Oleh:
Nikita Anastasya
545170024
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.
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.
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.
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
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
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.
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
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.
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.
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
8
Simchi-Levi, et al. Managing The Supply Chain: The Definitive Guide for the Business Professional, (USA: The McGraw-
Hill Companies, 2004).
11
9
Simchi-Levi, et al. Designing and Managing The Supply Chain. (Boston: McGraw-Hill Company, 2009).
12
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.
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
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.
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
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.
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
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.
22
23
Mengidentifikasi masalah
Merumuskan masalah
Tidak
Ya
Pengolahan data
Melakukan peramalan
menggunakan Minitab 16
Implementasi/Usulan Perbaikan
Selesai
Gambar 3.1 Diagram Alir Metodologi Penelitian pada PT. Pyridam Veteriner
24
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
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
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.
2500
2000
1500
1000
500
0
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
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.
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.
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
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
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.
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.
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
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
Anti
413,06 590,67 0,70 270,87 436,33 0,62 1,13 113%
Bloat
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.
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
Gambar 4.14 Perhitungan Metode Moving Average untuk Produk Anti Bloat
47
Gambar 4.15 Grafik Metode Moving Average Produk Anti Bloat (2 Bulan)
Gambar 4.16 Grafik Metode Moving Average Produk Anti Bloat (3 Bulan)
Gambar 4.17 Grafik Metode Moving Average Produk Anti Bloat (5 Bulan)
48
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
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 4.25 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.
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
3000
2500
2000
1500
1000
500
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
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.
1500
1000
500
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
-500
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.
600
400
200
0
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
-200
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
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
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.
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
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.
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
Anti
57,47 521,21 0,11 91,38 436,75 0,21 0,53 53%
Bloat
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).
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.
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