Download docx - Lap KP Juanita

ANALISIS PERAMALAN PENGGUNAAN MATERIAL UNTUK PERHITUNGAN

REORDER POINT DAN REORDER QUANTITY PADA BAGIAN INVENTORY

PT INCO TBK SOROWAKO

LAPORAN KERJA PRAKTEK

Diajukan Untuk Memenuhi Persyaratan Akademik Mata Kuliah TI-421, Kerja Praktek

Pada Program Studi Teknik Industri, Institut Teknologi Harapan Bangsa

Disusun oleh:

Nama : Juanita

NIM : 1506011

DEPARTEMEN TEKNIK INDUSTRIINSTITUT TEKNOLOGI HARAPAN BANGSA

BANDUNG2009

ABSTRAK

Definisi peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa

datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan

lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa.

Dengan adanya jumlah barang yang dibutuhkan suatu perusahaan, akan

mengakibatkan timbulnya kebutuhan untuk mengelola barang, baik dalam

pemesanan barang maupun dalam mengatur persediaan barang. Selain jumlah

barang yang dibutuhkan, jangka waktu pemesanan dan penerimaan barang pun

mempengaruhi tingkat persediaan barang.

Permasalahan yang sering terjadi dalam pengelolaan barang di PT. INCO Soroako

ialah mengenai penggunaan barang yang seringkali melebihi kebutuhan yang

direncanakan. Selain itu, jumlah kebutuhan yang berubah-ubah tanpa adanya

jumlah yang jelas semakin mempersulit perencanaan untuk penyediaan barang

yang ditetapkan.

Salah satu alat yang dapat digunakan ialah peramalan penggunaan barang. Oleh

sebab itu, peramalan dibutuhkan untuk mendapatkan hasil perkiraan penggunaan

periode mendatang. Semakin baik hasil peramalan, maka semakin efisien pula

pengendalian persediaan yang dilakukan. Peranan peramalan sangat penting, baik

dalam penelitian, perencanaan, maupun pengambilan keputusan.

Pada penelitian ini, peramalan dilakukan untuk tiga buah material, yaitu Electrode

Paste, Adhesive, dan Ballast Lamp. Peramalan dilakukan menggunaklan software

WinQSB. Hasil peramalan menyatakan bahwa setiap material tidak

dapatdiramalkan dengan satu metode saja.

Hasil peramalan kemudian sigunakan untuk menghitung ROP dan ROQ, sehingga

dapat diketahui titik pemesanan kembali yang terhitung dan juga jumlah saat

pemesanan kembali dilakukan. Dengan demikian, hasil perhitungan ROP dan

v

ROQ dapat mengoptimalkan biaya yang dibebankan pada setiap material sehingga

semakin baik hasil peramalan yang didapatkan, maka semakin optimal pula hasil

ROP dan ROQ yang didapat.

vi

PRAKATA

Puji dan syukur kepada Tuhan Yesus Kristus karena kasih dan anugerah-Nya

yang besar telah memberikan kekuatan dan hikmat-Nya kepada penulis untuk

dapat melakukan Kerja Praktek di PT. International Nickel Indonesia, Tbk.

Sorowako serta menyelesaikan Laporan Kerja Praktek ini.

Laporan Kerja Praktek ini merupakan tugas yang diberikan dalam rangka

memenuhi syarat mata kuliah (TI – 421) Kerja Praktek pada Program Studi

Teknik Industri Institut Teknologi Harapan Bangsa.

Laporan Kerja Praktek ini tidak akan terwujud tanpa dukungan dari berbagai

pihak yang telah memberikan bantuan, dukungan, dorongan, fasilitas, dan arahan

serta nasehat dari awal hingga akhir. Oleh karena itu, pada kesempatan ini penulis

ingin mengucapkan terima kasih yang sebesar-besarnya kepada :.

1. Tuhan Yesus Kristus atas penyertaan-Nya, kasih-Nya, dan perbuatan-Nya

yang dashyat.

2. Keluarga, terlebih mama yang selalu memberikan dukungan dan nasehatnya.

3. Tante Christina Ken Widati yang telah mengupayakan penulis untuk dapat

melakukan kerja praktek di perusahaan dan telah memberikan fasilitas kepada

penulis selama kerja praktek.

4. Bapak Jemmy yang telah memberikan bimbingannya selama melakukan Kerja

Praktek.

5. Bu Titin yang selalu membimbing dan memberikan bantuan selama

melakukan Kerja Praktek.

6. Bapak Ir. Roland Y.H, Silitonga selaku kepala departemen Teknik Industri

ITHB dan juga yang telah memberikan masukan selama kerja praktek.

7. Bapak Anggoro Prasetyo Utomo, ST., MT. yang telah memberikan perhatian

dan bimbingannya.

vii

8. Pak Taha, Pak Kresna, Kak Ranti yang selalu menemani dan membantu

selama kerja praktek.

9. Irwan, yang memberikan masukan dan menjadi tempat bertukar pikiran

selama kerja praktek.

10. Lia, Rhenna, Rosita, dan Jo Yolanda yang selalu memberikan semangat,

tempat bertukar pikiran dan juga menjadi teman curhat selama kerja praktek.

11. K’Sandra, K’Anne, dan K’Frando yang sudah memberikan semangat selama

penulis kerja praktek.

12. Ivan yang sudah menjadi wakil penulis untuk melakukan perwalian di

kampus.

13. Mario L Junico yang selalu menyemangati di tengah kepenatan pembuatan

laporan kerja praktek ini.

14. TI 2006 dan juga semua pihak yang selalu memberikan dukungan dan

semangatnya selama mengerjakan laporan Kerja Praktek.

15. Segala pihak yang telah mendukung penulis dalam pembuatan laporan kerja

praktek ini yang tidak dapat disebutkan satu per satu.

Bandung, November 2009

Penulis

viii

DAFTAR ISI

ABSTRAK..........................................................................................................................v

PRAKATA........................................................................................................................vii

DAFTAR ISI......................................................................................................................ix

DAFTAR TABEL............................................................................................................xii

DAFTAR GAMBAR.......................................................................................................xiv

BAB I PENDAHULUAN.............................................................................................I-1

I. 1 Latar Belakang..............................................................................................I-1

I. 2 Rumusan Masalah.........................................................................................I-3

I. 3 Tujuan Penelitian..........................................................................................I-3

I. 4 Batasan Masalah...........................................................................................I-4

I. 5 Sistematika Penulisan...................................................................................I-4

BAB II TEORI DASAR..............................................................................................II-1

II. 1 Definisi Peramalan......................................................................................II-1

II. 2 Peranan Peramalan......................................................................................II-2

II. 3 Fungsi Peramalan........................................................................................II-3

II. 4 Karakteristik Peramalan..............................................................................II-3

II.5 Klasifikasi Peramalan..................................................................................II-5

II.5.1 Peramalan Kualitatif....................................................................................II-5

II.5.2 Peramalan Kuantitatif..................................................................................II-6

II.5.2.1 Simple Average Method.............................................................................II-10

II.5.2.2 Metode Rata-rata Bergerak (Moving Average Method)............................II-10

II.5.2.3 Single Exponential Smoothing (Pemulusan Eksponensial Tunggal).........II-12

II.5.2.4 Double Exponential Smoothing.................................................................II-13

II.5.2.5 Linear Regression......................................................................................II-14

II.5.2.6 Holt-Winter Method..................................................................................II-14

II.5.3 Efektivitas Peramalan................................................................................II-15

II. 6 Manajemen Persediaan Barang.................................................................II-16

II.6.1 Reorder Point (ROP).................................................................................II-19

II.6.2 Re-Order Quantity (ROQ)........................................................................II-24

ix

BAB III TINJAUAN PERUSAHAAN......................................................................III-1

III. 1 Profil Perusahaan.......................................................................................III-1

III. 2 Sejarah PT. INCO, Tbk..............................................................................III-2

III. 3 Visi dan Misi..............................................................................................III-8

III. 4 Proses Bisnis Perusahaan...........................................................................III-9

III.5 Proses Bisnis Internal...............................................................................III-16

III.6 Produk......................................................................................................III-17

III. 7 Kondisi Sistem Perusahaan......................................................................III-18

III. 8 Struktur Organisasi..................................................................................III-19

III. 9 Lokasi PT. INCO, Tbk.............................................................................III-20

III. 10 Manajemen Persediaan Barang PT. INCO..............................................III-21

BAB IV PERAMALAN MATERIAL.......................................................................IV-1

IV.1 Pengumpulan Data.....................................................................................IV-1

IV.2 Pengolahan Data........................................................................................IV-3

IV.2.1 Simple Average..........................................................................................IV-4

IV.2.2 Moving Average........................................................................................IV-7

IV.2.2.1 Moving Average (MA)...............................................................................IV-8

IV.2.2.2 Moving Average with Trend (MAT)........................................................IV-11

IV.2.3 Smoothing (Pemulusan)...........................................................................IV-15

IV.2.3.1 Single Exponential Smoothing.................................................................IV-16

IV.2.3.2 Single Exponential Smoothing with Trend...............................................IV-19

IV.2.3.3 Double Exponential Smoothing...............................................................IV-23

IV.2.3.5 Double Exponential Smoothing with Trend.............................................IV-27

IV.2.3.6 Adaptive Exponential Smoothing.............................................................IV-31

IV.2.4 Linear Regression....................................................................................IV-35

IV.2.5 Winters.....................................................................................................IV-39

IV.2.5.1 Holt-Winters Additive Algorithm.............................................................IV-39

IV.2.5.2 Holt-Winters Multiplicative Algorithm....................................................IV-43

IV.2.6 Ringkasan Hasil Peramalan.....................................................................IV-46

IV.3 Analisis....................................................................................................IV-48

IV.3.1 Pemilihan Metode Peramalan..................................................................IV-49

IV.3.2 Perhitungan ROP.....................................................................................IV-51

IV.3.2.1 Perhitungan ROP Electrode Paste............................................................IV-51

x

IV.3.2.2 Perhitungan ROP Adhesive.....................................................................IV-52

IV.3.2.3 Perhitungan ROP Ballast Lamp...............................................................IV-53

IV.3.3 Perhitungan ROQ.....................................................................................IV-54

IV.3.3.1 Perhitungan ROQ Electrode Paste...........................................................IV-55

IV.3.3.2 Perhitungan ROQ Adhesive.....................................................................IV-55

IV.3.3.3 Perhitungan ROQ Ballast Lamp..............................................................IV-56

BAB V KESIMPULAN DAN SARAN.......................................................................V-1

V.1 Simpulan.....................................................................................................V-1

V.2 Saran...........................................................................................................V-2

DAFTAR PUSTAKA......................................................................................................xvi

xi

DAFTAR TABEL

Tabel 2.1. Moving Average........................................................................................II-11

Tabel 2.2. Service level dan K-Factor.......................................................................II-22

Tabel 3.1. Contoh Barang Berdasarkan Stock Code..................................................II-24

Tabel 3.2. Stock Type.................................................................................................II-24

Tabel 3.3. Contoh Barang Berdasarkan Stock Type..................................................II-25

Tabel 3.4. Stock Class................................................................................................II-26

Tabel 3.5. Contoh Barang Berdasarkan Stock Class.................................................II-28

Tabel 4.1. Usage Material..........................................................................................IV-1

Tabel 4.2. Hasil Peramalan Simple Average Electrode Paste....................................IV-4

Tabel 4.3. Hasil Peramalan Simple Average Adhesive..............................................IV-5

Tabel 4.4. Hasil Peramalan Simple Average Ballast Lamp........................................IV-6

Tabel 4.5. Hasil Peramalan 4-MA Electrode Paste....................................................IV-8

Tabel 4.6. Hasil Peramalan 6-MA Adhesive.............................................................IV-9

Tabel 4.7. Hasil Peramalan 8-MA Ballast Lamp.....................................................IV-10

Tabel 4.8. Hasil Peramalan 4-MAT Electrode Paste...............................................IV-12

Tabel 4.9. Hasil Peramalan 6-MAT Adhesive.........................................................IV-13

Tabel 4.10. Hasil Peramalan 8-MAT Ballast Lamp.................................................IV-14

Tabel 4.11. Hasil Peramalan Electrode Paste (SES)...............................................IV-16

Tabel 4.12. Hasil Peramalan Adhesive (SES)..........................................................IV-17

Tabel 4.13. Hasil Peramalan Ballast Lamp (SES)...................................................IV-18

Tabel 4.14. Hasil Peramalan Electrode Paste (SEST).............................................IV-20

Tabel 4.15. Hasil Peramalan Adhesive (SEST).......................................................IV-21

Tabel 4.16. Hasil Peramalan Ballast Lamp (SEST).................................................IV-22

Tabel 4.17. Hasil Peramalan Electrode Paste (DES)...............................................IV-23

Tabel 4.18. Hasil Peramalan Adhesive (DES).........................................................IV-25

Tabel 4.19. Hasil Peramalan Ballast Lamp (DES)...................................................IV-26

Tabel 4.20. Hasil Peramalan Electrode Paste (DEST).............................................IV-27

Tabel 4.21. Hasil Peramalan Adhesive (DEST)......................................................IV-29

Tabel 4.22. Hasil Peramalan Ballast Lamp (DEST)................................................IV-30

Tabel 4.23. Hasil Peramalan Electrode Paste (AES)...............................................IV-31

Tabel 2.24. Hasil Peramalan Adhesive (AES).........................................................IV-32

xii

Tabel 4.25. Hasil Peramalan Ballast Lamp (AES)...................................................IV-34

Tabel 4.26. Hasil Peramalan Electrode Paste (LR)..................................................IV-35

Tabel 4.27. Hasil Peramalan Adhesive (LR)...........................................................IV-36

Tabel 4.28. Hasil Peramalan Ballast Lamp (LR).....................................................IV-37

Tabel 4.29. Hasil Peramalan Electrode Paste (HWA).............................................IV-39

Tabel 4.30. Hasil Peramalan Adhesive (HWA).......................................................IV-40

Tabel 4.31. Hasil Peramalan Ballast Lamp (HWA).................................................IV-41

Tabel 4.32. Hasil Peramalan Electrode Paste (HWM).............................................IV-43

Tabel 4.33. Hasil Peramalan Adhesive (HWM)......................................................IV-44

Tabel 4.34. Hasil Peramalan Ballast Lamp (HWM)................................................IV-45

Tabel 4.35. Ringkasan Hasil Peramalan Electrode Paste (Efektivitas Peramalan)..IV-47

Tabel 4.36. Ringkasan Hasil Peramalan Adhesive (Efektivitas Peramalan)...........IV-47

Tabel 4.37. Ringkasan Hasil Peramalan Ballast Lamp (Efektivitas Peramalan).....IV-47

Tabel 4.38. Urutan Hasil Peramalan Electrode Paste Berdasarkan Nilai MAD......IV-49

Tabel 4.39. Urutan Hasil Peramalan Adhesive Berdasarkan Nilai MAD................IV-50

Tabel 4.40. Urutan Hasil Peramalan Ballast Lamp Berdasarkan Nilai MAD.........IV-50

xiii

DAFTAR GAMBAR

Gambar II-1. Pola Data Horisontal..................................................................................II-7

Gambar II-2. Pola Data Musiman....................................................................................II-8

Gambar II-3. Pola Data Siklis..........................................................................................II-8

Gambar II-4. Pola Data Trend..........................................................................................II-8

Gambar II-5. Hubungan ROP dan Safety Stock.............................................................II-23

Gambar III-1. Nikel Laterit.............................................................................................III-4

Gambar III-2. PLTA Larona...........................................................................................III-5

Gambar III-3. Proyek PLTA Karebbe............................................................................III-7

Gambar III-4. ESP pengendali emisi debu.....................................................................III-7

Gambar III-5. Proses Bisnis PT. INCO........................................................................III-10

Gambar III-6. Struktur Organisasi PT. INCO, Tbk......................................................III-19

Gambar III-7. Area Kontrak Karya PT. INCO, Tbk.....................................................III-20

Gambar IV-1. Grafik Data Usage 000300293...............................................................IV-2



Gambar IV-4. Hasil Peramalan Simple Average Usage Electrode Paste.......................IV-5

Gambar IV-5. Hasil Peramalan Simple Average Usage Adhesive.................................IV-6

Gambar IV-6. Hasil Peramalan Simple Average Usage Ballast Lamp..........................IV-7

Gambar IV-7. Hasil Peramalan 4-MA Usage Electrode Paste.......................................IV-9

Gambar IV-8. Hasil Peramalan 6-MA Usage Adhesive..............................................IV-10

Gambar IV-9. Hasil Peramalan 8-MA Usage Ballast Lamp........................................IV-11

Gambar IV-10. Hasil Peramalan 4-MAT Usage Electrode Paste................................IV-12

Gambar IV-11. Hasil Peramalan 6-MAT Usage Adhesive..........................................IV-14

Gambar IV-12. Hasil Peramalan 8-MAT Usage Ballast Lamp...................................IV-15

Gambar IV-13. Hasil Peramalan Electrode Paste (SES)..............................................IV-17

Gambar IV-14. Hasil Peramalan Adhesive (SES)........................................................IV-18

Gambar IV-15. Hasil Peramalan Ballast Lamp (SES).................................................IV-19

Gambar IV-16. Hasil Peramalan Electrode Paste (SEST)............................................IV-20

Gambar IV-17. Hasil Peramalan Adhesive (SEST).....................................................IV-22

Gambar IV-18. Hasil Peramalan Ballast Lamp (SEST)...............................................IV-23

Gambar IV-19. Hasil Peramalan Electrode Paste (DES).............................................IV-24

Gambar IV-20. Hasil Peramalan Adhesive (DES).......................................................IV-26

xiv

Gambar IV-21. Hasil Peramalan Ballast (DES)...........................................................IV-27

Gambar IV-22. Hasil Peramalan Electrode Paste (DEST)...........................................IV-28

Gambar IV-23. Hasil Peramalan Adhesive (2MA)......................................................IV-29

Gambar IV-24. Hasil Peramalan Ballast Lamp (DEST)..............................................IV-31

Gambar IV-25. Hasil Peramalan Electrode Paste (AES).............................................IV-32

Gambar IV-26. Hasil Peramalan Adhesive (AES).......................................................IV-33

Gambar IV-27. Hasil Peramalan Ballast Lamp (AES).................................................IV-35

Gambar IV-28. Hasil Peramalan Electrode Paste (LR)................................................IV-36

Gambar IV-29. Hasil Peramalan Adhesive (LR).........................................................IV-37

Gambar IV-30. Hasil Peramalan Ballast Lamp (LR)...................................................IV-38

Gambar IV-31. Hasil Peramalan Electrode Paste (HWA)...........................................IV-40

Gambar IV-32. Hasil Peramalan Adhesive Paste (HWA)............................................IV-41

Gambar IV-33. Hasil Peramalan Ballast Lamp (HWA)...............................................IV-42

Gambar IV-34. Hasil Peramalan Electrode Paste (HWM)...........................................IV-44

Gambar IV-35. Hasil Peramalan Adhesive (HWM)....................................................IV-45

Gambar IV-36. Hasil Peramalan Ballast Lamp (HWM)..............................................IV-46

xv

BAB I

PENDAHULUAN

I. 1 Latar Belakang

Indonesia merupakan negara yang kaya akan sumber daya mineral. Salah satu

mineral yang terkandung dalam bumi Indonesia ialah mineral logam. Banyaknya

kandungan logam di Indonesia mengakibatkan berkembangnya perusahaan

pertambangan logam di Indonesia. Salah satu kekayaan logam Indonesia ialah

nikel. Potensi nikel di Indonesia sangat besar, terutama di sepanjang pegunungan

Verbeek, Sulawesi. Perusahaan pertambangan dan pengolahan nikel di Sulawesi

dikelola oleh PT. International Nickel Indonesia, Tbk. (PT. INCO).

Setiap perusahaan, baik membutuhkan barang untuk melakukan setiap kegiatan

usahanya. Barang-barang yang dibutuhkan perusahaan dapat berupa bahan baku,

bahan penolong, dan lainnya.

Jumlah barang yang dibutuhkan mengakibatkan timbulnya kebutuhan untuk

mengelola barang, baik dalam pemesanan barang maupun dalam mengatur

persediaan barang. Selain jumlah barang yang dibutuhkan, jangka waktu

pemesanan dan penerimaan barang pun mempengaruhi tingkat persediaan barang.

Banyak sedikitnya tingkat persediaan, akan menghadapkan perusahaan pada risiko

untuk pemenuhan persediaan dengan waktu yang tepat. Tanpa adanya persediaan,

perusahaan suatu saat tidak dapat memenuhi pesanan tepat waktu. Selain itu,

ketidakpastian akan apa yang akan terjadi di masa yang akan datang merupakan

faktor yang membuat perusahaan mengadakan persediaan.

PT. INCO sebagai salah satu perusahaan pertambangan dan pengolahan nikel

menyadari pentingnya persediaan untuk memenuhi kebutuhan barang dalam

menunjang proses pertambangan dan pengolahan nikel yang dilakukan. Akan

Bab I Pendahuluan I-2

tetapi, perusahaan juga menyadari pemborosan yang terjadi dari pengadaan

persediaan yang diputuskan. Oleh sebab itu, perusahaan membuat persediaan yang

sekecil mungkin untuk menekan biaya, tetapi juga diharapkan tetap dapat

memenuhi kebutuhan konsumen (user).

Penentuan jumlah persediaan barang ditentukan dari beberapa faktor, seperti

jumlah penggunaan barang, tingkat kritis, harga barang, biaya pemesanan barang,

biaya penanganan barang, dan lainnya.

Permasalahan yang sering terjadi dalam pengelolaan barang di PT. INCO ialah

mengenai penggunaan barang yang seringkali melebihi kebutuhan yang

direncanakan. Selain itu, jumlah kebutuhan yang berubah-ubah tanpa adanya

jumlah yang jelas semakin mempersulit perencanaan untuk penyediaan barang

yang ditetapkan.

Jumlah persediaan berhubungan dengan titik pemesanan kembali (ROP–reorder

point), jumlah barang yang dipesan kembali (ROQ–reorder quantity), dan juga

persediaan pengaman (safety stock). Untuk menghitung nilai ROP, ROQ, dan

safety stock, dibutuhkan jumlah penggunaan barang periode terbaru.

Dengan demikian, dibutuhkan perencanaan yang baik dalam penentuan jumlah

persediaan barang ke depan agar dalam menentukan ROP dan ROQ dihasilkan

nilai yang mendekati nilai aktual penggunaan. Salah satu alat yang dapat

digunakan ialah peramalan penggunaan barang. Oleh sebab itu, peramalan

dibutuhkan untuk mendapatkan hasil perkiraan penggunaan periode mendatang.

Semakin baik hasil peramalan, maka semakin efisien pula pengendalian

persediaan yang dilakukan.

Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Apabila hasil

peramalan kurang tepat, maka semakin kurang baik pula keputusan yang akan

diambil. Peranan peramalan sangat penting, baik dalam penelitian, perencanaan,

maupun pengambilan keputusan.


Metode peramalan yang sangat banyak membuat hasil peramalan pun akan

berbeda-beda. Hasil peramalan digunakan sebagai gambaran kebutuhan di masa

yang akan datang sehingga dibutuhkan metode peramalan yang tepat untuk

mendapatkan hasil peramalan yang mendekati kebutuhan sesungguhnya.

Dengan demikian, dibutuhkan pula variabel-variabel penentu dalam pengambilan

keputusan untuk pemilihan metode peramalan terbaik, sehingga nilai efektivitas

peramalan sangat menentukan. Selain itu juga peraturan perusahaan dalam

mengelola persediaan barang turut membantu pemilihan metode peramalan yang

terbaik.

I. 2 Rumusan Masalah

Berdasarkan latar belakang di atas, dapat dikemukakan rumusan masalah sebagai

berikut:

Bagaimana pola penggunaan barang beberapa periode lalu hingga

saat ini?

Metode peramalan apakah yang digunakan di perusahaan?

Metode peramalan manakah yang terbaik untuk digunakan dalam

menentukan ROP dan ROQ?

Variabel apa saja yang digunakan untuk menentukan pemilihan

hasil peramalan?

I. 3 Tujuan Penelitian

Tujuan dari penelitian ini ialah :

Mengetahui proses pengelolaan persediaan di perusahaan

Mengetahui metode peramalan terbaik untuk digunakan dalam

menghitung nilai ROP dan ROQ


Mengetahui variabel-variabel yang membantu menentukan metode

peramalan terbaik

Menghitung nilai ROP dan ROQ

I. 4 Batasan Masalah

Adapun batasan masalah pada penelitian ini diantaranya:

Penelitian dilakukan pada PT. INCO Sorowako departemen

Procurement Contract and Logistic Warehousing bagian Inventory.

Penelitian dilaksanakan pada periode 09 Juni 2009 – 14 Agustus

2009.

Analisis masalah akan dilakukan terhadap hasil peramalan Time

Series yang diperoleh dari hasil perhitungan menggunakan

software WinQSB.

I. 5 Sistematika Penulisan

Dalam sistematika penulisan laporan kerja praktek ini, penulis membagi laporan

ke dalam lima bab.

Bab I Pendahuluan

Bab pertama, pendahuluan, berisi latar belakang, rumusan masalah, tujuan

penelitian, batasan masalah, dan sistematika penulisan.

Bab II Teori Dasar

Pada bab dua, teori dasar, berisi tentang teori-teori yang mendukung penelitian.

Dalam hal ini, teori lebih menjelaskan mengenai metode dan efektivitas

peramalan, serta manajemen persediaan barang. Teori dasar dikemukakan

berdasarkan beberapa referensi buku dan beberapa sumber dari internet.


Bab III Tinjauan Perusahaan

Pada bab tiga, tinjauan perusahaan, berisi tentang profil perusahaan, sejarah

perusahaan, proses bisnis perusahaan yang didalamnya terkandung struktur

organisasi perusahaan; lokasi perusahaan, dan manajemen persediaan perusahaan.

Bab IV Pemecahan Masalah

Bab empat, pengumpulan, pengolahan, dan analisis data; berisi mengenai berisi

data-data yang diambil untuk diteliti, pengolahan data untuk peramalan dengan

berbagai metode, analisis dari setiap hasil peramalan yang diperoleh dari setiap

metode yang dipakai, serta pemilihan metode peramalan yang terbaik untuk

digunakan oleh perusahaan dalam peramalan selanjutnya, dan perhitungan nilai

reorder point dan reorder quantity dari hasil peramalan terbaik.

Bab V Kesimpulan dan Saran

Bab lima, simpulan dan saran, merupakan bab terakhir yang berisi simpulan dari

keseluruhan hasil penelitian dan juga diungkapkan mengenai saran-saran baik

untuk penelitian selanjutnya maupun terhadap perusahaan.

BAB II

TEORI DASAR

II. 1 Definisi Peramalan

Menurut Dr. Vincent Gaspersz, D.Sc. CIQA, CFPIM (2002), peramalan atau

forecasting merupakan suatu fungsi bisnis yang berupaya memperkirakan

penjualan dan pemakaian produk sehingga produk-produk tersebut dapat dibuat

dalam jumlah tepat.

Pendapat lain dikemukakan oleh Jay Heizer dan Barry Render dalam bukunya,

“Operation Management Seventh Edition”, peramalan atau forecasting adalah seni

dan ilmu untuk memprediksikan kejadian di masa yang akan datang. Dalam

memprediksikan masa yangakan datang, ada kemungkinan berhubungan dengan

mengambil data historis dsn memproyeksikan ke masa yang akan datang dengan

menggunakan beberapa model perhitungan matematis.

Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa datang

yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang

dibutuhkan dalam rangka memenuhi permintaan barang atau jasa (Arman H.

Nasution, 2005).

Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan

variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan

merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan

keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi

perencanaan jangka panjang perusahaan.

Peramalan adalah suatu teknik atau metode untuk memprediksikan mengenai

keadaan di masa depan dan digunakan untuk tujuan perencanaan. Peramalan

terhadap permintaan yang dilakukan dalam membantu para manajer membuat

Bab II Teori Dasar II-2

rencana yang tepat mengenai kapan, bagaimana, dan seberapa besar kapasitas

harus ditambah. Oleh karena itu peramalan yang dailakukan harus baik dan

akurat.

II. 2 Peranan Peramalan

Dalam rangka usaha untuk melihat dan mengkaji situasi dan kondisi di masa

depan, harus dilakukan peramalan. Peramalan diperlukan karena adanya

perbedaan waktu antara kesadaran akan dibutuhkannya suatu kebijakan baru

dengan waktu pelaksanaan kebijakan tersebut. Kegunaan dari peramalan terlihat

pada saat pengambilan keputusan. Apabila kurang tepat ramalan yang kita susun,

maka makin kurang baiklah keputusan yang kita mabil. Peranan peramalan sangat

penting, baik dalam penelitian, perencanaan, maupun pengambilan keputusan.

Peranan peramalan sendiri dalam sistem produksi yaitu untuk menentukan

kebijakan dalam sistem inventori, membuat perencanaan produksi, pembebanan

mesin, menentukan kebutuhan pasar yang mencakup jenis produk apa yang

diperlukan, berapa jumlah yang diperlukan, dan kapan dibutuhkan. Kemudian

peramalan digunakan untuk menentukan kebutuhan akan mesin, peralatan, bahan

yang diperlukan dalam produksi serta menentukan tenaga kerja yang terlibat.

Karena bagian organisasi berkaitan satu sama lain, baik atau buruknya ramalan

dapat mempengaruhi seluruh bagian organisasi. Beberapa bagian organisasi yang

di dalamnya membutuhkan peranan peramalan ialah:

1. Penjadwalan sumber daya yang tersedia

2. Penyediaan sumber daya tambahan

3. Penentuan sumber daya yang diinginkan


II. 3 Fungsi Peramalan

Dalam fungsi peramalan tidak hanya termasuk di dalamnya teknik khusus dan

model, tetapi juga termasuk input dan output dari subyek peramalan .

Pengembangan fungsi peramalan dibutuhkan untuk mengidentifikasi output,

karena spesifikasi output dapat menyederhanakan pemilihan model peramalan,

tetapi fungsi permalan tidak lengkap tanpa mempertimbangkan input.

Peramalan biasanya meliputi beberapa pertimbangan berikut ini (Zulian Yamit,

2005):

1. Item yang diramalkan

2. Peramalan dari atas (top-down) atau dari bawah (buttom-up)

3. Teknik peramalan (model kuantitatif atau kualitatif)

4. Satuan yang digunakan

5. Interval/horison waktu

6. Komponen peramalan

7. Ketepatan peramalan

8. Pengecualian dan situasi khusus

9. Perbaikan parameter model peramalan.

II. 4 Karakteristik Peramalan

Peramalan yang baik mempunyai beberapa criteria yang penting, antara lain

akurasi, biaya, dan kemudahan. Penjelasan dari criteria – criteria tersebut adalah

sebagai berikut (Arman H. Nasution, 1999):


1. Akurasi

Akurasi dari suatu hasil peramalan diukur dengan kebiasan dan kekonsistensian

peramalan. Hasil peramalan dikarakan bias bila peramalan tersebut terlalu tinggi

atau terlalu rendah dibanidng dengan kenyataan yang sebenarnya terjadi. Hasil

peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil.

2. Biaya

Biaya yang diperlukan untuk pembuatan suatu peramalan tergantung dari jumlah

item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang

dipakai.

3. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah

diaplikasikan akan memberikan keuntungan bagi perusahaan.

Buffa menjelaskan bahwa metode yang lebih canggih tidak menjamin

dihasilkannya hasil yang lebih akurat ketimbang metode yang lebih sederhana,

lebih mudah diterapkan, dan lebih murah. Berikut ini merupakan temuan –

temuan yang berhubungan dengan pemilihan metode peramalan dan akurasi hasil

peramalan:

1. Akurasi peramalan meningkat jika ramalan dari lebih banyak metode

dikombinasikan untuk menghasilkan ramalan akhir; tetapi dampak

marjinal dari penambahan satu metode berkurang dengan semakin

banyaknya jumlah metode yang digunakan.

2. Resiko kesalahan yang lebih besar dalam peramalan yang mungkin

disebabkan oleh pemilihan metode yang keliru, resiko kesalahan akan

berkurang jika hasil dari dua atau lebih metode dikombinasikan.

3. Variabilitas dalam akurasi ramalan diantara berbagai kombinasi metode

peramalan berkurang dengan makin banyaknya metode yang digunakan.


II.5 Klasifikasi Peramalan

Terdapat dua cara untuk mengategorikan teknik yang digunakan dalam

peramalan, cara pertama ialah

1. Teknik Kualitatif

Teknik ini digunakan pada saat histori data yang tersedia tidak ada atau

sangat sedikit.

2. Teknik Kuantitatif

Pada teknik ini digunakan pola data historis untuk meramalkan data masa

depan. Ada dua teknik kuantitatif utama, yaitu time-series analysis (analisa

deret waktu) dan causal methods (metode kausal)

Cara kedua, peramalan biasanya diklasifikasikan berdasarkan horizon waktu akan

datang. Horizon waktu terdiri dari tiga kategori, yaitu :

1. Shoort-range forecasting (peramalan jangka pendek)

Peramalan ini memiliki jangka waktu hingga 1 tahun, tetapi pada

kenyataannya jangka waktu yang digunakan kurang dari 3 (tiga) bulan.

Peramalan ini lebih akurat daripada medium atau long-range forecasting.

2. Medium-range forecasting (peramalan jangka menengah)

Peramalan ini menggunakan jangka waktu antara 1 tahun hingga 5 tahun.

3. Long-range forecasting (peramalan jangka panjang)

Peramalan ini menggunakan waktu diatas 5 tahun.

II.5.1 Peramalan Kualitatif

Peramalan kualitatif biasanya digunakan bila tidak ada atau sedikit data masa lalu

tersedia. Metode peramalan kualitatif atau teknologis tidak memerlukan data yang

serupa seperti metode peramalan kuantitatif. Input yang dibutuhkan bergantung


pada metode tertentu dan biasanya merupakan hasil pemikiran intuitif,

pertimbangan, dan pengetahuan yang telah didapat. Metode kualitatif (teknologis)

dibagi menjadi dua bagian, yaitu metode eksploratoris dan normatif. Metode

eksploratoris (seperti Delphi, kurva-S, analogi, dan penelitian morfologis) dimulai

dengan masa lalu dan masa kini sebagai titik awalnya dan bergerak kea rah masa

depan secara heuristic, seringkali dengan melihat semua kemungkinan yang ada.

Metode normatif (seperti matriks keputusan, pohon relevansi (relevance trees),

dan analisis sistem) dimulai dengan menetapkan sasaran dan tujuan yang akan

datang, kemudian bekerja mundur untuk melihat ketercapaian berdasarkan

kendala, sumber daya, dan teknologi yang tersedia.

Ramalan teknologis terutama digunakan untuk memberikan petunjuk, untuk

membantu perencana, dan untuk melangkapi ramalan kuantitatif, bukan untuk

memberikan suatu ramalan numerik.

II.5.2 Peramalan Kuantitatif

Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut :

1. Tersedia informasi tentang masa lalu

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numeric

3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut

di masa mendatang.

Kondisi terakhir, yang dikenal sebagai asumsi kesinambungan; merupakan premis

yang mendasari semua metode peramalan kuantitatif dan banyak metode

peramalan teknologis.

Terdapat dua jenis model peramalan kuantitatif yang utama, yaitu model deret

berkala dan model kausal (regresi). Pada jenis pertama, pendugaan masa depan


dilakukan berdasarkan nilai masa lalu dari suatu variabel dan/atau kesalahan masa

lalu. Tujuannya menemukan pola dalam deret data historis mengekstrapolasikan

pola tersebut ke masa depan.

Model kausal mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu

hubungan sebab-akibat dengan satu atau lebih variabel bebas. Tujuannya adalah

menemukan bentuk hubungan tersebut dan menggunakannya untuk meramalkan

nilai mendatang dari variabel tak bebas.

Model deret berkala sering digunakan dengan mudah untuk meramal, sedangkan

metode kausal dapat digunakan untuk pengambilan keputusan dan kebijaksanaan.

Dalam memilih suatu metode deret berkala yang tepat adalah dengan

mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan

pola tersebut dapat diuji. Pola data dibedakan menjadi empat jenis siklis dan

trend.

1. Pola Horisontal (H)

Terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata yang konstan.

Waktu

Y

Gambar II-1. Pola Data Horisontal

2. Pola Musiman (S)

Terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya

kuartal tahun tertentu).Penjualan dari produk es krim, dan bahan bakar

pemanas ruang menunjukkan jenis pola ini.


Waktu

Y

Gambar II-2. Pola Data Musiman

3. Pola Siklis (C)

Terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang

seperti yang berhubungan dengan siklus bisnis.

Waktu

Y

Gambar II-3. Pola Data Siklis

4. Pola Trend (T)

Terjadi jika terdapat kenaikan atau penurunan sekuler jangka panjang dalam

data. Penjualan perusahaan dan GNP mengikuti pola trend selama

perubahannya sepanjang waktu.

1970 1972 1974 1976 1978 1980 1982

Y

Gambar II-4. Pola Data Trend


Ada beberapa metode peramalan, yaitu:

1. Metode Rata-rata Bergerak (Moving Average Method)

Metode rata-rata bergerak menggunakan beberapa data actual permintaan

masa lalu untuk membangkitkan nilai ramalan untuk permintaan pada masa

yang akan datang. Metode ini akan efektif dalam penerapannya jika dapat

diasumsikan bahwa permintaan pasar terhadap pasar akan tetap stabil

sepanjang waktu.

2. Metode Pemulusan Eksponensial (Exponential Smoothing Methods)

Exponential smoothing adalah suatu teknik matematika yang menggunakan

prinsip sama untuk suatu periode n-periode rata-rata bergerak; tetapi metode

ini memerlukan lebih banyak perhitungan. Metode ini tidak memerlukan

penyimpanan histori data dalam waktu lama, melainkan hanya memerlukan

data baru. Exponential smoothing berguna untuk peramalan jangka pendek.

Metode ini berguna untuk peramalan jangka pendek. Ada 3 macam metode

exponential smoothing, yaitu:

Single Exponential Smoothing

Double Exponential Smoothing

Winter

3. Trend Linear

Digunakan untuk meramalkan kecenderungan linear. Perbandingan antara

permintaan dan periode dibuat fungsi linearnya terlebih dahulu

Pada laporan ini, akan dilakukan peramalan material dengan metode Simple

Average, Moving Average, Exponential Smoothing, Linear Regression, dan Holt-

Winters.


II.5.2.1 Simple Average Method

Simple Average Method merupakan metode sederhana yang dapat digunakan

untuk menentukan hasil peramalan dengan menjumlahkan data historis dan

kemudian dirata-ratakan sesuai banyak data yang dijumlahkan yang hasilnya

kemudian digunakan sebagai hasil peramalan pada periode selanjutnya.

F t=

∑i=1

t

x i

t

(Pers. 2-1)

dimana,

F t : Rata-rata nilai untuk t period

x i : nilai pada setiap periode

t = periode

II.5.2.2 Metode Rata-rata Bergerak (Moving Average Method)

Metode rata-rata bergerak mengasumsikan bahwa suatu hubungan ada diantara

variabel independen dan variabel dependen dank arena itu hubungan ini stabil

setiap waktu. Agar dapat digunakan, nilai variabel independen dalam peramalan

harus diketahui.

Rata-rata bergerak digunakan untuk mendeskripsikan prosedur ini sebagaimana

tiap ada observasi baru, suatu pembagian baru dapat dihitung dengan cara

membuang observasi yang lama dan memasukkan yang terbaru. Metode rata-rata

bergerak ini kemudian menjadi peramalan untuk periode berikutnya. Data

sebanyak dan suatu keputusan untuk menggunakan observasi sebanyak t untuk

setiap pembagian disebut rata-rata bergerak dengan periode t, atau MA (t), dapat

digambarkan sebagai berikut:


Tabel 2.1. Moving Average

Time Moving Average Forecast

T x=x1+x2+...+x t

tF t+1=x=∑

i=1

t

x i / t

t+1 x=x2+x3+...+x t+1

tF t+2=x=∑

i=2

t+1

x i / t

t+2 x=x3+x4+ ...+ xt+2

tF t+3=x=∑

i=3

t+2

x i / t

dan sebagainya.

Sumber: Spyros Makridakis, Steven C. Wheelwright, dan Victor E. McGee.Metode dan

Aplikasi Peramalan. 2nd ed. Jakarta: Binarupa Aksara. 1999. Hal 87.

Moving Average dengan periode t memiliki karakteristik sebagai berikut (Spyros

Makridakis, Steven C. Wheelwright, dan Victor E. McGee, 1999):

- Hanya menggunakan periode t yang paling akhir dari data yang diketahui,

- Jumlah data dalam tiap rata-rata tidak berubah seiring dengan berjalannya

waktu.

Ada juga beberapa kekurangannya, yaitu (Spyros Makridakis, Steven C.

Wheelwright, dan Victor E. McGee, 1999):

- Metode ini memerlukan penyimpanan yang lebih banyak karena semua

pengamatan terakhir harus disimpan, tidak hanya nilai tengahnya,

- Metode ini tidak dapat menanggulangi dengan baik adanya trend atau

musiman, walaupun metode ini lebih baik dibanding rata-rata total.


II.5.2.3 Single Exponential Smoothing (Pemulusan Eksponensial Tunggal)

Metode ini digunakan untuk peramalan pada saat datanya konstan (karena datanya

memiliki trend kecil). Karakteristik pemulusan diatur dengan menggunakan suatu

faktor yang disebut faktor pemulusan α, yang nilainya antara 0 dan 1. Tujuan

faktor ini untuk memberikan lebih banyak tekanan pada data baru.

Seperti halnya pada metode rata-rata bergerak, pada metode Single Exponential

Smoothing ini dimulai dengan asumsi bahwa proses generasi data tanpa trend

yang signifikan.

x t=a0+ε1 (Pers. 2-2)

Tujuannya adalah untuk observasi yang baru menjadi lebih berbobot daripada

observasi yang lama.

x t=αxt+ (1−α ) x t−1 (Pers. 2-3)

Persamaan di atas dapat diartikan menjadi suatu peramalan pemulusan x t sama

dengan suatu perkalian α dari permintaan aktual x t ditambah dengan perkalian (1-

α) dari perkuraan permintaan x t−1 dalam periode sebelumnya. Nilai dari x t−1 dapat

diperkirakan dengan menggunakan salah satu dari pendekatan di bawah ini:

- Ketika data lampau tersedia x t−1 = penjumlahan dari data terbaru (n)

dibagi dengan n.

- Nilai awal x t−1.

- Ketika data tidak tersedia, dapat digunakan perkiraan.

Single Exponential Smoothing with Trend


F (t )=α x ( t )+(1−α)[ F (t−1)+T (t−1)] (Pers. 2-4)

T (t )=β [F ( t )−F (t−1)]+(1−β)T (t−1 ) (Pers. 2-5)

F(t+h)=F (t )+h T (t ) (Pers. 2-6)

dimana,

α,β = konstanta pemulusan (0 ≤ α ≤ 1, 0 ≤ β ≤ 1)

F (t ) = faktor pemulusan pada saat t

T (t ) = faktor trend pada saat t

F(t+h) = peramalan periode t+h

II.5.2.4 Double Exponential Smoothing

Metode peramalan ini terbagi ke dalam dua bagian, yaitu:


Double Exponential Smoothing with Trend

Rumus peramalan untuk metode Double Exponential Smoothing adalah sebagai

berikut:

F (t )=α x ( t )+(1−α)F (t−1) (Pers. 2-7)

F ' (t )=α F (t )+(1−α )F ' (t−1 ) (Pers. 2-8)

F(t+h)=F ' (t ) (Pers. 2-9)

dimana,

α = konstanta pemulusan (0 ≤ α ≤ 1)

F(t+h) = peramalan

Rumus peramalan untuk Double Exponential Smoothing with Trend

F (t )=α x ( t )+(1−α)F (t−1) (Pers. 2-10)


F ' (t )=α F (t )+(1−α )F '(t−1 ) (Pers. 2-11)

F(t+h)=2F (t )−F ' (t )+h[ α(1−α ) ][ F (t )−F ' ( t )] (Pers. 2-12)

II.5.2.5 Linear Regression

Rumus peramalan untuk metode regresi linear ialah

μ=∑ x(i)/n (Pers. 2-13)

θ=∑ x(i) (Pers. 2-14)

σ 2=∑ x(i)2n (Pers. 2-15)

b=[θ−nμ(n+1)/2 ] / [σ 2−n(n+1)2/4 ] (Pers. 2-16)

a=μ−b(n+1)/2 (Pers. 2-17)

f (t )=a+bt (Pers. 2-18)

II.5.2.6 Holt-Winter Method

Holt-Winter terbagi ke dalam dua bagian, yaitu:

Holt-Winters Additive Algorithm

Holt-Winters Multiplicative Algorithm

Rumus peramalan untuk metode Holt-Winters Additive Algorithm adalah

F(t )=α [ x(t)−S(t−c)]+(1−α)[ F (t−1)+T (t−1)] (Pers. 2-19)

T (t )=β [F (t )−F (t−1)]+(1−β)T (t−1) (Pers. 2-20)

S(t)=γ [ x(t )−F(t )]+(1−γ )S (t−c)¿ (Pers. 2-21)

F(t+h)=F (t )+h T (t )+S (t+h−c) (Pers. 2-22)

Rumus peramalan untuk metode Holt-Winters Multiplicative Algorithm adalah


F(t )=α x(t )/ S(t−c)+(1−α) [ F(t−1)+T (t−1)] (Pers. 2-23)

T (t )=β [F (t )−F (t−1)]+(1−β)T (t−1) (Pers. 2-24)

S(t)=γ x(t )/ F(t)+(1−γ )S(t−c)¿ (Pers. 2-25)

F(t+h)=F (t )+h T (t )+S (t+h−c) (Pers. 2-26)

II.5.3 Efektivitas Peramalan

Forecast error merupakan ukuran ketepatan dan menjadi dasar untuk

membandingkan kinerja model. Forecast error memengaruhi keputusan dalam

dua cara, yang pertama adalah membuat keputusan bermacam-macam teknik

peramalan, dan yang kedua adalah dalam mengevaluasi keberhasilan atau

kegagalan suatu teknik dalam penggunaannya. Keputusan untuk menggunakan

suatu model baru atau melanjutkan yang sudah ada biasanya bergantung pada

beberapa ukuran dari forecast error. Tiap teknik telah dicoba pada data histori,

dan yang memiliki forecast error paling kecil yang dipilih untuk peramalan.

Efektivitas dari peramalan yang digunakan, dapat diukur menggunakan mean

absolute deviation (MAD), mean absolute percentage error (MAPE), dan mean

squared error (MSE). Biasanya kesalahan peramalan dapat diukur dari standar

deviasinya, dan alternatif untuk menghitung standar deviasi didefinisikan sebagai

berikut:

MAD=∑t=1

m

|Y t−Y t|m

(Pers. 2-27)

MAPE=100∑

t=1

m

|Y t−Y t|/Y t

m

(Pers. 2-28)

MSE=∑t=1

m

(Y t−Y t )2

m

(Pers. 2-29)

dimana:


MAD = mean absolute deviation dari forecast error melampaui suatu peramalan dari

1 periode,

MAPE = mean absolute percentage error

MSE = mean squared error

Y t = jumlah permintaan hasil peramalan untuk periode t,

Yt = data permintaan aktual untuk periode t,

m = jumlah observasi

Y t−Y t = deviasi atau forecast error

|Y t−Y t| = deviasi absolute

MAD memberikan informasi tambahan yang digunakan untuk memilih model

peramalan dan parameternya. MAPE adalah ukuran relative yang dihitung dengan

membagi kesalahan peramalan untuk periode t, dan dengan permintaan aktual

untuk periode t, dan hitung kesalahan persentase pada periode t. MSE dihitung

dengan menjumlahkan kesalahan-kesalahan kuadrat individu dan membaginya

dengan jumlah observasi.

Untuk memilih metode peramalan yang tepat, dapat dilihat dari nilai MAD setiap

metode, yang hasilnya terkecil, maka dianggap sebagai metode yang peling tepat.

II. 6 Manajemen Persediaan Barang

Inventori bagi perusahaan digunakan untuk mengantisipasi kebutuhan pelanggan.

Dalam industry, inventori digunakan untuk aktivitas produksi untuk memenuhi

pelanggan yang terkadang tidak dapat diprediksi sehingga, stok harus

dikendalikan dalam kegiatan produksi.

Maksud dasar dari inventori adalah untuk mengendalikan kebutuhan supply dan

demand. Inventori juga berperan sebagai buffer dalam hal supply dan demand,


memenuhi customer demand, dan juga menyediakan komponen yang dibutuhkan

untuk produksi.

Tujuan diadakannya manajemen persediaan adalah:

Meminimalkan biaya, memaksimalkan keuntungan

Menghindari risiko penundaan produksi dengan cara:

a. Selalu menyediakan bahan yang diperlukan

b. Mengurangi investasi dalam fasilitas dan peralatan

pergudangan

c. Memungkinkan pemberian jasa yang lebih memuaskan

kepada pelanggan dengan cara selalu menyediakan bahan

yang diperlukan

d. Mengatur investasi modal dengan menekan investasi modal

dalam persediaan bahan sampai batas minimum

e. Melindungi persediaan terhadap pencurian/kehilangan,

kerusakan, dan kemerosotan mutu.

Dalam manajemen persediaan, ada beberapa hal yang menjadi pertanyaan dasar,

yaitu:

APA yang dikendalikan?

BERAPA BANYAK jumlah yang harus dipesan?

KAPAN seharusnya pemesanan dilakukan?

Untuk menjawab pertanyaan pertama, dapat dilakukan pembagian sumber daya

menjadi tiga criteria, yaitu:

A – Most Attention (Perhatian terbesar)

B – Average Attention (Perhatian rata-rata)

C – Least Attention (Perhatian terkecil)


Beberapa kriteria yang dapat dikelompokkan dalam beberapa kategori, yang

setiap kategori termasuk ke dalam peringkat ABC:

a. Usage (Penggunaan Barang)

Termasuk penggunaan tahunan vale;

A = High, usage > 5000

B = Moderate, usage > 1000

C = Low, usage < 1000

b. Stockholding (Biaya penyimpanan)

Rata-rata biaya selama 12 periode sebelumnya;

A = Biaya lebih dari $5000

B = Biaya lebih dari $500

C = Biaya kurang dari $500

c. Lead Time Availability

Termasuk internal dan eksternal lead time.

A = lead time ≥ 90 hari

B = 7 ≤ lead time < 90 hari

C = lead time < 7 hari

d. Criticality

Termasuk potensi memberhentikan pabrik, kepentingan operasi, biaya

stockout yang tinggi.

A = Menberhentikan pabrik

B = Moderate criticality, menunda pekerjaan


C = tidak mempengaruhi pekerjaan apabila tidak tersedia.

Group Class dan Part Number

Group Class merupakan pengelompokan stock code yang sama dalam nama

dan deskripsinya. Group Class memudahkan user mencari item tertentu.

Part Number merupakan nomor part yang diberikan dari perusahaan

manufaktur yang membuat barang tersebut.

Tracking Signal

Tracking Signal atau dikenal sebagai koefisien dari deviasi merupakan

pengukuran kemampuan dari kesesuaian peramalan dengan data masa lampau

(history). Semakin kecil nilai tracking signal, maka hasil peramalan semakin

baik.

Manajemen persediaan sangat erat hubungannya dengan penyediaan barang-

barang yang dibutuhkan. Peramalan penggunaan pun merupakan salah satu proses

dalam manajemen persediaan agar perkiraan perubahan penggunaan dapat

diketahui sejak dini. Salah satu tujuan untuk meramalkan penggunaan, ialah agar

hasil peramalan penggunaan yang didapat digunakan untuk menentukan Reorder

Point (ROP) dan Reorder Quantity (ROQ).

II.6.1 Reorder Point (ROP)

ROP digunakan untuk menjawab pertanyaan “KAPAN seharusnya pemesanan

dilakukan?” Reorder point (ROP) adalah pengendalian persediaan untuk memulai

pengadaan barang kembali. Salah satu pengendalian yang digunakan oleh metode

ROP ialah memperhatikan stok pada safety stock yang telah ditentukan. Safety

stock berfungsi sebagai parameter untuk melakukan tindakan pemesanan kembali.

ROP juga seringkali disebut sebagai titik pemesanan kembali atau persediaan

minimum yang ditentukan. ROP merupakan posisi stok suatu barang pada saat


barang tersebut harus dipesan kembali. Dalam menentukan reorder point, atau

tingkat pemesanan kembali, beberapa faktor yang mempengaruhi ialah:

- Tingkat penggunaan barang rata-rata per satuan waktu tertentu (usage)

- Lead time

- Service Level

Usage

Usage adalah banyaknya barang atau item yang dipakau dalam kurun waktu

tertentu. Pemakaian barang (usage) dibedakan menjadi dua macam, yaitu:

- Scheduled

Pemakaian ini distok di warehouse kerana barang atau item jenis ini

pengadaannya baru dilakukan hanya jika ada permintaan khusus, misalnya

untuk proyek-proyek tertentu.

- Unscheduled

Pemakaian barang yang unscheduled inilah yang bisaanya digunakakn untuk

menghitung ROP dan ROQ dari suatu barang. Item ini akan distok di

warehouse.

Lead time

Lead time adalah jangka waktu kapan barang itu mulai, pesanan dikeluarkan

sampai barang tiba di bagian receiving warehouse. Istilah lead time dapat

digunakan ketika proses procurement, delivery time, ataupun pada proses

BOM (Bill Of Material). Lead time juga merupakan bagian dari komponen

perhitungan-perhitungan dalam proses produksi atau proses perencanaan

inventori. Jumlah barang yang akan digunakan selama masa lead time sangat

bergantung pada lamanya masa lead time. Semakin lama waktunya, maka

akan semakin banyak pula barang yang harus distok untuk digunakan, Lead

time terbagi menjadi dua, yaitu:

Internal Lead time

Internal lead time adalah masa waktu yang dibutuhkan untuk

mengadakan barang yang berasal daru dalam perusahaan, yaitu


waktu untuk menghitung apa dan berapa yang perlu dipesan,

mencaru sumber pembelian, melakukan tender atau permintaan

penawaran, mengevaluasi tender, menyiapkan kontrak, pengiriman

ke warehouse, pemeriksaan baik jumlah maupun kualitas barang

yang tiba di receiving, pemeriksaan bea cukai (juka merupakan

barang impor).

External Lead time

External Lead time adalah masa waktu yang dibutuhkan untuk

mengadakan barang yang berasal dari luar perusahaan, antara lain

waktu pengiriman oleh supplier, waktu konsolidasi oleh bagian

pengapalan barang, transportasi dari lokasi pembelian ke

warehouse pembeli.

Safety stock

Saftety Stock merupakan cadangan inventori yang harus disediakan untuk

menghindari terjadinya kekurangan barang atau item, terutama pada saat

memenuhi permintaan pelanggan yang tak bisa diduga. Safety stock

merupakan stok barang yang disimpan untuk menyeimbangkan persediaan

yang minimal dengan permintaan pelanggan yang bervariasi, sehingga tidak

terjadi Istock outI barang. Safety stock diadakan untuk menghadapi risiko juka

terjadi hal-hal sebagai berikut:

Terjadi lonjakan kenaikan pemakaian barang di luar kebutuhan

rata-rata yang diramalkan

Barang yang dibeli terlambat kedatangannya

Gabungan dari situasi di atas

Faktor-faktor yang memengaruhi safety stock adalah:

- Lead time Usage à waktu pemakaian barang


- Usage Variances à jumlah pemakaian barang yang bervariasi atau tidak

menentu

- Lead time Variances à waktu pemakaian barang yang bervariasi.

- Business impact à dampak pada bisnis jika permintaan tidak segera

dipenuhi, terlambat datang dan mengalami stock out.

- Service level à tingkat pelayanan yang ditentukan oleh perusahaan untuk

memperkecil kemungkinan untuk kehabisan barang. Service level yang

dimaksud adalah kondisi probabilitas mengenai posisi inventori yang

tersedia (on hand) bisa memenuhi kebutuhan pelanggan. Dalam kondisi

probabilitas ini keadaan stock out diusahakan tidak terjadi. Semakin besar

kondisi probabilitas, maka semakin besar kemungkinan untuk bisa

memenuhi kebutuhan pelanggan dan semakin jauh dari kondisi stock out.

Rumus manual untuk menghitung safety stock adakah sebagai berikut:

SS=MAD x K−Factor (Pers. 2-30)

Dimana,

K-Factor = angka antara 1.25 – 5 yang mewakili persentase service level yang sudah

ditentukan untuk setiap barang.

MAD = Mean Absolute Deviation, jumlah selisih antara actual usage dengan

forecast usage untuk setiap periode.

Rumus untuk menghitung MAD adalah:

MAD=∑ (|actualusage−forecast usage|)/n (Pers. 2-31)

Penentuan besarnya K-Factor diperlihatkan dalam tabel berikut:

Tabel 2.2 Service level dan K-Factor

SERVICE LEVEL K-Factor jika menggunakan


Deviasi Standar MAD

84.13% 1.00 1.25

85.00% 1.04 1.30

90.00% 1.28 1.60

94.00% 1.56 1.95

98.00% 2.05 2.56

99.00% 2.33 2.91

99.50% 2.57 3.20

99.90% 3.09 3.85

99.99% 4.00 5.00

Berikut merupakan gambar ROP dengan disertai safety stock:

Gambar II-5. Hubungan ROP dan Safety stock

(aororaoperations.files.wordpress.com)

Berdasarkan faktor-faktor di atas, maka ROP dapat dihitung dengan beberapa

metode, diantaranya:

- Moving Average

- Matrix

- Forecast Usage

- Modified Moving Average

http://www.aororaoperations.files.wordpress.com/


- Single Exponential Smoothing

- Adaptive Smoothing

Dalam laporan kali ini akan digunakan hanya metode Forecast Usage, karena data

penggunaan barang yang digunakan merupakan hasil peramalan periode

sebelumnya.

Rumus ROP untuk metode Forecast Usage ialah:

ROP=(MFU ×L /T

30.42 )+SS (Pers. 2-32)

Substitusi persamaan (2-30) ke (2-32)

ROP=(MFU ×L /T

30.42 )+SS (Pers. 2-33)

Dimana:

MFU = Forecast usage untuk periode mendatang

L/T = lead time (days)

K = K-Factor (berdasarkan Service Level)

MAD = Mean Absolute Deviation

30.42 = average days per month

II.6.2 Re-Order Quantity (ROQ)

Reorder Quantity (ROQ) merupakan teknik pengendalian persediaan untuk

menentukan jumlah barang yang harus dipesan pada saat ROP. ROP juga yang

merupakan jawaban dari pertanyaan “BERAPA BANYAK jumlah yang harus

dipesan?” Metode yang digunakan ialah EOQ (Economic Order Quantity) yang


menghitung ROQ dengan mmpertimbangkan biaya persediaan yang serendah

mungkin. Jumlah biaya yang ditekan ialah biaya penyimpanan (holding cost) dan

biaya pemesanan (ordering cost). Variasi penghitungan dan pengandalian

persediaan yang berhubungan dengan EOQ model bergantung dari keadaan

supply dan permintaannya. Variasi ini meliputi keadaan stock out, keadaan

kebutuhan tetap, kebutuhan kapasitas lebih, masa tenggang (penundaan antara saat

pemesanan dengan saat penerimaan), kebutuhan tidak tetap, potongan harga, dan

juga ketika aliran produk yang berkelanjutan.

Rumus untuk menghitung ROQ dengan metode EOQ ialah:

EOQ=√ 2 RPCI

(Pers. 2-34)

dimana:

R = annual usage (jumlah penggunaan barang tahunan, unit)

P = ordering cost ($)

C = harga per unit ($)

I = holding cost (%)

Ordering Cost

Ordering cost adalah biaya yang dibutuhkan ketika memesan barang dari supplier

atau pabrik. Biaya ini tidak bergantung pada kuantitas yang dipesan, tetapi

bergantung pada jumlah order yang dilakukan dalam satu tahun.Biaya pemesanan

init termasuk:

- Gaji dan upah karyawan purchasing

- Biaya overhead departemen purchasing

- Seluruh gaji, upah, dan overhead karyawan

- Seluruh hutang gaji, upah dan overhead

- Seluruh biaya peralatan termasuk forklift trucks, kapal, dan lainnya.

- Besarnya antara $10 - $200 .


Cost of Holding

Cost of holding merupakan biaya penanganan barang selama berada di gudang.

Biaya penanganan ini, termasuk di dalamnya antara lain:

- Gaji dan upah pegawai warehouse

- Biaya overhead warehouse

- Biaya peralatang seperti rak, bins, dan lainnya.

- Keusangan, penyusutan barang

- Opportunity cost

- Biaya yang dibebankan biasanya antara 20% - 45% dari harga barang, atau

biaya dari nilai total inventori.

BAB III

TINJAUAN PERUSAHAAN

III. 1 Profil Perusahaan

PT International Nickel Indonesia Tbk (PT. INCO) merupakan salah satu

produsen nikel utama dunia (www.pt-inco.co.id). Perusahaan didirikan pada bulan

Juli 1968 sebagai anak perusahaan yang sepenuhnya dimiliki oleh Vale Inco

Limited (semula Inco Limited, “Vale Inco”) dan menandatangani Kontrak Karya

dengan Pemerintah Indonesia pada tanggal 27 Juli 1968 (Kontrak Karya Awal).

Pada awalnya, kegiatan eksplorasi yang dilakukan setelah penandatanganan

Kontrak Karya tersebut dengan luas wilayah seluas 6,6 juta hektar yang. Seperti

yang diatur dalam Kontrak Karya, secara bertahap wilayah kontrak dilepaskan

secara signifikan setelah menemukan wilayah yang lebih tepat bagi kegiatan

operasi. Luas wilayah Kontrak Karya saat ini adalah 218.529 hektar atau kurang

dari 5% luas awal wilayah dalam Kontrak Karya.

PT. INCO memproduksi nikel dalam matte yang dihasilkan dari bijih laterit dan

diolah di fasilitas penambangan dan pengolahan terpadu yang terletak dekat

Sorowako, Sulawesi. Nikel dalam matte merupakan produk setengah jadi dengan

kandungan rata-rata nikel sebesar 78%, sulfur sebesar 20%, kobalt sebesar 1% dan

1% material lainnya. Keseluruhan produksi PT. INCO dijual dalam mata uang

Dolar Amerika Serikat berdasarkan kontrak jangka panjang. Kekuatan daya saing

perusahaan terletak pada cadangan bijih yang berlimpah, tenaga kerja yang

terampil dan terlatih dengan baik, dan pembangkit listrik tenaga air berbiaya

rendah.

Bab III Tinjauan Perusahaan III-2

III. 2 Sejarah PT. INCO, Tbk

Sejak PT. INCO, Tbk didirikan, berbagai hal yang telah dilakukan dan dicapai

dalam sejarah PT. Inco adalah sebagai berikut:

1968 - 1973 Eksplorasi dan studi kelayakan

1973 - 1978 Pembangunan fasilitas pertambangan dan pabrik

1978 - 1986 Produksi komersial (kerugian finansial sebesar US$ 416 juta)

1987 - 2000 Perusahaan yang menguntungkan

1988 – 1991

Ekspansi dari 80 juta menjadi 100 juta pound/per tahun.

Penawaran saham publik 20%

1993 – 1995

Negosiasi modifikasi dan perluasan Kontrak Karya

Januari 1996

Penandatanganan hasil modifikasi dan perluasan Kontrak Karya

1996 – 1999

Proyek Ekspansi Jaringan Keempat termasuk Balambano yang

berkapasitas 93 MW untuk meningkatkannya menjadi 150 juta

pound/tahun

Investasi sejak 1968 sampai 2000: US$ 2.2 milyar

1901 Bijih nikel mula-mula ditemukan oleh seorang Belanda bernama

Kruyt pada saat meneliti bijih besi di pegunungan Verbeek,

Sulawesi .

1937 Seorang ahli geologi INCO LIMITED bernama Flat Elves

diundang oleh sebuah perusahaan eksplorasi Belanda untuk

melanjutkan studi endapan nikel laterit di Sulawesi . Ia

mengunjungi Sorowako.

1966 Survei geologi yang komprehensif atas endapan di pulau Sulawesi


dilakukan oleh Pemerintah Indonesia .

1967 Pemerintah mengundang perusahaan-perusahaan dari seluruh

dunia untuk mengajukan proposal bagi eksplorasi dan

pengembangan endapan mineral di pulau Sulawesi .

INCO LIMITED mengirim tim ahli geologi ke Sulawesi untuk

mengumpulkan data dan menjelaskan kemampuan-kemampuan

INCO.

1968 Pada bulan Januari, INCO terpilih dari enam perusahaan untuk

merundingkan sebuah Kontrak Karya.

25 Juli, Akta Pendirian disahkan dan didaftarkan. Sebuah

perusahaan baru, PT Internasional Nickel Indonesia (PT INCO)

berdiri secara resmi.

27 Juli, Kontrak Karya ditandatangani oleh Pemerintah Indonesia

dan PT INCO.

Kegiatan eksplorasi berskala penuh dimulai segera setelah

penandatanganan Kontrak Karya. Daerah eksplorasi mula-mula

seluas 6,6 juta hektar yang mencakup beberapa bagian dari tiga

provinsi di Sulawesi, yaitu Sulawesi Selatan, Sulawesi Tengah

dan Sulawesi Tenggara.

Tes pemboran di daerah Pomalaa merupakan awal alih teknologi

yaitu ketika ahli-ahli geologi dari INCO LIMITED mulai

mendidik rekan-rekan kerjanya dari Indonesia , cara sistematis

mengambil contoh endapan laterit dan menganalisanya.

1970 Contoh bijih dari Sulawesi dalam jumlah besar pertama sebanyak

50 ton dikirim ke fasilitas riset INCO Kanada di Port Colborne,

Ontario . Sebuah pabrik Pereduksi-Pelebur baru dalam skala kecil

menunjukkan bahwa bahan dari Sorowako dapat diolah dengan

hasil yang memuaskan.

1971 Eksplorasi yang dilakukan telah cukup membuktikan bahwa

endapan laterit di sekitar Sorowako mampu mendukung pabrik


nikel yang besar.

Gambar III-1. Nikel Laterit

1973 Pembangunan satu unit jaringan pengolahan pyrometalurgi mulai

dilakukan di kawasan Sorowako.

1974 Sebagai reaksi atas lonjakan harga minyak yang pertama, maka

diambillah keputusan untuk mengganti Pembangkit Listrik Tenaga

Uap menjadi Pembangkit Listrik Tenaga Air (PLTA). Ukuran

pabrik peleburan ditingkatkan tiga kali untuk mengurangi biaya

per unit dan mengimbangi kapasitas PLTA tersebut.


Gambar III-2. PLTA Larona

1976 10.000 tenaga kerja Indonesia dan 1.000 tenaga asing

dipekerjakan membangun fasilitas-fasilitas pengolahan nikel dan

pembangkit tenaga, bersama dengan jalan-jalan, perkotaan,

pelabuhan, lapangan udara serta sarana dan prasarana lain yang

dibutuhkan.

1977 31 Maret, Presiden Soeharto mengunjungi Sorowako dan

meresmikan fasilitas-fasilitas penambangan dan pengolahan nikel.

1978 1 April, PT INCO mulai berproduksi secara komersial.

1988 INCO LIMITED menjual 20 persen dari saham PT INCO yang

dimilikinya kepada Sumitomo Metal Mining Co., Ltd., dari

Jepang.

1990 16 Mei, INCO LIMITED menjual 20 persen dari saham PT INCO

yang dimilikinya kepada publik dan dicatatkan pada bursa-bursa

efek di Indonesia. INCO LIMITED tetap memiliki 58,19 persen

saham PT INCO.

2000 PT INCO meningkatkan produksi 30% menjadi 130,5 juta pon

nikel dalam matte, sejalan dengan rencana Perseroan untuk


mencapai kapasitas yang diperluas sebesar 150 juta pon produksi

per tahun.

PT INCO menyelesaikan penelitian dan rekayasa atas presipitator

elektrostatis Tanur Pengering No.2 yang dirancang untuk

mengurangi keseluruhan emisi debu pabrik lebih dari 40%.

14 Desember, penanda-tanganan Kesepakatan Kerja Bersama

untuk masa dua tahun dengan Serikat Pekerja, di Sorowako.

2003 - 2004 Tahun 2003, PT Inco membangun daerah penambangan baru di

Petea (sebelah Timur Danau Matano, berdekatan dengan wilayah

timur penambangan bijih (ore body) PT Inco)

Petea memiliki 5 juta ton cadangan mineral terbukti

dengan kualitas 1,81% nikel dan 24 juta ton cadangan

mineral terduga dengan kualitas 1,78% nikel

Investasi yang dialokasikan sebesar US$11.8 juta

Bulan Februari 2003, PT Inco menandatangani perjanjian dengan

PT Aneka Tambang (Antam) untuk bersama-sama membangun

daerah kontrak di Sulawesi Tenggara. PT Inco akan menambang

bijih saprolitik di wilayah timur Pomalaa, sementara Antam akan

melakukan proses peleburan (smelting).PT Inco berencana untuk

mulai mengirim bijih dari Pomalaa ke tempat peleburan Antam

pada pertengahan tahun 2005.

Pada tahun 2004, PT Inco memulai kegiatan pengeboran di

Bahodopi dan Pomalaa, dan uji coba penambangan bijih di Petea.

Pada tahun 2004, PT Inco melakukan tahap pertama dari rencana

optimalisasi besar-besaran yang direncanakan akan menelan biaya

US$275-580 juta dengan membangun bendungan ketiga di

Karebbe, Sungai Larona, untuk meningkatkan kapasitas listrik

tenaga air dari 275 MW ke 365 MW


Gambar III-3. Proyek PLTA Karebbe

2005 Berhasil memasang teknologi Bag House System di Tanur Listrik

No. #4. Alat ini mampu mengurangi emisi debu tanur listrik

hingga berada di bawah ambang batas ketentuan pemerintah.

Direncanakan akhir tahun 2009 semua tanur listrik akan

dilengkapi dengan alat ini.

Gambar III-4. ESP Pengendali Emisi Debu


III. 3 Visi dan Misi

PT. INCO sebagai perusahaan pertambangan dan pengolahan nikel memiliki visi

“Menjadi Satu di Antara Produsen Nikel Utama Terkemuka di Dunia”.

Sedangkan untuk mencapai visi tersebut, misi yang dilakukan oleh PT.INCO ialah

“Mengembangkan Sumberdaya Indonesia yang Dipercayakan Kepada

Perusahaan Sebaik-baiknya Bagi Manfaat Semua Pemangku Kepentingan”.

Dalam melakukan proses bisnisnya, PT. INCO selalu memilki komitmen kepada:

Karyawan

Memastikan bahwa tempat kerja mereka aman, sehat dan memberi

imbalan yang baik.

Pelanggan

Memenuhi kewajiban PT. INCO yang berkenaan dengan mutu,

biaya dan pengiriman dari pengolahan dan produk PT. INCO.

Penanaman modal

Melalui sasaran PT. INCO terhadap pertumbuhan keuntungan yang

berkesinambungan dan jangka panjang.

Masyarakat

Menjadi warga negara yang bertanggung jawab serta menangani

lingkungan hidup dengan baik.

Strategi yang dilaksanakan PT. INCO adalah sebagai berikut: Pertumbuhan

Secara menguntungkan PT. INCO memperluas kapasitas produksi

dan penggunaan sumber daya guna memenuhi kebutuhan seluruh

pemangku kepentingan PT. INCO dan persyaratan yang tercantum

dalam Kontrak Karya.


Efisiensi

Meningkatkan efisiensi kegiatan operasional guna meningkatkan

keuntungan dan mempersiapkan diri dalam menghadapi penurunan

harga nikel.

Tenaga Kerja

Untuk memastikan semua tenaga kerja yang ada melaksanakan

strategi PT. INCO. Tenaga kerja PT. INCO merupakan tenaga

kerja terlatih dengan jumlah yang memadai yang memberikan

kemampuan yang tepat pada tempat, waktu dan biaya yang tepat.

Lisensi Sosial

Bertindak berkesinambungan untuk dapat berkembang bersama

dengan masyarakat dalam beroperasi.

Perlindungan Aset

Bertanggung jawab secara aktif dalam melindungi aset-aset

strategis PT. INCO.

Reputasi

Memastikan bahwa tindakan-tindakan PT. INCO secara efektif

mendemonstrasikan dan mengkomunikasikan nilai-nilai Perseroan

dalam mengelola persepsi dari para pemangku kepentingan dan

meningkatkan reputasi perusahaan.

III. 4 Proses Bisnis Perusahaan

PT. INCO telah dikelola secara profesional dengan membagi pusat kegiatan ke

dalam dua lokasi, yaitu:

Kantor Pusat Perusahaan

Kantor Pusat berkedudukan di Jakarta, dikepalai seorang President and

Chief Excecutive Officer yang membawahi beberapa posisi, yaitu:

o Senior Vice President and Chief Financial Officer

o Senior Vice President and Chief Operating Officer


o Vice President Project Development

o Senior Vice President Corporate Affairs and General Counsel

o Manager Regional Audit

Kantor Kegiatan Operasional

Kantor kegiatan operasional terletak di Soroako, dikepalai oleh Senior Vice

President and Chief Operating Officer.

Secara umum, proses bisnis yang dilakukan di perusahaan dapat digambarkan

dalam gambar berikut:

Gambar III-5. Proses Bisnis PT. INCO

Bijih nikel yang diperoleh dari Pegunungan Verbeek, akan dieksploitasi dan

diolah oleh kelompok operasi. Kelompok pendukung operasi akan menyokong

kelompok operasi dalam menjalankan proses operasinya, baik dalam pengelolaan

barang, penyediaan barang, sumber daya manusia, kesehatan, serta teknologi.


Kelompok pendukung operasi juga berhubungan dengan lingkungan dalam

penyediaan material untuk perusahaan, penyediaan fasilitas bagi masyarakat

sekitar, juga dengan customer, dalam hal ini Sumitomo, Jepang. Kelompok

pendukung operasi juga berhubungan dengan perusahaan lain yang melakukan

kerjasama, baik kontraktor ataupun kerjasama dengan perusahaan lain, seperti PT.

ANTAM (Aneka Tambang).

Berdasarkan tanggung jawab yang diberikan, Senior-Vice President and Chief

Operating Officer membawahi beberapa bidang operasi sesuai dengan

karakteristik masing-masing di lapangan, yaitu:

Vice President Operation, yang membawahi:

o General Manager Mines

o General Manager Exploration & Mine Development

o General Manager Process Plant

o General Manager Support & Engineering Service

o General Manager Utilities

Director Security

General Manager Environmental Health and Safety

General Manager Human Resource

General Manager Procurement Contracts and Logistic Warehousing

General Manager Facilities and Services

SPCL Business Development

Executive Secretary

Kantor operasional, berdasarkan fungsi terbagi ke dalam tiga kelompok

organisasi, yaitu:

1. Kelompok pendukung operasi, pelayanan, dan administrasi.

a. Procurement Contracts and Logistic Warehousing Department


Departemen ini berfungsi untuk mengatur dan mengelola barang-

barang yang merupakan pesanan dari user, memantau jumlah

persediaan dalam gudang, dan mengelola proses pembelian yang

dilakukan oleh user, untuk selanjutnya barang yang telah sampai di

disimpan di warehouse maupun langsung didistribusikan kepada

user.

Departemen ini membawahi sub-departemen:

Sub-Department Procurement and Contracts

Sub-Department Logistic and Warehousing

b. Human Resource Department

Departemen ini bertanggung jawab terhadap administrasi

kepegawaian, personalia, serta pelatihan dan pengembangan

karyawan. Departemen ini membawahi sub-departemen:

Sub-Department of Human Resource and Organization

Development (HROD)

Sub-Department of Employs Services and Industrial relation

Sub-Department of Educations

Sub-Department of Compensation and Workforce Planning

c. External Relations Department

Departemen ini berfungsi menjalin hubungan dengan pemerintah

dan masyarakat sekitarnya. Departemen ini membawahi:

Sub-Department of Government Relation

Sub-Department of Community Development

Sub-Department of Communication

d. General Facilities and Services Department

Departemen ini bertugas dalam menangani fasilitas dan pelayanan

umum, seperti tata letak dan fasilitas pabrik, memperbaiki taman,


serta sarana olahraga dan perumahan. Departemen ini membawahi

sub-departemen:

Sub-Department of Town Facilities Services

Sub-Department of Town Facilities Maintenance and Operation

e. Information Technology Department

Departemen ini bertugas dalam melayani dan mengawasi

penerapan teknologi informasi di perusahaan. Departemen ini

membawahi sub-departemen:

Sub-Departement of IT Business System

Sub-Departement of IT Business Support

Sub-Departement of IT Technical Support

f. Environmental Health and Safety Department

Departemen ini bergerak dalam bidang kesehatan, keselamatan

kerja, dan penanganan terhadap bahaya pencemaran lingkungan

yang berada di area produksi serta memperhatikan kondisi-kondisi

lingkungan hidup. Departemen ini membawahi sub-departemen:

Sub-Departement of Safety

Sub-Departement of Environment

Sub-Departement of Fire and Rescue

g. Medical Officer Department

Bertangung jawab memberikan pelayanan kesehatan terhadap

karyawan dan keluarganya, serta masyarakat setempat meliputi

perawatan medis dan pemeriksaan tahunan karyawan dan

keluarganya. Pelayanan tersebut dilakukan di Balai Kegiatan

Sorowako, Wasuponda, dan Wawondula.


h. Security Services Department

Departemen ini berfungsi menyediakan pelayanan atau penjagaan

keamanan, baik internal (kawasan PT. INCO) maupun eksternal

(lingkungan masyarakat).

2. Kelompok operasi, terdiri atas:

a. Process Plant Department

Departemen ini berfungsi melakukan proses pengolahan bijih nikel

laterit sehingga mengasilkan nickel matte berkadar 78%.


Sub-Departement of Process Technology

Sub-Departement of Smellter

Sub-Departement of Ore Preparation and Transportation

Sub-Departement of Plant Maintenance

Sub-Departement of Reduction Kiln and CTS

b. Support and Engineering Services Department

Departemen ini berfungsi merancang bangunan (konstruksi) yang

rusak dan dibutuhkan oleh karyawan yang bekerja di bagian

operasi. Departemen ini juga bertanggung jawab memberikan

pelayanan rekayasa terhadap semua perubahan, modifikasi ataupun

pengganti sarana pabrik, misalnya kerusakan bangunan, jalanan,

dan lain-lain. Departemen ini membawahi sub-departemen:

Sub-Departement of Central Planning

Sub-Departement of Central Engineering Services

Sub-Departement of Process Plant Engineering

Sub-Departement of Construction Services

Sub-Departement of Utility Engineering

Sub-Departement of Support Services

Sub-Departement of Maintenance System


c. Mines Department

Departemen ini berfungsi untuk melakukan eksploitasi untuk

menyediakan bijih nikel dengan kadar tertentu di Wet Ore Stock

Pile. Departemen ini membawahi sub-departemen:

Sub-Departement of Mine Engineering

Sub-Departement of Mine Petea

Sub-Departement of Ore Quality

Sub-Departement of Business Improvement

Sub-Departement of Mine Services

d. Exploration and Mine Development Department


Sub-Departement of Exploration and Mine Development

Sub-Departement of Exploration and Technical Services

Sub-Departement of Pomalaa CRA

e. Utilities Department

Departemen ini berfungsi menyediakan kebutuhan listrik untuk

menjamin kelancaran proses produksi. Energi listrik yang

dihasilkan juga digunakan untuk keperluan listrik pada fasilitas

perusahaan seperti perumahan karyawan serta digunakan untuk

pasokan listrik kebutuhan masyarakat sekitas area penambangan.


Sub-Departement of Utilities

Sub-Departement of Utilities Hydro

Sub-Departement of Utilities Reliabilities

3. Kelompok keuangan, terdiri atas:

a. Comptroller Department


Sub-Departement of Project Accountant


Sub-Departement of Accountant Services

Sub-Departement of Corporate Accounting

b. Finance Department

Departemen ini bergerak dalam bidang finansial, perpajakan, dan

administrasi saham PT. INCO di Jakarta. Departemen ini

membawahi beberapa sub-departemen:

Sub-Departement of Corporate Secretary and Texas

Sub-Departement of Share Administration

c. Internal Audit Department

Departemen ini bertugas untuk memeriksa keuangan perusahaan.

III.5 Proses Bisnis Internal

PT. INCO memiliki departemen yang berwenang dalam pengelolaan persediaan

dan pengadaan barang. pada tahun sebelumnya, proses tersebut dilakukan oleh

Departemen Supply Chain Management (SCM), tetapi pada saat penelitian

dilakukan, departemen SCM telah berubah menjadi Departemen Logistic

Warehousing and Procurement Contracts. Departemen ini dikepalai oleh seorang

general manager.

Departemen tersebut dipecah kembali menjadi dua sub departemen besar, yaitu

Subdepartemen Procurement Contract, dan Subdepartemen Logistic Warehousing.

Masing-masing bagian ini juga dikepalai oleh seorang manager yang bertanggung

jawab pada general manager.

Setiap sub-departemen terbagi lagi menjadi masing-masing dua section. Section di

Sub-departemen Procurement Contract, yaitu Procurement dan Contracts,

sedangkan section di Subdepartemen Logistic Warehousing ialah Logistic dan

Warehousing.


Section Procurement dibagi menjadi dua bagian, yaitu Purchasing dan Inventory

Catalogue. Purchasing bertugas menangani pengadaan barang, sedangkan

Inventory Catalogue bertugas untuk mengelola persediaan barang serta mendata

setiap barang yang tersedia. Kedua bagian ini masing-masing dikepalai oleh

superintendent.

Penelitian dilakukan pada bagian Inventory, berfokus pada pengendalian

persediaan barang.

Beberapa hal yang dilakukan oleh Inventory adalah sebagai berikut:

Mengecek ketersediaan barang yang ada di dalam gudang dan mencocokkan

dengan jumlah yang ada di dalam system Ellipse.

Menentukan banyaknya jumlah barang yang dipesan untuk setiap material.

Memutuskan kebijakan pengadaan barang yang diajukan user (dibeli atau

tidak) dengan mempertimbangkan jumlah barang yang tersedia di gudang

dan tingkat kepentingan material tersebut.

III.6 Produk

Cadangan bijih terduga turun 8 juta metrik ton di tahun 2008 menjadi 153 juta

metrik ton dengan kadar 1,77% nikel. Sedangkan sumber daya mineral terukur

dan terindikasi naik 97 juta metrik ton menjadi 375 metrik ton dengan kadar nikel

1,53%. Sumber daya mineral tereka naik 48 juta metrik ton menjadi 288 juta

metrik ton dengan kadar nikel sebesar 1,7%.

Produk nikel dalam matte yang dihasilkan mempunyai kandungan nikel rata-rata

78%, yang akan dimurnikan lebih lanjut di Jepang sebelum dikirim kepada

produser-produser baja nirkarat dan pelanggan lain.


III. 7 Kondisi Sistem Perusahaan

Saat ini, proses pengolahan data di PT. INCO Sorowako sudah menggunakan

aplikasi Mincom Ellipse. Mincom Ellipse adalah suatu aplikasi terintegrasi secara

menyeluruh dalam hal asset perusahaan yang memberikan wawasan secara

menyeluruh, serta manajemen aset terhadap industri yang berkembang di bidang

pertambangan, utilities, pertahanan, transportasi, dan pemerintahan. Program ini

digunakan di hampir setiap departemen, dan setiap departemen saling terintegrasi

dengan departemen-departemen yang lainnya. Yang membedakan hanyalah akses

dari karyawan yang berbeda-beda untuk setiap departemen, tergantung pada

kebutuhan pekerjaannya.

Untuk Departemen Logistic Warehousing and Procurement Contracts, aplikasi

yang digunakan adalah adalah aplikasi Mincom Ellipse Supply Chain

Management yang dapat menghasilkan efisiensi dan kemampuan beradaptasi yang

dibutuhkan, menawarkan kerangka kerja yang dapat diuraikan untuk membangun

dan menjaga kebijakan inventory dan procurement, menambahkan proses secara

otomatis, dan meningkatkan manajemen warehouse dan supplier.

Fungsi-fungsi yang dimiliki oleh Mincom Ellipse SCM adalah:

Identifikasi secara luas dan deskripsi pada setiap item barang.

Metode yang fleksibel untuk mengatur material yang tertahan di inventori.

Menjaga dan mengontrol semua item di inventori.

Menjaga hubungan antara part individu dengan peralatan yang

menggunakan part tersebut.

Mekanisme untuk menetapkan batas terhadap aktifitas permintaan.

Manajemen secara luas terhadap manajemen informasi supplier dan

customer.

Manajemen terhadap pengaturan pembelian lebih kompleks.

Manajemen terhadap performa supplier agar sesuai dengan level servis.


Pembayaran material dan pengawasan servis terhadap pekerjaan yang

dijalankan.

Penerimaan dan pengiriman barang ke tempat lain.

Merekam dan mengontrol kelebihan barang, kekurangan barang dan

kerusakan.

Penentuan lokasi penyimpanan barang yang distok.

Hasil yang didapat adalah pengadaan barang yang lebih efisien, mengurangi siklus

pemesanan barang dan biaya penyimpanan barang, meningkatkan service level

kepuasan pelanggan dan pemanfaatan asset.

III. 8 Struktur Organisasi

Adapun struktur organisasi PT. INCO, Tbk. secara garis besar sebagai berikut:

Gambar III-6. Struktur Organisasi PT. INCO, Tbk.


III. 9 Lokasi PT. INCO, Tbk.

PT. International Nickel Indonesia, Tbk. memiliki tiga kantor, yaitu:

Kantor Pusat

Kantor pusat PT. INCO terletak pada:

Plaza Bapindo - Citibank Tower, Lantai 22

Jl. Jend. Sudirman Kav. 54-55

Jakarta 12190 - Indonesia

Tel: (021) 524 9000, Fax: (021) 524 9020

Kantor Operasional

Kantor operasional terletak di Sorowako dengan alamat

Sorowako 92984, Sulawesi Selatan

Kantor Cabang Makassar

Perusahaan juga memiliki kantor cabang yang terletak di

Jl. Somba Opu, PO.BOX 1143, Makassar

90001, Sulawesi Selatan, Indonesia.

Wilayah Kontrak Karya PT. International Nickel Indonesia, Tbk. dapat dilihat

melalui gambar berikut:

Gambar III-7. Area Kontrak Karya PT. INCO, Tbk.

III. 10 Manajemen Persediaan Barang PT. INCO


Dalam rangka kegiatan operasional maupun administratif, PT. INCO harus

memiliki persediaan untuk memperlancar aktivitas produksinya. Produksi yang

besar memerlukan persediaan yang besar pula, sehingga dalam pengadaannya

membutuhkan departemen untuk menangani masalah ini. Masalah persediaan

barang PT. INCO ditangani oleh sebuah departemen yang bernama Procurement

Contract and Logistic Warehousing (dahulu Dept. SCM). SCM merupakan

seperangkat pendekatan yang digunakan untuk mengefisienkan dan

mengintegrasikan pemasok, pabrik, dan gudang penyimpanan, sehingga barang

dapat diproduksi dan didistribusikan pada jumlah, tempat, dan waktu yang tepat.

Departemen ini merupakan penghubung antar pengguna (Users) dan pemasok

(Suppliers). Departemen Procurement Contract and Logistic Warehousing terbagi

menjadi dua sub-departemen, yaitu Procurement and Contract dan Logistic and

Warehousing.

Barang yang masuk ke PT. INCO ada yang dijadikan sebagai stock (Stock Item),

ada juga yang langsung dikirimkan ke bagian yang meminta untuk langsung

digunakan (Direct Charge). Jenis barang yang dimasukkan dan ditatausahakan

sebagai barang persediaan adalah barang yang digunakan berulang kali oleh users.

Barang yang jarang sekali digunakan dan dipesan tidak perlu dimasukkan ke

dalam persediaan terlebih dahulu, bisaanya barang ini akan langsung dibebankan

ke bagian yang memintanya.

Jenis barang yang ada dalam persediaan INCO berdasarkan Buyer adalah sebagai

berikut:

1. Bulk item à batubara, sulfur, High Speed Diesel (HSD)

2. Mechanical à besi, machine, motor, pipe, wire, mesh, transformer oil

3. Electrical à kabel

4. Consumable à stationery, food and beverage

5. Mobile equipment à component assemblies, spare parts


6. General à computer software and hardware dan suku cadangnya

Pencatatan persediaan dilakukan perusahaan melalui metode FIFO (First In First

Out), dimana barang yang masuk pertama kali merupakan barang yang akan

keluar lebih dulu. Untuk penentuan harga yang digunakan metode harga rata-rata,

dimana harga barang baru merupakan rata-rata dari barang yang dibeli

sebelumnya.

Pengendalian persediaan di PT. INCO dilakukan oleh bagian inventory control

dan kataloger. Kataloger mengizinkan user untuk menambah, mengubah, atau

mengurangi jenis material ke dalam catalog melalui proses Add, Deletion and

Revision (ADR) dan menjaga informasi tersebut sehingga dapat dengan mudah

diakses jika dibutuhkan. Proses ADR dilakukan setelah user mengisi form ADR.

ADR

- Add

Jika user ingin menambah item dan menjadikannya sebagai Stock, kemudian

mengirim ke kataloger. Setelah dilihat kembali oleh kataloger dan di-input

ke sistem, selanjutnya dikirim ke inventory control untuk menentukan

jumlah persediaan dan parameter juga melakukan update data ke sistem.

Sistem akan mencetak SRO (Store Recommended Order) dan dilihat

kembali oleh inventory control yang selanjutnya diubah menjadi BRO

(Buy Recommended Order) bagi Procurement. Procurement mengeluarkan

Purchase Order (PO) berdasarkan BRO dan membeli item. Setelah itu

kataloger mengirim salinan ADR ke user dan Purchasing, dan ADR asli

disimpan di master list.

- Deletion

Item yang sudah masuk menjadi stock hanya saja user sudah tidak memakainya lagi

dalam produksi. Kataloger melihat apakah user lain membutuhkan item

tersebut dan memberitahu kepada user bahwa item akan dihapus (delete).


Kataloger akan mengecek Outstanding PO, jika terdapat Outstanding PO,

kataloger menghubungi buyer untuk membatalkan order namun jika tidak

dapat dibatalkan, inventory tidak dapat melakukan proses delete sampai

barang diterima, jika tidak ada Outstanding PO maka kataloger melakukan

update data ke sistem. Inventory control selanjutnya melakukan update

parameter. Proses deletion ini juga akan dilakukan oleh inventory control

sebagai tanggung jawab untuk mengontrol barang yang benar-benar sudah

tidak dipakai lagi oleh user dan untuk mengurangi nilai persediaan. Jika

melalui sistem ternyata barang tidak pernah bergerak selama dua tahun

lebih, maka inventory control akan memberikan daftar tersebut kepada

user dan meminta agar barang tersebut dilihat kembali (review). Jika hasil

review menyatakan barang sudah tidak dipakai lagi, maka dilakukan

proses delete.

- Revision

Jika stock tersebut ingin direvisi oleh user karena ada perubahan item yang

diinginkan (agak berbeda dari stock sebelumnya tapi dengan jenis yang

sama). Kataloger akan melihat apakah user lain menggunakan item

tersebut dan akan memberitahu ke user bahwa item akan direvisi.

Kemudian kataloger melihat apakah terdapat barang di gudang (stock on

hand) atau Outstanding PO, jika tidak ada, revisi bisa dilakukan.

Selanjutnya memasukkan data ke sistem dan inventory control melakukan

parameter ke sistem.

Inventory control adalah bagian yang berfungsi untuk menentukan jumlah

pembelian, setting parameter stock item, mempercepat kedatangan barang bila

diperlukan, dan meninjau keberadaan barang stock item yang tidak dipergunakan

serta memutuskan perlakuan terhadap barang yang bermasalah. Informasi yang

dimilki oleh inventory control:

Stock Item / Stock Code


Stock code adalah kode material yang diberikan oleh sistem secara otomatis atau

secara manual diinputkan. Kodenya berupa alphanumeric. Stock Code ini

dapat diinput pada MSO 100/1 yang merupakan metode yang teratur untuk

mengidentifikasi dan menggambarkan item-item dari material dan

mengijinkan user secara cepat dan mudah mendapatkan item-item material.

Tabel 3.1. Contoh Barang Berdasarkan Stock Code

Period

Group ClassStock Code

2008 BEARINGS,ANTIFRICTION000120790



2008 BOLTS000138321

2008 BOLTS000139006

2008 BOLTS000139121

2008 ABRASIVE MATERIALS000196378

2008 ADHESIVES000197459

2008 ADHESIVES000197467

2008 ABRASIVE MATERIALS000213645

2008BATTERIES,NONRECHARGEABLE

000364406

2008CABLE,CORD,& WIRE ASSEMBL

000366724

2008 ADP SOFTWARE000378869

Stock Type (Criticality)

Tabel 3.2. Stock Type

CODE JUDUL KETERANGAN

A Criticality

A

Jika part tidak ada ketika diperlukan, dapat mengakibatkan

kehilangan produksi atau tambahan cost lebih dari 250,000

pound nickel matte setiap kejadian sebelum part berhasil

diperoleh. (Meliputi kerugian yang menyangkut keselamatan


dan lingkungan).

BCriticality

B

Jika part tidak ada ketika dibutuhkan, dapat mengakibatkan

kehilangan produksi atau tambahan cost kurang dari 250,000

pound nickel matte setiap kejadian sebelum part berhasil

diperoleh. (Meliputi kerugian menyangkut keselamatan dan

lingkungan).

CCriticality

C

Jika part tidak ada, tidak mempengaruhi produksi secara

langsung.

O Obsolete

Material yang telah diidentifikasi sebagai material yang

tidak dibutuhkan lagi dan stok yang ada akan di-written off

dan dibuang.

RUnder

Review

Material yang potensial obsolete (tidak bergerak lebih dari 2

tahun)

Sumber: Standard Procedure Instruction-Inventory Policy Supply Chain Management

PT. INCO (Januari 2006)

Tabel 3.3. Contoh Barang Berdasarkan Stock Type

Stock Code

Stock NameStoc

k Type

101086854 DRUGS AND BIOLOGICALS A000073437 ELECTRICAL CONTACT BRUSH A049703302 PIPE AND TUBE A233060707 WIRE AND CABLE,ELECTRICAL B049564141 ELECTRICAL CONTACT BRUSH B058613951 ELECTRICAL CONTACT BRUSH B233060608 WIRE AND CABLE,ELECTRICAL C233060806 WIRE AND CABLE,ELECTRICAL C

00026461 ELECTRICAL CONTACT BRUSH C


4113009875 OILS & GREASES O000300152 PHOTOGRAPHIC MATERIALS O

Stock Class

Tabel 3.4. Stock Class

CODE TITTLE KETERANGAN

S SPARES

Barang-barang aktif yang merupakan suku

cadang dan umumnya terkait langsung dengan

peralatan utama, dan dengan mengantisipasi

pola permintaan. Barang-barang harus

dikatalogkan dengan APL (Application Part

List), dengan EGI (Equipment Group

Identifier) sebagai klasifikasi peralatan

minimum.

C CONSUMABLES

Barang-barang aktif yang tidak terkait

langsuing dengan peralatan utama, dan dapat

dikaitkan dengan proses produksi, dan dengan

permintaan konstan.

D DO NOT

REORDER

Barang-barang yang secara jelas diidentifikasi

dan disetujui oleh departemen user sebagai

barang yang tidak lagi diperlukan karena

mesin, peralatan, atau proses terkait mengalami

pengurangan (tidak lagi digunakan). Barang-

barang ini juga tidak lagi disediakan oleh

supplier. Permintaan barang jenis ini masih


dapat dilakukan untuk excess stock (sisa stock)

I INSURANCE

Juga dikenal sebagai strategic atau standby,

yang merupakan barang-barang yang penting,

bisaanya berupa suku cadang yang tidak

memiliki perkiraan umur penggunaan, lead

time yang lama dan disimpan pada inventory

sebagai jaminan terhadap kerugian operasional

yang tidak dapat diterima. Material akan

dikapitalisasi dan disimpan di inventory dengan

nilai 0,01. Pengadaan barang ini tidak

dilakukan melalui inventory, tetapi melalui

pembelian Direct Purchase.

OORDER ON

DEMAND

Material yang dikatalogkan, tapi tidak

disimpan pada inventory. Material ini dibeli

ketika diperlukan oleh user tertentu.

V CAPITAL

Barang-barang yang memiliki nilai lebih besar

dari US$ 10,000 dan memiliki waktu pakai 2

tahun. Material akan dikapitalisasi dan

disimpan di inventory dengan nilai 0.01.

pengadaan barang tidak dilakukan melalui

inventory, tetapi melalui pembelian Direct

Purchase.

P PROJECT Material-material, biasanya berupa suku

cadang, yang dibeli melalui proyek kapital dan

biayanya dibebankan ke biaya project. Suku-

cadang disimpan dan diatur di inventory

dengan nilai 0.01, tapi pengadaannya tidak

dilakukan secara rutin melalui inventory.

Barang-barang ini dikonversikan ke stock class

yang sesuai berdasarkan keperluannya yaitu


moving atau Order on Demand

Sumber: Standard Procedure Instruction-Inventory Policy Supply Chain Management

PT. INCO (Januari 2006)

Tabel 3.5. Contoh Barang Berdasarkan Stock Class

Stock Code

Stock Name Stock Class

233061609 WIRE AND CABLE,ELECTRICAL CONSUMABLES



000299578 CAMERAS,STILL PICTURE DO NOT REORDER

025406007 COILS AND TRANSFORMERS DO NOT REORDER

000263020 COMPUTERS & PERIFERALS DO NOT REORDER

000072074 BELTING,DRIVE BELTS,FAN INSURANCE ITEM



607012087 BARS AND RODS:NONFERROUS ORDER ON DEMAND

265711006 BATTERIES,NONRECHARGEABLE ORDER ON DEMAND

000222885 BEARINGS,ANTIFRICTION ORDER ON DEMAND

223369201 ABRASIVE MATERIALS SPARES

767223006 ADHESIVES SPARES

000263012 ADPE SYSTEM CONFIGURATION SPARES

Group Class dan Part Number

Group Class merupakan pengelompokan stock code yang sama dalam nama dan

deskripsinya. Group Class memudahkan user mencari item tertentu.

Part Number merupakan nomor part yang diberikan dari perusahaan manufaktur yang

membuat barang tersebut.

Lead time

Dalam sistem Ellipse, Total Lead time sebuah barang terdiri dari:


1. Inventory lead time: Waktu yang diberikan ke bagian inventori

untuk mengurus permintaan barang, yaitu selama 3 hari.

2. Purchase Lead time: waktu yang dibutuhkan untuk

menentukan/mencari supplier yang cocok untuk barang yang akan

dipesan, yaitu selama 14 hari

3. Supplier Lead time: waktu yang dijanjikan oleh supplier dalam hal

pengadaan barang.

4. Freight Lead time: waktu keberangkatan barang, bisaanya dihitung

berdasarkan history barang. Secara umum, freight lead time untuk

barang yang dikirim dari Singapura adalah sekitar 60 hari, freight

lead time untuk barang yang dikirim dari Kanada atau Jepang

adalah sekitar 6 bulan (180 hari). Tetapi, waktu ini bisa berubah

tergantung pada data lampau barang tersebut.

BAB IV

PERAMALAN MATERIAL

IV.1 Pengumpulan Data

Data penggunaan barang yang diambil ialah data tiga produk dari tingkat kritis

yang berbeda. Material yang diambil ialah:

Criticality A : 000300293 (Electrode Paste)

Criticality B : 304017758 (Adhesive)

Criticality C : 214001250 (Ballast, Lamp)

Berikut merupakan data penggunaan ketiga material sejak Januari 2007 s/d Juli

2009.

Tabel 4.1. Usage Material

MonthUSAGE

Electrode Paste

Adhesive Ballast Lamp

Jan-07 0 37 60

Feb-07 240 83 28

Mar-07 482 40 57

Apr-07 460 29 64

May-07 520 28 89

Jun-07 580 84 86

Jul-07 480 58 45

Aug-07 460 43 112

Sep-07 480 85 32

Oct-07 575 61 55

Nov-07 360 65 17

Dec-07 552 56 105

Jan-08 480 34 19

Feb-08 560 84 13

Mar-08 690 57 45

Apr-08 396 55 86

May-08 480 91 41

Jun-08 650 59 27

Jul-08 480 57 23

Aug-08 430 77 17

Sep-08 560 107 31

Oct-08 520 43 11

Nov-08 400 41 12

Bab IV Peramalan Material IV-2

Dec-08 470 51 40

Jan-09 368 30 21

Feb-09 468 60 39

Mar-09 442 26 10

Apr-09 416 32 32

May-09 404 13 22

Jun-09 583 67 34

Jul-09 0 0 4

0 10 20 30 400

100

200

300

400

500

600

700

800

Usage Electrode Paste

Usage 000300293

Month

Usa

ge

Gambar IV-1. Grafik Data Usage Electrode Paste

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Usage Adhesive

Usage 304017758

Month

Usa

ge

Gambar IV-2. Grafik Data Usage Adhesive


0 5 10 15 20 25 30 350

20

40

60

80

100

120

Usage Ballast Lamp

Usage 214001250

Month

Usag

e

Gambar IV-3. Grafik Data Usage Ballast Lamp

IV.2 Pengolahan Data

Berdasarkan data di atas, maka peramalan digunakan untuk memperkirakan

penggunaan di bulan Agustus. Peramalan akan dilakukan dengan menggunakan

software WinQSB Forecasting and Linear Regression.

Metode peramalan yang digunakan adalah sebagai berikut:

Simple Average

Moving Average

Smoothing

Linear Regression

Winters

IV.2.1 Simple Average


Simple Average dilakukan dengan merata-ratakan usage aktual periode

sebelumnya.

Hasil peramalan untuk material Electrode Paste untuk metode Simple Average

adalah sebagai berikut:

Tabel 4.2. Hasil Peramalan Simple Average Electrode Paste

Month Actual Data

Forecast Error CFE MAD MSE MAPE (%)

1 0 2 240 0 240 240 240 57600 1003 482 120 362 602 301 94322 87,551864 460 240,6667 219,3333 821,3333 273,7778 78917,04 74,261635 520 295,5 224,5 1045,833 261,4583 71787,84 66,489496 580 340,4 239,6 1285,433 257,0866 68911,91 61,453667 480 380,3333 99,66666 1385,1 230,85 59082,16 54,672038 460 394,5714 65,42856 1450,528 207,2184 51253,41 48,893689 480 402,75 77,25 1527,778 190,9723 45592,68 44,79369

10 575 411,3333 163,6667 1691,445 187,9383 43503,13 42,9792611 360 427,7 -67,7 1623,745 175,9145 39611,15 40,5618912 552 421,5454 130,4546 1754,2 171,7818 37557,26 39,022913 480 432,4167 47,58334 1801,783 161,4319 34616,17 36,597114 560 436,0769 123,9231 1925,706 158,5466 33134,69 35,4841815 690 444,9286 245,0714 2170,778 164,727 35057,93 35,4865616 396 461,2667 -65,2667 2105,511 158,0963 33004,71 34,2195617 480 457,1875 22,8125 2128,323 149,641 30974,45 32,3778818 650 458,5294 191,4706 2319,794 152,1016 31308,95 32,2060619 480 469,1667 10,83334 2330,627 144,2534 29576,08 30,5422220 430 469,7368 -39,7369 2290,89 138,7525 28102,55 29,4211121 560 467,75 92,25 2383,14 136,4274 27122,93 28,7737222 520 472,1429 47,85715 2430,998 132,2097 25940,42 27,8417923 400 474,3182 -74,3182 2356,679 129,5783 25012,37 27,4207824 470 471,0869 -1,08695 2355,593 123,9917 23924,92 26,2386325 368 471,0417 -103,042 2252,551 123,1188 23370,45 26,3120426 468 466,92 1,079987 2253,631 118,2372 22435,68 25,2687927 442 466,9615 -24,9616 2228,669 114,6497 21596,73 24,5141228 416 466,037 -50,0371 2178,632 112,2567 20889,58 24,0516729 404 464,25 -60,25 2118,382 110,3993 20273,17 23,7253130 583 462,1724 120,8276 2239,21 110,7589 20077,52 23,6218531 0 466,2 -466,2 1773,01 122,6069 26653,02 23,6218532 451,1613

CFE 1773,01 MSE 26653,02

MAD 122,6069 MAPE 23,62185


0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan Simple Average Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-4. Hasil Peramalan Simple Average Usage Electrode Paste

Hasil peramalan untuk material Adhesive untuk metode simple average adalah

sebagai berikut:

Tabel 4.3. Hasil Peramalan Simple Average Adhesive

Month Actual Data


1 37 2 83 37 46 46 46 2116 55,421693 40 60 -20 26 33 1258 52,710854 29 53,33333 -24,3333 1,666668 30,11111 1036,037 63,109915 28 47,25 -19,25 -17,5833 27,39583 869,6684 64,519936 84 43,4 40,6 23,01667 30,03666 1025,407 61,282617 58 50,16667 7,833332 30,85 26,33611 864,7324 53,31988 43 51,28571 -8,28571 22,56429 23,75748 751,0068 48,455419 85 50,25 34,75 57,31429 25,13155 808,0762 47,50878

10 61 54,11111 6,888889 64,20317 23,10458 723,563 43,4848411 65 54,8 10,2 74,40317 21,81413 661,6107 40,7055912 56 55,72727 0,272728 74,6759 19,85582 601,471 37,0493513 34 55,75 -21,75 52,9259 20,01366 590,7703 39,2927914 84 54,07692 29,92308 82,84897 20,77593 614,2026 39,0104715 57 56,21429 0,785713 83,63468 19,34805 570,3751 36,3224716 55 56,26667 -1,26667 82,36801 18,14263 532,4571 34,0545117 91 56,1875 34,8125 117,1805 19,18449 574,9229 34,3170718 59 58,23529 0,764706 117,9452 18,10098 541,1383 32,3746619 57 58,27778 -1,27778 116,6674 17,16636 511,1658 30,7006120 77 58,21053 18,78947 135,4569 17,25178 502,8436 30,3690921 107 59,15 47,85 183,3069 18,78169 592,1825 31,0866222 43 61,42857 -18,4286 164,8783 18,76488 580,1553 31,6471223 41 60,59091 -19,5909 145,2874 18,80243 571,2303 32,3805624 51 59,73913 -8,73913 136,5483 18,36489 549,7147 31,7177325 30 59,375 -29,375 107,1733 18,82364 562,7637 34,4760226 60 58,2 1,799999 108,9733 18,1427 540,3828 33,2169827 26 58,26923 -32,2692 76,70407 18,68603 559,6489 36,7129628 32 57,07407 -25,0741 51,63 18,92262 562,2067 38,2553129 13 56,17857 -43,1786 8,451427 19,78891 608,7133 48,7512930 67 54,68966 12,31034 20,76177 19,53102 592,9488 47,70379


31 0 55,1 -55,1 -34,3382 20,71666 674,3842 47,7037932 53,32258

CFE -34,3382 MSE 674,3842

MAD 20,71666 MAPE 47,70379

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan Simple Average Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-5. Hasil Peramalan Simple Average Usage Adhesive

Hasil peramalan untuk material Ballast Lamp untuk metode simple average


Tabel 4.4. Hasil Peramalan Simple Average Ballast Lamp

Month Actual Data


1 60 2 28 60 -32 -32 32 1024 114,28573 57 44 13 -19 22,5 596,5 68,546364 64 48,33333 15,66667 -3,33333 20,22222 479,4815 53,85735 89 52,25 36,75 33,41667 24,35417 697,2518 50,716016 86 59,6 26,4 59,81667 24,76333 697,1934 46,712347 45 64 -19 40,81667 23,80278 641,1612 45,963998 112 61,28571 50,71429 91,53096 27,64728 916,9866 45,866369 32 67,625 -35,625 55,90596 28,6445 961,0058 54,04908

10 55 63,66667 -8,66667 47,23929 26,42474 862,5731 49,7944711 17 62,8 -45,8 1,439293 28,36226 986,0798 71,756212 105 58,63636 46,36364 47,80293 29,99875 1091,853 69,2470813 19 62,5 -43,5 4,302929 31,12386 1158,553 82,5554414 13 59,15385 -46,1539 -41,8509 32,28001 1233,293 103,51515 45 55,85714 -10,8571 -52,7081 30,74981 1153,621 97,8444116 86 55,13334 30,86666 -21,8414 30,7576 1140,229 93,7142217 41 57,0625 -16,0625 -37,9039 29,83915 1085,09 90,3056318 27 56,11765 -29,1177 -67,0216 29,79671 1071,134 91,3372519 23 54,5 -31,5 -98,5216 29,89134 1066,752 93,8716620 17 52,84211 -35,8421 -134,364 30,20453 1078,22 100,0277


21 31 51,05 -20,05 -154,414 29,69681 1044,41 98,2601522 11 50,09524 -39,0952 -193,509 30,14435 1067,458 110,505423 12 48,31818 -36,3182 -229,827 30,42498 1078,893 119,239424 40 46,73913 -6,73913 -236,566 29,39516 1033,959 114,787625 21 46,45833 -25,4583 -262,025 29,23112 1017,883 115,05626 39 45,44 -6,44 -268,465 28,31948 978,8262 111,114327 10 45,19231 -35,1923 -303,657 28,58382 988,8136 120,376128 32 43,88889 -11,8889 -315,546 27,96549 957,4259 117,293829 22 43,46429 -21,4643 -337,01 27,7333 939,6862 116,589230 34 42,72414 -8,72414 -345,734 27,07782 909,9078 113,453731 4 42,43333 -38,4333 -384,168 27,45633 928,8149 141,699732 41,19355

CFE -384,168 MSE 928,8149

MAD 27,45633 MAPE 141,6997

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan Simple Average Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-6. Hasil Peramalan Simple Average Usage Ballast Lamp

IV.2.2 Moving Average

Metode Moving Average yang dilakukan terbagi ke dalam dua metode, yaitu

Moving Average (MA) dan Moving Average with Trend (MAT). Rataan yang akan

dilakukan berbeda untuk setiap peroduk, dengan keterangan sebagai berikut:

Electrode Paste : 4-MA dan 4-MAT

Adhesive : 6-MA dan 6-MAT


Ballast Lamp : 8-MA dan 8-MAT

IV.2.2.1 Moving Average (MA)

Hasil peramalan Electrode Paste dengan metode Moving Average (4-MA) ialah

sebagai berikut:

Tabel 4.5. Hasil Peramalan 4-MA Electrode Paste

Month Actual Data


1 0 2 240 3 482 4 460 5 520 295,5 224,5 224,5 224,5 50400,25 43,173086 580 425,5 154,5 379 189,5 37135,25 34,90557 480 510,5 -30,5 348,5 136,5 25066,92 25,388398 460 510 -50 298,5 114,875 19425,19 21,758689 480 510 -30 268,5 97,9 15720,15 18,65695

10 575 500 75 343,5 94,08334 14037,63 17,7213711 360 498,75 -138,75 204,75 100,4643 14782,47 20,695712 552 468,75 83,25 288 98,3125 13800,98 19,9939313 480 491,75 -11,75 276,25 88,69444 12282,88 18,0443714 560 491,75 68,25 344,5 86,65 11520,4 17,4586815 690 488 202 546,5 97,13636 14182,55 18,5329316 396 570,5 -174,5 372 103,5833 15538,19 20,6606517 480 531,5 -51,5 320,5 99,57692 14546,96 19,8966918 650 531,5 118,5 439 100,9286 14510,91 19,777719 480 554 -74 365 99,13333 13908,58 19,4869620 430 501,5 -71,5 293,5 97,40625 13358,81 19,3082721 560 510 50 343,5 94,61765 12720,06 18,697722 520 530 -10 333,5 89,91666 12018,94 17,7657823 400 497,5 -97,5 236 90,31579 11886,7 18,1136324 470 477,5 -7,5 228,5 86,175 11295,17 17,2877325 368 487,5 -119,5 109 87,7619 11437,32 18,0108426 468 439,5 28,5 137,5 85,06818 10954,36 17,4689727 442 426,5 15,5 153 82,04348 10488,53 16,8619228 416 437 -21 132 79,5 10069,89 16,3696729 404 423,5 -19,5 112,5 77,1 9682,3 15,9079530 583 432,5 150,5 263 79,92308 10181,07 16,2889831 0 461,25 -461,25 -198,25 94,0463 17683,68 16,2889832 350,75

CFE -198,25 MSE 17683,68

MAD 94,0463 MAPE 16,28898

m=4


0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan 4-MA Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-7. Hasil Peramalan 4-MA Usage Electrode Paste

Hasil peramalan Adhesive dengan metode Moving Average (6-MA) ialah sebagai

berikut:

Tabel 4.6. Hasil Peramalan 6-MA Adhesive

Month Actual Data


1 37 2 83 3 40 4 29 5 28 6 84 7 58 50,16667 7,833332 7,833332 7,833332 61,36109 13,505748 43 53,66667 -10,6667 -2,83334 9,25 87,56945 19,155989 85 47 38 35,16666 18,83333 539,713 27,67261

10 61 54,5 6,5 41,66666 15,75 415,3472 23,4183911 65 59,83333 5,166668 46,83333 13,63333 337,6167 20,3244612 56 66 -10 36,83333 13,02778 298,0139 19,9132413 34 61,33333 -27,3333 9,5 15,07143 362,1706 28,5530814 84 57,33333 26,66667 36,16667 16,52083 405,7882 28,952215 57 64,16666 -7,16666 29 15,48148 366,4074 27,132316 55 59,5 -4,5 24,5 14,38333 331,7917 25,2372517 91 58,5 32,5 57 16,0303 397,6515 26,1897118 59 62,83333 -3,83333 53,16667 15,01389 365,7384 24,5486719 57 63,33333 -6,33333 46,83334 14,34615 340,6902 23,5150120 77 67,16666 9,833336 56,66668 14,02381 323,2619 22,7475521 107 66 41 97,66667 15,82222 413,7778 23,7855622 43 74,33334 -31,3333 66,33334 16,79167 449,2778 26,8532323 41 72,33334 -31,3333 35 17,64706 480,6013 29,7690824 51 64 -13 22 17,38889 463,2901 29,5313625 30 62,66667 -32,6667 -10,6667 18,19298 495,0702 33,7080826 60 58,16667 1,833332 -8,83334 17,375 470,4847 32,1754527 26 55,33333 -29,3333 -38,1667 17,94445 489,0543 36,0156928 32 41,83333 -9,83333 -48 17,57576 471,2197 35,7753929 13 40 -27 -75 17,98551 482,4276 43,2500530 67 35,33333 31,66667 -43,3333 18,55556 504,1088 43,41728


31 0 38 -38 -81,3333 19,33334 541,7045 43,4172832 33

CFE -81,3333 MSE 541,7045

MAD 19,33334 MAPE 43,41728

m=6

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan 6-MA Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-8. Hasil Peramalan 6-MA Usage Adhesive

Hasil peramalan Ballast Lamp dengan metode Moving Average (8-MA) ialah

sebagai berikut:

Tabel 4.7. Hasil Peramalan 8-MA Ballast Lamp

Month Actual Data


1 60 2 28 3 57 4 64 5 89 6 86 7 45 8 112 9 32 67,625 -35,625 -35,625 35,625 1269,141 111,3281

10 55 64,125 -9,125 -44,75 22,375 676,2031 63,9595211 17 67,5 -50,5 -95,25 31,75 1300,885 141,659312 105 62,5 42,5 -52,75 34,4375 1427,227 116,363513 19 67,625 -48,625 -101,375 37,275 1614,659 144,27514 13 58,875 -45,875 -147,25 38,70833 1696,302 179,043315 45 49,75 -4,75 -152 33,85714 1457,196 154,973616 86 49,75 36,25 -115,75 34,15625 1439,305 140,8708


17 41 46,5 -5,5 -121,25 30,97222 1282,743 126,70918 27 47,625 -20,625 -141,875 29,9375 1197,008 121,67719 23 44,125 -21,125 -163 29,13636 1128,759 118,965320 17 44,875 -27,875 -190,875 29,03125 1099,447 122,715721 31 33,875 -2,875 -193,75 27,01923 1015,51 113,989422 11 35,375 -24,375 -218,125 26,83036 985,4118 121,675223 12 35,125 -23,125 -241,25 26,58333 955,3688 126,410824 40 31 9 -232,25 25,48438 900,7207 119,916425 21 25,25 -4,25 -236,5 24,23529 848,7996 114,052926 39 22,75 16,25 -220,25 23,79167 816,3142 110,031527 10 24,25 -14,25 -234,5 23,28947 784,0378 111,740328 32 22,625 9,375 -225,125 22,59375 749,2305 107,618229 22 24,5 -2,5 -227,625 21,63691 713,8505 103,034630 34 23,375 10,625 -217 21,13636 686,5341 99,7716831 4 26,25 -22,25 -239,25 21,18478 678,2092 119,618632 25,25

CFE -239,25 MAPE 119,6186

MAD 21,18478 m=8

MSE 678,2092

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan 8-MA Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-9. Hasil Peramalan 8-MA Usage Ballast Lamp

IV.2.2.2 Moving Average with Trend (MAT)

Hasil peramalan Electrode Paste dengan metode Moving Average with Trend

(4-MAT) ialah sebagai berikut:


Tabel 4.8. Hasil Peramalan 4-MAT Electrode Paste

Month Actual Data


1 0 2 240 3 482 4 460 5 520 701 -181 -181 181 32761 34,807696 580 630 -50 -231 115,5 17630,5 21,714197 480 599 -119 -350 116,6667 16474 22,740028 460 540 -80 -430 107,5 13955,5 21,402849 480 440 40,00003 -390 94,00001 11484,4 18,78894

10 575 420 155 -235 104,1667 13574,5 20,150211 360 575 -215 -450 120 18238,86 25,8033512 552 417,5 134,5 -315,5 121,8125 18220,28 25,6236713 480 492 -12 -327,5 109,6111 16211,81 23,0543814 560 468,5 91,50003 -236 107,8 15427,85 22,3828715 690 620 70 -166 104,3636 14470,78 21,2703316 396 694 -298 -464 120,5 20665,21 25,7688417 480 501 -21 -485 112,8462 19109,5 24,1231718 650 398 252 -233 122,7857 22280,54 25,1693119 480 544,9999 -64,9999 -298 118,9333 21076,84 24,3941320 430 607 -177 -475 122,5625 21717,6 25,4421721 560 430 130 -345 123 21434,21 25,3111222 520 450 70,00003 -275 120,0556 20515,64 24,6528123 400 560 -160 -435 122,1579 20783,24 25,4605624 470 445 25,00003 -410 117,3 19775,33 24,4534925 368 390 -22 -432 112,7619 18856,69 23,5737226 468 343 125 -307 113,3182 18709,8 23,7162527 442 452 -9,99997 -317 108,8261 17900,68 22,7834728 416 441 -25 -342 105,3333 17180,86 22,0845629 404 453 -49 -391 103,08 16589,66 21,6863330 583 378 205 -186 107 17567,95 22,2046631 0 564 -564 -750 123,9259 28698,61 22,2046632 83,49998

CFE -750 MSE 28698,61

MAD 123,9259 MAPE 22,20466

m=4


0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan 4-MAT Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-10. Hasil Peramalan 4-MAT Usage Electrode Paste

Hasil peramalan Adhesive dengan metode Moving Average with Trend (6-MAT)

ialah sebagai berikut:

Tabel 4.9. Hasil Peramalan 6-MAT Adhesive

Month Actual Data


1 37 2 83 3 40 4 29 5 28 6 84 7 58 56,06667 1,933331 1,933331 1,933331 3,737767 3,3333288 43 54,26667 -11,2667 -9,33334 6,599998 65,33777 14,767449 85 62,8 22,2 12,86667 11,8 207,8386 18,55084

10 61 84,39999 -23,4 -10,5333 14,7 292,7689 23,5032911 65 75,13333 -10,1333 -20,6667 13,78666 254,752 21,9205812 56 61,6 -5,6 -26,2667 12,42222 217,52 19,9338213 34 64,53333 -30,5333 -56,8 15,00952 319,6292 29,9152614 84 44,53333 39,46667 -17,3333 18,06667 474,3777 32,0488715 57 54,66666 2,333336 -15 16,31852 422,274 28,9427316 55 61 -6 -21 15,28667 383,6467 27,1393617 91 58,8 32,2 11,20001 16,82424 443,0279 27,8889318 59 83,93334 -24,9333 -13,7333 17,5 457,9148 29,0865119 57 77,73335 -20,7334 -34,4667 17,74872 455,7577 29,6471120 77 57,86669 19,13331 -15,3334 17,84762 449,3524 29,3043521 107 73,40003 33,59997 18,26661 18,89777 494,6594 29,4441822 43 95,93336 -52,9334 -34,6668 21,025 638,8645 35,2977223 41 64,73336 -23,7334 -58,4001 21,18431 634,4179 36,6264624 51 53,80002 -2,80002 -61,2001 20,16296 599,608 34,8966725 30 42,46669 -12,4667 -73,6668 19,7579 576,2296 35,2471426 60 17,66669 42,33331 -31,3335 20,88667 637,0236 37,0125627 26 28,93336 -2,93336 -34,2669 20,03175 607,0989 35,787328 32 36,93335 -4,93335 -39,2002 19,34546 580,6097 34,8613729 13 31,00002 -18 -57,2003 19,28696 569,4529 39,3657330 67 13,53335 53,46665 -3,7336 20,71111 664,8375 41,0505331 0 43,00001 -43 -46,7336 21,60267 712,204 41,0505332 13,40001

CFE -46,7336 MSE 712,204


MAD 21,60267 MAPE 41,05053

m=6

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan 6-MAT Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-11. Hasil Peramalan 6-MAT Usage Adhesive

Hasil peramalan Ballast Lamp dengan metode Moving Average with Trend (8-

MAT) ialah sebagai berikut:

Tabel 4.10. Hasil Peramalan 8-MAT Ballast Lamp

Month Actual Data


1 60 2 28 3 57 4 64 5 89 6 86 7 45 8 112 9 32 97,67857 -65,6786 -65,6786 65,67857 4313,675 205,2455

10 55 77,14286 -22,1429 -87,8214 43,91072 2401,991 122,752611 17 59,67857 -42,6786 -130,5 43,5 2208,481 165,518612 105 30,67857 74,32143 -56,1786 51,20536 3037,279 141,834513 19 52,46429 -33,4643 -89,6429 47,65714 2653,795 148,693214 13 35,78571 -22,7857 -112,429 43,5119 2298,027 153,123415 45 22,53572 22,46428 -89,9643 40,5051 2041,83 138,380216 86 18,46429 67,53571 -22,4286 43,88393 2356,735 130,898917 41 58,82143 -17,8214 -40,25 40,98809 2130,165 121,184218 27 50,89286 -23,8929 -64,1429 39,27857 1974,235 117,91519 23 43,21429 -20,2143 -84,3572 37,54546 1831,906 115,185320 17 22,96429 -5,96429 -90,3214 34,91369 1682,212 108,5102


21 31 30,5 0,499998 -89,8214 32,26648 1552,83 100,287322 11 23,75 -12,75 -102,571 30,87245 1453,525 101,403223 12 3,571431 8,428569 -94,1429 29,37619 1361,36 99,3254824 40 -4,46428 44,46428 -49,6786 30,3192 1399,842 100,065225 21 19,67857 1,321426 -48,3572 28,61345 1317,601 94,5491426 39 23,17857 15,82143 -32,5357 27,90278 1258,307 91,5501827 10 32,82143 -22,8214 -55,3572 27,63534 1219,492 98,7430328 32 25,25 6,749996 -48,6072 26,59107 1160,796 94,8605729 22 27,92857 -5,92857 -54,5358 25,60714 1107,193 91,6266430 34 29 4,999996 -49,5358 24,67045 1058,003 88,1302431 4 29,89286 -25,8929 -75,4286 24,7236 1041,152 112,442932 13,67857

CFE -75,4286 MAPE 112,4429

MAD 24,7236 m=8

MSE 1041,152

0 5 10 15 20 25 30 35

-20

0

20

40

60

80

100

120

Peramalan 8-MAT Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-12. Hasil Peramalan 8-MAT Usage Ballast Lamp

IV.2.3 Smoothing (Pemulusan)

Metode pemulusan yang digunakan untuk peramalan penggunaan barang ialah

sebagai berikut:

Single Exponential Smoothing

Single Exponential Smoothing with Trend



Double Exponential Smoothingwith Trend

Adaptive Exponential Smoothing

IV.2.3.1 Single Exponential Smoothing

Metode Exponential Smoothing yang digunakan adalah Single Exponential

Smoothing dengan nilai α = 0,1.

Hasil peramalan Electrode Paste dengan metode Single Exponential Smoothing

(SES) ialah sebagai berikut:

Tabel 4.11. Hasil Peramalan Electrode Paste (SES)

Month Actual Data


1 0 2 240 0 240 240 240 57600 1003 482 24 458 698 349 133682 97,510384 460 69,8 390,2 1088,2 362,7333 139873,3 93,282285 520 108,82 411,18 1499,38 374,845 147172,3 89,729986 580 149,938 430,062 1929,442 385,8884 154728,5 86,613717 480 192,9442 287,0558 2216,498 369,4163 142673,9 82,14538 460 221,6498 238,3502 2454,848 350,6925 130407,7 77,812449 480 245,4848 234,5152 2689,363 336,1703 120981,5 74,19305

10 575 268,9363 306,0637 2995,427 332,8252 117947,4 71,8636611 360 299,5427 60,45731 3055,884 305,5884 106518,2 66,3566612 552 305,5884 246,4116 3302,295 300,2087 102354,6 64,3823913 480 330,2296 149,7704 3452,066 287,6721 95694,29 61,6173714 560 345,2066 214,7934 3666,859 282,0661 91882,13 59,8280415 690 366,686 323,314 3990,173 285,0124 92785,69 58,9015416 396 399,0174 -3,01737 3987,156 266,2127 86600,59 55,0255717 480 398,7156 81,28436 4068,44 254,6547 81600,99 52,6448618 650 406,8441 243,1559 4311,596 253,9783 80278,87 51,7486219 480 431,1597 48,84033 4360,437 242,5817 75951,45 49,4389720 430 436,0437 -6,0437 4354,393 230,1324 71955,93 46,910921 560 435,4393 124,5607 4478,953 224,8538 69133,9 45,677522 520 447,8954 72,10461 4551,058 217,58 66089,38 44,1626823 400 455,1058 -55,1058 4495,952 210,1948 63223,35 42,7814924 470 449,5952 20,40475 4516,356 201,9431 60492,61 41,1101825 368 451,6357 -83,6357 4432,721 197,0136 58263,54 40,3442226 468 443,2721 24,72787 4457,449 190,1222 55957,46 38,941827 442 445,7449 -3,7449 4453,704 182,9538 53805,79 37,4766328 416 445,3704 -29,3704 4424,333 177,2655 51844,93 36,3500929 404 442,4334 -38,4334 4385,899 172,3073 50046,08 35,3916330 583 438,59 144,41 4530,31 171,3453 49039,46 35,0253831 0 453,031 -453,031 4077,279 180,7348 54246,05 35,0253832 407,7279

CFE 4077,279 MSE 54246,05

MAD 180,7348 MAPE 35,02538

Alpha=0,1

F(0)=0


0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan SES Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-13. Hasil Peramalan Electrode Paste (SES)

Hasil peramalan Adhesive dengan metode Single Exponential Smoothing (SES)


Tabel 4.12. Hasil Peramalan Adhesive (SES)

Month Actual Data


1 37 2 83 37 46 46 46 2116 55,421693 40 42,52 -2,52 43,48 24,26 1061,175 30,860844 29 43,1376 -14,1376 29,34241 20,88586 774,074 36,8245 28 42,31069 -14,3107 15,03172 19,24207 631,7545 40,39546 84 41,18026 42,81974 57,85146 23,95761 872,1097 42,51157 58 46,61926 11,38074 69,23221 21,86146 748,3449 38,696588 43 49,14198 -6,14198 63,09023 19,61582 646,8276 35,209029 85 49,78959 35,21041 98,30064 21,56514 720,9459 35,98589

10 61 55,27664 5,723358 104,024 19,80494 644,4804 33,0299711 65 57,92946 7,070541 111,0945 18,53151 585,0316 30,8147512 56 60,85841 -4,85841 106,2361 17,2885 533,9927 28,8021113 34 62,49728 -28,4973 77,73885 18,22256 557,168 33,3865614 84 61,20234 22,79766 100,5365 18,57449 554,2884 32,9060615 57 65,49284 -8,49284 92,04368 17,85437 519,8484 31,6198916 55 66,48442 -11,4844 80,55926 17,42971 493,9846 30,9039517 91 66,94716 24,05284 104,6121 17,84366 499,2693 30,6244418 59 71,44469 -12,4447 92,16741 17,52607 479,0105 30,0637519 57 72,04356 -15,0436 77,12385 17,38816 464,9715 29,8597720 77 72,08168 4,91832 82,04217 16,73185 441,7725 28,6243921 107 74,21436 32,78564 114,8278 17,53454 473,4288 28,7252122 43 79,78947 -36,7895 78,03833 18,45144 515,3353 31,4314823 41 77,6713 -36,6713 41,36703 19,27962 553,0375 34,0683324 51 74,8315 -23,8315 17,53553 19,47753 553,6854 34,6187725 30 72,79906 -42,7991 -25,2635 20,44926 606,9385 39,1206426 60 68,01389 -8,01389 -33,2774 19,95184 585,2299 38,0900727 26 66,54694 -40,5469 -73,8244 20,74396 625,9539 42,6231428 32 61,01576 -29,0158 -102,84 21,05033 633,9525 44,40281


29 13 56,05738 -43,0574 -145,898 21,83629 677,5234 54,6459430 67 48,83369 18,16631 -127,731 21,70974 665,5403 53,6965631 0 48,09569 -48,0957 -175,827 22,58927 720,4622 53,6965632 39,76958

CFE -175,827 Alpha=0,1

MAD 22,58927 Beta=0,2

MSE 720,4622 F(0)=37

MAPE 53,69656 T(0)=0

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan SES Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-14. Hasil Peramalan Adhesive (SES)

Hasil peramalan Ballast Lamp dengan metode Single Exponential Smoothing

(SES) ialah sebagai berikut:

Tabel 4.13. Hasil Peramalan Ballast Lamp (SES)

Month Actual Data


1 60 2 28 60 -32 -32 32 1024 114,28573 57 56,8 0,200001 -31,8 16,1 512,02 57,318294 64 56,82 7,18 -24,62 13,12667 358,5308 41,951785 89 57,538 31,462 6,842003 17,7105 516,3625 40,301486 86 60,6842 25,3158 32,1578 19,23156 541,2679 38,128587 45 63,21578 -18,2158 13,94202 19,06227 506,3591 38,52048 112 61,3942 50,6058 64,54782 23,56848 799,8716 39,472319 32 66,45478 -34,4548 30,09304 24,92927 848,2791 47,99717

10 55 63,0093 -8,0093 22,08374 23,04928 761,1536 44,2821911 17 62,20837 -45,2084 -23,1246 25,26519 889,4179 66,4471412 105 57,68754 47,31246 24,18782 27,26948 1012,059 64,5028113 19 62,41879 -43,4188 -19,231 28,61526 1084,82 78,170914 13 58,07691 -45,0769 -64,3079 29,88154 1157,674 98,83048


15 45 53,56922 -8,56922 -72,8771 28,35923 1080,228 93,1313616 86 52,7123 33,2877 -39,5894 28,6878 1082,085 89,5030417 41 56,04107 -15,0411 -54,6305 27,83488 1028,594 86,2019518 27 54,53696 -27,537 -82,1674 27,81735 1012,693 87,1305819 23 51,78326 -28,7833 -110,951 27,87101 1002,459 89,2424820 17 48,90493 -31,9049 -142,856 28,08333 1003,273 94,4231921 31 45,71444 -14,7144 -157,57 27,41488 963,9351 92,0753322 11 44,243 -33,243 -190,813 27,69241 970,6571 102,081723 12 40,9187 -28,9187 -219,732 27,74815 964,5496 108,395724 40 38,02683 1,973171 -217,759 26,6275 922,7819 103,897325 21 38,22415 -17,2242 -234,983 26,23569 896,694 102,985726 39 36,50173 2,498268 -232,484 25,28619 861,0759 99,1225327 10 36,75156 -26,7516 -259,236 25,34256 855,4824 105,599228 32 34,0764 -2,07641 -261,312 24,48085 823,9576 101,928429 22 33,86876 -11,8688 -273,181 24,03041 799,5615 100,214930 34 32,68188 1,318115 -271,863 23,24723 772,0503 96,8928831 4 32,8137 -28,8137 -300,677 23,43278 773,9896 117,674532 29,93233

CFE -300,677 MAPE 117,6745

MAD 23,43278 Alpha=0,1

MSE 773,9896 F(0)=60

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan SES Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-15. Hasil Peramalan Ballast Lamp (SES)

IV.2.3.2 Single Exponential Smoothing with Trend

Metode Exponential Smoothing yang digunakan adalah Single Exponential

Smoothing with Trend dengan nilai α = 0,1dan β = 0,2.



with Trend (SEST) ialah sebagai berikut:

Tabel 4.14. Hasil Peramalan Electrode Paste (SEST)

Month Actual Data


1 0 2 240 0 240 240 240 57600 1003 482 31,2 450,8 690,8 345,4 130410,3 96,763484 460 97,004 362,996 1053,796 351,2654 130862,2 90,813055 520 164,9175 355,0825 1408,879 352,2196 129667,6 85,181066 580 242,6921 337,3079 1746,187 349,2373 126489,4 79,776157 480 328,8085 151,1915 1897,378 316,2297 109217,6 71,729848 460 400,849 59,151 1956,529 279,5042 94114,95 63,31979 480 465,46 14,54004 1971,069 246,3836 82377,01 55,78339

10 575 526,046 48,95398 2020,023 224,447 73490,29 50,531211 360 591,5422 -231,542 1788,481 225,1565 71502,44 51,9098112 552 622,0424 -70,0424 1718,439 211,0552 65448,21 48,3442613 480 666,5913 -186,591 1531,847 209,0166 62895,55 47,5550114 560 693,8876 -133,888 1397,96 203,2374 59436,35 45,7360515 690 722,4376 -32,4376 1365,522 191,0374 55266,05 42,8049816 396 760,1595 -364,16 1001,363 202,5789 60422,46 46,0819517 480 753,7844 -273,784 727,5782 207,0292 61330,92 46,7667218 650 748,2333 -98,2333 629,3449 200,6295 58290,86 44,9047319 480 757,2903 -277,29 352,0546 204,8884 59324,13 45,619420 430 740,1229 -310,123 41,9317 210,4271 61263,72 47,0142521 560 710,3685 -150,369 -108,437 207,4241 59331,07 46,0061122 520 692,0786 -172,079 -280,515 205,741 57915,83 45,3911623 400 666,4552 -266,455 -546,971 208,5007 58510,49 46,3558224 470 623,4005 -153,401 -700,371 206,1051 56989,67 45,7594125 368 587,0493 -219,049 -919,42 206,6444 56614,38 46,3329526 468 537,5617 -69,5617 -988,982 201,1611 54543,36 45,0741827 442 500,936 -58,936 -1047,92 195,6909 52579,13 43,853428 416 463,6048 -47,6048 -1095,52 190,2063 50715,69 42,6530329 404 425,9786 -21,9786 -1117,5 184,1981 48921,66 41,3240130 583 390,2557 192,7443 -924,757 184,4928 48515,76 41,0390731 0 381,7874 -381,787 -1306,54 191,0693 51757,29 41,0390732 304,4123

CFE -1306,54 MSE 51757,29

MAD 191,0693 MAPE 41,03907

Alpha=0,1 Beta=0,3 F(0)=0 T(0)=0


0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan SEST Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-16. Hasil Peramalan Electrode Paste (SEST)



Tabel 4.15. Hasil Peramalan Adhesive (SEST)

Month Actual Data


1 37 2 83 37 46 46 46 2116 55,421693 40 42,52 -2,52 43,48 24,26 1061,175 30,860844 29 43,1376 -14,1376 29,34241 20,88586 774,074 36,8245 28 42,31069 -14,3107 15,03172 19,24207 631,7545 40,39546 84 41,18026 42,81974 57,85146 23,95761 872,1097 42,51157 58 46,61926 11,38074 69,23221 21,86146 748,3449 38,696588 43 49,14198 -6,14198 63,09023 19,61582 646,8276 35,209029 85 49,78959 35,21041 98,30064 21,56514 720,9459 35,98589

10 61 55,27664 5,723358 104,024 19,80494 644,4804 33,0299711 65 57,92946 7,070541 111,0945 18,53151 585,0316 30,8147512 56 60,85841 -4,85841 106,2361 17,2885 533,9927 28,8021113 34 62,49728 -28,4973 77,73885 18,22256 557,168 33,3865614 84 61,20234 22,79766 100,5365 18,57449 554,2884 32,9060615 57 65,49284 -8,49284 92,04368 17,85437 519,8484 31,6198916 55 66,48442 -11,4844 80,55926 17,42971 493,9846 30,9039517 91 66,94716 24,05284 104,6121 17,84366 499,2693 30,6244418 59 71,44469 -12,4447 92,16741 17,52607 479,0105 30,0637519 57 72,04356 -15,0436 77,12385 17,38816 464,9715 29,8597720 77 72,08168 4,91832 82,04217 16,73185 441,7725 28,6243921 107 74,21436 32,78564 114,8278 17,53454 473,4288 28,7252122 43 79,78947 -36,7895 78,03833 18,45144 515,3353 31,4314823 41 77,6713 -36,6713 41,36703 19,27962 553,0375 34,0683324 51 74,8315 -23,8315 17,53553 19,47753 553,6854 34,6187725 30 72,79906 -42,7991 -25,2635 20,44926 606,9385 39,1206426 60 68,01389 -8,01389 -33,2774 19,95184 585,2299 38,0900727 26 66,54694 -40,5469 -73,8244 20,74396 625,9539 42,6231428 32 61,01576 -29,0158 -102,84 21,05033 633,9525 44,4028129 13 56,05738 -43,0574 -145,898 21,83629 677,5234 54,6459430 67 48,83369 18,16631 -127,731 21,70974 665,5403 53,6965631 0 48,09569 -48,0957 -175,827 22,58927 720,4622 53,6965632 39,76958

CFE -175,827 Alpha=0,1


MAD 22,58927 Beta=0,2

MSE 720,4622 F(0)=37

MAPE 53,69656 T(0)=0

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan SEST Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-17. Hasil Peramalan Adhesive (SEST)



Tabel 4.16. Hasil Peramalan Ballast Lamp (SEST)

Month Actual Data


1 60 2 28 60 -32 -32 32 1024 114,28573 57 56,16 0,84 -31,16 16,42 512,3528 57,87974 64 55,6208 8,3792 -22,7808 13,73973 364,9722 42,950635 89 56,00311 32,99689 10,21609 18,55402 545,9279 41,481776 86 59,50712 26,49288 36,70898 20,1418 577,1169 39,346557 45 62,89059 -17,8906 18,81839 19,76659 534,2762 39,414948 112 61,4779 50,5221 69,34049 24,16024 822,5915 40,228379 32 67,91692 -35,9169 33,42358 25,62982 881,0206 49,22987

10 55 64,9937 -9,9937 23,42988 23,89248 794,2266 45,7788211 17 64,46293 -47,4629 -24,0331 26,24952 940,0769 69,1203112 105 59,23597 45,76403 21,73098 28,02357 1045,01 66,798913 19 64,24699 -45,247 -23,516 29,45885 1128,534 81,0774914 13 59,25197 -46,252 -69,768 30,75063 1206,281 102,208815 45 53,23142 -8,23142 -77,9994 29,14212 1124,958 96,2147416 86 50,84829 35,15171 -42,8477 29,54276 1132,337 92,5253617 41 53,50651 -12,5065 -55,3542 28,47799 1071,341 88,64918 27 51,14877 -24,1488 -79,503 28,22333 1042,625 88,6955319 23 47,14384 -24,1438 -103,647 27,99669 1017,086 89,5998420 17 42,65651 -25,6565 -129,303 27,87352 998,2004 92,8272521 31 37,5048 -6,5048 -135,808 26,80509 950,4059 89,23505


22 11 34,13815 -23,1382 -158,946 26,63047 930,6425 95,0022723 12 28,64541 -16,6454 -175,592 26,1766 900,9347 96,9890724 40 23,46904 16,53096 -159,061 25,75723 873,645 94,5689925 21 21,94092 -0,94092 -160,002 24,72321 837,28 90,8153126 39 18,6468 20,3532 -139,648 24,54841 820,3589 89,270227 10 17,88915 -7,88915 -147,538 23,90767 791,2005 88,8710228 32 14,14948 17,85052 -129,687 23,68333 773,6983 87,6455429 22 13,34079 8,65921 -121,028 23,14676 748,7441 85,9210630 34 11,78615 22,21385 -98,814 23,11459 739,941 85,2111931 4 12,03126 -8,03126 -106,845 22,61181 717,4264 89,0635332 9,091226

CFE -106,845 Alpha=0,1

MAD 22,61181 Beta=0,2

MSE 717,4264 F(0)=60

MAPE 89,06353 T(0)=0

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan SEST Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-18. Hasil Peramalan Ballast Lamp (SEST)

IV.2.3.3 Double Exponential Smoothing

Metode Exponential Smoothing yang digunakan adalah Double Exponential

Smoothingwith Trend dengan nilai α = 0,1dan β = 0,2.

Hasil peramalan Electrode Paste dengan metode Double Exponential Smoothing

(DES) ialah sebagai berikut:


Tabel 4.17. Hasil Peramalan Electrode Paste (DES)

Month Actual Data


1 0 2 240 0 240 240 240 57600 1003 482 2,4 479,6 719,6 359,8 143808,1 99,751044 460 9,14 450,86 1170,46 390,1533 163630,3 99,17175 520 19,108 500,892 1671,352 417,838 185445,9 98,460126 580 32,191 547,809 2219,161 443,8322 208375,7 97,658077 480 48,26632 431,7337 2650,895 441,8158 204712,1 96,372478 460 65,60467 394,3953 3045,29 435,0414 197688,6 94,853279 480 83,59268 396,4073 3441,697 430,2121 192619,8 93,31972

10 575 102,127 472,873 3914,57 434,9522 196063,1 92,088511 360 121,8686 238,1314 4152,702 415,2702 182127,4 89,4944112 552 140,2406 411,7594 4564,461 414,951 180983,6 88,1398413 480 159,2395 320,7605 4885,222 407,1018 174475,6 86,3636114 560 177,8362 382,1638 5267,386 405,1835 172289 84,9697615 690 196,7212 493,2788 5760,665 411,476 177362,9 84,0068916 396 216,9508 179,0492 5939,714 395,9809 167675,9 81,4207317 480 235,1273 244,8727 6184,586 386,5367 160943,9 79,5203818 650 252,299 397,701 6582,288 387,1934 160780,5 78,4418219 480 270,185 209,815 6792,103 377,339 154293,9 76,5123520 430 286,7709 143,2291 6935,332 365,0175 147252,9 74,2384921 560 301,6378 258,3622 7193,694 359,6847 143227,8 72,8333722 520 316,2635 203,7365 7397,43 352,2586 138384 71,2308323 400 330,1478 69,85223 7467,282 339,4219 132315,6 68,7868424 470 342,0925 127,9075 7595,189 330,2256 127274,1 66,9793525 368 353,0468 14,95316 7610,143 317,0893 121980,3 64,3578426 468 362,0694 105,9306 7716,073 308,6429 117550 62,6889227 442 370,4369 71,56308 7787,636 299,5245 113225,8 60,9005328 416 377,9303 38,06973 7825,706 289,841 109085,9 58,9838929 404 384,3806 19,61942 7845,326 280,1902 105203,7 57,0507730 583 389,8015 193,1985 8038,524 277,1905 102863,1 56,2262131 0 396,1245 -396,125 7642,399 281,1549 104664,8 56,2262132 397,2848

CFE 7642,399 MSE 104664,8

MAD 281,1549 MAPE 56,22621

Alpha=0,1 F(0)=0 F'(0)=0

0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan DES Electrode Paste

Actual DataForecast

Month

Usag

e


Gambar IV-19. Hasil Peramalan Electrode Paste (DES)


Hasil peramalan Adhesive dengan metode Double Exponential Smoothing (DES)


Tabel 4.18. Hasil Peramalan Adhesive (DES)

Month Actual Data


1 37 2 83 37 46 46 46 2116 55,421693 40 37,46 2,540001 48,54 24,27 1061,226 30,885854 29 37,858 -8,858 39,682 19,13267 733,6385 30,772175 28 38,0918 -10,0918 29,59021 16,87245 575,69 32,089666 84 38,18026 45,81974 75,40995 22,66191 880,4418 36,581197 58 38,71011 19,28989 94,69984 22,09991 795,7182 36,02748 43 39,33218 3,667816 98,36766 19,46675 683,966 32,099179 85 39,87275 45,12725 143,4949 22,67431 853,0289 34,72314

10 61 40,76187 20,23813 163,733 22,40363 803,757 34,5513711 65 41,68444 23,31556 187,0486 22,49482 777,7428 34,6832412 56 42,66489 13,33511 200,3837 21,66212 723,2048 33,6950113 34 43,5924 -9,5924 190,7913 20,65631 670,6056 33,2381714 84 44,24775 39,75225 230,5436 22,12523 740,5776 34,321715 57 45,17612 11,82388 242,3674 21,38942 697,6652 33,3518416 55 46,04633 8,953671 251,3211 20,56037 656,4987 32,2136817 91 46,84074 44,15926 295,4804 22,0353 737,3451 33,2332418 59 47,9258 11,0742 306,5546 21,39053 701,1859 32,3824519 57 48,91544 8,084557 314,6391 20,65131 665,8622 31,371420 77 49,7979 27,2021 341,8412 20,99608 669,7618 31,5796121 107 50,78471 56,21529 398,0565 22,75704 794,2816 32,6275122 43 52,14618 -9,14618 388,9103 22,10891 760,4421 32,0866923 41 53,15751 -12,1575 376,7528 21,65657 732,595 31,9760424 51 53,85511 -2,85511 373,8977 20,83912 701,0975 30,8291825 30 54,39162 -24,3916 349,5061 20,98714 696,6747 32,9323526 60 54,58228 5,417725 354,9238 20,36436 669,9818 31,9762427 26 54,79088 -28,7909 326,1329 20,68846 676,0946 35,0053928 32 54,67194 -22,6719 303,461 20,76192 670,0917 36,3329729 13 54,34888 -41,3489 262,1121 21,49717 707,2217 46,3949530 67 53,67372 13,32628 275,4384 21,21541 688,9585 45,4809831 0 53,26009 -53,2601 222,1783 22,28357 760,5478 45,4809832 52,39246

CFE 222,1783 Alpha=0,1

MAD 22,28357 F(0)=37

MSE 760,5478 F'(0)=37

MAPE 45,48098


0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan DES Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-20. Hasil Peramalan Adhesive (DES)

Hasil peramalan Ballast Lamp dengan metode Double Exponential Smoothing

(DES) ialah sebagai berikut:

Tabel 4.19. Hasil Peramalan Ballast Lamp (DES)

Month Actual Data


1 60 2 28 60 -32 -32 32 1024 114,28573 57 59,68 -2,68 -34,68 17,34 515,5912 59,493734 64 59,394 4,605999 -30,074 13,09533 350,7992 42,061455 89 59,2084 29,7916 -0,2824 17,2694 484,9843 39,914516 86 59,35598 26,64402 26,36162 19,14432 529,9681 38,127897 45 59,74196 -14,742 11,61966 18,4106 477,861 37,233238 112 59,90718 52,09282 63,71247 23,22234 797,2611 38,558699 32 60,56194 -28,5619 35,15053 23,88979 799,5765 44,89586

10 55 60,80668 -5,80668 29,34385 21,88056 714,4811 41,0804911 17 60,94685 -43,9469 -14,603 24,08719 836,1655 62,8235412 105 60,62092 44,37908 29,77608 25,9319 939,1962 60,9546513 19 60,8007 -41,8007 -12,0246 27,2543 1006,538 74,2087414 13 60,52832 -47,5283 -59,5529 28,81384 1102,877 96,6236515 45 59,83241 -14,8324 -74,3854 27,81517 1039,814 92,0763116 86 59,1204 26,8796 -47,5058 27,7528 1018,661 88,0215817 41 58,81247 -17,8125 -65,3182 27,13153 974,8248 85,2355518 27 58,38491 -31,3849 -96,7031 27,38173 975,4241 87,0593719 23 57,72475 -34,7248 -131,428 27,78967 988,2232 90,6103620 17 56,84277 -39,8428 -171,271 28,42405 1019,761 98,1766121 31 55,72993 -24,7299 -196,001 28,23934 999,3517 97,2564822 11 54,58124 -43,5812 -239,582 28,96991 1042,208 111,491623 12 53,21499 -41,215 -280,797 29,5265 1072,047 122,035524 40 51,69617 -11,6962 -292,493 28,75127 1031,384 118,000925 21 50,34897 -29,349 -321,842 28,77617 1024,3 118,907426 39 48,96424 -9,96425 -331,806 28,0237 987,2993 115,173127 10 47,74298 -37,743 -369,549 28,39751 1004,116 125,259928 32 46,37632 -14,3763 -383,926 27,87821 974,5812 122,284629 22 45,12556 -23,1256 -407,051 27,70848 958,8745 121,671430 34 43,8812 -9,8812 -416,932 27,09374 929,1766 118,47831 4 42,77444 -38,7744 -455,707 27,4831 948,3193 146,8408


32 41,49023

CFE -455,707 Alpha=0,1

MAD 27,4831 F(0)=60

MSE 948,3193 F'(0)=60

MAPE 146,8408

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan DES Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-21. Hasil Peramalan Ballast Lamp (DES)

IV.2.3.5 Double Exponential Smoothing with Trend

Metode Exponential Smoothing yang digunakan adalah Double Exponential

Smoothingwith Trend dengan nilai α = 0,1dan β = 0,2.

Hasil peramalan Electrode Paste dengan metode Double Exponential Smoothing

with Trend (DEST) ialah sebagai berikut:

Tabel 4.20. Hasil Peramalan Electrode Paste (DEST)

Month Actual Data


1 0 2 240 0 240 240 240 57600 1003 482 48 434 674 337 122978 95,020744 460 137,2 322,8 996,8 332,2667 116718,6 86,738465 520 208,5 311,5 1308,3 327,075 111797 80,029816 580 280,768 299,232 1607,532 321,5064 107345,6 74,34219


7 480 353,6974 126,3026 1733,835 288,9724 92113,37 66,337338 460 395,0332 64,96677 1798,801 256,9716 79557,27 58,878179 480 425,3649 54,63507 1853,437 231,6796 69985,73 52,94119

10 575 454,2799 120,7201 1974,157 219,3507 63828,8 49,3915911 360 496,9583 -136,958 1837,198 211,1115 59321,68 48,2568312 552 489,3083 62,69171 1899,89 197,6188 54286,1 44,9023213 480 520,2186 -40,2186 1859,671 184,5021 49897,05 41,858714 560 531,1738 28,82623 1888,498 172,527 46122,73 39,0347615 690 555,5358 134,4642 2022,962 169,8082 44119,73 37,6385316 396 601,3135 -205,314 1817,648 172,1753 43988,66 38,5857517 480 580,4805 -100,481 1717,168 167,6943 41870,38 37,4824818 650 578,5609 71,43909 1788,607 162,0323 39707,63 35,9241419 480 610,0204 -130,02 1658,586 160,2538 38440,83 35,4332220 430 601,9023 -171,902 1486,684 160,8669 37972,92 35,6723821 560 584,1077 -24,1077 1462,576 154,0289 36103,33 34,1040122 520 594,153 -74,153 1388,423 150,2253 34645,96 33,1590723 400 593,9481 -193,948 1194,475 152,2127 34780,96 33,8557924 470 569,0427 -99,0427 1095,432 149,901 33695,24 33,3000125 368 561,1789 -193,179 902,2536 151,7042 33846,2 34,0997726 468 533,4974 -65,4974 836,7562 148,256 32663,94 33,2955927 442 529,4205 -87,4205 749,3357 145,9162 31701,57 32,775728 416 520,304 -104,304 645,0317 144,375 30930,38 32,4904129 404 506,9365 -102,937 542,0952 142,895 30204,15 32,2400230 583 492,7994 90,20056 632,2958 141,078 29443,18 31,661831 0 516,2606 -516,261 116,0352 153,584 37345,91 31,661832 419,3314

CFE 116,0352 MSE 37345,91

MAD 153,584 MAPE 31,6618

Alpha=0,1 F(0)=0 F'(0)=0

0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan DEST Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-22. Hasil Peramalan Electrode Paste (DEST)

Hasil peramalan Adhesive dengan metode Double Exponential Smoothing with

Trend (DEST) ialah sebagai berikut:


Tabel 4.21. Hasil Peramalan Adhesive (DEST)

Month Actual Data


1 37 2 83 37 46 46 46 2116 55,421693 40 46,2 -6,2 39,8 26,1 1077,22 35,460844 29 45,42 -16,42 23,38 22,87333 808,0187 42,514125 28 42,534 -14,534 8,846004 20,7885 658,8234 44,862386 84 39,861 44,139 52,985 25,4586 916,709 46,399197 58 48,77726 9,222736 62,20774 22,75262 778,1006 41,31628 43 51,15166 -8,15167 54,05608 20,66677 676,4362 38,122089 85 50,14341 34,85659 88,91267 22,4405 743,7544 38,48279

10 61 57,65529 3,344707 92,25737 20,31874 662,358 34,8161611 65 59,21336 5,786636 98,04401 18,86553 599,4708 32,224812 56 61,29327 -5,29327 92,75073 17,63169 547,5206 30,1545713 34 61,21506 -27,2151 65,53568 18,43031 563,6155 34,3120514 84 56,69955 27,30045 92,83612 19,11262 577,5923 34,172715 57 62,815 -5,815 87,02112 18,16279 538,751 32,4604916 55 62,58036 -7,58036 79,44076 17,4573 506,6651 31,2152917 91 61,9345 29,0655 108,5063 18,18281 527,7987 31,2605918 59 68,54201 -9,54201 98,96425 17,67453 502,1076 30,3730819 57 67,71867 -10,7187 88,24557 17,28809 480,5955 29,7303920 77 66,56458 10,43542 98,68099 16,92743 461,0325 28,8789221 107 69,53412 37,46588 136,1469 17,95435 508,1655 29,1857222 43 78,01411 -35,0141 101,1328 18,76672 542,3475 31,6734523 41 72,37276 -31,3728 69,76001 19,33972 562,434 33,7118824 51 67,10954 -16,1095 53,65047 19,19928 549,2637 33,6195125 30 64,58523 -34,5852 19,06524 19,84036 576,2168 37,0222126 60 58,20469 1,795307 20,86055 19,11856 553,2971 35,66127 26 58,75441 -32,7544 -11,8939 19,64301 573,2799 39,1347528 32 52,41214 -20,4121 -32,306 19,6715 567,479 40,0478329 13 48,21077 -35,2108 -67,5168 20,22647 591,4904 48,2908430 67 40,84556 26,15444 -41,3623 20,43088 594,6823 47,9717331 0 45,40128 -45,4013 -86,7636 21,26323 643,5687 47,9717332 35,9074

CFE -86,7636 Alpha=0,1

MAD 21,26323 F(0)=37

MSE 643,5687 F'(0)=37

MAPE 47,97173


0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan DEST Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-23. Hasil Peramalan Adhesive (DEST)

Hasil peramalan Ballast Lamp dengan metode Double Exponential Smoothing

with Trend (DEST) ialah sebagai berikut:

Tabel 4.22. Hasil Peramalan Ballast Lamp (DEST)

Month Actual Data

Forecast Error CFE MAD MSE MAPE

(%)1 60

2 28 60 -32 -32 32 1024114,285

7

3 57 53,63,40000

2 -28,6 17,7 517,7860,1253

1

4 64 53,96 10,04 -18,5615,1466

7378,787

245,3127

1

5 89 55,682 33,31814,7580

1 19,6895561,612

843,3435

2

6 86 62,16 23,8438,5980

1 20,5196562,959

4 40,219

7 4567,0755

8 -22,075616,5224

220,7789

3550,354

741,6919

8

8 11263,0464

548,9535

565,4759

824,8038

8814,082

641,9800

6

9 3273,0023

8 -41,002424,4735

926,8286

9922,471

752,7491

1

10 5565,4566

7 -10,456714,0169

325,0095

7 832,12449,0005

5

11 1763,6100

7 -46,6101 -32,593127,1696

3966,161

471,5181

8

12 10554,4282

350,5717

717,9786

329,2970

91110,82

969,3950

3

13 1964,2166

5 -45,2167 -27,23830,6237

21188,63

983,4439

8

14 1355,3531

1 -42,3531 -69,591131,5259

81235,18

8102,086

2

15 4546,6101

1 -1,61011 -71,201229,3891

41147,14

695,0499

3

16 8645,5921

840,4078

2 -30,793430,1237

11179,52

291,8456

6


17 4152,9617

3 -11,9617 -42,755128,9885

91114,74

587,9287

3

18 2750,2614

5 -23,2615 -66,0166 28,65171081,00

187,8243

1

19 2345,1816

1 -22,1816 -88,198228,2922

5 1048,2888,3030

6

20 1740,0851

2 -23,0851 -111,28328,0181

91021,15

690,8026

3

21 3134,5861

1 -3,58611 -114,86926,7965

9 970,741 86,8409

22 1132,7560

6 -21,7561 -136,62626,5565

6947,054

592,1238

3

23 1227,2561

5 -15,2562 -151,88226,0429

1914,586

193,7152

2

24 4022,8386

717,1613

3 -134,7225,6567

5887,626

3 91,506

25 2124,7521

2 -3,75213 -138,47224,7440

6851,228

588,4377

2

26 39 22,6545 16,3455 -122,12724,4081

2827,866

486,5766

8

27 1024,5388

8 -14,5389 -136,66624,0285

3804,155

388,8386

8

28 3220,4098

311,5901

7 -125,07623,5678

5779,347

186,8898

1

29 2221,3612

10,63879

4 -124,43722,7489

6751,527

8 83,8903

30 3420,2382

113,7617

9 -110,67522,4390

5732,143

782,3932

5

31 4 21,7462 -17,7462 -128,42122,2826

3718,236

594,4353

1

32 17,0902

1

CFE -128,421 Alpha=0,1

MAD22,2826

3 F(0)=60

MSE718,236

5 F'(0)=60

MAPE94,4353

1

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan DEST Ballast Lamp

Actual DataForecast

Month

Usag

e


Gambar IV-24. Hasil Peramalan Ballast Lamp (DEST)

IV.2.3.6 Adaptive Exponential Smoothing

Metode Exponential Smoothing yang digunakan adalah Adaptive Exponential

Smoothing dengan nilai α = 0,1dan β = 0,2.

Hasil peramalan Electrode Paste dengan metode Adaptive Exponential Smoothing

(AES) ialah sebagai berikut:

Tabel 4.23. Hasil Peramalan Electrode Paste (AES)

Month Actual Data


1 0 2 240 0 240 240 240 57600 1003 482 72 410 650 325 112850 92,531124 460 277 183 833 277,6667 86396,34 74,948285 520 405,1 114,9 947,9 236,975 68097,75 61,735256 580 508,51 71,48999 1019,39 203,878 55500,37 51,853377 480 558,553 -78,553 940,837 182,9905 47278,73 45,938678 460 487,8553 -27,8553 912,9817 160,8283 40635,48 40,241089 480 468,3566 11,6434 924,6251 142,1802 35572,99 35,51416

10 575 478,8357 96,16434 1020,789 137,0673 32647,94 33,4263911 360 546,1507 -186,151 834,6387 141,9757 32848,36 35,254612 552 453,0753 98,92468 933,5634 138,062 30751,79 33,6788413 480 482,7527 -2,75275 930,8107 126,7862 28189,77 30,9200614 560 482,4775 77,52252 1008,333 122,9967 26483,61 29,6064615 690 505,7343 184,2657 1192,599 127,373 27017,2 29,3992316 396 524,1608 -128,161 1064,438 127,4256 26311,07 29,5968617 480 485,7126 -5,71256 1058,725 119,8185 24668,67 27,8214418 650 485,1413 164,8587 1223,584 122,4679 24816,3 27,6768219 480 468,6555 11,34454 1234,929 116,2944 23444,76 26,2705220 430 465,2521 -35,2521 1199,677 112,029 22276,23 25,3193521 560 482,8781 77,12186 1276,798 110,2837 21459,81 24,7419722 520 459,7416 60,25839 1337,057 107,9015 20610,82 24,1155923 400 429,6124 -29,6124 1307,444 104,3429 19713,83 23,3559324 470 450,3411 19,65887 1327,103 100,661 18873,51 22,5223225 368 432,6481 -64,6481 1262,455 99,16046 18261,25 22,3158626 468 477,9018 -9,90183 1252,553 95,59012 17534,72 21,5078627 442 482,8527 -40,8527 1211,7 93,48483 16924,5 21,0361228 416 495,1085 -79,1085 1132,592 92,95238 16529,45 20,9613229 404 503,0194 -99,0194 1033,573 93,16906 16289,29 21,0880530 583 532,7252 50,27484 1083,847 91,68995 15814,75 20,6582431 0 507,5877 -507,588 576,2596 105,5532 23875,76 20,6582432 507,5877

CFE 576,2596 MSE 23875,76

MAD 105,5532 MAPE 20,65824

Alpha=0,1 Beta=0,2 F(0)=0


0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan AES Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-25. Hasil Peramalan Electrode Paste (AES)

Hasil peramalan Adhesive dengan metode Adaptive Exponential Smoothing


Tabel 2.24. Hasil Peramalan Adhesive (AES)

Month Actual Data


1 37 2 83 37 46 46 46 2116 55,421693 40 41,6 -1,6 44,4 23,8 1059,28 29,710844 29 41,12 -12,12 32,28 19,90667 755,1514 33,738265 28 35,06 -7,06 25,22001 16,695 578,8245 31,607276 84 32,942 51,058 76,27801 23,5676 984,4435 37,442487 58 58,471 -0,471 75,80701 19,71817 820,4066 31,337418 43 58,1413 -15,1413 60,66571 19,06433 735,9569 31,890979 85 50,57065 34,42935 95,09506 20,98496 792,1348 32,96774

10 61 60,89946 0,100544 95,1956 18,66447 704,121 29,3229711 65 60,94973 4,05027 99,24587 17,20304 635,3494 27,0137912 56 62,16481 -6,16481 93,08106 16,19957 581,0453 25,5587713 34 59,08241 -25,0824 67,99866 16,93981 585,0521 29,5765214 84 51,55768 32,44232 100,441 18,13231 621,0099 30,2723115 57 54,80191 2,198086 102,6391 16,99415 576,9972 28,3854516 55 55,02172 -0,02172 102,6173 15,86265 538,5308 26,4957217 91 55,0239 35,9761 138,5934 17,11975 585,7651 27,3106318 59 58,62151 0,37849 138,9719 16,13496 551,3168 25,7418619 57 58,58366 -1,58366 137,3883 15,32656 520,8274 24,466120 77 59,05876 17,94124 155,3295 15,46417 510,3569 24,4047521 107 57,26463 49,73537 205,0649 17,17773 608,5194 25,5085922 43 42,34402 0,655975 205,7209 16,39098 579,5627 24,3665423 41 42,01604 -1,01604 204,7048 15,69212 553,2659 23,3716124 51 42,72726 8,272736 212,9776 15,36954 532,1865 23,0607225 30 35,2818 -5,2818 207,6958 14,94922 511,1744 22,8334426 60 41,09179 18,90821 226,604 15,10758 505,0283 23,1806527 26 24,07439 1,925608 228,5296 14,60058 485,7467 22,5739428 32 22,72647 9,273533 237,8031 14,40328 470,9412 22,811229 13 14,38029 -1,38029 236,4228 13,93817 454,1899 22,3757130 67 15,8986 51,10139 287,5242 15,21966 528,5748 24,2341631 0 -30,0927 30,09266 317,6169 15,71543 541,1413 24,2341632 -30,0927


CFE 317,6169 Alpha=0,1

MAD 15,71543 Beta=0,2

MSE 541,1413 F(0)=37

MAPE 24,23416

0 5 10 15 20 25 30 35

-40

-20

0

20

40

60

80

100

120

Peramalan AES Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-26. Hasil Peramalan Adhesive (AES)

Hasil peramalan Ballast Lamp dengan metode Adaptive Exponential Smoothing


Tabel 4.25. Hasil Peramalan Ballast Lamp (AES)

Month Actual Data


1 60 2 28 60 -32 -32 32 1024 114,28573 57 56,8 0,200001 -31,8 16,1 512,02 57,318294 64 56,86 7,139999 -24,66 13,11333 358,3399 41,930955 89 60,43 28,57 3,91 16,9775 472,8161 39,473496 86 80,429 5,570999 9,480999 14,6962 384,4601 32,874377 45 83,2145 -38,2145 -28,7335 18,61592 563,7748 41,548838 112 71,75014 40,24986 11,51635 21,70648 714,6713 40,747199 32 75,77513 -43,7751 -32,2588 24,46506 864,8702 52,75345

10 55 62,64259 -7,64259 -39,9014 22,5959 775,2634 48,4359211 17 58,82129 -41,8213 -81,7227 24,51844 872,6391 68,1930812 105 46,2749 58,7251 -22,9976 27,62814 1106,821 67,07813


13 19 52,14742 -33,1474 -56,145 28,08807 1106,148 76,0266314 13 42,20319 -29,2032 -85,3482 28,17385 1086,662 87,4584215 45 39,28287 5,717133 -79,631 26,5698 1011,378 82,1188716 86 40,99801 45,00199 -34,629 27,79861 1078,965 80,132817 41 45,49821 -4,49821 -39,1273 26,34234 1012,794 75,810218 27 44,14875 -17,1488 -56,276 25,80154 970,5167 75,0868919 23 35,57437 -12,5744 -68,8504 25,06669 925,3832 73,9526820 17 26,77231 -9,77231 -78,6227 24,26173 881,7051 73,0859121 31 21,88615 9,113846 -69,5088 23,50433 841,7729 70,901622 11 24,62031 -13,6203 -83,1291 23,03366 810,5225 73,4215723 12 17,81015 -5,81015 -88,9393 22,25078 775,215 72,2850424 40 16,06711 23,93289 -65,0064 22,32391 766,4136 71,7436125 21 23,24698 -2,24698 -67,2534 21,48737 734,6901 69,2001326 39 23,02228 15,97772 -51,2757 21,26699 715,514 68,0708627 10 21,42451 -11,4245 -62,7002 20,88843 693,0142 69,8467928 32 24,85186 7,148138 -55,552 20,37953 669,2394 68,087229 22 22,70742 -0,70742 -56,2594 19,67695 645,3559 65,7703630 34 23,06113 10,93887 -45,3206 19,37564 627,2284 64,6118331 4 15,40392 -11,4039 -56,7245 19,10992 610,6558 71,9613832 15,40392

CFE -56,7245 Alpha=0,1

MAD 19,10992 Beta=0,2

MSE 610,6558 F(0)=60

MAPE 71,96138

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan AES Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-27. Hasil Peramalan Ballast Lamp (AES)

IV.2.4 Linear Regression

Hasil peramalan Electrode Paste dengan metode Linear Regression (LR) ialah

sebagai berikut:


Tabel 4.26. Hasil Peramalan Electrode Paste (LR)

Month Actual Data


1 0 451,4879 -451,4879 -451,4879 451,4879 203841,3 02 240 451,4661 -211,4661 -662,954 331,477 124279,6 88,110873 482 451,4443 30,55566 -632,3983 231,1699 83164,29 47,225114 460 451,4225 8,577454 -623,8209 175,5218 62391,61 32,104965 520 451,4008 68,59921 -555,2217 154,1373 50854,46 27,376766 580 451,379 128,621 -426,6007 149,8845 45135,94 26,336617 480 451,3572 28,64276 -397,9579 132,5643 38805,15 22,941728 460 451,3354 8,664551 -389,2934 117,0768 33963,89 19,933419 480 451,3137 28,68631 -360,6071 107,2557 30281,56 18,18878

10 575 451,2919 123,7081 -236,899 108,9009 28783,77 18,558311 360 451,2701 -91,27014 -328,1691 107,2981 26924,36 19,2377512 552 451,2484 100,7516 -227,4174 106,7526 25526,57 19,1481513 480 451,2266 28,77341 -198,644 100,7542 23626,68 18,05214 560 451,2048 108,7952 -89,84885 101,3285 22784,51 18,1578315 690 451,183 238,817 148,9681 110,4944 25067,78 19,3330716 396 451,1613 -55,16129 93,80682 107,0361 23691,22 18,9728417 480 451,1395 28,8605 122,6673 102,4375 22346,61 18,1628218 650 451,1177 198,8823 321,5496 107,7956 23302,59 18,8942619 480 451,0959 28,90405 350,4536 103,6434 22120,11 18,1791220 430 451,0742 -21,07419 329,3795 99,51493 21036,31 17,4802721 560 451,0524 108,9476 438,3271 99,9641 20599,79 17,57922 520 451,0306 68,96936 507,2964 98,55524 19879,66 17,3734923 400 451,0089 -51,00885 456,2876 96,48801 19128,45 17,1634324 470 450,9871 19,01291 475,3005 93,25988 18346,49 16,5930825 368 450,9653 -82,9653 392,3352 92,8481 17887,96 16,8410726 468 450,9435 17,05646 409,3916 89,93303 17211,15 16,3132127 442 450,9218 -8,921753 400,4699 86,93262 16576,65 15,7634128 416 450,9 -34,89999 365,5699 85,0743 16028,13 15,490329 404 450,8782 -46,87823 318,6917 83,75719 15551,21 15,3514930 583 450,8564 132,1436 450,8352 85,37008 15614,9 15,6037231 0 450,8347 -450,8347 5,19E-04 97,15926 21667,71 15,6037232 450,8129

CFE 5,19E-04 MSE 21667,71

MAD 97,15926 MAPE 15,60372

Y-intercept 451,51 Slope=-0,0218

0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan LR Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-28. Hasil Peramalan Electrode Paste (LR)


Hasil peramalan Adhesive dengan metode Linear Regression (LR) ialah sebagai

berikut:

Tabel 4.27. Hasil Peramalan Adhesive (LR)

Month Actual Data


1 37 63,07864 -26,07864 -26,07864 26,07864 680,0953 70,48282 83 62,42823 20,57177 -5,506866 23,3252 551,6465 47,634033 40 61,77783 -21,77783 -27,28469 22,80941 525,8556 49,904214 29 61,12742 -32,12742 -59,41212 25,13892 652,4345 65,124215 28 60,47702 -32,47702 -91,88914 26,60654 732,899 75,297246 84 59,82662 24,17338 -67,71576 26,20101 708,1412 67,544017 58 59,17621 -1,176212 -68,89197 22,62604 607,1758 58,184578 43 58,52581 -15,52581 -84,41778 21,73851 561,4102 55,424829 85 57,8754 27,1246 -57,29318 22,33697 580,7806 52,8122

10 61 57,225 3,774998 -53,51818 20,48077 524,1276 48,1498311 65 56,5746 8,4254 -45,09278 19,38482 482,933 44,9509512 56 55,92419 7,58E-02 -45,01698 17,77574 442,6891 41,2163213 34 55,27379 -21,27379 -66,29077 18,04482 443,4495 42,8589114 84 54,62339 29,37661 -36,91416 18,85423 473,4163 42,2955715 57 53,97298 3,027016 -33,88715 17,79909 442,4661 39,829916 55 53,32258 1,677418 -32,20973 16,79148 414,9878 37,5311517 91 52,67218 38,32782 6,118095 18,05833 476,9898 37,8009918 59 52,02177 6,978226 13,09632 17,44277 453,1957 36,3580219 57 51,37137 5,628628 18,72495 16,82097 431,0107 34,9641620 77 50,72097 26,27903 45,00398 17,29387 443,9896 34,9223921 107 50,07056 56,92944 101,9334 19,18128 577,1787 35,7929922 43 49,42016 -6,420158 95,51326 18,60123 552,8168 34,844723 41 48,76976 -7,769756 87,7435 18,13029 531,4061 34,1536624 51 48,11935 2,880646 90,62415 17,49489 509,6099 32,9659325 30 47,46895 -17,46895 73,1552 17,49385 501,4321 33,9764926 60 46,81855 13,18145 86,33665 17,32799 488,8289 33,5146727 26 46,16814 -20,16814 66,16852 17,43318 485,7892 35,1463428 32 45,51774 -13,51774 52,65078 17,29335 474,9656 35,3997929 13 44,86734 -31,86734 20,78344 17,7959 493,6056 42,6319830 67 44,21693 22,78307 43,56651 17,96214 494,4544 42,344431 0 43,56653 -43,56653 -1,53E-05 18,78809 539,7314 42,344432 42,91612

CFE -1,53E-05 MAPE 42,3444

MAD 18,78809 Y-intercept=63,7290

MSE 539,7314 Slope=-0,6504


0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan LR Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-29. Hasil Peramalan Adhesive (LR)

Hasil peramalan Ballast Lamp dengan metode Linear Regression (LR) ialah

sebagai berikut:

Tabel 4.28. Hasil Peramalan Ballast Lamp (LR)

Month Actual Data


1 60 67,66129 -7,66129 -7,661293 7,661293 58,69541 12,768822 28 65,89678 -37,8968 -45,55807 22,77904 747,4307 74,057243 57 64,13226 -7,13226 -52,69034 17,56345 515,2435 53,54244 64 62,36774 1,632256 -51,05808 13,58065 387,0987 40,79445 89 60,60323 28,39677 -22,66131 16,54387 470,9543 39,016826 86 58,83871 27,16129 4,499973 18,31344 515,4178 37,777837 45 57,0742 -12,0742 -7,574223 17,42212 462,6133 36,214078 112 55,30968 56,69032 49,1161 22,33064 806,5107 38,014369 32 53,54516 -21,5452 27,57093 22,24337 768,4755 41,2715

10 55 51,78065 3,219353 30,79029 20,34097 692,6644 37,7296911 17 50,01613 -33,0161 -2,225845 21,49325 728,7917 51,955412 105 48,25161 56,74839 54,52254 24,43118 936,424 52,1296213 19 46,4871 -27,4871 27,03544 24,66625 922,5099 59,2480314 13 44,72258 -31,7226 -4,687138 25,17027 928,4965 72,4460215 45 42,95807 2,041935 -2,645203 23,62839 866,8747 67,9187916 86 41,19355 44,80645 42,16125 24,95201 938,1711 66,9301517 41 39,42903 1,570969 43,73222 23,57666 883,1298 63,2184818 27 37,66452 -10,6645 33,0677 22,85932 840,3854 61,9006819 23 35,9 -12,9 20,1677 22,33514 804,913 61,594720 17 34,13548 -17,1355 3,032219 22,07516 779,3486 63,5548121 31 32,37096 -1,37096 1,661255 21,08925 742,3263 60,7389822 11 30,60645 -19,6065 -17,94519 21,02185 726,0575 66,0799623 12 28,84193 -16,8419 -34,78712 20,84011 706,8224 69,3090724 40 27,07742 12,92258 -21,86454 20,51021 684,3295 67,767325 21 25,3129 -4,3129 -26,17744 19,86232 657,7004 65,8781126 39 23,54838 15,45162 -10,72582 19,69268 641,587 64,8681627 10 21,78387 -11,7839 -22,50969 19,39976 622,9675 66,8300328 32 20,01935 11,98065 -10,52904 19,13479 605,8449 65,7803729 22 18,25483 3,745167 -6,783875 18,60411 585,4374 64,099130 34 16,49032 17,50968 10,72581 18,56763 576,1425 63,6791


31 4 14,7258 -10,7258 5,72E-06 18,31467 561,2682 70,2747732 12,96128

CFE 5,72E-06 MAPE 70,27477

MAD 18,31467 Y-intercept=69,4258

MSE 561,2682 Slope=-1,7645

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan LR Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-30. Hasil Peramalan Ballast Lamp (LR)

IV.2.5 Winters

Metode Winters yang digunakan ada dua, yaitu:

Holt-Winters Additive Algorithm

Holt-Winters Multiplicative Algorithm

IV.2.5.1 Holt-Winters Additive Algorithm


Metode peramalan ini menggunakan nilai α = 0.1; β = 0.2 γ = 0.3. hasil peramalan

yang diperoleh adalah sebagai berikut:

Hasil peramalan Electrode Paste dengan metode Holt Winters Additive Algorithm

(HWA) ialah sebagai berikut:

Tabel 4.29. Hasil Peramalan Electrode Paste (HWA)

Month Actual Data


1 0 2 240 3 482 4 460 5 520 208,3125 311,6875 311,6875 311,6875 97149,09 59,93996 580 364,465 215,535 527,2225 263,6112 71802,21 48,550557 480 410,813 69,18701 596,4095 198,8032 49463,75 37,171698 460 393,6599 66,34012 662,7496 165,6874 38198,07 31,484219 480 400,7045 79,2955 742,0452 148,409 31816,01 28,49134

10 575 516,2638 58,73621 800,7814 133,4636 27088,33 25,4452911 360 512,8891 -152,889 647,8923 136,2386 26557,87 27,8772712 552 473,7894 78,21063 726,1029 128,9851 24002,75 26,1636913 480 486,786 -6,78604 719,3169 115,4075 21340,89 23,413714 560 587,7316 -27,7316 691,5853 106,6399 19283,71 21,5675315 690 516,3874 173,6126 865,1979 112,7283 20270,76 21,8942416 396 576,6808 -180,681 684,5171 118,391 21302 23,8719217 480 540,0076 -60,0076 624,5095 113,9 19940,38 22,9972818 650 628,0795 21,92053 646,4301 107,33 18550,38 21,595519 480 615,1603 -135,16 511,2697 109,1854 18531,58 22,0330320 430 541,8387 -111,839 399,431 109,3512 18155,1 22,2815321 560 538,9297 21,07025 420,5012 104,1582 17113,27 21,1921822 520 653,1498 -133,15 287,3514 105,7689 17147,47 21,4373723 400 575,1302 -175,13 112,2211 109,4195 17859,21 22,6134424 470 496,1275 -26,1275 86,09363 105,2549 17000,38 21,7607225 368 531,4083 -163,408 -77,3146 108,0241 17462,38 22,8389926 468 575,5848 -107,585 -184,9 108,0041 17194,75 22,8457727 442 479,342 -37,342 -222,242 104,9318 16507,78 22,219828 416 447,6595 -31,6596 -253,901 101,8788 15861,72 21,6110829 404 438,5215 -34,5215 -288,423 99,18453 15274,92 21,0884330 583 506,4368 76,56317 -211,859 98,31448 14912,88 20,7824431 0 447,0352 -447,035 -658,895 111,2301 21762,05 20,7824432 367,1846

CFE -658,895 c=4 T(0)=0

MAD 111,2301 Alpha=0,1 S(1)=-87,1875

MSE 21762,05 Beta=0,2 S(2)=31,5625

MAPE 20,78244 Gamma=0,3 S(3)=45,8125

F(0)=295,5 S(4)=9,8125


0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan HWA Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-31. Hasil Peramalan Electrode Paste (HWA)

Hasil peramalan Adhesive dengan metode Holt Winters Additive Algorithm


Tabel 4.30. Hasil Peramalan Adhesive (HWA)

Month Actual Data


1 37 2 83 3 40 4 29 5 28 6 84 7 58 37,29167 20,70833 20,70833 20,70833 428,835 35,704028 43 65,02667 -22,0267 -1,31834 21,3675 457,0047 43,464429 85 63,29763 21,70237 20,38403 21,47912 461,6673 37,48701

10 61 40,62555 20,37445 40,75847 21,20295 450,03 36,4654411 65 52,72817 12,27183 53,0303 19,41673 390,1436 32,948312 56 61,26596 -5,26596 47,76434 17,05827 329,7414 29,0241713 34 51,2859 -17,2859 30,47844 17,09079 325,3215 32,1408414 84 63,87843 20,12157 50,60001 17,46964 335,266 31,1175215 57 79,20943 -22,2094 28,39059 17,99628 352,8208 31,9893416 55 51,94776 3,052242 31,44283 16,50187 318,4703 29,3453617 91 59,94413 31,05587 62,4987 17,82496 377,1973 29,7800818 59 65,81449 -6,81449 55,68421 16,90742 349,6339 28,2609119 57 52,59259 4,407406 60,09161 15,94589 324,2333 26,6817820 77 78,04673 -1,04673 59,04488 14,88166 301,152 24,8730421 107 80,00043 26,99957 86,04446 15,68952 329,6737 24,8970522 43 65,63339 -22,6334 63,41106 16,12351 341,086 26,6307323 41 79,26154 -38,2615 25,14952 17,42575 407,1365 30,5536724 51 67,22819 -16,2282 8,921333 17,35922 399,1486 30,6240225 30 55,15957 -25,1596 -16,2382 17,76976 411,4568 33,4261926 60 74,65781 -14,6578 -30,8961 17,61416 401,6265 32,9763727 26 81,02408 -55,0241 -85,9201 19,39559 526,6752 41,4837328 32 41,61448 -9,61448 -95,5346 18,95099 506,9372 40,963829 13 49,14601 -36,146 -131,681 19,6986 541,7023 51,2717330 67 40,13661 26,86339 -104,817 19,99714 549,1998 50,80602


31 0 27,69091 -27,6909 -132,508 20,30489 557,9032 50,8060232 47,44609

CFE -132,508 c=6 F(0)=50,1667 S(3)=12,875

MAD 20,30489 Alpha=0,1 T(0)=0 S(4)=-12,375

MSE 557,9032 Beta=0,2 S(1)=-12,875 S(5)=-3,125

MAPE 50,80602 Gamma=0,3 S(2)=12,375 S(6)=3,125

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan HWA Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-32. Hasil Peramalan Adhesive (HWA)

Hasil peramalan Ballast Lamp dengan metode Holt Winters Additive Algorithm


Tabel 4.31. Hasil Peramalan Ballast Lamp (HWA)

Month Actual Data


1 60 2 28 3 57 4 64 5 89 6 86 7 45 8 112 9 32 65,5 -33,5 -33,5 33,5 1122,25 104,6875

10 55 53,81334 1,186665 -32,3133 17,34333 561,8291 53,4225311 17 48,9524 -31,9524 -64,2657 22,21302 714,8713 98,2667812 105 74,13851 30,86149 -33,4042 24,37514 774,2614 81,0480713 19 60,88991 -41,8899 -75,2942 27,87809 970,3621 108,933114 13 45,52837 -32,5284 -107,823 28,65314 984,9842 132,480615 45 37,45242 7,547585 -100,275 25,63806 852,4102 115,950916 86 81,53501 4,464989 -95,81 22,99143 748,351 102,106


17 41 36,02031 4,979687 -90,8303 20,99012 667,9561 92,1103918 27 36,40041 -9,40041 -100,231 19,83115 609,9973 86,3809919 23 20,17488 2,825123 -97,4056 18,28515 555,2686 79,6448220 17 65,1357 -48,1357 -145,541 20,7727 702,0833 96,6036821 31 22,10176 8,898243 -136,643 19,85928 654,1675 91,3806222 11 13,11967 -2,11967 -138,763 18,59216 607,7622 86,2298523 12 18,28629 -6,28629 -145,049 17,77177 569,8792 83,9735824 40 59,25772 -19,2577 -164,307 17,86464 557,4405 81,7342525 21 10,13978 10,86022 -153,447 17,45262 531,5878 79,9684326 39 5,972983 33,02702 -120,42 18,31786 562,6542 80,2304427 10 -3,11269 13,11269 -107,307 18,04391 542,0905 82,909228 32 28,91944 3,080559 -104,226 17,29574 515,4604 79,2450829 22 7,232594 14,76741 -89,4588 17,17534 501,2993 78,6679230 34 -3,19373 37,19373 -52,2651 18,08527 541,3936 80,0645231 4 6,509199 -2,5092 -54,7743 17,40805 518,1284 79,3108532 46,16154

CFE -54,7743 Alpha=0,1 T(0)=0 S(5)=-0,1249987

MAD 17,40805 Beta=0,2 S(1)=-2,124999 S(6)=-9,791665

MSE 518,1284 Gamma=0,3 S(2)=-9,791665 S(7)=-12,45833

MAPE 79,31085 F(0)=67,625 S(3)=-14,125 S(8)=32,875

c=8 S(4)=15,54167

0 5 10 15 20 25 30 35

-20

0

20

40

60

80

100

120

Peramalan HWA Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-33. Hasil Peramalan Ballast Lamp (HWA)

IV.2.5.2 Holt-Winters Multiplicative Algorithm


Metode peramalan ini menggunakan nilai α = 0.1; β = 0.2 γ = 0.3. hasil peramalan

yang diperoleh adalah sebagai berikut:

Hasil peramalan Electrode Paste dengan metode Holt Winters Multiplicative

Algorithm (HWA) ialah sebagai berikut:

Tabel 4.32. Hasil Peramalan Electrode Paste (HWM)

Month Actual Data


1 0 2 240 3 482 4 460 5 520 239,147 280,853 280,853 280,853 78878,42 54,01026 580 360,4192 219,5808 500,4338 250,2169 63547,08 45,934487 480 405,6817 74,3183 574,7521 191,584 44205,79 35,783988 460 396,2126 63,78741 638,5396 159,6349 34171,55 30,304699 480 423,6611 56,33893 694,8785 138,9757 27972,05 26,59121

10 575 528,4111 46,58893 741,4674 123,5779 23671,8 23,5097411 360 515,9069 -155,907 585,5605 128,1963 23762,54 26,3379912 552 475,5601 76,43991 662,0004 121,7268 21522,6 24,7767213 480 503,3086 -23,3086 638,6918 110,7914 19191,57 22,563314 560 606,0331 -46,0331 592,6587 104,3156 17484,32 21,1289915 690 516,5636 173,4364 766,0951 110,5993 18629,39 21,4932416 396 579,3818 -183,382 582,7133 116,6645 19879,35 23,5611817 480 550,4389 -70,4389 512,2744 113,1087 18731,84 22,8776118 650 647,7032 2,296753 514,5711 105,1936 17394,23 21,2687319 480 615,0825 -135,083 379,4886 107,1862 17451,1 21,7269620 430 539,5825 -109,583 269,9061 107,3359 17110,92 21,961821 560 542,5276 17,47241 287,3785 102,0498 16122,36 20,8534622 520 667,2484 -147,248 140,1302 104,5609 16431,23 21,268123 400 574,1785 -174,179 -34,0483 108,2249 17163,17 22,4405524 470 494,8956 -24,8956 -58,944 104,0585 16336 21,5833725 368 534,0782 -166,078 -225,022 107,0118 16871,53 22,7046326 468 580,2589 -112,259 -337,281 107,2503 16677,46 22,7629227 442 479,7412 -37,7412 -375,022 104,2282 16014,28 22,1444828 416 449,8682 -33,8682 -408,89 101,2965 15394,81 21,5610129 404 442,2794 -38,2794 -447,17 98,7758 14837,63 21,0775830 583 504,8337 78,16632 -369,004 97,98312 14501,96 20,7825831 0 445,7315 -445,732 -814,735 110,8627 21323,24 20,7825832 370,3363

CFE -814,735 c=4 T(0)=0

MAD 110,8627 Alpha=0,1 S(1)=0,809296

MSE 21323,24 Beta=0,2 S(2)=1,069036

MAPE 20,78258 Gamma=0,3 S(3)=1,100205

F(0)=295,5 S(4)=1,021463


0 5 10 15 20 25 30 350

100

200

300

400

500

600

700

800

Peramalan HWM Electrode Paste

Actual DataForecast

Month

Usag

e

Gambar IV-34. Hasil Peramalan Electrode Paste (HWM)

Hasil peramalan Adhesive dengan metode Holt Winters Multiplicative Algorithm


Tabel 4.33. Hasil Peramalan Adhesive (HWM)

Month Actual Data


1 37 2 83 3 40 4 29 5 28 6 84 7 58 39,28842 18,71158 18,71158 18,71158 350,1232 32,261348 43 64,08712 -21,0871 -2,37554 19,89935 397,3949 40,650589 85 62,56709 22,43291 20,05737 20,74387 432,675 35,8976

10 61 42,55424 18,44576 38,50312 20,16934 409,5677 34,4829411 65 54,04977 10,95023 49,45335 18,32552 351,6357 30,9556512 56 62,52965 -6,52965 42,9237 16,35954 300,1358 27,7397313 34 52,62843 -18,6284 24,29527 16,68367 306,8333 31,6039814 84 64,06907 19,93093 44,2262 17,08958 318,1344 30,6193915 57 81,44157 -24,4416 19,78463 17,90647 349,1629 31,9816816 55 52,83494 2,165058 21,94968 16,33232 314,7153 29,1771617 91 60,84015 30,15985 52,10953 17,58937 368,7972 29,5376618 59 66,74781 -7,74781 44,36172 16,76924 343,0665 28,1705219 57 52,01173 4,988274 49,34999 15,86301 318,5909 26,6767320 77 80,17792 -3,17792 46,17208 14,95693 296,5557 25,0660521 107 83,53838 23,46162 69,6337 15,52391 313,4818 24,8567622 43 64,11481 -21,1148 48,51889 15,87334 321,7539 26,3722323 41 79,66888 -38,6689 9,850014 17,21426 390,785 30,3688224 51 67,12951 -16,1295 -6,2795 17,154 383,5281 30,4386925 30 53,85064 -23,8506 -30,1301 17,50645 393,282 33,0209826 60 73,81359 -13,8136 -43,9437 17,32181 383,1587 32,5210627 26 79,85249 -53,8525 -97,7962 19,06136 503,0126 40,8355428 32 44,73008 -12,7301 -110,526 18,77358 487,5146 40,7876229 13 50,38747 -37,3875 -147,914 19,58288 527,0932 51,5184230 67 42,01726 24,98274 -122,931 19,80787 531,1367 50,9254831 0 32,7556 -32,7556 -155,687 20,32578 552,8083 50,9254832 42,84683


CFE -155,687 c=6 F(0)=50,1667 S(3)=1,216842

MAD 20,32578 Alpha=0,1 T(0)=0 S(4)=0,7915789

MSE 552,8083 Beta=0,2 S(1)=0,7831579 S(5)=0,9473684

MAPE 50,92548 Gamma=0,3 S(2)=1,208421 S(6)=1,052632

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan HWM Adhesive

Actual DataForecast

Month

Usag

e

Gambar IV-35. Hasil Peramalan Adhesive (HWM)

Hasil peramalan Ballast Lamp dengan metode Holt Winters Multiplicative

Algorithm (HWA) ialah sebagai berikut:

Tabel 4.34. Hasil Peramalan Ballast Lamp (HWM)

Month

Actual Data


1 60 2 28 3 57 4 64 5 89 6 86 7 45 8 112 9 32 64,53184 -32,53184 -32,53184 32,53184 1058,32 101,662

10 55 50,14347 4,856529 -27,67531 18,69418540,953

2 55,2460311 17 44,25681 -27,25681 -54,93212 21,54839 608,28 90,27541

12 105 77,84602 27,15398 -27,77813 22,94979640,544

7 74,17179

13 19 59,27192 -40,27192 -68,05006 26,41422836,801

3 101,7289

14 13 42,34344 -29,34344 -97,3935 26,90242840,840

7 122,393915 45 34,72342 10,27658 -87,11692 24,5273 735,807 108,1715


5

16 86 79,6531 6,346901 -80,77002 22,25475648,866

9 95,57256

17 41 36,69344 4,306564 -76,46346 20,26051578,831

4 86,12048

18 27 35,12969 -8,129688 -84,59314 19,04742527,557

4 80,51942

19 23 22,99522 4,78E-03 -84,58836 17,31627479,597

6 73,2013620 17 55,22678 -38,22678 -122,8151 19,05882 561,405 85,83987

21 31 26,0763 4,923704 -117,8914 17,9715520,084

9 80,45857

22 11 19,25772 -8,257717 -126,1492 17,27766487,806

7 80,0736823 12 20,77278 -8,772783 -134,9219 16,71067 460,417 79,60921

24 40 38,56968 1,430317 -133,4916 15,75564431,768

8 74,85712

25 21 16,10304 4,896959 -128,5947 15,1169407,781

3 71,8254626 39 12,65724 26,34276 -102,2519 15,74056 423,679 71,58768

27 10 10,2458 -0,2457972 -102,4977 14,92504401,383

3 67,94928

28 32 18,09984 13,90016 -88,59754 14,8738390,974

9 66,7237229 22 12,3592 9,640799 -78,95674 14,62461 376,783 65,63315

30 34 7,768291 26,23171 -52,72503 15,15221390,933

9 66,15674

31 4 12,41373 -8,413731 -61,13876 14,85923377,014

6 72,4257232 27,36544

CFE -61,13876 c=8 T(0)=0 S(5)=0,997309

MAD 14,85923 Alpha=0,1 S(1)=0,9542601 S(6)=0,789238

MSE 377,0146 Beta=0,2 S(2)=0,7892377 S(7)=0,731839

MAPE 72,42572Gamma=0,3 S(3)=0,6959642 S(8)=1,707623

F(0)=67,625 S(4)=1,334529

0 5 10 15 20 25 30 350

20

40

60

80

100

120

Peramalan HWM Ballast Lamp

Actual DataForecast

Month

Usag

e

Gambar IV-36. Hasil Peramalan Ballast Lamp (HWM)


IV.2.6 Ringkasan Hasil Peramalan

Berikut merupakan ringkasan keseluruhan dari hasil peramalan yang dilakukan.

Data yang dikemukakan adalah data efektifitas peramalan dari setiap metode

peramalan yang dilakukan.

Tabel 4.35. Ringkasan Hasil Peramalan Electrode Paste (Efektivitas Peramalan)

No Metode Forecast CFE MAD MSE MAPE

1 SA 451,1613 1773,01 122,6069 26653,02 23,62185

2 3-MA 350,75 -198,25 94,0463 17683,68 16,28898

3 3-MAT 83,49998 -750 123,9259 28698,61 22,20466

4 SES 407,7279 4077,279 180,7348 54246,05 35,02538

5 SEST 304,4123 -1306,54 191,0693 51757,29 41,03907

6 DES 397,2848 7642,399 281,1549 104664,8 56,22621

7 DEST 419,3314 116,0352 153,584 37345,91 31,6618

8 AES 507,5877 576,2596 105,5532 23875,76 20,65824

9 LR 450,8129 5,19E-04 97,15926 21667,71 15,60372

10 HWA 367,1846 -658,895 111,2301 21762,05 20,78244

11 HWM 370,3363 -814,735 110,8627 21323,24 20,78258

Tabel 4.36. Ringkasan Hasil Peramalan Adhesive (Efektivitas Peramalan)


1 SA 53,32258 -34,3382 20,71666 674,3842 47,70379

2 3-MA 33 -81,3333 19,33334 541,7045 43,41728

3 3-MAT 13,40001 -46,7336 21,60267 712,204 41,05053

4 SES 39,76958 -175,827 22,58927 720,4622 53,69656

5 SEST 39,76958 -175,827 22,58927 720,4622 53,69656

6 DES 52,39246 222,1783 22,28357 760,5478 45,48098

7 DEST 35,9074 -86,7636 21,26323 643,5687 47,97173

8 AES -30,0927 317,6169 15,71543 541,1413 24,23416

9 LR 42,91612 -1,53E-05 18,78809 539,7314 42,3444

10 HWA 47,44609 -132,508 20,30489 557,9032 50,80602

11 HWM 42,84683 -155,687 20,32578 552,8083 50,92548

Tabel 4.37. Ringkasan Hasil Peramalan Ballast Lamp (Efektivitas Peramalan)


1 SA 41,19355 -384,168 27,45633 928,8149 141,6997

2 3-MA 25,25 -239,25 21,18478 678,2092 119,6186

3 3-MAT 13,67857 -75,4286 24,7236 1041,152 112,4429

4 SES 29,93233 -300,677 23,43278 773,9896 117,6745

5 SEST 9,091226 -106,845 22,61181 717,4264 89,06353


6 DES 41,49023 -455,707 27,4831 948,3193 146,8408

7 DEST 17,09021 -128,421 22,28263 718,2365 94,43531

8 AES 15,40392 -56,7245 19,10992 610,6558 71,96138

9 LR 12,96128 5,72E-06 18,31467 561,2682 70,27477

10 HWA 46,16154 -54,7743 17,40805 518,1284 79,31085

11 HWM 27,36544 -61,1388 14,85923 377,0146 72,42572

IV.3 Analisis

Semakin mendekati nol nilai-nilai efektivitas peramalan, maka semakin baik pula

hasil peramalan yang digunakan. Oleh karena itu, untuk mengetahui metode

peramalan terbaik yang dapat digunakan untuk setiap material, maka ringkasan

hasil peramalan yang telah diberikan akan diurutkan berdasarkan nilai yang paling

mendekati nol untuk setiap parameter yang ada.

Nilai CFE (Cummulative Forecast Error), merupakan jumlah seluruh forecast

error. Nilai CFE memberikan gambaran jumlah kelebihan atau kekurangan

material yang terjadi apabila perusahaan menggunakan metode tersebut dalam

peramalan. Nilai CFE tidak dapat memberikan gambaran metode peramalan yang

terbaik, karena setiap kesalahan yang terjadi dapat saling meniadakan akibat nilai

positif (+) atau negatif (-). Dengan demikian, nilai CFE tidak dapat digunakan

dalam pemilihan metode peramalan terbaik, tetapi hanya dapat digunakan sebagai

gambaran jumlah kelebihan atau kekurangan barang yang akan terjadi saat

pemilihan metode peramalan diputuskan.

Nilai MAD (Mean Absolute Deviation), merupakan rataan nilai absolut dari setiap

forecast error yang dihasilkan suatu metode peramalan. Nilai MAD digunakan

untuk mengetahui seberapa besar rata-rata kesalahan yang akan terjadi apabila

perusahaan menggunakan metode tersebut. Nilai MAD memberikan gambaran

yang baik dalam melihat kesalahan peramalan yang terjadi, karena kesalahan yang

terjadi dimutlakkan, sehingga hasilnya dapat diketahui jelas kesalahan peramalan

yang terjadi.


Nilai MSE (Mean Squared Error), merupakan nilai rataan dari kuadrat nilai

forecast error. Nilai MSE merupakan gambaran nilai varians yang terjadi dari

hasil peramalan tersebut.

Nilai MAPE (Mean Absolute Percentage Error), merupakan rataan nilai

persentase dari jumlah absolut forecast error. Nilai ini memberikan gambaran

yang serupa dengan nilai MAD, akan tetapi dalam bentuk persentase terhadap

nilai aktual.

Berdasarkan keempat parameter efektivitas peramalan yang dijelaskan di atas,

dalam memilih metode peramalan yang terbaik, digunakan nilai MAD yang

terkecil, karena semakin kecil kesalahan yang terjadi pada suatu hasil peramalan,

maka semakin baik pula hasil peramalan tersebut.

IV.3.1 Pemilihan Metode Peramalan

Dalam pemilihan metode peramalan ini, nilai MAD yang dimiliki setiap metode

akan diurutkan mulai dari nilai terkecil. Apabila terjadi kesamaan nilai MAD,

maka pertimbangan lainnya menggunakan nilai MAPE, MSE, kemudian nilai

CFE.

Urutan hasil peramalan yang didapat berdasarkan nilai MAD untuk ketiga produk


Tabel 4.38. Urutan Hasil Peramalan Electrode Paste Berdasarkan Nilai MAD


1 3-MA 350,75 -198,25 94,0463 17683,68 16,28898

2 LR 450,8129 5,19E-04 97,15926 21667,71 15,60372

3 AES 507,5877 576,2596 105,5532 23875,76 20,65824

4 HWM 370,3363 -814,735 110,8627 21323,24 20,78258

5 HWA 367,1846 -658,895 111,2301 21762,05 20,78244

6 SA 451,1613 1773,01 122,6069 26653,02 23,62185

7 3-MAT 83,49998 -750 123,9259 28698,61 22,20466

8 DEST 419,3314 116,0352 153,584 37345,91 31,6618

9 SES 407,7279 4077,279 180,7348 54246,05 35,02538

10 SEST 304,4123 -1306,54 191,0693 51757,29 41,03907

11 DES 397,2848 7642,399 281,1549 104664,8 56,22621


Berdasarkan tabel di atas, hasil peramalan Electrode Paste, yang memiliki nilai

MAD terbaik ialah metode Moving Average (3MA) dengan nilai sebesar 94,0463

≈ 94. Hasil ini menyatakan rata-rata kesalahan peramalan yang terjadi, baik

kelebihan ataupun kekurangan material sebesar 94 buah.

Tabel 4.39. Urutan Hasil Peramalan Adhesive Berdasarkan Nilai MAD


1 AES -30,0927 317,6169 15,71543 541,1413 24,23416

2 LR 42,91612 -1,53E-05 18,78809 539,7314 42,3444

3 3-MA 33 -81,3333 19,33334 541,7045 43,41728

4 HWA 47,44609 -132,508 20,30489 557,9032 50,80602

5 HWM 42,84683 -155,687 20,32578 552,8083 50,92548

6 SA 53,32258 -34,3382 20,71666 674,3842 47,70379

7 DEST 35,9074 -86,7636 21,26323 643,5687 47,97173

8 3-MAT 13,40001 -46,7336 21,60267 712,204 41,05053

9 DES 52,39246 222,1783 22,28357 760,5478 45,48098

10 SES 39,76958 -175,827 22,58927 720,4622 53,69656

11 SEST 39,76958 -175,827 22,58927 720,4622 53,69656

Berdasarkan tabel di atas, hasil peramalan Adhesive, yang memiliki nilai MAD

terbaik ialah metode Adaptive Exponential Smoothing (AES) dengan nilai sebesar

15,71543 ≈ 16. Hasil ini menyatakan rata-rata kesalahan peramalan yang terjadi,

baik kelebihan ataupun kekurangan material sejumlah 16 buah.

Tabel 4.40. Urutan Hasil Peramalan Ballast Lamp Berdasarkan Nilai MAD


1 HWM 27,36544 -61,1388 14,85923 377,0146 72,42572

2 HWA 46,16154 -54,7743 17,40805 518,1284 79,31085

3 LR 12,96128 5,72E-06 18,31467 561,2682 70,27477

4 AES 15,40392 -56,7245 19,10992 610,6558 71,96138

5 3-MA 25,25 -239,25 21,18478 678,2092 119,6186

6 DEST 17,09021 -128,421 22,28263 718,2365 94,43531

7 SEST 9,091226 -106,845 22,61181 717,4264 89,06353

8 SES 29,93233 -300,677 23,43278 773,9896 117,6745

9 3-MAT 13,67857 -75,4286 24,7236 1041,152 112,4429

10 SA 41,19355 -384,168 27,45633 928,8149 141,6997

11 DES 41,49023 -455,707 27,4831 948,3193 146,8408


Berdasarkan tabel di atas, hasil peramalan Ballast Lamp, yang memiliki nilai

MAD terbaik ialah metode Holt Winter Multiplicative Algorithm (HWM) dengan

nilai sebesar 14,85923 ≈ 15. Hasil ini menyatakan rata-rata kesalahan peramalan

yang terjadi, baik kelebihan ataupun kekurangan material sejumlah 15 buah.

IV.3.2 Perhitungan ROP

Berdasarkan hasil peramalan terbaik yang telah ditentukan dan digababungkan

dengan nilai lainnya, maka nilai ROP dapat dihitung menggunakan nilai rataan

usage hasil peramalan. Perhitungan nilai ROP dilakukan untuk seluruh material

yang diramalkan dengan hasil peramalan terbaik.

Perhitungan ROP dilakukan untuk memperkirakan waktu yang ditentukan untuk

memesan material kembali berdasarkan hasil peramalan terbaik yang telah

dilakukan.

Perhitungan nilai ROP dapat dilakukan dengan persamaan berikut

ROP=(MFU ×L /T

30.42 )+ (K × MAD ) (Pers. 2-33)

Dimana:

MFU = Forecast usage untuk periode mendatang

L/T = lead time (days)

K = K-Factor (berdasarkan ServiceLevel)

MAD = Mean Absolute Deviation

30.42 = average days per month

IV.3.2.1 Perhitungan ROP Electrode Paste


Hasil yang akan digunakan ialah hasil dari metode peramalan Moving Average.

Diketahui:

MFU = 476,8929 ≈ 477 unit

L/T = 140 hari

K = 5 (Criticality A)

MAD = 94,0463 ≈ 94

Ditanyakan: ROP?

Jawab :

ROP=(MFU ×L /T

30.42 )+ (K × MAD )

ROP=(477 ×140

30.42 )+(5 ×94 )

ROP=2195,27+470

ROP=2665,27 ≈ 2665 unit

Berdasarkan perhitungan di atas, maka pemesanan material kembali dilakukan

setelah jumlah material dalam gudang sebesar 2.655 unit.

IV.3.2.2 Perhitungan ROP Adhesive

Hasil yang akan digunakan ialah hasil dari metode peramalan Adaptive

Exponential Smoothing (AES).

Diketahui:


MFU = 40,9126≈ 41 unit

L/T = 12 hari

K = 1,6 (Criticality B)

MAD = 15,71543 ≈ 16

Ditanyakan: ROP?

Jawab :

ROP=(MFU ×L /T

30.42 )+ (K × MAD )

ROP=(41×12

30.42 )+ (1,6 ×16 )

ROP=16,17+25,6

ROP=41,77 ≈ 42 unit


setelah jumlah material dalam gudang sebesar 42 unit.

IV.3.2.3 Perhitungan ROP Ballast Lamp

Hasil yang akan digunakan ialah hasil dari metode peramalan Holt Winter

Multiplicative Algorithm (HWM).

Diketahui:

MFU = 34,354 ≈ 34 unit

L/T = 114 hari

K = 1.25 (Criticality C)

MAD = 14,85923 ≈ 15


Ditanyakan: ROP?

Jawab :

ROP=(MFU ×L /T

30.42 )+ (K × MAD )

ROP=(34 ×114

30.42 )+(1.25 ×15 )

ROP=127,42+18,75

ROP=146,17 ≈ 146 unit


setelah jumlah material dalam gudang sebesar 146 unit.

IV.3.3 Perhitungan ROQ

Untuk mengetahui jumlah barang yang harus dipesan kembali pada saat ROP,

maka dilakukan penghitungan ROQ dengan menggunakan metode EOQ untuk

mendapatkan nilai yang paling optimal.

Perhitungan ROQ dilakukan untuk mengetahui jumlah barang yang dipesan pada

saat ROP yang telah dilakukan sebelumnya.

Perhitungan nilai ROQ didapatkan dengan metode EOQ sebagai berikut:

EOQ=√ 2 RPCI

(Pers. 2-34)

dimana:

R = annual usage (jumlah penggunaan barang tahunan, unit)


P = ordering cost ($)

C = harga per unit ($)

I = holding cost (%)

IV.3.3.1 Perhitungan ROQ Electrode Paste

Perhitungan ROQ untuk Electrode Paste ialah sebagai berikut:

Diketahui:

R = 6116 unit

P = $32C = $146,9649

I = 21%

Ditanyakan : ROQ?

Jawab:

EOQ=√ 2 RPCI

EOQ=√ 2 (6116 )($ 32)( $ 146,9649 )(21 %)

EOQ=√ 39142431,863

EOQ=√12284,59

EOQ=110,84≈ 111unit

IV.3.3.2 Perhitungan ROQ Adhesive

Perhitungan ROQ untuk Adhesive ialah sebagai berikut:

Diketahui:


R = 756 unit

P = $32

C = $10

I = 21%

Ditanyakan : ROQ?

Jawab:

EOQ=√ 2 RPCI

EOQ=√ 2 (756 )($ 32)( $10 )(21 % )

EOQ=√ 483842,1

EOQ=√23040

EOQ=151,789 ≈152 unit

IV.3.3.3 Perhitungan ROQ Ballast Lamp

Perhitungan ROQ untuk Ballast Lamp ialah sebagai berikut:

Diketahui:

R = 365 unit

P = $32

C = $31,1575

I = 21%

Ditanyakan : ROQ?

Jawab:

EOQ=√ 2 RPCI

EOQ=√ 2 (365 )($ 32)( $ 31,1575 )(21 %)


EOQ=√ 233606,5431

EOQ=√3570,173

EOQ=59,75 ≈ 60unit

Nilai ROP dihitung dengan mempertimbangkan lead time, hasil peramalan usage

dan safety stock, sedangkan ROQ dihitung dengan mempertimbangkan biaya

penanganan material, harga jual produk, biaya setiap pemesanan, dan

diasumsikan tidak ada nilai lead time; sehingga nilai ROP dan ROQ tidak dapat

disamakan penggunaannya karena asumsi lead time yang berbeda.

BAB V

KESIMPULAN DAN SARAN

V.1 Simpulan

Berdasarkan tinjauan perusahaan yang dijelaskan di Bab III,

pengumpulan data, pengolahan data, serta analisis yang dilakukan di Bab IV,maka

pada bab ini akan diambil kesimpulan-kesimpulan berdasarkan penelitian yang

telah dilakukan. Kesimpulan yang didapat akan menjawab tujuan penelitian yang

ada pada Bab I Pendahuluan. Adapun kesimpulan – kesimpulan yang didapat

adalah :

1. Pengelolaan material di perusahaan mining, berbeda dengan

perusahaan manufaktur. Perusahaan mining lebih menitikberatkan

pada pengelolaan barang MRO (Maintenance, Repairable, and

Operation). Hal ini dikarenakan perusahaan bukanlah perusahaan

manufaktur yang memiliki bahan baku utama, sedangkan dalam

perusahaan pertambangan, tidak ada bahan baku primer,

melainkan bahan baku pembantu sehingga jumlahnya tidak

banyak dan langsung digunakan.

2. Salah satu cara dalam mengelola persediaan barang ialah dengan

meramalkan penggunaan barang tersebut agar didapat hasil yang

optimal dalam penyediaan barang. Satu metode peramalan tidak

dapat digunakan pada seluruh barang karena bergantung pada

karakteristik data yang dimilikinya. Nilai MAD, CFE, MSE, dan

MAPE merupakan nilai yang menjelaskan performansi suatu

metode peramalan dalam meramalkan suatu barang. Nilai MAD

(mean absolute deviation) menjadi faktor penentu dalam memilih

metode peramalan terbaik karena menjelaskan mengenai rataan

kesalahan yang akan didapat untuk setiap metode peramalan yang

digunakan.

Bab V Kesimpulan dan Saran V-2

3. Hasil peramalan digunakan untuk menghitung titik pesan kembali

(ROP) dan juga jumlah pesan kembali (ROQ). Semakin kecil nilai

kesalahan (MAD), maka semakin optimal hasil yang didapat

dalam menghitung ROP dan ROQ.

4. Nilai ROP dan ROQ memiliki pertimbangan lead time yang

berbeda, sehingga nilai ROP dan ROQ tidak dapat digabungkan

dalam kasus penggunaan barang yang sangat besar dengan lead

time yang besar pula.

V.2 Saran

Setelah melakukan penelitian terhadap perusahaan, maka saran yang dapat

diberikan kepada PT. INCO, Tbk. diantaranya:

1. Dalam pengelolaan barang, hendaknya secara berkala dicek agar

setiap data dapat terkelola dengan baik.

2. Dalam peramalan suatu material, sebaiknya terlebih dahulu

memperhatikan pola data yang terjadi dalam beberapa periode.

3. Untuk mencegah terjadinya perbedaan jumlah barang antara

sistem dan kenyataan, sebaiknya dapat dibuat sebuah sistem yang

lebih baik untuk pengambilan material dari gudang, sehingga

apabila barang diambil oleh user, sistem dapat secara otomatis

meng-update jumlah material.

DAFTAR PUSTAKA

Assauri, Sofjan. 1984. Teknik dan Metoda Peramalan Penerapannya dalam

Ekonomi dan Dunia Usaha. Jakarta: Lembaga Penerbit Fakultas Ekonomi

Universitas Indonesia

Inco. 2008. Behind Our Energy Conservation Strategy, 2008 Annual Report.

John Higgs Consulting. 2005. Advanced Inventory Management

Makridakis, S., S. Wheelwright dan Victor McGee.1999.Metode dan Aplikasi

Peramalan Jilid 2. Jakarta: Binarupa Aksara

Nasution, Arman H. 2005. Manajemen Industri. Yogyakarta: Penerbit Andi

Nasution, Arman H. 1999. Perencanaan dan Pengendalian Produksi. Jakarta:

Guan Widya

Yamit, Zulian. 2005. Manajemen Persediaan. Yogyakarta: Ekonisia

Aorora, Warehouse Management, [on line, Available :

http://aororaperations.wordpress.com, May 2005]

www.pt-inco.co.id

xvi

http://www.pt-inco.co.id/

http://aororaperations.wordpress.com/