PENENTUAN TINGKAT KEBUTUHAN SAFETY STOCK DI

INDUSTRI FARMASI
DEBBIE KEMALA SARI DAN HERRY SUDAYAT
Program Studi Teknik Industri Universitas Suryadarma Jakarta

ABSTRAK

Dunia industri yang semakin ketat mengakibatkan perusahaan-perusahaan harus

menekan biaya produksi guna mendapatkan keuntungan maksimal. Untuk itu, diperlukan
perencanaan produksi yang matang. Dalam perencanaan produksi, peramalan untuk
memperkirakan kebutuhan material yang akan datang merupakan aspek penting.).
Metode yang digunakan dalam penelitian ini antara lain: metode nave, metode
Single Exponential Smoothing, metode Product Aggregation, metode kombinasi antara
Product Aggregation dan Nave dan perhitungan teori Jumlah Pesanan Ekonomis (EOQ)
dan Titik pemesanan ulang (ROP).
Hasil penelitian menunjukkan bahwa Nilai Mean Absolute Percentage Error
(MAPE) berdasarkan peramalan yang selama ini diterapkan adalah sebesar 81% dari
Forecast Error dibagi Demand fix dikali 100, sedangkan nilai Mean Absolute Percentage
Error (MAPE) berdasarkan kombinasi metode Product Aggregation dan Naive adalah
sebesar 28% dari Forecast Error dibagi Demand fix dikali 100. Sehingga penurunan nilai
Mean Absolute Percentage Error (MAPE) yang terjadi adalah sebesar 53% dari 81%
diambil 28%. Service Level berdasarkan peramalan yang selama ini diterapkan (metode
lama) adalah sebesar 66,2%, sedangkan service level berdasarkan kombinasi Metode
Product Aggregation dan Naive adalah sebesar 97,7%. Sehingga mengalami peningkatan
sebesar 31,5% dari 97,7% diambil 66,2%. Estimasi perhitungan kebutuhan safety stock
dengan variasi service level yang ditentukan yang dapat digunakan sebagai bahan
pertimbangan perusahaan dalam penetapan besar safety stock adalah sebagai berikut;
untuk service level 90%, kebutuhan safety stock adalah 4902; untuk service level 85%,
kebutuhan safety stock adalah 3983; untuk service level 80%, kebutuhan safety stock
adalah 3217; untuk service level 65%, kebutuhan safety stock adalah 1455; untuk service
level 52%, kebutuhan safety stock adalah 230. Hasil yang didapat nilai Jumlah pesanan
ekonomis (Economic Order Quantity / EOQ) adalah sebesar 1744 karton. Titik
pemesanan ulang (Reorder Point / ROP) adalah sebesar 1492 karton, sedangkan Total
Biaya per tahun adalah $ 17479.

PENDAHULUAN Perusahaan farmasi yang ideal

memiliki strategi perencanaan produksi
Semakin banyak persaingan diantara yang efektif dalam menyesuaikan target
industri dalam mencapai tujuan utama, produksi terhadap kapasitas yang
semua perusahaan menginginkan tersedia. Kekurangan kapasitas produksi
keuntungan yang maksimal. Dengan akan menyebabkan kegagalan
faktor produksi yang paling minimum memenuhi target produksi,
mengakibatkan persaingan menjadi ketat keterlambatan pengiriman ke pelanggan
karena banyaknya industri yang sejenis dan kehilangan kepercayaan. Sebaliknya
atau perusahaan yang bergerak dalam kelebihan kapasitas produksi akan
bidang industri yang sama, sedangkan mengakibatkan tingkat biaya
pangsa pasar terbatas atau konsumen penyimpanan (Holding Cost) tinggi,
yang tidak bertambah (customer lama). sehingga menurunkan modal biaya.

69
 Diperlukan pemahaman lebih METODE
untuk menentukan perencanaan
produksi yang baik agar dapat Peramalan adalah suatu proses
menghasilkan keuntungan yang untuk memperkirakan berapa kebutuhan
maksimum dengan biaya minimum. di masa datang yang meliputi kebutuhan
Permasalahan mengenai safety stock dalam ukuran kuantitas, kualitas, waktu
menjadi hal yang menarik untuk dibahas. dan lokasi yang dibutuhkan dalam
Dengan melakukan peramalan dengan rangka memenuhi permintaan barang
metode terbaik dan melakukan ataupun jasa (Indra almahdy & Kholil).
perhitungan jumlah safety stock, biaya
produksi akan dapat diminimalisasi. Metode Peramalan
Atas dasar pemikiran tersebut,
penulis melaksanakan penelitian Peramalan dapat dilakukan dengan
mengenai penerapan metode peramalan beberapa cara yang dikelompokkan
untuk penentuan strategi safety stock dalam dua kategori, yaitu kuantitatif dan
yang sesuai pada industri farmasi kualitatif.
dengan pola permintaan yang bersifat Peramalan kualitatif dapat
musiman (seasonal). dilakukan dengan cara sebagai berikut
Masalah dalam penelitian ini (Aulia Ishak; 2010):
diuraikan sebagai berikut : a. Juri opini eksekutif. Dalam metode
a. Penelitian difokuskan pada metode ini, peramalan dilakukan oleh
peramalan untuk penentuan strategi eksekutif atau manajer tingkat atas
safety stock Product Sangobion perusahaan.
kemasan 100 ml/ltr di PT. Merck Tbk b. Metode Delphi. Metode ini dilakukan
b. Menentukan pokok permasalahan dengan melengkapi data untuk
diperusahaan dengan cara peramalan dengan membagikan
wawancara. daftar pertanyaan kepada konsumen
atau masyarakat
Tujuan penelitian ini adalah untuk c. Tenaga Penjualan. Peramalan
mengetahui: dilakukan dengan memanfaatkan
kedekatan tenaga penjual dengan
a. Metode peramalan alternatif dengan konsumen.
cara menggunakan informasi d. Survei Pasar. Dimana peramalan
permintaan dari tingkat kumpulan dilakukan dengan turun langsung ke
(aggregation level) yang lebih tinggi lapangan atau pasar, sehingga
dan dengan mengkombinasikan diperoleh informasi langsung dari
beberapa metode peramalan untuk pasar.
industri farmasi yang memiliki pola
permintaan yang bersifat musiman Sedangkan metode lainnya, yakni
(seasonal). metode peramalan kuantitatif,
b. Penentuan strategi safety stock dipergunakan bila kondisi berikut
berdasarkan metode peramalan terpenuhi :
terbaik yang sesuai pada industri 1) Adanya informasi tentang masa
farmasi dengan pola permintaan yang lalu
bersifat musiman (seasonal). 2) Informasi tersebut dapat
c. Perhitungan Jumlah pesanan dikuantitatifkan dalam bentuk
ekonomis (Economic Order Quantity data
/EOQ) dan titik pemesanan ulang Informasi tersebut dapat diasumsikan
(Reorder Point / ROP). bahwa pola masa lalu akan terus
bersambung sampai ke masa depan.
Kategori peramalan kuantitatif
memanfaatkan data historis (masa lalu)
untuk diproyeksikan sebagai peramalan

70
di masa mendatang. Data ini tergolong
ke dalam data time series. Pengertian
dari time series (runtun waktu) adalah
himpunan observasi berurut dalam waktu
atau dimensi apa saja yang lain.
Berikut ini merupakan beberapa
metode peramalan kuantitatif yang
sering digunakan, yaitu:
Metode Naive
Metode Naive adalah metode
peramalan yang sangat sederhana, ia
hanya menggunakan data nilai aktual
tahun lalu sebagai ramalan / perkiraan
untuk tahun ini, peramalan tahun
berikutnya hanya berupa (t-1) akan sama
dengan data tahun ini.
Metode ini murni merefleksikan
permintaan pada periode sebelumnya
tanpa ada pembobotan maupun faktor-
faktor lainnya. Metode ini hanya
menggunakan data nilai aktual periode
lalu sebagai ramalan atau perkiraan
untuk periode ini. Data aktual periode ini
akan sama dengan peramalan untuk
periode berikutnya, dan begitu
seterusnya. Dapat dirumuskan sebagai
berikut:
Ft = Xt-1
Keterangan :
Ft = Forecast pada periode t
Xt-1 = Aktual demand
(permintaan) periode t-1
Single Exponential Smoothing
Exponential Smoothing adalah
Suatu tipe teknik peramalan rata-rata
bergerak yang melakukan penimbangan
terhadap data masa lalu dengan cara
eksponensial sehingga data paling akhir
mempunyai bobot atau timbangan lebih
besar dalam rata-rata bergerak.
Single exponential smoothing
banyak digunakan untuk peramalan
jangka pendek. Metode ini biasanya
digunakan jika data cukup konstan (data
mengandung trend yang tidak terlalu
signifikan).
Single exponential smoothing
dirumuskan sebagai berikut:
Ft = Ft-1 + (Xt-1 Ft-1)
Keterangan :
Ft = Forecast pada periode t
Ft-1 = Forecast pada periode t-1
= Konstanta smoothing
Xt-1 = Aktual demand periode t-1
Hal utama yang dilakukan dalam
metode single exponential smoothing
adalah menentukan nilai . Nilai ini
dapat disesuaikan dengan pola historis
data aktual. Apabila pola historis dari
data aktual sangat bergejolak atau tidak
stabil dari waktu ke waktu, nilai yang
dipilih yang mendekati 1. Jika pola
historis dari data aktual tidak berfluktuasi
atau relatif stabil dari waktu ke waktu,
nilai yang dipilih yang mendekati 0.
Alternatif lain yang dapat dilakukan
adalah dengan melakukan trial and error
sehingga menemukan nilai yang
menghasilkan nilai MAPE terkecil.
Product Aggregation
Peramalan yang dilakukan pada
tingkat family product akan lebih akurat
dari pada peramalan pada tingkat
Individual item. Pada tingkat item produk,
pemintaan cenderung menunjukan
variasi yang lebih besar jika
dibandingkan dengan permintaan pada
family product. Untuk pemintaan dengan
tipe seasonal, memisahkan seasonal
index pada tingkat family product
menghasilkan estimasi yang lebih baik
pada peramalan tingkat individual item.
Berikut ini merupakan langkah
peramalan dengan menggunakan
metode product aggregation. Pertama-
tama yang dilakukan adalah
mengumpulkan data permintaan semua
item produk dalam satu family produk
dengan rumus :
Xj,t,t+1 = j,t . f Nt+1-P
71
Keterangan : MSE = Et2
Xj,t,t+1 = Peramalan permintaan untuk n
produk j padaperiode t+1, dan dibuat MSE menunjukkan rata-rata dari
diakhir periode t. kuadrat kesalahan yang terjadi selama
j,t = Tingkat permintaan produk j periode peramalan.
pada produk t.
f Nt+1-P = Seasonal index untuk family Rata-rata Deviasi Mutlak (Mean Absolute
product pada periode t. Deviation = MAD)

Setelah didapat hasil peramalan MAD = Et

individual item, dilakukan peramalan n
kembali pada tingkat family product, MAD menunjukkan rata-rata dari
dengan rumus : nilai absolut kesalahan yang terjadi
Xt = Xj,t selama periode peramalan.

Keterangan : Rata-rata Persentase Kesalahan

Xj,t,t = Peramalan permintaan untuk Absolute (Mean Absolute Percentage
produk j pada periode t Error = MAPE)
Xt = Total peramalan permintaan
produk j MAPE = Et/ Dt x 100
n
MAPE menunjukkan rata-rata
Product Aggregation Combined with persentase dari nilai absolut kesalan
Naive yang terjadi selama periode peramalan
terhadap permintaan aktual.
Metode ini menghasilkan Keterangan :
peramalan berdasarkan penggabungan Et = forecast error pada periode t.
dari dua metode peramalan, yakni Dt = Permintaan pada perode t.
Product Aggregation dengan Naive. n = Jumlah periode
Hasil peramalan diperoleh dengan cara
merata-ratakannya. 2.1 Manajemen Permintaan
2.2
Akurasi Peramalan Pada dasarnya manajemen
permintaan (demand management)
Peramalan tidak pernah didefinisikan sebagai suatu fungsi
sempurna, peramalan terhadap kondisi pengelolaan dari semua permintaan
di masa mendatang umumnya tidak produk. Tujuannya adalah untuk
dapat persis sama dengan kenyataan menjamin bahwa penyusun jadwal induk
sesungguhnya yang terjadi di masa yang (master scheduler) mengetahui dan
akan datang. Dalam setiap peramalan menyadari semua permintaan produk itu
yang dibuat selalu dihasilkan bias. (Vincent Gaspersz, 1998). Permintaan
Metode peramalan terbaik adalah terdiri dari beberapa komponen di
yang menghasilkan nilai kesalahan dalamnya, yakni tren, variasi musiman,
peramalan yang terkecil. Agar didapat variasi siklis dan sisanya adalah variasi
peramalan yang memiliki tingkat random.
keakuratan yang baik maka perlu Perusahaan dapat berperan aktif
dilakukan uji ketelitian dengan mencari dalam mengontrol besarnya pemintaan
error terkecil dengan menghitung nilai : dengan cara menaikkan atau
Rata-rata Kuadrat Kesalahan menurunkan harga. Perusahaan juga
(Mean Squared Error = MSE) dapat berperan merespon permintaan
dengan memproyeksikan pola
permintaan sebelumnya untuk
kebutuhan peramalan di masa datang.

72
 PERAMALAN PELAYANAN
(TIDAK PASTI) PESANAN(PASTI)

MANAJEMEN
PERMINTAAN

Gambar 2. Aktifitas utama dalam Manajemen Permintaan

(Sumber : Vincent Gaspersz, 1998)

Karakteristik permintaan kuantitas dari produk yang ada di

dalam stock.
Secara umum dapat dijelaskan, 3) Safety stock adalah stock tambahan
bahwa peramalan produksi dengan dari item yang direncanakan untuk
pendekatan analisis runtun waktu (time berada dalam persediaan yang
series) dilakukan dengan memanfaatkan dijadikan sebagai stock pengaman.
data masa lalu yang dimiliki perusahaan Tujuan dari stock pengaman ini
secara series. adalah mengatasi fluktuasi dalam
Tingkat permintaan biasanya ramalan penjualan, pesanan-
membentuk pola-pola sebagai berikut: pesanan pelanggan dalam waktu
Tren (Trend), Musiman (Seasonality), singkat (short-term customer
Acak (Random) maupun Siklis (Cycle). orders), penyerahan item untuk
pengisian kembali persediaan.
Manajemen Persediaan
Persediaan (Inventory)
Dalam manajemen rantai pasok
(supply chain management), strategi Persediaan adalah suatu sumber
dalam menetapkan persediaan memiliki daya menganggur yang keberadaannya
peranan yang sangat penting. Supply menunggu proses lebih lanjut.
chain merupakan urutan dari bisnis Keberadaan persediaan pada suatu
proses dan aktifitas-aktifitas dari mulai perusahaan perlu diatur sedemikian rupa
supplier hingga ketangan konsumen sehingga kelancaran pemenuhan
yang menyediakan produk, jasa dan kebutuhan pemakai dapat dijamin, tetapi
informasi untuk memenuhi kepuasan ongkos yang ditimbulkan sekecil
konsumen. mungkin.
Ada beberapa informasi yang
harus diketahui dalam manajemen
persediaan. Berikut ini akan Fungsi Persediaan
dikemukakan penjelasan singkat
berkaitan dengan informasi yang ada di Fungsi persediaan dapat diidentifikasi
seputar manajemen persediaan, yaitu: menjadi 3 jenis motif yaitu:
1) Lead time adalah waktu (banyaknya
periode) yang dibutuhkan untuk a. Motif transaksi (Transaction motive),
memproduksi suatu produk. b. Motif berjaga-jaga (precautionary
2) On hand adalah posisi persediaan motive).
awal yang secara fisik tersedia c. Motif spekulasi (speculative motive).
dalam stock yang merupakan

73
 Laba yang maksimal dapat dicapai
dengan meminimalkan biaya operasional
yang berkaitan dengan persediaan.
Namun meminimalkan biaya persiapan
dapat dicapai dengan memesan atau
memproduksi dalam jumlah yang kecil,
sedangkan untuk meminimalkan biaya
pemesanan dapat dicapai dengan
melakukan pesanan yang besar dan
jarang.
Secara umum alasan untuk
memiliki persediaan adalah sebagai
berikut:
a. Untuk menyeimbangkan biaya
pemesanan atau persiapan dan biaya
penyimpanan
b. Untuk memenuhi permintaan
pelanggan, misalnya menepati
tanggal pengiriman.
c. Untuk menghindari penutupan fasilitas
manufaktur.
Formula yang digunakan untuk
menghitung nilai safety stock adalah:
c = R(s2) + S2(R2)
Dimana :
c = Jumlah safety stock yang
dibutuhkan
R = Siklus pengisian persediaan
rata-rata (lead time)
s = Standar deviasi penjualan /
penggunaan rata-rata
S = Penjualan / Penggunaan rata-
rata
R = Standar deviasi siklus
pengisian persediaan (lead time)
Standar deviasi penjualan /
penggunaan rata-rata (s) didapat dari
formula berikut. Demikian juga dengan
formula untuk perhitungan standar
deviasi siklus pengisian persediaan (R):
d. Untuk menyanggah proses produksi
yang tidak dapat diandalkan.
e. Untuk memanfaatkan diskon
f. Untuk menghadapi kenaikan harga di
masa yang akan datang.
Perhitungan kebutuhan safety stock
Safety stock merupakan
persediaan yang disiapkan sebagai
penyangga untuk mengantisipasi adanya
perbedaan antara peramalan dan
permintaan aktual, antara delivery time
yang diharapkan dan aktualnya, serta
hal-hal tak terduga lainnya. Jumlah
safety stock yang dibutuhkan untuk
memenuhi tingkat permintaan /
kebutuhan tertentu dapat ditentukan
melalui simulasi komputer atau metode
statistik. Dalam perhitungannya,
diperlukan sampel data mengenai
volume penjualan / penggunaan dan
siklus pengorderan.
f = Frekuensi kejadian
d = Deviasi kejadian terhadap rata-
rata (mean)
n = Total observasi
Sehubungan dengan ketidak
akuratan peramalan, terdapat formula
dalam menentukan safety stock, yakni:
Safety stock = Service Level x Forecast
Error x Lead time
Nilai service level yang digunakan
dalam perhitungan rumus ini adalah
besarnya nilai z dari persentase tingkat
pelayanan yang diharapkan. Forecast
error yang digunakan adalah nilai Root
Mean Square Error, sedangkan Lead
time yang digunakan adalah rentang
waktu dimulai dari saat pemesanan
barang hingga barang siap digunakan.
Pengukuran Kinerja

s = fd2 Performa perusahaan pada

n-1 umumnya diukur secara berkala untuk
menjaga keberlangsungan produksi
dengan tujuan terus meningkatkan
Dimana: keuntungan yang dihasilkan.

74
 produk tersebut. Biasanya service level
Service Level dinyatakan dalam satuan persen, dimana
semakin mendekati nilai 100%, berarti
Service level atau tingkat kebutuhan akan produk dapat terpenuhi
pelayanan merupakan salah satu dengan sangat baik. Nilai service level ini
metode untuk penilaian kinerja dari memiliki keterkaitan dengan jumlah
manajemen persediaan dan juga kejadian stock out yaitu kekurangan
gudang. produk dari pada yang dibutuhkan dan
Service level adalah suatu tingkat merupakan salah satu cara penilaian
yang memperlihatkan jumlah pemesanan kerja inventory control. Semakin tinggi
(reservasi) akan suatu produk yang nilai service level, maka kejadian stock
dipenuhi tepat waktu dibandingkan out semakin jarang.
dengan total permintaan terhadap
Nilai service level dapat diperoleh
dengan menggunakan formula berikut:

Service level = Jumlah permintaan terpenuhi x 100%

Total permintaan
Biaya pemesanan = Frekuensi
pesanan x Biaya pesanan

Jumlah Pesanan Ekonomis (Economic

=
Order Quantity /EOQ)

Jumlah Pesanan Ekonomis

(Economic Order Quantity /EOQ) Biaya penyimpanan per tahun =
merupakan salah satu model yang sudah Persediaan rata-rata x Biaya
tua, diperkenalkan oleh FW Harris pada penyimpanan
tahun 1914, tetapi paling banyak dikenal
dalam teknik pengendalian persediaan.
=
EOQ banyak dipergunakan sampai saat
ini karena mudah dalam Total biaya per tahun = Biaya
penggunaannya, meskipun dalam pemesanan x Biaya penyimpanan
penerapannya harus memperhatikan
asumsi yang dipakai.Asumsi-asumsi = +
tersebut sebagai berikut:
a. Barang yang dipesan dan disimpan
hanya satu macam. EOQ terjadi bila biaya pemesanan =
b. Kebutuhan / permintaan barang Biaya penyimpanan
diketahui dengan pasti
c. Waktu tenggang (lead time)
diketahui dengan pasti +
d. Pemesanan kembali dilakukan 2
ketika persediaan mencapai titik nol, 2 . = .
dan akan langsung diterima 2. .
seketika, sesuai ukuran pemesanan =
yang dilakukan, sehingga tidak akan
terjadi kekurangan persediaan. 2. .

=
Model Economic Order Quantity
(EOQ) ini mencari ukuran pemesanan
yang ekonomis dengan meminimalkan
total biaya.

75
 Ch = I x C = Biaya penyimpanan
Q* adalah EOQ yaitu jumlah (dolar / unit / tahun)
pemesanan yang memberikan total biaya Q = Jumlah pemesanan (unit /
persediaan yang terendah. EOQ juga pesanan)
bisa diperoleh dengan membuat turunan F = Frekuensi pemesanan (kali / tahun)
dari fungsi total biaya (TC) terhadap Q T = Jarak waktu antar tiap pesanan
sebagai berikut: (tahun, hari)
TC= Total biaya persediaan (dolar /
tahun)
TC = Q Ch + D x Co
Q Jumlah Pesanan Ekonomis (EOQ)
dTC = - DCo x Ch = 0 dengan titik pemesanan ulang
dQ Q2 2 (Reorder Point / ROP)
2DCo = ChQ2
Q* = 2DCo Pada model EOQ sebelumnya,
Ch informasi lead time belum
dipertimbangkan, sehingga diasumsikan
bahwas pesanan akan langsung diterima
Total biaya per tahun (TC) = Biaya seketika, sesuai ukuran pemesanan
pembelian per tahun + Biaya yang dilakukan. Tentunya asumsi ini
penyimpanan per tahun + Biaya tidak realistis karena sesungguhnya
Pemesanan per tahun pesanan akan diterima setelah selang
TC = Q Ch + D x Co (2.16) waktu tertentu setelah dilakukannya
Q pemesanan. Pada model EOQ dengan
Dimana : titik pemesanan ulang (reorder point),
D = Jumlah kebutuhan barang (unit asumsi tersebut ditiadakan. Pemesanan
/ tahun) harus dilakukan sebelum tingkat
Co = Biaya pemesanan (dolar / persediaan menjadi nol, yaitu ketika
pesanan) persediaan mencapai titik pemesanan
I = Biaya penyimpanan (% terhadap ulang (reorder point) (Aulia Ishak, 2010).
nilai barang) Secara grafis situasi ini dapat
C = Harga barang (dolar / unit) digambarkan seperti pada gambar 2.

Q
Tingkat Persediaan

ROP

L L

Waktu

Gambar 2 Titik Pemesanan Ulang dan Tenggang Waktu

Titik pemesanan ulang dihitung

dengan mengalikan tenggang waktu (L)
dengan permintaan perhari. Jika kita
mengasumsikan bahwa satu tahun terdiri
dari 365 hari.

76
maka permintaan per hari adalah L = Waktu tenggang (Lead time)
D/365 D = Jumlah kebutuhan barang (unit /
tahun)
Jadi rumus untuk titik pemesanan ulang, R = Titik pemesanan ulang (Reorder
R, adalah R = L.D/365 Point / ROP)

Dimana :
Single Exponential Smoothing
HASIL DAN PEMBAHASAN
Besarnya (konstanta smoothing)
Metode peramalan yang yang terdapat dalam perhitungan Single
digunakan untuk meramalkan Eksponential Smoothing ditentukan
permintaan adalah Metode Naive, Single dengan cara trial and error hingga
Exponential Smoothing, Product mendapat error terkecil. Setelah
Aggregation, Kombinasi antara Product dilakukan uji coba terhadap variasi dari
Aggregation dan Naive. 0,1 hingga 0,9 diperoleh nilai sebesar
0,3 yang menghasilkan error terkecil.
Metode Naive Nilai MAPE berdasarkan metode
Single Exponential Smoothing adalah
Nilai MAPE berdasarkan metode sebesar 51%. Nilai tersebut
Naive adalah 53%. Nilai ini masih cukup menunjukkan rata-rata simpangan
besar karena peramalan yang maksimum yang dihasilkan dari forecast
diberlakukan rata-rata memiliki dengan metode single eksponential
simpangan hingga 53% dari peramalan smoothing.
sebenarnya. Berikut ini adalah visualisasi dari
Berikut ini adalah visualisasi dari data Mean Absolute Percentage Error
data Mean Absolute Percentage Error (MAPE) selama 1 tahun.
(MAPE) selama 1 tahun.
Rata-rata Kesalahan Pada Metode Naive tahun 2011
Tingkat Kesalahan

1400
1200 1236,2
1000 560,1
800 36,3 57,4
600 46,5 14 38,6 121,9 108,7
400 11,5 8 152,5
200
0
/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/0 11

/1 11

/1 11

/1 11

/1 11

/1 11
11
/0 11

/0 11

/0 11
28 /20

14 20

28 /20

11 /20

25 20

09 /20

23 /20

06 20

20 /20

04 /20

18 /20

01 /20

15 /20

12 20

26 /20

10 /20

24 /20

07 /20

21 20

05 /20
20
17 /20

31 /20

14 /20

2/

4/

5/

8/

1/

2/
2

1
1

1
/0
03

MAPE Tanggal

Gambar 5. Pergerakan MAPE berdasarkan Metode Naive

Rata-rata Kesalahan Pada M e tode Single Exponential Smooting tahun 2011
Tingkat Kesalahan

1200
1039
1000
800
600 291 203 115
38,1 75,3 46 86 44 106
400 14,1 14 8
200
0
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/1 11
/1 11
/1 11

11
/1 11
/1 11
17 /20
31 /20
14 2 0
28 / 20
14 2/ 20
28 / 20
11 / 20
25 / 20
09 4/ 20
23 / 20
06 / 20
20 6/ 20
04 / 20
18 / 20
01 / 20
15 8/ 20
12 / 20
26 / 20
10 / 20
24 / 20
07 20

20
21 / 20
05 1/ 20
1/

0/

2/
1
1

3
3
4

5
5

6
7
7

8
9
9
0

1
/0
03

MAPE Tanggal

Gambar 6. Pergerakan MAPE berdasarkan Single Exponential Smoothing

77
 seasonal index yang diperoleh pada
level family product sebagaimana yang
terdapat pada rumus (2.3). Lalu
selanjutnya melakukan penjumlahan
terhadap keseluruhan hasil peramalan
pada level individual product seperti
Product Aggregation (Kumpulan) yang tertera pada rumus (2.4). Sehingga
didapat peramalan pada tingkat family
Metode ini merupakan metode product.
yang menggunakan peramalan pada Nilai MAPE yang dihasilkan adalah
level family product. Metode ini juga sebesar 32%. Hal ini berarti rata-rata
menggunakan data produk yang terdapat kesalahan peramalan dengan
di dalam family product tersebut pendekatan seperti ini cukup kecil, yakni
(individual item). Untuk menerapkan tipe memiliki rata-rata persentase simpangan
peramalan ini, diperlukan perhitungan sebesar 32% dari permintaan yang
seasonal index terlebih dahulu. Berikut sebenarnya.
ini adalah seasonal index yang di dapat Untuk menggambarkan fluktuasi
dengan cara membagi permintaan dari Rata-rata Persentase Kesalahan
dengan rata-rata permintaan tahun (MAPE) data tersebut akan disajikan
tersebut pada periode yang sama. dalam bentuk grafik. Berikut ini adalah
Peramalan dengan metode visualisasi dari data Mean Absolute
product aggregation ini dilakukan dengan Percentage Error (MAPE) selama 1
cara mengalikan masing-masing jumlah tahun.
permintaan individual product dengan

Rata-rata Kesalahan Pada Metode Product Aggregation tahun 2011

Tingkat Kesalahan

120
100 94 57 96 59 59
80 37 50 53 58
25 33
60 17 12
4
40
20 43
0
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/1 11
/1 11
/1 11
/1 11
/1 11
11
17 /20
31 /20
14 20
28 / 20
14 / 20
28 20
11 / 20
25 / 20
09 / 20
23 / 20
06 / 20
20 / 20
04 / 20
18 / 20
01 / 20
15 / 20
12 / 20
26 / 20
10 / 20
24 20
07 / 20
21 / 20
05 / 20

20
1/

3/

0/

2/
1
1

2
2

3
4
4
5
5
6
6
7
7
8
8
9
9

0
1
1
/0
03

MAPE Tanggal

Gambar 7 Pergerakan MAPE Berdasarkan Metode Product Aggregation

Kombinasi antara Product Kombinasi metode product

Aggregation dan Naive aggregation dan naive menghasilkan
hasil MAPE yang lebih kecil yakni
Metode ini merupakan kombinasi sebesar 28%. Dalam kondisi seperti ini
dari dua buah metode forecast yang berarti kombinasi dengan metode naive
telah dibahas sebelumnya, yakni Product sangat berperan dalam menghasilkan
Aggregation dan Naive. Kombinasi ini peramalan yang lebih memadai.
dilakukan dengan cara merata-ratakan Besarnya MAPE 28% secara umum
hasil peramalan dari masing-masing dipengaruhi oleh seasonal index yang
metode. Berikut ini adalah hasil didapat ketika melakukan perhitungan
pengolahan data dengan metode peramalan dengan metode product
kombinasi kedua metode peramalan ini. aggregation.

78
 Nilai Mean Square Error (MSE) (MAPE) data tersebut akan disajikan
adalah 14670547 jika di akar ( ) kan dalam bentuk grafik. Berikut ini adalah
hasilnya sebesar 3830 (Forecast Error) visualisasi dari data Mean Absolute
Untuk menggambarkan fluktuasi Percentage Error (MAPE) selama 1
dari Rata-rata Persentase Kesalahan tahun.

Rata-rata Ke salahan Pada Kombinasi M etode Product Aggregation dan Naiv e

tahun 2011
Tingkat Kesalahan

600 570
500 231
400 27
300 15 22 8 8 2 22 14 35 32,9
200 8 54
100
0
/0 11
/0 11
/0 011

2 1
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11

6 1
/0 11
/0 11
/0 11
/0 11
/0 11
/0 11
/1 11

0 1
/1 11
/1 11
/1 11
11
/0 01

/0 01

/1 01
17 /20
31 20

14 /20
28 /20
11 /20
25 /20
09 /20
23 20
06 /20

04 /20
18 /20
01 /20
15 /20
12 /20
26 /20
10 /20

07 /20
21 20
05 /20

20
14 1/2
28 2/2

20 6/2

24 /2
1/

5/

1/

2/
1

3
3
4
4

7
7
8
8
9
9
0

1
/0
03

MAPE Tanggal

Gambar 8. Pergerakan MAPE berdasarkan Kombinasi Metode Product

Aggregation dan Naive.

Perbandingan Mean Absolute dengan yang lainnya, yang paling tepat

Persentage Error (MAPE) adalah MAPE karena hasil kesalahan
peramalan ditinjau sebagai persentase
Dalam mengukur akurasi error yang terjadi dibandingkan dengan
peramalan, terdapat beberapa keadaan sebenarnya.
perhitungan yang dapat dilakukan, Berdasarkan pengolahan data
antara lain Mean Absolute Deviation dengan berbagai metode peramalan di
(MAD), Mean Squared Error (MSE) dan atas, diperoleh hasil MAPE sebagai
Mean Absolute Persentage Error berikut.
(MAPE). Untuk membandingkan akurasi
peramalan antara metode yang satu

Tabel 1 Hasil Mean Absolute Persentage Error (MAPE)

METODE MAPE
Naive Methode 53%
Single Exponential Smoothing 51%
Product Aggregation 32%
Product Aggregation combined with Naive 28%

Terlihat dari resume tabel di atas, kombinasi ini adalah sebesar 28%. Hal
metode-metode peramalan yang baru di ini terjadi karena dari semua metode
usulkan menghasilkan nilai MAPE yang baru yang diusulkan, sedangkan metode
lebih kecil dibandingkan dengan Product Aggregation yang menghasilkan
peramalan yang telah dilakukan. Oleh MAPE sebesar 32%, berarti hasilnya
karena itu, metode tersebut layak untuk jauh lebih besar dan tidak layak untuk di
dicoba diterapkan pada perusahaan. coba atau diterapkan di perusahaan.
Dari keseluruhan metode yang Untuk perhitungan selanjutnya,
diusulkan, nilai MAPE yang terkecil akan digunakan metode peramalan yang
adalah ketika peramalan dilakukan terpilih berdasarkan nilai MAPE terkecil,
dengan metode Product Aggregation yakni metode Product Aggregation yang
dikombinasikan dengan metode Naive. dikombinasikan dengan metode Naive.
MAPE yang dihasilkan oleh metode

79
Perbandingan Penilaian Kinerja mengantisipasi kondisi kehilangan
penjualan ini, diperlukan sebuah
Penilaian kinerja secara rutin tindakan antisipasi. Pemberlakuan
dilakukan perusahaan untuk menjamin persediaan pengamanan (safety stock)
keberlangsungan produksi guna merupakan salah satu upaya
mengevaluasi kinerja untuk menghindari terjadinya permintaan yang
meningkatkan performa perusahaan tidak dapat terpenuhi.
secara berkelanjutan. Salah satu cara Berikut ini adalah perhitungan
dalam melakukan penilaian kinerja safety stock 1 tahun terakhir dengan
adalah dengan melakukan perhitungan menggunakan nilai Mean Absolute
service level. Penilaian kinerja ini Percentage Error (MAPE) terkecil; yakni
dihitung berdasarkan perhitungan Product Aggregation combined with
besarnya service level sebelum dan Naive.
sesudah diterapkannya metode Setelah menghitung besar safety
peramalan yang terpilih. stock untuk tiap periode dan masing-
Terlihat dari tabel 1 terjadi masing metode, dilakukan estimasi
beberapa periode dimana permintaan jumlah produksi dengan cara
tidak dapat terpenuhi. Dengan menambahkan nilai forecast dengan
menjumlahkan seluruh kehilangan safety stock. Permintaan yang tidak
permintaan tersebut, total permintaan terpenuhi merupakan kerugian bagi
yang tidak terpenuhi adalah sebesar perusahaan. Berikut ini adalah
507525 karton. Jumlah ini cukup besar perbandingan nilai service level sebelum
mengingat kepuasan pelanggan dan sesudah diterapkannya metode
sangatlah berarti guna meningkatkan peramalan yang terpilih.
keuntungan perusahaan. Untuk
Tabel 2 Perbandingan Tingkat Pelayanan (Service Level)

Metode Peramalan Perusahaan

Total Stock out 507525
Total permintaan terpenuhi 992441
Total Permintaan 1499966
Service Level 66,2 %
Product Aggregation combined with Naive
Total Stock out 34443
Total permintaan terpenuhi 1465523
Total Permintaan 1499966
Service Level 97,7 %

Dari tabel di atas terlihat bahwa yang dilakukan lebih kecil dari
terjadi peningkatan service level sebesar permintaan yang datang.
31,5%. Hal ini disebabkan oleh akurasi
metode peramalan yang baru lebih tinggi
sehingga permintaan yang datang dapat
di antisipasi dengan baik. Sedangkan
pada metode yang lama, error yang Strategi Penentuan Safety Stock
terjadi lebih besar jika dibandingkan
dengan metode yang baru. Oleh karena Ketersediaan produk merupakan
itu, terdapat beberapa kali kondisi hal yang paling penting dalam menjamin
dimana permintaan tidak dapat tingkat pelayanan perusahaan terhadap
tertangani dengan baik ketika produksi customernya. Kondisi dimana
permintaan lebih tinggi dari pada

80
produksi menyebabkan stock out yang
menimbulkan kehilangan penjualan.
Kehilangan penjualan ini merupakan
kerugian bagi perusahaan. Oleh karena
itu, diperlukan strategi dalam
menentukan jumlah persediaan untuk
motif berjaga-jaga. Jenis persediaan ini
dikenal dengan sebutan safety stock.
Besarnya nilai safety stock
tergantung kepada nilai service level
yang ditentukan oleh perusahaan. Nilai
service level yang digunakan dalam
perhitungan rumus ini adalah besarnya
nilai z dari persentase tingkat pelayanan
yang diharapkan. Forecast error yang
digunakan adalah nilai Root Mean
Square Error, sedangkan Lead time yang
digunakan adalah rentang waktu dimulai
dari saat pemesanan barang hingga
barang siap digunakan.
Berdasarkan perhitungan,
diperoleh besarnya safety stock yang
harus disediakan berdasarkan metode
Product Aggregation combined with
Naive, sebagai berikut.

Tabel 3 Tingkat Kebutuhan Safety Stock

Service Level Z Forecast Error Lead Time Safety Stock

99% 2,33 3830 1 8924
98% 2,05 3830 1 7852
97% 1,88 3830 1 7200
96% 1,75 3830 1 6703
95% 1,64 3830 1 6281
94% 1,55 3830 1 5937
93% 1,48 3830 1 5668
92% 1,41 3830 1 5400
91% 1,34 3830 1 5132
90% 1,28 3830 1 4902
85% 1,04 3830 1 3983
80% 0,84 3830 1 3217
65% 0,38 3830 1 1455
52% 0,06 3830 1 230
50% 0 3830 1 0

Pada dasarnya, penentuan kebutuhan safety stock yang harus

service level ini merupakan kebijakan
perusahaan karena mungkin saja masih
ada pertimbangan-pertimbangan lain
yang harus dipertimbangkan guna
mendapatkan laba yang lebih banyak.
Tabel diatas merupakan alternatif usulan
penentuan jumlah safety stock yang
dapat membantu perusahaan
berdasarkan service level 50-99%.
Safety stock yang disediakan
juga dapat menimbulkan resiko
meningkatnya biaya gudang. Oleh
karena itu, dibutuhkan perhitungan
safety stock yang lebih akurat guna
meminimalisir biaya-biaya yang
dikeluarkan. Besarnya safety stock yang
ditentukan tergantung kepada
keakuratan peramalan. Berikut ini
merupakan gambaran besarnya selisih
disediakan sebelum dan sesudah
diterapkannya peramalan yang baru.
Pada dasarnya, safety stock ini
digunakan untuk menangani
ketidakpastian besarnya permintaan.
Dengan adanya metode peramalan yang
akurat, jumlah kebutuhan safety stock
dapat terkendali dengan baik. Semakin
kecil error dari peramalan, semakin kecil
pula tingkat kebutuhan safety stock.
Perhitungan Jumlah Pesanan
Ekonomis dan Titik Pemesanan
Ulang.
Perhitungan EOQ dan ROP
dilakukan terhadap permintaan terhadap
produk sangobion kemasan 100 ml/ltr
dalam satuan botol.

81
 total barang. Terdiri dari biaya
Asumsi-asumsi pehitungan adalah telepon, biaya pembuatan penawaran
sebagai berikut: sampai terjadinya Purchase Order
a. Satu botol sangobion kemasan 100 (PO), biaya pengiriman dan biaya tak
ml/ltr= $ 3,33 terduga.
b. Satu karton isi 50 botol sangobion e. Biaya penyimpanan 6% terhadap total
kemasan 100 ml/ltr=$ 167 barang. Terdiri dari biaya Listrik
c. Hasil rata-rata permintaan sangobion antara lain lampu, komputer, printer,
kemasan 100 ml/ltr dalam jangka 2 kipas angin, kulkas, AC. Biaya
tahun = 544482 karton. kebersihan, obat anti rayap / hama
d. Biaya pemesanan ditetapkan dari dan biaya tak terduga.
perusahaan $ 28 terhadap

Diketahui:
D = 544482 karton Jangka waktu antar tiap pesanan :
Co = $ 28 T = Jumlah hari kerja per tahun
I = 6% Frekuensi pesanan
C = $ 167 = 365/312 = 1,16 ( dibulatkan
Ch = $ 167 x 0,06 = $ 10,02 1 hari )
d = 544482/365 = 1492
karton / hari
EOQ = Q* = 2DCo
Ch Total biaya per tahun :
TC = 1 Q Ch + D/Q x Co
2
Q* = (2) . (544482) . ($ 28) TC =1744/2 x $ 10,02 +
$ 10,02 544482/1744 x $ 28

= 1744 karton = $ 17479

Titik pemesanan ulang (Reorder Point /
Frekuensi pesanan ekonomis adalah: ROP)
R = L.D/365
F = D = 544482 = 312 kali/tahun = 1 x 544482 / 365
Q 1744 = 1492
EOQ : 1744
Tingkat Persediaan

ROP: 1492
SS : 1455

Waktu

Gambar 8 EOQ, ROP, dan SS

Hasil yang didapat nilai Jumlah Titik pemesanan ulang (ROP)

pesanan ekonomis (EOQ) adalah 1744 adalah 1492 karton
karton. Total Biaya per tahun adalah $
17479.

82
 KESIMPULAN

e. Hasil yang didapat nilai Jumlah

Sesuai dengan tujuan penelitian, pesanan ekonomis (EOQ) adalah
yakni mencari berapa safety stock level sebesar 1744 karton. Titik
yang paling ideal untuk produk pemesanan ulang (ROP) adalah
sangobion dan mencari metode sebesar 1492 karton, sedangkan
peramalan yang terbaik untuk Total Biaya per tahun adalah
mendapatkan hasil MAPE terkecil, $17479.
diperoleh kesimpulan sebagai berikut:

a. Berdasarkan pengolahan data yang DAFTAR PUSTAKA

dilakukan, safety stock level yang
paling ideal, yakni dengan Almahdy, Indra, Kholil M.1998.
menggunakan metode terbaik yang Perencanaan dan Pengendalian
terpilih berdasarkan error terkecil Produksi, Grasindo, Jakarta.
adalah kombinasi Metode Product Biegel, John E.1992, Pengendalian
Aggregation dan Naive, dengan nilai Produksi, Akademika Pressindo,
Mean Absolute Percentage Error Jakarta.
(MAPE) sebesar 28%. Chockalingam, Mark.2010. Forecast
b. Nilai Mean Absolute Percentage Error and Safety Stock Strategies.
Error (MAPE) berdasarkan Gaspersz, Vincent. 1998, Production
peramalan yang selama ini Planning and Inventory Control, PT.
diterapkan adalah sebesar 81%, Gramedia Pustaka Utama, Edisi
sedangkan nilai MAPE berdasarkan Perrtama, Jakarta.
kombinasi metode Product George Box E. P & Jenkins, Gwilym M
Aggregation dan Naive adalah 2004. Time Series Analysis,
sebesar 28%. Sehingga penurunan Forecasting and Control, Grasindo,
yang terjadi adalah sebesar 53%. Jakarta.
c. Untuk meminimalisir peramalan dan Herjanto Eddy 2003, Manajemen
perintah produksi dengan cara Produksi dan Operasi, Edisi Kedua
Service Level. Service Level dan Ketiga, PT. Gramedia Widia
berdasarkan peramalan yang Sarana Indonesia, Jakarta.
selama ini diterapkan adalah Ishak, Aulia, 2010. Manajemen Operasi,
sebesar 66,2%, sedangkan service Graha Ilmu, Edisi Pertama,
level berdasarkan kombinasi Metode Yogyakarta.
Product Aggregation dan Naive Subandijo A. F. M. 1998. Management
adalah sebesar 97,7%. Sehingga Science Quantitative Approaches
mengalami peningkatan sebesar to Decision Making.
31,5%.
d. Estimasi perhitungan kebutuhan
safety stock dengan variasi service
level yang ditentukan yang dapat
digunakan sebagai bahan
pertimbangan perusahaan dalam
penetapan besar safety
stockdengan service level 65%,
kebutuhan safety stock adalah
1455 karton.

83