ITS Undergraduate 12954 Paper
ITS Undergraduate 12954 Paper
ABSTRAK
Ketidakakuratan ramalan merupakan isu yang paling fundamental dalam proses
perencanaan produksi pada Perusahaan Make To Stock (MTS). Pada PT. Coca-Cola Bottling
Indonesia Plant Pandaan, pengaruh tersebut akan berdampak pada tingginya tingkat persediaan atau
terjadi kekurangan stok di pasar yang diakibatkan oleh perencanaan produksi yang tidak akurat.
Penyebabnya adalah manajemen event yang tidak baik diperusahaan. Pemilihan metode peramalan
dengan mengikut sertakan variabel pengaruh special event, diharapkan dapat lebih akurat dalam
mendeskripsikan kondisi permintaan yang lebih riil. Output dari proses peramalan tersebut
kemudian digunakan untuk menjadi input untuk pembuatan Master Production Schedule (MPS)
setiap produk dalam proses perencanaan produksinya.
Hasil yang didapatkan dalam penelitian tugas akhir ini, bahwa special event memiliki
kontribusi yang signifikan dalam mempengaruhi permintaan. Penerapan metode peramalan dengan
mempertimbangkan special event dapat meningkatkan akurasi ramalan untuk masing-masing
produk mencapai 5-10%. Dan dapat melakukan penghematan dari segi total biaya sebesar 40%
dalam hal perencanaan produksinya.
Kata Kunci : Peramalan, Perencanaan Produksi, Special Event
ABSTRACT
Forecasts inaccuracy is the most fundamental issues for production planning process,
especially at the Make to Stock (MTS) Company. At PT. Coca-Cola Bottling Plant Pandaan
Indonesia, the effect will impact on the high level of inventory or shortage in the market caused by
the inaccurate production planning. This happen due to event management at the company has not
well established. The selection forecasting method by considering the special event impact
variable, is expected to be more accurate in describing the real demand. The output of the
forecasting process is then used as input for Master Production Schedule (MPS) of each product in
the production process.
The results show that the special event has a significant contribution in influencing
demand. Application of forecasting methods by considering the special event can improve the
accuracy of forecasts for each product of 5-10%. On the other hand, total cost saving can be
achieved as much as 40% in terms of production planning.
Keywords: Forecast, Production planning, Special Event
1.
PENDAHULUAN
PT. Coca Cola Bottling Indonesia (PT.
CCBI) merupakan perusahaan manufaktur
yang bergerak dalam bidang industri minuman
ringan. Produk-produk yang dihasilkan oleh
PT. CCBI sangat diminati oleh konsumennya.
Dari segi branding, PT. CCBI yang
merupakan perusahaan terbesar penghasil
minuman berkarbonasi di Indonesia yang
namanya sudah tidak asing lagi disemua
lapisan masyarakat. Tingginya permintaan
Tahun
2005
2006
2007
2008
2009
Prosentase (%)
82 %
85 %
85 %
88 %
86 %
METODOLOGI
Metodologi penelitian yang digunakan
berisi mengenai langkah yang akan ditempuh
selama penelitian dan berguna sebagai acuan
agar berlangsung sistematis.
2
Pengolahan Data
Proses pengolahan data dilakukan
dengan dua tahapan yang harus dilakukan.
Yaitu,
melakukan
peramalan
tingkat
permintaan diperiode mendatang dan membuat
perencanaan
produksi
untuk
tingkat
permintaan dari hasil ramalan. Setelah
dilakukan dua tahap inti tersebut, kemudian
dilakukan perhitungan total biaya persediaan
PERAMALAN
Sebelum
melakukan
perencanaan
produksi,untuk dapat membuat gambaran
kebutuhan produksi di periode berikutnya
dapat dilakukan dengan melakukan proses
peramalan. Ada beberapa tahapan yang harus
dilakukan dalam melakukan proses ramalan
ini.
3.1. Identifikasi Pola Data Historis
Data historis penjualan dari tahun 20062008 yang telah dikumpulkan kemudian dicari
pola dari penjualan tersebut berdasarkan
waktunya. Pengecekan pola data historis dapat
dilakukan dengan 2 (dua) cara antara lain
dengan menggunakan plot data historis. Pada
gambar 1 adalah plot data historis untuk
produk Coca-Cola 193 ml.
Time Series Plot of S-Coca Cola
13000
12000
11000
S-Coca Cola
dalam
melakukan
perencanaan
produksi untuk menentukan keputusan
produksi disetiap periode. Dari
skenario ini dapat melihat dampak
langsung dari tingkat persediaan
finished goods yang dimiliki oleh
perusahaan
2.2.2.3. Perencanaan Produksi
Setelah
dilakukan
peramalan
kebutuhan, kemudian dilakukan pembuatan
Master Production Schedule (MPS) untuk
masing-masing Stock Keeping Unit (SKU)
produk. Tujuan dari MPS ini sebagai rencana
produksi yang dilakukan oleh bagian Planning
untuk kemudian diimplementasikan sebagai
keputusan dalam proses produksi oleh bagian
produksi.
Dalam pembuatan MPS terdapat dua
skenario yang telah direncanakan. Untuk
skenario yang pertama, MPS menggunakan
input dari metode peramalan dengan
mempertimbangkan pengaruh special event
terhadap permintaan dan tidak memiliki
batasan jumlah botol. Sedangkan untuk
skenario yang kedua, dengan menggunakan
peramalan permintaan dengan pengaruh event
tetapi memiliki batasan jumlah botol yang
tersedia di setiap periodenya. Untuk keputusan
produksi yang diambil adalah minimum (MPS;
jumlah botol).
2.2.2.4. Perhitungan Total Biaya
Setelah dilakukan pembuatan MPS
untuk setiap skenarionya, didapatkan total
inventori dan backlog untuk setiap periodenya.
Skenario yang dibandingkan yaitu, MPS
kondisi eksisting dengan MPS skenario
alternatif. Untuk setiap skenarionya, kemudian
dihitung total biaya untuk inventori dan
backlog yang dikeluarkan untuk periode waktu
yang sama.
10000
9000
8000
7000
6000
2.3.
5000
1
16
32
48
64
80
Index
96
112
128
144
A utocorrelation
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1
10
20
30
40
50
60
70
80
Lag
Gambar 2. Autokorelasi
Tabel 2. Rekapitulasi Pola Data Historis Produk
No.
Varian Produk
Pola Data
1.
Coca-Cola 193 ml
Musiman 52 Minggu
2.
Sprite 200 ml
Musiman 52 Minggu
3.
Fanta Strawberry Musiman 52 Minggu
200 ml
4.
Sprite 295 ml
Musiman 52 Minggu
5.
Fanta Soda Water Musiman 52 Minggu
295 ml
6.
Frestea Jasmine 220 Musiman 52 Minggu
ml
(1)
Dimana:
= Data aktual periode t (minggu)
= Indeks pada periode t (minggu)
= Diadjust (data hasil peramalan pada
periode t dengan menggunakan
moving average dan exponential
smoothing)
Nilai Dt didapatkan dari hasil perhitungan
dengan menggunakan metode peramalan dasar
yaitu moving average 3 periode dan
ekponential dengan = 0,2.
Dengan menggunakan perumusan 1,
dapat menilai indeks dari masing-masing
special event. Hasilnya adalah seperti pada
tabel 3. Indeks ini untuk produk Sprite 200 ml
dengan menggunakan pendekatan moving
average.
3.3. Peramalan
Berdasarkan hasil dari pola data historis
didapatkan bahwa, pola data penjualan selama
Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea Jasmine 220 ml
MAD
3.313
4.663
4.338
2.431
2.815
4.533
Error
MSE
16.270.585
30.974.232
26.560.644
9.132.478
11.662.301
28.573.847
MAPE
38%
28%
25%
7%
12%
20%
3.3.2.
Decomposition
Sama halnya dengan metode WES,
kita dapat menghitung nilai error metode ini
dengan membandingkan hasil peramalan
dengan data aktual penjualan tahun 2009.
Hasil perhitungan errornya seperti pada tabel
5.
Tabel 5. Rekapitulasi Error metode Decomposition
No.
1
2
3
4
5
6
Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea Jasmine 220 ml
MAD
607
3.425
2.754
2.294
2.791
2.404
Error
MSE
544.472
15.818.540
10.018.102
8.044.507
11.633.854
8.052.909
MAPE
8%
22%
17%
7%
11%
11%
3.3.3.
Event Based
Metode peramalan Event Based adalah
metode pendekatan peramalan permintaan
berdasarkan special event yang terjadi di
setiap periodenya. Yang berarti tinggi
rendahnya permintaan akan berdasarkan
indeks dari masing-masing event yang sudah
dilakukan perhitungan di sub bab sebelumnya.
Metode ini menggunakan persamaan umum
pada persamaan 2. Dengan menggunakan
pendekatan metode peramalan dasar.
5
Event
Idul Adha 1426 H
Idul Adha 1427 H
Idul Adha
Idul Adha 1428 H
Idul Adha
Tahun Baru Imlek 2557
Tahun Baru Imlek
Tahun Baru Imlek 2558
Tahun Baru Imlek 2559
Ultah Coca Cola ke 120
Ultah Coca-Cola
Ultah Coca-Cola ke 121
Ultah Coca-Cola ke 122
Kompetisi Musik Rock & Dangdut Sprite D'Plong
Kompetisi Music Rock & Dangdut Sprite Kompetisi Musik Rock & Dangdut Sprite D'Plong
Kompetisi Musik Rock & Dangdut Sprite D'Plong
Hanging Out Place With High School
Hanging Out Place With High School
Hanging Out Place With High School
Hanging Out Place With High School
Panen Tembakau
Panen Tembakau
Panen Tembakau
Panen Tembakau
Idul Fitri 1427 H
Idul Fitri
Idul Fitri 1428 H
Idul Fitri 1429 H
Coca-Cola Party
Coca-Cola Party
Coca-Cola Party
Coca-Cola Party
Supermarket Floor Display
Supermarket Floor Display
Supermarket Floor Display
Supermarket Floor Display
Natal dan Tahun Baru
Natal dan Tahun Baru
Natal dan Tahun Baru
Natal dan Tahun Baru
Piala Coca-Cola
Promosi "3 Tutup Botol Bisa Jadi Jutawan Selama 5 Tahun!"
Posko Mudik Segar ala Coca-Cola
Promosi "FIFA World Cup 2006"
Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea Jasmine 220 ml
MAD
429
1.469
1.324
1.790
1.475
1.289
Error
MSE
274.597
3.945.020
3.311.083
6.301.516
4.269.648
2.954.538
MAPE
5%
9%
9%
5%
6%
6%
Index
1,03
1,07
1,04
1,04
1,02
1,04
1,03
1,07
1,02
1,01
1,20
1,02
1,05
1,00
1,02
1,06
1,01
1,06
1,04
1,02
1,08
1,04
1,00
1,02
1,01
1,01
1,05
1,04
1,07
1,08
1,24
Group Index
1,05
1,03
1,03
1,09
1,03
1,03
1,05
1,01
1,03
1,13
1,01
1,03
1,04
1,12
Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea Jasmine 220 ml
MAD
386
1.554
1.406
1.803
1.335
1.310
Error
MSE
237.197
4.190.194
3.736.669
6.508.110
4.118.372
2.947.185
MAPE
5%
10%
9%
5%
6%
6%
Error
MSE
MAD
Coca-Cola 193 ml
Eksisting
753
965.701
Winter Exponential Smoothing
3.313 16.270.585
Decomposition
607
544.472
MA Event Based
429
274.597
ES Event Based
386
237.197
Sprite 200 ml
Eksisting
2.564 11.752.741
Winter Exponential Smoothing
4.663 30.974.232
Decomposition
3.425 15.818.540
MA Event Based
1.469
3.945.020
ES Event Based
1.554
4.190.194
Fanta Strawberry 200 ml
Eksisting
2.831 14.902.460
Winter Exponential Smoothing
4.338 26.560.644
Decomposition
2.754 10.018.102
MA Event Based
1.324
3.311.083
ES Event Based
1.406
3.736.669
Sprite 295 ml
Eksisting
2.703 14.332.520
Winter Exponential Smoothing
2.431
9.132.478
Decomposition
2.294
8.044.507
MA Event Based
1.790
6.301.516
ES Event Based
1.803
6.508.110
Fanta Soda Water 295 ml
Eksisting
1.998
7.109.004
Winter Exponential Smoothing
2.815 11.662.301
Decomposition
2.791 11.633.854
MA Event Based
1.475
4.269.648
ES Event Based
1.335
4.118.372
Frestea Jasmine 220 ml
Eksisting
1.911
5.628.884
Winter Exponential Smoothing
4.533 28.573.847
Decomposition
2.404
8.052.909
MA Event Based
1.289
2.954.538
ES Event Based
1.310
2.947.185
4.
MAPE
9%
38%
8%
5%
5%
18%
28%
22%
9%
10%
21%
25%
17%
9%
9%
9%
7%
7%
5%
5%
9%
12%
11%
6%
6%
9%
20%
11%
6%
6%
PERENCANAAN PRODUKSI
Dalam perencanaan produksi, akan
membandingkan beberapa skenario untuk
dapat mengukur masing-masing performansi
dari input dan kondisi yang berbeda-beda.
Hasil dari masing-masing skenario tersebut
nantinya akan dibandingkan dengan Master
Production Schedule (MPS) eksisting untuk
dapat diukur perubahannya.
Untuk setiap skenario usulan, yang
membedakan terhadap MPS eksisting adalah
pada input dari hasil peramalan yang nantinya
diimplementasi sebagai rencana produksi per
minggunya.
Hasil
peramalan
dengan
menggunakan metode terbaik dari hasil
perbandingan error diproses sebelumnya akan
dibandingkan dengan rencana produksi
eksisting yang menggunakan hasil peramalan
oleh perusahaan sendiri.
Input tersebut digunakan untuk dua
skenario usulan pada skenario 1 (satu) dan
skenario (dua). Yang berbeda antara skenario
1 dan dua yaitu terdapat masing-masing
batasan dalam penentuan kuantitas produksi
20.808
0
4.2. Skenario 1
Untuk dapat menghitung rata-rata
persediaan dan rata backlog untuk setiap
periode nya, dapat digunakan persamaan 3-8.
v Pt
v SOHt = It-1
v TIt =
(6)
v It = (Pt + SOHt-1) - St
(7)
(8)
Dimana :
t
= Periode waktu (minggu)
Yt
= Forecast Periode t (setelah dikali
indeks)
Pt
= Produksi periode t
St
= Sales periode t
SOHt = Stock On Hand diawal periode t
TIt
= Target Inventori periode t
It
= Inventory di akhir periode-t
Sht
= Shortage periode t
(Untuk persamaan 6, target inventori
disesuaikan dengan varian produknya)
Dengan menggunakan persamaan tersebut,
dapat dilakukan perhitungan rata-rata inventori
7
4.3. Skenario 2
Untuk dapat menghitung rata-rata
persediaan dan rata backlog untuk setiap
periode nya, dapat digunakan persamaan 3-8.
(9)
v SOHt = It-1
(10)
v TIt =
(11)
v It = (Pt + SOHt-1) - St
(12)
(13)
(14)
Dimana :
t
= Periode waktu (minggu)
Yt
= Forecast Periode t (setelah dikali
indeks)
Pet
= MPS Aktual dalam periode t
Pt
= Produksi periode t
St
= Sales periode t
SOHt = Stock On Hand diawal periode t
TIt
= Target Inventory periode t
It
= Inventori di akhir periode-t
Dengan menggunakan persamaan tersebut,
dapat dilakukan perhitungan rata-rata inventori
(15)
(16)
Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea 220 ml
Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea 220 ml
Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea 220 ml
5. ANALISIS
5.1. Analisis Perhitungan Indeks Special
Event
Sebelum melakukan peramalan, hal yang
harus dilakukan adalah mengidentifikasi
Indeks Special Event. Indeks Special Event
(SE) ini menunjukkan pengaruh SE terhadap
permintaan produk pada periode tertentu. Jika
pada kondisi normal (tidak ada SE),
permintaan
dapat
diramalkan
dengan
menggunakan metode peramalan biasa. Indeks
ini menggambarkan prosentase (%) kenaikan
permintaan pada periode tersebut ketika
terjadinya SE. Jadi, dari sini SE dapat
teridetifikasi
pengaruhnya
terhadap
permintaan jika SE tersebut terlaksana.
Pada tabel 3, dituliskan bahwa terdapat
SE bernama Hanging Out With High
School. Dari hasil perhitungannya, nilai
Indeks untuk SE tersebut yaitu sebesar 1,03.
Indeks ini berarti pada saat terjadinya SE
Hanging Out With High School
permintaan akan naik sebesar 3 persen dari
permintaan normalnya. Indeks ini akan
menjadi acuan untuk menggambarkan
permintaan konsumen ketika SE ini
dilaksanakan pada tahun berikutnya.
Tentu saja identifikasi indeks ini akan
dapat lebih bermanfaat karena dapat
menggambarkan fluktuasi dari permintaan
yang mengikuti terjadinya SE yang memiliki
karateristik yang berbeda-beda. Semakin
tinggi indeks SE yang didapatkan, maka
pengaruh jika terjadinya SE tersebut terhadap
permintaan akan semakin besar. Nantinya
indeks ini akan dimasukkan sebagai variabel
dalam penentuan ramalan permintaan untuk
periode yang akan datang.
Pada akhir 2009, dilakukan updating
indeks SE yang menambahkan indeks SE yang
terjadi pada tahun 2009. Updating ini
digunakan untuk memberikan referensi
tentang perkembangan terbaru mengenai
pengaruh SE tersebut terhadap permintaan.
Dalam perhitungan untuk updating indeks ini,
dilakukan
dengan
cara
pembobotan.
Pemberian bobot paling tinggi diberikan untuk
indeks yang paling terbaru. Ini dikarenakan
pola permintaan untuk tahun yang terdekat
akan lebih bisa menggambarkan pola yang
sebenarnya pada tahun berikutnya.
5.2. Analisis Peramalan
Berdasarkan hasil pengecekan pola data
historis didapatkan bahwa data memiliki
kecenderungan musiman. Penentuan metode
peramalan itu didasari oleh pola data yang
terbentuk. Dikarenakan pola data yang
terbentuk adalah pola data musiman, jadi
metode yang sesuai untuk digunakan dalam
proses ramalan ini adalah metode Winters
Exponential Smoothing (Triple Exponential
Smoothing) dan Metode Dekomposisi. Kedua
metode konvensional ini akan dibandingkan
perfomansi nilai error nya dengan metode
peramalan dengan Event Based. Nilai error
yang lebih kecil akan menjadi input dalam
perencanaan produksinya.
Untuk peramalan menggunakan metode
konvensional digunakan bantuan software
Minitab 14. Untuk menggunakan bantuan
Minitab ini, diperlukan beberapa parameter
salah satunya adalah seasonal lenght. Seasonal
lenght merupakan panjang perulangan periode
secara
musiman.
Berdasarkan
hasil
autokorelasi, didapatkan bahwa data tersebut
adalah musiman dengan 52 minggu. Yang
berarti parameter seasonal lenght nya sebesar
52.
Dengan menggunakan bantuan Minitab,
dapat dilakukan peramalan untuk 52 minggu
kedepannya dengam metode Winter ES dan
Dekomposisi. Setelah hasil ramalannya
didapatkan, kemudian dilakukan perbandingan
data hasil ramalan dengan data penjualan
aktual pada tahun 2009. Setelah itu dilakukan
perhitungan nilai error (MAD, MSE, dan
MAPE) untuk kedua metode konvensional
pada setiap varian produk.
9
Analisis
Sensitivitas
Target
Inventori (TI)
Target Inventori merupakan jumlah
inventori yang menjadi standar yang harus
dicapai oleh perusahaan pada setiap akhir
periode. Tujuan dari penetapan target inventori
adalah untuk menjadi stok antisipasi ketika
permintaan yang fluktuatif pada periode
tertentu. Sehingga inventori akhir menjadi
menumpuk karena penetapan nilai TI yang
belum optimal. Ketika stok di gudang
berlebihan maka biaya persediaan akan
meningkat. Dan menjadikan performansi
menjadi lebih rendah. Untuk mendapatkan
perfomansi perencanaan produksi yang lebih
baik dari kondisi eksisting, penetapan TI akan
menjadi solusi yang lebih baik. Untuk
menetapkan nilai TI sendiri dilakukan uji
10
No.
1
2
3
4
5
6
No.
1
2
3
4
5
6
Rp6.000.000
Rp/th
Rp5.000.000
Rp4.000.000
Rp3.000.000
Rp2.000.000
Rp1.000.000
Rp1 2 3 4 5 6 7 8 9 10 11 12
Hari
Inventory Cost
Backlog Cost
Total Cost
Gambar 3. Grafik uji sensitivitas TI terhadap total biaya untuk produk Coca-Cola 193 ml
11
6. PENUTUP
6.1.
Kesimpulan
Kesimpulan yang diambil dalam
penelitian tugas akhir ini antara lain :
1. Metode
peramalan
dengan
mempertimbangkan special event
dapat meningkatkan akurasi ramalan
jika dibandingkan dengan metode
peramalan yang diterapkan oleh
perusahaan saat ini. Peningkatan
akurasi ramalan untuk produk CocaCola 193 ml, Sprite 200 ml, Fanta
Strawberry 200 ml, Sprite 295 ml,
Fanta Soda Water 295 ml, dan Frestea
Jasmine 220 ml masing-masing yaitu 4
persen; 9 persen; 12 persen; 4 persen;
3 persen dan 3 persen.
2. Natal dan Tahun Baru merupakan
Special Event yang paling memiliki
pengaruh yang signifikan dalam
mempengaruhi permintaan untuk 6
varian produk ini yang didasari oleh
nilai indeks special event.
3. Perencanaan
produksi
dengan
menggunakan peramalan
dengan
mempertimbangkan special event
dapat menghasilkan total penghematan
untuk 6 varian produk sebesar Rp
49.122.321,-/th yang merupakan 40
persen dari total biaya yang selama ini
dikeluarkan oleh perusahaan.
4. Perubahan target inventori untuk
masing-masing varian produk antara
lain :
Coca-Cola 193 ml dari 12 hari
menjadi 8 hari
Sprite 200 ml dari 6 hari
menjadi 3 hari
Fanta Strawberry 200 ml dari
6 hari menjadi 4 hari
Sprite 295 ml dari 6 hari
menjadi 3 hari
Target Inventori
Usulan (hari)
8
3
4
3
3
2
Saran
Adapun saran-saran yang dapat
direkomendasikan untuk perusahaan dan untuk
penelitian kedepannya antara lain :
1. Perusahaan dapat menerapkan metode
peramalan dengan menggunakaan
event based forecast berdasarkan
refenrensi indeks special event yang
telah diperbaharui.
2. Identifikasi perputaran botol dapat
disimulasikan
menjadi
variabel
tambahan
untuk
perencanaan
produksi.
3. Penelitian ini diterapkan untuk produk
jenis lainnya seperti jenis PET,
tetrapack, dll.
7.
DAFTAR PUSTAKA
12
13