 2656418130

28280

6 Agustus 2010 41200 1239618640

29450

7 September 2010 50850 31218 19150 30550



V-73

8 Oktober 2010 52420 3742819660

31700

9 November 2010 57000 40663 20170 28800

10 Desember 2010 65500 5767020680

26500

11 Januari 2011 28500 1783721190

15100

12 Februari 2011 29600 1950121700

11300

Jumlah 458046 329329 226740 277560

5.2.2. Perbandingan Grafik Laju Permintaan

Grafik laju permintaan produk minly untuk tiap DC tahun 2009 dan laju

permintaan peramalan tahun 2010.

• Untuk DC Aceh

Gambar 5.2. Permintaan Produk di DC Aceh Tahun 2009 dan

Peramalan Tahun 2010

• Untuk DC Padang



V-74

Gambar 5.3. Permintaan Produk di DC Padang Tahun 2009 dan


• Untuk DC Bandar Lampung

Gambar 5.4. Permintaan Produk di DC Bandar Lampung Tahun 2009 dan


• Untuk DC Pekanbaru



V-75

Gambar 5.5. Permintaan Produk di DC Pekanbaru Tahun 2009 dan


5.2.3. Perhitungan EOQ untuk Setiap DC

Perhitungan EOQ dilakukan dengan menggunakan rumus berikut.

CV

PD EOQ

2=

Dimana : P = biaya pengorderan (Rp/ order )

D = jumlah permintaan produk tahunan

C = biaya persediaan tahunan (persentase dari harga produk)

V = biaya per unit

Berikut perhitungan EOQ dan safety stock untuk masing-masing DC :

• DC Aceh

P = Rp 365.000

D = 458.046 kotak

CV = Rp. 800 ( 10% dari harga produk )



V-76

kotak EOQ

CV

PD EOQ

450.20

2,444.20800

)046.458)(000.365(22

=

===

Total permintaan = 458.046 / tahun = 38.170 / bulan = 9540 / minggu

Frekuensi pembelian dalam 1 tahun = 22450.20

046.458= kali

• DC Padang

P = Rp 765.000

D = 329.329 kotak

CV = Rp. 800

kotak EOQ

CV

PD EOQ

340.17

3,335.17800

)329.329)(000.365(22

=

===

Total permintaan = 329.329 / tahun = 27.500 / bulan = 6870 / minggu


329.329= kali

• DC Bandar Lampung

P = Rp 1.015.000

D = 226.740 kotak

CV = Rp. 800

kotak EOQ

CV

PD EOQ

950.12

4,931.12800

)740.226)(000.295(22

=

===



V-77

Total permintaan = 226.740 / tahun = 18.890 / bulan = 4.720 / minggu

Frekuensi pembelian dalam 1 tahun = 17950.12740.226 = kali

• DC Pekanbaru

P = Rp 515.000

D = 277.560 kotak

CV = Rp. 800

kotak EOQ

CV

PD EOQ

800.14

4,784.14800

)560.277)(000.315(22

=

===

Total permintaan = 277.560 / tahun = 23.130 / bulan


560.277

= kali

5.2.4. Perhitungan Safety Stock

Safety stock merupakan suatu acuan untuk melakukan pemesanan kembali

guna memenuhi hasil peramalan. Dalam pengembangan sistem DRP ini, perkiraan

Safety stock dilakukan dengan cara sederhana dengan menganggap permintaan

normal selama Lead time distribusi dan service level yang digunakan adalah

92,55%. Perhitungan / penentuan persentase service level setelah menganalisis

service level masing-masing DC per bulannya dapat dilihat di bagian lampiran.

Sesuai dengan landasan teori, maka rumus untuk menghitung Safety stock

adalah :



V-78

SS = s x z

Dimana : s = standar deviasi penjualan

z = faktor penggandaan pada service level yang diinginkan.

1

2(1

)

−

−

=∑

=

−

n

X Xi

s

n

i

Dimana : ∑Xi = jumlah seluruh data penjualan

X −

= rata – rata penjualan

Xi = nilai penjualan ke – i

n = jumlah data

Service level 92,55% memberikan nilai z sebesar 1,445 yang diperoleh melalui

interpolasi dari Tabel kurva normal.

1. Safety stock pada DC Aceh seperti pada Tabel 5.7.

Tabel 5.7. Data Hasil Peramalan DC Aceh

BulanHasil Peramalan

( Xi )

Rata-Rata

( X )( Xi - X )

2

Maret 2010 20176

38171

323802030

April 2010 21600

274581470Mei 2010 25000

173462070

Juni 2010 29500

75177570

Juli 2010 36700

2162370

Agustus 2010 41200

9177870

September 2010 50850

160769720



V-79

Oktober 2010 52420203048250

November 2010 57000354550070

Desember 2010 65500

746901570

Januari 2011 28500

93518570

Februari 2011 2960073453470

Total ( ∑ ) 4580462.490.605.033

047.15112

033.605.490.2

1

2(1

)=

−=

−

−

=∑

=

−

n

X Xi

s

n

i kotak

SS = 15.047 kotak x 1,445 = 21.700 kotak

2. Safety stock pada DC Padang seperti pada Tabel 5.8.

Tabel 5.8. Data Hasil Peramalan DC Padang


( Xi )

Rata-Rata

( X )( Xi - X )

2

Maret 2010 21322

27444

37479904

April 2010 15104152275600

Mei 2010 2041549406841

Juni 2010 292113122289

Juli 2010 26564774400

Agustus 2010 12396226442304

September 2010 3121814243076

Oktober 2010 3742899680256

November 2010 40663174741961

Desember 2010 57670913611076



V-80

Januari 2011 1783792294449

Februari 2011 19501 63091249Total ( ∑ ) 329.329

1.827.163.405

888.12112

405.163.827.1

1

2(1

)=

−=

−

−

=∑

=

−

n

X Xi

s

n

i kotak

SS = 12.888 kotak x 1,445 = 18.600 kotak

3. Safety stock pada DC Bandar Lampung seperti pada Tabel 5.9.

Tabel 5.9. Data Hasil Peramalan DC Bandar Lampung


( Xi )

Rata-Rata

( X )( Xi - X )

2

Maret 201016090

18895

7868025

April 2010 16600 5267025

Mei 2010 17110 3186225

Juni 2010 17620 1625625

Juli 2010 18130 585225

Agustus 2010 18640 65025

September 2010 19150 65025

Oktober 2010 19660 585225

November 2010 20170 1625625

Desember 2010 20680 3186225

Januari 2011 21190 5267025

Februari 2011 21700 7868025

Total ( ∑ ) 226.740

37.194.300



V-81

839.1112300.194.37

1

2(1

)=

−=

−

−

=

∑=

−

n

X Xi

s

n

i kotak

SS = 1.839 kotak x 1,445 = 2.600 kotak

4. Safety stock pada DC Pekanbaru seperti pada Tabel 5.10.

Tabel 5.10. Data Hasil Peramalan DC Pekanbaru


( Xi )

Rata-Rata

( X )( Xi - X )

2

Maret 2010 15800

23130

53728900

April 2010 17880

27562500

Mei 2010 19050

16646400

Juni 2010 23150

400Juli 2010 28280

26522500

Agustus 2010 29450

39942400

September 2010 30550

55056400

Oktober 2010 31700

73444900

November 2010 28800

32148900

Desember 2010 26500

11356900

Januari 2011 15100

64480900

Februari 2011 11300

139948900

Total ( ∑ ) 277.560540.840.000



V-82

012.7112000.840.540

1

2(1

)=

−=

−

−

=

∑=

−

n

X Xi

s

n

i kotak

SS = 7.012 kotak x 1,445 = 10.100 kotak

Berikut rekapitulasi hasil EOQ, safety stock dan frekuensi pembelian per

tahun dari masing-masing DC dapat dilihat pada Tabel 5.11.

Tabel 5.11. Rekapitulasi Perhitungan EOQ, Safety Stock dan Frekuensi

Pembelian per tahun

No.

Distribution Center

( DC )

EOQ

( kotak )

Safety Stock

( kotak )

Frek. Pembelian dalam

Setahun

1 Aceh 20.450 21.700 22 kali

2 Padang 17.340 18.600 19 kali

3 Bandar Lampung 12.950 2.600 17 kali

4 Pekanbaru 14.800 7.012 18 kali

5.2.5. Distribution Requirement Planning Worksheet

Dari perhitungan data diatas, maka dapat disusun perencanaan DRP untuk

setiap DC dalam time bucket mingguan sebab lead time masing-masing DC tidak

melewati 1 bulan atau hanya dalam mingguan. Dan permintaan mingguan

diperoleh dengan membagi rata permintaan tahunan dengan 54 minggu.

Dalam DRP, ada beberapa istilah yang perlu diketahui yaitu :

a. GR (Gross Requirement ) : jumlah permintaan yang akan didistribusikan yang

diperoleh dari hasil peramalan



V-83

b. SR (Schedule Receipt ) : jumlah penerimaan yang sudah terjadwal sebagai

hasil PORel sebelumnya. SR ini disebut juga dengan open – order.

c. POH (Projected On Hand ) : jumlah persediaan yang ada yang kadang –

kadang sebagian persediaan sudah dialokasikan.

d. PORec (Plan Order Receipt ) : jumlah pemesanan yang dijadwalkan pada

periode yang dibutuhkan setelah melewati Lead time.

e. PORel (Plan Order Release) : rencana pemesanan setelah informasi Lead time

diperhitungkan. Lead time adalah tenggang waktu antara pemesanan dan

penerimaan pesanan.

Contoh perhitungan DRP worksheet untuk DC Aceh :

1. minggu 1 bulan Maret 2010

a. GR = nilai peramalan pada minggu 1 bulan Maret tahun 2010 = 20.176 / 4

= 5.044 kotak

b. PORec = 20.450 kotak , karena stok / POh tidak mencukupi.

c. PORel = pesanan permintaan karena stok tidak cukup untuk memenuhi

permintaan bulan Maret 2010 ( Lead time = 3 hari) = 0 karena minggu ke

dua tidak melakukan pemesanan.

d. SR = 0 , sebab pemesanan yang dilakukan dapat diterima dalam waktu 1

bulan.

e. POH = data persediaan pada akhir bulan Februari 2010 = 350 kotak

PoRec + POH sebelumnya – GR

20.450 + 350 – 5.044 = 15.756 kotak

2. minggu ke-2



V-84

a. GR = nilai peramalan minggu ke 2 pada bulan Maret tahun 2010 = 5.044

kotak

b. PORec = 0 kotak , karena stok mencukupi.

c. SR = tidak ada pemesanan pada minggu ke 2 karena pemesanan yang

dilakukan dapat diterima dalam waktu 1 minggu.

d. POH = data persediaan pada akhir minggu ke-2 bulan Maret 2010

POH sebelumnya + PoRec – GR

15.756 – 5.044 = 10.712 kotak

Demikian seterusnya perhitungan untuk minggu ke – 3 sampai minggu ke

– 20, nilai SR dan PORel = 0, bila stok masih mencukupi permintaan. Sedangkan

jika nilai SR dan PORel sebesar nilai EOQ, bila stok tidak mencukupi permintaan.

Perhitungan selanjutnya dilakukan dengan menggunakan bantuan Ms. Excel dan

dilanjutkan hingga periode ke 20 dan dapat dilihat pada Tabel 5.12

Penyelesaian yang sama juga dilakukan pada masing-masing DC yaitu

Padang, Bandar Lampung dan Pekanbaru.

Tabel 5.12. Distribution Requirement Planning Sheet untuk DC Aceh

Nama item : AMDK Minly Stock on hand : 350 kotak

Safety stock : Order quantity : 31.480 kotak

Nama DC : Aceh Lead time : 3 hari ( 0 minggu )

KetMinggu

0 1 2 3 4 5 6 7 8 9 10 11 12

GR 50445044 5044 5044 5400 5400 5400 5400 5044 5044 5044 5400

SR

POH 35015756 10712 5668 624 15674 10274 4874 19924 13674 7424 1174 15374

PORec 20450 20450 20450 20450



V-85

PORel 20450 20450 20450 20450

KetMinggu

13 14 15 16 17 18 19 20

GR 7375 7375 7375 7375 9175 9175 9175 9175

SR

POH 7999 624 13699 6324 17599 8424 19699 10524

PORec 20450 20450 20450

PORel20450 20450 20450

Tabel 5.13. Distribution Requirement Planning Sheet untuk DC Padang


Safety stock : Order quantity : 25.100 kotak Nama DC : Padang Lead time : 4 hari

KetMinggu

0 1 2 3 4 5 6 7 8 9 10 11 12

GR 5331 5331 5331 5331 3776 3776 3776 3776 5104 5104 5104 5104

SR

POH 200 12210 6879 1549 13558 9782 6006 2230 15794 10690 5587 483 12719

PORec 17340 17340 17340 17340

PORel 17340 17340 17340 17340

KetMinggu

13 14 15 16 17 18 19 20

GR 7303 7303 7303 7303 6414 6414 6414 6414

SR

POH 5416 15454 8151 848 11547 4906 15605 8964

PORec 17340 17340 17340

PORel 17340 17340 17340



V-86

Tabel 5.14. Distribution Requirement Planning Sheet untuk DC Bandar

LampungNama item : AMDK Minly Stock on hand : 170 kotak

Safety stock : Order quantity : 23.990 kotak Nama DC : Bandar Lampung Lead time : 1 minggu

KetMinggu

0 1 2 3 4 5 6 7 8 9 10 11 12

GR 4023 4023 4023 4023 4150 4150 4150 4150 4278 4278 4278 4278

SR 12950

POH 170 9098 5075 1053 9980 5830 1680 10480 6330 2053 10725 6448 2170

PORec 12950 12950 12950

PORel 12950 12950 12950 12950

KetMinggu

13 14 15 16 17 18 19 20

GR 4405 4405 4405 4405 4533 4533 4533 4533

SR

POH 10715 6310 1905 10450 5918 1385 9803 5270

PORec 12950 12950 12950

PORel 12950 12950



V-87

Tabel 5.15. Distribution Requirement Planning Sheet untuk DC Pekanbaru


Safety stock : Order quantity : 19.810 kotak

Nama DC : Pekanbaru Lead time : 2 hari

KetMinggu

0 1 2 3 4 5 6 7 8 9 10 11 12

GR 3950 3950 3950 3950 4470 4470 4470 4470 4763 4763 4763 4763SR

POH 150 11000 7050 3100 13950 9480 5010 540 10870 6108 1345 11383 6620

PORec 14800 14800 14800 14800

PORel 14800 14800 14800 14800

Ket

Minggu

13 14 15 16 17 18 19 20

GR 5788 5788 5788 5788 7070 7070 7070 7070

SR

POH 833 9845 4058 13070 6000 13730 6660 14390

PORec 14800 14800 14800 14800

PORel 14800 14800 14800 14800

5.2.6. Pegging Information

Pegging Information sebagai hasil dari master planning untuk

pendistribusian produk Minly pada masing – masing DC untuk periode 20 minggu

ke depan ( dari bulan Maret 2010 sampai Juli 2010 ).

1. Total permintaan tiap DC = ∑ permintaan tiap DC selama 20 minggu

a. DC Aceh = 7 x 20.450 = 143.150 kotak

b. DC Padang = 7 x 17.340



V-88

= 121.380 kotak

c. DC Bandar Lampung = 6 x 12.950

= 77.700 kotak

d. DC Pekanbaru = 8 x 14.800

= 118.400 kotak

2. Total permintaan keseluruhan tiap DC = ∑ permintaan periode 20 minggu

a. Minggu ke-1 = 20.45 + 17.340 + 14.800 = 52.590 kotak

b. Minggu ke-2 = 0 kotak

c. Minggu ke-3 = 12.950 = 12.950 kotak

d. Minggu ke-4 = 17.340 = 17.340 kotak

e. Minggu ke-5 = 20.450 = 20.450 kotak

f. Minggu ke-6 = 12.950 = 12.950 kotak

g. Minggu ke-7 = 0 kotak

h. Minggu ke-8 = 20.45 + 17.340 + 14.800 = 52.590 kotak

i. Minggu ke-9 = 12.950 = 12.950 kotak

j. Minggu ke-10 = 0 kotak

k. Minggu ke-11 = 14.800 = 14.800 kotak

l. Minggu ke-12 = 20.450 + 17.340 + 12.950 = 50.740 kotak

m. Minggu ke-13 = 0 kotak

n. Minggu ke-14 = 17.340 + 14.800 = 32.140 kotak

o. Minggu ke-15 = 20.450 + 12.950 = 33.400 kotak

p. Minggu ke-16 = 14.800 = 14.800 kotak

q. Minggu ke-17 = 20.450 + 17.340 = 37.790 kotak



V-89

r. Minggu ke-18 = 12.950 + 14.800 = 27.750 kotak

s. Minggu ke-19 = 20.450 + 17.340 = 37.790 kotak

t. Minggu ke-20 = 14.800 = 14.800 kotak

3. Total permintaan = ∑ total permintaan tiap DC selama 20 minggu

= DC Aceh + DC Padang + DC Bandar Lampung + DC Pekanbaru

= 143.150 + 121.380 + 77.700 + 118.400

= 460.630 kotak

PT. Uni Perkasa( CSF )

Aceh

( DC 1 )

Padang

( DC 2 )

Bandar

Lampung

( DC 3 )

Pekanbaru

( DC 4 )

Gambar 5.6. Struktur Demand tiap DC ke PT. Uni Perkasa



I-90

Tabel 5.16. Pegging Information PT. Uni Perkasa

Minggu ke

Pegging Information tiap DCTotal

( kotak )DC 1

( Aceh )

DC 2

(Padang)

DC 3

( Bandar

Lampung )

DC 4

(Pekanbaru)

120.450 17.340 – 14.800 52.590

2– – – – –

3– – 12.950 – 12.950

4– 17.340 – 14.800 32.140

520.450 – – – 20.450

6– – 12.950 – 12.950

7 – – – – –

8 20.450 17.340 – 14.800 52.590

9 – – 12.950 – 12.950

10 – – – – –

11– – – 14.800 14.800

12 20.450 17.340 12.950 – 50.740

13 – – – – –

14 – 17.340 – 14.800 32.140

1520.450 – 12.950 – 33.400

16–

– – 14.80014.800

17 20.450 17.340– – 37.790

18 – – 12.950 14.800 27.750

1920.450 17.340

– – 37.790



I-91

20– –

– 14.80014.800

∑ ( kotak ) 143.150 121.380 77.700 118.400 460.630



I-92

BAB VI

ANALISIS PEMECAHAN MASALAH

6.1. Analisis Hasil Peramalan

Setelah peramalan dilakukan untuk permintaan periode berikutnya, tidak

selamanya selalu tepat dengan kekuatan pasar, sebab banyak sekali faktor yang

tidak terduga di lapangan. Salah satunya adalah banyaknya persaingan di pangsa

pasar. Laju peramalan adalah suatu kumpulan peramalan yang telah diolah dengan

bantuan software QS ( Quant System ) 3.0 yang dapat disimpulkan berdasarkan

nilai hasil olahan sehingga penerapan distribution requirement planning akan

lebih efektif dan efisien. Adapun sepuluh metode yang digunakan adalah :

1. Double exponential smoothing.

2. Exponential smoothing with linier trend.

3. Double exponential smoothing with linier trend.

4. Adaptive exponential smoothing.

5. Linier regression

6. Winter’s model

7. Simple average.

8. Weight moving average.

9. Moving average with linier trend.

10. Single exponential smoothing.



I-93

Kesepuluh metode akan diterapkan pada data permintaan tahun lalu dari

masing-masing DC yaitu wilayah Aceh, Padang, Bandar Lampung dan

Pekanbaru. Perbedaan permintaan tahun lalu pada setiap DC berdampak pada

bedanya metode yang cocok atau sesuai untuk meramalkan permintaan yang akan

datang. Pemilihan kecocokan metode untuk setiap DC adalah berdasarkan MAD

atau MAD yang terkecil. Berikut metode beserta nilai MAD yang terkecil untuk

setiap DC dapat dilihat pada Tabel 6.1.

Tabel 6.1. Model dan Nilai Kesalahan

Nama DC Model Peramalan

Nilai MAD

terkecil

Padang Winter’s model 8270

Bandar Lampung Double Exponential smoothing with linear trend’s model 697

Aceh Exponential smoothing with linear trend’s model 7567

Pekanbaru Double exponential smoothing with linear’s model 5834

6.2. Analisis Grafik Laju Permintaan

• DC Aceh

Pada gambar 6.1 adalah grafik laju permintaan tahun 2009 dan peramalan

permintaan tahun 2010 produk Minly di DC Aceh dimana hasil permalan hampir

sama dengan data actual tahun sebelumnya dan metode yang digunakan adalah



I-94

Double exponential smoothing’s model. Permintaan di DC Aceh merupakan

permintaan yang tertinggi dibandingkan dengan DC lainnya.

Gambar 6.1. Permintaan Produk di DC Aceh Tahun 2009 dan Peramalan

Tahun 2010

• Untuk DC Padang

Pada gambar 6.2 di bawah adalah grafik laju permintaan tahun 2009 dan

peramalan permintaan tahun 2010 untuk wilayah Padang ,dimana pada peramalan

permintaan tahun 2010 ini terdapatnya permintaan yang fluktuatif pada periode 10

yaitu bulan Desember 2010.



I-95

Gambar 6.2. Permintaan Produk di DC Padang Tahun 2009 dan Peramalan

Tahun 2010

• DC Bandar Lampung

Grafik pada Gambar 6.3 menunjukkan perbandingan hasil peramalan

dengan data actual di DC Bandar Lampung. Hasil peramalan yang diperoleh

menunjukkan permintaan yang senantiasa stabil dari periode pertama hingga

periode ke 12. Metode yang digunakan adalah Exponential smoothing with linear

trend’s model.

• DC Pekanbaru

Hasil peramalan yang ditunjukkan oleh grafik di atas cenderung melebihi

data actual meskipun bentuk pola ramalan tersebut hampir mirip dengan pola

permintaan actual. Model peramalan yang cocok untuk DC Pekanbaru adalah

Double exponential smoothing with linear’s model.



I-96

Gambar 6.3. Permintaan Produk di DC Bandar Lampung Tahun 2009 dan


Gambar 6.4. Permintaan Produk di DC Pekanbaru Tahun 2009 dan




I-97

6.3. Analisis Economic Order Quantity (EOQ)

Kegunaan EOQ adalah untuk menentukan order quantity yang ekonomis

yang akan meminimumkan jumlah biaya pemesanan dan biaya persediaan per

waktu.

Tabel 6.2. Rekapitulasi Nilai EOQ Setiap DC

No. Distribution Center

( DC )

EOQ

( kotak )

1 Aceh 31.480

2 Padang 25.100

3 Bandar Lampung 23.990

4 Pekanbaru 19.810

Dari Tabel 6.2 , terlihat bahwa EOQ yang terbesar adalah pada DC Aceh.

Permintaan yang banyak juga memengaruhi nilai EOQ dari tiap DC.

PT. Uni Perkasa dalam menentukan order quantity menggunakan metode

Lot for Lot yaitu jumlah pemesanan sama banyak dengan jumlah yang

dibutuhkan. Metode ini memang dapat meminimumkan biaya persediaan, tetapi

menambah biaya transportasi. Seperti yang diketahui bahwa persentase terbesar

biaya distribusi adalah biaya transportasi. Dengan metode EOQ, perusahaan dapat

meminimumkan biaya transportasi, dengan menambah sedikit biaya persediaan.

Selain menghemat biaya-biaya yang timbul dari metode lot for lot ,

perusahaan bisa lebih memfokuskan hasil penjualannya sehingga bisa tersebar

merata di pangsa pasar.



I-98

6.4. Analisa DRP ( Distribution Requirement Planning) Worksheet

Untuk memenuhi permintaan, perusahaan menyikapinya dengan fleksibel

dan respon yang cepat. Dengan mengetahui peramalan permintaan 12 bulan

kedepan, menjadikan perusahaan dapat mengambil keputusan- keputusan

strategis, mengingat kejadian-kejadian dilapangan begitu tidak terduga.

Perusahaan selalu berusaha melebarkan pangsa pasarnya, memeperluas jangkauan

pasar nasional dengan kualitas isi maupun kemasan dari produk dengan tujuan

untuk kepuasan konsumen.

Berikut ini adalah pembahasan hasil perhitungan DRP ( Distribution

Requirement Planning) worksheet pada DC Aceh, Padang, Bandar Lampung dan

Pekanbaru selama periode 20 minggu. DRP worksheet dibuat dalam bucket

mingguan sebab lead time setiap kota rata-rata dalam mingguan. Jadi permintaan

setiap bulan dirata-ratakan menjadi permintaan mingguan.

DC Aceh

Berdasarkan data masa lalu , jumlah permintaan yang diperoleh adalah

446.300 kotak. Sedangkan hasil peramalan dengan metode Double exponential

smoothing’s model diperoleh 458.046 kotak ( terjadi peningkatan sekitar 12

ribu kotak ). Sesuai dengan nilai EOQ yang diperoleh , hampir setiap bulan DC

Aceh memerlukan order dari PT. Uni Perkasayaitu pada periode ke 1, 5, 8, 12,

15, 17 dan 19 dengan ukuran pemesanan ekonomis sebesar 20.450 kotak.

DC Padang

Hasil peramalan untuk DC Padang menunjukkan bahwa peningkatan

permintaan produk Minly terjadi pada bulan September hingga Desember . Hal



I-99

ini biasanya disebabkan oleh banyaknya hari raya pada bulan-bulan tersebut

maupun hari libur. Dalam DRP worksheet yang telah dibuat dalam bucket

mingguan, DC Padang melakukan pemesanan pada minggu ke 1, 4, 8, 12, 14,

17 dan 19 dengan lead time 4 hari dan ukuran pemesanan sebesar 17.340

kotak.

DC Bandar Lampung

DRP Worksheet untuk DC ini menunjukkan permintaan yang stabil hingga

akhir periode padahal data actual menunjukkan permintaan yang cenderung

menurun. Permintaan dari DC ini tidak bergejolak atau lebih stabil bila

dibandingkan dengan permintaan DC lainnya. DC ini hanya melakukan

pemesanan selama enam kali dalam periode 20 minggu yaitu minggu ke 3, 6, 9,

12, 15 dan 18 dengan lead time selama 1 minggu.

DC Pekanbaru

Pada data actual, permintaan di DC ini menunjukkan jumlah yang lebih

banyak dari DC Bandar Lampung. Metode peramalan yang cocok dengan data

permintaan sebelumnya adalah Double exponential smoothing with linear’s

model yang sama dengan DC Bandar Lampung. Nilai EOQ mendapat nilai

terkecil dibandingkan dengan DC lainnya. DC ini dijadwalkan akan melakukan

pemesanan selama 8 kali selama periode 20 minggu yaitu minggu ke 1, 4, 8,

11, 14, 16, 18 dan 20.

Setelah melakukan penjadwalan dengan metode DRP , frekuensi

pemesanan menjadi lebih kecil per tahunnya dibandingkan dengan periode yang



I-100

lalu. Dengan berkurangnya frekuensi pemesanan akan berdampak pada

berkurangnya biaya set up ( pesan ) yang dilakukan. Perbandingan frekuensi

pemesanan sebelum dan sesudah menggunakan DRP dapat dilihat pada Tabel 6.3

Tabel 6.3. Perbandingan Frekuensi Pemesanan

DC Tanpa DRP Dengan DRP

Aceh 48 kali 22 kali

Padang 35 kali 19 kali

Bandar Lampung 30 kali 17 kali

Pekanbaru 32 kali 18 kali

Adapun usulan kepada pihak pabrik agar dapat menjalankan jadwal baru

yang menggunakan sistem DRP adalah :

1. Menambah armada pengangkutan dan kontainer yang lebih besar agar

produk dapa dimuat dalam jumlah yang banyak sekali jalan.

2. Pihak PPIC dapat memprediksi atau menghitung permintaan pada periode

mendatang dengan software maupun rumus pendekatan lainnya sehingga

data masa depan yang diperoleh dapat dijadikan patokan dalam produksi.

3. Kedisiplinan semua pekerja dalam hal jadwal dan kualitas pekerjaan.

4. Memanfaatkan mesin-mesin yang ada ( jangan sampai ada yang

menganggur ). Jika mesin tidak berfungsi secara optimal , disarankan

secepatnya diperbaiki atau mengganti mesin yang baru setelah menghitung

dengan ekonomi teknik daripada hanya menjadi beban.



I-101

BAB VII

KESIMPULAN DAN SARAN

7.1. Kesimpulan

Setelah melakukan pengolahan data dan pembahasan pada bab

sebelumnya maka dapat diambil beberapa kesimpulan, yaitu :

1. Jumlah permintaan di tiap-tiap wilayah pemasaran, hal ini disebabkan karena

tidak menentunya permintaan pasar dan masih sedikitnya distributor tunggal

khususnya di wilayah yang variabilitas permintaannya sedikit di wilayah

Aceh, Padang , Bandar Lampung dan Pekanbaru.

2. Peramalan dilakukan dengan bantuan software Q.S yang dapat melakukan

hingga 10 metode peramalan yang cocok dengan kondisi permintaan tahun

lalu. Metode yang dipilih adalah metode dengan nilai MAD (kesalahan)

terkecil.

3. Peramalan permintaan untuk DC Aceh dari bulan Maret 2010 hingga Februari

2011 adalah sebesar 458.046 kotak dengan metode Exponential smoothing

with linear trend’s model. Artinya pihak perusahaan harus menambah sekitar

8 ribu kotak agar tidak terjadi kekurangan produk sesuai dengan peramalan

yang dilakukan untuk 12 periode mendatang.

4. Metode peramalan yang sesuai dengan DC Padang adalah Winter’s model

dengan hasil peramalan sebesar 329.329 kotak untuk 12 periode mendatang.



I-102

Dan terjadi peningkatan sebesar 30 ribu kotak dibandingkan dengan periode

sebelumnya..

5. Hasil peramalan yang stabil yang sesuai dengan data masa lalu DC Pekanbaru

adalah hasil dari Double exponential smoothing’s model dengan total

permintaan dari bulan Maret 2010 hingga Februari 2011 adalah sebesar

277.560 kotak.

6. DC Bandar lampung adalah DC dengan jumlah permintaan masa lalu yang

paling kecil di antara DC lainnya. Metode peramalan yang sesuai adalah

Double exponential smoothing with linear’s model dengan total permintaan

sebesar 226.740 kotak. Artinya pihak perusahaan harus menyediakan jumlah

produk yang lebih banyak dibandingkan dengan permintaan tahun lalu untuk

mengantisipasi terjadinya kekurangan stok yang dapat menghambat sistem

distribusi.

7. Metode order quantity yang digunakan adalah metode EOQ. Nilai EOQ

untuk DC Aceh adalah 20.450 kotak, Padang 17.340 kotak, Bandar Lampung

12.950 kotak dan Pekanbaru 14.800 kotak.

8. Service level yang digunakan dalam menghitung jumlah safety stock adalah

92,55 % dengan nilai Z= 1,445. Pemilihan service level yang tidak begitu

besar adalah karena lead time untuk setiap DC sudah cukup akurat, dengan

asumsi bencana alam bukan penyebab terhambatnya distribusi, tetapi safety

stock yang diperlukan cukup besar yang dikarenakan dalam perhitungannya

menghasilkan deviasi yang cukup besar dari hasil ramalan.



I-103

9. PT. Uni Perkasa harus mempersiapkan produk yang paling banyak pada

minggu pertama untuk dikirimkan ke distribution center nya di Aceh, Padang

dan Pekanbaru ( dalam periode 20 mingguan ). Dari pegging information ,

terlihat bahwa pihak perusahaan lebih sibuk ketika memasuki minggu ke 13.

10. Jumlah permintaan dalam periode 20 minggu untuk DC Aceh adalah 143.150

kotak , DC Padang adalah 121.380 kotak , DC Bandar Lampung adalah

77.700 kotak dan DC Pekanbaru adalah 118.400 kotak.

11. Persentase pengurangan frekuensi pemesanan berkisar antara 40 – 50 % pada

masing-masing DC yang mengakibatkan biaya pemesanan yang semakin

kecil.

7.2. Saran

Perusahaan ingin memberikan pelayanan yang terbaik untuk

pelanggannya, dan sebagai perusahaan dimana persediaan barang dan

distribusinya menjadi aktifitas yang terpenting, maka perencanaan pembelian dan

alokasi kebutuhan konsumen yang tepat waktu adalah keputusan yang vital.

Dengan quick response berarti berusaha untuk mengantisipasi permintaan

konsumen dengan segera, diimbangi dengan perencanaan pemesanan yang

berkesinambungan, hal ini dapat dilakukan melalui simulasi perhitungn yang

sistematis dan berinteraksi antara supply dan demand , dimana penggunaan DRP

sangat bermanfaat untuk tujuan ini.

Guna meningkatkan omset penjualan dan pengusaan pasar, khususnya

diwilayah yang sedikit permintaannya diharapkan elemen bagian pemasaran

berani melakukan riset pasar Setelah menerapkan webflow pada proses bisnisnya,



I-104

diharapkan perusahaan juga menerapkan manajemen bisnis terpadu dengan

software navision yang bertujuan untuk fokus dalam peningkatan produktifitas

internal perusahaan dan kinerja dari rantai pasokannya.

chapter iii vii

Documents