Oleh
Ellen Vande Nauli
ID No. 004201000125
2014
ABSTRAK
PT. Sari Enesis Indah yang berlokasi di Kawasan Industri Cikarang merupakan
perusahaan manufaktur yang bergerak di bidang pangan. dengan lisensi GMP (Good
Manufacturing Practices) dan sudah bersertifikat ISO 9001 : 2008 ini menjadi
fasilitas untuk penghasil produk makanan kesehatan yang berasal dari bubuk dan
liquid. Produk-produk yang dihasilkan dibuat dengan menggunakan mesin-mesin
berteknologi komputerisasi otomatis. Salah satu contoh produk yang bersaing di
pasar adalah minuman penyegar. Dalam proses produksinya untuk penyediaan
produk guna memenuhi permintaan pasar sering terjadi penumpukan produk akibat
dari total penjualan produk yang tidak sebanding dengan jumlah produk yang sudah
di produksi. Berikut tabel antara aktual penjualan terhadap kapasitas produksi :
Tabel 1.1. Data Kapasitas Produksi terhadap Aktual Penjualan
Indeks Kapasitas Produksi Aktual Penjualan
Waktu (Satuan : karton) (Satuan : karton)
1 81000 78977
2 88000 85731
3 110000 100838
4 125000 121883
5 130000 133774
6 155000 152313
7 163000 162333
8 100000 87899
9 100000 99617
10 100000 123613
11 135000 130337
12 132000 129445
Seperti pada bulan Januari 2013 terjadi stok berlebih sebanyak 2.023 karton. Selain
itu pada bulan Februari 2013 terjadi penumpukan barang sebanyak 2.269 karton,
sedangkan pada bukan Maret 2013 terjadi penumpukan sebanyak 9.162 karton. Untuk
bulan April stock barang sebanyak 3.117 karton. Sementara pada bulan Mei 2103
terjadi kekurangan produk sebanyak 3.774 karton. Begitu pula bulan berikutnya
terdapat penumpukan persediaan produk berdasarkan dari selisih antara kapasitas
produksi terhadap aktual penjualan. Pada bulan Agustus hingga September terjadi
penurunan penjualan yang signifikan jika dibandingkan pada bulan-bulan
sebelumnya, hal ini jika dianalisis oleh pihak marketing pada bulan tersebut
penjualan menurun dikarenakan situasi perdagangan yang sulit dan memasuki bulan
puasa. Dengan kata lain ada kondisi musiman pada penjualan minuman penyegar.
Kondisi ini sering terjadi sehingga dapat mempengaruhi keuntungan perusahaan dan
kepastian produksi yang tidak jelas. Hal ini terjadi karena tidak sesuainya
perencanaan produksi dengan trend permintaan produk yang terjadi saat ini. Oleh
karena itu perlu dilakukannya peramalan terhadap penjualan poduk. Peramalan
adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap suatu atau
beberapa produk pada masa yang akan datang. Peramalan dalam kegiatan perusahaan
manufaktur atau yang biasa disebut dengan produksi dilakukan untuk menentukan
jumlah permintaan terhadap suatu produk dan merupakan langkah awal dalam
perencanaan dan pengendalian produksi. Peramalan penjualan produk ini dilakukan
guna memperkirakan biaya yang akan dikeluarkan dalam satu bulannya. Sehingga
dengan begitu kelebihan stock ataupun penumpukan persediaan produk dalam gudang
dapat dihindari.
1.5 Asumsi
Tidak ada promosi selama penelitian berlangsung.
Tidak ada diskon produk selama periode peramalan.
b. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung
dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode
peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan
mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan
datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan
siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus
disesuaikan dengan dana yang tersedia dan tingkat akurasi yang ingin didapat,
misalnya item-item yang penting akan diramalkan dengan metode yang
sederhana dan murah. Prinsip ini merupakan adopsi dari hukum Pareto
(Analisa ABC).
c. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan. Percuma
menggunakan metode yang canggih, tetapi tidak dapat diaplikasikan pada
sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun
peralatan teknologi.
b. Peramalan Kuantitatif
Yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil
peramalan yang dibuat sangat tergantung pada metode yang dipergunakan
dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil
peramalan yang berbeda. Adapun yang perlu diperhatikan dari penggunaan
metode tersebut adalah baik/tidaknya metode yang dipergunakan, sangat
ditentukan oleh perbedaan atau penyimpangan anatara hasil ramalan dengan
kenyataan yang sebenarnya. Metode yang baik adalah metode yang yang
memberikan nilai-nilai perbedaan atau penyimpangan yang terkecil.
Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi
sebagai berikut :
Adanya informasi tentang keadaan yang lain.
Informasi tersebut dapat dikuantifikasikan dalam bentuk data
Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa
yang akan datang.
Berdasarkan Sungkono,2009, Metode peramalan kuantitatif ini dapat dibedakan atas
dua bagian :
1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan
antara variable yang akan diperkirakan dengan variabel waktu, yang
merupakan deret waktu atau time-series.mempengaruhi analisis.
i. Pola Siklis
Data
Data
100
99
1 3 5 7 9 11 13 15 17 19
Data
Pola ini terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata.
iv. Pola Trend
100
95
90
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Data
Adapun Taksonomi Peramalan dapat dilihat pada gambar 2.5, menurut Render, Stair,
Hanna (2006 : 151 )
Forecasting
Method
Objective Subjective
(Judgmental)
Forecasting Methods
Forecasting Methods
Naïve Simple
Methods Regression Delphi
Moving Multiple
Averages Regression PERT
Simple
Regression
ARIMA
Neural
Networks
Gambar 2.5. Taksonomi Peramalan
Adapun metode peramalan yang termasuk pada model time series adalah sebagai
berikut :
1. Berdasarkan Heizer dan Render (2009), metode Rata-Rata Bergerak ( Moving
Average ), terdiri atas :
Single Moving Average (SMA)
Moving Average pada suatu periode merupakan peramalan untuk satu periode ke
depan dari periode rata-rata tersebut. Persoalan yang timbul dalam penggunaan
metode ini adalah dalam menentukan nilai t (periode rata-rataan). Semakin besar
nilai t maka peramalan yang dihasilkan akan semakin menjauh pola data. Secara
matematis, rumus fungsi peramalan metode ini adalah :
-
Ft+1 = (2-1)
Dimana :
X1 = data pengamatan periode i
N = jumlah deret waktu yang digunakan
Ft+1 = nilai peramalan t+1
MSE = ...(2-10)
SEE = ..(2-11)
PEt = ...(2-12)
MAPE = (2-13)
BAB III
METODOLOGI PENELITIAN
3.1. Observasi
Tahap pertama yang dilakukan dalam melakukan penelitian ini adalah observasi
perusahaan terhadap penjualan produk minuman penyegar. Observasi ini dilakukan
dengan cara mewawancarai pihak marketing sehubungan dengan penjualan minuman
penyegar. Dari hasil wawancara dengan pihak marketing, maka penulis mendapatkan
record data penjualan periode Januari hingga Desember 2013.
2. Dokumentasi
Data pada penelitian ini diambil dari pengarsipan dan laporan yang dimiliki
oleh tim marketing selama periode satu tahun.
3. Studi pustaka
Data pendukung dalam penelitian ini berasal dari teori-teori peramalan yang
didapat berbagai sumber berupa modul perkuliahan, studi literatur. Seluruh
teori mengenai peramalan ini dirangkum dalam BAB II.
Observasi
Identifikasi Masalah
Pengumpulan Data
Pengolahan Data
(Simple Average,Single
Exponential Smoothing, Double
Exponential Smoothing)
Analisis Data
Selesai
Dari data aktual penjualan minuman penyegar pada tahun 2013 diatas (tabel 4.1)
dapat dilihat pola data yang disajikan pada grafik di bawah ini :
Pola Data Penjualan Minuman Penyegar Tahun 2013
180000
160000
140000
120000
100000
80000
60000 Actual Sales
40000
20000
0
Berdasarkan gambar 4.1 terlihat pola data penjualan pada bulan Januari sampai Juli
mengalami peningkatan, namun pada bulan Agustus mengalami penurunan yang
cukup signifikan bila dibandingkan dengan pada bulan-bulan sebelumnya. Pola
penjualan minuman penyegar diatas belum bisa dikategorikan kepada pola siklis, data
trend, data horizontal , namun lebih cenderung ke pola data musiman, karena
terpengaruh pada kecenderungan perdagangan, mengingat saat ini sudah banyak
pesaing, terutama perusahaan di bidang food and beverages.
Jika dituliskan dalam rumus Ŷt = Ŷt-1 + ā (Yt-1 - Ŷt-1), maka hasil peramalan dengan
menggunakan :
Konstanta pemulusan (α = 0,9)
Februari = Ŷt-1 + α (Yt-1 - Ŷt-1)
= Ramalan Januari + α ( Aktual Penjualan Januari-Ramalan Januari)
= 117.230 + {(0,9) (78.977-117.230)} = 82.802,3 karton
Demikian seterusnya hingga dihitung bulan Desember
Desember = Ramalan November + α (Aktual Penjualan November – Ramalan
November)
= 121.169,5 + {(0,9) (130.337-121.169,5)} = 129.420,2 karton
150.00
Penjualan
100.00
Actual
50.00 Sales
0.00
Juli
Januari
Feruari
April
Juni
Agustus
Sepember
Oktober
Maret
November
Desember
Mei
Waktu
Pada gambar 4.2 tampak bahwa adanya perbedaan yang jelas antara pola pernjualan
aktual terhadap peramalan dengan konstanta pemulusan 0.5. Terlihat pada bulan
Januari bahwa nilai penjualan aktual lebih rendah jika dibandingkan dengan hasil
peramalan, selain itu pola hasil peramalan tidak cenderung mengikuti pola penjualan
aktual. Dari pola grafik di atas menunjukkan bahwa hasil peramalan cenderung lebih
kecil dari aktual penjualan. Hal ini dapat memberikan dampak tidak baik terhadap
perusahaan, karena dengan kecenderungan pola seperti ini berarti perusahaan tidak
mampu memenuhi permintaan produk terhadap customer, menyebabkan kurangnya
persediaan barang untuk dijual ke pasar.
PERAMALAN PENJUALAN MINUMAN
200.00 PENYEGAR DENGAN α = 0.8
Thousands
150.00
Penjualan
100.00
50.00 Actual Sales
Sepem…
Nove…
Dese…
Juli
Januari
Feruari
April
Juni
Agustus
Oktober
Maret
Mei
Waktu
200.00
150.00
Penjualan
100.00
y (Penjualan Aktual)
50.00
Y' (Hasil Peramalan)
0.00
Waktu
Berdasarkan gambar 4.3 dan gambar 4.4., kedua grafik ini menunjukkan pola yang
mirip, kecenderungan pola yang dihasilkan mengikuti pola aktual penjualan. Namun
jika dilihat lebih teliti gambar 4.4. menunjukkan grafik yang lebih mendekati keadaan
penjualan aktual. Hal ini terlihat pada bulan Juli dan November, bahwa hasil
peramalan yang diberikan pada gambar 4.4. lebih baik jika dibandingkan dengan
gambar 4.3. Dari hasil peramalan yang diberikan nilai pernjualan pada bulan Juli dan
November pada konstanta pemulusan 0.9 lebih mendekati nilai penjualan aktual.
AKTUAL
150.00 PENJUALAN
Penjualan
100.00
FORECAST BY
SIMPLE
50.00 AVERAGE
0.00
1 2 3 4 5 6 7 8 9 10 11 12
Indeks Waktu
Gambar 4.5. Grafik Perkiraan Penjualan dengan metode SA
Dengan α = 0.9, karena data memiliki fluktiatif yang besar, maka nilai Ῠt-1 didapat
dari hasil perbandingan kumulatif aktual penjualan dengan jumlah periode, sehingga
didapat =
Ῠt-1 = 1.406.760,00 / 12 = 117.230 karton
Proses mendapatkan nilai MSE adalah dengan melakukan langkah awal menghitung
selisih antara hasil ramalan dengan aktual penjualan, disebut dengan error. Kemudian
hasil pengkuadratan error ini dijumlahkan, setelah dijumlahkan dibagi dengan
banyaknya data yang dihitung. Dalam hal ini jumlah datanya sebanyak sebelas data.
Pada tabel di atas jelas menunjukkan bahwa metode peramalan yang terbaik untuk
memperkirakan penjualan minuman penyegar di PT.Sari Enesis sehingga mampu
memberikan data yang mendekati dengan keadaan penjualan yang sebenarnya adalah
Exponential Smoothing dengan konstanta pemulusan (α) 0,9. Fungsi Konstanta
Pemulusan dalam penelitian ini adalah untuk memberikan penekanan pada yang lebih
terhadap data yang paling baru. Setiap peramalan yang baru berdasarkan pada hasil
peramalan sebelumnya ditambah dengan suatu hasil prosentase perbedaan atau selisih
antara aktual penjualan dengan nilai peramalannya pada waktu tersebut.
Dilihat pada gambar 4.5, terlihat bahwa metode Exponential Smoothing (α=0,9) tepat
digunakan untuk meramalkan penjualan minuman penyegar di PT.Sari Enesis Indah,
karena nilai tracking signal yang didapatkan tidak seluruhnya positif atau negatif,
melainkan berimbang, sehingga dapat mewakili data peramalan yang dibutuhkan.
Selain itu data tersebar pada koordinat daerah yang berbeda artinya tidak ada lebih
dari dua titik yang terletak pada koordinat daerah yang sama atau berdampingan.
Nilai tracking signal didapat dari perbandingan antara kumulatif error dengan nilai
MAD. Nilai MAD didapat dari hasil pembagian antara kumulatif absolute error
dengan indeks waktu. Adapun rincian pengolahan data ini sebagai berikut :
Tabel 4.7. Pengolahan Data ES (α = 0,9)
Tabel 4.8. Perbandingan Aktual Penjualan dengan Metode ES & Forecast Perusahaan
Selisih
Actual Forecast
Bulan Metode ES Selisih ES Terhadap
Sales Perusahaan
Perusahaan
Januari 78977 117230 120000 -38253 -41023
Februari 85731 82802.3 80000 2928.7 5731
Maret 100838 85438.1 90000 15399.9 10838
April 121883 99298 90000 22585 31883
Mei 133774 119624.5 120000 14149.5 13774
Juni 152313 132359.1 120000 19953.9 32313
Juli 162333 150317.6 150000 12015.4 12333
Agustus 87899 161131.5 150000 -73232.5 -62101
September 99617 95222.2 90000 4394.8 9617
Oktober 123613 99177.5 90000 24435.5 33613
November 130337 121169.5 130000 9167.5 337
Desember 129445 129420.2 130000 24.8 -555
Pada tabel 4.8 apabila dibandingkan dengan metode hasil peramalan perusahaan
kekurangan stok penjualan jumlahnya lebih banyak dibandingkan dengan metode ES.
Hal ini membuktikan bahwa penjualan akan mengalami perbaikan jika menggunakan
metode Exponential Smoothing serta kekurangan stok produk untuk dijual tidak akan
terjadi lagi apabila peramalan terhadap penjualan minuman penyegar menerapkan
metode Exponential Smoothing.
Berdasarkan selisih antara aktual penjualan dengan hasil ramalan dan ramalan
perusahaan maka didapat persentase selisih antara aktual penjualan dengan ramalan
penjualan dan ramalan perusahaan. Dari hasil tabel 4.9. dibawah ini, didapat rata-rata
persentase selisih aktual penjualan dengan hasil ramalan sebesar 19,27% sedangkan
persentase selisih aktual penjualan dengan ramalan perusahaan sebesar 20,24%. Hal
ini membuktikan bahwa keakuratan peramalan dengan metode Exponential
Smoothing lebih baik jika dibandingkan dengan hasil ramalan dari PT.Sari Enesis
Indah.
Tabel 4.9. Presentase Selisih Aktual Penjualan dengan Metode ES & Forecast
Perusahaan
% Selisih
Actual Metode Forecast Selisih %Selisih
Bulan Selisih Terhadap
Sales ES Perusahaan ES Perusahaan
ES Perusahaan
Januari 78977 117230 120000 -38253 48.44% -41023 51.94%
Februari 85731 82802.3 80000 2928.7 3.42% 5731 6.68%
Maret 100838 85438.1 90000 15399.9 15.27% 10838 10.75%
April 121883 99298 90000 22585 18.53% 31883 26.16%
Mei 133774 119624.5 120000 14149.5 10.58% 13774 10.30%
Juni 152313 132359.1 120000 19953.9 13.10% 32313 21.21%
Juli 162333 150317.6 150000 12015.4 7.40% 12333 7.60%
Agustus 87899 161131.5 150000 73232.5 83.31% -62101 70.65%
September 99617 95222.2 90000 4394.8 4.41% 9617 9.65%
Oktober 123613 99177.5 90000 24435.5 19.77% 33613 27.19%
November 130337 121169.5 130000 9167.5 7.03% 337 0.26%
Desember 129445 129420.2 130000 24.8 0.02% -555 0.43%
BAB V
SIMPULAN DAN SARAN
5.1. Simpulan
Berdasarkan hasil pengolahan data dan hasil yang diuraikan pada bab-bab
sebelumnya, maka dapat disimpulkan bahwa :
1. Peramalan penjualan minuman penyegar di PT. Sari Enesis dapat dilakukan
dengan metode Exponential Smoothing dengan konstanta pemulusan 0,9. Karena
memiliki kesalahan peramalan yang paling kecil dibandingkan dengan konstanta
pemulusan lainnya. Disamping itu nilai tracking yang dihasilkan tidak selalu
positif atau negatif, sehingga cukup berimbang dan mewakili model yang
diinginkan. Selain itu kekurangan penjualan lebih sedikit jika dibandingkan
dengan forecast perusahaan.
2. Peramalan penjualan minuman penyegar dengan menggunakan metode
Exponential Smoothing memiliki keakuratan yang lebih baik jika dibandingkan
dengan hasil ramalan yang ada pada PT. Sari Enesis Indah. Besar persentase
selisih hasil peramalan ES yaitu 19,27%, sedangkan persentase selisih hasil
peramalan yang dimiliki oleh perusahaan terhadap aktual penjualan sebesar
20,24%
3. Peramalan penjualan menggunkan metode Simple Average tidak bisa digunakan
dalam peramalan penjualan minuman penyegar di PT. Sari Enesis Indah, karena
hasil peramalan belum mewakili keadaan penjualan yang sebenarnya.
4. Perlu adanya perbaikan ramalan yang harus dilakukan perusahaan guna mengatur
persediaan produk setiap periodenya.
5.2. Saran
2. Peramalan Penjualan ini harus didukung oleh semua pihak di perusahaan seperti
persediaan bahan baku, persediaan bahan kemas, jadwal produksi yang jelas
sehingga dapat memenuhi permintaan akan produk yang tidak pasti di setiap
periode.
REFERENSI
Assauri Sofyan. 1984. Teknik dan Metode Peramalan Penerapannya dalam Ekonomi
dan Dunia Usaha. UI Press. Jakarta
Makridakis,S., Wright, S.C.W., dan Mc Gee V. 1999. Alih Bahasa Suminto, H, Ir.
Metode dan Aplikasi Peramalan. Edisi Kedua. Binaputra Aksara. Jakarta
Sungkono,C. 2009. Manajemen Operasi (edisi 9). Jakarta : Penerbit Salemba Empat
Marrie Anne Ivaline, Studi Literatur Mengenai Permintaan dan Penentuan Ukuran
Batch Optimum Produk, Tugas Akhir, Jurusan Teknik Industri, FTI-Universitas
Trisakti, 2011