Anda di halaman 1dari 48

LAPORAN PRAKTIKUM

PERENCANAAN DAN PENGENDALIAN PROSES PRODUKSI

Oleh:

David NRP: 25414012

Bernadus Valiant NRP: 25414021

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS KRISTEN PETRA

SURABAYA

2016
1. FORECASTING

1.1. Pendahuluan

Banyaknya barang yang harus diproduksi dalam sebuah perusahaan sangat


bergantung dari permintaan yang ada. Permintaan sendiri dapat dibedakan menjadi
dua, yaitu : permintaan berdasarkan permintaan konsumen dan permintaan yang
didapatkan dari hasil peramalan. Permintaan konsumen didapatkan jika perusahaan
memiliki strategi make to order dalam memenuhi permintaan konsumennya.
Sedangkan, permintaan yang didapat dari hasil peramalan didapatkan bagi perusahaan
yang menerapkan strategi make to stock.

Peramalan merupakan proses memprediksi jumlah permintaan dimasa depan


dengan menggunakan data atau fakta di masa lalu. Berdasarkan karateristik data yang
digunakan, metode permalan dapat dibedakan menjadi dua kelompok, yaitu : metode
peramalan kualitatif dan metode peramalan kuantitatif

1.1.1 Metode Peramalan Kualitatif


Metode peramalan kualitatif digunakan jika data masa lalu tidak tersedia
secara memadai. Metode ini mengkombinasikan informasi dengan pengalaman,
penilaian, dan intuisi untuk menghasilkan pola pola dan hubungan yang mungkin
dapat diterapkan dalam memprediksi masa yang akan datang. Beberapa model
peramalan yang sering digunakan dalam peramalan kualitatif adalah sebagai berikut:

Gross Roots
Metode dimana memabangun peramalan dengan menambahkan keberhasilan dari
bawah dengan asumsi orang yang paling dekat dengan konsumen adalah yang
paling mengetahui permintaan yang akan datang di masa depan meskipun
terkadang anggapan tersebut tidak benar sepenuhnya.

Market research

1
Universitas Kristen Petra
Market research merupakan metode peramalan berdasarkan hasil-hasil dari survei
pasar yang dilakukan oleh tenaga-tenaga pemasar produk atau yang mewakilinya.
Metode ini akan menjaring informasi dari pelanggan atau pelanggan potensial
(konsumen) berkaitan dengan rencana pembelian mereka di masa mendatang.
Riset pasar tidak hanya akan membantu peramalan, tetapi juga untuk
meningkatkan desain produk dan perencanaan untuk produk-produk baru.

Panel consensus
Peramalan dengan teknik ini dilakukan dengan mengundang beberapa orang dari
berbagai posisi dalam sebuah panel untuk memberikan hasil yang lebih andal.
Panel ini diadakan melalui rapat terbuka yang dihadiri oleh semua level dalam
perusahaan. Kesulitannya adalah orang yang di level bawah tidak terlalu berani
mengunkapkan idenya dihadapan para atasannya.

Historical Analogy
Teknik ini mencoba melakukan peramalan produk dengan menggunakan
analogi produk yang ada saat ini.
Metode Delphi
Pada metode ini para ahli diminta untuk memberikan masukan dalam sebuah
penelitian.

1.1.2. Metode Peramalan Kuantitatif


Model peramalan kuantitatf merupakan merode peramalan yang dilakukan
berdasarkan data yang memadai. Jenis metode peramalan kuantitatif yakni causal
relationship dan time series analysis. Causal relationship terdiri atas teknik- teknik
peramalan yang menggunakan informasi atas satu atau beberapa independent variable
untuk memprediksi dependent variable dengan memanfaatkan pengetahuan atas
hubungan antara variabel variabel tersebut. Teknik utama dalam model model
kausal adalah model regresi. Time Series Analysis adalah metode deret waktu
memanfaatkan data masa lalu untuk meramalkan suatu kondisi dimasa yang akan
datang. Model ini menggunakan sekumpulan data berdasarkan rentang waktu
tertentu. Misalnya, peramalan penjualan kursi bulan mendatang menggunakan data

2
Universitas Kristen Petra
penjualan kursi bulan bulan sebelumnta, metode time series terdapat empat pola
terhadap rentang waktu, yaitu :

Trend (T) dimana data pada pola ini bergerak naik atau turun seiring dengan waktu.
Seasonal (S) dimana pola data ini berulang setelah periode tertentu.
Cycle (C) dimana pola data mirip dengan musiman hanya rentang waktu berulang
periode setiap beberapa tahun yang sering dikaitkan untuk siklus bisnis and analisa
bisnis.
Random (R) dimana pola data pasti terjadi dalam data karena adanya situasi yang
tidak pasti.
Metode kuantitatif sering digunakan untuk meramalkan permintaan pasar
yang terjadi untuk di masa yang akan datang. Berikut adalah metode-metode yang
digunakan dalam metode peramalan kuantitatif:

Naive Forecast
Metode ini sangat mudah diaplikasikan dengan menggunakan aturan yang
sederhana. Naive forecast digunakan untuk peramalan dalam jangka pendek
dengan jumlah permintaan yang stabil. Maksud dari metode tersebut adalah
permintaan bulan depan akan disamakan dengan data permintaan bulan
sebelumnya atau sama dengan data permintaan dari bulan yang sama tahun lalu.
Metode ini meskipun sederhana tetapi dipercaya cukup efektif.

Simple Moving Average


Metode simple moving average adalah metode menggunakan rata-rata data
permintaan dari beberapa periode masa lalu. Penggunaan metode tersebut diawal
dengan menentukan jumlah periode data masa lalu yang akan digunakan untuk
meramalkan data permintaan di periode yang akan datang. Rata-rata data masa lalu
yang digunakan akan bersifat dinamis disesuaikan dengan periode yang akan
diramalkan. Rumus penggunaan peramalan pada metode simple moving average
adalah sebagai berikut:

3
Universitas Kristen Petra
(At1 + At2 + At3 + . +Atn )
Ft =
n

dimana:

Ft= Hasil peramalan pada periode t.

b= Moving average width.

At-n= Data permintaan pada periode t-n

t= Periode ke-t

Weighted Moving Average


Sama dengan metode simple moving average dimana letak perbedaannya pada
metode ini menggunakan bobot dalam meramalkan permintaan di masa yang akan
datang. Pemilihan bobot akan berpengaruh pada peramalan penggunaan data-data
sebelumnya. Besarnya bobot akan ditentukan oleh peramal data sendiri dengan
mempertimbangkan kondisi-kondisi pada tiap periode. Rumus penggunaan
peramalan dengan metode weighted moving average adalah sebagai berikut:

(w1 At1 + w2 At2 + w3 At3 + . +wn Atn )


Ft =
n

dimana:

Wn = Bobot terhadap permintaan untuk periode t-n.

n = Jumlah bobot yang digunakan (kumulatif = 1).

Single Exponential Smoothing


Metode single exponential smoothing merupakan metode yang menggunakan data
hasil peramalan periode sebelumnya dan data aktual dari periode yang
bersangkutan. Exponential smoothing berguna sebagai penyesuaian antara hasil
peramalan dengan data aktual. Rumus penggunaan peramalan pada metode single
exponential smoothing adalah sebagai berikut:

Ft = Ft1 + (At1 Ft1)

4
Universitas Kristen Petra
dimana:

Ft = Hasil peramalan untuk periode t.

At-1 = Jumlah permintaan pada periode t-1.

Ft-1 = Hasil peramalan periode t-1.

= Smoothing constant (0 1).

Exponential Smoothing with Trend Adjustment


Metode exponential smoothing with trend adjustment merupakan metode
perkembangan dari kegagalan metode single exponential smoothing untuk
mendeteksi adanya pola data trend (T). Kegagalan ini akan dilengkapi oleh metode
exponential smoothing with trend adjustment dimana mempertimbangkan adanya
pola data trend dimana rumusnya dapat dilihat sebagai berikut:

Ft = (At1 + (1 )(Ft1 + Tt1 )

Tt = (Ft Ft1 ) + (1 ) Tt1

dimana:

Ft = Hasil peramalan permintaan untuk periode t.

Tt = Nilai trend untuk periode t.

At = Permintaan aktual untuk periode t.

= Konstanta pemulusan untuk trend (0 1)

Trend Line
Metode trend line digunakan pada pola data pada periode sebelumnya yang
mengandung pola trend. Metode trend line menggunakan metode regresi untuk
mencari hubungan antar data. Rumus peramalan yang digunakan pada trend line
adalah sebagai berikut:

y = a + bx

5
Universitas Kristen Petra
dimana:

y = Perhitungan nilai dari variabel yang diprediksi (variabel dependent)

a = Intercept.

b = Slope dari regresi linier.

x = Variabel independent.

Seasonal Adjustment
Metode seasonal adjustment dapat digunakan ketika pola data masa lalu bersifat
musiman. Variasi pola harus dikuantifikasi agar peramalan dapat diminimasi dan
ketika terdapat trend dalam sebuah data maka harus diperhitungkan dengan baik
melalui adanya index musim dimana mean akan dibagi dengan grand mean.

1.1.3. Kesalahan Peramalan


Kesalahan peramalan merupakan perbedaan antara aktual permintaan dan
peramalan sehingga tidak terjadinya ketepatan permalan. Ketepatan peramalan adalah
satu hal yang mendasar dalam peramalan, yaitu bagaimana mengukur kesesuaian
suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan.
Pemodelan deret berkala (time series) dari data masa lalu dapat diramalkan situasi
yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini
digunakan ketepatan ramalan. Kreteria yang digunakan untuk menguji ketepatan
ramalan antara lain sebagai berikut:

Mean Absolute Deviation (MAD)


Mean absolute deviation merupakan salah satu kriteria untuk melihat adanya
kesalahan peramalan dengan melihat rata-rata simpangan antara aktual permintaan
dan peramalan. Ketika nilai MAD kecil, maka permalan dikatakan mendekati
permintaan aktual dan begitupula sebaliknya. Berikut rumus yang digunakan untuk
menghitung MAD:

6
Universitas Kristen Petra
|forecasterrors|
MAD =
n
Mean Square Error (MSE)
Mean square error merupakan salah satu kriteria untuk melihat adanya
kesalahan peramalan dengan melihat deviasi penyimpangan antara aktual
permintaan dan peramalan dimana memberikan kuadratik pada kesalahan sehingga
penalty akan ditinggikan untuk kesalahan yang besar. Nilai MSE kecil menunjukkan
peramalan mendekati permintaan aktual dan begitupula sebaliknya. Berikut rumus
yang digunakan untuk menghitung MSE:
(forecasterrors)2
MSE =
n
Mean Absolute Percentage Error (MAPE)
Mean absolute percentage error merupakan salah satu kriteria untuk melihat
adanya kesalahan peramalan dengan ditunjukkan melalui sebuah persentase.
Berikut adalah rumus yang digunakan dalam menghitung MAPE:
T
1 |et |
MAPE = ( x 100%)
T dt
t=1

MAPE
T
1 |et |
= ( x 100%) (1.8)
T dt
t=1

1.1.4. Validasi Model Peramalan


Tracking signal merupakan suatu metode yang digunakan untuk mengukur
keacakan dari kesalahan peramalan. Apabila nilai tracking signal melebihi batas
kendali yang ditetapkan maka memiliki arti perlu tindakan koreksi terhadap metode
peramalan yang dapat berarti juga metode peramalan telah tidak valid lagi untuk
digunakan dalam peramalan di periode yang akan datang. Nilai tracking signal positif
memiliki arti bahwa nilai aktual permintaan lebih besar dibanding nilai peramalan dan
begitupula sebailknya. Batas kendali ditentukan oleh pengambil keputusan dimana

7
Universitas Kristen Petra
semakin lebar batas kendali, maka kemungkinan terjadi tindakan koreksi akan semakin
pendek. Berikut rumus yang digunakan dalam menghitung validasi model peramalan:
RSFE
Tracking Signal =
MAD
RSFE = (aktualpermintaanpadaperiodet

peramalanpadaperiodet)

|forecasterrors|
MAD =
n

Nilai tracking signal positif memiliki arti bahwa nilai aktual permintaan lebih besar
dibanding nilai peramalan dan begitupula sebailknya. Batas kendali ditentukan oleh
pengambil keputusan dimana semakin lebar batas kendali, maka kemungkinan terjadi
tindakan koreksi akan semakin pendek.

1.2 Soal
Soal 1
Historical demand for a product is:

Demand

January 22

February 21

March 25

April 22

May 26

8
Universitas Kristen Petra
a. Using simple regression analysis, calculate the
June 25
regression equation for the preceding demand data.
b. Using the regression equation, calculate the forecast for July.

Soal 2
Sunrise Baking Company markets doughnuts through a chain of food stores. It has
been experiencing over and underproduction because of forecasting errors. The
following data are its demand in dozens of doughnuts for the past four weeks.
Doughnuts are made for the following day; for example, Sundays doughnut
production is for Mondays sales, Mondays doughnut production is for Tuesdays
sales, and so forth. The bakery is closed Saturday, so Fridays production must satisfy
demand for both Saturday and Sunday.

4 weeks 3 weeks 2 weeks last


ago ago ago week

Monday 22000 24000 23000 24000

Tuesday 20000 21000 22000 22000

Wednesday 23000 24000 23000 25000

Thursday 18000 19000 18000 20000

Friday 19000 18000 21000 20000

Saturday

Sunday 28000 27000 30000 29000

Make a forecast for this week on the following basis:

9
Universitas Kristen Petra
a. Daily, using a simple four week moving average.
b. Daily, using a weighted average of 0.4, 0.3, 0.2, and 0.1 for the past four weeks.
c. Sunrise is also planning its purchases of ingredients for bread production. If bread
demand had been forecast for last week at 23000 loaves and only 22000 were actually
demanded, what would Sunrises forecast be for this week using exponential smoothing
with = 0.1
d. Suppose, with the forecast made in c, this weeks demand actually turns out to be
22500. What would the new forecast be for the next week?

Soal 3
The following table contains the demands from the last 10 months:

Month Actual Demand

1 32

2 35

3 34

4 36

5 38

6 37

7 39

8 41

9 41

10 42

10
Universitas Kristen Petra
a. Calculate the single exponential smoothing forecast for this data using = 0.3 and
an initial forecast (F1) of 31!
b. Calculate the exponential smoothing with trend forecast for this data using = 0.3
, = 0.3 and also initial trend forecast (F1) of 1, an initial exponentially smoothed
forecast (F1) of 30!
c. Calculate the MAD for each forecast. Which is the best?

Soal 4
Tucson Machinery, Inc. manufactures numerically controlled machines, which sells for
an average price of $0.5 million each. Sales for these NCMs for the past two years
were as follows:

Quarter Quantity Quarter Quantity

1998 1999

I 14 I 18

II 20 II 26

III 28 III 30

IV 18 IV 20

a. Hand fit a line chart!


b. Find the trend and seasonal factors!
c. Forecast sales for 2000!

Soal 5
A specific forecasting model was used to forecast demand a product. The forecast and
the corresponding demand that subsequently occurred are shown below. Use the MAD
and tracking signal technique to evaluate the accuracy of the forecasting model.

11
Universitas Kristen Petra
Month Actual Forecast

October 700 660

November 760 840

December 780 750

January 790 835

February 850 910

March 950 890

1.3 Jawaban
Soal 1.a
Soal 1.a ini penyelesaiannya menggunakan metode persamaan regresi.
Persamaan regresi ini didapatkan dari data selama 6 bulan sebelumnya yang sesuai
dengan soal dimana dimulai pada bulan Januari sampai Juni. Perhitungan regresi linier
ini bias menggunakan Microsoft excel untuk mempermudah dalam menghitung dimana
menggunakan intercept dan slope.

Gambar 1.1 Nilai intercept dan slope


Gambar 1.1 adalah hasil perhitungan menggunakan excel untuk mencari nilai intercept
dan slope. Langkah selanjutnya adalah menghitung nilai forecast untuk periode Januari
Juni juga menggunakan persamaan regresi yang ditunjukkan pada gambar 1.2 di
bawah ini

12
Universitas Kristen Petra
Gambar 1.2 hasil perhitungan forecast
Gambar 1.2 di atas menunjukkan hasil forecast menggunakan persamaan regresi. Nilai
forecast ini akan berubah berubah sesuai dengan nilai periodenya (X).

Soal 1.b
Soal 1.b menggunakan cara yang sama dengan 1.a tetapi memiliki perbedaan
dalam jumlah periodenya. Soal 1.b ini kami di suruh untuk menghitung nilai forecast
untuk bulan Juli. Nilai forecast untuk bulan Juli ini sendiri bisa didapatkan dengan
mengganti nilai x pada persemaan regresi yang ada.

Gambar 1.3 hasil perhitungan forecast bulan Juli


Gambar 1.3 menunjukkan hasil forecast untuk bulan Juli yang memiliki nilai
sebesar 26,2

Soal 2.a
Soal 2.a ini membahas tentang Sunrise Baking Company yang ingin melakukan
forecast. Metode yang digunakan untuk menyelesaikan soal ini adalah Simple Moving
Average. Metode Simple Moving Average ini menggunakan data masa lalu atau

13
Universitas Kristen Petra
sebelumnya sebanyak 4 bulan sebelumnya (sesuai dengan permintaan soal). Dibawah
ini adalah hasil perhitungan menggunakan Simple Moving Average yang dibantu
dengan menggunakan excel.

Gambar 1.4 Hasil perhitungan dengan metode Simple Moving Average

Gambar 1.4 menunjukkan hasil perhitungan forecast dengan metode Simple


Moving Average. Nilai forecast yang didapatkan adalah sebesar 23.250, 21.250,
23.750, 18.750, 19.500, dan 28.500 selama hari Senin hingga Minggu secara berturut-
turut.

Soal 2.b
Soal 2.b menggunakan metode yang berbeda dengan metode soal 2.a. Soal 2.b
ini menggunakan metode Weighted Moving Average. Dalam Weighted Moving
Average pemberian bobot yang berbeda beda pada periode sebelumnnya
menunjukkan seberapa penting data tersebut. Data yang semakin mendekati dengan
periode sekarang maka memiliki bobot yanglebih tinggi. Soal 2.b ini memberikan
bobot sebesar 0.4, 0.4, 0.2, dan 0.1.

14
Universitas Kristen Petra
Gambar 1.5 hasil perhitungan dengan metode Weighted Moving Average
Gambar 1.5 di atas menunjukkan hasil perhitungan menggunakan metode
Weighted Moving Average. Data last week akan dikalikan dengan bobot yang paling
besar sedangkan data four weeks ago akan dikalikan dengan bobot yang paling kecil.

Soal 2.c
Soal 2.c menggunakan metode single exponential smoothing. Metode ini
membutuhkan nilai alpha untuk memuluskan grafik sehingga grafik menjadi lebih dari
mudah untuk dianalisa. Soal 2.c ini memiliki alpha sebesar 0,1 (ketentuan dari soal).

Gambar 1.6 Cara perhitungan Single Exponential Smoothing


Gambar 1.6 adalah hasil perhitungan dengan menggunakan metode Single
Exponential Smoothing. Hasil perhitungan dalam Single Exponential Smoothing ini
menggunakan data periode sebelum dan alpha 0,1 yang memiliki nilai sebesar 22900.

Soal 2.d
Soal 2.d menggunakan metode yang sama dengan 2.c. yaitu dengan metode
Single Exponential Smoothing. Perbedaannya hanya data yang digunakan pada soal
2.d adalah nilai Ft-1 adalah hasil forecast dari soal 2.c.

15
Universitas Kristen Petra
Gambar 1.7 Hasil perhitungan Single Exponential Smoothing

Gambar 1.7 adalah adalah hasil perhitungan dengan menggunakan metode


Single Exponential Smoothing. Hasil perhitungan dalam Single Exponential Smoothing
ini menggunakan data periode 2.c dan alpha 0,1 yang memiliki nilai sebesar 22860.

Soal 3.a
Soal 3.a. menggunakan metode Single Exponential Smoothing. Nilai Alpha
yang ditetapkan pada soal ini sebesar 0,3 dan memiliki nilai Forecast pertama yang
adalah sebesar 31. Hasil perhitungan forecast yang diperoleh dengan metode Single
Exponential Smoothing ditunjukkan pada Gambar 1.8.

Gambar 1.8 hasil perhitungan dengan Single Exponential Smoothing

Soal 3.b

Soal 3.b.menggunakan metode Exponential Smoothing with Trend Adjusment.


Perbedaannya dengan soal 2.b adalah adanya perhitungan Trend. Metode Exponential
Smoothing with Trend Adjusment ini membutuhkan nilai Alpha dan Beta. Nilai Alpha
dan Beta pada soal ini adalah 0,3 dan 0,3.

16
Universitas Kristen Petra
Gambar 1.9 Hasil perhitungan dengan Exponential Smoothing with Trend
Adjusment

Nilai F1 (FT2) telah ditetapkan sama dengan nilai A1 yang nilainya adalah 30
dan nilai T1 pasti 1. Nilai F1 dan T1 berguna untuk mengitung nilai F2 hingga F10 dan
T2 hingga T10. Nilai forecasat didapat dari nilai forecast dan nilai Trend ditambahkan
pada periode 1 yang sama yang disebut dengan FIT.

Soal 3.c
Soal 3.c membuthkan nilai Mean Absolute Deviation (MAD) untuk
membandingkan manakah metode yang lebih baik. Metode yang dibandingkan adalah
metode untuk penyelesaian untuk 3.b. dan metode untuk penyelesaian 3.c. Nilai MAD
ini didapatkan dari penjumlahan selisih antara aktual dengan forecast dibagi dengan
banyaknya periode.

17
Universitas Kristen Petra
Gambar 1.10 hasil perhitungan MAD

Gambar 1.10 menunjukkan hasil perhitungan antara metode Single Exponential


Smoothing (F) dan Exponential Smoothing with Trend Adjustment (FIT). Hasil forecast
tersebut kemudian dikurangi dengan nilai actual agar mendapatkan nilai error. Hasil
dari error ini kemudian dijumlah dan dirata rata untuk dapat melihat MAD dari setiap
metode. Nilai MAD yang terkecil adalah nilai yang terbaik. Melihat hasil dari
perhitungan diatas metode yang lebih baik adalah metode Exponential Smoothing with
Trend Adjustment lebih baik disbanding dengan Single Exponential Smoothing karena
nilai 2,936734355 untuk Single Exponential Smoothing sedangkan 2,284103601 untuk
Exponential Smoothing with Trend Adjustment.

Soal 4.a

18
Universitas Kristen Petra
Soal 4.a disuruh untuk membuat diagram line chart untuk menggambarkan
demand dari permintaan pada tahun 1998 dan 1999.

35
30
25
20
1998
15
1999
10
5
0
1 2 3 4

Gambar 1.11 diagram line chart tahun 1998 dan 1999

Gambar 1.11 menunjukkan diagram line chart pada tahun 1998 dan 1999.
Gambar 1.11 juga menunjukkan bahwa permintaan pada tahun 1999 lebih tinggi
daripada 1998.

Soal 4.b
Soal 4.b diminta untuk mencari Trend line dari data pada tahun 1998 dan 1999
dan mencari nilai index musim dari setiap kuarter. Nilai indeks musim ini dibutuhkan
karena nantinya akan berdampak pada forecast demand. Perhitungan untuk mencari
trend line ini bisa menggunakan excel untuk mempermudah perhitugan.

19
Universitas Kristen Petra
Gambar 1.12 Hasil perhitungan Trend Line

Gambar 1.12. menunjukkan perhitungan Index Musiman, rata rata permintaan


dan rata rata permintaan perbulan. Cara mendapatkan nilai rata rata permintaan
perbulan adalah dengan menjumlahkan nilai rata rata permintaan yang kemudian
dibagi 4 sehingga mendapatkan nilai sebesar 21,75. Cara untuk mendapatkan nilai
index musim adalah dengan memabgu nilai rata rata permintaan dengan nilai rata
rata permintaan perbulan sesuai dengan periode masing masing.

Soal 4.c
Soal 4.c diminta untuk menentukan nilai forecast pada tahun 2000 dari data
tahun 1998 dan 1999. Metode yang digunakan pada soal 4.c regresi linier untuk
menentukan nilai forecast tahun 2000.

20
Universitas Kristen Petra
Gambar 1.13 Hasil perhitungan forecast tahun 2000
Gambar 1.13 menunjukkan hasil perhitungan forecast pada tahun 2000 dengan
menggunakan metode regresi linier. Nilai regresi linier untuk a sebesar 17,14285714
sedangkan untuk b sebesar 1,023809524 dengan begitu didapatkan persamaan regresi
y = 17,14285714 + 1,023809524 x. Langkah berikutnya adalah mencari nilai forecast
untuk tahun 2000 dengan merubah nilai x sesuai periode pada tahun 2000 dimana
periodenya dimulai dari periode 9,10,11 dan 12.

Soal 5.
Soal 5, diminta untuk mencari nilai MAD dan Tracking Signal. Tracking signal
digunakan untuk mengevaluasi apakah metode yang dipakai saat ini tidak melebihi
batasan. Batasan yang biasanya digunakan adalah -3 sampai 3 dan -4 sampai 4.

21
Universitas Kristen Petra
Gambar 1.14 hasil perhitungan Tracking Signal
Gambar 1.14 menunjukkan hasil perhitungan nilai error, abs error, mad, RSFE
dan TS (Tracking Signal). Nilai error didapatkan dari pengurangan dari nilai forecast
dikurangi nilai actual. Langkah selanjutnya memutlakkan nilai error pada kolom abs
error. Nilai cumulative adalah nilai cumulative dari abs error. Nilai Cumulative Error
ini nantinya yang digunakan untuk mencari nilai dari RSFE. Langkah selanjutnya
adalah menghitung nilai Tracking Signal dengan cara membagi nilai RSFE dengan
MAD. Nilai TS pada gambar 1.14 tidak ada yang melebihi dari -3 sampai 3 maupun -
4 sampai 4, sehingga proses ini masih bisa dikatakn baik.

2. PERENCANAAN AGREGAT

2.1 Perencanaan Agregat


Perencanaan agregat adalah suatu perencanaan produksi yang dilakukan oleh
perusahaan dengan mempertimbangkan tingkat kapasitas, tingkat produksi, dan tingkat
inventori dalam upaya untuk memenuhi permintaan. Hasil dari perhitungan forecast
yang akan menjadi input perusahaan untuk melakukan perencanaan agregat. Setelah
perencanaan agregat dibuat, maka hasilnya akan diagregasikan kedalam kebutuhan-
kebutuhan berdasarkan tahapan waktu untuk masing-masing jenis produk. Perencanaan
agregat ini bertujuan untuk memberikan keputusan yang optimum berdasarkan sumber
daya yang dimiliki.
Ada dua strategi perencanaan agregat, yaitu pure strategy dan mixed strategy.
Pure strategi adalah perubahan yang hanya dilakukan pada satu variable saja. Mixed

22
Universitas Kristen Petra
strategy adalah strategi gabungan dari dua atau lebih pure strategy. Ada tiga pure
strategy yang dapat digunakan, yaitu :
Chase strategy. Pada strategi ini, produksi dilakukan sesuai dengan permintaan
pasar. Permintaan pasar ini dilakukan dengan menggunakan konsep perekrutan
dan pemberhentian pekerja.
Level strategi.
Stable work force. Pada strategi ini, produksi yang dihasilkan selalu konstan atau
tetap sehingga menimbulkan holding cost, stockout atau loss sales.
Penyelesaian agregat dapat dilakukan dengan beberapa teknik. Teknik-teknik
yang sering digunakan dalam penyelesaian perencanaan agregat dapat dilakukan
dengan :
Cut and try
Transportation model

2.2 Soal
Soal 1
Poseidon Meter, Inc., makes a variety of water meters. Data for the past year
indicate a worker can make, on average, 100 meters per four week period. The
inventory holding cost is computed to be $1 per meter per period. Backorders, if
allowed, cost about $2 per meter per period. New workers can be hired, at a cost of
$1000 per worker, and existing workers can be laid off at a cost of $2000 per worker.
Workers are paid $1500 per period. There are currently 10 workers at Poseidon. The
forecast for the next four periods is 1100, 1100, 1000, and 1000 meters, respectively.
a. Develop a zero inventory plan for the next four periods!
b. Develop a constant work force plan (no backorders) for the next four
periods!
c. Which plan would you recommend, and why?

23
Universitas Kristen Petra
Soal 2
Goode Foods wishes to plan aggregate production at a single plan for the next
three periods. An aggregate unit is thousands of gallons (k-gals) of food processed. A
holding cost per period is $60. How much the cost for this aggregate produciton? The
following data are relevant:

Period 1 2 3

Production Capacity (k-gals) Regular time 100 100 80

Over time 20 20 10

Subcontracting 40 40 40

Production Costs ($1000/k-gal) Regular time 2 2 2

Over time 2.8 2.8 2.8

Subcontracting 3.2 3.2 3.2

Demand (k-gals) 95 105 95

2.3 Jawaban

Soal 1.a ini menggunakan metode zero inventory plan, jadi perusahaan
memproduksi barang sesuai dengan permintaan yang ada sehingga tidak ada inventory.
Strategi ini menggunakan konsep hiring dan firing worker.

24
Universitas Kristen Petra
Gambar 2.1 Hasil perhitungan dengan metode zero inventory plan

Gambar 2.1 menunjukkan hasil dari perhitungan menggunakan metode Zero


Inventory Plan. Metode Zero Inventory Plan ini harus memproduksi barang sesuai
dengan permintaan yang ada sehingga tidak ada inventory. Produksi dalam jumlah
yang sesuai permintaan maka jumlah pekerja juga harus disesuaikan. Diasumsikan
pertama ada sepuluh pekerja tetapi permintaan yang ada membutuhkan sebelas pekerja,
sehingga harus menambah satu pekerja ( satu pekerja bias memproduksi 100 produk).
Pada periode ketiga permintaan berkurang 100 sehingga jumlah pekerja juga harus
berkurang sebanyak satu agar tidak ada inventory. Total cost menggunakan metode ini
adalah 66000.
Soal 1.b
Soal 1.b menggunakan metode Constant Work Force. Pada strategi ini, tidak
boleh ada hiring dan firing yang dilakukan oleh perusahaan, kecuali pada periode ke-
0. Dengan metode ini memperbolehkan adanya inventory.

25
Universitas Kristen Petra
Gambar 2.2 Hasil perhitungan dengan metode Constant Work Force

Gambar 2.2 menunjukkan hasil perhitungan dengan metode Constant Work


Force. Dapat dilihat jika pada periode 0 kami merekrut satu pekerja untuk memenuhi
permintaan pada periode pertama. Jumlah pekerja setelah melewati periode 0 tidak
boleh berubah atau konstan. Hal ini menyebabkan adanya inventory pada barang
produksi dimana di kenakan biaya untuk holding sebesar $1. Total cost untuk metode
Constant Work Force ini sebesar 67300.
Soal 1.c
Soal 1.c diminta untuk membandingkan manakah strategi yang lebih baik
antara zero inventory plan dan constant work force plan. Hasilnya dapat diketahui
dengan membandingkan total cost antar kedua metode. Metode zero inventory plan
memiliki total cost sebesar 66000, sedangkan untuk Constant Work Force sebesar
67300. Hasil total cost yang lebih sedikit menujukkan bahwa metode itu lebih baik,
dengan begitu metode zero inventory plan ini lebih baik daripada Constant Work Force
karena costnya lebih rendah.

Soal 2
Soal 2 adalah mencari nilai total cost agregat terkecil. Untuk mencari total cost,
maka diperlukan perhitungan biaya yang diketahui pada soal yaitu $1000k/galoon.
Mencari total cost kali ini menggunakan solver untuk menentukan total costnya.

26
Universitas Kristen Petra
Gambar 2.3 Soal dan biaya
Biaya yang telah dimasukkan ini berguna untuk mendapatkan total cost. Total
cost ini dapat dihitung menggunakan solver, dengan set objective yaitu total cost,
changing variable adalah kolom bagian produksi yang berwarna kuning, dan subject
to adalah demand harus terpenuhi, kapasitas produksi tidak boleh berlebih. Keterangan
lebih lanjut dapat di lihat pada gambar 2.4 dibawah ini.

27
Universitas Kristen Petra
Gambar 2.4 Data Solver

Langkah selanjutnya setelah memasukkan data data ke solver kemudian di


solve sehingga akan muncul jumlah produksi yang harus dilakukan dan total biaya
yang harus dikeluarkan. Hasil perhitungannya dapat dilihat pada gambar 2.5 dibawah
ini.

28
Universitas Kristen Petra
Gambar 2.5 Hasil perhitungan menggunakan solver

Total biaya yang dihasilkan adalah sebesar 602600.

3. MASTER PRODUCTION SCHEDULE

3.1 Master Production Schedule (MPS)

Master production schedule (MPS) adalah suatu pernyataan tentang produk


akhir (termasuk parts pengganti dan suku cadang) dari suatu perusahaan industri
manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas dan
periode waktu mingguan selama 6 sampai 12 bulan ke depan. Tujuan dari MPS adalah:

Mewujudkan perencanaan agregat menjadi suatu perencanaan terpisah untuk


masing masing item individu
Mengevaluasi jadwal jadwal alternatif dalam hal kebutuhan kapasitas,
menyediakan input untuk sistem MRP dan membantu manajer produksi untuk
menghasilkan prioritas prioritas untuk penjadwalan produksi

MPS pada dasarnya berkaitan dengan aktivitas melakukan empat fungsi utama yaitu:

29
Universitas Kristen Petra
Menyediakan atau memberikan input utama kepada sistem perencanaan
kebutuhan material dan kapasitas
Menjadwalkan pesanan pesanan produksi dan pembelian untuk item item MPS
Memberikan landasan untuk penentuan kebutuhan sumber daya dan kapasitas
Memberikan basis untuk pembuatan janji tentang penyerahan produk kepada
pelanggan

MPS membutuhkan 5 input utama yaitu:

Data permintaan total. Data ini yang berkaitan langsung dengan peramalan
penjualan dan order.
Status inventory. Data ini berhubungan dengan barang yang dimiliki
perusahaan (on hand inventory), pengalokasian stok, pesanan-pesanan produksi
dan pembelian, dan firm planned orders. MPS harus mengetahui status inventory
yang ada untuk dapat menentukan berapa banyak bahan baku yang harus dipesan
Rencana produksi. Input data yang berhubungan dengan batasan-batasan pada
MPS. MPS harus menjumlahkannya untuk menentukan tingkat produksi,
inventori, sumber daya, dan lain-lain dalam rencana produksi
Data perencanaan. Input data yang berkaitan dengan aturan-aturan tentang lot
sizing, safety stock, dan lead time.
Informasi dari RCCP. Input data yang berkaitan dengan kebutuhan kapasitas
untuk mengimplementasikan MPS.

Horison perencanaan merupakan periode waktu mendatang terjauh dari jadwal


produksi, yang merupakan waktu tunggu kumulatif ditambah waktu untuk melakukan
lot sizing komponen komponen level rendah dan perubahan kapasitas. Horison dapat
dihitung dengan menggunakan rumus:
=
Dimana:
H = Horizon

30
Universitas Kristen Petra
L = Length of period
N = Number of period

Kriteria pemilihan item MPS: Item yang dijadwalkan seharusnya merupakan produk
akhir, jumlah itemnya sedikit, terdapat peramalan demand MPS kecuali jika
menggunakan prinsip make to order, tiap item yang dibuat harus memiliki BOM, item
MPS harus memudahkan penerjemahan pesanan pelanggan ke dalam pembuatan
produk yang akan dikirim. Item yang dipilih harus sudah di masukkan dalam
perhitungan kapasitas produksi yang dibutuhkan
Teknik penyusunan MPS: Lead time = waktu yang dibutuhkan untuk memproduksi
atau membeli suatu item, On Hand = posisi inventori awal yang tersedia dalam stok,
Lot size = kuantitas dari item yang biasanya dipesan dari pabrik atau pemasok, sering
disebut batch size atau order quantity, Available to promise = merupakan informasi
tentang berapa banyak item yang tersedia untuk pelanggan.

3.2 Soal
Soal 1
Given the forecasts, customer orders, and on hand inventory shown for a product in an
ATO environment, derive the MPS for:
a. Lot for lot production
b. Batch production, where batch size = 8000
c. Add ATP values

Week

Current inventory = 7500 1 2 3 4 5 6

Ft 6000 6000 5600 5000 6000 5000

Ot 4600 4000 3500 500 0 0

3.3 Jawaban

31
Universitas Kristen Petra
Soal 1a

Soal 1a menggunakan strategi penyelesaian lot for lot production yang berarti
bahwa perusahaan akan memproduksi sesuai dengan pesanan yang ada. Dalam hal ini
MPS yang diambil adalah memproduksi berdasarkan hasil manakah yang lebih besar
antara peramalan dan actual order. Pada startegi lot for lot nilai POH yang ada hanya
pada awal, hal itu dikarenakan ada iventory awal jika tidak ada inventory awal maka
pada strategi lot for lot tidak memiliki POH karena sistemnya adalah memenuhi order
tiap periode.

Table 3.1 Jawaban Soal 1a

Week
Current inventory = 7500
1 2 3 4 5 6
Peramalan 6000 6000 5600 5000 6000 5000
Actual Order 4600 4000 3500 500 0 0
Project on Hand (POH) 1500 0 0 0 0 0
MPS 0 4500 5600 5000 6000 5000
ATP 2900 500 2100 4500 6000 5000
Akumulasi ATP 2900 3400 5500 10000 16000 21000
Soal 1b

Soal 1b menggunakan strategi penyelesaian bacth size production yang berarti


bahwa setiap kali memproduksi mengikuti batch size yang ada. Dalam contoh kali ini
batch size yang digunakan adalah 8000. Nilai POH dalam strategi batch size dihitung
dari MPS+POH periode sebelum max(peramalan,actual order).

Tabel 3.2 Jawaban Soal 1b

Week
Current inventory = 7500
1 2 3 4 5 6
Peramalan 6000 6000 5600 5000 6000 5000
Actual order 4600 4000 3500 500 0 0

32
Universitas Kristen Petra
Project on Hand (POH) 1500 3500 5900 900 2900 5900
MPS 0 8000 8000 0 8000 8000
ATP 2900 7500 9900 0 10900 13900
Akumulasi ATP 2900 10400 20300 20300 31200 45100
Soal 1c

Nilai ATP dapat dilihat pada tabel 3.1 dan 3.2, penghitungan nilai ATP menggunakan
rumus MPS+POH-actual order, kecuali pada periode pertama dikarenakan adanya
inventory awal maka menggunakan rumus inventory awal acual order

4. PENGENDALIAN PERSEDIAAN

4.1 Persediaan

Inventory (persediaan) biasanya berisi bahan baku, barang setengah jadi, dan
barang jadi yang beradaa di dalam sistem produksi pada suatu waktu yang bersifat
sebagai buffer di antara tahap tahap proses dalam lantai produksi, atau diantara lantai
produksi dengan pelanggan. Fungsi dari manjamen persediaan adalah:

1. Perencanaan persediaan yaitu mengenai penentuan kebutuhan material untuk


memenuhi kebutuhan sesuai dengan rencana produksi yang telah disusun
2. Pengendalia persediaan yaitu mengenai penentuan tingkat persediaan yang
sesuai, dengan mempertimbangkan waktu pemesanan harus kembali dilakukan
kembali dan harus safety stock

Sistem perencanaan dan pengendalian persediaan yang efektif akan berdampak


pada ketepatan pemenuhan kebutuhan, baik dari segi waktu, jumlah, maupun
spesifikasi, dengan total biaya persediaan yang optimal. Persediaan diperlukan
mengingat adanya fluktuasi kebutuhan sesuai waktu, fluktuasi harga , spekulasi biaya
persediaan, dan ketidak pastian terhadap kebutuhan.

Biaya biaya yang terkait dengan penentuan total biaya persediaan adalah sebagai
berikut:

33
Universitas Kristen Petra
Harga, harga beli per unit jika item diperoleh dari supplier, atau harga produksi
per unit jika item diproduksi sendiri
Capital Cost, jumlah modal yang terikat pada item yang disimpan, suku bunga
i% dikalikan dengan harga
Holding Cost, meliputi biaya pemakaian depresiasi, biaya asuransi dan pajak,
biaya pemakaian ruang serta fasilitas yang digunakan untuk menyimpan
persediaan
Ordering cost, meliputi biaya biaya persiapan dan peletakkan pesanan
persediaan, biaya handling dan pengiriman order, serta biaya pemeriksaan
order yang datang. Jika item diproduksi sendiri maka disebut setup cost
Shortage cost, biaya ini timbul ketika persediaan tersedia pada saat dibutuhkan.
Biaya ini meliputi biaya kehilangan kesempatan untuk memperoleh keuntungan
dari penjual, biaya turunnya reputasi perusahaan perusahaan, biaya
ketidakpuasan pelanggan dll

Beberapa terminologi dalam sistem persediaan:

Demand (permintaan), dapat bersifat deterministik dapat juga bersifat


probabilistik, statis atau dinamis.
Lead time, menyatakan selang waktu diantara saat peletakan order dan saat item
pesanan masuk ke persediaan. Lead time dapat bersifat deterministik atau
probabilistik dan konstan atau berbeda menurut waktu
Reorder level, menyatakan tingkat persediaan dimana order harus dilakukan
kembali. Reorder level merupakan fungsi dari permintaan selama lead time
Safety stock, menyatakan bagian dari persediaan sebagai cadangan untuk
mencegah terjadinya kekurangan persediaan (stock out) oleh karena fluktuasi
demand ataupun proses supply. Safety stock juga merupakan fungsi dari lead
time demand.

Karakteristik demand:

34
Universitas Kristen Petra
Static deterministic, permintaan untuk tiap periode diketahui dengan pasti dan
konstan, laju permintaan selalu sama untuk tiap periode
Dynamic deterministic, permintaan untuk tiap periode diketahui dengan pasti
dan konstan, namun laju permintaan dapat berbeda beda untuk tiap periode
Static probabilistic, permintaan untuk tiap periode merupakan variable acak,
mempunyai pola distribusi probabilitas tertentu yang tergantung pada panjang
periode. Distribusi probabilitas permintaan selalu sama untuk tiap periode
Dynamic probabilistic, permintaan untuk tiap periode merupakan variable
acak, mempunyai pola distribusi probabilitas tertentu yang tergantung pada
panjang periode. Distribusi probabilitas permintaan berbeda beda untuk tiap
periode

4.2 Sistem klasifikasi ABC

Klasifikasi ABC membagi persediaan menjadi tiga kelas berdasarkan atas nilai
persediaan sehingga dapat diketahui item mana yang harus mendapat perhatian lebih
dibandingkan dengan item yang lainnya. Sedangkan nilai yang dimaksud dalam
klasifikasi ABC ini bukan lah harga persediaan per unit, melainkan volume persediaan
yang dibutuhkan dalam satu periode dikalikan dengan harga per unitnya.

Dengan demikian, kriteria-kriteria dalam klasifikasi ABC adalah sebagai berikut:

Kelas A Persediaan ini memiliki nilai volume tahunan rupiah yang tinggi. Kelas ini
memiliki sekitar 70% dari dari total nilai persediaan meskipun jumlahnya sedikit
(sekitar 20%). Sehingga harus mendapat perhatian yang sangat serius karena akan
berdampak pada biaya yang tinggi.

Kelas B Persediaan ini mempunyai nilai volume tahunan rupiah yang menengah.
Kelompok ini merepresentasikan sekitar 20% dari total nilai persediaan dan memiliki
jumlah item sekitar 30%. Sehingga diperlukan teknik pengendalian persediaan yang
moderat.

35
Universitas Kristen Petra
Kelas C Persediaan ini memiliki nilai volume tahunan rupiah sekitar 10% dari total
nilai persediaan. Akan tetapi memiliki jumlah item persediaan sekitar 50%. Dengan
demikian hanya diperlukan teknik pengendalian yang sederhana.

4.3 Quantity Decisions

Quantity decisions model biasanya disebut juga sebagai lot sizing model yang
terbagi menjadi 2 kelompok yaitu:

a. Static lot sizing model, digunakan untuk kasus dengan jumlah permintaan
konstan
b. Deterministic lot sizing model, digunakan untuk kasus dengan jumlah
permintaan yang fluktuatif

4.3.1 Static lot sizing

Economic Order Quantity

2
Q* =

K(Q*) = cD + 2

h = ic

Keterangan:

Q*: Economic order quantity/ Q optimal

A : Set up/ordering cost

D : Demand

h : Total annual inventory holding cost

i : Total annual inventory holding cost (% per year)

c : Unit cost

36
Universitas Kristen Petra
Economic Production Quantity (EPQ), no back log

2
Q* =
(1


K(Q*) = cD + + (1 )
2

Keterangan:

: replenishment production rate

4.3.2 Dynamic lot sizing

a) Silver meal method

Penentuan rata-rata biaya per periode adalah jumlah periode dalam


penambahan pesanan yang meningkat. Penambahan pesanan dilakukan ketika rata-rata
biaya periode pertama meningkat. Jika pesanan datang pada awal periode pertama dan
dapat mencukupi kebutuhan hingga akhir periode T

Kriteria dari metode Silver Meal adalah bahwa lot size yang dipilih harus dapat
meminimasi ongkos total per periode. Permintaan dengan perioda-perioda yang
berurutan diakumulasikan ke dalam suatu bakal ukuran lot (tentative lot size) sampai
jumlah holding cost dan setup cost dari lot tersebut dibagi dengan jumlah periode yang
terlibat meningkat.

Rumus yang digunakan adalah:

C1 = A

Cn = (A + 2(n 1)hDn)/n

b) Part Period Balancing

37
Universitas Kristen Petra
Metode ini menseleksi jumlah periode untuk mencukupi pesanan tambahan
berdasarkan akumulasi biaya simpan dan biaya pesan. Tujuannya adalah menentukan
jumlah lot untuk memenuhi periode kebutuhan.

Penentuan jumlah pesanan (lot) dilaksanakan dengan mengakumulasikan permintaan


dari periode-periode yang berdampingan kedalam suatu lot tunggal sampai holding
cost kumulatifnya melampaui atau sama dengan setup cost. Pertama mengkonversikan

ongkos pesan menjadi Equivalent Part Period (EPP), dengan rumus:

c) Least Unit Cost

Teknik ini didasarkan pada pemikiran bahwa jumlah ongkos pengadan dan
ongkos simpan (ongkos total) setiap ukuran kuantitas pemesanan yang ada pada suatu
horizon perencanaan dapat diminimasi jika besar ongkos-ongkos tersebut sama atau
hampir sama. Sarana untuk mencapai tujuan tersebut adalah suatu faktor tang disebut
Economic Part Period (EPP). Pemilihan ukuran lot ditentukan dengan jalan
membandingkan ongkos part period yang ditimbulkan oleh setiap ukuran lot tersebut
dengan EPP, yang paling dekat atau sama dengan EPP dipilih sebagai ukuran lot yang
akan dilaksanakan. Part period adalah satu unit yang disimpan dalam persediaan dalam
satu periode. EPP dapat didefinisikan sebagai kuantitas suatu item persediaan yang bila
disimpan didalam persediaan selama satu periode, akan menghasilkan ongkos
pengadaan yang sama dengan ongkos simpan.

Rumus yang digunakan adalah

(+
1 (1))
Cn = 1+

4.4 Soal

Soal 1

James, the manager of a local computer store, estimates the demand for 3.5 diskettes
for the next 5 months to be 100, 100, 50, 50, and 210 boxes of 10 diskettes. Because the
demand is lumpy, James applies the Silver Meal Method to order the correct quantity.

38
Universitas Kristen Petra
To place an order for the diskettes costs James $50 regardless of the order size, and
he estimates that holding a box for over a month will cost him $0.5. What can you
suggest to him?

Soal 2

Repeat Jamess problem using the Least Unit Cost Method!

Soal 3

Repeat Jamess problem by applying the Part Balancing Method!

4.5 Jawaban

Soal 1

Langkah pengerjaan adalah dengan menghitung Cn pada setiap periode yang berarti
jika cn harus dengan cn-1 jika cn periode berikutnya lebih besar maka stop yang
menandakan biaya akan lebih besar jika pesanan pada periode n dipenuhi di periode
awal atau sebelumnya, jika sudah menghitung lagi cn dengan artian penghitungan pada
periode sebelumnya sudah tidak berarti lagi. Dari perhitungan diketahui bahwa
pemesanan dilakukan sebanyak 3x yaitu pada periode 1, 4, dan 5 untuk pemesanan
yang dilakukan pada periode 1 terdapat inventory. Nilai total cost dihitung dari rumus:
A x berapa kali pemesanan + h x jumlah total inventory selama 5 periode, maka di
dapat nilai total cost sebesar 250

Gambar 4.1 Jawaban Soal 1

39
Universitas Kristen Petra
Soal 2

Langkah pengerjaan adalah dengan menghitung Cn pada setiap periode yang berarti
jika cn harus dengan cn-1 jika cn periode berikutnya lebih besar maka stop yang
menandakan biaya akan lebih besar jika pesanan pada periode n dipenuhi di periode
awal atau sebelumnya, jika sudah menghitung lagi cn dengan artian penghitungan pada
periode sebelumnya sudah tidak berarti lagi. Dari perhitungan diketahui bahwa
pemesanan dilakukan sebanyak 3x yaitu pada periode 1, 3, dan 5 untuk pemesanan
yang dilakukan pada periode 1 dan 3 terdapat inventory. Nilai total cost dihitung dari
rumus: A x berapa kali pemesanan + h x jumlah total inventory selama 5 periode, maka
di dapat nilai total cost sebesar 225

Gambar 4.2 Jawaban Soal 2

Soal 3

Langkah pengerjaan adalah dengan menghitung ppn pada setiap periode yang berarti
jika ppn harus dengan nilai A/h jika ppn lebih besar maka stop pada periode tersebu
yang menandakan biaya akan lebih besar jika pesanan pada periode n dipenuhi di
periode awal atau sebelumnya, jika sudah menghitung lagi ppn dengan artian
penghitungan pada periode sebelumnya sudah tidak berarti lagi. Dari perhitungan
diketahui bahwa pemesanan dilakukan sebanyak 3x yaitu pada periode 1, 3, dan 5
untuk pemesanan yang dilakukan pada periode 1 dan 3 terdapat inventory. Nilai total
cost dihitung dari rumus: A x berapa kali pemesanan + h x jumlah total inventory
selama 5 periode, maka di dapat nilai total cost sebesar 225

40
Universitas Kristen Petra
Gambar 4.3 Jawaban soal 3

5. MATERIAL REQUIREMENT PLANNING

Material Requirement Planning (MRP) adalah sistem informasi berbasis


computer untuk melakukan pemesanan dan penjadwalan inventori dependent
demand. Beberapa manfaat diterapkanya MRP sebagai berikut:

Meningkatkan kepuasan konsumen dengan memenuhi jadwal pengiriman yang telah


ditentukan

Respon yang lebih cepat terhadap perubahan pasar


Penjadwalan dan perencanaan inventori yang lebih baik
Mengurangi tingkat inventori tanpa mengurangi tingkat layanan terhadap
konsumen.

Tipe permintaan konsumen dapat dibedakan menjadi dua yaitu:

Dependent demand. Permintaan untuk item yang merupakan komponen atau


subassembly yang digunakan untuk memproduksi produk akhir.
Independent demand. Permintaan terhadap produk akhir

Input dalam MRP adalah:

1. Master Production Schedule (MPS)

41
Universitas Kristen Petra
2. Bill of Materials (BOM) merupakan sebuah daftar bahan baku, part,
subassembly, assembly yang dibutuhkan untuk memproduksi sebuah unit
produk akhir.
3. Product Structure Tree merupakan gambaran visual dari permintaan dalam
sebuah bill of materials dimana semua komponen didaftar berdasarkan level.
4. Inventory Record. Pencatatan inventori dalam MRP harus akurat. Pencapaian
akurasi catatan dapat dilakukan dengan langkah-langkah sebagai berikut:
Melakukan penyimpanan data yang baik
Mengembangkan dan menjalankan prosedur pengambilan inventori
Mencatat transaksi inventori yang ada secara disiplin
Menghitung secara regular jumlah fisik inventori
Mencocokan segera bila terjadi perbedaan antara catatan dan hasil perhitungan
fisik.

5.2 Soal
Soal 1

1. Product M is made of 2 units of N and 3 units of P. N is made of 2 units of R and


4 units of S. R is made of a unit of S and 3 of T. P is made of 2 units of T and 4
units of U.
a. Make the Bill of Material of M

b. If 50 M are required, how many units of each component are needed?

Soal 2

2. In the following MRP planning schedule for item J, indicate the correct net
requirements, planned order receipts, and planned order releases to meet the
gross requirements. Lead time is one week.

42
Universitas Kristen Petra
Jawaban

Soal 1.a

Soal 1.a ini diminta untuk membuat BOM (bill of materials) dari produk M.
BOMnya dapat dilihat pada gambar 5.1 dibawah ini,

Gambar 5.1 BOM produk M

43
Universitas Kristen Petra
Gambar 5.1 menunjukkan BOM dari produk M. BOM ini berfungsi untuk melihat
komponen komponen yang ada untuk membuat suatu produk. Dilihat dari gambar
5.1 juga menunjukkan bahwa untuk membuat sebuah produk M membutuhkan dua
produk N dan tiga produk P. Produk N dan P itu sendiri membutuhkan komponen
lain untuk membuatnya. Produk N dapat terbuat jika terdapat dua produk R dan
empat produk S. Produk P dapat terbentuk jika terdapat dua produk T dan empat
produk U untuk membuat satu produk P.

Soal 1.b

Soal 1.b ini melanjutkan soal 1.a tetapi melihat berapa jumlah yang
dibutuhkan untuk membuat produk M sebanyak 50 buah. Hasil perhitungannya dapat
dilihat pada gambar 5.2 dibawah ini,

Gambar 5.2 Hasil perhitungan untuk membuat 50 produk M

Gambar 5.2 menunjukkan untuk membuat produk M sebanyak 50 buah


membutuhkan 100 komponen produk N, 150 komponen produk P, 100 komponen
produk R, 250 komponen produk S, 250 komponen produk T dan 200 komponen
produk N. Hasil hasil tersebut merupakan perkalian dari required dikali dengan
jumalah produk yang ingin dipenuhi. Contohnya untuk membuat produk M

44
Universitas Kristen Petra
membutuhkan dua produk N dan tiga produk P, jadi 2 x 50 dan 3 x 50 sehingga
membutuhkan 100 komponen untuk produk N dan 150 komponen untuk produk P.

Soal 2

Soal 2 ini diminta untuk menentukan net requiment, periode berapa


melakukan planned order release dan periode ke berapa planned order receipt. Hasil
perhitungan untuk soal 2 ini dapat dilihat pada gambar 5.3 di bawah ini. Perhitungan
dalam soal 2 ini menggunakan Microsoft excel.

Gambar 5.3 Hasil perhitungan soal 2

Gambar 5.3 menunjukkan bahwa terdapat permintaan pada minggu ke 2, 4


dan 5. Gambar 5.3 juga menunjukkan bahwa terdapat inventory sebanyak 40 pada
awal periode. Soal 2 juga mengasumsikan bahwa Lead timenya adalah 1 minggu.
Lead time satu minggu itu berarti untuk mendatangkan barang yang diinginkan
dibutuhkan waktu satu minggu sebelumnya untuk memesannya. Pada minggu ke 2
terdapat permintaan sebanyak 75, jadi kita mengisi tabel planned order release pada
minggu ke satu untuk melakukan pemesanan sebanyak 35. Pemesanan yang
dilakukan pada minggu pertama hanya 35 karena kita memiliki inventory sebanyak
40 buah. Permintaan untuk minggu ke empat sebanyak 50 harus mulai dilakukan

45
Universitas Kristen Petra
pemesanan pada minggu ke tiga sebanyak 50 juga karena sudah tidak memiliki
inventory. Minggu ke lima juga terdapat permintaan sebanyak 70, jadi harus
dilakukan pemesanan pada satu minggu sebelumnya karena lead timenya adalah satu
minggu. Permintaan pada minggu ke lima diterima tepat pada minggu kelima sesuai
dengan tabel planned order receipt. Tabel planned order receipt ini berisikan berapa
jumlah barang yang diterima pada minggu terntu dan tabel net requiment
menunjukkan berapa produk yang dibutuhkan untuk memenuhi permintaan pada
minggu tersebut.

6. KESIMPULAN
Dalam dunia pekerjaan seperti yang telah diketahui bahwa keinginan konsumen
tiap periode berbeda beda, oleh karena itu setiap perusahaan membuthkan yang
namanya forecasting. Forecasting memiliki 2 metode yaitu kualitatif dan kuantitatif,
dalam praktikum kali ini yang digunakan adalah metode kuantitatif yang dibagi
menjadi 2 bagian yaitu time series dan causal relationship. Setelah adanya peramalan
yang telah dilakukan selanjutnya perusahaan mempertimbangkan adanya kapasitas
produksi, pekerja, dll yang dinamakan dengan agregat planning, Agregat planning
memiliki 2 strategi yaitu pure strategy dan mixed strategy. Setelah melakukan
perencanaan agregat maka perusahaan merencanakan untuk pengaturan jadwal
produksi, penentuan sumber daya dan kapasitas produksi hal ini menggunakan metode
master production system. Setelah menentukan sumber daya dan jadwal produksi maka
produk akan segera dibuat, namun pada proses produksi biasanya pembuatan item yang
dilakukan melebihi dari pemesanan yang ada, sehingga barang lebih tersebut disimpan
dalam inventory, untuk menentukan berapa banyak yang harus di produksi dan di
simpan kita dapat menggunakan metode metode yang ada pada pengendalian
persediaan seperti lot sizing model, hal tersebut akan memudahkan dalam penentuan
jumlah produksi dan penentuan inventory.

46
Universitas Kristen Petra
DAFTAR PUSTAKA

https://belajarmanagement.wordpress.com/2011/04/12/klasifikasi-abc-dalam-
inventory-persediaan/

https://sites.google.com/site/operasiproduksi/perencanaan-kebutuhan-bahan

47
Universitas Kristen Petra