BAB II

LANDASAN TEORI

2.1 Kajian Pustaka

2.1.1 Pengertian Manajemen Operasi

Menurut Jay Heizer dan Barry Render (2010 : 4), manajemen operasi

adalah serangkaian aktivitas yang menghasilkan nilai dalam bentuk barang dan

jasa dengan mengubah input menjadi output.

Menurut Sofjan Assauri (2004 : 12), manajemen produksi dan operasi

merupakan proses pencapaian dan pengutilisasian sumber-sumber daya untuk

memproduksi atau menghasilkan barang-barang atau jasa-jasa yang berguna

sebagai usaha untuk mencapai tujuan dan sasaran organisasi.

Richard L. Daft (2006 : 216) mendefinisikan Manajemen Operasi sebagai

bidang manajemen yang mengkhususkan pada produksi barang. Artinya kegiatan

operasi hanya berfokus pada kegiatan memproduksi barang dan memecahkan

masalah-masalah yang berkaitan dengan sektor produksi.

Dari beberapa pengertian diatas dapat ditarik kesimpulan bahwa

manajemen operasi merupakan kegiatan produksi dengan memanfaatkan

sumberdaya yang ada sehingga menghasilkan nilai dalam bentuk barang dan jasa.

2.1.2 Persediaan

Pendapat Ridwan S. Sundjaja (2007 : 379), persediaan meliputi semua

barang atau bahan yang diperlukan dalam proses produksi dan distribusi yang

8

9

digunakan untuk proses lebih lanjut atau dijual, sedangkan persediaan menurut

Sofjan Assauri (2004 : 169) adalah suatu aktiva yang meliputi barang-barang

milik perusahaan yang dimaksud untuk dijual dalam satu periode usaha yang

normal atau persediaan barang baku yang menunggu penggunaannya dalam suatu

proses produksi. Dari pengertian persediaan diatas dapat ditarik kesimpulan

bahwa persediaan merupakan barang-barang atau bahan baku yang diperlukan

dalam proses produksi maupun digunakan untuk dijual dalam suatu periode

tertentu.

Adapun alasan diperlukannya persediaan oleh suatu perusahaan menurut

Sofjan Assauri (2004 : 169) adalah sebagai berikut :

1. Dibutuhkannya waktu untuk menyelesaikan operasi produksi untuk

memindahkan produk dari satu tingkat proses yang lain yang disebut

persediaan dalam proses dan pemindahan.

2. Alasan organisasi untuk memungkinkan suatu unit atau bagian membuat

skedul operasinya secara bebas tidak tergantung dari yang lainnya.

Menurut Sofjan Assauri (2004 : 170), persediaan yang diadakan mulai dari

yang bentuk bahan mentah sampai dengan barang jadi antara lain berguna untuk :

1. Menghilangkan resiko keterlambatan datangnya barang atau bahan-bahan

yang dibutuhkan perusahaan.

2. Menghilangkan resiko dari material yang dipesan tidak baik sehingga

harus dikembalikan.

3. Untuk menumpuk bahan-bahan yang dihasilkan secara musiman sehingga

dapat digunakan bila bahan itu tidak ada dalam pasaran.

10

4. Mempertahankan stabilitas operasi perusahaan atau menjamin kelancaran

arus produksi.

5. Mencapai penggunaan mesin yang optimal.

6. Memberikan pelayanan (service) kepada pelanggan dengan sebaik-baiknya

dimana keinginan pelanggan pada suatu waktu dapat dipenuhi adalah

memberikan jaminan tetap tersedianya barang jadi tersebut.

7. Membuat pengadaan atau produksi tidak perlu sesuai dengan penggunaan

atau penjualannya.

Fungsi persediaan menurut Freddy Rangkuty (2004 : 15) adalah sebagai

berikut:

1. Fungsi Decoupling adalah persediaan yang memungkinkan perusahaan

dapat memenuhi permintaan pelanggan tanpa tergantung pada supplier.

2. Fungsi Economic Lot Sizing, persediaan ini perlu mempertimbangkan

penghematan atau potongan pembelian, biaya pengangkutan per unit

menjadi lebih murah dan sebagainya.

3. Fungsi Antisipasi, apabila perusahaan menghadapi fluktuasi permintaan

yang dapat diperkirakan dan diramalkan berdasarkan pengalaman atau

data-data masa lalu yaitu permintaaan musiman.

Menurut Fien Zulfikarijah (2005 : 9), dalam manajemen persediaan

terdapat dua hal yang perlu diperhatikan yaitu:

1. Keputusan persediaan yang bersifat umum merupakan keputusan yang

menjadi tugas utama dalam penentuan persediaan baik kuantitatif maupun

kualitatif. Keputusan kuantitatif bertujuan untuk mengetahui :

11

a. Barang apa yang akan di stock? 

b. Berapa banyak jumlah barang yang akan diproses dan berapa

banyak barang yang akan dipesan?

c. Kapan pembuatan barang akan dilakukan dan kapan melakukan

pemesanan?

d. Kapan melakukan pemesanan ulang (Reorder Point)?

e. Metode apakah yang digunakan untuk menentukan jumlah

persediaan?

2. Keputusan kualitatif adalah keputusan yang berkaitan dengan teknis

pemesanan yang mengarah pada analisis data secara deskriptif. Keputusan

kualitatif bertujuan untuk mengetahui :

a. Jenis barang yang masih tersedia di perusahaan? 

b. Perusahaan atau individu yang menjadi pemasok barang yang

dipesan perusahaan?

c. Sistem pengendalian kualitas persediaan yang digunakan

perusahaan?

Tujuan manajemen persediaan menurut Lukas Setia Atmaja (2003 : 405)

adalah mengadakan persediaan yang dibutuhkan untuk operasi yang berkelanjutan

pada biaya yang minimum.

2.1.2.1 Jenis-Jenis Persediaan

Menurut Jay Heizer dan Barry Render (2010 : 82), persediaan yang ada di

perusahaan biasanya terdiri dari empat jenis yaitu:

12

1. Persediaan Bahan Mentah (Raw Material Inventory) yang telah dibeli,

tetapi belum diproses. Pendekatan yang lebih banyak diterapkan adalah

dengan menghapus variabilitas pemasok dalam mutu, jumlah atau waktu

pengiriman sehingga tidak perlu pemisahan.

2. Persediaan Barang Setengah Jadi (Work In Process Inventory) adalah

komponen-komponen atau bahan mentah yang telah melewati beberapa

proses perubahan, tetapi belum selesai.

3. Persediaan MRO (Maintenance, Repairing, Operating Iventory)

merupakan persediaan yang dikhususkan untuk perlengkapan

pemeliharaan, perbaikan, operasi. Persediaan ini ada karena kebutuhan

akan adanya pemeliharaan dan perbaikan dari beberapa peralatan yang

tidak diketahui sehingga persediaan ini merupakan fungsi jadwal

pemeliharaan dan perbaikan.

4. Persediaan Barang Jadi adalah produk yang telah selesai dan tinggal

menunggu pengiriman. Barang jadi dapat dimasukkan ke persediaan

karena permintaan pelanggan dimasa mendatang tidak diketahui.

2.1.2.2 Biaya-Biaya yang Berkaitan dengan Persediaan

Untuk pengambilan keputusan penentuan besarnya biaya-biaya variabel

dan untuk menentukan kebijakan persediaan yang perlu diperhatikan adalah

bagaimana perusahaan dapat meminimalkan biaya-biaya. Biaya-biaya persediaan

yang harus dipertimbangkan menurut Freddy Rangkuty (2004 : 16) adalah sebagai

berikut :

13

1. Biaya Penyimpanan (holding cost/carrying costs) yaitu biaya-biaya yang

berkaitan dengan penyimpanan atau penahanan (carrying) persediaan

sepanjang waktu tertentu. Oleh karena itu biaya ini mencakup biaya yang

berkaitan dengan gudang, seperti asuransi, penambahan staff, pembayaran

bunga.

2. Biaya Pemesanan (ordering cost) mencakup biaya-biaya pasokan,

formulir, pemrosesan pesanan, tenaga para pekerja.

3. Biaya pemasangan (setup cost) adalah biaya-biaya untuk mempersiapkan

mesin atau proses untuk memproduksi pesanan. Dapat diefisienkan apabila

pemesanan dilakukan secara elektronik. Dalam banyak operasi, biaya

pemasangan secara erat berhubungan dengan waktu pemasangan (setup

time).

Menurut Agus Ristono (2009 : 4) faktor biaya persediaan meliputi :

1. Biaya penyimpanan di gudang, semakin banyak barang yang disimpan

maka akan semakin besar biaya penyimpanannya.

2. Resiko kerusakan barang, semakin lama barang tersimpan di gudang maka

resiko kerusakan barang semakin tinggi.

3. Resiko keusangan barang, barang-barang yang tersimpan lama akan “out

of date” atau ketinggalan zaman.

14

2.1.2.3 Peranan Perencanaan dan Pengendalian Persediaan

Perencanaan dan pengendalian merupakan bagian dari manajemen

persediaan. Pengendalian adalah suatu tindakan agar aktivitas dilakukan dengan

sebaik-baiknya sesuai dengan rencana yang telah ditetapkan. Pengendalian tanpa

perencanaan adalah sia-sia dan perencanaan tanpa pengendalian merupakan

tindakan yang tidak efektif.

Pengendalian persediaan menurut Sofjan Assauri (2004 : 176) adalah salah

satu kegiatan dari urutan kegiatan-kegiatan yang bertautan erat satu sama lain

dalam seluruh operasi produksi perusahaan tersebut sesuai dengan apa yang telah

direncanakan lebih dahulu baik waktu, jumlah, kualitas maupun biayanya.

Menurut Sofjan Assauri (2004 : 176), untuk menentukan pengendalian

persediaan maka harus memenuhi persyaratan-persyaratan sebagai berikut :

1. Terdapat gudang yang cukup luas dan teratur dengan pengaturan tempat

bahan atau barang yang tetap dan identifikasi bahan atau barang tertentu.

2. Sentralisasi kekuasaan dan tanggung jawab pada satu orang dapat

dipercaya terutama penjaga gudang.

3. Suatu sistem pencatatan dan pemeriksaan atas penerimaan bahan atau

barang.

4. Pengawasan mutlak atas pengeluaran bahan atau barang.

5. Pencatatan yang cukup teliti yang menunjukkan jumlah yang dipesan yang

dibagikan atau dikeluarkan dan yang tersedia dalam gudang.

6. Pemeriksaan fisik bahan atau barang yang ada dalam persediaan secara

langsung.

15

7. Perencanaan untuk menggantikan barang-barang yang telah dikeluarkan.

Barang-barang yang telah lama dalam gudang dan barang-barang yang

sudah usang dan telah ketingglan zaman.

8. Pengecekan untuk menjamin dapat efektifnya kegiatan rutin.

Dalam pengendalian persediaan yang dijalankan oleh suatu perusahaan

tentu mempunyai tujuan tertentu. Tujuan pengendalian persediaan secara terinci

menurut Sofjan Assauri (2004 : 177) dapat dinyatakan sebagai usaha untuk :

a. Menjaga jangan sampai perusahaan kehabisan persediaan sehingga dapat

mengakibatkan terhentinya kegiatan produksi.

b. Menjaga agar pembentukan persediaan oleh perusahaan tidak terlalu besar

atau berlebih-lebihan.

c. Menjaga agar pembelian secara kecil-kecilan dapat dihindari karena ini

akan mengakibatkan biaya pemesanan terlalu besar.

2.1.2.4 Model Kuantitas Pesanan Ekonomis (Economic Order Quantity)

Menurut Jay Heizer dan Barry Render (2010 : 92), model kuantitas

pesanan ekonomis (Economic Order Quantity) adalah salah satu teknik kontrol

persediaan yang meminimalkan biaya total dari pemesanan dan penyimpanan.

Teknik ini relatif mudah digunakan tetapi didasaarkan pada beberapa asumsi :

1. Jumlah permintaan diketahui, konstan, dan independen.

2. Waktu tunggu yakni waktu antara pemesanan dan penerimaan pesanan

diketahui dan konstan.

16

3. Penerimaan persediaan bersifat instan dan selesai seluruhnya. Dengan kata

lain, persediaan dari sebuah pesanan datang dalam satu kelompok pada

suatu waktu.

4. Tidak tersedia diskon kuantitas.

5. Biaya variabel hanya biaya untuk menyiapkan atau melakukan pemesanan

(biaya penyetelan) dan biaya menyimpan persediaan dalam waktu tertentu

(biaya penyimpanan).

6. Kehabisan persediaan (kekurangan persediaan) dan dapat sepenuhnya

dihindari jika pemesanan dilakukan pada waktu yang tepat.

Dengan asumsi seperti diatas, maka tahapan untuk mencari jumlah

pemesanan yang menyebabkan biaya minimal adalah sebagai berikut :

1. Mengembangkan persamaan untuk biaya pemasangan atau pemesanan.

2. Mengembangkan persamaan untuk biaya penahanan atau penyimpanan.

3. Menetapkan biaya pemasangan sama dengan biaya penyimpanan.

4. Menyelesaikan persamaan dengan hasil angka jumlah pemesanan yang

optimal.

17

Gambar 2.1 Penggunaan Persediaan dalam Waktu Tertentu

Sumber : Jay Heizer dan Barry Render (2010 : 93)

Perhitungan EOQ dapat dihitung dengan rumus :

Keretangan :

EOQ = Jumlah optimal barang per pemesanan (Q*)

D = Permintaan tahunan barang persediaan dalam unit

S = Biaya pemasangan atau pemesanan setiap pesanan

H = Biaya penahan atau penyimpanan per unit per tahun

Selain rumus EOQ, terdapat beberapa rumus untuk mendukung

perhitungan biaya persediaan, antara lain :

1.

Persediaan minimum

Kuantitas pesanan = Q

(tingkat persediaan maksimum)

Persediaan

minimum

Persediaan rata-rata

yang tersedia

Tingkat Penggunaan

Tingkat Persediaan

0

18

2.

3.

4.

5. Total harga per unit = Harga per unit x D

6. Total Harga Keseluruhan = Total harga per unit + Biaya pemesanan

tahunan + Biaya penyimpanan tahunan

2.1.2.5 Reorder Point (ROP)

Menurut Jay Heizer dan Barry Render (2010 : 99), titik pemesanan ulang

(Reorder Point) yaitu tingkat persediaan dimana ketika persediaan mencapai

tingkat tersebut, pemesanan harus dilakukan.

Gambar 2.2 Titik Pemesanan Ulang (ROP)

Sumber : Jay Heizer dan Barry Render (2010 :100)

Waktu tunggu = L

Kemiringan = unit/hari = d

Tingkat Persediaan

Waktu (hari)

Q*

ROP

(unit)

19

Keterangan : Q* adalah kuantitas pesanan optimum, dan waktu tunggu

mempresentasikan waktu antara penempatan pesanan dan penerimaan

pesanan.

Rumus untuk menentukan ROP adalah sebagai berikut :

ROP = d x L

Keterangan : d = Permintaan per hari

L = Waktu tunggu pesanan baru dalam hari

Persamaan untuk ROP ini mengasumsikan permintaan selama waktu

tunggu dan waktu tunggu itu sendiri adalah konstan.

Permintaan per hari (d) dihitung dengan membagi permintaan tahunannya

(D) dengan jumlah hari kerja dalam satu tahun :

2.1.2.6 Persediaan Pengaman (Safety Stock)

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

persediaan tambahan yang diadakan untuk melindungi atau menjaga kemungkinan

terjadinya kekurangan bahan (stock out).

Menurut Taylor (2005 : 364), persediaan cadangan adalah persediaan yang

disimpan untuk mengantisipasi permintaan pelanggan yang sulit diketahui dengan

pasti. Stok cadangan ini disimpan untuk memenuhi permintaan musiman atau

siklus.

20

Menurut Sofjan Assauri (2004 : 186), Faktor-faktor yang menentukan

besarnya persediaan pengaman adalah :

1. Penggunaan bahan baku rata-rata

Salah satu dasar untuk memperkirakan penggunaan bahan baku selama

periode tertentu, khususnya selama periode pemesanan adalah rata-rata

penggunaan bahan baku pada masa sebelumnya.

2. Faktor waktu atau lead time (Procurement Time)

Didalam pengisian kembali persediaan terdapat suatu perbedaan waktu yang

cukup lama antara saat mengadakan pesanan (order) untuk menggantikan atau

pengisian kembali persediaan dengan saat penerimaan barang-barang yang

dipesan tersebut.

Menurut Fien Zulfikarijah (2005 : 144-145) ada beberapa faktor yang

dapat menyebabkan perusahaan melakukan safety stock, yaitu :

1. Biaya atau kerugian yang disebabkan oleh stock out tinggi. Apabila bahan

yang digunakan untuk proses produksi tidak tersedia, maka aktivitas

perusahaan akan terhenti yang menyebabkan idle tenaga kerja dan fasilitas

pabrik yang pada akhirnya perusahaan akan kehilangan penjualannya.

2. Variasi atau ketidakpastian permintaan yang meningkat. Adanya jumlah

permintaan yang meningkat atau tidak sesuai dengan peramalan yang ada

diperusahaan menyebabkan tingkat kebutuhan persediaan yang meningkat

pula, oleh karena itu perlu dilakukan antisipasi terhadap safety stock agar

semua permintaan dapat terpenuhi.

21

3. Resiko stock out meningkat. Keterbatasan jumlah persediaan yang ada di

pasar dan kesulitan yang dihadapi perusahaan mendapatkan persediaan

akan berdampak pada sulitnya terpenuhi persediaan yang ada di

perusahaan, kesulitan ini akan menyebabkan perusahaan mengalami stock

out.

4. Biaya penyimpanan safety stock yang murah. Apabila perusahaan

memiliki gudang yang memadai dan memungkinkan, maka biaya

penyimpanan tidaklah terlalu besar. Hal ini dimaksudkan untuk

mengantisipasi terjadinya stock out.

2.1.3 Peramalan

2.1.3.1 Pengertian Peramalan

Menurut Manahan Tampubolon (2004 : 40) peramalan merupakan

penggunaan data untuk menguraikan kejadian yang akan datang di dalam

menentukan sasaran yang dikehendaki.

Menurut Roger Schroeder (2004 : 207) peramalan adalah satu masukan

untuk semua jenis perencanaan dan pengendalian bisnis, baik di dalam dan di luar

fungsi operasi.

Peramalan menurut Arman Hakim (2003 : 25) adalah proses untuk

memperkirakan beberapa kebutuhan di masa mendatang meliputi kebutuhan

dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka

memenuhi permintaan barang ataupun jasa.

22

2.1.3.2 Meramalkan Horison Waktu

Menurut Jay Heizer dan Barry Render (2010 : 163) peramalan biasanya

diklasifikasikan menurut horizon waktu masa depan yang dicakupnya.

Horizon waktu terbagi atas beberapa kategori:

1. Peramalan jangka pendek.

Peramalan ini mencakup 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, dan menganalisa berbagai macam kegiatan operasi.

3. Peramalan jangka panjang.

Umumnya untuk perencanaan 3 tahun atau lebih. Perencanaan

jangka panjang digunakan untuk merencanakan produk baru,

pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian

dan pengembangan (litbang).

23

2.1.3.3 Pendekatan dalam peramalan

Terdapat dua pendekatan umum untuk peramalan sebagaimana ada dua

cara mengatasi semua model keputusan. Pendekatan yang satu adalah analisis

kuantitatif dan pendekatan lain adalah analisis kualitiatif.

1. Peramalan kuantitatif (quantitative forecast) menggunakan model

matematis yang beragam dengan data masa lalu dan variabel sebab akibat

untuk meramalkan permintaan.

2. Peramalan subjektif atau kualitatif (qualitative forecast) menggabungkan

faktor, seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai

pengambil keputusan untuk meramal.

2.1.3.4 Jenis - Jenis Peramalan

Menurut Jay Heizer dan Barry Render (2010 : 164), organisasi pada

umumnya menggunakan tiga tipe peramalan yang utama dalam perencanaan

organisasi di masa depan :

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

memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan

untuk membangun perumahan, dan indikator perencanaan lainnya.

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

suatu produk atau layanan suatu perusahaan. Peramalan ini disebut juga

24

peramalan penjualan, yang mengendalikan produksi, kapasitas, serta

sistem penjadwalan dan menjadi input bagi perencanaan keuangan,

pemasaran, dan sumber daya manusia.

2.1.3.5 Model-Model Peramalan

Menurut Jay Heizer dan Barry Render (2010 : 168), peramalan memiliki

dua model yang terdiri dari masing-masing metode yaitu :

a. Model deret waktu

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.

b. Model asosiatif

Model asosiatif (hubungan sebab akibat), seperti regresi linier,

menggabungkan banyak variabel atau faktor yang mungkin mempengaruhi

kuantitas yang sedang diramalkan.

2.1.3.6 Peramalan Deret Waktu

Jay Heizer dan Barry Render (2010 : 169), menganalisis deret waktu

berarti membagi data masa lalu menjadi komponen-komponen, kemudian

memproyeksikannya ke masa depan. Deret waktu mempunyai empat komponen,

antara lain :

25

1. Tren, merupakan pergerakan data sedikit demi sedikit meningkat atau

menurun. Perubahan pendapatan, populasi, penyebaran umur, atau

pandangan budaya dapat mempengaruhi pergerakan tren.

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

hari, minggu, bulan, atau kuartal.

3. Siklus, adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus

ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting

dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus

bisnis sulit dilakukan karena adanya pengaruh kejadian politik ataupun

kerusuhan internasional.

4. Variasi acak, merupakan satu titik khusus dalam data yang disebabkan

oleh peluang dan situasi yang tidak lazim. Variasi acak tidak mempunyai

pola khusus sehingga tidak dapat diprediksi.

2.1.3.7 Metode Peramalan Kuantitatif

Jay Heizer dan Barry Render dalam buku Manajemen Operasi (2010 :

170-175), metode - metode peramalan kuantitatif, terdiri dari :

1. Pendekatan Naif (Naive Method)

Cara paling sederhana untuk meramal adalah berasumsi bahwa

permintaan di periode mendatang akan sama dengan permintaan pada

periode terakhir. Untuk beberapa jenis produk, pendekatan naif (naive

method) merupakan model peramalan objektif yang paling efektif dan

26

efisien dari segi biaya. Paling tidak, pendekatan naif memberikan titik

awal untuk perbandingan dengan model lain yang lebih canggih.

2. 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 kita ramalkan. Secara matematis, rata-rata bergerak sederhana

(merupakan prediksi permintaan periode mendatang) dinyatakan sebagai

berikut :

dimana n adalah jumlah periode dalam rata-rata bergerak.

3. Rata-Rata Bergerak dengan Pembobotan (Weighted Moving Average)

Saat terdapat tren atau pola yang terdeteksi, bobot dapat digunakan

untuk menempatkan penekanan yang lebih pada nilai terkini. Pemilihan

bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk

menetapkan mereka. Oleh karena itu, pemutusan bobot yang digunakan

membutuhkan pengalaman. Sebagai contoh, jika bulan atau periode

terakhir diberi bobot yang terlalu berat, peramalan dapat menggambarkan

perubahan yang terlalu cepat yang tidak biasa pada permintaan atau pola

penjualan.

Rata-rata bergerak dengan pembobotan akan digambarkan secara

sistematis sebagai berikut.

27

4. Penghalusan Eksponential (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 :

Peramalan baru =

Peramalan periode terakhir

+ α (Permintaan sebenarnya periode terakhir – peramalan periode terakhir)

dimana α adalah sebuah bobot atau konstanta penghalusan yang dapat

dipilih oleh peramal yang mempunyai nilai antara 0 dan 1. Persamaan

rumus diatas juga dapat ditulis secara sistematis sebagai berikut.

Ft = Ft-1 + α (At-1 – Ft-1)

dimana :

Ft = Peramalan baru

Ft-1 = Peramalan sebelumnya

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

At-1 = Permintaan aktual periode lalu

28

5. Penghalusan Eksponential dengan Penyesuaian Trend (Exponential

Smoothing with Trend)

Model penghalusan eksponensial yang lebih rumit dan dapat

menyesuaikan diri pada tren yang ada. Idenya adalah menghitung tren

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, kita menghitung rata-rata dan

tren untuk setiap periode. Rumus Penghalusan Eksponential dengan

Penyesuaian Trend adalah sebagai berikut.

Ft = α (At-1) + (1-α) (Ft-1 + Tt-1) , Tt = β (Ft-Ft-1) + (1-β) Tt-1

dimana :

Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri

pada periode t

Tt = tren dengan eksponensial yang dihaluskan pada periode t

At = permintaan aktual periode t

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

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

6. Proyeksi Trend (Linear Regression)

Proyeksi Tren merupakan suatu metode peramalan yang

mencocokan garis tren pada serangkaian data masa lalu, kemudian

29

memproyeksikan garis pada masa mendatang untuk peramalan jangka

menengah atau jangka panjang.

Rumus untuk menentukan perhitungan Linear Regression adalah

sebagai berikut.

y = a + bx

dimana :

y = nilai terhitung dari variabel yang akan diprediksi

a = persilangan sumbu y

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

perubahan yang terjadi di x

x = variable bebas (dalam kasus ini adalah waktu).

Untuk menentukan nilai a dan b, akan di jelaskan pada rumus dibawah ini.

dimana :

b = kemiringan garis regresi

∑ = tanda penjumlahan total

X = nilai variabel bebas yang diketahui

y = nilai variabel terkait yang diketahui

a = ȳ - bx̄

dimana :

ȳ = rata-rata nilai y

x̄ = rata-rata nilai x.

30

2.1.3.8 Menghitung 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 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 (Mean Squared Error)

terkecil merupakan ramalan yang terbaik.

Sedangkan menurut Freddy Rangkuti (2005 : 80) menyatakan keharusan

untuk membadingkan perhitungan yang memiliki nilai MAD (Mean Absolute

Deviation) paling kecil, karena semakin kecil MAD berarti semakin kecil pula

perbedaan antara hasil forecasting dan nilai aktual.

Menurut Vincent Gaspers (2005 : 80) dalam bukunya menyebutkan

akurasi peramalan akan semakin tinggi apabila nilai-nilai MAD, MSE, dan MAPE

semakin kecil.

Menurut Jay Heizer dan Barry Render (2010 ; 177), ada beberapa

perhitungan yang biasa digunakan untuk menghitung kesalahan peramalan total.

Perhitungan ini dapat digunakan untuk membandingkan model peramalan yang

berbeda, mengawasi peramalan, dan untuk memastikan peramalan berjalan baik.

Tiga dari perhitungan yang paling terkenal adalah deviasi mutlak rerata (Mean

Absolute Deviation – MAD), kesalahan kuadrat rerata (Mean Squared Error –

MSE), dan kesalahan persen mutlak rerata (Mean Absolute Percent Error –

MAPE).

31

1. Deviasi Rata-Rata Absolut (Mean Absolute Deviation)

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. Rumus untuk menghitung MAD adalah sebagai berikut.

2. Kesalahan Rata-Rata Kuardrat (Mean Square Error)

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. Rumus untuk menghitung MSE adalah sebagai berikut.

2.1.4 Pohon Keputusan

Dalam penelitian operasional, teori pohon keputusan merupakan bagian

dari pembahasan teori keputusan dan permainan. Pohon keputusan disajikan untuk

mengevaluasi hal yang dapat disebut sebagai alternatif tahap tunggal. Dalam arti

bahwa, keputusan dimasa mendatang tidak tergantung pada keputusan yang

diambil sekarang. Proses keputusan (decision process) adalah proses yang

memerlukan satu atau sederetan keputusan untuk menyelesaikannya. Tiap

keputusan yang diambil mempunyai suatu keuntungan atau kerugian yang

32

berkaitan dengannya yang ditentukan pula oleh berbagai keadaan luar (external)

yang mengelilingi proses itu (suatu segi membedakannya dari proses yang lain).

Nurhasanah, Nunung. (2003 : 59).

Jika terdapat dua atau lebih keputusan yang berurutan, dan keputusan yang

terakhir didasarkan pada hasil keputusan yang sebelumnya, maka pendekatan

dengan menggunakan pohon keputusan sangat tepat untuk digunakan.

2.1.4.1 Pengertian Pohon Keputusan

Menurut Antonie (2008), Decision Tree adalah struktur pohon, dimana

setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang

merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan

kelompok kelas tertentu. Level node teratas dari sebuah Decision Tree adalah

node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh

terbesar pada suatu kelas tertentu. Pada umumnya Decision Tree melakukan

strategi pencarian secara top-down untuk solusinya. Pada proses mengklasifikasi

data yang tidak diketahui, nilai atribut akan diuji dengan cara melacak jalur dari

node akar (root) sampai node akhir (leaf) dan kemudian akan diprediksi kelas

yang dimiliki oleh suatu data baru tertentu.

Menurut Siswanto (2007 : 55), Pohon Keputusan (Decision Tree) adalah

model visual untuk menyederhanakan proses pembuatan keputusan secara

rasional. Dengan adanya visualisasi memungkinkan untuk memahani proses

pembuatan keputusan yang berstruktur, bertahap, dan rasional. Pembuatan

keputusan sendiri berarti memilih alternatif-alternatif keputusan yang tersedia,

33

karena unsur ketidakpastian maka berbagai kemungkinan keadaaan akan dihadapi

oleh masing-masing alternatif keputusan itu. Oleh karena itu, diagram keputusan

mempunyai noda keputusan dan noda cabang.

Dari beberapa pengertian diatas, disimpulkan bahwa Pohon Keputusan

adalah metode yang digunakan sebagai pengambilan keputusan dari berbagai

alternatif keputusan yang tersedia melalui proses pembuatan keputusan yang

berstruktur, bertahap, dan rasional dengan diagram keputusan yang mempunyai

noda keputusan dan noda cabang.

2.1.4.2 Analisis Pohon Keputusan (Decision Tree)

Mulyono (2004 : 233), diagram pohon sering kali membantu dalam

memahami dan menyelesaikan persoalan probabilitas. Diagram pohon biasanya

digambarkan dengan lambang yang baku. Dimulai dengan suatu nokhta kemudian

dibuat cabang-cabang sebanyak peristiwa yang mungkin dapat dihasilkan dari

percobaan. Pada masing-masing cabang dituliskan probabilitas terjadinya

peristiwa yang bersangkutan. Jika percobaan dilakukan lagi, maka langkah-

langkah itu diulang. Setiap cabang berakhir pada nokhta yang kemudian diisi

dengan probabilitas peristiwa bersama. Pada nokhta yang paling awal dituliskan

angka 1 yang artinya jumlah probabilitas dari seluruh peristiwa yang mungkin.

(Simarmata, 2005), kelebihan dari metode pohon keputusan adalah :

1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat

global, dapat diubah menjadi lebih simpel dan spesifik.

34

2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika

menggunakan metode pohon keputusan maka sample diuji hanya

berdasarkan kriteria atau kelas tertentu.

3. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang

terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain

dalam node yang sama. Kefleksibelan metode pohon keputusan ini

meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika

menggunakan metode perhitungan satu tahap yang lebih konvensional.

4. Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya

sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan

baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi

kelas tersebut. Metode pohon keputusan dapat menghindari munculnya

permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih

sedikit pada setiap node internal tanpa banyak mengurangi kualitas

keputusan yang dihasilkan.

35

Gambar 2.3 Decision Tree (Pohon Keputusan)

Sumber : Siswanto (2007)

1Decision

13

12

11

10

9

8

7

6

5

2

Alternatif 1

Alternatif 3

Alternatif 23

4

36

2.2 Peneliti Terdahulu

Tabel 2.1 Peneliti Terdahulu

Metode Penelitian Jurnal Nama Pengarang Hasil Penelitian

Forecasting Journal of ComputationalInformation System 8: 20 (2012) 8487-8494A Reactive Prediction Method for Dynamic Job Scheduling Problem

Fuqing ZHAO, Yang ZHUO (2012)

Masalah yang tidak menentu sangat memperngaruhi penjadwalan pekerjaan. Hasil eksperimen menunjukkan bahwa metode winter adalah metode yang paling akurat. Metode kedua yang menunjukkan nilai MAD dan MSE terkecil setelah metode winter adalah Naive Method. Metode tersebut dapat digunakan dalam praktek untuk memecahkan masalah pengurangan biaya produksi dan optimasi alokasi sumber daya.

Economic Order Quantity (EOQ)

Proceedings of the World Congress on Engineering and Computer Science 2011 Vol II WCECS 2011, October 19 - 21, 2011, San Francisco, USA The Modification of EOQ Model under the Spare Parts Discrete Demand:A Case Study of Slow Moving Items

Sakon Wongmongkolrit, Bordin Rassameethes(2011)

Hasil perhitungan pada produk Auxiliary contact 1no+1nc menunjukkan, optimal lot size = 3,698 unit, actual lot size = 4 unit, actual purchasing = 12 unit, dan safety stock = 9 unit. ROP dilakukan apabila persediaan mendekati safety stock.Hasil perhitungan pada produk Battery (for PLC)menunjukkan, optimal lot size = 0,667 unit, actual lot size = 1 unit, actual purchasing = 8 unit, safety stock = 16 unit. ROP dilakukan apabila persediaan mendekati safety stock.

37

Metode Penelitian Jurnal Nama Pengarang Hasil Penelitian

Hasil perhitungan pada produk Under voltage coil menunjukkan, optimal lot size = 1,569 unit, actual lot size = 2 unit, actual purchasing = 4 unit, safety stock = 6 unit. ROP dilakukan apabila persediaan mendekati safety stock.

Pohon Keputusan (Decision Tree)

J. Dairy Sci. 94 :1873–1892, doi: 10.3168/jds.2010-3930, ©American Dairy Science Association®, 2011.Decision tree analysis of treatment strategies for mild and moderate cases of clinical mastitis occurring in early lactation

C. Pinzón-Sánchez , V. E. Cabrera , and P. L. Ruegg (2011)

Pohon Keputusan adalah metode yang paling efektif untuk memastikan strategi perawatan yang paling ekonomis untuk commercial dairy herds (ternak sapi perah komersial) dan juga sebagai alat instruksional yang berguna untuk memahami interaksi kompleks yang mempengaruhi ekonomi dari perawatan CM (Clinical Mastitis).Hasil dari model tersebut menyatakan strategi terbaik adalah untuk mengobati mastitis yang disebabkan oleh gram-positive pathogens untuk 2 D dan menghindari penggunaan antimikroba untuk CM yang disebabkan oleh gram-negative pathogen atau ketika tidak ada pathogen yang pulih. Penggunaan terapi yang diperpanjang (5 atau 8 D) menghasilkan lebih sedikit EMV (Expected Monetary Value).

Sumber : Hasil Pengolahan Data (2012)

38

2.3 Kerangka Pemikiran

Gambar 2.4 Kerangka Pemikiran

Sumber : Hasil Pengolahan Data, (2012)

Perencanaan Persediaan Bahan Baku

Metode EOQ(Economic Order Quantity)

Tepung Terigu Gula Pasir Mentega

Pengiriman Bahan Baku ke Perusahaan

Decision Tree

Buana Trans Sejahtera

Mitra Sukses Bersama

Hasil Keputusan

Galang Tri Manunggal

Implikasi Hasil Penelitian

Weighted Moving Average

Moving Average

Peramalan Penjualan

Exponential Smoothing with

Trend

Exponential Smoothing

Linear Regression

Naive Method

Nilai Terkecil dari MAD dan MSE

PT. Sebastian Citra Indonesia