Upload
others
View
7
Download
0
Embed Size (px)
Citation preview
TUGAS AKHIR– SM141501
PERENCANAAN VOLUME PRODUKSI TERAK SEMEN
MENGGUNAKAN ECONOMIC PRODUCTION QUANTITY
DENGAN MEMPERTIMBANGKAN PENYUSUTAN
(STUDI KASUS: PT SEMEN GRESIK-PABRIK TUBAN)
MUTIA ANGGRAINI PUTRI ARIF
NRP 06111440000026
Dosen Pembimbing :
Valeriana Lukitosari, S.Si, MT
DEPARTEMEN MATEMATIKA
Fakultas Matematika, Komputasi, dan Sains Data
Institut Teknologi Sepuluh Nopember
Surabaya 2018
FINAL PROJECT– SM141501
PLANNING OF TERAK PRODUCTION VOLUME USING
ECONOMIC PRODUCTION QUANTITY BY CONSIDERING
DETERIORATING
(CASE STUDY: PT SEMEN GRESIK-PABRIK TUBAN)
MUTIA ANGGRAINI PUTRI ARIF
NRP 06111440000026
Supervisor :
Valeriana Lukitosari, S.Si, MT
DEPARTMENT OF MATHEMATICS
Faculty of Mathematics, Computing and Data Sciences
Sepuluh Nopember Institute of Technology
Surabaya 2018
vii
PERENCANAAN VOLUME PRODUKSI TERAK SEMEN
MENGGUNAKAN ECONOMIC PRODUCTION
QUANTITY DENGAN MEMPERTIMBANGKAN
PENYUSUTAN
(STUDI KASUS: PT SEMEN GRESIK-PABRIK TUBAN)
Nama : Mutia Anggraini Putri Arif
NRP : 06111440000026
Jurusan : Matematika FMKSD-ITS
Pembimbing : Valeriana Lukitosari, S.Si, MT
ABSTRAK
Persediaan bahan baku adalah faktor yang sangat penting
dalam menentukan proses produksi. Dalam persediaan bahan baku
terjadi penyusutan, sehingga perlu adanya perencanaan yang baik
dalam menentukan banyaknya persediaan. Produksi semen yang
dihasilkan PT Semen Gresik yaitu PPC, OPC, dan White Cement.
Bahan baku utama semen adalah terak. Penyusutan yang terjadi pada
terak adalah terak mengalami penggumpalan, pengendapan pada
domb, dan terjatuhnya terak pada proses produksi, sehingga perlu
diperhitungkan penyusutan yang terjadi pada terak karena
berpengaruh pada proses produksi semen. Untuk menghitung
persediaan dapat digunakan Economic Production Quantity, dengan
mempertimbangkan penyusutan terak sebanyak 5%, didapatkan
perhitungan volume produksi terak per siklus dan total cost. Hasil
simulasi Tugas Akhir ini menunjukkan bahwa total cost yang
didapatkan dari Economic Production Quantity tanpa penyusutan
mengalami penurunan sebesar 1,8% dari total cost perusahaan, dan
total cost Economic Production Quantity yang mempertimbangkan
penyusutan mengalami kenaikan sebesar 3,05% dari total cost
perusahaan. Terjadi peningkatan sebesar 2,4% pada volume
produksi per siklus dari Economic Production Quantity tanpa
penyusutan dengan mempertimbangkan penyusutan. Perencanaan
produksi terak pada tahun 2018 dilakukan dengan
viii
mempertimbangkan penyusutan sebesar 5% dari permintaan
produksi.
Kata kunci : Economic Production Quantity, Penyusutan, Produksi
Semen.
ix
PLANNING OF TERAK PRODUCTION VOLUME USING
ECONOMIC PRODUCTION QUANTITY BY
CONSIDERING DETERIORATING ITEMS
(CASE STUDY: PT SEMEN GRESIK-PABRIK TUBAN)
Name : Mutia Anggraini Putri Arif
NRP : 06111440000026
Department : Mathematics
Supervisor : Valeriana Lukitosari, S.Si, MT
ABSTRACT
Stock of raw material is an important factor to determine the
production process. If the inventory is deficient, it will hamper the
production process, but the excessive inventory cause a huge
inventory holding cost. So, company should have a good planning
to determine amount of inventory. Another problem in inventory is
storing material for too long. It cause depreciation of the material,
so the depreciation also have to be considered in determination of
inventory. As a cement producer, PT Semen Gresik produces three
types of cement, like PPC, OPC, and White Cement. PT Semen
Gresik has a great potential in the cement-making industry, so they
have to plan their production planning very well. Slag is main
material of cement production. The problem that usually happened
to slag is slag clot. It is necessary to count the damage that will
happen to slag. Economic Production Quantity is a method to count
an effective inventory to minimize the inventory costs. The results
that obtained from the simulation of this research are total cost that
obtained from Economic Production Quantity without depreciation
decrease 1,8% from the total cost of the company. Then, total cost
of an optimal Economic Production Quantity by considering the
depreciation decreases 3,05% from the total cost of the company.
The total cost of the company is Rp 4.605.143.400.000, the total cost
of Economic Production Quantity without depreciation is Rp
4.519.976.784.730, and the total cost of Economic Production
x
Quantity with Depreciation is Rp 4.745.969.947.057. For PPC,
OPC, and White Cement terak production, the difference sum of
Economic Production Quantity without depreciation and Economic
Production Quantity with depreciation are 2,4%.
Keywords: Economic Production Quantity, Depreciation, Cement
Production
xi
KATA PENGANTAR
Alhamdulillaahirobbil’aalamiin, segala puji dan syukur penulis
panjatkan ke hadirat Allah SWT yang telah memberikan limpahan
rahmat, taufik serta hidayah-Nya, sehingga penulis dapat
menyelesaikan Tugas Akhir yang berjudul “PERENCANAAN
VOLUME PRODUKSI TERAK SEMEN MENGGUNAKAN
ECONOMIC PRODUCTION QUANTITY DENGAN
MEMPERTIMBANGKAN PENYUSUTAN (STUDI KASUS:
PT SEMEN GRESIK-PABRIK TUBAN)”
sebagai salah satu syarat kelulusan Program Sarjana Departemen
Matematika FMKSD Institut Teknologi Sepuluh Nopember (ITS)
Surabaya.
Tugas Akhir ini dapat diselesaikan dengan baik berkat bantuan
dan dukungan dari berbagai pihak. Oleh karena itu, penulis
menyampaikan ucapan terima kasih dan penghargaan kepada:
1. Ketua Departemen Matematika ITS yang telah memberikan
dukungan dan motivasi selama perkuliahan hingga
terselesaikannya Tugas Akhir ini.
2. Kaprodi S1 Departemen Matematika dan Sekretaris Prodi S1
yang telah memberikan arahan akademik selama penulis kuliah
di Departemen Matematika FMKSD-ITS.
3. Ibu Valeriana Lukitosari, S.Si, MT sebagai dosen pembimbing
yang telah memberikan motivasi dan pengarahan dalam
penyelesaian Tugas Akhir ini.
4. Bapak Dr. Mahmud Yunus, M.Si, Bapak Drs. Sentot Didik
Surjanto, M.Si, Ibu Dra. Farida Agustini W., MS, selaku dosen
penguji.
5. Bapak Drs. Sentot Didik Surjanto, M.Si sebagai dosen wali
yang telah memberikan arahan akademik selama penulis kuliah
di Departemen Matematika FMKSD-ITS.
xii
6. Bapak dan Ibu dosen serta para staff Departemen Matematika
ITS yang tidak dapat penulis sebutkan satu-persatu.
7. Ibu Eka Puspa Ningrum, ST sebagai pembimbing lapangan di
PT Semen Gresik-Pabrik Tuban yang telah membantu
pemerolehan data dan informasi selama di lapangan.
8. Kedua orang tua saya, Ayah Machmud Arifin dan Mama
Lusida, beserta adik-adik saya Ade, Salva, Ayya atas dukungan
dan semangat yang telah diberikan.
9. Teman-taman saya Ersha, Diah, Dila, Tika, Yuni (DEBU) dan
seluruh teman-teman AKSIOM14 serta para asbid KOPMA
yang saya sayangi yang telah membantu dan memotivasi saya.
Penulis menyadari bahwa dalam penyusunan Tugas Akhir ini
masih mempunyai banyak kekurangan. Kritik dan saran dari
berbagai pihak yang bersifat membangun juga sangat diharapkan
sebagai bahan perbaikan di masa yang akan datang.
Surabaya, Juli 2018
Penulis
xiii
DAFTAR ISI
Hal ABSTRAK………………………………………………….vii ABSTRACT…………………………………………………..ix KATA PENGANTAR………………………………………xi DAFTAR ISI……………………………………………….xiii DAFTAR GAMBAR……………………………………….xv DAFTAR TABEL………………………………………...xvii DAFTAR LAMPIRAN…………………………………….xix DAFTAR SIMBOL………………………………………...xxi BAB I PENDAHULUAN……………………………………1
1.1 Latar Belakang ............................................................ 1 1.2 Rumusan Masalah ...................................................... 3 1.3 Batasan Masalah ......................................................... 3 1.4 Tujuan ......................................................................... 4 1.5 Manfaat ....................................................................... 4 1.6 Sistematika Penulisan ................................................. 4
BAB II TINJAUAN PUSTAKA……………………………..7 2.1 Penelitian Sebelumnya ............................................... 7 2.2 Prosedur ARIMA Box-Jenkins ................................... 8
2.2.1 Identifikasi…………………………………….8 2.2.2 Penaksiran dan Uji Parameter………………....8 2.2.3 Pemeriksaan Diagnostik………………………8 2.2.4 Mendapatkan Model Peramalan dengan Metode
ARIMA………………………………………..9 2.3 Gambaran Umum Perusahaan .................................. 10
2.3.1 PengadaanTerak………………………………11 2.3.2 Proses Produksi ................................................ 12
2.4 Perencanaan Produksi ............................................... 13 2.4.1 Jenis-jenis Persediaan………………………..13
2.5 Perencanaan Economic Production Quantity– Mutiple
Items ......................................................................... 15 BAB III METODE PENELITIAN………………………….17 BAB IV ANALISIS DAN PEMBAHASAN ..........………..21
xiv
4.1 Penentuan Volume Produksi Semen dengan Metode
ARIMA Box-Jenkins ................................................ 21 4.2 Laju Konstan Kerusakan ........................................... 32 4.3 Bentuk Umum Economic Production Quantity ........ 32
4.3.1 Q Maksimum………………………………...33 4.3.2 Biaya Produksi……………………………….34 4.3.3 Biaya Pemesanan…………………………….34 4.3.4 Biaya Simpan………………………………...34 4.3.5 Total Biaya Persediaan………………………34
4.4 Pengembangan Economic Production Quantity-Multi
Item yang Mempertimbangkan Penyusutan ............. 40 4.4.1 Total Biaya Persediaan Minimum…………...44
BAB V KESIMPULAN DAN SARAN…………………….51 5.1 Kesimpulan ............................................................... 51 5.2 Saran ......................................................................... 51
DAFTAR PUSTAKA………………………………………53
xv
DAFTAR GAMBAR
Hal
Gambar 2.1 Semen PPC Kemasan 50 kg ....................................12
Gambar 2.2 Semen OPC Kemasan 50 kg ...................................12
Gambar 2.3 White Cement Kemasan 40 kg .................................12
Gambar 3.1 Diagram Alur Metodologi ......................................19
Gambar 4.1 Time Series Plot Data Produksi ..............................22
Gambar 4.2 Box-Cox Plot Data Produksi ..................................22
Gambar 4.3 Box-Cox Plot Data Transformasi ............................23
Gambar 4.4 Trend Analysis Plot Data Transformasi ..................23
Gambar 4.5 Trend Analysis Plot Data Differerncing .................24
Gambar 4.6 Plot ACF Data Differencing ...................................25
Gambar 4.7 Plot PACF Data Differencing .................................25
xvi
xvii
DAFTAR TABEL
Hal
Tabel 4.1 Pengujian Parameter Model ARIMA (1,1,[1,12]) .....26
Tabel 4.2 Hasil Residual White Noise .......................................29
Tabel 4.3 Hasil Residual Berdistribusi Normal .........................30
Tabel 4.4 Nilai MAPE Model ARIMA .....................................31
Tabel 4.5 Perhitungan Peramalan Semen ..................................32
Tabel 4.6 Jumlah Produksi Semen Tahun 2017 ........................32
Tabel 4.7 Simulasi Numerik ......................................................46
Tabel 4.8 Jumlah Bahan yang Dibutuhkan dalam 1 Tahun
untuk Persediaan yang Menyusut ..............................48
Tabel 4.9 Perbandingan Total Cost Perusahaan dengan Total
Cost Economic Production Quantity .........................50
xviii
xix
DAFTAR LAMPIRAN
Hal
Lampiran A Data Produksi Semen Januari 2011-Desember
2016…………………….........................................55
Lampiran B Proses Produksi.......................................................57
Lampiran C Estimasi Parameter Data Uji Signifikasi Parameter
Model dengan software SAS...................................59
Lampiran D Hasil Peramalan Produksi Semen Tahun 2017…...85
Lampiran E RKAP 2016 dan Hasil Simulasi Numerik dengan
software Microsoft Excel........................................91
Lampiran F Biodata Penulis……………………………….......95
xx
xxi
DAFTAR SIMBOL
𝑟 : Rata-Rata Permintaan �̅� : Rata-Rata Produksi 𝑃 : Biaya Produksi Unit
𝐶 : Biaya Pemesanan Pembelian/Set Up
𝑄 : Volume Produksi 𝑅 : Demand Tahunan
𝐻 : Biaya penyimpanan/Holding cost
�̅� : Siklus Tahunan Optimal
𝑋 : Jumlah Produk yang Menyusut
𝑅 + 𝑋 : Jumlah Barang yang Dibutuhkan dalam 1 Tahun untuk
Persediaan yang Menyusut
𝑇𝐶(�̅�) : Total Biaya Persediaan Minimum
𝑇𝐶𝑢(𝑗, 𝑇) : Total Biaya pada Perbedaan Waktu Per Unit
𝑚 : Lag Maksimum 𝑁 : Jumlah Pengamatan 𝑟𝑘 : Autokorelasi untuk Lag Ke- k
�̇� : orde untuk AR
𝑞 : orde untuk MA
(1 − 𝐵)𝑑 ∶ differencing untuk orde d,
𝛼𝑡 ∶ error pada waktu ke-t
�̅�𝑡 : pengamatan pada waktu ke-t
1
BAB I
PENDAHULUAN
Pada bab ini dijelaskan mengenai latar belakang dari
permasalahan yang dibahas pada Tugas Akhir ini, rumusan
masalah, batasan masalah, tujuan, manfaat dan sistematika
penulisan yang diuraikan pada bagian akhir bab ini.
1.1 Latar Belakang
Perusahaan industri mengalami kemajuan yang sangat
pesat untuk dapat bertahan, perusahaan harus mengembangkan
proses produksi yang lebih efektif dan efisien. Perencanaan
produksi dengan baik dilakukan untuk memenuhi permintaan
konsumen. Hal yang penting dalam proses produksi adalah
persediaan bahan baku, karena persediaan bahan baku
menentukan bekerja tidaknya suatu proses produksi di
perusahaan. Oleh sebab itu, persediaan perlu diperhatikan dan
direncakan, karena melihat biaya yang harus dikeluarkan untuk
proses produksi sangat besar. Persediaan terlalu besar
mengakibatkan biaya simpan yang tinggi. Persediaan bahan
baku terlalu sedikit dapat mengakibatkan adanya stock out yang
menimbulkan proses produksi berhenti. Jika produksi terhenti
maka permintaan konsumen tidak dapat dipenuhi dan
perusahaan kehilangan konsumen. Persediaan bahan baku yang
tersimpan lama mengalami kerusakan, sehingga perlu
dilakukan perhitungan untuk bahan baku yang mengalami
penyusutan supaya persediaan tidak terganggu dan produksi
tetap bisa berjalan.
Sistem persediaan ada dua yaitu Economic Order Quantity
dan Economic Production Quantity. Economic Order Quantity
mengasumsikan bahwa seluruh pesanan diterima oleh
persediaan pada satu waktu, sering kali barang diproduksi dan
ditambahkan ke persediaan secara bertahap. Sehingga
perubahan yang seperti ini dapat ditangani dengan Economic
Production Quantity, karena Economic Production Quantity
2
mengasumsikan penambahan stok pada persediaan secara
bertahap [1]. Economic Production Quantity digunakan untuk
menyelesaikan masalah pengendalian persediaan dan berguna
dalam menentukan persediaan. Economic Production Quantity
ada dua jenis yaitu Economic Production Quantity single items
dan multiple items. pada dasarnya sama dengan Economic
Production Quantity single items, dengan catatan bahwa
banyaknya jenis produk tersebut dibuat pada satu siklus dan
peralatan yang sama [1]. Economic Production Quantity
Multiple items pada umumnya digunakan untuk memproduksi
beberapa jenis produk dengan menggunakan peralatan yang
sama secara bergantian.
Penelitian tentang Economic Production Quantity
dilakukan oleh Liu mengenai model Economic Production
Quantity untuk produksi optimal dan frekuensi pengerjaan
ulang [3]. Chiu membahas perhitungan differensial untuk
menentukan siklus produksi pada kondisi normal yang dapat
meminimalkan total biaya produksi, persediaan, dan
pengiriman dengan menggunakan model Economic Production
Quantity multi-item yang mempertimbangkan rework, serta
multi delivery [4]. Tugas Akhir Amutu membahas tentang
perencanaan produksi menggunakan metode Economic
Production Quantity [5]. Dalam penelitian Liu, Chiu, dan Sinar
belum membahas tentang penyusutan yang mempengaruhi
persediaan pada proses produksi.
Penyusutan dapat mempengaruhi proses produksi yang
terjadi. Penelitian tentang penyusutan dilakukan oleh
Widyadana dkk. Yang memperkenalkan metode sederhana
untuk memecahkan masalah persediaan barang yang menyusut
[6]. Wee dan Widyadana menghasilkan model kuantitas
produksi ekonomi untuk menysusutnya barang dengan proses
pengerjaan ulang [7]. Uthayakumar dan Tharani meneliti
tentang produktivitas dan pengerjaan ulang dengan
kemunduran sebagai perhatian utama dan model persediaan
3
produksi dengan item yang menyusut dan satu pengaturan ulang
[2].
PT Semen Gresik-Pabrik Tuban adalah perusahaan
penghasil semen di Indonesaia dengan kapasitas produksi
mencapai 14 juta ton semen per tahun, sehingga perusahaan ini
harus memperhitungkan kebutuhan terak (bahan baku) yaitu
sebesar 80% dari kapasitas produksi semen yang dibutuhkan
untuk memproduksi semen. Berdasarkan pentingnya
mempertimbangkan penyusutan pada persediaan bahan baku,
sehingga Tugas Akhir ini membahas tentang perencanaan
produksi terak semen menggunakan Economic Production
Quantity dengan mempertimbangkan penyusutan dengan studi
kasus PT Semen Gresik-Pabrik Tuban.
1.2 Rumusan Masalah
Rumusan masalah pada Tugas Akhir ini adalah :
1. Berapa volume produksi terak semen PPC, OPC, dan
White Cement di tahun 2017 yang dipengaruh penyustan?
2. Bagaimana total biaya untuk produksi terak PPC, OPC,
dan White Cement yang didapatkan dari penggunaan
Economic Production Quantity dengan
mempertimbangkan penyustan dan perbandingannya
dengan total biaya dari perusahaan?
1.3 Batasan Masalah
1. Pembahasan masalah hanya menyangkut perencanaan
volume produksi terak untuk semen PPC, OPC, dan White
Cement di tahun 2017.
2. Penyusutan yang diamati hanya terjadi pada terak.
3. Proses produksi yang diamati adalah volume produksi
PPC, OPC, dan White Cement dari bulan Januari 2011
sampai dengan bulan Desember 2016 pada PT Semen
Gresik – Pabrik Tuban.
4
1.4 Tujuan
Tujuan dari Tugas Akhir ini adalah:
1. Mendapatkan volume produksi terak semen PPC, OPC,
dan White Cement di tahun 2017 yang dipengaruh
penyusutan.
2. Mendapatkan total biaya untuk memproduksi terak semen
PPC, OPC, dan White Cement yang diperoleh dari
penggunaan Economic Production Quantity dengan
mempertimbangkan penyusutan dan perbandingannya
dengan total biaya dari perusahaan.
1.5 Manfaat
Adapun manfaat dari penulisan Tugas Akhir ini adalah:
1. Mendapatkan volume produksi terak semen PPC, OPC,
dan White Cement di tahun 2017 yang dipengaruhi oleh
penyusutan.
2. Mendapatkan total biaya menggunakan Economic
Production Quantity dengan mempertimbangkan
penyusutan dan perbandingannya dengan total biaya dari
perusahaan.
1.6 Sistematika Penulisan
Untuk memberikan gambaran mengenai keseluruhan isi
Tugas Akhir ini, maka akan dikemukakan sistematika penulisan
dalam Tugas Akhir ini sebagai berikut:
1. BAB I PENDAHULUAN
Bab ini menjelaskan tentang latar belakang, rumusan
masalah, batasan masalah, tujuan, manfaat dan sistematika
penulisan hasil tugas akhir.
2. BAB II TINJAUAN PUSTAKA
Pada bab ini dijelaskan tentang penelitian sebelumnya,
perencanaan produksi, perencanaan Economic Production
Quantity-Multiple Items, Penyusutan Item, dan Prosedur
ARIMA Box-Jenskin.
3. BAB III METODE PENELITIAN
5
Bab ini menjelaskan tentang tahapan-tahapan dalam proses
menyelesaikan masalah dan mencapai tujuan tugas akhir.
4. BAB IV PEMBAHASAN
Bab ini menjelaskan mengenai penentuan total biaya selama
satu tahun, penggunaan Economic Production Quantity
dengan dan tanpa penyusutan untuk menentukan total cost,
dan perbandingannya dengan total cost perusahaan.
5. BAB V PENUTUP
Bab ini menjelaskan kesimpulan yang diperoleh dari
pembahasan dan saran untuk pengembangan penelitian
selanjutnya.
6
7
BAB II
TINJAUAN PUSTAKA
Pada bab ini dijelaskan tentang penelitian sebelumnya, gambaran
umum perusahaan, perencanaan produksi, perencanaan Economic
Production Quantity-Multiple Items, Kerusakan Item, Prosedur
ARIMA Box-Jenskin.
2.1 Penelitian Sebelumnya
Penelitian mengenai Economic Production Quantity dilakukan
oleh Amutu yang membahas tentang perencanaan produksi
menggunakan metode Economic Production Quantity, dalam
penelitian Sinar membahas tentang penggunaan Economic
Production Quantity untuk perusahaan penghasil plywood, dan
objek yang diteliti adalah single product yaitu polywood [5]. Hasil
yang didapatkan dari penelitian tersebut adalah prediksi kebutuhan
bahan baku, volume produksi yang optimal yang dapat diproduksi,
dan dapat dilihat pula perbandingan total biaya produksi perusahaan
dengan total biaya produksi dengan metode Economic Production
Quantity yaitu mengalami penurunan total biaya produksi sebesar
9,45%, dan pada penelitian tersebut belum mencantumkan
penyusutan pada perhitungan Economic Production Quantity.
Penelitian Wee dan Widyadana membahas tentang model
kuantitas produksi ekonomi dengan mempertimbangkan faktor
penyusutan bahan dengan dilakukan proses pengerjaan ulang, dalam
penelitian tersebut Wee dan Widyadana mengembangkan model
ekonomi produksi kuantitas untuk kerusakan item dengan
pengerjaan ulang. Dalam satu siklus produksi dapat menghasilkan
kebijakan produksi barang dan satu pengaturan ulang [7]. Pada
Tugas Akhir ini, lebih menekankan pengaruh penyusutan terhadap
Economic Production Quantity.
8
2.2 Prosedur ARIMA Box-Jenkins
Langkah-langkah ARIMA Box-Jenkins ada empat langkah
yaitu identifikasi, estimasi parameter, pemeriksaan diagnostik, dan
peramalan [9]:
2.2.1 Identifikasi
Pada tahap identifikasi dilakukan uji stasioner terhadap mean
dan varian, plot time series, plot ACF, dan plot PACF. Sehingga
ditetapkan model sementara yang telah ditetapkan berdasarkan lag
yang keluar pada plot ACF dan plot PACF.
2.2.2 Penaksiran dan Uji Parameter
Hipotesa:
𝐻0 : estimasi parameter = 0 (parameter model tidak signifikan) 𝐻1 : estimasi parameter ≠ 0 (parameter model siginfikan)
Statistik Uji:
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =𝑒𝑠𝑡𝑖𝑚𝑎𝑠𝑖 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟
𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑡 𝑒𝑟𝑟𝑜𝑟 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟
𝑠𝑡. 𝑒𝑟𝑟𝑜𝑟 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟 ≠ 0
Kriteria Pengujian:
Dengan 𝑎= 0.05, jika |𝑡ℎ𝑖𝑡𝑢𝑛𝑔| > 𝑡𝛼2,(𝑛−1) , maka 𝐻0 ditolak artinya
parameter model signifikan.
2.2.3 Pemeriksaan Diagnostik
Pengujian diagnostik dilakukan setelah pengujian signifikansi
parameter model, untuk membuktikan kecukupan model. Asumsi
yang harus dipenuhi adalah residual harus bersifat white noise dan
berdistribusi normal.
a. Uji Asumsi Residual White Noise
White noise artinya tidak ada korelasi pada deret residual.
Langkah–langkah pengujian asumsi residual bersifat white noise
menggunakan uji Ljung-Box. Pengujiannya dapat dilakukan dengan
hipotesis sebagai berikut:
Hipotesa:
𝐻0 : 𝜌1 = 𝜌2 = ⋯ = 𝜌𝑘 = 0 (residual white noise)
𝐻1 : minimal ada 𝜌𝑖 ≠ 0 ; 𝑖 = 1,2,3, … , 𝑛 (residual tidak white
noise)
Statistik Uji:
9
𝑄 = 𝑛(𝑛 + 2)∑�̂�𝑘2
(𝑛−𝑘), 𝑛 > 𝑘 𝐾
𝑘=1
dengan:
𝐾 : lag maksimum
𝑛 : jumlah data (observasi)
�̂�𝑘 : autokorelasi residual untuk lag ke- 𝑘
Kriteria Pengujian:
Dengan 𝑎 = 0.05, jika 𝑄 < 𝜒(𝑎;𝐾−𝑝−𝑞)2 , maka 𝐻0 diterima artinya
residual white noise.
b. Uji Asumsi Distribusi Normal
Langkah-langkah pengujian asumsi residual distribusi normal
menggunakan uji Kolmogorov-Smirnov:
Hipotesa:
𝐻0 ∶ 𝑆(𝑥) = 𝐹0(𝑥) untuk semua 𝑥 (residual berdistribusi normal)
𝐻1 ∶ 𝑆(𝑥) ≠ 𝐹0(𝑥) untuk beberapa 𝑥 (residual tidak berdistribusi
normal)
Statistik Uji:
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑠𝑢𝑝𝑥|𝑆(𝑥) − 𝐹0(𝑥)|
dengan:
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 : deviasi maksimum
𝑠𝑢𝑝𝑥 : nilai supremum untuk semua 𝑥 dari selisih mutlak 𝑆(𝑥) dan 𝐹0(𝑥) 𝐹0(𝑥) : fungsi peluang berdistribusi normal
𝑆(𝑥) : fungsi distribusi kumulatif dari data sampel
Kriteria Pengujian :
Dengan menggunakan 𝑎 = 0.05, jika 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐷(𝑎,𝑛) maka 𝐻0
diterima artinya residual model berdistribusi nomal.
2.2.4 Mendapatkan Model Peramalan dengan Metode ARIMA
Model ARIMA(𝑝, 𝑑, 𝑞) diperkenalkan oleh Box dan Jenkins.
Orde 𝑝 menyatakan operator dari AR, orde 𝑑 menyatakan hasil
differencing (pembedaan), dan orde 𝑞 menyatakan operator dari
MA. Bentuk fungsi persamaan dari model ARIMA adalah:
∅�̇�(𝐵)(1 − 𝐵)𝑑�̅�𝑡 = 𝜃𝑞(𝐵)𝑎𝑡 (2.1)
10
dengan:
∅�̇�(𝐵) = (1 − 𝜙1𝐵 −⋯− 𝜙𝑝𝐵�̅�)
�̇� : orde untuk AR
𝜃𝑞(𝐵) = (1 − 𝜃1𝐵 −⋯− 𝜃𝑞𝐵𝑞)
𝑞 : orde untuk MA
(1 − 𝐵)𝑑 ∶ differencing untuk operator mundur orde d
𝛼𝑡 ∶ error pada waktu ke-t
�̅�𝑡 : pengamatan pada waktu ke-t
2.3 Gambaran Umum Perusahaan
PT Semen Gresik-Pabrik Tuban adalah perusahaan yang
bergerak di bidang produksi semen. Sebagai suatu perusahaan yang
telah berjalan dengan baik dan terus berkembang, PT Semen Gresik
telah melalui berbagai tantangan untuk tetap bertahan di dunia
perindustrian semen di Indonesia. PT Semen Gresik diresmikan
pada tanggal 7 Agustus 1957 oleh Presiden RI pertama yaitu
Presiden Ir. Soekarno di Gresik dengan kapasitas produksi saat itu
adalah 250.000 ton semen per tahun.
Kemudian pada tanggal 24 September 1994 dilakukan
peresmian Pabrik Tuban 1 dengan kapasitas 2,3 juta ton semen per
tahun. Pada tanggal 17 April 1997 peresmian Pabrik Tuban 2 dengan
kapasitas 2,3 juta ton per tahun. Peresmian Pabrik Tuban 3
diresmikan tanggal 20 Maret 1998 dengan kapasitas 2,3 juta ton per
tahun. Hingga saat ini Pabrik Tuban terdiri dari 4 plan dengan
kapasitas produksi sebesar 14 juta ton semen per tahun.
Pada setiap plan pabrik memiliki proses produksi yang sama,
yaitu terdapat beberapa proses antara lain: proses penyiapan bahan
baku (tanah liat dan batu kapur), proses penghancuran (crushing),
penyimpanan dan pengumpanan bahan baku (terak), penggilingan
dan pengeringan bahan baku, pencampuran (blending) dan
homogenasi, pemanasan awal (pre-heating), proses pembakaran
(firing), pendinginan, proses penggilingan akhir, dan proses
pengisian [10]. PT Semen Gresk telah memegang peranan dalam
pasar domestik, penjualan semen telah menyeluruh dari Indonesia
bagian barat sampai Indonesia bagian timur. Maka dari itu
11
perusahaan harus berusaha keras untuk memproduksi semen dengan
baik. Beberapa produk semen yang diproduksi oleh PT Semen
Gresik antara lain:
1. Ordinary Portland Cement (OPC)
Merupakan bahan pengikat hidrolis hasil penggilingan bersama-
sama terak, gypsum, yang dipergunakan secara luas untuk
konstruksi umum, seperti konstruksi bangunan yang tidak
memerlukan persyaratan khusus, antara lain bangunan perumahan,
gedung-gedung bertingkat, landasan pacu dan jalan raya.
2. Portland Pozzolan Cement (PPC)
Merupakan bahan pengikat hidrolis hasil penggilingan bersama-
sama terak, gypsum, dan satu atau lebih bahan anorganik. Kegunaan
semen jenis ini sesuai untuk konstruksi beton umum, pasangan batu
bata, plesetan bangunan khusus seperti beton para-cetak, beton para-
tekan dan paving block.
3. White Cement
White Cement adalah semen keluaran terbaru yang merupakan
semen putih berkualitas tinggi yang dapat di aplikasikan untuk
keperluan dekorasi baik interior maupun eksterior, serta melapisi nat
sambungan kermaik, profile dan lainnya. Serta memiliki banyak
keunggulan yaitu lebih hemat, dan lebih rekat.
2.3.1 Pengadaan Terak
Produk dari PT Semen Gresik ada 3 macam, antara lain semen
PPC kemasan 50 kg pada gambar 2.1, semen OPC kemasan 50 kg
pada gambar 2.2, dan White Cement kemasan 40 kg pada gambar
2.3. Bahan baku dari ketiga macam semen tersebut sama yaitu terak.
Terak sebagai bahan baku semen PPC, semen OPC, dan White
Cement, PT Semen Gresik memproduksi terak sendiri.
Terak terdiri dari campuran tanah liat, batu kapur, pasir silika,
dan pasir besi. Untuk tanah liat dan batu kapur PT Semen Gresik
memiliki tambang sendiri, sedangkan untuk pasir silika dan pair besi
PT Semen Gresik membeli dari supplier. Presentase terak yang
dibutuhkan untuk bahan baku semen adalah 80% dari total target
produksi semen, dan terak menjadi bahan baku utama dalam proses
produksi semen.
12
2.3.2 Proses Produksi
Proses pembuatan semen pada dasarnya melalui beberapa
tahapan, yaitu : proses penyiapan bahan baku, proses penghancuran
(crushing), penyimpanan dan pengumpanan bahan baku,
penggilingan dan pengeringan bahan baku, pencampuran (blending)
dan homogenasi, pemanasan awal (pre-heating), proses pembakaran
(firing), pendinginan, proses penggilingan akhir, dan proses
pengisian [10].
Terdapat dua proses pembuatan semen yaitu proses basah dan
proses kering. PT Semen Gresik menggunakan proses kering karena
lebih efisien daripada proses basah. Pada proses kering bahan baku
diolah (dihancurkan) di dalam Raw Mill dalam keadaan kering dan
halus, hasil penggilingan (tepung baku) dengan kadar air 0,5-1%
diklasinasikan dalam Rotary Kiln. Proses ini menggunakan panas
sekitar 1500-1900 kcal/kg.kliner. Setelah itu terak (output dari Kiln)
dicampur dengan material tambahan dan digiling lagi di dalam
Finish Mill. Kemudian semen dibawa ke Packer untuk proses
pengemasan. Adapun gambar proses produksi dapat diliat pada
lampiran B.
Gambar 2.1 Semen PPC
kemasan 50kg
Gambar 2.2 Semen OPC
kemasan 50kg
Gambar 2.3 White Cement kemasan 40kg
13
2.4 Perencanaan Produksi
Perencanaan produksi adalah suatu kegiatan yang berkenaan
dengan penentuan apa yang harus di produksi, berapa banyak di
produksi, kapan di produksi, dan apa sumber daya yang dibutuhkan
untuk mendapatkan produk yang telah di tentukan. Pengendalian
produksi adalah fungsi mengarahkan atau mengatur pergerakan
material (bahan, part/komponen dan produk) melalui seluruh siklus
manufacturing mulai dari permintaan bahan baku pada sampai
pengiriman produk akhir kepada pelanggan. Perencanaan produksi
sangat dipengaruhi oleh ketersediaannya persediaan bahan baku
untuk bahan produksi, sehingga perlu diperhatikan untuk persediaan
supaya tidak terjadi stock out, sehingga membuat produksi berhenti.
2.4.1 Jenis-jenis Persediaan
Persediaan terdapat di berbagai titik dan dalam berbagai
bentuk pada proses pengadaan, produksi, dan distribusi. Berikut ini
merupakan berbagai jenis persediaan [1]:
1 Supplies
Item persediaan yang dikonsumsi dalam fungsi normal dari
sebuh organisasi yang bukan merupakan bagian dari produk
akhir, misalnya pensil, kertas, dan cutting tools.
2 Raw material
Item persediaanyang dibeli dari supplier yang akan digunakan
sebagai input dalam proses produksi.
3 In-process goods
Produk setengah jadi yang masih berada dalam proses
produksi, baik yang berada pada tahap penyelesaian maupun
material yang menunggu untuk masuk pada proses selanjutnya.
4 Finished goods
Produk akhir yang siap dijual, didistribusikan, atau disimpan.
Dalam pengadaan produk jadi, terdapat beberapa faktor yang
saling berkaitan antara satu sama lain. Namun dengan demikian
secara bersama-sama akan mempengaruhi jumlah persediaan
produk jadi yang ada diperusahaan. Faktor-faktor tersebut antara
lain:
14
1. Perkiraan permintaan
2. Biaya produksi
3. Biaya- biaya persedian
Biaya total persediaan per tahun didapatkan dari biaya produksi,
biaya set up (pemesanan pembelian), dan biaya penyimpanan
(holding cost).
a) Biaya produksi adalah biaya yang dikeluarkan saat terjadinya
produksi [1]. 𝐶1 = 𝑃𝑅 (2.2) dimana:
𝐶1 : Biaya Produksi
𝑃 : Biaya Produksi Per Unit 𝑅 : Demand Tahunan
b) Biaya set up (pemesanan pembelian) adalah biaya yang berasal
dari bahan dalam mengeluarkan permintaan pembelian pada
supplier atau dari biaya set up produksi internal. Biaya ini
biasanya diasumsikan bervariasi secara langsung dangan
jumlah pesanan dan tidak berhubungan dengan ukuran pesanan
[1].
𝐶2 =𝐶𝑅
�̅� (2.3)
dimana:
𝐶2 : Biaya Pemesanan
𝐶 : Biaya Set Up Per Produksi Berjalan 𝑅 : Deamand Tahunan �̅� : Jumlah Produksi/Pemesanan
c) Biaya yang termasuk dalam holding cost berhubungan dengan
investasi dalam persediaan dan pemeliharaan investasi fisik
pada tempat penyimpanan. Biaya tersebut mencakup beberapa
hal seperti biaya modal, pajak, asuransi, handling,
penyimpanan, kerusakan, using, dan kerusakan [1].
𝐶3 =𝐻𝑅(�̅� − 𝑟)
2�̅� (2.4)
dimana:
𝐶3 : Biaya Simpan
15
𝐻 : Holding Cost Per Unit Tahun 𝑅 : Deamand Tahunan �̅� : Rata-Rata Produksi 𝑟 : Rata-Rata Permintaan
2.5 Perencanaan Economic Production Quantity
Apabila suatu perusahaan memproduksi suatu barang dengan
permintaan konstan dan dimasukan ke dalam inventory, maka
Economic Order Quantity dapat dicari dengan Economic Production
Quantity, dimana order cost pada Economic Order Quantity diganti
dengan set-up cost. Yang dimaksud set-up cost adalah biaya yang
diperlukan untuk mempersiapkan peralatan kerja untuk
melaksankan pekerjaan tersebut. Economic Production Quantity
digunakan mencakup asumsi bahwa unit-unit ditambahkan dalam
inventory saat produksi dalam proses.
Tujuan utama penggunaan Economic Production Quantity
adalah untuk meminimumkan total biaya persediaan. Total biaya
persediaan per tahun diperoleh dari penjumlahan dari biaya
produksi, biaya setup, dan biaya penyimpanan. Persamaan untuk
total biaya persediaan per tahun adalah [1]:
𝑇𝐶(�̅�) =∑𝑃𝑖𝑅𝑖
𝑛
𝑖=1
+ �̅�∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
(2.5)
dimana:
𝑟 : Rata-Rata Permintaan 𝑝 ̅ : Rata-Rata Produksi 𝑃 : Biaya Produksi Unit 𝐶 : Biaya Pemesanan Pembelian/Set Up
𝑄 : Jumlah Produksi/Pemesanan 𝑅 : Demand Tahunan
𝐻 : Biaya Penyimpanan/Holding Cost
�̅� : Siklus Tahunan yang Optimal
Agar mendapatkan Total Biaya Persediaan (𝑇𝐶) yang minimum
maka harus diperoleh nilai siklus yang optimal (�̅�) dengan cara
16
melakukan turunan pertama terhadap �̅� pada persamaan (2.5)
dimana syarat TC minimum 𝑑𝑇𝐶(�̅�)
𝑑�̅�= 0
𝑑𝑇𝐶(�̅�)
𝑑�̅�= ∑𝐶𝑖
𝑛
𝑖=1
−1
2�̅�2∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
= 0
�̅� = √∑
𝐻𝑖𝑅𝑖(�̅�𝑖−𝑟𝑖)
�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
= 𝐸𝑃𝑄 (2.6)
𝑄𝑖 =𝑅𝑖
�̅� (2.7)
17
BAB III
METODE PENELITIAN
Metode penelitian yang digunakan dalam Tugas Akhir ini dibagi
menjadi beberapa tahapan-tahapan penelitian dan diberikan diagram
alur untuk mempermudah memahami tahapan-tahapan pengerjaan
Tugas Akhir. Tahap-tahap penelitian yang dilakukan adalah sebagai
berikut:
1. Studi Literatur.
a) Mencari literatur seperti buku dan jurnal mengenai Tugas
Akhir ini yaitu tentang Economic Production Quantity yang
dipengaruhi oleh kerusakan. Oleh karena itu dibutuhkan teori
pendukung yang dapat dirangkum dalam tinjauan pustaka.
b) Mencari data pendukung Tugas Akhir yaitu data produksi
semen dari PT Semen Gresik-Pabrik Tuban.
2. Meramalkan Produksi Semen.
a) Melakukan peramalan produksi semen PPC, OPC, dan White
Cement tahun 2017 di PT Semen Gresik-Pabrik Tuban
menggunakan ARIMA Box-Jenskin dengan berdasarkan data
produksi semen dari bulan Januari 2011 sampai dengan bulan
Desember 2016 dengan langkah-langkah sebagai berikut:
i. Identifikasi
ii. Estimasi dan Pengujian Parameter
iii. Pemeriksaan Diagnostik
iv. Meramalkan Produksi Semen Tahun 2017
3. Menentukan Produksi Terak.
a) Mencari kebutuhan terak untuk memproduksi semen PPC,
OPC, dan white cemenet selama tahun 2017 dengan
kebutuhan terak yaitu 80% dari total masing-masing produksi
semen.
4. Menentukan Faktor Penyusutan.
a) Penyusutan pada terak adalah pengendapan pada domb,
menggumpal saat terkena air, dan terjatuhnya terak saat
produksi berlangsung.
18
b) Mengasumsikan bahwa penyusutan yang terjadi adalah
konstan sebesar 5%.
5. Menentukan Komponen Total Biaya.
a) Memasukkan data biaya yang telah diperoleh dari perusahaan
berupa RKAP dapat dilihat pada Lampiran E nomer 1.
b) Menentukan data biaya meliputi biaya produksi, biaya
pemesanan, dan biaya simpan yang diterapkan dalam
perusahaan.
6. Menentukan Total Biaya.
a) Menghitung total biaya biaya dengan menggunakan rumus
total biaya Economic Production Quantity-multiple items.
7. Menentukan Jumlah Volume Produksi.
a) Menghitung volume produksi terak per siklus dengan rumus
Economic Production Quantity-multiple items dengan data
kebutuhan terak pada langkah nomer 3.
8. Penarikan kesimpulan dan penulisan Laporan Tugas Akhir.
a) Menulis pembahasan dari penelitian yang telah dilakukan
serta pemberian saran sebagai masukan untuk penelitian
selanjutnya.
b) Output dari penelitian ini didapatakan pengaruh penyusutan
terhadap volume produksi terak PPC, OPC, dan White
Cement tahun 2017.
19
Berikut adalah diagram alur pengerjaan Tugas Akhir ditunjukkan
pada Gambar 3.1 dibawah ini :
Gambar 3.1 Diagram Alur Metodologi
Menentukan volume produksi terak semen PPC, OPC, dan
White Cement menggunakan Economic Production Quantity
Penarikan Kesimpulan dan Penulisan Laporan Tugas Akhir
Selesai
Mulai
Meramalkan produksi semen pada tahun 2017 dengan
ARIMA Box-Jenskin
Mengidentifikasi penyusutanyang terjadi pada bahan baku
semen (terak)
Menentukan komponen total biaya, antara lain biaya
pemesanan, biaya penyimpanan, dan biaya produksi.
Menentukan total biaya dengan menggunakan Economic
Production Quantity
Studi Literatur yang akan menunjang topik masalah
Menentukan produksi terak yang dibutuhkan selama satu
tahun
20
21
BAB IV
ANALISIS DAN PEMBAHASAN
Bab ini menjelaskan mengenai penentuan total biaya
persediaan, menentukan model Economic Production Quantity yang
telah dipengaruhi oleh kerusakan yang dapat diterapkan di dalam
studi kasus.
4.1 Penentuan Volume Produksi Semen dengan Metode
ARIMA Box-Jenkins
Syarat utama suatu data dapat diramalkan dengan metode
ARIMA Box-Jenkins adalah data harus stasioner terhadap mean
maupun varians. Secara visual, kestasioneran data time series plot
dapat digunakan untuk mengetahui pola-pola dari data produksi
semen, selain itu berdasarkan time series plot juga dapat diketahui
kestasioneran data secara visual. Berikut ini dijelaskan mengenai
langkah-langkah model ARIMA, antara lain:
1. Tahap Identifikasi
Pada tahap ini mengidentifikasi data stasioner dalam mean dan
varians. Kestasioneran dapat diliat dari plot data deret berkala.
Bentuk time series plot dari data 𝑍𝑡 dapat ditunjukkan pada Gambar
4.1.
Setelah membuat time series plot, dilakukan pengujian
kestasioneran data 𝑍𝑡 diolah dengan software Minitab 16 untuk
memperoleh model ARIMA yang sesuai. Langkah selanjutnya yang
harus dilakukan adalah melihat kestasioneran data, karena syarat
pembentukan model analisis time series adalah data dalam keadaan
stasioner. Time series dikatakan stasioner apabila stasioner dalam
mean dan varians.
Data stasioner terhadap varians apabila rounded value-nya
adalah 1. Dari Gambar 4.2 dapat dilihat pada kotak dialog bahwa
nilai lambda dengan nilai kepercayaan 95% dan rounded value 0,5.
Sehingga dilakukan Transformasi Box Cox Plot pada data curah
hujan, dimana rumusnya adalah 𝑌𝑡 = (𝑍𝑡)𝜆 dengan 𝑍𝑡 nilai data
curah hujan yang aktual, 𝜆 adalah nilai rounded value dan 𝑌𝑡 adalah
nilai hasil transformasi Box-Cox, dapat dilihat dari Gambar 4.3
22
dimana nilai lambda dengan nilai kepercayaan 95% dan rounded
value 1.
Setelah data stasioner dalam varians, selanjutnya akan dilihat
apakah data stasioneran dalam mean. Kestasioneran dalam mean
dapat dilihat dari plot trend analysis. Hasil plot dapat dapat dilihat
pada Gambar 4.4.
Gambar 4.1 Time series Plot Data Produksi
Gambar 4.2 Box-Cox Plot Data Produksi
60544842363024181261
1300000
1200000
1100000
1000000
900000
800000
700000
600000
Index
da
ta p
rod
uksi
5,02,50,0-2,5-5,0
115000
110000
105000
100000
95000
90000
85000
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate 0,41
Lower CL -1,27
Upper CL 2,14
Rounded Value 0,50
(using 95,0% confidence)
Lambda
23
Gambar 4.3 Box-Cox Plot Data Transformasi
60544842363024181261
1150
1100
1050
1000
950
900
850
800
Index
tra
ns1
MAPE 4,83
MAD 46,42
MSD 3361,45
Accuracy Measures
Actual
Fits
Variable
Linear Trend Model
Yt = 864,8 + 3,41*t
Gambar 4.4 Trend Analysis Plot Data Transformasi
Pada Gambar 4.4 terlihat bahwa data tersebut tidak pada pola
yang teratur artinya data transformasi tersebut tidak stasioner
terhadap mean. Untuk mencapai stasioner terhadap mean diperlukan
differencing (pembedaan). Setelah differencing pertama dilakukan,
5,02,50,0-2,5-5,0
49
48
47
46
45
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate 0,82
Lower CL -2,30
Upper CL 4,39
Rounded Value 1,00
(using 95,0% confidence)
Lambda
24
data tersebut dibuat plot trend analysis. Plot trend analysis data hasil
differencing pertama dapat dilihat pada Gambar 4.5, pada gambar
tersebut data sudah teratur, sehingga dapat dikatakan data telah
stasioner terhadap mean.
Gambar 4.5 Trend Analysis Plot Data Differencing
Data telah stasioner terhadap mean dan varians, langkah selanjutnya
adalah pemodelan ARIMA yaitu mendapatkan model ARIMA
sementara untuk data 𝑍𝑡. Plot ACF ditunjukkan pada Gambar 4.6
dan plot PACF ditunjukkan pada Gambar 4.7.
Berdasarkan Gambar 4.6 dan 4.7 dengan merujuk pada hasil
differencing, plot ACF dan PACF 𝑍𝑡 dapat dilihat pada Gambar 4.6
dan 4.7. Pada plot ACF dapat dilihat bahwa terdapat 2 lag yang
berada diluar batas, yaitu lag 1 dan lag 12 sehingga dapat dikatakan
ARIMA (0,1,1) dan ARIMA (0,1,[12]). Sedangkan pada plot PACF
terdapat 1 lag yang keluar, yaitu lag 1 sehingga terdapat indikasi
model ARIMA yang subset, maka model dugaan ARIMA ([1],1,0).
Dari plot ACF dan plot PACF yang keluar dapat ditentukan dugaan
model sementara ARIMA (1,1,[1,12]).
60544842363024181261
200
100
0
-100
-200
Index
dif
f 1
MAPE 119,97
MAD 50,32
MSD 4375,37
Accuracy Measures
Actual
Fits
Variable
Linear Trend Model
Yt = 5,3 - 0,036216*t
25
Gambar 4.6 Plot ACF data differencing
Gambar 4.7 Plot PACF Data Differencing
2. Estimasi dan Pengujian Parameter Model
Berdasarkan pada Gambar 4.6 dan 4.7 model sementara yang
diduga adalah ARIMA (1,1,[1,12]). Setelah diidentifikasi dugaan
model sementara, selanjutnya dilakukan estimasi parameter data uji
signifikasi parameter model (dapat menggunakan bantuan software
SAS) dilihat pada Lampiran C.
Pengujian parameter model ARIMA (1,1,[1,12]) dilakukan
dengan menggunakan uji- student t, dengan langkah-langkah seperti
berikut:
5550454035302520151051
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Au
toco
rre
lati
on
(with 5% significance limits for the autocorrelations)
5550454035302520151051
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Pa
rtia
l A
uto
co
rre
lati
on
(with 5% significance limits for the partial autocorrelations)
26
Hipotesa:
𝐻0 : ∅1 = 0 (parameter model tidak signifikan) 𝐻1 : ∅1 ≠ 0 (parameter model siginfikan)
Statistik Uji:
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =∅̂1
𝑠𝑡.(∅̂1)
dengan 𝛼 = 5%
𝑡𝑡𝑎𝑏𝑒𝑙 = 𝑡0,025;59 = −2,001
Kriteria Pengujian:
Jika |𝑡ℎ𝑖𝑡𝑢𝑛𝑔| > 𝑡𝑎2,(𝑛−1), maka 𝐻0 ditolak artinya parameter model
signifikan.
Berdasarkan Tabel 4.1 dapat disimpulkan model sementara yang
signifikan adalah (0,1,1), (0,1,[12]), (1,1,0), (1,1,[12]), (1,1,1) dan
(0,1,[1,12]) karena |𝑡ℎ𝑖𝑡𝑢𝑛𝑔| > 𝑡𝑡𝑎𝑏𝑒𝑙.
Hasil perhitungan pengujian parameter dapat dilihat pada Tabel 4.1.
Tabel 4.1 Pengujian Parameter Model ARIMA (1,1,[1,12])
Model
Arima Model
Para
Meter
Estimasi
Parameter
St.
Error
t
hitung Keputusan
(0,1,1) MA (1) 𝜃1 0,58155 0,10978 5,30 Signifikan
(0,1,[1,12])
MA
(1)
𝜃1
-0,49369 0,19703 -2,51 Signifikan
MA
(12) 𝜃12 0,53862 0,21240 2,54 Signifikan
(1,1,0) AR (1) ∅1 -0,39896 0,12016 -3,32 Signifikan
(1,1,[12])
AR (1) ∅1 -0,38564 0,12016 -3,21 Signifikan
MA (12)
𝜃12 -0,46471 0,18153 -2,56 Signifikan
(0,1,[12]) MA(12) 𝜃12 -0,50854 0,18140 -2,80 Signifikan
(1,1,1) AR (1) ∅1 0,20173 0,21414 0,49 Signifikan
MA (1) 𝜃1 0,74225 0,15669 4,74 Signifikan
3. Pemeriksaan Diagnostik
Dalam menentukan model ARIMA yang baik, model harus
memenuhi dua asumsi residual yaitu white noise dan berdistribusi
normal.
27
a. White Noise
Hipotesa:
𝐻0 ∶ 𝜌1(𝑎) = 𝜌2 (𝑎) = ⋯ = 𝜌𝑘 (𝑎) = 0 𝐻1 ∶ 𝑠𝑒𝑏𝑎𝑔𝑖𝑎𝑛 𝑑𝑎𝑟𝑖 𝜌𝑖(𝑎) ≠ 0 Statistik Uji:
𝑄 = 𝑛(𝑛 + 2)∑�̂�𝑘2
(𝑛−𝑘), 𝑛 > 𝑘𝐾
𝑘=1
Kriteria Pengujian:
Dengan 𝑎 = 0.05, karena nilai 𝑄 < 𝜒(𝑎;𝐾−𝑝−𝑞)2 , maka 𝐻0 diterima
artinya residual bersifat white noise.
Hasil perhitungan pengujian Ljung-Box pada masing-masing
model yang telah signifikan terdapat pada Tabel 4.2. Tabel 4.2
menunjukkan bahwa pada model ARIMA (0,1,1), ARIMA
(0,1,[12]), ARIMA (1,1,[12]), ARIMA (1,1,1), dan ARIMA
(0,1,[1,12]) telah memenuhi asumsi residual white noise, karena
didapatkan nilai statistik uji χ2 yang diperoleh lebih kecil dari
χ2(0,05;df), sehingga dapat ditarik kesimpulan bahwa pada model
ARIMA (0,1,1), ARIMA (0,1,[12]), ARIMA (1,1,[12]), ARIMA
(1,1,1), dan ARIMA (0,1,[1,12]) telah memenuhi asumsi white
noise.
b. Uji Distribusi Normal
Asumsi selanjutnya yang harus dipenuhi adalah residual harus
berdistribusi normal, hal ini dapat diketahui dengan menggunakan
uji kolmogorov smirnov. Berikut adalah hipotesis yang digunakan
dalam pengujian ini.
Hipotesa:
𝐻0 ∶ 𝑆(𝑥) = 𝐹0(𝑥) untuk semua 𝑥 (residual berdistribusi normal)
𝐻1 ∶ 𝑆(𝑥) ≠ 𝐹0(𝑥) untuk beberapa 𝑥 (residual tidak berdistribusi
normal)
Statistik Uji:
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑠𝑢𝑝𝑥|𝑆(𝑥) − 𝐹0(𝑥)|
𝐷𝑡𝑎𝑏𝑒𝑙 = 𝐷𝑎,𝑛
Kriteria Pengujian :
28
Dengan menggunakan 𝑎 = 0.05, karena 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐷𝑎,𝑛 maka 𝐻0
diterima artinya residual model berdistribusi nomal. Hasil
perhitungan pengujian residual berdistribusi normal pada masing-
masing model yang telah white noise terdapat pada Tabel 4.3.
Tabel 4.2 Hasil Residual White Noise Model
ARIMA Lag
Chi-
Square df Pvalue Keputusan
(0,1,1)
6 1,27 5 0,9376 White Noise
12 14,48 11 0,2075 White Noise
18 15,65 17 0,5491 White Noise
24 29,54 23 0,1631 White Noise
(0,1,[12])
6 10 5 0,0754 White Noise
12 10,54 11 0,4822 White Noise
18 12,27 17 0,7835 White Noise
24 27,49 23 0,2359 White Noise
(1,1,0)
6 4,38 5 0,4961 White Noise
12 16,96 11 0,1240 White Noise
18 19,87 17 0,2807 White Noise
24 36,51 23 0,0401 White Noise
(1,1,[12])
6 4,27 4 0,3705 White Noise
12 5,43 10 0,8607 White Noise
18 6,97 16 0,9739 White Noise
24 25,23 22 0,2860 White Noise
(0,1,[1,12])
6 1,72 4 0,7865 White Noise
12 4,73 10 0,9083 White Noise
18 8,13 16 0,9450 White Noise
24 22,80 22 0,4132 White Noise
(1,1,1)
6 1,06 4 0,9013 White Noise
12 12,94 10 0,2268 White Noise
28 14,73 16 0,5446 White Noise
24 26,72 22 0,2219 White Noise
Dengan demikian ARIMA (0,1,1), ARIMA (0,1,[12]), ARIMA
(1,1,[12]), ARIMA (1,1,1), ARIMA (1,1,0) dan ARIMA (0,1,[1,12])
merupakan model terbaik, karena memenuhi uji signifikasi
parameter, uji asumsi white noise, dan residual berdistribusi normal.
29
Selanjutnya akan dicari nilai MAPE untuk menentukan model
terbaik untuk meramalkan produksi semen.
Dari Tabel 4.3 ditunjukkan bahwa model ARIMA (0,1,1),
ARIMA (0,1,[12]), ARIMA (1,1,[12]), ARIMA (1,1,1), ARIMA
(1,1,0) dan ARIMA (0,1,[1,12]) residual berdistribusi normal,
sehingga dapat dicari nilai MAPE untuk model ARIMA (0,1,1),
ARIMA (0,1,[12]), ARIMA (1,1,[12]), ARIMA (1,1,1), ARIMA
(1,1,0) dan ARIMA (0,1,[1,12]). Hasil perhitungan nilai MAPE
untuk masing-masing model ARIMA, dapat dilihat dari Tabel 4.4
Model terbaik adalah model yang memiliki nilai MAPE paling kecil
terdapat pada Tabel 4.4. Dari Tabel 4.4 terlihat bahwa model
ARIMA yang memenuhi uji signifikasi, uji white noise, residual
berdistribusi normal, dan memiliki MAPE terkecil adalah model
ARIMA (0,1,[1,12]) dengan MAPE sebesar 9,98%, sehingga model
terbaik adalah model ARIMA (0,1,[1,12]), terdapat pada Tabel 4.4.
𝑀𝐴𝑃𝐸 =1
𝐿(∑
(𝑍𝑛+𝑙 − 𝑍𝑛(𝑙))
𝑍𝑛+𝑙× 100%
𝐿
𝑙=1
)
Dengan:
L : Banyaknya data in sample
𝑍𝑛+𝑙 : Data Aktual
𝑍𝑛(𝑙) : Data Hasil Ramalan
Tabel 4.3 Hasil Residual Berdistribusi Normal Model
ARIMA Dhitung Dtabel Pvalue Keputusan
(0,1,1) 0,098705 0,175575 > 0,1500 Dist. Normal
(0,1,[12]) 0,091874 0,175575 > 0,1500 Dist. Normal
(1,1,[12]) 0,083673 0,175575 > 0,1500 Dist. Normal
(0,1,[1,12]) 0,06967 0,175575 > 0,1500 Dist. normal
(1,1,1) 0,083726 0,175575 > 0,1500 Dist. normal
(1,1,0) 0,062524 0,175575 >0,1500 Dist. normal
30
Tabel 4.4 Nilai MAPE model ARIMA Model
ARIMA
Uji
Signifikasi
Uji Asumsi
White Noise
Uji Residual
Normal MAPE
ARIMA
(0,1,1) Signifikan White Noise Dist Normal 12,03%
ARIMA
(0,1,[12]) Signifikan White Noise Dist Normal 10,9%
ARIMA
(1,1,[12]) Signifikan White Noise Dist Normal 10,19%
ARIMA
(0,1,[1,12]) Signifikan White Noise Dist Normal 9,98%
ARIMA
(1,1,1) Signifikan White Noise Dist Normal 10,2%
ARIMA
(1,1,0) Signifikan White Noise Dist Normal 10,24%
4. Hasil Peramalan Produksi Semen Tahun 2017
Untuk hasil peramalan dari produksi semen PT Semen Gresik
dapat dilihat pada Lampiran D. Untuk merumuskan bentuk model
matematika dengan menggunakan persamaan (2.1) diperoleh model
ARIMA dari produksi semen PT Semen Gresik sebagai berikut:
(1 − 𝐵)𝑌𝑡 = (1 − 𝜃1𝐵1 − 𝜃12𝐵
12)𝑎𝑡 (1 − 𝐵)𝑌𝑡 = 𝑎𝑡 − 𝜃1𝑎𝑡−1 − 𝜃12𝑎𝑡−12 𝑌𝑡 − 𝑌𝑡−1 = 𝑎𝑡 − 𝜃1𝑎𝑡−1 − 𝜃12𝑎𝑡−12 𝑌𝑡 = 𝑌𝑡−1 + 𝑎𝑡 − 𝜃1𝑎𝑡−1 − 𝜃12𝑎𝑡−12 𝑌𝑡 = 𝑌𝑡−1 + 𝑎𝑡 + 0,49369𝑎𝑡−1 −0,53862𝑎𝑡−12
Dari model peramalan yang didapatkan, dapat dihitung total
produksi semen dan total kebutuhan terak pada proses produksi
semen 2017 pada Tahun 2017 di PT Semen Gresik (Pabrik Tuban).
Perhitungan volume produksi semen dari ketiga macam semen
tersebut diketahui dari kebijakan perusahaan PT Semen Gresik,
yaitu 70% produksi semen PPC, 25% produksi semen OPC, dan 5%
produksi White Cement, perhitungan dapat dilihat pada Tabel 4.5
sehingga dapat diketahui total produksi semen 2017. Pada Tabel 4.6
dapat dilihat jumlah masing-masing produksi Semen tahun 2017.
31
Tabel 4.5 Perhitungan Peramalan Semen
Hasil
Peramalan
Hasil Ramalan
Dipangkatkan 2 PPC OPC
White
Cement
1001,5504 1003103 702172 250776 50155
977,5734 955650 668955 238912 47782
972,737 946217 662352 236554 47311
970,781 942416 659691 235604 47121
1021,3443 1043144 730201 260786 52157
1024,1873 1048960 734272 262240 52448
989,2915 978698 685088 244674 48935
1038,4766 1078434 754904 269608 53922
1028,8156 1058462 740923 264615 52923
1042,0721 1085914 760140 271479 54296
1015,0246 1030275 721192 257569 51514
972,654 946056 662239 236514 47303
total produksi semen 8482129 3029332 605866
Tabel 4.6 Jumlah Produksi Semen tahun 2017
No. Jenis Semen Presentase
Produksi
Jumlah Produksi
Semen (Ton)
1 PPC 70% 8.482.129
2 OPC 25% 3.029.332
3 White Cement 5% 605.866
Setelah itu dicari produksi terak untuk masing-masing jenis semen,
yaitu:
Untuk memproduksi semen PPC selama satu tahun dibutuhkan terak
sebanyak 6.785.703 ton, untuk semen OPC dibutuhkan terak
sebanyak 2.423.466 ton, dan untuk white cement dibutuhkan terak
sebanyak 484.693 ton selama satu tahun.
32
4.2 Laju Konstan Kerusakan
Kerusakan yang terjadi pada terak dapat dipengaruhi dari 3 hal
yang terjadi antara lain: penggumpalan karena terkena air,
pengendapan dalam domb, dan jatuhnya terak saat terjadi alur proses
produksi. Perusahaan menangani pengendapan dengan cara
dibersihkan, untuk ketentuan waktunya perusahaan tidak
memastikan setiap berapa hari/bulan/tahun. Untuk terak yang
menggumpal masih dapat diproses untuk menjadi semen, namun
dengan ditambahkan beberapa senyawa yang ditentukan oleh seksi
jaminan mutu, untuk tetap mendapatakan semen dengan mutu baik.
4.3 Bentuk Umum Economic Production Quantity
Model dasar Economic Order Quantity mengasumsikan bahwa
penambahan persediaan sebesar Q datang secara serentak pada saat
persediaan periode sebelumnya tepat habis. Dalam beberapa kasus,
penambahan persediaan sering tidak mungkin serentak tetapi secara
bertahap. Secara sederhana situasi semacam ini mungkin terjadi
pada sebuah sistem dimana inputnya dihasilkan sendiri atau berasal
dari produksi subsistemnya, misalnya pemasok mengirim barangnya
secara bertahap.
Bila penambahan persediaan pada model Economic Order
Quantity secara serentak sebesar Q pada 𝑡0,𝑡1, dan seterusnya, maka
pada model Economic Production Quantity penambahan persedian
sebesar Q itu datang secara bertahap selama 𝑡0 − 𝑡1 dengan tingkat
pertambahan sebesar ∆𝑄
∆𝑡. Perkembangan ini yang membedakan
model Economic Production Quantity dari model Economic Order
Quantity.
Karena tingkat pertambahan persediaan sebesar ∆𝑄
∆𝑡, maka
tingkat pemakaian persediaan itu logis kalau lebih kecil dari tingkat
pertambahannya agar persediaan tidak habis pada saat akan
digunakan. Bila 𝑝 =∆𝑃
∆𝑡 adalah tingkat produksi dan 𝑟 =
∆𝑅
∆𝑡 adalah
tingkat permintaan atau kebutuhan persediaan, maka 𝑝 > 𝑟 agar
persediaan itu tidak pernah habis.
33
Jika kondisi 𝑝 > 𝑟 tidak terpenuhi, maka kemungkinan yang
akan terjadi adalah:
1. 𝑝2 = 𝑟 atau tingkat produksi atau tingkat pertambahan
persediaan tepat sama dengan tingkat pemakaian persediaan.
Dalam kondisi ini, ketika tambahan persediaan periode 𝑡0 − 𝑡2
tepat selesai, produksi periode 𝑡 tepat dimulai, demikian juga
pemakaian persediaan periode 𝑡. Hal ini jelas tidak mungkin
terjadi karena lead time. Bagaimanapun juga, persediaan harus
tersedia ketika akan digunakan.
2. 𝑝3 < 𝑟 atau tingkat produksi lebih kecil dari tingkat pemakaian
persediaan. Kondisi seperti ini dalam praktik tidak mungkin
dilakukan karena akan ada suatu periode dimana persediaan
tidak lagi tersedia pada saat akan digunakan atau persediaan
habis sama sekali karena siklus pengambilan persediaan lebih
cepat dari siklus pertambahannya (𝑡3). 4.3.1 Q Maksimum
Persediaan maksimum dalam model Economic Production
Quantity berbeda dengan model Economic Order Quantity sebagai
akibat pertambahan persediaan yang bertahap. Karena tingkat
produksi 𝑝 harus memenuhi tingkat permintaan 𝑟 sehingga 𝑝 > 𝑟 dan pertambahan persediaan langsung digunakan, maka tingkat
pertambahan persediaan adalah 𝑝 − 𝑟. Jika kebutuhan untuk setiap siklus produksi ulang adalah 𝑅
dengan tingkat pemakaian persediaan sebesar 𝑟 dan dimulai dari 𝑡0
maka kebutuhan itu harus terpenuhi sejak 𝑡0 hingga 𝑡2 secara
bertahap dengan tingkat pertambahan sebesar 𝑝. Secara kumulatif,
jumlah pertambahan persediaan itu menjadi sebesar 𝑄, yaitu sesuai
dengan jumlah permintaan 𝑅. Oleh karena itu, akumulasi
penambahan persediaan hanya akan terjadi sampai dengan 𝑡1
sebesar 𝑄𝑚𝑎𝑥. Penambahan persediaan itu tidak akan terjadi lagi
antara 𝑡1 − 𝑡2. Persediaan sebesar 𝑄𝑚𝑎𝑥 itu kemudian akan tepat
habis digunakan di 𝑡2 dimana proses pertambahan persediaan
periode berikutnya, yaitu periode 𝑡2 − 𝑡3 terjadi lagi. Proses ini
berulang sepanjang siklus perencanaan.
34
4.3.2 Biaya Produksi
Biaya produksi pada PT Semen Gresik meliputi biaya tenaga
kerja, listrik, bahan pendukung, dan bahan bakar, yang dapat dilihat
pada lampiran E nomer 1.
4.3.3 Biaya Pemesanan
Biaya pemesanan/set up cost pada PT Semen Gresik meliputi
biaya pemeliharaan, yang dapat dilihat pada lampiran E nomer 1.
4.3.4 Biaya Simpan
Biaya simpan pada PT Semen Gresik meliputi biaya Gudang,
yang dapat dilihat pada lampiran E nomer 1.
4.3.5 Total Biaya Persediaan
Biaya total persediaan pada PT Semen Gresik diperoleh dari
90% total biaya pada RKAP. Untuk menghitung total biaya
persediaan dapat menggunakan Economic Production Quantity,
dimana metode ini menghitung total biaya yang berhubungan
dengan produksi. Total biaya persediaan Economic Production
Quantity meliputi biaya produksi, simpan, dan pemesanan yang
dapat dilihat pada persaman (2.5).
𝑇𝐶(�̅�) =∑𝑃𝑖𝑅𝑖
𝑛
𝑖=1
+ �̅�∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
Agar mendapatkan Total Biaya Persediaan (TC) yang
minimum maka harus diperoleh nilai siklus yang optimal (�̅�)
dengan cara melakukan turunan pertama terhadap �̅� pada
persamaan (2.5) dimana syarat TC minimum 𝑑𝑇𝐶(�̅�)
𝑑�̅�= 0, sehingga
diperoleh sebagai berikut:
𝑇𝐶(�̅�) =∑𝑃𝑖𝑅𝑖
𝑛
𝑖=1
+ �̅�∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�∑𝐻𝑖𝑅𝑖(𝑝𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
𝑇𝐶(�̅�) =∑𝑃𝑖𝑅𝑖
𝑛
𝑖=1
+ �̅�∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�−1∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
Karena 𝑑𝑇𝐶(�̅�)
𝑑�̅�= 0, maka
35
𝑑𝑇𝐶(�̅�)
𝑑�̅�= 0 + 1∑𝐶𝑖
𝑛
𝑖=1
+ (−1)1
2�̅�−1−1∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
𝑑𝑇𝐶(�̅�)
𝑑�̅�=∑𝐶𝑖
𝑛
𝑖=1
−1
2�̅�−2∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
𝑑𝑇𝐶(�̅�)
𝑑�̅�=∑𝐶𝑖
𝑛
𝑖=1
−1
2�̅�2∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
1
2�̅�2∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖=
𝑛
𝑖=1
∑𝐶𝑖
𝑛
𝑖=1
1
2∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖=
𝑛
𝑖=1
�̅�2∑𝐶𝑖
𝑛
𝑖=1
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
= �̅�2
�̅� = √∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
Dimana �̅� merupakan siklus produksi yang optimal, dengan siklus
optimal adalah siklus yang digunakan untuk memaksimalkan hasil
produksi dalam satu kali siklus produksi.
Untuk mengetahui (�̅�) adalah nilai satu-satunya yang optimal,
maka dapat dibuktikan dengan mencari turunan kedua dari
persamaan (4.1) terhadap �̅�, sebagai berikut:
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2
=𝑑
𝑑�̅�[𝑑 [∑ 𝑃𝑖𝑅𝑖
𝑛𝑖=1 + �̅�∑ 𝐶𝑖
𝑛𝑖=1 +
12�̅�
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖𝑛𝑖=1 ]
𝑑�̅�]
36
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2=𝑑
𝑑�̅�[∑𝐶𝑖
𝑛
𝑖=1
−1
2�̅�2∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
]
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2= −
1
2(−2)�̅�−3∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
𝑑2𝑇𝐶(�̅�)
𝑑�̅�=1
�̅�3∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2=
1
(
√
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
)
3∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2
=1
(∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)𝑝�̅�
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
)
(
√
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
)
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2
=1
(1
2∑ 𝐶𝑖𝑛𝑖=1
) (∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�𝑛𝑖=1 )
(
√
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
)
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
37
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2=
1
(1
2∑ 𝐶𝑖𝑛𝑖=1
)
(
√
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
)
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2=
(1
2∑ 𝐶𝑖𝑛𝑖=1
)
(
√
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
)
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2=
2∑ 𝐶𝑖𝑛𝑖=1
(
√∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)�̅�𝑖
𝑛𝑖=1
√2∑ 𝐶𝑖𝑛𝑖=1
)
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2= 2∑𝐶𝑖
𝑛
𝑖=1(
√2∑ 𝐶𝑖
𝑛𝑖=1
√∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖𝑛𝑖=1 )
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2=√2∑ 𝐶𝑖
𝑛𝑖=1 √4∑ 𝐶𝑖
2𝑛𝑖=1
√∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖𝑛𝑖=1
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2= √
8∑ 𝐶𝑖3𝑛
𝑖=1
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�𝑛𝑖=1
𝑑2𝑇𝐶(�̅�)
𝑑�̅�2= √8∑
𝐶𝑖3�̅�𝑖
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
𝑛
1=1 (4.1)
38
Asumsi:
�̅� > 𝑟 karena �̅� > 𝑟 maka �̅� − 𝑟 > 0
sehingga 8∑𝐶𝑖3�̅�𝑖
𝐻𝑖𝑅𝑖(�̅�𝑖−𝑟𝑖)> 0𝑛
1=1
maka √8∑𝐶𝑖3�̅�𝑖
𝐻𝑖𝑅𝑖(�̅�𝑖−𝑟𝑖)𝑛1=1 > 0 dapat dikatakan positif.
Karena 𝑑2𝑇𝐶(�̅�)
𝑑�̅�2 > 0 sehingga terbukti bahwa nilai �̅� yang diperoleh
optimal, dapat meminimalkan nilai total biaya persediaan
TC(�̅�). Jika nilai �̅� optimal pada persamaan (2.6) disubstitusikan
ke persamaan (2.5), maka akan diperoleh model matematika untuk
menentukan Total Biaya Persediaan minimum, yaitu:
𝑇𝐶(�̅�) =∑𝑃𝑖𝑅𝑖
𝑛
𝑖=1
+ �̅�∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
𝑝𝑖
𝑛
𝑖=1
𝑇𝐶(�̅�)
=∑𝑃𝑖𝑅𝑖
𝑛
𝑖=1
+√∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
∑𝐶𝑖
𝑛
𝑖=1
+1
2√∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
(4.2)
4.3.6 Pemesanan Ulang
Saat memesan ulang, seperti model Economic Order Quantity
dapat dinyatakan dalam dua cara, yaitu:
1. Pertama, dinyatakan dalam waktu
Jika diketahui lead time adalah 𝐿 maka saat memesan ulang
(reorder point) adalah 𝑡2. Dalam hal ini, sesuai dengan
persamaan
39
𝑡2 =𝑄
𝑟 (4.3)
dimana 𝑟 adalah tingkat permintaan per satuan waktu yang
digunakan, bisa berupa hari, minggu, atau bulan.
2. Kedua, dinyatakan dalam unit persediaan
Jika 𝑟 atau tingkat permintaan per satuan waktu dan 𝐿 adalah
𝑙𝑒𝑎𝑑 𝑡𝑖𝑚𝑒 maka 𝑟𝑒𝑜𝑟𝑑𝑒𝑟 𝑝𝑜𝑖𝑛𝑡 adalah sebesar pemakaian
selama 𝑙𝑒𝑎𝑑 𝑡𝑖𝑚𝑒
𝑃𝑒𝑚𝑒𝑠𝑎𝑛𝑎𝑛 𝐾𝑒𝑚𝑏𝑎𝑙𝑖 = 𝑟. 𝐿 (4.4)
4.4 Pengembangan Economic Production Quantity yang
Mempertimbangkan Penyusutan
Model persediaan Economic Production Quantity untuk barang
yang menyusut ini merupakan perkembangan dari model Economic
Production Quantity bentuk umum. Asumsi yang dilakukan dalam
pendekatan kasus ini adalah sebagai berikut:
1. Persediaan diasumsikan menyusut dengan laju konstan
2. Barang yang menyusut diperbaiki atau diganti dengan barang
yang baik kondisinya
3. Diasumsikan tanpa backorder
Sehingga total biaya persediaan per tahun untuk model Economic
Production Quantity untuk bahan yang menyusut adalah:
𝑇𝐶(�̅�) =∑𝑃𝑖(𝑅𝑖 + 𝑋)
𝑛
𝑖=1
+ �̅�∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
(4.5)
Dimana, pada persamaan (4.5) mempertimbangkan faktor
penyusutan (X) yang diperoleh dari 5% demand tahunan.
𝑚𝑛 =𝑅𝑇
𝑗; 𝑗 ≥ 1
𝑗 ∶ 𝑤𝑎𝑘𝑡𝑢 𝑝𝑟𝑜𝑑𝑢𝑘𝑠𝑖
40
Untuk mendapatkan TC yang minimal dapat diperoleh juga siklus
yang optimal dengan memberikan perbedaan waktu per unit pada
total biaya persediaan yang dapat dinyatakan sebagai berikut:
𝑇𝐶𝑢(𝑗, 𝑇) =∑𝑃𝑖(𝑅𝑖 + 𝑋)
𝑛
𝑖=1
+ �̅�𝑗∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�𝑗∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
(4.6)
dengan:
𝑗 = 𝑥 − 1, 𝑥, 𝑑𝑎𝑛 𝑥 + 1 Nilai yang optimal pada persamaan (4.6) dapat diturunkan ketika
perbedaan biaya memenuhi kondisi:
a. 𝑇𝐶𝑢(𝑥 − 1, 𝑇) − 𝑇𝐶𝑢(𝑥, 𝑇) ≥ 0
∑𝑃𝑖(𝑅𝑖 + 𝑋)
𝑛
𝑖=1
+ �̅�𝑥−1∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�𝑥−1∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
− [∑𝑃𝑖(𝑅𝑖 + 𝑋)
𝑛
𝑖=1
+ �̅�𝑥∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�𝑥∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
] ≥ 0
�̅�𝑥−1∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�𝑥−1∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
− �̅�𝑥∑𝐶𝑖
𝑛
𝑖=1
−1
2�̅�𝑥∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ 0
(�̅�𝑥−1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
+ (1
2�̅�𝑥−1−
1
2�̅�𝑥)∑
𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ 0
(�̅�𝑥−1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
+1
2(1
�̅�𝑥−1−1
�̅�𝑥)∑
𝐻𝑖(𝑅𝑖 +𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ 0
41
(�̅�𝑥−1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
+1
2(�̅�𝑥 − �̅�𝑥−1�̅�𝑥−1�̅�𝑥
)∑𝐻𝑖(𝑅𝑖 +𝑋)(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
≥ 0
1
2(�̅�𝑥 − �̅�𝑥−1�̅�𝑥−1�̅�𝑥
)∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ −(�̅�𝑥−1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
−1
2(�̅�𝑥−1−�̅�𝑥�̅�𝑥−1�̅�𝑥
)∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ −(�̅�𝑥−1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
1
2(�̅�𝑥−1−�̅�𝑥�̅�𝑥−1�̅�𝑥
)∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≤ (�̅�𝑥−1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
1
2(�̅�𝑥−1−�̅�𝑥�̅�𝑥−1�̅�𝑥
×1
�̅�𝑥−1−�̅�𝑥)∑
𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≤ (1)∑𝐶𝑖
𝑛
𝑖=1
1
2(
1
�̅�𝑥−1�̅�𝑥)∑
𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≤∑𝐶𝑖
𝑛
𝑖=1
1
2∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≤ (�̅�𝑥−1�̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
≤ (�̅�𝑥−1�̅�𝑥) (4.7)
b. 𝑇𝐶𝑢(𝑥 + 1, 𝑇) − 𝑇𝐶𝑢(𝑥, 𝑇) ≥ 0
∑𝑃𝑖(𝑅𝑖 + 𝑋)
𝑛
𝑖=1
+ �̅�𝑥+1∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�𝑥+1∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
− [∑𝑃𝑖(𝑅𝑖 + 𝑋)
𝑛
𝑖=1
+ �̅�𝑥∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�𝑥∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
] ≥ 0
42
�̅�𝑥+1∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�𝑥+1∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
− �̅�𝑥∑𝐶𝑖
𝑛
𝑖=1
−1
2�̅�𝑥∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ 0
(�̅�𝑥+1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
+ (1
2�̅�𝑥+1−
1
2�̅�𝑥)∑
𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
≥ 0
(�̅�𝑥+1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
+1
2(1
�̅�𝑥+1−1
�̅�𝑥)∑
𝐻𝑖(𝑅𝑖 +𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ 0
(�̅�𝑥+1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
+1
2(�̅�𝑥 − �̅�𝑥+1�̅�𝑥+1�̅�𝑥
)∑𝐻𝑖(𝑅𝑖 +𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ 0
1
2(�̅�𝑥 − �̅�𝑥+1�̅�𝑥+1�̅�𝑥
)∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ −(�̅�𝑥+1 − �̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
1
2(�̅�𝑥 − �̅�𝑥+1�̅�𝑥+1�̅�𝑥
)∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ (�̅�𝑥−�̅�𝑥+1)∑𝐶𝑖
𝑛
𝑖=1
1
2(�̅�𝑥 − �̅�𝑥+1�̅�𝑥+1�̅�𝑥
×1
�̅�𝑥−�̅�𝑥+1)∑
𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ (1)∑𝐶𝑖
𝑛
𝑖=1
1
2(
1
�̅�𝑥+1�̅�𝑥)∑
𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥∑𝐶𝑖
𝑛
𝑖=1
1
2∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
≥ (�̅�𝑥+1�̅�𝑥)∑𝐶𝑖
𝑛
𝑖=1
∑𝐻𝑖(𝑅𝑖+𝑋)(𝑝𝑖̅̅̅̅ −𝑟𝑖)
𝑝𝑖̅̅̅̅𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
≥ (�̅�𝑥+1�̅�𝑥) (4.8)
Dari persamaan (4.6) didapat persamaan (4.7) dan (4.8):
∑𝐻𝑖(𝑅𝑖+𝑋)(𝑝𝑖̅̅̅̅ −𝑟𝑖)
𝑝𝑖̅̅̅̅𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
≤ (�̅�𝑥−1�̅�𝑥) dan ∑
𝐻𝑖(𝑅𝑖+𝑋)(𝑝𝑖̅̅̅̅ −𝑟𝑖)
𝑝𝑖̅̅̅̅𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
≥ (�̅�𝑥+1�̅�𝑥)
43
Selanjutnya dibuktikan �̅�𝑥−1 = �̅�𝑥 = �̅�𝑥+1 untuk mempengaruhi
nilai �̅�𝑥. Jika jumlah persediaan (𝑥) mendekati tak hingga, didapat:
lim𝑥→∞
�̅�𝑥−1
�̅�𝑥= 1 dan lim
𝑥→∞
�̅�𝑥+1
�̅�𝑥= 1.
Karena �̅�𝑥−1
�̅�𝑥 dan
�̅�𝑥+1
�̅�𝑥 konvergen ke 1, dapat disimpulkan bahwa
�̅�𝑥−1=�̅�𝑥 = �̅�𝑥+1 (4.9) Kemudian persamaan (4.9) disubtitusikan ke persamaan (4.8) dan
persamaan (4.9) disubstitusikan juga ke persamaan (4.7), sehingga
diperoleh:
(�̅�𝑥+1�̅�𝑥) ≤∑
𝐻𝑖(𝑅𝑖 + 𝛼)(�̅�𝑖 − 𝑟𝑖)𝑝�̅�
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
(�̅�𝑥2) ≤
∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
(�̅�𝑥) ≤√∑
𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)𝑝�̅�
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
(4.10)
dan
(�̅�𝑥−1�̅�𝑥) ≥∑
𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)𝑝�̅�
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
(�̅�𝑥2) ≥
∑𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)
𝑝�̅�𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
(�̅�𝑥) ≥√∑
𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)𝑝�̅�
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
(4.11)
Karena hasil substitusi dari persamaan (4.8) ke persamaan (4.9)
berupa:
44
(�̅�𝑥) ≤√∑
𝐻𝑖(𝑅𝑖+𝑋)(𝑝𝑖̅̅̅́̅ −𝑟𝑖)
𝑝𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
dan (�̅�𝑥) ≥√∑
𝐻𝑖(𝑅𝑖+𝑋)(�̅�𝑖−𝑟𝑖)
𝑝𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
, siklus
produksi optimal �̅� untuk model persediaan Economic Production
Quantity untuk barang yang menyusut dapat dirumuskan menjadi:
�̅� =√∑
𝐻𝑖(𝑅𝑖 + 𝑋)(𝑝�̅� − 𝑟𝑖)𝑝�̅�
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
(4.12)
Dari nilai siklus yang optimal �̅�, dapat dicari volume produksi
𝑄 yang dinyatakan sebagai berikut:
𝑄𝑖 =(𝑅𝑖+𝑋)
�̅� (4.13)
4.4.1 Total Biaya Persediaan Minimum
Total biaya persediaan minimum per tahun untuk model
persediaan Economic Production Quantity untuk barang/bahan yang
menyusut adalah dengan mensubstitusikan persamaan (4.12) ke
persamaan (4.5) sebagai berikut:
𝑇𝐶(�̅�) = ∑ 𝑃𝑖(𝑅𝑖 + 𝑋)𝑛𝑖=1 +√
∑𝐻𝑖(𝑅𝑖+𝑋)(�̅�𝑖−𝑟𝑖)
�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
∑ 𝐶𝑖𝑛𝑖=1 +
1
2√∑
𝐻𝑖(𝑅𝑖+𝑋)(�̅�𝑖−𝑟𝑖)
�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
∑𝐻𝑖(𝑅𝑖+𝑋)(�̅�𝑖−𝑟𝑖)
�̅�𝑖
𝑛𝑖=1 (4.14)
4.5 Simulasi Numerik untuk Produksi Terak Semen PPC,
OPC, dan White Cement
Setelah diketahui jumlah total produksi terak semen, maka
dapat dicari total cost dengan menggunakan Economic Production
Quantity dan dengan menggunakan data produksi dari PT Semen
Gresik [11], data dapat dilihat pada Lampiran A. Simulasi numerik
dapat dilihat pada Tabel 4.7.
45
Tabel 4.7 Simulasi Numerik
Produksi
(𝒊)
Permintaan
Tahunan
(ton/thn)
(𝑹𝒊)
Biaya
Produksi
per Ton
(𝑷𝒊)
(Rupiah)
Rata-rata
Produksi
Harian
(𝒑�̅�)
(ton)
Biaya
Simpan
per Ton
(𝑯𝒊)
(Rupiah)
Biaya Set
Up
(𝑪𝒊)
(Rupiah)
Rata-rata
Perminta
an
(ri)
(ton)
PPC 6.785.703 588.062 28.000 74.720 91.279 18.591
OPC 2.423.466 210.022 10.000 26.686 32.599 6.640
White Cement
484.693 42.004 2.000 5.337 6.519 1.328
�̅� = √∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
�̅�
=√(507.025.005.978(9.409)
28.000) + (
64.671.561.460(3.360)10.000
) + (2.586.860.751(672)
2.000)
2(91.279 + 32.599 + 5.337)
�̅� = 860,2
�̅� ≈ 860
Sehingga, dapat dicari total cost dengan Economic Production
Quantity tanpa penyusutan, seperti persamaan (4.2) yaitu:
𝑇𝐶 =∑𝑃𝑖𝑅𝑖
𝑛
𝑖=1
+ �̅�∑𝐶𝑖
𝑛
𝑖=1
+1
2�̅�∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
𝑇𝐶(�̅�) =∑𝑃𝑖𝑅𝑖
𝑛
𝑖=1
+√∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
∑𝐶𝑖
𝑛
𝑖=1
+1
2√∑
𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
∑𝐻𝑖𝑅𝑖(�̅�𝑖 − 𝑟𝑖)
�̅�𝑖
𝑛
𝑖=1
46
𝑇𝐶 = [(588.062 × 6.785.703) + (210.022 × 2.423.466)+ (42.004 × 484.693)]+ 860[91.279 + 32.599 + 5.337]
+1
2(860)[(507.025.005.978(9.409)
28.000)
+ (64.671.561.460(3.360)
10.000) + (
2.586.860.751(672)
2.000)]
𝑇𝐶 = 4.519.976.784.730
Dan dapat pula diketahui volume produksi dengan persamaan (2.6),
yaitu:
𝑄𝑖 =𝑅𝑖�̅�
𝑄𝑃𝑃𝐶 =6.785.703
860= 7.888
𝑄𝑂𝑃𝐶 =2.423.466
860= 2.817
𝑄𝑊𝐶 =484.693
860= 564
Selanjutnya, dicari total cost pada Economic Production Quantity
dengan mempertimbangkan penyusutan yang terjadi pada produksi
semen, yaitu penyusutan sebesar 5%. Dapat dilihat pada Tabel 4.8.
Tabel 4.8 Jumlah Barang yang Dibutuhkan dalam 1 Tahun untuk
Persediaan yang Menyusut
Produksi
(𝒊)
Permintaan
Terak per
Ton
(𝑹𝒊)
Penyusutan
5%
(𝑋)
Jumlah Barang yang
Dibutuhkan dalam 1
Tahun untuk Persediaan
yang Menyusut
(𝑹𝒊 +𝑋)
PPC 6.785.703 339.285 7.124.988
OPC 2.423.466 121.173 2.544.639
White
Cement 484.693 24.235 508.927
47
Mencari siklus optimal sesuai dengan persamaan (4.12), selanjutnya
mencari total cost dengan persamaan (4.14), yaitu:
�̅� =√∑
𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
�̅� = √[178.898.050.228
28.000] + [
22.818.627.28010.000
] + [912.745.6792.000
]
2(130.398)
�̅� = 881,4 �̅� ≈ 881 Sehingga, siklus optimal Economic Production Quantity dengan
mempertimbangkan penyusutan didapatkan sebanyak 881 kali
proses produksi, dapat pula diketahui volume produksi/jumlah
produksi dengan persamaan (4.13), yaitu:
𝑄𝑖 =(𝑅𝑖 + 𝑋)
�̅�
𝑄𝑃𝑃𝐶 =7.124.988
881= 8.083
𝑄𝑂𝑃𝐶 =2.544.639
881= 2.886
𝑄𝑊𝐶 =508.927
881= 577
Selanjutnya dicari total cost pada Economic Production Quantity
dengan mempertimbangkan penyusutan yang sesuai dengan
persamaan (4.14) dengan penyusutan yang terjadi sebesar 5%,
sehingga didapatkan total cost sebagai berikut:
48
𝑇𝐶
=∑𝑃𝑖(𝑅𝑖 + 𝑋)
𝑛
𝑖=1
+√∑
𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)�̅�𝑖
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
∑𝐶𝑖
𝑛
𝑖=1
+1
2√∑
𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)𝑝�̅�
𝑛𝑖=1
2∑ 𝐶𝑖𝑛𝑖=1
∑𝐻𝑖(𝑅𝑖 + 𝑋)(�̅�𝑖 − 𝑟𝑖)
𝑝�̅�
𝑛
𝑖=1
𝑇𝐶 = 4.745.740.066.867 + [881 × 130398]+ [0,00057 × 202.629.423.187]
𝑇𝐶 = 4.745.969.947.057
Total Cost untuk proses produksi selama satu tahun pada perusahaan
dapat diketahui dari 90% dari RKAP yang dikeluarkan oleh pihak
perusahaan, dapat dilihat pada Lampiran E. Sehingga total cost pada
perusahaan tahun 2017 adalah Rp 4.605.143.400.000.
4.6 Perbandingan Total Cost Perusahaan dengan Total Cost
Economic Production Quantity
Untuk perbandingan total cost yang dikeluarkan oleh perusahaan
dengan total cost dengan Economic Production Quantity dapat
dilihat pada Tabel 4.9. Sehingga dengan menggunakan Economic
Production Quantity tanpa mempertimbangkan penyusutan terjadi
penurunan total biaya sebesar 1,8%, dan kenaikan total biaya
sebesar 3,05% pada Economic Production Quantity dengan
mempertimbangkan penyusutan. Perbandingan total cost antara
Economic Production Quantity dengan penyusutan dan total cost
Economic Production Quantity tanpa penyusutan, adalah sebesar
4,9%.
49
Tabel 4.9 Perbandingan Total Cost Perusahaan dengan Total Cost
Economic Production Quantity Dengan Dan Tanpa Penyusutan
Total Cost
Perusahaan
(Rupiah)
Total Cost Economic
Production Quantity
Tanpa Penyusutan
(Rupiah)
Total Cost
Economic
Production
Quantity dengan
Penyusutan
(Rupiah)
4.605.143.400.000 4.519.976.784.730 4.745.969.947.057
50
51
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisis dan pembahasan yang telah
dilakukan dalam Tugas Akhir ini dapat diambil kesimpulan sebagai
berikut:
1. Volume produksi terak tanpa dipengaruh penyusutan untuk
semen PPC sebesar 8.083 ton, OPC sebesar 2.886 ton, dan
White Cement 577 ton per siklus di tahun 2017. Sedangkan
volume produksi terak yang dipengaruhi penyusutan untuk
semen PPC sebesar 7.888 ton, OPC sebesar 2.817 ton, dan
White Cement 564 ton per siklus di tahun 2017.
Dari volume produksi terak diatas terjadi peningkatan sebesar
2,4%, sehingga dalam perencanaan produksi di tahun 2018
dapat direncanakan dengan mempertimbangkan penyusutan
yang terjadi sebesar 5% pada produksi semen PPC, OPC, dan
White Cement.
2. Total Cost untuk produksi terak PPC, OPC, dan White Cement
pada PT Semen Gresik-Pabrik Tuban sebesar Rp
4.605.143.400.000, tanpa mempertimbangkan penyusutan total
Cost Economic Production Quantity mengalami penurunan
1,8% menjadi sebesar Rp 4.519.976.784.730 dan total cost
yang mempertimbangkan penyusutan mengalami kenaikan
3,05% menjadi sebesar Rp 4.745.969.947.057.
5.2 Saran
Untuk penelitian selanjutnya bisa dicari dengan menggunakan
distribusi yang berlaku untuk penyusutan dan bisa menggunakan
penyelesaian yang kontinu.
52
53
DAFTAR PUSTAKA
[1] Tersine, R, J. 1994. Principles of Inventory and Material
Management, 4th Edition. Pretice Hall International, Inc.
[2] Uthayakumar, R., Tharani, S. 2017. An Economic Production
Model For Deteriorating Items And Time Dependent Demand
With Rework And Multiple Production Setups. Journal Ind
Eng International, 13, 499-512.
[3] Liu, N. 2009. An Optimal Operating Policy For The
Production System With Rework. Journal of Computers &
Industrial Engineering, 56, 874-887.
[4] Chiu, S.W.,Tseng, C.T,. Wu, P. C. 2014. Multi-Item EPQ
Model with Scrap, Rework and Multi-Delivery using Common
Cycle Policy. Journal of Applied Research and Technology,
12, 615-622.
[5] Amutu, S.D. 2017. Perencanaan Produksi Menggunakan
Model Economic Production Quantity (EPQ). Institut
Teknologi Sepuluh September: Surabaya.
[6] Widyadana, G.A., Cardenas-Borron, L.E., Wee, H.M. 2011.
Economic order quantity model for deteriorating items and
planned backorder level. Journal of Mathematical and
Computer Modelling, 54, 1569-1575.
[7] Wee, H.M., Widyadana, G.A. 2012. An Economic Production
Quantity Model For Deteriorating Items With Multiple
Production Setups And Rework. International Journal of
Production Economics, 138, 62-67.
[8] Goyal, S. K., Giri ,B. C. 2001. Recent trends in modeling of
deteriorated inventory. European Journal of Operational
Research, 134, 1- 16.
[9] Wei, W.S. 2006. Time Series Analysis Univariate dan
Multivariate Methods. Pearson Education Inc.: Amerika.
54
[10] Arsip Sejarah. 2012. Semen Indonesia (Persero) Tbk..
SINERGI.
[11] Arsip Data Produksi. 2016. Semen Indonesia (Persero) Tbk.
SINERGI.
55
LAMPIRAN
LAMPIRAN A
Data Produksi Semen Januari 2011-Desember 2016
Bulan
Produksi
Jumlah
Produksi
(ton)
Bulan
Produksi
Jumlah
Produksi
(ton)
Jan-11 695914 Sep-12 987732
Feb-11 650007 Okt- 12 944344
Mar-11 665031 Nov-12 991667
Apr-11 706787 Des-12 1059018
Mei-11 778269 Jan-13 974145
Jun-11 764947 Feb-13 918386
Jul-11 771642 Mar-13 1011924
Agts-11 801474 Apr-13 835270
Sep-11 696062 Mei-13 914357
Okt- 11 850058 Jun-13 974911
Nov-11 813715 Jul-13 1011312
Des-11 791543 Agts-13 786946
Jan-12 757164 Sep-13 1122060
Feb-12 722825 Okt- 13 1181439
Mar-12 789506 Nov-13 1117716
Apr-12 793116 Des-13 1136812
Mei-12 950578 Jan-14 1039515
Jun-12 795136 Feb-14 942171
Jul-12 1057776 Mar-14 1134058
Agts-12 906062 Apr-14 971469
56
LAMPIRAN A (LANJUTAN)
Bulan
Produksi
Jumlah
Produksi
(ton)
Bulan
Produksi
Jumlah
Produksi
(ton)
Mei-14 1104190 Jan-16 1007747
Jun-14 1126186 Feb-16 935388
Jul-14 943505 Mar-16 935088
Agts-14 860233 Apr-16 893306
Sep-14 994090 Mei-16 1153712
Okt- 14 1181645 Jun-16 1061704
Nov-14 1156466 Jul-16 779662
Des-14 1135037 Agts-16 1212660
Jan-15 1084166 Sep-16 1148884
Feb-15 945609 Okt- 16 1276016
Mar-15 946112 Nov-16 1125440
Apr-15 862892 Des-16 966372
Mei-15 971591
Jun-15 1048273
Jul-15 700652
Agts-15 1049367
Sep-15 1211937
Okt- 15 1186729
Nov-15 1246539
Des-15 1172868
57
LAMPIRAN B
Proses Produksi Semen
Coal Mill
Raw
Mill
Kiln
Finish
Mill
Packer
Bahan Baku
Tanah Liat
Pasir
Silika
Pasir Besi
Batu Bara
IDO
Gypsum
Trass
Zak
Limestone
crusher
Clay
Cutter
58
59
LAMPIRAN C
Estimasi Parameter Data Uji Signifikasi Parameter Model
dengan software SAS
ARIMA (1,1,1) The ARIMA Procedure Name of Variable = y Period(s) of Differencing 1 Mean of Working Series 4.21661 Standard Deviation 66.15005 Number of Observations 59 Observation(s) eliminated by differencing 1
Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 4375.830 1.00000 | |********************| 0
1 -1791.961 -.40951 | ********| . | 0.130189
2 -160.350 -.03664 | . *| . | 0.150446
3 193.080 0.04412 | . |* . | 0.150597
4 -383.388 -.08761 | . **| . | 0.150816
5 -92.501384 -.02114 | . | . | 0.151676
6 350.465 0.08009 | . |** . | 0.151726
7 -236.356 -.05401 | . *| . | 0.152441
8 55.470846 0.01268 | . | . | 0.152765
9 -447.123 -.10218 | . **| . | 0.152783
10 -113.191 -.02587 | . *| . | 0.153937
11 23.291820 0.00532 | . | . | 0.154010
12 1375.778 0.31440 | . |****** | 0.154014
13 -1053.205 -.24069 | . *****| . | 0.164533
14 133.978 0.03062 | . |* . | 0.170396
"." marks two standard errors
60
LAMPIRAN C (LANJUTAN)
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 0.70528 | . |************** | 2 0.52430 | . |********** | 3 0.44453 | . |********* | 4 0.44378 | . |********* | 5 0.39047 | . |******** | 6 0.31618 | . |****** | 7 0.27864 | . |****** | 8 0.26093 | . |***** | 9 0.24910 | . |***** | 10 0.13602 | . |*** . | 11 0.01307 | . | . | 12 -0.05625 | . *| . | 13 0.03631 | . |* . | 14 0.02594 | . |* . |
The ARIMA Procedure
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . | 2 -0.24552 | *****| . | 3 -0.09603 | . **| . | 4 -0.14735 | . ***| . | 5 -0.15957 | . ***| . | 6 -0.03776 | . *| . | 7 -0.06454 | . *| . | 8 -0.04940 | . *| . | 9 -0.18993 | .****| . | 10 -0.23432 | *****| . | 11 -0.24960 | *****| . | 12 0.22395 | . |****. | 13 -0.00771 | . | . | 14 -0.06220 | . *| . |
Autocorrelation Check for White Noise
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021 0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005 0.314
Maximum Likelihood Estimation Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag MA1,1 0.74225 0.15669 4.74 <.0001 1 AR1,1 0.20173 0.21414 0.94 0.3462 1
61
LAMPIRAN C (LANJUTAN)
Variance Estimate 3462.197 Std Error Estimate 58.84043 AIC 650.7476 SBC 654.9027 Number of Residuals 59
Correlations of Parameter
Estimates
Parameter MA1,1 AR1,1
MA1,1 1.000 0.795 AR1,1 0.795 1.000
The ARIMA Procedure
Autocorrelation Check of Residuals
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations-----------
---------
6 1.06 4 0.9013 -0.019 0.042 0.043 -0.088 -0.056 0.037
12 12.94 10 0.2268 -0.068 -0.046 -0.104 0.006 0.131 0.349
18 14.73 16 0.5446 -0.068 0.066 0.081 -0.055 0.047 0.033
24 26.72 22 0.2219 -0.108 0.018 -0.164 -0.031 0.280 0.065
Model for variable y Period(s) of Differencing 1 No mean term in this model.
Autoregressive Factors Factor 1: 1 - 0.20173 B**(1)
Moving Average Factors Factor 1: 1 - 0.74225 B**(1)
Forecasts for variable y Obs Forecast Std Error 95% Confidence Limits 61 1065.5606 58.8404 950.2355 1180.8857 62 1062.0446 64.7545 935.1282 1188.9611 63 1061.3354 67.9584 928.1394 1194.5313 64 1061.1923 70.6529 922.7151 1199.6694 65 1061.1634 73.1799 917.7334 1204.5935 66 1061.1576 75.6093 912.9660 1209.3492 67 1061.1564 77.9605 908.3567 1213.9561 68 1061.1562 80.2422 903.8843 1218.4280 69 1061.1561 82.4608 899.5360 1222.7763 70 1061.1561 84.6211 895.3017 1227.0105 71 1061.1561 86.7277 891.1729 1231.1393 72 1061.1561 88.7843 887.1420 1235.1702
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Moments
62
LAMPIRAN C (LANJUTAN)
N 59 Sum Weights 59 Mean 12.056059 Sum Observations 711.307479 Std Deviation 57.0993042 Variance 3260.33054 Skewness -0.4306948 Kurtosis 0.77533768 Uncorrected SS 197674.736 Corrected SS 189099.171 Coeff Variation 473.615004 Std Error Mean 7.43369623
Basic Statistical Measures
Location Variability
Mean 12.05606 Std Deviation 57.09930 Median 20.43916 Variance 3260 Mode . Range 297.45254 Interquartile Range 69.32982
Tests for Location: Mu0=0
Test -Statistic- -----p Value------ Student's t t 1.621812 Pr > |t| 0.1103 Sign M 8.5 Pr >= |M| 0.0363 Signed Rank S 245 Pr >= |S| 0.0639
Tests for Normality
Test --Statistic--- -----p Value------
Shapiro-Wilk W 0.978351 Pr < W 0.3739 Kolmogorov-Smirnov D 0.083726 Pr > D >0.1500 Cramer-von Mises W-Sq 0.081442 Pr > W-Sq 0.2022 Anderson-Darling A-Sq 0.422416 Pr > A-Sq >0.2500
Quantiles (Definition 5)
Quantile Estimate
100% Max 129.7247 99% 129.7247 95% 113.3144 90% 91.1308 75% Q3 42.5787 50% Median 20.4392 25% Q1 -26.7511 10% -70.5479 5% -78.0827 1% -167.7278 0% Min -167.7278
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Extreme Observations ------Lowest------ ------Highest-----
Value Obs Value Obs
-167.7278 55 91.8427 17 -99.2703 32 100.5273 56 -78.0827 44 113.3144 57 -76.7157 28 122.3997 33
63
LAMPIRAN C (LANJUTAN)
-71.3906 52 129.7247 19 Missing Values
-----Percent Of-----
Missing Missing Value Count All Obs Obs . 13 18.06 100.00
ARIMA(1,1,[12]) The ARIMA Procedure
Name of Variable = y
Period(s) of Differencing 1 Mean of Working Series 4.21661 Standard Deviation 66.15005 Number of Observations 59 Observation(s) eliminated by differencing 1
Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 4375.830 1.00000 | |********************|
0 1 -1791.961 -.40951 | ********| . |
0.130189 2 -160.350 -.03664 | . *| . |
0.150446 3 193.080 0.04412 | . |* . |
0.150597 4 -383.388 -.08761 | . **| . |
0.150816 5 -92.501384 -.02114 | . | . |
0.151676 6 350.465 0.08009 | . |** . |
0.151726 7 -236.356 -.05401 | . *| . |
0.152441 8 55.470846 0.01268 | . | . |
0.152765 9 -447.123 -.10218 | . **| . |
0.152783 10 -113.191 -.02587 | . *| . |
0.153937 11 23.291820 0.00532 | . | . |
0.154010 12 1375.778 0.31440 | . |****** |
0.154014 13 -1053.205 -.24069 | . *****| . |
0.164533 14 133.978 0.03062 | . |* . |
0.170396
"." marks two standard error
64
LAMPIRAN C (LANJUTAN)
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** | 2 0.52430 | . |********** | 3 0.44453 | . |********* | 4 0.44378 | . |********* | 5 0.39047 | . |******** | 6 0.31618 | . |****** | 7 0.27864 | . |****** | 8 0.26093 | . |***** | 9 0.24910 | . |***** | 10 0.13602 | . |*** . | 11 0.01307 | . | . | 12 -0.05625 | . *| . | 13 0.03631 | . |* . | 14 0.02594 | . |* . |
The ARIMA Procedure
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . | 2 -0.24552 | *****| . | 3 -0.09603 | . **| . | 4 -0.14735 | . ***| . | 5 -0.15957 | . ***| . | 6 -0.03776 | . *| . | 7 -0.06454 | . *| . | 8 -0.04940 | . *| . | 9 -0.18993 | .****| . | 10 -0.23432 | *****| . | 11 -0.24960 | *****| . | 12 0.22395 | . |****. | 13 -0.00771 | . | . | 14 -0.06220 | . *| . |
Autocorrelation Check for White Noise
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations--------------------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021 0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005 0.314
Maximum Likelihood Estimation Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag MA1,1 -0.46471 0.18153 -2.56 0.0105 12 AR1,1 -0.38564 0.12016 -3.21 0.0013 1
Variance Estimate 3085.6 Std Error Estimate 55.54817 AIC 646.5146 SBC 650.6697
65
LAMPIRAN C (LANJUTAN)
Number of Residuals 59
Correlations of Parameter
Estimates
Parameter MA1,1 AR1,1 MA1,1 1.000 -0.120 AR1,1 -0.120 1.000
The ARIMA Procedure
Autocorrelation Check of Residuals
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 4.27 4 0.3705 -0.093 -0.215 0.007 -0.078 -0.078 0.018
12 5.43 10 0.8607 0.027 -0.041 -0.042 -0.015 0.049 0.094
18 6.97 16 0.9739 -0.084 -0.005 0.097 -0.032 0.037 -0.013
24 25.23 22 0.2860 -0.068 0.064 -0.238 -0.016 0.344 0.045
Model for variable y Period(s) of Differencing 1 No mean term in this model.
Autoregressive Factors
Factor 1: 1 + 0.38564 B**(1) Moving Average Factors
Factor 1: 1 + 0.46471 B**(12)
Forecasts for variable y Obs Forecast Std Error 95% Confidence Limits 61 1090.3620 55.5482 981.4896 1199.2344 62 1061.9666 65.1938 934.1890 1189.7442 63 1046.7041 77.7621 894.2931 1199.1151 64 1033.9853 87.0847 863.3025 1204.6682 65 1047.7261 96.0123 859.5454 1235.9068 66 1069.7775 103.9947 865.9516 1273.6034 67 998.2065 111.4723 779.7247 1216.6882 68 1086.5843 118.4551 854.4166 1318.7519 69 1121.3365 125.0572 876.2289 1366.4441 70 1101.8189 131.3246 844.4273 1359.2104
71 1112.5553 137.3075 843.4376 1381.6730 72 1098.3802 143.0399 818.0273 1378.7332
The UNIVARIATE Procedure Variable: RESIDUAL (Residual: Actual-Forecast)
Moments
N 59 Sum Weights 59 Mean 4.34515052 Sum Observations 256.363881 Std Deviation 55.4869381 Variance 3078.8003 Skewness 0.37821925 Kurtosis 0.45052688 Uncorrected SS 179684.357 Corrected SS 178570.418 Coeff Variation 1276.98541 Std Error Mean 7.22378405
66
LAMPIRAN C (LANJUTAN)
Basic Statistical Measures
Location Variability
Mean 4.34515 Std Deviation 55.48694 Median -1.53036 Variance 3079 Mode . Range 283.93776 Interquartile Range 64.48057
Tests for Location: Mu0=0
Test -Statistic- -----p Value------ Student's t t 0.601506 Pr > |t| 0.5498 Sign M -0.5 Pr >= |M| 1.0000 Signed Rank S 26 Pr >= |S| 0.8464
Tests for Normality
Test --Statistic--- -----p Value------ Shapiro-Wilk W 0.97746 Pr < W 0.3415 Kolmogorov-Smirnov D 0.083673 Pr > D >0.1500 Cramer-von Mises W-Sq 0.097428 Pr > W-Sq 0.1221 Anderson-Darling A-Sq 0.569382 Pr > A-Sq 0.1386
Quantiles (Definition 5) Quantile Estimate 100% Max 148.17574 99% 148.17574 95% 111.56145 90% 71.61124 75% Q3 33.99342 50% Median -1.53036 25% Q1 -30.48716 10% -55.01908 5% -78.29383 1% -135.76202 0% Min -135.76202
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Extreme Observations
------Lowest------ -----Highest-----
Value Obs Value Obs
-135.7620 55 104.327 19 -97.6844 32 107.715 34 -78.2938 43 111.561 33 -76.2488 28 130.833 56 -56.4272 51 148.176 57
Missing Values
-----Percent Of----- Missing Missing
67
LAMPIRAN C (LANJUTAN)
Value Count All Obs Obs
. 13 18.06 100.00
ARIMA(1,1,0) The SAS System 14:25 Thursday, April 29, 2018 1
The ARIMA Procedure
Name of Variable = y
Period(s) of Differencing 1 Mean of Working Series 4.21661 Standard Deviation 66.15005 Number of Observations 59 Observation(s) eliminated by differencing 1
Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 4375.830 1.00000 | |********************|
0 1 -1791.961 -.40951 | ********| . |
0.130189 2 -160.350 -.03664 | . *| . |
0.150446 3 193.080 0.04412 | . |* . |
0.150597 4 -383.388 -.08761 | . **| . |
0.150816 5 -92.501384 -.02114 | . | . |
0.151676 6 350.465 0.08009 | . |** . |
0.151726 7 -236.356 -.05401 | . *| . |
0.152441 8 55.470846 0.01268 | . | . |
0.152765 9 -447.123 -.10218 | . **| . |
0.152783 10 -113.191 -.02587 | . *| . |
0.153937 11 23.291820 0.00532 | . | . |
0.154010 12 1375.778 0.31440 | . |****** |
0.154014 13 -1053.205 -.24069 | . *****| . |
0.164533 14 133.978 0.03062 | . |* . |
0.170396
"." marks two standard errors
68
LAMPIRAN C (LANJUTAN)
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** | 2 0.52430 | . |********** | 3 0.44453 | . |********* | 4 0.44378 | . |********* | 5 0.39047 | . |******** | 6 0.31618 | . |****** | 7 0.27864 | . |****** | 8 0.26093 | . |***** | 9 0.24910 | . |***** | 10 0.13602 | . |*** . | 11 0.01307 | . | . | 12 -0.05625 | . *| . | 13 0.03631 | . |* . | 14 0.02594 | . |* . |
The ARIMA Procedure
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . | 2 -0.24552 | *****| . | 3 -0.09603 | . **| . | 4 -0.14735 | . ***| . | 5 -0.15957 | . ***| . | 6 -0.03776 | . *| . | 7 -0.06454 | . *| . | 8 -0.04940 | . *| . | 9 -0.18993 | .****| . | 10 -0.23432 | *****| . | 11 -0.24960 | *****| . | 12 0.22395 | . |****. | 13 -0.00771 | . | . | 14 -0.06220 | . *| . |
Autocorrelation Check for White Noise
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021 0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005 0.314
Maximum Likelihood Estimation Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag AR1,1 -0.39896 0.12016 -3.32 0.0009 1
Variance Estimate 3739.266 Std Error Estimate 61.14954 AIC 653.9716
69
LAMPIRAN C (LANJUTAN)
SBC 656.0491 Number of Residuals 59
Autocorrelation Check of Residuals
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 4.38 5 0.4961 -0.098 -0.211 0.013 -0.095 -0.024 0.069
12 16.49 11 0.1240 -0.022 -0.049 -0.146 -0.079 0.147 0.329
18 19.87 17 0.2807 -0.159 -0.025 0.084 -0.076 0.047 0.037
24 36.13 23 0.0401 -0.081 0.022 -0.228 -0.049 0.322 0.033
Model for variable y Period(s) of Differencing 1
The ARIMA Procedure No mean term in this model.
Autoregressive Factors Factor 1: 1 + 0.39896 B**(1)
Forecasts for variable y Obs Forecast Std Error 95% Confidence Limits 61 1096.3550 61.1495 976.5042 1216.2059 62 1091.0230 71.3448 951.1896 1230.8563 63 1093.1502 85.1533 926.2529 1260.0476 64 1092.3016 95.2162 905.6811 1278.9220 65 1092.6401 104.9552 886.9318 1298.3485 66 1092.5051 113.6259 869.8024 1315.2077 67 1092.5590 121.7688 853.8966 1331.2213 68 1092.5375 129.3670 838.9828 1346.0921 69 1092.5460 136.5556 824.9020 1360.1901 70 1092.5426 143.3795 811.5240 1373.5612 71 1092.5440 149.8948 798.7555 1386.3325 72 1092.5434 156.1379 786.5188 1398.5680
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Moments
N 59 Sum Weights 59 Mean 6.1253812 Sum Observations 361.397491 Std Deviation 60.8543089 Variance 3703.24691 Skewness -0.0545793 Kurtosis 0.56405518 Uncorrected SS 217002.018 Corrected SS 214788.321 Coeff Variation 993.477906 Std Error Mean 7.9225562
Basic Statistical Measures
Location Variability
Mean 6.125381 Std Deviation 60.85431
70
LAMPIRAN C (LANJUTAN)
Median 8.962713 Variance 3703 Mode . Range 322.80636 Interquartile Range 67.45521
Tests for Location: Mu0=0
Test -Statistic- -----p Value------ Student's t t 0.773157 Pr > |t| 0.4426 Sign M 2.5 Pr >= |M| 0.6029 Signed Rank S 97 Pr >= |S| 0.4688
Tests for Normality
Test --Statistic--- -----p Value------ Shapiro-Wilk W 0.988421 Pr < W 0.8475 Kolmogorov-Smirnov D 0.062524 Pr > D >0.1500 Cramer-von Mises W-Sq 0.03653 Pr > W-Sq >0.2500 Anderson-Darling A-Sq 0.250259 Pr > A-Sq >0.2500
Quantiles (Definition 5) Quantile Estimate 100% Max 151.23054 99% 151.23054 95% 117.73744 90% 96.35837 75% Q3 39.31166 50% Median 8.96271 25% Q1 -28.14356 10% -73.01168 5% -85.72287 1% -171.57581 0% Min -171.57581
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Extreme Observations
------Lowest------ -----Highest-----
Value Obs Value Obs
-171.5758 55 103.555 19 -111.2551 32 112.815 56 -85.7229 43 117.737 46 -79.7082 44 124.878 33 -78.4448 50 151.231 57
Missing Values
-----Percent Of----- Missing Missing Value Count All Obs Obs
. 13 18.06 100.00
71
LAMPIRAN C (LANJUTAN)
ARIMA (0,1,[1,12])
The ARIMA Procedure
Name of Variable = y
Period(s) of Differencing 1 Mean of Working Series 4.21661 Standard Deviation 66.15005 Number of Observations 59 Observation(s) eliminated by differencing 1
Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 4375.830 1.00000 | |********************|
0 1 -1791.961 -.40951 | ********| . |
0.130189 2 -160.350 -.03664 | . *| . |
0.150446 3 193.080 0.04412 | . |* . |
0.150597 4 -383.388 -.08761 | . **| . |
0.150816 5 -92.501384 -.02114 | . | . |
0.151676 6 350.465 0.08009 | . |** . |
0.151726 7 -236.356 -.05401 | . *| . |
0.152441 8 55.470846 0.01268 | . | . |
0.152765 9 -447.123 -.10218 | . **| . |
0.152783 10 -113.191 -.02587 | . *| . |
0.153937 11 23.291820 0.00532 | . | . |
0.154010 12 1375.778 0.31440 | . |****** |
0.154014 13 -1053.205 -.24069 | . *****| . |
0.164533 14 133.978 0.03062 | . |* . |
0.170396
"." marks two standard errors
72
LAMPIRAN C (LANJUTAN)
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** | 2 0.52430 | . |********** | 3 0.44453 | . |********* | 4 0.44378 | . |********* | 5 0.39047 | . |******** | 6 0.31618 | . |****** | 7 0.27864 | . |****** | 8 0.26093 | . |***** | 9 0.24910 | . |***** | 10 0.13602 | . |*** . | 11 0.01307 | . | . | 12 -0.05625 | . *| . | 13 0.03631 | . |* . | 14 0.02594 | . |* . |
The ARIMA Procedure
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . | 2 -0.24552 | *****| . | 3 -0.09603 | . **| . | 4 -0.14735 | . ***| . | 5 -0.15957 | . ***| . | 6 -0.03776 | . *| . | 7 -0.06454 | . *| . | 8 -0.04940 | . *| . | 9 -0.18993 | .****| . | 10 -0.23432 | *****| . | 11 -0.24960 | *****| . | 12 0.22395 | . |****. | 13 -0.00771 | . | . | 14 -0.06220 | . *| . |
Autocorrelation Check for White Noise
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021 0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005 0.314
ARIMA Estimation Optimization Summary
Estimation Method Maximum Likelihood Parameters Estimated 2 Termination Criteria Maximum Relative Change in Estimates Iteration Stopping Value 0.001 Criteria Value 0.256369 Maximum Absolute Value of Gradient 11105.41 R-Square Change from Last Iteration 0.089179
73
LAMPIRAN C (LANJUTAN)
Objective Function Log Gaussian Likelihood Objective Function Value -320.028 Marquardt's Lambda Coefficient 0.00001 Numerical Derivative Perturbation Delta 0.001 Iterations 11 Warning Message Estimates may not have converged.
The ARIMA Procedure
Maximum Likelihood Estimation
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag MA1,1 0.53862 0.19703 2.73 0.0063 1 MA1,2 -0.49369 0.21240 -2.32 0.0201 12
Variance Estimate 2795.755 Std Error Estimate 52.8749 AIC 644.0564 SBC 648.2115 Number of Residuals 59
Correlations of Parameter Estimates
Parameter MA1,1 MA1,2 MA1,1 1.000 -0.563 MA1,2 -0.563 1.000
Autocorrelation Check of Residuals
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 1.72 4 0.7865 -0.057 -0.087 -0.030 -0.100 -0.070 0.004
12 4.73 10 0.9083 -0.025 -0.037 -0.068 -0.047 0.083 0.156
18 8.13 16 0.9450 -0.161 -0.019 0.114 -0.000 0.055 0.009
24 22.80 22 0.4132 -0.113 0.023 -0.192 -0.004 0.313 0.041
Model for variable y
Period(s) of Differencing 1 No mean term in this model.
Moving Average Factors
Factor 1: 1 - 0.53862 B**(1) + 0.49369 B**(12)
74
LAMPIRAN C (LANJUTAN) Forecasts for variable y
Obs Forecast Std Error 95% Confidence Limits 61 1091.5470 52.8749 987.9141 1195.1799 62 1074.3277 58.2314 960.1963 1188.4591 63 1054.8648 63.1350 931.1225 1178.6072 64 1027.5439 67.6843 894.8851 1160.2027 65 1023.9689 71.9465 882.9562 1164.9815 66 1034.0626 75.9700 885.1641 1182.9611 67 963.9157 79.7908 807.5285 1120.3029 68 1024.5691 83.4369 861.0358 1188.1025 69 1091.3020 86.9302 920.9220 1261.6820 70 1107.2688 90.2884 930.3068 1284.2307 71 1125.3068 93.5261 941.9990 1308.6145 72 1117.9164 96.6554 928.4753 1307.3575
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Moments
N 59 Sum Weights 59 Mean 5.31667982 Sum Observations 313.68411 Std Deviation 54.0083025 Variance 2916.89674 Skewness 0.15147453 Kurtosis 0.60037823 Uncorrected SS 170847.769 Corrected SS 169180.011 Coeff Variation 1015.82763 Std Error Mean 7.03128209
Basic Statistical Measures
Location Variability
Mean 5.316680 Std Deviation 54.00830 Median 7.214909 Variance 2917 Mode . Range 279.20309 Interquartile Range 65.21003
Tests for Location: Mu0=0
Test -Statistic- -----p Value------ Student's t t 0.756147 Pr > |t| 0.4526 Sign M 0.5 Pr >= |M| 1.0000 Signed Rank S 81 Pr >= |S| 0.5455
Tests for Normality
Test --Statistic--- -----p Value------ Shapiro-Wilk W 0.988428 Pr < W 0.8479 Kolmogorov-Smirnov D 0.06967 Pr > D >0.1500 Cramer-von Mises W-Sq 0.042395 Pr > W-Sq >0.2500 Anderson-Darling A-Sq 0.27213 Pr > A-Sq >0.2500
Quantiles (Definition 5) Quantile Estimate 100% Max 141.08643 99% 141.08643 95% 107.44836 90% 71.66655 75% Q3 37.23003 50% Median 7.21491 25% Q1 -27.98000 10% -56.62874 5% -82.43067 1% -138.11666
75
LAMPIRAN C (LANJUTAN)
0% Min -138.11666 The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Extreme Observations
------Lowest------ ------Highest-----
Value Obs Value Obs
-138.1167 55 89.5395 34 -104.5541 32 99.7233 33 -82.4307 28 107.4484 19 -75.2331 43 132.3960 56 -62.6545 38 141.0864 57
Missing Values
-----Percent Of----- Missing Missing
Value Count All Obs Obs
. 13 18.06 100.00
ARIMA (0,1,1)
The ARIMA Procedure
Name of Variable = y
Period(s) of Differencing 1 Mean of Working Series 4.21661 Standard Deviation 66.15005 Number of Observations 59 Observation(s) eliminated by differencing 1
Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 4375.830 1.00000 | |********************|
0 1 -1791.961 -.40951 | ********| . |
0.130189 2 -160.350 -.03664 | . *| . |
0.150446 3 193.080 0.04412 | . |* . |
0.150597 4 -383.388 -.08761 | . **| . |
0.150816 5 -92.501384 -.02114 | . | . |
0.151676 6 350.465 0.08009 | . |** . |
0.151726 7 -236.356 -.05401 | . *| . |
0.152441 8 55.470846 0.01268 | . | . |
76
LAMPIRAN C (LANJUTAN) 0.152765
9 -447.123 -.10218 | . **| . | 0.152783
10 -113.191 -.02587 | . *| . | 0.153937
11 23.291820 0.00532 | . | . | 0.154010
12 1375.778 0.31440 | . |****** | 0.154014
13 -1053.205 -.24069 | . *****| . | 0.164533
14 133.978 0.03062 | . |* . | 0.170396
"." marks two standard errors
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** | 2 0.52430 | . |********** | 3 0.44453 | . |********* | 4 0.44378 | . |********* | 5 0.39047 | . |******** | 6 0.31618 | . |****** | 7 0.27864 | . |****** | 8 0.26093 | . |***** | 9 0.24910 | . |***** | 10 0.13602 | . |*** . | 11 0.01307 | . | . | 12 -0.05625 | . *| . | 13 0.03631 | . |* . | 14 0.02594 | . |* . |
The ARIMA Procedure
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . | 2 -0.24552 | *****| . | 3 -0.09603 | . **| . | 4 -0.14735 | . ***| . | 5 -0.15957 | . ***| . | 6 -0.03776 | . *| . | 7 -0.06454 | . *| . | 8 -0.04940 | . *| . | 9 -0.18993 | .****| . | 10 -0.23432 | *****| . | 11 -0.24960 | *****| . | 12 0.22395 | . |****. | 13 -0.00771 | . | . | 14 -0.06220 | . *| . |
Autocorrelation Check for White Noise
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
77
LAMPIRAN C (LANJUTAN)
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021 0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005 0.314
Maximum Likelihood Estimation
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag MA1,1 0.58155 0.10978 5.30 <.0001 1
Variance Estimate 3444.76 Std Error Estimate 58.69208 AIC 649.3709 SBC 651.4485 Number of Residuals 59
Autocorrelation Check of Residuals
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 1.27 5 0.9376 0.036 -0.020 -0.011 -0.115 -0.063 0.021
12 14.48 11 0.2075 -0.076 -0.079 -0.139 -0.018 0.151 0.347
18 15.65 17 0.5491 -0.060 0.038 0.068 -0.053 0.038 0.017
24 29.54 23 0.1631 -0.117 -0.023 -0.194 -0.030 0.288 0.080
Model for variable y
Period(s) of Differencing 1
The ARIMA Procedure
No mean term in this model.
Moving Average Factors
Factor 1: 1 - 0.58155 B**(1)
Forecasts for variable y Obs Forecast Std Error 95% Confidence Limits 61 1080.5078 58.6921 965.4735 1195.5422 62 1080.5078 63.6234 955.8083 1205.2073 63 1080.5078 68.1990 946.8402 1214.1755 64 1080.5078 72.4864 938.4371 1222.5786 65 1080.5078 76.5340 930.5039 1230.5117 66 1080.5078 80.3780 922.9698 1238.0459 67 1080.5078 84.0464 915.7799 1245.2358 68 1080.5078 87.5613 908.8909 1252.1247 69 1080.5078 90.9404 902.2680 1258.7476 70 1080.5078 94.1983 895.8825 1265.1331 71 1080.5078 97.3473 889.7106 1271.3050 72 1080.5078 100.3976 883.7322 1277.2834
78
LAMPIRAN C (LANJUTAN)
The UNIVARIATE Procedure Variable: RESIDUAL (Residual: Actual-Forecast)
Moments
N 59 Sum Weights 59 Mean 10.1202521 Sum Observations 597.094872 Std Deviation 57.8337739 Variance 3344.7454 Skewness -0.2846539 Kurtosis 0.36710974 Uncorrected SS 200037.984 Corrected SS 193995.233 Coeff Variation 571.465745 Std Error Mean 7.52931604
Basic Statistical Measures
Location Variability Mean 10.12025 Std Deviation 57.83377 Median 17.76961 Variance 3345 Mode . Range 290.73054
Interquartile Range 76.90153
Tests for Location: Mu0=0
Test -Statistic- -----p Value------
Student's t t 1.344113 Pr > |t| 0.1841 Sign M 5.5 Pr >= |M| 0.1925 Signed Rank S 194 Pr >= |S| 0.1446
Tests for Normality
Test --Statistic--- -----p Value------ Shapiro-Wilk W 0.982 Pr < W 0.5302 Kolmogorov-Smirnov D 0.098706 Pr > D >0.1500 Cramer-von Mises W-Sq 0.076489 Pr > W-Sq 0.2315 Anderson-Darling A-Sq 0.407842 Pr > A-Sq >0.2500
Quantiles (Definition 5) Quantile Estimate 100% Max 131.6296 99% 131.6296 95% 115.2596 90% 94.6994 75% Q3 47.2335 50% Median 17.7696 25% Q1 -29.6680 10% -71.1162 5% -85.2078 1% -159.1010 0% Min -159.1010
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Extreme Observations
------Lowest------ ------Highest-----
Value Obs Value Obs
79
LAMPIRAN C (LANJUTAN)
-159.1010 55 94.8145 56 -97.8596 32 101.6195 46 -85.2078 44 115.2596 33 -76.9059 50 119.5265 19 -76.8905 28 131.6296 57
Missing Values
-----Percent Of-----
Missing Missing Value Count All Obs Obs
. 13 18.06 100.00
ARIMA(0,1,[12])
The ARIMA Procedure
Name of Variable = y
Period(s) of Differencing 1 Mean of Working Series 4.21661 Standard Deviation 66.15005 Number of Observations 59 Observation(s) eliminated by differencing 1
Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 4375.830 1.00000 | |********************|
0 1 -1791.961 -.40951 | ********| . |
0.130189 2 -160.350 -.03664 | . *| . |
0.150446 3 193.080 0.04412 | . |* . |
0.150597 4 -383.388 -.08761 | . **| . |
0.150816 5 -92.501384 -.02114 | . | . |
0.151676 6 350.465 0.08009 | . |** . |
0.151726 7 -236.356 -.05401 | . *| . |
0.152441 8 55.470846 0.01268 | . | . |
0.152765 9 -447.123 -.10218 | . **| . |
0.152783 10 -113.191 -.02587 | . *| . |
0.153937 11 23.291820 0.00532 | . | . |
0.154010 12 1375.778 0.31440 | . |****** |
0.154014
80
LAMPIRAN C (LANJUTAN)
13 -1053.205 -.24069 | . *****| . | 0.164533
14 133.978 0.03062 | . |* . | 0.170396
"." marks two standard errors
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.70528 | . |************** | 2 0.52430 | . |********** | 3 0.44453 | . |********* | 4 0.44378 | . |********* | 5 0.39047 | . |******** | 6 0.31618 | . |****** | 7 0.27864 | . |****** | 8 0.26093 | . |***** | 9 0.24910 | . |***** | 10 0.13602 | . |*** . | 11 0.01307 | . | . | 12 -0.05625 | . *| . | 13 0.03631 | . |* . | 14 0.02594 | . |* . |
The ARIMA Procedure
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.40951 | ********| . | 2 -0.24552 | *****| . | 3 -0.09603 | . **| . | 4 -0.14735 | . ***| . | 5 -0.15957 | . ***| . | 6 -0.03776 | . *| . | 7 -0.06454 | . *| . | 8 -0.04940 | . *| . | 9 -0.18993 | .****| . | 10 -0.23432 | *****| . | 11 -0.24960 | *****| . | 12 0.22395 | . |****. | 13 -0.00771 | . | . | 14 -0.06220 | . *| . |
Autocorrelation Check for White Noise
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 11.58 6 0.0719 -0.410 -0.037 0.044 -0.088 -0.021 0.080
12 20.17 12 0.0640 -0.054 0.013 -0.102 -0.026 0.005 0.314
81
LAMPIRAN C (LANJUTAN)
Maximum Likelihood Estimation Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag MA1,1 -0.50854 0.18140 -2.80 0.0051 12
Variance Estimate 3533.346 Std Error Estimate 59.44195 AIC 654.0425 SBC 656.12 Number of Residuals 59
Autocorrelation Check of Residuals
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 10.00 5 0.0754 -0.386 -0.042 0.038 -0.058 -0.060 0.031
12 10.54 11 0.4822 0.019 -0.034 -0.009 -0.002 0.007 0.075
18 12.27 17 0.7835 -0.078 -0.008 0.091 -0.066 0.048 0.012
24 27.49 23 0.2359 -0.108 0.160 -0.220 -0.030 0.267 -0.003
Model for variable y
Period(s) of Differencing 1 The ARIMA Procedure
No mean term in this model. Moving Average Factors
Factor 1: 1 + 0.50854 B**(12)
Forecasts for variable y
Obs Forecast Std Error 95% Confidence Limits 61 1078.4139 59.4420 961.9098 1194.9180 62 1052.8838 84.0636 888.1221 1217.6454 63 1032.7343 102.9565 830.9433 1234.5253 64 1019.5340 118.8839 786.5258 1252.5422 65 1032.8399 132.9162 772.3289 1293.3510 66 1058.5811 145.6025 773.2056 1343.9567 67 980.7332 157.2686 672.4924 1288.9741 68 1077.0956 168.1272 747.5723 1406.6189 69 1116.1487 178.3259 766.6364 1465.6609 70 1094.2925 187.9720 725.8742 1462.7108 71 1105.2237 197.1467 718.8234 1491.6241 72 1089.5536 205.9130 685.9716 1493.1356
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Moments
N 59 Sum Weights 59 Mean 2.94004154 Sum Observations 173.462451 Std Deviation 60.3048562 Variance 3636.67568 Skewness 0.52705711 Kurtosis 1.15933231 Uncorrected SS 211437.176 Corrected SS 210927.19
82
LAMPIRAN C (LANJUTAN)
Coeff Variation 2051.15661 Std Error Mean 7.85102356
Basic Statistical Measures
Location Variability
Mean 2.94004 Std Deviation 60.30486 Median -7.59000 Variance 3637 Mode . Range 342.86584
Interquartile Range 73.34825
Tests for Location: Mu0=0
Test -Statistic- -----p Value------ Student's t t 0.374479 Pr > |t| 0.7094 Sign M -3.5 Pr >= |M| 0.4350 Signed Rank S 2 Pr >= |S| 0.9881
Tests for Normality
Test --Statistic--- -----p Value------ Shapiro-Wilk W 0.972948 Pr < W 0.2115 Kolmogorov-Smirnov D 0.091874 Pr > D >0.1500 Cramer-von Mises W-Sq 0.076634 Pr > W-Sq 0.2307 Anderson-Darling A-Sq 0.498321 Pr > A-Sq 0.2116
Quantiles (Definition 5)
Quantile Estimate 100% Max 189.6522 99% 189.6522 95% 135.2365 90% 76.8609 75% Q3 38.2681 50% Median -7.5900 25% Q1 -35.0802 10% -66.2652 5% -83.4061 1% -153.2136 0% Min -153.2136
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Extreme Observations
------Lowest------ ------Highest-----
Value Obs Value Obs
-153.2136 55 78.7544 39 -88.0697 28 87.6900 10 -83.4061 20 135.2365 19 -80.2133 18 140.0071 33 -78.2651 32 189.6522 56
Missing Values
83
LAMPIRAN C (LANJUTAN)
-----Percent Of----- Missing Missing Value Count All Obs Obs
. 13 18.06 100.00
84
85
LAMPIRAN D
Hasil Peramalan Produksi Semen dengan Model Terbaik yaitu
ARIMA (0,1,[1,12])
The ARIMA Procedure
Name of Variable = y
Period(s) of Differencing 1 Mean of Working Series 2.096197 Standard Deviation 72.17663 Number of Observations 71 Observation(s) eliminated by differencing 1
Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 5209.466 1.00000 | |********************|
0 1 -1975.682 -.37925 | ********| . |
0.118678 2 -312.702 -.06003 | . *| . |
0.134670 3 287.062 0.05510 | . |* . |
0.135046 4 -758.211 -.14554 | . ***| . |
0.135363 5 46.445419 0.00892 | . | . |
0.137549 6 437.820 0.08404 | . |** . |
0.137557 7 -481.243 -.09238 | . **| . |
0.138279 8 -76.624880 -.01471 | . | . |
0.139145 9 94.272460 0.01810 | . | . |
0.139167 10 -649.881 -.12475 | . **| . |
0.139200 11 262.694 0.05043 | . |* . |
0.140766 12 2239.544 0.42990 | . |********* |
0.141020 13 -1645.166 -.31580 | ******| . |
0.158407 14 354.211 0.06799 | . |* . |
0.167039 15 -103.672 -.01990 | . | . |
0.167428 16 -648.828 -.12455 | . **| . |
0.167462 17 584.902 0.11228 | . |** . |
0.168761
"." marks two standard errors
86
LAMPIRAN D (LANJUTAN)
Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.72255 | . |************** | 2 0.55473 | . |*********** | 3 0.45670 | . |********* | 4 0.39545 | . |******** | 5 0.30671 | . |****** | 6 0.21549 | . |****. | 7 0.14418 | . |*** . | 8 0.07519 | . |** . | 9 0.02662 | . |* . | 10 -0.05149 | . *| . | 11 -0.16252 | . ***| . | 12 -0.22750 | *****| . | 13 -0.09575 | . **| . | 14 -0.06552 | . *| . | 15 -0.04176 | . *| . | 16 -0.03066 | . *| . | 17 -0.02296 | . | . |
The ARIMA Procedure
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.37925 | ********| . | 2 -0.23810 | *****| . | 3 -0.07848 | . **| . | 4 -0.20545 | .****| . | 5 -0.17544 | .****| . | 6 -0.04706 | . *| . | 7 -0.12346 | . **| . | 8 -0.16314 | . ***| . | 9 -0.14838 | . ***| . | 10 -0.29022 | ******| . | 11 -0.30644 | ******| . | 12 0.32978 | . |******* | 13 0.05051 | . |* . | 14 0.05546 | . |* . | 15 0.02378 | . | . | 16 0.00210 | . | . | 17 0.06136 | . |* . |
Autocorrelation Check for White Noise
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 13.36 6 0.0377 -0.379 -0.060 0.055 -0.146 0.009 0.084
12 31.87 12 0.0014 -0.092 -0.015 0.018 -0.125 0.050 0.430
Maximum Likelihood Estimation Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag MA1,1 0.49734 0.11994 4.15 <.0001 1
87
LAMPIRAN D (LANJUTAN)
MA1,2 -0.40280 0.14085 -2.86 0.0042 12
Variance Estimate 3399.3 Std Error Estimate 58.30351 AIC 784.4122 SBC 788.9376 Number of Residuals 71
Correlations of Parameter
Estimates
Parameter MA1,1 MA1,2 MA1,1 1.000 -0.130 MA1,2 -0.130 1.000
The ARIMA Procedure
Autocorrelation Check of Residuals
To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations---------
-----------
6 5.13 4 0.2738 -0.064 -0.097 -0.034 -0.216 -0.073 -0.003
12 14.52 10 0.1505 -0.075 0.029 0.061 -0.065 0.167 0.257
18 21.88 16 0.1471 -0.243 -0.044 -0.077 -0.067 0.098 0.013
24 33.05 22 0.0612 -0.021 0.030 -0.147 -0.017 0.266 0.100
Model for variable y Period(s) of Differencing 1 No mean term in this model.
Moving Average Factors Factor 1: 1 - 0.49734 B**(1) + 0.4028 B**(12)
Forecasts for variable y
Obs Forecast Std Error 95% Confidence Limits 73 1001.5504 58.3035 887.2776 1115.8232 74 977.5734 65.2549 849.6761 1105.4707 75 972.7370 71.5340 832.5330 1112.9410 76 970.7810 77.3047 819.2666 1122.2953 77 1021.3443 82.6735 859.3072 1183.3815 78 1024.1873 87.7144 852.2702 1196.1044 79 989.2915 92.4809 808.0322 1170.5507 80 1038.4766 97.0135 848.3336 1228.6196 81 1028.8156 101.3436 830.1857 1227.4454 82 1042.0721 105.4961 835.3035 1248.8407 83 1015.0246 109.4913 800.4257 1229.6235 84 972.6540 113.3457 750.5006 1194.8074
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Moments
N 71 Sum Weights 71 Mean 2.25781562 Sum Observations 160.304909
88
LAMPIRAN D (LANJUTAN)
Std Deviation 58.5105156 Variance 3423.48043 Skewness 0.21919735 Kurtosis 0.16150827 Uncorrected SS 240005.569 Corrected SS 239643.63 Coeff Variation 2591.46563 Std Error Mean 6.94392067
Basic Statistical Measures
Location Variability
Mean 2.25782 Std Deviation 58.51052 Median -0.61198 Variance 3423 Mode . Range 280.02107 Interquartile Range 66.80352
Tests for Location: Mu0=0
Test -Statistic- -----p Value------
Student's t t 0.32515 Pr > |t| 0.7460 Sign M -0.5 Pr >= |M| 1.0000 Signed Rank S 26 Pr >= |S| 0.8828
Tests for Normality
Test --Statistic--- -----p Value------
Shapiro-Wilk W 0.985632 Pr < W 0.5958 Kolmogorov-Smirnov D 0.065467 Pr > D >0.1500 Cramer-von Mises W-Sq 0.045414 Pr > W-Sq >0.2500 Anderson-Darling A-Sq 0.321505 Pr > A-Sq >0.2500
Quantiles (Definition 5) Quantile Estimate 100% Max 138.285905 99% 138.285905 95% 122.224139 90% 72.191549 75% Q3 32.585951 50% Median -0.611978 25% Q1 -34.217565 10% -67.596245 5% -86.740785 1% -141.735164 0% Min -141.735164
The UNIVARIATE Procedure
Variable: RESIDUAL (Residual: Actual-Forecast)
Extreme Observations ------Lowest------ -----Highest-----
Value Obs Value Obs
-141.7352 55 108.439 19 -106.2934 32 122.224 68 -105.4669 72 126.125 65 -86.7408 67 133.104 56
89
LAMPIRAN D (LANJUTAN)
-83.9914 61 138.286 57
Missing Values -----Percent Of-----
Missing Missing Value Count All Obs Obs
. 13 15.48 100.00
90
91
LAMPIRAN E
RAKP dan Hasil Simulasi Numerik dengan software Microsoft
Excel
1. RAKP tahun 2017
Keperluan Jumlah (juta)
Gudang Rp 507.025
Pemeliharaan Rp 619.389
Tenaga Kerja Rp 437.487
Listrik Rp 1.447.547
Bahan Pendukung Rp 722.722
Bahan Bakar Rp 1.382.656
2. Simulasi Numerik dengan bantuan MS. Excel
a) Simulasi Numerik dengan Data tahun 2000
(EPQ tanpa penyusutan)
92
LAMPIRAN E (LANJUTAN)
(EPQ dengan penyusutan)
93
LAMPIRAN E (LANJUTAN)
b) Simulasi Numerik dengan Data Produksi 2017
(EPQ tanpa penyusutan)
94
LAMPIRAN E (LANJUTAN)
(EPQ dengan penyusutan)
95
LAMPIRAN F
BIODATA PENULIS
Mutia Anggraini Putri Arif lahir di
Nganjuk, 27 Oktober 1996. Jenjang
pendidikan formal yang ditempuh oleh
penulis dimulai dari TK Aisyah (2000-
2002), SDN Kudu 1 (2002-2008), SMPN 1
Kertosono (2008-2011), SMAN 1 Kertosono
(2011-2014). Kemudian melanjutkan studi
ke jenjang S1 di departemen Matematika ITS
pada tahun 2014-sekarang. Di departemen
Matematika ITS penulis mengambil bidang
minat Matematika Terapan. Penulis
bergabung dengan orgasisasi di HIMATIKA ITS sebagai staff
departemen Kewirausahaan (2015-2016), Kabiro Bisnis departemen
Kewirausahaan HIMATIKA ITS (2016-2017) dan bergabung juga
di organisasi UKM Kopma Dr. Angka ITS sebagai staff Bidang
Bisnis UKM Kopma Dr.Angka ITS (2015-2016), Asisten Bidang
Bisnis UKM Kopma Dr.Angka ITS (2016-2017), Ketua Pengawas
UKM Kopma Dr.Angka ITS (2017-2018). Penulis juga pernah
melakukan Kerja Praktek di PT Semen Indonesia pada tahun 2017.
Jika ingin memberikan kritik, saran, tanggapan dan diskusi
mengenai Laporan Tugas Akhir ini, bisa melalui email
Semoga bermanfaat.