Dosen Pembimbing :
Valeriana Lukitosari, S.Si, MT
DEPARTEMEN MATEMATIKA
Fakultas Matematika, Komputasi, dan Sains Data
Institut Teknologi Sepuluh Nopember
Surabaya 2018
FINAL PROJECT– SM141501
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)
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)
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%.
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.
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
1
2
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 II
TINJAUAN PUSTAKA
̂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.
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
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
𝑅 : Demand Tahunan
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
BAB III
METODE PENELITIAN
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.
1200000
1100000
data produksi
1000000
900000
800000
700000
600000
1 6 12 18 24 30 36 42 48 54 60
Index
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
47
StDev
46 Limit
45
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
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
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
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
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.
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
1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
2
∑ = ∑ 𝐶𝑖
2𝑚
̅ 𝑝̅𝑖
𝑖=1 𝑖=1
𝑛 𝑛
1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
∑ ̅ 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
𝑑 𝑇𝐶(𝑚̅) 1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
= 3∑
𝑑𝑚̅ 𝑚
̅ 𝑝̅𝑖
𝑖=1
2 𝑛
𝑑 𝑇𝐶(𝑚̅) 1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
2
= 3∑
𝑑𝑚
̅ 𝑝̅𝑖
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 ) 𝑖=1
∑𝑛
√ 𝑖=1 𝑝̅𝑖
2 ∑𝑛𝑖=1 𝐶𝑖
( )
𝑑 2 𝑇𝐶(𝑚 ̅)
𝑑𝑚̅ 2
𝑛
1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
= ∑
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
1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
= ∑
𝑝̅𝑖
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 ) 𝑖=1
∑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
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
∑𝑛𝑖=1
1 √ 𝑝̅𝑖
( 𝑛 )
2 ∑𝑖=1 𝐶𝑖 2 ∑𝑛𝑖=1 𝐶𝑖
( )
1
( 𝑛 )
𝑑2 𝑇𝐶(𝑚
̅) 2 ∑𝑖=1 𝐶𝑖
=
𝑑𝑚̅2
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
∑𝑛
√ 𝑖=1 𝑝̅𝑖
2 ∑𝑛𝑖=1 𝐶𝑖
( )
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
1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
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
2 ∑𝑛𝑖=1 𝐶𝑖
𝑖=1 𝑖=1
𝑛
1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
+ ∑ (4.2)
𝑝̅𝑖
𝐻 𝑅 (𝑝̅ − 𝑟𝑖 ) 𝑖=1
∑𝑛𝑖=1 𝑖 𝑖 𝑖
√ 𝑝̅𝑖
2 𝑛
∑
2 𝑖=1 𝐶𝑖
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)
̅ ) = ∑ 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
− [∑ 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
− [∑ 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
̅̅́̅̅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:
𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
∑𝑛𝑖=1
√ 𝑝̅𝑖
𝑚
̅= (4.12)
2 ∑𝑛𝑖=1 𝐶𝑖
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√
2 ∑𝑛𝑖=1 𝐶𝑖
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
∑𝑛𝑖=1
𝑝̅𝑖
̅ =√
𝑚
2 ∑𝑛𝑖=1 𝐶𝑖
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
1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
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
1 𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 )
+ ∑
𝑝̅𝑖
𝐻𝑖 𝑅𝑖 (𝑝̅𝑖 − 𝑟𝑖 ) 𝑖=1
∑𝑛𝑖=1
√ 𝑝̅𝑖
2
2 ∑𝑛𝑖=1 𝐶𝑖
46
𝑇𝐶
𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 ) 𝑛
𝑛 ∑𝑛𝑖=1
√ 𝑝̅𝑖
= ∑ 𝑃𝑖 (𝑅𝑖 + 𝑋) + ∑ 𝐶𝑖
2 ∑𝑛𝑖=1 𝐶𝑖
𝑖=1 𝑖=1
𝑛
1 𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 )
+ ∑
𝑝̅𝑖
𝐻𝑖 (𝑅𝑖 + 𝑋)(𝑝̅𝑖 − 𝑟𝑖 ) 𝑖=1
∑𝑛𝑖=1
√ 𝑝̅𝑖
2
2 ∑𝑛𝑖=1 𝐶𝑖
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.
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
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
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
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 | . |* . |
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 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
LAMPIRAN C (LANJUTAN)
Variance Estimate 3462.197
Std Error Estimate 58.84043
AIC 650.7476
SBC 654.9027
Number of Residuals 59
Correlations of Parameter
Estimates
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations-----------
---------
Moments
62
LAMPIRAN C (LANJUTAN)
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
Location Variability
Quantiles (Definition 5)
Quantile Estimate
Extreme Observations
------Lowest------ ------Highest-----
LAMPIRAN C (LANJUTAN)
-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
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
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 | . |* . |
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 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations----
----------------
LAMPIRAN C (LANJUTAN)
Number of Residuals 59
Correlations of Parameter
Estimates
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
Autoregressive Factors
Factor 1: 1 + 0.38564 B**(1)
Moving Average Factors
Factor 1: 1 + 0.46471 B**(12)
Moments
N 59 Sum Weights 59
Mean 4.34515052 Sum Observations 256.363881
Std Deviation 55.4869381 Variance 3078.8003
Skewness 0.37821925 Kurtosis 0.45052688
Uncorrected SS 179684.357 Corrected SS 178570.418
Coeff Variation 1276.98541 Std Error Mean 7.22378405
66
LAMPIRAN C (LANJUTAN)
Location Variability
Quantiles (Definition 5)
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
Extreme Observations
------Lowest------ -----Highest-----
-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
-----Percent Of-----
Missing Missing
67
LAMPIRAN C (LANJUTAN)
Value Count All Obs Obs
. 13 18.06 100.00
ARIMA(1,1,0)
The SAS System 14:25 Thursday, April 29, 2018 1
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
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 | . |* . |
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 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
LAMPIRAN C (LANJUTAN)
SBC 656.0491
Number of Residuals 59
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
Moments
N 59 Sum Weights 59
Mean 6.1253812 Sum Observations 361.397491
Std Deviation 60.8543089 Variance 3703.24691
Skewness -0.0545793 Kurtosis 0.56405518
Uncorrected SS 217002.018 Corrected SS 214788.321
Coeff Variation 993.477906 Std Error Mean 7.9225562
Location Variability
LAMPIRAN C (LANJUTAN)
Median 8.962713 Variance 3703
Mode . Range 322.80636
Interquartile Range 67.45521
Quantiles (Definition 5)
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
Extreme Observations
------Lowest------ -----Highest-----
-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
-----Percent Of-----
Missing Missing
Value Count All Obs Obs
. 13 18.06 100.00
71
LAMPIRAN C (LANJUTAN)
ARIMA (0,1,[1,12])
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
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 | . |* . |
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 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
LAMPIRAN C (LANJUTAN)
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.
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
MA1,1 0.53862 0.19703 2.73 0.0063 1
MA1,2 -0.49369 0.21240 -2.32 0.0201 12
Correlations of Parameter
Estimates
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
LAMPIRAN C (LANJUTAN)
Forecasts for variable y
Obs Forecast Std Error 95% Confidence Limits
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
Mean 5.31667982 Sum Observations 313.68411
Std Deviation 54.0083025 Variance 2916.89674
Skewness 0.15147453 Kurtosis 0.60037823
Uncorrected SS 170847.769 Corrected SS 169180.011
Coeff Variation 1015.82763 Std Error Mean 7.03128209
Location Variability
Quantiles (Definition 5)
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
LAMPIRAN C (LANJUTAN)
0% Min -138.11666
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Extreme Observations
------Lowest------ ------Highest-----
-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
-----Percent Of-----
Missing Missing
Value Count All Obs Obs
. 13 18.06 100.00
ARIMA (0,1,1)
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
LAMPIRAN C (LANJUTAN)
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
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 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
77
LAMPIRAN C (LANJUTAN)
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
Parameter Estimate Error t Value Pr > |t| Lag
MA1,1 0.58155 0.10978 5.30 <.0001 1
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
Period(s) of Differencing 1
The ARIMA Procedure
LAMPIRAN C (LANJUTAN)
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Moments
N 59 Sum Weights 59
Mean 10.1202521 Sum Observations 597.094872
Std Deviation 57.8337739 Variance 3344.7454
Skewness -0.2846539 Kurtosis 0.36710974
Uncorrected SS 200037.984 Corrected SS 193995.233
Coeff Variation 571.465745 Std Error Mean 7.52931604
Quantiles (Definition 5)
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
Extreme Observations
------Lowest------ ------Highest-----
LAMPIRAN C (LANJUTAN)
-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
-----Percent Of-----
Missing Missing
Value Count All Obs Obs
. 13 18.06 100.00
ARIMA(0,1,[12])
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
LAMPIRAN C (LANJUTAN)
13 -1053.205 -.24069 | . *****| . |
0.164533
14 133.978 0.03062 | . |* . |
0.170396
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 | . |* . |
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 | . *| . |
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
LAMPIRAN C (LANJUTAN)
Maximum Likelihood Estimation
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
MA1,1 -0.50854 0.18140 -2.80 0.0051 12
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
Period(s) of Differencing 1
The ARIMA Procedure
No mean term in this model.
Moving Average Factors
Moments
N 59 Sum Weights 59
Mean 2.94004154 Sum Observations 173.462451
Std Deviation 60.3048562 Variance 3636.67568
Skewness 0.52705711 Kurtosis 1.15933231
Uncorrected SS 211437.176 Corrected SS 210927.19
82
LAMPIRAN C (LANJUTAN)
Coeff Variation 2051.15661 Std Error Mean 7.85102356
Location Variability
Quantiles (Definition 5)
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
Extreme Observations
------Lowest------ ------Highest-----
-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
LAMPIRAN C (LANJUTAN)
-----Percent Of-----
Missing Missing
Value Count All Obs Obs
. 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
Name of Variable = y
Period(s) of Differencing 1
Mean of Working Series 2.096197
Standard Deviation 72.17663
Number of Observations 71
Observation(s) eliminated by differencing 1
Autocorrelations
LAMPIRAN D (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 0.72255 | . |************** |
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 | . | . |
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 -0.37925 | ********| . |
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 >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
LAMPIRAN D (LANJUTAN)
MA1,2 -0.40280 0.14085 -2.86 0.0042 12
Correlations of Parameter
Estimates
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
Moments
N 71 Sum Weights 71
Mean 2.25781562 Sum Observations 160.304909
88
LAMPIRAN D (LANJUTAN)
Std Deviation 58.5105156 Variance 3423.48043
Skewness 0.21919735 Kurtosis 0.16150827
Uncorrected SS 240005.569 Corrected SS 239643.63
Coeff Variation 2591.46563 Std Error Mean 6.94392067
Location Variability
Quantiles (Definition 5)
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
Extreme Observations
------Lowest------ -----Highest-----
-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
LAMPIRAN D (LANJUTAN)
-83.9914 61 138.286 57
Missing Values
-----Percent Of-----
Missing Missing
Value Count All Obs Obs
. 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
LAMPIRAN E (LANJUTAN)
LAMPIRAN E (LANJUTAN)
b) Simulasi Numerik dengan Data Produksi 2017
LAMPIRAN E (LANJUTAN)
LAMPIRAN F
BIODATA PENULIS
Semoga bermanfaat.