= =
N
Y
a ana a Y
t
t
dim ,
t
Y =nilai tambah
N =jumlah periode
b. Trend linear, dengan fungsi persamaan:
bt a Y
t
+ =
Dimana
( ) ( )
( )
=
=
2
2
t t N
y t ty N
b
N
bt Y
a
c. Trend kuadratis, dengan fungsi peramalan:
2
ct bt a Y
t
+ + =
Dimana
2
2
=
=
=
b
b
c
N
t c t b Y
a
( )
=
=
=
=
3 3
2 2
4
2
2
t N t t
Y t N Y t
tY N Y t
t N t
d. Trend eksponensial, dengan fungsi peramalan:
bt
t
ae Y =
Dimana :
( )
2
2
ln ln ln
ln
=
t t N
Y t Y t N
b
N
t b Y
a
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
e. Trend siklis, dengan fungsi peramalan
N
t
c
N
b a Y
t
2
cos
2
sin + + =
Dimana :
N
t
N
t
c
N
t
b
N
t
a
N
t
y
N
t
N
t
c
N
t
b
N
t
a
N
t
Y
N
c
N
t
b Na Y
2
cos
2
sin
2
cos
2
cos
2
cos
2
cos
2
sin
2
sin
2
sin
2
sin
2
cos
2
sin
2
2
+ + =
+ + =
+ + =
3.2.5. Kriteria Performance Peramalan
Besar kesalahan suatu peramalan dapat dihitung dengan beberapa cara,
antara lain:
a. Mean Square Error (MSE)
MSE=
( )
N
Ft Xt
N
t
2
1
=
Dimana :
t
X =data aktual periode t
t
F =nilai ramalan periode t
N =banyaknya periode
b. Standard Error of Estimate (SEE)
SEE =
f n
Ft Xt
N
t
=1
2
) (
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Dimana :
f =Derajat kebebasan
- untuk data konstan, f =1
- untuk data linear, f =2
- untuk data kuadaratis, f =3
- untuk data siklis, f =3
c. Persentage Error (
t
PE )
t
PE = % 100 x
Xt
Ft Xt
d. Mean Absolute Persentage Error (MAFE)
MAFE =
N
PE
N
t
t
=1
3.2.6. Proses Verifikasi
Proses verifikasi digunakan untuk melihat apakah metode peramalan yang
diperoleh representatif terhadap data. Proses verifikasi dilakukan dengan
menggunakan Moving Range Chart (MRC). Dari chart (peta) ini dapat terlihat
apakah sebaran masih dalam kontrol ataupun sudah berada diluar kontrol. J ika
sebaran berada di luar kontrol, maka fungsi/metode peramalan tersebut tidak
representatif.
3.3. Dynamic Programming Approach
3.3.1. Pendahuluan
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Dynamic Programming adalah teknik manajemen sain yang diaplikasikan
kepada persoalan yang melibatkan keputusan berurutan yang saling berkaitan.
Dengan kata lain, awalnya program dinamis membagi masalah asli ke dalam sub-
sub masalah dan kemudian menentukan solusi optimal masalah asli dengan
pemecahan rekursif sub-submasalah ini. Program ini dikembangkan oleh Richard
Bellman dan G. B Dantzig pada tahun 1940-1950
9
1. Terdapat sejumlah berhingga pilihan yang mungkin.
. Sebagai sebuah konsep,
Dynamic Programming lebih luwes dibanding program-program optimasi lainnya.
Aplikasi Dynamic Programming telah terbukti baik pada pengelolaan persediaan,
jaringan, penjadwalan kerja untuk karyawan, pengendalian produksi, perencanaan
penjualan dan lain-lain bidang. Formulasi model dilakukan dengan unik sesuai
dengan persoalannya. Pada penyelesaian dengan metode ini:
2. Solusi pada setiap tahap dibangun dari hasil solusi tahap sebelumnya.
3. Persyaratan optimasi dan kendala digunakan untuk membatasi sejumlah
pilihan yang harus dipertimbangkan pada suatu tahap.
Pada program dinamis, rangkaian keputusan yang optimal dibuat dengan
menggunakan Prinsip Optimalitas. Prinsip ini berbunyi : J ika solusi total optimal,
maka bagian solusi sampai ke tahap ke-k juga optimal. Prinsip optimalitas berarti
bahwa jika kita bekerja dari tahap k ke tahap ke k+1, kita dapat menggunakan
hasil optimal dai tahap ke k tanpa harus kembali ke tahap awal. J ika pada setiap
tahap kita menghitung ongkos (cost) maka dapat dirumuskan secara umum:
9
Kamarul Imam, Dynamic Programming ,rul2@yahoo.com, Hal.1.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Ongkos tahap k+1 = (ongkos yang dihasilkan pada tahap k) + (ongkos
dari tahap k ke k+1)
Dengan prinsip optimalitas, dijamin bahwa pengambilan keputusan pada
suatu tahap, adalah keputusan yang benar untuk tahap-tahap selanjutnya.
3.3.2. Konsep Dasar dalam Dynamic Programming
Konsep-konsep dasar dalam Dynamic Programming, antara lain:
10
10
Kamarul Imam, Dynamic Programming,
a. Dekomposisi
Persoalan Dynamic Programming dapat dipecah-pecah menjadi sub-persoalan
atau tahapan yang lebih kecil dan berurutan. Setiap tahap disebut juga sebagai
titik keputusan. Setiap keputusan yang dibuat pada suatu tahap akan
mepengaruhi keputusankeputusan pada tahap berikutnya.
b. Status
Status adalah kondisi awal (Sn) dan kondisi akhir (Sn-1)pada setiap tahap, di
mana pada tahap tersebut keputusan dibuat (Dn). Status akhir pada sebuah
tahap tergantung keada status awal dan keputusan yang dibuat pada tahap
yang bersangkutan. Status akhir pada suatu tahap merupakan input bagi tahap
berikutnya.
c. Variabel Keputusan dan Hasil
Keputusan yang dibuat pada setiap tahap (Dn) merupakan keputusan yang
berorientasi kepada return yang diakibatkannya (Rn|Dn), tingkat maksimal
atau minimal.
rul2@yahoo.com. Hal.1.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
d. Fungsi Transisi
Fungsi transisi menjelaskan secara pasti bagaimana tahap-tahap saling
berhubungan. Fungsi ini berbentuk fungsi hubungan antar status pada setiap
tahap yang beurutan. Fungsi transisi secara umum berbentuk :
Sn-1 =Sn - Dn
Di mana Sn-1 =status pada tahap n-1, atau status akhir pada tahap-n. Sn
adalah status awal pada tahap-n. Komponen pada setiap tahap dapat dilihat
pada Gambar 3.2.
Gambar 3.2. Komponen Setiap Tahap Dynamic programming
e. Optimasi Tahap
Optimasi tahap dalam Dynamic Programming adalah menentukan keputusan
optimal pada setiap tahap dari berbagai kemungkinan nilai status inputnya.
Fungsi umum dari keputusan optimal adalah :
fn(Sn, Dn) =return pada tahap-n dari nilai status input. Sn, dan keputusan,
Dn.
fn*(Sn) =return optimal pada tahap-n dari nilai iput status, Sn.
f. Fungsi Rekursif
Fungsi rekursif biasanya digunakan pada berbagai program komputer, di mana
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
nilai sebuah variabel pada fungsi itu merupakan nilai kumulatif dari nilai
variabel tersebut pada tahap sebelumnya. Pada Dynamic Programming, fungsi
umum dituliskan sebagai :
fn(Sn, Dn) =Rn +fn-1*(Sn-1,Dn-1)
Karakteristik program dinamis adalah :
a. Persoalan dapat dipisahkan menjadi beberapa tahap (stages), di mana setiap
tahap membutuhkan keputusan kebijakan yang standard dan saling
berhubungan. Hubungan komponen setiap tahap dapat dilihat pada Gambar
3.3.
Gambar 3.3. Komponen Setiap Tahap Saling Berhubungan
b. Setiap tahap memiliki sejumlah status (state). Secara umum, sekumpulan
status ini merupakan berbagai kemungkinan kondisi yang timbul dari sistem
persoalannya. Status ini memberikan informasi yang dibutuhkan setiap
keputusan dan dampaknya pada tahap berikutnya. Jumlah status pada setiap
tahap bisa definit atau infinit.
c. Setiap keputusan kebijakan yang dibuat pada suatu tahap, status pada tahap
tersebut ditransformasi ke dalam status yang berkaitan pada tahap berikutnya.
Hubungan antar status pada tahap yang berurutan bisa bersifat deterministik
atau probabilistik.
Pada sebuah persoalan dengan n-tahap, ada dua input, yaitu : (1) state pada
tahap-n (Sn) dan decision variable (Xn). Sedang outputnya adalah : (1) return
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
atau akibat dari setiap Xn yang dipilih, fn(s, Xn); dan (2) status baru yang
menjadi input pada tahap berikutnya (Sn-1). Hubungan antara Xn dan fn(s,Xn)
ditentukan oleh return function. Sedang hubungan antar status pada tahap
tertentu ditentukan oleh transition function. Hubungan antas status pada setiap
tahap dapat dilihat pada Gambar 3.4.
Gambar 3.4. Hubungan antar Status pada Setiap Tahap
d. Solusi pada program dinamis berprinsip kepada optimalitas yang
dikembangkan oleh Bellman1 : An optimal policy must have the property that,
regardless of the decision to enter a particular state, the remaining decisions
must consitute an optimal policy for leaving that state (Suatu kebijakan
optimal mempunyai sifat bahwa apapun keadaan dan keputusan awal,
keputusan berikutnya harus membentuk suatu kebijakan optimal dengan
memeperhatikan keadaan dari hasil keputusan pertama).
11
e. Keputusan pada tahap berikutnya bersifat independen terhadap keputusan
sebelumnya. Untuk menyelesaikan persoalan program dinamis, dimulai dari
11
P.Siagian, Penelitian Operasional: Teori dan Praktek, Universitas Indonesia UI Press,2006,
Hal.238.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
solusi awal pada suatu tahap, dan secara berurutan menuju tahap berikutnya
dengan proses yang terbalik (backward induction process).
f. Solusi optimal yang dihasilkan pada setiap tahap berprinsip kepada hubungan
dalam bentuk fungsi rekursif (recursion relationship). Secara umum bentuk
fungsi rekursif adalah :
fn*(Sn) =max/min {fn(Sn, Xn)}.
Di mana fn*(Sn) =adalah hasil optimal dari keputusan pada tahap-n
3.3.3. Kriteria Dynamic Programming dalam Perencanaan Produksi
Yang menjadi variabel masukan adalah ramalan permintaan, Alternatif
biaya produksi, data biaya Alternatif dan kondisi inisial jumlah persediaan pada
akhir periode (Ii), dan yang menjadi variabel keputusan adalah alokasi permintaan
jumlah produksi (volume produksi) pada setiap periode, yang menjadi stage
adalah periode-periode (i=1,2,3,12). Fungsi return disusun dari biaya set up
mesin dan biaya penyimpanan digudang dapat ditulis dengan persamaan sebagai
berikut :
Fungsi tujuan : Min C = ( )
n n
I X C ,
Pembatas :
( )
( )
0
0
+
+
n
n
n
n n n
i n n
n n
I
X
Q I
d I X
Q d I X
P X
Dimana :
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
( )
n n
I X C
,
= fungsi biaya set up, biaya variabel, dan biaya penyimpanan
persediaan produk
n
X =Jumlah produksi pada periode n
n
I =jumlah persediaan produk pada akhir periode n
n
d =jumlah permintaan pada periode n
n
P =kapasitas produksi pada periiode n
Q =kapasitas gudang penyimpanan produk
N =Periode 1,2,3,12
Bentuk formulasi diatas dapat dirubah dan disesuaikan dengan program
dinamis. Persamaan diatas dapat ditulis menjadi fungsi rekursif
( ) ( ) [ ]
1 1
* *
, ( ,
+ =
n n n n n
Min
Xn n
I X f I X C I f .1
atau
( ) ( ) ( ) [ ]
n n n
n
n n n n n
X d I f I X C I f + + = 1
*
, 2
J ika sistem masalah dibatasi hingga stage 12, maka jumlah persediaan
produk akhir periode 12 adalah nol ( ) 0
12
= I . Dan khusus mengenai problem
stage-1, nilai dari ) (
0
0
*
I f adalah nol, karena tidak ada lagi beban pembayaran
untuk stage nol yang telah berlalu. Adapun proses perhitungan dynamic
programming dapat dilihat pada Tabel 3.1.
Tabel 3.1. Perhitungan Perencanaan Produksi dengan Menggunakan
Dynamic Programming
Stage n
n
X
n
I
( ) ( ) ( )
n n n n n n n n
X dn I f I X C I f + + =
' *
1
*
, ( )
0
*
I f
n
'
n
X
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
n
I
n
I
n
I
BAB IV
METODOLOGI PENELITIAN
Dalam bab ini akan dijelaskan secara lengkap tentang metodologi
penelitian, yang merupakan suatu cara atau prosedur beserta tahapan-tahapan
yang jelas dan disusun secara sistematis dalam proses penelitian. Tiap tahapan
merupakan bagian yang menentukan tahapan selanjutnya sehingga harus dilalui
dengan cermat. Tahapan dalam penelitian dapat dilihat pada blok diagram
metodologi penelitian pada Gambar 4.1.
4.1. Identifikasi Objek Penelitian
Objek penelitian yang diteliti adalah besarnya permintaan produk yang
berfluktuatif di PT. Gold Coin Indonesia. Hal ini disebabkan terkadang kapasitas
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
produksi lebih besar dari permintaan pasar akibatnya persediaan barang
menumpuk atau disebut over produksi mengakibatkan biaya simpan yang besar
atau sebaliknya terkadang kapasitas produksi lebih kecil dari permintaan pasar
akibatnya terjadinya keterlambatan waktu penyerahan menyebabkan konsumen
kecewa karena keterlambatan penyerahan produk. Oleh karena itu perusahaan
sering diperhadapkan pada masalah pengambilan keputusan didalam menentukan
rencana produksi yang optimal untuk memenuhi permintaan pada waktu yang
tepat.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Identifikasi Objek Penelitian
Tujuan Penelitian
Studi Literatur dan Studi Lapangan
Pengumpulan Data
Pengolahan Data
Analisis Pemecahan Masalah
Kesimpulan dan Saran
Gambar 4.1. Block Diagram Tahapan Penelitian
4.2. Tujuan Penelitian
Tujuan penelitian yang ingin dicapai adalah mendapatkan model
perencanaan produksi yang optimal dengan menggunakan Metode Dynamic
Programming,
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
4.3. Studi Literatur dan Studi Lapangan
Sebagai tahap awal sebelum memasuki tahap penelitian tentang penerapan
Metode Dynamic Programming dilakukan studi lapangan dan studi literatur. Studi
lapangan dilakukan dengan peninjauan langsung ke lokasi pabrik dan proses
produksi. Sedang studi literatur dilakukan dengan cara mempelajari teori tentang
Perencanaan dan pengendalian produksi dan aplikasi Metode Dynamic
Programming dalam menyusun rencana produksi.
4.4. Pengumpulan Data
Dalam melakukan penelitian di PT. Gold Coin Indonesia, dibutuhkan
sejumlah data tertentu. Data yang diperlukan dalam penelitian ini terdiri atas dua
kelompok, yaitu :
1. Data primer.
Data primer adalah data yang diperoleh dari sumber pertama melalui prosedur
dan teknik pengambilan data seperti wawancara, diskusi, observasi, dan
penggunaan instrumen pengukuran yang khusus dirancang sesuai dengan
tujuan penelitian
2. Data sekunder.
Data sekunder adalah data yang diperoleh bukan melalui pengamatan atau
pengukuran secara langsung terhadap objek yang diteliti. Data-data yang
diperoleh dari sumber tidak langsung biasanya berupa dokumentasi dan arsip-
arsip resmi. Data sekunder yang dikumpulkan meliputi volume penjualan,
kapasitas produksi, elemen biaya simpan, daya tampung gudang.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
4.5. Metode Pengolahan Data
4.5.1. Metode Pengolahan Data Pada Tahap Peramalan
Data yang diperoleh selanjutnya diolah dengan tahapan pengolahan data.
Pengolahan data yang dilakukan yaitu melakukan peramalan permintaan periode
satu tahun kedepan dengan menggunakan metode peramalan secara kuantitatif,
diantaranya:
1). Mendefenisikan tujuan peramalan : Untuk meramalkan permintaan pada
periode satu tahun yang akan datang
2). Membuat diagram pencar (scatter diagram ) permintaan produk tahun lalu.
3). Memilih metode yang mendekati pola diagram pencar untuk melihat apakah
pola mengikuti pola trend/kecendrungan konstan, linear, kuadratis,
eksponensial, dan siklis.
4). Menghitung fungsi parameter dari trend yang mendekati pola diagram
pencar. Fungsi parameter yang dimaksud:
- Fungsi trend konstan :
t t
a Y =
- Fungsi trend linear :
t t
b a Y + =
- Fungsi trend kuadratis :
2
t t t
c b a Y + + =
- Fungsi trend eksponensial :
bt
t
ae Y =
- Fungsi trend siklis :
n
t
c
n
b a Y
t
2
cos
2
sin + + =
5). Menghitung setiap kesalahan setiap metode, dilakukan dengan cara:
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
- Mean Square Error (MSE) =
( )
n
Ft Xt
N
t
2
1
=
- Standard Error of Estimate (SEC) =
( )
f n
Ft Xt
N
t
=
2
1
- Percentage Error (PE
t
) = % 100 x
Xt
Ft Xt
6). Pilih metode dengan kesalahan terkecil:
- Tentukan pernyataan awal (Ho) dan pernyataan alternatif (Hi)
- Lakukan test statistik dengan rumus:
2
2
2
1
S
S
F =
- Bandingkan hasil yang diperoleh dengan test statistik, dengan hasil yang
diperoleh dari tabel distribusi F dengan harga (tingkat ketelitian) yang
telah ditetapkan.
7). Proses Verifikasi
Bertujuan untuk melihat apakah sebaran data masih dalam kontrol atau
sudah berada diluar kontrol. J ika sebaran berada diluar kontrol maka
fungsi metode peramalan tidak sesuai, artinya pola peramalan terhadap
data tidak representatif. Proses verifikasi dapat dilakukan dengan
menggunakan Moving Range Chart (MRC)
Tahapan pengolahan data peramalan dapat dilihat pada flowchart
pengolahan data pada Gambar 4.2.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Definisikan Tujuan Peramalan
Buat Diagran Pencar
Pilih Beberapa Metode Peramalan
Hitung Parameter Peramalan
Hitung Kesalahan Setiap Metode
Pilih Metode dengan Kesalahan
Terkecil
MRC
Out of
Control
Fungsi Penyebab
Dketahui
Gunakan fungsi yang
diperoleh untuk meramalkan
Tidak
Gejala tersebut bukan bersifat
random sehingga data
menyimpang
Ya
Menghitung kembali parameter fungsi
tersebut dengan menghilangkan Titik Out
of Control sehingga diperoleh kembali
fungsi yang baru dengan jumlah data
yang baru
Ganti dengan fungsi
baru
Ya
Tidak
Mulai
Selesai
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Gambar 4.2. Flow Chart Pengolahan Data pada Tahap Peramalan
4.5.2. Metode Pengolahan Data dengan Mengunakan Dynamic Programming
Setelah data penjualan diramalkan maka dilanjutkan ketahap pengolahan
data dengan mengunakan Metode Dynamic Programming untuk mencari jumlah
produksi dan jumlah persediaan optimum. Adapun prosedur pengolahan data
dengan menggunakan Metode Dynamic Programming sebagai berikut:
1) Mengidentifikasi variabel masukan
Variabel masukan dalam satu periode (stage) dalam model ini adalah (Sn=
peramalan permintaan tiap periode, biaya variabel produksi, dan biaya
simpan, jumlah persediaan dari periode i yang dibawa keperiode i+1.
2) Mengidentifikasi variabel keputusan (Xn)
Variabel keputusan yang digunakan adalah menentukan jumlah produk
yang akan diproduksi dalam setiap periode (stage) untuk i =1,2,3,..n
3). Mengidentifikasi kendala-kendala perusahaan (kapasitas gudang, kapasitas
produksi, jumlah persediaan maksimum yang diizinkan)
S.t. i S
n
n
x
i
S
4). Merumuskan persamaan fungsi tujuan
( ) i f
n
*
: Min ( ) ( ) { }
n n n n n n n n n
S X I f S X I X f + + +
*
1
,
5). Penyelesaian model dengan dynamic programming dapat dilihat pada
gambar 4.3.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Bulan 1
S1
X1
S2
Bulan 2
S3
X2
Bulan 3 Bulan n-1
S4
X3
X n-1
S n-1
Bulan n
Xn
S n
1-Stage
2-Stage
3-Stage
n-1 Stage
12-Stage
( )
n n n
X S f ,
( )
1 1 1
,
n n n
X S f
( )
3 3 3
, X S f ( )
2 2 2
, X S f
( )
1 1 1
, X S f
Gambar 4.3. Pemecahan Masalah dengan metode Dynamic Programming
Keterangan:
1.Sn(State): Input ke tahap selanjutnya ( Sn-1), diantaranya: Peramalan
permintaan tiap periode, biaya variabel dan biaya simpan
2. Stage n : Bulan ke n
3. Xn : Keputusan ke tahap selanjutnya (Xn-1) =Tingkat produksi setiap
periode
3. Fungsi rekursif : Minimisasi total biaya produksi ( )
i n
X S f ,
1
Tahapan pengolahan data dengan menggunakan Metode Dynamic
Programming dapat dilihat pada block diagram pengolahan data pada Gambar
4.4.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Mengidentifikasi Variabel Masukan (State)
- Peramalan Permintaan
- Kapasitas Terpakai
- Biaya Variabel Produksi
- Biaya Simpan
Mengidentifikasi Variabel Keputusan setiap
Stage:
Menentukan jumlah produk yang
diproduksi dan menetukan jumlah
persediaan yang disediakan
Merumuskan Fungsi tujuan untuk meminimisasi
biaya produksi: Sebagai fungsi rekursif
Dengan kendala:
( ) ( ) { }
n n n n n n n n
S x i f S x i x f Min i f + + + =
*
1
*
, ) (
n n n
S x i S
Menetapkan output setiap stage:
- Menetapkan jumlah produksi yang
optimal yang akan diproduksi pada setiap
periode
- menetapkan jumlah persediaan optimal.
Gambar 4.4. Block Diagram Pengolahan Data dengan Menggunakan Metode
Dynamic Programming
4.6. Analisis Pemecahan Masalah
Setelah dilakukan perhitungan peramalan dan penentuan jumlah produksi
serta jumlah persediaan yang optimal dengan menggunakan Metode Dynamic
Programming maka langkah selanjutnya yaitu melakukan analisa pemecahan
masalah. Analisa dilakukan untuk melihat berapa jumlah produksi optimum yang
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
harus diproduksi dengan memperhatikan jumlah persediaan. Penentuan jadwal
produksi dengan menggunakan Metode Dynamic Programming akan dapat
meminimasi biaya.
4.7. Kesimpulan dan Saran
Bab ini adalah penarikan kesimpulan hasil analisa dan interpretasi data.
Bagian ini dilengkapi dengan saransaran. Penarikan kesimpulan sangat berguna
dalam merangkum hasil akhir dari suatu penelitian selain sebagai landasan
rumusan strategi dan pengambilan keputusan bagi pihak perusahaan juga
digunakan sebagai bahan acuan penelitian selanjutnya.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
BAB V
PENGUMPULAN DAN PENGOLAHAN DATA
Untuk menyelesaikan suatu masalah, perlu adanya data yang berhubungan
dengan permasalahan baik data primer maupun data sekunder.
Data primer yaitu data yang diperoleh langsung dari pengamatan
penelitian, sedangkan data sekunder adalah data yang diperoleh dari dokumentasi-
dokumentasi yang telah dilakukan oleh orang lain seperti laporan penelitian,
literatur-literatur, laporan-laporan tahunan pada setiap instansi atau perusahaan.
5.1. Pengumpulan Data
Data yang dikumpulkan untuk menyelesaikan masalah dalam tulisan ini
adalah sebagai berikut:
1. Data hari kerja
Tabel 5.1. Data Hari Kerja Januari 2008 s/d Desember 2008 PT. Gold
Coin Indonesia-Medan Mill
No Bulan Jumlah (Hari)
1 Januari 22
2 Februari 20
3 Maret 21
4 April 22
5 Mei 23
6 Juni 20
7 Juli 23
8 Agustus 22
9 September 20
10 Oktober 22
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
11 November 22
12 Desember 22
Sumber: PT. Gold Coin Indonesia Medan-Mill
2. Kapasitas terpasang produksi per bulan
Kapasitas terpasang per bulan =(Jumlah hari kerja) x (Jumlah jam
kerja/hari) x (Kapasitas terpasang)
Tabel 5.2. Data Kapasitas Terpasang Januari 2008 s/d Desember 2008
PT. Gold Coin Indonesia-Medan Mill
No Bulan Kapasitas Terpasang (Ton)
1 Januari 10.560
2 Februari 9.600
3 Maret 10.080
4 April 10.560
5 Mei 11.040
6 Juni 9.600
7 Juli 11.040
8 Agustus 10.560
9 September 9.600
10 Oktober 10.560
11 November 10.560
12 Desember 10.560
Sumber: PT. Gold Coin Indonesia Medan-Mill
3. Elemen biaya simpan
Tabel 5.3. Data Elemen Biaya Simpan PT. Gold Coin Indonesia-
Medan Mill
No Jenis Biaya Jumlah (%)
1 Bunga modal investasi penyimpanan per tahun 12
2 Biaya pemeliharaan 2
3 Pencengahan kerusakan (prevention of deterioration) 1
4 Kerusakan (damage and deterioration) 1
5 Keusangan (obsolenscence) 2
6 Biaya pemindahan produk dan pencatatan 2
Jumlah 18
Sumber: PT. Gold Coin Indonesia Medan-Mill
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
4. Data penjualan produk PT. Gold Coin Indonesia-Medan Mill.
Tabel 5.4. Data Penjualan Pakan Ternak Bulan Januari-Desember 2008
pada PT. Gold Coin Indonesia-Medan Mill (Ton)
Bulan Jumlah (Ton)
Januari 7.062
Februari 7.860
Maret 6.849
April 7.928
Mei 7.328
Juni 6.368
Juli 7.100
Agustus 5.755
September 7.291
Oktober 4.388
November 5.579
Desember 4.914
Sumber: PT. Gold Coin Indonesia Medan-Mill
5. Data persentasi supply capacity
Tabel 5.5. Data Persentasi Supply Capacity pada Tahun 2008 di PT.
Gold Coin Indonesia Medan-Mill
Bulan Persentasi supply
capacity (%)
Januari 55
Februari 58
Maret 53
April 63
Mei 66
Juni 50
Juli 53
Agustus 70
September 62
Oktober 53
November 68
Desember 64
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Sumber: PT. Gold Coin Indonesia Medan-Mill
6. Data supply capacity per bulan
Supply capacity per bulan =Persentasi supply capacity x kapasitas
terpasang/jam x jam kerja efektif.
Hasil perhitungan supply capacity per bulan dapat dilihat pada tabel 5.6.
Tabel 5.6. Data supply capacity pada Tahun 2008 di PT. Gold Coin
Indonesia Medan-Mill
No Bulan Capacity supply per bulan
(Ton)
1 Januari 5.808,0
2 Februari 5.568,0
3 Maret 5.342,4
4 April 6.652,8
5 Mei 7.286,4
6 Juni 4.800,0
7 Juli 5.851,2
8 Agustus 7.392,0
9 September 5.952,0
10 Oktober 5.596,8
11 November 7.180,8
12 Desember 6.758,4
Sumber: PT. Gold Coin Indonesia Medan-Mill
7. Kapasitas gudang
Total persediaan produk jadi:
Jumlah produk =Area I +Area I +Area II +Area IV
Jumlah produk =816 ton +784 ton +232 ton +204 ton
=2.036 ton
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
PT. Gold Coin Indonesia-Medan Mill memiliki 7 bilik penyimpanan
produk jadi. Rata-rata 1 bilik penyimpanan memiliki daya tampung
sebesar:
1 bilik penyimpanan = ton
ton
291
7
306 . 2
=
Satu batches persediaan =tiga ton jumlah persediaan. Hasil perhitungan
rata-rata persediaan setiap gudang dapat dilihat pada Tabel 5.7.
Tabel 5.7. Hasil Perhitungan Rata-rata dan Jumlah Kumulatif Persediaan
Setiap Bilik Penyimpanan
No Bilik
penyimpanan
Rata-rata
Persediaan
(Ton)
Kumulatif
Persediaan
(Ton)
Rata-rata
Persediaan
(Batches)
Kumulatif
Persediaan
(Batches)
1 I 291 291 97 97
2 II 291 582 97 194
3 III 291 873 97 291
4 IV 291 1.164 97 388
5 V 291 1.455 97 485
6 VI 291 1.746 97 582
7 VII 291 2.037 97 679
8. Biaya produksi dan biaya simpan per ton
Tabel 5.8. Data Biaya Produksi dan Inventory pada Tahun 2008 di PT. Gold
Coin Indonesia Medan-Mill
No Keterangan Biaya (Rupiah)
1 Tenaga kerja Rp. 5.950
2 Bahan baku +bahan tambahan Rp. 2.717.888
3 Bahan penolong Rp. 44.379
4 Solar Rp. 18.150
5 Listrik Rp. 13.782
6 Inventory Rp. 52.500
Jumlah Rp. 2.852.649
Sumber: PT. Gold Coin Indonesia Medan-Mil
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
5.2. Pengolahan Data
Pengolahan data meliputi peramalan jumlah produk untuk satu tahun
mendatang serta menentukan jumlah produksi dan jumlah persediaan optimal
setiap bulan dengan menggunakan Metode Dynamic Programming.
5.2.1. Peramalan
Dari tabel 5.4 dapat dilakukan peramalan permintaan produk pakan ternak
untuk tahun 2009. Langkah-langkah peramalan yang dilakukan sebagai berikut:
1. Menentukan Tujuan Peramalan
Tujuan peramalan adalah untuk menentukan jumlah penjualan pakan
ternak
2. Pembuatan Scatter Diagram
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Diagram Pencar Permintaan Produk Pakan Ternak
PT. Gold Coin Indonesia Medan-Mill (2008)
0
2000
4000
6000
8000
10000
0 2 4 6 8 10 12 14
Bulan
J
u
m
l
a
h
P
e
r
m
i
n
t
a
a
n
(
T
o
n
)
Gambar 5.1. Scatter Diagram Permintaan Produk Pakan Ternak PT. Gold
Coin Indonesia Medan-Mill Tahun 2008
3. Memilih Metode Peramalan
Berdasarkan pola kecenderungan data pada scatter diagram diatas,
dipilih 3 metode peramalan yang akan digunakan yaitu:
1. Metode Eksponensial
2. Metode Kuadratis
3. Siklis
4. Perhitungan Parameter Peramalan
a. Metode Eksponensial
Fungsi peramalan : Y =ae
bx
Tabel 5.9. Perhitungan Parameter Peramalan untuk Metode Eksponensial
X Y X
2
ln Y X ln Y
1 7062 1 8,862484 8,862484
2 7860 4 8,969542 17,93908
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
3 6849 9 8,831858 26,49557
4 7928 16 8,978156 35,91262
5 7328 25 8,899458 44,49729
6 6368 36 8,759041 52,55424
7 7100 49 8,867850 62,07495
8 5755 64 8,657824 69,26259
9 7291 81 8,894396 80,04956
10 4388 100 8,386629 83,86629
11 5579 121 8,626765 94,89441
12 4914 144 8,499844 101,9981
78 78422 650 105,2338 678,4072
b =
( )
2
2
l n l n
X X n
Y X Y X n
= 2
) 7 8 ( ) 6 5 0 ( 1 2
) 2 3 , 1 0 5 ) ( 7 8 ( ) 4 0 7 2 , 6 7 8 ( 1 2
= - 0,039248
ln a =
n
X b Y
l n
=
1 2
) 7 ) ( 0 3 9 , 0 ( 2 3 3 8 , 1 0 5
=9,02459533
a = 8.304,853
Fungsi peramalannya adalah : Y =8.304,853e
x 03924825 . 0
b. Metode Kuadratis
Fungsi peramalan : Y = a + bx + cx
2
Tabel 5.10. Perhitungan Parameter Peramalan untuk Metode Kuadratis
X Y X
2
X
3
X
4
XY X
2
Y
1 7.062 1 1 1 7.062 7.062
2 7.860 4 8 16 15.720 31440
3 6.849 9 27 81 20.547 61.641
4 7.928 16 64 256 31.712 126.848
5 7.328 25 125 625 36.640 183.200
6 6.368 36 216 1.296 38.208 229.248
7 7.100 49 343 2.401 49.700 347.900
8 5.755 64 512 4.096 46.040 368.320
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
9 7.291 81 729 6.561 65.619 590.571
10 4.388 100 1.000 10.000 43.880 438.800
11 5.579 121 1.331 14.641 61.369 675.059
12 4.914 144 1.728 20.736 58.968 707.616
78 78.422 650 6.084 60.710 475.465 3.767.705
.
=
3 2
X n X X
= 78(650) 12(6084)
= -22.308
=
( )
2
2
X n X
= (78)
2
12(650)
= -1716
=
( )
4
2
2
X n X
= (650)
2
12(60.710)
= -306.020
=
X n Y X
= 78(78.422) 12(475.465)
= 411.336
=
Y X n Y X
2 2
= 650(78.422) 12(3.767.705)
= 5.761.840
b = 2
.
. .
= 2
) 3 0 . 2 2 ( ) 7 1 6 . 1 ( 0 2 0 . 3 0 6
) 3 . 2 2 ) ( 8 4 0 . 7 6 1 . 5 ( ) 3 3 6 . 4 1 1 ( 0 2 0 . 3 0 6
= -4.483,387
c =
b
=
0 2 0 . 3 0 6
) 3 . 2 3 ) ( 3 8 7 , 4 8 3 . 4 ( 8 4 0 . 7 1 6 . 5
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
= 322,796
a =
n
X c X b Y
2
=
1 2
) 6 ) ( 7 9 , 3 2 2 ( ) 7 8 ) ( 3 8 7 , 4 8 3 . 4 ( 4 2 2 . 7 8
=18192.38
Fungsi peramalannya adalah :
Y =18.192,38 4.483,387x +322,796x
2
c. Metode Siklis
Fungsi peramalan : Y = a + b sin
n
X 2
+ c cos
Tabel 5.11. Perhitungan Parameter Peramalan untuk Metode Siklis
X Y n
nX 2
sin
Y
n
nX 2
sin
n
nX 2
cos Y
n
nX 2
cos
n
nX 2
sin
n
nX 2
cos
n
nX 2
sin
2
n
nX 2
cos
2
1 7.062 0,500 3.531,000 0866 6.115,692 0,433 0,2500 0,7500
2 7.860 0,866 6.806,760 0,500 3.930,000 0,433 0,7500 0,2500
3 6.849 1,000 6.849,000 0,000 0.000 0,000 1,0000 0,0000
4 7.928 0,866 6.865,648 -0,500 -3.964,000 -0,433 0,7500 0,2500
5 7.328 0,500 3.664,000 -0,866 -6.346,048 -0,433 0,2500 0,7500
6 6.368 0,000 0,000 -1,000 -6.368,000 0,000 0,0000 1,0000
7 7.100 -0,500 -3.550,000 -0,866 -6.148,600 0,433 0,2500 0,7500
8 5.755 -0,866 -4.983,830 -0,500 -2.877,500 0,433 0.7500 0,2500
9 7.291 -1,000 -7.291,000 0,000 0.000 0,000 1,0000 0,0000
10 4.388 -0,866 -3.800,008 0,500 2.194,000 -0,433 0,7500 0,2500
11 5.579 -0,500 -2.789,500 0,866 4.831,414 -0,433 0,2500 0,7500
12 4.914 0,000 0,000 1,000 4.914,000 0,000 0,0000 1,0000
78 78.442 0,000 5.302,070 0,000 -3.719,042 0,000 5,9998 5,9998
Y
= na + b
n
X 2
s i n
+ c
n
X 2
c o s
78.442 = 12a + b(0) + c(0)
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
78.442 = 12a
a = 6.536,83
n
X
n
X
c
n
X
b
n
X
a
n
X
Y
2
c
2
s i n
2
s i n
2
s i n
2
s i n
2
5.302,070 = a (0) + b (5,9998) + c (0)
5.302,070 = 5,9998b
b = 883,708
n
X
c
n
X
n
X
b
n
X
a
n
X
Y
2
c o
2
c o s
2
s i n
2
c o s
2
c o s
2
-3.719,042 = a (0) + b (0) c (5,9998)
-3.719,042 = 5,9998c
c = -619,861
Fungsi peramalannya adalah :
Y =6.536,83 -883,708 sin
n
X 2
- 619,861 cos
n
X 2
5. Menghitung SEE
Perhitungan kesalahan menggunakan metode SEE (Standard Error of
Estimation) dengan menggunakan rumus sebagai berikut:
( )
f n
Y Y
S E E
=
2
'
Metode Eksponensial
Derajat kebebasan (f) =2
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Tabel 5.12. Perhitungan SEE untuk Metode Eksponensial
X Y Y' Y-Y' (Y-Y')2
1 7.062 7.985,216 -923,216 852.327,2
2 7.860 7.677,881 182,119 33.167,48
3 6.849 7.382,374 -533,374 28.488,00
4 7.928 7.098,241 829,7587 688.499,6
5 7.328 6.825,044 502,956 252.964,7
6 6.368 6.562,362 -194,362 37.776,44
7 7.100 6.309,789 790,211 624.432,9
8 5.755 6.066,938 -311,938 97.305,37
9 7.291 5.833,434 1.457,566 2.124.500
10 4.388 5.608,916 -1.220,92 1.490.637
11 5.579 5.393,040 185,9597 34.581,00
12 4.914 5.185,473 -271,473 73.697,53
Jumlah 78.422 77.928,708 493,2919 6.594.377
0 , 8 1
2 1 2
6 5 9 4
=
=
a l e k s p o n e n s i
S E E
Metode kuadratis
Derajat kebebasan (f) = 3
Tabel 5.13. Perhitungan SEE untuk Metode Kuadratis
X Y Y' Y-Y' (Y-Y')
2
1 7.062 14.031,789 -6.969,789 480.577.958,705
2 7.860 10.516,79 -2.656,790 7.058.533,104
3 6.849 7.647,383 -798,383 637.415,415
4 7.928 5.423,568 2.504,432 6.272.179,643
5 7.328 3.845,345 3.482,655 12.128.885,849
6 6.368 2.912,714 3.455,286 11.939.001,342
7 7.100 2.625,675 4.474,325 20.019.584,206
8 5.755 2.984,228 2.770,772 7.677.177.476
9 7.291 3.988,373 3.302,627 10.907.345,101
10 4.388 5.638,110 -1.250,110 1.562.775,012
11 5.579 7.933,439 -2.354,439 5.543.383,005
12 4.914 10.874,360 -5.960,360 35.525.891,330
Jumlah 78.422 78.421,774 0,226 167.850.130,186
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
3 1 2
0 , 1 6 7 .
=
k u a d r a t i s
S E E
= 4.318,566
Metode siklis
Derajat kebebasan (f) =3
Tabel 5.14. Perhitungan SEE untuk Metode Siklis
X Y Y' Y-Y' (Y-Y')
2
1 7.062 5.583,161 1.478,839 2.186.965,891
2 7.860 5.504,887 2.355,.113 5.546.556,335
3 6.849 5.703,122 1.145,878 1.313.036,391
4 7.928 6.124,748 1.803,252 3.251.717,081
5 7.328 6.656,791 671,209 450.521,021
6 6.368 7.156,691 -788,691 622.033,493
7 7.100 7.490,499 -390,499 152.489,760
8 5.755 7.568,773 -1.813,773 3.289.771,797
9 7.291 7.370,538 -79,538 6.326,293
10 4.388 6.948,912 -2.560,912 6.558.269,285
11 5.579 6.416,869 -837,869 702.023,836
12 4.914 5.916969 -1.002,969 1.005.946,815
13 78.422 78.441,960 -19,960 25.085.657,999
3 1 2
, 9 2 5 . 0 8
=
s i k l i s
S E E
= 1.669,519
Hasil rekapitulasi nilai SEE pada proses peramalan (forcasting) yaitu :
- Metode Eksponensial : 812,057
- Metode Kuadratis : 4.318,566
- Metode Skilis : 1.669,519
6. Pengujian hipotesa
Pengujian hipotesa dilakukan dengan mencari SEE yang terkecil yaitu metode
peramalan kuadratis dan siklis.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Ho : SEE eksponensial SEE siklis
Hi : SEE eksponensial SEE siklis
= 0.05
Uji statistik :
2 2
519 , 669 . 1
057 , 812
=
Siklis SEE
al Eksponensi SEE
F
hitung
=0,23
( )
= =
10 , 9 , 05 , 0
F F
tabel
3,02
t a b e h i t u n g
F F
maka Ho diterima
Kesimpulan : metode yang digunakan untuk meramalkan jumlah pakan
ternak di PT. Gold Coin Indonesia Medan-Mill adalah metode eksponensial
dengan fungsi peramalan sebagai berikut :
Y =8.304,853e
x 03924825 . 0
7. Tahap Verifikasi
Untuk mengetahui apakah pola peramalan cukup representatif maka
dilakukan proses verifikasi. Hasil Perhitungan verifikasi dapat dilihat pada Tabel
5.15.
Tabel 5.15. Perhitungan Nilai MR
X Y Y' Y-Y' MR
1 7.062 7.985,216 -923,216 -
2 7.860 7.677,881 182,1194 1.105,3354
3 6.849 7.382,374 -533,374 715,4934
4 7.928 7.098,241 829,7587 1.363,1327
5 7.328 6.825,044 502,956 326,8027
6 6.368 6.562,362 -194,362 697,318
7 7.100 6.309,789 790,2106 984,5726
0 0.23 3.23
Grafik Uji Hipotesis dengan Distribusi F
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
8 5.755 6.066,938 -311,938 1.102,1486
9 7.291 5.833,434 1.457,566 1.769,504
10 4.388 5.608,916 -1.220,92 278,486
11 5.579 5.393,040 185,9597 1.406,8797
12 4.914 5.185,473 -271,473 457,4327
13 78.422 77.928,708 493,2919 9749,8295
3 4 , 8 8 6
1 1
8 2 9 5 , 7 4 9 . 9
= =
M R
UCL =2,66 x
MR
=2,66 x 886,3481
=2.357,686
LCL =-2,66 x
MR
=-2,66 x 886,3481
=- 2.357,686
Dari perhitungan diatas maka dapat dibuat Peta Moving Range untuk
verifikasi peramalan dapat dilihat pada Gambar 5.2.
Peta Kendali Moving Avarage
-3000
-2000
-1000
0
1000
2000
3000
1 2 3 4 5 6 7 8 9 10 11 12
Periode
Y
-
Y
'
UCL
MR
Y-Y'
LCL
Gambar. 5.2. Peta Kendali pada Tahap Verifikasi
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Terlihat titik-titik berada dalam batas kontrol sehingga peramalan dengan
fungsi eksponensial memenuhi persyaratan.
8. Hasil peramalan
Metode yang terpilih untuk menentukan jumlah penjualan (output) produk
pakan ternak yang diproduksi oleh PT. Gold Coin Indonesia Medan-Mill adalah
metode eksponensial dengan hasil peramalan untuk tahun 2009 dapat dilihat pada
Tabel 5.16.
Tabel 5.16. Perkiraan Penjualan Tahun 2009
Bulan (2009) Perkiraan penjualan (Ton)
Januari 4.986
Pebruari 4.794
Maret 4.609
April 4.432
Mei 4.261
Juni 4.097
Juli 3.940
Agustus 3.788
September 3.642
Tabel 5.16. Perkiraan Penjualan..(Lanjutan)
Bulan (2009) Perkiraan penjualan (Ton)
Oktober 3.502
November 3.367
Desember 3.238
Total 48.658
5.2.2. Penentuan Produksi Optimal dengan Menggunakan Metode Dynamic
Programming.
1. Perhitungan Supply Capacity dan Demand Capacity
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Supply capacity perbulan diperoleh dari hasil perhitungan persentasi
supply capacity dikali dengan jumlah kapasitas terpasang/bulan.
Sedangkan demand capacity diperoleh dari permintaan hasil peramalan.
Hasil perhitungan supply capacity dan demand capacity secara lengkap
dapat dilihat pada Tabel 5.17
Tabel 5.17. Perhitungan Supply Capacity dan Demand Capacity
Bulan Supply capacity (Ton) Demand capacity (Ton)
Januari 5.808,0 4.986
Pebruari 5.568,0 4.794
Maret 5.342.4 4.609
April 6.652.8 4.432
Mei 7.286.4 4.261
Juni 4.800,0 4.097
Juli 5.851.2 3.940
Agustus 7.392,0 3.788
September 5.952,0 3.642
Oktober 5.596.8 3.502
November 7.180.8 3..367
Desember 6.758.4 3.238
Total 74.188,8 48.658
Dari Tabel 5.17 dapat dibuat supply capcity dan demand capacity dengan
menggunakan scatter diagram terlihat pada Gambar 5.3.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Hubungan Antara Supply Capacity dengan Demand Capacity
0
1000
2000
3000
4000
5000
6000
7000
8000
1 2 3 4 5 6 7 8 9 10 11 12
Periode Produksi
J
u
m
l
a
h
P
r
o
d
u
k
s
i
Supply Capacity
Demand Capacity
Gambar 5.3. Hubungan Antara Supply Capcity dan Demand Capacity
Dari Gambar 5.3. terlihat dengan jelas bahwa pada setiap bulan supply
capacity pakan ternak lebih besar dari demand capacity. Akibatnya akan terjadi
jumlah produksi yang berlebih. Untuk menyelesaikan masalah diatas dapat
menggunakan Metode Dynamic Programming.
2. Penentuan Jumlah Produksi dan Persediaan Optimal dengan
Menggunakan Metode Dynamic Programming
Metode Dynamic Programming merupakan salah satu teknik matematika
yang diaplikasikan kepada persoalan yang melibatkan keputusan berurutan yang
saling berkaitan dengan membagi masalah menjadi beberapa submasalah. Model
Dynamic Programming untuk perencanaan produksi dapat dilihat pada Gambar
5.4.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Periode (Bulan n)
-Persediaan akhir bulan
(I
n
)
-J umlah permintaan per
bulan (I
n
)
-J umlah Produksi Bulan
(X
n
)
-J umlah persediaan yang
dialokasikan (I
n
)
-J umlah Produksi optimal
Bulan n (Xn*)
-J umlah permintaan yang
dialokasikan (In*)
- Optimalisasi Biaya =
Periode (Bulan n-1)
{ }
( )
n n n
n
n n n n n n n
S X I f
S X I X f Min I f
+ +
+ =
1
*
) , ( ) (
-Persediaan akhir
bulan (I
n-1
)
-J umlah permintaan
per bulan (I
n-1
)
-J umlah Produksi Bulan
(I
n-1
)
-J umlah persediaan yang
dialokasikan (I
n-1
)
-Persediaan akhir bulan
(I
n-2
)
-J umlah permintaan per
bulan (I
n-2
)
-J umlah Produksi optimal
Bulan n-1 (Xn-1*)
-J umlah permintaan yang
dialokasikan (In-1*)
- Optimalisasi Biaya =
{ }
( )
1 1 1
2
*
1 1 1 1 1 1 1
) , ( ) (
+ +
+ =
n n n
n
n n n n n n n
S X I f
S X I X f Min I f
Gambar 5.4. Model Dynamic Programming dalam Menyelesaikan
Perencanaan Produksi
Penyelesaian perencanaan produksi optimal dengan menggunakan Metode
Dynamic Programming.
1. Perencanaan Produksi Bulan Januari-Desember
a. Dekomposisi: Persoalan Perencanaan produksi Bulan Januari-Desember
dipecah-pecah menjadi subpersoalan atau tahapan (stage) yang lebih
kecil dan berurutan. Tahapan yang dipecah terdiri dari stage Bulan
Januari, Februari, Maret, April, Mei, Juni, Juli, Agustus, September,
Oktober, November, dan Desember
b. Menentukan variabel masukan/status (state) pada setiap tahapan. State
pada setiap tahapan merupakan input ketahap berikutnya. State pada
Bulan J anuari-Desember dapat dilihat pada tabel 5.18.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Tabel 5.18. Variabel Masukan (State) Periode Januari-Desember
No Bulan State (Input) (Batches)
Demand
capacity
Supply
capacity
Daya tampung
gudang
1 Januari 1.662 1.936 679
2 Februari 1.598 1.856 679
3 Maret 1.536 1.781 679
4 April 1.477 2.218 679
5 Mei 1.420 2.429 679
6 Juni 1.366 1.600 679
7 Juli 1.313 1.950 679
8 Agustus 1.263 2.464 679
9 September 1.214 1.984 679
10 Oktober 1.167 1.866 679
11 November 1.122 2.394 679
12 Desember 1.079 2.253 679
PT. Gold Coin Indonesia-Medan Mill memiliki 7 bilik penyimpanan
produk jadi dan setiap bilik memiliki daya tampung sebesar :
97
7
679
= =
batches
perbilik gudang tampung Daya batches
Jumlah bilik penyimpanan produk jadi setiap bulan merupakan bilangan
integer dan nonnegatif yang dimulai dari 0, 1, ,7. Banyaknya jumlah
bilangan integer ditentukan berdasarkan banyaknya bilik penyimpanan
produk jadi. Kenaikan setiap jumlah persediaan ditentukan berdasarkan
rata-rata persediaan setiap bilik penyimpanan. Hasil perhitungan rata-rata
dan kumulatif jumlah persediaan setiap bilik dapat dilihat pada Tabel
5.19.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Tabel 5.19. Hasil Perhitungan Rata-rata Jumlah Persediaan dan
Kumulatif Jumlah Persediaan setiap Bilik Penyimpaan
No Jumlah Bilik
Penyimpanan
Rata-rata Jumlah Persediaan
Produk Jadi (Batches)
Kumulatif Persediaan
Produk Jadi (Batches)
1 0 0 0
2 1 97 97
3 2 97 194
4 3 97 291
5 4 97 388
6 5 97 485
7 6 97 582
8 7 97 679
c. Menentukan variabel keputusan.
- Menentukan alokasi jumlah produksi setiap bulan berdasarkan
kenaikan jumlah persediaan sebesar 97 batches
d. Menetapkan Fungsi Tujuan :
Tujuan: Min ) (
12
1
i i
n
X P
=
s.t. :
=
12
1 n
i
X =7
Bila ( ) Biaya Total X I f
n n n
= , maka dapat ditulis fungsi rekursif biaya
dengan persamaan sebagai berikut :
( ) ( )
+ =
+ =
12
1
) ( ,
n i
i i n n n n n
X P X P X I f
( ) ( ) { }
n n n
n
n n n n n n n
S X I f S X I X f M i n I f + + + = 1
*
, ) (
S.t. =
i S
n
n
x
i
S
e. Perhitungan jumlah produksi optimal dan jumlah persediaan produk jadi
optimal adalah sebagai berikut :
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
- Untuk Bulan Desember, n =0 ;
) (
*
0
i f
=0
- Untuk Bulan November, n =1.
Persediaan awal bulan ini terletak antara 0 dan 1
S
dengan tingkat
produksi sebesar 1
S
-1 membentuk persamaan sebagai berikut :
) ( ) , ( ) ( 0
*
1 1 1 1
*
1
i f S X i X f i f + + =
0 ) , ( ) (
1 1 1 1
*
1
+ + = S X i X f i f
, Untuk I =97, 194, 1
S
- Untuk Bulan Oktober, n =2, dengan total biaya sebesar :
) ( ) , ( ) (
2 2
1
*
2 2 2 1
*
2
S X i f S X i X f i f + + + =
- J ika PC =total biaya produksi sebanyak X n unit dan SC =total biaya
untuk menyimpan n
I
, biaya variabel produksi per batches sebesar
Rp. 8.400.447 dan biaya simpan sebesar Rp.157.500. Hubungan
produksi, persediaan dan biaya untuk Bulan Desember dapat
dihitung sebagai berikut :
Untuk n =1
- Jumlah produksi sebesar 2.253 batches dan jumlah persediaan 0
batches
- Biaya variabel produksi =Jumlah produksi pada periode 1 x
biaya variabel produksi per batches
=2.253 batches x Rp. 8.400.447
=Rp. 18.923.410.000
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
- Biaya simpan produk jadi =Jumlah produk yang disimpan pada
periode 1 x biaya simpan per
batches
=0 batches x Rp. 157.500
=0
Untuk n =2
- Jumlah produksi sebesar 2.156 batches dan jumlah persediaan 97
batches
- Biaya variabel produksi =Jumlah produksi pada periode 2 x
biaya variabel produksi per batches
=2.156 batches x Rp. 8.400.447
=Rp. 18.108.560.000
- Biaya simpan produk jadi =Jumlah produk yang disimpan pada
periode 2 x biaya simpan per
batches
=97 batches x Rp. 157.500
=Rp. 15.277.500
Untuk n =3
- Jumlah produksi sebesar 2.059 batches dan jumlah persediaaan
sebesar 194 batches
- Biaya variabel produksi =Jumlah produksi pada periode 3 x
biaya variabel produksi per batches
=2.059 batches x Rp. 8.400.447
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
=Rp. 17.324.280.000
- Biaya simpan produk jadi =Jumlah produk yang disimpan pada
periode 3 x biaya simpan per
batches
= 194 batches x Rp. 157.500
=Rp. 30.560.000
Untuk n =4
- Jumlah produksi sebesar 1.962 batches dan jumlah persediaan
sebesar 291 batches
- Biaya variabel produksi =Jumlah produksi pada periode 4 x
biaya variabel produksi per batches
=5.885 batches x Rp. 8.400.447
=Rp. 16.478.880.000
- Biaya simpan produk jadi =Jumlah produk yang disimpan pada
periode 4 x biaya simpan per
batches
=291 batches x Rp. 157.500
=Rp. 45.830.000
Untuk n =5
- Jumlah produksi sebesar 1.865 batches dan persediaan sebesar 388
batches
- Biaya variabel produksi =Jumlah produksi pada periode 5 x
biaya variabel produksi per batches
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
=1.865 batches x Rp. 8.400.447
=Rp. 15.664.030.000
- Biaya simpan produk jadi =Jumlah produk yang disimpan pada
periode 5 x biaya simpan per
batches
=388 batches x Rp. 157.500
=Rp. 61.110.000
Untuk n =6
- Jumlah produksi sebesar 1.768 batches dan persediaan sebesar 485
batches
- Biaya variabel produksi =Jumlah produksi pada periode 6 x
biaya variabel produksi per batches
=1.768 batches x Rp. 8.400.447
=Rp. 14.849.190.000
- Biaya simpan produk jadi =Jumlah produk yang disimpan pada
periode 6 x biaya simpan per
batches
=485 batches x Rp. 157.500
=76.390.000
Untuk n =7
- Jumlah produksi sebesar 1.671 batches dan jumlah persediaan
sebesar 582 batches
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
- Biaya variabel produksi =Jumlah produksi pada periode 7 x
biaya variabel produksi per batches
=1.671 batches x Rp. 8.400.447
=Rp. 14.034.350.000
- Biaya simpan produk jadi =Jumlah produk yang disimpan pada
periode 7 x biaya simpan per
batches
=582 batches x Rp. 157.500
=Rp. 91.670.000
Untuk n =8
- Jumlah produksi sebesar 1.574 batches dan persediaan sebesar 679
batches
- Biaya variabel produksi =Jumlah produksi pada periode 8 x
biaya variabel produksi per batches
=1.574 batches x Rp. 8.400.447
=Rp. 13.219.500.000
- Biaya simpan produk jadi =Jumlah produk yang disimpan pada
periode 8 x biaya simpan per
batches
=679 batches x Rp. 157.500
=Rp. 106.940.000
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Hasil perhitungan biaya variabel produksi dan biaya simpan untuk periode
satu sampai delapan dapat dilihat pada Tabel 5.20.
Tabel 5.20. Perhitungan Biaya Produksi dan Biaya Simpan
Periode
Produksi
(n)
Jumlah
Produksi
(Batches)
Total Biaya Variabel
Produksi (Jutaan
Rupiah)
Jumlah Persediaan
(Batches)
Total Biaya
Persediaan
(Jutaan Rupiah)
1 2.253 18.923,41 0 0,00
2 2.156 18.108,56 97 15,28
3 2.059 17.293,72 194 30,56
4 1.962 16.478,88 291 45,83
5 1.865 15.664,03 388 61,11
6 1.768 14.849,19 485 76,39
7 1.671 14.034,35 582 91,67
8 1.574 13.219,50 679 106,94
Pada Stage Desember jumlah produksi maksimum yang harus diproduksi
sebesar 2.253 batches dengan daya tampung gudang maksimum sebesar 679
batches. Untuk memenuhi permintaan konsumen, ada delapan periode produksi
yang dilakukan oleh perusahaan dengan mempertimbangkan banyaknya bilik
penyimpanan. Adapun proses perhitungan total biaya adalah sebagai berikut :
- Pada periode pertama untuk memenuhi permintaan sebesar 2.253 batches,
maka perusahaan harus memproduksi produk sebesar 2.253 batches dengan
catatan bahwa pada akhir bulan perencanaan tidak ada persediaan tersisa,
biaya untuk memproduksi 2.253 batches dengan persediaan jumlah persediaan
sebesar 0 sebagai berikut :
Total cost =production variable cost + holding cost
=Rp. 18.923,41 +0
=Rp. 18.923,41
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
- Pada periode kedua untuk memenuhi permintaan sebesar 2.156 batches, maka
perusahaan harus memproduksi sebanyak 2.156 batches, biaya untuk
memproduksi 2.156 batches dengan persediaan dengan jumlah persediaan
sebesar 97 batches sebagai berikut :
Total cost =production variable cost + holding cost
=Rp. 18.108,56 +Rp. 15,28
=Rp. 18.123,84
- Pada Periode ketiga untuk memenuhi permintaan sebesar 2.059 batches, maka
perusahaan harus memproduksi sebanyak 2.059 batches, biaya untuk
memproduksi 2.059 batches dengan jumlah persediaan sebesar 194 batches
sebagai berikut:
Total cost =production variable cost + holding cost
=Rp. 17.293,72 +Rp. 30,56
=Rp. 117.324,28
- Pada periode keempat untuk memenuhi permintaan sebesar 1.962 batches,
maka perusahaan harus memproduksi produk sebesar 1.962 batches, biaya
untuk memproduksi 1.962 batches dengan jumlah persediaan sebesar 291
batches sebagai berikut:
Total cost =production variable cost + holding cost
=Rp. 16.478,88 +Rp. 45.83
=Rp. 116.524,71
- Pada periode kelima untuk memenuhi permintaan sebesar 1.865 batches, maka
perusahaan harus memproduksi sebesar 1.865 batches, biaya untuk
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
memproduksi 1.865 batches dengan jumlah persediaan sebesar 388 batches
sebagai berikut :
Total cost =production variable cost + holding cost
=Rp. 15.664,03 +Rp. 61,11
=Rp. 15.725,14
- Pada periode keenam untuk memenuhi permintaan sebesar 1.768 batches,
biaya untuk memproduksi 1.768 batches dengan jumlah persediaan sebesar
485 batches sebagai berikut :
Total cost =production variable cost + holding cost
=Rp. 14.849,19 +Rp. 76,39
=Rp. 14.925,58
- Pada periode ketujuh untuk memenuhi permintaan sebesar 1.671 batches,
biaya untuk memproduksi 1.671 batches dengan jumlah persediaan sebesar
582 batches sebagai berikut :
Total cost =production variable cost + holding cost
=Rp. 14.034,35 +91,67
=Rp. 14.126,01
- Pada periode kedelapan untuk memenuhi permintaan sebesar 1.574 batches,
biaya untuk memproduksi 1.574 batches dengan jumlah persediaan sebesar
679 batches sebagai berikut :
Total cost =production variable cost + holding cost
=Rp. 13.219,50 +Rp. 106,94
=Rp. 13.329,45
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 1: Bulan Desember : ) ( ) , ( ) ( 0
*
1 1 1 1
*
1
i f S X i X f i f + + =
s.t. = 1.574 batches Xn 2.253 batches
Tabel 5.21. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan Desember
1
X
i
) (
1 1
*
1 1
S X i fo SC PC
X X
+ + + (Batches)
1.574 1.671 1.768 1.865 1.962 2.059 2.156 2.253
*
1
X (Batches) ) (
*
1
i f (Jutaan
Rupiah)
0
18.923,4 2.253 18.923,4
97
18.123,8 2.156 18.123,8
194
17.324,3 2.059 17.324,3
291
16.524,7 1.962 16.524,7
388
15.725,1 1.865 15.725,1
485
14.925,6 1.768 14.925,6
582
14.126,0 1.671 14.126,0
679 13.326,4
1.574 13.326,4
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 2: Bulan November : ) ( ) , ( ) (
2 2 2
1
*
2 2 2 2 2 2
*
2
S X I f S X I X f I f + + + =
s.t. = 1.715 batches Xn 2.394 batches
Tabel 5.22. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan November
X
2
i
) (
2 2 2
*
1 2 2
S X i f SC PC
X X
+ + + Batches)
1.715 1.812 1.909 2.006 2.103 2.200 2.297 2.394
*
2
X
(Batches)
) (
*
2
i f
(Jutaan Rupiah)
0
39.030,7 2.394 39.030,7
97
37.431,6 39.045,9 2.297 37.431,6
194
35.832,4 37.446,9 39.061,3 2.200
35.832.4
291
34.233,3 35.847,7 37.462,1 39.076,6 2.103
34.233,3
388
32.634,2 34.248,6 35.863,0 37.477,4 39.091,8 2.006 32.634,2
485
31.035,1 32.649,5 34.263,9 35.878,3 37.492,7 39.107,1 1.909 31.035,1
582
29.435,9 31.050,3 32.664,8 34.279,2 35.893,6 37.507,9 39.122,4 1.812 29.435,9
679
27.836,8 29.451,2 31.065,6 32.680,0 34.294,4 35.908,8 37.523,3 39.137,7 1.715 27.836,8
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 3: Bulan Oktober : ) ( ) , ( ) (
3 3 3
2
*
3 3 3 3 3 3
*
3
S X I f S X I X f I f + + + =
s.t. = 1.187 batches Xn 1.866 batches
Tabel 5.23. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan Oktober
3
X
i
) (
3 3 3
*
2 3 3
S X I f SC PC
X X
+ + + (Batches)
1.187 1.284 1.381 1.478 1.575 1.672 1.769 1.866
*
3
X
(Batches)
) (
*
3
i f
(Jutaan
Rupiah)
0
54.703,15 1.866
54.703,15
97
52.304,45 54.733,71 1.769 52.304,45
194
49.905,76 52.335,01 54.764,26 1.672 49.905,76
291
47.507,06 49.936,31 52.365,56 54.794,82 1.575
47.507,06
388
45.108,36 47.537,61 49.966,87 52.396,12 54.825,37 1.478 45.108,36
485
42.709,66 45.138,92 47.568,17 49.997,42 52.426,67 54.855,93 1.381 42.709,66
582
40.310,97 42.740,22 45.169,47 47.598,72 50.027,98 52.457,23 54.886,48 1.284 40.310,97
679
37.912,27 40.341,52 42.770,77 45.200,03 47.629,28 50.058,53 52.487,78 54.917,04 1.187 37.912,27
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 4: Bulan September : ) ( ) , ( ) (
4 4 4
3
*
4 4 4 4 4 4
*
4
S X I f S X I X f I f + + + =
s.t. = 1.305 batches Xn 1.984 batches
Tabel 5.24. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan September
4
X
i
) (
4 4 4
*
3 4 4
S X I f SC PC
X X
+ + + (Batches)
1.305 1.402 1.499 1.596 1.693 1.790 1.887 1.984
*
4
X
(Batches)
) (
*
4
i f
(Jutaan Rupiah)
0
71.369,64 1.984 71.369,64
97
68.171,37 71.415,47 1.887 68.171,37
194
64.973,11 68.217,21 71.461,30 1.790 64.973,11
291
61.774,85 65.018,94 68.263,04 71.507,14 1.693
61.774,85
388
58.576,58 61.820,68 65.064,78 68.308,87 71.552,97 1.596 58.576,58
485
55.378,32 58.622,42 61.866,51 65.110,61 68.354,70 71.598,80 1.499 55.378,32
582
52.180,06 55.424,15 58.668,25 61.912,34 65.156,44 68.400,54 71.644,63 1.402 52.180,06
679
48.981,79 52.225,89 55.469,99 58.714,08 61.958,18 65.202,27 68.446,37 71.690,47 1.305 48.981,79
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 5: Bulan Agustus : ) ( ) , ( ) (
5 5 5
4
*
5 5 5 5 5 5
*
5
S X I f S X I X f I f + + + =
s.t. = 1.785 batches Xn 2.464 batches
Tabel 5.25. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan Agustus
5
X
i
) (
5 5 5
*
4 5 5
S X I f SC PC
X X
+ + + (Batches)
1.785 1.882 1.979 2.076 2.173 2.270 2.367 2.464
*
5
X
(Batches)
) (
*
5
i f
(Jutaan Rupiah)
0
92.068,34 2.464
92.068,34
97
88.070,51 92.129,45 2.367
88.070,51
194
84.072,68 88.131,62 92.190,56 2.270
84.072,68
291
80.074,85 84.133,79 88.192,73 92.251,67 2.173
80.074,85
388
76.077,02 80.135,96 84.194,90 88.253,84 92.312,78 2.076
76.077,02
485
72.079,19 76.138,13 80.197,07 84.256,01 88.314,95 92.373.89 1.979
72.079,19
582
68.081,36 72.140,30 76.199,24 80.258,18 84.317,12 88.376,06 92.435,00 1.882
64.083,53
679
64.083,53 68.142,47 72.201,41 76.260,35 80.319,29 84.378,23 88.437,17 92.496,11 1.785
68.081,36
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 6: Bulan Juli : ) ( ) , ( ) (
6 6 6
5
*
6 6 6 6 6 6
*
6
S X I f S X I X f I f + + + =
s.t. =1.271 batches Xn 1.950 batches
Tabel 5.26. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan Juli
6
X
i
) (
6 6 6
*
5 6 6
S X I f SC PC
X X
+ + + (Batches)
1.271 1.368 1.465 1.562 1.659 1.756 1.853 1.950
*
6
X
(Batches)
) (
*
6
i f
(Jutaan Rupiah)
0
108.452,01 1.950 1.08452,01
97
108.528,40 103.654,60 1.853
108.528,40
194
98.857,22 103.731,00 108.604,80 1.756 9.8857,22
291
94.059,83 98.933,61 103.807,40 108.681,20 1.659 9.4059,83
388
89.262,43 94.136,21 99.010,00 103.883,80 108.757,60 1.562 8.9262,43
485
84.465,04 89.338,82 94.212,60 99.086,38 103.960,20 108.833,90 1.465 8.4465,04
582
79.667,64 84.541,42 89.415,21 94.288,99 99.162,77 104.036,60 108.910,30 1.368 7.9667,64
679
74.870,24 79.744,03 84.617,81 89.491,59 94.365,38 99.239,16 104.112,90 108.986,70 1.271 7.4870,24
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 7: Bulan Juni : ) ( ) , ( ) (
7 7 7
6
*
7 7 7 7 7 7
*
7
S X I f S X I X f I f + + + =
s.t. = 921 batches Xn 1.600 batches
Tabel 5.27. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan Juni
7
X
i
) (
7 7 7
*
6 7 7
S X I f SC PC
X X
+ + + (Batches)
921 1.018 1.115 1.212 1.309 1.406 1.503 1.600
*
7
X
(Batches)
) (
*
7
i f
(Jutaan Rupiah)
0
12.1892,73 1.600
121.892,73
97
116.295,80 12.1984,40 1.503 116.295,80
194
110.698,80 116.387,40 12.2076,10 1.406 110.698,80
291
105.101,80 110.790,50 116.479,10 12.2167,70 1.309
105.101,80
388
99.504,88 105.193,50 110.882,10 116.570,80 12.2259,40 1.212 99.504,88
485
93.907,92 99.596,55 105.285,20 110.973,80 116.662,40 12.2351,10 1.115 93.907,92
582
88.310,96 93.999,59 99.688,21 105.376,80 111.065,50 116.754,10 12.2442,70 1.018 88.310,96
679
82.714,00 88.402,63 94.091,25 99.779,88 105.468,50 111.157,10 116.845,80 12.2534,40 921 82.714,00
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 8: Bulan Mei : ) ( ) , ( ) (
8 8 8
7
*
8 8 8 8 8 8
*
8
S X I f S X I X f I f + + + =
s.t. = 1.750 batches Xn 2.429 batches
Tabel 5.28. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan Mei
8
X
i
) (
8 8 8
*
7 8 8
S X I f SC PC
X X
+ + + (Batches)
1.750 1.847 1.944 2.041 2.138 2.235 2.332 2.429
*
8
X
(Batches)
) (
*
8
i f
(Jutaan Rupiah)
0
142.294,61 2.429 142.294,61
97
135.898,10 142.401,60 2.332 135.898,10
194
129.501,60 136.005,00 142.508,50 2.235
129.501,60
291
123.105,00 129.608,50 136.112,00 142.615,40 2.138
123.105,00
388
116.708,50 123.212,00 129.715,40 136.218,90 142.722,40 2.041 116.708,50
485
110.312,00 116.815,40 123.318,90 129.822,40 136.325,90 142.829,30 1.944 110.312,00
582
103.915,50 110.418,90 116.922,40 123.425,90 129.929,30 136.432,80 142.936,30 1.847 103.915,50
679
97.518,92 104.022,40 110.525,90 117.029,30 123.532,80 130.036,30 136.539,70 143.043,20 1.750 97.518,92
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 9: Bulan April : ) ( ) , ( ) (
9 9 9
8
*
9 9 9 9 9 9
*
9
S X I f S X I X f I f + + + =
s.t. = 1.539 batches Xn 2.218 batches
Tabel 5.29. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan April
9
X
i
) (
9 9 9
*
8 9 9
S X I f SC PC
X X
+ + + (batches)
1.539 1.636 1.733 1.830 1.927 2.024 2.121 2.218
*
9
X
(Batches)
) (
*
9
i f
(Jutaan Rupiah)
0
160.924,0 2.218
160.924,0
97
153.727,9 161.046,2 2.121 153.727,9
194
146.531,8 153.850,1 161.168,4 2.024 146.531,8
291
139.335,7 146.654,0 153.972,4 161.290,7 1.927 139.335,7
388
132.139,6 139.457,9 146.776,3 154.094,6 161.412,9 1.830 132.139,6
485
124.943,5 132.261,9 139.580,2 146.898,5 154.216,8 161.535,1 1.733 124.943,5
582
117.747,4 125.065,8 132.384,1 139.702,4 147.020,7 154.339,0 161.657,3 1.636 117.747,4
679
110.551,4 117.869,7 125.188,0 132.506,3 139.824,6 147.142,9 154.461,2 161.779,5 1.539 110.551,4
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 10: Bulan Maret : ) ( ) , ( ) (
10 10 10
9
*
10 10 10 10 10 10
*
10
S X I f S X I X f I f + + + =
s.t. = 1.102 batches Xn 1.781 batches
Tabel 5.30. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan Maret
10
X
i
) (
10 10 10
*
9 10 10
S X I f SC PC
X X
+ + + (Batches)
1.102 1.199 1.296 1.393 1.490 1.587 1.684 1.781
*
10
X
(Batches)
) (
*
10
i f
(Jutaan Rupiah)
0
175.882,4 1.781 175.882,4
97
167.886,7 176.019,9 1.684 167.886,0
194
159.891,1 168.024,2 176.157,4 1.587 159.891,1
291
151.895,4 160.028,6 168.161,7 176.294,9 1.490 151.895,4
388
143.899,8 152.032,9 160.166,1 168.299,2 176.432,4 1.393 143.899,8
485
135.904,1 144.037,3 152.170,4 160.303,6 168.436,7 176.569,9 1.296 135.904,1
582
127.908,4 136.041,6 144.174,8 152.307,9 160.441,1 168.574,2 176.707,4 1.199 127.908,4
679
119.912,8 128.045,9 136.179,1 144.312,3 152.445,4 160.578,6 168.711,7 176.844,9 1.102 119.912,8
.
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 11: Bulan Februari : ) ( ) , ( ) (
11 11 11
10
*
11 11 11 11 11 11
*
11
S X I f S X I X f I f + + + =
s.t. = 1.856 batches Xn 1.177 batches
Tabel 5.31. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan Februari
11
X
i
) (
11 11 11
*
10 11 11
S X I f SC PC
X X
+ + + (Batches)
1.856 1.759 1.662 1.565 1.468 1.371 1.274 1.177
*
11
X
(Batches)
) (
*
11
i f
(Jutaan Rupiah)
0
191.473,6 1.177 191.473,6
97
182.678,4 191.626,4 1.274 182.678,4
194
173.883,2 182.831,2 191.779,2 1.371
173.883,2
291
165.088,0 174.036,0 182.984,0 191.932,0 1.468
165.088,0
388
156.292,7 165.240,7 174.188,7 183.136,7 192.084,7 1.565 156.292,7
485
147.497,5 156.445,5 165.393,5 174.341,5 183.289,5 192.237,5 1.662 147.497,5
582
138.702,3 147.650,3 156.598,3 165.546,3 174.494,3 183.442,3 192.390,3 1.759 138.702,3
679
129.907,1 138.855,1 147.803,1 156.751,1 165.699,1 174.647,1 183.595,1 192.543,1 1.856 129.907,1
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Stage 12: Bulan Januari : ) ( ) , ( ) (
12 12 12
11
*
12 12 12 12 12 12
*
12
S X I f S X I X f I f + + + =
s.t. = 1.257 batches Xn 1.936 batches
Tabel 5.32. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Bulan Januari
12
X
i
) (
12 12 12
*
121 12 12
S X I f SC PC
X X
+ + + (Batches)
1.257 1.354 1.451 1.548 1.645 1.742 1.839 1.936
*
12
X
(Batches)
) (
*
12
i f
(Jutaan Rupiah)
0
.
207.736,9 1.936 207.736,9
97
198.142,1 207.904,9 1.839 198.142,1
194
188.547,3 198.310,2 208.073,0 1.742
188.547,3
291
178.952,5 188.715,4 198.478,2 208.241,1 1.645
178.952,5
388
169.357,7 179.120,6 188.883,4 198.646,3 208.409,1 1.548 169.357,7
485
159.762,9 169.525,8 179.288,6 189.051,5 198.814,3 208.577,2 1.451 159.762,9
582
150.168,2 159.931,0 169.693,8 179.456,7 189.219,5 198.982,4 208.745,2 1.354 150.168,2
679
140.573,4 150.336,2 160.099,0 169.861,9 179.624,7 189.387,6 199.150,4 208.913,3 1.257 140.573,4
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Berdasarkan hasil perhitungan pada Tabel 5.21., 5.22., 5.23., 5.24., 5.25.,
5.26., 5.27., 5.28., 5.29., 5.30., 5.31., dan 5.32.dapat dibuat model lintasan periode
produksi Bulan Januari-Desember terlihat pada Gambar. 5.4.
Berdasarkan banyaknya lintasan periode produksi pada Bulan Januari-
Desember maka dapat diambil satu lintasan produksi yang memiliki biaya yang
paling minimum. Lintasan yang menjadi periode produksi pada Bulan ini adalah
lintasan1.574-1.715-1.187-1.305-1.785-1.271-921-1.750-1.539-1.102-1.856-
1.257. Hal ini berarti jumlah produksi pada setiap bulan ditentukan oleh besarnya
jumlah produk yang diproduksi pada setiap lintasa dapat dilihat pada tabel 5.33.
Tabel 5.33. Jumlah Prouksi Optimal pada Periode Perencanaan
No Periode Produksi Jumlah Poduksi (Batches)
1 Januari 1.257
2 Februari 1.856
3 Maret 1.102
4 April 1.539
5 Mei 1.750
6 Juni 921
7 Juli 1.271
8 Agustus 1.785
9 September 1.305
10 Oktober 1.187
11 November 1.715
12 Desember 1.574
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Sumber
5.594
5.885
5.303
5.012
6.176
6.467
6.758
4.721 5.144
5.435
5.726
6.017
6.308
6.599
6.890
7.181
3.560
3.851
4.142
4.433
4.724
5.015
5.306
5.597
3.915
4.206
4.497
4.788
5.079
5.370
5.661
5.952
5.335
5.646
5.937
6.228
6.519
6.810
7.101
7.392
3.814
4.105
4.396
4..687
4.978
5.269
5.560
5.851
2.763
3.054
3.345
3.636
3.927
4.218
4.509
4.800
5.249
5.540
5.831
6.122
6.413
6.704
6.995
7.286
4.616
4.907
5.198
5.489
5.780
6.071
6.362
6.653
3.305
3.596
3.887
4.178
4.469
4.760
5.051
5.342
3.531
3.822
4.113
4.404
4.695
4.986
5.277
5.568
3.771
4.062
4.353
4.649
4.935
5.226
5.717
5.808
Tujuan
Gambar 5.5. Lintasan Periode Produksi Bulan Januari-Desember
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository 2009
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
5.2.3. Perhitungan Stock Harian dalam 1 Minggu Perencanaan.
Prosedur perhitungan stock harian dengan menggunakan Metode Dynamic
Programming adalah sebagai berikut :
1. Dekomposisi:. Tahapan yang dipecah terdiri dari stage Hari Senin, Selasa,
Rabu, Kamis, Jumat , dan Sabtu.
2. Menentukan variabel masukan/status (state) pada setiap tahapan. State pada
setiap tahapan merupakan input ketahap berikutnya terdiri dari :
- Produksi : 96 batches
- Permintaan : 78 batches
- Persediaan : 176 batches
3. Menentukan variabel keputusan.
- Menentukan alokasi jumlah produksi setiap hari
4. Menetapkan Fungsi Tujuan :
Tujuan: Min ) (
6
1
i i
n
X P
=
s.t. :
=
6
1 n
i
X =16
Perhitungan stock harian dengan menggunakan perhitungan mundur
adalah sebagai berikut
1. Sabtu
- Persediaan akhir =176 batches
- Produksi =0
- Permintaan =78 batches
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan
Rencana Produksi, 2009.
USU Repository 2009
2. Jumat
- Persediaan akhir =98 batches
- Produksi =0
- Permintaan =78 batches
3. Kamis
- Persediaan akhir =20 batches
- Produksi =96 batches
- Permintaan =78 batches
4. Rabu
- Persediaan akhir =38 batches
- Produksi =96 batches
- Permintaan =78 batches
5. Selasa
- Persediaan akhir =66 batches
- Produksi =96 batches
- Permintaan =78 batches
6. Senin
- Persediaan akhir =84 batches
- Produksi =96 batches
- Permintaan =78 batches
Perhtiungan stock harian dengan menggunakan Metode Dynamic
Programming dapat dilihat pada tabel 5.34, 5.35., 5.36., 5.37., 3.58., 5.39.
Tabel 5.34. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Hari Sabtu
Xi *
0 1 1
f SC PC
X X
+ +
*
1
X
(Batches)
) (
*
1
i f
(Jutaan Rupiah
I 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96
0 0,0 0 0,0
11 52,1 6 52,1
22 104,3 12 104,3
33 165,4 18 156,4
44 208,5 24 208,5
55 260,7 30 260,7
66 312,8 36 312,8
77 364,9 42 364,9
88 417,1 48 417,1
99 469,2 54 469,2
110 521,4 60 521,4
121 573,5 66 573,5
132 625,6 72 625,6
143 677,8 78 677,8
154 729,9 84 729,9
165 782,0 90 782,0
176 831,2 96 834,2
Tabel 5.35. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Hari Jumat
Xi
) (
2 2 2
*
1 2 2
S X I f SC PC
X X
+ + +
*
2
X
(Batches)
) (
*
2
i f
(Jutaan Rupiah I 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96
0 0,0 0 0,0
7 52,1 51,5 6 51,5
14 104,3 103,6 103,0 12 103,0
21 156,4 155,8 155,1 154,5 18 154,5
28 208,5 207,9 207,3 206,7 206,0 24 206,0
35 260,7 260,0 259,4 258,8 258,2 257,5 30 257,5
42 312,8 312,2 311,6 310,9 310,3 309,7 309,0 36 309,0
49 364,9 364,3 363,7 363,1 362,4 361,8 361,2 360,5 42 360,5
56 417,1 416,5 415,8 415,2 414,6 413,9 413,3 412,7 412,0 48 412,0
63 469,2 468,6 468,0 467,3 466,7 466,1 465,4 464,8 464,2 463,5 54 463,5
70 521,4 520,7 520,1 519,5 518,8 518,2 517,6 516,9 516,3 515,7 515,1 60 515,1
77 573,5 572,9 572,2 571,6 571,0 570,3 569,7 569,1 568,4 567,8 567,2 566,6 66 566,6
84 625,6 625,0 624,4 623,7 623,1 622,5 621,8 621,2 620,6 620,0 619,3 618,7 618,1 72 618,1
91 677,8 677,1 676,5 675,9 675,2 674,6 674,0 673,3 672,7 672,1 671,5 670,8 670,2 669,6 78 669,6
98 729,9 729,3 728,6 728,0 727,4 726,7 726,1 725,5 724,9 724,2 723,6 723,0 722,3 721,7 721,1 84 721,1
105 782,0 781,4 780,8 780,1 779,5 778,9 778,2 777,6 777,0 776,4 775,7 775,1 774,5 773,8 773,2 772,6 90 772,6
112 834,2 833,5 832,9 832,3 831,6 831,0 830,4 829,8 829,1 828,5 827,9 827,2 826,6 826,0 825,3 824,7 824,1 96 824,1
Tabel 5.36. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Hari Kamis
Xi
) (
3 3 3
*
2 3 3
S X I f SC PC
X X
+ + +
*
3
X
(Batches)
) (
*
3
i f
(Jutaan Rupiah I 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96
0 0,0 0 0,0
2 51,5 50,7 6 50,7
4 103,0 102,2 101,4 12 101,4
6 154,5 153,7 152,9 152,2 18 152,2
8 206,0 205,2 204,4 203,7 202,9 24 202,9
10 257,5 256,7 255,9 255,2 254,4 253,6 30 253,6
12 309,0 308,2 307,4 306,7 305,9 305,1 304,3 36 304,3
14 360,5 359,7 358,9 358,2 357,4 356,6 355,8 355,0 42 355,0
16 412,0 411,2 410,4 409,7 408,9 408,1 407,3 406,5 405,7 48 405,7
18 463,5 462,7 461,9 461,2 460,4 459,6 458,8 458,0 457,2 456,5 54 456,5
20 515,1 514,2 513,4 512,7 511,9 511,1 510,3 509,5 508,7 508,0 507,2 60 507,2
22 566,6 565,8 564,9 564,2 563,4 562,6 561,8 561,0 560,2 559,5 558,7 557,9 66 557,9
24 618,1 617,3 616,5 615,7 614,9 614,1 613,3 612,5 611,7 611,0 610,2 609,4 608,6 72 608,6
26 669,6 668,8 668,0 667,3 666,4 665,6 664,8 664,0 663,2 662,5 661,7 660,9 660,1 659,3 78 659,3
28 721,1 720,3 719,5 718,8 718,0 717,1 716,3 715,5 714,7 714,0 713,2 712,4 711,6 710,8 710,0 84 710,0
30 772,6 771,8 771,0 770,3 769,5 768,7 767,8 767,0 766,2 765,5 764,7 763,9 763,1 762,3 761,5 760,8 90 760,8
32 824,1 823,3 822,5 821,8 821,0 820,2 819,4 818,5 817,7 817,0 816,2 815,4 814,6 813,8 813,0 812,3 811,5 96 811,5
Tabel 5.37. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Hari Rabu
Xi
) (
4 4 4
*
3 4 4
S X I f SC PC
X X
+ + +
*
4
X
(Batches)
) (
*
4
i f
(Jutaan Rupiah
I 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96
0 0,0 0 0,0
3 50,7 50,9 0 50,7
6 101,4 101,6 101,8 0 101,4
9 152,2 152,3 152,5 152,6 0 152,2
12 202,9 203,0 203,2 203,3 203,5 0 202,9
15 253,6 253,7 253,9 254,1 254,2 254,4 0 253,6
18 304,3 304,5 304,6 304,8 304,9 305,1 305,3 0 304,3
21 355,0 355,2 355,3 355,5 355,7 355,8 356,0 356,1 0 355,0
24 405,7 405,9 406,1 406,2 406,4 406,5 406,7 406,8 407,0 0 405,7
27 456,5 456,6 456,8 456,9 457,1 457,2 457,4 457,6 457,7 457,9 0 456,5
30 507,2 507,3 507,5 507,6 507,8 508,0 508,1 508,3 508,4 508,6 508,8 0 507,2
33 557,9 558,1 558,2 558,4 558,5 558,7 558,8 559,0 559,2 559,3 559,5 559,6 0 557,9
36 608,6 608,8 608,9 609,1 609,2 609,4 609,6 609,7 609,9 610,0 610,2 610,3 610,5 0 608,6
39 659,3 659,5 659,6 659,8 660,0 660,1 660,3 660,4 660,6 660,7 660,9 661,1 661,2 661,4 0 659,3
42 710,0 710,2 710,4 710,5 710,7 710,8 711,0 711,2 711,3 711,5 711,6 711,8 711,9 712,1 712,3 0 710,0
45 760,8 760,9 761,1 761,2 761,4 761,6 761,7 761,9 762,0 762,2 762,3 762,5 762,7 762,8 763,0 763,1 0 760,8
48 811,5 811,6 811,8 812,0 812,1 812,3 812,4 812,6 812,7 812,9 813,1 813,2 813,4 813,5 813,7 813,8 814,0 0 811,5
Tabel 5.38. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Hari Selasa
Xi
) (
5 5 5
*
4 5 5
S X I f SC PC
X X
+ + +
*
5
X
(Batches)
) (
*
5
i f
(Jutaan Rupiah I 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96
0 0,0 0 0,0
3 50,9 51,2 0 50,9
6 101,8 102,1 102,4 0 101,8
9 152,6 152,9 153,3 153,6 0 152,6
12 203,5 203,8 204,1 204,4 204,8 0 203,5
15 254,4 254,7 255,0 255,3 255,6 256,0 0 254,4
18 305,3 305,6 305,9 306,2 306,5 306,8 307,1 0 305,3
21 356,1 356,4 356,8 357,1 357,4 357,7 358,0 358,3 0 356,1
24 407,0 407,3 407,6 407,9 408,3 408,6 408,9 409,2 409,5 0 407,0
27 457,9 458,2 458,5 458,8 459,1 459,5 459,8 460,1 460,4 460,7 0 457,9
30 508,8 509,1 509,4 509,7 510,0 510,3 510,6 511,0 511,3 511,6 511,9 0 508,8
33 596,6 559,9 560,3 560,6 560,9 561,2 561,5 561,8 562,1 562,5 562,8 563,1 0 596,6
36 610,5 610,8 611,1 611,4 611,8 612,1 612,4 612,7 613,0 613,3 613,7 614,0 614,3 0 610,5
39 661,4 661,7 662,0 662,3 662,6 663,0 663,3 663,6 663,9 664,2 664,5 664,8 665,2 665,5 0 661,4
42 712,3 712,6 712,9 713,2 713,5 713,8 714,1 714,5 714,8 715,1 715,4 715,7 716,0 716,3 716,7 0 712,3
45 763,1 763,4 763,8 764,1 764,4 764,7 765,0 765,3 765,6 766,0 766,3 766,6 766,9 767,2 767,5 767,9 0 763,1
48 811,5 814,3 814,6 814,9 815,3 815,6 815,9 816,2 816,5 460,7 817,2 817,5 817,8 818,1 818,4 818,7 819,0 0 811,5
Tabel 5.39. Perhitungan Produksi Optimal dengan Menggunakan Metode Dynamic Programming pada Hari Senin
Xi
) (
6 6 6
*
5 6 6
S X I f SC PC
X X
+ + +
*
6
X
(Batches)
) (
*
6
i f
(Jutaan Rupiah I 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96
0 0,0 0 0,0
3 50,9 51,3 0 50,9
6 101,8 102,5 102,7 0 101,8
9 152,6 153,7 153,9 154,0 0 152,6
12 203,5 204,9 205,1 205,2 205,4 0 203,5
15 254,4 256,1 256,3 256,4 256,6 256,7 0 254,4
18 305,3 307,3 307,5 307,6 307,8 307,9 308,1 0 305,3
21 356,1 358,5 358,6 358,8 359,0 359,1 359,3 359,4 0 356,1
24 407,0 409,7 409,8 410,0 410,2 410,3 410,5 410,6 410,8 0 407,0
27 457,9 460,9 461,0 461,2 461,3 461,5 461,7 461,8 462,0 462,1 0 457,9
30 508,8 512,1 512,2 512,4 512,5 512,7 512,8 513,0 513,2 513,3 513,5 0 508,8
33 596,6 563,2 563,4 563,6 563,7 563,9 564,0 564,2 564,4 564,5 564,7 564,8 0 596,6
36 610,5 614,4 614,6 614,8 614,9 615,1 615,2 615,4 615,5 615,7 615,9 616,0 616,2 0 610,5
39 661,4 665,6 665,8 665,9 666,1 666,3 666,4 666,6 666,7 666,9 667,0 667,2 667,4 667,5 0 661,4
42 712,3 716,8 717,0 717,1 717,3 717,5 717,6 717,8 717,9 718,1 718,2 718,4 718,6 718,7 718,9 0 712,3
45 763,1 768,0 768,2 768,3 768,5 768,6 768,8 769,0 769,1 769,3 769,4 769,6 769,7 769,9 770,1 770,2 0 763,1
48 811,5 819,2 819,4 819,5 819,7 819,8 820,0 820,1 820,3 820,5 820,6 820,8 820,9 821,1 821,2 821,4 821,6 0 811,5
BAB VI
ANALISIS PEMECAHAN MASALAH
6.1. Analisa Hubungan Peramalan dan Penentuan Jumlah Produksi
Optimal dengan Menggunakan Metode Dynamic Programming.
Peramalan permintaan merupakan tingkat permintaan produk-produk yang
diharapkan akan terealisir untuk jangka waktu tertentu pada masa yang akan
datang. Peramalan permintaan ini akan menjadi masukan yang sangat penting
dalam keputusan perencanaan dan pengendalian perusahaan.
Tanpa perhitungan peramalan permintaan untuk 12 periode yang akan
datang, maka tidak akan dapat dihitung jumlah produksi optimum tiap periode
untuk 12 periode yang akan datang, karena hasil peramalan tersebut merupakan
ketentuan jumlah produksi yang harus dipenuhi untuk setiap periodenya (tiap
bulannya)
6.2. Penentuan Jadwal Produksi dan Jumlah Produksi Optimal dengan
Memperhatikan Ketersediaan Persediaan untuk Setiap Periode.
Metode Dynamic Programming merupakan merupakan prosedur matematis yang
terutama dirancang untuk memperbaiki efisiensi perhitungan masalah yang lebih
kecil. Dynamic Programming tersebut menjawab masalah dalam tahap-tahap yang
disertai dengan berbagai kombinasi perhitungan. Dari berbagai kombinasi
tersebut akan didapat nilai optimal yang akan digunakan sebagai input ketahap
selanjutnya. Hasil perhitungan produksi optimal dapat dilihat pada tabel 6.1
Dari perhitungan rekapitulasi tabel 6.1. dapat diambil keputusan untuk
membuat rekapitulasi produksi optimal pada berbagai horizon perencanaan
dengan memperhatikan total biaya produksi dan biaya persedian yang paling
minimum. Jadwal produksi optimal setiap periode dapat dilihat pada tabel 6.2.
Tabel 6.2. Jumlah Biaya Produksi Menggunakan Penjadwalan Produksi
No Bulan Produksi
(Batches)
Jumlah Persediaan
(Batches)
Total Biaya Produksi
(Jutaan Rupiah)
1 Januari 1.574 679 16.263,27
2 Febuari 1.715 679 15.591,23
3 Maret 1.187 679 14.959,52
4 April 1.305 679 18.628,83
5 Mei 1.785 679 20.403,01
6 Juni 1.271 679 13.440,72
7 Juli 921 679 16.384,23
8 Agustus 1.750 679 20.698,70
9 September 1.539 679 16.666,49
10 Oktober 1.102 679 15.671,87
11 November 1.865 679 20.107,31
12 Desember 1.257 679 18.924,53
Jumlah 207.739,69
J ika perusahaan tidak menggunakan sistem penjadwalan produksi maka
perusahaan akan mengeluarkan biaya produksi sebesar dapat dilihat pada tabel
6.3.
Tabel 6.3. Jumlah Biaya Produksi Tanpa Menggunakan Penjadwalan
Produksi
No Bulan Produksi
(Batches)
Total Biaya Produksi
(Jutaan Rupiah)
1 Januari 1.936 16.263,27
2 Febuari 1.856 15.591,23
3 Maret 1.781 14.959,52
4 April 2.218 18.628,83
5 Mei 2.429 20.403,01
6 Juni 1.600 13.440,72
Tabel 6.3. Jumlah Biaya Produksi Tanpa (Lanjutan)
No Bulan Produksi
(Batches)
Total Biaya Produksi
(Jutaan Rupiah)
1 Juli 1.950 16.384,23
2 Agustus 2.464 20.698,70
3 September 1.984 16.666,49
4 Oktober 1.866 15.671,87
5 November 2.394 20.107,31
6 Desember 2.253 18.924,53
Jumlah 140.573,92
Sebagai tahap perbadingan apakah perusahaan mengalami penghematan
biaya atau tidak jika perusahaan membuat suatu jadwal produksi. Hasil
perhitungan biaya dapat dilihat pada uraian berikut ini :
Dari tabel diatas akan didapat persentasi penghematan biaya jika
perusahaan menggunakan kebijkasanaan yang pertama (produksi dengan
penjadwalan)
n penjadwala pa Biaya
penjdwalan dengan Biaya n penjadwala pa Biaya
Biaya Penghema
tan
tan
tan
=
% 33 , 32 % 100
69 , 739 . 207
92 , 573 . 140 69 , 739 . 207
tan =
= x Biaya Penghema
Dari hasil perhitungan diatas terlihat bahwa jika perusahaan mengambil
kebijakan yang pertama (produksi tanpa penjadwalan) maka perusahaan akan
mengeluarkan biaya yang cukup tinggi. Sedangkan jika perusahaan mengambil
kebijakan yang kedua (produksi dengan penjadwalan) maka perusahaan akan
mengalami penghematan biaya yang cukup tinggi dengan rata-rata persentase
penghematan biaya per bulan sebesar 32.33%.
Tabel 6.1. Rekapitulasi Perencanaan Produksi Per bulan
Xi
i
Periode Produksi
Desember November Oktober September Agustus Juli
) (
*
1
i x
(Batches)
) (
*
1
i f
(Jutaan
Rupiah)
) (
*
2
i x
(Batches)
) (
*
2
i f
(Jutaan
Rupiah)
) (
*
3
i x
(Batches)
) (
*
3
i f
(Jutaan
Rupiah)
) (
*
4
i x
(Batches)
) (
*
4
i f
(Jutaan
Rupiah)
) (
*
5
i x
(Batches)
) (
*
5
i f
(Jutaan
Rupiah)
) (
*
6
i x
(Batches)
) (
*
6
i f
(Jutaan
Rupiah)
0 2.253 18.923,4 2.394 39.030,7 1.866 54.703,15 1.984 71.369,64 2.464 92.068,34 1.950 1.08452,01
97 2.156 18.123,8 2.297 37.431,6 1.769 52.304,45 1.887 68.171,37 2.367 88.070,51 1.853 108.528,40
194 2.059 17.324,3 2.200 35.632,4 1.672 49.905,76 1.790 64.973,11 2.270 84.072,68 1.756 98.857,22
291 1.962 16.524,7 2.103 34.233,3 1.575 47.507,06 1.693 61.774,85 2.173 80.074,85 1.659 94.059,83
388 1.865 15.725,1 2.006 32.634,2 1.478 45.108,36 1.596 58.576,58 2.076 76.077,02 1.562 89.262,43
485 1.768 14.925,6 1.909 31.035,1 1.381 42.709,66 1.499 55.378,32 1.979 72.079,19 1.465 84.465,04
582 1.671 14.126,0 1.812 29.435,9 1.284 40.310,97 1.402 52.180,06 1.882 64.083,53 1.368 79.667,64
679 1.574 13.326,4 1.715 27.836,8 1.187 37.912,27 1.305 48.981,79 1.785 68.081,36 1.271 74.870,24
Xi
1
Periode Produksi
Juni Mei April Maret Februari Januari
) (
*
7
i x
(Batches)
) (
*
7
i f
(Jutaan
Rupiah)
) (
*
8
i x
(Batches)
) (
*
8
i f
(Jutaan
Rupiah)
) (
*
9
i x
(Batches)
) (
*
9
i f
(Jutaan
Rupiah)
) (
*
10
i x
(Batches)
) (
*
10
i f
(Jutaan
Rupiah)
) (
*
11
i x
(Batches)
) (
*
11
i f
(Jutaan
Rupiah)
) (
*
12
i x
(Batches)
) (
*
12
i f
(Jutaan
Rupiah)
0
1.600
121.892,73 2.429 142.294,61 2.218
160.924,0 1.781 175.882,4 1.177 191.473,6 1.936 207.736,9
97 1.503 116.295,80 2.332 135.898,10 2.121 153.727,9 1.684 167.886,0 1.274 182.678,4 1.839 198.142,1
194 1.406 110.698,80 2.235 129.501,60 2.024 146.531,8 1.587 159.891,1 1.371 173.883,2 1.742 188.547,3
291 1.309 105.101,80 2.138 123.105,00 1.927 139.335,7 1.490 151.895,4 1.468 165.088,0 1.645 173.952,5
388 1.212 99.504,88 2.041 116.708,50 1.830 132.139,6 1.393 143.899,8 1.565 156.292,7 1.548 169.357,7
485 1.115 93.907,92 1.944 110.312,00 1.733 124.943,5 1.296 135.904,1 1.662 147.497,5 1.451 159.762,9
582 1.018 88.310,96 1.847 103.915,50 1.636 117.747,4 1.199 127.908,4 1.759 138.702,3 1.354 150.168,2
679 921 82.714,00 1.750 97.518,92 1.539 110.551,4 1.102 119.912,8 1.856 129.907,1 1.257 140.573,4
BAB VII
KESIMPULAN DAN SARAN
7.1. Kesimpulan
Setelah dilakukan tahap pengolahan data dan menganalisa hasilnya, maka
dapat diambil kesimpulan sebagai berikut:
1. Pola permintaan terbaik yang digunakan dalam peramalan permintaan produk
pakan ternak di PT. Gold Coin Indonesia pada periode mendatang adalah pola
permintaan eksponesial, dengan persamaan peramalan:
'
Y =
8.304,853e
x 03924825 . 0
2. Dengan pola peramalan eksponensial didapat jumlah permintaan pakan ternak
untuk periode Januari-Desember 2009. Hasil peramalan permintaan produk
pakan ternak dapat dilihat pada Tabel 7.1.
Tabel 7.1 Perkiraan Penjualan Tahun 2009
Bulan (2009)
Perkiraan penjualan
(Ton)
Perkiraan penjualan
(Batches)
Januari 4.986 1.662
Pebruari 4.794 1.598
Maret 4.609 1.536
April 4.432 1.477
Mei 4.261 1.420
Juni 4.097 1.366
Juli 3.940 1.313
Agustus 3.788 1.263
September 3.642 1.214
Oktober 3.502 1.167
November 3.367 1.122
3. Rekapitulasi jumlah produksi optimal pada setiap periode yang diperoleh
dengan menggunakan Metode Dynamic Programming dapat dilihat pada
Tabel 7.2.
Tabel 7.2. Rekapitulasi Jadwal Produksi Optimal pada Setiap Bulan
No Bulan Jumlah Produksi
(Batches)
Jumlah Persediaan
Produk Jadi (Batches)
1 Januari 1.574 679
2 Febuari 1.715 679
3 Maret 1.187 679
4 April 1.305 679
5 Mei 1.785 679
6 Juni 1.271 679
7 Juli 921 679
8 Agustus 1.750 679
9 September 1.539 679
10 Oktober 1.102 679
11 November 1.865 679
12 Desember 1.257 679
4. Perusahaan akan mengalami penghematan biaya yang cukup tinggi jika
perusahaan menggunakan sistem penjadwalan produksi pada setiap
periodenya. Rata-rata penghematan biaya yang diperoleh oleh pihak
perusahaan jika perusahaan menerapkan sistem penjadwalan produksi sebesar
32,33% per bulan
7.2. Saran
1. Perusahaan sebaiknya melakukan peramalan permintaan produk untuk
periode-peiode mendatang, hal ini disebabkan peramalan merupakan salah
satu variabel masukan didalam menentukan jumlah produksi optimum
selama periode perencanaan.
2. Perusahaan sebaiknya membuat sistem penjadwalan produksi untuk dapat
menentukan jumlah produksi yang optimal sehingga dapat menanggulangi
terjadinya kelebihaan dan kekurangan jumlah produksi.
3. Diharapkan perusahaan dapat menggunakan Metode Dynamic Programming
sebagai solusi optimal dalam penetuan jumlah produksi karena dengan
menggunakan metode ini akan didapat jalur optimal dari banyak jalur yang
disediakan.
DAFTAR PUSTAKA
1. Assuary, Sofyan Drs., Manajemen Produksi, Edisi Ketiga, Lembaga
Fakultas Ekonomi, Universitas Indonesia, Jakarta, 1978
2. Buffa, Ellwod, Operation Management, Problem and Models, Third
Edition, University of California, A willey/Hamilton Publication.
3. Kusuma, Hendra, Manajemen Produksi, Perencanaan dan Pengendalian
Produksi, Yogyakarta, Andi Yogyakarta, 1999.
4. Nasution, Arman Hakim, Perencanaan dan Pengendalian Produksi, Edisi
Pertama, Surabaya, Guna Widya, 1999.
5. Scroeder, Roger. G, Operation Managemen, Fourth Edition, University of
Minnesota, Mc Graw Hill International, 1993.
6. Sistem Produksi, Laboratorium, Manajemen Produksi, In Country Short-
Term Training Non Degree Tarining Program, J urusan Teknik Industri-
ITB, Bandung, 1985.
7. Siagian, P, Penelitian Operasional, Teori dan Paraktek, Cetakan Pertama,
UI Press, Jakarta, 1987.
8. Taha, Hamdy A, Riset Operasi, Binarupa Aksara, Jakarta, 1996.