06111440000026-Undergraduate Theses

TUGAS AKHIR– SM141501
PERENCANAAN VOLUME PRODUKSI TERAK SEMEN

MENGGUNAKAN ECONOMIC PRODUCTION QUANTITY
DENGAN MEMPERTIMBANGKAN PENYUSUTAN
(STUDI KASUS: PT SEMEN GRESIK-PABRIK TUBAN)
MUTIA ANGGRAINI PUTRI ARIF

NRP 06111440000026
Dosen Pembimbing :
Valeriana Lukitosari, S.Si, MT
DEPARTEMEN MATEMATIKA
Fakultas Matematika, Komputasi, dan Sains Data
Institut Teknologi Sepuluh Nopember
Surabaya 2018
FINAL PROJECT– SM141501
PLANNING OF TERAK PRODUCTION VOLUME USING

ECONOMIC PRODUCTION QUANTITY BY CONSIDERING
DETERIORATING
(CASE STUDY: PT SEMEN GRESIK-PABRIK TUBAN)
MUTIA ANGGRAINI PUTRI ARIF

NRP 06111440000026
Supervisor :
Valeriana Lukitosari, S.Si, MT
DEPARTMENT OF MATHEMATICS
Faculty of Mathematics, Computing and Data Sciences
Sepuluh Nopember Institute of Technology
Surabaya 2018
PERENCANAAN VOLUME PRODUKSI TERAK SEMEN
MENGGUNAKAN ECONOMIC PRODUCTION
QUANTITY DENGAN MEMPERTIMBANGKAN
PENYUSUTAN
(STUDI KASUS: PT SEMEN GRESIK-PABRIK TUBAN)
Nama : Mutia Anggraini Putri Arif

NRP : 06111440000026
Jurusan : Matematika FMKSD-ITS
Pembimbing : Valeriana Lukitosari, S.Si, MT
ABSTRAK
Persediaan bahan baku adalah faktor yang sangat penting
dalam menentukan proses produksi. Dalam persediaan bahan baku
terjadi penyusutan, sehingga perlu adanya perencanaan yang baik
dalam menentukan banyaknya persediaan. Produksi semen yang
dihasilkan PT Semen Gresik yaitu PPC, OPC, dan White Cement.
Bahan baku utama semen adalah terak. Penyusutan yang terjadi pada
terak adalah terak mengalami penggumpalan, pengendapan pada
domb, dan terjatuhnya terak pada proses produksi, sehingga perlu
diperhitungkan penyusutan yang terjadi pada terak karena
berpengaruh pada proses produksi semen. Untuk menghitung
persediaan dapat digunakan Economic Production Quantity, dengan
mempertimbangkan penyusutan terak sebanyak 5%, didapatkan
perhitungan volume produksi terak per siklus dan total cost. Hasil
simulasi Tugas Akhir ini menunjukkan bahwa total cost yang
didapatkan dari Economic Production Quantity tanpa penyusutan
mengalami penurunan sebesar 1,8% dari total cost perusahaan, dan
total cost Economic Production Quantity yang mempertimbangkan
penyusutan mengalami kenaikan sebesar 3,05% dari total cost
perusahaan. Terjadi peningkatan sebesar 2,4% pada volume
produksi per siklus dari Economic Production Quantity tanpa
penyusutan dengan mempertimbangkan penyusutan. Perencanaan
produksi terak pada tahun 2018 dilakukan dengan
vii
mempertimbangkan penyusutan sebesar 5% dari permintaan
produksi.
Kata kunci : Economic Production Quantity, Penyusutan, Produksi
Semen.
viii
PLANNING OF TERAK PRODUCTION VOLUME USING
ECONOMIC PRODUCTION QUANTITY BY
CONSIDERING DETERIORATING ITEMS
(CASE STUDY: PT SEMEN GRESIK-PABRIK TUBAN)
Name : Mutia Anggraini Putri Arif

NRP : 06111440000026
Department : Mathematics
Supervisor : Valeriana Lukitosari, S.Si, MT
ABSTRACT
Stock of raw material is an important factor to determine the
production process. If the inventory is deficient, it will hamper the
production process, but the excessive inventory cause a huge
inventory holding cost. So, company should have a good planning
to determine amount of inventory. Another problem in inventory is
storing material for too long. It cause depreciation of the material,
so the depreciation also have to be considered in determination of
inventory. As a cement producer, PT Semen Gresik produces three
types of cement, like PPC, OPC, and White Cement. PT Semen
Gresik has a great potential in the cement-making industry, so they
have to plan their production planning very well. Slag is main
material of cement production. The problem that usually happened
to slag is slag clot. It is necessary to count the damage that will
happen to slag. Economic Production Quantity is a method to count
an effective inventory to minimize the inventory costs. The results
that obtained from the simulation of this research are total cost that
obtained from Economic Production Quantity without depreciation
decrease 1,8% from the total cost of the company. Then, total cost
of an optimal Economic Production Quantity by considering the
depreciation decreases 3,05% from the total cost of the company.
The total cost of the company is Rp 4.605.143.400.000, the total cost
of Economic Production Quantity without depreciation is Rp
4.519.976.784.730, and the total cost of Economic Production
ix
Quantity with Depreciation is Rp 4.745.969.947.057. For PPC,
OPC, and White Cement terak production, the difference sum of
Economic Production Quantity without depreciation and Economic
Production Quantity with depreciation are 2,4%.
Keywords: Economic Production Quantity, Depreciation, Cement

Production
x
KATA PENGANTAR
Alhamdulillaahirobbil’aalamiin, segala puji dan syukur penulis
panjatkan ke hadirat Allah SWT yang telah memberikan limpahan
rahmat, taufik serta hidayah-Nya, sehingga penulis dapat
menyelesaikan Tugas Akhir yang berjudul “PERENCANAAN
VOLUME PRODUKSI TERAK SEMEN MENGGUNAKAN
ECONOMIC PRODUCTION QUANTITY DENGAN
MEMPERTIMBANGKAN PENYUSUTAN (STUDI KASUS:
PT SEMEN GRESIK-PABRIK TUBAN)”
sebagai salah satu syarat kelulusan Program Sarjana Departemen
Matematika FMKSD Institut Teknologi Sepuluh Nopember (ITS)
Surabaya.
Tugas Akhir ini dapat diselesaikan dengan baik berkat bantuan
dan dukungan dari berbagai pihak. Oleh karena itu, penulis
menyampaikan ucapan terima kasih dan penghargaan kepada:
1. Ketua Departemen Matematika ITS yang telah memberikan
dukungan dan motivasi selama perkuliahan hingga
terselesaikannya Tugas Akhir ini.
2. Kaprodi S1 Departemen Matematika dan Sekretaris Prodi S1
yang telah memberikan arahan akademik selama penulis kuliah
di Departemen Matematika FMKSD-ITS.
3. Ibu Valeriana Lukitosari, S.Si, MT sebagai dosen pembimbing
yang telah memberikan motivasi dan pengarahan dalam
penyelesaian Tugas Akhir ini.
4. Bapak Dr. Mahmud Yunus, M.Si, Bapak Drs. Sentot Didik
Surjanto, M.Si, Ibu Dra. Farida Agustini W., MS, selaku dosen
penguji.
5. Bapak Drs. Sentot Didik Surjanto, M.Si sebagai dosen wali
yang telah memberikan arahan akademik selama penulis kuliah
di Departemen Matematika FMKSD-ITS.
xi
6. Bapak dan Ibu dosen serta para staff Departemen Matematika
ITS yang tidak dapat penulis sebutkan satu-persatu.
7. Ibu Eka Puspa Ningrum, ST sebagai pembimbing lapangan di
PT Semen Gresik-Pabrik Tuban yang telah membantu
pemerolehan data dan informasi selama di lapangan.
8. Kedua orang tua saya, Ayah Machmud Arifin dan Mama
Lusida, beserta adik-adik saya Ade, Salva, Ayya atas dukungan
dan semangat yang telah diberikan.
9. Teman-taman saya Ersha, Diah, Dila, Tika, Yuni (DEBU) dan
seluruh teman-teman AKSIOM14 serta para asbid KOPMA
yang saya sayangi yang telah membantu dan memotivasi saya.
Penulis menyadari bahwa dalam penyusunan Tugas Akhir ini
masih mempunyai banyak kekurangan. Kritik dan saran dari
berbagai pihak yang bersifat membangun juga sangat diharapkan
sebagai bahan perbaikan di masa yang akan datang.
Surabaya, Juli 2018
Penulis
xii
DAFTAR ISI
Hal
ABSTRAK………………………………………………….vii
ABSTRACT…………………………………………………..ix
KATA PENGANTAR………………………………………xi
DAFTAR ISI……………………………………………….xiii
DAFTAR GAMBAR……………………………………….xv
DAFTAR TABEL………………………………………...xvii
DAFTAR LAMPIRAN…………………………………….xix
DAFTAR SIMBOL………………………………………...xxi
BAB I PENDAHULUAN……………………………………1
1.1 Latar Belakang............................................................ 1
1.2 Rumusan Masalah ...................................................... 3
1.3 Batasan Masalah ......................................................... 3
1.4 Tujuan ......................................................................... 4
1.5 Manfaat ....................................................................... 4
1.6 Sistematika Penulisan ................................................. 4
BAB II TINJAUAN PUSTAKA……………………………..7
2.1 Penelitian Sebelumnya ............................................... 7
2.2 Prosedur ARIMA Box-Jenkins................................... 8
2.2.1 Identifikasi…………………………………….8
2.2.2 Penaksiran dan Uji Parameter………………....8
2.2.3 Pemeriksaan Diagnostik………………………8
2.2.4 Mendapatkan Model Peramalan dengan Metode
ARIMA………………………………………..9
2.3 Gambaran Umum Perusahaan .................................. 10
2.3.1 PengadaanTerak………………………………11
2.3.2 Proses Produksi ................................................ 12
2.4 Perencanaan Produksi ............................................... 13
2.4.1 Jenis-jenis Persediaan………………………..13
2.5 Perencanaan Economic Production Quantity– Mutiple
Items ......................................................................... 15
BAB III METODE PENELITIAN………………………….17
BAB IV ANALISIS DAN PEMBAHASAN ..........………..21
xiii
4.1 Penentuan Volume Produksi Semen dengan Metode
ARIMA Box-Jenkins ................................................ 21
4.2 Laju Konstan Kerusakan........................................... 32
4.3 Bentuk Umum Economic Production Quantity ........ 32
4.3.1 Q Maksimum………………………………...33
4.3.2 Biaya Produksi……………………………….34
4.3.3 Biaya Pemesanan…………………………….34
4.3.4 Biaya Simpan………………………………...34
4.3.5 Total Biaya Persediaan………………………34
4.4 Pengembangan Economic Production Quantity-Multi
Item yang Mempertimbangkan Penyusutan ............. 40
4.4.1 Total Biaya Persediaan Minimum…………...44
BAB V KESIMPULAN DAN SARAN…………………….51
5.1 Kesimpulan ............................................................... 51
5.2 Saran ......................................................................... 51
DAFTAR PUSTAKA………………………………………53
xiv
DAFTAR GAMBAR
Hal
Gambar 2.1 Semen PPC Kemasan 50 kg....................................12
Gambar 2.2 Semen OPC Kemasan 50 kg ...................................12
Gambar 2.3 White Cement Kemasan 40 kg .................................12
Gambar 3.1 Diagram Alur Metodologi ......................................19
Gambar 4.1 Time Series Plot Data Produksi ..............................22
Gambar 4.2 Box-Cox Plot Data Produksi ..................................22
Gambar 4.3 Box-Cox Plot Data Transformasi ............................23
Gambar 4.4 Trend Analysis Plot Data Transformasi ..................23
Gambar 4.5 Trend Analysis Plot Data Differerncing .................24
Gambar 4.6 Plot ACF Data Differencing ...................................25
Gambar 4.7 Plot PACF Data Differencing .................................25
xv
xvi
DAFTAR TABEL
Hal
Tabel 4.1 Pengujian Parameter Model ARIMA (1,1,[1,12]) .....26
Tabel 4.2 Hasil Residual White Noise .......................................29
Tabel 4.3 Hasil Residual Berdistribusi Normal .........................30
Tabel 4.4 Nilai MAPE Model ARIMA .....................................31
Tabel 4.5 Perhitungan Peramalan Semen ..................................32
Tabel 4.6 Jumlah Produksi Semen Tahun 2017 ........................32
Tabel 4.7 Simulasi Numerik ......................................................46
Tabel 4.8 Jumlah Bahan yang Dibutuhkan dalam 1 Tahun
untuk Persediaan yang Menyusut ..............................48
Tabel 4.9 Perbandingan Total Cost Perusahaan dengan Total
Cost Economic Production Quantity .........................50
xvii
xviii
DAFTAR LAMPIRAN
Hal
Lampiran A Data Produksi Semen Januari 2011-Desember
2016…………………….........................................55
Lampiran B Proses Produksi.......................................................57
Lampiran C Estimasi Parameter Data Uji Signifikasi Parameter
Model dengan software SAS...................................59
Lampiran D Hasil Peramalan Produksi Semen Tahun 2017…...85
Lampiran E RKAP 2016 dan Hasil Simulasi Numerik dengan
software Microsoft Excel........................................91
Lampiran F Biodata Penulis……………………………….......95
xix
xx
DAFTAR SIMBOL
𝑟 : Rata-Rata Permintaan
𝑝̅ : Rata-Rata Produksi
𝑃 : Biaya Produksi Unit
𝐶 : Biaya Pemesanan Pembelian/Set Up
𝑄 : Volume Produksi
𝑅 : Demand Tahunan
𝐻 : Biaya penyimpanan/Holding cost
𝑚
̅ : Siklus Tahunan Optimal
𝑋 : Jumlah Produk yang Menyusut
𝑅+𝑋 : Jumlah Barang yang Dibutuhkan dalam 1 Tahun untuk
Persediaan yang Menyusut
𝑇𝐶(𝑚̅) : Total Biaya Persediaan Minimum
𝑇𝐶𝑢 (𝑗, 𝑇) : Total Biaya pada Perbedaan Waktu Per Unit
𝑚 : Lag Maksimum
𝑁 : Jumlah Pengamatan
𝑟𝑘 : Autokorelasi untuk Lag Ke- k
𝑝̇ : orde untuk AR
𝑞 : orde untuk MA
𝑑
(1 − 𝐵) ∶ differencing untuk orde d,
𝛼𝑡 ∶ error pada waktu ke-t
𝑌̅𝑡 : pengamatan pada waktu ke-t
xxi
BAB I
PENDAHULUAN
Pada bab ini dijelaskan mengenai latar belakang dari

permasalahan yang dibahas pada Tugas Akhir ini, rumusan
masalah, batasan masalah, tujuan, manfaat dan sistematika
penulisan yang diuraikan pada bagian akhir bab ini.
1.1 Latar Belakang

Perusahaan industri mengalami kemajuan yang sangat
pesat untuk dapat bertahan, perusahaan harus mengembangkan
proses produksi yang lebih efektif dan efisien. Perencanaan
produksi dengan baik dilakukan untuk memenuhi permintaan
konsumen. Hal yang penting dalam proses produksi adalah
persediaan bahan baku, karena persediaan bahan baku
menentukan bekerja tidaknya suatu proses produksi di
perusahaan. Oleh sebab itu, persediaan perlu diperhatikan dan
direncakan, karena melihat biaya yang harus dikeluarkan untuk
proses produksi sangat besar. Persediaan terlalu besar
mengakibatkan biaya simpan yang tinggi. Persediaan bahan
baku terlalu sedikit dapat mengakibatkan adanya stock out yang
menimbulkan proses produksi berhenti. Jika produksi terhenti
maka permintaan konsumen tidak dapat dipenuhi dan
perusahaan kehilangan konsumen. Persediaan bahan baku yang
tersimpan lama mengalami kerusakan, sehingga perlu
dilakukan perhitungan untuk bahan baku yang mengalami
penyusutan supaya persediaan tidak terganggu dan produksi
tetap bisa berjalan.
Sistem persediaan ada dua yaitu Economic Order Quantity
dan Economic Production Quantity. Economic Order Quantity
mengasumsikan bahwa seluruh pesanan diterima oleh
persediaan pada satu waktu, sering kali barang diproduksi dan
ditambahkan ke persediaan secara bertahap. Sehingga
perubahan yang seperti ini dapat ditangani dengan Economic
Production Quantity, karena Economic Production Quantity
1
2
mengasumsikan penambahan stok pada persediaan secara

bertahap [1]. Economic Production Quantity digunakan untuk
menyelesaikan masalah pengendalian persediaan dan berguna
dalam menentukan persediaan. Economic Production Quantity
ada dua jenis yaitu Economic Production Quantity single items
dan multiple items. pada dasarnya sama dengan Economic
Production Quantity single items, dengan catatan bahwa
banyaknya jenis produk tersebut dibuat pada satu siklus dan
peralatan yang sama [1]. Economic Production Quantity
Multiple items pada umumnya digunakan untuk memproduksi
beberapa jenis produk dengan menggunakan peralatan yang
sama secara bergantian.
Penelitian tentang Economic Production Quantity
dilakukan oleh Liu mengenai model Economic Production
Quantity untuk produksi optimal dan frekuensi pengerjaan
ulang [3]. Chiu membahas perhitungan differensial untuk
menentukan siklus produksi pada kondisi normal yang dapat
meminimalkan total biaya produksi, persediaan, dan
pengiriman dengan menggunakan model Economic Production
Quantity multi-item yang mempertimbangkan rework, serta
multi delivery [4]. Tugas Akhir Amutu membahas tentang
perencanaan produksi menggunakan metode Economic
Production Quantity [5]. Dalam penelitian Liu, Chiu, dan Sinar
belum membahas tentang penyusutan yang mempengaruhi
persediaan pada proses produksi.
Penyusutan dapat mempengaruhi proses produksi yang
terjadi. Penelitian tentang penyusutan dilakukan oleh
Widyadana dkk. Yang memperkenalkan metode sederhana
untuk memecahkan masalah persediaan barang yang menyusut
[6]. Wee dan Widyadana menghasilkan model kuantitas
produksi ekonomi untuk menysusutnya barang dengan proses
pengerjaan ulang [7]. Uthayakumar dan Tharani meneliti
tentang produktivitas dan pengerjaan ulang dengan
kemunduran sebagai perhatian utama dan model persediaan
3
produksi dengan item yang menyusut dan satu pengaturan ulang

[2].
PT Semen Gresik-Pabrik Tuban adalah perusahaan
penghasil semen di Indonesaia dengan kapasitas produksi
mencapai 14 juta ton semen per tahun, sehingga perusahaan ini
harus memperhitungkan kebutuhan terak (bahan baku) yaitu
sebesar 80% dari kapasitas produksi semen yang dibutuhkan
untuk memproduksi semen. Berdasarkan pentingnya
mempertimbangkan penyusutan pada persediaan bahan baku,
sehingga Tugas Akhir ini membahas tentang perencanaan
produksi terak semen menggunakan Economic Production
Quantity dengan mempertimbangkan penyusutan dengan studi
kasus PT Semen Gresik-Pabrik Tuban.
1.2 Rumusan Masalah

Rumusan masalah pada Tugas Akhir ini adalah :
1. Berapa volume produksi terak semen PPC, OPC, dan
White Cement di tahun 2017 yang dipengaruh penyustan?
2. Bagaimana total biaya untuk produksi terak PPC, OPC,
dan White Cement yang didapatkan dari penggunaan
Economic Production Quantity dengan
mempertimbangkan penyustan dan perbandingannya
dengan total biaya dari perusahaan?
1.3 Batasan Masalah
1. Pembahasan masalah hanya menyangkut perencanaan
volume produksi terak untuk semen PPC, OPC, dan White
Cement di tahun 2017.
2. Penyusutan yang diamati hanya terjadi pada terak.
3. Proses produksi yang diamati adalah volume produksi
PPC, OPC, dan White Cement dari bulan Januari 2011
sampai dengan bulan Desember 2016 pada PT Semen
Gresik – Pabrik Tuban.
4
1.4 Tujuan
Tujuan dari Tugas Akhir ini adalah:
1. Mendapatkan volume produksi terak semen PPC, OPC,
dan White Cement di tahun 2017 yang dipengaruh
penyusutan.
2. Mendapatkan total biaya untuk memproduksi terak semen
PPC, OPC, dan White Cement yang diperoleh dari
penggunaan Economic Production Quantity dengan
mempertimbangkan penyusutan dan perbandingannya
dengan total biaya dari perusahaan.
1.5 Manfaat
Adapun manfaat dari penulisan Tugas Akhir ini adalah:
1. Mendapatkan volume produksi terak semen PPC, OPC,
dan White Cement di tahun 2017 yang dipengaruhi oleh
penyusutan.
2. Mendapatkan total biaya menggunakan Economic
Production Quantity dengan mempertimbangkan
penyusutan dan perbandingannya dengan total biaya dari
perusahaan.
1.6 Sistematika Penulisan
Untuk memberikan gambaran mengenai keseluruhan isi
Tugas Akhir ini, maka akan dikemukakan sistematika penulisan
dalam Tugas Akhir ini sebagai berikut:
1. BAB I PENDAHULUAN
Bab ini menjelaskan tentang latar belakang, rumusan
masalah, batasan masalah, tujuan, manfaat dan sistematika
penulisan hasil tugas akhir.
2. BAB II TINJAUAN PUSTAKA
Pada bab ini dijelaskan tentang penelitian sebelumnya,
perencanaan produksi, perencanaan Economic Production
Quantity-Multiple Items, Penyusutan Item, dan Prosedur
ARIMA Box-Jenskin.
3. BAB III METODE PENELITIAN
5
Bab ini menjelaskan tentang tahapan-tahapan dalam proses

menyelesaikan masalah dan mencapai tujuan tugas akhir.
4. BAB IV PEMBAHASAN
Bab ini menjelaskan mengenai penentuan total biaya selama
satu tahun, penggunaan Economic Production Quantity
dengan dan tanpa penyusutan untuk menentukan total cost,
dan perbandingannya dengan total cost perusahaan.
5. BAB V PENUTUP
Bab ini menjelaskan kesimpulan yang diperoleh dari
pembahasan dan saran untuk pengembangan penelitian
selanjutnya.
6
7
BAB II
TINJAUAN PUSTAKA
Pada bab ini dijelaskan tentang penelitian sebelumnya, gambaran

umum perusahaan, perencanaan produksi, perencanaan Economic
Production Quantity-Multiple Items, Kerusakan Item, Prosedur
ARIMA Box-Jenskin.
2.1 Penelitian Sebelumnya

Penelitian mengenai Economic Production Quantity dilakukan
oleh Amutu yang membahas tentang perencanaan produksi
menggunakan metode Economic Production Quantity, dalam
penelitian Sinar membahas tentang penggunaan Economic
Production Quantity untuk perusahaan penghasil plywood, dan
objek yang diteliti adalah single product yaitu polywood [5]. Hasil
yang didapatkan dari penelitian tersebut adalah prediksi kebutuhan
bahan baku, volume produksi yang optimal yang dapat diproduksi,
dan dapat dilihat pula perbandingan total biaya produksi perusahaan
dengan total biaya produksi dengan metode Economic Production
Quantity yaitu mengalami penurunan total biaya produksi sebesar
9,45%, dan pada penelitian tersebut belum mencantumkan
penyusutan pada perhitungan Economic Production Quantity.
Penelitian Wee dan Widyadana membahas tentang model
kuantitas produksi ekonomi dengan mempertimbangkan faktor
penyusutan bahan dengan dilakukan proses pengerjaan ulang, dalam
penelitian tersebut Wee dan Widyadana mengembangkan model
ekonomi produksi kuantitas untuk kerusakan item dengan
pengerjaan ulang. Dalam satu siklus produksi dapat menghasilkan
kebijakan produksi barang dan satu pengaturan ulang [7]. Pada
Tugas Akhir ini, lebih menekankan pengaruh penyusutan terhadap
Economic Production Quantity.
8
2.2 Prosedur ARIMA Box-Jenkins

Langkah-langkah ARIMA Box-Jenkins ada empat langkah
yaitu identifikasi, estimasi parameter, pemeriksaan diagnostik, dan
peramalan [9]:
2.2.1 Identifikasi
Pada tahap identifikasi dilakukan uji stasioner terhadap mean
dan varian, plot time series, plot ACF, dan plot PACF. Sehingga
ditetapkan model sementara yang telah ditetapkan berdasarkan lag
yang keluar pada plot ACF dan plot PACF.
2.2.2 Penaksiran dan Uji Parameter
Hipotesa:
𝐻0 : estimasi parameter = 0 (parameter model tidak signifikan)
𝐻1 : estimasi parameter ≠ 0 (parameter model siginfikan)
Statistik Uji:
𝑒𝑠𝑡𝑖𝑚𝑎𝑠𝑖 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =
𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑡 𝑒𝑟𝑟𝑜𝑟 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟
𝑠𝑡. 𝑒𝑟𝑟𝑜𝑟 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟 ≠ 0
Kriteria Pengujian:
Dengan 𝑎= 0.05, jika |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑡𝛼,(𝑛−1) , maka 𝐻0 ditolak artinya
2
parameter model signifikan.
2.2.3 Pemeriksaan Diagnostik
Pengujian diagnostik dilakukan setelah pengujian signifikansi
parameter model, untuk membuktikan kecukupan model. Asumsi
yang harus dipenuhi adalah residual harus bersifat white noise dan
berdistribusi normal.
a. Uji Asumsi Residual White Noise
White noise artinya tidak ada korelasi pada deret residual.
Langkah–langkah pengujian asumsi residual bersifat white noise
menggunakan uji Ljung-Box. Pengujiannya dapat dilakukan dengan
hipotesis sebagai berikut:
Hipotesa:
𝐻0 : 𝜌1 = 𝜌2 = ⋯ = 𝜌𝑘 = 0 (residual white noise)
𝐻1 : minimal ada 𝜌𝑖 ≠ 0 ; 𝑖 = 1,2,3, … , 𝑛 (residual tidak white
noise)
Statistik Uji:
9
̂2
𝜌
𝑄 = 𝑛(𝑛 + 2) ∑𝐾 𝑘
𝑘=1 (𝑛−𝑘) , 𝑛 > 𝑘
dengan:
𝐾 : lag maksimum
𝑛 : jumlah data (observasi)
𝜌̂𝑘 : autokorelasi residual untuk lag ke- 𝑘
Kriteria Pengujian:
2
Dengan 𝑎 = 0.05, jika 𝑄 < 𝜒(𝑎;𝐾−𝑝−𝑞) , maka 𝐻0 diterima artinya
residual white noise.
b. Uji Asumsi Distribusi Normal

Langkah-langkah pengujian asumsi residual distribusi normal
menggunakan uji Kolmogorov-Smirnov:
Hipotesa:
𝐻0 ∶ 𝑆(𝑥) = 𝐹0 (𝑥) untuk semua 𝑥 (residual berdistribusi normal)
𝐻1 ∶ 𝑆(𝑥) ≠ 𝐹0 (𝑥) untuk beberapa 𝑥 (residual tidak berdistribusi
normal)
Statistik Uji:
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑠𝑢𝑝𝑥 |𝑆(𝑥) − 𝐹0 (𝑥)|
dengan:
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 : deviasi maksimum
𝑠𝑢𝑝𝑥 : nilai supremum untuk semua 𝑥 dari selisih mutlak 𝑆(𝑥)
dan 𝐹0 (𝑥)
𝐹0 (𝑥) : fungsi peluang berdistribusi normal
𝑆(𝑥) : fungsi distribusi kumulatif dari data sampel
Kriteria Pengujian :
Dengan menggunakan 𝑎 = 0.05, jika 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐷(𝑎,𝑛) maka 𝐻0
diterima artinya residual model berdistribusi nomal.
2.2.4 Mendapatkan Model Peramalan dengan Metode ARIMA

Model ARIMA(𝑝, 𝑑, 𝑞) diperkenalkan oleh Box dan Jenkins.
Orde 𝑝 menyatakan operator dari AR, orde 𝑑 menyatakan hasil
differencing (pembedaan), dan orde 𝑞 menyatakan operator dari
MA. Bentuk fungsi persamaan dari model ARIMA adalah:
∅𝑝̇ (𝐵)(1 − 𝐵)𝑑 𝑌̅𝑡 = 𝜃𝑞 (𝐵)𝑎𝑡 (2.1)
10
dengan:
∅𝑝̇ (𝐵) = (1 − 𝜙1 𝐵 − ⋯ − 𝜙𝑝 𝐵𝑝̅ )
𝑝̇ : orde untuk AR
𝜃𝑞 (𝐵) = (1 − 𝜃1 𝐵 − ⋯ − 𝜃𝑞 𝐵𝑞 )
𝑞 : orde untuk MA
(1 − 𝐵)𝑑 ∶ differencing untuk operator mundur orde d
𝛼𝑡 ∶ error pada waktu ke-t
𝑌̅𝑡 : pengamatan pada waktu ke-t
2.3 Gambaran Umum Perusahaan

PT Semen Gresik-Pabrik Tuban adalah perusahaan yang
bergerak di bidang produksi semen. Sebagai suatu perusahaan yang
telah berjalan dengan baik dan terus berkembang, PT Semen Gresik
telah melalui berbagai tantangan untuk tetap bertahan di dunia
perindustrian semen di Indonesia. PT Semen Gresik diresmikan
pada tanggal 7 Agustus 1957 oleh Presiden RI pertama yaitu
Presiden Ir. Soekarno di Gresik dengan kapasitas produksi saat itu
adalah 250.000 ton semen per tahun.
Kemudian pada tanggal 24 September 1994 dilakukan
peresmian Pabrik Tuban 1 dengan kapasitas 2,3 juta ton semen per
tahun. Pada tanggal 17 April 1997 peresmian Pabrik Tuban 2 dengan
kapasitas 2,3 juta ton per tahun. Peresmian Pabrik Tuban 3
diresmikan tanggal 20 Maret 1998 dengan kapasitas 2,3 juta ton per
tahun. Hingga saat ini Pabrik Tuban terdiri dari 4 plan dengan
kapasitas produksi sebesar 14 juta ton semen per tahun.
Pada setiap plan pabrik memiliki proses produksi yang sama,
yaitu terdapat beberapa proses antara lain: proses penyiapan bahan
baku (tanah liat dan batu kapur), proses penghancuran (crushing),
penyimpanan dan pengumpanan bahan baku (terak), penggilingan
dan pengeringan bahan baku, pencampuran (blending) dan
homogenasi, pemanasan awal (pre-heating), proses pembakaran
(firing), pendinginan, proses penggilingan akhir, dan proses
pengisian [10]. PT Semen Gresk telah memegang peranan dalam
pasar domestik, penjualan semen telah menyeluruh dari Indonesia
bagian barat sampai Indonesia bagian timur. Maka dari itu
11
perusahaan harus berusaha keras untuk memproduksi semen dengan

baik. Beberapa produk semen yang diproduksi oleh PT Semen
Gresik antara lain:
1. Ordinary Portland Cement (OPC)
Merupakan bahan pengikat hidrolis hasil penggilingan bersama-
sama terak, gypsum, yang dipergunakan secara luas untuk
konstruksi umum, seperti konstruksi bangunan yang tidak
memerlukan persyaratan khusus, antara lain bangunan perumahan,
gedung-gedung bertingkat, landasan pacu dan jalan raya.
2. Portland Pozzolan Cement (PPC)
Merupakan bahan pengikat hidrolis hasil penggilingan bersama-
sama terak, gypsum, dan satu atau lebih bahan anorganik. Kegunaan
semen jenis ini sesuai untuk konstruksi beton umum, pasangan batu
bata, plesetan bangunan khusus seperti beton para-cetak, beton para-
tekan dan paving block.
3. White Cement
White Cement adalah semen keluaran terbaru yang merupakan
semen putih berkualitas tinggi yang dapat di aplikasikan untuk
keperluan dekorasi baik interior maupun eksterior, serta melapisi nat
sambungan kermaik, profile dan lainnya. Serta memiliki banyak
keunggulan yaitu lebih hemat, dan lebih rekat.
2.3.1 Pengadaan Terak
Produk dari PT Semen Gresik ada 3 macam, antara lain semen
PPC kemasan 50 kg pada gambar 2.1, semen OPC kemasan 50 kg
pada gambar 2.2, dan White Cement kemasan 40 kg pada gambar
2.3. Bahan baku dari ketiga macam semen tersebut sama yaitu terak.
Terak sebagai bahan baku semen PPC, semen OPC, dan White
Cement, PT Semen Gresik memproduksi terak sendiri.
Terak terdiri dari campuran tanah liat, batu kapur, pasir silika,
dan pasir besi. Untuk tanah liat dan batu kapur PT Semen Gresik
memiliki tambang sendiri, sedangkan untuk pasir silika dan pair besi
PT Semen Gresik membeli dari supplier. Presentase terak yang
dibutuhkan untuk bahan baku semen adalah 80% dari total target
produksi semen, dan terak menjadi bahan baku utama dalam proses
produksi semen.
12
Gambar 2.1 Semen PPC Gambar 2.2 Semen OPC

kemasan 50kg kemasan 50kg
Gambar 2.3 White Cement kemasan 40kg
2.3.2 Proses Produksi

Proses pembuatan semen pada dasarnya melalui beberapa
tahapan, yaitu : proses penyiapan bahan baku, proses penghancuran
(crushing), penyimpanan dan pengumpanan bahan baku,
penggilingan dan pengeringan bahan baku, pencampuran (blending)
dan homogenasi, pemanasan awal (pre-heating), proses pembakaran
(firing), pendinginan, proses penggilingan akhir, dan proses
pengisian [10].
Terdapat dua proses pembuatan semen yaitu proses basah dan
proses kering. PT Semen Gresik menggunakan proses kering karena
lebih efisien daripada proses basah. Pada proses kering bahan baku
diolah (dihancurkan) di dalam Raw Mill dalam keadaan kering dan
halus, hasil penggilingan (tepung baku) dengan kadar air 0,5-1%
diklasinasikan dalam Rotary Kiln. Proses ini menggunakan panas
sekitar 1500-1900 kcal/kg.kliner. Setelah itu terak (output dari Kiln)
dicampur dengan material tambahan dan digiling lagi di dalam
Finish Mill. Kemudian semen dibawa ke Packer untuk proses
pengemasan. Adapun gambar proses produksi dapat diliat pada
lampiran B.
13
2.4 Perencanaan Produksi

Perencanaan produksi adalah suatu kegiatan yang berkenaan
dengan penentuan apa yang harus di produksi, berapa banyak di
produksi, kapan di produksi, dan apa sumber daya yang dibutuhkan
untuk mendapatkan produk yang telah di tentukan. Pengendalian
produksi adalah fungsi mengarahkan atau mengatur pergerakan
material (bahan, part/komponen dan produk) melalui seluruh siklus
manufacturing mulai dari permintaan bahan baku pada sampai
pengiriman produk akhir kepada pelanggan. Perencanaan produksi
sangat dipengaruhi oleh ketersediaannya persediaan bahan baku
untuk bahan produksi, sehingga perlu diperhatikan untuk persediaan
supaya tidak terjadi stock out, sehingga membuat produksi berhenti.
2.4.1 Jenis-jenis Persediaan
Persediaan terdapat di berbagai titik dan dalam berbagai
bentuk pada proses pengadaan, produksi, dan distribusi. Berikut ini
merupakan berbagai jenis persediaan [1]:
1 Supplies
Item persediaan yang dikonsumsi dalam fungsi normal dari
sebuh organisasi yang bukan merupakan bagian dari produk
akhir, misalnya pensil, kertas, dan cutting tools.
2 Raw material
Item persediaanyang dibeli dari supplier yang akan digunakan
sebagai input dalam proses produksi.
3 In-process goods
Produk setengah jadi yang masih berada dalam proses
produksi, baik yang berada pada tahap penyelesaian maupun
material yang menunggu untuk masuk pada proses selanjutnya.
4 Finished goods
Produk akhir yang siap dijual, didistribusikan, atau disimpan.
Dalam pengadaan produk jadi, terdapat beberapa faktor yang
saling berkaitan antara satu sama lain. Namun dengan demikian
secara bersama-sama akan mempengaruhi jumlah persediaan
produk jadi yang ada diperusahaan. Faktor-faktor tersebut antara
lain:
14
1. Perkiraan permintaan
2. Biaya produksi
3. Biaya- biaya persedian
Biaya total persediaan per tahun didapatkan dari biaya produksi,
biaya set up (pemesanan pembelian), dan biaya penyimpanan
(holding cost).
a) Biaya produksi adalah biaya yang dikeluarkan saat terjadinya
produksi [1].
𝐶1 = 𝑃𝑅 (2.2)
dimana:
𝐶1 : Biaya Produksi
𝑃 : Biaya Produksi Per Unit
b) Biaya set up (pemesanan pembelian) adalah biaya yang berasal
dari bahan dalam mengeluarkan permintaan pembelian pada
supplier atau dari biaya set up produksi internal. Biaya ini
biasanya diasumsikan bervariasi secara langsung dangan
jumlah pesanan dan tidak berhubungan dengan ukuran pesanan
[1].
𝐶𝑅
𝐶2 = (2.3)
𝑄̅
dimana:
𝐶2 : Biaya Pemesanan
𝐶 : Biaya Set Up Per Produksi Berjalan
𝑅 : Deamand Tahunan
𝑄̅ : Jumlah Produksi/Pemesanan
c) Biaya yang termasuk dalam holding cost berhubungan dengan
investasi dalam persediaan dan pemeliharaan investasi fisik
pada tempat penyimpanan. Biaya tersebut mencakup beberapa
hal seperti biaya modal, pajak, asuransi, handling,
penyimpanan, kerusakan, using, dan kerusakan [1].
𝐻𝑅(𝑝̅ − 𝑟)
𝐶3 = (2.4)
2𝑝̅
dimana:
𝐶3 : Biaya Simpan
15
𝐻 : Holding Cost Per Unit Tahun

𝑅 : Deamand Tahunan
2.5 Perencanaan Economic Production Quantity

Apabila suatu perusahaan memproduksi suatu barang dengan
permintaan konstan dan dimasukan ke dalam inventory, maka
Economic Order Quantity dapat dicari dengan Economic Production
Quantity, dimana order cost pada Economic Order Quantity diganti
dengan set-up cost. Yang dimaksud set-up cost adalah biaya yang
diperlukan untuk mempersiapkan peralatan kerja untuk
melaksankan pekerjaan tersebut. Economic Production Quantity
digunakan mencakup asumsi bahwa unit-unit ditambahkan dalam
inventory saat produksi dalam proses.
Tujuan utama penggunaan Economic Production Quantity
adalah untuk meminimumkan total biaya persediaan. Total biaya
persediaan per tahun diperoleh dari penjumlahan dari biaya
produksi, biaya setup, dan biaya penyimpanan. Persamaan untuk
total biaya persediaan per tahun adalah [1]:
𝑛 𝑛 𝑛
1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
𝑇𝐶(𝑚 ̅ ) = ∑ 𝑃𝑖 𝑅𝑖 + 𝑚 ̅ ∑ 𝐶𝑖 + ∑ (2.5)
2𝑚̅ 𝑝̅𝑖
𝑖=1 𝑖=1 𝑖=1
dimana:
𝑃 : Biaya Produksi Unit
𝐶 : Biaya Pemesanan Pembelian/Set Up
𝑄 : Jumlah Produksi/Pemesanan
𝐻 : Biaya Penyimpanan/Holding Cost
𝑚̅ : Siklus Tahunan yang Optimal
Agar mendapatkan Total Biaya Persediaan (𝑇𝐶) yang minimum
̅) dengan cara
maka harus diperoleh nilai siklus yang optimal (𝑚
16
melakukan turunan pertama terhadap 𝑚̅ pada persamaan (2.5)

𝑑𝑇𝐶(𝑚̅)
dimana syarat TC minimum ̅
=0
𝑑𝑚
𝑛 𝑛
𝑑𝑇𝐶(𝑚̅) 1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
= ∑ 𝐶𝑖 − 2
∑ =0
𝑑𝑚
̅ 2𝑚
̅ 𝑝̅𝑖
𝑖=1 𝑖=1
̅ 𝑖 −𝑟𝑖 )
𝐻𝑖 𝑅𝑖 (𝑝
∑𝑛
𝑖=1
̅ =√
̅𝑖
𝑝
𝑚 = 𝐸𝑃𝑄 (2.6)
2 ∑𝑛
𝑖=1 𝐶𝑖
𝑅𝑖
𝑄𝑖 = 𝑚
̅
(2.7)
17
BAB III
METODE PENELITIAN
Metode penelitian yang digunakan dalam Tugas Akhir ini dibagi

menjadi beberapa tahapan-tahapan penelitian dan diberikan diagram
alur untuk mempermudah memahami tahapan-tahapan pengerjaan
Tugas Akhir. Tahap-tahap penelitian yang dilakukan adalah sebagai
berikut:
1. Studi Literatur.
a) Mencari literatur seperti buku dan jurnal mengenai Tugas
Akhir ini yaitu tentang Economic Production Quantity yang
dipengaruhi oleh kerusakan. Oleh karena itu dibutuhkan teori
pendukung yang dapat dirangkum dalam tinjauan pustaka.
b) Mencari data pendukung Tugas Akhir yaitu data produksi
semen dari PT Semen Gresik-Pabrik Tuban.
2. Meramalkan Produksi Semen.
a) Melakukan peramalan produksi semen PPC, OPC, dan White
Cement tahun 2017 di PT Semen Gresik-Pabrik Tuban
menggunakan ARIMA Box-Jenskin dengan berdasarkan data
produksi semen dari bulan Januari 2011 sampai dengan bulan
Desember 2016 dengan langkah-langkah sebagai berikut:
i. Identifikasi
ii. Estimasi dan Pengujian Parameter
iii. Pemeriksaan Diagnostik
iv. Meramalkan Produksi Semen Tahun 2017
3. Menentukan Produksi Terak.
a) Mencari kebutuhan terak untuk memproduksi semen PPC,
OPC, dan white cemenet selama tahun 2017 dengan
kebutuhan terak yaitu 80% dari total masing-masing produksi
semen.
4. Menentukan Faktor Penyusutan.
a) Penyusutan pada terak adalah pengendapan pada domb,
menggumpal saat terkena air, dan terjatuhnya terak saat
produksi berlangsung.
18
b) Mengasumsikan bahwa penyusutan yang terjadi adalah

konstan sebesar 5%.
5. Menentukan Komponen Total Biaya.
a) Memasukkan data biaya yang telah diperoleh dari perusahaan
berupa RKAP dapat dilihat pada Lampiran E nomer 1.
b) Menentukan data biaya meliputi biaya produksi, biaya
pemesanan, dan biaya simpan yang diterapkan dalam
perusahaan.
6. Menentukan Total Biaya.
a) Menghitung total biaya biaya dengan menggunakan rumus
total biaya Economic Production Quantity-multiple items.
7. Menentukan Jumlah Volume Produksi.
a) Menghitung volume produksi terak per siklus dengan rumus
Economic Production Quantity-multiple items dengan data
kebutuhan terak pada langkah nomer 3.
8. Penarikan kesimpulan dan penulisan Laporan Tugas Akhir.
a) Menulis pembahasan dari penelitian yang telah dilakukan
serta pemberian saran sebagai masukan untuk penelitian
selanjutnya.
b) Output dari penelitian ini didapatakan pengaruh penyusutan
terhadap volume produksi terak PPC, OPC, dan White
Cement tahun 2017.
19
Berikut adalah diagram alur pengerjaan Tugas Akhir ditunjukkan

pada Gambar 3.1 dibawah ini :
Mulai
Studi Literatur yang akan menunjang topik masalah
Meramalkan produksi semen pada tahun 2017 dengan

ARIMA Box-Jenskin
Menentukan produksi terak yang dibutuhkan selama satu

tahun
Mengidentifikasi penyusutanyang terjadi pada bahan baku

semen (terak)
Menentukan komponen total biaya, antara lain biaya

pemesanan, biaya penyimpanan, dan biaya produksi.
Menentukan total biaya dengan menggunakan Economic

Production Quantity
Menentukan volume produksi terak semen PPC, OPC, dan

White Cement menggunakan Economic Production Quantity
Penarikan Kesimpulan dan Penulisan Laporan Tugas Akhir
Selesai
Gambar 3.1 Diagram Alur Metodologi
20
21
BAB IV
ANALISIS DAN PEMBAHASAN
Bab ini menjelaskan mengenai penentuan total biaya
persediaan, menentukan model Economic Production Quantity yang
telah dipengaruhi oleh kerusakan yang dapat diterapkan di dalam
studi kasus.
4.1 Penentuan Volume Produksi Semen dengan Metode

ARIMA Box-Jenkins
Syarat utama suatu data dapat diramalkan dengan metode
ARIMA Box-Jenkins adalah data harus stasioner terhadap mean
maupun varians. Secara visual, kestasioneran data time series plot
dapat digunakan untuk mengetahui pola-pola dari data produksi
semen, selain itu berdasarkan time series plot juga dapat diketahui
kestasioneran data secara visual. Berikut ini dijelaskan mengenai
langkah-langkah model ARIMA, antara lain:
1. Tahap Identifikasi
Pada tahap ini mengidentifikasi data stasioner dalam mean dan
varians. Kestasioneran dapat diliat dari plot data deret berkala.
Bentuk time series plot dari data 𝑍𝑡 dapat ditunjukkan pada Gambar
4.1.
Setelah membuat time series plot, dilakukan pengujian
kestasioneran data 𝑍𝑡 diolah dengan software Minitab 16 untuk
memperoleh model ARIMA yang sesuai. Langkah selanjutnya yang
harus dilakukan adalah melihat kestasioneran data, karena syarat
pembentukan model analisis time series adalah data dalam keadaan
stasioner. Time series dikatakan stasioner apabila stasioner dalam
mean dan varians.
Data stasioner terhadap varians apabila rounded value-nya
adalah 1. Dari Gambar 4.2 dapat dilihat pada kotak dialog bahwa
nilai lambda dengan nilai kepercayaan 95% dan rounded value 0,5.
Sehingga dilakukan Transformasi Box Cox Plot pada data curah
hujan, dimana rumusnya adalah 𝑌𝑡 = (𝑍𝑡 )𝜆 dengan 𝑍𝑡 nilai data
curah hujan yang aktual, 𝜆 adalah nilai rounded value dan 𝑌𝑡 adalah
nilai hasil transformasi Box-Cox, dapat dilihat dari Gambar 4.3
22
dimana nilai lambda dengan nilai kepercayaan 95% dan rounded

value 1.
Setelah data stasioner dalam varians, selanjutnya akan dilihat
apakah data stasioneran dalam mean. Kestasioneran dalam mean
dapat dilihat dari plot trend analysis. Hasil plot dapat dapat dilihat
pada Gambar 4.4.
1300000
1200000
1100000
data produksi
1000000
900000
800000
700000
600000
1 6 12 18 24 30 36 42 48 54 60
Index
Gambar 4.1 Time series Plot Data Produksi

Lower CL Upper CL
Lambda
115000
(using 95,0% confidence)
Estimate 0,41
110000 Lower CL -1,27
Upper CL 2,14
Rounded Value 0,50

105000
StDev
100000
95000
90000
Limit
85000
-5,0 -2,5 0,0 2,5 5,0
Lambda
Gambar 4.2 Box-Cox Plot Data Produksi
23
Lower CL Upper CL
49 Lambda
(using 95,0% confidence)
Estimate 0,82
48 Lower CL -2,30
Upper CL 4,39
Rounded Value 1,00
47
StDev
46 Limit
45
-5,0 -2,5 0,0 2,5 5,0

Lambda
Gambar 4.3 Box-Cox Plot Data Transformasi

Linear Trend Model
Yt = 864,8 + 3,41*t
1150 Variable
Actual
1100 Fits
Accuracy Measures
1050 MAPE 4,83
MAD 46,42
MSD 3361,45
1000
trans1
950
900
850
800
1 6 12 18 24 30 36 42 48 54 60
Index
Gambar 4.4 Trend Analysis Plot Data Transformasi

Pada Gambar 4.4 terlihat bahwa data tersebut tidak pada pola
yang teratur artinya data transformasi tersebut tidak stasioner
terhadap mean. Untuk mencapai stasioner terhadap mean diperlukan
differencing (pembedaan). Setelah differencing pertama dilakukan,
24
data tersebut dibuat plot trend analysis. Plot trend analysis data hasil
differencing pertama dapat dilihat pada Gambar 4.5, pada gambar
tersebut data sudah teratur, sehingga dapat dikatakan data telah
stasioner terhadap mean.
Linear Trend Model
Yt = 5,3 - 0,036216*t
200 Variable
Actual
Fits
Accuracy Measures
100 MAPE 119,97
MAD 50,32
MSD 4375,37
diff 1
-100
-200
1 6 12 18 24 30 36 42 48 54 60
Index
Gambar 4.5 Trend Analysis Plot Data Differencing

Data telah stasioner terhadap mean dan varians, langkah selanjutnya
adalah pemodelan ARIMA yaitu mendapatkan model ARIMA
sementara untuk data 𝑍𝑡 . Plot ACF ditunjukkan pada Gambar 4.6
dan plot PACF ditunjukkan pada Gambar 4.7.
Berdasarkan Gambar 4.6 dan 4.7 dengan merujuk pada hasil
differencing, plot ACF dan PACF 𝑍𝑡 dapat dilihat pada Gambar 4.6
dan 4.7. Pada plot ACF dapat dilihat bahwa terdapat 2 lag yang
berada diluar batas, yaitu lag 1 dan lag 12 sehingga dapat dikatakan
ARIMA (0,1,1) dan ARIMA (0,1,[12]). Sedangkan pada plot PACF
terdapat 1 lag yang keluar, yaitu lag 1 sehingga terdapat indikasi
model ARIMA yang subset, maka model dugaan ARIMA ([1],1,0).
Dari plot ACF dan plot PACF yang keluar dapat ditentukan dugaan
model sementara ARIMA (1,1,[1,12]).
25
(with 5% significance limits for the autocorrelations)
1,0
0,8
0,6
0,4
Autocorrelation
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 5 10 15 20 25 30 35 40 45 50 55
Lag
Gambar 4.6 Plot ACF data differencing

(with 5% significance limits for the partial autocorrelations)
1,0
0,8
0,6
Partial Autocorrelation
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 5 10 15 20 25 30 35 40 45 50 55
Lag
Gambar 4.7 Plot PACF Data Differencing

2. Estimasi dan Pengujian Parameter Model
Berdasarkan pada Gambar 4.6 dan 4.7 model sementara yang
diduga adalah ARIMA (1,1,[1,12]). Setelah diidentifikasi dugaan
model sementara, selanjutnya dilakukan estimasi parameter data uji
signifikasi parameter model (dapat menggunakan bantuan software
SAS) dilihat pada Lampiran C.
Pengujian parameter model ARIMA (1,1,[1,12]) dilakukan
dengan menggunakan uji- student t, dengan langkah-langkah seperti
berikut:
26
Hipotesa:
𝐻0 : ∅1 = 0 (parameter model tidak signifikan)
𝐻1 : ∅1 ≠ 0 (parameter model siginfikan)
Statistik Uji:
̂
∅
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑠𝑡.(∅1̂
1)
dengan 𝛼 = 5%
𝑡𝑡𝑎𝑏𝑒𝑙 = 𝑡0,025;59 = −2,001
Kriteria Pengujian:
Jika |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑡𝑎,(𝑛−1) , maka 𝐻0 ditolak artinya parameter model
2
signifikan.
Berdasarkan Tabel 4.1 dapat disimpulkan model sementara yang
signifikan adalah (0,1,1), (0,1,[12]), (1,1,0), (1,1,[12]), (1,1,1) dan
(0,1,[1,12]) karena |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑡𝑡𝑎𝑏𝑒𝑙 .
Hasil perhitungan pengujian parameter dapat dilihat pada Tabel 4.1.
Tabel 4.1 Pengujian Parameter Model ARIMA (1,1,[1,12])
Model Para Estimasi St. t
Model Keputusan
Arima Meter Parameter Error hitung
(0,1,1) MA (1) 𝜃1 0,58155 0,10978 5,30 Signifikan
MA 𝜃1
-0,49369 0,19703 -2,51 Signifikan
(1)
(0,1,[1,12])
MA
𝜃12 0,53862 0,21240 2,54 Signifikan
(12)
(1,1,0) AR (1) ∅1 -0,39896 0,12016 -3,32 Signifikan
AR (1) ∅1 -0,38564 0,12016 -3,21 Signifikan
(1,1,[12]) MA
𝜃12 -0,46471 0,18153 -2,56 Signifikan
(12)
(0,1,[12]) MA(12) 𝜃12 -0,50854 0,18140 -2,80 Signifikan
AR (1) ∅1 0,20173 0,21414 0,49 Signifikan
(1,1,1)
MA (1) 𝜃1 0,74225 0,15669 4,74 Signifikan
3. Pemeriksaan Diagnostik
Dalam menentukan model ARIMA yang baik, model harus
memenuhi dua asumsi residual yaitu white noise dan berdistribusi
normal.
27
a. White Noise
Hipotesa:
𝐻0 ∶ 𝜌1 (𝑎) = 𝜌2 (𝑎) = ⋯ = 𝜌𝑘 (𝑎) = 0
𝐻1 ∶ 𝑠𝑒𝑏𝑎𝑔𝑖𝑎𝑛 𝑑𝑎𝑟𝑖 𝜌𝑖 (𝑎) ≠ 0
Statistik Uji:
̂2
𝜌
𝑄 = 𝑛(𝑛 + 2) ∑𝐾 𝑘
𝑘=1 (𝑛−𝑘) , 𝑛 > 𝑘
Kriteria Pengujian:
2
Dengan 𝑎 = 0.05, karena nilai 𝑄 < 𝜒(𝑎;𝐾−𝑝−𝑞) , maka 𝐻0 diterima
artinya residual bersifat white noise.
Hasil perhitungan pengujian Ljung-Box pada masing-masing
model yang telah signifikan terdapat pada Tabel 4.2. Tabel 4.2
menunjukkan bahwa pada model ARIMA (0,1,1), ARIMA
(0,1,[12]), ARIMA (1,1,[12]), ARIMA (1,1,1), dan ARIMA
(0,1,[1,12]) telah memenuhi asumsi residual white noise, karena
didapatkan nilai statistik uji χ2 yang diperoleh lebih kecil dari
χ2(0,05;df), sehingga dapat ditarik kesimpulan bahwa pada model
ARIMA (0,1,1), ARIMA (0,1,[12]), ARIMA (1,1,[12]), ARIMA
(1,1,1), dan ARIMA (0,1,[1,12]) telah memenuhi asumsi white
noise.
b. Uji Distribusi Normal

Asumsi selanjutnya yang harus dipenuhi adalah residual harus
berdistribusi normal, hal ini dapat diketahui dengan menggunakan
uji kolmogorov smirnov. Berikut adalah hipotesis yang digunakan
dalam pengujian ini.
Hipotesa:
𝐻0 ∶ 𝑆(𝑥) = 𝐹0 (𝑥) untuk semua 𝑥 (residual berdistribusi normal)
𝐻1 ∶ 𝑆(𝑥) ≠ 𝐹0 (𝑥) untuk beberapa 𝑥 (residual tidak berdistribusi
normal)
Statistik Uji:
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑠𝑢𝑝𝑥 |𝑆(𝑥) − 𝐹0 (𝑥)|
𝐷𝑡𝑎𝑏𝑒𝑙 = 𝐷𝑎,𝑛
Kriteria Pengujian :
28
Dengan menggunakan 𝑎 = 0.05, karena 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐷𝑎,𝑛 maka 𝐻0

diterima artinya residual model berdistribusi nomal. Hasil
perhitungan pengujian residual berdistribusi normal pada masing-
masing model yang telah white noise terdapat pada Tabel 4.3.
Tabel 4.2 Hasil Residual White Noise
Model Chi-
Lag df Pvalue Keputusan
ARIMA Square
6 1,27 5 0,9376 White Noise
12 14,48 11 0,2075 White Noise
(0,1,1)
18 15,65 17 0,5491 White Noise
24 29,54 23 0,1631 White Noise
6 10 5 0,0754 White Noise
12 10,54 11 0,4822 White Noise
(0,1,[12])
18 12,27 17 0,7835 White Noise
24 27,49 23 0,2359 White Noise
6 4,38 5 0,4961 White Noise
12 16,96 11 0,1240 White Noise
(1,1,0)
18 19,87 17 0,2807 White Noise
24 36,51 23 0,0401 White Noise
6 4,27 4 0,3705 White Noise
12 5,43 10 0,8607 White Noise
(1,1,[12])
18 6,97 16 0,9739 White Noise
24 25,23 22 0,2860 White Noise
6 1,72 4 0,7865 White Noise
12 4,73 10 0,9083 White Noise
(0,1,[1,12])
18 8,13 16 0,9450 White Noise
24 22,80 22 0,4132 White Noise
6 1,06 4 0,9013 White Noise
12 12,94 10 0,2268 White Noise
(1,1,1)
28 14,73 16 0,5446 White Noise
24 26,72 22 0,2219 White Noise
Dengan demikian ARIMA (0,1,1), ARIMA (0,1,[12]), ARIMA
(1,1,[12]), ARIMA (1,1,1), ARIMA (1,1,0) dan ARIMA (0,1,[1,12])
merupakan model terbaik, karena memenuhi uji signifikasi
parameter, uji asumsi white noise, dan residual berdistribusi normal.
29
Selanjutnya akan dicari nilai MAPE untuk menentukan model

terbaik untuk meramalkan produksi semen.
Dari Tabel 4.3 ditunjukkan bahwa model ARIMA (0,1,1),
ARIMA (0,1,[12]), ARIMA (1,1,[12]), ARIMA (1,1,1), ARIMA
(1,1,0) dan ARIMA (0,1,[1,12]) residual berdistribusi normal,
sehingga dapat dicari nilai MAPE untuk model ARIMA (0,1,1),
ARIMA (0,1,[12]), ARIMA (1,1,[12]), ARIMA (1,1,1), ARIMA
(1,1,0) dan ARIMA (0,1,[1,12]). Hasil perhitungan nilai MAPE
untuk masing-masing model ARIMA, dapat dilihat dari Tabel 4.4
Model terbaik adalah model yang memiliki nilai MAPE paling kecil
terdapat pada Tabel 4.4. Dari Tabel 4.4 terlihat bahwa model
ARIMA yang memenuhi uji signifikasi, uji white noise, residual
berdistribusi normal, dan memiliki MAPE terkecil adalah model
ARIMA (0,1,[1,12]) dengan MAPE sebesar 9,98%, sehingga model
terbaik adalah model ARIMA (0,1,[1,12]), terdapat pada Tabel 4.4.
𝐿
1 (𝑍𝑛+𝑙 − 𝑍𝑛 (𝑙))
𝑀𝐴𝑃𝐸 = (∑ × 100%)
𝐿 𝑍𝑛+𝑙
𝑙=1
Dengan:
L : Banyaknya data in sample
𝑍𝑛+𝑙 : Data Aktual
𝑍𝑛 (𝑙) : Data Hasil Ramalan
Tabel 4.3 Hasil Residual Berdistribusi Normal

Model
Dhitung Dtabel Pvalue Keputusan
ARIMA
(0,1,1) 0,098705 0,175575 > 0,1500 Dist. Normal
(0,1,[12]) 0,091874 0,175575 > 0,1500 Dist. Normal
(1,1,[12]) 0,083673 0,175575 > 0,1500 Dist. Normal
(0,1,[1,12]) 0,06967 0,175575 > 0,1500 Dist. normal
(1,1,1) 0,083726 0,175575 > 0,1500 Dist. normal
(1,1,0) 0,062524 0,175575 >0,1500 Dist. normal
30
Tabel 4.4 Nilai MAPE model ARIMA

Model Uji Uji Asumsi Uji Residual
MAPE
ARIMA Signifikasi White Noise Normal
ARIMA
Signifikan White Noise Dist Normal 12,03%
(0,1,1)
ARIMA
(0,1,[12])
ARIMA
(1,1,[12])
ARIMA
(0,1,[1,12])
ARIMA
(1,1,1)
ARIMA
(1,1,0)
4. Hasil Peramalan Produksi Semen Tahun 2017

Untuk hasil peramalan dari produksi semen PT Semen Gresik
dapat dilihat pada Lampiran D. Untuk merumuskan bentuk model
matematika dengan menggunakan persamaan (2.1) diperoleh model
ARIMA dari produksi semen PT Semen Gresik sebagai berikut:
(1 − 𝐵)𝑌𝑡 = (1 − 𝜃1 𝐵1 − 𝜃12 𝐵12 )𝑎𝑡
(1 − 𝐵)𝑌𝑡 = 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − 𝜃12 𝑎𝑡−12
𝑌𝑡 − 𝑌𝑡−1 = 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − 𝜃12 𝑎𝑡−12
𝑌𝑡 = 𝑌𝑡−1 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − 𝜃12 𝑎𝑡−12
𝑌𝑡 = 𝑌𝑡−1 + 𝑎𝑡 + 0,49369𝑎𝑡−1 −0,53862𝑎𝑡−12
Dari model peramalan yang didapatkan, dapat dihitung total
produksi semen dan total kebutuhan terak pada proses produksi
semen 2017 pada Tahun 2017 di PT Semen Gresik (Pabrik Tuban).
Perhitungan volume produksi semen dari ketiga macam semen
tersebut diketahui dari kebijakan perusahaan PT Semen Gresik,
yaitu 70% produksi semen PPC, 25% produksi semen OPC, dan 5%
produksi White Cement, perhitungan dapat dilihat pada Tabel 4.5
sehingga dapat diketahui total produksi semen 2017. Pada Tabel 4.6
dapat dilihat jumlah masing-masing produksi Semen tahun 2017.
31
Tabel 4.5 Perhitungan Peramalan Semen

Hasil Hasil Ramalan White
PPC OPC
Peramalan Dipangkatkan 2 Cement
1001,5504 1003103 702172 250776 50155
977,5734 955650 668955 238912 47782
972,737 946217 662352 236554 47311
970,781 942416 659691 235604 47121
1021,3443 1043144 730201 260786 52157
1024,1873 1048960 734272 262240 52448
989,2915 978698 685088 244674 48935
1038,4766 1078434 754904 269608 53922
1028,8156 1058462 740923 264615 52923
1042,0721 1085914 760140 271479 54296
1015,0246 1030275 721192 257569 51514
972,654 946056 662239 236514 47303
total produksi semen 8482129 3029332 605866
Tabel 4.6 Jumlah Produksi Semen tahun 2017

Presentase Jumlah Produksi
No. Jenis Semen
Produksi Semen (Ton)
1 PPC 70% 8.482.129
2 OPC 25% 3.029.332
3 White Cement 5% 605.866

Setelah itu dicari produksi terak untuk masing-masing jenis semen,
yaitu:
Untuk memproduksi semen PPC selama satu tahun dibutuhkan terak
sebanyak 6.785.703 ton, untuk semen OPC dibutuhkan terak
sebanyak 2.423.466 ton, dan untuk white cement dibutuhkan terak
sebanyak 484.693 ton selama satu tahun.
32
4.2 Laju Konstan Kerusakan

Kerusakan yang terjadi pada terak dapat dipengaruhi dari 3 hal
yang terjadi antara lain: penggumpalan karena terkena air,
pengendapan dalam domb, dan jatuhnya terak saat terjadi alur proses
produksi. Perusahaan menangani pengendapan dengan cara
dibersihkan, untuk ketentuan waktunya perusahaan tidak
memastikan setiap berapa hari/bulan/tahun. Untuk terak yang
menggumpal masih dapat diproses untuk menjadi semen, namun
dengan ditambahkan beberapa senyawa yang ditentukan oleh seksi
jaminan mutu, untuk tetap mendapatakan semen dengan mutu baik.
4.3 Bentuk Umum Economic Production Quantity

Model dasar Economic Order Quantity mengasumsikan bahwa
penambahan persediaan sebesar Q datang secara serentak pada saat
persediaan periode sebelumnya tepat habis. Dalam beberapa kasus,
penambahan persediaan sering tidak mungkin serentak tetapi secara
bertahap. Secara sederhana situasi semacam ini mungkin terjadi
pada sebuah sistem dimana inputnya dihasilkan sendiri atau berasal
dari produksi subsistemnya, misalnya pemasok mengirim barangnya
secara bertahap.
Bila penambahan persediaan pada model Economic Order
Quantity secara serentak sebesar Q pada 𝑡0 ,𝑡1 , dan seterusnya, maka
pada model Economic Production Quantity penambahan persedian
sebesar Q itu datang secara bertahap selama 𝑡0 − 𝑡1 dengan tingkat
∆𝑄
pertambahan sebesar . Perkembangan ini yang membedakan
∆𝑡
model Economic Production Quantity dari model Economic Order
Quantity.
∆𝑄
Karena tingkat pertambahan persediaan sebesar ∆𝑡 , maka
tingkat pemakaian persediaan itu logis kalau lebih kecil dari tingkat
pertambahannya agar persediaan tidak habis pada saat akan
∆𝑃 ∆𝑅
digunakan. Bila 𝑝 = adalah tingkat produksi dan 𝑟 = adalah
∆𝑡 ∆𝑡
tingkat permintaan atau kebutuhan persediaan, maka 𝑝 > 𝑟 agar
persediaan itu tidak pernah habis.
33
Jika kondisi 𝑝 > 𝑟 tidak terpenuhi, maka kemungkinan yang

akan terjadi adalah:
1. 𝑝2 = 𝑟 atau tingkat produksi atau tingkat pertambahan
persediaan tepat sama dengan tingkat pemakaian persediaan.
Dalam kondisi ini, ketika tambahan persediaan periode 𝑡0 − 𝑡2
tepat selesai, produksi periode 𝑡 tepat dimulai, demikian juga
pemakaian persediaan periode 𝑡. Hal ini jelas tidak mungkin
terjadi karena lead time. Bagaimanapun juga, persediaan harus
tersedia ketika akan digunakan.
2. 𝑝3 < 𝑟 atau tingkat produksi lebih kecil dari tingkat pemakaian
persediaan. Kondisi seperti ini dalam praktik tidak mungkin
dilakukan karena akan ada suatu periode dimana persediaan
tidak lagi tersedia pada saat akan digunakan atau persediaan
habis sama sekali karena siklus pengambilan persediaan lebih
cepat dari siklus pertambahannya (𝑡3 ).
4.3.1 Q Maksimum
Persediaan maksimum dalam model Economic Production
Quantity berbeda dengan model Economic Order Quantity sebagai
akibat pertambahan persediaan yang bertahap. Karena tingkat
produksi 𝑝 harus memenuhi tingkat permintaan 𝑟 sehingga 𝑝 > 𝑟
dan pertambahan persediaan langsung digunakan, maka tingkat
pertambahan persediaan adalah 𝑝 − 𝑟.
Jika kebutuhan untuk setiap siklus produksi ulang adalah 𝑅
dengan tingkat pemakaian persediaan sebesar 𝑟 dan dimulai dari 𝑡0
maka kebutuhan itu harus terpenuhi sejak 𝑡0 hingga 𝑡2 secara
bertahap dengan tingkat pertambahan sebesar 𝑝. Secara kumulatif,
jumlah pertambahan persediaan itu menjadi sebesar 𝑄, yaitu sesuai
dengan jumlah permintaan 𝑅. Oleh karena itu, akumulasi
penambahan persediaan hanya akan terjadi sampai dengan 𝑡1
sebesar 𝑄𝑚𝑎𝑥 . Penambahan persediaan itu tidak akan terjadi lagi
antara 𝑡1 − 𝑡2 . Persediaan sebesar 𝑄𝑚𝑎𝑥 itu kemudian akan tepat
habis digunakan di 𝑡2 dimana proses pertambahan persediaan
periode berikutnya, yaitu periode 𝑡2 − 𝑡3 terjadi lagi. Proses ini
berulang sepanjang siklus perencanaan.
34
4.3.2 Biaya Produksi

Biaya produksi pada PT Semen Gresik meliputi biaya tenaga
kerja, listrik, bahan pendukung, dan bahan bakar, yang dapat dilihat
pada lampiran E nomer 1.
4.3.3 Biaya Pemesanan
Biaya pemesanan/set up cost pada PT Semen Gresik meliputi
biaya pemeliharaan, yang dapat dilihat pada lampiran E nomer 1.
4.3.4 Biaya Simpan
Biaya simpan pada PT Semen Gresik meliputi biaya Gudang,
yang dapat dilihat pada lampiran E nomer 1.
4.3.5 Total Biaya Persediaan
Biaya total persediaan pada PT Semen Gresik diperoleh dari
90% total biaya pada RKAP. Untuk menghitung total biaya
persediaan dapat menggunakan Economic Production Quantity,
dimana metode ini menghitung total biaya yang berhubungan
dengan produksi. Total biaya persediaan Economic Production
Quantity meliputi biaya produksi, simpan, dan pemesanan yang
dapat dilihat pada persaman (2.5).
𝑛 𝑛 𝑛
𝑇𝐶(𝑚 ̅ ) = ∑ 𝑃𝑖 𝑅𝑖 + 𝑚 ̅ ∑ 𝐶𝑖 + ∑
2𝑚̅ 𝑝̅𝑖
𝑖=1 𝑖=1 𝑖=1
Agar mendapatkan Total Biaya Persediaan (TC) yang
minimum maka harus diperoleh nilai siklus yang optimal (𝑚 ̅)
dengan cara melakukan turunan pertama terhadap 𝑚 ̅ pada
𝑑𝑇𝐶(𝑚 ̅)
persamaan (2.5) dimana syarat TC minimum 𝑑𝑚 ̅
= 0, sehingga
diperoleh sebagai berikut:
𝑛 𝑛 𝑛
1 𝐻𝑖 𝑅𝑖 (𝑝𝑖 − 𝑟𝑖 )
𝑇𝐶(𝑚̅ ) = ∑ 𝑃𝑖 𝑅𝑖 + 𝑚 ̅ ∑ 𝐶𝑖 + ∑
2𝑚̅ 𝑝̅𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛
1 −1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
̅ ) = ∑ 𝑃𝑖 𝑅𝑖 + 𝑚
𝑇𝐶(𝑚 ̅ ∑ 𝐶𝑖 + 𝑚̅ ∑
2 𝑝̅𝑖
𝑖=1 𝑖=1 𝑖=1
𝑑𝑇𝐶(𝑚 ̅)
Karena 𝑑𝑚̅
= 0, maka
35
𝑛 𝑛
𝑑𝑇𝐶(𝑚̅) 1 −1−1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
= 0 + 1 ∑ 𝐶𝑖 + (−1) 𝑚̅ ∑
𝑑𝑚
̅ 2 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
𝑑𝑇𝐶(𝑚̅) 1 −2 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
= ∑ 𝐶𝑖 − 𝑚̅ ∑
𝑑𝑚
̅ 2 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
𝑑𝑇𝐶(𝑚̅) 1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
= ∑ 𝐶𝑖 − 2
∑
𝑑𝑚
̅ 2𝑚
̅ 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
2
∑ = ∑ 𝐶𝑖
2𝑚
̅ 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
∑ ̅ 2 ∑ 𝐶𝑖
=𝑚
2 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
∑𝑖=1
𝑝̅𝑖
̅2
=𝑚
2 ∑𝑛𝑖=1 𝐶𝑖
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
∑𝑛𝑖=1
√ 𝑝̅𝑖
𝑚
̅ = 𝑛
2 ∑𝑖=1 𝐶𝑖
Dimana 𝑚 ̅ merupakan siklus produksi yang optimal, dengan siklus
optimal adalah siklus yang digunakan untuk memaksimalkan hasil
produksi dalam satu kali siklus produksi.
Untuk mengetahui (𝑚 ̅ ) adalah nilai satu-satunya yang optimal,
maka dapat dibuktikan dengan mencari turunan kedua dari
persamaan (4.1) terhadap 𝑚̅, sebagai berikut:
𝑑2 𝑇𝐶(𝑚 ̅)
𝑑𝑚 ̅2
𝑛 1 𝑛 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
𝑑 𝑑 [∑𝑖=1 𝑃𝑖 𝑅𝑖 + 𝑚̅ ∑𝑛𝑖=1 𝐶𝑖 + ∑ ]
2𝑚̅ 𝑖=1 𝑝̅𝑖
= [ ]
𝑑𝑚 ̅ 𝑑𝑚̅
36
𝑛 𝑛
𝑑2 𝑇𝐶(𝑚̅) 𝑑 1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
2
= [∑ 𝐶𝑖 − 2
∑ ]
𝑑𝑚̅ 𝑑𝑚̅ 2𝑚
̅ 𝑝̅𝑖
𝑖=1 𝑖=1
2 𝑛
𝑑 𝑇𝐶(𝑚̅) 1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
2
̅ −3 ∑
= − (−2)𝑚
𝑑𝑚
̅ 2 𝑝̅𝑖
𝑖=1
2 𝑛
= 3∑
𝑑𝑚̅ 𝑚
̅ 𝑝̅𝑖
𝑖=1
2 𝑛
2
= 3∑
𝑑𝑚
̅ 𝑝̅𝑖
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 ) 𝑖=1
∑𝑛
√ 𝑖=1 𝑝̅𝑖
( )
𝑑 2 𝑇𝐶(𝑚 ̅)
𝑑𝑚̅ 2
𝑛
= ∑
𝑝̅𝑖
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 ) 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 ) 𝑖=1
∑𝑛𝑖=1 ∑𝑛
𝑝̅𝑖 √ 𝑖=1 𝑝̅𝑖
( )
2 ∑𝑛𝑖=1 𝐶𝑖 2 ∑𝑛𝑖=1 𝐶𝑖
( )
𝑑 2 𝑇𝐶(𝑚̅)
𝑑𝑚̅2 𝑛
= ∑
𝑝̅𝑖
∑𝑛𝑖=1
1 𝐻 𝑅 (𝑝̅ − 𝑟𝑖 ) √ 𝑝̅𝑖
( 𝑛 ) (∑𝑛𝑖=1 𝑖 𝑖 𝑖 )
2 ∑𝑖=1 𝐶𝑖 𝑝̅𝑖 2 ∑𝑛𝑖=1 𝐶𝑖
( )
37
𝑑2 𝑇𝐶(𝑚̅) 1
2
=
𝑑𝑚̅
∑𝑛𝑖=1
1 √ 𝑝̅𝑖
( 𝑛 )
2 ∑𝑖=1 𝐶𝑖 2 ∑𝑛𝑖=1 𝐶𝑖
( )
1
( 𝑛 )
𝑑2 𝑇𝐶(𝑚
̅) 2 ∑𝑖=1 𝐶𝑖
=
𝑑𝑚̅2
∑𝑛
√ 𝑖=1 𝑝̅𝑖
( )
𝑑2 𝑇𝐶(𝑚
̅) 2 ∑𝑛𝑖=1 𝐶𝑖
=
𝑑𝑚̅2 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
√∑𝑛𝑖=1
𝑝̅𝑖
𝑛
√2 ∑𝑖=1 𝐶𝑖
( )
𝑛
𝑑2 𝑇𝐶(𝑚̅) √2 ∑𝑛𝑖=1 𝐶𝑖
2
= 2 ∑ 𝐶𝑖
𝑑𝑚̅ 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
𝑖=1 √∑𝑛𝑖=1
( 𝑝̅𝑖 )
𝑛 𝑛 2
̅ ) √2 ∑𝑖=1 𝐶𝑖 √4 ∑𝑖=1 𝐶𝑖
𝑑2 𝑇𝐶(𝑚
=
𝑑𝑚̅2 𝐻 𝑅 (𝑝̅ − 𝑟𝑖 )
√∑𝑛𝑖=1 𝑖 𝑖 𝑖
𝑝̅𝑖
𝑑2 𝑇𝐶(𝑚
̅) 8 ∑𝑛𝑖=1 𝐶𝑖3
=√
𝑑𝑚̅2 𝐻 𝑅 (𝑝̅ − 𝑟𝑖 )
∑𝑛𝑖=1 𝑖 𝑖 𝑖
𝑝̅𝑖
𝑑2 𝑇𝐶(𝑚
̅) 𝑛 𝐶𝑖3 𝑝̅𝑖
= √8 ∑ (4.1)
𝑑𝑚̅2 1=1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
38
Asumsi:
𝑝̅ > 𝑟
karena 𝑝̅ > 𝑟 maka 𝑝̅ − 𝑟 > 0
𝐶 3 𝑝̅
sehingga 8 ∑𝑛1=1 𝐻 𝑅 (𝑝̅
𝑖 𝑖
−𝑟 )
>0
𝑖 𝑖 𝑖 𝑖
𝐶𝑖3 𝑝̅𝑖
maka √8 ∑𝑛1=1 > 0 dapat dikatakan positif.
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 −𝑟𝑖 )
𝑑 2 𝑇𝐶(𝑚
̅)
Karena 𝑑𝑚 ̅2
> 0 sehingga terbukti bahwa nilai 𝑚 ̅ yang diperoleh
optimal, dapat meminimalkan nilai total biaya persediaan
TC(𝑚̅ ). Jika nilai 𝑚
̅ optimal pada persamaan (2.6) disubstitusikan
ke persamaan (2.5), maka akan diperoleh model matematika untuk
menentukan Total Biaya Persediaan minimum, yaitu:
𝑛 𝑛 𝑛
𝑇𝐶(𝑚̅ ) = ∑ 𝑃𝑖 𝑅𝑖 + 𝑚 ̅ ∑ 𝐶𝑖 + ∑
2𝑚̅ 𝑝𝑖
𝑖=1 𝑖=1 𝑖=1
̅)
𝑇𝐶(𝑚
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 ) 𝑛
𝑛 ∑𝑛𝑖=1
𝑝̅𝑖
= ∑ 𝑃𝑖 𝑅𝑖 + √ ∑ 𝐶𝑖
𝑖=1 𝑖=1
𝑛
+ ∑ (4.2)
𝑝̅𝑖
𝐻 𝑅 (𝑝̅ − 𝑟𝑖 ) 𝑖=1
∑𝑛𝑖=1 𝑖 𝑖 𝑖
√ 𝑝̅𝑖
2 𝑛
∑
2 𝑖=1 𝐶𝑖
4.3.6 Pemesanan Ulang

Saat memesan ulang, seperti model Economic Order Quantity
dapat dinyatakan dalam dua cara, yaitu:
1. Pertama, dinyatakan dalam waktu
Jika diketahui lead time adalah 𝐿 maka saat memesan ulang
(reorder point) adalah 𝑡2 . Dalam hal ini, sesuai dengan
persamaan
39
𝑄
𝑡2 = (4.3)
𝑟
dimana 𝑟 adalah tingkat permintaan per satuan waktu yang
digunakan, bisa berupa hari, minggu, atau bulan.
2. Kedua, dinyatakan dalam unit persediaan
Jika 𝑟 atau tingkat permintaan per satuan waktu dan 𝐿 adalah
𝑙𝑒𝑎𝑑 𝑡𝑖𝑚𝑒 maka 𝑟𝑒𝑜𝑟𝑑𝑒𝑟 𝑝𝑜𝑖𝑛𝑡 adalah sebesar pemakaian
selama 𝑙𝑒𝑎𝑑 𝑡𝑖𝑚𝑒
𝑃𝑒𝑚𝑒𝑠𝑎𝑛𝑎𝑛 𝐾𝑒𝑚𝑏𝑎𝑙𝑖 = 𝑟. 𝐿 (4.4)
4.4 Pengembangan Economic Production Quantity yang

Mempertimbangkan Penyusutan
Model persediaan Economic Production Quantity untuk barang
yang menyusut ini merupakan perkembangan dari model Economic
Production Quantity bentuk umum. Asumsi yang dilakukan dalam
pendekatan kasus ini adalah sebagai berikut:
1. Persediaan diasumsikan menyusut dengan laju konstan
2. Barang yang menyusut diperbaiki atau diganti dengan barang
yang baik kondisinya
3. Diasumsikan tanpa backorder
Sehingga total biaya persediaan per tahun untuk model Economic
Production Quantity untuk bahan yang menyusut adalah:
𝑛 𝑛
̅ ) = ∑ 𝑃𝑖 (𝑅𝑖 + 𝑋) + 𝑚
𝑇𝐶(𝑚 ̅ ∑ 𝐶𝑖
𝑖=1 𝑖=1
𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
+ ∑ (4.5)
2𝑚̅ 𝑝̅𝑖
𝑖=1
Dimana, pada persamaan (4.5) mempertimbangkan faktor
penyusutan (X) yang diperoleh dari 5% demand tahunan.
𝑅𝑇
𝑚𝑛 = ;𝑗 ≥ 1
𝑗
𝑗 ∶ 𝑤𝑎𝑘𝑡𝑢 𝑝𝑟𝑜𝑑𝑢𝑘𝑠𝑖
40
Untuk mendapatkan TC yang minimal dapat diperoleh juga siklus

yang optimal dengan memberikan perbedaan waktu per unit pada
total biaya persediaan yang dapat dinyatakan sebagai berikut:
𝑛 𝑛
𝑇𝐶𝑢 (𝑗, 𝑇) = ∑ 𝑃𝑖 (𝑅𝑖 + 𝑋) + 𝑚

̅𝑗 ∑ 𝐶𝑖
𝑖=1 𝑖=1
𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
+ ∑ (4.6)
2𝑚
̅𝑗 𝑝̅𝑖
𝑖=1
dengan:
𝑗 = 𝑥 − 1, 𝑥, 𝑑𝑎𝑛 𝑥 + 1
Nilai yang optimal pada persamaan (4.6) dapat diturunkan ketika
perbedaan biaya memenuhi kondisi:
a. 𝑇𝐶𝑢 (𝑥 − 1, 𝑇) − 𝑇𝐶𝑢 (𝑥, 𝑇) ≥ 0
𝑛 𝑛 𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
∑ 𝑃𝑖 (𝑅𝑖 + 𝑋) + 𝑚 ̅ 𝑥−1 ∑ 𝐶𝑖 + ∑
2𝑚̅ 𝑥−1 𝑝̅𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛
− [∑ 𝑃𝑖 (𝑅𝑖 + 𝑋) + 𝑚
̅ 𝑥 ∑ 𝐶𝑖
𝑖=1 𝑖=1
𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
+ ∑ ]≥0
2𝑚
̅𝑥 𝑝̅𝑖
𝑖=1
𝑛 𝑛 𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
𝑚
̅ 𝑥−1 ∑ 𝐶𝑖 + ∑ −𝑚
̅ 𝑥 ∑ 𝐶𝑖
2𝑚
̅ 𝑥−1 𝑝̅𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
− ∑ ≥0
2𝑚
̅𝑥 𝑝̅𝑖
𝑖=1
𝑛 𝑛
1 1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
(𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖 + (
̅ 𝑥−1 − 𝑚 − )∑ ≥0
2𝑚
̅ 𝑥−1 2𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 1 1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
(𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖 + (
̅ 𝑥−1 − 𝑚 − )∑ ≥0
2 𝑚̅ 𝑥−1 𝑚̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
41
𝑛 𝑛
1 𝑚̅𝑥 − 𝑚̅ 𝑥−1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
(𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖 + (
̅ 𝑥−1 − 𝑚 )∑ ≥0
2 𝑚 ̅ 𝑥−1 𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝑚̅𝑥 − 𝑚̅ 𝑥−1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
( )∑ ≥ −(𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖
̅ 𝑥−1 − 𝑚
2 𝑚 ̅ 𝑥−1 𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝑚̅ 𝑥−1 −𝑚̅𝑥 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
− ( )∑ ≥ −(𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖
̅ 𝑥−1 − 𝑚
2 𝑚 ̅ 𝑥−1 𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝑚̅ 𝑥−1 −𝑚̅𝑥 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
( )∑ ≤ (𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖
̅ 𝑥−1 − 𝑚
2 𝑚 ̅ 𝑥−1 𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝑚̅ 𝑥−1 −𝑚̅𝑥 1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
( × )∑ ≤ (1) ∑ 𝐶𝑖
2 𝑚 ̅ 𝑥−1 𝑚
̅𝑥 𝑚
̅ 𝑥−1 −𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
( )∑ ≤ ∑ 𝐶𝑖
2 𝑚 ̅ 𝑥−1 𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
∑ ≤ (𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖
̅ 𝑥−1 𝑚
2 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
∑𝑖=1
𝑝̅𝑖
𝑛 ≤ (𝑚 ̅ 𝑥)
̅ 𝑥−1 𝑚 (4.7)
2 ∑𝑖=1 𝐶𝑖
b. 𝑇𝐶𝑢 (𝑥 + 1, 𝑇) − 𝑇𝐶𝑢 (𝑥, 𝑇) ≥ 0

𝑛 𝑛 𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
∑ 𝑃𝑖 (𝑅𝑖 + 𝑋) + 𝑚 ̅ 𝑥+1 ∑ 𝐶𝑖 + ∑
2𝑚̅ 𝑥+1 𝑝̅𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛
− [∑ 𝑃𝑖 (𝑅𝑖 + 𝑋) + 𝑚
̅ 𝑥 ∑ 𝐶𝑖
𝑖=1 𝑖=1
𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
+ ∑ ]≥0
2𝑚
̅𝑥 𝑝̅𝑖
𝑖=1
42
𝑛 𝑛 𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
𝑚
̅ 𝑥+1 ∑ 𝐶𝑖 + ∑ −𝑚
̅ 𝑥 ∑ 𝐶𝑖
2𝑚
̅ 𝑥+1 𝑝̅𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
− ∑ ≥0
2𝑚
̅𝑥 𝑝̅𝑖
𝑖=1
𝑛 𝑛
1 1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
(𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖 + (
̅ 𝑥+1 − 𝑚 − )∑ ≥0
2𝑚
̅ 𝑥+1 2𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 1 1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
(𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖 + (
̅ 𝑥+1 − 𝑚 − )∑ ≥0
2 𝑚̅ 𝑥+1 𝑚̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝑚̅𝑥 − 𝑚̅ 𝑥+1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
(𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖 + (
̅ 𝑥+1 − 𝑚 )∑ ≥0
2 𝑚 ̅ 𝑥+1 𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝑚̅𝑥 − 𝑚̅ 𝑥+1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
( )∑ ≥ −(𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖
̅ 𝑥+1 − 𝑚
2 𝑚 ̅ 𝑥+1 𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝑚̅𝑥 − 𝑚̅ 𝑥+1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
( )∑ ≥ (𝑚 ̅ 𝑥+1 ) ∑ 𝐶𝑖
̅ 𝑥 −𝑚
2 𝑚 ̅ 𝑥+1 𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝑚̅𝑥 − 𝑚̅ 𝑥+1 1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
( × )∑ ≥ (1) ∑ 𝐶𝑖
2 𝑚 ̅ 𝑥+1 𝑚
̅𝑥 𝑚
̅ 𝑥 −𝑚̅ 𝑥+1 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
( )∑ ≥ ∑ 𝐶𝑖
2 𝑚 ̅ 𝑥+1 𝑚
̅𝑥 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
∑ ≥ (𝑚 ̅ 𝑥 ) ∑ 𝐶𝑖
̅ 𝑥+1 𝑚
2 𝑝̅𝑖
𝑖=1 𝑖=1
̅̅̅̅−𝑟
𝐻𝑖 (𝑅𝑖 +𝑋)(𝑝 𝑖 𝑖)
∑𝑛
𝑖=1 ̅̅̅̅𝑖
𝑝
2 ∑𝑛
≥ (𝑚 ̅𝑥)
̅ 𝑥+1 𝑚 (4.8)
𝑖=1 𝐶𝑖
Dari persamaan (4.6) didapat persamaan (4.7) dan (4.8):

̅̅̅̅−𝑟
𝐻𝑖 (𝑅𝑖 +𝑋)(𝑝 𝑖 𝑖) ̅̅̅̅−𝑟
𝐻𝑖 (𝑅𝑖 +𝑋)(𝑝 𝑖 𝑖)
∑𝑛
𝑖=1 ∑𝑛
𝑖=1
̅̅̅̅𝑖
𝑝 ̅̅̅̅𝑖
𝑝
2 ∑𝑛
≤ (𝑚 ̅ 𝑥 ) dan
̅ 𝑥−1 𝑚 2 ∑𝑛
≥ (𝑚 ̅ 𝑥)
̅ 𝑥+1 𝑚
𝑖=1 𝐶𝑖 𝑖=1 𝐶𝑖
43
Selanjutnya dibuktikan 𝑚 ̅ 𝑥−1 = 𝑚̅𝑥 = 𝑚

̅ 𝑥+1 untuk mempengaruhi
nilai 𝑚
̅ 𝑥 . Jika jumlah persediaan (𝑥) mendekati tak hingga, didapat:
̅ 𝑥−1
𝑚 ̅ 𝑥+1
𝑚
lim 𝑚 ̅
= 1 dan lim 𝑚 ̅
= 1.
𝑥→∞ 𝑥 𝑥→∞ 𝑥
̅ 𝑥−1
𝑚 ̅ 𝑥+1
𝑚
Karena ̅𝑥
dan ̅𝑥
konvergen ke 1, dapat disimpulkan bahwa
𝑚 𝑚
𝑚
̅ 𝑥−1= 𝑚 ̅𝑥 = 𝑚 ̅ 𝑥+1 (4.9)
Kemudian persamaan (4.9) disubtitusikan ke persamaan (4.8) dan
persamaan (4.9) disubstitusikan juga ke persamaan (4.7), sehingga
diperoleh:
𝐻 (𝑅 + 𝛼)(𝑝̅𝑖 − 𝑟𝑖 )
∑𝑛𝑖=1 𝑖 𝑖
𝑝̅𝑖
(𝑚
̅ 𝑥+1 𝑚 ̅ 𝑥) ≤ 𝑛
2 ∑𝑖=1 𝐶𝑖
𝐻 (𝑅 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
𝑝̅𝑖
̅ 𝑥2 ) ≤
(𝑚 𝑛
2 ∑𝑖=1 𝐶𝑖
𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
∑𝑛𝑖=1
√ 𝑝̅𝑖
(𝑚
̅𝑥) ≤ (4.10)
dan
∑𝑛𝑖=1
𝑝̅𝑖
(𝑚
̅ 𝑥−1 𝑚 ̅ 𝑥) ≥ 𝑛
2 ∑𝑖=1 𝐶𝑖
𝐻 (𝑅 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
𝑝̅𝑖
̅ 𝑥2 ) ≥
(𝑚 𝑛
2 ∑𝑖=1 𝐶𝑖
∑𝑛𝑖=1
√ 𝑝̅𝑖
(𝑚
̅𝑥) ≥ (4.11)
Karena hasil substitusi dari persamaan (4.8) ke persamaan (4.9)
berupa:
44
̅̅́̅̅𝑖 −𝑟𝑖 )
𝐻𝑖 (𝑅𝑖 +𝑋)(𝑝 ̅ 𝑖 −𝑟𝑖 )
𝐻𝑖 (𝑅𝑖 +𝑋)(𝑝
∑𝑛
𝑖=1 ∑𝑛
𝑖=1
̅𝑥) ≤ √ ̅𝑥) ≥ √
𝑝𝑖 𝑝𝑖
(𝑚 dan (𝑚 , siklus
2 ∑𝑛
𝑖=1 𝐶𝑖 2 ∑𝑛
𝑖=1 𝐶𝑖
produksi optimal 𝑚
̅ untuk model persediaan Economic Production
Quantity untuk barang yang menyusut dapat dirumuskan menjadi:
∑𝑛𝑖=1
√ 𝑝̅𝑖
𝑚
̅= (4.12)
Dari nilai siklus yang optimal 𝑚 ̅, dapat dicari volume produksi
𝑄 yang dinyatakan sebagai berikut:
(𝑅 +𝑋)
𝑄𝑖 = 𝑖𝑚 ̅
(4.13)
4.4.1 Total Biaya Persediaan Minimum
Total biaya persediaan minimum per tahun untuk model
persediaan Economic Production Quantity untuk barang/bahan yang
menyusut adalah dengan mensubstitusikan persamaan (4.12) ke
persamaan (4.5) sebagai berikut:
̅ 𝑖 −𝑟𝑖 )
𝐻𝑖 (𝑅𝑖 +𝑋)(𝑝
∑𝑛
𝑖=1
+ 𝑋) + √
̅𝑖
𝑝
̅) =
𝑇𝐶(𝑚 ∑𝑛𝑖=1 𝑃𝑖 (𝑅𝑖 ∑𝑛𝑖=1 𝐶𝑖 +
2 ∑𝑛
𝑖=1 𝐶𝑖
1 𝐻𝑖 (𝑅𝑖 +𝑋)(𝑝̅𝑖 −𝑟𝑖 )
∑𝑛𝑖=1 (4.14)
𝐻𝑖 (𝑅𝑖 +𝑋)(𝑝̅ 𝑖 −𝑟𝑖 )
𝑝̅𝑖
∑𝑛
𝑖=1 ̅𝑖
𝑝
2√
4.5 Simulasi Numerik untuk Produksi Terak Semen PPC,

OPC, dan White Cement
Setelah diketahui jumlah total produksi terak semen, maka
dapat dicari total cost dengan menggunakan Economic Production
Quantity dan dengan menggunakan data produksi dari PT Semen
Gresik [11], data dapat dilihat pada Lampiran A. Simulasi numerik
dapat dilihat pada Tabel 4.7.
45
Tabel 4.7 Simulasi Numerik

Biaya Rata-rata
Rata-rata Biaya Biaya Set Perminta
Permintaan Produksi
Produksi Simpan Up an
Produksi Tahunan per Ton
Harian per Ton (𝑪𝒊 ) (ri)
(𝒊) (ton/thn) (𝑷𝒊 )
(𝒑̅𝒊 ) (𝑯𝒊 ) (Rupiah) (ton)
(𝑹𝒊 ) (Rupiah)
(ton) (Rupiah)
PPC 6.785.703 588.062 28.000 74.720 91.279 18.591

OPC 2.423.466 210.022 10.000 26.686 32.599 6.640
White
484.693 42.004 2.000 5.337 6.519 1.328
Cement
∑𝑛𝑖=1
𝑝̅𝑖
̅ =√
𝑚
𝑚
̅
507.025.005.978(9.409) 64.671.561.460(3.360) 2.586.860.751(672)
( )+( )+( )
√ 28.000 10.000 2.000
=
2(91.279 + 32.599 + 5.337)
𝑚
̅ = 860,2
𝑚
̅ ≈ 860
Sehingga, dapat dicari total cost dengan Economic Production
Quantity tanpa penyusutan, seperti persamaan (4.2) yaitu:
𝑛 𝑛 𝑛
𝑇𝐶 = ∑ 𝑃𝑖 𝑅𝑖 + 𝑚 ̅ ∑ 𝐶𝑖 + ∑
2𝑚̅ 𝑝̅𝑖
𝑖=1 𝑖=1 𝑖=1
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 ) 𝑛
𝑛 ∑𝑛𝑖=1
𝑝̅𝑖
̅ ) = ∑ 𝑃𝑖 𝑅𝑖 + √
𝑇𝐶(𝑚 𝑛 ∑ 𝐶𝑖
2 ∑𝑖=1 𝐶𝑖
𝑖=1 𝑖=1
𝑛
+ ∑
𝑝̅𝑖
∑𝑛𝑖=1
√ 𝑝̅𝑖
2
46
𝑇𝐶 = [(588.062 × 6.785.703) + (210.022 × 2.423.466)

+ (42.004 × 484.693)]
+ 860[91.279 + 32.599 + 5.337]
1 507.025.005.978(9.409)
+ [( )
2(860) 28.000
64.671.561.460(3.360) 2.586.860.751(672)
+( )+( )]
10.000 2.000
𝑇𝐶 = 4.519.976.784.730
Dan dapat pula diketahui volume produksi dengan persamaan (2.6),
yaitu:
𝑅𝑖
𝑄𝑖 =
𝑚
̅
6.785.703
𝑄𝑃𝑃𝐶 = = 7.888
860
2.423.466
𝑄𝑂𝑃𝐶 = = 2.817
860
484.693
𝑄𝑊𝐶 = = 564
860
Selanjutnya, dicari total cost pada Economic Production Quantity
dengan mempertimbangkan penyusutan yang terjadi pada produksi
semen, yaitu penyusutan sebesar 5%. Dapat dilihat pada Tabel 4.8.
Tabel 4.8 Jumlah Barang yang Dibutuhkan dalam 1 Tahun untuk
Persediaan yang Menyusut
Jumlah Barang yang
Permintaan
Dibutuhkan dalam 1
Terak per Penyusutan
Produksi Tahun untuk Persediaan
Ton 5%
(𝒊) yang Menyusut
(𝑹𝒊 ) (𝑋)
(𝑹𝒊 + 𝑋)
PPC 6.785.703 339.285 7.124.988

OPC 2.423.466 121.173 2.544.639
White
484.693 24.235 508.927
Cement
47
Mencari siklus optimal sesuai dengan persamaan (4.12), selanjutnya

mencari total cost dengan persamaan (4.14), yaitu:
∑𝑛𝑖=1
√ 𝑝̅𝑖
𝑚
̅=
178.898.050.228 22.818.627.280 912.745.679
[ ]+[ ] + [ 2.000 ]
̅ =√
𝑚 28.000 10.000
2(130.398)
𝑚
̅ = 881,4
𝑚
̅ ≈ 881
Sehingga, siklus optimal Economic Production Quantity dengan
mempertimbangkan penyusutan didapatkan sebanyak 881 kali
proses produksi, dapat pula diketahui volume produksi/jumlah
produksi dengan persamaan (4.13), yaitu:
(𝑅𝑖 + 𝑋)
𝑄𝑖 =
𝑚
̅
7.124.988
𝑄𝑃𝑃𝐶 = = 8.083
881
2.544.639
𝑄𝑂𝑃𝐶 = = 2.886
881
508.927
𝑄𝑊𝐶 = = 577
881
Selanjutnya dicari total cost pada Economic Production Quantity
dengan mempertimbangkan penyusutan yang sesuai dengan
persamaan (4.14) dengan penyusutan yang terjadi sebesar 5%,
sehingga didapatkan total cost sebagai berikut:
48
𝑇𝐶
𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 ) 𝑛
𝑛 ∑𝑛𝑖=1
√ 𝑝̅𝑖
= ∑ 𝑃𝑖 (𝑅𝑖 + 𝑋) + ∑ 𝐶𝑖
𝑖=1 𝑖=1
𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
+ ∑
𝑝̅𝑖
𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 ) 𝑖=1
∑𝑛𝑖=1
√ 𝑝̅𝑖
2
𝑇𝐶 = 4.745.740.066.867 + [881 × 130398]
+ [0,00057 × 202.629.423.187]
𝑇𝐶 = 4.745.969.947.057
Total Cost untuk proses produksi selama satu tahun pada perusahaan
dapat diketahui dari 90% dari RKAP yang dikeluarkan oleh pihak
perusahaan, dapat dilihat pada Lampiran E. Sehingga total cost pada
perusahaan tahun 2017 adalah Rp 4.605.143.400.000.
4.6 Perbandingan Total Cost Perusahaan dengan Total Cost

Economic Production Quantity
Untuk perbandingan total cost yang dikeluarkan oleh perusahaan
dengan total cost dengan Economic Production Quantity dapat
dilihat pada Tabel 4.9. Sehingga dengan menggunakan Economic
Production Quantity tanpa mempertimbangkan penyusutan terjadi
penurunan total biaya sebesar 1,8%, dan kenaikan total biaya
sebesar 3,05% pada Economic Production Quantity dengan
mempertimbangkan penyusutan. Perbandingan total cost antara
Economic Production Quantity dengan penyusutan dan total cost
Economic Production Quantity tanpa penyusutan, adalah sebesar
4,9%.
49
Tabel 4.9 Perbandingan Total Cost Perusahaan dengan Total Cost

Economic Production Quantity Dengan Dan Tanpa Penyusutan
Total Cost
Total Cost Economic Economic
Total Cost
Production Quantity Production
Perusahaan
Tanpa Penyusutan Quantity dengan
(Rupiah)
(Rupiah) Penyusutan
(Rupiah)
4.605.143.400.000 4.519.976.784.730 4.745.969.947.057
50
51
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisis dan pembahasan yang telah
dilakukan dalam Tugas Akhir ini dapat diambil kesimpulan sebagai
berikut:
1. Volume produksi terak tanpa dipengaruh penyusutan untuk
semen PPC sebesar 8.083 ton, OPC sebesar 2.886 ton, dan
White Cement 577 ton per siklus di tahun 2017. Sedangkan
volume produksi terak yang dipengaruhi penyusutan untuk
semen PPC sebesar 7.888 ton, OPC sebesar 2.817 ton, dan
White Cement 564 ton per siklus di tahun 2017.
Dari volume produksi terak diatas terjadi peningkatan sebesar
2,4%, sehingga dalam perencanaan produksi di tahun 2018
dapat direncanakan dengan mempertimbangkan penyusutan
yang terjadi sebesar 5% pada produksi semen PPC, OPC, dan
White Cement.
2. Total Cost untuk produksi terak PPC, OPC, dan White Cement
pada PT Semen Gresik-Pabrik Tuban sebesar Rp
4.605.143.400.000, tanpa mempertimbangkan penyusutan total
Cost Economic Production Quantity mengalami penurunan
1,8% menjadi sebesar Rp 4.519.976.784.730 dan total cost
yang mempertimbangkan penyusutan mengalami kenaikan
3,05% menjadi sebesar Rp 4.745.969.947.057.
5.2 Saran
Untuk penelitian selanjutnya bisa dicari dengan menggunakan
distribusi yang berlaku untuk penyusutan dan bisa menggunakan
penyelesaian yang kontinu.
52
53
DAFTAR PUSTAKA
[1] Tersine, R, J. 1994. Principles of Inventory and Material
Management, 4th Edition. Pretice Hall International, Inc.
[2] Uthayakumar, R., Tharani, S. 2017. An Economic Production
Model For Deteriorating Items And Time Dependent Demand
With Rework And Multiple Production Setups. Journal Ind
Eng International, 13, 499-512.
[3] Liu, N. 2009. An Optimal Operating Policy For The
Production System With Rework. Journal of Computers &
Industrial Engineering, 56, 874-887.
[4] Chiu, S.W.,Tseng, C.T,. Wu, P. C. 2014. Multi-Item EPQ
Model with Scrap, Rework and Multi-Delivery using Common
Cycle Policy. Journal of Applied Research and Technology,
12, 615-622.
[5] Amutu, S.D. 2017. Perencanaan Produksi Menggunakan
Model Economic Production Quantity (EPQ). Institut
Teknologi Sepuluh September: Surabaya.
[6] Widyadana, G.A., Cardenas-Borron, L.E., Wee, H.M. 2011.
Economic order quantity model for deteriorating items and
planned backorder level. Journal of Mathematical and
Computer Modelling, 54, 1569-1575.
[7] Wee, H.M., Widyadana, G.A. 2012. An Economic Production
Quantity Model For Deteriorating Items With Multiple
Production Setups And Rework. International Journal of
Production Economics, 138, 62-67.
[8] Goyal, S. K., Giri ,B. C. 2001. Recent trends in modeling of
deteriorated inventory. European Journal of Operational
Research, 134, 1- 16.
[9] Wei, W.S. 2006. Time Series Analysis Univariate dan
Multivariate Methods. Pearson Education Inc.: Amerika.
54
[10] Arsip Sejarah. 2012. Semen Indonesia (Persero) Tbk..

SINERGI.
[11] Arsip Data Produksi. 2016. Semen Indonesia (Persero) Tbk.
SINERGI.
55
LAMPIRAN
LAMPIRAN A
Data Produksi Semen Januari 2011-Desember 2016
Jumlah Jumlah
Bulan Bulan
Produksi Produksi
Produksi Produksi
(ton) (ton)
Jan-11 695914 Sep-12 987732
Feb-11 650007 Okt- 12 944344
Mar-11 665031 Nov-12 991667
Apr-11 706787 Des-12 1059018
Mei-11 778269 Jan-13 974145
Jun-11 764947 Feb-13 918386
Jul-11 771642 Mar-13 1011924
Agts-11 801474 Apr-13 835270
Sep-11 696062 Mei-13 914357
Okt- 11 850058 Jun-13 974911
Nov-11 813715 Jul-13 1011312
Des-11 791543 Agts-13 786946
Jan-12 757164 Sep-13 1122060
Feb-12 722825 Okt- 13 1181439
Mar-12 789506 Nov-13 1117716
Apr-12 793116 Des-13 1136812
Mei-12 950578 Jan-14 1039515
Jun-12 795136 Feb-14 942171
Jul-12 1057776 Mar-14 1134058
Agts-12 906062 Apr-14 971469
56
LAMPIRAN A (LANJUTAN)
Jumlah Jumlah
Bulan Bulan
Produksi Produksi
Produksi Produksi
(ton) (ton)
Mei-14 1104190 Jan-16 1007747
Jun-14 1126186 Feb-16 935388
Jul-14 943505 Mar-16 935088
Agts-14 860233 Apr-16 893306
Sep-14 994090 Mei-16 1153712
Okt- 14 1181645 Jun-16 1061704
Nov-14 1156466 Jul-16 779662
Des-14 1135037 Agts-16 1212660
Jan-15 1084166 Sep-16 1148884
Feb-15 945609 Okt- 16 1276016
Mar-15 946112 Nov-16 1125440
Apr-15 862892 Des-16 966372
Mei-15 971591
Jun-15 1048273
Jul-15 700652
Agts-15 1049367
Sep-15 1211937
Okt- 15 1186729
Nov-15 1246539
Des-15 1172868
57
LAMPIRAN B
Proses Produksi Semen
Limestone
Bahan Baku crusher
Finish
Tanah Liat Clay Kiln Mill
Raw
Cutter
Mill
Pasir
Silika
Packer
Pasir Besi
Batu Bara Coal Mill
IDO
Gypsum
Trass
Zak
58
59
LAMPIRAN C
Estimasi Parameter Data Uji Signifikasi Parameter Model
dengan software SAS
ARIMA (1,1,1)
The ARIMA Procedure
Name of Variable = y
Period(s) of Differencing 1
Mean of Working Series 4.21661
Standard Deviation 66.15005
Number of Observations 59
Observation(s) eliminated by differencing 1
Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
Std Error
0 4375.830 1.00000 | |********************|

0
1 -1791.961 -.40951 | ********| . |
0.130189
2 -160.350 -.03664 | . *| . |
0.150446
3 193.080 0.04412 | . |* . |
0.150597
4 -383.388 -.08761 | . **| . |
0.150816
5 -92.501384 -.02114 | . | . |
0.151676
6 350.465 0.08009 | . |** . |
0.151726
7 -236.356 -.05401 | . *| . |
0.152441
8 55.470846 0.01268 | . | . |
0.152765
9 -447.123 -.10218 | . **| . |
0.152783
10 -113.191 -.02587 | . *| . |
0.153937
11 23.291820 0.00532 | . | . |
0.154010
12 1375.778 0.31440 | . |****** |
0.154014
13 -1053.205 -.24069 | . *****| . |
0.164533
14 133.978 0.03062 | . |* . |
0.170396
"." marks two standard errors

60
LAMPIRAN C (LANJUTAN)
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** |
2 0.52430 | . |********** |
3 0.44453 | . |********* |
4 0.44378 | . |********* |
5 0.39047 | . |******** |
6 0.31618 | . |****** |
7 0.27864 | . |****** |
8 0.26093 | . |***** |
9 0.24910 | . |***** |
10 0.13602 | . |*** . |
11 0.01307 | . | . |
12 -0.05625 | . *| . |
13 0.03631 | . |* . |
14 0.02594 | . |* . |
The ARIMA Procedure
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . |
2 -0.24552 | *****| . |
3 -0.09603 | . **| . |
4 -0.14735 | . ***| . |
5 -0.15957 | . ***| . |
6 -0.03776 | . *| . |
7 -0.06454 | . *| . |
8 -0.04940 | . *| . |
9 -0.18993 | .****| . |
10 -0.23432 | *****| . |
11 -0.24960 | *****| . |
12 0.22395 | . |****. |
13 -0.00771 | . | . |
14 -0.06220 | . *| . |
Autocorrelation Check for White Noise
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021

0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005
0.314
Maximum Likelihood Estimation

Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
MA1,1 0.74225 0.15669 4.74 <.0001 1
AR1,1 0.20173 0.21414 0.94 0.3462 1
61
Variance Estimate 3462.197
Std Error Estimate 58.84043
AIC 650.7476
SBC 654.9027
Number of Residuals 59
Correlations of Parameter
Estimates
Parameter MA1,1 AR1,1
MA1,1 1.000 0.795

AR1,1 0.795 1.000
The ARIMA Procedure
Autocorrelation Check of Residuals
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations-----------
---------
6 1.06 4 0.9013 -0.019 0.042 0.043 -0.088 -0.056

0.037
12 12.94 10 0.2268 -0.068 -0.046 -0.104 0.006 0.131
0.349
18 14.73 16 0.5446 -0.068 0.066 0.081 -0.055 0.047
0.033
24 26.72 22 0.2219 -0.108 0.018 -0.164 -0.031 0.280
0.065
Model for variable y

No mean term in this model.
Autoregressive Factors
Factor 1: 1 - 0.20173 B**(1)
Moving Average Factors
Factor 1: 1 - 0.74225 B**(1)
Forecasts for variable y

Obs Forecast Std Error 95% Confidence Limits
61 1065.5606 58.8404 950.2355 1180.8857
62 1062.0446 64.7545 935.1282 1188.9611
63 1061.3354 67.9584 928.1394 1194.5313
64 1061.1923 70.6529 922.7151 1199.6694
65 1061.1634 73.1799 917.7334 1204.5935
66 1061.1576 75.6093 912.9660 1209.3492
67 1061.1564 77.9605 908.3567 1213.9561
68 1061.1562 80.2422 903.8843 1218.4280
69 1061.1561 82.4608 899.5360 1222.7763
70 1061.1561 84.6211 895.3017 1227.0105
71 1061.1561 86.7277 891.1729 1231.1393
72 1061.1561 88.7843 887.1420 1235.1702
The UNIVARIATE Procedure

Variable: RESIDUAL (Residual: Actual-Forecast)
Moments
62
N 59 Sum Weights 59
Mean 12.056059 Sum Observations 711.307479
Std Deviation 57.0993042 Variance 3260.33054
Skewness -0.4306948 Kurtosis 0.77533768
Uncorrected SS 197674.736 Corrected SS 189099.171
Coeff Variation 473.615004 Std Error Mean 7.43369623
Basic Statistical Measures
Location Variability
Mean 12.05606 Std Deviation 57.09930

Median 20.43916 Variance 3260
Mode . Range 297.45254
Interquartile Range 69.32982
Tests for Location: Mu0=0
Test -Statistic- -----p Value------

Student's t t 1.621812 Pr > |t| 0.1103
Sign M 8.5 Pr >= |M| 0.0363
Signed Rank S 245 Pr >= |S| 0.0639
Tests for Normality
Test --Statistic--- -----p Value------
Shapiro-Wilk W 0.978351 Pr < W 0.3739

Kolmogorov-Smirnov D 0.083726 Pr > D >0.1500
Cramer-von Mises W-Sq 0.081442 Pr > W-Sq 0.2022
Anderson-Darling A-Sq 0.422416 Pr > A-Sq >0.2500
Quantiles (Definition 5)
Quantile Estimate
100% Max 129.7247

99% 129.7247
95% 113.3144
90% 91.1308
75% Q3 42.5787
50% Median 20.4392
25% Q1 -26.7511
10% -70.5479
5% -78.0827
1% -167.7278
0% Min -167.7278

Extreme Observations
------Lowest------ ------Highest-----
Value Obs Value Obs

-167.7278 55 91.8427 17
-99.2703 32 100.5273 56
-78.0827 44 113.3144 57
-76.7157 28 122.3997 33
63
-71.3906 52 129.7247 19
Missing Values
-----Percent Of-----
Missing Missing
Value Count All Obs Obs
. 13 18.06 100.00
ARIMA(1,1,[12])
The ARIMA Procedure
Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std

Error
0 4375.830 1.00000 | |********************|

0
1 -1791.961 -.40951 | ********| . |
0.130189
2 -160.350 -.03664 | . *| . |
0.150446
3 193.080 0.04412 | . |* . |
0.150597
4 -383.388 -.08761 | . **| . |
0.150816
5 -92.501384 -.02114 | . | . |
0.151676
6 350.465 0.08009 | . |** . |
0.151726
7 -236.356 -.05401 | . *| . |
0.152441
8 55.470846 0.01268 | . | . |
0.152765
9 -447.123 -.10218 | . **| . |
0.152783
10 -113.191 -.02587 | . *| . |
0.153937
11 23.291820 0.00532 | . | . |
0.154010
12 1375.778 0.31440 | . |****** |
0.154014
13 -1053.205 -.24069 | . *****| . |
0.164533
14 133.978 0.03062 | . |* . |
0.170396
"." marks two standard error

64
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** |
2 0.52430 | . |********** |
3 0.44453 | . |********* |
4 0.44378 | . |********* |
5 0.39047 | . |******** |
6 0.31618 | . |****** |
7 0.27864 | . |****** |
8 0.26093 | . |***** |
9 0.24910 | . |***** |
10 0.13602 | . |*** . |
11 0.01307 | . | . |
12 -0.05625 | . *| . |
13 0.03631 | . |* . |
14 0.02594 | . |* . |
The ARIMA Procedure
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . |
2 -0.24552 | *****| . |
3 -0.09603 | . **| . |
4 -0.14735 | . ***| . |
5 -0.15957 | . ***| . |
6 -0.03776 | . *| . |
7 -0.06454 | . *| . |
8 -0.04940 | . *| . |
9 -0.18993 | .****| . |
10 -0.23432 | *****| . |
11 -0.24960 | *****| . |
12 0.22395 | . |****. |
13 -0.00771 | . | . |
14 -0.06220 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations----
----------------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021

0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005
0.314
Standard Approx
MA1,1 -0.46471 0.18153 -2.56 0.0105 12
AR1,1 -0.38564 0.12016 -3.21 0.0013 1

AIC 646.5146
SBC 650.6697
65
Estimates
Parameter MA1,1 AR1,1

MA1,1 1.000 -0.120
AR1,1 -0.120 1.000
The ARIMA Procedure

To Chi- Pr >
-----------
6 4.27 4 0.3705 -0.093 -0.215 0.007 -0.078 -0.078

0.018
12 5.43 10 0.8607 0.027 -0.041 -0.042 -0.015 0.049
0.094
18 6.97 16 0.9739 -0.084 -0.005 0.097 -0.032 0.037
-0.013
24 25.23 22 0.2860 -0.068 0.064 -0.238 -0.016 0.344
0.045

Factor 1: 1 + 0.38564 B**(1)
Factor 1: 1 + 0.46471 B**(12)

61 1090.3620 55.5482 981.4896 1199.2344
62 1061.9666 65.1938 934.1890 1189.7442
63 1046.7041 77.7621 894.2931 1199.1151
64 1033.9853 87.0847 863.3025 1204.6682
65 1047.7261 96.0123 859.5454 1235.9068
66 1069.7775 103.9947 865.9516 1273.6034
67 998.2065 111.4723 779.7247 1216.6882
68 1086.5843 118.4551 854.4166 1318.7519
69 1121.3365 125.0572 876.2289 1366.4441
70 1101.8189 131.3246 844.4273 1359.2104
71 1112.5553 137.3075 843.4376 1381.6730
72 1098.3802 143.0399 818.0273 1378.7332

Moments
N 59 Sum Weights 59
Skewness 0.37821925 Kurtosis 0.45052688
66

Median -1.53036 Variance 3079

Student's t t 0.601506 Pr > |t| 0.5498
Sign M -0.5 Pr >= |M| 1.0000
Tests for Normality

Anderson-Darling A-Sq 0.569382 Pr > A-Sq 0.1386
Quantile Estimate
100% Max 148.17574
99% 148.17574
95% 111.56145
90% 71.61124
75% Q3 33.99342
50% Median -1.53036
25% Q1 -30.48716
10% -55.01908
5% -78.29383
1% -135.76202
0% Min -135.76202

------Lowest------ -----Highest-----
Value Obs Value Obs
-135.7620 55 104.327 19
-97.6844 32 107.715 34
-78.2938 43 111.561 33
-76.2488 28 130.833 56
-56.4272 51 148.176 57
Missing Values
Missing Missing
67
. 13 18.06 100.00
ARIMA(1,1,0)
The SAS System 14:25 Thursday, April 29, 2018 1
The ARIMA Procedure
Autocorrelations

Std Error
0 4375.830 1.00000 | |********************|

0
1 -1791.961 -.40951 | ********| . |
0.130189
2 -160.350 -.03664 | . *| . |
0.150446
3 193.080 0.04412 | . |* . |
0.150597
4 -383.388 -.08761 | . **| . |
0.150816
5 -92.501384 -.02114 | . | . |
0.151676
6 350.465 0.08009 | . |** . |
0.151726
7 -236.356 -.05401 | . *| . |
0.152441
8 55.470846 0.01268 | . | . |
0.152765
9 -447.123 -.10218 | . **| . |
0.152783
10 -113.191 -.02587 | . *| . |
0.153937
11 23.291820 0.00532 | . | . |
0.154010
12 1375.778 0.31440 | . |****** |
0.154014
13 -1053.205 -.24069 | . *****| . |
0.164533
14 133.978 0.03062 | . |* . |
0.170396

68
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** |
2 0.52430 | . |********** |
3 0.44453 | . |********* |
4 0.44378 | . |********* |
5 0.39047 | . |******** |
6 0.31618 | . |****** |
7 0.27864 | . |****** |
8 0.26093 | . |***** |
9 0.24910 | . |***** |
10 0.13602 | . |*** . |
11 0.01307 | . | . |
12 -0.05625 | . *| . |
13 0.03631 | . |* . |
14 0.02594 | . |* . |
The ARIMA Procedure
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . |
2 -0.24552 | *****| . |
3 -0.09603 | . **| . |
4 -0.14735 | . ***| . |
5 -0.15957 | . ***| . |
6 -0.03776 | . *| . |
7 -0.06454 | . *| . |
8 -0.04940 | . *| . |
9 -0.18993 | .****| . |
10 -0.23432 | *****| . |
11 -0.24960 | *****| . |
12 0.22395 | . |****. |
13 -0.00771 | . | . |
14 -0.06220 | . *| . |
To Chi- Pr >
-----------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021

0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005
0.314

Standard Approx
AR1,1 -0.39896 0.12016 -3.32 0.0009 1

AIC 653.9716
69
SBC 656.0491
To Chi- Pr >
-----------
6 4.38 5 0.4961 -0.098 -0.211 0.013 -0.095 -0.024

0.069
12 16.49 11 0.1240 -0.022 -0.049 -0.146 -0.079 0.147
0.329
18 19.87 17 0.2807 -0.159 -0.025 0.084 -0.076 0.047
0.037
24 36.13 23 0.0401 -0.081 0.022 -0.228 -0.049 0.322
0.033

The ARIMA Procedure
Factor 1: 1 + 0.39896 B**(1)

61 1096.3550 61.1495 976.5042 1216.2059
62 1091.0230 71.3448 951.1896 1230.8563
63 1093.1502 85.1533 926.2529 1260.0476
64 1092.3016 95.2162 905.6811 1278.9220
65 1092.6401 104.9552 886.9318 1298.3485
66 1092.5051 113.6259 869.8024 1315.2077
67 1092.5590 121.7688 853.8966 1331.2213
68 1092.5375 129.3670 838.9828 1346.0921
69 1092.5460 136.5556 824.9020 1360.1901
70 1092.5426 143.3795 811.5240 1373.5612
71 1092.5440 149.8948 798.7555 1386.3325
72 1092.5434 156.1379 786.5188 1398.5680

Moments
N 59 Sum Weights 59

70

Student's t t 0.773157 Pr > |t| 0.4426
Sign M 2.5 Pr >= |M| 0.6029
Tests for Normality

Cramer-von Mises W-Sq 0.03653 Pr > W-Sq >0.2500
Quantile Estimate
100% Max 151.23054
99% 151.23054
95% 117.73744
90% 96.35837
75% Q3 39.31166
50% Median 8.96271
25% Q1 -28.14356
10% -73.01168
5% -85.72287
1% -171.57581
0% Min -171.57581

------Lowest------ -----Highest-----
Value Obs Value Obs
-171.5758 55 103.555 19
-111.2551 32 112.815 56
-85.7229 43 117.737 46
-79.7082 44 124.878 33
-78.4448 50 151.231 57
Missing Values
Missing Missing
. 13 18.06 100.00
71
ARIMA (0,1,[1,12])
The ARIMA Procedure
Autocorrelations

Std Error
0 4375.830 1.00000 | |********************|

0
1 -1791.961 -.40951 | ********| . |
0.130189
2 -160.350 -.03664 | . *| . |
0.150446
3 193.080 0.04412 | . |* . |
0.150597
4 -383.388 -.08761 | . **| . |
0.150816
5 -92.501384 -.02114 | . | . |
0.151676
6 350.465 0.08009 | . |** . |
0.151726
7 -236.356 -.05401 | . *| . |
0.152441
8 55.470846 0.01268 | . | . |
0.152765
9 -447.123 -.10218 | . **| . |
0.152783
10 -113.191 -.02587 | . *| . |
0.153937
11 23.291820 0.00532 | . | . |
0.154010
12 1375.778 0.31440 | . |****** |
0.154014
13 -1053.205 -.24069 | . *****| . |
0.164533
14 133.978 0.03062 | . |* . |
0.170396

72
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** |
2 0.52430 | . |********** |
3 0.44453 | . |********* |
4 0.44378 | . |********* |
5 0.39047 | . |******** |
6 0.31618 | . |****** |
7 0.27864 | . |****** |
8 0.26093 | . |***** |
9 0.24910 | . |***** |
10 0.13602 | . |*** . |
11 0.01307 | . | . |
12 -0.05625 | . *| . |
13 0.03631 | . |* . |
14 0.02594 | . |* . |
The ARIMA Procedure
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . |
2 -0.24552 | *****| . |
3 -0.09603 | . **| . |
4 -0.14735 | . ***| . |
5 -0.15957 | . ***| . |
6 -0.03776 | . *| . |
7 -0.06454 | . *| . |
8 -0.04940 | . *| . |
9 -0.18993 | .****| . |
10 -0.23432 | *****| . |
11 -0.24960 | *****| . |
12 0.22395 | . |****. |
13 -0.00771 | . | . |
14 -0.06220 | . *| . |
To Chi- Pr >
-----------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021

0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005
0.314
ARIMA Estimation Optimization Summary
Estimation Method Maximum Likelihood

Parameters Estimated 2
Termination Criteria Maximum Relative Change in Estimates
Iteration Stopping Value 0.001
Criteria Value 0.256369
Maximum Absolute Value of Gradient 11105.41
R-Square Change from Last Iteration 0.089179
73
Objective Function Log Gaussian Likelihood
Objective Function Value -320.028
Marquardt's Lambda Coefficient 0.00001
Numerical Derivative Perturbation Delta 0.001
Iterations 11
Warning Message Estimates may not have converged.
The ARIMA Procedure
Standard Approx
MA1,1 0.53862 0.19703 2.73 0.0063 1
MA1,2 -0.49369 0.21240 -2.32 0.0201 12

AIC 644.0564
SBC 648.2115
Estimates
Parameter MA1,1 MA1,2

MA1,1 1.000 -0.563
MA1,2 -0.563 1.000
To Chi- Pr >
-----------
6 1.72 4 0.7865 -0.057 -0.087 -0.030 -0.100 -0.070

0.004
12 4.73 10 0.9083 -0.025 -0.037 -0.068 -0.047 0.083
0.156
18 8.13 16 0.9450 -0.161 -0.019 0.114 -0.000 0.055
0.009
24 22.80 22 0.4132 -0.113 0.023 -0.192 -0.004 0.313
0.041


Factor 1: 1 - 0.53862 B**(1) + 0.49369 B**(12)
74
61 1091.5470 52.8749 987.9141 1195.1799
62 1074.3277 58.2314 960.1963 1188.4591
63 1054.8648 63.1350 931.1225 1178.6072
64 1027.5439 67.6843 894.8851 1160.2027
65 1023.9689 71.9465 882.9562 1164.9815
66 1034.0626 75.9700 885.1641 1182.9611
67 963.9157 79.7908 807.5285 1120.3029
68 1024.5691 83.4369 861.0358 1188.1025
69 1091.3020 86.9302 920.9220 1261.6820
70 1107.2688 90.2884 930.3068 1284.2307
71 1125.3068 93.5261 941.9990 1308.6145
72 1117.9164 96.6554 928.4753 1307.3575

Moments
N 59 Sum Weights 59


Student's t t 0.756147 Pr > |t| 0.4526
Sign M 0.5 Pr >= |M| 1.0000
Tests for Normality

Quantile Estimate
100% Max 141.08643
99% 141.08643
95% 107.44836
90% 71.66655
75% Q3 37.23003
50% Median 7.21491
25% Q1 -27.98000
10% -56.62874
5% -82.43067
1% -138.11666
75
0% Min -138.11666
------Lowest------ ------Highest-----
Value Obs Value Obs
-138.1167 55 89.5395 34
-104.5541 32 99.7233 33
-82.4307 28 107.4484 19
-75.2331 43 132.3960 56
-62.6545 38 141.0864 57
Missing Values
Missing Missing
. 13 18.06 100.00
ARIMA (0,1,1)
The ARIMA Procedure
Autocorrelations

Std Error
0 4375.830 1.00000 | |********************|

0
1 -1791.961 -.40951 | ********| . |
0.130189
2 -160.350 -.03664 | . *| . |
0.150446
3 193.080 0.04412 | . |* . |
0.150597
4 -383.388 -.08761 | . **| . |
0.150816
5 -92.501384 -.02114 | . | . |
0.151676
6 350.465 0.08009 | . |** . |
0.151726
7 -236.356 -.05401 | . *| . |
0.152441
8 55.470846 0.01268 | . | . |
76
0.152765
9 -447.123 -.10218 | . **| . |
0.152783
10 -113.191 -.02587 | . *| . |
0.153937
11 23.291820 0.00532 | . | . |
0.154010
12 1375.778 0.31440 | . |****** |
0.154014
13 -1053.205 -.24069 | . *****| . |
0.164533
14 133.978 0.03062 | . |* . |
0.170396
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** |
2 0.52430 | . |********** |
3 0.44453 | . |********* |
4 0.44378 | . |********* |
5 0.39047 | . |******** |
6 0.31618 | . |****** |
7 0.27864 | . |****** |
8 0.26093 | . |***** |
9 0.24910 | . |***** |
10 0.13602 | . |*** . |
11 0.01307 | . | . |
12 -0.05625 | . *| . |
13 0.03631 | . |* . |
14 0.02594 | . |* . |
The ARIMA Procedure
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . |
2 -0.24552 | *****| . |
3 -0.09603 | . **| . |
4 -0.14735 | . ***| . |
5 -0.15957 | . ***| . |
6 -0.03776 | . *| . |
7 -0.06454 | . *| . |
8 -0.04940 | . *| . |
9 -0.18993 | .****| . |
10 -0.23432 | *****| . |
11 -0.24960 | *****| . |
12 0.22395 | . |****. |
13 -0.00771 | . | . |
14 -0.06220 | . *| . |
To Chi- Pr >
-----------
77
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021
0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005
0.314
Standard Approx
MA1,1 0.58155 0.10978 5.30 <.0001 1

AIC 649.3709
SBC 651.4485
To Chi- Pr >
-----------
6 1.27 5 0.9376 0.036 -0.020 -0.011 -0.115 -0.063

0.021
12 14.48 11 0.2075 -0.076 -0.079 -0.139 -0.018 0.151
0.347
18 15.65 17 0.5491 -0.060 0.038 0.068 -0.053 0.038
0.017
24 29.54 23 0.1631 -0.117 -0.023 -0.194 -0.030 0.288
0.080
The ARIMA Procedure
Factor 1: 1 - 0.58155 B**(1)

61 1080.5078 58.6921 965.4735 1195.5422
62 1080.5078 63.6234 955.8083 1205.2073
63 1080.5078 68.1990 946.8402 1214.1755
64 1080.5078 72.4864 938.4371 1222.5786
65 1080.5078 76.5340 930.5039 1230.5117
66 1080.5078 80.3780 922.9698 1238.0459
67 1080.5078 84.0464 915.7799 1245.2358
68 1080.5078 87.5613 908.8909 1252.1247
69 1080.5078 90.9404 902.2680 1258.7476
70 1080.5078 94.1983 895.8825 1265.1331
71 1080.5078 97.3473 889.7106 1271.3050
72 1080.5078 100.3976 883.7322 1277.2834
78
Moments
N 59 Sum Weights 59

Student's t t 1.344113 Pr > |t| 0.1841

Sign M 5.5 Pr >= |M| 0.1925
Tests for Normality

Quantile Estimate
100% Max 131.6296
99% 131.6296
95% 115.2596
90% 94.6994
75% Q3 47.2335
50% Median 17.7696
25% Q1 -29.6680
10% -71.1162
5% -85.2078
1% -159.1010
0% Min -159.1010

------Lowest------ ------Highest-----
Value Obs Value Obs

79
-159.1010 55 94.8145 56
-97.8596 32 101.6195 46
-85.2078 44 115.2596 33
-76.9059 50 119.5265 19
-76.8905 28 131.6296 57
Missing Values
Missing Missing
. 13 18.06 100.00
ARIMA(0,1,[12])
The ARIMA Procedure
Autocorrelations

Std Error
0 4375.830 1.00000 | |********************|

0
1 -1791.961 -.40951 | ********| . |
0.130189
2 -160.350 -.03664 | . *| . |
0.150446
3 193.080 0.04412 | . |* . |
0.150597
4 -383.388 -.08761 | . **| . |
0.150816
5 -92.501384 -.02114 | . | . |
0.151676
6 350.465 0.08009 | . |** . |
0.151726
7 -236.356 -.05401 | . *| . |
0.152441
8 55.470846 0.01268 | . | . |
0.152765
9 -447.123 -.10218 | . **| . |
0.152783
10 -113.191 -.02587 | . *| . |
0.153937
11 23.291820 0.00532 | . | . |
0.154010
12 1375.778 0.31440 | . |****** |
0.154014
80
13 -1053.205 -.24069 | . *****| . |
0.164533
14 133.978 0.03062 | . |* . |
0.170396
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** |
2 0.52430 | . |********** |
3 0.44453 | . |********* |
4 0.44378 | . |********* |
5 0.39047 | . |******** |
6 0.31618 | . |****** |
7 0.27864 | . |****** |
8 0.26093 | . |***** |
9 0.24910 | . |***** |
10 0.13602 | . |*** . |
11 0.01307 | . | . |
12 -0.05625 | . *| . |
13 0.03631 | . |* . |
14 0.02594 | . |* . |
The ARIMA Procedure
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . |
2 -0.24552 | *****| . |
3 -0.09603 | . **| . |
4 -0.14735 | . ***| . |
5 -0.15957 | . ***| . |
6 -0.03776 | . *| . |
7 -0.06454 | . *| . |
8 -0.04940 | . *| . |
9 -0.18993 | .****| . |
10 -0.23432 | *****| . |
11 -0.24960 | *****| . |
12 0.22395 | . |****. |
13 -0.00771 | . | . |
14 -0.06220 | . *| . |
To Chi- Pr >
-----------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021

0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005
0.314
81
Standard Approx
MA1,1 -0.50854 0.18140 -2.80 0.0051 12

AIC 654.0425
SBC 656.12
To Chi- Pr >
-----------
6 10.00 5 0.0754 -0.386 -0.042 0.038 -0.058 -0.060

0.031
12 10.54 11 0.4822 0.019 -0.034 -0.009 -0.002 0.007
0.075
18 12.27 17 0.7835 -0.078 -0.008 0.091 -0.066 0.048
0.012
24 27.49 23 0.2359 -0.108 0.160 -0.220 -0.030 0.267
-0.003
The ARIMA Procedure
Factor 1: 1 + 0.50854 B**(12)

61 1078.4139 59.4420 961.9098 1194.9180
62 1052.8838 84.0636 888.1221 1217.6454
63 1032.7343 102.9565 830.9433 1234.5253
64 1019.5340 118.8839 786.5258 1252.5422
65 1032.8399 132.9162 772.3289 1293.3510
66 1058.5811 145.6025 773.2056 1343.9567
67 980.7332 157.2686 672.4924 1288.9741
68 1077.0956 168.1272 747.5723 1406.6189
69 1116.1487 178.3259 766.6364 1465.6609
70 1094.2925 187.9720 725.8742 1462.7108
71 1105.2237 197.1467 718.8234 1491.6241
72 1089.5536 205.9130 685.9716 1493.1356

Moments
N 59 Sum Weights 59
82


Student's t t 0.374479 Pr > |t| 0.7094
Sign M -3.5 Pr >= |M| 0.4350
Tests for Normality

Anderson-Darling A-Sq 0.498321 Pr > A-Sq 0.2116
Quantile Estimate
100% Max 189.6522
99% 189.6522
95% 135.2365
90% 76.8609
75% Q3 38.2681
50% Median -7.5900
25% Q1 -35.0802
10% -66.2652
5% -83.4061
1% -153.2136
0% Min -153.2136

------Lowest------ ------Highest-----
Value Obs Value Obs
-153.2136 55 78.7544 39
-88.0697 28 87.6900 10
-83.4061 20 135.2365 19
-80.2133 18 140.0071 33
-78.2651 32 189.6522 56
Missing Values
83
Missing Missing
. 13 18.06 100.00
84
85
LAMPIRAN D
Hasil Peramalan Produksi Semen dengan Model Terbaik yaitu
ARIMA (0,1,[1,12])
The ARIMA Procedure
Autocorrelations

Std Error
0 5209.466 1.00000 | |********************|

0
1 -1975.682 -.37925 | ********| . |
0.118678
2 -312.702 -.06003 | . *| . |
0.134670
3 287.062 0.05510 | . |* . |
0.135046
4 -758.211 -.14554 | . ***| . |
0.135363
5 46.445419 0.00892 | . | . |
0.137549
6 437.820 0.08404 | . |** . |
0.137557
7 -481.243 -.09238 | . **| . |
0.138279
8 -76.624880 -.01471 | . | . |
0.139145
9 94.272460 0.01810 | . | . |
0.139167
10 -649.881 -.12475 | . **| . |
0.139200
11 262.694 0.05043 | . |* . |
0.140766
12 2239.544 0.42990 | . |********* |
0.141020
13 -1645.166 -.31580 | ******| . |
0.158407
14 354.211 0.06799 | . |* . |
0.167039
15 -103.672 -.01990 | . | . |
0.167428
16 -648.828 -.12455 | . **| . |
0.167462
17 584.902 0.11228 | . |** . |
0.168761

86
LAMPIRAN D (LANJUTAN)
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.72255 | . |************** |
2 0.55473 | . |*********** |
3 0.45670 | . |********* |
4 0.39545 | . |******** |
5 0.30671 | . |****** |
6 0.21549 | . |****. |
7 0.14418 | . |*** . |
8 0.07519 | . |** . |
9 0.02662 | . |* . |
10 -0.05149 | . *| . |
11 -0.16252 | . ***| . |
12 -0.22750 | *****| . |
13 -0.09575 | . **| . |
14 -0.06552 | . *| . |
15 -0.04176 | . *| . |
16 -0.03066 | . *| . |
17 -0.02296 | . | . |
The ARIMA Procedure
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.37925 | ********| . |
2 -0.23810 | *****| . |
3 -0.07848 | . **| . |
4 -0.20545 | .****| . |
5 -0.17544 | .****| . |
6 -0.04706 | . *| . |
7 -0.12346 | . **| . |
8 -0.16314 | . ***| . |
9 -0.14838 | . ***| . |
10 -0.29022 | ******| . |
11 -0.30644 | ******| . |
12 0.32978 | . |******* |
13 0.05051 | . |* . |
14 0.05546 | . |* . |
15 0.02378 | . | . |
16 0.00210 | . | . |
17 0.06136 | . |* . |
To Chi- Pr >
-----------
6 13.36 6 0.0377 -0.379 -0.060 0.055 -0.146 0.009

0.084
12 31.87 12 0.0014 -0.092 -0.015 0.018 -0.125 0.050
0.430
Standard Approx
MA1,1 0.49734 0.11994 4.15 <.0001 1
87
MA1,2 -0.40280 0.14085 -2.86 0.0042 12

AIC 784.4122
SBC 788.9376
Estimates
Parameter MA1,1 MA1,2

MA1,1 1.000 -0.130
MA1,2 -0.130 1.000
The ARIMA Procedure
To Chi- Pr >
-----------
6 5.13 4 0.2738 -0.064 -0.097 -0.034 -0.216 -0.073

-0.003
12 14.52 10 0.1505 -0.075 0.029 0.061 -0.065 0.167
0.257
18 21.88 16 0.1471 -0.243 -0.044 -0.077 -0.067 0.098
0.013
24 33.05 22 0.0612 -0.021 0.030 -0.147 -0.017 0.266
0.100

Factor 1: 1 - 0.49734 B**(1) + 0.4028 B**(12)

73 1001.5504 58.3035 887.2776 1115.8232
74 977.5734 65.2549 849.6761 1105.4707
75 972.7370 71.5340 832.5330 1112.9410
76 970.7810 77.3047 819.2666 1122.2953
77 1021.3443 82.6735 859.3072 1183.3815
78 1024.1873 87.7144 852.2702 1196.1044
79 989.2915 92.4809 808.0322 1170.5507
80 1038.4766 97.0135 848.3336 1228.6196
81 1028.8156 101.3436 830.1857 1227.4454
82 1042.0721 105.4961 835.3035 1248.8407
83 1015.0246 109.4913 800.4257 1229.6235
84 972.6540 113.3457 750.5006 1194.8074

Moments
N 71 Sum Weights 71
88

Student's t t 0.32515 Pr > |t| 0.7460

Sign M -0.5 Pr >= |M| 1.0000
Tests for Normality

Quantile Estimate
100% Max 138.285905
99% 138.285905
95% 122.224139
90% 72.191549
75% Q3 32.585951
50% Median -0.611978
25% Q1 -34.217565
10% -67.596245
5% -86.740785
1% -141.735164
0% Min -141.735164

------Lowest------ -----Highest-----
Value Obs Value Obs
-141.7352 55 108.439 19
-106.2934 32 122.224 68
-105.4669 72 126.125 65
-86.7408 67 133.104 56
89
-83.9914 61 138.286 57
Missing Values
Missing Missing
. 13 15.48 100.00
90
91
LAMPIRAN E
RAKP dan Hasil Simulasi Numerik dengan software Microsoft
Excel
1. RAKP tahun 2017
Keperluan Jumlah (juta)
Gudang Rp 507.025
Pemeliharaan Rp 619.389
Tenaga Kerja Rp 437.487
Listrik Rp 1.447.547
Bahan Pendukung Rp 722.722
Bahan Bakar Rp 1.382.656
2. Simulasi Numerik dengan bantuan MS. Excel

a) Simulasi Numerik dengan Data tahun 2000
(EPQ tanpa penyusutan)

92
LAMPIRAN E (LANJUTAN)
(EPQ dengan penyusutan)

93
b) Simulasi Numerik dengan Data Produksi 2017
(EPQ tanpa penyusutan)

94
(EPQ dengan penyusutan)

95
LAMPIRAN F
BIODATA PENULIS
Mutia Anggraini Putri Arif lahir di

Nganjuk, 27 Oktober 1996. Jenjang
pendidikan formal yang ditempuh oleh
penulis dimulai dari TK Aisyah (2000-
2002), SDN Kudu 1 (2002-2008), SMPN 1
Kertosono (2008-2011), SMAN 1 Kertosono
(2011-2014). Kemudian melanjutkan studi
ke jenjang S1 di departemen Matematika ITS
pada tahun 2014-sekarang. Di departemen
Matematika ITS penulis mengambil bidang
minat Matematika Terapan. Penulis
bergabung dengan orgasisasi di HIMATIKA ITS sebagai staff
departemen Kewirausahaan (2015-2016), Kabiro Bisnis departemen
Kewirausahaan HIMATIKA ITS (2016-2017) dan bergabung juga
di organisasi UKM Kopma Dr. Angka ITS sebagai staff Bidang
Bisnis UKM Kopma Dr.Angka ITS (2015-2016), Asisten Bidang
Bisnis UKM Kopma Dr.Angka ITS (2016-2017), Ketua Pengawas
UKM Kopma Dr.Angka ITS (2017-2018). Penulis juga pernah
melakukan Kerja Praktek di PT Semen Indonesia pada tahun 2017.
Jika ingin memberikan kritik, saran, tanggapan dan diskusi
mengenai Laporan Tugas Akhir ini, bisa melalui email
mutiaanggraini1214@gmail.com
Semoga bermanfaat.

06111440000026-Undergraduate Theses

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

06111440000026-Undergraduate Theses

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS AKHIR– SM141501

PERENCANAAN VOLUME PRODUKSI TERAK SEMEN

MUTIA ANGGRAINI PUTRI ARIF

PLANNING OF TERAK PRODUCTION VOLUME USING

MUTIA ANGGRAINI PUTRI ARIF

Nama : Mutia Anggraini Putri Arif

Name : Mutia Anggraini Putri Arif

Keywords: Economic Production Quantity, Depreciation, Cement

Surabaya, Juli 2018

Pada bab ini dijelaskan mengenai latar belakang dari

1.1 Latar Belakang

mengasumsikan penambahan stok pada persediaan secara

produksi dengan item yang menyusut dan satu pengaturan ulang

1.2 Rumusan Masalah

Bab ini menjelaskan tentang tahapan-tahapan dalam proses

Pada bab ini dijelaskan tentang penelitian sebelumnya, gambaran

2.1 Penelitian Sebelumnya

2.2 Prosedur ARIMA Box-Jenkins

b. Uji Asumsi Distribusi Normal

2.2.4 Mendapatkan Model Peramalan dengan Metode ARIMA

2.3 Gambaran Umum Perusahaan

perusahaan harus berusaha keras untuk memproduksi semen dengan

Gambar 2.1 Semen PPC Gambar 2.2 Semen OPC

Gambar 2.3 White Cement kemasan 40kg

2.3.2 Proses Produksi

2.4 Perencanaan Produksi

𝐻 : Holding Cost Per Unit Tahun

2.5 Perencanaan Economic Production Quantity

melakukan turunan pertama terhadap 𝑚̅ pada persamaan (2.5)

Metode penelitian yang digunakan dalam Tugas Akhir ini dibagi

b) Mengasumsikan bahwa penyusutan yang terjadi adalah

Berikut adalah diagram alur pengerjaan Tugas Akhir ditunjukkan

Studi Literatur yang akan menunjang topik masalah

Meramalkan produksi semen pada tahun 2017 dengan

Menentukan produksi terak yang dibutuhkan selama satu

Mengidentifikasi penyusutanyang terjadi pada bahan baku

Menentukan komponen total biaya, antara lain biaya

Menentukan total biaya dengan menggunakan Economic

Menentukan volume produksi terak semen PPC, OPC, dan

Penarikan Kesimpulan dan Penulisan Laporan Tugas Akhir

4.1 Penentuan Volume Produksi Semen dengan Metode

dimana nilai lambda dengan nilai kepercayaan 95% dan rounded

Gambar 4.1 Time series Plot Data Produksi

Rounded Value 0,50

Rounded Value 1,00

-5,0 -2,5 0,0 2,5 5,0

Gambar 4.3 Box-Cox Plot Data Transformasi

Gambar 4.4 Trend Analysis Plot Data Transformasi

Gambar 4.5 Trend Analysis Plot Data Differencing

(with 5% significance limits for the autocorrelations)

Gambar 4.6 Plot ACF data differencing

Gambar 4.7 Plot PACF Data Differencing

b. Uji Distribusi Normal

Dengan menggunakan 𝑎 = 0.05, karena 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐷𝑎,𝑛 maka 𝐻0

Selanjutnya akan dicari nilai MAPE untuk menentukan model

Tabel 4.3 Hasil Residual Berdistribusi Normal

Tabel 4.4 Nilai MAPE model ARIMA

4. Hasil Peramalan Produksi Semen Tahun 2017

Tabel 4.5 Perhitungan Peramalan Semen

Tabel 4.6 Jumlah Produksi Semen tahun 2017

2 OPC 25% 3.029.332

3 White Cement 5% 605.866

4.2 Laju Konstan Kerusakan