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.
Top Related