analisis kebutuhan luas gudang bahan baku di pt. …
TRANSCRIPT
1
ANALISIS KEBUTUHAN LUAS GUDANG
BAHAN BAKU DI PT. PCI
Oleh
Dyah Retno Wulandari
NIM. 004201205096
Diajukan untuk Memenuhi Persyaratan Akademik
Mencapai Gelar Strata Satu
pada Fakultas Teknik
Program Studi Teknik Industri
2016
2
DAFTAR ISTILAH
Time series : Sebuah urutan pengamatan pada variabel
yang diukur pada titik-titik yang berurutan
dalam waktu atau periode berturut-turut.
Horizontal pattern : Pola horisontal terjadi ketika data
berfluktuasi di sekitar rata-rata yang konstan
Flow Chart : Diagram yang menunjukkan urutan suatu
proses
Trend pattern : Pola trend ada jika time series plot yang
menunjukkan pergeseran bertahap atau
gerakan untuk nilai-nilai relatif lebih tinggi
atau lebih rendah selama periode waktu yang
lebih lama
Seasonal pattern : Pola musiman ada jika time series plot yang
menunjukkan pola yang berulang selama
periode berturut-turut
Forecast error : Perbedaan antara nilai time series aktual dan
ramalan
Mean absolute Deviation : Rata-rata dari nilai absolut dari kesalahan
perkiraan
Mean absolute presentage
error
: Rata-rata dari nilai absolut dari kesalahan
perkiraan persentase
Moving Average : Sebuah metode peramalan yang
menggunakan rata-rata nilai k data terbaru
dalam seri waktu sebagai perkiraan untuk
periode berikutnya
3
DAFTAR SINGKATAN
MA : Moving Average
LR : Linear Regression
LRS : Linear Regression with Seasonal factor
FITS : Forecast Including Trend and Seasonal factor
AD : Absolute Deviation
MAD : Mean Absolute Deviation
APE : Absolute Percent Error
MAPE : Mean Absolute Percent Error
CPE : Cement Performance Enhancer
RGA : Regular Grinding Aid
CA : Concrete Admixtures
NA : Not Available
LT : Lead Time
PM : Pemakaian Maksimum
PR : Pemakaian Rata-rata
SS : Safety Stock
IBC : Intermediate Bulk Container
ABSTRAK
PT. PCI adalah perusahaan yang bergerak di bidang bahan kimia khusus untuk
konstruksi, spesialisasi pada semen dan beton, pembukaan beberapa pabrik baru
semen dan beton dengan produk yang meminimalisir bahan alami, serta
permintaan pasar yang semakin meningkat mendorong PT. PCI menambah
kapasitas produksinya. Hal ini memberikan dampak pada kebutuhan luas gudang
bahan baku yang ikut meningkat. Dimana gudang adalah faktor mutlak yang
sangat diperlukan untuk penyimpanan material. Dari beberapa faktor yang ada,
dalam penelitian ini dibahas satu faktor yang paling mempengaruhi kebutuhan
gudang di PT. PCI. Faktor yang paling menentukan itu adalah tingkatan dan pola
kebutuhan pasar. Selain itu, permasalahan lain adalah selama ini PT. PCI hanya
menggunakan forecasting metode kualitatif. Dimana metode ini kurang tepat dan
subyektif. Maka dalam penelitian ini juga akan dicari metode kuantitatif yang
paling tepat, dengan cara membandingkan tiga metode kuantitatif, yaitu Simple
Linear Regression, Linear Regression with Seasonal Factor dan Moving Average.
Dalam hal ini yang dijadikan dasar penelitian adalah permintaan pasar di tahun
2013, 2014, dan 2015. Dan dari hasil penelitian diperoleh bahwa metode
kuantitatif yang paling tepat adalah Linear Regression with Seasonal Factor. Hal
ini dapat dibuktikan bahwa penyimpangan dan error forecast Linear Regression
with seasonal factor lebih rendah dibandingkan dengan metode kuantiitatif yang
lain. Dimana Moving Average sebesar 23.9 %, Simple Linear Regression sebesar
12.7 % dan Linear Regression with Seasonal Factor sebesar 10.2 %. Sedang
gudang yang dibutuhkan untuk menampung material yang ada di PT. PCI adalah
2631.6 m2.
Kata kunci: forecasting, Simple Linear Regression, Linear Regression with
Seasonal Factor, Moving Average, Mean Absolute Deviation, Mean Absolute
Percent Error, kebutuhan luas gudang bahan baku.
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Semakin maju peradaban manusia, semakin meningkatnya pula pertumbuhan
ekonomi. Hal ini juga memberikan dampak terhadap meningkatnya pertumbuhan
industri. Di berbagai sektor, industri berkembang sangat pesat. Tenaga manusia
banyak yang disinergikan dengan berbagai macam alat penunjang produksi.
Mesin-mesin serta berbagai alat penunjang lain sangat diperlukan untuk memacu
peningkatan produksi. Dampak penting lain adalah meningkatnya pembangunan
infrastruktur di berbagai sektor. Pembangunan infrastruktur yang signifikan untuk
mendongkrak pembangunan nasional memiliki peran yang sangat penting dalam
memenuhi kebutuhan dasar rakyat seperti transportasi, air, bangunan dan fasilitas
publik. Pembangunan infrastruktur ini membutuhkan bahan konstruksi termasuk
diantaranya beton dan semen.
PT. PCI adalah perusahaan yang bergerak di bidang bahan kimia khusus untuk
konstruksi, spesialisasi pada bahan kimia khusus untuk beton dan semen. Dengan
rata-rata permintaan 630 ton per bulan pada tahun 2015 dan proporsi penjualan
76.86 % lokal dan 23.14 % ekspor. Ekspor yang dijangkau masih di negara Asia.
Sementara pasar lokal yang dijangkau adalah baru diangka 40 %.
Pasar konstruksi yang semakin berkembang menuntut kesiapan perusahaan untuk
menanggapinya. Dalam hal ini profesionalisme menjadi target yang tidak bisa
ditawar. Tuntutan konsumen harus dijawab dengan pelayanan terbaik, mulai dari
kualitas produk hingga pelayanan pasca produksi. Inilah yang terjadi di PT. PCI.
Ekspansi pasar lokal dan ekspor berdampak positif terhadap meningkatnya
penjualan.
Pelayanan pelanggan marupakan output dari sistem logistik, yang bertujuan
memberikan produk yang tepat ke pelanggan yang tepat serta pada tempat,
kondisi, dan waktu yang tepat. Pelayanan pelanggan yang baik mendukung
kepuasan pelanggan, yang hasil akhirnya adalah meningkatnya penjualan.
2
Pelayanan pelanggan yang baik mensyaratkan pengiriman standar 24 jam yang
artinya perusahaan selalu siap kirim kapanpun ada permintaan. Untuk memenuhi
permintaan pasar yang seperti ini perusahaan harus menyediakan stok yang cukup
baik itu produk jadi maupun bahan baku, besarannya harus terukur dengan baik
agar biaya dapat diminimalisir dengan hasil yang maksimal. Saat membahas
tentang stok maka hal yang menjadi perhatian khusus adalah tempat penyimpanan
atau gudang. Luas gudang harus mampu menampung semua stok dan fasilitasnya.
Saat ini gudang yang dimiliki oleh PT. PCI sudah tidak memadai, tidak dapat
menampung stok bahan baku dan produk jadi yang ada, terkadang sebagian dari
barang-barang tersebut atau sekedar tanki kosong masih disusun di halaman.
Kapasitas gudang menjadi poin penting dalam penelitian ini untuk mendukung
pemenuhan permintaan pelanggan yang akhirnya pada pencapaian kepuasan
pelanggan disamping efisiensi dapat dicapai baik pula.
Hal lain yang tidak terpisahkan, jika kita membahas tentang stok material di
gudang adalah terkait dengan peramalan (forecasting). Sebab dengan adanya
forecasting yang baik, maka kebutuhan akan luasan gudang dapat direncanakan
dengan baik. Sehubungan dengan hal tersebut, kondisi yang ada di PT. PCI saat
ini, forecasting yang dipakai masih menggunakan metode kualitatif. Metode
tersebut masih terlalu subyektif, dan kurang efektif untuk digunakan sebagai
peramalan peningkatan permintaan. Dimana kita tahu bahwa peningkatan
permintaan terkait erat dengan kebutuhan akan kapasitas gudang. Maka dalam
penelitian ini juga akan dicari metode forecasting kuantitatif yang paling baik,
yang dapat digunakan oleh PT. PCI.
1.2 Rumusan Masalah
Fokus dari penelitian ini adalah untuk menentukan :
Apakah metode forecasting yang paling baik untuk digunakan dalam
menghitung peningkatan permintaan PT. PCI?
Berapa kapasitas gudang bahan baku yang dibutuhkan PT. PCI sekarang ini ?
3
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah:
Menentukan metode forecast yang paling baik dalam menghitung kenaikan
permintaan di PT. PCI
Menentukan kebutuhan luas gudang bahan baku yang diperlukan umtuk
menampung kenaikan permintaan pasar tersebut.
1.4 Batasan Masalah
1. Penelitian dilakukan di gudang PT. PCI.
2. Data penelitian yang digunakan adalah data selama tahun 2013, 2014 dan
2015.
3. Penelitian ini fokus pada kebutuhan kapasitas gudang bahan baku tanpa
memperhitungkan gudang bahan jadi ataupun ruang produksi.
1.5 Asumsi
1. Tangki penampungan menggunakan IBC (intermediate bulk container).
2. Jadwal dan jumlah pembelian raw material dan pembuatan produk jadi telah
sesuai dengan kebutuhan.
1.6 Sistematika Penulisan
Penelitian mengenai analisis kebutuhan gudang di PT. PCI ini menggunakan
sistematika penulisan sebagai-berikut:
BAB I PENDAHULUAN
Pada bab ini dijelaskan latar belakang masalah yang mendorong dilakukannya
penelitian tersebut. Rumusan permasalahan dan tujuan penelitian dijelaskan dalam
bab ini untuk memberikan penjelasan yang lebih rinci mengenai sebab dan akibat
dari penelitian ini.
4
BAB II LANDASAN TEORI
Pada bab kedua penulis mengemukakan teori yang menjadi landasan pada
penelitian ini. Teori yang mendukung penyelesaian permasalahan dijabarkan pada
bab ini.
BAB III METODOLOGI PENELITIAN
Pada bab ketiga akan menjabarkan metode yang digunakan dalam penelitian.
Kerangka penelitian yang menyimpulkan tahapan – tahapan penelitian dimuat
pada bab ini.
BAB IV HASIL DAN PEMBAHASAN
Pada bab keempat akan memuat tentang kumpulan data secara keseluruhan yang
dibutuhkan dalam penelitian ini. Kumpulan data tersebut akan diolah dan
dianalisis sehingga mampu menjawab permasalahan pada penelitian ini.
BAB V KESIMPULAN DAN SARAN
Pada bab kelima ini peneliti akan memberikan jawaban dan usulan terbaik terkait
permasalahan yang dihadapi.
1
BAB II
LANDASAN TEORI
2.1 Definisi dan Fungsi Gudang
Gudang merupakan fasilitas khusus yang sifatnya tetap, yang bertujuan untuk
mencapai tingkat pelayanan terbaik dengan total biaya terendah. Gudang
diperlukan dalam proses penyaluran barang karena kurang seimbangnya antara
penawaran dengan permintaan. Penawaran dan permintaa yang kurang seimbang
menyebabkan timbulnya persediaan (inventory), persediaan membutuhkan ruang
sebagai tempat penyimpanan sementara yang disebut gudang (Lambert, 2001)
Gudang merupakan bagian dari sistem logistik perusahaan yang menyimpan
produk. Produk (mulai dari bahan baku hingga produk jadi) pada dan antara titik
sumber dan titik konsumsi, dan menyediakan informasi mengenai status,kondisi,
dan disposisi dari barang – barang yang disimpan.
2.1.1 Fungsi Gudang Menurut Smith
Smith mendefinisikan gudang sebagai fungsinya untuk :
1. Penerimaan barang – barang dari sumbernya.
2. Penenmpatan barang – barang hingga dibutuhkan
3. Pengambilan barang – barang saat dibutuhkan.
4. Pengiriman barang – barang untuk digunakan.
Terkadang, gudang produk jadi dan penyimpanan bahan baku dibedakan.
Faktanya, walaupun dibedakan fungsi yang dijalankan gudang produk jadi,
penerimaan – penyimpanan – pengambilan – pengiriman, pada dasarnya sama
dengan fungsi penyimpanan bahan baku, yaitu sebagai gudang.
2
2.1.2 Fungsi Gudang menurut Lambert
Fungsi gudang dibagi menjadi 3 menurut Lambert:
1. Perpindahan.
Saat ini fungsi perpindahan telah menjadi perhatian lebih, karena perusahaan telah
mempertimbangkan perpindahan persediaan dan mempercepat order (proses awal
pembuatan hingga akhir pengiriman). Fungsi perpindahan dibagi menjadi
beberapa aktivitas, yaitu:
a. Penerimaan, aktivitas penerimaan termasuk poses pembongkaran produk dari
transporter, pembaharuan data persediaan gudang, pemeriksaan kerusakan dan
verifikasi antara barang terhitung, permintaan dan data pengiriman
b. Transfer, transfer atau penempatan termasuk perpindahan fisik ke gudang
untuk penyimpanan, perpindahan ke area khusus misalnya untuk konsolidasi,
dan perpindahan untuk pemisahan pengiriman.
c. Pemilahan, Pemilahan sesuai permintaan pelanggan merupakan aktivitas
terpenting dari perpindahan termasuk menyatukan produk ke campuran
permintaan pelanggan. Catatan pengemasan dibuat pada tahap ini.
d. Cross docking, Cross docking dilakukan dengan memotong kativitas
penyimpanan dengan memindahkan langsung produk dari dock penerimaan ke
dock pengiriman. Cross docking yang murni menghindari penempatan,
penyimpanan, dan pemilahan. Perpindahan informasi akan menjadi penting
sekali karena pengiriman mensyaratkan koordinasi yang tertutup.
e. Pengiriman, pengiriman merupakan aktivitas terakhir dari perpindahan.
Terdiri dari penumpukan produk dan pemindahan permintaan pelanggan ke
transporter, penyesuaian data persediaan dan pengecekan order yang akan
dikirim. Pengiriman termasuk pemilahan dan pengemasan untuk pelanggan
tertentu, apakah memerlukan kotak, kardus dan ditempatkan pada pallet
ataupun dibungkus plastic film dan diberikan informasi penting tentang
pengiriman seperti asal, tujuan, pengirim, penerima dan isi kemasan.
3
2. Penyimpanan, Fungsi penyimpanan dibagi menjadi dua dasar, yaitu:
a. Penyimpanan sementara, penyimpanan sementara menekankan pada fungsi
perpindahan gudang dan hanya memasukkan penyimpanan produk penting
untuk penambahan persediaan dasar. Perluasan penyimpanan sementara
tergantung pada desain sistem logistik dan pengalaman variasi lead time dan
permintaan. Tujuan utama cross docking adalah memiliki gudang yang
fungsinya penyimpanan sementara.
b. Penyimpanan semi-permanen. Penyimpanan sementara adalah tempat
penyimpanan pada kelebihan dari yang dibutuhkan untuk penambahan normal
persediaan. Kondisi yang sering membuat penyimpanan semi-permanen
adalah :
Permintaan musiman
Permintaan yang tidak menentu
Produk yang butuh pengkondisian seperti buah dan daging
Penimbunan atau pembelian di awal
Harga spesial seperti diskon pembelian banyak.
3. Transfer informasi
Transfer informasi terjadi simultan dengan fungsi perpindahan dan penyimpanan.
Manajemen selalu membutuhkan informasi terjadwal dan akurat untuk mengatur
aktivitas gudang. Operasi gudang akan berhasil jika didukung oleh beberapa hal
penting seperti: jumlah persediaan, jumlah keluar masuk produk di gudang, lokasi
stock keeping, penyatuan dan pemisahan pengiriman, data pelangggan, utilisasi
ruangan, dan personil.
Hal penting pada gudang adalah menghilangkan ketidakefisienan pada
perpindahan, penyimpanan, dan transfer informasi, yang dapat terjadi pada:
Penanganan yang berlebihan
4
Utilisasi ruang yang buruk
Peningkatan biaya maintenance dan downtime karena peralatan yang rusak.
Kondisi tempat penerimaan dan pengiriman yang kuno
Informasi komputerisasi yang kuno untuk menangani transaksi rutin.
2.2 Tipe Gudang
Pada umumnya perusahaan mempunyai beberapa alternatif gudang, beberapa
perusahaan memasarkan langsung produknya ke pelanggan retail (ini yang disebut
pengiriman langsung), hal ini mengurangi kebutuhan luas gudang. Perusahaan
yang ordernya berdasarkan katalog, sampel, gudang hanya pada tempat asalnya,
yaitu pada pusat sales atau plant produksinya.
Lambert membedakan gudang berdasarkan biaya dan titik pelayanan menjadi 2,
yaitu gudang publik dan gudang pribadi.
2.2.1 Gudang Publik
Gudang publik mempunyai beberapa tipe termasuk diantaranya:
a. Gudang barang umum untuk barang produksi.
Gudang ini didesain untuk digunakan oleh pabrik, distributor dan pelanggan
untuk menyimpan hampir semua jenis produk.
b. Gudang penyimpanan dengan pendingin.
Gudang ini menyediakan penyimpanan dengan suhu yang dapat dikontrol.
Biasanya digunakan untuk menyimpan buah dan sayur.
c. Gudang yang disatukan (bonded warehouse).
Gudang ini biasa digunakan di Amerika, gudang dibangun di sustu daerah
tertentu namun dibawah pengawasan bea dan cukai, dan berfungsi untuk
menimbun, memproses, dan pengemasan ulang, barang – barang yang
diproses tidak dikenakan bea atau pungutan hingga saat barang itu keluar dari
gudang.
5
d. Gudang furnitur dan peralatan rumah tangga.
Gudang ini ada dalam bentuk wadah – wadah tertutup dan ada juga dalam
penyimpanan terbuka sesuai kebutuhan.
e. Gudang untuk komoditi khusus.
Gudang ini sebagian digunakan untuk produk pertanian seperti gandum, wol
dan katun, biasanya satu gudang menangani satu jenis produk dan
menawarkan pelayanan khusus untuk produk tersebut.
f. Gudang penyimpanan untuk barang – barang yang besar sekali. Gudang ini
menyediakan tangki penyimpanan untuk cairan dan tempat terlindung untuk
produk kering seperti batu bara, pasir dan bahan kimia. Gudang ini biasanya
menyediakan pelayanan seperti pengisian drum dari tangki penampungan atau
pencampuran beberapa bahan kimia yang berbeda menjadi senyawaan yang
baru.
2.2.2 Gudang Pribadi
Gudang pribadi merupakan gudang yang dimiliki dan dioperasikan oleh pemilik
untuk aktivitas mereka sendiri. Jenis gudang pribadi disesuaikan oleh kebutuhan
pemiliknya. Gudang ini hanya digunakan untuk kebutuhan pemilik dan tidak
untuk disewakan.
2.3 Faktor yang Mempengaruhi Ukuran Gudang
Beberapa factor yang mempengaruhi ukuran gudang adalah sebagai berikut;
1. Level customer service.
Adalah tingkat pelayanan pelanggan yang mempengaruhi secara langsung
pada inventory. Sehingga membutuhkan lebih banyak ruang gudang untuk
menyediakan tempat penyimpanan. Dimana pelayanan itu mencakup;
Ketersediaan informasi, kecukupan order, waktu tunggu yang diinginkan, dan
lain sebagainya. Dan untuk mencapai tingkat layanan pelanggan yang tinggi
dibutuhkan infrastruktur, konumikasi, perbedaan waktu. Pelayanan yang
6
diberikan harus sesuai dengan kebutuhan dan harapan pelanggan, hingga
tercapai pelayanan yang terbaik.
2. Ukuran pasar.
Semakin banyak pasar yang dilayani, semakin banyak pula kebutuhan luas
gudang baik dalam jumlah atau ukuran.
3. Jumlah atau produk yang dipasarkan.
Ketika suatu perusahaan memiliki produk yang bermacam-macam atau
pengelompokan produk, terutama jika produknya mempunyai banyak
perbedaan jenis, maka perusahaan tersebut membutuhkan gudang yang besar
untuk menjaga tingkat persedian minimal dari semua produk.
4. Ukuran produk.
Umumnya ruangan yang lebih besar penting ketika produk yang dihasilkan
besar.
5. Sistem material handling yang digunakan.
Semakin konvensional material handling yang digunakan maka semakin
banyak membutuhkan areal gudang.
6. Tingkat throughput
Adalah tingkat keluar masuknya produk. Semakin besar permintaan akan
mempenaruhi ukuran gudang, dimana ketika permintaan semakin berfluktuasi
atau tidak dapat diprediksi, maka inventory akan semakin meningkat. Dimana
hal ini akan mengakibatkan kebutuhan ruang gudang yang lebih besar.
7. Lead time produksi.
Semakin lama waktu tunggu produksi maka akan semakin besar juga tingkat
inventory. Dengan demikian kebutuhan luas gudang akan ikut meningkat.
8. Skala ekonomi.
Inventory dibutuhkan jika perusahaan menyadari skala ekonomi pada
pembelian, transportasi atau manufaktur. Contohnya dalam memesan bahan
baku dalam jumlah yang banyak akan mengurangi harga perunitnya, atau
7
dengan memproduksi barang yang lebih banyak dapat menurunkan biaya
handling sehingga menurunkan biaya produksi. Namun hal ini akan
membutuhkan gudang yang lebih luas.
9. Layout stok.
Semakin baik layout sebuah gudang, baik itu untuk material atau produk jadi,
maka akan semakin efisien ruangan yang dibutuhkan.
10. Aisle (lorong).
Lorong tidak bisa dipisahkan dari proses penggudangan. Sebab lorong mutlak
diperlukan untuk kemudahan handling material. Semakin efisien penggunaan
lorong, maka kebutuhan luas gudang tidak akan bnyak yang tersita untuk
kebutuhan ini.
11. Area kantor di gudang.
Area kantor yang disatukan dengan lokasi gudang, akan menambah luas
gudang yang diperlukan.
12. Tipe rak yang digunakan.
Rak mempunyai peran penting dalam kaitannya dengan sistem inventori yang
ada dalam gudang. Keuntungan menggunakan rak adalah dapat
memaksimalkan utilisasi ruang atau warehouse.
Tipe rak yang dapat digunakan:
a. Kerangka tumpuk
Adalah sistem penyusunan secara vertikal menggunakan kerangka baja
dengan cara ditumpuk menggunakan pallet.
b. Cantilever racks
Adalah sistem penyusunan rak dengan menggunakan dek yang disusun
secara bertingkat. Dimana susunan dek tersebut ditopang menggunakan
beberapa deret tiang penyangga utama. Rak sistem ini biasa digunakan pada
penyimpanan paralon, pipa, atau material yang mempunyai dimensi
memanjang.
8
c. Selective rack
Adalah sistem penyusunan rak yang banyak digunakan dalam sebuah gudang.
Dimana rak ini disusun berdasarkan blok-blok tertentu. Dimana blok tersebut
difungsikan untuk menyimpan material secara spesifik. Fungsi rak ini
memudahkan dalam handling materal yang komplek dan beraneka ragam.
13. Tingkat dan pola kebutuhan.
Semakin besar tingkat kebutuhan akan produk, maka kebutuhan akan luas
gudang juga akan semakin besar. Hal ini juga linier dengan pola kebutuhan
produk. Pola kebutuhan yang meningkat seiring dengan berjalannya waktu,
akan berpengaruh terhadap kebutuha akan gudang.
2.4 Tipe Inventori
Beberapa macam tipe inventori dapat dikkalisifiasikan sebagai berikut :
a. Make to stock (MTS)
Pada strategi MTS, persediaan dibuat dalam bentuk produk akhir yang siap
dipak. Siklus dimulai ketika perusahaan menentuka produk, kemudian
menentukan kebutuhan bahan baku, dan membuatnya untuk disimpan.
Konsumen akan memesan produk jika harga dan spesifikasi produk sesuai
dengan kebutuhannya. Operasi difokuskan pada kebutuhan pemenuhan tingkat
persediaan dan order yang tidak diidentifikasi pada proses produksi. Sistem
produksi mengembangkan tingkat persediaan yang didasarkan pada order
yang akan datang, bukan pada order sekarang. Pada strategi ini, resiko
persediaan lebih besar. Contoh produk: makanan, minuman, mainan, semen,
dan sebagainya.
b. Assemble to order (ATO)
Strategi ATO, semua sub assembly masuk pada persediaan. Ketika order suatu
produk datang, perusaahn dapat dengan cepat merakit komponen menjadi
produk jadi. Strategi ini digunakan oleh perusahaan yang mempunyai produk
modular, yang dapat dirakit menjadi beberapa produk akhir. Strategi ini
mempunyai moderate risk terhadap investasi persediaan. Operasi lebih
9
difokuskan pada modul atau part. Contoh produk: auto mobil, elektronik,
computer komersil, restoran fast food yang menyediakan beberapa paket
makanan, dan sebagainya.
c. Make to order (MTO)
Strategi MTO mempunyai persediaan tetapi hanya dalam bentuk desain produk
dan beberapa bahan baku standar, sesuai dengan produk yang telah dibuat
sebelumnya. Aktivitas proses dimulai pada saat konsumen menyerahkan
spesifikasi produk yang dibutuhkan dan perusahaan akan membantu konsumen
menyiapkan spesifikasi produk, beserta harga dan waktu penyerahan. Apabila
telah dicapai kesepakatan, maka perusahaan akan mulai membuat komponen
dan merakitnya menjadi produk dan menyerahkannya kepada konsumen. Pada
strategi ini, resiko terhadap investasi persediaan kecil, operasionalnya lebih
fokus pada keinginan konsumen. Contoh produk: komponen mesin, computer
untuk riset, dan sebagainya.
d. Engineer to order (ETO)
Dalam ETO tidak ada persediaan. Produk belum dibuat sebelum ada order.
Ketika order datang, perusahaan akan mengembangkan desain produk beserta
waktu dan biaya yang diperlukan. Apabila rancangannya disetujui konsumen,
maka produk baru dibuat. Strategi ini tidak mempunyai resiko (zero risk)
persediaan, dan cocok untuk produk baru atau unik, misalnya: kapal, komputer
untuk militer, prototype mesin baru, dan lain-lain. Operasi lebih difokuskan
pada spesifikasi order dari konsumen daripada partnya itu sendiri.
Penentu utama yang membedakan tipe inventori tersebut adalah:
1. Lead time produksi.
2. Waktu pengiriman yang disyaratkan pelanggan.
3. Tingkat kostumisasi yang diinginkan pelanggan.
2.5 Peramalan (Forecasting)
Peramalan atau forecasting adalah sebuah proses untuk mengestimasi suatu
kejadian, dimana proses itu biasanya berdasarkan atas beberapa variabel, atau
10
dengan melakukan estimasi terhadap expected value dari variabel-variabel tertentu
(Gaspersz, 1998).
Kegiatan bisnis dan industri tidak dapat dipisahkan dengan proses forecasting.
Sebab kemampuan untuk memprediksi kejadian yang menyangkut aspek-aspek
penting dalam industri dapat mempengaruhi kebijakan penting yang menyangkut
kemajuan perusahaan. Banyak dari kegiatan bisnis yang menggunakan manfaat
dari forecasting ini, diantaranya adalah marketing, produksi, pengendalian
inventory, dan sebagainya.
Metode peramalan secara garis besar dibagi menjadi dua, yaitu metode kualitatif
dan metode kuantitatif. Peramalan kualitatif menggunakan intuisi, histori, emosi
dan berdasarkan pendapat serta pendidikan dari yang melakukan peramalan.
Peramalan kuantitatif menggunakan berbagai model statistik dan matematis untuk
meramalkan permintaan.
2.5.1 Metode Peramalan Kualitatif.
Metode yang umumnya bersifat subjektif, sehingga hasil peramalan dari satu
orang dengan orang yang lain berbeda. Metode ini dapat dilakukan dengan
melakukan beberapa teknik, yaitu :
1. Juri dan Opini Eksekutif, metode ini mengambil pendapat dari manajemen
puncak seperti manajer pemasaran, produksi, keuangan dan logistik.
2. Gabungan Tenaga Penjualan, metode ini menggabungkan seluruh
peramalan yang dilakukan tenaga penjual di masing – masing daerah menjadi
peramalan kumpulan.
3. Metode Delphi, metode ini lebih banyak melibatkan pihak dan memakan
waktu, serangkaian kuesioner disebarkan kepada responden kemudian hasilnya
diserahkan kepada para ahli untuk dibuatkan peramalannya. Keuntungan
metode ini hasilnya akurat dan lebih professional.
4. Survei Pasar, metode ini dilakukan dengan meminta masukan dari konsumen
potensial terhadap rencana pembelian pada periode yang diamati. Survey
11
dapat dilakukan dengan telepon, wawancara langsung ataupun memberikan
kuesioner.
2.5.2 Metode Peramalan Kuantitatif
Peramalan Kuantitatif dapat dilakukan jika, (1) tersedianya informasi masa
sebelumnya tentang variable yang diramalkan, (2) Informasinya berupa data real
yang dapat dihitung, dan (3) Pola informasi masa lalu akan berkelanjutan di masa
mendatang.
Peramalan ini dikembangkan menjadi dua Metode Time series dan metode kausal
(Sebab akibat).
1. Metode Time series, metode ini meramalkan permintaan berdasarkan analisis
serangkaian data yang merupakan fungsi dari waktu. Pngukuran dapat diambil
setiap jam, hari, minggu, bulan, tahun, ataupun interval yang lain. Untuk
mengidentifikasi pola data, tahap pertama yang dilakukan adalah membuat
time series plot, time series plot adalah grafik yang menggambarkan hubungan
antara waktu dan variabel time series. Pola yang terbentuk dapat dibedakan
menjadi pola horizontal, pola trend, dan pola musiman (seasonal). Pola
horisontal dapat menggunakan metode peramalan moving average dan
exponential smoothing. Peramalan dengan menggunakan metode Moving
Average dapat dihitung dengan formula:
Moving average forecast of order k
Dimana
Ft+1 = Peramalan time series untuk periode t+1
Yt = nilai actual time series pada periode t
Peramalan menggunakan eksponential smoothing dapat dihitung dengan
formula :
12
Eksponential smoothing forecast
Dimana
Ft+1 = Peramalan time series untuk periode t+1
Yt = nilai actual time series pada periode t
Ft = Peramalan time series untuk periode t
= nilai konstanta smoothing (0 1)
Pola berikutnya adalah pola trend atau analisa deret waktu. Peramalan
menggunakan analisa deret waktu bisa dibedakan menjadi dua macam
yaitu:
a. Regresi sederhana linier
b. Regresi sederhana yang non linier
Dua macam metode tersebut dapat dijelaskan menggunakan notasi
matematis di bawah ini;
Y = F (x)
Keterangan :
Y = Dependent variable (variabel yang dicari)
X = Independent variable (variabel yang mempengaruhinya)
Regresi sederhana dengan metode regresi linier (garis lurus) mempunyai
notasi sebagai berikut :
Y = a + b x
Keterangan:
a dan b adalah parameter yang harus dicari.
13
Untuk mencari nilai a menggunakan notasi :
a =
xbY
nilai b dapat dicari dengan notasi:
b =
XXX
YXYX
2
Regresi linier cross section, Peramalan ini menggunakan hubungan sebab
akibat dari suatu kondisi yang dapat dijadikan variabel. Dimana dalam
pengukuran meggunakan metode ini faktor yang mempengaruhi bukan waktu,
melainkan faktor-faktor lain.
Metode ini menggunakan notasi matematis sebagai berikut;
penjualan = f (x, x, x,.......)
keterangan;
X = promosi, harga, dan sebagainya
Y = a + b x
x = variabel bukan waktu.
Pola Seasonal (musiman), salah satu komponen yang mempengaruhi data time
series adalah komponen musiman. Seasonal Factor merupakan gerakan yang
teratur naik dan turunnya pada suatu waktu yang sama. Jika data time series
dipengaruhi oleh variasi musiman, maka dibutuhkan peramalan yang lebih
baik dengan melibatkan efek musiman dalam peramalan. Untuk menghitung
Seasonal Factor adalah dengan menghitung rata – rata sederhana (simple
average method).
2. Metode Kausal (Sebab akibat), metode ini mengasumsikan variable yang
diramalkan menunjukan adanya hubungan sebab akibat dengan satu atau
beberapa variable bebas.
14
2.6 Proses Produksi
Proses produksi diawali dengan penyiapan bahan (raw material). Bahan baku dan
bahan penolong. Seluruh bahan baku dan bahan penolong tersebut akan diperiksa
terlebih dahulu (QA checking) di laboratorium. Selanjutnya, bahan baku yang
lolos dari inspection, dengan perbandingan tertentu dimasukkan ke dalam Mixing
Tank.
Sementara, bahan baku yang tidak lolos dari proses inspection akan dikembalikan
ke supplier. Proses selanjutnya, agar seluruh bahan tercampur rata (homogen)
maka dilakukan proses pengadukan dengan menggunakan mixer. Pengadukan
tersebut harus memperhatikan suhu, kekentalan larutan, waktu pengadukan,
jumlah putaran dan perbandingan jumlah bahan baku.
Proses pengadukan dilakukan selama ± 1,5 jam. Selama proses pengadukan akan
dilakukan pengambilan sampel untuk dilakukan pengecekan kekentalan dan
viskositas campuran. Selama dilakukan pengecekan (QA checking), proses
pengadukan tetap dilanjutkan. Apabila campuran yang dihasilkan telah memenuhi
standar yang ditetapkan, produk selanjutnya akan dikemas (packing) ke dalam
drum dan totes tank lalu disimpan di gudang untuk dikirim (delivery) ke
konsumen. Selain itu, produk ada yang langsung dimasukan ke dalam tangki
(directly to tanker) untuk dikirim ke konsumen dan diambil sampel yang disimpan
di ruang retained sample (RS Room).
15
Gambar berikut adalah Flow diagram proses produksi di PT.PCI:
Gambar 2.1 Flow Chart Proses Produksi
Pada gambar di bawah ini adalah flow process chart di PT. PCI, data diambil
dari salah satu produk PT. PCI, raw material (RM) yang digunakan hanya berupa
penomeran untuk menjaga kerahasiaan formula.
16
Gambar 2.2 Flow Process Chart
2.7 Produk yang Dihasilkan PT. PCI
Produk yang dihasilkan PT. PCI adalah sebagai berikut:
a. Regular Grinding Aids (RGA)
RGA digunakan dalam produksi semen untuk meningkatkan produk
flowability, mengurangi pack-set dan meningkatkan efisiensi penggilingan.
Manfaat lain menggunakan produk ini adalah mampu mengurangi biaya listrik
satuan dan mempermudah penanganan produk semen. Nama produk yang
digunakan adalah seri Penta 12- dan seri Penta 21-.
b. Cement Performance Enhancer (CPE)
CPE digunakan dalam produksi semen untuk meningkatkan kualitas dan properti
semen. Nama produk yang digunakan adalah seri Penta 30-, Penta 20-, Penta 10-,
Penta-83, Penta-93.
17
c. Concrete Admixtures (CA)
PT. PCI memproduksi 2 tipe concrete admixtures:
1. PENTACON 03N
Produk ini berfungsi meningkatkan kemampuan kerja beton pada rasio air
yang lebih rendah dari semen.
2. PENTACON 05P
Produk ini berfungsi untuk meningkatkan kemampuan kerja beton pada rasio
air yang lebih rendah dari semen meningkatkan early setting. Komposisi -
Formulasi berbasis teknologi polimer berdasarkan generasi terbaru dari
teknologi concrete superplasticiser.
c. Dry Mortar
Produk Dry mortar merupakan produk baru yang sedang dalam tahap
pengembangan. Dry Mortar adalah semen api yang berfungsi untuk
menyambung/perekat bata api, tetapi mempunyai ketahanan terhadap panas
yang tinggi.
2.8 Safety Stock
Safety stock adalah tingkat stok aman yang harus dipenuhi agar tidak terjadi
kekurangan bahan baku atau material saat kondisi diperlukannya bahan tersebut
(stockouts). Faktor satu ini perlu diperhatikan untuk menjaga agar permintaan
dapat terus dipenuhi dengan baik saat pasokan material tidak menentu.
Ada tiga hal yang perlu diperhatikan dalam menentukan safety stock, sebagai
berikut;
1. Variasi permintaan
Dalam suatu periode waktu, biasanya akan selalu ada tingkatan permintaan
yang berfluktuasi. Semakin tidak menentu sebuah permintaan, maka perlu
adanya stok bisa selalu menjaga agar keinginan pasar tersebut dapat selalu
dilayani dengan baik.
18
2. Lead time
Periode waktu antara pemesanan barang, hingga barang tersebut sampai ke
tangan konsumen akan mempengaruhi stok material yang ada dalam sebuah
perusahaan. Hal tersebut bergantung pada lama periode waktu lead time
tersebut. Semakin lama waktu yang diperlukan, maka safety stock harus
diperhatikan dengan baik, untuk menjaga agar tidak terjadi stockout.
3. Service level
Tingkat kemampuan pelayanan produsen dalam memenuhi permintaan
konsumen, sangat berpengaruhi terhadap safety stock sebuah perusahaan.
Semakin tinggi standard pelayanan yang diterapkan oleh perusahaan, maka
tingkatan safety stock yang harus penuhi oleh perusahaan juga harus semakin
baik. Ini untuk menjaga agar pelayanan tetap prima, serta tidak terganggu oleh
kekurangan material saat permintaan sedang tinggi-tingginya.
Untuk menaksir besarnya safety stock dapat menggunakan metode perbedaan
pemakaian maksimum dan rata-rata, yaitu sebagai berikut;
Safety Stock = (Pemakaian Maksimum – Pemakaian Rata-Rata) Lead Time
1
BAB III
METODOLOGI PENELITIAN
Metodologi penelitian dalam penulisan ini secara sistematis dapat diuraikan
dibawah ini;
3.1 Identifikasi Masalah
Pada tahap ini penulis melakukan observasi di PT. PCI. Dari hasil pengamatan
tersebut diketahui bahwa selama ini PT. PCI masih menggunakan metode
kualitatif dalam peramalan permintaan, dimana metode ini kurang efektif untuk
perhitungan kebutuhan raw material yang akan mempengaruhi kebutuhan luas
gudang.
3.2 Perumusan Masalah
Pada tahap ini penulis mencari tahu metode kuantitatif yang terbaik untuk
menentukan permintaan yang kemudian data tersebut digunakan untuk
menghitung kebutuhan bahan baku serta kebutuhan luas gudang penyimpanannya.
3.3 Mencari Alternatif Solusi
Salah satu alternatif solusi yang mungkin diterapkan untuk mengatasi masalah
tersebut adalah dengan menghitung permintaan menggunakan metode time series,
perhitungan dilakukan dengan alternatif dua metode yaitu moving average dan
trend projection dengan linear regression with seasonal factor. Metode terpilih
yaitu dengan nilai error yang lebih rendah akan digunakan untuk menghitung
peramalan permintaan di masa mendatang. Hasil peramalan permintaan
diproyeksikan ke kebutuhan bahan baku dan tempat penyimpanannya.
3.4 Studi Literatur
Setelah diketahui kemungkinan solusinya, penulis melakukan studi pustaka dari
literatur atau dari penelitian yang sudah ada sebelumnya.
2
3.5 Menentukan Topik Penelitian
Terkait dengan masalah yang ditemukan di PT. PCI. Maka penulis memberi judul
penelitian ini: “Analisis Kebutuhan Luas Gudang Bahan Baku di PT. PCI.”
3.6 Menentukan Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mencari trend permintaan penjualan di PT.
PCI, dan mencari kebutuhan luas gudang yang diperlukan.
3.7 Pengumpulan Data
Data dari penelitian ini adalah data primer yang diambil dari data forecast di
tahun 2014, dan 2015.
3.8 Pengolahan Data
Penelitian ini menggunakan metode trend projection forecasting yang merupakan
bagian dari metode time series forecasting. Data yang digunakan adalah data
aktual permintaan di tahun 2013, 2014, dan 2015. Untuk mengetahui perkiraan
permintaan di tahun 2016.
3.9 Analisis Hasil Data
Dari hasil pengolahan data, penulis melakukan analisa yang nantinya akan
mengerucut pada kesimpulan.
3.10 Kesimpulan
Ini adalah tahap terakhir dari penelitian. Dari seluruh proses ini penulis akan
mengambil kesimpulan berdasarkan hasil penelitian. Dari kesimpulan ini nanti
akan diketahui luas gudang bahan baku yang dibutuhkan PT. PCI.
Secara lebih ringkas metodologi penelitian ini dapat dilihat pada gambar dibawah
ini.
3
Gambar 3.1 Flow Chart Metodologi Penelitian
Simple Linear Regression
Kesimpulan dan saran
Mulai
Metode forecasting PT. PCI masih kualitatif
Menggunakan metode kuantitatif
Moving Average
Metode terpilih
Metode terpilih digunakan untuk forecast tahun 2016
Pemilihan Metode kuantitatif
Forecast tahun 2016
Dihitung kebutuhan bahan baku
Dihitung kebutuhan luas gudang bahan baku
Selesai
Linear Regression with Seasonal Factor
1
BAB IV
HASIL DAN PEMBAHASAN
4.1 Perbandingan Tiga Metode Kuantitatif
Pada PT. PCI metode forecasting yang digunakan sebelumnya adalah metode
Kualitatif dimana metode ini bersifat subjektif dengan menggabungkan histori,
intuisi, dan faktor emosi dalam peramalan. Oleh karena itu forecast dilakukan
melalui pendekatan kuantitatif.
Data yang digunakan adalah aktual permintaan tahun 2013, 2014 dan 2015. Pada
kedua metode data permintaan 2013 dan 2014 digunakan untuk proyeksi
peramalan tahun 2015. Hasil Forecast tahun 2015 akan dibandingkan dengan
aktual permintaan tahun 2015.
Forecasting dilakukan dengan metode time series. Metode yang digunakan adalah
metode dengan horizontal pattern yaitu moving average dan trend pattern yaitu
simple linear regression dan linear regression with seasonal pattern. Metode
moving average (2) terpilih karena kecurigaan penulis pada pola pergerakan tiap 2
bulan mengalami kenaikan atau penurunan. sedangkan linear regresi dipilih
karena polanya menanjak pada akhir tahun dan linear regresi dengan pola
musiman dipilih karena terlihat juga data menunjukan kenaikan pada akhir tahun
dan kemungkinan penurunan dan kenaikan permintaan dipengaruhi musim
tertentu, semisal saat sekitar hari raya, kebutuhan semen menurun karena
konsumen fokus pada perayaan, ataupun saat awal tahun permintaan semen dan
beton meningkat karena dana pembangunan dari pemerintah sudah turun.
Pemilihan metode terbaik ditentukan dengan membandingkan nilai Mean
Absolute Deviation (MAD) sebagai parameter dalam melihat perbedaan absolut
antara forecast dengan aktual permintaan dan Mean Absolute Percent Error
(MAPE) sebagai parameter dalam melihat tingkat error dalam persentase. Metode
dengan nilai MAD dan MAPE terendah adalah metode terpilih.
2
Pada Tabel 4.1 disajikan data aktual permintaan perbulan selama tahun 2013
hingga 2015.
Tabel 4.1 Data Aktual Permintaan Tahun 2013, 2014, dan, 2015
Bulan Tahun 2013 Tahun 2014 Tahun 2015
Januari 347,635 589,270 689,125
Februari 304,955 540,655 643,750
Maret 283,760 477,105 673,485
April 330,425 568,830 786,420
Mei 369,755 400,875 509,035
Juni 343,555 461,086 496,850
Juli 383,460 510,460 540,880
Agustus 331,915 394,480 567,885
September 369,095 457,553 681,975
Oktober 391,715 508,905 659,530
November 352,645 519,990 655,460
Desember 385,590 655,197 728,330
4.1.1 Forecasting dengan Metode Time Series (Moving Average (2))
Pada tabel 4.2 disajikan hasil perhitungan forecasting untuk Tahun 2015 dengan
menggunakan metode Moving Average dengan melihat pergerakan permintaan di
dua bulan sebelumnya.
3
Tabel 4.2 Hasil Perhitungan forecast dengan Metode Moving Average (2)
Period Sales 2015
Forecast Demand (st')
November 2013 352,645 -
Desember 2013 385,590 -
Januari 2014 589,270 442,502
Februari 2014 540,655 505,172
Maret 2014 477,105 535,677
April 2014 568,830 528,863
Mei 2014 400,875 482,270
Juni 2014 461,086 476,930
Juli 2014 510,460 457,474
Agustus 2014 394,480 455,342
September 2014 457,553 454,164
Oktober 2014 508,905 453,646
November 2014 519,990 495,483
Desember 2014 655,197 561,364
4.1.2 Forecasting dengan Metode Linear Regression dan Linear Regression
with Seasonal Factor
Pada gambar 4.1 terlihat bahwa permintaan antara Tahun 2012 dan 2013 memiliki
kecenderungan naik, maka forecast dilakukan dengan metode trend (simple
linear regression)
Gambar 4.1 Grafik Trend Permintaan Tahun 2013 dan 2014
Tahapan selanjutnya adalah mengetahui data permintaan 2015 yaitu menentukan
trend line dan rasio trend.
4
Gambar 4.2 Grafik Trend Line Permintaan Tahun 2013 dan 2014
Berdasarkan gambar 4.2 , maka didapatkan nilai trendline untuk permintaan tahun
2013 dan 2014 adalah sebagai berikut :
F (x) = 10712x + 294394
Dimana x adalah urutan bulan dalam tahun.
Berdasarkan persamaan ini, maka didapat perhitungan forecast menggunakan
simple linear regression pada tabel 4.3.
Tabel 4.3 Hasil Forecasting Menggunakan Metode Simple Linear Regression
Tahun Bulan No Forecast 2016
2015 Jan 25 562,194
Feb 26 572,906
Mar 27 583,618
Apr 28 594,330
Mei 29 605,042
Jun 30 615,754
Jul 31 626,466
Agust 32 637,178
Sep 33 647,890
Okt 34 658,602
Nov 35 669,314
Des 36 680,026
Total 7,453,320
Pada gambar 4.1 juga dapat kita amati bahwa permintaan memeliki
kecenderungan naik pada akhir tahun dan memiliki pola yang sama, ada
5
kemungkinan musim (seasonal) juga mempengaruhi permintaan pasar, karena
pada saat musim hujan dan hari raya kecenderungan permintaan semen menurun
sehingga analisis dilakukan menggunakan analisis trend dan seasonal untuk
forecast di tahun 2015.
Dengan menggunakan fungsi dari trendline tersebut maka dapat diketahui nilai
fungsi trend dan rasio trend untuk masing – masing bulan pada tahun 2013 dan
2014. Hasil tersebut terdapat pada tabel 4.3.
Tabel 4.3 Nilai Fungsi Trend dan Rasio Permintaan Tahun 2013 dan 2014
Tahun Bulan No Aktual 2013-
2014 Trend
(T' = 294394 + 10712t) Ratio
(Aktual/Trend)
2013 Jan 1 347,635 305,106 1.14
Feb 2 304,955 315,818 0.97
Mar 3 283,760 326,530 0.87
Apr 4 330,425 337,242 0.98
Mei 5 369,755 347,954 1.06
Jun 6 343,555 358,666 0.96
Jul 7 383,460 369,378 1.04
Agust 8 331,915 380,090 0.87
Sep 9 369,095 390,802 0.94
Okt 10 391,715 401,514 0.98
Nov 11 352,645 412,226 0.86
Des 12 385,590 422,938 0.91
2014 Jan 13 589,270 433,650 1.36
Feb 14 540,655 444,362 1.22
Mar 15 477,105 455,074 1.05
Apr 16 568,830 465,786 1.22
Mei 17 400,875 476,498 0.84
Jun 18 461,086 487,210 0.95
Jul 19 510,460 497,922 1.03
Agust 20 394,480 508,634 0.78
Sep 21 457,553 519,346 0.88
Okt 22 508,905 530,058 0.96
Nov 23 519,990 540,770 0.96
Des 24 655,197 551,482 1.19
Setelah diketahui trendline dan rasio trend maka dapat ditentukan Seasonal
Factor dari nilai ratio masing – masing bulan pada tahun 2013 dan 2014. Seasonal
6
Factor merupakan nilai rata – rata dari rasio trend masing – masing bulan pada
permintaan tahun 2013 dan 2014 dan Seasonal Factor dapat dilihat pada tabel 4.4.
Tabel 4.4 Nilai Seasonal Factor pada Permintaan Tahun 2013 dan 2014
Seasonal Factor
Tahun Bulan No Average
2015 Jan 25 1.25
Feb 26 1.09
Mar 27 0.96
Apr 28 1.10
Mei 29 0.95
Jun 30 0.95
Jul 31 1.03
Agust 32 0.82
Sep 33 0.91
Okt 34 0.97
Nov 35 0.91
Des 36 1.05
Berdasarkan Seasonal Factor dan trend didapat forecast including trend and
seasonal (FITS) dengan rumus,
FITS = Trend x Seasonal Factor
Hasil perhitungan terdapat pada tabel 4.5
Tabel 4.5 Nilai Forecast Including Trend and Seasonal
Tahun Bulan FITS Trend x Seasonal
2015 Jan 25 702,251
Feb 26 625,127
Mar 27 559,523
Apr 28 654,064
Mei 29 575,985
Jun 30 586,275
Jul 31 646,295
Agust 32 525,296
Sep 33 591,353
Okt 34 637,424
Nov 35 608,085
Des 36 713,946
Total 7,425,622
7
4.2 Hasil Perbandingan Tiga Metode
Tabel 4.6 dan gambar 4.3 menggambarkan hasil forecast 2015 dengan tiga
metode dibandingkan dengan actual permintaan tahun 2015.
Tabel 4.6 Perbandingan Hasil Forecast Tahun 2015 Menggunakan Metode
Moving Average, Linear Regression dan Linear Regression with Seasonal
Factor
Bulan Aktual MA (2) LR LRS
Januari 689,125 369,118 562,194 702,251
Februari 643,750 487,430 572,906 625,127
Maret 673,485 564,963 583,618 559,523
April 786,420 508,880 594,330 654,064
Mei 509,035 522,968 605,042 575,985
Juni 496,850 484,853 615,754 586,275
Juli 540,880 430,981 626,466 646,295
Agustus 567,885 485,773 637,178 525,296
September 681,975 452,470 647,890 591,353
Oktober 659,530 426,016 658,602 637,424
November 655,460 483,229 669,314 608,085
Desember 728,330 514,448 680,026 713,946
Gambar 4.3 Grafik Perbandingan Data Aktual Permintaan dengan
Forecast Metode Moving Average, Linear Regression dan Linear Regression
with Seasonal Factor
8
Secara pengamatan visual pada grafik pada gambar 4.3 dapat diambil kesimpulan
bahwa hasil forecast metode linear regression with seasonal factor (LRS) lebih
mendekati aktual permintaan. Hal ini dapat dibuktikan dengan melihat besar
penyimpangannya (Absolut Deviation, AD) dan menghitung nilai rata – rata
penyimpangannya atau yang disebut Mean Absolut Deviation. Semakin besar nilai
MAD maka makin besar penyimpangannya dari data aktual. Penyimpangan atau
error dari forecast juga dapat dibuktikan dengan menghitung persentasenya
(Absolute Percent Error, APE). Sehingga dapat dilihat seberapa jauh
penyimpangannya. Metode yang dapat digunakan adalah dengan menghitung
MAPE (Mean Absolute Percent Error). Semakin besar persentase error maka
semakin besar kesalahannya dari aktual. Pada tabel 4.7 dapat dilihat hasil
perhitungan MAD dan MAPE.
34
Tabel 4.7 Hasil Perhitungan MAD dan MAPE
Bulan Aktual MA (2) LR LRS AD - MA AD - LR AD - LRS APE - MA APE - LR APE - LRS
Januari 689,125 369,118 562,194 702,251 320,008 126,931 13,126 46.4 18.4 1.9
Februari 643,750 487,430 572,906 625,127 156,320 70,844 18,623 24.3 11.0 2.9
Maret 673,485 564,963 583,618 559,523 108,523 89,867 113,962 16.1 13.3 16.9
April 786,420 508,880 594,330 654,064 277,540 192,090 132,356 35.3 24.4 16.8
Mei 509,035 522,968 605,042 575,985 13,933 96,007 66,950 2.7 18.9 13.2
Juni 496,850 484,853 615,754 586,275 11,998 118,904 89,425 2.4 23.9 18.0
Juli 540,880 430,981 626,466 646,295 109,900 85,586 105,415 20.3 15.8 19.5
Agustus 567,885 485,773 637,178 525,296 82,112 69,293 42,589 14.5 12.2 7.5
September 681,975 452,470 647,890 591,353 229,505 34,085 90,622 33.7 5.0 13.3
Oktober 659,530 426,016 658,602 637,424 233,514 928 22,106 35.4 0.1 3.4
November 655,460 483,229 669,314 608,085 172,231 13,854 47,375 26.3 2.1 7.2
Desember 728,330 514,448 680,026 713,946 213,883 48,304 14,384 29.4 6.6 2.0
MAD dan MAPE 160,789 78,891 63,078 23.9 12.7 10.2
35
Berdasarkan tabel 4.7 dapat dibuktikan bahwa nilai MAD dan MAPE Moving
average berturut-turut adalah 160,789 dan 23.9 %, MAD dan MAPE Linear
Regression adalah 78,891 dan 12.7 %, serta MAD dan MAPE Linear regression
with seasonal factor adalah 63,078 dan 10.2 %. penyimpangan dan error forecast
linear regression with seasonal factor lebih rendah dibandingkan error forecast
linear regression, dan error linear regression lebih rendah dibandingkan dengan
error forecast Moving Average, sehingga forecast menggunakan linear regression
with seasonal factor akan menghasilkan forecast yang lebih mendekati dengan
nilai aktual.
4.3 Perhitungan Kebutuhan Luas Gudang Bahan Baku Berdasarkan
Forecast Permintaan Tahun 2016
Kebutuhan luas gudang bahan baku merupakan faktor penentu utama besarnya
kebutuhan luas gudang secara menyeluruh untuk PT. PCI. Kebutuhan luas gudang
bahan baku menjadi penentu utama karena jenis produk yang dihasilkan PT. PCI
adalah tergolong Make To Stock (MTS) dimana telah dibahas pada bab
sebelumnya bahwa fokus utama adalah pada inventori. Inventori yang baik berupa
bahan baku atau produk jadi. Penekanan pada inventori bahan baku adalah karena
faktor lead time produksi yang rendah, sehingga permintaan akan dapat cepat
diproses walaupun tidak memiliki produk jadi. Faktor berikutnya yang menjadi
pertimbangan adalah karena jenis produk yang banyak dengan penggunaan bahan
baku yang sama, maka inventori akan lebih baik dalam bentuk bahan baku.
Produk PT. PCI secara garis besar dibagi menjadi 3 jenis, Cement Performance
Enhancer (CPE), Regular grinding Aid (RGA), dan Concrete Admixtures (CA).
Pada tabel 4.8 dan tabel 4.9 adalah data permintaan terhadap ketiga jenis produk
pada tahun 2014 dan 2015. Data tersebut akan digunakan untuk meramalkan
permintaan masing – masing produk pada tahun 2016 sehingga dapat dihitung
kebutuhan bahan baku dan kebutuhan luas gudang bahan bakunya.
Pemilihan metode terbaik telah dilakukan maka dilakukan perhitungan
menggunakan metode tersebut untuk meramalkan permintaan 2016 berdasarkan
aktual permintaan tahun 2015.
36
Tabel 4.8 Data Aktual Permintaan CPE, RGA, dan CA Tahun 2014
Data Penjualan Tahun 2014
BULAN CPE RGA CA
Januari 468,380 103,460 17,430
Februari 389,125 114,220 37,310
Maret 336,495 103,300 37,310
April 452,150 94,660 22,020
Mei 331,595 42,980 26,300
Juni 373,800 78,580 8,706
Juli 397,240 94,100 19,120
Agustus 293,860 50,780 49,840
September 335,580 59,360 62,613
Oktober 353,140 122,300 33,465
November 353,830 146,900 19,260
Desember 461,790 170,740 22,667
Total 4,546,985 1,181,380 356,041
Rata - rata 378,915 98,448 29,670
Tabel 4.9 Data Aktual Permintaan CPE, RGA, dan CA Tahun 2015
Data Penjualan Tahun 2015
BULAN CPE RGA CA
Januari 540,180 117,140 31,805
Februari 478,085 120,360 45,305
Maret 440,210 195,380 37,895
April 587,825 154,280 44,315
Mei 386,330 83,120 39,585
Juni 376,310 105,700 14,840
Juli 397,920 113,080 29,880
Agustus 415,500 94,300 58,085
September 477,400 104,660 99,915
Oktober 462,430 153,200 43,900
November 420,860 183,400 51,200
Desember 490,080 178,060 60,190
Total 5,473,130 1,602,680 556,915
Rata - rata 456,094 133,557 46,410
4.3.1 Perhitungan Forecast CPE, RGA dan CA Tahun 2016
Perhitungan forecast dilakukan sama dengan tahapan sebelumnya. Permintaan
CPE selama dua tahun digabungkan untuk melihat trendline dan rasio trend.
37
Tabel 4.10 Nilai Trend Line Permintaan CPE Diperoleh dari Tahun 2014 dan 2015
BULAN Permintaan
CPE 2014 – 2015
1 468,380.0
2 389,125.0
3 336,495.0
4 452,150.0
5 331,595.0
6 373,800.0
7 397,240.0
8 293,860.0
9 335,580.0
10 353,140.0
11 353,830.0
12 461,790.0
13 540,180.0
14 478,085.0
15 440,210.0
16 587,825.0
17 386,330.0
18 376,310.0
19 397,920.0
20 415,500.0
21 477,400.0
22 462,430.0
23 420,860.0
24 490,080.0
Berdasarkan Tabel 4.10, dibuat grafik fungsi yang dapat dilihat pada gambar 4.4.
Grafik fungsi ini adalah gabungan dari grafik permintaan tahun 2014 dan 2015.
Dari grafik fungsi tersebut didapat nilai fungsi yaitu:
f(x) = 3832.1(x) + 350961
38
Gambar 4.4 Grafik Fungsi Trend Line Permintaan CPE
Berdasarkan nilai fungsi yang didapatkan dilakukan perhitungan Trend dan
rasionya yang akan dihitung Seasonal Factornya.
Tabel 4.11 Nilai Trend dan Rasio Permintaan Tahun 2014 dan 2015
TAHUN BULAN Permintaan CPE Trend Ratio
2014 - 2015 (T' = 3832.1t +
369603)
(Aktual/
Trend)
2014
1 468,380 373,435 1.25
2 389,125 377,267 1.03
3 336,495 381,099 0.88
4 452,150 384,931 1.17
5 331,595 388,764 0.85
6 373,800 392,596 0.95
7 397,240 396,428 1.00
8 293,860 400,260 0.73
9 335,580 404,092 0.83
10 353,140 407,924 0.87
11 353,830 411,756 0.86
12 461,790 415,588 1.11
2015
13 540,180 419,420 1.29
14 478,085 423,252 1.13
15 440,210 427,085 1.03
16 587,825 430,917 1.36
17 386,330 434,749 0.89
18 376,310 438,581 0.86
19 397,920 442,413 0.90
20 415,500 446,245 0.93
21 477,400 450,077 1.06
22 462,430 453,909 1.02
23 420,860 457,741 0.92
24 490,080 461,573 1.06
39
Pada tabel 4.12 adalah hasil rata – rata dari trend rasio perbulannya atau yang
disebut Seasonal Factor.
Tabel 4.12 Nilai Seasonal Factor Diperoleh dari Permintaan Tahun 2014 dan 2015
Seasonal Factor
Tahun Bulan No Average
2016 Januari 25 1.27
Februari 26 1.08
Maret 27 0.96
April 28 1.27
Mei 29 0.87
Juni 30 0.91
Juli 31 0.95
Agustus 32 0.83
September 33 0.95
Oktober 34 0.94
November 35 0.89
Desember 36 1.09
Berdasarkan trend dan Seasonal Factor maka didapat forecast CPE untuk tahun
2016 yang disajikan pada tabel 4.13 dan gambar 4.5.
Tabel 4.13 Nilai Forecast CPE Tahun 2016
BULAN Aktual 2014 Aktual 2015 Forecast 2016
Januari 468,380 540,180 591,569
Februari 389,125 478,085 515,735
Maret 336,495 440,210 461,368
April 452,150 587,825 618,231
Mei 331,595 386,330 428,336
Juni 373,800 376,310 449,599
Juli 397,240 397,920 476,905
Agustus 293,860 415,500 421,710
September 335,580 477,400 483,508
Oktober 353,140 462,430 486,377
November 353,830 420,860 463,412
Desember 461,790 490,080 571,387
Rata - rata 378,915 456,094 497,345
40
Gambar 4.5 Grafik Perbandingan Permintaan Aktual Tahun 2014, 2015, dan
Forecast Tahun 2016
Perhitungan menggunakan metode yang sama dilakukan untuk produk RGA dan
CA sehingga didapatkan ramalan permintaan Produk CPE, RGA, dan CA untuk
tahun 2016. Hasil perhitungannya disajikan pada tabel
Tabel 4.14 Hasil Forecast Permintaan CPE, RGA, dan CA Tahun 2016
BULAN PRODUK
TOTAL CPE RGA CA
Januari 591,569 172,990 45,793 810,352
Februari 515,735 182,960 79,286 777,981
Maret 461,368 219,357 72,029 752,753
April 618,231 183,287 56,863 858,381
Mei 428,336 90,795 57,368 576,499
Juni 449,599 135,261 19,827 604,686
Juli 476,905 152,050 40,952 669,907
Agustus 421,710 102,278 91,609 615,597
September 483,508 115,195 131,321 730,024
Oktober 486,377 196,732 62,855 745,964
November 463,412 234,185 52,859 750,455
Desember 571,387 248,558 61,483 881,429
Rata - rata 497,345 169,470 64,354 731,169
41
4.3.2 Perhitungan Kebutuhan Bahan Baku
Perhitungan kebutuhan baku dihitung berdasarkan tiga komponen yaitu forecast,
formula, dan safety stock. Kebutuhan baku PT. PCI dihitung perbulannya, karena
tujuan dilakukannya perhitungan bahan baku adalah untuk menghitung
kebutuhan luas gudang bahan baku, maka perhitungan dilakukan dengan
mengambil data permintaan tertinggi pada tahun 2016. Pemilihan data tertinggi
adalah untuk antisipasi jika terjadi lonjakan permintaan pada tahun 2016. Data
permintaan tertinggi pada tahun 2016 adalah pada bulan Desember, yaitu sebesar
881,429 Kg.
Formula masing – masing produk tercantum pada tabel 4.15, tabel 4.16, dan tabel
4.17. Bahan baku diberi kode huruf adalah untuk menjaga kerahasiaan formula
PT. PCI.
Tabel 4.15 Formula CPE
FORMULA CPE
A 24.9 %
B 15.3 %
C 0.4 %
D 9.6 %
E 49.8 %
Tabel 4.16 Formula RGA
FORMULA RGA
A 47.3 %
D 45.3 %
E 7.4 %
Tabel 4.17 Formula CA
FORMULA CA
A 48.0 %
B 24.4 %
E 1.0 %
F 1.0 %
G 25.6 %
42
Berdasarkan Formula masing – masing produk diketahui kebutuhan bahan baku
bulan Desember 2016 yang permintaan tiap produknya adalah 571,387 Kg untuk
CPE, 248,558 Kg untuk RGA, dan 61,483 Kg untuk CA. Kebutuhan bahan baku
A, B, C, D, E, F, dan G bulan Desember 2016 terangkum pada tabel 4.18
Tabel 4.18 Kebutuhan Bahan Baku CPE, RGA, dan CA pada Desember 2016
Bahan Baku CPE RGA CA Total
A 142,275 117,568 29,512 289,355
B 87,422 - 15,002 102,424
C 2,286 - - 2,286
D 54,853 112,597 - 167,450
E 284,551 18,393 615 303,559
F - - 615 615
G - - 15,740 15,740
4.3.3 Perhitungan Kebutuhan Luas Gudang
Kebutuhan luas gudang dihitung dengan memproyeksikan kebutuhan bahan baku
pada kemasan (packaging) yang diketahui dimensinya. Pada tabel 4.19 disajikan
kemasan, dimensi, dan jumlah yang dapat dimuat dalam kemasan untuk masing –
masing bahan baku.
Tabel 4.19 Dimensi Kemasan
Bahan Baku Packaging Dimensi (m2) Quantity
A Bulk Container NA NA
B IBC 1.2 1100 Kgs / IBC
C Bags in Pallet 1.2 1000 Kgs / Pallet
D IBC 1.2 1100 Kgs / IBC
E IBC 1.2 1100 Kgs / IBC
F Jerry Cans in Pallet 1.2 720 Kgs / Pallet
G Bags in Pallet 1.2 1000 Kgs / Pallet
Bahan baku A dimensinya tidak ditentukan atau Not Available (NA) karena
bahan baku A merupakan bahan baku yang harus disediakan dekat dengan
mixing tank untuk efisiensi, sehingga bahan baku A disediakan ruangannya
pada area produksi, tidak pada gudang bahan baku.
Dimensi untuk semua kemasan adalah sama, hal ini memudahkan perhitungan
area, karena penulis dapat langsung melakukan total perhitungan seluruh
43
kemasan. Pembulatan dilakukan ke atas karena tidak disediakan pallet dalam
bentuk yang lebih kecil maupun IBC dalam bentuk mini.
Tabel 4.20 Kalkulasi Kebutuhan Kemasan Bahan Baku
Bahan Baku Jumlah Bahan
Baku (Kg) Jumlah (Packaging) Pembulatan
A 289,355 - - -
B 102,424 93.1 IBC 94
C 2,286 2.3 Pallet 3
D 167,450 152.2 IBC 153
E 303,559 276.0 IBC 276
F 615 0.9 Pallet 1
G 15,740 15.7 Pallet 16
Total 543
Berdasarkan tabel 4.20 didapat kebutuhan total adalah 543 kemasan (baik dalam
IBC maupun pallet), karena dimensinya sama, maka dapat langsung dihitung
kebutuhan luas gudang bahan baku, yaitu kemasan dikalikan dimensi.
Safety stock yang akan mempengaruhi kebutuhan luas gudang bahan baku
dihitung dengan rumus: (Pemakaian Maksimum – Pemakaian Rata-rata) x Lead
Time , rumus ini yang digunakan karena tujuan perhitungan safety stock adalah
untuk menghitung luas gudang bahan baku. Sehingga kekurangan gudang
penyimpanan dapat dihindari saat terjadi lonjakan permintaan. Pada tabel 4.14
diketahui bahwa ramalan permintaan tertinggi tiap-tiap produknya berbeda –
beda, Produk CPE ramalan permintaan tertinggi di bulan April sebanyak 618,231
Kg, Produk RGA pada bulan Desember sebesar 248,558 Kg, dan produk CPE
pada bulan September sebesar 131,321 Kg, maka pemakaian bahan baku tertinggi
pun saat bulan tersebut, sedangkan untuk pemakaian rata – rata dihitung
berdasarkan rata – rata permintaan setiap bulannya. Hasil perhitungan pemakaian
tertinggi terdapat pada tabel 4.21.
44
Tabel 4.21 Pemakaian Bahan Baku Tertinggi
Pada tabel 4.22 dijabarkan lead time (LT) masing-masing bahan baku dalam
satuan bulan, hasil perhitungan pemakaian bahan baku maksimum (PM) dan hasil
perhitungan pemakaian bahan baku rata – rata (PR), sehingga didapat safety stock.
Tabel 4.22 Safety Stock
Berdasarkan hasil perhitungan pemakaian bahan baku (tabel 4.20) dan safety stock
maka dapat dijumlahkan total bahan baku yang akan disimpan dalam gudang
ditiap bulannya, dari hasil tersebut dihitung berdasarkan kemasan sehingga
didapat luas kebutuhan gudang bahan bakunya. Hasil perhitungan disampaikan
pada tabel 4.23.
Bahan Baku CPE RGA CA Total
A 153,940 117,568 63,034 334,542
B 94,589 - 32,042 126,632
C 2,473 - - 2,473
D 59,350 112,597 - 171,947
E 307,879 18,393 1,313 327,586
F - - 1,313 1,313
G - - 33,618 33,618
Bahan Baku LT PM PR PM - PR SS
A - 334,542 234,888 99,653 -
B 1 126,632 91,796 34,836 34,836
C 0 2,473 1,989 484 121
D 1 171,947 124,515 47,432 23,716
E 2 327,586 260,862 66,723 133,447
F 0 1,313 644 670 167
G 1 33,618 16,475 17,144 17,144
45
Tabel 4.23 Total Kebutuhan Kemasan Bahan Baku dan Safety Stock
Bahan
Baku
Total Bahan
Baku Jumlah (Packaging) Pembulatan
A 289,355 - - -
B 137,260 124.8 IBC 125
C 2,406 2.2 Pallet 3
D 191,166 173.8 IBC 174
E 437,006 397.3 IBC 398
F 782 0.7 Pallet 1
G 32,883 29.9 Pallet 30
Total 731
Kebutuhan kemasan bahan baku perbulannya di PT. PCI adalah 731, dengan
demikian kebutuhan luas gudang bahan baku dapat langsung dihitung dengan
mengalikan dimensi kemasannya. Kebutuhan Luas Gudang Bahan Baku = 1.2 m2
x 731 = 877.2 m2 ditambah allowance sebesar 200 % untuk mencukupi kebutuhan
aisle antar tumpukan barang, jalannya material handling dalam hal ini forklift,
dan daerah penerimaan dan pengiriman barang. Sehingga kebutuhan luas gudang
bahan baku menjadi 877.2 m2 + 1754.4 m2 = 2631.6 m2
35
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari analisis hasil dan pembahasan di atas, dapat disimpulkan sebagai berikut:
1. Metode forecasting yang paling baik, yang bisa digunakan PT. PCI adalah
metode regresi linier dengan faktor musiman. Hal ini dapat dibuktikan bahwa
penyimpangan dan error forecast Linear Regression with seasonal factor lebih
rendah dibandingkan simple linear regression dan Moving Average. Dimana
Moving Average sebesar 23.9 % dan Simple Linear Regression sebesar 12.7 %
dan Linear Regression with Seasonal Factor sebesar 10.2 %. Dengan forecast
menggunakan Linear Regression with Seasonal Factor akan menghasilkan
forecast yang lebih mendekati dengan nilai aktual.
2. Seiring dengan meningkatnya trend permintaan, maka kebutuhan raw
material untuk bahan baku produksi juga semakin meningkat. Dengan
demikian kebutuhan untuk gudang juga semakin tinggi. Dan dari hasil
perhitungan diketahui bahwa kebutuhan luas gudang bahan baku, yaitu
2631.6 m2.
5.2 Saran
Saran dari hasil penelitian ini adalah perlu diadakan penelitian lebih lanjut terkait
pengemasan material menggunakan bulk, karena kemasan ini bisa lebih
menghemat tempat, efisiean, dan memudahkan material handling.
35
BAB VI
DAFTAR PUSTAKA
Arwani, Ahmad. Warehouse Check UP. Jakarta: Edisi-1. Penerbit PPM. 2009
Gaspersz, Vincent. Production Planning and Inventory Control. Jakarta:
Gramedia Pustaka Utama. 1998
Heizer, Jay dan Barry Render. Operation Management. Jakarta: Salemba Empat.
2009.
Hidayat, syarif., Semen; Jenis dan Aplikasinya, Jakarta: Kawan Pustaka. 2009.
Lambert, Douglas M., et al. Fundamentals of logistics Management. USA:
McGraw Hill. 1998.
Makridakis. Metode dan aplikasi peramalan. Edisi 2. Jakarta : Binarupa Aksara.
1999
Petterson, James L., et al. Purchasing and Supply Chain Management, 5th ed.
USA: Cengage learning. 2012.
Warman, John. Manajemen Pergudangan. Jakarta: Pustaka Sinar Harapan. 2004
Yunarto, Holy Icun dan Martinus Getty Santika. Bussines Concept
Implementation Series In Inventory Management. Jakarta: Elex Media
Komputindo. 2005.