ANALISIS BULLWHIP EFFECT DAN PENGONTROLAN

PEMBELIAN BAHAN BAKU DALAM SISTEM MANAJEMEN

RANTAI PASOKAN OBAT-OBATAN HEWAN
(STUDI KASUS DI PT. PYRIDAM VETERINER)

Oleh:
Nikita Anastasya
545170024

Skripsi ditulis untuk memenuhi sebagian persyaratan

dalam mendapatkan gelar Sarjana Teknik

PROGRAM STUDI TEKNIK INDUSTRI

JURUSAN TEKNOLOGI INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS TARUMANAGARA
JAKARTA
2021
 PENGESAHAN

Nama : Nikita Anastasya

NIM : 545170024
Program Studi : Teknik Industri
Judul Skripsi : Analisis Bullwhip Effect dan Pengontrolan Pembelian Bahan
Baku Dalam Sistem Manajemen Rantai Pasokan Obat-obatan
Hewan (Studi Kasus di PT. Pyridam Veteriner)

telah dipertahankan di hadapan sidang akhir skripsi yang dibentuk oleh Program
Studi Teknik Industri pada tanggal 12 Januari 2021 dengan anggota Tim Penguji
sebagai berikut:
1. Lithrone Laricha S., S.T., M.T.
2. Ahmad, S.T., M.T.
3. I Wayan Sukania, S.T., M.T.
4. Lina Gozali, S.T., M.M., Ph.D.

Jakarta, 21 Januari 2021

Mengesahkan:
Pembimbing Pendamping, Pembimbing Utama,

Andres, S.T., M.M. Wilson Kosasih, S.T., M.T., IPM

Ketua Program Studi,

Wilson Kosasih, S.T., M.T., IPM

ii
 KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat
dan rahmat-Nya sehingga penulis dapat menyelesaikan skripsi dengan judul
“Analisis Bullwhip Effect dan Pengontrolan Pembelian Bahan Baku Dalam Sistem
Manajemen Rantai Pasokan Obat-obatan Hewan (Studi Kasus di PT. Pyridam
Veteriner)” dengan baik dan benar. Adapun tujuan dari penulisan skripsi ini adalah
salah satu syarat dalam mendapatkan gelar Sarjana Teknik di Universitas
Tarumanagara.
Dalam penulisan skripsi ini, penulis hendak menyampaikan terima kasih
kepada semua pihak yang telah memberikan dukungan moril maupun materiil
sehingga skripsi ini dapat diselesaikan dengan baik dan tepat waktu. Atas
terselesaikannya skripsi ini, penulis mengucapkan terima kasih kepada:
1. Bapak Wilson Kosasih, S.T., M.T., IPM, selaku Ketua Program Studi
Teknik Industri Universitas Tarumanagara serta Dosen Pembimbing
Pertama Skripsi yang telah memberikan saran, pendapat, serta
meluangkan waktunya dalam membimbing skripsi.
2. Bapak Andres, S.T., M.M., selaku Dosen Pembimbing Kedua Skripsi
yang telah membimbing penulis dalam penelitian skripsi.
3. Ibu Lithrone Laricha S., S.T., M.T., selaku Koordinator Skripsi Teknik
Industri Universitas Tarumanagara.
4. Bapak Endro Wahyono selaku Staff Sekretariat Jurusan Teknik Industri
Universitas Tarumanagara yang telah memberikan informasi-informasi
mengenai pelaksanaan skripsi.
5. Seluruh Dosen dan Karyawan Teknik Industri Universitas
Tarumanagara yang telah memberikan pengajaran, bimbingan,
dukungan, dan materi terhadap penulis selama masa perkuliahan.
6. PT. Pyridam Veteriner selaku tempat penulis dalam melakukan
penelitian skripsi.

iii
 7. Bapak Frans selaku Kepala Produksi di PT. Pyridam Veteriner yang
telah membantu penulis mengumpulkan data serta memberikan
penjelasan mengenai kegiatan produksi yang dilakukan.
8. Bapak Rahmad selaku Kepala Manajemen di PT. Pyridam Veteriner
yang telah memberikan penjelasan mengenai permasalahan yang ada di
pabrik.
9. Seluruh karyawan di PT. Pyridam Veteriner yang telah membantu dan
membimbing penulis selama melakukan penelitian.
10. Seluruh pihak yang telah membantu penulis baik secara langsung
maupun tidak langsung.
Meskipun telah menyelesaikan skripsi ini dengan sebaik mungkin, penulis
menyadari bahwa masih terdapat banyak kekurangan. Oleh karena itu, penulis
mengharapkan kritik dan saran yang membangun menyempurnakan segala
kekurangan di penelitian yang akan datang. Akhir kata, penulis berharap semoga
skripsi ini berguna bagi pengembangan penelitian mendatang.

Jakarta, 07 Januari 2021

Penulis

iv
 LEMBAR PERSEMBAHAN

Puji Syukur penulis panjatkan kepada Tuhan yang Maha Esa, karena berkat
dan rahmat-Nya, penulis dapat menyelesaikan laporan skripsi ini dengan baik dan
tepat pada waktunya. Hal tersebut tidak luput dari dukungan, motivasi, doa-doa dan
berkat yang diberikan oleh pihak-pihak yang telah membantu penulis. Sehingga,
secara khusus penulis ingin mengucapkan terima kasih kepada:
1. Tuhan Yesus Kristus, Bunda Maria, dan Allah Bapa yang selalu menyertai
penulis di saat sedih maupun senang dan selalu membantu penulis melalui
berkat-Nya.
2. Papi (Irwan Gunawan) dan Mami (Fien Maria) sebagai kedua orang tua
yang tiada hentinya memberikan semangat, dukungan dan doa-doa, baik
moril dan materiil untuk penulis dalam menyelesaikan skripsi ini.
3. Nicholas Yudhistira sebagai seseorang kakak yang selalu ada dan
membelikan makanan untuk penulis.
4. Seluruh dosen dan karyawan Teknik Industri Untar yang telah
membimbing dan menuntun penulis selama penulis menjalani perkuliahan
hingga lulus di waktu yang tepat.
5. Jeong Jaehyun yang telah menemani penulis secara tidak langsung dalam
mengerjakan skripsi ini.
6. Marsinondang Oktaviani Regina yang telah menemani dan menyemangati
penulis setiap hari.
7. Ke-23 member NCT yang telah menghibur dan menyemangati penulis
melalui musik-musiknya dan tingkah laku setiap membernya.
8. Keseluruhan SMTown Family yang telah memberikan semangat dan
motivasi melalui karya-karya dari setiap grup.
9. Keseluruhan YG Family yang telah memberikan semangat dan motivasi
melalui karya-karya dari setiap grup.
10. Teman-teman IMADUTA UNTAR yang telah menjadi rumah kedua
selama perkuliahan dan yang telah memberikan kenangan selama menjadi
bagian dalam kepengurusan dan kepanitaan.

v
11. Teman-teman Kuy Girl yang beranggotakan Nondang, Figa, Agata, dan
Novira, yang selalu ada, menghibur, berkeluh kesah bersama, dan terus
mendukung satu sama lain dari SD sampai sekarang.
12. Teman-teman Malang dan SE Team yang beranggotakan Aam, Caca,
Leon, Hengky, Arie, Carel, Monik, dan Angel yang telah menemani dan
bermain bersama penulis dari SMA sampai sekarang.
13. Teman-teman SG KUY dan swegg yang beranggotakan Gerry, Hansen,
Verin, Eileen, Keke, Cindy, dan Vinna yang telah menghibur, menemani
dan mendukung penulis selama perkuliahan.
14. Teman-teman inginsukses yang beranggotakan Cindy dan Vinna yang
telah memberi semangat, menghibur, dan mendukung satu sama lain
selama perkuliahan.
15. Teman-teman UKM Adhyatmaka, TEC, dan FESTA yang telah
memberikan ilmu, rasa solidaritas, dan pertemanan selama perkuliahan.
16. Teman-teman bimbingan Pak Wilson dan Pak Andres yang telah
memberikan informasi berkaitan dengan jadwal bimbingan.
17. Teman-teman Teknik Industri Angkatan 2017 yang telah menjadi teman
di dalam kelompok maupun di dalam lingkup kelas yang menjadi
penyemangat dan motivasi penulis.
18. Seluruh pihak yang telah membantu penulis dalam berbagai hal (baik
sadar maupun tidak sadar) yang tidak dapat penulis sebutkan satu persatu.
19. Universitas Tarumanagara sebagai tempat penulis menuntut ilmu selama
3,5 tahun ini dan mendapatkan banyak pengalaman serta bertemu dengan
orang-orang hebat.

vi
 ABSTRAK

PT. Pyridam Veteriner merupakan perusahaan yang bergerak dibidang pembuatan dan
perindustrian obat hewan (khususnya hewan ternak) yang berdiri sejak tahun 1976. Terdapat lebih
dari 40 obat-obatan (yang terdiri dari cairan, kapsul, serbuk, dan kaplet), yang dibuat oleh
perusahaan. Sering kali, peramalan/forecasting yang didapat jauh melampaui hasil aktual yang
diperoleh. Permasalahan tersebut terjadi karena hasil penjualan suatu periode dijadikan acuan
untuk meramalkan jumlah permintaan barang di periode berikutnya, padahal pada kenyataannya,
permintaan dari customer terus berubah-ubah. Ketidakpastian permintaan customer inilah yang
menjadi penyebab utama bullwhip effect. Bullwhip effect merupakan variansi permintaan dari
customer sehingga menyebabkan terjadinya distorsi/perubahan. Perubahan tersebut
mengakibatkan serangkaian efek yang akan mengacaukan rantai suplai. Penelitian ini bertujuan
untuk memperkecil nilai bullwhip effect yang ditimbulkan dengan menggunakan metode
Collaborative Planning, Forecasting, and Replenishment (CPFR) serta pengontrolan total cost
inventory menggunakan metode Vendor Managed Inventory (VMI).

Kata kunci: Bullwhip Effect, Collaborative Planning Forecasting and Replenishment (CPFR),
Supply Chain, Variabilitas Permintaan, Vendor Managed Inventory (VMI)

vii
 ABSTRACT

PT. Pyridam Veteriner is a company engaged in the manufacture and industry of veterinary drugs
(specifically for livestock) which was founded in 1976. There are more than 40 drugs (consisting of
liquids, capsules, powders, and caplets), made by the company. Often times, forecasts obtained
exceed the actual results obtained. This problem occurs because the sales results of a period are
used as a reference to predict the number of goods demanded in the next period, when in fact, the
demand from customers is constantly changing. This uncertainty in customer demand is the main
cause of the bullwhip effect. The bullwhip effect is the variance in demand from customers, causing
distortion / change. These changes have an effect that will disrupt the supply chain. This study aims
to reduce the value of the bullwhip effect generated by using the Collaborative Planning,
Forecasting, and Replenishment (CPFR) method and total inventory cost control using the Vendor
Managed Inventory (VMI) method.

Keywords: Bullwhip Effect, Collaborative Planning Forecasting and Replenishment (CPFR),

Demand Variability, Vendor Managed Inventory (VMI), Supply Chain

viii
ix
 DAFTAR ISI

COVER .................................................................................................................. i
PENGESAHAN .................................................................................................... ii
KATA PENGANTAR ......................................................................................... iii
LEMBAR PERSEMBAHAN .............................................................................. v
ABSTRAK .......................................................................................................... vii
ABSTRACT ........................................................................................................ viii
PERNYATAAN KEASLIAN SKRIPSI ............................................................ ix
DAFTAR ISI ......................................................................................................... x
DAFTAR GAMBAR .......................................................................................... xii
DAFTAR TABEL ............................................................................................... xv
BAB 1 PENDAHULUAN ..................................................................................... 1
1.1 Latar Belakang ........................................................................................... 1
1.2 Identifikasi Masalah ................................................................................... 2
1.3 Rumusan Masalah ...................................................................................... 4
1.4 Tujuan Penelitian ....................................................................................... 4
1.5 Manfaat Penelitian .................................................................................... 5
1.6 Batasan Masalah ....................................................................................... 5
1.7 Sistematika Penulisan ............................................................................... 6
BAB 2 KAJIAN PUSTAKA ................................................................................. 9
2.1 Supply Chain Management ...................................................................... 9
2.1.1 Pengertian Supply Chain Management .................................................. 9
2.1.2 Permasalahan dalam Supply Chain Management .................................. 9
2.2 Bullwhip Effect ......................................................................................... 9
2.2.1 Pengertian Bullwhip Effect ..................................................................... 9
2.2.2 Cara Mengurangi Bullwhip Effect ................................................... 11
2.3 Peramalan/Forecasting ........................................................................... 13
2.4 Artificial Neural Network ....................................................................... 17
2.5 Metode Collaborative Planning, Forecasting, and Replenishment ...... 18
2.6 Metode Vendor Managed Inventory (VMI) ........................................... 20
BAB 3 METODOLOGI PENELITIAN ............................................................ 22
3.1 Tempat dan Waktu Penelitian ................................................................ 22

x
 3.2 Tahapan Penelitian ................................................................................. 22
3.3 Time Schedule ......................................................................................... 27
BAB 4 HASIL DAN PEMBAHASAN ............................................................... 29
4.1 Sejarah dan Profil Perusahaan .................................................................. 29
4.2 Visi dan Misi Perusahaan ......................................................................... 31
4.3 Produk-produk yang Dihasilkan .............................................................. 32
4.4 Alur Produksi ......................................................................................... 33
4.5 Pengumpulan Data ................................................................................. 33
4.6 Pengolahan Data ..................................................................................... 43
4.7 Perhitungan Bullwhip Effect di Kondisi Awal ....................................... 43
4.8 Collaborative Planning, Forecasting, and Replenishment ................... 44
4.8.1 Metode Peramalan ........................................................................... 45
4.8.2 Validasi Hasil Peramalan ................................................................ 60
4.9 Perhitungan dengan Menggunakan Metode VMI .................................. 62
4.10 Perhitungan Bullwhip Effect di Kondisi Akhir ................................... 65
4.11 Implementasi/Usulan Perbaikan ......................................................... 67
BAB 5 KESIMPULAN DAN SARAN ............................................................... 82
5.1 Kesimpulan .............................................................................................. 82
5.2 Saran ......................................................................................................... 83
DAFTAR PUSTAKA ........................................................................................ xvi
LAMPIRAN

xi
 DAFTAR GAMBAR

Gambar 1.1 Diagram Keterkaitan Masalah ............................................................. 3

Gambar 2.1 Model Supply Chain ........................................................................... 8
Gambar 2.2 Pola Data Peramalan ......................................................................... 15
Gambar 2.3 Model Matematis Supply Chain dari Metode VMI........................... 21
Gambar 3.1 Diagram Alir Metodologi Penelitian PT. Pyridam Veteriner........... 23
Gambar 4.1 Lokasi Perusahaan............................................................................. 31
Gambar 4.2 Logo Perusahaan ............................................................................... 31
Gambar 4.3 Produk-produk yang Dihasilkan PT. Pyridam Veteriner .................. 32
Gambar 4.4 Data Order dan Data Demand Produk Monil per Bulan ................... 35
Gambar 4.5 Data Order dan Data Demand Produk Monil per 3 Bulan ................ 36
Gambar 4.6 Data Order dan Data Demand Produk Anti Bloat per Bulan ............ 38
Gambar 4.7 Data Order dan Data Demand Produk Anti Bloat per 3 Bulan ......... 39
Gambar 4.8 Data Order dan Data Demand Produk Ascarin per Bulan ................ 41
Gambar 4.9 Data Order dan Data Demand Produk Ascarin per 3 Bulan ............. 42
Gambar 4.10 Perhitungan Metode Moving Average Produk Monil ..................... 45
Gambar 4.11 Grafik Metode Moving Average Produk Monil (2 Bulan) .............. 45
Gambar 4.12 Grafik Metode Moving Average Produk Monil (3 Bulan) .............. 46
Gambar 4.13 Grafik Metode Moving Average Produk Monil (5 Bulan) .............. 46
Gambar 4.14 Perhitungan Metode Moving Average untuk Produk Anti Bloat .... 46
Gambar 4.15 Grafik Metode Moving Average Produk Anti Bloat (2 Bulan) ....... 47
Gambar 4.16 Grafik Metode Moving Average Produk Anti Bloat (3 Bulan) ....... 47
Gambar 4.17 Grafik Metode Moving Average Produk Anti Bloat (5 Bulan) ....... 47
Gambar 4.18 Perhitungan Metode Moving Average untuk Produk Ascarin ......... 48
Gambar 4.19 Grafik Metode Moving Average Produk Ascarin (2 Bulan) ........... 48
Gambar 4.20 Grafik Metode Moving Average Produk Ascarin (3 Bulan) ........... 48
Gambar 4.21 Grafik Metode Moving Average Produk Ascarin (5 Bulan) ........... 49
Gambar 4.22 Perhitungan Metode Trend Linier Produk Monil............................ 49
Gambar 4.23 Grafik Perhitungan Metode Trend Linier Produk Monil ................ 49
Gambar 4.24 Perhitungan Metode Trend Linier Produk Anti Bloat..................... 50

xii
Gambar 4.25 Grafik Perhitungan Metode Trend Linier Produk Anti Bloat ......... 50
Gambar 4.26 Perhitungan Metode Trend Linier Produk Ascarin ......................... 50
Gambar 4.27 Grafik Perhitungan Metode Trend Linier Produk Ascarin.............. 51
Gambar 4.28 Perhitungan Metode SES Produk Monil ......................................... 51
Gambar 4.29 Grafik Perhitungan Metode SES Produk Monil .............................. 52
Gambar 4.30 Perhitungan Metode SES Produk Anti Bloat .................................. 52
Gambar 4.31 Grafik Perhitungan Metode SES Produk Anti Bloat ....................... 52
Gambar 4.32 Perhitungan Metode SES Produk Ascarin ...................................... 53
Gambar 4.33 Grafik Perhitungan Metode SES Produk Ascarin ........................... 53
Gambar 4.34 Perhitungan Metode DES Produk Monil ........................................ 54
Gambar 4.35 Grafik dan Error Perhitungan Metode DES Produk Monil ............. 54
Gambar 4.36 Perhitungan Metode DES Produk Anti Bloat ................................. 54
Gambar 4.37 Grafik Perhitungan Metode DES Produk Anti Bloat ...................... 55
Gambar 4.38 Perhitungan Metode DES Produk Ascarin ...................................... 55
Gambar 4.39 Perhitungan Metode DES Produk Ascarin ...................................... 55
Gambar 4.40 Perhitungan Metode Kuadratik Produk Monil ................................ 56
Gambar 4.41 Grafik Perhitungan Metode Kuadratik Produk Monil..................... 56
Gambar 4.42 Perhitungan Metode Kuadratik Produk Anti Bloat ......................... 56
Gambar 4.43 Grafik Perhitungan Metode Kuadratik Produk Anti Bloat.............. 57
Gambar 4.44 Perhitungan Metode Kuadratik Ascarin .......................................... 57
Gambar 4.45 Grafik Perhitungan Metode Kuadratik Ascarin .............................. 57
Gambar 4.46 Perhitungan Bullwhip Effect Sebelum ............................................. 67
Gambar 4.47 Tampilan Worksheet Program Minitab 16 ...................................... 68
Gambar 4.48 Tampilan Worksheet Metode Moving Average ............................... 68
Gambar 4.49 Tampilan Tabel Storage Metode Moving Average ......................... 69
Gambar 4.50 Tampilan Tabel Results Metode Moving Average .......................... 69
Gambar 4.51 Tampilan Worksheet Metode Moving Average ............................... 70
Gambar 4.52 Tampilan Worksheet Peramalan Metode Trend Linier ................... 70
Gambar 4.53 Tampilan Tabel Storage Metode Trend Linier ............................... 71
Gambar 4.54 Tampilan Tabel Results Metode Trend Linier ................................ 71
Gambar 4.55 Tampilan Worksheet Metode Trend Linier ..................................... 71

xiii
Gambar 4.56 Tampilan Worksheet Peramalan Metode SES ................................. 72
Gambar 4.57 Tampilan Tabel Storage Metode SES ............................................. 72
Gambar 4.58 Tampilan Tabel Results Peramalan Metode SES ............................ 73
Gambar 4.59 Tampilan Worksheet Metode SES................................................... 73
Gambar 4.60 Tampilan Worksheet Peramalan Metode DES ................................ 73
Gambar 4.61Tampilan Tabel Storage Peramalan Metode DES ........................... 74
Gambar 4.62 Tampilan Tabel Results Peramalan Metode DES ........................... 74
Gambar 4.63 Tampilan Worksheet Metode DES .................................................. 75
Gambar 4.64 Tampilan Worksheet Peramalan Metode Kuadratik........................ 75
Gambar 4.65 Tampilan Tabel Storage Peramalan Metode Kuadratik .................. 76
Gambar 4.66 Tampilan Tabel Results Metode SES .............................................. 76
Gambar 4.67 Tampilan Worksheet Metode Kuadratik ......................................... 76
Gambar 4.68 Spreadsheet Excel Untuk Perhitungan Nilai Error Terkecil ........... 77
Gambar 4.69 Tampilan Spreadsheet Excel Untuk Validasi Data ......................... 77
Gambar 4.70 Perhitungan Biaya Setelah Dilakukan Forecasting ........................ 78
Gambar 4.71 Perbandingan Menggunakan Metode VMI ..................................... 78
Gambar 4.72 Perhitungan Bullwhip Effect Sesudah ............................................. 79

xiv
 DAFTAR TABEL

Tabel 3.1 Contoh Data Pemesanan Bahan Baku dan Data Penjualan .................. 25
Tabel 3.2 Time Schedule Proses Pembuatan Skripsi............................................. 27
Tabel 3.3 Gantt Chart Time Schedule ................................................................... 28
Tabel 4.1 Data Order dan Data Demand Produk Monil (per Dus)....................... 34
Tabel 4.2 Data Order dan Data Demand Produk Anti Bolat (per Pcs) ................. 37
Tabel 4.3 Data Order dan Data Demand Produk Ascarin (per Pcs) ..................... 40
Tabel 4.4 Perhitungan Bullwhip Effect Awal pada Setiap Produk ........................ 44
Tabel 4.5 Hasil Rekapitulasi Nilai Error Produk Monil ....................................... 58
Tabel 4.6 Hasil Rekapitulasi Nilai Error Produk Anti Bloat ................................ 58
Tabel 4.7 Hasil Rekapitulasi Nilai Error Produk Ascarin ..................................... 59
Tabel 4.8 Hasil Peramalan Permintaan Tiap Produk ............................................ 60
Tabel 4.9 Validasi Hasil Peramalan Produk Monil ............................................... 61
Tabel 4.10 Validasi Hasil Peramalan Produk Anti Bloat ...................................... 61
Tabel 4.11 Validasi Hasil Peramalan Produk Ascarin .......................................... 62
Tabel 4.12 Hasil Rekap Perhitungan Metode VMI Produk Monil ....................... 63
Tabel 4.13 Hasil Rekap Perhitungan Metode VMI Produk Anti Bloat ................ 63
Tabel 4.14 Hasil Rekap Perhitungan Metode VMI Produk Ascarin ..................... 64
Tabel 4.15 Perbandingan Total Cost Inventory .................................................... 65
Tabel 4.16 Perhitungan Bullwhip Effect Akhir pada Setiap Produk ..................... 66
Tabel 4.17 Perbandingan Bullwhip Effect ............................................................. 67
Tabel 4.18 Data Perbandingan Tahun 2020 Produk Monil .................................. 79
Tabel 4.19 Data Perbandingan Tahun 2020 Produk Anti Bloat............................ 80
Tabel 4.20 Data Perbandingan Tahun 2020 Produk Ascarin ................................ 81

xv
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Dalam dunia industri, strategi biaya rendah dan pemenuhan keinginan pasar
menjadi tantangan yang harus dilewati oleh setiap pelaku industri. Setiap
perusahaan dituntut untuk bekerja keras dalam meningkatkan kualitas produk yang
tinggi, mendapatkan bahan-bahan kualitas terbaik, meningkatkan daya saing,
meningkatkan respon pasar, serta mengatur manajemen rantai pasokan agar
berjalan dengan baik. Manajemen rantai pasokan atau supply chain management
adalah sebuah jaringan yang berasal dari barang mentah/raw material, proses
pembuatan, barang jadi, sampai ditangan end customer. Manajemen rantai pasokan
menjadi faktor terpenting perusahaan dan menjadi kunci keunggulan perusahaan.
Perusahaan sebisa mungkin akan memastikan penyediaan persediaan tepat
kuantitas dan tepat waktu.
Dalam setiap perusahaan manufaktur, mengelola proses produksi dalam
memenuhi kebutuhan pelanggan menjadi faktor utama. Menurut Gitosudarmo
(2000)1 Proses produksi adalah merupakan interaksi antara bahan dasar, bahan-
bahan pembantu, tenaga kerja dan mesin-mesin serta alat-alat perlengkapan yang
dipergunakan”. Menurut Yamit (2011:123)2 proses produksi pada dasarnya adalah
proses pengubahan (transformasi) dari bahan atau komponen (input) menjadi
produk lain yang mempunyai nilai lebih tinggi atau dalam proses terjadi
penambahan nilai. Dengan kata lain, proses produksi merupakan kegiatan
mengolah bahan baku atau mentah menjadi bahan setengah jadi atau bahan jadi.
Masalah yang sering terjadi dalam sistem rantai pasok yaitu terjadi variabilitas
dalam permintaan persediaan. Variabilitas terjadi ketika jumlah permintaan aktual
berbeda dengan estimasi permintaan, yang disebabkan dari berbagai macam faktor
seperti faktor cuaca yang berganti dari musim panas ke hujan, faktor permintaan
tiba-tiba dari suatu agen, adanya peternak baru yang memesan obat-obatan, adanya

1
Gitosudarmo, Indriyo. Sistem Perencanaan dan Pengendalian Produksi. (Yogyakarta: BPFE, 2000).
2
Yamit, Zulian. Manajemen Produksi & Operasi, Edisi Pertama. (Yogyakarta: Ekonisia, 2011).

1
 2

suatu kejadian di mana terjadi peristiwa adanya serangan virus pada hewan
sehingga dibutuhkannya obat-obatan untuk hewan, dan lainnya. Perusahaan pun
kesulitan dalam menentukan kebutuhan konsumen. Hal tersebut dapat
menimbulkan kerugiaan biaya produksi dan ketidakefisienan dalam sistem rantai
pasok. Banyak faktor yang menyebabkan perbedaan tersebut terjadi, salah satunya
peramalan/forecasting yang tidak sesuai dan jauh meleset dari perkiraan awal.
Masalah yang terjadi disebut dengan bullwhip effect.
Akibat yang ditimbulkan dari adanya bullwhip effect ini yaitu seperti safety
stock di perusahaan menjadi terganggu karena perbedaan variabilitas permintaan
yang terjadi di setiap bulan berbeda-beda, lead time yang menjadi tidak beraturan
jika permintaan sedang tinggi-tingginya dan mempengaruhi produksi obat yang
laun, ketidakpastian stok barang dan variabilitas barang yang harus diproduksi
setiap harinya.
PT. Pyridam Veteriner merupakan salah satu perusahaan manufaktur di
Jakarta yang bergerak dibidang pembuatan dan perindustrian obat hewan
(khususnya hewan ternak) yang berdiri sejak tahun 1976. PT. Pyridam Veteriner
melibatkan beberapa pihak, diantaranya pihak supplier, pihak jasa pengiriman,
pihak yang meneliti obat-obatan, pihak yang memproduksi, dan lain-lain.
Perusahaan tersebut menerapkan sistem make to stock yaitu disesuaikan dengan
kapasitas mesin dan permintaan pasar dan make to order yaitu disesuaikan dengan
permintaan pelanggan (agen-agen) yang sudah menjadi pelanggan tetap sejak lama.

1.2 Identifikasi Masalah

PT. Pyridam Veteriner menerapkan sistem forecasting/peramalan dalam
memproduksi obat-obatan hewan serta menerapkan jadwal produksi yang
dijalankan setiap harinya. Namun, sering kali peramalan/forecasting yang
didapatkan jauh melampaui hasil aktual yang diperoleh. Permasalahan tersebut
terjadi karena hasil penjualan suatu periode dijadikan acuan untuk meramalkan
jumlah permintaan barang di periode berikutnya, padahal pada kenyataannya,
permintaan dari customer terus berubah-ubah. Ketidakpastian permintaan customer
inilah yang menjadi penyebab utama bullwhip effect. Bullwhip effect adalah suatu
 3

keadaan yang terjadi dalam rantai suplai dimana permintaan dari customer
mengalami perubahan (distorsi). Perubahan tersebut mengakibatkan serangkaian
efek yang akan mengacaukan rantai suplai. Bullwhip effect biasanya terjadi karena
adanya uncertainty demand dari konsumen. Adanya ketidakpastian mengharuskan
perusahaan untuk memproduksi produk lebih sebagai persediaan untuk
menghindari kekurangan. Banyak akibat yang ditimbulkan dari adanya bulwhip
effect ini, diantaranya kesalahan dalam memproduksi jumlah barang. Jika produksi
barang berlebih, maka akan menimbulkan penumpukan barang di gudang dan
mengakibatkan penambahan biaya penyimpanan (storage). Namun, jika barang
yang diproduksi kurang, maka akan mengakibatkan tidak terpenuhinya kebutuhan
customer yang membuat customer berpaling ke pesaing lain. Belum lagi jika selama
penyimpanan ada barang yang mengalami kerusakan atau defect yang membuat
adanya tambahan biaya-biaya lain. Selain adanya urcentainty demand, penyebab
lainnya adanya demand forecasting di mana permintaan tinggi pada waktu-waktu
tertentu saat terjadinya perubahan musim seperti dari musim panas ke musim hujan
yang menyebabkan banyak hewan sakit sehingga membutuhkan obat berlebih, juga
faktor lain seperti jika adanya virus tertentu yang menyerang unggas dan hewan-
hewan lainnya, serta ketidakpastian jumlah peternak yang ada (jika pasar sedang
naik, pendapatan perusahaan dapat bertambah karena permintaan obat-obatan
meningkat). Diagram keterkaitan masalah dapat dilihat pada Gambar 1.1 berikut.
Membuat jadwal
peramalan yang baru

Usulan tindakan
perbaikan menggunakan
metode CPFR

Membuat perhitungan
besarnya bullwhip effect
yang terjadi

Terjadinya bullwhip
effect

Menyebabkan
banyaknya variabilitas
dalam permintaan

Adanya uncertainty Perbedaan permintaan di Ketidakpastian jumlah

demand dari konsumen musim-musim tertentu peternak di Indonesia

Ramalan yang berbeda

jauh dari aktual yang
dihasilkan

Gambar 1.1 Diagram Keterkaitan Masalah

 4

Dari identifikasi masalah diharapkan penelitian ini dapat bermanfaat bagi

perusahaan guna membantu mengurangi masalah bullwhip effect. Dalam penelitian
ini, metode yang akan digunakan yaitu Collaborative, Planning Forecasting,
Replenishment (CPFR). Metode ini berfokus dalam mengurangi permasalahan
akibat perbedaan ramalan yang besar di dalam supply chain management. Cara
yang dilakukan adalah dengan mengurangi perbedaan antara ramalan yang dibuat
oleh dua atau lebih pelaku (supplier dan perusahaan) pada suatu supply chain,
kemudian secara bersama–sama menentukan kebijakan berupa replenishment
(pergantian) ramalan yang baru. Serta terdapatnya total cost inventory melalui
metode Vendor Managed Inventory (VMI).

1.3 Rumusan Masalah

Berdasarkan latar belakang dan identifikasi masalah yang telah diuraikan,
maka didapatkan rumusan masalah yang ada dalam penelitian ini, yaitu:
1. Mengetahui faktor-faktor penyebab terjadinya masalah peramalan yang
hasilnya berbeda dengan aktual yang dihasilkan.
2. Mengetahui besarnya bullwhip effect yang dihasilkan.
3. Mengetahui peramalan demand dan total cost inventory yang baru sehingga
mengurangi kerugian yang disebabkan dari inventory yang berlebihan.

1.4 Tujuan Penelitian

Tujuan dari penelitian yang dilakukan pada PT. Pyridam Veteriner, yaitu:
1. Mengatasi ketidakseimbangan selisih antara peramalan dan aktual yang
dihasilkan menggunakan metode CPFR (Collaborative Planning,
Forecasting, and Replenishment).
2. Mengurangi/menurunkan rasio bullwhip effect yang terjadi di perusahaan,
serta mendapatkan kualitas layanan yang lebih baik.
3. Mendapatkan hasil data peramalan baru sesudah dilakukannya perhitungan
bullwhip effect serta menghitung nilai koefisien variansi permintaan yang
digunakan untuk menunjukkan nilai koefisien variansi apakah mengalami
penurunan dibandingkan nilai koefisien variansi sebelum dilakukan
 5

menggunakan metode CPFR (Collaborative Planning, Forecasting, and

Replenishment). Hal ini juga berdampak pada persediaan yang ditentukan
berdasarkan jumlah permintaan hasil peramalan. Wujud nyata dari
penelitian ini adalah dengan perhitungan bullwhip effect serta perhitungan
menggunakan metode CPFR (Collaborative Planning, Forecasting, and
Replenishment)dan VMI (Vendor Managed Inventory), diharapkan dapat
meningkatkan efisiensi pada supply chain di PT. Pyridam Veteriner.

1.5 Manfaat Penelitian

Penelitian yang dilakukan oleh penulis diharapkan mampu memberikan
manfaat yang baik di PT. Pyridam Veteriner. Berikut beberapa manfaat tersebut:
1. Bagi Perusahaan
Hasil penelitian ini dapat diterapkan oleh PT. Pyridam Veteriner dalam
mengeliminasi bullwhip effect yang ada, sehingga perusahaan dapat
memberikan manfaat yang baik bagi perusahaan sendiri untuk
keberlanjutan proses produksi.
2. Bagi Penulis
Hasil penelitian ini dapat menambah dan mengimplementasikan ilmu
pengetahuan yang telah didapatkan selama masa perkuliahan berlangsung
dan meningkatkan kemampuan dalam memahami dan menyelesaikan
masalah yang ada di dalam perindustrian.

1.6 Batasan Masalah

Batasan masalah yang digunakan pada penelitian ini adalah sebagai berikut:
1. Penelitian ini dilakukan di PT. Pyridam Veteriner yang bergerak di
perdistribusian obat-obatan hewan (khususnya hewan ternak) yang
berlokasi di Jalan Kemandoran VIII No. 16, Grogol Utara, Kec.
Kebayoran Lama, Kota Jakarta Selatan, Daerah Khusus Ibukota Jakarta,
12210.
2. Penelitian ini berfokus pada cara mengurangi bullwhip effect yang
menyebabkan terhambatnya proses produksi.
 6

3. Data penelitian yang digunakan yaitu data peramalan dan aktual selama 1
(satu) tahun yaitu dari bulan Januari 2019 sampai Desember 2019.
4. Penelitian ini berfokus pada 3 (tiga) produk yang dihasilkan oleh PT.
Pyridam Veteriner.

1.7 Sistematika Penulisan

Sistematika penulisan merupakan rincian bab yang memiliki penjabaran
berbeda-beda terhadap penelitian yang sedang dibuat. Berikut ini merupakan
sistematika penulisan pada penelitian yaitu:
BAB 1 PENDAHULUAN
Bab ini menjelaskan terkait latar belakang penelitian, identifikasi masalah yang ada,
rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah, dan
sistematika penulisan.
BAB 2 KAJIAN PUSTAKA
Bab ini berisi tentang dasar teori, konsep-konsep, metode-metode, dan rumusan-
rumusan yang membantu dalam melengkapi serta menyelesaikan permasalahan
yang ada.
BAB 3 METODOLOG PENELITIAN
Bab ini berisi metodologi dan langkah-langkah yang akan dilakukan untuk
mengatasi permasalahan pada penelitian ini yang meliputi lokasi penelitian, jadwal
penelitian, langkah-langkah penelitian serta metode pengumpulan data.
BAB 4 PENGUMPULAN DAN PENGOLAHAN DATA
Pada bab ini berisikan mengenai hasil penelitian yang meliputi pengumpulan dan
pengolahan data awal, analisis dengan menggunakan metode CPFR (dan metode
VMI, perhitungan dan pengolahan data lanjutan, hasil analisis berdasarkan metode
CPFR dan metode VMI, dan usulan perbaikan serta implementasi untuk
mengetahui hasil perbaikan, apakah sudah sesuai atau tidak dengan perumusan
tujuan penelitian.
BAB 5 KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan yang didapat dari hasil yang telah didapat dari penelitian
ini serta saran yang berguna bagi peneliti selanjutnya.
 BAB 2
KAJIAN PUSTAKA

2.1 Supply Chain Management

2.1.1 Pengertian Supply Chain Management
Sebelum memahami pengertian supply chain management, harus memahami
definis supply chain terlebih dahulu. Menurut Finch (2006)3, supply chain adalah
semua kegiatan yang berhubungan dengan aliran dan transportasi barang mulai dari
bahan baku (inbound logistic) sampai dengan produk jadi ke tangan konsumen
(outbond logistic).
Menurut Pujawan (2010:5)4, supply chain atau rantai pasok adalah
serangkaian jaringan perusahaan – perusahaan yang bekerja sama dalam
menciptakan dan menghantarkan suatu produk ke tangan pemakai akhir.
Perusahaan – perusahaan tersebut biasanya termasuk pemasok, pabrik, distributor,
toko atau ritel, serta perusahaan – perusahaan pendukung seperti perusahaan jasa
logistik.
Supply chain disebut sebagai jejaring logistik (logistic network) yang terdiri
dari pemasok (supplier), pusat manufaktur, warehouses, pusat-pusat distribusi, dan
penjual retail di mana bahan baku, work in process, dan produk jadi mengalir dari
suatu fasilitas ke fasilitas lain. Sebuah supply chain dikembangkan karena
keinginan satu atau beberapa pihak yang terlibat untuk memenuhi keinginan
konsumen yang membutuhkan dengan cara kerja sama (Hult, et al: 2007)5.
Supply chain dapat disebut sebagai jaringan informasi dan pengelolaan
berbagai kegiatan dimulai dari bahan baku, dilanjutkan kegiatan proses produksi,
kemudian menjadi produk jadi dan diteruskan dengan pengiriman kepada
konsumen melalui sistem distribusi. Supply chain adalah aliran material, informasi,
uang dan jasa.

3
Finch, Byron J. Operation Now: Supply Chain Profitability and Perfomance, 3rd Edition. (Singapore: McGraw-Hill Book
co, 2008).
4
Pujawan, I., N., dan Mahendrawathi. Supply Chain Management, Edisi Kedua. (Surabaya: Guna Widya, 2010).
5
Hult, et al. Bridging Organization Theory and Supply Chain Management: The Case of Best Value Supply Chains. Journal
of Operations Management. (2007).

7
 8

Pada supply chain terdapat 3 (tiga) jenis aliran yang harus dikelola yaitu aliran
finansial yang mengalir dari hulu (upstream) ke hilir (downstream) dan sebaliknya.
Selanjunya yaitu aliran material dari hulu ke hilir dan sebaliknya. Sedangkan yang
terakhir adalah aliran informasi yang mengalir dari hulu ke hilir dan sebaliknya.
Berikut merupakan model supply chain dan jenis aliran yang dikelola yang dapat
dilihat pada Gambar 2.1.

Gambar 2.1 Model Supply Chain

(Sumber: https://books.google.co.id/ - Green Supply Chain Management by Rahmi, dkk)
Supply chain management (manajemen rantai pasokan) sebagai sebuah
jaringan supplier, manufaktur, perakitan, distribusi, dan fasilitas logistik yang
membentuk fungsi pembelian dari material, transformasi material menjadi barang
setengah jadi maupun produk jadi, dan proses distribusi dari produk-produk
tersebut ke konsumen (Pires, et.al.:2001)6.
Menurut Siahaya (2013:13)7 menyatakan bahwa pengertian supply chain
management adalah pengintegrasian sumber bisnis yang kompeten dalam
penyaluran barang, mencakup perencanaan dan pengelolaan aktivitas pengadaan
dan logistik serta informasi terkait mulai dari penempatan bahan baku sampai
tempat konsumsi, termasuk koordinasi dan kolaborasi dengan jaringan mitra usaha
(pemasok, manufaktur, pergudangan, transportasi, distribusi, retail dan konsumen)
untuk memenuhi kebutuhan pelanggan.

6
Pires, et al. Measuring Supply Chain Performance. (Orlando, 2001).
7
Siahaya, William. Sukses Supply Chain Management Akses Demand Chain Management. (Bogor: In Media, 2013).
 9

Dalam supply chain management ada beberapa pemain utama yang

merupakan perusahaan yang mempunyai kepentingan yang sama, yaitu:
1. Supplies
2. Manufactures
3. Distribution
4. Retail Outlet
5. Customers
Supply chain management mengutamakan arus barang antar perusahaan
dimulai dari supplier sampai dengan ke pelanggan. Sehingga, supply chain
management berkaitan dengan siklus dari bahan mentah dari supplier, ke kegiatan
operasional, di perusahaan, berlanjut ke distribusi sampai dengan konsumen.

2.1.2 Permasalahan dalam Supply Chain Management

Salah satu permasalahan yang ditemui dalam supply chain management
adalah bullwhip effect, yaitu kendala dalam menciptakan rantai pasokan yang
efektif dan efisien. Kendala yang sering ditemui adanya variabilitas pada
permintaan yang menyebabkan ketidakstabilan antara peramalan dan permintaan.

2.2 Bullwhip Effect

2.2.1 Pengertian Bullwhip Effect
Dalam setiap supply chain management sering dijumpai adanya masalah,
salah satunya yaitu bullwhip effect. Bullwhip effect adalah fenomena dimana terjadi
peningkatan ketidakstabilan atau fluktuasi pesanan. Konsep dari bullwhip effect
adalah suatu keadaan yang terjadi dalam supply chain managament, dimana
permintaan dari customer mengalami perubahan, baik semakin banyak atau
semakin sedikit, perubahan ini menyebabkan terjadinya masalah dalam proses
produksi. Masalah tersebut dapat menimbulkan efek yaitu semakin tidak akuratnya
data permintaan.
 10

Ada bermacam-macam penyebab terjadinya bullwhip effect. Berikut

merupakan studi yang dilakukan Levi, Kaminsky, dan Levi (2004)8 dalam
mengidentifikasi beberapa faktor utama yang menjadi penyebab terjadinya
bullwhip effect, yaitu:
1. Peramalan Permintaan
Umumnya, dalam melakukan peramalan permintaan digunakan
perhitungan forecast, seperti single moving average (SMA), trend linier,
single exponential smoothing (SES), double exponential smoothing
(DES), kuadratik, dan sebagainya untuk mengestimasi rata-
rata permintaan dan variabilitas permintaan. Setiap teknik peramalan
umumnya menggunakan data-data dari periode-periode lalu untuk
mendapatkan ramalan-ramalan di periode yang mendatang. Safety stock
sangat bergantung pada peramalan ini, sehingga banyak perusahaan
kesulitan dalam menjalankan proses produksinya. Jika produksi berlebih,
maka barang hasil produksi akan menimbun di inventory yang
menyebabkan biaya produksi semakin meningkat. Jika produksi kurang,
maka hasil produsi tidak akan cukup untuk memenuhi permintaan
konsumen.
2. Lead Time
Lead time yang lama akan berpengaruh kepada perubahan variabilitas
permintaan persediaan. Yang membuat terjadinya perubahan pula akan
kuantitas pemesanan persediaan.
3. Pemesanan Dalam Jumlah Batch
Biasanya, pengecer memesan dalam jumlah yang banyak ketika adanya
musim panen, biasanya dipengaruhi juga oleh diskon tertentu jika
memesan dalam jumlah banyak, juga menghemat ongkos transportasi.
Namun, pada saat-saat tertentu, sangat mungkin pemesanan persediaan
terjadi dalam jumlah kecil, atau bahkan tidak ada pemesanan. Pola

8
Simchi-Levi, et al. Managing The Supply Chain: The Definitive Guide for the Business Professional, (USA: The McGraw-
Hill Companies, 2004).
 11

pemesanan yang tidak beraturan ini dapat membuat variabilitas terhadap

stok produksi itu sendiri.
4. Fluktuasi Harga
Saat fluktuasi harga terjadi, pengecer biasanya tidak akan melakukan
pemesanan jika harga pokok semakin tinggi, karena cenderung merugikan
dirinya karena jarang atau bahkan tidak ada pembeli yang mau membeli
produk tersebut. Sebaliknya, ketika harga pokok semakin rendah,
pengecer melakukan bulk order. Hal tersebut membuat terjadinya masalah
produksi dalam perusahaan dimana penjualan yang tidak menentu.
5. Inflated Orders
Permintaan pemesanan yang cenderung meningkat dari periode biasanya
menjadi salah satu terjadinya bullwhip effect.
6. Urcentainty Demand
Urcentainty demand atau pesanan tiba-tiba yang dilakukan oleh
pelanggan dapat menyebabkan kekacauan pada rantai pasokan. Bila stok
produk tidak memenuhi, maka perusahaan harus mengatur ulang jadwal
produksi agar pesanan pelanggan terpenuhi. Hal tersebut dapat
mengganggu jadwal produksi seharusnya dan produksi produk lain per
hari menjadi terhambat.

2.2.2 Cara Mengurangi Bullwhip Effect

Pemahaman mengenai penyebab bullwhip effect akan mengarahkan pada
solusi mengurangi bullwhip effect . Levi, Kaminsky, dan Levi (2009)9 memberikan
beberapa solusi praktis dalam mengurangi bullwhip efffect ini:
1. Mengurangi Ketidakpastian
Bullwhip effect terjadi karena ketidakpastian dalam informasi.
Ketidakpastian informasi tersebut dapat dikurangi dengan sentralisasi
sistem manajemen informasi persediaan dalam sistem manajemen rantai

9
Simchi-Levi, et al. Designing and Managing The Supply Chain. (Boston: McGraw-Hill Company, 2009).
 12

pasok. Sentralisasi tersebut dapat memudahkan dalam melakukan

peramalan persediaan.
2. Mengurangi Variabilitas
Cara mengurangi variabilitas adalah dengan memberikan harga yang
sesuai dan relatif stabil, sehingga permintaan barang pun juga stabil dan
mengurangi variabilitas.
3. Mengurangi Lead Time
Lead time dapat dikurangi dengan menerapkan sistem informasi yang
terintegrasi dalam proses tahapan rantai pasok. Dengan berkurangnya lead
time, maka proses rantai pasoknya akan semakin baik dan mempercepat
pengiriman ke pelanggan.
4. Mengurangi Pembelian Bahan Baku Berlebih (Bulk Order)
Perusahaan seringkali membeli bahan baku dalam jumlah banyak dengan
tujuan untuk menghemat ongkos kirim. Namun, pembelian bahan baku
dalam jumlah banyak tersebut dapat menjadi kekacauan dalam rantai
pasok karena bahan baku yang menumpuk tidak diimbangi dengan
banyaknya permintaan pelanggan. Seringkali, permintaan lebih sedikit
dibandingkan dengan pembelian bahan baku yang membuat stok bahan
baku menumpuk di gudang dan menyebabkan over stock serta menambah
pengeluaran.
Teknik atau pendekatan harus sesuai dengan dengan penyebabnya. Walaupun
bullwhip effect secara konseptual tidak sulit dipahami, namun pengukuran bullwhip
effect tidak mudah untuk dilakukan. Salah satu publikasi yang mendiskusikan
bagaimana bullwhip effect di ukur adalah Fransoo dan Wouters (2000)10, mereka
mengusulkan ukuran bullwhip effect di suatu rantai manajemen pasokan sebagai
perbandingan antara koefisien variansi dari order yang diciptakan dan koefisien
variansi dari permintaan. Formulasi yang dilakukan yaitu sebagai berikut:
𝐶𝑉 (𝑂𝑟𝑑𝑒𝑟)
𝐵𝐸 = ......................................................................................(2.1)
𝐶𝑉 (𝐷𝑒𝑚𝑎𝑛𝑑)

10
Jan C. Fransoo and Marc J.F. Wouters. Measuring the Bullwhip Effect in The Supply Chain. Supply Chain Management:
An International Journal. Vol. 5. No. 2 (2000).
 13

Dimana:
𝛼 (𝑂𝑟𝑑𝑒𝑟)
𝐶𝑉 (𝑂𝑟𝑑𝑒𝑟) =
𝜇 (𝑂𝑟𝑑𝑒𝑟)
𝛼 (𝐷𝑒𝑚𝑎𝑛𝑑)
𝐶𝑉 (𝐷𝑒𝑚𝑎𝑛𝑑) =
𝜇 (𝐷𝑒𝑚𝑎𝑛𝑑)
Sedangkan untuk parameter bullwhip effect yaitu:
𝐶𝑉 (𝑂𝑟𝑑𝑒𝑟)
> 1 .........................................................................................(2.2)
𝐶𝑉 (𝐷𝑒𝑚𝑎𝑛𝑑)

Dimana:
CV (Order) : Variabel Penjualan
CV (Demand) : Variabel Permintaan
𝛼 (Order) : Standard Deviasi Penjualan
𝜇 (Order) : Rata-rata Penjualan
𝛼 (Demand) : Standard Deviasi Permintaan
𝜇 (Demand) : Rata-rata Permintaan

2.3 Peramalan/Forecasting
Peramalan merupakan dasar bagi perencanaan jangka panjang perusahaan.
Pada bagian keuangan, peramalan memberikan dasar dalam menentukan anggaran
dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan
untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa
keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi
menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi,
penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan
kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran,
tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan.
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau
kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang.
Peramalan merupakan teknik yang digunakan untuk memperkirakan suatu sistem
di masa yang akan datang. Peramalan diperlukan oleh suatu perusahaan karena
 14

setiap keputusan yang diambil dapat memengaruhi keadaan di masa yang akan
datang. Menurut Taylor (2004)11, waktu peramalan dapat dibagi menjadi 3 yaitu:
a) Peramalan jangka pendek yang memberikan hasil peramalan satu tahun
mendatang atau kurang.
b) Peramalan jangka menengah untuk meramalkan keadaan satu hingga 5
tahun ke depan.
c) Peramalan jangka panjang digunakan untuk pengambilan keputusan
mengenai perencanaan produk dan perencanaan pasar, pengeluaran biaya
perusahaan, studi kelayakan pabrik, anggaran, purchase order,
perencanaan tenaga kerja dan perencanaan kapasitas kerja serta
pengambilan keputusan yang berhubungan dengan kejadian lebih dari 5
tahun yang akan datang.
Dalam melakukan peramalan, diperlukan suatu metode, salah satunya metode
dekomposisi. Metode dekomposisi adalah metode peramalan dengan cara
menghilangkan pengaruh variasi musiman, jumlah data masing-masing kuartal
(yang berisi trend, siklis, pengaruh tak tentu dan musiman) dibagi dengan indeks
musim untuk kuartal yang bersangkutan kemudian menentukan persamaan regresi
dari trend data dan menggunakannya untuk peramalan (Mason, 1999:346)12.
Metode dekomposisi atau sering juga disebut metode time series adalah salah
satu metode peramalan yang didasarkan pada kenyataan bahwa biasanya apa yang
telah terjadi akan berulang atau terjadi kembali dengan pola yang sama. Artinya
yang dulu selalu naik, pada waktu yang akan datang biasanya akan naik juga, yang
biasanya berkurang akan berkurang juga, yang biasanya berfluktuasi akan
berfluktuasi juga dan yang biasanya tidak teratur maka akan tidak teratur juga
(Subagyo, 1986:31)13.
Berikut ini merupakan beberapa pola data peramalan time series, yaitu:
a) Pola Data Horizontal
Pola data horisontal (H) terjadi bilamana data berfluktuasi disekitar nilai
rata-rata yg konstan. Suatu produk yang penjualannya tidak meningkat

11
Taylor, Bernard W. Management Science (Sains Manajemen). (Jakarta: Salemba Empat, 2004).
12
Mason, Robert D. Teknik Statistika untuk Bisnis dan Ekonomi. (Jakarta: Erlangga, 1999).
13
Subagyo, P. Forecasting Konsep dan Aplikasi. (Yogyakarta: BPFE, 1986).
 15

atau menurun selama waktu tertentu termasuk jenis ini. Pola khas dari data
horizontal atau stasioner seperti ini dapat dilihat dalam Gambar 1.1.
b) Pola Data Musiman
Pola data musiman (S) terjadi bilamana suatu deret dipengaruhi oleh
faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari
pada minggu tertentu). Pola musiman kuartalan dapat dilihat Gambar 1.2.
c) Pola Data Siklik
Pola data siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.
Jenis pola ini dapat dilihat pada Gambar 1.3.
d) Pola Data Trend
Pola data trend (T) terjadi bilamana terdapat kenaikan atau penurunan
sekuler jangka panjang dalam data. Jenis pola ini dapat dilihat pada
Gambar 1.4.
Keseluruhan gambar dalam pola data peramalan dapat dilihat pada Gambar
2.2.

Gambar 2.2 Pola Data Peramalan

(Sumber: http://repository.usu.ac.id/)
Berikut ini merupakan rumus-rumus perhitungan beberapa metode peramalan
yang termasuk dalam metode time series, yaitu:
 16

a) Metode Moving Average

Moving average atau rata-rata bergerak adalah metode peramalan yang
menghitung rata-rata dari suatu nilai yang runtut waktu dan kemudian
digunakan untuk memperkirakan nilai pada periode berikutnya. Moving
average atau rata-rata bergerak diperoleh melalui penjumlahan dan
pencarian nilai rata-rata dari sejumlah periode tertentu, kemudian
menghilangkan nilai terlamanya dan menambah nilai baru.
∑ 𝑃𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑑𝑎𝑙𝑎𝑚 𝑛−𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑡𝑒𝑟𝑑𝑎ℎ𝑢𝑙𝑢)
MA n − periode = ..........(2.3)
𝑛

b) Metode Trend Linier

Metode trend linier adalah metode yang digambarkan ke dalam plot
mendekati garis lurus. Rumus metode regresi linier dapat dilihat pada
persamaan dibawah ini.
𝐷(𝑡) = 𝑎 + 𝑏𝑡 ......................................................(2.4)

𝑁 ∑𝑁 𝑁 𝑁
𝑡=1 𝑑(𝑡) − ∑𝑡=1 𝑑(𝑡) ∑𝑡=1 𝑡 ∑𝑁
𝑏= 𝑡=1 𝑑(𝑡)
𝑁 ∑𝑁 2 𝑁 2 𝑎=
𝑡=1 𝑡 − (∑𝑡=1 𝑡 ) 𝑁
c) Metode Single Exponential Smoothing
Metode exponential smoothing adalah teknik peramalan rata-rata bergerak
dengan pembobotan dimana data diberi bobot oleh sebuah fungsi
eksponential.
𝐹𝑡+1 = 𝑎𝑋𝑡 + (1 − 𝑎)𝐹𝑡 .............................................................(2.5)
d) Metode Double Exponential Smoothing
Pada metode double exponential smoothing digunakan parameter yaitu α,
yang memiliki nilai antara 0 dan 1. Jika data yang digunakan semakin
banyak dalam perhitungan peramalannya maka percentage error
peramalannya akan semakin kecil, begitu juga sebaliknya.
𝐹𝑡 = 𝑎𝑡 + 𝑏𝑡 𝑚............................................................................(2.6)
e) Metode Kuadratik
Metode kuadratik merupakan deret waktu dengan data yang berupa garis
parabola.
𝑌𝑡 = 𝑎 + 𝑏𝑡 + 𝑐𝑡 2 ......................................................................(2.7)
 17

𝛴𝑌−𝑐𝛴𝑡 2
𝑎= .................................................................................(2.7a)
𝑛
𝛴𝑡𝑌
𝑏 = 𝛴𝑡 2 ........................................................................................(2.7b)
𝑛𝛴𝑡2 𝑌−𝛴𝑡 2 𝛴𝑌
𝑐= ...........................................................................(2.7c)
𝑛𝛴𝑡 4 −(𝛴𝑡 2 )2

Beberapa perhitungan yang biasa digunakan untuk memilih peramalan terdiri

atas 3 metode kesalahan peramalan. Berikut merupakan 3 (tiga) metode kesalahan
peramalan yang paling sering digunakan, yaitu:
a. Mean Absolute Deviation/Error (MAD/MAE)
Mean Absolute Deviation/Error (MAD/MAE) mengukur ketepatan
ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-
masing kesalahan) dibagi jumlah observasi.
|𝑋𝑖 −𝐹𝑖 |
𝑀𝐴𝐷 = ∑𝑛𝑖=1 ............................................................................(2.8)
𝑁

b. Mean Squared Error

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan dan
dibagi dengan jumlah observasi dikurangi satu.
|𝑋𝑖 −𝐹𝑖 |2
𝑀𝑆𝐸 = ∑𝑛𝑖=1 ...........................................................................(2.9)
𝑁

c. Mean Absolute Percentage Error

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan
kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang
nyata untuk periode itu.
|𝑋𝑖 −𝐹𝑖 |
100 ∑𝑛
𝑖=1 𝑋𝑖
𝑀𝐴𝑃𝐸 = ..............................................................(2.10)
𝑁

2.4 Artificial Neural Network

Artificial neural network (ANN) terinspirasi dari kesadaran atas complex
learning system pada otak yang terdiri dari se-set neutron yang saling berhubungan
secara dekat. Jaringan neuron mampu melakukan tugas yang sangat kompleks
seperti klasifikasi dan pemahaman pola. ANN dapat memperkirakan rentang yang
 18

cukup luas suato model statistika dan fleksibel dalam menggambarkan model (linier
maupun non linier)14.
ANN dapat digunakan untuk permasalahan yang sama dengan permasalahan
statistika multivariat seperti multiple regression, analisa diskriminn, dan analisa
kluster. Dalam banyak kasus, hasil yang didapat dengan ANN dapat dibandingkan
dengan model statistika multivariat15.
Terdapat tiga jenis utama dari ANN yakni multilayer perceptron, radial basis
function, dan kohonen network. Multilayer perceptron merupakan model yang
paling banyak digunakan untuk melakukan prediksi. Radial basis function
merupakan model yang dapat melakukan hal yang dilakukan oleh multilayer
perceptron. Kohonen network baik digunakan pada permasalahan clustering16.
Artificial neural network dapat mengolah informasi dengan adanya kerja otak.
Cara kerjanya dengan adanya rangsangan dari neuron-neuron yang terdapat pada
syaraf-syaraf indera saat otak sedang berfikir. Suatu informasi dapat diolah dengan
adanya rangsangan tersebut.
Meniru cara kerja yang sama dengan otak, input atau masukan diumpamakan
sebagai neuron, kemudian masukanmasukan tersebut dikalikan dengan suatu nilai
(bobot) dan diolah dengan fungsi tertentu (fungsi aktivasi) sehingga menghasilkan
suatu keluaran. Pada saat pelatihan, pemasukan tersebut dilakukan berulang-ulang
sampai tercapai keluaran seperti yang diinginkan. Setelah proses pelatihan,
diharapkan jaringan syaraf tiruan dapat mengenali suatu masukan baru berdasarkan
data-data yang telah diberikan (Stergiou dan Siganos, 2006)17.

2.5 Metode Collaborative Planning, Forecasting, and Replenishment (CPFR)

Menurut Turban dan Volonino (2010)18 CPFR (Collaborative Planning,
Forecasting, and Replenishment) adalah model pelaksanaan bisnis di mana supplier
dan retailer berkolaborasi dalam perencanaan dan ramalan permintaan yang

14
Y. Bar-Yam. Dynamics of Complex System. (2008).
15
Balakrishnan, P.V., et al. A Study of The Classification Capabilities of Neural Networks Using Unsupervised Learning: A
Comparison with K-means Clustering. Psychometrika. Vol. 59. (1994).
16
Hair, J. & R. Anderson. Multivariate Data Analysis. (New York: Prentice Hall, 1998).
17
Stergiou dan Siganos. Neural Network. (2006).
18
Tuban, Efrain & Linda Volonino. Information Technology for Management, Edisi Ketujuh. (Asia: John Willey & Sons,
2010).
 19

bertujuan untuk memastikan anggota-anggota supply chain mendapat jumlah yang

benar pada raw material, barang jadi pada saat mereka butuhkan. Kolaboratif
planning dibagikan dalam 4 area utama, yaitu:
a) Strategi dan untuk perencanaan kolaborasi pada supply dan level
persediaan.
b) Peramalan permintaan dan mengatur supplier dan persediaan.
c) Pelaksanaan dan analisa hasil.
d) Penyesuaian pada strategi yang diinginkan. Aktivitas ini berfokus
sepanjang supply chain dari penjual pada pembeli hingga pada customer.
CPFR (Collaborative Planning, Forecasting, and Replenishment)merupakan
suatu model di mana pengecer, perusahaan jasa transportasi, distributor dan pabrik
berkolaborasi dalam tahap perencanaan hingga eksekusi. Ada tiga elemen penting
dalam CPFR (Collaborative Planning, Forecasting, and Replenishment), yaitu
collaborative demand planning, joint capacity planning, dan synchronized order
fulfillment. Kolaborasi yang berlandaskan keterbukaan berbagi data semacam ini
akan meningkatkan kualitas peramalan permintaan di sepanjang rantai pasok.
Untuk mengurangi adanya permasalahan dalam rantai pasok khususnya
variabilitas peramalan yang begitu besar, terbentuklah metode CPFR
(Collaborative Planning, Forecasting, and Replenishment). Tujuan dari CPFR
(Collaborative Planning, Forecasting, and Replenishment) ini adalah
merencanakan dan mengatur peramalan dan melakukan pergantian sistem dalam
supply chain supaya tidak berbanding jauh dari aktualnya. Cara yang dilakukan
yaitu proses dimulai dengan adanya penetapan garis besar kesepakatan antara
seluruh pihak yang terkait yakni masing – masing pelaku dalam supply chain
dengan menyusun rencana bisnis. Kemudian, kedua rencana dan peramalan tersebut
dibahas dan didiskusikan oleh kedua pihak, serta dibuat perkiraan penjualan dan
dikenali jika kemungkinan adanya masalah dan hal-hal khusus dalam perkiraan
penjualan. Hasilnya dibentuklah peramalan yang baru. Dari sini akan diperoleh data
yang lebih pasti mengenai ketersediaan produk.
Model kolaborasi CPFR (Collaborative, Planning, Forecasting, and
Replenishment) merupakan solusi terbaik dalam menyelaraskan kegiatan antar
 20

pelaku supply chain. Salah satu konsep dari CPFR (Collaborative, Planning,
Forecasting, and Replenishment) yaitu Vendor Managed Inventory (VMI). Metode
Vendor Managed Inventory (VMI) merupakan metode pengontrolan stok barang
pada inventory yang dilakukan oleh pihak perusahaan. Tujuannya adalah agar tidak
terjadi stock out pada inventory maupun jumlah barang yang berlebih.

2.6 Metode Vendor Managed Inventory (VMI)

Menurut C. Sitompul, dkk (2015)19, VMI (Vendor Managed Inventory) adalah
salah satu metode dalam rantai pasok yang memberikan keuntungan bagi
perusahaan melalui waktu replenishment yang singkat, total biaya rantai pasok yang
lebih kecil dibanding metode persediaan tradisional.
Penerapan VMI (Vendor Managed Inventory) telah berhasil membantu
mengurangi biaya dan meningkatkan tingkat pelayanan pelanggan (Pramudyo dan
Luong:2017)20. Menurut Mateen dan Chatterje (2014)21, pada dasarnya, ada dua
aspek utama pada VMI (Vendor Managed Inventory), yakni information sharing
dan control transfer.
Dalam konsepnya, berikut ini beberapa kategori di mana perusahaan dapat
dikatakan sukses dalam VMI (Vendor Managed Inventory) apabila memiliki
infrastruktur komunikasi dan informasi yang bagus, sehingga pembeli bisa
memberikan data penjualan maupun persediaan dari waktu ke waktu secara real
time. Pemasok juga harus mempunyai kemampuan untuk mengambil keputusan
pengiriman dengan tepat. Kemampuan untuk menganalisis permintaan, lead time
pengiriman, dan peramalan permintaan perlu dimiliki oleh pemasok. Pelaku rantai
pasok harus secara bersama – sama memahami berapa service level yang harus
dicapai. (Pujawan:2017)22.

19
Sitompul, Carles dkk. Perancangan Model VMI (Vendor Managed Inventory). Jurnal Rekayasa Sistem Industri. Vol. 5.
No. 2 (2015).
20
Pramudyo, CS dan Luong, HT. One-vendor-one Retailer in Vendor Managed Inventory Problem with Stochastic Demand.
Journal Industrial and System Engineering. Vol. 27. No. 1 (2017).
21
Mateen, Arqum dan Chatterje, AK. Vendor Managed Inventory for Single-Vendor Multi-Retailer Supply Chains. Journal
Decision Support System (2014).
22
Pujawan, I N., & Er, M. Supply Chain Management Edisi 3. (Yogyakarta: Andi, 2017).
 21

Berikut ini merupakan perhitungan dalam VMI (Vendor Managed Inventory)

yaitu perhitungan Jumlah pemesanan (order) optimal yang dihitung dengan rumus
berikut:
2𝐶𝑅
𝑄∗= √ .....................................................................................(2.11)
𝐻

Keterangan:
Q* = Jumlah Pemesanan (Order) Optimal
C = Biaya Pesan per Sekali Pesan
R = Permintaan Tahunan
H = Biaya Simpan per Unit per Tahun
Berikut merupakan model matematis supply chain dari metode VMI (Vendor
Managed Inventory) yang dapat dilihat pada Gambar 2.3.

Gambar 2.3 Model Matematis Supply Chain dari Metode VMI

(Sumber: http://repositori.usu.ac.id/)
 BAB 3
METODOLOGI PENELITIAN

4.1 Tempat dan Waktu Penelitian

Penelitian ini dilakukan di PT. Pyridam Veteriner yang merupakan salah satu
perusahaan manufaktur di Jakarta yang bergerak dibidang pembuatan dan
perindustrian obat hewan (khususnya hewan ternak) yang berdiri sejak tahun 1976.
Lokasi PT. Pyridam Veteriner berada di Jalan Kemandoran VIII No. 16, Grogol
Utara, Kec. Kebayoran Lama, Kota Jakarta Selatan, Daerah Khusus Ibukota
Jakarta, 12210. Penelitian ini berlangsung pada semester ganjil pada tahun 2020
dalam kurun waktu 4 bulan, dimulai dari bulan September 2020 sampai dengan
Desember 2020. Penelitian ini bertujuan untuk mengetahui data primer, data
sekunder, dan data dokumen lainnya yang berhubungan dengan proses produksi
perusahaan.

4.2 Tahapan Penelitian

Penelitian yang dilakukan pada PT. Pyridam Veteriner berkaitan dengan
masalah yang sekarang ada di pabrik, yaitu terjadinya bullwhip effect di mana data
peramalan yang di dapat memiliki selisih yang jauh berbeda dari data aktual yang
dihasilkan. Terkadang, hasil peramalan yang di dapat jauh lebih sedikit daripada
jumlah permintaan, begitu pula sebaliknya. Hal tersebut membuat perusahaan
kesulitan dalam memenuhi permintaan secara tiba-tiba yang mengakibatkan
perusahaan tidak bisa memenuhi permintaan.
Awal dari tahap penelitian adalah melakukan survey ke perusahaan untuk
mengetahui permasalahan yang ada, kemudian mengidentifikasikan masalah,
merumuskan masalah secara lebih detail, menentukan topik dan tujuan penelitian
dari permasalahan yang dibahas, mencari studi pustaka dari permasalahan tersebut
melalui observasi dan wawancara serta melakukan literature review (dari jurnal
atau skripsi, mengumpulkan data perusahaan berkaitan dengan masalah yang ada,
serta mencari sumber dari buku), mengumpulkan data-data berupa data peramalan
dan data aktual perusahaan dan terakhir dilakukan pengolahan data.

22
 23

Berikut ini merupakan tahapan atau metodologi penelitian dalam bentuk

diagram alir pada PT. Pyridam Veteriner yang dapat dilihat pada Gambar 3.1.
Mulai

Melakukan survey di perusahaan

Mengidentifikasi masalah

Merumuskan masalah

Menentukan topik dan tujuan

penelitian

Melakukan studi pustaka

• Mencari jurnal / skripsi terkait

Melakukan observasi dan
• Mencari sumber dari buku
wawancara
literatur

Data pembelian bahan baku dari

supplier dan data aktual penjualan
Mengumpulkan data
produk selama setahun terakhir

Tidak

Apakah data sudah

cukup?

Ya

Pengolahan data

Perhitungan Bullwhip Effect di

kondisi awal untuk ketiga produk

Perhitungan menggunakan metode

CPFR (Collaborative Planning,
Forecasting, and Replenishment)

Melakukan peramalan
menggunakan Minitab 16

Melakukan validasi data hasil

peramalan dengan Tracking Signal
(TS)

Melakukan perhitungan jumlah

pemesanan dan total cost inventory
menggunakan metode Vendor
Managed Inventory (VMI)

Perhitungan Bullwhip Effect di

kondisi akhir untuk ketiga produk

Implementasi/Usulan Perbaikan

Kesimpulan dan Saran

Selesai

Gambar 3.1 Diagram Alir Metodologi Penelitian pada PT. Pyridam Veteriner
 24

Berdasarkan diagram alir metodologi penelitian yang telah disusun, berikut

ini adalah langkah-langkah yang akan dilakukan dalam penelitian ini, yaitu:
a. Survey Perusahaan
Survey perusahaan dilakukan guna mencari permasalahan yang ada di
perusahaan berkaitan dengan proses produksinya. Untuk mengetahui
permasalahan tersebut, peneliti dapat melakukan observasi proses
produksi di perusahaan dan wawancara penanggung jawab pabrik.
b. Mengidentifikasi Masalah
Setelah melakukan survey pada perusahaan dan mengetahui
permasalahan yang terjadi, peneliti dapat mengurutkan masalah-masalah
tersebut dan melakukan indentifikasi pada tiap masalah yang didapat.
c. Merumuskan Masalah
Jika sudah mendapatkan masalah yang sesuai, berikutnya menentukan
metode yang cocok untuk masalah tersebut. Metode di dapat dari teori-
teori dan pembelajaran yang dipelajari di perkuliahan.
d. Menentukan Topik dan Tujuan Penelitian
Menentukan tujuan dan topik penelitian berdasarkan permasalahan yang
ada. Topik penelitian harus sama dengan permasalahan yang akan
dibahas. Kemudian, ditentukan tujuan yang ingin dicapai. Topik dan
tujuan penelitian yaitu berkaitan dengan bullwhip effect dan metode yang
digunakan ada metode CPFR (Collaborative Planning, Forecasting, and
Replenishment) serta metode VMI (Vendor Managed Inventory).
e. Melakukan Pengumpulan Data
Dalam tahap ini, dibutuhkan data-data yang mendukung penelitian agar
dapat berjalan dengan baik dan sesuai. Pengumpulan data yang terbagi
atas 2 jenis yaitu data primer dan data sekunder. Data primer adalah data
yang diperoleh dengan melakukan observasi dan wawancara yang
dilakukan secara langsung di lapangan. Data primer yang dikumpulkan
berupa data pemesanan bahan baku dari supplier, data penjualan, beserta
order cost dan holding cost tahun 2019 untuk tiga produk yang memiliki
penjualan terbesar. Berikut ini merupakan contoh tabel pengumpulan data
 25

untuk data pemesanan bahan baku dari supplier, data penjualan, order
cost, dan inventory cost tahun 2019 yang dapat dilihat pada Tabel 3.1.
Tabel 3.1 Contoh Data Pemesanan Bahan Baku dan Data Penjualan
Produk ...
Bulan Data Data
Total Cost
(2019) Pemesanan Permintaan Order Cost Holding Cost
Inventory
(Order) (Demand)
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Total
Rata-rata
f. Pengolahan Data
Setelah mengumpulkan data yang diperlukan untuk penelitian, langkah
selanjutnya adalah melakukan pengolahan data. Pengolahan data
dilakukan sesuai dengan masalah yang dialami oleh perusahaan serta apa
yang ingin dibahas oleh peneliti dalam skripsi ini.
g. Perhitungan Bullwhip Effect di Kondisi Awal
Langkah selanjutnya dalam pengolahan data adalah perhitungan bullwhip
effect di kondisi awal. Jika jumlah bullwhip effect untuk ketiga produk
lebih besar daripada 1, artinya produk tersebut mengalami bullwhip effect
yang menandakan adanya amplifikasi permintaan.
 26

h. Perhitungan Menggunakan Metode CPFR (Collaborative Planning,

Forecasting, and Replenishment)
Setelah diketahui terjadinya bullwhip effect, maka selanjutnya adalah
merencanakan langkah yang harus diambil untuk mengatasi bullwhip
effect tersebut. Metode CPFR (Collaborative Planning, Forecasting, and
Replenishment) berfokus dalam mengurangi permasalahan akibat
perbedaan ramalan yang besar di dalam supply chain management. Cara
yang dapat dilakukan adalah dengan mengurangi perbedaan antara
ramalan pada suatu supply chain, kemudian secara bersama–sama
menentukan kebijakan berupa replenishment (pergantian) ramalan
permintaan dan pembelian yang baru.
i. Melakukan Peramalan Menggunakan Minitab 16
Setelah melakukan agregasi atau pengelompokkan produk, langkah
selanjutnya adalah melakukan peramalan. Metode pada peramalan
berdasarkan pola data yang di dapat. Setelah menghitung metode,
kemudian mencari error terkecil (MAD, MSD, MAPE) dari tiap metode
yang dihitung. Dari error terkecil tersebut, didapat metode yang paling
cocok untuk peramalan penjualan yang akan datang.
j. Melakukan Validasi Data Menggunakan Tracking Signal (TS)
Validasi hasil peramalan ini digunakan untuk mengetahui hasil peramalan
yang diperoleh sudah baik atau belum. Validasi hasil peramalan
menggunakan Tracking Signal (TS). Tracking signal adalah suatu ukuran
dalam peramalan dalam memperkirakan nilai-nilai aktual. Tracking
signal merupakan rasio antara kumulatif error (selisih nilai ramalan
dengan nilai aktual)/RSFE (Running Sum of the Forecast Error).
k. Perhitungan Jumlah Pemesanan dan Total Cost Inventory Menggunakan
Metode VMI (Vendor Managed Inventory)
Dengan didapatnya hasil peramalan permintaan, maka dapat ditentukan
perhitungan jumlah pemesanan dan total cost inventory yang baik dengan
menggunakan metode VMI (Vendor Managed Inventory). Metode VMI
(Vendor Managed Inventory) merupakan metode pengontrolan stok
 27

barang pada inventory yang dilakukan oleh pihak perusahaan. Tujuannya

adalah agar tidak terjadi stock out pada inventory dan meminimalisir
terjadinya penumpukkan barang di gudang.
l. Perhitungan Bullwhip Effect di Kondisi Akhir
Langkah akhir yaitu melakukan perhitungan bullwhip effect di kondisi
akhir dengan menggunakan peramalan permintaan dan peramalan
inventory yang baru.
m. Hasil dan Pembahasan
Setelah data diolah, didapatkan hasil dan pembahasan mengenai
perhitungan yang telah dilakukan. Di sini dapat terlihat apakah ada
perubahan sebelum dan setelah dilakukannya penelitian bullwhip effect.
n. Kesimpulan dan Saran
Tahap akhir adalah penarikan kesimpulan dari hasil pengolahan data yang
telah dilakukan dan memberikan saran/manfaat yang berguna bagi
perusahaan serta diberikan metode peramalan yang baru agar perusahaan
dapat meminimalisir total cost inventory dan perbedaan variabilitas yang
sangat jauh antara data peramalan dan data aktual yang ada.

4.3 Time Schedule

Berikut ini merupakan time schedule atau alur dalam proses pembuatan
skripsi dimulai dari studi literatur, pembuatan proposal, pembuatan jurnal, sampai
tahap pembuatan akhir skripsi. Time schedule proses pembuatan skripsi dan Gantt
chart time schedule dapat dilihat pada Tabel 3.2 dan Tabel 3.3.
Tabel 3.2 Time Schedule Proses Pembuatan Skripsi
No. Kegiatan Tanggal Waktu
1. Pendaftaran Peserta 31 Agt – 04 Sept 2020 Jam Kerja
2. Rapat Penentuan Pembimbing 09 September 2020 11:00 WIB
3. Briefing Peserta 10 September 2020 11:00 WIB
4. Pengumpulan Proposal 21 September 2020 16:00 WIB
5. Seminar Proposal 23 – 25 September 2020 Sesuai Jadwal
6. Pengumpulan Perbaikan Proposal 02 Oktober 2020 16:00 WIB
7. Rapat Evaluasi 03 November 2020 11:00 WIB
 28

Lanjutan Tabel 3.2 Time Schedule Proses Pembuatan Skripsi

8. Pengumpulan Jurnal Prasidang 26 November 2020 16:00 WIB
9. Pengumpulan Skripsi 07 Januari 2021 16:00 WIB
10. Sidang Skripsi 12 – 18 Januari 2021 Sesuai Jadwal
11. Pengumpulan Perbaikan Skripsi 20 Januari 2021 16:00 WIB

Tabel 3.3 Gantt Chart Time Schedule

September Oktober November Desember Januari
No Kegiatan 2020 2020 2020 2020 2021
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1. Studi Literatur
2. Pembuatan Proposal
3. Pengumpulan Proposal
4. Seminar Proposal
5. Perbaikan Proposal
Pengumpulan dan
6.
Pengolahan Data
7. Penyusunan Skripsi
8. Pengumpulan Jurnal
10. Pengumpulan Skripsi
11. Sidang Skripsi
12. Perbaikan Skripsi
 BAB 4
HASIL DAN PEMBAHASAN

4.1 Sejarah dan Profil Perusahaan

PT. Pyridam Veteriner merupakan perusahaan manufaktur yang bergerak
dibidang perdistribusian obat-obatan hewan. Pendiri PT. Pyridam Veteriner, Ir.
Sarkri Kosasih, mengawal usahanya dibidang obat hewan pada tahun 1974 dengan
mendirikan badan usaha bernama PD SAHA. Kegiatan awalnya adalah repack obat
hewan produksi PT. Merck Jerman dan diberi nama lokal seperti ciami dan vitabro.
Dengan semakin berkembangnya perternakan ayam ras di Indonesia maka
penjualan PD SAHA semakin besar dan untuk memenuhi kebutuhan pasar yang
semakin berkembang. Pada tahun 1976, Ir. Sarkri Kosasih mulai memproduksi
sendiri obat hewan. Beliau mulai mendirikan perusahaan baru yang diberi nama PT
Pyridam.
Ir. Sarkri Kosasih terinspirasi oleh sebuah bangunan yang termasuk tujuh
keajaiban dunia yaitu PYRAMID yang tangguh terhadap badai gurun, tidak lekang
karena panas dan tidak lapuk karena hujan. Dengan hanya menukar letak hurufnya
saja terciptalah nama PYRIDAM. Dalam diri beliau, terbesit harapan agar
perusahaan yang didirikannya dapat berdiri tangguh menghadapi berbagai situasi
dan tantangan zaman. Setangguh pyramid yang telah menginspirasinya. Ragam
dari produk PT. Pyridam Veteriner semakin banyak, dan semua produk didaftarkan
di Departemen Kesehatan Republik Indonesia.
Di era tahun 80an, dunia peternakan semain berkembang dengan adanya
dukungan dari pemerintah yang memberikan kredit berbunga murah kepada
peternak rakyat. Seirama dengan kemajuan pengunggasan di Indonesia, omzet
penjualan PT. Pyridam Veteriner meningkat pesat. Untuk memberikan pelayanan
serta bimbingan kepada peternak, perusahaan mulai mempekerjakan dokter hewan.
Dokter hewan berperan dalam transfer teknologi dari perusahaan ke peternak,
sehingga peternak dapat berternak dengan benar, efisien dan mendapatkan
keuntungan yang layak.

29
 30

Tahun demi tahun PT. Pyridam semakin berkembang, bahkan pada tahun
1994 mendapatkan penghargaan dari pemerintah Republik Indonesia sebagai
Perusahaan Obat Hewan Berprestasi, mengalahkan berpuluh-puluh perusahaan
obat hewan lainnya.
Pada tahun 1997, krisis multi demensional menimpa Indonesia, ribuan
peternak gulung tikar sehingga sangat memukul perusahaan obat hewan. Gedung
yang sedianya akan menjadi pabrik baru PT. Pyridam Veteriner tersendat
pembangunannya begitu pula dengan omzet yang didapat. Namun, seiring dengan
pemulihan ekonomi di negeri ini, tahun demi tahun PT. Pyridam Veteriner mulai
bangkit lagi hingga bertahan sampai saat ini.
PT. Pyridam Veteriner memproduksi berbagai macam obat-obatan untuk
hewan ternak dengan total lebih dari 40 produk yang terdiri dari cairan, kapsul,
serbuk, dan kaplet. Selain itu, terdapat variansi dalam setiap kemasannya, seperti
kemasan 10 gram, 100 gram, 250 gram, dan sebagainya. Perusahaan tersebut
menerapkan sistem make to stock yaitu disesuaikan dengan kapasitas mesin dan
permintaan pasar dan make to order yaitu disesuaikan dengan permintaan
pelanggan (agen-agen) yang sudah menjadi pelanggan tetap sejak lama. Profil
perusahaan PT. Pyridam Veteriner dapat dilihat di bawah ini.
Nama Perusahaan : PT. Pyridam Veteriner
Badan Usaha : Perseroan Terbatas (PT)
Alamat : Jalan Kemandoran VIII No. 16, Grogol Utara, Kec.
Kebayoran Lama, Kota Jakarta Selatan, Daerah Khusus
Ibukota Jakarta, 12210
Industri : Manufaktur
Produk : Obat-obatan Hewan
Jumlah Karyawan : 64 orang
Telepon : (021) 548 2526
Fax : (021) 549 3587
Website : https://pyfa.co.id/
 31

Lokasi Perusahaan : (Sumber dari Google Maps)

Gambar 4.1 Lokasi Perusahaan

Logo Perusahaan : Logo perusahaan dapat dilihat pada Gambar 4.2

Gambar 4.2 Logo Perusahaan

4.2 Visi dan Misi Perusahaan

Berikut ini merupakan visi dan misi perusahaan PT. Pyridam Veteriner yaitu:
1. Visi
Menjadikan perusahaan sebagai perusahaan terkemuka, dikenal dengan
baik, dan dihormati baik di pasar domestik, regional ataupun internasional-
dapat dipercaya dan diandalkan dalam produksi produk-produk farmasi
yang berkualitas, dan inovatif.
2. Misi
Menjadi perusahaan yang mampu memberikan pelayanan berlingkup
regional, nasional dan internasional dengan produk yang inovatif serta
berkualitas tinggi untuk memberikan kualitas hidup yang lebih baik, dengan
tubuh dan mental yang sehat.
 32

4.3 Produk-produk yang Dihasilkan

Produk-produk yang dihasilkan oleh PT. Pyridam Veteriner merupakan obat-
obatan khususnya hewan ternak. Terdapat lebih dari 40 produk yang terdiri dari
cairan, kapsul, serbuk, dan kaplet. Selain itu, terdapat variansi dalam setiap
kemasannya, seperti kemasan 10 gram, 100 gram, 250 gram, dan sebagainya.
Berikut ini merupakan beberapa obat-obatan yang diproduksi dapat dilihat pada
Gambar 4.3.

Gambar 4.3 Produk-produk yang Dihasilkan PT. Pyridam Veteriner

 33

4.4 Alur Produksi

Berikut ini merupakan alur produksi pembuatan obat-obatan hewan yang ada
di PT. Pyridam Veteriner yaitu:
1. Planning dilihat dari file planning dari PPIC, dalam hal peramalan dan
penjualan. Jika sudah, maka diteruskan ke bagian
procurement/purchasing.
2. Bagian procurement/purchasing mencatat keperluan dalam proses
pembelian raw material ke supplier.
3. Bahan-bahan baku yang sudah dibeli, diberi label kuning yang
menandakan bahwa barang belum diperiksa QC. Jika sudah diperiksa QC,
bahan akan diberi label hijau yang artinya LULUS dan label merah yag
artinya TIDAK LULUS.
4. Proses pembuatan obat dilakukan sesuai dengan jadwal produksi setiap
obat (batch size).
5. Selanjutnya, Team Weighing melakukan proses penimbangan.
6. Setelah dilakukan proses penimbangan, dilanjutkan oleh tim mixing untuk
dibawa ke area mixing.
7. Melakukan pengecekan secara visual terhadap material mencakup item
dan jumlah material. Jika tidak sesuai, maka dilakukan proses
penimbangan ulang. Jika sudah sesuai, maka akan dilanjutkan ke proses
selanjutnya.
8. Tim Mixing melakukan proses mixing sesuai dengan instruksi.
9. Tim QC (Quality Control) memberikan label LULUS sebagai identitas
WIP agar dapat digunakan untuk proses selanjutnya.

4.5 Pengumpulan Data

Pada PT. Pyridam Veteriner, sistem manajemen yang diterapkan dimulai dari
manufaktur ke retail, sampai di tangan konsumen. Data yang akan digunakan dalam
penelitian ini berupa data jumlah permintaan pelanggan dan data jumlah pemesanan
produk dari supplier bahan obat-obatan, serta data permintaan dan pemesanan
retailer pada bulan Januari 2019 sampai Desember 2019 dalam satuan pcs. Data
 34

pemesanan produk dilakukan dengan sekali pembelian pada supplier, yaitu selama
1 tahun. Hal ini dilakukan untuk menghemat biaya dikarenakan adanya minimum
order per pesanan. Namun, pesanan dapat dilakukan kembali jika jika adanya
permintaan tambahan dari para agen maupun bila ada order dari perusahaan lain.
Data yang pertama yaitu produk Monil. Monil merupakan obat yang
digunakan untuk membasmi semua stadium cacing di saluran pencernaan dan
pernafasan pada hewan ruminansia (hewan pemamah biak). Produk monil
menggunakan bahan aktif albendazole.
Data jumlah permintaan pelanggan dan data jumlah pemesanan produk dari
supplier, untuk produk monil per dus (1 dus = 24 bolus/12 strip) selama satu tahun
dapat dilihat pada Tabel 4.1.
Tabel 4.1 Data Order dan Data Demand Produk Monil (per Dus)
Data Order dan Data Demand Produk Monil
Data Data
Bulan Total Cost
Pemesanan Permintaan Order Cost Holding Cost
(2019) Inventory
(Order) (Demand)
Januari 2.433 346 Rp38.493.101 Rp47.184.663
Februari 418 381 Rp6.613.283 Rp15.304.844
Maret 429 614 Rp6.787.316 Rp15.478.878
April 1.125 312 Rp17.798.906 Rp26.490.468
Mei 423 703 Rp6.692.389 Rp15.383.951
Juni 177 485 Rp2.800.361 Rp11.491.923
Rp8.691.562
Juli 1.151 552 Rp18.210.259 Rp26.901.821
Agustus 874 547 Rp13.827.773 Rp22.519.334
September 130 10 Rp2.056.763 Rp10.748.324
Oktober 1.588 0 Rp25.124.145 Rp33.815.707
November 321 0 Rp5.078.621 Rp13.770.183
Desember 87 0 Rp1.376.449 Rp10.068.011
Total 9.156 3.950 Rp8.691.562 Rp144.859.365 Rp249.158.108
Rata-rata Rp20.763.176
Pada Tabel 4.1, terlihat bahwa data pemesanan (order) dengan jumlah 9.156
pcs melebihi data permintaan (demand) yang berjumlah 3.950 pcs. Karena produksi
yang melebihi permintaan, barang yang diproduksi menjadi menumpuk di gudang
yang membuat terjadinya penambahan biaya serta tidak terpenuhinya BEP (Break
 35

Even Point) yang membuat perusahan merugi. Selain itu, terdapat biaya order
sebesar Rp8.691.562 yang didapatkan dari total data order dikalikan dengan harga
produk monil dikalikan biaya pemesanan sebesar 0,3% dari total biaya per sekali
pesan yang meliputi surat permohonan, biaya faximile, purchase order release, dan
biaya penerimaan dan pemeriksaan material. Selain itu, terdapat biaya
penyimpanan yakni sebesar 5% dari total biaya per unit serta data order per
bulannya dengan total Rp144.859.365. Sehingga total cost inventory yang
dikeluarkan selama setahun yaitu Rp249.158.108 dengan rata-rata Rp20.763.176
per bulan.
Berikut ini merupakan kumulatif dari data order dan data demand per 3 bulan
di mana akan terlihat pada bulan ke-berapa produksi tersebut memenuhi kebutuhan
konsumen dan dibandingkan juga dengan data order data demand per bulan selama
setahun dengan menggunakan grafik pada produk monil yang dapat dilihat pada
Gambar 4.4. dan Gambar 4.5.

Data Order dan Data Demand Produk Monil (2019)

3000

2500

2000

1500

1000

500

0
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Data Order Data Demand

Gambar 4.4 Data Order dan Data Demand Produk Monil per Bulan
Pada Gambar 4.4, terlihat bahwa data order dan data demand di bulan Januari
hampir setara yaitu produksi sebesar 2.433 pcs produk dan permintaan sebesar 346
pcs produk. Pada bulan Februari, produksi dilakukan sebesar 418 pcs produk dan
dengan permintaan lebih rendah yaitu 381 pcs produk. Di bulan Maret, produksi
kembali dikurangi sebesar 429 pcs produk, namun berbanding dengan
permintaannya yaitu 614 pcs produk. Di bulan April, produksi kembali meningkat
 36

dengan total produksi 1.125 pcs produk dan permintaannya menurun sebesar 312
pcs produk. Pada bulan Mei, produksi menurun sebesar 423 pcs produk dan
meningkatnya permintaan sebesar 703 pcs produk. Di bulan Juni, terdapat produksi
sebesar 177 pcs produk serta permintaan sebesar 485 pcs produk. Pada bulan Juli,
produksi sebesar 1.151 pcs produk dan permintaan sebesar 552 pcs produk. Pada
bulan Agustus, produksi bertambah sebesar 874 pcs produk dan permintaan sebesar
547 pcs produk. Di bulan September sampai Desember, produksi dilakukan dan
menghasilkan produk sebanyak 2.126 pcs produk, namun permintaan pada ke-4
bulan tersebut kosong. Hal tersebut membuat produk monil menumpuk di gudang
bahan jadi sebanyak 5.206 pcs produk selama setahun.

Kumulatif Data Order dan Data Demand Produk Monil (2019)

3500
3000
2500
2000
1500
1000
500
0
Jan-Mar Apr-Jun Jul-Sep Okt-Des

Data Order Data Demand

Gambar 4.5 Kumulatif Data Order dan Data Demand Produk Monil per 3 Bulan
Pada Gambar 4.5, terlihat bahwa data order dan data demand dikumulatifkan
per 3 bulan. Pada bulan Januari sampai Maret, produksi sudah terpenuhi tepatnya
di bulan Januari dengan data order sebesar 2.433 pcs serta data demand sebesar 344
pcs yang berarti perusahaan mempunyai stok lebih sebanyak 1.770 pcs untuk bulan
selanjutnya. Dari bulan April sampai Desember, produksi terus berjalan dan terlihat
bahwa permintaan kurang dari produksi, bahkan tidak adanya permintaan dari bulan
Oktober sampai Desember, sehingga terjadinya stok berlebih sebesar 5.206 pcs
produk.
 37

Data yang kedua yaitu produk anti bloat. Anti bloat merupakan obat untuk
pengobatan tympani akut yang disebabkan oleh pembentukan gas yang berlebihan
dalam rumen sapi, kerbau, domba, dan kambing. Produk anti bloat memiliki bahan
aktif pimethicone 1%. Data jumlah permintaan pelanggan dan data jumlah
pemesanan produk dari supplier untuk produk anti bloat (100 ml/botol) per pcs
dapat dilihat pada Tabel 4.2.
Tabel 4.2 Data Order dan Data Demand Produk Anti Bolat (per Pcs)
Data Order dan Data Demand Produk Anti Bloat
Data Data
Bulan Total Cost
Pemesanan Permintaan Order Cost Holding Cost
(2019) Inventory
(Order) (Demand)
Januari 1.344 340 Rp2.494.800 Rp3.284.226
Februari 245 640 Rp454.781 Rp1.244.207
Maret 117 194 Rp217.181 Rp1.006.607
April 447 160 Rp829.744 Rp1.619.170
Mei 547 472 Rp1.015.369 Rp1.804.795
Juni 523 200 Rp970.819 Rp1.760.245
Rp789.426
Juli 337 610 Rp625.556 Rp1.414.982
Agustus 475 1.060 Rp881.719 Rp1.671.145
September 1.109 700 Rp2.058.581 Rp2.848.007
Oktober 478 360 Rp887.288 Rp1.676.714
November 214 260 Rp397.238 Rp1.186.664
Desember 1.252 240 Rp2.324.025 Rp3.113.451
Total 7.088 5.236 Rp789.426 Rp13.157.100 Rp22.630.212
Rata-rata Rp1.885.851
Pada Tabel 4.2, terlihat bahwa data pemesanan (order) dengan jumlah 7.088
pcs melebihi data permintaan (demand) yang berjumlah 5.236 pcs. Karena produksi
yang melebihi permintaan, barang yang diproduksi menjadi menumpuk di gudang
yang membuat terjadinya penambahan biaya serta tidak terpenuhinya BEP (Break
Even Point) yang membuat perusahan merugi. Selain itu, terdapat biaya order
sebesar Rp789.426 yang didapatkan dari total data order dikalikan dengan harga
produk anti bloat dikalikan biaya pemesanan sebesar 0,3% dari total biaya per sekali
pesan yang meliputi surat permohonan, biaya faximile, purchase order release, dan
biaya penerimaan dan pemeriksaan material. Selain itu, terdapat biaya
 38

penyimpanan yakni sebesar 5% dari total biaya per unit serta data order per
bulannya dengan total Rp13.157.100. Sehingga total cost inventory yang
dikeluarkan selama setahun yaitu Rp22.630.212 dengan rata-rata Rp1.885.851 per
bulan.
Berikut ini merupakan kumulatif dari data order dan data demand per 3 bulan
di mana akan terlihat pada bulan ke-berapa produksi tersebut memenuhi kebutuhan
konsumen dan dibandingkan juga dengan data order data demand per bulan selama
setahun dengan menggunakan grafik pada produk anti bloat yang dapat dilihat pada
Gambar 4.6. dan Gambar 4.7.

Data Order dan Data Demand Produk Anti Bloat (2019)

1600
1400
1200
1000
800
600
400
200
0
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Data Order Data Demand

Gambar 4.6 Data Order dan Data Demand Produk Anti Bloat per Bulan
Pada Gambar 4.6, terlihat bahwa produksi di bulan Januari yaitu produksi
lebih banyak yaitu sebesar 1.344 pcs produk dibandingkan permintaan sebesar 340
pcs produk. Pada bulan Februari, produksi dilakukan sebesar 245 pcs produk dan
dengan permintaan lebih tinggi yaitu 640 pcs produk. Di bulan Maret, produksi
kembali dikurangi sebesar 117 pcs produk, namun berbanding dengan
permintaannya yaitu 194 pcs produk. Di bulan April, produksi kembali meningkat
dengan total produksi 447 pcs produk dan permintaannya menurun sebesar 160 pcs
produk. Pada bulan Mei, produksi meningkat sebesar 547 pcs produk dan
menurunnya permintaan sebesar 472 pcs produk. Di bulan Juni, terdapat produksi
sebesar 523 pcs produk serta permintaan yang menurun sebesar 200 pcs produk.
Pada bulan Juli, produksi sebesar 337 pcs produk dan permintaan meningkat jauh
 39

sebesar 610 pcs produk. Pada bulan Agustus, produksi bertambah sebesar 475 pcs
produk dan permintaan meningkat jauh sebesar 1.060 pcs produk. Di bulan
September, produksi ditingkatkan lagi sebesar 1.109 pcs produk, namun
permintaannya menurun sebesar 700 pcs produk. Di bulan Oktober, produksi yang
dilakukan sebesar 478 pcs produk dan permintaanya menurun sebesar 360 pcs
produk. Di bulan November, produksi yang dilakukan sebesar 214 pcs produk dan
permintaanya mengalami kenaikan sebesar 260 pcs produk. Di bulan Desember,
produksi yang dilakukan sebesar 1.252 pcs produk dengan permintaan yang
menurun yaitu sebesar 240 pcs produk. Didapat bahwa dihasilkan lebih banyak
produksi dibandingkan dengan permintaan. Hal tersebut membuat produk anti bloat
menumpuk di gudang bahan jadi sebanyak 1.852 pcs produk selama setahun.

Kumulatif Data Order dan Data Demand Produk Anti Bloat (2019)
2500

2000

1500

1000

500

0
Jan-Mar Apr-Jun Jul-Sep Okt-Des

Data Order Data Demand

Gambar 4.7 Kumulatif Data Order dan Data Demand Produk Anti Bloat per 3
Bulan
Pada Gambar 4.7, terlihat bahwa data order dan data demand dikumulatifkan
per 3 bulan. Pada bulan Januari sampai Maret, data order telah melebihi data
demand, dan telah terpenuhinya produksi dan perusahaan masih memiliki stok
sebanyak 532 pcs produk. Selanjutnya, dari bulan April sampai Juni, terlihat bahwa
produksi masih di atas permintaan sehingga adanya stok untuk digunakan di bulan
selanjutnya. Pada bulan Juli sampai September, terlihat bahwa permintaan
meningkat dibandingkan dengan produksi, sehingga tidak terpenuhinya
permintaan. Pada bulan Oktober sampai Desember, produksi ditingkatkan dan
 40

permintaan menurun, sehingga terpenuhilah permintaan di kuartal 4, bahkan adanya

stok sebesar 1.852 pcs produk per tahun.
Data yang ketiga yaitu produk ascarin. Ascarin merupakan produk untuk
membasmi cacing pada sapi, kuda, unggas, domba, babi, anjing, dan kucing.
Produk ascarin memiliki bahan aktif piperazine citrate. Data jumlah permintaan
pelanggan dan data jumlah pemesanan produk dari supplier untuk produk ascarin
(100 ml/botol) per pcs dapat dilihat pada Tabel 4.3.
Tabel 4.3 Data Order dan Data Demand Produk Ascarin (per Pcs)
Data Order dan Data Demand Produk Ascarin
Data Data
Bulan Total Cost
Pemesanan Permintaan Order Cost Holding Cost
(2019) Inventory
(Order) (Demand)
Januari 2.503 1.440 Rp2.168.224 Rp3.296.861
Februari 1.974 1.980 Rp1.709.978 Rp2.838.615
Maret 1.225 2.866 Rp1.061.156 Rp2.189.793
April 622 520 Rp538.808 Rp1.667.445
Mei 1.144 1.802 Rp990.990 Rp2.119.627
Juni 2.540 1.680 Rp2.200.275 Rp3.328.912
Rp1.128.637
Juli 981 980 Rp849.791 Rp1.978.428
Agustus 2.577 722 Rp2.232.326 Rp3.360.963
September 3.641 972 Rp3.154.016 Rp4.282.653
Oktober 922 720 Rp798.683 Rp1.927.320
November 1.475 2.016 Rp1.277.719 Rp2.406.356
Desember 2.111 1.120 Rp1.828.654 Rp2.957.291
Total 21.715 16.818 Rp1.128.637 Rp18.810.619 Rp32.354.264
Rata-rata Rp2.696.189
Pada Tabel 4.3, terlihat bahwa data pemesanan (order) dengan jumlah 21.715
pcs melebihi data permintaan (demand) yang berjumlah 16.818 pcs. Karena
produksi yang melebihi permintaan, barang yang diproduksi menjadi menumpuk di
gudang yang membuat terjadinya penambahan biaya serta tidak terpenuhinya BEP
(Break Even Point) yang membuat perusahan merugi. Selain itu, terdapat biaya
order sebesar Rp1.128.637 yang didapatkan dari total data order dikalikan dengan
harga produk ascarin dikalikan biaya pemesanan sebesar 0,3% dari total biaya per
sekali pesan yang meliputi surat permohonan, biaya faximile, purchase order
 41

release, dan biaya penerimaan dan pemeriksaan material. Selain itu, terdapat biaya
penyimpanan yakni sebesar 5% dari total biaya per unit serta data order per
bulannya dengan total Rp18.810.619. Sehingga total cost inventory yang
dikeluarkan selama setahun yaitu Rp32.354.264 dengan rata-rata Rp2.696.189 per
bulan.
Berikut ini merupakan kumulatif dari data order dan data demand per 3 bulan
di mana akan terlihat pada bulan ke-berapa produksi tersebut memenuhi kebutuhan
konsumen dan dibandingkan juga dengan data order data demand per bulan selama
setahun dengan menggunakan grafik pada produk anti bloat yang dapat dilihat pada
Gambar 4.8. dan Gambar 4.9.

Data Order dan Data Demand Produk Ascarin (2019)

4000
3500
3000
2500
2000
1500
1000
500
0
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Data Order Data Demand

Gambar 4.8 Data Order dan Data Demand Produk Ascarin per Bulan
Pada Gambar 4.8, terlihat bahwa produksi di bulan Januari yaitu produksi
sebesar 2.503 pcs produk dan permintaan sebesar 1.440 pcs produk. Pada bulan
Februari, produksi dilakukan sebesar 1.974 pcs produk dan dengan permintaan
lebih tinggi yaitu 1.980 pcs produk. Di bulan Maret, produksi berkurang sebesar
1.225 pcs produk, namun berbanding dengan permintaannya yang tinggi yaitu
2.866 pcs produk. Di bulan April, produksi ditingkatkan dengan total produksi 622
pcs produk namun permintaannya menurun sebesar 520 pcs produk. Pada bulan
Mei, produksi sebesar 1.144 pcs produk dan permintaan sebesar 1.802 pcs produk.
Di bulan Juni, terdapat produksi sebesar 2.540 pcs produk namun permintaan naik
sebesar 1.680 pcs produk. Pada bulan Juli, produksi sebesar 981 pcs produk dan
 42

permintaan sebesar 980 pcs produk. Pada bulan Agustus, produksi bertambah
sebesar 2.577 pcs produk dan permintaan sebesar 722 pcs produk. Di bulan
September, produksi ditingkatkan sebesar 3.641 pcs produk, namun permintaannya
turun sebesar 972 pcs produk. Di bulan Oktober, produksi yang dilakukan sebesar
922 pcs produk dan permintaanya sebesar 720 pcs produk. Di bulan November,
produksi yang dilakukan sebesar 1.475 pcs produk dan permintaanya mengalami
kenaikan sebesar 2.016 pcs produk. Di bulan Desember, produksi yang dilakukan
sebesar 2.111 pcs produk dengan permintaan sebesar 1.120 pcs produk. Didapat
bahwa dihasilkan lebih banyak produksi dibandingkan dengan permintaan. Hal
tersebut membuat produk anti bloat menumpuk di gudang bahan jadi sebanyak
4.897 pcs produk selama setahun.

Kumulatif Data Order dan Data Demand Produk Ascarin (2019)

8000
7000
6000
5000
4000
3000
2000
1000
0
Jan-Mar Apr-Jun Jul-Sep Okt-Des

Data Order Data Demand

Gambar 4.9 Kumulatif Data Order dan Data Demand Produk Ascarin per 3 Bulan
Pada Gambar 4.9, terlihat bahwa data order dan data demand dikumulatifkan
per 3 bulan. Pada bulan Januari sampai Maret, data demand melebihi data order,
dan masih belum terpenuhinya produksi. Selanjutnya, dari bulan April sampai Juni,
terlihat bahwa produksi di atas permintaan sehingga adanya stok untuk digunakan
di bulan selanjutnya. Pada bulan Juli sampai September, terlihat bahwa produksi
mengingkat dibandingkan dengan permintaan sehingga terpenuhinya permintaan.
Pada bulan Oktober sampai Desember, produksi ditingkatkan dan permintaan
menurun, sehingga terpenuhilah permintaan di kuartal 4, bahkan adanya stok
sebesar 4.897 pcs produk per tahun.
 43

4.6 Pengolahan Data

Setelah mengumpulkan data jumlah pembelian dari supplier dan data jumlah
pemesanan pelanggan, selanjutnya yaitu pengolahan data dalam mencari dan
mengidentifikasi bullwhip effect dalam rangkaian rantai pasokan. Langkah awal
yaitu dengan mengukur tingkat koefisien variansi pembelian dan koefisien variansi
permintaan.

4.7 Perhitungan Bullwhip Effect di Kondisi Awal

Berikut ini merupakan perhitungan bullwhip effect pada kondisi awal salah
satu produk yaitu monil, seperti:
𝛼 (𝐷𝑒𝑚𝑎𝑛𝑑)
𝐶𝑉 (𝐷𝑒𝑚𝑎𝑛𝑑) = 𝜇 (𝐷𝑒𝑚𝑎𝑛𝑑)
𝛴(𝑋𝑖)
𝜇= 𝜇 =329,17
𝑛

𝛴(X1…𝑛−𝜇 2 )
𝛼=√ 𝛼 =265
𝑛−1

𝐶𝑉 (𝐷𝑒𝑚𝑎𝑛𝑑) = 0,81

𝛼 (𝑂𝑟𝑑𝑒𝑟)
𝐶𝑉 (𝑂𝑟𝑑𝑒𝑟) = 𝜇 (𝑂𝑟𝑑𝑒𝑟)
𝛴(𝑋𝑖)
𝜇= 𝜇 =763
𝑛

𝛴(X1…𝑛−𝜇 2 )
𝛼=√ 𝛼 = 707,49
𝑛−1

𝐶𝑉 (𝑂𝑟𝑑𝑒𝑟) = 0,93

𝐶𝑉 (𝑂𝑟𝑑𝑒𝑟)
𝐵𝐸 = 𝐶𝑉 (𝐷𝑒𝑚𝑎𝑛𝑑)

= 1,15
Berdasarkan contoh perhitungan dari perhitungan di atas, nilai bullwhip effect
dapat terjadi jika adanya perbandingan variabilitas permintaan dan persediaan ≥ 1
 44

yaitu terjadinya amplifikasi atau lonjakan permintaan. Berikut ini merupakan

perhitungan bullwhip effect awal dari setiap produk secara lengkap yang dapat
dilihat pada Tabel 4.4.
Tabel 4.4 Perhitungan Bullwhip Effect Awal pada Setiap Produk
Order Demand Nilai
Produk Standar Rata - CV Standar Rata – CV Bullwhip Efisiensi
Deviasi rata Order Deviasi rata Demand Effect

Monil 707,49 763 0,93 265 329,17 0,81 1,15 115%

Anti
413,06 590,67 0,70 270,87 436,33 0,62 1,13 113%
Bloat

Ascarin 897,30 1809,58 0,50 690,26 1401,5 0,49 1,01 101%

Pada Tabel 4.4, diketahui bahwa ketiga produk yang diteliti mengalami
bullwhip effect. Hal tersebut dikarenakan semua nilai bullwhip effect ≥ 1 yang
mengindikasikan terjadinya amplifikasi permintaan baik menurun maupun
meningkat. Akibat dari adanya amplifikasi ini antara lain berlebihnya stok
persediaan, terganggunya proses produksi, terganggunya sistem dalam manajemen
rantai pasokan, dan sebagainya.

4.8 Collaborative Planning, Forecasting, and Replenishment (CPFR)

Rencana awal dari metode CPFR (Collaborative Planning, Forecasting, and
Replenishment) ini adalah dengan membuat peramalan pada tiap produk dan
ditentukan metode peramalan yang akan dipakai dengan melihat perhitungan nilai
error terkecil dari setiap produk.
 45

4.8.1 Metode Peramalan

Peramalan yang akan diolah yaitu selama 12 bulan atau 1 tahun mendatang
untuk tiap produk. Metode peramalan merupakan metode yang digunakan untuk
mengestimasi permintaan produk mendatang tiap produk. Pola data trend (T) terjadi
bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data.
Sehingga, terdapat 4 metode peramalan yang akan digunakan dalam melakukan
peramalan dalam data penjualan yaitu metode moving average, metode trend linier,
metode exponential smoothing, dan metode kuadratik.
Software yang akan digunakan pada metode peramalan ini yaitu Minitab 16.
Berikut ini merupakan perhitungan tiap metode:
1. Metode Moving Average
Peramalan dengan menggunakan metode ini didasarkan pada proyeksi serial
data yang dimuluskan dengan rata-rata bergerak sebanyak 1 kali.
Perhitungan dengan metode moving average pada produk monil beserta
grafik dapat dilihat pada Gambar 4.10, Gambar 4.11, Gambar 4.12, dan
Gambar 4.13.

Gambar 4.10 Perhitungan Metode Moving Average Produk Monil

Grafik Metode Moving Average Produk Monil (2 Bulan)

800

600

400

200

0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.11 Grafik Metode Moving Average Produk Monil (2 Bulan)

 46

Lanjutan Gambar Metode Moving Average

Grafik Metode Moving Average Produk Monil (3 Bulan)

800

600

400

200

0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.12 Grafik Metode Moving Average Produk Monil (3 Bulan)

Grafik Metode Moving Average Produk Monil (5 Bulan)

800

600

400

200

0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.13 Grafik Metode Moving Average Produk Monil (5 Bulan)

Perhitungan dengan metode moving average pada produk anti bloat beserta
grafik dapat dilihat pada Gambar 4.14, Gambar 4.15, Gambar 4.16, dan
Gambar 4.17.

Gambar 4.14 Perhitungan Metode Moving Average untuk Produk Anti Bloat
 47

Lanjutan Gambar Metode Moving Average

Grafik Metode Moving Average Produk Anti Bloat (2 Bulan)

1200
1000
800
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.15 Grafik Metode Moving Average Produk Anti Bloat (2 Bulan)

Grafik Metode Moving Average Produk Anti Bloat (3 Bulan)

1200
1000
800
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.16 Grafik Metode Moving Average Produk Anti Bloat (3 Bulan)

Grafik Metode Moving Average Produk Anti Bloat (5 Bulan)

1200
1000
800
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.17 Grafik Metode Moving Average Produk Anti Bloat (5 Bulan)
 48

Perhitungan dengan metode moving average pada produk ascarin beserta

grafik dapat dilihat pada Gambar 4.18, Gambar 4.19, Gambar 4.20, Gambar
4.21.

Gambar 4.18 Perhitungan Metode Moving Average untuk Produk Ascarin

Grafik Metode Moving Average Produk Ascarin (2 Bulan)

3500
3000
2500
2000
1500
1000
500
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.19 Grafik Metode Moving Average Produk Ascarin (2 Bulan)

Grafik Metode Moving Average Produk Ascarin (3 Bulan)

3500
3000
2500
2000
1500
1000
500
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.20 Grafik Metode Moving Average Produk Ascarin (3 Bulan)

 49

Lanjutan Gambar Metode Moving Average

Grafik Metode Moving Average Produk Ascarin (5 Bulan)

3500
3000
2500
2000
1500
1000
500
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.21 Grafik Metode Moving Average Produk Ascarin (5 Bulan)

2. Metode Trend Linier
Metode pada trend linier digunakan untuk mengembangkan model
peramalan kausal serta model peramalan waktu. Perhitungan dengan
metode trend linier beserta grafik pada produk monil dapat dilihat pada
Gambar 4.22, Gambar 4.23, Gambar 4.24.

Gambar 4.22 Perhitungan Metode Trend Linier Produk Monil

Grafik Metode Trend Linier Produk Monil

800

600

400

200

0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.23 Grafik Perhitungan Metode Trend Linier Produk Monil

 50

Perhitungan dengan metode trend linier beserta grafik serta error yang
dihasilkan pada produk anti bloat dapat dilihat pada Gambar 4.24 dan
Gambar 4.25.

Gambar 4.24 Perhitungan Metode Trend Linier Produk Anti Bloat

Grafik Metode Trend Linier Produk Anti Bloat

1200
1000
800
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.25 Grafik Perhitungan Metode Trend Linier Produk Anti Bloat
Perhitungan dengan metode trend linier beserta grafik pada produk ascarin
dapat dilihat pada Gambar 4.26 dan Gambar 4.27.

Gambar 4.26 Perhitungan Metode Trend Linier Produk Ascarin

 51

Lanjutan Gambar Metode Trend Linier

Grafik Metode Trend Linier Produk Ascarin

3500
3000
2500
2000
1500
1000
500
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.27 Grafik Perhitungan Metode Trend Linier Produk Ascarin

3. Metode Single Exponential Smoothing

Metode Single Exponential Smoothing adalah teknik peramalan rata-rata
bergerak dengan pembobotan di mana data diberi bobot oleh sebuah fungsi
eksponential yaitu optimal ARIMA. ARIMA merupakan suatu metode yang
menghasilkan ramalan – ramalan berdasarkan sintesis dari pola data secara
historis.
Perhitungan dengan metode single exponential smoothing beserta grafik
pada produk monil dapat dilihat pada Gambar 4.28 dan Gambar 4.29.

Gambar 4.28 Perhitungan Metode SES Produk Monil

 52

Lanjutan Gambar Metode Single Exponential Smoothing

Grafik Metode SES Produk Monil

800

600

400

200

0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.29 Grafik Perhitungan Metode SES Produk Monil

Perhitungan dengan metode single exponential smoothing beserta grafik
pada produk anti bloat dapat dilihat pada Gambar 4.30 dan Gambar 4.31.

Gambar 4.30 Perhitungan Metode SES Produk Anti Bloat

Grafik Metode SES Produk Anti Bloat

1200
1000
800
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.31 Grafik Perhitungan Metode SES Produk Anti Bloat

 53

Perhitungan dengan metode single exponential smoothing beserta grafik

pada produk ascarin dapat dilihat pada Gambar 4.32 dan Gambar 4.32.

Gambar 4.32 Perhitungan Metode SES Produk Ascarin

Grafik Metode SES Produk Ascarin

3500

3000

2500

2000

1500

1000

500

0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.33 Grafik Perhitungan Metode SES Produk Ascarin

4. Metode Double Exponential Smoothing

Didalam metode Double Exponential Smoothing dilakukan proses
smoothing dua kali dengan menggunakan fungsi optimal ARIMA. ARIMA
merupakan suatu metode yang menghasilkan ramalan – ramalan
berdasarkan sintesis dari pola data secara historis.
Perhitungan dengan metode double exponential smoothing beserta grafik
pada produk monil dapat dilihat pada Gambar 4.34 dan Gambar 4.35.
 54

Lanjutan Gambar Metode Double Exponential Smoothing

Gambar 4.34 Perhitungan Metode DES Produk Monil

Grafik Metode DES Produk Monil

800

600

400

200

0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.35 Grafik dan Error Perhitungan Metode DES Produk Monil
Perhitungan dengan metode double exponential smoothing beserta grafik
pada produk anti bloat dapat dilihat pada Gambar 4.36 dan Gambar 4.37.

Gambar 4.36 Perhitungan Metode DES Produk Anti Bloat

 55

Lanjutan Gambar Metode Double Exponential Smoothing

Grafik Metode DES Produk Anti Bloat

2000

1500

1000

500

0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
-500

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.37 Grafik Perhitungan Metode DES Produk Anti Bloat

Perhitungan dengan metode double exponential smoothing beserta grafik
pada produk ascarin dapat dilihat pada Gambar 4.38 dan Gambar 4.39.

Gambar 4.38 Perhitungan Metode DES Produk Ascarin

Grafik Metode DES Produk Ascarin

3500
3000
2500
2000
1500
1000
500
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.39 Perhitungan Metode DES Produk Ascarin

 56

5. Metode Kuadratik
Metode ini menggunakan data secara acak berfluktuasi membentuk kurva
kuadratik. Perhitungan dengan metode kuadratik beserta grafik pada produk
monil dapat dilihat pada Gambar 4.40 dan Gambar 4.41.

Gambar 4.40 Perhitungan Metode Kuadratik Produk Monil

Grafik Metode Kuadratik Produk Monil

800

600

400

200

0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
-200

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.41 Grafik Perhitungan Metode Kuadratik Produk Monil

Perhitungan dengan metode kuadratik beserta grafik pada produk anti bloat
dapat dilihat pada Gambar 4.42 dan Gambar 4.43.

Gambar 4.42 Perhitungan Metode Kuadratik Produk Anti Bloat

 57

Lanjutan Gambar Metode Kuadratik

Grafik Metode Kuadratik Produk Anti Bloat

1200
1000
800
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.43 Grafik Perhitungan Metode Kuadratik Produk Anti Bloat

Perhitungan dengan metode kuadratik beserta grafik pada produk ascarin
dapat dilihat pada Gambar 4.44 dan Gambar 4.45.

Gambar 4.44 Perhitungan Metode Kuadratik Ascarin

Grafik Metode Kuadratik Produk Ascarin

3500
3000
2500
2000
1500
1000
500
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Data Aktual Permintaan (2019) Data Peramalan Permintaan (2020)

Gambar 4.45 Grafik Perhitungan Metode Kuadratik Ascarin

 58

Setelah dilakukan perhitungan pada tiap metode (metode moving average,

trend linier, single exponensial smoothing, double exponensial smoothing, dan
kuadratik), maka didapatkan peramalan dari masing-masing metode serta nilai error
MAPE, MAD, dan MSD pada tiap metode. Langkah selanjutnya adalah
membandingkan nilai error tersebut dan mencari mana nilai error terkecil. Nilai
error terkecil menandakan bahwa peramalan tersebut memiliki tingkat akurasi dan
ketepatan yang lebih baik.
Berikut ini merupakan rekapitulasi atau rangkuman masing-masing metode
beserta masing-masing error pada setiap produk yang dapat dilihat pada Tabel 4.5
sampa Tabel 4.7.
Tabel 4.5 Hasil Rekapitulasi Nilai Error Produk Monil
Rekapitulasi Nilai Error Produk Monil
Jenis Error
Metode Peramalan
MAD MSD MAPE
Moving Average (2 Bulan) 159,2 52649,1 792,4
Moving Average (3 Bulan) 180,2 59590 881,5
Moving Average (5 Bulan) 227,2 89280,4 1278,2
Trend Linier 181,2 38039,6 262,1
Single Exponential Smoothing 149,5 45785,3 616,9
Double Exponential Smoothing 156,5 45944,2 603,9
Kuadratik 122,9 21484,4 321,4
Error Terkecil 149,5 38039,6 262,1
Pada hasil rekapitulasi Tabel 4.4, di dapat bahwa error terkecil produk monil
menggunakan metode kuadratik. Namun, karena hasil peramalan permintaan
metode kuadratik bernilai minus pada bulan Desember, peramalan tidak dapat
digunakan. Sehingga, error terkecil terbanyak di dapat oleh metode trend linier
dengan nilai error MSD dan MAPE terkecil terbanyak. Sedangkan untuk nilai error
MAD didapat oleh metode single exponential smoothing.
Tabel 4.6 Hasil Rekapitulasi Nilai Error Produk Anti Bloat
Rekapitulasi Nilai Error Produk Anti Bloat
Jenis Error
Metode Peramalan
MAD MSD MAPE
Moving Average (2 Bulan) 289 112467 84
 59

Lanjutan Tabel 4.6 Hasil Rekapitulasi Nilai Error Produk Anti Bloat
Moving Average (3 Bulan) 285 113356 79
Moving Average (5 Bulan) 329 139389 81
Trend Linier 218 66821,7 65
Single Exponential Smoothing 223,3 74187,4 59,7
Double Exponential Smoothing 356 239193 105
Kuadratik 199,1 59619,2 62,5
Error Terkecil 199,1 59619,2 59,7
Pada hasil rekapitulasi Tabel 4.6, di dapat bahwa error terkecil produk anti
bloat dengan error terkecil terbanyak didapat oleh metode kuadratik dengan nilai
error MAD dan MSD terkecil terbanyak. Sedangkan untuk nilai error MAPE di
dapat oleh metode single exponential smoothing.
Tabel 4.7 Hasil Rekapitulasi Nilai Error Produk Ascarin
Rekapitulasi Nilai Error Produk Ascarin
Jenis Error
Metode Peramalan
MAD MSD MAPE
Moving Average (2 Bulan) 672 764895 72
Moving Average (3 Bulan) 490 525512 62
Moving Average (5 Bulan) 485 376756 49
Trend Linier 509 379073 48
Single Exponential Smoothing 579 486396 61
Double Exponential Smoothing 558 540166 50
Kuadratik 502 359859 45
Error Terkecil 485 359859 45
Pada hasil rekapitulasi Tabel 4.7, di dapat bahwa error terkecil produk ascarin
dengan error terkecil terbanyak didapat oleh metode kuadratik dengan nilai error
MSD dan MAPE terkecil terbanyak. Sedangkan untuk nilai error MAD di dapat
oleh metode moving average (5 bulan).
Berdasarkan hasil rekapitulasi masing-masing metode beserta error yang
dihasilkan pada setiap produk, didapatkan peramalan permintaan untuk produk
monil menggunakan metode trend linier, produk anti bloat menggunakan metode
kuadratik, dan produk ascarin menggunakan metode kuadratik untuk tahun 2020
yang dapat dilihat pada Tabel 4.8.
 60

Tabel 4.8 Hasil Peramalan Permintaan Tiap Produk

Peramalan Permintaan
Bulan (2020) Produk Monil Produk Anti Bloat Produk Ascarin
Jan 588 259 2.026
Feb 541 345 1.825
Mar 494 416 1.650
Apr 447 469 1.501
Mei 400 507 1.379
Jun 353 529 1.283
Jul 306 534 1.214
Ags 259 523 1.171
Sep 212 496 1.154
Okt 165 453 1.163
Nov 118 393 1.198
Des 71 317 1.260
Total 3.954 5.241 16.824

4.8.2 Validasi Hasil Peramalan

Validasi hasil peramalan ini digunakan untuk mengetahui hasil peramalan
yang diperoleh sudah baik atau belum. Validasi hasil peramalan menggunakan
Tracking Signal (TS). Tracking signal adalah suatu ukuran dalam peramalan dalam
memperkirakan nilai-nilai aktual. Tracking signal merupakan rasio antara
kumulatif error (selisih nilai ramalan dengan nilai aktual)/RSFE (Running Sum of
the Forecast Error). Nilai Tracking signal (TS) didapat dengan rumus:
𝑅𝑆𝐹𝐸
TS = 𝑀𝐴𝐷

Nilai tracking signal yang baik akan didapat jika nilai RSFE kecil dan pusat
atau titik tengah tracking signal mendekati nol. Sementara batas bawah dan batas
atas digunakan yaitu -6<TS<6. Tracking signal positif artinya permintaan aktual
lebih besar dari nilai hasil peramalan, dan sebaliknya jika nilai tracking signal
negatif artinya permintaan aktual lebih kecil dari pada nilai hasil peramalan.
Berikut ini merupakan validasi hasil peramalan dari masing-masing produk
yang ada pada Tabel 4.9, Tabel 4.10, dan Tabel 4.11.
 61

Tabel 4.9 Validasi Hasil Peramalan Produk Monil

Validasi Hasil Peramalan Produk Monil
Permintaan Peramalan kum kum
Bulan et |et| MAD TS
(2019) (2020) abs error
Jan 346 588 -242 242 242 242 -242 -1
Feb 381 541 -160 160 402 201 -402 -2
Mar 614 494 120 120 522 174 -282 -1,62
Apr 312 447 -135 135 657 164,25 -417 -2,54
Mei 703 400 303 303 960 192 -114 -0,59
Jun 485 353 132 132 1092 182 18 0,10
Jul 552 306 246 246 1338 191,14 264 1,38
Ags 547 259 288 288 1626 203,25 552 2,72
Sep 10 212 -202 202 1828 203,11 350 1,72
Okt 0 165 -165 165 1993 199,3 185 0,93
Nov 0 118 -118 118 2111 191,91 67 0,35
Des 0 71 -71 71 2182 181,83 -4 -0,02
Pada Tabel 4.9, hasil tracking signal dengan metode trend linier pada produk
monil yang didapat menunjukkan nilai -6<TS<6, yang berarti metode tersebut layak
digunakan.
Tabel 4.10 Validasi Hasil Peramalan Produk Anti Bloat
Validasi Hasil Peramalan Produk Anti Bloat
Permintaan Peramalan kum kum
Bulan et |et| MAD TS
(2019) (2020) abs error
Jan 340 259 81 81 81 81 81 1
Feb 640 345 295 295 376 188 376 2
Mar 194 416 -222 222 598 199,33 154 0,77
Apr 160 469 -309 309 907 226,75 -155 -0,68
Mei 472 507 -35 35 942 188,4 -190 -1,01
Jun 200 529 -329 329 1271 211,83 -519 -2,45
Jul 610 534 76 76 1347 192,43 -443 -2,30
Ags 1060 523 537 537 1884 235,5 94 0,40
Sep 700 496 204 204 2088 232 298 1,28
Okt 360 453 -93 93 2181 218,1 205 0,94
Nov 260 393 -133 133 2314 210,36 72 0,34
Des 240 317 -77 77 2391 199,25 -5 -0,03
 62

Pada Tabel 4.10, hasil tracking signal dengan metode kuadratik pada produk
anti bloat yang didapat menunjukkan nilai -6<TS<6, yang berarti metode tersebut
layak digunakan.
Tabel 4.11 Validasi Hasil Peramalan Produk Ascarin
Validasi Hasil Peramalan Produk Ascarin
Permintaan Peramalan kum kum
Bulan et |et| MAD TS
(2019) (2020) abs error
Jan 1440 2026 -586 586 586 586 -586 -1
Feb 1980 1825 155 155 741 370,5 -431 -1,16
Mar 2866 1650 1216 1216 1957 652,33 785 1,20
Apr 520 1501 -981 981 2938 734,5 -196 -0,27
Mei 1802 1379 423 423 3361 672,2 227 0,34
Jun 1680 1283 397 397 3758 626,33 624 1
Jul 980 1214 -234 234 3992 570,29 390 0,68
Ags 722 1171 -449 449 4441 555,13 -59 -0,11
Sep 972 1154 -182 182 4623 513,67 -241 -0,47
Okt 720 1163 -443 443 5066 506,6 -684 -1,35
Nov 2016 1198 818 818 5884 534,91 134 0,25
Des 1120 1260 -140 140 6024 502 -6 -0,01
Pada Tabel 4.11, hasil tracking signal dengan metode kuadratik pada produk
ascarin yang di dapat menunjukkan nilai -6<TS<6, yang berarti metode tersebut
layak digunakan.

4.9 Perhitungan dengan Menggunakan Metode Vendor Managed Inventory

(VMI)
Perhitungan yang akan digunakan yaitu jumlah pemesanan Q. Berikut ini
merupakan rumus-rumus yang akan digunakan:
Jumlah Pemesanan Q

2𝐶𝑅
𝑄∗= √
𝐻

Kalkulasi biaya pemesanan (C) yaitu sebesar 0,3% dari total biaya per sekali
pesan yang meliputi surat permohonan, biaya faximile, purchase order release, dan
 63

biaya penerimaan dan pemeriksaan material. Untuk biaya simpan (H) yakni sebesar
5% dari total biaya per unit serta demand forecast (R) per bulannya.
Hasil rekap untuk perhitungan jumlah pemesanan Q masing-masing produk
dapat dilihat pada Tabel 4.12 sampai Tabel 4.14.
Tabel 4.12 Hasil Rekap Perhitungan Metode VMI Produk Monil
Rekap Perhitungan Metode VMI Produk Monil
Harga Produk
Order Cost/ Holding Total Cost Lead Time
Bulan Q Setelah Di
Tahun Cost Inventory (Hari)
Diskon 25%
Jan 528 Rp8.356.769 Rp12.697.949
Feb 507 Rp8.015.828 Rp12.357.008
Mar 484 Rp7.659.726 Rp12.000.906
Apr 461 Rp7.286.241 Rp11.627.421
Mei 436 Rp6.892.547 Rp11.233.727
Jun 409 Rp4.341.180 Rp6.474.960 Rp10.816.140 Rp316.425
7
Jul 381 Rp6.028.517 Rp10.369.697
Ags 351 Rp5.546.252 Rp9.887.433
Sep 317 Rp5.017.850 Rp9.359.030
Okt 280 Rp4.426.819 Rp8.767.999
Nov 237 Rp3.743.611 Rp8.084.791
Des 184 Rp2.903.882 Rp7.245.062

Tabel 4.13 Hasil Rekap Perhitungan Metode VMI Produk Anti Bloat
Rekap Perhitungan Metode VMI Produk Anti Bloat
Harga
Order Total Cost Lead Time Produk
Bulan Q Holding Cost
Cost/Tahun Inventory (Hari) Setelah Di
Diskon 25%
Jan 404 Rp749.176 Rp1.445.768
Feb 466 Rp864.657 Rp1.561.249
Mar 511 Rp949.469 Rp1.646.061
Rp696.592
Apr 543 Rp1.008.139 Rp1.704.731 7 Rp37.125
Mei 565 Rp1.048.186 Rp1.744.777
Jun 577 Rp1.070.686 Rp1.767.278
Jul 580 Rp1.075.734 Rp1.772.326
 64

Lanjutab Tabel 4.14 Hasil Rekap Perhitungan Metode VMI Produk Anti Bloat
Ags 574 Rp1.064.596 Rp1.761.188
Sep 559 Rp1.036.752 Rp1.733.344
Okt 534 Rp990.794 Rp1.687.386
Nov 497 Rp922.849 Rp1.619.440
Des 447 Rp828.827 Rp1.525.419

Tabel 4.15 Hasil Rekap Perhitungan Metode VMI Produk Ascarin

Rekap Perhitungan Metode VMI Produk Ascarin
Harga
Order Holding Total Cost Lead Time Produk
Bulan Q
Cost/Tahun Cost Inventory (Hari) Setelah Di
Diskon 25%
Jan 2.022 Rp1.751.936 Rp2.796.515
Feb 1.919 Rp1.662.761 Rp2.707.340
Mar 1.825 Rp1.581.031 Rp2.625.610
Apr 1.741 Rp1.507.957 Rp2.552.535
Mei 1.669 Rp1.445.375 Rp2.489.954
Jun 1.609 Rp1.044.579 Rp1.394.157 Rp2.438.736
7 Rp17.325
Jul 1.566 Rp1.356.150 Rp2.400.729
Ags 1.538 Rp1.331.916 Rp2.376.495
Sep 1.526 Rp1.322.213 Rp2.366.792
Okt 1.532 Rp1.327.359 Rp2.371.938
Nov 1.555 Rp1.347.184 Rp2.391.763
Des 1.595 Rp1.381.605 Rp2.426.183
Dari Tabel 4.12, Tabel 4.13, dan Tabel 4.14, didapat jumlah pemesanan
optimal yang digunakan untuk memesan bahan baku. Dengan menambahkan order
cost dan holding cost, didapatkan total cost inventory. Lead time yang didapatkan
sebesar 7 hari serta adanya diskon yang diberikan pada perusahaan untuk para agen
sebesar 25% per produk.
Berikut ini merupakan perbandingan total cost inventory yang didapatkan
dengan menggunakan metode VMI serta dengan metode sebelum menggunakan
VMI yang dapat dilihat pada Tabel 4.15.
 65

Tabel 4.16 Perbandingan Total Cost Inventory

Perbandingan Total Cost Inventory

Total Cost Inventory Produk

Eksisting Rp20.763.176
Rata-rata MONIL
VMI Rp10.370.597
Eksisting Rp1.885.851
Rata-rata ANTI BLOAT
VMI Rp1.664.081
Eksisting Rp2.696.189
Rata-rata ASCARIN
VMI Rp2.495.382

Pada Tabel 4.15, terlihat perbandingan dari segi total cost inventory dengan
dan tanpa menggunakan metode VMI. Sebelum menggunakan metode VMI, total
cost inventory terlihat lebih besar dibandingkan setelah menggunakan metode VMI,
hal tersebut dikarenakan sebelumnya perusahaan hanya menerapkan
forecasting/peramalan saja tanpa melakukan perhitungan variansi demand tiap
produknya. Selain itu, perusahaan juga hanya melakukan pembelian pada pihak
supplier tanpa adanya kolaborasi dan sharing informasi antar kedua pihak. Dengan
adanya penggunaan metode CPFR (Collaborative Planning, Forecasting, and
Replenishment) dan VMI (Vendor Managed Inventory), kedua perusahaan dapat
menjalin komunikasi yang lebih intens serta dapat mengurangi permasalahan dalam
pembelian bahan baku yang membuat total cost inventory dapat lebih ditekan dan
dapat menguntukan kedua pihak yang terlibat.

4.10 Perhitungan Bullwhip Effect di Kondisi Akhir

Berikut ini merupakan perhitungan CV Demand (variabel permintaan) pada
kondisi akhir salah satu produk yaitu monil, seperti:

𝛼 (𝐷𝑒𝑚𝑎𝑛𝑑)
𝐶𝑉 (𝐷𝑒𝑚𝑎𝑛𝑑) = 𝜇 (𝐷𝑒𝑚𝑎𝑛𝑑)
𝛴(𝑋𝑖)
𝜇= 𝜇 = 329,5
𝑛

𝛴(X1…𝑛−𝜇 2 )
𝛼=√ 𝛼 =169,46
𝑛−1
 66

𝐶𝑉 (𝐷𝑒𝑚𝑎𝑛𝑑) = 0,51
𝛼 (𝑂𝑟𝑑𝑒𝑟)
𝐶𝑉 (𝑂𝑟𝑑𝑒𝑟) = 𝜇 (𝑂𝑟𝑑𝑒𝑟)
𝛴(𝑋𝑖)
𝜇= 𝜇 = 3861,10
𝑛

𝛴(X1…𝑛−𝜇 2 )
𝛼=√ 𝛼 = 110,08
𝑛−1

𝐶𝑉 (𝑂𝑟𝑑𝑒𝑟) = 0,29

𝐶𝑉 (𝑂𝑟𝑑𝑒𝑟)
𝐵𝐸 =
𝐶𝑉 (𝐷𝑒𝑚𝑎𝑛𝑑)

= 0,56
Berdasarkan contoh perhitungan dari perhitungan di atas, nilai bullwhip effect
yang dihasilkan lebih rendah dari sebelum diaplikasikan penggunaan metode CPFR
(Collaborative Planning, Forecasting, and Replenishment) serta metode VMI
(Vendor Managed Inventory).
Berikut ini merupakan perhitungan bullwhip effect dari setiap produk secara
secara lengkap yang dapat dilihat pada Tabel 4.16.
Tabel 4.17 Perhitungan Bullwhip Effect Akhir pada Setiap Produk

Order Demand
Nilai
Produk Bullwhip Efisiensi
Standar Rata - CV Standar Rata – CV
Effect
Deviasi rata Order Deviasi rata Demand

Monil 110,08 381,10 0,29 169,46 329,5 0,51 0,56 56%

Anti
57,47 521,21 0,11 91,38 436,75 0,21 0,53 53%
Bloat

Ascarin 166,73 1674,81 0,10 289,73 1402 0,21 0,48 48%

 67

Berikut merupakan perbandingan perhitungan bullwhip effect sebelum

penerapan metode CPFR serta metode VMI yang dapat dilihat pada Tabel 4.17.
Tabel 4.18 Perbandingan Bullwhip Effect di Kondisi Awal dan di Kondisi Akhir
Nilai Bullwhip Nilai Bullwhip Effect Setelah
Efisiensi Efisiensi
Produk Effect Kondisi Pengaplikasian Metode CPFR dan
Sebelum Setelah
Aktual Metode VMI

Monil 1,15 115% 0,56 56%

Anti Bloat 1,13 113% 0,53 53%

Ascarin 1,01 101% 0,48 48%

Berdasarkan Tabel 4.17, nilai bullwhip effect yang dihasilkan setiap produk
setelah diterapkan metode CPFR (Collaborative Planning, Forecasting, and
Replenishment) dan metode Vendor Managed Inventory (VMI) terlihat mengalami
penurunan (bullwhip effect ≤ 1). Nilai bullwhip effect ketiga produk
mengindikasikan tidak terjadinya amplifikasi atau lonjakan permintaan
(amplifikasi yang dihasilkan masih dalam batas wajar).

4.11 Implementasi/Usulan Perbaikan

Implementasi yang dirancang yaitu dengan memberikan perhitungan spreadsheet
Excel untuk menghitung apakah produk mengalami bullwhip effect. Berikut ini
merupakan tampilan spreadsheet Excel untuk perhitungan bullwhip effect yang
dapat dilihat pada Gambar 4.46.

Gambar 4.46 Perhitungan Bullwhip Effect Sebelum

 68

Pada tampilan spreadsheet tersebut, pekerja dapat memasukkan nama produk,

nomor produk, kemasan, tahun, data order, data demand, dan harga produk. Jika
sudah diinput, maka tampilan total, rata-rata, persentase, standar deviasi, variansi
nilai, serta nilai bullwhip effect akan muncul. Jika bullwhip effect yang dihasilkan
kurang dari 1 artinya tidak terjadi bullwhip effect.
Setelah menggunakan tampilan spreadsheet excel, langkah selanjutnya adalah
menghitung peramalan permintaan menggunakan Minitab 16. Berikut merupakan
langkah-langkah dalam menggunakan Minitab 16, yaitu:
1. Peramalan Moving Average
Menuliskan bulan serta data permintaan di tabel pada worksheet yang
tersedia, yang dapat dilihat pada Gambar 4.47.

Gambar 4.47 Tampilan Worksheet Program Minitab 16

Selanjutnya, menekan tombol Stat > Time Series > Moving Average, yang
dapat dilihat pada Gambar 4.48.

Gambar 4.48 Tampilan Worksheet Metode Moving Average

 69

Pada tabel Moving Average, mengisi Variable dengan permintaan di

kolom C2, dengan MA length 2, 3, dan 5 (yang menandakan peramalan
per bulannya) > mencentang Generate forecasts > mengisi Number of
forecasts dan Starting from origin sebesar 12 (sesuai bulan) > menekan
tombol storage > mencentang Fits (one-period-ahead forecasts) dan
Residuals > menekan OK. Gambar dapat dilihat pada Gambar 4.49.

Gambar 4.49 Tampilan Tabel Storage Metode Moving Average

Selanjutnya, menekan tombol Results > menekan Summary table and
results > menekan tombol OK. Gambar dapat dilihat pada Gambar 4.50.

Gambar 4.50 Tampilan Tabel Results Metode Moving Average

Setelahnya, didapat hasil peramalan permintaan baru per 2 bulan, 3 bulan,
dan 5 bulan menggunakan metode moving average, yang dapat dilihat
pada Gambar 4.51.
 70

Lanjutan Gambar Peramalan Metode Moving Average

Gambar 4.51 Contoh Tampilan Worksheet Metode Moving Average

2. Peramalan Trend Linier
Menuliskan bulan serta data permintaan di tabel pada worksheet yang
tersedia. Kemudian, menekan Stat > Time Series > Trend Analysis, yang
dapat dilihat pada Gambar 4.52.

Gambar 4.52 Tampilan Worksheet Peramalan Metode Trend Linier

Pada tabel Trend Linier, mengisi Variable dengan permintaan di kolom
C2 > menekan Linier pada Model Type > mencentang Generate forecasts
> mengisi Number of forecasts dan Starting from origin sebesar 12 (sesuai
bulan) > menekan tombol Storage > mencentang Fits (one-period-ahead
forecasts) dan Residuals > menekan OK. Gambar dapat dilihat pada
Gambar 4.53.
 71

Lanjutan Gambar Peramalan Metode Trend Linier

Gambar 4.53 Tampilan Tabel Storage Metode Trend Linier

Selanjutnya, menekan tombol Results > menekan Summary table and
results > menekan tombol OK. Gambar dapat dilihat pada Gambar 4.31.

Gambar 4.54 Tampilan Tabel Results Metode Trend Linier

Setelahnya, didapat hasil peramalan permintaan baru menggunakan
metode trend linier, yang dapat dilihat pada Gambar 4.55.

Gambar 4.55 Contoh Tampilan Worksheet Metode Trend Linier

 72

3. Metode Single Exponential Smoothing

Menuliskan bulan serta data permintaan di tabel pada worksheet yang
tersedia. Kemudian, menekan Stat > Time Series > Single Exponential
Smoothing, yang dapat dilihat pada Gambar 4.56.

Gambar 4.56 Tampilan Worksheet Peramalan Metode SES

Pada tabel Single Exponential Smoothing, mengisi Variable dengan
permintaan di kolom C2 > menekan Optimal ARIMA pada Weight to use
in smoothing > mencentang Generate forecasts > mengisi Number of
forecasts dan Starting from origin sebesar 12 (sesuai bulan) > menekan
tombol Storage > mencentang Fits (one-period-ahead forecasts) dan
Residuals > menekan OK. Gambar dapat dilihat pada Gambar 4.57.

Gambar 4.57 Tampilan Tabel Storage Program Minitab 16 Metode SES

Selanjutnya, menekan tombol Results > menekan Summary table and
results > menekan tombol OK. Gambar dapat dilihat pada Gambar 4.58.
 73

Lanjutan Gambar Peramalan Metode Single Exponential Smoothing

Gambar 4.58 Tampilan Tabel Results Peramalan Metode SES

Setelahnya, didapat hasil peramalan permintaan baru menggunakan
metode single exponential smoothing, yang dapat dilihat pada Gambar
4.59.

Gambar 4.59 Contoh Tampilan Worksheet Metode SES

4. Metode Double Exponential Smoothing
Menuliskan bulan serta data permintaan di tabel pada worksheet yang
tersedia. Kemudian, menekan Stat > Time Series > Double Exponential
Smoothing, yang dapat dilihat pada Gambar 4.60.

Gambar 4.60 Tampilan Worksheet Peramalan Metode DES

 74

Pada tabel Double Exponential Smoothing, mengisi Variable dengan

permintaan di kolom C2 > menekan Optimal ARIMA pada Weight to use
in smoothing > mencentang Generate forecasts > mengisi Number of
forecasts dan Starting from origin sebesar 12 (sesuai bulan) > menekan
tombol Storage > mencentang Fits (one-period-ahead forecasts) dan
Residuals > menekan OK. Gambar dapat dilihat pada Gambar 4.61.

Gambar 4.61Tampilan Tabel Storage Peramalan Metode DES

Selanjutnya, menekan tombol Results > menekan Summary table and
results > menekan tombol OK. Gambar dapat dilihat pada Gambar 4.62.

Gambar 4.62 Tampilan Tabel Results Peramalan Metode DES

Setelahnya, didapat hasil peramalan permintaan baru menggunakan
metode double exponential smoothing, yang dapat dilihat pada Gambar
4.63.
 75

Lanjutan Gambar Peramalan Metode Double Exponential Smoothing

Gambar 4.63 Contoh Tampilan Worksheet Metode DES

5. Metode Kuadratik
Menuliskan bulan serta data permintaan di tabel pada worksheet yang
tersedia. Kemudian, menekan Stat > Time Series > Trend Analysis, yang
dapat dilihat pada Gambar 4.64.

Gambar 4.64 Tampilan Worksheet Peramalan Metode Kuadratik

Pada tabel Kuadratik, mengisi Variable dengan permintaan di kolom C2
> menekan Quadratic pada Model Type > mencentang Generate forecasts
> mengisi Number of forecasts dan Starting from origin sebesar 12 (sesuai
bulan) > menekan tombol Storage > mencentang Fits (one-period-ahead
forecasts) dan Residuals > menekan OK. Gambar dapat dilihat pada
Gambar 4.65.
 76

Lanjutan Gambar Peramalan Metode Kuadratik

Gambar 4.65 Tampilan Tabel Storage Peramalan Metode Kuadratik

Selanjutnya, menekan tombol Results > menekan Summary table and
results > menekan tombol OK. Gambar dapat dilihat pada Gambar 4.66.

Gambar 4.66 Tampilan Tabel Results Metode SES

Setelahnya, didapat hasil peramalan permintaan baru menggunakan
metode kuadratik, yang dapat dilihat pada Gambar 4.67.

Gambar 4.67 Contoh Tampilan Worksheet Metode Kuadratik

 77

Setelah menggunakan kelima metode peramalan, langkah selanjutnya adalah

dengan membandingkan nilai error tersebut dan mencari mana nilai error terkecil.
Nilai error terkecil menandakan bahwa peramalan tersebut memiliki tingkat akurasi
dan ketepatan yang lebih baik. Berikut ini merupakan tampilan spreadsheet Excel
untuk perhitungan nilai error terkecil yang dapat dilihat pada Gambar 4.68.

Gambar 4.68 Tampilan Spreadsheet Excel Untuk Perhitungan Nilai Error Terkecil
Setelah didapatkan peramalan sesuai dengan error terkecil yang diperoleh,
kemudian memvalidasi hasil peramalan untuk mengetahui hasil peramalan yang
diperoleh sudah baik atau belum. Validasi hasil peramalan menggunakan Tracking
Signal (TS). Berikut ini merupakan tampilan spreadsheet Excel untuk validasi data
tracking signal yang dapat dilihat pada Gambar 4.69.

Gambar 4.69 Tampilan Spreadsheet Excel Untuk Validasi Data

 78

Validasi data dilakukan untuk mengukur apakah hasil forecasting dapat

digunakan atau tidak. Batas yang digunakan yaitu -6<TS<6. Tracking signal positif
artinya permintaan aktual lebih besar dari nilai hasil peramalan, dan sebaliknya jika
nilai tracking signal negatif artinya permintaan aktual lebih kecil dari pada nilai
hasil peramalan.
Selanjutnya menghitung biaya pesan, biaya simpan, pemesanan optimal,
order cost, holding cost, dan total cost inventory dari forecasting tersebut, dapat
dilihat pada Gambar 4.70.

Gambar 4.70 Perhitungan Biaya Setelah Dilakukan Forecasting

Kemudian, dibuatlah perbandingan sebelum menggunakan VMI dan sesudah
menggunakan VMI, dapat dilihat pada Gambar 4.71.

Gambar 4.71 Perbandingan Sebelum dan Sesudah Menggunakan Metode VMI

 79

Kemudian, dilakukan perhitungan bullwhip effect sesudah diterapkan metode

CPFR dan metode VMI, yang dapat dilihat pada Gambar 4.72.

Gambar 4.72 Perhitungan Bullwhip Effect Sesudah

Spreadsheet Excel tersebut dapat digunakan oleh perusahaan dengan
memasukkan data order dan data demand beserta harganya. Kemudian terlihat
apakah produk tersebut mengalami bullwhip effect atau tidak. Jika ya, memasukkan
hasil error peramalan dari tiap metode yang digunakan. Kemudian secara otomatis
perhitungan tracking signal, perhitungan pemesanan Q, perhitungan metode VMI
(Vendor Managed Inventory), dan perhitungan bullwhip effect sesudah akan
muncul tiap produk.

4.12 Perbandingan Data Aktual dan Data Peramalan Tahun 2020

Berikut ini merupakan perbandingan antara data aktual dan data peramalan di
tahun 2020 menggunakan metode CPFR (Collaborative Planning, Forecasting,
and Replenishment) yang dapat dilihat pada Tabel 4.18 sampai Tabel 4.20.
Tabel 4.19 Data Perbandingan Tahun 2020 Produk Monil
Produk Monil
Bulan Data Order Data Order Data Demand Data Demand
(2020) Aktual Peramalan Aktual Peramalan
Jan 611 528 573 588
Feb 703 507 525 541
Mar 589 484 481 494
Apr 688 461 430 447
 80

Lanjutan Tabel 4.18 Data Perbandingan Tahun 2020 Produk Monil

Mei 531 436 300 400
Jun 506 409 289 353
Jul 493 381 287 306
Ags 388 351 210 259
Sep 394 317 182 212
Okt 400 280 177 165
Nov 378 237 62 118
Des 205 184 24 71
Total 5.886 4.573 3.540 3.954
Pada Tabel 4.18, terlihat bahwa data aktual order dengan data peramalan
order memiliki range sebesar 1.313 pcs. Pada data order peramalan terlihat lebih
kecil dibandingkan dengan data aktualnya. Hal tersebut karena data order ikut
diramalkan sesuai dengan peramalan data demand yang membuat range antara
peramalan tidak berbeda jauh. Sedangkan, data order aktual tidak diramalkan oleh
perusahaan, sehingga data order aktual jauh lebih tinggi dibandingkan dengan
peramalan menggunakan metode CPFR (Collaborative Planning, Forecasting, and
Replenishment). Dengan menggunakan metode ini, peramalan untuk data order di
2020 sanggup memenuhi permintaan aktualnya dengan sisa stock sebesar 1.033 pcs,
lebih kecil dibandingkan dengan data order aktual memenuhi permintaan aktualnya
dengan sisa stock sebesar 2.346 pcs.
Tabel 4.20 Data Perbandingan Tahun 2020 Produk Anti Bloat
Produk Anti Bloat
Bulan Data Order Data Order Data Demand Data Demand
(2020) Aktual Peramalan Aktual Peramalan
Jan 450 404 212 259
Feb 532 466 300 345
Mar 788 511 386 416
Apr 1.032 543 375 469
Mei 574 565 412 507
Jun 689 577 442 529
Jul 908 580 322 534
Ags 786 574 214 523
Sep 1.050 559 378 496
 81

Lanjutan Tabel 4.19 Data Perbandingan Tahun 2020 Produk Anti Bloat
Okt 330 534 243 453
Nov 389 497 382 393
Des 902 447 244 317
Total 8.430 6.254 3.910 5.241
Pada Tabel 4.19, terlihat bahwa data aktual order dengan data peramalan
order memiliki range sebesar 2.176 pcs. Pada data order peramalan terlihat lebih
kecil dibandingkan dengan data aktualnya. Hal tersebut karena data order ikut
diramalkan sesuai dengan peramalan data demand yang membuat range antara
peramalan tidak berbeda jauh. Sedangkan, data order aktual tidak diramalkan oleh
perusahaan, sehingga data order aktual jauh lebih tinggi dibandingkan dengan
peramalan menggunakan metode CPFR (Collaborative Planning, Forecasting, and
Replenishment). Dengan menggunakan metode ini, peramalan untuk data order di
2020 sanggup memenuhi permintaan aktualnya dengan sisa stock sebesar 2.344 pcs,
lebih kecil dibandingkan dengan data order aktual memenuhi permintaan aktualnya
dengan sisa stock sebesar 4.520 pcs.
Tabel 4.21 Data Perbandingan Tahun 2020 Produk Ascarin
Produk Ascarin
Bulan Data Order Data Order Data Demand Data Demand
(2020) Aktual Peramalan Aktual Peramalan
Jan 2.409 2.022 1.240 2.026
Feb 2.532 1.919 1.633 1.825
Mar 2.288 1.825 2.134 1.650
Apr 1.834 1.741 1.160 1.501
Mei 2.365 1.669 940 1.379
Jun 2.900 1.609 923 1.283
Jul 975 1.566 1.197 1.214
Ags 1.442 1.538 844 1.171
Sep 1.744 1.526 1.020 1.154
Okt 1.567 1.532 754 1.163
Nov 1.432 1.555 972 1.198
Des 1.673 1.595 954 1.260
Total 23.161 20.098 13.771 16.824
 82

Pada Tabel 4.20, terlihat bahwa data aktual order dengan data peramalan
order memiliki range sebesar 3.063 pcs. Pada data order peramalan terlihat lebih
kecil dibandingkan dengan data aktualnya. Hal tersebut karena data order ikut
diramalkan sesuai dengan peramalan data demand yang membuat range antara
peramalan tidak berbeda jauh. Sedangkan, data order aktual tidak diramalkan oleh
perusahaan, sehingga data order aktual jauh lebih tinggi dibandingkan dengan
peramalan menggunakan metode CPFR (Collaborative Planning, Forecasting, and
Replenishment). Dengan menggunakan metode ini, peramalan untuk data order di
2020 sanggup memenuhi permintaan aktualnya dengan sisa stock sebesar 6.327 pcs,
lebih kecil dibandingkan dengan data order aktual memenuhi permintaan aktualnya
dengan sisa stock sebesar 9.390 pcs.

4.13 Pembahasan
Selain adanya gap yang cukup jauh antara data order dengan data demand,
standar deviasi serta koefisien variansi mempengaruhi besar kecilnya nilai bullwhip
effect. Standar deviasi merupakan nilai statistik untuk menentukan titik dekatnya
data individu terhadap rata-ratanya. Standar deviasi yang rendah berarti bahwa
sebagian besar angka mendekati rata-rata. Semakin menyebarnya data, semakin
tinggi pula standar deviasinya. Begitu pun dengan koefisien variansi (CV),
koefisien variansi suatu sistem perbandingan antara standar deviasi dengan nilai
hitung rata-rata. Pengaruh dari semakin besarnya standar deviasi yang dihasilkan,
maka semakin jauh selisih antara koefisien rata-rata dengan order dengan koefisien
rata-rata demand, maka semakin besar nilai bullwhip effect yang dihasilkan. Solusi
dari pengaruh tersebut dapat dilakukan dengan mengurangi nilai bullwhip effect
menggunakan metode CPFR (Collaborative Planning, Forecasting, and
Replenishment) di mana terdapat sharing informasi antara perusahaan dengan
supplier bahan baku sehingga dapat membuat peramalan yang baru secara bersama-
sama serta adanya pergantian menggunakan metode VMI (Vendor Managed
Inventory) di mana perusahaan dan supplier saling bekerja sama dalam mengatur
inventory bahan baku. Jika sebelumnya perusahaan membeli bahan baku secara
bulk order dengan pembayaran dilakukan di awal untuk menghemat order cost,
 83

maka dengan adanya sharing informasi antara perusahaan dan supplier dapat
mengubah sistem di mana supplier mengirimkan bahan baku terlebih dahulu di
tempat yang telah disepakati kedua pihak, kemudian perusahaan dapat
menggunakan bahan baku tersebut sesuai dengan peramalannya dan
pembayarannya dilakukan di akhir.
 BAB 5
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan hasil analisa dan pengolahan data yang telah dilakukan dapat
disimpulkan sebagai berikut:
1. Dengan adanya perhitungan bullwhip effect yang dilakukan untuk ketiga
produk obat-obatan hewan selama satu tahun (2019), menunjukkan bahwa
ketiga produk tersebut mengalami bullwhip effect yang berarti ketiga
produk mengalami variansi antara data permintaan dan data pembelian.
Nilai bullwhip effect yang dihasilkan sebesar lebih dari satu. Nilai
bullwhip effect untuk produk monil sebesar 1,15, untuk produk anti bloat
sebesar 1,13, untuk produk ascarin sebesar 1,01.
2. Metode CPFR (Collaborative Planning, Forecasting, and Replenishment)
yang meliputi perencanaan dalam menekan biaya dan peramalan data
demand serta peramalan data order tahun 2020 serta pergantian metode
dalam pembelian suatu produk dengan menggunakan metode VMI
(Vendor Managed Inventory). Setelah menerapkan metode CPFR
(Collaborative Planning, Forecasting, and Replenishment), nilai bullwhip
effect menurun. Untuk produk monil sebesar 0,56, untuk produk anti bloat
sebesar 0,53, dan untuk produk ascarin sebesar 0,48.
3. Metode VMI (Vendor Managed Inventory) mampu mengurangi total cost
inventory bahan baku dengan menekan pemesanan dari supplier sehingga
barang yang diproduksi dan permintaan tidak berbeda jauh. Hal tersebut
yang membuat terjadinya penurunan pada total cost inventory setiap
produk. Perusahaan dapat menghemat Rp. 10.392.579,- untuk produk
monil, Rp. 221.770,- untuk produk anti bloat, untuk Rp. 200.806,- untuk
produk ascarin.
4. Total cost inventory bahan baku dapat berkurang karena pemesanan dari
supplier diatur menggunakan metode Vendor Managed Inventory (VMI),
di mana perusahaan dan supplier saling bekerja sama dalam mengatur

82
 inventory. Jika sebelumnya perusahaan membeli bahan baku secara bulk
order dengan pembayaran dilakukan di awal untuk menghemat order cost,
maka dengan adanya sharing informasi antara perusahaan dan supplier
dapat mengubah sistem di mana supplier mengirimkan bahan baku
terlebih dahulu di tempat yang telah disepakati kedua pihak, kemudian
perusahaan dapat menggunakan bahan baku tersebut sesuai dengan
peramalannya dan pembayarannya dilakukan di akhir.

5.2 Saran
Adapun saran yang dapat diberikan dari penelitian yang telah dilakukan ini
yaitu sebagai berikut:
1. Perusahaan dapat melakukan perhitungan bullwhip effect dalam
manajemen rantai pasokan pada setiap produknya. Hal tersebut
dikarenakan bullwhip effect dapat mempengaruhi meningkatnya total cost
inventory yang membuat adanya kerugian pada perusahaan. Selain itu,
perusahaan dapat melakukan perhitungan bullwhip effect pada semua
rantai pasokan seperti retailer, distributor, agen, dan konsumen.
2. Perusahaan dapat mengaplikasikan metode CPFR (Collaborative
Planning, Forecasting, and Replenishment) dan metode VMI (Vendor
Managed Inventory) pada setiap produk di dalam manajemen rantai
pasokan dalam upaya menurunkan total cost inventory.
3. Perusahaan dapat mempererat hubungan kerja sama dengan adanya
sharing informasi satu sama lain antar pelaku rantai pasok. Dengan adanya
hubungan kerja sama yang baik antara pelaku supply chain, maka
keuntungan yang diperoleh juga optimal dan dapat meminimalisir
kerugian.

83
 DAFTAR PUSTAKA

Alfin, Mohammad dan Dira Ernawati. 2020. Pengurangan Bullwhip Effect dengan
Menggunakan Metode Vendor Managed Inventory (VMI) pada Supply Chain
di PT. XYZ. Fakultas Teknik. Universitas Pembangunan Nasional, Jawa
Timur.
Arif, Muhammad. 2018. Supply Chain Management. Yogyakarta: Budi Utama.
Balakrishnan, P.V., et al. 1994. A Study of The Classification Capabilities of Neural
Networks Using Unsupervised Learning: A Comparison with K-means
Clustering. Journal Psychometrika. Vol. 59.
Dewi, Fenny Rubbayanti dan Annisa Kesy Garside. 2016. Pengurangan Bullwhip
Effect dengan Metode Vendor Managed Inventory. Jurnal Optimasi Sistem
Industri, 14(2):292.
Finch, Byron J. 2008. Operation Now: Supply Chain Profitability and Perfomance,
3rd Edition”. Singapore: McGraw-Hill Book co.
Gitosudarmo, Indriyo. 2000. Sistem Perencanaan dan Pengendalian Produksi.
Yogyakarta: BPFE.
Hair, J. & R. Anderson. 1998. Multivariate Data Analysis. New York: Prentice
Hall.
Hult, et al. 2007. Bridging Organization Theory and Supply Chain Management:
The Case of Best Value Supply Chains. Journal of Operations Management.
Jan C. Fransoo and Marc J.F. Wouters. 2000. Measuring the Bullwhip Effect in The
Supply Chain. Supply Chain Management: An International Journal, Vol. 5.
No. 2.
Kosasih, Wilson, dkk. 2017. Evaluasi Sistem Distribusi Industri Kecil Menengah
Menggunakan Metode Forecasting Dan Distribution Requirement Planning.
Jurnal Ilmiah Teknik Industri, Vol. 5 No. 3. pp. 139 – 147.
Kurniawan, Erwin Ramdhanu dan Sawarni Hasibuan. 2017. Perancangan
Collaborative Planning, Forecasting, and Replenishment Travel Bag pada
Travel Agent Dwidaya Tour. Fakultas Teknik. Universitas Mercu Buana,
Jakarta.

xvi
Lee, Hau L. 2004. Information Distortion in a Supply Chain: The Bullwhip Effect.
Journal Management Science, Vol. 50. No. 12 Supplement. pp. 1875–1886.
Mason, Robert D. 1999. Teknik Statistika untuk Bisnis dan Ekonomi. Jakarta:
Erlangga.
Mateen, Arqum dan Chatterje, AK. 2014. Vendor Managed Inventory for Single-
Vendor Multi-Retailer Supply Chains. Journal Decision Support System.
Meinanda, Muhamad Hanief, dkk. 2009. Prediksi Masa Studi Sarjana dengan
Artificial Neural Network. Jurnal Internetworking Indonesia, Vol. 1 No. 2.
Mentzer, John T. 2004. Fundamentals of Supply Chain Management. SAGE
Publications. USA.
Pires, et al. 2001. Measuring Supply Chain Performance. Orlando.
Pranowo, Angga. 2017. Implementasi Collaborative Planning, Forecasting, and
Replenishment (CPFR). Fakultas Teknik. Universitas Setia Budi, Surakarta.
Pramudyo, CS dan Luong, HT. 2017. One-vendor-one Retailer in Vendor Managed
Inventory Problem with Stochastic Demand. Journal Industrial and System
Engineering, Vol.27. No.1.
Pujawan, I N., & Er, M. 2017. Supply Chain Management Edisi 3. Yogyakarta:
Penerbit Andi.
Pujawan, I., N., dan Mahendrawathi. 2010. Supply Chain Management, Edisi
Kedua. Surabaya: Guna Widya.
Purwani, Tri dan Lutfi Nurcholis. 2015. Strategi Peningkatan Kinerja Rantai
Pasokan. Budi Utama. Yogyakarta.
Putri, Ardha Kurnia Sari Yudha. 2010. Perancangan Sistem Pendukung Keputusan
untuk Mendukung Collaborative Planning, Forecasting (Studi Kasus PT.
Sinar Sejahtera Surakarta). Fakultas Teknik. Universitas Sebelas Maret,
Surakarta.
Samuel, Patrick, dkk. 2020. Penentuan Metode Peramalan Permintaan Barang
Setengah Jadi. Jurnal Ilmiah Teknik Industri, Vol. 8 No. 1. pp 7 – 17.
Santoso, Iman, dkk. 2007. Penerapan Jaringan Syaraf Tiruan Untuk Peramalan
Permintaan Komoditas Karet Di Permintaan Komoditas Karet Di Pt.

xvii
 Perkebunan Nusantara XII Surabaya. Jurnal Teknologi Pertanian, Vol. 8 No.
1. pp. 46 – 54.
Sari, Rosalina, dkk. 2013. Analisis Bullwhip Effect dalam Sistem Rantai Pasok pada
Produk LL-SR. Fakultas Teknik. Universitas Sultan Agung Tirtayasa, Banten.
Siahaya, William. 2013. Sukses Supply Chain Management Akses Demand Chain
Management. Bogor: In Media.
Sibarani, Feby Sanna. 2019. Pengurangan Bullwhip Effect dalam Rantai Pasok
Single Vendor dan Multi Retailer dengan Menggunakan Metode Vendor
Managed Inventory (VMI) di PT. SINAR SOSRO. Fakultas Teknik.
Universitas Sumatera Utara, Sumatera Utara.
Simchi-Levi, et al. 2004. Managing The Supply Chain: The Definitive Guide for
the Business Professional, USA: The McGraw-Hill Companies.
Simchi-Levi, et al. 2009. Designing and Managing The Supply Chain. Boston:
McGraw-Hill Company.
Sitompul, Carles dkk. 2015. Perancangan Model VMI (Vendor Managed
Inventory).
Stergiou dan Siganos. 2006. Neural Network.
Subagyo, P. 1986. Forecasting Konsep dan Aplikasi. Yogyakarta: BPFE.
Syafrina, Shinta. 2019. Analisa Bullwhip Effect Produk Qiuvita di PT. Karisma
Indoagro Universal Jember. Fakultas Teknologi Pertanian. Universitas
Jember. Jawa Timur.
Talitha, Tita. 2010. Permasalahan Bullwhip Effect pada Supply Chain. Fakultas
Teknik. Universitas Dian Nuswantoro, Semarang.
Taylor, Bernard W. 2004. Management Science (Sains Manajemen). Jakarta:
Salemba Empat.
Tuban, Efrain & Linda Volonino. 2010. Information Technology for Management,
Edisi Ketujuh. Asia: John Willey & Sons.
Yamit, Zulian. 2011. Manajemen Produksi & Operasi, Edisi Pertama. Yogyakarta:
Ekonisia.
Y. Bar-Yam. 2008. Dynamics of Complex System.

xviii
LAMPIRAN
Scanned with CamScanner
Scanned with CamScanner
Scanned with CamScanner
Scanned with CamScanner
Scanned with CamScanner
Scanned with CamScanner
Scanned with CamScanner
Scanned with CamScanner