Anda di halaman 1dari 70

BAB I

PENDAHULUAN
1.1 LATAR BELAKANG MASALAH
Berkembangnya dunia industri manufaktur saat ini semakin pesat
dan persaingan antar perusahaan
setiap perusahaan

semakin tinggi.

Oleh

berusaha untuk memenuhi permintaan

sebab

konsumen

dengan cara produksi yang efesien dan ekonomis. Produksi


efesien

itu,
yang

dan ekonomis dapat di wujudkan dengan perancangan 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
memperhatikan

perencanaan
biaya

proses

produksi

perlu

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
agar pemintaan

terpenuhi

akibat ketersediaan

dilakukan

stock dan kapasitas

produksi.
1

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.

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 sematamata 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

dirumuskan

permintaan

dari

tahun

ke

tahun

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


aktivitas
periodik.

ekonomi yang

dipengaruhi

terkadang

memiliki

yang berulang
pola pergerakan
kecenderungan

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


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

simbol

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 = S t + (S t S t) = 2S t S
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 satu-parameter 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, nilainilai 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.

10

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
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

11

b) Ukuran kesalahn relative

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)

12

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 produksi adalah menyesuaikan permintaan yang
berasal

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:
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

13

Adalah
disimpan

tipe

industri

dimana kebutuhan

yang

membuat

konsumen

produk

diambil

akhir

untuk

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

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
14

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)
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.
meyakinkan

linear

programming

yang

lain

adalah

metode

Ongkos produksi regular time diasumsikan linear, untuk


bahwa

kapasitas reguler akan

dipenuhi

sebelum

15

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
ini juga

menjamin

tercapainya

solusi

kerja

optimal,

tetap).

Metode

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
computer simulation dan

dengan

dua pendekatan
search

decision

yaitu dengan
rules

(SDR).

Konsep pendekatan dengan computer simulation dan dengan search


decision

rules

(SDR).

Konsep

simulation sama dengan konsep

pendekatan

dengan komputer

pendekatan pada

metode heuristic,

sedangkan pendekatan 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

16

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

yang

sehingga diperlukan pula

perencanaan mengenai material, kapasitas dan fasilitas produksi yang


sesuai dengan rencana produksi.

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
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)

17

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.
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.

18

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.
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

19

panjangnya sama dengan Lead

Time,

Project Available Balance

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


akan dilayani.
b) Planning

Time

permintaan

Fence

(PTF)

adalah

batas

dimana

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.


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.

20

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
akan

diproduksi. Ditentukan

dengan

tentang kuantitas yang

memperhatikan

ketersediaan

material dan kuantitas. Total dari MPS setiap individual part harus sama
dengan total yang dinyatakan dalam rencana produksi.
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
Regresi Linier
Double Moving Average
Double Exponential Brown
Double Exponential Holt

Agregat (RPA)
Tenaga Kerja Tetap
Tenaga Kerja Berubah
Model Transportasi

Disagregasi & MPS

22

Analisis

Kesimpulan dan Saran


Gambar 3.1 Flow Chart Kegiatan Praktikum

3.2 URAIAN FLOW CHART KEGIATAN PRAKTIKUM


3.2.1 Studi Literatur
Studi

literatur dilakukan

penelitian yang

sesuai dengan

untuk

memperoleh

permasalahan

yang

hasil

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

23

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 linear.
Apabila berbentuk stasioner

maka

dapat

digunakan

metode single average, single moving average, double


moving

average, single exponential smoothing, DES

Brown dan Simple Regresi.


b.

Menentukan metode peramalan yang terbaik


membandingkan error masing- masing

metode

dengan
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

24

berubah, dan metode transportasi. Metode yang terbaik


adalah metode dengan total cost terkecil.
3.

Disagreagsi dan MPS


a.

Setelah rencana produksi

agregat dibuat,

harus

proses

melakukan

memecahkan kembali
pada tahap awal.

maka kita

disagregasi

item-item yang
Dengan demikian,

mengetahui berapa kebutuhan produksi

untuk

diagregasikan
kita

dapat

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

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

26

Tabel 4.1 Data


awal

4.1.2

Period

Deman

Demand+NP

e
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

d
1248
1684
1304
1528
1332
1472
1416
1584
1360
1444
1360
1556
1360
1444
1276
1444
1360
1416
1332
1416
1472
1444
1472
1388
1724
1220
1724
1024
1640
1024
1696
968
1640
968
1808
1024

M
1272
1708
1328
1552
1356
1496
1440
1608
1384
1468
1384
1580
1384
1468
1300
1468
1384
1440
1356
1440
1496
1468
1496
1412
1748
1244
1748
1048
1664
1048
1720
992
1664
992
1832
1048

( Sumber : Instruktur )
Rencana Produksi Agregat
Pada

rencana

produksi

agregat

(RPA)

untuk

mengolah

data-data

yang

tersedia

menggunakan
metode

tiga

Tabel 4.2 Data rencana produksi agregat

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.

27

( Sumber : Instruktur dan pengolahan

Tabel 4.3 Informasi lain yang dibutuhkan

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

Sumber : Instruktur
Tabel 4.5 Data MPS

28

Sumber : Pengolahan Data

Forecast demand masih di ambil dari data peramalan dengan


menggunakan metode regresi linier.

Sumber : Instruktur

4.2 PENGOLAHAN DATA


4.2.1 Peramalan Produksi
Tabel 4.6 Data Actual Demand

Sumber : Pengolahan Data

29

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

a) Double Moving Average


Tabel 4.7 Hasil Peramalan Metode DMA

30

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
= 1.428
3

31

S5 =

1.428+1.521,33+1.404
= 1.451,11
3

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

b5 =

2
( 1.4041.451,11 ) =47,11
31

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

Gambar 4.1 Plot demand-forecast metode DMA


Sumber : Pengolahan Data

32

Tabel 4.8 Perhitungan error metode DMA

Sumber : Pengolahan Data

33

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

Sumber : Pengolahan data

Contoh perhitungan :
Error Statistik

MSE =

SSE =

181.105
=247,53
32

et

MAE = 1971/32 = 61,59

ME = 89/32 = 2,78
2

SSE = 89 = 7.921

34

SDE =

181.105
=77,48
321

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

I PE I /n

MAPE = 142,79/32 = 4,46


b) Double Exponential Smoothing
Brown

Pada

penggunaan

menggunakan nilai

metode

DESSP

dari Brown

akan

yang benilai konstan. Untuk menentukan

niai a kita telah


data
oleh instruktur
agar nilainya
Tabel diberi
4.10 Hasil
Perhitungan
Forecast DESSP
Brown itu adalah
0,62.

35

Sumber : Pengolahan data

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

Sumber : Pengolahan data

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


36

b3 =

0,62
( 1.394,561.411,68 )=27,92
10,62

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

37

Sumber : Pengolahan data

Contoh Perhitungan :

e5 = 1.304 1.350 = - 46

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


38

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
Tabel 4.12 Perbandingan hasil error

Brown.

Sumber : Pengolahan data

Contoh perhitungan :
Error Statistik

MSE =

SSE =

361
=10,62
34

MAE = 799/34 = 23,50

et 2
ME = -19/34 = -0,56
2

SSE = (-19) = 361

SDE =

38.270
341

= 31,54

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

I PE I /n

MAPE = 59,76/34 = 1,76

39

c) Double Exponential Smoothing


Holt
Pada metode peramalan double exponential smoothing
dari Holt yang harus diperhatikan untuk menetapkan hitungan
forecast 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
Hasil
Tabel
Perhitungan
Forecast
DESDP Holtnilainya.
dan 4.13
yang
harus juga
diperhatikan
> 0 dan <

kemudian

dengan

Nilai

dan

cara trial dan error

memasukkan nilai a dan p ke dalam rumus yang tersedia carilah


nilai error terkecil pada hasil perhitungan error-nya.

40

41

42

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

43

Gambar 4.3 Plot demand-forecast metode Holt


Sumber : Pengolahan data

Tabel 4.14 Perhitungan error metode DESDP Holt

44

45

Contoh Perhitungan :

46

e3 = 1.304 1.466 = - 142

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


Tabel 4.15 Perbandingan hasil error

Sumber : Pengolahan data

Contoh perhitungan :
Error Statistik

MSE =

SSE =

38.809
=1.141,44
34

MAE = 1.827/34 = 53,74

et 2
ME = -197/34 = -6
2

SSE = (-197) = 38.809

SDE =

166.185
341

= 70,96

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

I PE I /n

MAPE = 137,14/34 = 4,03


47

d) Regresi Linier
Pada metode RL tidak terdapat nilai konstan, namun untuk
perhitungan dari hasil peramalan
"b" yang dihitung

terlebih

menggunakan

dahulu

nilai "a" dan

sebelum mendapat hasil

peramalan. Hasil peramalan hanya menggunakan komponen "a"


Tabel 4.16 Hasil Perhitungan Forecast RL

dan "b".

48

49

50

Sumber : Pengolahan data

Contoh Perhitungan :

b=
1.473,15

36 x 939.348 (666)(51.340)
2
36 x 16.206(666)

= -2,69

F1 = 1.475,83 + (-2,69x1) =

1.474

a=

51.340
666
(2,69)
36
36

= 1.475,83

51

Gambar 4.4 Plot demand-forecast metode Regresi Linier


Sumber : Pengolahan data

Tabel 4.17 Perhitungan error Forecast RL

52

53

Tabel 4.18 Perbandingan hasil error

54

Sumber : Pengolahan data

Contoh perhitungan :
Error Statistik

MSE =

SSE =

MAE = 5.825/36 = 161,81

361
=10,03
36

et 2
ME = -19/36 = -0,53

SSE = (-19)2 = 361

SDE =

1.618 .893
361

= 215,07

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

I PE I /n

MAPE = 434,3/36 = 12,06

55

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
dilakukan hiring atau lay off untuk menyetarakan

akan

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

Sumber : Pengolahan data

Pada
adalah

tabel

inventori

terdapat

inventori

yang digunakan

awal,

untuk

inventori

awal

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:

56

Tabel 4.20 Hasil cost akhir tenaga kerja tetap

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


57

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

Sumber : Pengolahan data

Tabel 4.22 Hasil cost akhir tenaga kerja berubah

Sumber : Pengolahan data

Contoh perhitungan : pada periode 1


58

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

10

RMH = 10 x 20 x 8 x 60 = 96000

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

59

c) Model Transportasi

60

61

IDR 43.850.000

IDR 68.942.500

1374

IDR 68.740.000

1372

IDR 68.450.000

1369

1366

IDR 68.150.000

1363

IDR 120.000

IDR 75.000

IDR 50.000

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000
1363

IDR 52.500

IDR 125.000

IDR 80.000

IDR 55.000

IDR 127.500

IDR 82.500

IDR 57.500

IDR 130.000

IDR 85.000

IDR 60.000

IDR 132.500

IDR 87.500

IDR 62.500

IDR 50.000

IDR 68.355.000

1344

IDR 77.500
IDR 122.500

IDR 52.500

IDR 75.000

22

IDR 125.000

IDR 80.000

IDR 55.000

IDR 127.500

IDR 82.500

IDR 57.500

IDR 130.000

IDR 85.000

IDR 60.000

IDR 120.000

IDR 50.000

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000
1369

IDR 52.500

IDR 125.000

IDR 80.000

IDR 55.000

IDR 127.500

IDR 82.500

IDR 57.500

IDR 50.000

IDR 77.500
IDR 122.500

IDR 75.000

IDR 120.000
1344

IDR 52.500

IDR 50.000

IDR 125.000

IDR 122.500

IDR 120.000

1277

IDR 80.000

IDR 55.000

28

IDR 52.500

IDR 77.500

97

IDR 75.000

IDR 50.000

Total Cost :

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

Tabel 4.23 Model transportasi

Demand

12

11

10

Periode

1361

IDR 65.000

IDR 62.500

IDR 65.000
IDR 90.000

IDR 62.500

IDR 60.000

IDR 62.500
IDR 87.500

IDR 60.000

IDR 57.500

IDR 60.000
IDR 85.000

IDR 57.500

IDR 55.000

1361

IDR 80.000

IDR 67.900.000

1358

IDR 67.750.000

1355

IDR 67.672.500

1353

IDR 67.865.000

1350

IDR 67.350.000

1347

IDR 120.000

IDR 75.000

IDR 50.000

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000
1347

IDR 52.500

IDR 125.000

IDR 80.000

IDR 55.000

IDR 127.500

IDR 82.500

IDR 57.500

IDR 130.000

IDR 85.000

IDR 60.000

IDR 132.500

IDR 87.500

IDR 62.500

IDR 135.000

IDR 90.000

IDR 65.000

IDR 137.500

IDR 92.500

IDR 67.500

IDR 140.000

IDR 95.000

IDR 70.000

IDR 142.500

IDR 97.500

IDR 72.500

IDR 145.000

IDR 100.000

IDR 75.000

IDR 147.500

IDR 102.500

IDR 77.500

12

IDR 50.000

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000

IDR 125.000

IDR 80.000

IDR 55.000

IDR 52.500

1277

73

IDR 127.500

IDR 82.500

IDR 57.500

IDR 130.000

IDR 85.000

IDR 60.000

IDR 132.500

IDR 87.500

IDR 62.500

IDR 135.000

IDR 90.000

IDR 65.000

IDR 137.500

IDR 92.500

IDR 67.500

IDR 140.000

IDR 95.000

IDR 70.000

IDR 142.500

IDR 97.500

IDR 72.500

IDR 145.000

IDR 100.000

IDR 75.000

11

IDR 50.000

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000
1344

IDR 52.500

IDR 50.000

IDR 80.000
IDR 125.000

IDR 77.500
IDR 122.500

IDR 75.000

IDR 55.000

IDR 127.500

IDR 82.500

IDR 57.500

IDR 120.000

IDR 125.000

IDR 85.000
IDR 130.000

IDR 52.500

IDR 77.500
IDR 122.500

IDR 75.000
IDR 120.000

IDR 55.000

IDR 127.500

IDR 60.000

IDR 132.500

IDR 87.500

IDR 62.500

IDR 135.000

IDR 90.000

IDR 65.000

IDR 137.500

IDR 92.500

IDR 67.500

IDR 140.000

IDR 95.000

IDR 70.000

IDR 142.500

IDR 97.500

IDR 72.500

10

IDR 50.000

IDR 52.500

IDR 82.500

IDR 80.000
IDR 125.000

IDR 77.500
IDR 122.500

IDR 50.000

IDR 57.500

IDR 55.000

IDR 52.500

IDR 130.000

IDR 82.500
IDR 127.500

IDR 80.000
IDR 125.000

IDR 132.500

IDR 85.000
IDR 130.000

IDR 82.500
IDR 127.500

IDR 135.000

IDR 87.500
IDR 132.500

IDR 85.000
IDR 130.000

IDR 137.500

IDR 90.000
IDR 135.000

IDR 87.500

IDR 140.000

IDR 95.000

IDR 132.500

1355

IDR 92.500

IDR 137.500

IDR 135.000

1358

IDR 67.500

IDR 92.500

IDR 90.000

IDR 70.000

IDR 67.500

IDR 65.000

IDR 68.050.000

Sumber : Pengolahan data

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

4.2.3 Disagregasi dan MPS


Tabel 4.24 Perhitungan diagregasi

62

63

Contoh perhitungan : Periode 1 item Tamiya- Baracuda


Iij,t-1 = Inventori awal x %proporsi x faktor konversi
64

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 x 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

Tabel 4.25 Master Prduction Schedule

65

BAB V
ANALISIS

66

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:
Tabel 5.1 Perbandiangn error antar metode forecast

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
Tabel 5.2 Perbandiangn total biaya antar metode agregat

mengetahui biaya terkecil dalam melakukan proses produksi. Perhitungan


menggunakan

tiga altematif yaitu tenaga kerja tetap, tenaga kerja

berubah, dan model transportasi. Berikut adalah total biaya dari ketiga
altematif tersebut.

67

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
yang

digunakan

dalam

perhitungan.

Berbeda

dengan

lain
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.

BAB VI
KESIMPULAN DAN SARAN
68

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 kebutuhan maka sebuah perusahaan
mempunyai

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.


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

69

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.

DAFTAR PUSTAKA

70