Perencanaan Produksi Menggunakan Model ARIMA dan ...4] DIANA PRATIWI.pdf · ... (time series plot)....
Transcript of Perencanaan Produksi Menggunakan Model ARIMA dan ...4] DIANA PRATIWI.pdf · ... (time series plot)....
Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 25
Perencanaan Produksi Menggunakan Model ARIMA dan Pengendalian Persediaan
Menggunakan Program Dinamik untuk Meminimumkan Total Biaya
(Studi Kasus: Produksi Amplang UD. Usaha Devi)
Production Planning using ARIMA Model and Inventory Controlling using Dynamic Program
for Minimizing Total Cost
(Case Study: Production of Amplang in UD. Usaha Devi)
Diana Pratiwi1, Syaripuddin
2, Haeruddin
3
1Mahasiswa Program Studi Statistika FMIPA Universitas Mulawarman 2,3
Dosen Program Studi Statistika FMIPA Universitas Mulawarman
Email: [email protected], [email protected]
3
Abstract The trading activities in Samarinda are developing quickly that fosters competition among other industrial
activities. In facing the tight rivalry, UD. Usaha Devi has to fill of required from customers. Other sides, it’s
could press of production cost of all totally production cost that it can be expected to press other product
marketing and the saving of cost due the excess inventory. As for the production planning and inventory
control to minimizing the total cost of production in accordance with the result scheduling was needed using
dynamic program. To forecast the demand of amplang from December 2012 to Nopember 2013, it’s used the
ARIMA method with ARIMA (0,1,1) model by purposing function: 𝑍 𝑡 = 𝑍𝑡−1 − 0,9628𝑎𝑡−1 + 𝑎𝑡 . The result
of production planning and inventory control from December 2012 to Nopember 2013 are 3.810, 3.801,
3.793, 3.785, 3.777, 3.769, 3.761, 3.753, 3.745, 3.737, 3.729, and 3.720 packs. Production planning with the
dynamic program for minimizing total cost it’s created the production cost Rp 158.130.000,00.
Keywords: ARIMA, total minimum cost of production, inventory control, dynamic program.
Pendahuluan
UD. Usaha Devi merupakan salah satu usaha
dagang yang bergerak dalam produksi makanan
ringan yaitu berupa amplang bumbu. Usaha yang
telah dirintis sejak 27 Mei 2006 ini sering
mengalami masalah dalam memenuhi permintaan
konsumen, khususnya permintaan pada produk
amplang kemasan kecil. Karena usaha ini
menerapkan sistem perencanaan permintaan dan
persediaan berdasarkan perkiraan atas permintaan
pada bulan-bulan sebelumnya, menyebabkan
sering terjadinya kelebihan produksi dan
perolehan keuntungan yang tidak optimal.
Dalam perusahaan, pengendalian persediaan
mempunyai manfaat yang sangat penting untuk
meminimumkan biaya produksi sehingga dapat
menghasilkan keuntungan yang optimal. Menurut
Kusuma (2002), tingginya persediaan (Over
Stock) memang menjamin fungsi produksi dan
pemasaran berjalan stabil, namun persediaan juga
menyebabkan ongkos dan perputaran modal
terhambat. Salah satu pendekatan solusi yang
dapat digunakan untuk memecahkan masalah
pengendalian persediaan dan meminimumkan
total biaya produksi sesuai dengan hasil
penjadwalan adalah dengan menggunakan metode
program dinamik. Untuk peramalan jumlah
permintaan produk amplang kemasan kecil
digunakan metode peramalan kuantitatif
Autoregressive Integrated Moving Average
(ARIMA). Selanjutnya hasil dari peramalan
tersebut digunakan untuk perencanaan produksi
dan pengendalian persediaan untuk
meminimumkan total biaya produksi dengan
menggunakan program dinamik.
Analisis Deret Waktu
Analisis deret waktu adalah salah satu
prosedur statistika yang diterapkan untuk
meramalkan struktur probabilistik keadaan yang
akan terjadi di masa yang akan datang dalam
rangka pengambilan keputusan (Aswi dan
Sukarna, 2006).
Kestasioneran Deret Waktu
Deret waktu dikatakan stasioner jika tidak ada
perubahan kecenderungan dalam rata-rata dan
perubahan variansi. Dengan kata lain, deret waktu
yang stasioner adalah relatif tidak terjadi kenaikan
atau penurunan nilai secara tajam (fluktuasi data
berada pada sekitar nilai rata-rata konstan). Untuk
memeriksa kestasioneran dapat digunakan
diagram deret waktu (time series plot). Jika
diagram deret waktu berfluktuasi di sekitar garis
yang sejajar sumbu waktu (t) maka dikatakan
deret (series) stasioner dalam rata-rata. Bila
kondisi stasioner dalam rata-rata tidak terpenuhi
diperlukan proses pembedaan (differencing). Bila
kondisi stasioner dalam variansi tidak terpenuhi,
Box dan Cox (1964) memperkenalkan
transformasi pangkat (power transformation).
Zt λ =
Zt λ −1
λ (1)
dimana 𝜆 disebut sebagai parameter transformasi.
Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829
26 Program Studi Statistika FMIPA Universitas Mulawarman
Beberapa penggunaan nilai 𝜆 kaitannya dengan
transformasinya ditampilkan pada Tabel 1.
Tabel 1 Nilai-nilai 𝜆 dengan transformasinya
Nilai 𝜆 (Lamda) Transformasi
-1,0 1
Zt
-0,5 1
Zt
0,0 Ln Zt
0,5 Zt
1,0 Zt
(Aswi dan Sukarna, 2006)
Fungsi Autokorelasi (Fak)
Fungsi autokorelasi (Autocorrelation Function
disingkat ACF) adalah suatu fungsi yang
menunjukkan besarnya korelasi (hubungan linier)
antara pengamatan pada waktu ke t (dinotasikan
dengan Zt) dengan pengamatan pada waktu-waktu
yang sebelumnya (dinotasikan dengan
Zt−1, Zt−2, … , Zt−k) (Aswi dan Sukarna, 2006).
Fungsi Autokorelasi Parsial
Fungsi autokorelasi parsial adalah suatu fungsi
yang menunjukkan besarnya korelasi parsial
antara pengamatan pada waktu ke t (dinotasikan
dengan Zt) dengan pengamatan pada waktu-waktu
yang sebelumnya (dinotasikan dengan
Zt−1, Zt−2, … , Zt−k). Rumus autokorelasi parsial
adalah:
ϕkk = corr Zt , Zt − k Zt−1, Zt−2, … , Zt−k (2)
(Aswi dan Sukarna, 2006)
Proses White Noise
Suatu proses {𝒶𝑡} dinamakan white noise
(proses yang bebas dan identik) jika peubah acak
yang berurutan tidak saling berkorelasi dan
mengikuti distribusi tertentu. Dengan demikian,
suatu deret waktu disebut proses white noise jika
rata-rata dan variansinya konstan dan saling bebas
(Aswi dan Sukarna, 2006).
Model Deret Waktu Stasioner
Model deret waktu stasioner meliputi model
Autoregressive (AR), Moving Average (MA), dan
Autoregressive Moving Average (ARMA).
Model Deret Waktu Non Stasioner
Suatu proses 𝑍𝑡 dikatakan mengikuti model
ARIMA (p,d,q) yang non stasioner dalam rata-
rata jika ada orde d (d ≥ 1). Nilai d merupakan ciri
merupakan banyaknya melakukan pembedaan
(differencing) yaitu cara untuk menstasionerkan
rata-rata dengan membentuk suatu data baru yang
diperoleh dengan cara mengurangi nilai
pengamatan pada waktu t dengan nilai
pengamatan pada waktu sebelumnya (Aswi dan
Sukarna, 2006).
Metode Arima Box-Jenkins
Secara umum model ARIMA (p, d, q), dimana
p menyatakan orde dari proses Autoregressive
(AR), d menyatakan orde pembedaan
(differencing), dan q menyatakan orde dari proses
Moving average (MA).
Model Autoregressive Integrated Moving
Average dengan orde (p, d, q) dinotasikan sebagai
ARIMA (p, d, q). Model umum ARIMA (p,d,q)
adalah:
ϕp B (1 − B)dZt = θ0 + θq B at (6)
apabila d = 0 dan q = 0, maka model
autoregressive dinotasikan sebagai AR(p),
dengan persamaan sebagai berikut:
ϕp B = 1 − ϕ1B − ϕ2B2 − ⋯−ϕpBp (7)
apabila p = 0 dan d = 0, maka model moving
average dinotasikan sebagai MA(q). dengan
persamaan sebagai berikut:
θq B = 1 − θ1B − θ1B2 …− θq Bq (8)
parameter d menunjukkan bahwa proses tidak
stasioner. Jadi apabila parameter d=0, maka
proses telah stasioner. Adapun tahap-tahap
pemodelan ARIMA yaitu, identifikasi model
deret waktu, penaksiran parameter, pemeriksaan
(diagnostic checking), pemilihan model terbaik,
dan ketepatan metode peramalan (Aswi dan
Sukarna, 2006).
Identifikasi Model Deret Waktu
Menurut Makridakis, dkk. (2003), langkah
pertama yang penting dalam memilih suatu model
deret waktu adalah dengan mempertimbangkan
jenis pola data, sehingga metode yang paling tepat
dengan pola tersebut dapat diuji.
Penaksiran Parameter
Secara umum, penaksiran model ARIMA
Box-Jenkins dapat dilakukan dengan
menggunakan beberapa metode seperti metode
Moment, metode Least Square, metode Maximum
Likelihood dan sebagainya (Aswi dan Sukarna,
2006).
Pemeriksaan (Diagnostic Checking)
Pemeriksaan (diagnostic checking) dapat
dibagi dalam dua bagian, yaitu uji kesignifikanan
parameter dan uji kesesuaian model (meliputi uji
asumsi white noise dan distribusi normal).
Uji Signifikansi Parameter
Secara umum, misalkan 𝜃 adalah suatu
parameter pada model ARIMA Box-Jenkins dan
𝜃 adalah nilai taksiran dari parameter tersebut,
serta SE(𝜃 ) adalah standar error dari nilai
taksiran 𝜃 , maka uji kesignifikanan parameter
dapat dilakukan dengan tahapan sebagai berikut:
- Hipotesis :
H0 :𝜃 = 0 (Parameter model tidak signifikan)
H1 : 𝜃 ≠ 0 (Parameter model telah signifikan)
Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 27
- Statistik Uji
t =θ
SE (θ ) (9)
- Daerah Penolakan
Tolak H0 jika t ≥ tα
2;df =n−np
, dimana, np =
banyaknya parameter, atau dapat juga
menggunakan P-Value, yakni menolak H0 jika
P-Value ≤ 𝛼.
Uji Kesesuaian Model
Uji ini meliputi uji asumsi residual
berditribusi normal menggunakan uji
Kolmogorov-Smirnov dan uji residual white noise
mengggunakan uji Ljung-Box.
1. Uji Asumsi Residual Berdistribusi Normal
Kenormalan residual diuji dengan
menggunakan uji Kolmogorov-Smirnov.
- Hipotesis
H0 : Residual data berdistribusi normal
H1 : Residual data berdistribusi tidak normal
- Statistik uji
D = F∗ x − S(x) xSup
(10)
Keterangan:
F∗ x : Nilai probabilitas kumulatif normal
S(x) : Nilai probabilitas kumulatif empiris
D : Nilai uji Kolmogorov-Smirnov
- Daerah penolakan (kritis)
H0 ditolak jika D ≥ D(n;1-α) atau P-Value ≤ α
(Aswi dan Sukarna, 2006)
2. Uji Residual White Noise
Secara ringkas, uji sisa white noise dapat
dituliskan sebagai berikut:
- Hipotesis
H0 : 𝜌𝑎𝑡 ,𝑎𝑡+𝐾= 0 (Tidak ada korelasi antar
lag)
H1 : 𝜌𝑎𝑡 ,𝑎𝑡+𝐾≠ 0 (Minimal ada 1 lag yang
berkorelasi)
- Statistik uji, yaitu uji Ljung-Box atau Box-
Pierce yang dimodifikasi:
Q = n n + 2 ρ k
2
n−k
Kk=1 (11)
- Daerah Penolakan
Tolak H0 jika 𝑄 ≥ 𝜒(𝛼 ; 𝑑𝑓=𝐾−𝑚)2 dimana K
berarti lag K dan m adalah jumlah parameter
yang ditaksir dalam model atau dapat juga
menggunakan P-Value, yakni menolak H0 jika
P-Value ≤ 𝛼 (Aswi dan Sukarna, 2006).
Pemilihan Model Terbaik
Untuk menentukan model yang terbaik dari
beberapa model yang memenuhi syarat tersebut,
dapat menggunakan kriteria Mean Square Error
(MSE) yaitu suatu kriteria pemilihan model
terbaik berdasarkan pada hasil residual
peramalannya, MSE dapat ditaksir seperti pada
persamaan berikut:
MSE =1
N a t
2Nt=1 (12)
dengan 𝑎 𝑡 adalah taksiran sisa pada peramalan
dan N adalah banyaknya sisa.
Ketepatan Model Peramalan
Salah satu ukuran statistik yang digunakan
untuk mengetahui ketepatan model dalam
peramalan adalah Mean Absolute Persentage
Error (MAPE), dengan persamaan sebagai
berikut:
MAPE =
M
1i li
i
Z
e
M
1100% (13)
dimana : ei = residual
i = 1,2,..,M
M = banyaknya observasi yang akan
diramalkan (out-sample)
(Makridakis dkk, 2003)
Persediaan
Persediaan adalah sumber daya tertahan yang
digunakan untuk proses lebih lanjut. Tanpa
adanya persediaan, perusahaan pada suatu waktu
tidak dapat menghasilkan barang dan tidak dapat
memenuhi permintaan pelanggan karena tidak
setiap saat bahan baku/bahan setengah jadi atau
bahan jadi selamanya tersedia (Purnomo, 2004).
Kekurangan persediaan bahan mentah dan
barang dagangan akan megakibatkan adanya
hambatan-hambatan pada proses produksi dan
kekecewaan pada pelanggan. Kelebihan
persediaan akan menimbulkan biaya ekstra di
samping risiko. Sehingga dapat dikatakan bahwa
manajemen persediaan yang efektif dapat
memberikan sumbangan yang berarti pada
keuntungan perusahaan. Fungsi utama
pengendalian persediaan adalah “menyimpan”
untuk melayani kebutuhan perusahaan akan bahan
mentah/barang jadi dari waktu ke waktu
(Pangestu, 2000).
Definisi Program Dinamik
Program dinamik adalah suatu teknik tentang
optimasi proses banyak tahap. Suatu masalah
pengambilan keputusan yang multistage dipisah-
pisahkan menjadi suatu sub masalah yang
berurutan dan saling berhubungan. Program
dinamik terbagi menjadi dua yaitu secara
deterministik dan probabilistik. Program dinamik
deterministik adalah jika pola permintaan barang
diketahui secara pasti dan besarnya tidak selalu
sama antara satu periode dengan periode lainnya
(diskrit). Dalam model deterministik, state
(keadaan) pada stage (tahap) berikutnya
sepenuhnya ditentukan oleh state dan keputusan
pada stage ini. Suatu cara untuk mengkategorikan
persoalan program dinamik deterministik ini
adalah dengan melihat bentuk fungsi tujuannya
(Dimyati dkk, 2009).
Sebuah objek disebut berulang (rekursif,
recursive) jika setiap objek mengandung dirinya
Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829
28 Program Studi Statistika FMIPA Universitas Mulawarman
sendiri atau didefinisikan dengan dirinya sendiri.
Dalam matematika, definisi rekursif sebuah
fungsi adalah definisi fungsi yang menggunakan
fungsi tersebut. Ada dua macam prosedur rekursif
yaitu forward recursive equation (perhitungan
dari depan ke belakang) dan backward recursive
equation (perhitungan dari belakang ke depan).
Dengan menggunakan hubungan rekursif ini,
prosedur penyelesaian bergerak dari tahap ke
tahap sampai kebijaksanaan optimum tahap
terakhir ditemukan.
Unsur-Unsur Program Dinamis
Adapun unsur-unsur yang harus dipenuhi
dalam program dinamik untuk penelitian ini
adalah:
a. Stage (Tahap)
Setiap bulan dalam perencanaan untuk satu
tahun mendatang merupakan stage sehingga
dalam program dinamik untuk perencanaan
produksi dan pengendalian persediaan produk
terdiri dari n tahap.
b. State (Keadaan)
Jumlah permintaan dalam periode ke-n pada
adalah state untuk setiap stage.
c. Decision (Keputusan)
Jumlah produk optimal yang diproduksi pada
tahap n dari beberapa alternatif kebijakan
produksi pada masing-masing tahap.
d. Return Function (Fungsi Hasil)
Return function (fungsi hasil) adalah fungsi
total biaya produksi dan pengendalian persediaan
yang nilai optimalnya diperoleh dari pergerakan
tahap demi tahap sampai proses berakhir.
e. Fungsi Transisi
Jumlah persediaan setiap tahap yang
menunjukkan hubungan dan perubahan keadaan
akibat keputusan dalam setiap tahap. Setelah
persediaan akhir setiap periode diukur dan
perbedaan antara jumlah persediaan awal
ditambah permintaan dikurangi produksi,
sehingga: In−1 = In + Sn − Xn (15)
Keterangan:
In : Jumlah persediaan pada periode ke-n
Sn : Jumlah permintaan produk pada tahap ke-n
Xn : Jumlah produk yang akan diproduksi pada
periode ke-n
f. Fungsi Tujuan
Fungsi tujuannya adalah meminimumkan total
biaya produksi yang melibatkan biaya variabel
produk dan biaya simpan selama beberapa
periode mendatang yang secara matematis dapat
ditulis sebagai berikut:
Min fn In = A. Xn + B. In12n=1 (16)
Keterangan:
A: Biaya variabel produk per kemasan (Rupiah)
B: Biaya simpan per kemasan (Rupiah)
g. Fungsi Kendala
Dalam penelitian ini, jumlah persediaan
produk di gudang penyimpanan tidak boleh
melebihi kapasitas gudang penyimpanan,
sehingga:
0 ≤ In ≤ G
Keterangan:
G : Kapasitas gudang penyimpanan
Jumlah produksi yang dilakukan tidak melebihi
kapasitas produksi yang tersedia, sehingga:
In + Sn − G ≤ Xn ≤ In + Sn
h. Fungsi Rekursif
Penyelesaian program dinamik dilakukan
dengan perhitungan rekursif yang berulang setiap
tahap. Keputusan optimum pada suatu tahap
adalah hasil optimum pada tahap tersebut
ditambah hasil optimum tahap sebelumnya.
𝑓𝑛 In = min A. Xn + B. In + fn−1 In−1 (17)
Dengan memasukkan persamaan (15) pada
persamaan (17), maka persamaannya menjadi: fn In = min A. Xn + B. In + fn−1 In + Sn − Xn (18)
Keterangan:
fn In : Biaya produksi minimum produk pada
tahap n dalam banyak persediaan I
A. Xn : Biaya produksi x buah produk dalam
tahap n
B. In : Biaya perawatan yang dikenakan dalam
banyak persediaan I pada tahap n.
Metodologi Penelitian
Data yang digunakan pada penelitian ini
adalah data jumlah produksi amplang kemasan
kecil dari Januari 2008 sampai dengan Nopember
2012. Peramalan untuk permintaan jumlah produk
amplang kemasan kecil yang harus diproduksi
periode Desember 2012 sampai dengan
Nopember 2013 dilakukan dengan metode
ARIMA dengan bantuan software Minitab 14.0.
Hasil peramalan tersebut digunakan untuk
perencanaan produksi dan pengendalian
persediaan untuk meminimumkan total biaya.
Analisis Dan Pembahasan
Data yang digunakan adalah jumlah
permintaan amplang kemasan kecil periode
Januari 2008 sampai dengan Nopember 2012
pada UD. Usaha Devi sehingga jumlah data yang
digunakan adalah 59. Berikut informasi secara
deskriptif yang diperoleh berdasarkan Minitab
14.0 seperti pada Tabel 2.
Tabel 2. Statistik Deskriptif
Variabel (Zt) Rata-rata Minimum Maksimum
Permintaan 4.061,3 3.001 4.983
Berdasarkan Tabel 2, diketahui bahwa rata-
rata jumlah permintaan amplang adalah sebanyak
Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 29
4.061,3 kemasan, dengan jumlah permintaan
terendah sebanyak 3.001 kemasan dan tertinggi
sebanyak 4.983 kemasan. Sebagai langkah awal
dalam identifikasi model, maka dibuat plot data
asli dari jumlah permintaan amplang kemasan
kecil seperti pada Gambar 1. Berdasarkan
Gambar 1, dapat dilihat bahwa data jumlah
permintaan amplang belum stasioner dalam rata-
rata. Selanjutnyaadalah melakukan pemeriksaan
kestasioneran dalam variansi.
Gambar 1. Plot Runtun Waktu 𝑍𝑡
Gambar 2. Grafik Box-Cox 𝑍𝑡
Berdasarkan Gambar 2, dapat dilihat bahwa
dari transformasi Box-Cox diperoleh nilai 𝜆 =
1,00 sehingga tidak perlu dilakukan transformasi
pada data. Dari Gambar 1 dan 2, diketahui bahwa
data tidak stasioner dalam rata-rata, namun
stasioner dalam variansi. Selanjutnya adalah
membuat plot runtun waktu untuk data setelah
differencing pertama.
Gambar 3. Plot Runtun Waktu Setelah
Differencing Pertama
Berdasarkan Gambar 3, setelah dilakukan
pembedaan (differencing) sebanyak satu kali,
dapat dikatakan bahwa data telah stasioner dalam
rata-rata.
Gambar 4. Grafik Fungsi Autokorelasi
Setelah Differencing Pertama
Gambar 5. Grafik Fungsi Autokorelasi
Parsial Setelah Differencing Pertama
Pada Gambar 4, dapat dilihat bahwa grafik
fungsi autokorelasi terputus pada lag 1 dan pada
Gambar 5, grafik fungsi autokorelasi parsial turun
secara eksponensial (dies down) dan terputus pada
lag 1 dan lag 2. Sehingga model dugaan awal
sementara yang sesuai adalah ARIMA (0,1,1),
ARIMA (1,1,0), ARIMA (1,1,1), ARIMA (2,1,0),
dan ARIMA (2,1,1).
Berikutnya adalah pengujian kesignifikanan
parameter terhadap kelima model dugaan yang
disusun pada Tabel 3.
Tabel 3. Estimasi Parameter 𝜙 dan 𝜃 untuk Model ARIMA
Model Estimator thitung P-Value
ARIMA
(0,1,1) 𝜃 1= 0,9628 9,28 0,000
ARIMA
(1,1,0) 𝜙 1= -0,4773 -3,99 0,000
ARIMA
(1,1,1)
𝜙 1= -0,1245 -0,87 0,386
𝜃 1= 0,9634 9,72 0,000
ARIMA
(2,1,0) 𝜙 1= -0,6857 -5,87 0,000
𝜙 2 = -0,5164 -4,36 0,000
ARIMA
(2,1,1)
𝜙 1= -1,4380 -11,83 0,000
𝜙 2 = -0,5320 -4,38 0,000
𝜃 1= -0,9484 -18,54 0,000
Berdasarkan uji kesignifikanan parameter dari
kelima model dugaan, diperoleh bahwa hanya
satu model dugaan yang parameter modelnya
dinyatakan tidak signifikan yaitu ARIMA (1,1,1).
Selanjutnya dilakukan uji kesesuaian model
terhadap keempat model tersebut Hasil uji
kenormalan residual disusun pada Tabel 4.
Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829
30 Program Studi Statistika FMIPA Universitas Mulawarman
Tabel 4. Uji Kenormalan Residual
Model Nilai KS P-Value Keputusan
ARIMA
(0,1,1) 0,085 0,150 H0 gagal ditolak
ARIMA
(1,1,0) 0,090 0,150 H0 gagal ditolak
ARIMA
(2,1,0) 0,057 0,150 H0 gagal ditolak
ARIMA
(2,1,1) 0,070 0,150 H0 gagal ditolak
Berdasarkan uji Ljung-Box dengan statistik uji
pada persamaan (11) pada keempat model dugaan
yaitu ARIMA (0,1,1), ARIMA (1,1,0), ARIMA
(2,1,0), dan ARIMA (2,1,1), hanya model
ARIMA (0,1,1) dan ARIMA (2,1,0) yang
memenuhi semua asumsi. Selanjutnya adalah
melihat nilai MSE dari kedua model.
Tabel 5. Perbandingan Nilai MSE
Model Nilai MSE
ARIMA (0,1,1) 350.213
ARIMA (2,1,0) 454.162
Tabel 6. Perbandingan Nilai MAPE
Model Nilai MAPE
ARIMA (0,1,1) 12,77%
ARIMA (2,1,0) 13,54 %
Berdasarkan Tabel 5 dan 6, model ARIMA
(0,1,1) memiliki nilai MSE dan MAPE terkecil
dibandingkan dengan model ARIMA (2,1,0),
sehingga model ARIMA (0,1,1) adalah model
terbaik yang dapat digunakan untuk peramalan
permintaan amplang periode Desember 2012
sampai dengan Nopember 2013.
Tabel 7. Hasil Peramalan
Periode Jumlah
(Kemasan)
Desember 2012 3.810 Januari 2013 3.801
Februari 2013 3.793
Maret 2013 3.785
April 2013 3.777 Mei 2013 3.769
Juni 2013 3.761
Juli 2013 3.753
Agustus 2013 3.745 September 2013 3.737
Oktober 2013 3.729
Nopember 2013 3.720
Selanjutnya hasil peramalan digunakan untuk
melakukan perencanaan produksi selama 12
periode kedepan dengan menggunakan program
dinamik. Perhitungan dengan metode program
dinamik menggunakan fungsi rekursif dengan
biaya variabel produk per kemasan sebesar Rp
3.500,00 dan biaya simpan produk per kemasan
sebesar Rp 200,00 dimana setiap tahap saling
berhubungan dan perhitungan dimulai dari tahap
1 sampai dengan tahap 12 dengan ketentuan
sebagai berikut:
𝑓𝑛 𝐼𝑛 = 𝑚𝑖𝑛 3.500)𝑋𝑛 + (200)𝐼𝑛 +𝑓𝑛−1 𝐼𝑛 + 𝑆𝑛 − 𝑋𝑛
0 ≤ 𝐼𝑛 ≤ 800
𝐼𝑛 + 𝑆𝑛 − 800 ≤ 𝑋𝑛 ≤ 𝐼𝑛 + 𝑆𝑛
𝑛 = 1, 2, 3, …, 12
Hasil penjadwalan produksi amplang kemasan
kecil untuk 12 periode mendatang dapat dilihat
pada Tabel 8.
Tabel 8. Hasil Penjadwalan Produksi Periode Desember
2012 – Nopember 2013
Permintaan
(kemasan)
Produksi
(kemasan)
Persediaan
(buah)
Biaya
Minimum
(Rp)
3.810 3.810 0 13.335.000
3.801 3.801 0 13.303.500 3.793 3.793 0 13.275.500
3.785 3.785 0 13.247.500
3.777 3.777 0 13.219.500
3.769 3.769 0 13.191.500 3.761 3.761 0 13.163.500
3.753 3.753 0 13.135.500
3.745 3.745 0 13.107.500
3.737 3.737 0 13.079.500 3.729 3.729 0 13.051.500
3.720 3.720 0 13.020.000
Semakin sedikitnya persediaan atau bahkan
tidak adanya persediaan akan mengurangi jumlah
biaya total karena kecilnya biaya simpan bila
dibandingkan dengan biaya produksi. Jumlah total
biaya yang dikeluarkan untuk jadwal produksi
selama 12 periode tersebut adalah Rp
158.130.000,00. Ini merupakan hasil optimal
dalam meminimumkan biaya produksi dengan
menggunakan program dinamik.
Kesimpulan
Berdasarkan studi yang telah dilakukan, dapat
disimpulkan bahwa model peramalan yang
digunakan untuk peramalan permintaan amplang
kemasan kecil pada UD. Usaha Devi periode
Desember 2012 sampai dengan Nopember 2013
adalah model ARIMA (0,1,1) dengan jumlah
peramalan kemasan secara berurutan yakni 3.810,
3.801, 3.793, 3.785, 3.777, 3.769, 3.761, 3.753,
3.745, 3.737, 3.729, 3.720 dengan hasil dari
meminimumkan total biaya produksi sesuai
dengan penjadwalan sebesar Rp 158.130.000,00.
Daftar Pustaka
Aswi dan Sukarna. 2006. Analisis Deret Waktu.
Makassar: Andira Publisher
Dimyati, T.T. 2009. Operations Research.
Bandung: Sinar Baru Alngensindo.
Hidayat, Arif dan Siti Asmaul Mustaniroh. 2005.
Pengendalian Persediaan Cengkeh untuk
Produksi Rokok dengan Pendekatan Program
Dinamis: Suatu Studi Kasus di PT. Gandum
Malang. Jurnal Teknologi Pertanian,
Universitas Brawijaya Malang.
Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 31
Kusuma, H. 2002. Manajemen Produksi:
Perencanaan dan Pengendalian Persediaan.
Yogyakarta: Andi.
Makridakis, dkk. 2003. Metode dan Aplikasi
Peramalan. Jakarta: Binarupa Aksara.
Nurhidayati, Farida Ulfa. 2010. Penggunaan
Program Dinamik untuk Menentukan Total
Biaya Minimum pada Perencanaan Produksi
dan Pengendalian Persediaan. Skripsi Sarjana
Matematika Fakultas Sains dan Teknologi,
Universitas Islam Negeri Maulana Malik
Ibrahim Malang.
Purnomo, Hari. 2004. Pengantar Teknik Industri.
Yogyakarta: Graha Ilmu.
Subagyo, Pangestu dkk. 2000. Dasar-Dasar
Operations Research Edisi 2. Yogyakarta: PT.
BPFE.
Taha, Hamdy A. 1996. Riset Operasi. Jakarta:
Binarupa Aksara.
Wahid, Fathul. 2004. Dasar-Dasar Algoritma dan
Pemrograman. Yogyakarta: Andi Offset.
Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829
32 Program Studi Statistika FMIPA Universitas Mulawarman