BAB II

LANDASAN TEORI DAN KERANGKA PEMIKIRAN

2.1Landasan Teori

2.1.1Manajemen Operasional

Menurut Heizer danRander (2009:4), manajemen operasional adalah serangkaian

aktivitas yang menghasilkan nilai dalam bentuk barang dan jasa dengan mengubah input

menjadi output.

Sedangkan menurut Richard L. Daft (2006:216), manajemen operasional adalah

bidang manajemen yang mengkhususkan pada produksi barang, serta menggunakan alat-

alat dan teknik-teknik khusus untuk memecahkan masalah-masalah produksi. Fogarty

(dalam Herjanto, 2007), mendefinisikan manajemen operasional sebagai suatu proses

yang secara berkesinambungan dan efektif menggunakan fungsi-fungsi manajemen

untuk mengintegrasikan berbagai sumber daya secara efisien dalam rangka mencapai

tujuan.

Menurut penulis, manajemen operasional adalah segala aktivitas yang

menghasilkan nilai baik dalam bentuk barang maupun jasa dengan melalui proses

produksi secara efektif dan efisien untuk memenuhi kebutuhan konsumen.

Heizer dan Render (2009:5) menyebutkan bahwa manajemen operasi (MO)

dipelajari karena empat alasan:

1. MO adalah satu dari tiga fungsi utama dari setiap organisasi dan berhubungan

secara utuh dengan semua fungsi bisnis lainnya.Semua organisasi memasarkan

(menjual), membiayai (mencatat rugi laba), dan memproduksi (mengoperasikan),

7

8

maka sangat penting untuk mengetahui bagaimana aktivitas MO berjalan. Karena

itu pula, kita mempelajari bagaimana orang-orang mengorganisasikan diri

mereka bagi perusahaan yang produktif.

2. Kita mempelajari MO karena kita ingin mengetahui bagaimana barang dan jasa

diproduksi. Fungsi produksi adalah bagian dari masyarakat yang menciptakan

produk yang kita gunakan.

3. Kita mempelajari MO untuk memahami apa yang dikerjakan oleh manajer

operasi. Dengan memahami apa saja yang dilakukan oleh manajer ini, kita dapat

membangun keahlian yang dibutuhkan untuk dapat menjadi seorang manajer

seperti itu. Hal ini akan membantu Anda untuk menjelajahi kesempatan kerja

yang banyak dan menggiurkan di bidang MO.

4. Kita mempelajari MO karena bagian ini merupakan bagian yang paling banyak

menghabiskan biaya dalam sebuah organisasi. Sebagian besar pengeluaran

perusahaan digunakan untuk fungsi MO. Walaupun demikian, MO memberikan

peluang untuk meningkatkan keuntungan dan pelayanan terhadap masyarakat.

2.1.2 Peramalan (Forecasting)

Untuk membantu tercapainya suatu keputusan yang optimal diperlukan suatu

cara yang tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang

diperlukan oleh manajemen dan merupakan bagian yang integral dari proses

pengambilan keputusan adalah menggunakan metode peramalan (forecasting). Menurut

Kamus Besar Bahasa Indonesia, peramalan adalah suatu teori dimana dapat melihat

(menduga) keadaan yang akan terjadi.

9

Menurut Jay Heizer dan Barry Render (2009:162), peramalan (forecasting)

adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat

dilakukan dengan melibatkan pengambilan data historis dan memproyeksikannya ke

masa mendatang dengan suatu bentuk model matematis. Selain itu, bisa juga merupakan

prediksi intuisi yang bersifat subjektif. Atau dapat juga dilakukan dengan menggunakan

kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari

seorang manajer.

Menurut Murahartawaty (2009:41), peramalan adalah penggunaan data masa lalu

dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang

akan datang. Asumsi dasar dalam penerapan teknik-teknik peramalan adalah:“If we can

predict what the future will be like we can modify our behaviour now to be in a better

position, than we otherwise would have been, when the future arrives.” Artinya, jika kita

dapat memprediksi apa yang terjadi di masa depan maka kita dapat mengubah kebiasaan

kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan datang.

Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam masa

mendatang yang relatif dekat.

Peramalan (forecasting) merupakan alat bantu yang penting dalam perencanaan

yang efektif dan efisien khususnya dalam bidang ekonomi. Peramalan mempunyai

peranan langsung pada peristiwa eksternal yang pada umumnya berada di luar kendali

menejemen seperti: Ekonomi, Pelanggan, Pesaing, Pemerintah, dan lain sebagainya.

Menurut penulis, peramalan adalah suatu cara yang digunakan untuk

memperkirakan kejadian yang akan terjadi dimasa yang akan datang dengan melibatkan

data masa lalu.

10

2.1.2.1 Klasifikasi Peramalan Berdasarkan Waktu

Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan

yang dilingkupinya. Heizer dan Render (2009:163) membagi horizon waktu peramalan

menjadi beberapa kategori:

1. Peramalan jangka pendek. Peramalan ini meliputi jangka waktu hingga satu

tahun, tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk

merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan

kerja, dan tingkat produksi.

2. Peramalan jangka menengah. Peramalan jangka menengah atau intermediate,

umumnya mencakup hitungan bulanan hingga 3 tahun. Peramalan ini berguna

untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran

kas, serta menganalisis bermacam-macam rencana operasi.

3. Peramalan jangka panjang. Umumnya untuk perencanaan masa 3 tahun atau

lebih. Peramalan jangka panjang digunakan untuk merencanakan produk baru,

pembelanjaan, modal, lokasi atau pembangunan fasilitas, serta penelitian dan

pengembangan (litbang).

2.1.2.2Jenis-Jenis Peramalan

Menurut Heizer dan Render (2009:164), organisasi pada umumnya menggunakan

tiga tipe peramalan yang utama dalam perencanaan operasi.

1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan

memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk

membangun perumahan, dan indikator perencanaan lainnya.

11

2. Peramalan teknologi (technological forecast) memperhatikan tingkat kemajuan

teknologi yang dapat meluncurkan produk baru yang menarik, yang

membutuhkan pabrik dan peralatan baru.

3. Peramalan permintaan (demand forecast) adalah proyeksi permintaan untuk

produk atau layanan suatu perusahaan. Peramalan ini disebut peramalan

penjualan yang mengendalikan produksi, kapasitas, serta sistem penjadwalan dan

menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya

manusia.

2.1.2.3Peramalan Permintaan

Peramalan yang baik sangatlah penting dalam semua aspek bisnis. Peramalan

merupakan satu-satunya prediksi mengenai permintaan hingga permintaan yang

sebenarnya diketahui. Peramalan ekonomi dan teknologi adalah teknik khusus yang

mungkin bukan termasuk bagian dari tugas manajer operasi (Heizer dan Render,

2009:164).

Peramalan permintaan mengendalikan keputusan di banyak bidang. Berikut ini

akan dibahas dampak peramalan produk pada tiga aktivitas: 1) sumber daya manusia, 2)

kapasitas, dan 3) manajemen rantai pasokan.

1. Sumber Daya Manusia

Mempekerjakan, melatih dan memberhentikan pekerja bergantung pada

permintaan. Jika departemen sumber daya manusia harus mempekerjakan

pekerja tambahan tanpa adanya persiapan, akibatnya kualitas pelatihan menurun

dan kualitas pekerja juga menurun.

12

2. Kapasitas

Saat kapasitas tidak mencukupi, kekurangan yang diakibatkannya bisa berarti

tidak terjaminnya pengiriman, kehilangan konsumen dan kehilangan pangsa

pasar.

3. Manajemen Rantai Pasokan

Hubungan yang baik dengan pemasok, serta harga barang dan komponen yang

bersaing bergantung pada peramalan yang akurat.

2.1.2.4 Langkah-Langkah Sistem Peramalan

Peramalan terdiri atas tujuh langkah dasar (Heizer dan Render, 2009:165). Tujuh

langkah peramalan tersebut, yaitu:

1. Menetapkan tujuan peramalan

2. Memilih unsur yang akan diramalkan

3. Menentukan horizon waktu peramalan

4. Memilih jenis model peramalan

5. Mengumpulkan data yang diperlukan untuk melakukan peramalan

6. Membuat peramalan

7. Memvalidasi dan menerapkan hasil peramalan

2.1.2.5 Metode-Metode Peramalan (Forecasting)

Metode peramalan digunakan agar peramalan jumlah permintaan suatu barang

maupun jasa dimasa yang akan datang dapat direncanakan dan hasil yang diperoleh

tidak jauh menyimpang dari actual yang terjadi.

13

Menurut Heizer dan Render (2009) terdapat dua metode peramalan berdasarkan

metode yang digunakan, yaitu metode kuantitatif dan metode kualitatif.

2.1.2.5.1 Metode Peramalan Kualitatif

Yaitu metode yang menggabungkan faktor seperti intuisi, emosi, pengalaman

pribadi, dan sistem nilai pengambil keputusan untuk meramal. Terdapat empat teknik

peramalan kualitatif, yaitu:

Juri dari opini eksekutif

Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tingkat tinggi

umumnya digabungkan dengan model statistik, dikumpulkan untuk mendapatkan

prediksi permintaan kelompok.

Metode Delphi

Ada tiga jenis partisipan dalam metode Delphi: pengambil keputusan, karyawan,

dan responden. Pengambil keputusan biasanya terdiri atas 5 hingga 10 orang

pakar yang akan melakukan peramalan. Karyawan membantu pengambilan

keputusan dengan menyiapkan, menyebarkan, mengumpulkan, serta meringkas

sejumlah kuisioner dan hasil survei. Responden adalah sekelompok orang yang

biasanya ditempatkan di tempat yang berbeda dimana penilaian dilakukan.

Kelompok ini memberikan input pada pengambil keputusan sebelum peramalan

dibuat.

Komposit tenaga penjualan

Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan

yang dapat ia capai dalam wilayahnya. Kemudian, peramalan ini dikaji untuk

memastikan apakah peramalan cukup realistis. Kemudian, peramalan tersebut

14

digabungkan pada tingkat wilayah dan nasional untuk mendapatkan peramalan

secara keseluruhan.

Survei pasar konsumen

Metode ini meminta input dari konsumen mengenai rencana pembelian mereka

di masa depan. Hal ini tidak hanya membantu dalam menyiapkan peramalan,

tetapi juga memperbaiki desain produk dan perencanaan produk baru.

2.1.2.5.2 Metode Peramalan Kuantitatif

Yaitu metode yang menggunakan model matematis yang beragam dengan

berdasarkan data masa lalu untuk meramalkan permintaan dimasa yang akan datang.

Ada tiga kondisi yang diterapkan pada metode ini, yaitu:

1. Informasi mengenai keadaan pada waktu yang tersedia.

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numeric (angka).

3. Waktu yang akan datang (disebut asumsi kontinuitas).

Metode peramalan secara kuantitatif menurut Heizer dan Render (2009:170)

meliputi:

1. Rata-rata Bergerak (Moving Average)

Peramalan rata-rata bergerak menggunakan sejumlah data aktual masa lalu untuk

menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat

mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita

ramalkan.Secara matematis, rata-rata bergerak sederhana (merupakan prediksi

permintaan periode mendatang) dinyatakan sebagai berikut:

15

Keterangan:

n = jumlah periode dalam rata-rata bergerak.

2. Rata-rata Bergerak Tertimbang (Weighted Moving Average)

Saat terdapat tren atau pola yang terdeteksi, bobot dapat digunakan untuk

menempatkan penekanan yang lebih pada nilai terkini. Praktik ini membuat

teknik peramalan lebih tanggap terhadap perubahan karena periode yang lebih

dekat mendapatkan bobot yang lebih berat. Pemilihan bobot merupakan hal yang

tidak pasti karena tidak ada rumus untuk menetapkan mereka. Oleh karena itu,

pemutusan bobot yang digunakan membutuhkan pengalaman. Rata-rata bergerak

dengan pembobotan atau rata-rata bergerak tertimbang dapat digambarkan secara

matematis sebagai berikut:

3. Penghalusan Eksponensial (Exponential Smoothing)

Penghalusan eksponensial merupakan metode peramalan rata-rata bergerak

dengan pembobotan yang canggih tetapi masih mudah digunakan. Metode ini

menggunakan pencatatan data masa lalu yang sangat sedikit. Rumus penghalusan

eksponensial dasar dapat ditunjukkan sebagai berikut:

16

Peramalan baru = peramalan periode lalu + α (permintaan sebenarnya periode

terakhir – peramalan periode terakhir).

Dimana α adalah sebuah bobot atau konstanta penghalusan yang dipilih oleh

peramal yang mempunyai nilai antara 0 dan 1. Persamaan diatas dapat pula

ditulis dengan:

Ft = Ft-1 + α (At-1 – Ft-1)

Keterangan:

Ft = peramalan baru

Ft-1 = peramalan sebelumnya

α = konstanta penghalusan (pembobotan) (0 ≤ α ≤ 1)

At-1 = permintaan aktual periode lalu

Konsep ini tidak rumit. Prediksi terakhir untuk permintaan sama dengan prediksi

lama, disesuaikan dengan sebagian diferensiasi permintaan aktual periode lalu

dengan prediksi lama.

Pendekatan penghalusan eksponensial mudah digunakan dan telah berhasil

diterapkan pada hampir setiap jenis bisnis. Walaupun demikian, nilai yang tepat

untuk konstanta penghalusan dapat membuat diferensiasi antara peramalan yang

akurat dan yang tidak akurat. Nilai α yang tinggi dipilih pada saat rata-rata

cenderung berubah. Nilai α yang rendah digunakan saat rata-rata cukup stabil.

Tujuan pemilihannilai untuk konstanta penghalusan adalah mendapatkan

peramalan yang paling akurat. Nilai α yang paling banyak digunakan adalah

yang berada dalam jarak 0,05 sampai 0,50 untuk aplikasi bisnis.

17

4. Penghalusan Eksponensial dengan Tren (Exponential Smoothing with Trend)

Penghalusan eksponensial yang sederhana gagal memberikan respons terhadap

tren yang terjadi. Inilah alasan penghalusan eksponensial harus diubah saat ada

tren. Untuk memperbaiki peramalan, maka digunakan model penghalusan

eksponensial yang lebih rumit dan dapat menyesuaikan diri pada tren yang ada.

Idenya adalah menghitung rata-rata data penghalusan eksponensial, kemudian

menyesuaikan untuk kelambatan (lag) positif atau negatif pada tren. Dengan

penghalusan eksponensial dengan penyesuaian tren, estimasi rata-rata, dan tren

dihaluskan. Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-

rata dan β untuk tren. Kemudian, dihitung rata-rata dan tren untuk setiap periode.

Ft = α (At-1) + (1 – α)(Ft-1 + Tt-1)

Tt = β (Ft – Ft-1) + (1 – β) Tt-1

Keterangan:

Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri pada

periode t

Tt = tren dengan eksponensial yang dihaluskan pada periode t

At = permintaan aktual pada periode t

α = konstanta penghalusan untuk rata-rata (0 ≤ α ≤ 1)

β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)

Jadi, terdapat tiga langkah menghitung peramalan dengan yang disesuaikan

dengan trenadalah sebagai berikut:

18

1. Menghitung Ft, peramalan eksponensial yang dihaluskan untuk periode

t,menggunakan persamaan Ft.

2. Menghitung tren yang dihaluskan, Tt, menggunakan persamaan Tt.

3. Menghitung peramalan dengan tren, FITt, dengan rumus FITt = Ft + Tt.

5. Regresi Linear (Linear Regression)

Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur

ada atau tidaknya korelasi antarvariabel. Jika kita memiliki dua buah variabel

atau lebih maka sudah selayaknya apabila kita ingin mempelajari bagaimana

variabel-variabel itu berhubungan atau dapat diramalkan.

Analisis regresi mempelajari hubungan yang diperoleh dinyatakan dalam

persamaan matematika yang menyatakan hubungan fungsional antara variabel-

variabel. Hubungan fungsional antara satu variabel prediktor dengan satu

variabel kriterium disebut analisis regresi sederhana (tunggal), sedangkan

hubungan fungsional yang lebih dari satu variabel disebut analisis regresi ganda.

Persamaan garisnya dapat dinyatakan sebagai:

ŷ = a + bX

19

Keterangan:

ŷ = nilai terhitung dari variabel yang akan diprediksi (variabel terikat)

a = perpotongan sumbu Y

b = koefisien regresi/slop

Y = nilai variabel terikat yang diketahui

X = nilai variabel bebas yang diketahui

b = kemiringan garis regresi (tingkat perubahan pada y untuk perubahan yang

terjadi di x)

n = jumlah data atau pengamatan

Empat pendekatan pertama di atas termasuk dalam model analisis yang bersifat

time series, sedangkan pendekatan yang kelima biasanya disebut dengan pendekatan

asosiatif (hubungan sebab akibat).

Metode peramalan kuantitatif dibagi menjadi dua, yaitu:

a. Model Deret Waktu(Time-Series)

Model deret waktu membuat prediksi dengan asumsi bahwa masa depan

merupakan fungsi dari masa lalu. Dengan kata lain, mereka melihat apa yang

terjadi selama kurun waktu tertentu dan menggunakan data masa lalu tersebut

untuk melakukan peramalan.

Menganalisis time series berarti membagi data masa lau menjadi komponen-

komponen, dan kemudian memproyeksikannya kemasa depan.

Time Series mempunyai empat komponen:

20

1. Tren merupakan pergerakan data sedikit demi sedikit meningkat atau

menurun.

2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti

hari, minggu, bulan, kwartal.

3. Siklus adalah pola dalam data yang terjadi beberapa tahun. Siklus ini

biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam

analisis dan perencanaan bisnis jangka pendek.

4. Variasi acak merupakaan satu titik khusus dalam data yang disebabkan

oleh peluang dan situasi yanhg tidak biasa. Variasi acak tidak mempunyai

pola khusus jadi tidak dapat diprediksi.

Metode-metode yang dapat digunakan dalam hal ini dapat berupa rata-rata

bergerak, penghalusan eksponensial, model matematika dan metode box-jenkins.

b. Model Asosiatif (Hubungan Sebab Akibat)

Model asosiatif (atau hubungan sebab akibat), seperti regresi linear,

menggabungkan banyak variabel atau faktor yang mungkin mempengaruhi

kuantitas yang sedang diramalkan.

Dengan mengolah data yang sudah ada sebelumnya melalui deret waktu dan

metode sebab akibat, maka akan diperoleh hasil peramalan.

2.1.2.6Mengukur Kesalahan Peramalan

Menurut Nachrowi D, dan Hardius Usman (2004:239) menyatakan bahwa

sebenarnya membandingkan kesalahan peramalan adalah suatu cara sederhana, apakah

suatu teknik peramalan tersebut patut dipilih untuk digunakan membuat peramalan data

21

yang sedang kita analisa atau tidak. Minimal prosedur ini dapat digunakan sebagai

indikator apakah suatu teknik peramalan cocok digunakan atau tidak. Dan teknik yang

mempunyai MSE terkecil merupakan ramalan yang terbaik.

Sedangkan menurut Freddy Rangkuti (2005:80) menyatakan keharusan untuk

membandingkan perhitungan yang memiliki nilai MAD paling kecil, karena semakin

kecil MAD. Berarti semakin kecil pula perbedaan antara hasil forecasting dan nilai

aktual.

Heizer danRender (2009:177) mengemukakan bahwa, tiga dari perhitungan yang

paling terkenal adalah deviasi mutlak rerata (Mean Absolute Deviation - MAD) dan

kesalahan kuadrat rerata (Mean Squared Error - MSE).

1. Deviasi Mutlak Rerata (Mean Absolute Deviation = MAD)

MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk

sebuah model. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap

kesalahan peramalan dibagi dengan jumlah periode data (n).

2. Kesalahan Kuadrat Rerata (Mean Square Error = MSE)

MSE merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan.

MSE merupakan rata-rata selisih kuardrat antara nilai yang diramalkan dan yang

diamati. Kekurangan penggunaan MSE adalah bahwa ia cenderung menonjolkan

deviasi yang besar karena adanya pengkuadratan.

22

Vincent Gasperz (2004:80) mengatakan dalam buku Production Planning and

Inventory Controlbahwa akurasi peramalan akan semakin tinggi apabila nilai-nilai MAD

dan MSE semakin kecil.Ketepatan dari sebuah ramalan merupakan hal yang sangat

penting. Namun, hal yang perlu disadari bahwa suatu ramalan adalah tetap ramalan,

yang selalu ada unsur kesalahannya. Sehingga yang penting diperhatikan adalah usaha

untuk memperkecil kemungkinan kesalahannya tersebut. Akhirnya, baik tidaknya suatu

ramalan yang disusun sangat tergantung pada orang yang melakukannya, langkah-

langkah peramalan yang dilakukannya dan metode yang dipergunakannya.

2.1.3 Persediaan

MenurutHerjanto (2007:237), persediaan adalah bahan atau barang yang

disimpan yang akan digunakan untuk memenuhi tujuan tertentu, misalnya untuk

digunakan dalam proses produksi atau perakitan, untuk dijual kembali, atau untuk suku

cadang dari peralatan atau mesin.

Persediaan merupakan suatu sumber daya yang disimpan yang digunakan untuk

menghilangkan kebutuhan saat ini atau kebutuhan yang akan datang. Persediaan diatas

termasuk bahan mentah,barang dalam proses, dan barang jadi. Ketika menentukan

permintaan dari suatu barang,ini merupakan informasi yang memungkinkan untuk dapat

menentukan jumlah barang mentah yang dibutuhkan untuk membuat barang jadi

tersebut.

Mengendalikan persediaan yang tepat bukan hal yang mudah. Apabila jumlah

persediaan terlalu besarmengakibatkan timbulnya dana menganggur yang besar (yang

tertanam dalam persediaan), meningkatnya biaya penyimpanan dan risiko kerusakan

barang yang lebih besar. Namun, jika persediaan terlalu sedikit mengakibatkan risiko

23

terjadinya kekurangan persediaan (stockout) karena seringkali barang tidak dapat

didatangkan secara mendadak dan sebesar yang dibutuhkan, yang menyebabkan

terhentinya proses produksi, tertundanya penjualan, bahkan hilangnya pelanggan.

Sebagaimana keputusan manajemen operasi lainnya, kebijaksanaan yang paling

efektif adalah dengan mencapai keseimbangan diantara berbagai kepentingan dalam

perusahaan. Pengendalian persediaan harus dilakukan sedemikian rupa agar dapat

melayani kebutuhan bahan/barang yang tepat dan dengan biaya yang rendah.

Pengendalian persediaan berfungsi menentukan tingkat persediaan yang sesuai, dimana

pemesanan harus dilakukan kembali, persediaan pengaman, pendataan tingkat dan

kondisi persediaan.

2.1.3.1 Fungsi Persediaan

Menurut Herjanto (2007:238), beberapa fungsi penting yang dikandung oleh

persediaan dalam memenuhi kebutuhan perusahaan, sebagai berikut:

Menghilangkan risiko keterlambatan pengiriman bahan baku atau barang yang

dibutuhkan perusahaan.

Menghilangkan risiko jika material yang dipesan tidak baik sehingga harus

dikembalikan.

Menghilangkan risiko terhadap kenaikan harga barang atau inflasi.

Untuk menyimpan bahan baku yang dihasilkan secara musiman sehingga

perusahaan tidak akan kesulitan jika bahan itu tidak tersedia di pasaran.

Mendapatkan keuntungan dari pembelian berdasarkan diskon kuantitas.

Memberkan pelayanan kepada pelanggan dengan tersedianya barang yang

diperlukan.

24

2.1.3.2 Jenis-Jenis Persediaan

Terdapat 4 jenis persediaan yang harus dipelihara perusahaan untuk

mengakomodasi fungsi-fungsi persediaan menurut Heizer dan Render (2009:82-83),

yaitu:

Persediaan bahan

mentah(raw material inventory)

Bahan-bahan yang biasanya dibeli, tetapi belum memasuki proses manufaktur dan

digunakan untuk melakukan decouple (memisahkan) pemasok dari proses produksi.

Persediaan barang setengah

jadi(WIP inventory)

Komponen atau bahan mentah yang telah melewati beberapa proses perubahan,

tetapi belum selesai. WIP ada karena waktu yang diperlukan untuk menyelesaikan

sebuah produk (disebut waktu siklus).

MRO (Maintenance, Repair,

Operating)

Persediaan yang disediakan untuk persediaan pemeliharaan, perbaikan, operasi yang

dibutuhkan untuk menjaga agar mesin-mesin dan proses-proses tetap produktif.

Persediaan barang jadi

Produk yang telah selesai dan tinggal menunggu pengiriman tetapi masih merupakan

aset dalam pembukuan perusahaan.

25

2.1.3.3 Biaya-Biaya Persediaan

Ada tiga jenis biaya dalam persediaan menurut Heizer danRender (2009:91-92)

antara lain:

1. Biaya penyimpanan (holding cost) yaitu biaya yang terkait dengan menyimpan

atau “membawa” persediaan selama waktu tertentu.

2. Biaya pemesanan (ordering cost) mencakup biaya dari persediaan, formulir,

proses pesanan, pembelian, dukungan administrasi dan seterusnya. Ketika

pesanan sedang diproduksi, biaya pesanan juga ada, tetapi mereka adalah bagian

dari biaya penyetelan.

3. Biaya peneyetelan (setup cost) adalah biaya untuk mempersiapkan sebuah mesin

atau proses untuk membuat sebuah pesanan. Ini menyertakan waktu dan tenaga

kerja untuk membersihkan serta mengganti peralatan atau alat penahan. Manajer

operasi dapat menurunkan biaya pemesanan dengan mengurangi biaya

penyetelan serta menggunakan prosedur prosedur yang efisien seperti pemesanan

dan pembayaran elektronik.

2.1.3.4 Model Dasar Economic Order Quantity (EOQ)

EOQ merupakan salah satu teknik pengendalian persediaan tertua dan paling

terkenal. Teknik ini relatif mudah digunakan, didasarkan pada beberapa asumsi:

Jumlah permintaan diketahui dan sifatnya konstan

Lead Time, yaitu waktu diantara pemesanan pesanan dan penerimaan pesanan

diketahui dan konstan

Penerimaan persediaan dilakukan secara keseluruhan dalam satu waktu

Potongan kuantitas tidak dimungkinkan (tidak mungkin diberikan diskon)

26

Variabel biaya yang ada adalah biaya penempatan pesanan (ordering cost) dan

biaya penyimpanan persediaan (holding or carrying cost)

Pengaturan dilakukan supaya kekurangan stok dapat diatasi

Berdasarkan pendapat Pardede, (2005:422) menyatakan bahwa Economic Order

Quantitiy (EOQ) menunjukkan sejumlah barang yang harus dipesan untuk tiap kali

pemesanan agar biaya persediaan keseluruhan menjadi sekecil mungkin.

Berikut rumus yang biasa digunakan dalam perhitunganpersediaan:

EOQ = Q* =

Annual setup cost =

Annual holding cost =

Total unit cost = Unit cost (D)

I = ½ Q*

Keterangan:

27

Q* = jumlah optimum unit per pesanan (EOQ)

D = permintaan per periode

S = biaya pemesanan untuk setiap pesanan

H = biaya penyimpanan per unit per tahun

Q = jumlah unit per pesanan

TC = biaya total

I = rata-rata tingkat persediaan (average inventory)

N = jumlah pemesanan yang diperkirakan selama setahun

T = waktu antara pesanan yang diperkirakan

Gambar 2.1 Grafik EOQ

Sumber: Rangkuty, Freddy (2005:28)

2.1.3.4.1 Re-Order Point

Siagian (2005:178) mengemukakan bahwa ROP adalah titik/tingkat persediaan,

dimana pemesanan kembali harus dilakukan.

Heizer dan Render mengemukakan bahwa tingkat (titik) persediaan dimana perlu

diambil tindakan untuk mengisi kekurangan persediaan pada barang tersebut.

28

Titik pemesanan kembali harus ditentukan dengan tepat sehingga kedatangan

atau penerimaan barang yang dipesan tepat waktu.

Persamaan matematis untuk menghitung ROP adalah:

ROP = (d x L) + SS

Permintaan perhari, dicari dengan membagi permintaan tahunan, D, dengan

jumlah hari kerja per tahun:

d =

Keterangan:

ROP = reorder point

d = permintaan per hari

L = lead time

SS = safety stock

2.1.3.4.2 Waktu Tunggu (Lead Time) dan Persediaan Pengaman (Safety Stock)

Pada proses pemesanan barang, di mulai dari memesan sampai barang tersebut

datang/siap digunakan diperlukan jangka waktu yang bisa bervariasi dari beberapa jam

sampai beberapa bulan. Perbedaan waktu antara saat memesan barang sampai saat

barang datang dikenal dengan istilah waktu tunggu (lead time). Lead time sangat

dipengaruhi oleh ketersediaan dari barang itu sendiri dan jarak pembeli dengan

pemasok.

29

Adanya lead time tersebut menyebabkan perusahaan harus mempunyai

persediaan yang dicadangkan untuk kebutuhan selama menunggu barang datang.

Persediaan itu disebut sebagai persediaan pengaman (safety stock).

Menurut Freddy Rangkuty (2004:10), safety stock adalah persediaan tambahan

yang diadakan untuk melindungi atau menjaga kemungkinan terjadinya kekurangan

bahan.Safety stock adalah persediaan barang minimum untuk menghindari terjadinya

kekurangan barang. Terjadinya kekurangan barang disebabkan antara lain karena

kebutuhan barang selama pemesanan melebihi rata-rata kebutuhan barang, yang dapat

terjadi karena kebutuhan setiap harinya terlalu banyak atau karena jangka waktu

pemesanannya terlalu panjang dibanding dengan kebiasaan. Safety stock yang terlalu

banyak mengakibatkan perusahaan menanggung biaya penyimpanan yang terlalu mahal,

tetapi jika terlalu sedikit maka perusahaan akan menanggung biaya atau kerugian karena

kekurangan barang. Untuk menghitung besarsafety stockdapat menggunakan metode

sebagai berikut:

a. Metode perbedaan pemakaian maksimum dan rata-rata.

Metode ini dilakukan dengan menghitung selisih antara pemakaian maksimum

dengan pemakaian rata-rata dalam jangka waktu tertentu, kemudian selisih tersebut

dikalikan dengan lead time.

Safety stock = (Pemakaian maksimum – Pemakaian rata-rata) Lead time

b. Metode statistika yang berdistribusi normal.

Safety stock = Z

Dimana:

30

Z = standar normal (diperoleh dari tabel distribusi normal. Misalnya, Z = 95%, ini

berarti tingkat pelayanan sebesar 95% dari permintaan atau penjagaan terhadap

kemungkinan terjadinya stock out hanya 5%)

= standar deviasi

L = lead time

2.1.3.5Konsep Minimum Maksimum(Min-Max)

Indrajit dan Djokopranoto (2003:38) menyatakan bahwa dalam konsep minimum

maksimum ini, peninjauan dilakukan secara terus menerus, yang berarti setiap kali harus

dipesan, maka harus dipesan.

Konsep minimum maksimum menekankan bahwa sejumlah persediaan harus

ditentukan jumlah minimum dan maksimumnya, mengingat tingkat permintaan tidak

tentu (fluktuatif), sehingga persediaan harus selalu ada dan jumlah yang dipesan bersifat

tetap, disini yang bersifat tetap adalah titik pemesanan ulang disesuaikan dengan jumlah

minimum maksimum.

Cara kerja sistem ini yaitu apabila persediaan telah melewati batas minimum dan

mendekati batas safety stock maka reorder harus dilakukan. Jadi batas minimum

(minimum stock) merupakan batas tingkat reorder. Batas maksimum (maximum stock)

adalah batas kesediaan perusahaan untuk menginvestasikan uangnya dalam bentuk

persediaan bahan baku. Jadi dalam hal ini yang terpenting adalah batas minimum dan

maksimum untuk dapat menentukan order quantity. Dalam menghitung safety stockpada

metode ini dibutuhkan rata-rata permintaan per bulannya.

31

Metode ini mempunyai beberapa persamaan dalam perhitungannya seperti

berikut:

Safety stock : SS =

Minimum stock = (DL) + SS

Maximum stock = 2(DL) + SS

Order quantity : Q* = Max stock – Min stock

Banyak pemesanan : N=

Average interval control : I =SS + (½ Q*)

Turn over ratio : TOR =

Total inventory cost : TC(Min-Max) =

Keterangan:

Q* = jumlah optimum unit per pesanan (EOQ)

D = permintaan per periode

Co = biaya pemesanan untuk setiap pesanan

Cc = biaya penyimpanan per unit per tahun

Q = jumlah unit per pesanan

TC = biaya total

I = rata-rata tingkat persediaan (average inventory)

32

N = jumlah pemesanan yang diperkirakan selama setahun

T = waktu antara pesanan yang diperkirakan

2.2Penelitian Terdahulu

Tabel 2.1 Penelitian Terdahulu

Metode

Penelitian

Nama

Pengarang

Judul

JurnalHasil Penelitian

Forecastin

g

Haryadi

Sarjono;Yuli

a Agustina;

Arko Pujadi

Management

Expose

Volume 8,

No. 17,

September

2008,

ISSN 1410-

8631,

Berdasarkan metode peramalan moving

average, metode double moving average,

metode exponential smoothing,danmetode

exponential smoothing with trend yang

digunakan didapatkan hasil yang tingkat

kesalahan terkecil yaitu terdapat pada

metode exponential smoothing dengan

MAD = 15,67 (alpha 0,1) dan MSE =

33

“Analisis

Peramalan

Penjualan

pada PT.

Multi Megah

Mandiri”

tahun

2008p.60-78.

366,10 (alpha 0,5).

Inventory Hendi; dkk Business

Strategy,

p.85 2006

Penerapan sistem inventory dan

peramalan dapat meningkatkan kinerja

perusahaan dan dapat juga

mengendalikan internal dan eksternal

perusahaan. Dapat mengetahui EOQ dan

ROP.

Forecastin

g dan

Inventory

Syntetos, A

A; Boylan, J

E; Disney, S

M

The Journal

of the

Operational

Research

Society

Volume 60,

May 2009,

ISSN

01605682,

“Forecasting

Bidangperencanaanpersediaan

danperamalantelahmengalamikemajuanlu

ar biasaselama50tahun terakhir. Telah ada

perkembangan metodologi yang

signifikan, antara lain munculnya sistem

dinamik, teori kontrol dan metode

peramalan statistik. Perkembangan ini

telah dicerminkan dari aplikasi perangkat

lunak baru, yang mencerminkan

pentingnya perencanaan persediaan dan

34

for Inventory

Planning: A

50-Year

Review”

tahun

2009p.149-

160.

peramalan dalam situasi praktek.

Sumber: Hasil Studi Literatur

2.3Kerangka Pemikiran

Gambar 2.2 Kerangka Pemikiran

Koperasi Niaga Abadi Ridhotullah

Forecasting

Moving Averages

Exponential Smoothing

Exponential Smoothing with Trend

Linear regression

Weighted Moving

Averages

35

Sumber: Penulis

MAD dan MSE Terkecil

Inventory

EOQ Min-Max

Implikasi Hasil Penelitian

Pilihan Efisiensi