Anda di halaman 1dari 58

BAB I

PENDAHULUAN
1.1 LATAR BELAKANG MASALAH
Berkembangnya dunia industri manufaktur saat ini semakin pesat
dan persaingan antar perusahaan semakin tinggi. Oleh sebab itu, setiap
perusahaan berusaha untuk memenuhi permintaan konsumen dengan
cara produksi yang efesien dan ekonomis. Produksi yang efesien
ekonomis dapat

di wujudkan dengan perancangan

dan

dan pengendalian

produksi yang baik. Pada pembuatan rencana produksi diperlukan data


tentang jumlah permintaan akan suatu item yang diproduksi. Setelah
terdapat data permintaan, tahap selanjutnya yaitu melakukan peramalan.
Pada tahap peramalan akan dijadikan sebagai patokan untuk menentukan
kebijakan pada masa yang akan datang. Pada tahapan tersebut akan
menentukan beberapa nilai kebutuhan dalam kegiatan operasional yaitu
berupa jumlah inventori, kapasitas produksi dan kebutuhan material. Pada
tahapan ini akan ditemuakan perbedaan antara data peremalan dan data
permintaan aktual, perbedaan ini disebut error. Semakin kecil nilai error
maka keakuratan metode peramalan semakin besar.
Pemenuhan perencanaan proses produksi perlu memperhatikan
biaya

yang dihasilkan. Biaya pada proses produksi berupa biaya tenaga

kerja, inventori, dan lain lain. Pada proses produksi diperlukan overtime dan
sub kontrak jika kapasitas produksi dalam waktu kerja normal tidak dapat
memenuhi permintaan.
Nilai permintaan yang dihasilakan pada tahap peramalan akan
digunakan pada pembuatan MPS (Master Production Schedule ). Pada
tahap ini akan didapatkan jumlah inventori yang ada, jumlah produksi yang
harus dibuat dan juga jumlah pemesanan yang harus

dilakukan

agar

pemintaan terpenuhi akibat ketersediaan stock dan kapasitas produksi.

1.2 TUJUAN PRAKTIKUM


Tujuan dari praktikum perencanaaan dan pengendalian produksi ini
adalah :
a.

Memahami konsep rencana produksi dan permintaan pasar terhadap


produk yang diuji.

b.

Mampu mengimplementasikan konsep-konsep perencanaan produksi.

c.

Memahami konsep perencanaan

produksi khususnya Jadwal Induk

Produksi.
d.

Memahami dan mampu mengimplementasikan Jadwal Induk Produksi.

BAB II
LANDASAN TEORI
2.1 PERAMALAN FORECASTING
Peramanalan atau juga dengan forecasting adalah analisis kebutuhan
yang bertujuan untuk melihat atau memperkirakan prospek ekonomi atau
kegiatan usaha serta pengaruh lingkungan terhadap prospek tersebut dimasa
yang akan dating. Setiap kebijakan ekonomi maupun kebijakan perusahaan
tidak akan lepas dari usaha untuk meningkatkan kesejahteraan masyarakat atau
meningkatkan keberhasilan perusahaan untuk mencapai tujuannnya pada masa
yang akan datang dimana kebijakan tersebut dilaksanakan. Usaha untuk
melihat dan mengkaji situasi dan kondisi tersebut tidak terlepas dari kegiatan
peramalan.
Peramalan dibutuhkan karena adanya perbedaan waktu antara
kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu kebijakan
tersebut. Maka dalam menentukan kebijaksanaan, perlu diperkirakan
kesempatan ataupun peluang yang ada, dan ancaman yang mungkin
menghalang.
2.1.1 Prinsip-prinsip Peramalan
Dalam melakukan peramalan, terdapat 5 prinsip peramalan yang
baik yaitu:
1. Peramalan mengakibatkan kesalahan (error). Peramalan tidak
menghilangkan ketidakpastian tetapi hanya mengurangi kerugiannya.
2. Peramalan sebaiknya memakai tolak ukur kesalahan peramalan.
3. Peramalan family produk lebih akurat daripada peramalan produk
individu (item).
4. Peramalan jangka pendek lebih akurat dari peramalan jangka panjang.
5. Jika dimungkinkan hitung permintaan dari peramalan permintaan.
3

2.2 KATEGORI DARI PERAMALAN


2.2.1 Peramalan Kualitatif
Seperti namanya, peramalan ini dihasilkan dari informasi dan
tidak mempunyai struktur yang baik. Peramalan ini dilakukan apabila
tidak terdapat sebelumnya sebagai pola peramalan. Ada beberapa
karakteristik dari peramlan secara kualitatif.
1.

Peramlan biasanya berdasarkan dari penilaian seseorang atau


berdasarkan data dari pihak luar.

2.

Peramalan kualitatif lebih cenderung bersifat subjektif, peramalan


tersebut cenderung dikembangkan dari pengalaman orang yang ada
di bidang tersebut.

3.

Keuntungan dari metode ini adalah dapat dilakukan dan


menghasilkan hasil peramalan dengan cepat.

4.

Dalam beberapa kasus, peramalan kualitatif bias sangat penting


karena dapat menjadi satu-satunya metode yang tersedia.

5.

Metode tersebbut biasanya digunakan untuk satu produk atau satu


jenis produk jarang digunakan untuk meramalkan seluruh kebutuhan
pasar.

2.2.2 Peramalan Kuantitatif


Metode kuantitatif secara garis besar dapat dikelompokan
menjadi 2, yaitu :
1.

Peramalan kuantitatif sebab akibat (Casual)

Metode ini juga disebut sebagai metode korelasi dimana metode


peramalan yang didasarkan pada penggunaan analisis pola hubungan
antara variabel yang akan diperkirakan dengan variabel lain yang
mempengaruhinya yang bukan waktu.
2.

Peramalan kuantitatif deret waktu (Time Series)

Metode time series adalah metode yang dipergunakan untuk


menganalisis srangkaian data yang merupakan fungsi dari waktu. Metode
ini mengasumsikan beberapa pola atau kombinasi pola selalu berulang
sepanjang waktu dan dasarnya dapat diidentifikasi semata-mata atas
dasar data historis dari serial itu.
Dengan analisis deret waktu dapat ditunjukkan bagaimana
permintaan terhadap suatu produk tertentu bervariasi terhadap waktu.
Sifat dari perubahan permintaan dari tahun ke tahun dirumuskan
untuk meramalkan penjualan pada masa yang akan datang.
Kebanyakan model peramalan deret waktu untuk dapat
memodelkan secara matematis berdasarkan dari pola data masa lalu. Ada
beberapa pola permintaan yang mempengaruhi analisis dari peramalan
kuantitatif:
a)

Pola Siklis (Cycle)


Penjualan produk

dapat memiliki siklus

secara periodik. Banyak produk

dipengaruhi

yang berulang
pola pergerakan

aktivitas ekonomi yang terkadang memiliki kecenderungan periodik.


Komponen siklis ini sangat berguna dalam peramalan jangka menengah.
Pola data ini terjadi bila data memiliki kecendrungan untuk naik
atau turun terus-menerus. Pola data dalam bentuk trend ini digambarkan
sebagai berikut:

Gambar 2.1 Bentuk siklis

b) Pola Musiman (seasonal)


Perkataan musim

menggambarkan pola

penjualan yang

berulang setiap periode. Komponen musim dapat dijabarkan ke dalam


faktor cuaca, libur, atau kecenderungan perdagangan. Pola musiman
berguna dalam meramalkan penjualan dalam jangka pendek.
Pola data ini terjadi bila nilai data sangat dipengaruhi oleh
musim, misalnya permintaan bahan baku jagung untuk makanan ternak
ayam pada pabrik pakan ternak selama satu tahun. Selama musim panen
harga jagung akan menjadi turun karena jumlah jagung yang dibutuhkan
tersedia dalam jumlah yang besar. Pola data musiman dapat digambarkan
sebagai berikut:

Gambar 2.2 Bentuk musiman

c)

Pola Horizontal
Pola data ini terjadi apabila nilai data berfluktuasi disekitar nilai

rata-rata. Adapun bentuk dari pola ini adalah:

Gambar 2.3 Bentuk horizontal

d) Pola Trend
Pola data ini terjadi bila data memiliki kecenderungan untuk
naik atau turun terus menerus. Pola data dalam bentuk trend ini dapat
digambarkan sebagai berikut :

Gambar 2.4 Bentuk trend

2.3 METODE PERAMALAN


Metode peramalan dapat dilakukan dengan beberapa metode, seperti
metode double moving average, double exponential smoothing brown, double
exponential smoothing holt, dan regresi linier.
2.3.1 Double Moving Average
Menentukan ramalan dengan metode double moving averages
sedikit lebih sulit dibandingkan dengan single moving averages.
Ada beberapa langkah dalam menentukan ramalan dengan metode
double moving averages, antara lain sebagai berikut.
a) Menghitung moving average/rata-rata bergerak pertama, diberi
simbol

S't, dihitung dari data historis yang ada. Hasilnya

diletakkan pada periode terakhir moving average pertama.


b) Menghitung moving average/rata-rata bergerak kedua, diberi
symbol dihitung dari rata-rata bergerak kedua. Hasilnya diletakkan
pada periode terakhir moving average kedua.
c) Menentukan besarnya nilai t (Konstanta)
t = St + (St St) = 2St St
d) Menentukan besarnya nilai bt (slope)

e) Menentukan besarnya forecast


Ft+m = t + btm,

m adalah jangka waktu forecast kedepan.

2.3.2 Double Exponential Smoothing Brown


Metode penghalusan eksponensial orde satu (single exponential
smoothing) sebenarnya merupakan perkembangan dari metode rata-rata
bergerak (moving average) sederhana. Dasar pemikiran metode
pemulusan eksponensial linear dari Brown adalah serupa dengan ratarata bergerak linear karena kedua nilai pemulusan tunggal dan ganda
ketinggalan dari data yang sebenarnya jika terdapat unsur trend.
Perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan
dengan nilai pemulusan tunggal dan disesuaikan untuk trend. Persamaan
yang dipakai dalam implementasi pemulusan eksponensial linear satuparameter dari Brown adalah sebagai berikut:

Agar dapat menggunakan rumus pemulusan eksponensial tunggal


dan pemulusan eksponensial ganda, nilai St-1dan St-1 harus ada. Tetapi
pada saat t = 1, nilai-nilai tersebut tidak tersedia. Sehingga, nilai-nilai ini
harus ditentukan pada awal periode. Hal ini dapat dilakukan dengan
hanya menetapkan St dan St sama dengan Xt atau menggunakan nilai

rata-rata dari beberapa nilai pertama sebagai titik awal. Jenis masalah
inisialisasi ini muncul dalam setiap metode pemulusan eksponensial. Jika
parameter pemulusan tidak mendekati nol. Tetapi, jika mendekati
nol, proses inisialisasi tersebut dapat memainkan peranan yang nyata
selama periode waktu yang panjang.

2.3.3 Double Exponential Smoothing Holt


Metode pemulusan eksponensial linear dari Holt, pada prinsipnya
adalah srupa dengan Brown kecuali bahwa Holt tidak menggunakan
rumus pemulusan bergandda secara langsung. Sebagai gantinya, Holt
memuluskan nilai trend dengan parameter yang berbeda dari parameter
yang digunakan pada deret yang asli. Ramalan dari pemulusan
eksponensial linear Holt didapat dengan menggunakan dua konstanta
pemulusan (dengan nilai antara 0 dan 1) dan tiga persamaan:

Persamaan pemulusan menyesuaikan St secara langsung untuk


trend periode sebelumnya, yaitu bt-1 dengan menambah nilai pemulusan
yang terakhir St-1. Hal ini membantu untuk menghilangkan kelambatan
dan menempatkan St ke nilai data saat ini. Kemudian persamaan
peremajaan trend meremajakan trend, yang ditunjukan sebagai
perbedaan antara dua nilai pemulusan yang terakhir. Hal ini tepat karena
jika terdapat kecenderungan di dalam data, nilai yang baru akan tinggi
atau lebih rendah dari pada nilai yang sebelumnya. Karena mungkin
masih terdapat sedikit kerandoman, maka hal ini dihilangkan oleh
pemulusan dengan (gamma) trend pada periode terakhir (St - St-1 ), dan
menambahkannya dengan taksiran trend sebelumnya dikalikan dengan
(1- ). Jadi, persamaan peremajaan trend serupa dengan bentuk
pemulusan tunggal pada persamaan pemulusan eksponential tunggal
tetapi dipakai untuk meremajakan trend. Akhirnya persamaan peramalan

digunakan untuk ramalan yang akan datang (ke muka). Trend, bt


dikalikan dengan julah period eke muka yang diramalkan, m, dan
ditambahkan pada nilai dasar, St.

2.3.4 Regresi Linier


Metode kecenderungan dengan regresi merupakan dasar garis
kecenderungan untuk suatu persamaan, sehingga dengan dasar
persamaan tersebut dapat diproyeksikan hal-hal yang akan diteliti pada
masa yang akan datang. Untuk peramalan jangka pendek dan jangka
panjang, ketepatan peramalan dengan metode ini sangat baik. Data yang
dibutuhkan untuk metode ini adalah tahunan, minimal lima tahun.
Namun, semakin banyak data yang dimiliki semakin baik hasil yang
diperoleh.
Adapun perhitungan untuk peramalan dengan metode regresi
linier adalah:

2.4 KRITERIA PERFORMANCE PERAMALAN


Ketepatan atau ketelitian dalam melakukan peramlan yang menjadi
kriteria performance suatu metode peramalan. Ketepatan atau ketelitian
tersebut dapat dinyatakan sebagai kesalahan dalam peramalan. Kesalahan yang
kecil memberikan arti ketelitian peramalan yang tinggi, dengan kata lain

10

keakuratan hasil peramalan tinggi, begitu pula sebaliknya. Untuk menghitung


kesalahan dalam peramalan dilakukan dengan rumus :

Besar kesalah suatu peramalan dapat dihitung dengan beberapa cara,


antara lain:

a) Ukuran kesalahan dengan cara statistik

b) Ukuran kesalahn relative

11

2.5 RENCANA PRODUKSI AGREGAT


Perencanaan agregat secara organisasi merupakan tanggung jawab
manaJer operasi dalam kegiatannya menentukan strategi untuk memenuhi
perubahan permintaan sehingga dapat meminimasi total ongkos dan tujuan
perusahaan dapat terpenuhi. Terdapat empat strategi yang dapat digunakan
dalam perencanaan produksi agregat yaitu:
a. Strategi 1: Merubah tingkat tenaga kerja (tenaga kerja tetap)
Demand dapat dipenuhi dengan merubah jumlah tenaga kerja melalui
hiring and layoff
b. Strategi 2: Merubah tingkat inventori (tenaga kerja tetap)
Jika perusahaan tidak menginginkan hiring and layoff tenaga kerja, maka
akan memilih

memproduksi

pada

tingkat rata-rata demand

dan

memenuhi perubahan demand dengan inventori.


c. Strategi 3: Subkontrak
Perusahaan melakukan subkontrak (memesan barang) ke perusahaan
lain untuk menambah kapasitas, sehingga permintaan terpenuhi.
d. Strategi 4: Mixed strategy
Dengan menggabungkan ketiga strategi di atas.
Perencanaan
berasal

produksi

adalah

menyesuaikan permintaan

yang

dari peramalan dengan seluruh kemampuan yang ada. Hal ini

disebabkan kemampuan yang terbatas, sehingga tidak dapat begitu saja


mengikuti hasil ramalan permintaan. Hal ini juga disebabkan oleh:
1. Ketidakpastian hasil peramalan itu sendiri.
2. Adanya ongkos yang timbul setiap kali mengubah level tingkat produksi
atau jika kita membuat persediaan.
3. Tipe dari perusahaan manufaktur.
Perencanaan produksi merupakan pegangan untuk merancang
jadwal induk produksi. Beberapa fungsi lain perencanaan produksi, yaitu:

12

1. Menjamin rencana penjualan dan rencana produksi konsisten terhadap


rencana strategis perusahaan.
2. Sebagai alat ukur performansi proses perencanaan produksi.
3. Menjamin

kemampuan

produksi

konsisten

terhadap

rencana

produksi dan membuat penyesuaian.


4. Mengatur persediaan produk jadi untuk mencapai target produksi dan
rencana strategis.
5. Mengarahkan penyusunan dan pelaksanaan jadwal induk produksi.
Beberapa tipe perusahaan yang sering ada adalah sebagai berikut:
1. Make to stock
Adalah

tipe

industri

yang

membuat

produk

akhir

untuk

disimpan dimana kebutuhan konsumen diambil dari persediaan di gudang.


Karakteristik make to stock, yaitu:
a.

Standar item, high volume

b.

Terus-menerus dibuat lalu disimpan

c.

Barga wajar

d.

Pengirirnan dapat dilakukan segera

e.

Pelanggan tidak rnau rnenunggu

f.

Perlu adanya safety stock untuk rnengatasi fluktuasi demand.

2. Make to order
Adalah tipe industri yang membuat produk hanya untuk memenuhi
pesanan. Karakteristik make to order, yaitu:
a.

Input-nya bahan baku

b.

Biasanya untuk supply item dengan banyak jenis

c.

Barga cukup rnahal

13

d.

Perlu keahlian khusus

e.

Kornponen biasanya dibeli untuk persediaan.

3. Assembly to order
Adalah tipe industri yang membuat produk dengan cara perakitan
hanya untuk memenuhi pesanan. Karakteristik assembly to order, yaitu:
a.

Input-nya kornponen

b.

Untuk supply item dengan banyakjenis

c.

Barga cukup rnahal

d.

Lead time ditetapkan oleh konsurnen

4. Engineer to order
Adalah tipe industri yang membuat produk untuk memenuhi
pesanan khusus dimulai dari perancangan produk seperti pengiriman
produk. Karakteristik engineer to order, yaitu:
a.

Produk sangat spesifik

b.

Lead time panjang

c.

Barga rnahal
Metode-rnetode dalam perencanaan agregat adalah sebagai berikut:

1. Metode Heuristic
Metode ini, merupakan

metode yang paling umum

digunakan.

Metode ini tidak dapat menjamin tercapainya solusi optimal. Keuntungan


metode ini adalah mudah dan tidak terlalu banyak perhitungan. Langkahlangkah dalam metode ini, yaitu:
1) Hasilkan perencanaan jurnlah produksi, penernpatan tenaga kerja,
lernbur, subkontrak, dan inventori untuk rnernenuhi perrnintaan dan
tidak rnelanggar batas kapasitas.
2) Hitung biaya total (total cost)
14

3) Terirna perencanaan (strategi 1) atau rnencoba strategi lain, dengan


rnernulai lagi dari langkah pertarna.
2. Metode linear Programming Simplex
Metode ini termasuk

metode matematis

yang digunakan untuk

meminimasi atau memaksimasi fungsi tujuan linear dengan pembatas linear


berupa variabel nonnegative. Metode ini menjamin tercapainya solusi
optimal, yaitu menghasilkan ongkos minimum.
3. Metode Linear Programming Transportation
Model
transportasi.

linear

programming

yang

lain

adalah

metode

Ongkos produksi regular time diasumsikan linear, untuk

meyakinkan bahwa kapasitas reguler akan dipenuhi sebelum menggunakan


overtime maupun subkontrak, maka Cl<C2<C3, dimana Cl adalah ongkos
regular time, C2 adalah ongkos overtime, dan C3 adalah ongkos
subkontrak. Perubahan ongkos adalah linear. Ongkos selalu dikaitkan
dengan tingkat inventori atau backlog. Metode ini tidak mengijinkan adanya
hiring/layoff (iumlah tenaga kerja tetap). Metode ini juga menjamin
tercapainya solusi optimal, yaitu menghasilkan ongkos minimum.
4. Metode Linear Decision Rules (LDR)
Metode ini ditemukan oleh sebuah kelompok dari universitas
Carnegie-Mellon pada akhir tahun 1950. Pada metode ini, gaji tenaga kerja
berupa fungsi linear, sedangkan biaya layoff/hiring, biaya produksi, dan
biaya inventori berupa fungsi kuadrat.

5. Metode Simulation and Search Decision Rules


Metode ini dilakukan dengan dua pendekatan yaitu dengan computer
simulation dan

dengan

search

decision

rules

(SDR).

Konsep

pendekatan dengan computer simulation dan dengan search decision


rules

(SDR).

Konsep

pendekatan

dengan komputer simulation sama

dengan konsep pendekatan pada metode heuristic, sedangkan pendekatan

15

SDR dilakukan dengan menentukan rencana selanjutnya untuk dievaluasi


oleh perencana. Kedua pendekatan tersebut

sama-sama berdasarkan

penggunaan komputer (computer-based).


Prosedur perencanaan produksi perusahaan yang satu dengan
perusahaan yang lain sangat bervariasi, akan tetapi pada umumnya terdiri
dari enam langkah, sebagai berikut:
1. Menetapkan unit pengukuran
Sales forecast pada umumnya disusun dalam nilai uang, sedangkan
rencana produksi dalam unit produk sehingga diperlukan faktor konversi
yang sesuai untuk mengkonversikan

nilai uang tersebut ke dalam unit

produk.
2. Menetapkan horison perencanaan
Harison
direncanakan

perencanaan

menunjukkan

untuk melakukan produksi,

panjang

waktu

sehingga diperlukan pula

perencanaan mengenai material, kapasitas dan fasilitas produksi


sesuai dengan rencana produksi.

yang

yang

Besarnya horison perencanaan pada

umumnya sekitar sampai delapan belas bulan.


3. Menentukan siklus pemeriksaan pelaksanaan perencanaan produksi
Peninjauan ini diperlukan karena sistem produksi yang berjalan
adalah

suatu sistem yang sudah berubah sebagai akibat adanya

perkembangan dalam berbagai bidang. Peninjauan ini biasanya dilakukan


setiap bulan dengan revisi kecil yang dilakukan setiap mmggu.
4. Mendokumentasikan rencana sebagai prosedur formal
Rencana produksi harus disusun secara formal, memiliki tahapan
tertentu, dan prosedur dokumentasi yang mudah dimengerti oleh manajemen.
5. Menetapkan pertanggungjawaban yang jelas untuk setiap bagian

16

Hal yang dirnaksudkan dalam prosedur ini adalah bagian pemasaran


bertanggung jawab terhadap peramalan, manufaktur terhadap penyusunan
jadwal produksi, dan bagian keuangan terhadap kebutuhan dana.
Dalam perencanaan produksi agregat terdapat ongkos-ongkos yang
dibebankan dari proses perencanaan produksi, yaitu:
a.

Ongkos penambahan tenaga kerja (hiring cost)

b.

Ongkos pengurangan tenaga kerja (layoff)

c.

Ongkos lernbur dan pengurangan

waktu kerja (overtime and

undertime cost)
d. Ongkos persediaan dan kekurangan persediaan (inventory and
shortage cost)
e.

Ongkos subkontrak (subcontracting cost)

2.6 MASTER PRODUCTION SCHEDULE (MPS)


Master Production Schedule (MPS) atau Jadwal Induk Produksi (JIP)
merupakan suatu set perencanaan yang rnengidentifikasikan kuantitas dari
item tertentu yang dapat dan akan dibuat oleh suatu perusahaan manufaktur.
Ada empat fungsi utama dari MPS, yaitu:
a. Menyediakan

atau

memberikan

input

utama

kepada

sistern

perencanaan kebutuhan material dan kapasitas (material and capacity


requirements planning).
b. Menjadwalkan pesanan-pesanan produksi dan pembelian (production
and purchase orders) untuk item-item MPS.
c. Memberikan landasan untuk penentuan kebutuhan sumber daya dan
kapasitas melalui Rough Cut Capacity Planning (RCCP).
d. Memberikan dasar untuk pembuatan janji tentang pengiriman produk
(delivery promises) kepada pelanggan.

17

Master Production Schedule (MPS) memiliki beberapa tujuan utama,


yaitu:
a. Memenuhi target tingkat pelayanan terhadap konsumen. b. Efisiensi dalam
penggunaan sumber daya produksi.
b. Mencapai target tingkat produksi.
Terdapat beberapa kriteria yang sebaiknya dimiliki oleh item yang
akan disusun ke dalam MPS, yai tu:
a.

Jenis item tidak terlalu banyak.

b.

Dapat diramalkan kebutuhannya.

c.

Mempunyai Bill of Material sehingga dapat ditentukan kebutuhan


komponen dan materialnya.

d.

Dapat diperhitungkan dalam menentukan kebutuhan kapasitas.

e.

Menyatakan konfigurasi produk yang dapat dikirim (produk akhir


tertentu atau komponen berlevel tinggi dari produk akhir tertentu).
Ada beberapa faktor utama yang menentukan proses MPS, yaitu:
a) Lingkungan

manufaktur.

Lingkungan

manufaktur

yang

umumnya dipertimbangkan ketika akan mendesain adalah make to


stock, make to order, dan assemble to order.
b) Struktur organisasi. Struktur organisasi didefinisikan sebagai cara
komponen- komponen itu bergabung ke dalam suatu produk selama
proses manufaktur.
c) Pemeliharaan item-item MPS. Pemeliharaan item-item MPS nu sangat
penting, karena tidak hanya mempengaruhi bagaimana MPS beroperasi,
tetapi juga mempengaruhi bagaimana system perencanaan dan
pengendalian operasi manufaktur secara keseluruhan.
d) Harison perencanaan. Harison perencanaan adalah jangka waktu
perencanaan yang akan dipakai. Panjang horison perencanaan adalah
kumulatif lead time ditambah beberapa saat untuk dilihat hasilnya.

18

Dalam penyusunan MPS ada beberapa istilah yang sering digunakan,


yaitu:
a. Time Bucket, merupakan pembagian planning period yang digunakan dalam
MPS atauMRP.
b. Time Phase Plan, merupakan penyajian perencanaan dimana semua
permintaan, pesanan, dan persediaan disajikan dalam time bucket.
c. Time Fence, merupakan batasan waktu untuk melakukan penyesuaian
pesanan. Ada dua jenis time fence, yaitu:
a) Demand Time Fence (DTF) adalah batas dimana permintaan sudah
tidak dapat lagi diubah. Karakteristik yang dimiliki oleh DTF adalah
panjangnya sama dengan Lead

Time,

Project Available Balance

(PAB) dihitung dari Actual Demand, dan perubahan permintaan tidak


akan dilayani.
b) Planning Time Fence (PTF) adalah batas dimana permintaan
masih memungkinkan untuk berubah jika material dan kapasitas masih
tersedia. Karakteristik yang dimiliki oleh PTF adalah panjangnya sama
dengan kumulatif Lead Time.
Dalam tampilannya format MPS terdiri dari :
a.

Description merupakan nama dari suatu produk.

b. Order quantity merupakan jumlah pesanan yang ada.


c. Lead time merupakan waktu (banyaknya periode) yang dibutuhkan untuk
memproduksi atau membeli suatu item.
d. On hand adalah posisi persediaan awal yang secara fisik tersedia dalam
stok yang merupakan kuantitas item yang ada dalam stok. Digunakan
untuk merencanakan jumlah yang harus diproduksi dan dihitung dengan
anggapan bahwa penjualan akan sesuai dengan ramalan.

19

e. Lot size adalah kuantitas dari item yang biasanya dipesan dari pabrik
atau pemasok. Sering juga disebut sebagai kuantitas pesanan atau ukuran
batch.
f. Safety stock adalah stok tambahan dari item yang direncanakan berada
dalam persediaan sebagai stok pengaman untuk mengantisipasi fluktuasi
dalam ramalan penjualan, pesanan-pesanan pelanggan dalam waktu
singkat, penyerahan item untuk pengisian kembali persediaan.
g. Demand Time Fence (DTF) adalah periode mendatang dari MPS dimana
dalam periode ini perubahan-perubahan terhadap MPS tidak diijinkan
atau tidak diterima karena akan menimbulkan kerugian biaya yang besar
akibat ketidaksesuaian dan kekacauanjadwal.
h. Planning Time Fence (PTF) adalah periode mendatang dari MPS
dimana dalam

periode

ini

perubahan-perubahan terhadap

MPS

dievaluasi guna mencegah ketidaksesuaian atau kekacauan jadwal yang


akan menimbulkan kerugian dalam hal biaya.
i. Forecast merupakan rencana penjualan atau peramalan penjualan untuk
item yang dijadwalkan.
j. Actual Demand merupakan pesanan-pesanan yang diterima dan bersifat
pasti. Demand yang diterima perusahaan seringkali bersifat disruptive,
yang berarti demand yang diterima tersebut bersifat mengganggu demand
yang telah dikeluarkan sebelumnya.
k. Available to Promise (ATP) merupakan informasi yang sangat berguna
bagi departemen pemasaran untuk memberikan jawaban yang tepat
tehadap pertanyaan pelanggan tentang kapan produk tersebut dikirimkan.
l. Master Schedule (MS) merupakan jadwal produksi yang diantisipasi untuk
item tertentu. MS berupa keputusan

tentang kuantitas yang akan

diproduksi. Ditentukan dengan memperhatikan ketersediaan material dan


kuantitas. Total dari MPS setiap individual part harus sama dengan total
yang dinyatakan dalam rencana produksi.

20

m. Project Available Balance (PAB) adalah proyeksi on-hand inventory dari


waktu ke waktu selama horizon perencanaan MPS, yang menunjukan
status inventory yang diproyeksikan pada akhir dari setiap periode waktu
dalam horizon MPS.

21

BAB III
FLOW CHART KEGIATAN PRAKTIKUM
3.1 FLOW CHART KEGIATAN PRAKTIKUM

Studi Literatur

Pengumpulan Data

Pengolahan Data

Forecast

Agregat (RPA)

Regresi Linier
Double Moving Average
Double Exponential Brown
Double Exponential Holt

Disagregasi & MPS

Tenaga Kerja Tetap


Tenaga Kerja Berubah
Model Transportasi

Analisis

Kesimpulan dan Saran


Gambar 3.1 Flow Chart Kegiatan Praktikum

22

3.2 URAIAN FLOW CHART KEGIATAN PRAKTIKUM


3.2.1 Studi Literatur
Studi literatur dilakukan untuk memperoleh hasil penelitian
yang sesuai dengan permasalahan yang dibahas

dengan cara

mempelajari teori-teori yang relevan dengan topik kajian. Adapun


teori-teori yang mendukung dalam melakukan praktikum ini
adalah mengenai pengertian, konsep, dan perhitungan forecast,
agregasi, dan disagregasi untuk menentukan metode yang akan
digunakan dan untuk memecahkan masalah dalam perencanaan dan
pengendalian produksi.
3.2.2 Pengumpulan Data
Proses pengumpulan data dalam praktikum ini dimana data-data
di dapat dari instruktur yang mengajar, seperti data untuk praktikum
forecast, agregasi, dan disagregasi. Namun ada pula data yang diambil
dari tugas praktikum yang sebelumnya.
3.2.3 Pengolahan Data
1. Forecast
a.

Pada peramalan produksi, pertama-tama kita harus melihat


karakteristik dari produk, dimana apabila berupa multi
item maka

kita harus

melakukan proses

agregasi

dengan menggunakan faktor konversi, kemudian lakukan


plotting data untuk

menentukan metode

peramalan,

dimana apabila pola data berbentuk trend maka kita


dapat menggunakan metode double moving average, DES
dari Brown, DES Holt, dan regresi
berbentuk stasioner

maka

dapat

linear. Apabila

digunakan metode

single average, single moving average, double moving

23

average, single exponential smoothing, DES Brown dan


Simple Regresi.
b.

Menentukan metode peramalan yang terbaik


membandingkan error masing- masing

dengan

metode

baik

relatif maupun statistik dan metode yang terbaik adalah


metode dengan error terkecil.

2. Rencana Produksi Agregat


a.

Hasil peramalan dengan metode terbaik yang diperoleh


melalui proses peramalan digunakan sebagai demand pada
rencana produksi agregat.

b.

Pada rencana produksi agregat dapat digunakan empat


metode, yaitu metode tenaga kerja

tetap, tenaga kerja

berubah, dan metode transportasi. Metode yang terbaik


adalah metode dengan total cost terkecil.
3. Disagreagsi dan MPS
a.

Setelah rencana produksi

agregat dibuat,

maka kita

harus melakukan proses disagregasi untuk memecahkan


kembali item-item yang diagregasikan pada tahap awal.
Dengan demikian,

kita

dapat

mengetahui

berapa

kebutuhan produksi untuk masing-masing item.


b.

Berdasarkan hasil disagregasi, kita dapat


penjadwalan

induk

menyusun

produksi (Master Production

Scheduling)
3.2.4 Analisis
Melakukan
berikutnya

dapat

proses

analisis

dari

setiap modul

untuk

diambil kesimpulan dari setiap modul yang

sudah dikerjakan dengan beberapa metode yang digunakan

24

3.2.5 Kesimpulan dan Saran


Setelah melakukan

analisa maka dilakukan penarikan

kesimpulan

dari

hasil pengerjaan

memberikan

saran dalam melakukan

modul

dan

kemudian

analisa perhitungan dari

setiap modul.

25

BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA

4.1 PENGUMPULAN DATA


4.1.1 Forecast
Tabel 4.1 Data awal

Periode Demand Demand+NPM


1

1248

1272

1684

1708

1304

1328

1528

1552

1332

1356

1472

1496

1416

1440

1584

1608

1360

1384

10

1444

1468

11

1360

1384

12

1556

1580

13

1360

1384

14

1444

1468

15

1276

1300

16

1444

1468

17

1360

1384

18

1416

1440

19

1332

1356

20

1416

1440

21

1472

1496

22

1444

1468

23

1472

1496

26

24

1388

1412

25

1724

1748

26

1220

1244

27

1724

1748

28

1024

1048

29

1640

1664

30

1024

1048

31

1696

1720

32

968

992

33

1640

1664

34

968

992

35

1808

1832

36

1024

1048

( Sumber : Instruktur )
4.1.2 Rencana Produksi Agregat
Pada rencana produksi agregat (RPA) untuk mengolah
data-data yang tersedia menggunakan tiga metode yaitu tenaga
kerja tetap (TKT),

tenaga kerja berubah

(TKB), dan model

transportasi. Data demand untuk rencana produksi agregat adalah


data dari hasil peramalan kebutuhan yang

sebelumnya sudah

dihitung menggunakan beberapa metode.


Tabel 4.2 Data rencana produksi agregat
Periode
1
2
3
4
5
6
7
8
9
10
11
12
Total

Hr.Kerja
20
19
20
21
20
21
22
21
22
20
19
21
246

Demand
1377
1374
1372
1369
1366
1363
1361
1358
1355
1353
1350
1347
16345

( Sumber : Instruktur dan pengolahan


data )

27

Tabel 4.3 Informasi lain yang dibutuhkan


Data Umum
Inventory Awal
Jam Kerja
Max.Overtime
Max. Sub Kontrak
Waktu Baku
Tenaga Kerja Awal
Tenaga Kerja Max
Reguler Time Cost
Overtime Cost
Sub Kontrak Cost
Hiring Cost
Lay Off Cost
Inventory Cost

500
8
2
4
100
10
25
IDR 50.000
IDR 75.000
IDR 120.000
IDR 1.500.000
IDR 2.000.000
IDR 2.500

unit
jam
RT unit
RT unit
mnt/unit
Org
Org
/unit
/unit
/unit
/org
/org
/unit

( Sumber : Instruktur )
4.1.3 Disagregasi dan MPS
Tabel 4.4 Data Actual dan Forecast Demand Disagregasi
Tamiya

Produk
% Proporsi
Faktor Konversi (Mij)
Setup Cost (Kij)
Holding Cost (Hij)
Inventori Awal

Baracuda
30%
0,51
$
$

2.000 $

Auldey
Cobra
30%
0,52
400.000 $
2.200 $
250

Hauler
20%
0,92
2.500

Emperor
20%
1
300.000
3.000

Sumber : Instruktur
Tabel 4.5 Data MPS
Periode

Forecast Demand

1377
1374
1372
1369
1366
1363
1361
1358
1355
1353
1350
1347

2
3
4
5
6
7
8
9
10
11
12

Forecast Demand
Baracuda
810

Cobra
795

Hauler
300

Emperor
276,00

809

793

299

275,00

808

792

299

275,00

806

790

298

274,00

804

789

297

274,00

802

787

297

273,00

801

786

296

273,00

799

784

296

272,00

798

782

295

271,00

796

781

295

271,00

795

779

294

270,00

793

778

293

270,00

RPA

2181,00
2176,00
2174,00
2168,00
2164,00
2159,00
2156,00
2151,00
2146,00
2143,00
2138,00
2134,00

Sumber : Pengolahan Data

Forecast demand masih di ambil dari data peramalan dengan


menggunakan metode regresi linier.
Periode
1
2
3
4
5
6

Act Demand
105%
110%
115%
120%
120%
115%

Sumber : Instruktur

28

4.2 PENGOLAHAN DATA


4.2.1 Peramalan Produksi
Tabel 4.6 Data Actual Demand
Periode Demand
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Periode Demand

1.272,00
19
1.708,00
20
1.304,00
21
1.552,00
22
1.356,00
23
1.496,00
24
1.440,00
25
1.608,00
26
1.384,00
27
1.444,00
28
1.384,00
29
1.556,00
30
1.384,00
31
1.444,00
32
1.300,00
33
1.468,00
34
1.384,00
35
1.440,00
36
Sumber : Pengolahan Data

1.356,00
1.440,00
1.496,00
1.468,00
1.496,00
1.412,00
1.748,00
1.244,00
1.748,00
1.048,00
1.664,00
1.048,00
1.720,00
992,00
1.664,00
992,00
1.832,00
1.048,00

Data actual demand di dapat setelah di jumlahkan antara demand


awal dengan dua digit NPM mahasiswa yang memiliki nilai terbesar.
Contoh di periode 1: Demand awal + Dua digit akhir NPM =
1248 + 24 = 1272

29

a) Double Moving Average


Tabel 4.7 Hasil Peramalan Metode DMA
Pe riode De mand
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

1.272,00
1.708,00
1.304,00
1.552,00
1.356,00
1.496,00
1.440,00
1.608,00
1.384,00
1.444,00
1.384,00
1.556,00
1.384,00
1.444,00
1.300,00
1.468,00
1.384,00
1.440,00
1.356,00
1.440,00
1.496,00
1.468,00
1.496,00
1.412,00
1.748,00
1.244,00
1.748,00
1.048,00
1.664,00
1.048,00
1.720,00
992,00
1.664,00
992,00
1.832,00
1.048,00

S't
1.428,00
1.521,33
1.404,00
1.468,00
1.430,67
1.514,67
1.477,33
1.478,67
1.404,00
1.461,33
1.441,33
1.461,33
1.376,00
1.404,00
1.384,00
1.430,67
1.393,33
1.412,00
1.430,67
1.468,00
1.486,67
1.458,67
1.552,00
1.468,00
1.580,00
1.346,67
1.486,67
1.253,33
1.477,33
1.253,33
1.458,67
1.216,00
1.496,00
1.290,67

37
38
39
40
41
42
43
44
45
46
47
48

Pe ramalan Double Moving Ave rage


N
3
S"t
at
bt
m
1.451,11
1.356,89
-47,11
1
1.464,44
1.471,56
3,56
1
1.434,22
1.427,11
-3,56
1
1.471,11
1.558,22
43,56
1
1.474,22
1.480,44
3,11
1
1.490,22
1.467,11
-11,56
1
1.453,33
1.354,67
-49,33
1
1.448,00
1.474,67
13,33
1
1.435,56
1.447,11
5,78
1
1.454,67
1.468,00
6,67
1
1.426,22
1.325,78
-50,22
1
1.413,78
1.394,22
-9,78
1
1.388,00
1.380,00
-4,00
1
1.406,22
1.455,11
24,44
1
1.402,67
1.384,00
-9,33
1
1.412,00
1.412,00
0,00
1
1.412,00
1.449,33
18,67
1
1.436,89
1.499,11
31,11
1
1.461,78
1.511,56
24,89
1
1.471,11
1.446,22
-12,44
1
1.499,11
1.604,89
52,89
1
1.492,89
1.443,11
-24,89
1
1.533,33
1.626,67
46,67
1
1.464,89
1.228,44
-118,22
1
1.471,11
1.502,22
15,56
1
1.362,22
1.144,44
-108,89
1
1.405,78
1.548,89
71,56
1
1.328,00
1.178,67
-74,67
1
1.396,44
1.520,89
62,22
1
1.309,33
1.122,67
-93,33
1
1.390,22
1.601,78
105,78
1
1.334,22
1.247,11
-43,56
1
1
2
3
4
5
6
7
8
9
10
11
12

Ft+m
1.309,78
1.475,11
1.423,56
1.601,78
1.483,56
1.455,56
1.305,33
1.488,00
1.452,89
1.474,67
1.275,56
1.384,44
1.376,00
1.479,56
1.374,67
1.412,00
1.468,00
1.530,22
1.536,44
1.433,78
1.657,78
1.418,22
1.673,33
1.110,22
1.517,78
1.035,56
1.620,44
1.104,00
1.583,11
1.029,33
1.707,56
1.203,56
1.203,56
1.160,00
1.116,44
1.072,89
1.029,33
985,78
942,22
898,67
855,11
811,56
768,00
724,44

Fore cas t
1.310
1.476
1.424
1.602
1.484
1.456
1.306
1.488
1.453
1.475
1.276
1.385
1.376
1.480
1.375
1.412
1.468
1.531
1.537
1.434
1.658
1.419
1.674
1.111
1.518
1.036
1.621
1.104
1.584
1.030
1.708
1.204
1.204
1.160
1.117
1.073
1.030
986
943
899
856
812
768
725

Dalam metode DMA ini menggunakan rata-rata dari nilai


permintaan, pada analisa ini menggunakan rata-rata untuk 3 data
(N=3). Dengan menggunakan 3 data yang diratakan maka hasil dari
peramalan akan muncul pada periode ke-5.
Contoh Perhitungan :

S3 =

1.272+1.708+1.304
3

= 1.428

30

S5 =

1.428+1.521,33+1.404
3

= 1.451,11

a5 = 1.404 + (1404 1451,11) = 1.356,89

b5 = 31 (1.404 1.451,11) = 47,11

F5 = 1.356,89 + (-47,11 x 1) = 1.309,78 1.310

Gambar 4.1 Plot demand-forecast metode DMA


Sumber : Pengolahan Data

31

Tabel 4.8 Perhitungan error metode DMA

Periode
1
2
3
4
5
6

7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Total

Perhitungan Error Peramalan


et
et
et^2
PE (%) PE
46
46
2.116
3,39
3,39
20
20
400
1,34
1,34

16
6
-100
-12
78
68
-69
-31
24
83
8
-40
-19
28
28
-63
-41
-22
90
-175
74
-63
146
12
99
-112
80
-38
124
-156
89

16
6
100
12
78
68
69
31
24
83
8
40
19
28
28
63
41
22
90
175
74
63
146
12
99
112
80
38
124
156
1971

256
36
10.000
144
6.084
4.624
4.761
961
576
6.889
64
1.600
361
784
784
3.969
1.681
484
8.100
30.625
5.476
3.969
21.316
144
9.801
12.544
6.400
1.444
15.376
24.336
186.105

1,11
0,37
-7,23
-0,83
5,64
4,37
-4,99
-2,15
1,85
5,65
0,58
-2,78
-1,40
1,94
1,87
-4,29
-2,74
-1,56
5,15
-14,07
4,23
-6,01
8,77
1,15
5,76
-11,29
4,81
-3,83
6,77
-14,89
-13,30

1,11
0,37
7,23
0,83
5,64
4,37
4,99
2,15
1,85
5,65
0,58
2,78
1,40
1,94
1,87
4,29
2,74
1,56
5,15
14,07
4,23
6,01
8,77
1,15
5,76
11,29
4,81
3,83
6,77
14,89
142,79

Sumber : Pengolahan Data

32

Contoh Perhitungan :

e5 = 1356 1310 = 46

Pe = (46/1356) x 100% = 3,39


Tabel di bawah ini adalah tabel hasil perhitungan error statistika
dan error relatif yang digunakan dalam pengujian eror pada metode
Double Moving Average.
Tabel 4.9 Perbandingan hasil error

ERROR STATISTIK
ME
2,78
MAE
61,59
SSE
7.921,00
SDE
77,48
MSE
247,53
ERROR RELATIF
MPE
-0,42
MAPE
4,46
Sumber : Pengolahan data

Contoh perhitungan :
Error Statistik

MSE =

181.105
32

= 247,53

MAE = 1971/32 = 61,59

SSE =
SSE = 892 = 7.921

181.105

SDE =

321

ME = 89/32 = 2,78

= 77,48

33

Error Relatif
MAPE = I PE I/n
MPE = -13,30/32 = -0,42

MAPE = 142,79/32 = 4,46

b) Double Exponential Smoothing Brown


Pada

penggunaan

metode

DESSP

dari Brown

akan

menggunakan nilai yang benilai konstan. Untuk menentukan niai


a kita telah diberi data oleh instruktur agar nilainya itu adalah 0,62.
Tabel 4.10 Hasil Perhitungan Forecast DESSP Brown
Periode Demand
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

S't

1.272,00 1.272,00
1.708,00 1.542,32
1.304,00 1.394,56
1.552,00 1.492,17
1.356,00 1.407,75
1.496,00 1.462,46
1.440,00 1.448,54
1.608,00 1.547,40
1.384,00 1.446,09
1.444,00 1.444,80
1.384,00 1.407,10
1.556,00 1.499,42
1.384,00 1.427,86
1.444,00 1.437,87
1.300,00 1.352,39
1.468,00 1.424,07
1.384,00 1.399,23
1.440,00 1.424,51
1.356,00 1.382,03
1.440,00 1.417,97
1.496,00 1.466,35
1.468,00 1.467,37
1.496,00 1.485,12
1.412,00 1.439,79
1.748,00 1.630,88
1.244,00 1.391,01
1.748,00 1.612,35
1.048,00 1.262,45
1.664,00 1.511,41
1.048,00 1.224,10
1.720,00 1.531,56
992,00 1.197,03
1.664,00 1.486,55
992,00 1.179,93
1.832,00 1.584,21
1.048,00 1.251,76

Peramalan Metode Brown


Alpha
0,62
S''t
a
b
1.272,00
1.439,60 1.645,04
167,60
1.411,68 1.377,45
-27,92
1.461,58 1.522,76
49,91
1.428,20 1.387,29
-33,38
1.449,45 1.475,48
21,24
1.448,88 1.448,19
-0,56
1.509,97 1.584,84
61,08
1.470,36 1.421,82
-39,60
1.454,51 1.435,08
-15,85
1.425,12 1.389,09
-29,39
1.471,18 1.527,65
46,07
1.444,32 1.411,40
-26,86
1.440,32 1.435,41
-4,00
1.385,80 1.318,98
-54,52
1.409,53 1.438,61
23,72
1.403,14 1.395,31
-6,39
1.416,39 1.432,62
13,25
1.395,09 1.368,98
-21,30
1.409,28 1.426,67
14,19
1.444,66 1.488,04
35,39
1.458,74 1.476,00
14,08
1.475,10 1.495,15
16,36
1.453,20 1.426,37
-21,89
1.563,36 1.698,39
110,16
1.456,51 1.325,52
-106,86
1.553,13 1.671,56
96,62
1.372,91 1.151,99
-180,22
1.458,78 1.564,04
85,87
1.313,28 1.134,92
-145,50
1.448,61 1.614,50
135,33
1.292,63 1.101,43
-155,98
1.412,86 1.560,24
120,23
1.268,44 1.091,42
-144,42
1.464,22 1.704,21
195,78
1.332,50 1.171,03
-131,73

m
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
3
4
5
6
7
8
9
10
11
12

Ft+m
1.349,52
1.572,67
1.353,91
1.496,72
1.447,63
1.645,93
1.382,22
1.419,23
1.359,69
1.573,72
1.384,53
1.431,41
1.264,46
1.462,33
1.388,92
1.445,87
1.347,68
1.440,86
1.523,42
1.490,08
1.511,50
1.404,47
1.808,55
1.218,67
1.768,18
971,78
1.649,92
989,41
1.749,84
945,45
1.680,47
947,00
1.899,98
1.039,30
1.039,30
907,58
775,85
644,13
512,40
380,68
248,95
117,23
-14,50
-146,23
-277,95
-409,68

Forecast

1.350
1.573
1.354
1.497
1.448
1.646
1.383
1.420
1.360
1.574
1.385
1.432
1.265
1.463
1.389
1.446
1.348
1.441
1.524
1.491
1.512
1.405
1.809
1.219
1.769
972
1.650
990
1.750
946
1.681
947
1.900
1.040
1.040
908
776
645
513
381
249
118
-15
-147
-278
-410

Sumber : Pengolahan data

34

Contoh perhitungan :

S3 = 0,62 x 1.304 + (1-0,62) x 1.542,32 = 1.394,56

S3 = 0,62 x 1.394,56 + (1-0,62) x 1.439,60 = 1.411,68

a3 = 1.411,68 + (1.394,56 1.411,68) = 1.377,45

0,62

b3 = 10,62 (1.394,56 1.411,68) = 27,92

F3 = 1.645,04 (167,60 x 1) = 1.349,52 ~ 1.350

Gambar 4.2 Plot demand-forecast metode Brown


Sumber : Pengolahan data
Tabel 4.11 Perhitungan error metode DESSP Brown

Periode
1
2
3

et
-46

Perhitungan Error Peramalan


et
et^2
PE (%) PE
46
2.116
-3,53
3,53

35

4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
TOTAL

-21
2
-1
-8
-38
1
24
24
-18
-1
12
35
5
-5
-6
8
-1
-28
-23
-16
7
-61
25
-21
76
14
58
-30
46
-17
45
-68
8

21
2
1
8
38
1
24
24
18
1
12
35
5
5
6
8
1
28
23
16
7
61
25
21
76
14
58
30
46
17
45
68
8
799

-19

441
4
1
64
1.444
1
576
576
324
1
144
1.225
25
25
36
64
1
784
529
256
49
3.721
625
441
5.776
196
3.364
900
2.116
289
2.025
4.624
64
32.827

-1,35
0,15
-0,07
-0,56
-2,36
0,07
1,66
1,73
-1,16
-0,07
0,83
2,69
0,34
-0,36
-0,42
0,59
-0,07
-1,87
-1,57
-1,07
0,50
-3,49
2,01
-1,20
7,25
0,84
5,53
-1,74
4,64
-1,02
4,54
-3,71
0,76

1,35
0,15
0,07
0,56
2,36
0,07
1,66
1,73
1,16
0,07
0,83
2,69
0,34
0,36
0,42
0,59
0,07
1,87
1,57
1,07
0,50
3,49
2,01
1,20
7,25
0,84
5,53
1,74
4,64
1,02
4,54
3,71
0,76
8,52 59,76

Sumber : Pengolahan data

Contoh Perhitungan :

e5 = 1.304 1.350 = - 46

Pe = (-46/1.304) x 100% = -3,53


36

Tabel di bawah ini adalah tabel hasil perhitungan error


statistika dan error relatif yang digunakan dalam pengujian eror pada
metode Double Exponential Smoothing satu parameter dari Brown.
Tabel 4.12 Perbandingan hasil error

ERROR STATISTIK
ME
-0,56
MAE
23,50
SSE
361
SDE
31,54
MSE
10,62
ERROR RELATIF
MPE
0,25
MAPE
1,76
Sumber : Pengolahan data

Contoh perhitungan :
Error Statistik

MSE =

361
34

= 10,62

MAE = 799/34 = 23,50

SSE =
SSE = (-19)2 = 361

ME = -19/34 = -0,56

38.270

SDE = 341 = 31,54


Error Relatif
MAPE = I PE I/n
MPE = -8,52/34 = 0,25

MAPE = 59,76/34 = 1,76

c) Double Exponential Smoothing Holt


Pada metode peramalan double exponential smoothing dari
Holt yang harus diperhatikan untuk menetapkan hitungan forecast

37

yang pertama adalah dengan memperhatikan nilai titik balik (eye


point). Dalam kasus ini nilai titik balik terjadi pada periode ke tiga.
Selain itu pada metode ini terdapat variabel dan yang harus juga
diperhatikan nilainya. Nilai dan > 0 dan < 1 kemudian dengan
cara trial dan error memasukkan nilai a dan p ke dalam rumus yang
tersedia carilah nilai error terkecil pada hasil perhitungan error-nya.
Tabel 4.13 Hasil Perhitungan Forecast DESDP Holt

Periode Demand
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

1.272,00
1.708,00
1.304,00
1.552,00
1.356,00
1.496,00
1.440,00
1.608,00
1.384,00
1.444,00
1.384,00
1.556,00
1.384,00
1.444,00
1.300,00
1.468,00
1.384,00
1.440,00
1.356,00
1.440,00
1.496,00
1.468,00
1.496,00
1.412,00
1.748,00
1.244,00
1.748,00
1.048,00
1.664,00
1.048,00
1.720,00
992,00

Peramalan Metode Holt's

0,9

0,5
Forecast
St
bt
m
Ft+m
1.272,00
436,00
1.708,00
436,00
1.388,00
58,00
1
1.446,00
1.446
1.541,40
105,70
1
1.647,10
1.648
1.385,11
-25,29
1
1.359,82
1.360
1.482,38
35,99
1
1.518,37
1.519
1.447,84
0,72
1
1.448,56
1.449
1.592,06
72,47
1
1.664,53
1.665
1.412,05
-53,77
1
1.358,29
1.359
1.435,43
-15,20
1
1.420,23
1.421
1.387,62
-31,50
1
1.356,12
1.357
1.536,01
58,44
1
1.594,46
1.595
1.405,05
-36,26
1
1.368,78
1.369
1.436,48
-2,41
1
1.434,06
1.435
1.313,41
-62,74
1
1.250,66
1.251
1.446,27
35,06
1
1.481,32
1.482
1.393,73
-8,74
1
1.384,99
1.385
1.434,50
16,01
1
1.450,51
1.451
1.365,45
-26,52
1
1.338,93
1.339
1.429,89
18,96
1
1.448,86
1.449
1.491,29
40,18
1
1.531,46
1.532
1.474,35
11,62
1
1.485,97
1.486
1.495,00
16,13
1
1.511,13
1.512
1.421,91
-28,47
1
1.393,44
1.394
1.712,54
131,08
1
1.843,62
1.844
1.303,96
-138,75
1
1.165,21
1.166
1.689,72
123,50
1
1.813,22
1.814
1.124,52
-220,85
1
903,67
904
1.587,97
121,30
1
1.709,27
1.710
1.114,13
-176,27
1
937,86
938
1.641,79
175,69
1
1.817,48
1.818
1.074,55
-195,77
1
878,78
879

38

33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

1.585,48
992,00 1.067,11
1.832,00 1.737,47
1.048,00 1.141,45

1.664,00

157,58
-180,40
244,98
-175,52

1
1
1
1
1
2
3
4
5
6
7
8
9
10
11
12

1.743,06
886,71
1.982,46
965,93
965,93
790,40
614,88
439,36
263,84
88,32
-87,20
-262,72
-438,24
-613,76
-789,28
-964,80

1.744
887
1.983
966
966
791
615
440
264
89
-88
-263
-439
-614
-790
-965

Sumber : Pengolahan data

Contoh perhitungan :

b1 = 1.708 1.272 = 436

b3 = 0,5(1.388-1.708) + (1-0,5)436 = 58

Ft = St + bt(m)
F3 = 1.388 + (58 x 1) = 1.446

S3 = (0,9 x 1.304) + (1-0,9)(1.708+436) = 1.388

Gambar 4.3 Plot demand-forecast metode Holt


Sumber : Pengolahan data

39

Tabel 4.14 Perhitungan error metode DESDP Holt

Periode
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
TOTAL

Perhitungan Error Peramalan


et
et
et^2
PE (%)
-142,00
142,00
20.164,00
-10,89
-96
96
9.216
-6,19
-4
4
16
-0,29
-23
23
529
-1,54
-9
9
81
-0,63
-57
57
3.249
-3,54
25
25
625
1,81
23
23
529
1,59
27
27
729
1,95
-39
39
1.521
-2,51
15
15
225
1,08
9
9
81
0,62
49
49
2.401
3,77
-14
14
196
-0,95
-1
1
1
-0,07
-11
11
121
-0,76
17
17
289
1,25
-9
9
81
-0,63
-36
36
1.296
-2,41
-18
18
324
-1,23
-16
16
256
-1,07
18
18
324
1,27
-96
96
9.216
-5,49
78
78
6.084
6,27
-66
66
4.356
-3,78
144
144
20.736
13,74
-46
46
2.116
-2,76
110
110
12.100
10,50
-98
98
9.604
-5,70
113
113
12.769
11,39
-80
80
6.400
-4,81
105
105
11.025
10,58
-151
151
22.801
-8,24
82
82
6.724
7,82
-197
1.827,00
166.185
10,18

PE
10,89
6,19
0,29
1,54
0,63
3,54
1,81
1,59
1,95
2,51
1,08
0,62
3,77
0,95
0,07
0,76
1,25
0,63
2,41
1,23
1,07
1,27
5,49
6,27
3,78
13,74
2,76
10,50
5,70
11,39
4,81
10,58
8,24
7,82
137,14

Sumber : Pengolahan data

40

Contoh Perhitungan :

e3 = 1.304 1.466 = - 142

Pe = (-142/1.304) x 100% = -10,89


Tabel 4.15 Perbandingan hasil error
ERROR STATISTIK
ME
-6

MAE
53,74
SSE
38.809
SDE
70,96
MSE
1.141,44
ERROR RELATIF
MPE
0,30
MAPE
4,03
Sumber : Pengolahan data

Contoh perhitungan :
Error Statistik

MSE =

38.809
34

= 1.141,44

MAE = 1.827/34 = 53,74

SSE =
SSE = (-197)2 = 38.809

166.185

SDE =

341

ME = -197/34 = -6

= 70,96

Error Relatif
MAPE = I PE I/n
MPE = 10,18/34 = 0,3

MAPE = 137,14/34 = 4,03

41

d) Regresi Linier
Pada metode RL tidak terdapat nilai konstan, namun untuk
perhitungan dari hasil peramalan menggunakan nilai "a" dan "b"
yang dihitung terlebih dahulu sebelum mendapat hasil peramalan.
Hasil peramalan hanya menggunakan komponen "a" dan "b".
Tabel 4.16 Hasil Perhitungan Forecast RL

Peramalan Metode Regresi Linier


Periode Demand
t^2
d.t
F=a+bt
1
1.272,00
1
1272
1.473,15
2
1.708,00
4
3416
1.470,46
3
1.304,00
9
3912
1.467,77
4
1.552,00
16
6208
1.465,08
5
1.356,00
25
6780
1.462,40
6
1.496,00
36
8976
1.459,71
7
1.440,00
49
10080
1.457,02
8
1.608,00
64
12864
1.454,33
9
1.384,00
81
12456
1.451,64
10
1.444,00
100
14440
1.448,96
11
1.384,00
121
15224
1.446,27
12
1.556,00
144
18672
1.443,58
13
1.384,00
169
17992
1.440,89
14
1.444,00
196
20216
1.438,21
15
1.300,00
225
19500
1.435,52
16
1.468,00
256
23488
1.432,83
17
1.384,00
289
23528
1.430,14
18
1.440,00
324
25920
1.427,45
19
1.356,00
361
25764
1.424,77
20
1.440,00
400
28800
1.422,08
21
1.496,00
441
31416
1.419,39
22
1.468,00
484
32296
1.416,70
23
1.496,00
529
34408
1.414,02
24
1.412,00
576
33888
1.411,33
25
1.748,00
625
43700
1.408,64
26
1.244,00
676
32344
1.405,95
27
1.748,00
729
47196
1.403,27
28
1.048,00
784
29344
1.400,58
29
1.664,00
841
48256
1.397,89
30
1.048,00
900
31440
1.395,20
31
1.720,00
961
53320
1.392,51
32
992,00
1024
31744
1.389,83
33
1.664,00
1089
54912
1.387,14
34
992,00
1156
33728
1.384,45

Forecast
1.474
1.471
1.468
1.466
1.463
1.460
1.458
1.455
1.452
1.449
1.447
1.444
1.441
1.439
1.436
1.433
1.431
1.428
1.425
1.423
1.420
1.417
1.415
1.412
1.409
1.406
1.404
1.401
1.398
1.396
1.393
1.390
1.388
1.385

42

35
36
37
38
39
40
41
42
43
44
45
46
47
48
666

1225
1296

1.832,00
1.048,00

64120
37728

b
a

-2,69
1.475,83

51.340,00

16206

939348

1.381,76
1.379,08
1.376,39
1.373,70
1.371,01
1.368,32
1.365,64
1.362,95
1.360,26
1.357,57
1.354,89
1.352,20
1.349,51
1.346,82
-314,22

1.382
1.380
1377
1374
1372
1369
1366
1363
1361
1358
1355
1353
1350
1347
-315

Sumber : Pengolahan data

Contoh Perhitungan :

b=

a=

36x939.348 (666)(51.340)
3616.206(666)2

51.340
36

(2,69)

666
36

= -2,69

F1 = 1.475,83 + (-2,69x1) = 1.473,15 ~ 1.474

= 1.475,83

Gambar 4.4 Plot demand-forecast metode Regresi Linier


Sumber : Pengolahan data

43

Tabel 4.17 Perhitungan error Forecast RL

Periode
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
TOTAL

Perhitungan Error Peramalan


et
et
et^2
PE (%)
-202
202
40.804
-15,88
237
237
56.169
13,88
-164
164
26.896
-12,58
86
86
7.396
5,54
-107
107
11.449
-7,89
36
36
1.296
2,41
-18
18
324
-1,25
153
153
23.409
9,51
-68
68
4.624
-4,91
-5
5
25
-0,35
-63
63
3.969
-4,55
112
112
12.544
7,20
-57
57
3.249
-4,12
5
5
25
0,35
-136
136
18.496
-10,46
35
35
1.225
2,38
-47
47
2.209
-3,40
12
12
144
0,83
-69
69
4.761
-5,09
17
17
289
1,18
76
76
5.776
5,08
51
51
2.601
3,47
81
81
6.561
5,41
0
0
0
0,00
339
339
114.921
19,39
-162
162
26.244
-13,02
344
344
118.336
19,68
-353
353
124.609
-33,68
266
266
70.756
15,99
-348
348
121.104
-33,21
327
327
106.929
19,01
-398
398
158.404
-40,12
276
276
76.176
16,59
-393
393
154.449
-39,62
450
450
202.500
24,56
-332
332
110.224
-31,68
-19
5825
1.618.893
-89,33

PE
15,88
13,88
12,58
5,54
7,89
2,41
1,25
9,51
4,91
0,35
4,55
7,20
4,12
0,35
10,46
2,38
3,40
0,83
5,09
1,18
5,08
3,47
5,41
0,00
19,39
13,02
19,68
33,68
15,99
33,21
19,01
40,12
16,59
39,62
24,56
31,68
434,3

Sumber : Pengolahan data

44

Tabel 4.18 Perbandingan hasil error

ERROR STATISTIK
ME
-0,53
MAE
161,81
SSE
361
SDE
215,07
MSE
10,03
ERROR RELATIF
MPE
-2,48
MAPE
12,06
Sumber : Pengolahan data

Contoh perhitungan :
Error Statistik

MSE =

361
36

= 10,03

MAE = 5.825/36 = 161,81

SSE =
SSE = (-19)2 = 361

1.618.893

SDE =

361

ME = -19/36 = -0,53

= 215,07

Error Relatif
MAPE = I PE I/n
MPE = -89,33/36 = -2,48

MAPE = 434,3/36 = 12,06

45

4.2.2 Rencana Produksi Agregat


a) Metode Tenaga Kerja Tetap
Dalam pembuatan rencana produksi dengan strategi tenaga
kerja tetap, strategi nu tidak akan ada hiring (penambahan) atau
lay off (pengurangan) tenaga kerja. Pada periode pertama akan
dilakukan hiring atau lay off untuk menyetarakan

kapasitas

produksi agar dapat memenuhi jumlah demand selama periode


berlangsung. Untuk periode berikutnya tidak ada penambahan atau
pengurangan tenaga kerja.
Tabel 4.19 Perhitungan tenaga kerja tetap
S.TKT
Periode
0
1
2
3
4
5
6
7
8
9
10
11
12
Total

Tenaga Kerja Tetap


Hari Kerja

Demand
20
19
20
21
20
21
22
21
22
20
19
21

246

1377
1374
1372
1369
1366
1363
1361
1358
1355
1353
1350
1347
16345

Tenaga Kerja
10

14

RMH

UPRT

134400
127680
134400
141120
134400
141120
147840
141120
147840
134400
127680
141120
1653120

1344
1277
1344
1411
1344
1411
1478
1411
1478
1344
1277
1411
16532

UPOT

SK

Hiring Lay Off


4

Inventori
500
467
370
342
384
362
410
528
581
704
695
622
686
6151

Sumber : Pengolahan data

Pada tabel terdapat inventori awal, inventori awal adalah


inventori

yang digunakan untuk

memenuhi jumlah permintaan,

gunakan inventori awal hingga habis kemudian memilih strategi lain


seperti overtime dan sub kontrak. Jika kapasitas produksi prouksi tidak
dapat memenuhi permintaan dapat menggunakan strategi overtime
dengan 25% dari kapasitas normal. Apabila masih tidak cukup juga
untuk

memenuhi jumlah permintaan

maka dilakukan sub kontrak

dengan 50% dari kapasitas normal. Maka hasil akhir dari metode tenaga
kerja tetap adalah:

46

Tabel 4.20 Hasil cost akhir tenaga kerja tetap


Biaya Hiring
IDR

6.000.000

Total

Biaya RT
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR

67.200.000 IDR
63.840.000 IDR
67.200.000 IDR
70.560.000 IDR
67.200.000 IDR
70.560.000 IDR
73.920.000 IDR
70.560.000 IDR
73.920.000 IDR
67.200.000 IDR
63.840.000 IDR
70.560.000 IDR
826.560.000 IDR

Biaya Inv.
1.167.500
924.500
854.500
960.000
905.000
1.025.500
1.319.000
1.452.000
1.760.500
1.738.000
1.555.000
1.715.500
15.377.000

Total Biaya
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR

74.367.500
64.764.500
68.054.500
71.520.000
68.105.000
71.585.500
75.239.000
72.012.000
75.680.500
68.938.000
65.395.000
72.275.500
847.937.000

Sumber : Pengolahan data

Contoh perhitungan : pada periode 1

Jumlah tenaga kerja = (16345-500) x 100/246 x 8 x 60 = 14

RMH = 14 x 20 x 8 x 60 = 134400

UPRT = 134400/100 = 1344

UPOT = 0

SK = 0
Hiring (jika tenaga kerja awal < jumlah tenaga kerja yang
dibutuhkan) = 10 + 4 = 14
Lay off (jika tenaga kerja awal > jumlah tenaga kerja yang
dibutuhkan) = 0

Inventori akhir = 500 + 1344 + 0 + 0 1377 = 467


47

b) Metode Tenaga Kerja Berubah


Dalam pembuatan rencana produksi dengan strategi tenaga
kerja berubah, dimana strategi ini akan ada hiring (penambahan) atau
lay off (pengurangan) tenaga kerja pada setiap periode sesuai dengan
kebutuhan berdasarkan pada jumlah permintaan dan kapasitas
produksi.
Tabel 4.21 Perhitungan tenaga kerja berubah
S.TKB
Periode
0
1
2
3
4
5
6
7
8
9
10
11
12
Total

Tenaga Kerja Berubah


Hari Kerja

Demand

Tk.Dihitung

20
19
20
21
20
21
22
21
22
20
19
21
246

1377
1374
1372
1369
1366
1363
1361
1358
1355
1353
1350
1347
16345

9,135
14,156
13,490
13,095
13,271
12,827
12,718
13,175
12,036
13,031
13,783
13,165
154

Tk.Terpakai RMH
10
10
96000
15
136800
14
134400
14
141120
14
134400
13
131040
13
137280
14
141120
13
137280
14
134400
14
127680
14
141120
172
1592640

UPRT

UPOT

960
1368
1344
1412
1344
1311
1373
1412
1373
1344
1277
1412
15930

SK

Hiring

Lay Off

0
5
0
0
0
0
0
1
0
1
0
0
7

0
0
1
0
0
1
0
0
1
0
0
0
3

Inventori
500
83
77
49
92
70
18
30
84
102
93
20
85
1303

Sumber : Pengolahan data


Tabel 4.22 Hasil cost akhir tenaga kerja berubah
Biaya Hiring

Biaya Lay Off

IDR 0
IDR 7.500.000
IDR 0
IDR 0
IDR 0
IDR 0
IDR 0
IDR 1.500.000
IDR 0
IDR 1.500.000
IDR 0
IDR 0
IDR 10.500.000

IDR 0
IDR 0
IDR 2.000.000
IDR 0
IDR 0
IDR 2.000.000
IDR 0
IDR 0
IDR 2.000.000
IDR 0
IDR 0
IDR 0
IDR 6.000.000

Biaya RT
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR

48.000.000
68.400.000
67.200.000
70.600.000
67.200.000
65.550.000
68.650.000
70.600.000
68.650.000
67.200.000
63.850.000
70.600.000
796.500.000

Biaya Inv.
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR

207.500
192.500
122.500
230.000
175.000
45.000
75.000
210.000
255.000
232.500
50.000
212.500
2.007.500

Total Biaya
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR
IDR

48.207.583
76.092.577
69.322.549
70.830.092
67.375.070
67.595.018
68.725.030
72.310.084
70.905.102
68.932.593
63.900.020
70.812.585
815.008.303

Sumber : Pengolahan data

Contoh perhitungan : pada periode 1

Jumlah tenaga kerja = (16345-500) x 100/20x 8 x 60 = 9,135 10

RMH = 10 x 20 x 8 x 60 = 96000

48

UPRT = 96000/100 = 960

UPOT = 0

SK = 0
Hiring (jika tenaga kerja awal < jumlah tenaga kerja yang
dibutuhkan) = 0
Lay off (jika tenaga kerja awal > jumlah tenaga kerja yang
dibutuhkan) = 0

Inventori akhir = 500 + 960 + 0 + 0 1377 = 83

49

50

1369

22

1363

1361

1358

1355

IDR 67.500
IDR 92.500
IDR 137.500
IDR 65.000
IDR 90.000
IDR 135.000
IDR 62.500
IDR 87.500
IDR 132.500
IDR 60.000
IDR 85.000
IDR 130.000
IDR 57.500

IDR 65.000
IDR 90.000
IDR 135.000
IDR 62.500
IDR 87.500
IDR 132.500
IDR 60.000
IDR 85.000
IDR 130.000
IDR 57.500
IDR 82.500
IDR 127.500
IDR 55.000

IDR 62.500
IDR 87.500
IDR 132.500
IDR 60.000
IDR 85.000
IDR 130.000
IDR 57.500
IDR 82.500
IDR 127.500
IDR 55.000
IDR 80.000
IDR 125.000

IDR 60.000
IDR 85.000
IDR 130.000
IDR 57.500
IDR 82.500
IDR 127.500
IDR 55.000
IDR 80.000
IDR 125.000
IDR 52.500
IDR 77.500
IDR 122.500

IDR 57.500
IDR 82.500
IDR 127.500
IDR 55.000
IDR 80.000
IDR 125.000
IDR 52.500
IDR 77.500
IDR 122.500

IDR 50.000
IDR 75.000
IDR 120.000

IDR 55.000
IDR 80.000
IDR 125.000
IDR 52.500
IDR 77.500
IDR 122.500

IDR 50.000
IDR 75.000
IDR 120.000

IDR 52.500
IDR 77.500
IDR 122.500

IDR 50.000
IDR 75.000
IDR 120.000

IDR 50.000
IDR 75.000
IDR 120.000

1347

IDR 95.000
IDR 140.000

IDR 92.500
IDR 137.500

IDR 90.000
IDR 135.000

IDR 87.500
IDR 132.500

IDR 85.000
IDR 130.000

IDR 82.500
IDR 127.500

IDR 80.000
IDR 125.000

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000

73

IDR 70.000

IDR 67.500

IDR 65.000

IDR 62.500

IDR 60.000

IDR 57.500

IDR 55.000

IDR 52.500

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000

IDR 67.350.000
IDR 67.865.000
IDR 67.672.500
IDR 67.750.000
IDR 67.900.000
IDR 68.050.000
IDR 68.150.000

IDR 68.355.000

IDR 68.450.000

IDR 68.740.000

IDR 68.942.500

IDR 43.850.000

Total Cost :

Sumber : Pengolahan data

1347
1350
1353
1355
1358
1361
1363

1366

1369

1372

IDR 120.000

IDR 75.000

IDR 50.000

IDR 52.500

IDR 50.000

IDR 80.000
IDR 125.000

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000
1277

IDR 55.000
IDR 52.500

IDR 50.000

1344

IDR 82.500
IDR 127.500

IDR 80.000
IDR 125.000

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000

IDR 52.500

IDR 97.500
IDR 142.500

IDR 95.000
IDR 140.000

IDR 92.500
IDR 137.500

IDR 90.000
IDR 135.000

IDR 87.500
IDR 132.500

IDR 85.000
IDR 130.000

IDR 82.500
IDR 127.500

IDR 80.000
IDR 125.000

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000

IDR 72.500

IDR 70.000

IDR 67.500

IDR 65.000

IDR 62.500

IDR 60.000

IDR 57.500

IDR 55.000

IDR 52.500

IDR 50.000

IDR 50.000

IDR 145.000

IDR 95.000
IDR 140.000

IDR 92.500
IDR 137.500

IDR 90.000
IDR 135.000

IDR 87.500
IDR 132.500

IDR 85.000
IDR 130.000

IDR 82.500
IDR 127.500

IDR 80.000
IDR 125.000

IDR 77.500
IDR 122.500

IDR 75.000

IDR 120.000

1344

IDR 100.000

IDR 97.500
IDR 142.500

IDR 70.000

IDR 67.500

IDR 65.000

IDR 62.500

IDR 60.000

IDR 57.500

IDR 55.000

IDR 52.500

IDR 50.000

IDR 50.000

IDR 75.000

IDR 72.500

IDR 142.500

IDR 140.000

IDR 137.500

IDR 135.000

IDR 132.500

IDR 130.000

IDR 127.500

IDR 125.000

IDR 122.500

IDR 120.000

1344

IDR 147.500

IDR 145.000

IDR 97.500

IDR 95.000

IDR 92.500

IDR 90.000

IDR 87.500

IDR 85.000

IDR 82.500

1277

IDR 77.500
IDR 102.500

IDR 75.000
IDR 100.000

IDR 72.500

IDR 70.000

IDR 67.500

IDR 65.000

IDR 62.500

IDR 60.000

IDR 57.500

IDR 52.500
IDR 80.000

12

IDR 55.000

28

11

IDR 77.500

97

10

IDR 75.000

IDR 50.000

1374

877

1377

SK

OT

RT

SK

OT

RT

SK

OT

RT

SK

OT

RT

SK

OT

RT

SK

OT

RT

SK

OT

RT

SK

OT

RT

SK

OT

RT

SK

OT

RT

SK

OT

RT

SK

OT

RT

Demand

12

11

10

Periode

Tabel 4.23 Model transportasi

64

648

41

53

117

48

362

20

342

Kapasitas
Tak
Terpakai

IDR 793.075.000

1411

1277

1344

1478

1411

1478

1411

1344

1411

1344

1277

1344

Kapasitas

c) Model Transportasi

4.2.3 Disagregasi dan MPS


Tabel 4.24 Perhitungan diagregasi
Periode 1
1377

Demand
Famili (i)
Tamiya
Auldey

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
148
145
55
50
398

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
620
608
230
211
1667,678999

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
680
667
252
231
1831,186489

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
1437
1409
532
489
3868,052491

TOTAL

2181

rij,t
810
795
300
276
2181

Sij
0
0
0
0
0

RPA
Iij,t
-662,00
-650,00
-245,00
-226,00
-1783,00

dij
662,00
650,00
245,00
226,00
1783,00

Iij,t < Sij


v
v
v
v

rij,t
809
793
299
275
2176

Sij
0
0
0
0
0

RPA
Iij,t
-189,45
-185,19
-69,35
-64,33
-508,32

dij
189,45
185,19
69,35
64,33
508,32

Iij,t < Sij


v
v
v
v

rij,t
808
792
299
275
2174

Sij
0
0
0
0
0

RPA
Iij,t
-127,67
-124,60
-46,89
-43,66
-342,81

dij
127,67
124,60
46,89
43,66
342,81

Iij,t < Sij


v
v
v
v

rij,t
806
790
298
274
2168

Sij
0
0
0
0
0

RPA
Iij,t
631,37
619,44
234,25
214,99
1700,05

dij
631,37
619,44
234,25
214,99
1700,05

Iij,t < Sij


x
x
x
x

IDR
IDR
IDR
IDR
IDR

Kj
400.000
400.000
300.000
300.000
1.400.000

IDR
IDR
IDR
IDR
IDR

Kj
300.000
300.000
300.000
300.000
1.200.000

IDR
IDR
IDR
IDR
IDR

Kj
400.000
400.000
400.000
400.000
1.600.000

hij
IDR
IDR
IDR
IDR
IDR

2.000
2.200
2.500
3.000
9.700

hij*rij
IDR 1.620.000
IDR 1.749.000
IDR 750.000
IDR 828.000
IDR 4.947.000

T*j
1
1
1
1
4

q*ij
810
795
300
276
2181

mij
0,51
0,52
0,92
1
2,95

q*ij . mij
413,1
413,4
276
276
1378,5

rij mij
413
413
276
276
1378,5

q*ij (adj)
1282
1258
475
437
3450,678999

q*ij (adj) x mij


654
654
437
437
2181

Iij,t (adj)
620
608
230
211
1667,678999

Iij,t (adj) mij


316
316
211
211
1053,98

hij*rij
IDR 2.022.500
IDR 1.982.500
IDR 747.500
IDR 825.000
IDR 5.577.500

T*j
1
1
1
1
4

q*ij
809
793
299
275
2176

mij
0,92
0,92
0,92
1
3,76

q*ij . mij
744,28
729,56
275,08
275
2023,92

rij mij
744
730
275
275
2023,92

q*ij (adj)
870
853
321
296
2339,50749

q*ij (adj) x mij


800
784
296
296
2176

Iij,t (adj)
680
667
252
231
1831,186489

Iij,t (adj) mij


626
614
232
231
1703,198651

hij*rij
IDR 1.616.000
IDR 1.742.400
IDR 657.800
IDR 605.000
IDR 4.621.200

T*j
1
1
1
1
4

q*ij
808
792
299
275
2174

mij
0,51
0,52
0,52
0,52
2,07

q*ij . mij
412,08
411,84
155,48
143
1122,4

rij mij
412
412
155
143
1122,4

q*ij (adj)
1565
1534
579
533
4210,866001

q*ij (adj) x mij


798
798
301
277
2174

Iij,t (adj)
1437
1409
532
489
3868,052491

Iij,t (adj) mij


733
733
277
254
1997,01363

hij*rij

T*j

q*ij

mij

q*ij . mij

rij mij

q*ij (adj)

q*ij (adj) x mij

Iij,t (adj)

Iij,t (adj) mij

hij*rij
IDR 2.010.000
IDR 1.972.500
IDR 742.500
IDR 685.000
IDR 5.410.000

T*j
1
1
1
1
4

q*ij
804
789
297
274
2164

mij
0,92
0,92
0,92
0,92
3,68

q*ij . mij
739,68
725,88
273,24
252,08
1990,88

rij mij
740
726
273
252
1990,88

q*ij (adj)
874
858
323
298
2352,173913

q*ij (adj) x mij


804
789
297
274
2164

Iij,t (adj)
70
69
26
24
188,173913

Iij,t (adj) mij


64
63
24
22
173,12

hij*rij
IDR 2.005.000
IDR 1.967.500
IDR 742.500
IDR 819.000
IDR 5.534.000

T*j
1
1
1
1
4

q*ij
802
787
297
273
2159

mij
0,92
0,92
0,92
1
3,76

q*ij . mij
737,84
724,04
273,24
273
2008,12

rij mij
738
724
273
273
2008,12

q*ij (adj)
862
846
319
294
2321,216362

q*ij (adj) x mij


793
778
294
294
2159

Iij,t (adj)
130
128
48
44
350,3902746

Iij,t (adj) mij


120
118
44
44
325,906087

hij*rij
IDR 2.002.500
IDR 1.965.000
IDR 740.000
IDR 819.000
IDR 5.526.500

T*j
1
1
1
1
4

q*ij
801
786
296
273
2156

mij
0,92
0,92
0,92
1
3,76

q*ij . mij
736,92
723,12
272,32
273
2005,36

rij mij
737
723
272
273
2005,36

q*ij (adj)
870
854
321
273
2317,955878

q*ij (adj) x mij


800
785
296
273
2154,359408

Iij,t (adj)
199
195
74
44
512,3461529

Iij,t (adj) mij


183
180
68
44
474,9054949

hij*rij
IDR 1.997.500
IDR 1.960.000
IDR 740.000
IDR 816.000
IDR 5.513.500

T*j
1
1
1
1
4

q*ij
799
784
296
272
2151

mij
0,92
0,92
0,92
1
3,76

q*ij . mij
735,08
721,28
272,32
272
2000,68

rij mij
735
721
272
272
2000,68

q*ij (adj)
859
843
318
292
2312,614211

q*ij (adj) x mij


790
775
293
292
2151

Iij,t (adj)
259
254
96
65
673,960364

Iij,t (adj) mij


238
234
88
65
625,2254949

hij*rij
IDR 1.995.000
IDR 1.955.000
IDR 737.500
IDR 813.000
IDR 5.500.500

T*j
1
1
1
1
4

q*ij
798
782
295
271
2146

mij
0,92
0,92
0,92
1
3,76

q*ij . mij
734,16
719,44
271,4
271
1996

rij mij
734
719
271
271
1996

q*ij (adj)
858
841
317
291
2307,272545

q*ij (adj) x mij


789
774
292
291
2146

Iij,t (adj)
319
313
118
85
835,2329091

Iij,t (adj) mij


294
288
109
85
775,2254949

hij*rij
IDR 1.990.000
IDR 1.952.500
IDR 737.500
IDR 813.000
IDR 5.493.000

T*j
1
1
1
1
4

q*ij
796
781
295
271
2143

mij
0,92
0,92
0,92
1
3,76

q*ij . mij
732,32
718,52
271,4
271
1993,24

rij mij
732
719
271
271
1993,24

q*ij (adj)
856
840
317
291
2304,012061

q*ij (adj) x mij


787
773
292
291
2143

Iij,t (adj)
379
372
140
106
996,2449699

Iij,t (adj) mij


349
342
129
106
924,9854949

hij*rij
IDR 1.987.500
IDR 1.947.500
IDR 735.000
IDR 810.000
IDR 5.480.000

T*j
1
1
1
1
4

q*ij
795
779
294
270
2138

mij
0,92
0,92
0,92
1
3,76

q*ij . mij
731,4
716,68
270,48
270
1988,56

rij mij
731
717
270
270
1988,56

q*ij (adj)
855
838
316
290
2298,670395

q*ij (adj) x mij


786
771
291
290
2138

Iij,t (adj)
439
430
162
126
1156,915365

Iij,t (adj) mij


404
396
149
126
1074,425495

hij*rij
IDR 1.982.500
IDR 1.945.000
IDR 732.500
IDR 810.000
IDR 5.470.000

T*j
1
1
1
1
4

q*ij
793
778
293
270
2134

mij
0,92
0,92
0,92
1
3,76

q*ij . mij
729,56
715,76
269,56
270
1984,88

rij mij
730
716
270
270
1984,88

q*ij (adj)
853
836
315
290
2294,323083

q*ij (adj) x mij


784
770
290
290
2134

Iij,t (adj)
498
489
184
146
1317,238447

Iij,t (adj) mij


458
450
170
146
1223,545495

Periode 2
1374

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2176
hij
IDR
IDR
IDR
IDR
IDR

2.500
2.500
2.500
3.000
10.500

Periode 3
1372

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2174
hij
IDR
IDR
IDR
IDR
IDR

2.000
2.200
2.200
2.200
8.600

Periode 4
1369

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2168
Kj

IDR

hij

- IDR

- IDR

Periode 5
1366

Demand
Famili (i)
Tamiya
Auldey

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
0
0
0
0
0

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
70
69
26
24
188,173913

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
130
128
48
44
350,3902746

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
199
195
74
44
512,3461529

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
259
254
96
65
673,960364

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
319
313
118
85
835,2329091

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
379
372
140
106
996,2449699

Item (j)
Baracuda
Cobra
Hauler
Emperor

Iij,t-1
439
430
162
126
1156,915365

TOTAL

2164

rij,t
804
789
297
274
2164

Sij
0
0
0
0
0

RPA
Iij,t
-804,00
-789,00
-297,00
-274,00
-2164,00

dij
804,00
789,00
297,00
274,00
2164,00

Iij,t < Sij


v
v
v
v

Kj
IDR 300.000
IDR 300.000
IDR 300.000
IDR 300.000
IDR 1.200.000

rij,t
802
787
297
273
2159

Sij
0
0
0
0
0

RPA
Iij,t
-732,09
-718,39
-271,17
-249,17
-1970,83

dij
732,09
718,39
271,17
249,17
1970,83

Iij,t < Sij


v
v
v
v

IDR
IDR
IDR
IDR
IDR

Kj
300.000
300.000
300.000
300.000
1.200.000

rij,t
801
786
296
273
2156

Sij
0
0
0
0
0

RPA
Iij,t
-670,83
-658,26
-247,86
-228,66
-1805,61

dij
670,83
658,26
247,86
228,66
1805,61

Iij,t < Sij


v
v
v
v

IDR
IDR
IDR
IDR
IDR

Kj
300.000
300.000
300.000
300.000
1.200.000

rij,t
799
784
296
272
2151

Sij
0
0
0
0
0

RPA
Iij,t
-599,94
-588,66
-222,40
-227,66
-1638,65

dij
599,94
588,66
222,40
227,66
1638,65

Iij,t < Sij


v
v
v
v

IDR
IDR
IDR
IDR
IDR

Kj
300.000
300.000
300.000
300.000
1.200.000

rij,t
798
782
295
271
2146

Sij
0
0
0
0
0

RPA
Iij,t
-538,90
-527,75
-199,16
-206,23
-1472,04

dij
538,90
527,75
199,16
206,23
1472,04

Iij,t < Sij


v
v
v
v

IDR
IDR
IDR
IDR
IDR

Kj
300.000
300.000
300.000
300.000
1.200.000

rij,t
796
781
295
271
2143

Sij
0
0
0
0
0

RPA
Iij,t
-476,93
-467,98
-176,99
-185,86
-1307,77

dij
476,93
467,98
176,99
185,86
1307,77

Iij,t < Sij


v
v
v
v

IDR
IDR
IDR
IDR
IDR

Kj
300.000
300.000
300.000
300.000
1.200.000

rij,t
795
779
294
270
2138

Sij
0
0
0
0
0

RPA
Iij,t
-416,13
-407,30
-153,83
-164,50
-1141,76

dij
416,13
407,30
153,83
164,50
1141,76

Iij,t < Sij


v
v
v
v

IDR
IDR
IDR
IDR
IDR

Kj
300.000
300.000
300.000
300.000
1.200.000

rij,t
793
778
293
270
2134

Sij
0
0
0
0
0

RPA
Iij,t
-354,38
-347,76
-130,73
-144,21
-977,08

dij
354,38
347,76
130,73
144,21
977,08

Iij,t < Sij


v
v
v
v

IDR
IDR
IDR
IDR
IDR

Kj
300.000
300.000
300.000
300.000
1.200.000

hij
IDR
IDR
IDR
IDR
IDR

2.500
2.500
2.500
2.500
10.000

Periode 6
1363

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2159
hij
IDR
IDR
IDR
IDR
IDR

2.500
2.500
2.500
3.000
10.500

Periode 7
1361

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2156
hij
IDR
IDR
IDR
IDR
IDR

2.500
2.500
2.500
3.000
10.500

Periode 8
1358

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2151
hij
IDR
IDR
IDR
IDR
IDR

2.500
2.500
2.500
3.000
10.500

Periode 9
1355

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2146
hij
IDR
IDR
IDR
IDR
IDR

2.500
2.500
2.500
3.000
10.500

Periode 10
1353

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2143
hij
IDR
IDR
IDR
IDR
IDR

2.500
2.500
2.500
3.000
10.500

Periode 11
1350

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2138
hij
IDR
IDR
IDR
IDR
IDR

2.500
2.500
2.500
3.000
10.500

Periode 12
1347

Demand
Famili (i)
Tamiya
Auldey
TOTAL

2134
hij
IDR
IDR
IDR
IDR
IDR

2.500
2.500
2.500
3.000
10.500

Sumber : Pengolahan data

51

Contoh perhitungan : Periode 1 item Tamiya- Baracuda


Iij,t-1 = Inventori awal x %proporsi x faktor konversi
Iij,t-1 = 250 x 30% x 0,51 = 148
rij,t = diambil dari actual demand per item = 810

Iij,t = 148 -810 = -662

dij,t = 0 + (-662) = -622 di absolutekan menjadi 662

T*j =

2 400000
828000

=1

Q*ij = T*j x rij,t


q*ij = 1 x 810 = 810

q*ij (adj) = 810 +((810x2181)-1378,5)/1378,5 = 1282

Iij,t (adj) = 148 + 1282 810 = 620

52

Tabel 4.25 Master Prduction Schedule


Description
Order Quantity

Baracuda
LFL

Periode
Forecast
Actual Demand
Master Schedule
PAB
ATP
Planned Order

Past Due

Description
Order Quantity

Cobra
LFL

Periode
Forecast
Actual Demand
Master Schedule
PAB
ATP
Planned Order

Past Due

Description
Order Quantity

Hauler
LFL

Periode
Forecast
Actual Demand
Master Schedule
PAB
ATP
Planned Order

Past Due

Description
Order Quantity

Emperor
LFL

Periode
Forecast
Actual Demand
Master Schedule
PAB
ATP
Planned Order

Past Due

148

145

55

50

1
1377
851
1.282

DTF
PTF

4
7

2
1374
890
870

3
1372
930
1.565

Safety Stock
Lead Time
4
1369
968
0

5
1366
965
874

Loz Size

10

8
1358
0
859

9
1355
0
858

1
6
1363
923
862

7
1361
0
870

10
1353
0
856

11
1350
0
855

12
1347
0
853

579

558

1.193

225

134

74

943

1.802

2.660

3.516

4.371

5.224

579

558

1.193

225

134

74

943

1.802

2.660

3.516

4.371

5.224

DTF
PTF

4
7

Loz Size

10

2
1374
873
853

3
1372
911
1.534

8
1358
0
843

9
1355
0
841

10
1353
0
840

11
1350
0
838

12
1347
0
836

1
1377
835
1.258

Safety Stock
Lead Time
4
1369
948
0

5
1366
947
858

1
6
1363
906
846

7
1361
0
854

568

547

1.170

222

133

73

927

1.770

2.610

3.450

4.288

5.124

568

547

1.170

222

133

73

927

1.770

2.610

3.450

4.288

5.124

DTF
PTF

4
7

Loz Size

10

2
1374
329
321

3
1372
344
579

8
1358
0
318

9
1355
0
317

10
1353
0
317

11
1350
0
316

12
1347
0
315

1
1377
315
475

Safety Stock
Lead Time
4
1369
358
0

5
1366
357
323

1
6
1363
342
319

7
1361
0
321

215

207

442

84

50

27

349

667

984

1.301

1.618

1.933

215

207

442

84

50

27

349

667

984

1.301

1.618

1.933

DTF
PTF

4
7

Loz Size

10

2
1374
303
296

3
1372
317
533

8
1358
0
292

9
1355
0
291

10
1353
0
291

11
1350
0
290

12
1347
0
290

1
1377
290
437

Safety Stock
Lead Time
4
1369
329
0

5
1366
329
298

1
6
1363
314
294

7
1361
0
273

197

189

405

76

45

24

297

590

881

1.172

1.463

1.753

197

189

405

76

45

24

297

590

881

1.172

1.463

1.753

53

BAB V
ANALISIS
5.1 FORECAST
Dalam pemilihan metode peramalan yang baik dilihat nilai error
yang dihasilkan, jika nilai error yang dihasilkan memiliki nilai error kecil
maka hasil dari peramalan tersebut mendekati realitas atau yang baik
untuk digunakan dan jika nilai error besar maka hasil dari peramalan
tersebut tidak baik. Berikut adalah beberapa nilai error dari masing-masing
metode peramalan:

Metode Peramalan

Tabel 5.1 Perbandiangn error antar metode forecast

DMA
Brown
Holt
RL

DMA
Brown
Holt
RL

Error Statistika
MSE
MAE
ME
SSE
247,53 61,59
2,78
7.921
10,62
23,5
-0,56
361
1.141,44 53,74
-6
71
10,03 161,81
-0,53
361
Error Relatif
MAPE
MPE
4,46

-0,42

1,76
4,03
12,06

0,25
0,3
-2,48

SDE
77,48
31,54
70,96
215,07

Sumber : Pengolahan data

Dalam hal ini praktikan mengambil contoh perbandingan nilai


error terkecil dengan metode eror terkecil. Dari data tabel diatas terlihat
metode Regresi Linier memiliki nilai error MSE terkecil namun tidak
selamanya metode Rgersi Linier ini memiliki nilai error MSE kecil. Nilai
eror ini dapat selalu berubah tergantung nilai dari variab el-variabelnya.
5.2 RENCANA PRODUKSI AGREGAT
Berdasarkan hasil perhitungan forecasting pada modul 1, yaitu
metode Regresi Linier, maka hasil forecast dilakukan agregasi untuk
mengetahui biaya terkecil dalam melakukan proses produksi. Perhitungan
menggunakan tiga altematif yaitu tenaga kerja tetap, tenaga kerja berubah,
54

dan model transportasi. Berikut adalah total biaya dari ketiga altematif
tersebut.
Tabel 5.2 Perbandiangn total biaya antar metode agregat

Alternatif

Tenaga kerja tetap


Tenaga kerja berubah
Model Transportasi

Total Biaya

Rp 847.937.000
Rp 815.008.303
Rp 793.075.000

Sumber : Pengolahan data

Maka dari ketiga altematif, total biaya minimum adalah altematif


ke tiga yaitu dengan model transportasi dengan total biaya akhir sebesar
793.075.000. Pada model transportasi mendapatkan total biaya terkecil
dikarenakan pada metode ini tidak adanya variabel-variabel
digunakan

lain yang

dalam perhitungan. Berbeda dengan kedua alternatif yang

lainnya.
5.3 DISAGREGASI DAN MASTER PRODUCTION SCHEDULE (MPS)
Hasil pada tabel Iij,t-1 pada periode pertama adalah hasil perhitungan
dari inventori awal dikalikan dengan persen proporsi. Pada data hasil q*ij (adj)
pada disagregasi akan menjadikan data master schedule pada master
production

schedule. Dalam perhitungan master production schedule

perhitungan produksi tergantung dari lead time.

55

BAB VI
KESIMPULAN DAN SARAN
6.1 KESIMPULAN
6.1.1 Forecast
1. Terdapat beberapa metode peramalan seperti DMA, DSSP, DSDP,
dan RL.
2. Kebutuhan permintaan untuk periode berikutnya dapat diketahui.
3. Dengan

peramalan

mempunyai

kebutuhan

maka

sebuah

perusahaan

perkiraan untuk menyediakan atau memproduksi

barang.
4. Metode peramalan yang paling baik, dapat dilihat dari nilai error
MSE yang paling kecil.
6.1.2 Rencana Produksi Agregat
1. Terdapat beberapa alternatif untuk dalam penentuan rencana
produksi agregat, yaitu dengan Menenetapkan jumlah tenaga kerja,
merubah jumlah tenaga kerja sesuai dengan jumlah permintaan dan
dengan model transportaasi
2. Metode model transportasi adalah metode yang memiliki hasil
akhir dengan biaya terkecil dari beberapa alternatif yang sudah
digunakan.
3. Adanya rencana produksi agregat adalah untuk melihat hasil
perhitungan dari semua faktor yang mempengaruhi dengan hasil
akhir ongkos terkecil.
6.1.3 Disagregasi dan MPS
1. Jadwal induk produksi dapat menentukan kebutuhan produk
yang akan diproduksi.

56

2. Dapat memprediksi seberapa banyak barang yang akan dipesan


dalam periode selanjutnya.
3. Dalam jadwal induk produksi akan terlihat berapa banyak jumlah
unit yang akan dipesan dan kapan waktu pemesanannya.

6.2 SARAN
6.2.1 Forecast
1.

Teliti dalam memasukkan nilai variabel-variabel ke dalam rumusrumus metode peramalan.

2.

Berhati-hati untuk membandingkan nilai error antara satu metode


dengan metode yang lain karena fase ini merupakan fase awal dalam
suatu proses perencanaan dan pengendalian produksi maka dari itu
dibutuhkan ketelitian yang benar-benar, agar untuk fase berikutnya
tidak terjadi kesalahan.

6.2.2 Rencana Produksi Agregat


1.

Lebih diperhatikan dalam melakukan perhitungan karena data pada


modul ke dua ini adalah data yang diambil dari hasil forecasting
pada modul 1.

6.2.3 Disagregasi dan MPS

1. Lebih diperhatikan dalam melakukan perhitungan disagregasi


karena hasil data disagregasi akan digunakan ke dalam perhtiungan
master production schedule.
2. Memperhatikan perhitungan pada daerah PTF dan DTF.

57

DAFTAR PUSTAKA

58