53

BAB 4

HASIL DAN PEMBAHASAN

4.1. Analisis data dan Pembahasan

Analisis data dilakukan dengan langkah-langkah sebagai berikut :

4.1.1. Pengambilan Data Penjualan

Data penjualan diambil dari jumlah penjualan salah satu produk pada PT.

Jakarta Notebook yang mempunyai tingkat penjualan tinggi. Jumlah penjualan

dibuat dalam format harian dengan tidak memasukkan hari libur kerja.

Pengambilan data dilakukan pada periode 23 Juli 2011 sampai dengan 24

November 2011. Jumlah persediaan yang tersedia sekarang adalah 150, lead time

pengiriman barang adalah 2 hari dan safety stock bernilai 30.

Data penjualan dapat dilihat pada Lampiran 1 dan diagram plot data

penjualan dapat dilihat padaGambar 4.1.

Gambar 4.1 Gambar Diagram Penjualan Produk per Hari

0

20

40

60

80

100

120

140

160

1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97

54

4.1.2. Identifikasi Model

Data penjualan yang sudah didapat dilakukan identifikasi model oleh

program sehingga didapatkan model yang cocok adalah ARIMA (0,1,1) dengan

penjelasan sebagai berikut :

Nilai data ACF pada d = 0dapat dilihat pada Tabel 4.1dan diagram plot ACF pada d = 0 dapat dilihat padaGambar 4.2.

Tabel 4.1 Nilai ACF pada d = 0

Lag Nilai 1 0.3546222 0.31093 0.2638834 0.1682055 0.1818986 0.1988667 0.1800588 0.0459069 -0.04644

10 0.04503311 -0.043112 -0.002113 0.08082614 0.04325715 0.02666416 -0.0126117 -0.0246818 -0.0183819 -0.0017720 0.06388221 0.07376122 0.05964323 0.05589124 0.130976

55

Gambar 4.2 Gambar Diagram Plot ACF pada d = 0

Karena data belum stasioner maka dilakukan differencing dengan nilai d = 1.

Diagram plot data yang telah didifferencing dapat dilihat pada Gambar 4.3.

Nilai data ACF pada d = 1 dapat dilihat padaTabel 4.2 dan diagram plot ACF pada d = 1 dapat dilihat padaGambar 4.4.

56

Gambar 4.3 Diagram Plot data pada d = 1

Tabel 4.2 Nilai ACF pada d = 1

Lag Nilai 1 -0.476392 0.0093823 0.0382084 -0.079365 -0.017886 0.0379857 0.0835288 -0.027989 -0.12842

10 0.1307711 -0.0839712 -0.04713 0.09574114 -0.000315 -0.0080616 -0.0071817 -0.0270318 -0.0054319 -0.0360420 0.04375421 0.02587822 -0.0125523 -0.07714

80

60

40

20

0

20

40

60

80

100

120

1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97

57

Lag Nilai 24 0.144639

Gambar 4.4 Gambar Diagram Plot ACF pada d = 1

Karena data sudah stasioner pada rata-rata dan varians dilihat dari diagram plot pada Gambar 4.3 dan diagram ACF pada Gambar

4.4maka dilakukan penghitungan PACF.

Nilai data PACF pada d = 1 dapat dilihat pada Tabel 4.3dan diagram plot PACF pada d = 1 dapat dilihat padaGambar 4.5.

58

Tabel 4.3Nilai PACF pada d = 1

Lag Nilai 1 -0.476392 -0.281443 -0.126644 -0.159395 -0.188476 -0.131017 0.0429448 0.0763129 -0.12905

10 -0.0149211 -0.040312 -0.1322413 -0.0767314 -0.0217715 0.0162816 0.01290217 -0.0480418 -0.0581319 -0.0850920 -0.0988421 -0.0630122 -0.0212623 -0.1499124 0.044686

59

Gambar 4.5 Gambar Diagram Plot PACF pada d = 1

DariGambar 4.4 nilai ACF signifikan pada lag 1 danGambar 4.5memperlihatkan bentuk gelombang sehingga model ARIMA

didapatkan (0,1,1)

4.1.3. Estimasi Parameter dengan PSO

Dengan model ARIMA (0,1,1) maka jumlah parameter yang perlu

diestimasi adalah dengan persamaan model ARIMA :

1 Ba

1 a

a a

60

Hasil estimasi dari program memberikan nilai parameter 0.7483

dengan nilai standart error 0.083 maka dilakukan pengujian signifikan parameter

sebagai berikut :

: 0

: 0

Dengan nilai t = 9.016 maka tolak Ho dengan nilai statistik uji 1.98.

4.1.4. Uji Kesesuaian Model

Agar model dapat digunakan maka dilakukan uji kesesuaian model yang

meliputi uji white noise dan uji asumsi distribusi normal. Dari hasil residual ACF

dan PACF pada Gambar 4.6 tidak ada yang melebihi confidence interval maka

sudah memenuhi asumsi white noise dan pada Gambar 4.7 nilai p-value adalah 0.1

sehingga data berdistribusi normal karena nilai p-value lebih besar dari 0.05.

61

Gambar 4.6 Gambar Diagram Residual ACF dan PACF

Gambar 4.7 Gambar Uji Kolmogorov-Smirnov

4.1.5. Nilai MSEModel

Dengan model yang sudah didapat dilakukan perhitungan MSE dengan

cara menghitung nilai pada t = 1,2,,N sehingga didapatkan nilainya =

450.9681.

4.1.6. Hasil Peramalan Penjualan dan Reorder Point Planning

Tabel 4.4menunjukkan hasil ramalan penjualan dengan menerapkan

metode peramalan Box-Jenkins.

Tabel 4.4 Tabel Peramalan Penjualan

Hari PersediaanAwal

RamalanPenjualan

PersediaanAkhir

1 150 31 1192 119 31 883 88 30 584 58 30 285 28 30 0

62

Dari hasil peramalan penjualan perharian dan nilai safety stock yang

diketahui maka didapatkan nilai reorder point adalah 92. Sehingga reorder

dilakukan pada 2 hari yang akan datang dan setelah lead time yaitu 4 hari yang

akan datang maka akan dilakukan restock.

Hasil tampilan dari program dapat dilihat pada Gambar 4.8:

Gambar 4.8 Gambar Tampilan Laporan Reorder Point Planning

4.1.7. Hasil Simulasi Penerapan Reorder Point Planning

Untuk melihat apakah sistem reorder point planning dapat diterapkan

maka dibandingkan antara jumlah peramalan dengan data asli pada 5 hari

setelahnya yang dapat dilihat adaTabel 4.5.

63

Tabel 4.5 Tabel Simulasi Implementasi ROP

Hari PersediaanAwal RamalanPenjualan Penjualan StockAkhir Keputusan1 150 31 63 87 2 87 31 31 56 Reorder3 56 30 27 29 4 29 30 24 5 Restock5 5 30 81 0 StockHabis

Dari simulasi diatas jika mengikuti hasil program dimana reorder

dilakukan pada 2 hari ke depan maka barang akan dilakukan restock pada hari ke 4

dan ketika barang tidak akan habis pada hari ke 5 sehingga dengan adanya sistem

reorder point planning ini akan membantu sistem pengolahan persediaan barang

pada PT. Jakarta Notebook agar tidak sampai terjadi kehabisan persediaan.

4.2. Usul Penerapan / Implementasi

Untuk melakukan penerapan / implementasi penulis mengusulkan beberapa usul

kepada PT. Jakarta Notebook sebagai berikut :

Reorderpointplanning dijalankan melalui cron job yang akan mengirim email laporan reorder pointkepadamanager PT. Jakarta Notebook.

Cron job dijalankan pada setiap hari pada jam 21:00. Reorder point planning hanya akan dijalankan pada produk yang memiliki

persediaan dibawah 1000.

Reorder point planning hanya digunakan sebagai alat bantu pengambil keputusan karena hasil ramalan tidak akan selalu tepat 100% sehingga masih

dibutuhkan keputusan manager untuk menentukan reorder point.