Bismilah Tugas Besar Prak P3i - Print

ABSTRAK
Perusahaan milik Bapak Suwidodadi adalah perusahaan yang bergerak dalam

produksi furniture berbahan kayu dimana daam operasionalnya memerlukan
perencanaan dan pengendalian produksi. Di setiap perusahaan perancangan dan
pengendalian produksi sangat dibutuhkan untuk proses produksi salah satunya untuk
merencanaakan bahan baku selalu tersedia, sehingga proses produksi dapat dipenuhi tepat
waktu. Pada laporan kali ini, terdapat langka-langka dalam merancang dan
mengendalikan produksi seperti peramalan, agregat planning, mrp dan inventory, line
baancing dan schedule. Dari pengolahan data yang diambil dari perushaan tersebut maka
dapat diketahui bahwa Metode yang terbaik untuk peramalan meja rias adalah regresi
linear. Kursi adalah exponetial smooting, almari adalah regresi linear, dipan adalah
exponetial smooting, dan bifet adalah regrei linear. Agregat planning untuk meja rias
menghasilkan prakiraab biaya sebesar Rp. 74400000, kursi sebesar Rp. 40800000, almari
sebesar Rp. 57.200.000. dipan sebesar Rp. 3520000 dan bifet sebesar Rp. 3000000. Line
balancing meja rias terbaik pada metode III, kursi pada metode I, almari I, dipan pada
metode III, dan bipfet pada metode II atau III .
Kata kunci : agregat planning, forecasting, inventory, MRP, produksi
i
KATA PENGANTAR
Syukur alhamdulillah kami panjatkan kehadirat Allah SWT yang telah
memberikan rahmat, taufiq, serta hidayah-Nya, sehingga kami dapat menyelesaikan
laporan tugas besar praktikum P3I (Pengendalian Proses Produksi Industri) ini tepat
pada waktunya. Laporan ini kami susun dalam rangka memenuhi tugas praktikum
P3I (Pengendalian Proses Produksi Industri).
Tujuan utama penulisan laporan ini adalah untuk meningkatkan
kemampuan kami dalam hal tulis menulis, serta untuk melatih kemampuan berfikir
dan analisis secara logis. Untuk itu diharapkan dengan kegiatan ini dapat
meningkatkan semangat kami untuk terus belajar dan berusaha menemukan hal-hal
baru, terutama yang berbasis P3I (Pengendalian Proses Produksi Industri).
Oleh karena itu, ucapan terima kasih kami sampaikan kepada:
1. Ibu Kifayah Amar, S.T., M. Sc., PH.D., selaku Kepala Program Studi Teknik
Industri UIN Sunan Kalijaga;
2. Bapak Trio Yonathan Teja Kusuma,S.T.,MT., selaku dosen pengampu dalam
pembuatan mata kuliah P3I (Pengendalian Proses Produksi Industri);
3. Bapak/Ibu dosen yang selalu memotivasi dan dan memberi semangat kepada
kami;
4. Kakak-kakak asisten yang senantiasa sabar dalam membimbing kami; serta
5. Orang tua, yang selalu memberikan dorongan, semangat, motivasi, baik secara
riil maupun non materiil;
Kami menyadari laporan ini masih banyak terdapat kekurangan dan jauh dari kata
sempurna. Untuk itu kami membutuhkan saran dan kritik yang membangun dan
relevan demi kesempurnaaan laporan ini. Semoga laporan ini bermanfaat bagi kita
semua.
Yogyakarta, 03 Desember 2017
Tim Penulis.
ii
DAFTAR ISI
Contents
ABSTRAK .......................................................................................................................... i
DAFTAR ISI..................................................................................................................... iii
1.1. Latar Belakang .................................................................................................. 1
1.2. Rumusan Masalah ............................................................................................ 2
1.3. Tujuan ................................................................................................................ 3
1.4. Manfaat Praktikum .......................................................................................... 3
1.5. Batasan Masalah dan Asumsi .......................................................................... 4
BAB II ................................................................................................................................ 5
2.1 Forecasting ......................................................................................................... 5
2.2 Agregat Planning ............................................................................................. 12
2.3 MRP & Inventory ............................................................................................ 14
2.4. Line Balacing ................................................................................................... 16
2.5. Scheduling ........................................................................................................ 25
BAB III............................................................................................................................. 32
3.1. Profil Perusahaan............................................................................................ 32
3.2. Waktu dan Tempat Pelaksanaan................................................................... 32
3.3. Data yang Digunakan ..................................................................................... 32
3.4. Metode Pengumpulan Data ............................................................................ 32
BAB IV ............................................................................................................................. 34
4.1. Pengumpulan Data.......................................................................................... 34
4.2. Pengolahan Data ............................................................................................... 1
4.2.1. Forecasting ................................................................................................. 1
a. Meja rias ............................................................................................................ 1
b. Kursi ................................................................................................................... 7
c. Almari .............................................................................................................. 10
d. Dipan ................................................................................................................ 17
e. Bifet .................................................................................................................. 20
4.2.2. Agregat planning...................................................................................... 25
a. Meja rias .......................................................................................................... 25
b. Kursi ................................................................................................................. 28
iii
c. Almari .............................................................................................................. 30
d. Dipan ................................................................................................................ 32
e. Bifet .................................................................................................................. 33
4.2.3. MRP ......................................................................................................... 35
a. Meja rias .......................................................................................................... 35
b. Kursi ................................................................................................................. 38
c. Almari .............................................................................................................. 42
d. Dipan ................................................................................................................ 43
e. Bifet .................................................................................................................. 46
4.2.4. Inventory (metode abc) ........................................................................... 52
4.2.5. Line Balancing ......................................................................................... 53
a. Meja rias .......................................................................................................... 53
b. Kursi ................................................................................................................. 59
c. Almari .............................................................................................................. 61
d. Dipan ................................................................................................................ 65
e. Bifet .................................................................................................................. 71
4.2.6. Scheduling ................................................................................................ 78
BAB V .............................................................................................................................. 84
5.1. Forecasting ................................................................................................... 84
a. Meja rias .......................................................................................................... 84
b. Kursi ................................................................................................................. 85
c. Almari .............................................................................................................. 86
d. Dipan ................................................................................................................ 87
e. Bifet .................................................................................................................. 89
5.2. Agregat planning.......................................................................................... 90
a. Meja rias .......................................................................................................... 90
b. Kursi ................................................................................................................. 90
c. Almari .............................................................................................................. 91
d. Dipan ................................................................................................................ 91
e. Bifet .................................................................................................................. 92
5.3. MRP ............................................................................................................. 93
a. Meja rias .......................................................................................................... 93
b. Kursi ................................................................................................................. 94
iv
c. Almari .............................................................................................................. 95
d. Dipan ................................................................................................................ 95
e. Bifet .................................................................................................................. 97
5.4. Inventory ...................................................................................................... 98
5.5. Line Balancing ............................................................................................. 99
a. Meja rias .......................................................................................................... 99
b. Kursi ............................................................................................................... 100
c. Almari ............................................................................................................ 100
d. Dipan .............................................................................................................. 101
e. Bifet ................................................................................................................ 102
5.6. Scheduling .................................................................................................. 103
a. FCFS............................................................................................................... 107
b. SLACK ........................................................................................................... 107
c. EDD ................................................................................................................ 108
d. LPT ................................................................................................................. 109
BAB VI ........................................................................................................................... 110
6.1. Kesimpulan .................................................................................................... 110
6.2. Saran .............................................................................................................. 110
DAFTAR PUSTAKA .................................................................................................... 111
LAMPIRAN................................................................................................................... 112
v
BAB I
PENDAHULUAN
1.1. Latar Belakang
Persaingan yang ketat antar produsen dalam memproduksi produk yang
sama, mendorong perusahaan untuk bersaing dalam memiliki keunggulan.
Dengan adanya ketidakpastian jumlah dan waktu saat konsumen akan membeli
produk sehingga mendorong adanya persediaan, Oleh karena itu perusahaan
seharusnya memiliki pengawasan terhadap persediaan. Hal tersebut bertujuan
untuk menciptakan suatu tingkat efisiensi penggunaan biaya dalam persediaan.
Setiap industri manufaktur ataupun bukan manufaktur harus mampu mengelola
dan merencanakan setiap kegiatannya dengan baik. Pengelolaanya yang
dilakukan meliputi perencanaan kebutuhan bahan baku, perencanaan produksi,
perakitan sampai dengan produk jadi.
Perusahaan yang kami datangi termasuk perusahaan semi manufaktur
yang bergerak dalam pembuatan furniture atau Meubel. Produk-produk yang
dihasilkan juga sangat beragam dari mulai almari, kursi, meja, kaca hias, dll.
Bahan dasar pembuatan produk adalah Kayu jati yang didapatkan langsung
dari Pacitan, Ngawi dan Gunung Kidul. Banyaknya produk yang dihasilkan
tentunya harus adanya pengelolaan sistem persediaan yang baik. Berdasarkan
pengamatan yang dilakukan model persediaan pada Perusahaan tersebut adalah
dependent atau produk produksi sesuai dengan permintaan (make to order) dan
sebagian lagi di buat tanpa adanya order. Perusahaan ini belum menerapkan
atau memiliki sistem perencanaan kebutuhan material yang baik, sehingga
dalam proses produksinya sering terjadi keterlambatan produksi, dari mulai
bahan baku dipesan kemudian diproses sampai dengan proses finishing
terkadang mengakibatkan produk yang dipesan tidak jadi sesuai dengan waktu
yang ditentukan. Hal ini disebabkan karena belum adanya perhitungan waktu
tenggang atau (lead time) untuk pembuatan suatu produk sampai waktu
tenggang untuk masing-masing komponen pembentuk produk tersebut.
Berdasarkan latar belakang permasalahan diatas, penelitian ini
membahas tentang perencanaan kebutuhan bahan baku yang akan digunakan
1
untuk membuat pesanan produksi dan pembelian. Serta mengatur aliran bahan
baku dan persediaan sehingga sesuai dengan jadwal produksi untuk produk
akhir sehingga berjalan dengan baik dengan menggunakan metode MRP
sebagai sebuah teknik permintaan terikat yang menggunakan daftar kebutuhan
bahan, persediaan, penerimaan yang diperkirakan, dan jadwal produksi induk
untuk menentukan kebutuhan material. Selain itu kami juga akan menentukan
metode forecasthing mana yang baik, menentukan Agregat Planningnya, Line
balancing dan Schedulling untuk membantu perusahaan tersebut menjadi lebih
baik dan terstruktur.
1.2. Rumusan Masalah

Dari hasil kunjungan kami di perusahaan furniture maka dapat diperoleh
rumusan masalah yang dapat dihadapai dan dapat dipecahkan, sebagai berikut :
1. Menyelesaikan permasalahan di perusahaan furniture dengan Forecasting
dengan menentukan metode mana yang terbaik
2. Menyelesaikan permasalahan di perusahaan furniture dengan Agregat
Planning
3. Menyelesaikan permasalahan di perusahaan furniture dengan Inventory dan
MRP sehingga tidak ada lagi keterlambatan dalam produksi
4. Menyelesaikan permasalahan di perusahaan furniture dengan Line
Balancing sehingga dapat mengetahui waktu proses dan idle pada perstasiun
5. Menyelesaikan permasalahan di perusahaan furniture dengan Schedulling
2
1.3. Tujuan
Dengan kami membantu perhitungan dengan berbagi macam
perihitungan di praktikum sehingga dapat dapat tercapainya tuuang sebagai
berikut :
1. Dapat mengetahui metode forcasting yang terbaik dan sesuai dengan
kondisi perusahaan.
2. Dapat mengetahui dan menyusun agregat planning perusahaan.
3. Dapat mengatur inventori perusahaan agar tidak mengalami keterlambatan
dengan adanya bantuan MRP sehingga produksi tidak terlambat
4. Dapat megetahui waktu proses yang terjadi pada setiap stasiunnya dan
waktu idlenya.
5. Dapat menyusun schedulling produk perusahaan sehingga dapat mengatur
waktu dengan baik
1.4. Manfaat Praktikum

Dengan kami membantu perhitungan dengan berbagi macam
perihitungan di praktikum sehingga dapat membantu perusahaan yang kami
kunjungin sebagai berikut :
1. Perusahaan dapat mengetahui metode mana yang baik dengan penggunaan
Forcasting
2. Perusahaan dapat menyelesaikan masalah dengan penggunaan Agregat
Planning
3. Perusahaan tidak mengalami keterlambatan lagi dengan adanya bantuan
MRP sehingga produksi tidak terlambat
4. Perusahaan akan tau waktu proses yang terjadi pada setiap stasiunnya dan
waktu idlenya
5. Dengan schdulling perusahaan dapat mengatur waktu dengan baik
3
1.5. Batasan Masalah dan Asumsi
Agar hasil lebih terarah, mudah dipahami dan dimengerti serta topik yang
dibahas tidak terlalu jauh dan meluas perlu adanya ruang lingkup, dimana
batasan dan asumsi sebagai berikut :
1. Batasan
a. Metode yang digunakan yaitu metode yang diajarkan pada Praktikum
dan memenuhi semua Bab yang diajarkan
b. Objek penelitian yaitu di perusahaan milik Bapak Suwido Dadi
c. Jumlah produk yaitu 5
d. Pengolahan data menggunakan POM for Windows
2. Asumsi
a. Pengambilan data dilakukan secara langsung, interview kepada pemilik
perusahaan
b. Objek yang diambil adalah yang memiliki minimal level 2
4
BAB II
LANDASAN TEORI
2.1 Forecasting
Peramalan (Forecasting) adalah kegiatan mengestimasi apa yang akan
terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya
perbedaan kesenjangan waktu antara kesadaran akan dibutuhkannya suatu
kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila
perbedaan waktu tersebut panjang maka peran peramalan begitu penting dan
sangat dibutuhkan, terutama dalam penentuan kapan terjadinya suatu sehingga
dapat dipersiapkan tindakan yang perlu dilakukan. Menurut Arman Hakim
Nasution (2006), Peramalan adalah proses untuk memperkirakan beberapa
kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas,
kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang dan jasa. Peramalan tidak terlalu dibutuhkan dalam kondisi
permintaan pasar yang stabil, karena perubahan permintaan relatif kecil. Tetapi
peramalan akan sangat dibutuhkan bila kondisi permin taan pasar bersifat
kompleks dan dinamis. Dalam kondisi pasar bebas, permintaan pasar lebih
banyak bersifat kompleks, dan dinamis karena permintaan tersebut akan
tergantung dari keadaan social, ekonomi, politik, aspek teknologi, produk
pesaing dan produk substitusi. Oleh karena itu peramalan yang akurat
merupakan informasi yang sangat dibutuhkan dalam pengambilan keputusan
manajemen.
Peramalan memerlukan pengambilan data historis dan
memproyeksikannya ke masa dengan beberapa bentuk model matematis.
Peramalan biasanya dikelompokkan oleh horizon waktu masa depan yang
mendasarinya, dengan kategori sebagai berikut:
a. Peramalan jangka pendek (< 3 bulan)
b. Peramalan jangka menengah (3 bulan - 3 tahun)
5
c. Peramalan jangka panjang (> 3 tahun) Metode permalan secara umum
dibagi dua:
d. Kualitatif; metode Delphi, judgment para ahli/opini eksekutif, survey
pasar konsumen, dsb.
e. Kuantitatif; moving average (rata-rata bergerak), exponential
smoothing (penghalusan eksponensial), trend projection (proyeksi trend),
linear regression (regresi linier). (Render &Heizer, 45-90, 2001).
Peramalan Permintaan
Permalan permintaan merupakan tingkat permintaan produk-produk
yang diharapkan akan terealisir untuk jangka waktu tertentu pada waktu
tertentu pada masa yang akan datang. Peramalan permintaan ini akan menjadi
masukkan yang penting dalam keputusan perencanaan dan pengendalian
perusahaan. Karena bagian operasional produksi bertanggung jawab terhadap
pembuatan produk yang dibutuhkan konsumen, maka keputusan-keputusan
operasi produksi sangat dipengaruhi hasil dari peramalan permintaan,
Peramalan permintaan ini digunakan untuk meramalkan permintaan dari
produk yang bersifat bebas (tidak tergantung), seperti peramalan produk jadi.
i. Regresi Linear
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi
untuk menguji sejauh mana hubungan sebab akibat antara Variabel
Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab
pada umumnya dilambangkan dengan X atau disebut juga dengan
Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau
disebut juga dengan Response. Regresi Linear Sederhana atau sering
disingkat dengan SLR (Simple Linear Regression) juga merupakan
salah satu Metode Statistik yang dipergunakan dalam produksi untuk
melakukan peramalan ataupun prediksi tentang karakteristik kualitas
maupun Kuantitas.
6
ii. Holt-Winters
Model Holt-Winters digunakan untuk memodelkan data dengan
pola musiman, baik mengandung trend maupun tidak. Titik berat
metode ini adalah pada nilai ramalan (α), kemiringan slope (β), maupun
efek musiman (γ).
Ilustrasi berikut ini akan membandingkan nilai aktual dengan
nilai peramalan pada metode Holt-Winters pada data pendapatan dari
perusahaan supplier sayuran HIS FARM periode tahun 1990 hingga
2006: Untuk menghitung nilai estimasi peramalan, maka kita perlu
mengestimasi terlebih dahulu nilai tingkat pemulusan dan nilai trend
dalam model Holt-Winters, dengan model sebagai berikut:
Dimana:
Ei = tingkat pemulusan pada periode i
Ei-1 = tingkat pemulusan pada periode i-1
Ti = nilai komponen trend pada periode i
Ti-1 = nilai komponen trend pada periode i-1
7
Yi = nilai yang diketahui pada periode i
U = konstanta pemulusan (0<b1<1)
V = konstanta pemulusan (0<b1<1)
Terdapat dua jenis model Holt-Winters antara lain :
1. Aditive Holt-Winters
Model ini dapat diterapkan ketika time series mengandung
komponen musiman (seasonal). Metode ini mengasumsikan bahwa
time series tersusun dari siklus trend dan musiman linier, yang
tersusun dari tiga rangkaian proses statistik yang terkorelasi
(pemulusan, trend, dan musiman) dan memproyeksikan trend serta
komponen musiman ke depan.
2. Multiplicative Holt-Winters
Metode ini dapat diterapkan pada data time series musiman
sama halnya dengan additive, tetapi pada model ini diasumsikan
bahwa komponen-komponen time series (pemulusan data, trend, dan
musiman), dikalikan satu sama lain sehingga menghasilkan data
time series yang lebih aktif.
iii. ARIMA
Model ARIMA merupakan salah satu teknik peramalan time
series (deret waktu) yang hanya berdasarkan perilaku data variabel yang
diamati. Model ARIMA sama sekali mengabaikan variabel independen
karena model ini menggunakan nilai sekarang dan nilai-nilai lampau
dari variabel dependen untuk menghasilkan peramalan jangka pendek
yang akurat. Secara harfiah, model ARIMA merupakan gabungan
antara model AR (Autoregressive) dan model MA (Moving Average).
8
iv. Analisis Trend
Analisis trends merupakan suatu metode analisis statistika yang
ditujukan untuk melakukan suatu estimasi atau peramalan pada masa
yang akan datang. Untuk melakukan peramalan dengan baik maka
dibutuhkan berbagai macam informasi (data) yang cukup banyak dan
diamati dalam periode waktu yang relatif cukup panjang, sehingga hasil
analisis tersebut dapat mengetahui sampai berapa besar fluktuasi yang
terjadi dan faktor-faktor apa saja yang memengaruhi terhadap
perubahan tersebut.
Secara teoristis, dalam analisis runtun waktu (time series) hal
yang paling menentukan adalah kualitas dan keakuratan dari data-data
yang diperoleh, serta waktu atau periode dari data-data tersebut
dikumpulkan. Jika data yang dikumpulkan tersebut semakin
banyak maka semakin baik pula estimasi atau peramalan yang
diperoleh. Sebaliknya, jika data yang dikumpulkan semakin sedikit
maka hasil estimasi atau peramalannya akan semakin jelek.
9
v. Ukuran Akurasi Peramalan
Validasi metode peramalan terutama dengan menggunakan
metode- metode di atas tidak dapat lepas dari indikator-indikator dalam
pengukuran akurasi peramalan. Bagaimanapun juga terdapat sejumlah
indikator dalam pengukuran akurasi peramalan, tetapi yang paling
umum digunakan adalah mean absolute deviation, mean absolute
percentage error, dan mean squared error
1. Mean Square Error (MSE)
Mean Squared Error (MSE) adalah metode lain untuk
mengevaluasi metode peramalan. Masing-masing kesalahan atau
sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan
jumlah observasi. Pendekatan ini mengatur kesalahan peramalan
yang besar karena kesalahan-kesalahan itu dikuadratkan. Metode itu
menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih
baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan
yang besar.
2. Mean Absolut Deviation (MAD)

Akurasi peramalan akan tinggi apabila nilai-nilai MAD,
mean absolute percentage error, dan mean squared error semakin
kecil. MAD merupakan nilai total absolut dari forecast error dibagi
dengan data. Atau yang lebih mudah adalah nilai kumulatif absolut
error dibagi dengan periode. Jika diformulasikan maka formula
untuk menghitung MAD adalah sebagai berikut:
10
3. Mean Absolute Percentage Error (MAPE)
Rata-rata persentase kesalahan kuadrat merupakan
pengukuran ketelitian dengan cara persentase kesalahan absolute.
MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalam
bentuk persentasenya terhadap data aktualnya.
4. Tracking Signal (TS)

Menurut Gaspersz (2004), suatu ukuran bagaimana baiknya
suatu ramalan memperkirakan nilai-nilai aktual suatu ramalan
diperbaharui setiap minggu, bulan atau triwulan, sehingga data
permintaan yang baru dibandingkan terhadap nilai-nilai ramalan.
Tracking signal dihitung sebagai running sum of the forecast errors
dibagi dengan mean absolute deviation.
Tracking signal yang positif menunjukkan bahwa nilai aktual

permintaan lebih besar daripada ramalan, sedangkan apabila negatif
berarti nilai aktual permintaan lebih kecil daripada ramalan. Pada
setiap peramalan, tracking signal terkadang digunakan untuk melihat
apakah nilai-nilai yang dihasilkan berada di dalam atau di luar
11
batasbatas pengendalian dimana nilai-nilai tracking signal itu
bergerak antara -4 sampai +4.
2.2 Agregat Planning

Dalam sebuah perusahaan manufaktur atau perusahaan industri,
pengolahan produksinya telah dioperasikan oleh bagian management. Untuk
mengatur operasional tersebut maka management dituntut untuk dapat
meramalkan pemeroduksian sebuah produk tersebut. Peramalan tersebut pun
juga berfungsi sebagai minimalis cost yang akan dikeluarkan dan meminimalis
kekurangan produksi jika demand pada suatu periode meningkat drastis. Maka
dari itu bagian management harus bisa menyiapkan produk simpanan, yang
berguna pada suatu waktu yang mana permintaan itu banyak. Untuk itu kita
perlu untuk mengetahui jumlah dan waktu pemroduksian untuk masa yang
akan datang. Nah, modul yang khusus membahas mengetahui jumlah dan
waktu pemroduksian akan dibahas di aggregate Planning.
Aggregate Planning adalah suatu aktivitas operasional yang membahas
tentang jumlah pemroduksian dan waktu pemroduksian untuk waktu yang akan
datang. Aggregate Planning juga didefinisikan sebagai usaha untuk
menyamakan antara supply dan demand dari suatu produk atau jasa dengan
jalan menentukan jumlah dan waktu input, transformasi, dan output yang tepat.
Dimana keputusan AP dibuat untuk produksi, staffing, inventory, dan
backorder level. Dengan aggregate Planning pula memberikan gambaran
kepada manajemen untuk mengatasi variabel-variabel produksi seperti halnya
tenaga kerja, material produksi, dan lain sebagainya yang melingkupi
pemroduksian. Sehingga gambaran tersebut dapat menyajikan kuantitas dan
waktu produksi agar dapat berjalan sesuai dengan yang telah direncanakan.
Seperti yang disebutkan sebelumnya, variabel-variabel penting dalam
suatu sistem produksi adalah persediaan dan tenaga kerja. Semakin banyak
tenaga kerja yang digunakan, semakin tinggi pula volume output atau jumlah
unit produk yang dapat dihasilkan. Namun jumlah tenaga kerja yang
12
dibutuhkan tersebut dapat juga dikonversikan menjadi penambahan waktu
kerja bagi tenaga kerja yang ada atau biasanya disebut dengan istilah Lembur
(OT/Overtime). Oleh karena itu, Jumlah Tenaga Kerja dan penggunakan waktu
lembur merupakan dua variabel yang saling berkaitan yang juga dapat
digunakan sebagai strategi dalam perencanaan agregat.
Material yang dapat berupa bahan baku ataupun bahan pendukung juga
merupakan variabel yang sangat penting dalam proses produksi. Tidak ada
Output yang dapat dihasilkan tanpa adanya Material. Oleh karena itu, Material
harus selalu dijaga Persediaan dan kondisi pemesanannya. Beberapa strategi
perencanaan Agregat yang dapat diambil dalam menghadapi Fluktuasi
Permintaan dan ketidakpastian kegiatan produksi pada variabel-variabel yang
dapat dikendali (Controllable Variables) adalah sebagai berikut :
1. Variasikan Tenaga Kerja : Perubahaan Permintaan dapat diatasi dengan cara
menambahkan atau mengurangi Tenaga Kerja yang digunakan sesuai
dengan proporsi permintaan tersebut.
2. Variasikan Waktu Kerja : Tetap menjadi stabilitas jumlah tenaga kerja,
namun memperbolehkan waktu idle (nganggur) pada saat permintaan
rendah dan mengizinkan Lembur (Overtime/OT) saat permintaan naik.
3. Variasikan tingkat persediaan : Fluktuasi atau perubahaan permintaan dapat
diatasi dengan adanya persediaan yang cukup (inventori).
4. Subkontrak : Menggunakan Pihak Ketiga atau Subkontraktor untuk
menyediakan kapasitas yang lebih tinggi.
Kita ketahui pula bahwa aggregate Planning juga memiliki pedoman
perencanaan yang patut kita ketahui. Berikut ini beberapa pedoman yang dapat
digunakan dalam aggregate Planning :
1. Menentukan Kebijakan Perusahaan mengenai variabel-variabel yang dapat
dikendali.
2. Menggunakan Forecast (Peramalan) yang baik sebagai dasar perencanaan.
3. Membuat Perencanaan ke dalam unit-unit kapasitas yang tepat.
13
4. Usahakan untuk menjaga kestabilan jumlah tenaga kerja.
5. Lebih baik melakukan pengendalian terhadap persediaan dengan ketat
daripada menyediakan inventori/persediaan yang berlebihan.
6. Tetap menjaga Fleksibilitas untuk menghadapi perubahaan.
7. Menanggapi Permintaan dengan cara yang terkendali.
8. Mengevaluasi perencanaan secara teratur.
2.3 MRP & Inventory

2.3.1 Pengertian MRP & Inventory
MRP (Material Requirement Planning) adalah suatu metode yang
digunakan untuk merencanakan dan mengendalikan barang yang
tergantung (dependent), pada item di tingkat yang lebih tinggi. Sebagai
gambaran adalah permintaan akan 4 roda mobil dan 1 kemudi, yang
mana permintaan tersebut ada jika terdapat permintaan akan 1 unit
mobil. MRP ini juga bisa diartikan sebagai prosedur logis, aturan
keputusan dan teknik pencatatan terkomputerisasi yang dirancang
untuk menterjemahkan “Jadwal Induk Produksi” atau MPS (Master
Production Schedulling) menjadi “kebutuhan bersih” atau NR (Net
Requirement) untuk semua item. Sistem MRP dikembangkan untuk
membantu perusahaan menufaktur mengatasi kebutuhan akan item-
item dependent secara lebih baik dan efisien. MRP juga dirancang
untuk melepaskan pesanan-pesanan dalam produksi dan pembelian
untuk mengatur aliran bahan baku dan persediaan dalam proses
sehingga sesuai dengan jadwal produksi untuk produk akhir.
Inventory adalah kata dalam Bahasa Inggris yang berarti
persediaan. Hal ini berkaitan dengan aktivitas logistik sebuah
perusahaan, yang mana hal ini adalah suatu kegiatan yang menyediakan
stok barang baku atau barang setengah jadi ataupun barang jadi demi
kelancaran proses produksi.
14
Dalam menerapkan metode MRP ada 3 hal penting yang
diperlukan dalam inputnya, yaitu jadwal induk produksi, catatan
keadaan persediaan, dan struktur produksi. Dari ketiganya, diperoleh
output berupa:
1. Catatan tentang pesanan penjadwalan yang harus direncanakan baik
dari pabrik maupun dari supplier
2. Memberi indikasi untuk penjadwalan ulang
3. Memberikan indikasi untuk pembatalan pesanan
4. Memberikan indikasi untuk keadaan persediaan
Perencanaan inventory yang baik baru dapat dilakukan bila
perencana memiliki data yang akurat tentang data persedian yang ada
saat ini, order terbuka (penjualan, produksi, pembelian) lead time,
BOM.
Metode MRP bersifat computer oriented, yang terdiri dari
sekumpulan prosedur, aturan-aturan keputusan, dan seperangkat
mekanisme pencatatan yang dirancang untuk menjabarkan jadwal
induk produksi.
2.3.2 Tujuan MRP & Inventory

A. Tujuan Inventory
Adapun beberapa dari tujuan Inventory adalah:
1. Menjaga kestabilan proses produksi
2. Menjaga fluktuasi permintaan produk
3. Menjaga fleksibilitas penjadwalan produksi
4. Tujuan ekonomis, jika membeli dalam jumlah yang besar
biasanya akan ada diskon
5. Memberikan keamanan tehadap variasi waktu pengantaran bahan.
15
B. Tujuan MRP
MRP, diterapkan dalam penentuan Inventory dengan tujuan:
1. Meningkatkan efisiensi produksi
2. Dengan menggunakan mrp, produsen dapat meberikan informasi
yang cepat kepada pelanggan tentang kapan barang mereka akan
dikirimkan
3. Mengurangi pemborosan akibat terlalu banyak persediaan
4. Mengurangi lead time
2.3.3 Syarat pendahuluan

Syarat pendahuluan dari sistem MRP standar adalah:
1. Ada dan tersedianya jadwal input produksi, di mana ada jadwal
rencana dan jumlah pesanan dari produk
2. Produk persediaan mempunyai identifikasi khusus
3. Tersedianya struktur produk pada saat perencanaan
4. Tersedianya catatan tentang persediaan semua produk, yang
menyatakan keadaan persediaan sekarang dan yang akan datang.
2.4. Line Balacing

2.4.1 Pengertian Line Balacing
Line balancing merupakan metode penugasan sejumlah
pekerjaan ke dalam stasiun-stasiun kerja yang saling
berkaitan/berhubungan dalam suatu lintasan atau lini produksi sehingga
setiap stasiun kerja memiliki waktu yang tidak melebihi waktu siklus
dari stasiun kerja tersebut. Menurut Gasperz (2000), line balancing
merupakan penyeimbangan penugasan elemen-elemen tugas dari suatu
assembly line ke work stations untuk meminimumkan banyaknya work
station dan meminimumkan total harga menganggur time pada semua
stasiun untuk tingkat output tertentu, yang dalam penyeimbangan tugas
ini, kebutuhan waktu per unit produk yang di spesifikasikan untuk
setiap tugas dan hubungan sekuensial harus dipertimbangkan
16
Selain itu dapat pula dikatakan bahwa line balancing sebagai
suatu teknik untuk menentukan product mix yang dapat dijalankan oleh
suatu assembly line untuk memberikan fairly consistent flow of work
melalui assembly line itu pada tingkat yang direncanakan.
Assembly line itu sendiri adalah suatu pendekatan yang
menempatkan fabricated parts secara bersama pada serangkaian work
stations yang digunakan dalam lingkungan repetitive manufacturing
atau dengan pengertian yang lain adalah sekelompok orang dan mesin
yang melakukan tugas-tugas sekuensial dalam merakit suatu produk.
Sedangkan menganggur time adalah waktu dimana operator/sumber-
sumber daya seperti mesin, tidak menghasilkan produk karena: setup,
perawatan (maintenance), kekurangan material, kekurangan perawatan,
atau tidak dijadwalkan.
2.4.2 Tujuan Line Balacing

Tujuan line balancing adalah untuk memperoleh suatu arus
produksi yang lancar dalam rangka memperoleh utilisasi yang tinggi
atas fasilitas, tenaga kerja, dan peralatan melalui penyeimbangan waktu
kerja antar work station, dimana setiap elemen tugas dalam suatu
kegiatan produk dikelompokkan sedemikian rupa dalam beberapa
stasiun kerja yang telah ditentukan sehingga diperoleh keseimbangan
waktu kerja yang baik. Permulaan munculnya persoalan line balancing
berasal dari ketidakseimbangan lintasan produksi yang berupa adanya
work in process pada beberapa work station.
17
2.4.3 Istilah-Istilah Dalam Line Balacing
 Precedence diagram
Merupakan gambaran secara grafis dari urutan kerja operasi
kerja, serta ketergantungan pada operasi kerja lainnya yang
tujuannya untuk memudahkan pengontrolan dan perencanaan
kegiatan yang terkait di dalamnya. Adapun tanda-tanda yang dipakai
sebagai berikut:
 Symbol lingkaran dengan huruf atau nomor di dalamnya untuk
mempermudah identifikasi dari suatu proses operasi.
 Tanda panah menunjukkan ketergantungan dan urutan proses
operasi. Dalam hal ini, operasi yang berada pada pangkal panah
berarti mendahului operasi kerja yang ada pada ujung anak panah.
 Angka di atas symbol lingkaran adalah waktu standar yang
diperlukan untuk menyelesaikan setiap operasi.
 Asssamble product
Adalah produk yang melewati urutan work stasiun di mana tiap work
stasiun (WS ) memberikan proses tertentu hingga selesai menjadi
produk akhir pada perakitan akhir.
 Work elemen
Elemen operasi merupakan bagian dari seluruh proses perakitan
yang dilakukan.
 Waktu operasi (Ti)
Adalah waktu standar untuk menyelesaikan suatu operasi.
 Work stasiun (WS)
Adalah tempat pada lini perakitan di mana proses perakitan
dilakukan. Setelah menentukan interval waktu siklus, maka jumlah
stasiun kerja efisien dapat ditetapkan dengan rumus berikut:
∑𝒏𝒊=𝟏 𝒕𝒊
𝑲𝐦𝐢𝐧 =
𝑪
Di mana:
Ti: waktu operasi/elemen ( I=1,2,3,…,n)
18
C:waktu siklus stasiun kerja
N: jumlah elemen
Kmin: jumlah stasiun kerja minimal
 Cycle time (CT)
Merupakan waktu yang diperlukan untuk membuat satu unit produk
satu stasiun. Apabila waktu produksi dan target produksi telah
ditentukan, maka waktu siklus dapat diketahui dari hasil bagi waktu
produksi dan target produksi. Dalam mendesain keseimbangan
lintasan produksi untuk sejumlah produksi tertentu, waktu siklus
harus sama atau lebih besar dari waktu operasi terbesar yang
merupakan penyebab terjadinya bottle neck (kemacetan) dan waktu
siklus juga harus sama atau lebih kecil dari jam kerja efektif per hari
dibagi dari jumlah produksi per hari, yang secara matematis
dinyatakan sebagi berikut:
𝑷
𝒕𝒊 𝒎𝒂𝒙 ≤ 𝑪𝑻 ≤
𝑸
Di mana:
ti max: waktu operasi terbesar pada lintasan
CT: waktu siklus (cycle time)
P: jam kerja efektif per hari
Q: jumlah produksi per hari
 Station time (ST)
Jumlah waktu dari elemen kerja yang dilakukan pada suatu stasiun
kerja yang sama.
 Menganggur time (I)
Merupakan selisih (perbedaan0 antara cycle time (CT) dan stasiun
time (ST) atau CT dikurangi ST.
 Balance delay (D)
Sering disebut balancing loss, adalah ukuran dari
ketidakefisiensinan lintasan yang dihasilkan dari waktu menganggur
sebenarnya yang disebabkan karena pengalokasian yang kurang
19
sempurna di antara stasiun-stasiun kerja. Balance delay ini
dinyatakan dalam persentase. Balance delay dapat dirumuskan:
(𝒏 𝒙 𝑪 )– ∑𝒏𝒊=𝟏 𝒕𝒊
𝑫= 𝒙 𝟏𝟎𝟎%
(𝒏𝒙𝑪)
Di mana:
n : jumlah stasiun kerja
C: waktu siklus terbesar dalam stasiun kerja
∑ 𝑡𝑖: jumlah waktu operasi dari semua operasi
𝑡𝑖: waktu operasi
𝐷: balance delay (%)
 Line efficiency (LE)
Adalah rasio dari total waktu di stasiun kerja dibagi dengan waktu
siklus dikalikan jumlah stasiun kerja.
∑𝑲
𝒊=𝟏 𝑺𝑻𝒊
𝑳𝑬 = 𝒙𝟏𝟎𝟎%
(𝑲)(𝑪𝑻)
Di mana:
STi: waktu stasiun dari stasiun ke-1
K: jumlah(banyaknya) stasiun kerja
CT: waktu siklus
 Smoothes index (SI)
Adalah suatu indeks yang menunjukkan kelancaran relative dari
penyeimbangan lini perakitan tertentu.
SI= √∑𝑲
𝒊=𝟏(𝑺𝑻𝒊 𝒎𝒂𝒙 − 𝑺𝑻𝒊)
𝟐
Di mana:
St max: maksimum waktu di stasiun
Sti : waktu stasiun di stasiun kerja ke-i
 Output production (Q)
Adalah jumlah waktu efektif yang tersedi dalam suatu periode dibagi
dengan cycle time.
𝑇
𝑄=
𝐶𝑇
20
Di mana:
T: jam kerja efektif penyelesaiaan produk
C: waktu siklus terbesar
2.4.4 Metode Kilbridge dan Wester

Teknik ini telah menerima banyak perhatian dalam literatur sejak
diperkenalkan pada tahun 1961 . Teknik ini telah diterapkan untuk
memecahkan beberapa masalah line balancing yang agak rumit dengan
sukses dan lebih baik . Ini adalah prosedur heuristik yang memilih
elemen bekerja untuk tugas ke stasiun sesuai dengan posisi mereka
dalam diagram yang telah didahulukan. Unsur-unsur di depan diagram
yang dipilih pertama untuk masuk ke dalam larutan. Ini mengatasi salah
satu kesulitan dengan aturan kandidat terbesar, dengan unsur-unsur
pada akhir diagram diutamakan mungkin menjadi kandidat pertama
yang harus dipertimbangkan, hanya karena T, nilai besar.
Kami menunjukkan Kilbridge dan Wester ini metode pada
masalah sampel kami. Namun, masalah kita adalah cukup dasar bahwa
banyak kesulitan yang prosedur ini dirancang untuk memecahkan
hilang. Pembaca yang tertarik diundang untuk berkonsultasi referensi,
terutama , yang menerapkan Kilbridge dan Wester prosedur untuk
beberapa masalah yang lebih realistis.
Beberapa langkah dalam metode ini antara lain :
a. Membuat diagram keterkaitan kerja atau precedence diagram dari
data yang ada. Kemudian berilah tanda pada daerah yang memuat
elemen-elemen kerja yang tidak saling bergantung.
b. Tentukan waktu siklus dengan mencoba-coba faktor dari total
elemen kerja yang ada. Kemudian tentukan jumlah stasiun kerja
yang mungkin akan terbentuk dengan rumus :
21
dengan :
N = jumlah stasiun kerja
Ti = waktu elemen kerja ke i
c. Distribusikan elemen kerja yag terletak pada wilayah yang paling
awal kepada stasiun yang lebih awal dengan memperhatikan
precedence diagram.
d. Setiap elemen pekerjaan yang berada pada wilayah yang sama
mempunyai hak yang sama untuk dialokasikan kepada stasiun kerja
yang ada.
e. Jika akan mendistribusikan elemen kerja yang ada pada wilayah
berikutnya, maka seluruh elemen kerja yang ada pada wilayah
sebelumnya harus sudah didistribusikan semuanya.
f. Pendistribusian elemen kerja pada stasiun kerja dengan catatan
bahwa total waktu elemen kerja yang terdistribusi pada sebuah
stasiun kerja tidak diperbolehkan melebihi waktu siklus yang telah
ditetapkan.
g. Keluarkan elemen kerja yang telah terdistribusi pada stasiun kerja.
Kemudian ulangi langkah c sampai semua elemen kerja yang ada
terdistribusi ke stasiun kerja.
h. Hitung balance delay lintasan.
i. Hitung efisiensi lintasan baru yang terbentuk.
22
2.4.5 Metode Helgeson Birnie
Nama yang lebih popular ini adalah metode bobot posisi
(Pisitional-Weight Technique). Metode ini sesuai dengan namanya
dikemukakan oleh Helgeson dan Birnie. Langkah-langkah dalam
metode ini adalah sebagai berikut.
1. Buat precedence diagram untuk setiap proses.
2. Tentukan bobot posisi untuk masing-masing elemen kerja yang
berkaitan dengan waktu operasi untuk waktu pengerjaan yang
terpanjang dari mulai operasi permulaan hingga sisa operasi
sesudahnya.
3. Membuat rangking tiap elemen pengerjaan berdasarkan bobot posisi
di langkah 2. Pengerjaan yang mempunyai bobot terbesar diletakkan
pada rangking pertama.
4. Tentukan waktu siklus (CT).
5. Pilih elemen operasi dengan bobot tertingg i, alokasikan ke suatu
stasiun kerja. Jika masih layak (waktu stasiun < CT), alokasikan
operasi dengan bobot tertinggi berikutnya, namun lokasi ini tidak
boleh membuat waktu stasiun > CT.
6. Bila alokasi suatu elemen operasi membuat waktu stasiun > CT,
maka sisa waktu ini (CT – ST) dipenuhi dengan alokasi elemen
operasi dengan bobot paling besar dan penambahannya tidak
membuat ST < CT.
7. Jika elemen operasi yang jika dialokasikan untuk membuat ST < CT
sudah tidak ada, kembali ke langkah 5.
2.4.6 Metode Moodie Young

Metode Moodie-Young memiliki dua tahap analisis. Fase (tahap)
satu adalah membuat pengelompokan stasiun kerja berdasarkan matriks
hubungan antar-task, tidak dirangking seperti metode Helgeson-Birnie.
Fase dua, dilakukan revisi pada hasil fase satu.
23
Fase satu: Elemen pengerjaan ditempatkan pada stasiun
kerja yang berurutan dalam lini perakitan dengan menggunakan aturan
largest-candidate. Aturan largest-candidate terdiri atas penempatan
elemen-elemen yang ada untuk tujuan penurunan waktu. Dari sini, bila
dua elemen pengerjaan cukup untuk ditempatkan di stasiun, salah satu
yang mempunyai waktu yang lebih besar ditempatkan pertama. Setelah
masing-masing elemen ditempatkan, ketersediaan elemen
dipertimbangkan untuk tujuan pengurangan nilai waktu untuk
penugasan selanjutnya. Sebagai pemisalan, matriks P menunjukkan
pengerjaan pendahulu masing-masing elemen dan matriks F pengerjaan
pengikut untuk tiap elemen untuk tiap prosedur penugasan.
Fase dua: Pada fase dua ini mencoba untuk mendistribusikan
waktu nganggur (idle) secara merata (sama) untuk tiap-tiap stasiun
melalui mekanisme jual dan transfer elemen antarstasiun. Langkah-
langkah pada step dua ini adalah sebagai berikut.
1. Menentukan dua elemen terpendek dan terpanjang dari waktu
stasiun dari penyeimbangan fase satu.
2. Tentungan setengah dari perbedaan kedua nilai tujuan (GOAL).
3. GOAL = (STmax – STmin) / 2.
4. Menentukan elemen tunggal dalam STmax yang lebih kecil dari kedua
nilai GOAL dan yang tidak melampaui elemen pengerjaan terdahulu.
5. Menentukan semua penukaran yang mungkin dari STmax dengan
elemen tunggal dari STmin yang mereduksi STmax dan mendapatkan
STmin akan lebih kecil dari 2 x GOAL.
6. Lakukan penukaran yang ditunjukkan oleh kandidat dengan
perbedaan mutlak terkecil antara kandidat tersebut dengan GOAL.
7. Bila tidak ada penukaran atau transfer yang dimungkinkan antara
stasiun terbesar dan terkecil, mengusahakan penukaran antara rank
pada pengerjaan berikut: N (stasiun ranking ke N memiliki jumlah
waktu idle terbesar), N-1, N-2, N-3, …, 3, 2, 1.
24
8. Bila penukaran masih tidak mungkin, lakukan pembatasan dengan
nilai GOAL dan ulangi langkah satu hingga enam.
2.5. Scheduling
Penjadwalan merupakan suatu proses pengaturan sumber daya untuk
menyelesaikan tugas-tugas dengan melibatkan pekerjaan, sumber daya, dan
waktu. Pekerjaan diproses pada setiap sumber daya dengan urutan tertentu
selama waktu tertentu. Tujuan dari penjadwalan produksi adalah melakukan
pengalokasian fasilitas produksi dalam hal ini mesin untuk melakukan suatu
pekerjaan dengan menentukan urutan proses produksi suatu produk yang tepat
agar dapat meminimalkan waku pengerjaan produk (makespan) dan
keterlambatan proses.
Berbagai pengertian maupun definisi telah dikemukakan oleh peneliti
untuk menjelaskan penjadwalan. Menurut Baker dan Trietsch (2009)
penjadwalan adalah alokasi sumber-sumber untuk melaksanakan sekumpulan
tugas berdasarkan waktu.
Pentingnya penjadwalan bagi perusahaan adalah (Render. 2013):
a. Dengan penjadwalan secara efektif perusahaan menggunakan asetnya
dengan efektif dan menghasilkan kapasitas uang yang diinvestasikan
menjadi lebih besar dan dapat mengurangi biaya.
b. Penjadwalan menambah kapasitas dan fleksibilitas yang terkait,
memberikan waktu pengiriman yang lebih cepat dan demikian pelayanan
kepada pelanggan menjadi lebih baik.
c. Keuntungan ketiga dari penjadwalan yang baik adalah keunggulan
kompetitif dengan pengiriman yang dapat diandalkan.
2.5.1 Jenis Penjadwalan Produksi
Penjadwalan secara garis besar dibagi menjadi dua yaitu flow
shop scheduling dan job shop scheduling (Baker dan Trietsch, 2009).
1. Flow shop scheduling
Pada proses produksi banyak operasi yang membutuhkan jenis
mesin yang berbeda pada tiap operasinya. Jika rute atau alur yang
25
harus dilewati untuk setiap job sama maka akan disebut flow shop
scheduling. Mesin-mesin pada model ini disusun secara seri,
sehingga ketika suatu job telah selesai diproses pada satu mesin
maka job tersebut akan langsung masuk antrian mesin selanjutnya,
sehingga dapat dikatakan operator job hanya bergerak satu arah dari
proses awal sampai akhir.
2. Job Shop Scheduling

Job Shop Scheduling lebih rumit dan kompleks dari flow shop
scheduling. Pada Job Shop Scheduling, operasi yang dilakukan
setiap job seringkali berbeda rute/alur.
Penjadwalan pada proses produksi tipe job shop lebih sulit
dibandingkan penjadwalan flow shop. Hal ini disebabkan oleh 3
alasan, yaitu:
a. Job shop menangani variasi produk yang sangat banyak, dengan
pola aliran yang berbeda-beda melalui work center.
b. Peralatan pada job shop digunakan secara bersama-sama oleh
bermacam-macam order dalam prosesnya, sedangkan peralatan
pada flow shop digunakan khususnya hanya untuk satu jenis
produk.
c. Job-job yang berbeda mungkin ditentukan oleh prioritas yang
berbeda pula, hal ini mengakibatkan order tertentu yang dipilih
harus diproses seketika pada saat order tertentu yang dipilih harus
diproses seketika pada saat order tersebut ditugaskan pada suatu
work center. Sedangkan pada flow shop tidak terjadi
permasalahan seperti diatas karena keseragaman output yang
diproduksi untuk persediaan. Prioritas order pada flow shop
dipengaruhi terutama pada pengirimannya dibandingkan tanggal
pemerosesan.
2.5.2 Tujuan Penjadwalan
26
Bedworth (1987) mengidentifikasikan beberapa tujuan dari
aktivitas penjadwalan adalah sebagai berikut:
 Meningkatkatkan penggunaan sumber daya atau mengurangi waktu

tunggunya, sehingga total waktu proses dapat berkurang dan
produktivitas dapat meningkat
 Mengurangi persediaan barang setengah jadi atau mengurangi
sejumlah pekerjaan yang menunggu dalam antrian ketika sumber
daya yang ada masih mengerjakan tugas yang lain. Teori Baker
mengatakan, jika aliran kerja suatu jadwal konstan, maka antrian
yang mengurangi rata-rata waktu alir akan mengurangi rata-rata
persediaan barang setengah jadi
 Mengurangi beberapa kelambatan pada pekerjaan yang mempunyai
batas waktu penyelesaian sehingga akan meminimasi penalty cost
(biaya kelambatan).
 Membantu pengambilan keputusan mengenai perencanaan kapasitas
pabrik dan jenis kapasitas yang dibutuhkan sehingga penambahan
biaya yang mahal dapat dihindari.
2.5.3 Notasi dalam Penjadwalan

Notasi yang diketahui di awal sebagai input dari proses
penjadwalan biasanya menggunakan lowercase letter sebagai cirinya
(Baker dan Trietsch, 2009). Notasi-notasi yang umum digunakan dalam
penjadwalan terdapat pada penjelasan sebagai berikut (Bedworth dan
Bailey, 1987):
a. j : subcript for jobs, j = 1,…,n.
b. i : subcript for mesin, i = 1,…,m.
c. Processing time atau waktu proses (tj)
Waktu proses merupakan estimasi waktu penyelesaian
pengerjaan suatu job/task.
a. Setup time atau waktu setup (sji)
27
Waktu setup merupakan waktu yang dibutuhkan untuk kegiatan
persiapan sebelum pemrosesan job dilaksanakan di suatu mesin.
b. Flow time atau waktu tinggal (Fj)
Waktu tinggal merupakan waktu antara saat pekerjaan siap diproses
hingga saat pekerjaan tersebut selesai dikerjakan.
c. Arrive time atau saat datang (aj)
Saat datang adalah saat job mulai berada di shop floor (production
line).
d. Delivery date atau saat kirim (delj)
Saat kirim adalah saat pengiriman job yang sudah selesai dikerjakan
dari shop floor ke konsumen.
e. Ready/release time atau saat siap (rj)
Saat siap adalah saat sebuah job sampai di lantai produksi dan siap
untuk diproses.
f. Due date atau batas waktu (dj)
Batas waktu adalah saat batas atau deadline untuk penyelesaian
suatu job. Job yang selesai setelah batas tersebut dinyatakan
terlambat.
g. Makespan
h. Makespan adalah interval waktu total untuk penyelesaian seluruh job.
i. Completion Time (Cj)
Completion Time (Cj) merupakan rentang waktu waktu yang
dibutuhkan untuk menyelesaikan seluruh job yang dijadwalkan.
Completion Time merupakan ukuran kuantitatif dalam
mengevaluasi penjadwalan dengan Persamaan 2.1.
𝑪𝒋= 𝑭𝒋−𝒓𝒋 (2. 1)

Keterangan :
Cj = Completion Time job j
𝐹𝑗 = Flowtime job j
28
𝑟𝑗 = waktu job j siap diproduksi
Setelah itu dapat dicari nilai Maximum Completion Time dengan

nilai Persamaan 2.2.
𝑪𝒎𝒂𝒙=𝟏≤𝒋≤𝒏𝒎𝒂𝒙 𝑪𝒋 (2. 2)
2.5.4 Aturan Prioritas (Dispatching Rules)

Dispatching rules merupakan metode yang digunakan baik untuk
kasus job shop scheduling static maupun dinamik (Nguyen, 2013).
Aturan prioritas memberikan panduan untuk urut-urutan pekerjaan
yang harus dilaksanakan (Render dan Heizer, 2001). Aturannya secara
khusus bisa diterapkan untuk fasilitas yang berfokus pada proses.
Aturan prioritas diterapkan untuk mengurangi waktu penyelesaian,
jumlah job yang diproses dalam satu satuan waktu, dan keterlambatan
proses karena ketersediaan sumber daya.
Jenis priority rules yang dapat dipakai antara lain (Bedworth,
1987):
a. First Come First Serve (FCFS)
Urutan pengerjaan job ditetapka berdasarkan urutan kedatangan
b. Shortest Processing Time (SPT)
Urutkan job berdasarkan waktu proses yang terkecil pada urutan
pertama. (aturan ini akan menghasilkan WIP, Flow Time dan
lateness yang terkecil)
c. Longest Processing Time (SPT)
Urutkan job berdasarkan waktu proses yang terkecil pada urutan
pertama. (aturan ini akan menghasilkan WIP, Flow Time dan
Lateness yang terkecil
d. Earliest Due Date (EDD)
Urutkan job berdasarkan due date terkecil / paling cepat. (aturan ini
akan mengurangi lateness dan tardiness)
2.5.5 Kriteria Evaluasi Kinerja Job Shop Scheduling
29
Kriteria kinerja penjadwalan Job Scheduling Proses memiliki
beberapa kriteria untuk menentukan baik buruknya hasil penjadwalan
tersebut (Baker, 2009) diantaranya adalah:
a. Flow Time (Fj)
Flow Time (Fj) merupakan rentang waktu antara saat
pekerjaan siap diproses hingga saat pekerjaan tersebut selesai
dikerjakan. Dengan begitu maka Flow
Time adalah processing time ditambah dengan waktu tunggu
sebelum pekerjaan diproses seperti pada Persamaan 2.3.
𝑭𝒋= 𝑪𝒋−𝒓𝒋 (2. 3)
Keterangan :

𝑟𝑗 = waktu job j siap diproduksi
Selain Flow Time, banyak yang melakukan evaluasi kinerja
menggunakan mean Flow Time seperti pada Persamaan 2.4.
𝑴𝒆𝒂𝒏 𝑭=𝟏𝒏 Σ𝑭𝒋𝒏𝒋=𝟏 (2. 4)
Keterangan :
n = banyaknya job
b. Makespan (M)
Makespan (M) merupakan keseluruhan waktu yang diperlukan
untuk menyelesaikan semua pekerjaan. Dengan meminimalisasi
nilai Makespan maka akan dihasilkan lead time yang lebih singkat,
efisiensi mesin yang lebih tinggi, serta persediaan barang setengah
jadi yang lebih kecil.
30
c. Lateness (Li)
Lateness (Li) merupakan waktu antara saat selesai dengan
batas waktu penyelesaiannya (due dates). Lateness dapat bernilai
negatif (Earliness) maupun positif (Tardiness). Apabila Lateness
bernilai negatif, maka terjadi Earliness (Ei) yang berarti bahwa
pekerjaan selesai sebelum waktunya. Apabila Lateness bernilai
positif, maka terjadi Tardiness (Ti) yang berarti bahwa pekerjaan
selesai melebihi waktu yang ditentukan, perhitungan dapat
menggunakan Persamaan 2.5.
Lj = Cj - dj ≤ 0, Earliness (Ei) (2. 5)
Lj = Cj - dj ≥ 0, Tardiness (Ti)
Keterangan :
Lj = Lateness job j
31
BAB III
METODOLOGI PENELITIAN
3.1. Profil Perusahaan

Perusahan yang dijadikan objek pengambilan data merupakan
perusahaan yang bergerak di bidang furniture berbahan baku kayu. Pemiliki
perusahaan ini adalah Bapak Suwidodadi yang telah beliau dirikan sejak tahun
1985. Perusahaan ini beralamatkan di Pakem, Purwomartani, Kalasan.
Terdapat beberapa jenis furniture yang diproduksi di perusahaan ini seperti
kursi, meja rias, lemari pakaian, bifet (showcase), dipan/ranjang yang
diproduksi dengan berbagai jenis kayu juga. Barang-barang tersebut dibandrol
dengan harga mulai dari sekitar Rp 500.000,- hingga Rp5.000.000,-.
3.2. Waktu dan Tempat Pelaksanaan

Pengambilan data untuk Tugas Besar Praktikum Perencanaan dan
Pengendalian Produksi dilakukan pada hari Kamis, 7 Desember 2017
bertepatan di Perusahaan milik Bapak Suwidodadi yang beralamatkan Pakem,
Purwomartani, Kalasan
3.3. Data yang Digunakan

Data yang digunakan untuk Tugas Besar Praktikum Perencanaan dan
Pengendalian Produksi adalah data penjualan,kapasitas waktu regular, biaya-
biaya yang terkait, harga produk, BOM, dokumentasi dll.
3.4. Metode Pengumpulan Data

Dalam praktikum kali ini, metode yang digunakan di dalam pengumpulan
data adalah sebagai berikut:
1. Observasi (pengamatan langsung)
32
Yaitu pengamatan secara langsung terhadap praktikum dan obyek yang
dikerjakan untuk mendapatkan data-data yang dikehendaki untuk
dipergunakan dalam pengolahan data berikutnya.
2. Studi Pustaka
Studi literatur penunjang yang dapat mendukung dalam pengumpulan

data dan membahas obyek praktikum. Studi pustaka dalam hal ini dilakukan
untuk mempelajari tema praktikum dengan literatur yang terkait dengan
eksplorasi dan analisis data.
33
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1. Pengumpulan Data
A. Data Penjualan
Periode Meja Hias Kursi Almari Dipan Bufet
Mei 2016 5 6 4 6 2
Juni 2016 10 10 3 3 3
Juli 2016 8 6 2 5 4
Agustus 2016 6 10 5 2 3
September 2016 7 3 6 4 2
Oktober 2016 10 6 3 2 4
November 2016 7 2 5 6 5
Desember 2016 5 10 2 3 3
Januari 2017 8 6 4 5 1
Februari 2017 7 5 3 2 3
Maret 2017 10 2 5 4 4
April 2017 10 2 2 2 5
B. Data Harga Produk

Produk Harga
Meja rias Rp 800,000
Kursi Rp 600,000
Almari Rp 1,300,000
Dipan Rp 500,000
Bifet Rp 3,000,000
C. Waktu produksi tiap produk

due date
produk waktu produksi (jam) (jam)
meja
rias 36 60
kursi 39 63
almari 25 49
dipan 41 65
bifet 42 66
34
meja rias
waktu proses
tugas (jam) total
tugas 1 7
tugas 2 10
tugas 3 4
tugas 4 6
tugas 5 3
tugas 6 3
tugas 7 1
tugas 8 2
kursi
waktu proses
36
tugas (jam)
tugas A 6
tugas D 5
tugas F 5
tugas B 4
tugas C 4
tugas G 5
tugas E 4
tugas H 4
tugas I 2
almari
waktu proses
tugas (jam) total
tugas a 5
tugas b 3
tugas c 4
tugas d 2 25
tugas e 5
tugas f 3
tugas g 3
dipan
waktu proses
tugas (jam) total
tugas A 7
41
tugas B 4
35
tugas C 4
tugas D 10
tugas E 7
tugas F 4
tugas G 5
bifet
waktu proses
tugas (jam) Total
tugas A 6
tugas 8 2
tugas I 4
tugas E 3
tugas F 3
tugas G 3
tugas C 2
ugas K 3 42
tugas D 2
tugas H 2
tugas J 2
tugas H 2
tugas L 2
tugas M 2
tugas N 1
tugas O 3
36
D. BOM
1. Bill of Material almari
ALMARI
Assembly 2 Plitur
dengan pintu
(Assembly 3)
Pintu Assembly 1
dengan Rak
almari
Kayu Engsel
Assembly 1 Rak
Kayu
Sisi samping Sisi atas&bawah
kanan,kiri&b
Kayu Paku
Kayu Paku
1
2. Bill of Material kursi
Kursi
Sub assembly 2 Bantalan Kursi
Sub assembly 1 Sandaran Kursi Kain Busa Lem
Rangka Kaki Kayu Skrup Paku
Kayu Skrup Paku Kayu Skrup Paku

3. Bill of Material dipan
DIPAN LEVEL 0
SUB ASSEMBLY KAKI BELAKANG GELAGAR BADAN LEVEL 1
KAKI DEPAN ATASAN LEVEL 2
2
4. Bill of Material meja rias
Meja Rias (1) Level 0
Assembly 1 Assembly 2 Kaca (1) Level 1

(1) (1)
Kerangka Bingkai
Kaki Laci Gagang
utama Kaca Level 2
(1) (1) (4) (1) (1)
3
5. Bill of Material bufet
ALMARI BESAR
LEVEL 0
(BUFET)
PAPAN PINTU PAPAN BAGIAN PAPAN PAPAN BAGIAN LACI

BAWAH SAMPING BELAKANG
SLOT
KANAN
LEVEL 1
PAPAN SEKAT PAPAN BAGIAN PAPAN SAMPING

ATAS KIRI
PAPAN KACA ENGSEL PAPAN PENGUNCI
LEVEL 2
SEKRUP PENGUNCI
E. Precedence Diagram
1. Presendence diagram almari
Pintu
Sisi samping
kanan,kiri&bela
Pemotongan kang Sub assembly Sisi Assembly 2
kayu
Assembly 1 dengan pintu
samping
kanan&kiri Dan dengan Rak
Sisi atas&bawah
sisi atas&bawah almari (Assembly 3)
Rak
4
2. Presendence diagram kursi
Kaki
Sub
assem
bly 1
Pemo
Rang
tonga
ka Sub
n
assem
kayu
bly 2
Sand Asse
aran mbly
Pemo
tonga
n
busa
Penja
hitan
Pemo
tonga
n kain
5
3. Presendence diagram bufet
Pintu
Sub
Assembly
Pintu dengan
Kaca Kaca
Papan
Sekat
Papan
Samping
Kanan
Sub Assembly
Papan
Samping
Papan Kanan,
Kiri Atas, Kiri,
Stasiun Bawah,
Pemoto Belakang, dan
ngan Sekat Assembly Finishing
apan
Bagian Keseluruhan (Penjemuran
Atas dan Painting)
Papan
Bagian
Bawah
Papan
Bagian
Belakang
Papan
Slot
Laci
6
4. Presendence diagram meja rias
7
5. Presendence diagram dipan
pemotongan Kaki belakag
Kaki depan
atasan Sub assembly
pemotongan
badan
gelagar
8
4.2. Pengolahan Data
4.2.1. Forecasting
a. Meja rias
Dari diatas penjualan diatas kemudian digambarkan dalam time
series plot didapatkan hasil sebagai berikut :
Time Series Plot of ACTUAL

10
8
ACTUAL
1 2 3 4 5 6 7 8 9 10 11 12
Index
1
1. Metode Regresi Linier
Dalam penyelesaian dengan metode ini, digunakan software
aplikasi POM for windows untuk membantu menemukan hasil
permalanannya. Adapun running hasil permalan dengan metode regresi
linear pada software POM for windows adalah:
Pada metode linear regression akan diinput data selama

setahun, yang mana dimulai pada bulan mei dan berakhir pada bulan
april. Urutan permintaan pemroduksian setiap bulan dimulai dari
bulan mei sampai april berurutan sebagai berikut : 5, 10, 8, 6, 7, 10,
7, 5, 8, 7, 10, 10.
2
Data di atas adalah bentuk solving untuk mencari metode linear
regression didapat hasil bahwa error measure, yang terdiri dari data bias
(mean error) yang bernilai 0, MAD dengan nilai 1,5, MSE dengan nilai 3,
standard error dengan nilai 1,9, MAPE dengan nilai yang didapat 0,21.
Menghimbau pula dalam regression line yang mana, demandnya/ faktor y
sama dengan 6,636364. Sehingga akan didapat koefisien korelasi bernilai
0,32.
2. Exponential Smothing
Dalam penyelesaian dengan metode ini, digunakan software aplikasi
POM for windows untuk membantu menemukan hasil permalanannya.
3
Adapun running hasil permalan dengan metode Exponential Smoothing
pada software POM for windows adalah:
Pada metode linear regression akan diinput data selama setahun,

yang mana dimulai pada bulan mei dan berakhir pada bulan april. Urutan
permintaan pemroduksian setiap bulan dimulai dari bulan mei sampai april
berurutan sebagai berikut : 5, 10, 8, 6, 7, 10, 7, 5, 8, 7, 10, 10.
4
Data di atas adalah bentuk solving untuk mencari exponential
smoothing didapat hasil bahwa error measure, yang terdiri dari data bias
(mean error) yang bernilai 0,78, MAD dengan nilai 1,89, MSE dengan nilai
5,51, standard error dengan nilai 2,6, MAPE dengan nilai yang didapat 0,24.
Sehingga dari data forecast/ peramalan untuk periode selanjutnya untuk
menutupi ke-erroran yang akan terjadi maka nilai yang harus didapat adalah
9,27
3. Weight Moving Average

POM for windows untuk membantu menemukan hasil permalanannya.
Adapun running hasil permalan dengan metode Weight Moving Averages
pada software POM for windows adalah:
5
Pada metode linear regression akan diinput data selama setahun,
yang mana dimulai pada bulan mei dan berakhir pada bulan april.
Urutan permintaan pemroduksian setiap bulan dimulai dari bulan
mei sampai april berurutan sebagai berikut : 5, 10, 8, 6, 7, 10, 7, 5,
8, 7, 10, 10. Dengan ketambahan data forecast-weight, sebagai
berikut: 1 period ago (3 weight), 2 period ago (2 weight), 3 period
ago (1 weight).
6
Data di atas adalah bentuk solving untuk mencari weight moving
average didapat hasil bahwa error measure, yang terdiri dari data bias (mean
error) yang bernilai 0,26, MAD dengan nilai 1,7, MSE dengan nilai 3,82,
standard error dengan nilai 2,22, MAPE dengan nilai yang didapat 0,23.
Sehingga dari data forecast/ peramalan untuk periode selanjutnya untuk
menutupi ke-erroran yang akan terjadi maka nilai yang harus didapat adalah
9,5.
b. Kursi
1. Regresi linear
POM for windows untuk membantu menemukan hasil peramalanannya.
Adapun running hasil permalan dengan metode regresi linear pada
software POM for windows adalah:
7
2. Exponential smoothing
Dalam penyelesaian dengan metode ini, digunakan software aplikasi POM
for windows untuk membantu menemukan hasil permalanannya. Adapun
running hasil permalan dengan metode Exponential Smoothing pada
8
3. Weight moving average
Dalam penyelesaian dengan metode ini, digunakan software aplikasi POM
for windows untuk membantu menemukan hasil permalanannya. Adapun
running hasil peramalan dengan metode Weight Moving Averages pada
9
c. Almari
1. Metode Linear Regression/Least Square
Dalam penyelesaian menggunakan metode ini, dilakukan input

data sebagai berikut:
Setelah dilakukan input data seperti gambar diatas, maka

didapatkan output sebagai berikut:
10
Dari data hasil output diatas bisa dilihat bahwa Mean error
memiliki hasil 0, MAD sebesar 1.15, MSE sebesar 1.7, SE (denom=n-
2=7) sebesar 1.43, MAPE sebesar 0.37, dengan rata-rata permintaan
3.67, maka hasil forecast x = 12 adalah sebesar 3.44 atau dibulatkan
menjadi 4 unit.
Dari hasil output, kemudian digambarkan melalui grafik antara

data aktual dam data forecast, untuk warna biru mewakili data forecast
dan warna hitam mewakili data aktual.
11
memiliki hasil 0, MAD sebesar 1.15, MSE sebesar 1.7, SE (denom=n-
2=7) sebesar 1.43, MAPE sebesar 0.37, dengan rata-rata permintaan
3.67, intercept sebesar 3.94 serta slope -0.04 dimana dihasilkan nilai
forecast periode selanjutnya sebanyak 3.39 dan dibulatkan menjadi 4
unit.
2. Metode Weighted Moving Averages

12
Setelah dilakukan input data seperti gambar diatas, maka
didapatkan output sebagai berikut:
memiliki hasil 0.09, MAD sebesar 1.69, MSE sebesar 3.4, SE
(denom=n-2=7) sebesar 2.09, MAPE sebesar 0.53, dengan rata-rata
permintaan 3.67, maka hasil forecast periode selanjutnya adalah
sebesar 3.17 atau dibulatkan menjadi 4 unit.

data aktual dam data forecast, untuk warna biru mewakili data forecast
3. Metode Moving Averages

13
Setelah dilakukan input data seperti diatas, lalu button solve
ditekan sehingga menghasilkan output sebagai berikut:
memiliki hasil -0.18, MAD sebesar 2, MSE sebesar 4.73, SE
sebesar 2 unit.
14
data aktual dan data forecast, untuk warna biru mewakili data forecast
4. Metode Exponential Smoothing

15
Setelah dilakukan input data seperti diatas, lalu button solve
ditekan sehingga menghasilkan output sebagai berikut:
memiliki hasil -0.17, MAD sebesar 1.6, MSE sebesar 2.93, SE
sebesar 3.08 unit yang apabila dibulatkan adalah 3 unit.
16
data aktual dan data forecast, untuk warna biru mewakili data forecast
d. Dipan
1. Metode Linear regression/least aquare
permalanannya. Adapun running hasil permalan dengan metode
regresi linear pada software POM for windows adalah:
17
18
2. Weight moving averages
Weight Moving Averages pada software POM for windows
adalah:
19
3. Exponential smoothing
Dalam penyelesaian dengan metode ini, digunakan
software aplikasi POM for windows untuk membantu
menemukan hasil permalanannya. Adapun running hasil
permalan dengan metode Exponential Smoothing pada software
POM for windows adalah:
e. Bifet
3. Metode Regresi Linier
regresi linear pada software POM for windows adalah:
20
setahun, yang mana dimulai pada bulan mei dan berakhir pada
bulan april. Urutan permintaan pemroduksian setiap bulan dimulai
dari bulan mei sampai april berurutan sebagai berikut : 2, 3, 4, 3, 2,
4, 5, 3, 1, 3, 4, dan 5.
Data di atas adalah bentuk solving untuk mencari metode

linear regression didapat hasil bahwa error measure, yang terdiri
dari data bias (mean error) yang bernilai 0; MAD dengan nilai
0,88,;MSE dengan nilai 1,23; standard error dengan nilai 1,22;
21
MAPE dengan nilai yang didapat 0,41. Menghimbau pula dalam
regression line yang mana, demandnya/ faktor y sama dengan
2,590909. Sehingga akan didapat koefisien korelasi bernilai 0,3.
4. Weight Moving Average

Weight Moving Averages pada software POM for windows adalah:
22
setahun, yang mana dimulai pada bulan mei dan berakhir pada bulan
april. Urutan permintaan pemroduksian setiap bulan dimulai dari
bulan mei sampai april berurutan sebagai berikut : 2, 3, 4, 3, 2, 4, 5,
3, 1, 3, 4, dan 5. Dengan ketambahan data forecast-weight, sebagai
berikut: 1 period ago (3 weight), 2 period ago (2 weight), 3 period
ago (1 weight).
Data di atas adalah bentuk solving untuk mencari weight

moving average didapat hasil bahwa error measure, yang terdiri
dari data bias (mean error) yang bernilai 0,19; MAD dengan nilai
1,44; MSE dengan nilai 2,56; standard error dengan nilai 1,81;
MAPE dengan nilai yang didapat 0,63. Sehingga dari data forecast/
peramalan untuk periode selanjutnya untuk menutupi ke-erroran
yang akan terjadi maka nilai yang harus didapat adalah 4,33.
23
5. Exponential Smothing
Exponential Smoothing pada software POM for windows adalah:

setahun, yang mana dimulai pada bulan mei dan berakhir pada
bulan april. Urutan permintaan pemroduksian setiap bulan dimulai
dari bulan mei sampai april berurutan sebagai berikut : 2, 3, 4, 3, 2,
4, 5, 3, 1, 3, 4, dan 5.
24
Data di atas adalah bentuk solving untuk mencari exponential
smoothing didapat hasil bahwa error measure, yang terdiri dari data bias
(mean error) yang bernilai 0,39; MAD dengan nilai 1,32; MSE dengan
nilai 2,06; standard error dengan nilai 1,59; MAPE dengan nilai yang
didapat 0,54. Sehingga dari data forecast/ peramalan untuk periode
selanjutnya untuk menutupi ke-erroran yang akan terjadi maka nilai yang
harus didapat adalah 4,16.
4.2.2. Agregat planning

a. Meja rias
Agregat planning merupakan perencanaan yang
menggabungkan beberapa komponen input pada proses produksi
agar menjadi suatu produk dengan nilai keuntungan tinggi. Dari
25
kasus yang ada dapat dilakukan analisis menggunakan shortages
Backordered metode smooth production (average GROSS demand).
Backordered merupakan shortages yangdigunakan untuk
menganalisis suatu data dimana biaya kelebihan produksi diberikan
untuk memenuhi kekurangan sebelumnya. Sedangkan Lostsales
adalah analisis data dimana kekurangan biaya produksi sebelumnya
tidak dipenuhi oleh produksi selanjutnya. Selain itu ada juga
beberapa metode dalam menganalisis aggregat planning yaitu
metode Smooth production (average GROSS DEMAND)
merupakan metode yang memenuhi kebutuhan berdasarkan rata-rata
jumlah permintaan total, smooth production (Average NET
DEMAND) yaitu metode yang menggunakan jumlah inventory
digunakan untuk memenuhi kebutuhan permintaan, CHASE
CURRENT DEMAND yaitu metode dengan analisis biaya
berdasarkan jumlah permintaan yang ada. Dari analisis data yang
telah dilakukan metode yang paling sesuai yaitu shortages
Backordered metode smooth production (average GROSS demand)
dengan total biaya pengeluaran yaitu $ 800000.
26
Dari data diatas dapat kita ketahui, bahwa smooth production
(avarage GROSS demand) terjadi dalam 12 bulan, yang mana
permintaan awalnya pada bulan mei dan genap selama setahun tepat
pada bulan april. Regular time capacity dalam setahun bernilai 10,
dan regular time cost-nya bernilai $800000. Data di atas, mengingat
pula dalam setahun tersebut overtime capacity dan sub-contract
capacity bernilai 0.
Setelah penginputan data ke software POM for windows,

maka data yang tadi kita masukkan di solve sehingga didapati data
seperti gambar di atas. Dari data diatas diperoleh total dari regular
time production, invntory (end production), dan units decrease
berturut-turut didapati nilai 93 unit, 38 unit, dan 1 unit. Total cost
yang didapat dari data tersebut adalah $74400000, yang mana
didapat dari jumlag cost dari total regular time production cost,
inventory cost (end production), dan units decrease cost.
27
Ket :
Warna biru : demand atau permintaan
Warna pink : regular time
b. Kursi
Backordered metode smooth production (average GROSS demand).
Backordered merupakan shortages yang digunakan untuk
menganalisis suatu data dimana biaya kelebihan produksi diberikan
untuk memenuhi kekurangan sebelumnya. Sedangkan Lostsales
adalah analisis data dimana kekurangan biaya produksi sebelumnya
tidak dipenuhi oleh produksi selanjutnya. Selain itu ada juga
beberapa metode dalam menganalisis aggregat planning yaitu
metode Smooth production (average GROSS DEMAND)
merupakan metode yang memenuhi kebutuhan berdasarkan rata-rata
jumlah permintaan total, smooth production (Average NET
28
Dari data diatas dapat diketahui jika total permintaan sebanyak 68

unit, total kapasitas waktu reguler 120, total waktu produksi reguler
68, total pemesanan 47 unit. Dengan total cost yang harus
29
dikeluarkan yaitu $ 40800000. Untuk produksi reguler dikeluarkan
biaya sebesar $ 40800000 dengan biaya produksi reguler untuk tiap
unit adalah $ 600000. Dan diketahui pula bahwa semua permintaan
dapat dipenuhi sehingga produsen tidak perlu mengeluarkan cost
tambahan. Ditunjukkan juga bahwa tidak ada penurunan permintaan
unit sehingga perusahaan tidak perlu mengeluarkan tambahan cost
untuk hal tersebut.
c. Almari
Aggregate planning adalah perencanaan yang
mengkombinasikan antara beberapa komponen input pada proses
produksi agar menjadi suatu produk dengan nilai keuntungan yang
tinggi. Dari kasus yang ada, bisa dilakukan analisis memakai
shortages backordered metode smooth production (average Gross
demand). Dimana backordered sendiri adalah shortages yang
dipakai untuk menganalisa suatu data diamana biaya kelebihan
produksi diberikan untuk memenuhi kekurangan yang terjadi pada
periode sebelumnya. Sedang lostsales adalah keadaan dimana
terjadinya kekurangan biaya produksi sebelumnya sehingga
kebutuhan didepan tidak bisa terpenuhi. Selain yang disebutkan, ada
beberapa metode dalam menganalisi data aggregate planning yaitu
dengan metode smooth production (average Gross demand) yang
adalah metode untuk memenuhi kebutuhan permintaan berdasarkan
rata-rata jumlah permintaan total, smooth production (average Net
demand) yakni suatu metode memakai jumlah inventory yang
digunakan untuk memenuhi kebutuhan permintaan, chase current
demand juga sebagai metode dengan analisis biaya berdasarkan
jumlah permintaan yang ada. Pada sata yang sudah diolah dengan
menggunakan software POM Windows dilakukan juga analisis
terhadap data aktual yang diperoleh dari C.V Meubeul. Dari analisis
data yang telah dilakukan, metode yang paling sesuai adalah metode
smooth production average gross demand, dengan melalui beberapa
30
metoe diambil kesimpulan bahwa metode yang dilakukan adalah
metode smooth production dengan average gross demand dengan
total biaya pengeluaran sebanyak $ 57.200.000,- begini urutannya :
1. Input Data
2. Output Data
31
Dari output data yang dihasilkan, terlihat bahwa dengan total
permintaan dari periode Mei 2016 hingga April 2017 adalah 44 unit
dengan total regular time capacity 120, total regular time production
sebanyak 44 dan inventory pada setiap Mei-Juni-Juli-Agustus
memiliki nilai inventory berturut 0-1-3-2, sedang untuk Sept-Oct-
November-Dec secara berturut 0-1-0-2 lalu selanjutnya January-
Feb-March-Apr secara berturut 1-1-0-0 dengan total keseluruhan 11
unit. Untuk Shortage, dihasilkan 1 unit dengan 1 unit tersebut berada
pada periode bulan March. Untuk unit decrease juga terjadi totsl 1
unit, dimana unit tersebut berada pada periode bulan januari.
Dimana total cost yang dibutuhkan adalah $ 57.200.000,- dengan
biaya per unit $1.300.000,-. Holding cost inventory senilai $0,
dimana hal ini menguntungkan produsen sehingga produsen tidak
harus mengeluarkan uang untuk cost tambahan.
d. Dipan
32
Dari data diatas dapat diketahui jika total permintaan
sebanyak 44 unit, total kapasitas waktu reguler 72, total waktu
produksi reguler 44, total penyimpanan 3 unit, total pemesanan 7
unit. Dengan total cost yang harus dikeluarkan yaitu $ 3520000.
Untuk produksi reguler dikeluarkan biaya sebesar $ 3520000 dengan
biaya produksi reguler untuk tiap unit adalah $ 80000. Untuk biaya
penyimpanan yg harus dikeluarkan (holding cost inventory) $0. Dan
diketahui pula bahwa semua permintaan dapat dipenuhi sehingga
produsen tidak perlu mengeluarkan cost tambahan. Ditunjukkan
juga bahwa tidak ada penurunan permintaan unit sehingga
perusahaan tidakk perlu mengeluarkan tambahan cost untuk hal
tersebut.
e. Bifet
33
Backordered metode smooth production (average GROSS
demand). Backordered merupakan shortages yangdigunakan untuk
menganalisis suatu data dimana biaya kelebihan produksi
diberikan untuk memenuhi kekurangan sebelumnya. Sedangkan
Lostsales adalah analisis data dimana kekurangan biaya produksi
sebelumnya tidak dipenuhi oleh produksi selanjutnya. Selain itu
ada juga beberapa metode dalam menganalisis aggregat planning
yaitu metode Smooth production (average GROSS DEMAND)
merupakan metode yang memenuhi kebutuhan berdasarkan rata-
rata jumlah permintaan total, smooth production (Average NET
Dari data diatas dapat kita ketahui, bahwa smooth

production (avarage GROSS demand) terjadi dalam 12 bulan, yang
mana permintaan awalnya pada bulan mei dan genap selama
34
setahun tepat pada bulan april. Regular time capacity dalam
setahun bernilai 10, dan regular time cost-nya bernilai $3000000.
Data di atas, mengingat pula dalam setahun tersebut overtime
capacity dan sub-contract capacity bernilai 0.
Setelah penginputan data ke software POM for windows, maka data

yang tadi kita masukkan di solve sehingga didapati data seperti
gambar di atas. Dari data diatas diperoleh total dari regular time
production, invntory (end production), dan units decrease berturut-
turut didapati nilai 39 unit, 28 unit, dan 1 unit. Total cost yang
didapat dari data tersebut adalah $177000000, yang mana didapat
dari jumlag cost dari total regular time production cost, inventory
cost (end production), dan units decrease cost.
4.2.3. MRP
a. Meja rias
35
Berdasarkan data diatas tertera lead time dari ke-9 nama item
memiliki beraneka ragam data, dan item yang menunjukkan lead time
terbesar adalah item ke-5 dan ke-7. Lot size adalah besarnya pesanan
individu dalam suatu pemroduksian. Dari data tersebut pula pada
periode ke-5 dan ke-6 sudah mulai ada pemesanan sebanyak 10 unit.
Hasil Running
36
Pada tabel di atas dapat diketahui bahwa item nomer satu memiliki
level terendah yaitu 0, dan total permintaan ada 10 unit pada periode
ke 5, maka pada periode ke-6 masih tetap 10 karena pada periode ke-
6 mengikuti periode ke-5 atau tidak ada permintaan pemroduksian
pada periode ke-6. Lalu, untuk urutan ke-2 ditempati oleh item ke-9
yang mana levelnya juga bernilai 0, pada urutan ini, tidak ada
permintaan produksi yang ada hanya on-hand sebesar 10 unit. Urutan
ke-3 ditempati oleh item ke-2 yang mana levelnya bernilai 1, pada
37
urutan ini terdapat permintaa pada periode ke-4 dengan jumlah 7 unit,
dan on-hand ada 2 unit. Urutan ke-4 ditempati oleh item ke-3 yang
mana levelnya bernilai 1, pada urutan ini terdapat permintaa pada
periode ke-4 dengan jumlah 7 unit, dan on-hand ada 4 unit. Urutan ke-
5 ditempati oleh item ke-4 yang mana levelnya bernilai 1, pada urutan
ini terdapat permintaa pada periode ke-4 dengan jumlah 7 unit, dan
on-hand ada 10 unit. Urutan ke-6 ditempati oleh item ke-5 yang mana
levelnya bernilai 2, pada urutan ini terdapat permintaa pada periode
ke-4 dengan jumlah 7 unit, dan on-hand ada 3 unit. Urutan ke-7
ditempati oleh item ke-6 yang mana levelnya bernilai 2, pada urutan
on-hand ada 5 unit. Urutan ke-8 ditempati oleh item ke-7 yang mana
levelnya bernilai 2, pada urutan ini terdapat permintaa pada periode
ke-4 dengan jumlah 7 unit, dan on-hand ada 12 unit. Urutan ke-9
ditempati oleh item ke-7 yang mana levelnya bernilai 2, pada urutan
on-hand ada 5 unit.
b. Kursi
38
Dari tabel diatas dapat dilihat pada bagian atau item kursi
memiliki nilai Tot.Req pada pd5 dan pd6 secara berurutan adalah 10
dan 10, nilai pada ON HAND secara berurutan dari pd1 sampai pd5
adalah 10, 10, 10, 10, dan 10, nilai pada NETREG dan PlanReg
39
memiliki nilai 10 yang berada pada pd6 serta pada ORD REL memiliki
nilai 10 pada pd5. Pada bagian atau item sub assembly 2 memiliki nilai
Tot.Req pada pd5 memiliki nilai 10, nilai pada ON HAND secara
berurutan dari pd1 sampai pd5 adalah 6, 6, 6, 6, dan 6, nilai pada
NETREG dan PlanReg memiliki nilai 4 yang berada pada pd6 serta
pada ORD rel memiliki nilai 4 pada pd5. Pada bagian atau item
bantalan kursi memiliki nilai Tot.Req pada pd5 memiliki nilai 20, nilai
pada ON HAND secara berurutan dari pd1 sampai pd5 adalah 3, 3, 3,
3, dan 3, nilai pada NETREG dan PlanReg memiliki nilai 17 yang
berada pada pd6 serta pada ORD rel memiliki nilai 17 pada pd5. Pada
bagian atau item sandaran kursi memiliki nilai Tot.Req pada pd5
memiliki nilai 51, nilai pada ON HAND secara berurutan dari pd1
sampai pd5 adalah 15, 15, 15, 15, dan 15, nilai pada NETREG dan
PlanReg memiliki nilai 36 yang berada pada pd6 serta pada ORD rel
memiliki nilai 36 pada pd5. Pada bagian atau item sub assembly 1
memiliki nilai Tot.Req pada pd5 memiliki nilai 17, nilai pada ON
HAND secara berurutan dari pd1 sampai pd5 adalah 10, 10, 10, 10,
dan 10, nilai pada NETREG dan PlanReg memiliki nilai 7 yang berada
pada pd6 serta pada ORD rel memiliki nilai 7 pada pd5. Pada bagian
atau item kain memiliki nilai Tot.Req pada pd5 memiliki nilai 17, nilai
pada ON HAND secara berurutan dari pd1 sampai pd5 adalah 9, 9, 9,
9, dan 9, nilai pada NETREG dan PlanReg memiliki nilai 8 yang
berada pada pd6 serta pada ORD rel memiliki nilai 8 pada pd5. Pada
bagian atau item busa memiliki nilai Tot.Req pada pd5 memiliki nilai
17, nilai pada ON HAND secara berurutan dari pd1 sampai pd5 adalah
9, 9, 9, 9, dan 9, nilai pada NETREG dan PlanReg memiliki nilai 8
yang berada pada pd6 serta pada ORD rel memiliki nilai 8 pada pd5.
Pada bagian atau item rangka memiliki nilai Tot.Req pada pd5
memiliki nilai 8, nilai pada ON HAND secara berurutan dari pd1
sampai pd5 adalah 8, 8, 8, 8, dan 8. Pada bagian atau item kaki
memiliki nilai Tot.Req pada pd5 memiliki nilai 8, nilai pada ON
40
HAND secara berurutan dari pd1 sampai pd5 adalah 8, 8, 8, 8, dan 8.
Pada bagian atau item kayu memiliki nilai pada ON HAND secara
berurutan dari pd1 sampai pd6 adalah 6, 6, 6, 6, 6, dan 6.
 Kursi (level 0)
Tot.req pada periode kelima dan keenam sebesar 10. On hand yang
ada hingga periode kelima sebesar 10 buah. Net req pada periode
keenam sebesar 10 buah. Plan req pada periode keenam sebesar 10
buah. Besar ord rel pada periode kelima adalah 10 buah.
 Sub Assembly (level 1)
Tot.req pada periode kelima sebesar 10. On hand yang ada hingga
periode kelima sebesar 6 buah. Net Req pada periode kelima
sebesar 4. Plan Req pada periode kelima sebesar 4. Dan Ord Rel
pada periode keempat sebesar 4.
 Bantalan Kursi (level 1)
Tot.req pada periode kelima 20. On hand yang ada hingga periode
kelima sebesar 3 buah. Net req pada periode kelima sebesar 17
buah. Plan req pada periode kelima sebesar 17 buah. Besar ord rel
pada periode keempat adalah 17 buah.
 Sandaran Kursi (level 2)
Tot.req pada periode keempat 51. On hand yang ada hingga
periode keempat sebesar 15 buah. Net req pada periode keempat
sebesar 36 buah. Plan req pada periode keempat sebesar 36 buah.
Besar ord rel pada periode ketiga adalah 36 buah.
 Sub Assembly 1 (level 2)
 Kain (level 2)
41
 Busa (level 2)
 Rangka (level 3)
Tot.req pada periode ketiga 8. On hand yang ada hingga periode
ketiga sebesar 8 buah.
 Kaki (level 3)
Tot.req pada periode ketiga 8. On hand yang ada hingga periode
ketiga sebesar 8 buah.
 Kayu (level 4)
On hand yang ada hingga periode keenam sebesar 6 buah.
c. Almari
Module-Material Requirements Plan. pada software POM for
windows adalah:
42
Berdasarkan pengolahan data menggunakan POM for windows di atas,
permintaan pesanan almari pada periode ke-6, dan telah tersedia
digudang sebanyak 5, jadi akan dibuat 1 almari lagi untuk memenuhi
permintaan pemesanan almari.
d. Dipan
43
Pada periode keenam perusahaan harus memenuhi permintaan sebesar
6 buah dipan, nilai ini diperoleh dari data aktual periode april 2017.
Sedangkan periode kelima perusahaan harus memenuhi data permintaan
sebanyak 4 buah dipan, nilai iini diperoleh dari data aktual periode maret
2017. Dipan mempunyai level nol, nilai lead time 1 hari, hanya dibutuhkan
1 untuk membuat 1 produk, dalam inventory tersimpan sebanyak 5 buah,
dan lot size sebesar 1. Di level 1 terdapat kaki belakang (lead time 1 hari,
dibutuhan sebayak 2 untuk satu produk, tersimpan dalam gudang sebesar 5
buah dan lot size 1). Selain itu juga terdapat gelagar (lead time 1 hari,
dibutuhan sebayak 10 untuk satu produk, tersimpan dalam gudang sebesar
50 buah dan lot size 1), badan (lead time 1 hari, dibutuhan sebayak 4 untuk
satu produk, tersimpan dalam gudang sebesar 8 buah dan lot size 1), dan sub
asembly (lead time 3 hari, dibutuhkan sebayak 1 untuk satu produk, trsimpat
dalam gudang sebesar 7 buah dan lot size 1). Kaki depan (lead time 1 hari,
buah dan lot size 1). Atasan (lead time 1 hari, dibutuhkan sebayak 1 untuk
satu produk, tersimpan dalam gudang sebesar 10 buah dan lot size 1).
 Dipan ( level 0)
44
Tot.req pada periode kelima sebesar 4 dan 6 pada periode keenam. On hand
yang ada hingga periode kelima sebesar 5 buah dan 1 buah pada periode
keenam. Net req pada periode keenam sebsar 5 buah. Planrec pada periode
keenam sebsar 5 buah. Besar ord rel pada periode kelima adalah 5 buah.
 Kaki belakang (level 1)
Tot.req pada periode kelima sebesar 10. On hand yang ada hingga periode
kelima sebesar1 5 buah dan 5 buah pada periode keenam.
 Gelagar (level 1)
Tot.req pada periode kelima sebesar 50 buah. On hand yang ada hingga
periode kelima sebesar 50 buah.
 Badan (level 1)
Tot.req pada periode kelima sebesar 20 buah. On hand yang ada hingga
periode kelima sebesar 8 buah. Net req pada periode kelima sebsar 12 buah.
45
Planrec pada periode kelima sebesar 12 buah. Besar ord rel pada periode
keempat adalah 12 buah.
 Sub asembly (level 1)
Tot.req pada periode kelima sebesar 5. On hand yang ada hingga periode
kelima sebesar 7 buah dan 1 buah pada periode keenam.
 Kaki depan (level 2)
Besarnya on hand kaki depan hingga periode keenam adalah 15 buah.

 Atasan (level 2)
Besarnya on hand atasan hingga periode keenam adalah 10 buah.

e. Bifet
Pada periode keenam perusahaan harus memenuhi permintaan sebesar

6 buah bufet, nilai ini diperoleh dari data aktual periode april 2017.
Sedangkan periode kelima perusahaan harus memenuhi data permintaan
46
sebanyak 4 buah bufet, nilai iini diperoleh dari data aktual periode maret
2017. Almari mempunyai level nol, nilai lead time 1 hari, hanya dibutuhkan
1 untuk membuat 1 produk, dalam inventory tersimpan sebanyak 3 buah,
dan lot size sebesar 0. Di level 1 terdapat pintu (lead time 1 hari, dibutuhan
sebayak 2 untuk satu produk, tersimpan dalam gudang sebesar 5 buah dan
lot size 0). Selain itu juga terdapat laci (lead time 1 hari, dibutuhan sebayak
10 untuk satu produk, tersimpan dalam gudang sebesar 50 buah dan lot size
0), papan sekat (lead time 1 hari, dibutuhan sebayak 4 untuk satu produk,
tersimpan dalam gudang sebesar 8 buah dan lot size 0), papan slot (lead time
3 hari, dibutuhan sebayak 4 untuk satu produk, tersimpan dalam gudang
sebesar 8 buah dan lot size 0), papan samping kanan (lead time 1 hari,
buah dan lot size 0), papan samping kiri (lead time 1 hari, dibutuhan sebayak
4 untuk satu produk, tersimpan dalam gudang sebesar 8 buah dan lot size 0),
papan bagian atas (lead time 1 hari, dibutuhan sebayak 4 untuk satu produk,
tersimpan dalam gudang sebesar 8 buah dan lot size 0), papan bagian bawah
(lead time 1 hari, dibutuhan sebayak 4 untuk satu produk, tersimpan dalam
gudang sebesar 8 buah dan lot size 0), dan papan bagian belakang (lead time
1 hari, dibutuhan sebayak 4 untuk satu produk, tersimpan dalam gudang
sebesar 8 buah dan lot size 0), di level 2 terdapat kaca (lead time 1 hari,
buah dan lot size 0), engsel (lead time 1 hari, dibutuhan sebayak 16 untuk
satu produk, tersimpan dalam gudang sebesar 18 buah dan lot size 0),
sekrup (lead time 1 hari, dibutuhan sebayak 60 untuk satu produk, tersimpan
dalam gudang sebesar 60 buah dan lot size 0), dan pengunci (lead time 1
hari, dibutuhan sebayak 6 untuk satu produk, tersimpan dalam gudang
sebesar 15 buah dan lot size 0).
 Almari
47
Tot.req pada periode kelima sebesar 4 dan 5 pada periode keenam. On hand
dari periode pertama hingga ke 5 adalah 3. Net req pada periode krlima
dalah 1 dan keenam sebsar 5 buah. Planrec pada periodekelima adalah 1 dan
keenam sebsar 5 buah. Besar ord rel pada periodekemepat adalah 1 dan
kelima adalah 5 buah.
 Pintu
Tot.req pada periode kelima sebesar 40. On hand dari periode pertama
hingga keempat adalah 6. Net req pada periode kelima adalah 40 dan
keempat sebesar 2 buah. Planrec pada periode kelempat adalah 2 dan kelima
sebsar 40 buah. Besar ord rel pada periode kemepat adalah 40 dan ketiga
adalah 2 buah.
 Laci
Tot.req pada periode ke-4 sebesar 2 buah dan periode ke-5 sebesar 10. On
hand yang ada hingga periode ke-4 sebesar 12 buah dan pada periode ke-5
adalah 10.
 Papan Sekat
48
adalah 11. Net req pada periode ke-5 adalah 9. Planrec pada periode ke-5
adalah 9. Besar ord rel pada periode ke-4 adalah 9.
 Papan Slot
 Papan Samping Kanan
 Papan Samping Kiri
49
 Papan Bagian Bawah
hand yang ada hingga periode ke-4 sebesar 3 buah. Net req pada periode ke-
5 adalah 35. Planrec pada periode ke-5 adalah 35. Besar ord rel pada periode
ke-4 adalah 35.
 Papan Bagian Atas
 Papan Bagian Belakang
50
 Kaca
Tot.req pada periode ke-4 sebesar 12 buah. On hand yang ada hingga
periode ke-4 sebesar 12 buah.
 Engsel
Tot.req pada periode ke-4 sebesar 48 bua18. On hand yang ada hingga
periode ke-4 sebesar 3 buah. Net req pada periode ke-5 adalah 30. Planrec
pada periode ke-5 adalah 30. Besar ord rel pada periode ke-4 adalah 30.
 Sekrup
51
Tot.req pada periode ke-4 sebesar 180 buah. On hand yang ada
hingga periode ke-4 sebesar 60 buah. Net req pada periode ke-5 adalah 120.
Planrec pada periode ke-5 adalah 120. Besar ord rel pada periode ke-4
adalah 120.
 Pengunci
Tot.req pada periode ke-4 sebesar 18 buah. On hand yang ada hingga
periode ke-4 sebesar 15 buah. Net req pada periode ke-5 adalah 3. Planrec
pada periode ke-5 adalah 3. Besar ord rel pada periode ke-4 adalah 3.
4.2.4. Inventory (metode abc)
Dalam melakukan inventory menggunakan metode analisa abc.

Berdasakan pengolahan data menggunakan Pom for Windows dapat
diketahui bahwa besar persenatse untuk golongan A sebesar 20%,
golongan B sebesar 30% dan golongan C merupakan sisanya (50%).
Bufet dengan besar permintaaan sebesar 39 dan harga 3 juta rupiah
dengan persentase 36,54% termasuk kategori A. Meja hias dengan besar
52
permintaaan sebesar 93 dan harga 800 ratus ribu rupiah dengan
persentase kumulatif 59,78% termasuk kategori B. Almari dengan besar
permintaaan sebesar 44 dan harga 1,5 juta rupiah dengan persentase
kumulatif 80,39% termasuk kategori C. Kursi dengan besar permintaaan
sebesar 68 dan harga 600 ratus ribu rupiah dengan persentase kumulatif
93,13% termasuk kategori C. Dipan dengan besar permintaaan sebesar
44 dan harga 500 ratus ribu rupiah dengan persentase kumulatif 100%
termasuk kategori C.
4.2.5. Line Balancing
a. Meja rias
Meja rias merupakan tempat untuk menyimpan bahan rias, yang

mana dalam industri mebel ini semua bahan materialnya terbuat dari kayu.
Berdasarkan hasil olahan di atas dapat diketahui bahwa jumlah stasiun yang
baik terdapat lima stasiun yaitu stasiun pertama untuk task 1 (pemotongan),
stasiun kedua untuk tugas task 2 (kerangka utama),task 5 (laci), task 4 (kaki).
Stasiun 2 untuk tugas task 3 (bingkai kaca), dan 7(assembly 2). Stasiun 3
tak 6 (assembly 1). Stasiun 4 untuk tugas task 8 (assembly 1, assembly 2,
dan kaca). Stasiun ketiga untuk tugas G (perakitan kaki-kaki dipan dengan
atasan). Stasiun keempat untuk tugas H (perakitan kaki-kaki belakang
dengan badan dan hasil tugas H). Stasiun kelima tugas I(perakitan dipan
total).
1. METODE 1
53
Berdasarkan pegumpulan data dapat diketahui bahwa tugas task 1
dengan waktu proses 7 jam dan tidak memiliki tugas pendahuluan.
Tugas task 2 memilki waktu proses sebesar 10 jam dan didahului tugas
task 1. Tugas task 3 memilki waktu proses sebesar 4 jam dan didahului
tugas task 2. Tugas task 4 memilki waktu proses sebesar 6 jam dan
didahului tugas task 1. Tugas task 5 memilki waktu proses sebesar 3
jam dan didahului tugas task 1. Tugas task 6 memilki waktu proses
sebesar 3 jam dan didahului tugas task 2, task 3, dan task 4. Tugas task
7 memilki waktu proses sebesar 1 jam dan didahului tugas task 5. Tugas
task 8 memilki waktu proses sebesar 2 jam dan didahului tugas task 6
dan task 7. Adapun waktu siklus yang diberikan sebesar 12 jam.
54
Menurut metode longest operation time, ada 4 stasiun yang harus
disediakan. Berdasarkan olahan di atas stasiun 1 untuk tugas task1
(waktu proses 7 jam), task 5 waktu proses 3 jam), dan task 7 (waktu
proses 1 jam). Stasiun 2 untuk tugas task 2 (waktu proses 10 jam).
Stasiun 3 untuk tugas task 4 (waktu proses 6 jam), dan task 3 (waktu
proses 4 jam). Stasiun 4 untuk tugas task 6 (waktu proses 3 jam) dan
task 8 (waktu proses 2 jam). Nilai waktu siklus sebesar 12 jam. Jumlah
stasiun teori sebanyak 4 stasiun. Stasiun aktual ada 4 stasiun. Alokasi
waktu yang disediakan sebesar 48 jam per siklus. Waktu total yang
dibutuhkan sebesar 36 jam per unit. Banyaknya waktu idle sebesar 12
jam per siklus. Adapun rincian stasiun yang mengalami idle yaitu
stasiun kesatu tugas task 7 sebesar 1 jam, stasiun kedua tugas task 2
sebesar 2 jam, stasiun ketiga tugas task 3 sebesar 2 jam, dan stasiun
keempat tugas tsk 8 sebesar 7 jam. Besarnya nilai effisiensi produksi
sebesar 75%. Besanya persentase penundaan sebesar 25%.
2. Metode 2
55
Berdasarkan pegumpulan data dapat diketahui bahwa tugas task 1
Tugas task 2 memilki waktu proses sebesar 10 jam dan didahului tugas
task 1. Tugas task 3 memilki waktu proses sebesar 4 jam dan didahului
tugas task 2. Tugas task 4 memilki waktu proses sebesar 6 jam dan
didahului tugas task 1. Tugas task 5 memilki waktu proses sebesar 3
jam dan didahului tugas task 1. Tugas task 6 memilki waktu proses
sebesar 3 jam dan didahului tugas task 2, task 3, dan task 4. Tugas task
7 memilki waktu proses sebesar 1 jam dan didahului tugas task 5. Tugas
task 8 memilki waktu proses sebesar 2 jam dan didahului tugas task 6
dan task 7. Adapun waktu siklus yang diberikan sebesar 12 jam.
56
Menurut metode longest operation time computing the cycle system,
ada 2 stasiun yang harus disediakan. Berdasarkan olahan di atas stasiun
1 untuk tugas task 1 (waktu proses 7 jam), task 2 (waktu proses 10 jam),
tugas task 4 (waktu proses 4 jam), tugas task 3 (waktu proses 4 jam).
Stasiun 2 untuk tugas task 5 (waktu proses 3 jam), task 6 (waktu proses
3 jam), task 7 (waktu proses 1 jam), dan task 8 (waktu proses 2 jam).
Nilai waktu siklus sebesar 29 jam. Jumlah stasiun teori sebanyak 2
stasiun. Stasiun aktual ada 2 stasiun. Alokasi waktu yang disediakan
sebesar 58 jam per siklus. Waktu total yang dibutuhkan sebesar 36 jam
per unit. Banyaknya waktu idle sebesar 22 jam per siklus. Adapun
rincian stasiun yang mengalami idle yaitu stasiun kesatu tugas task 3
sebesar 2 jam dan stasiun kedua tugas task 8 sebesar 20 jam. Besarnya
nilai effisiensi produksi sebesar 62,07%. Besarnya persentase
penundaan sebesar 37,93%.
57
Berdasarkan data solusi, yang menyatakan bahwa waktu operasi
yang sangat panjang, posisi berat tertinggi adalah stasiun nomer 2.
3. Metode 3
Menurut metode what to do if longest operation time will not fit, ada
4 stasiun yang harus disediakan. Berdasarkan olahan di atas stasiun
1 untuk tugas task 1 (waktu proses 7 jam) dan task 5 (waktu proses
3 jam). Stasiun 2 untuk task 2 (waktu proses 10 jam). Stasiun 3 untuk
task 4 (waktu proses 6 jam) dan task 3 (waktu proses 4 jam). Stasiun
4 untuk tugas task 6 (waktu proses 3 jam), task 7 (waktu proses 1
jam) dan task 8 (waktu proses 2 jam). Nilai waktu siklus sebesar 10
jam. Jumlah stasiun teori sebanyak 4 stasiun. Stasiun aktual ada 4
58
stasiun. Alokasi waktu yang disediakan sebesar 40 jam per siklus.
Waktu total yang dibutuhkan sebesar 36 jam per unit. Banyaknya
waktu idle sebesar 4 jam per siklus. Adapun rincian stasiun yang
mengalami idle yaitu stasiun keempat tugas task 8 sebesar 2 jam.
Besarnya nilai effisiensi produksi sebesar 90%. Besanya persentase
penundaan sebesar 10%.
b. Kursi
Kursi merupakan sebuah tempat yang digunakan untuk duduk

yang mana dalam industri mebel ini semua bahan materialnya
terbuat dari kayu. Berdasarkan hasil olahan di atas dapat diketahui
bahwa jumlah stasiun yang baik terdapat lima stasiun yaitu stasiun
pertama untuk tugas A (pemotongan kayu), stasiun kedua untuk
tugas D (kaki), stasiun ketiga untuk tugas F (sandaran), stasiun
keempat untuk tugas B (pemotongan busa) dan C (pemotongan kain),
stasiun kelima untuk tugas G (penjahitan), stasiun keenam untuk
tugas E (rangka) dan H (sub assembly 1), serta stasiun ketujuh untuk
tugas I (sub assembly 2) dan J (assembly).
59
disediakan. Berdasarkan olahan di atas stasiun 1 untuk tugas A (waktu
proses 6 jam) stasiun 2 untuk tugas D (waktu proses 5 jam), stasiun 3 untuk
tugas F (waktu proses 5 jam), stasiun 4 untuk tugas B (waktu proses 4 jam)
dan C (waktu proses 4 jam), stasiun 5 untuk tugas G (waktu proses 5 jam),
stasiun 6 untuk tugas E (waktu proses 4 jam) dan tugas H (waktu proses 4
jam), stasiun 7 untuk tugas I (waktu proses 3 jam) dan untuk tugas I (waktu
proses 2 jam). Nilai waktu siklus sebesar 8 jam. Jumlah stasiun teori
sebanyak 6 stasiun. Stasiun aktual ada 7 stasiun. Alokasi waktu yang
disediakan sebesar 56 jam per siklus. Waktu total yang dibutuhkan sebesar
42 jam per unit. Banyaknya waktu idle sebesar 14 jam per siklus. Adapun
rincian stasiun yang mengalami idle yaitu stasiun kesatu tugas A sebesar 2
jam, stasiun kedua tugas D sebesar 3 jam, stasiun ketiga tugas F sebesar 5
jam, stasiun ke empat tugas C sebesar 0, stasiun kelima tugas G sebesar 3,
stasiun keenam tugas H sebesar 0, dan stasiun ketujuh tugas J sebesar 3.
Besarnya nilai effisiensi produksi sebesar 75%. Besarnya persentase
penundaan sebesar 25%.
60
c. Almari
Gambar diatas adalah pendeskripsian output data pada bagian

percendence diagram.
Line Balancing
1. Metode Longest Operation Time Given (5+2=7)
Dalam menjalankan metode ini dalam software POM
Windows, dilakukan input data seperti:
Setelah dilakukan input data seperti tabel diatas maka klik

solve sehingga muncul hasil output seperti berikut:
61
Dari data tabel diatas bisa dilihat bahwa time left pada stasiun
1 sebanyak 2 jam, lalu pada stasiun 2 sebanyak 3 jam, kemudian
pada stasiun 3 sebanyak 2 jam, dan terakhir pada stasiun 4
sebanyak 1 jam. Selanjutnya diketahui hasil cycle timenya
sebanyak 7 jam, min 4 jam, actual 4 jam, time allocated 28
jam/cycle, time nedeed 25 jam/unit, Idle time 3 jam/cycle, dengan
efficiency 89.29% serta balance delay 10.71%.
Sedangkan untuk diagram batangnya adalah sebagai berkut:
2. Metode Longest Operation Time Computed
62
Windows, dilakukan input data seperti pada metode longest
operation time given, hanya berbeda pada pengisian cycle time
compulation dimana diberi nilai 1 dan pada unitnya diberi nilai
25. Setelah dilakukan input data seperti yang disebutkan, maka
klik solve sehingga muncul hasil output seperti berikut:
Dari data tabel diatas bisa dilihat bahwa time left pada task a
sebanyak 20 jam, lalu pada task c sebanyak 16 jam, kemudian
pada task b sebanyak 13 jam, task e sebanyak 8 jam, task d
sebanyak 6 jam, task f sebanyak 3 jam, task g sebanyak 0 jam.
Selanjutnya diketahui hasil cycle timenya sebanyak 25 jam, min
1 jam, actual 1 jam, time allocated 25 jam/cycle, time nedeed 25
jam/unit, Idle time 0 jam/cycle, dengan efficiency 100% serta
balance delay 0%.
63
3. Metode Longest Operation Time Given (10)
Windows, dilakukan input data seperti pada input data metode
longest operation given, hanya berbeda pada jumlah angkanya,
dimana pada kolom given diisi angka 10. Setelah dilakukan input
data seperti tabel diatas maka klik solve sehingga muncul hasil
output seperti berikut:
Dari data tabel diatas bisa dilihat bahwa time left pada stasiun
1 sebanyak 5 jam + 1 jam = 6 jam, lalu pada stasiun 2 sebanyak 7
jam + 2 jam = 9 jam, kemudian pada stasiun 3 sebanyak 7 jam +
64
4 jam = 11 jam. Selanjutnya diketahui hasil cycle timenya
sebanyak 10 jam, min 3 jam, actual 3 jam, time allocated 30
jam/cycle, time nedeed 25 jam/unit, Idle time 5 jam/cycle, dengan
efficiency 83.33% serta balance delay 16.67%.
d. Dipan
Dipan merupakan tempat tidur yang mana dalam industri mebel

ini semua bahan materialnya terbuat dari kayu. Berdasarkan hasil
olahan di atas dapat diketahui bahwa jumlah stasiun yang baik terdapat
lima stasiun yaitu stasiun pertama untuk tugas A (pemotongan), stasiun
kedua untuk tugas B (kaki-kaki belakang), C (kaki-kaki depan), D
(atasan), E (badan), dan F(gelagar). Stasiun ketiga untuk tugas G
(perakitan kaki-kaki dipan dengan atasan). Stasiun keempat untuk tugas
65
H (perakitan kaki-kaki belakang dengan badan dan hasil tugas H).
Stasiun kelima tugas I(perakitan dipan total).
 Metode I (Longest Operation Time)
Berdasarkan pegumpulan data dapat diketahui bahwa tugas A

Tugas B memilki waktu proses sebesar 4 jam dan didahului tugas A.
Tugas C memilki waktu proses sebesar 4 jam dan didahului tugas A.
Tugas D memilki waktu proses sebesar 10 jam dan didahului tugas A.
Tugas E memilki waktu proses sebesar 7 jam dan didahului tugas A.
Tugas F memilki waktu proses sebesar 4 jam dan didahului tugas A.
Tugas G memilki waktu proses sebesar 5 jam dan didahului tugas C dan
D. Tugas H memilki waktu proses sebesar 8 jam dan didahului tugas B,
E, dan G. Tugas I memilki waktu proses sebesar 1 jam dan didahului
tugas F dan H. Adapun waktu siklus yang diberikan sebesar 12 jam,
nilai ini diperoleh dari nilai maksimal waktu proses dan ditambah
kelonggran sebsar 2 jam.
66
disediakan. Berdasarkan olahan di atas stasiun 1 untuk tugas A (waktu
proses 7 jam) dan B waktu proses 4 jam), stasiun 2 untuk tugas D
(waktu proses 10 jam), stasiun 3 untuk tugas E (waktu proses 7 jam)
dan C (waktu proses 4 jam), stasiun 4 untuk tugas G (waktu proses 5
jam) dan F (waktu proses 4 jam), stasiun 5 untuk tugas H (waktu proses
8 jam) dan I (waktu proses 1 jam). Nilai waktu siklus sebesar 12 jam.
Jumlah stasiun teori sebanyak 5 stasiun. Stasiun aktual ada 5 stasiun.
Alokasi waktu yang disediakan sebesar 60 jam per siklus. Waktu total
yang dibutuhkan sebesar 50 jam per unit. Banyaknya waktu idle sebesar
10 jam per siklus. Adapun rincian stasiun yang mengalami idle yaitu
stasiun kesatu tugas B sebesar 1 jam, stasiun kedua tugas D sebesar 2
jam, stasiun ketiga tugas C sebesar 1 jam, dan stasiun keempat tugas F
sebesar 3 jam. Stasiun kelima tugas F sebesar 3 jam. Besarnya nilai
effisiensi produksi sebesar 83,33%. Besanya persentase penundaan
sebesar 16,67%.
 Metode II (Computing the cycle time)
67
tugas F dan H. Berdasarkan metode ini dimasukkan sebanyak 1 unit
yang diproduksi dalam periode 43 jam.
68
Menurut metode longest operation time computing the cycle system,
ada 2 stasiun yang harus disediakan. Berdasarkan olahan di atas stasiun
1 untuk tugas A (waktu proses 7 jam), B (waktu proses 4 jam), tugas D
(waktu proses 10 jam), tugas E (waktu proses 7 jam), C (waktu proses
4 jam), G (waktu proses 5 jam), F (waktu proses 4 jam), stasiun 2 untuk
tugas H (waktu proses 8 jam) dan I (waktu proses 1 jam). Nilai waktu
siklus sebesar 43 jam. Jumlah stasiun teori sebanyak 2 stasiun. Stasiun
aktual ada 2 stasiun. Alokasi waktu yang disediakan sebesar 86 jam per
siklus. Waktu total yang dibutuhkan sebesar 50 jam per unit.
Banyaknya waktu idle sebesar 36 jam per siklus. Adapun rincian stasiun
yang mengalami idle yaitu stasiun kesatu tugas F sebesar 2 jam dan
stasiun kedua tugas I sebesar 34 jam. Besarnya nilai effisiensi produksi
sebesar 58,14%. Besarnya persentase penundaan sebesar 41,86%.
 Metode III what to do if longets operation time will not fit
69
tugas F dan H. Adapun waktu siklus yang diberikan sebesar 10 jam,
nilai ini merupakan dari nilai maksimal waktu proses.
70
Menurut metode what to do if longest operation time will not
fit, ada 6 stasiun yang harus disediakan. Berdasarkan olahan di atas
stasiun 1 untuk tugas A (waktu proses 7 jam), stasiun 2 untuk tugas
D (waktu proses 10 jam), stasiun 3 untuk tugas E (waktu proses 7
jam), stasiun 4 untuk tugas B (waktu proses 4 jam) dan C (waktu
proses 4 jam), stasiun 5 untuk tugas G (waktu proses 5 jam) dan
tugas F (waktu proses 4 jam), stasiun 6 untuk tugas H (waktu proses
8 jam) dan I (waktu proses 1 jam). Nilai waktu siklus sebesar 10 jam.
Jumlah stasiun teori sebanyak 5 stasiun. Stasiun aktual ada 6 stasiun.
Alokasi waktu yang disediakan sebesar 60 jam per siklus. Waktu
total yang dibutuhkan sebesar 50 jam per unit. Banyaknya waktu idle
sebesar 10 jam per siklus. Adapun rincian stasiun yang mengalami
idle yaitu stasiun kesatu tugas A sebesar 3 jam, stasiun ketiga tugas
E sebesar 3 jam, stasiun keempat tugas C sebesar 2 jam. Stasiun
kelima tugas F sebesar 1 jam, dan stasiun keenam tugas I sebesar 1
jam. Besarnya nilai effisiensi produksi sebesar 83,33%. Besanya
persentase penundaan sebesar 16,67%.
e. Bifet
71
Bufet merupakan sebuah gabungan antara almari baju/hias dan rak untuk
TV yang mana dalam industri mebel ini semua bahan materialnya
terbuat dari kayu. Berdasarkan hasil olahan di atas dapat diketahui
bahwa jumlah stasiun yang baik terdapat lima stasiun yaitu stasiun
pertama untuk tugas A (pemotongan), stasiun kedua untuk tugas B
(pintu), C (kaca), D (papan sekat), E (papan samping kanan), F (papan
samping kiri), G (papan bagian atas), H (papan bagian bawah), I (papan
bagian belakang), J (papan slot), dan K (laci). Stasiun ketiga untuk tugas
L (sub assembly pintu dengan kaca) dan M (sub assembly papan kanan,
kiri, atas, bawah, belakang, dan sekat). Stasiun keempat untuk tugas N
(Assembly keseluruhan). Stasiun kelima tugas O (Finishing).
Method 1
72
Berdasarkan pegumpulan data dapat diketahui bahwa tugas
A tidak memiliki tugas pendahuluan, tugas B didahului tugas A,
tugas C didahului tugas A, tugas D didahului tugas A, tugas E
didahului tugas A, tugas F didahului tugas A, tugas G didahului
tugas A, tugas H didahului tugas A, tugas I didahului tugas A, tugas
J didahului tugas A, tugas K didahului tugas A, tugas L didahului
tugas B dan C, , tugas M didahului tugas D; E; F; G; H; dan I, tugas
N didahului tugas L; M; J; dan K, tugas O didahului tugas N. Adapun
waktu siklus yang diberikan sebesar 8 jam, nilai ini diperoleh dari
nilai maksimal waktu proses dan ditambah kelonggran sebsar 2 jam.
73
Menurut metode longest operation time, ada 6 stasiun yang
harus disediakan. Berdasarkan olahan di atas stasiun 1 untuk tugas
A (waktu proses 6 jam) dan B (waktu proses 2 jam), stasiun 2 untuk
tugas I (waktu proses 4 jam) dan E (waktu proses 3 jam), stasiun 3
untuk tugas F (waktu proses 3 jam), G (waktu proses 3 jam), dan C
(waktu proses 2 jam), stasiun 4 untuk tugas K (waktu proses 3 jam),
D (waktu proses 2 jam), dan H (waktu proses 2 jam), stasiun 5 untuk
tugas J (waktu proses 2 jam), L (waktu proses 2 jam), M (waktu
proses 2 jam) dan N (waktu proses 1 jam), stasiun 6 untuk tugas O
(waktu proses 3 jam). Nilai waktu siklus sebesar 8 jam. Jumlah
stasiun teori sebanyak 5 stasiun. Stasiun aktual ada 6 stasiun.
Alokasi waktu yang disediakan sebesar 48 jam per siklus. Waktu
total yang dibutuhkan sebesar 40 jam per unit. Banyaknya waktu idle
sebesar 8 jam per siklus. Adapun rincian stasiun yang mengalami
idle yaitu stasiun ke 2 tugas E sebesar 1 jam, stasiun ke 4 tugas H
sebesar 1 jam, stasiun ke 5 tugas N sebesar 1 jam, dan stasiun ke 6
tugas O sebesar 5 jam. Besarnya nilai effisiensi produksi sebesar
83,33%. Besanya persentase penundaan sebesar 16,67%.
74
2. Method 2 (Computing the cycle time)

N didahului tugas L; M; J; dan K, tugas O didahului tugas N.
Berdasarkan metode ini dimasukkan sebanyak 1 unit yang
diproduksi dalam periode 43 jam.
75
Menurut metode longest operation time, hanya ada 1 stasiun
yang harus disediakan. Berdasarkan olahan di atas stasiun 1 untuk
tugas A (waktu proses 6 jam), tugas I (waktu proses 4 jam), tugas E
(waktu proses 3 jam), tugas F (waktu proses 3 jam), tugas G (waktu
proses 3 jam), tugas K (waktu proses 3 jam), tugas B (waktu proses
2 jam), tugas C (waktu proses 2 jam), tugas D (waktu proses 2 jam),
tugas H (waktu proses 2 jam), tugas J (waktu proses 2 jam), tugas L
(waktu proses 2 jam), tugas M (waktu proses 2 jam), tugas N (waktu
proses 1 jam), Dan tugas O (waktu proses 3 jam). Nilai waktu siklus
sebesar 42 jam. Jumlah stasiun teori sebanyak 1 stasiun. Stasiun
aktual ada 1 stasiun. Alokasi waktu yang disediakan sebesar 42 jam
per siklus. Waktu total yang dibutuhkan sebesar 40 jam per unit.
Banyaknya waktu idle sebesar 2 jam per siklus. Adapun rincian
stasiun yang mengalami idle yaitu stasiun ke 1 tugas O sebesar 2 jam.
Besarnya nilai effisiensi produksi sebesar 95,24%. Besanya
persentase penundaan sebesar 4,76%.
3. Method 3 what to do if longets operation time will not fit
76
N didahului tugas L; M; J; dan K, tugas O didahului tugas N. Adapun
waktu siklus yang diberikan sebesar 6 jam, nilai ini diperoleh dari
nilai maksimal waktu proses.
77
4.2.6. Scheduling
A. SPT
78
Dari data hasil pengolahan Scheduling dengan metode SPT
diatas dapat diketahui Flow Time total dan kumulatif dari masing-
masing produk. Flow Time total dari produk Almari adalah sebesar
25 jam, sedangkan Flow Time Kumulatif dari produk Meja Rias
sebesar 61 jam, Flow Time Kumulatif untuk produk Kursi adalah
100 jam, Flow Time Kumulatif untuk produk Dipan adalah 141 jam,
dan terakhir untuk Flow Time Kumulatif pada produk Bifet adalah
183 jam.
B. FCFS
79
Dari data hasil pengolahan Scheduling dengan metode FCFS
masing produk. Flow Time total dari produk Meja Rias adalah
sebesar 36 jam, sedangkan Flow Time Kumulatif dari produk Kursi
sebesar 75 jam, Flow Time Kumulatif untuk produk Almari adalah
183 jam.
C. SLACK
80
Dari data hasil pengolahan Scheduling dengan metode
SLACK diatas dapat diketahui Flow Time total dan kumulatif dari
masing-masing produk. Flow Time total dari produk Meja Rias
adalah sebesar 36 jam, sedangkan Flow Time Kumulatif dari produk
Kursi sebesar 75 jam, Flow Time Kumulatif untuk produk Almari
adalah 100 jam, Flow Time Kumulatif untuk produk Dipan adalah
141 jam, dan terakhir untuk Flow Time Kumulatif pada produk Bifet
adalah 183 jam.
D. EDD
81
Dari data hasil pengolahan Scheduling dengan metode EDD
masing produk. Flow Time total dari produk Almari adalah sebesar
25 jam, sedangkan Flow Time Kumulatif dari produk Meja Rias
sebesar 61 jam, Flow Time Kumulatif untuk produk Kursi adalah
183 jam.
E. LPT
82
Dari data hasil pengolahan Scheduling dengan metode LPT
masing produk. Flow Time total dari produk Bifet adalah sebesar 42
jam, sedangkan Flow Time Kumulatif dari produk Dipan sebesar 83
jam, Flow Time Kumulatif untuk produk Kursi adalah 122 jam,
Flow Time Kumulatif untuk produk Meja Rias adalah 158 jam, dan
terakhir untuk Flow Time Kumulatif pada produk Almari adalah 183
jam.
83
BAB V
ANALISIS DAN PEMBAHASAN
5.1. Forecasting
a. Meja rias
Berdasarkan hasil dari merunning data yang ada melalui dua metode
yaitu regresi linier dan winter method maka didapatkan hasil yang telah
disajikan diatas. Dari hasil yang telah dipaparkan diatas maka dapat
dibandingkan tingkat keakurasian peramalan dari kedua metode sebagai
berikut:
Regresi Exponential Weight

Linier Smothing Moving
Avarage
MSE 3 5,51 3,82
MAD 1,5 1,89 1,7
MAPE 0,21 0,24 0,23
Dari data diatas maka dapat diketahui bahwa :

1. Metode regresi linear didapat nilai MSE sebesar 3 yang mana nilainya
lebih kecil dibandingkan dengan MSE dari metode weight moving average
yaitu sebesar 3,82; dan exponential smothing yaitu sebesar 5,51. Begitu
MSE pula moving Average lebih kecil dari pada exponential smothing.
Sehingga berdasarkan perbandingan nilai MSE maka yang paling akurat
adalah dengan metode regresi linear karena MSE (regresi linear < weight
moving average < exponential smothing).
2. Metode regresi linear didapat nilai MAD sebesar 1,5 yang mana nilainya
84
MAD pula moving Average lebih kecil dari pada exponential smothing.
Sehingga berdasarkan perbandingan nilai MAD maka yang paling akurat
adalah dengan metode regresi linear karena MAD (regresi linear < weight
3. Metode regresi linear didapat nilai MAPE sebesar 0,21 yang mana nilainya
MAPE pula moving Average lebih kecil dari pada exponential smothing.
Sehingga berdasarkan perbandingan nilai MAPE maka yang paling akurat
adalah dengan metode regresi linear karena MAPE (regresi linear < weight
Dari keterangan diatas maka dapat disimpulkan metode yang terbaik
dalam meramalkan stock barang yaitu metode regresi linear dengan nilai
MSE, MAD, dan MAPE lbih kecil dibandingkan metode weight moving
average dan exponential smothing.
b. Kursi
Berdasarkan hasil dari merunning data yang ada melalui tiga metode
yaitu regresi linear, weight moving average, dan exponential smoothing,
didapatkan hasil yang telah disajikan diatas. Dari hasil yang telah
dipaparkan diatas maka dapat dibandingkan tingkat keakurasian peramalan
dari kedua metode sebagai berikut:
Linear Regression Weight Moving Averages Exponential Smoothing
SEM 2,83 13,03 11,77
MAD 3,15 2,94 2,91
MAPE 2,18 0,83 0,73

1. Dari pengolahan data diatas didapatkan nilai MSE dari Metode
Weight Moving Average didapat nilai MSE sebesar 13,03 yang mana
nilainya lebih besar dibandingkan dengan MSE dari metode
Exponential Smoothing yaitu sebesar 11,77, dan juga lebih besar dari
85
pada Linear Regression yaitu sebesar 2,83, sehingga berdasarkan
perbandingan nilai MSE maka yang paling akurat adalah dengan
metode regresi linear karena MSE regresi linear < Exponential
Smoothing < Weight Moving Average.
2. Berdasar nilai MAD yang didapatkan maka diketahui bahwa nilai
MAD dari metode regresi linear sebesar 3,15 yang lebih besar dari
nilai MAD metode weight moving averages sebesar 2,94 dan juga
lebih besar dari nilai MAD metode exponential smoothing sebesar
2,91. Sehingga berdasarkan perbandingan MAD didapatkan metode
yang paling akurat adalah metode exponential smoothing karena
metode exponential smoothing < weight moving averages < regresi
linear.
3. Berdasar nilai MAPE yang didapatkan maka diketahui bahwa nilai
MAPE dari metode regresi linear sebesar 2,18 dan nilai MAPE dari
metode weight moving averages sebesar 0,83 juga nilai MAPE dari
metode exponential smoothing sebesar 0,73. Sehingga berdasarkan
perbandingan MAD didapatkan metode yang paling akurat adalah
metode exponential smoothing karena metode exponential smoothing
< weight moving averages < regresi linear.
dalam meramalkan stock barang yaitu metode Exponential Smoothing
dengan nilai MAPE dan MAD lebih kecil dibandingkan metode weight
moving averages dan metode regresi linear.
c. Almari
Perbandingan untuk metodde yang digunakan pada forecasting
adalah sebagai berikut:
Eksponential Linear Weighted Moving Moving

Smoothing Regression Average Average
MAD 1.6 1.15 1.69 2
86
MSE 2.93 1.7 3.4 4.73
MAPE 0.53 0.37 0.53 0.66
Mean Error -0.17 0 0.09 -0.18
SE 1.89 1.43 2.09 2.4
Average 3.67 3.67 3.67 3.67
Forecast
3.08 3.44 3.17 2
Next Period
Metode peramalan yang baik adalah metode dengan nilai MAD,

MSE, MAPE, dan Standart Error (SE) yang mendekati angka 0.
Dimana bisa dilihat pada tabel perbandingan diatas bahwa hasil yang
dihasilkan metode Linear Reggression adalah dengan kriteria yang
tersebut dengan hasil paling kecil. Lalu untuk metode dengan hasil
paling kecil kedua setelahnya adalah Eksponential Smoothing, lalu
Weighted Moving Average.
Karena yang diambil adalah 3 metode paling baik, maka diambil

metode peramalan dengan sistem peringkat yaitu:
1. Linear Reggression
2. Eksponential Smoothing
3. Weighted Moving Average
d. Dipan
Berdaasarkan hasil dari merunning data yang ada melalui tiga metode
yaitu regresi linear, weight moving average, dan exponential smoothing,
didapatkan hasil yang telah disajikan diatas. Dari hasil yang telah
dipaparkan diatas maka dapat dibandingkan tingkat keakurasian peramalan
dari kedua metode sebagai berikut:
87
Exponential
Linear Regression Weight Moving Averages
Smoothing
MSE 2,34 6,26 3,86
MAD 2,48 2,4 1,75
MAPE 2,06 0,85 0,63

1. Dari pengolahan data diatas didapatkan nilai MSE dari Metode Weight
Moving Average didapat nilai MSE sebesar 6,26 yang mana nilainya
lebih besar dibandingkan dengan MSE dari metode Exponential
Smoothing yaitu sebesar 3,86, dan juga lebih besar daripada Linear
Regression yaitu 2,34, sehingga berdasarkan perbandingan nilai MSE
maka yang paling akurat adalah dengan metode regresi linear karena
MSE regresi linear< Exponential Smoothing < Weight Moving
Average.
2. Berdasar nilai MAD yang didapatkan maka diketahui bahwa nilai
MAD dari metode regresi linear sebesar 2,48 yang lebih besar dari
nilai MAD metode weight moving averages sebesar 2,4 dan juga lebih
besar dari nilai MAD metode exponential smoothing sebesar 1,75.
Sehingga berdasarkan perbandingan MAD didapatkan metode yang
paling akurat adalah metode exponential smoothing karena metode
exponential smoothing < weight moving averages < regresi linear.
3. Berdasar nilai MAPE yang didapatkan maka diketahui bahwa nilai
MAPE dari metode regresi linear sebesar 2,06 dan nilai MAPE dari
metode weight moving averages sebesar 0,85 juga nilai MAPE dari
metode exponential smoothing sebesar 0,63. Sehingga berdasarkan
perbandingan MAD didapatkan metode yang paling akurat adalah
metode exponential smoothing karena metode exponential smoothing
< weight moving averages < regresi linear.
dalam meramalkan stock barang yaitu metode Exponential Smoothing
88
dengan nilai MAPE dan MAD lebih kecil dibandingkan metode weight
moving averages dan metode regresi linear.
e. Bifet
Berdasarkan hasil dari merunning data yang ada melalui dua metode yaitu
regresi linier dan winter method maka didapatkan hasil yang telah disajikan
diatas. Dari hasil yang telah dipaparkan diatas maka dapat dibandingkan tingkat
keakurasian peramalan dari kedua metode sebagai berikut:
Regresi Linier Exponential Smothing Weight Moving
Avarage
MSE 1,23 2,06 2,56
MAD 0,88 1,32 1,44
MAPE 0,41 0,54 0,63

1. Metode regresi linear didapat nilai MSE sebesar 1,23 yang mana
nilainya lebih kecil dibandingkan dengan MSE dari metode weight
moving average yaitu sebesar 2,56; dan exponential smothing yaitu
sebesar 2,06. Untuk MSE moving Average lebih besar dari pada
exponential smothing. Sehingga berdasarkan perbandingan nilai
MSE maka yang paling akurat adalah dengan metode regresi linear
karena MSE (regresi linear < exponential smoothing < weight
moving average).
2. Metode regresi linear didapat nilai MAD sebesar 0,88 yang mana
nilainya lebih kecil dibandingkan dengan MAD dari metode weight
sebesar 1,32. Untuk MAD moving Average lebih besar dari pada
MAD maka yang paling akurat adalah dengan metode regresi linear
89
karena MAD (regresi linear < exponential smoothing < weight
moving average).
3. Metode regresi linear didapat nilai MAPE sebesar 0,41 yang mana
nilainya lebih kecil dibandingkan dengan MAPE dari metode weight
sebesar 0,54. Untuk MAPE moving Average lebih besar dari pada
MAPE maka yang paling akurat adalah dengan metode regresi linear
karena MAPE (regresi linear < exponential smoothing < weight
moving average).
dalam meramalkan stock barang yaitu metode regresi linear dengan nilai
MSE, MAD, dan MAPE lebih kecil dibandingkan metode weight moving
average dan exponential smothing.
5.2. Agregat planning
a. Meja rias
Berdasarkan hasil dari merunning data di atas dengan menggunakan
metode smooth production (avarage GROSS demand), didapati reguler
time cost adalah $74400000, untuk holding cost dan shortage cost tidak
ada biaya yang perlu dibayarkan. Jadi, metode smooth production
(avarage GROSS demand) baik untuk dijadikan metode pengoptimalan
minimalis biaya.
b. Kursi
Agregat planning merupakan perencanaan yang menggabungkan
beberapa komponen input pada proses produksi agar menjadi suatu
produk dengan nilai keuntungan tinggi. Dari kasus yang ada dapat
dilakukan analisis menggunakan shortages Backordered metode smooth
production (average GROSS demand). Backordered merupakan shortages
yang digunakan untuk menganalisis suatu data dimana biaya kelebihan
produksi diberikan untuk memenuhi kekurangan sebelumnya. Sedangkan
90
sebelumnya tidak dipenuhi oleh produksi selanjutnya. Selain itu ada juga
beberapa metode dalam menganalisis aggregat planning yaitu metode
Smooth production (average GROSS DEMAND) merupakan metode
yang memenuhi kebutuhan berdasarkan rata-rata jumlah permintaan total,
smooth production (Average NET DEMAND) yaitu metode yang
menggunakan jumlah inventory digunakan untuk memenuhi kebutuhan
permintaan, CHASE CURRENT DEMAND yaitu metode dengan
analisis biaya berdasarkan jumlah permintaan yang ada. Dari analisis data
yang telah dilakukan metode yang paling sesuai yaitu shortages
c. Almari
Dari output data yang dihasilkan, terlihat bahwa dengan total
permintaan dari periode Mei 2016 hingga April 2017 adalah 44 unit
dengan total regular time capacity 120, total regular time production
sebanyak 44 dan inventory pada setiap Mei-Juni-Juli-Agustus memiliki
nilai inventory berturut 0-1-3-2, sedang untuk Sept-Oct-November-Dec
secara berturut 0-1-0-2 lalu selanjutnya January-Feb-March-Apr secara
berturut 1-1-0-0 dengan total keseluruhan 11 unit. Untuk Shortage,
dihasilkan 1 unit dengan 1 unit tersebut berada pada periode bulan March.
Untuk unit decrease juga terjadi totsl 1 unit, dimana unit tersebut berada
pada periode bulan januari. Dimana total cost yang dibutuhkan adalah
$ 57.200.000,- dengan biaya per unit $1.300.000,-. Holding cost
inventory senilai $0, dimana hal ini menguntungkan produsen sehingga
produsen tidak harus mengeluarkan uang untuk cost tambahan.
d. Dipan
91
yangdigunakan untuk menganalisis suatu data dimana biaya kelebihan
e. Bifet
yangdigunakan untuk menganalisis suatu data dimana biaya kelebihan
92
Dari data diatas dapat kita ketahui, bahwa smooth production
(avarage GROSS demand) terjadi dalam 12 bulan, yang mana permintaan
awalnya pada bulan mei dan genap selama setahun tepat pada bulan april.
Regular time capacity dalam setahun bernilai 10, dan regular time cost-
nya bernilai $3000000. Data di atas, mengingat pula dalam setahun
tersebut overtime capacity dan sub-contract capacity bernilai 0.
5.3. MRP
a. Meja rias
Pada tabel di atas dapat diketahui bahwa item nomer satu memiliki
level terendah yaitu 0, dan total permintaan ada 10 unit pada periode ke
5, maka pada periode ke-6 masih tetap 10 karena pada periode ke-6
mengikuti periode ke-5 atau tidak ada permintaan pemroduksian pada
periode ke-6. Lalu, untuk urutan ke-2 ditempati oleh item ke-9 yang mana
levelnya juga bernilai 0, pada urutan ini, tidak ada permintaan produksi
yang ada hanya on-hand sebesar 10 unit. Urutan ke-3 ditempati oleh item
ke-2 yang mana levelnya bernilai 1, pada urutan ini terdapat permintaa
pada periode ke-4 dengan jumlah 7 unit, dan on-hand ada 2 unit. Urutan
ke-4 ditempati oleh item ke-3 yang mana levelnya bernilai 1, pada urutan
ini terdapat permintaa pada periode ke-4 dengan jumlah 7 unit, dan on-
hand ada 4 unit. Urutan ke-5 ditempati oleh item ke-4 yang mana levelnya
bernilai 1, pada urutan ini terdapat permintaa pada periode ke-4 dengan
jumlah 7 unit, dan on-hand ada 10 unit. Urutan ke-6 ditempati oleh item
pada periode ke-4 dengan jumlah 7 unit, dan on-hand ada 3 unit. Urutan
ke-7 ditempati oleh item ke-6 yang mana levelnya bernilai 2, pada urutan
ini terdapat permintaa pada periode ke-4 dengan jumlah 7 unit, dan on-
hand ada 5 unit. Urutan ke-8 ditempati oleh item ke-7 yang mana levelnya
bernilai 2, pada urutan ini terdapat permintaa pada periode ke-4 dengan
93
jumlah 7 unit, dan on-hand ada 12 unit. Urutan ke-9 ditempati oleh item
pada periode ke-4 dengan jumlah 7 unit, dan on-hand ada 5 unit.
b. Kursi
Kursi dipesan pada periode keenam sebesar 10 buah dan periode
kelima 10 buah. Hingga periode kelima perusahaan masih mempunyai
simpanan dipan sebanyak 5 buah. Karena pada periode kelima dibutuhkan
10 buah, maka penyimpanan tidak terisi. Sehingga, permintaan bersih
yang harus dikerjakan sebanyak 10 buah. Karena lead time sebuah dipan
sebesar 1 periode, maka pada periode kelima dipan harus sudah
dikerjakan. Sebuah kursi membutuhkan 4 buah kaki untuk 1 produknya.
Karena ada 2 dipan yang harus dipenuhi maka pada periode kelima harus
tersedia 8 kaki belakang. Hingga pada periode kelima, ternyata
perusahaan masih mempunyai simpanan sebesar 8 buah. Jadi, perusahaan
tidak perlu membuat kaki belakang. Sebuah kursi membutuhkan bantalan
kursi perusahaan memiliki simpanan bantalan sebesar 20. Hingga pada
periode kelima, ternyata perusahaan masih mempunyai simpanan sebesar
3 buah. Jadi, perusahaan harus membuat badan sebanyak 17 buah. Karena
lead time yang dibutuhkan sebanyak 1 periode, maka badan harus sudah
jadi pada periode keempat. Sebuah kursi membutuhkan sandaran kursi
perusahaan memiliki simpanan sandaran sebesar 51. Hingga pada periode
kelima, ternyata perusahaan masih mempunyai simpanan sebesar 15
buah. Jadi, perusahaan harus membuat badan sebanyak 36 buah. Karena
jadi pada periode ketiga. Sebuah kursi membutuhkan kain perusahaan
memiliki simpanan kain sebesar 17. Hingga pada periode kelima, ternyata
harus membuat badan sebanyak 8 buah. Karena lead time yang
dibutuhkan sebanyak 1 periode, maka badan harus sudah jadi pada
periode ketiga.
94
Sebuah kursi membutuhkan busa perusahaan memiliki simpanan
busa sebesar 17. Hingga pada periode kelima, ternyata perusahaan masih
mempunyai simpanan sebesar 9 buah. Jadi, perusahaan harus membuat
badan sebanyak 8 buah. Karena lead time yang dibutuhkan sebanyak 1
periode, maka badan harus sudah jadi pada periode ketiga. Sebuah kursi
membutuhkan rangka perusahaan memiliki simpanan rangka sebesar 8.
Hingga pada periode kelima, ternyata perusahaan masih mempunyai
simpanan sebesar 8 buah. Sebuah kursi membutuhkan kaki perusahaan
memiliki simpanan kaki sebesar 8. Hingga pada periode kelima, ternyata
perusahaan masih mempunyai simpanan sebesar 8 buah. Sebuah kursi
membutuhkan sub assembly 1 perusahaan memiliki 17. Hingga pada
10 buah. Jadi, perusahaan harus membuat badan sebanyak 7 buah. Karena
jadi pada periode ketiga. Sebuah kursi membutuhkan sub assembly 2
perusahaan memiliki 10. Hingga pada periode kelima, ternyata
harus membuat badan sebanyak 4 buah. Karena lead time yang
dibutuhkan sebanyak 1 periode, maka badan harus sudah jadi pada
periode keempat. Sebuah kursi membutuhkan kayu hingga pada periode
kelima, ternyata perusahaan masih mempunyai simpanan sebesar 6 buah.
c. Almari
Berdasarkan pengolahan data menggunakan POM for windows di
atas, permintaan pesanan almari pada periode ke-6, dan telah tersedia
digudang sebanyak 5, jadi akan dibuat 1 almari lagi untuk memenuhi
permintaan pemesanan almari.
d. Dipan
Dipan dipesan pada periode keenam sebesar 6 buah dan periode kelima
4 buah. Hingga periode kelima perusahaan masih mempunyai simpanan
dipan sebanyak 5 buah. Karena pada periode kelima dibutuhkan 4 buah,
maka penyimpanan tersisa 1 buah. Simpanan yang masih 1 buah
95
digunakan untuk memenuhi permintaan pada periode keenam yang
membutuhkan dipan sebanyak 6 buah. Sehingga, permintaan bersih yang
harus dikerjakan sebanyak 5 buah. Karena lead time sebuah dipan sebesar
1 periode, maka pada periode kelima dipan harus sudah dikerjakan.
Sebuah dipan membutuhkan 2 buah kaki belakang untuk 1 produknya.
tersedia 10 kaki belakang. Hingga pada periode kelima, ternyata
tidak perlu membuat kaki belakang. Karena yang dibutuhkan cuma 10
maka sisa 5, sisa ini menjadi simpanan di periode keenam. Sebuah dipan
membutuhkan 10 buah gelagar untuk 1 produknya. Karena ada 5 dipan
yang harus dipenuhi maka pada periode kelima harus tersedia 50 gelagar.
Hingga pada periode kelima, ternyata perusahaan masih mempunyai
simpanan sebesar 50 buah. Jadi, perusahaan tidak perlu membuat gelagar.
Karena yang dibutuhkan cukup dipenuhi dengan gelagar yang masih
tersedia. Sehingga, pada periode keenam perusahaan tidak mempunyai
cadangan gelagar.
Sebuah dipan membutuhkan 4 buah badan untuk 1 produknya.

tersedia 20 badan. Hingga pada periode kelima, ternyata perusahaan
masih mempunyai simpanan sebesar 8 buah. Jadi, perusahaan harus
membuat badan sebanyak 12 buah. Karena lead time yang dibutuhkan
sebanyak 1 periode, maka badan harus sudah jadi pada periode keempat.
Sebuah dipan membutuhkan sub asembly antara kaki depan dengan
atasan sebanyak 1 buah sub asembly untuk 1 produknya. Karena ada 5
dipan yang harus dipenuhi maka pada periode kelima harus tersedia 5 sub
asembly. Hingga pada periode kelima, ternyata perusahaan masih
mempunyai simpanan sebesar 7 buah. Jadi, perusahaan tidak perlu
membuat gelagar. Karena yang dibutuhkan cukup dipenuhi dengan
subasembly yang masih tersedia. Sehingga, pada periode keenam
perusahaan masih mempunyai cadangan sebesar 2 buah sub asembly.
96
Sebuah dipan membutuhkan 2 buah kaki depan untuk 1 produknya.
Karena ada 5 dipan yang harus dipenuhi maka perusahaan sebenarnya
membutuhkan 10 kaki depan. Namun, ternyata permintaan kaki depan
dapat tertutupi dengan adanya simpanan pada subasembly maka
perusahaan tidak perlu membuat kaki depan. Sehingga, hingga periode
keenam masih tersimpan 15 buah kaki depan. Sebuah dipan
membutuhkan 1 buah atasan untuk 1 produknya. Karena ada 5 dipan yang
harus dipenuhi maka perusahaan sebenarnya membutuhkan 5 atasan.
Namun, ternyata permintaan atasan dapat tertutupi dengan adanya
simpanan pada subasembly maka perusahaan tidak perlu membuat atasan.
Sehingga, hingga periode keenam masih tersimpan 10 buah kaki depan.
e. Bifet
Bufet dipesan pada periode keenam sebesar 6 buah dan periode
kelima 4 buah. Hingga periode kelima perusahaan masih mempunyai
simpanan bufet sebanyak 5 buah. Karena pada periode kelima
dibutuhkan 4 buah, maka penyimpanan tersisa 1 buah. Simpanan yang
masih 1 buah digunakan untuk memenuhi permintaan pada periode
keenam yang membutuhkan bufet sebanyak 6 buah. Sehingga,
permintaan bersih yang harus dikerjakan sebanyak 5 buah. Karena lead
time sebuah bufet sebesar 1 periode, maka pada periode kelima bufet
harus sudah dikerjakan. Sebuah bufet membutuhkan 2 buah kaki
belakang untuk 1 produknya. Karena ada 5 bufet yang harus dipenuhi
maka pada periode kelima harus tersedia 10 kaki belakang. Hingga pada
15 buah. Jadi, perusahaan tidak perlu membuat kaki belakang. Karena
yang dibutuhkan cuma 10 maka sisa 5, sisa ini menjadi simpanan di
periode keenam. Sebuah bufet membutuhkan 10 buah gelagar untuk 1
produknya. Karena ada 5 bufet yang harus dipenuhi maka pada periode
kelima harus tersedia 50 gelagar. Hingga pada periode kelima, ternyata
perusahaan masih mempunyai simpanan sebesar 50 buah. Jadi,
perusahaan tidak perlu membuat gelagar. Karena yang dibutuhkan cukup
97
dipenuhi dengan gelagar yang masih tersedia. Sehingga, pada periode
keenam perusahaan tidak mempunyai cadangan gelagar.
Sebuah bufet membutuhkan 14 buah badan untuk 1 produknya.
Karena ada 5 bufet yang harus dipenuhi maka pada periode kelima harus
tersedia 70 badan. Hingga pada periode kelima, ternyata perusahaan
masih mempunyai simpanan sebesar 8 buah. Jadi, perusahaan harus
membuat badan sebanyak 12 buah. Karena lead time yang dibutuhkan
sebanyak 1 periode, maka badan harus sudah jadi pada periode keempat.
Sebuah bufet membutuhkan sub asembly antara kaki depan dengan atasan
sebanyak 1 buah sub asembly untuk 1 produknya. Karena ada 5 bufet
yang harus dipenuhi maka pada periode kelima harus tersedia 5 sub
asembly. Hingga pada periode kelima, ternyata perusahaan masih
mempunyai simpanan sebesar 7 buah. Jadi, perusahaan tidak perlu
membuat gelagar. Karena yang dibutuhkan cukup dipenuhi dengan
subasembly yang masih tersedia. Sehingga, pada periode keenam
perusahaan masih mempunyai cadangan sebesar 2 buah sub asembly.
Sebuah bufet membutuhkan 2 buah kaki depan untuk 1 produknya.
Karena ada 5 bufet yang harus dipenuhi maka perusahaan sebenarnya
membutuhkan 10 kaki depan. Namun, ternyata permintaan kaki depan
dapat tertutupi dengan adanya simpanan pada subasembly maka
perusahaan tidak perlu membuat kaki depan. Sehingga, hingga periode
keenam masih tersimpan 15 buah kaki depan. Sebuah bufet membutuhkan
1 buah atasan untuk 1 produknya. Karena ada 5 bufet yang harus dipenuhi
maka perusahaan sebenarnya membutuhkan 5 atasan. Namun, ternyata
permintaan atasan dapat tertutupi dengan adanya simpanan pada
subasembly maka perusahaan tidak perlu membuat atasan. Sehingga,
hingga periode keenam masih tersimpan 10 buah kaki depan.
5.4. Inventory
Dalam melakukan inventory menggunakan metode analisa abc.
Berdasakan pengolahan data menggunakan Pom for Windows dapat
diketahui bahwa besar persenatse untuk golongan A sebesar 20%, golongan
98
B sebesar 30% dan golongan C merupakan sisanya (50%). Bufet dengan besar
permintaaan sebesar 39 dan harga 3 juta rupiah dengan persentase 36,54%
termasuk kategori A. Meja hias dengan besar permintaaan sebesar 93 dan
harga 800 ratus ribu rupiah dengan persentase kumulatif 59,78% termasuk
kategori B. Almari dengan besar permintaaan sebesar 44 dan harga 1,5 juta
rupiah dengan persentase kumulatif 80,39% termasuk kategori C. Kursi
dengan besar permintaaan sebesar 68 dan harga 600 ratus ribu rupiah dengan
persentase kumulatif 93,13% termasuk kategori C. Dipan dengan besar
permintaaan sebesar 44 dan harga 500 ratus ribu rupiah dengan persentase
kumulatif 100% termasuk kategori C.
5.5. Line Balancing
a. Meja rias
nomor Metode efisiensi idle time

Metode I (Longest Operation
1 75% 12
Time)
Metode II (Computing the cycle
2 62,07% 22
time)
Metode III what to do if longets
3 90% 4
operation time will not fit
Berdasarkan hasil dari pengolahan data dengan menggunakan tiga

metode diperoleh perbandingan berdasarkan nilai efisiensi lini produksi
yaitu metode II (62,07%) < metode I (75%) < metode III (90%). Adapun
perbandingan idle time yaitu metode III (4 jam) < metode I (12 jam) <
metode II (22 jam). Jadi, karena nilai efisiensi metode III lebih besar dari
metode II dan metode I serta nilai idle time metode III lebih kecil dari
metode II dan metode I maka usulan banyaknya stasiun dan tugas yang
dipilih adalah hasil dari metode III.
Adapun apabila perusahaan menggunakan metode III (metode what
to do if longest operation time will not fit), ada 4 stasiun yang harus
99
disediakan. Berdasarkan olahan di bab IV maka diperoleh rincian: stasiun
1 untuk tugas task 1 (waktu proses 7 jam) dan task 5 (waktu proses 3 jam).
Stasiun 2 untuk task 2 (waktu proses 10 jam). Stasiun 3 untuk task 4
(waktu proses 6 jam) dan task 3 (waktu proses 4 jam). Stasiun 4 untuk
tugas task 6 (waktu proses 3 jam), task 7 (waktu proses 1 jam) dan task 8
(waktu proses 2 jam).
b. Kursi
Dari beberapa metode terdapat metode yang menghasilkan nilai
efisiensi yang paling besar yaitu Longest Operation Time yaitu sebesar
75% dan memiliki besar idle senilai 14. Jadi karena itu untuk metode
tersebut baik digunakan dalam perusahaan. Adapun apabila perusahaan
menggunakan metode longest operation time, ada 7 stasiun yang harus
disediakan. Berdasarkan olahan di bab IV, maka diperoleh rincian:
berdasarkan olahan di atas stasiun 1 untuk tugas A (waktu proses 6 jam)
stasiun 2 untuk tugas D (waktu proses 5 jam), stasiun 3 untuk tugas F
(waktu proses 5 jam), stasiun 4 untuk tugas B (waktu proses 4 jam) dan C
(waktu proses 4 jam), stasiun 5 untuk tugas G (waktu proses 5 jam),
stasiun 6 untuk tugas E (waktu proses 4 jam) dan tugas H (waktu proses
4 jam), stasiun 7 untuk tugas I (waktu proses 3 jam) dan untuk tugas I
(waktu proses 2 jam). Nilai waktu siklus sebesar 8 jam.
c. Almari
Dengan melihat adanya 3 metode yang dipakai, tentunya harus
dilakukan perbandingan antara 1 metode dengan metode lainnya,
dimana dalam line balancing yang baik adalah dengan waktu paling
sedikit serta nilai efficiency yang paling besar. Maka, berkut adalah
perbandingannya:
Longest Longest
Longest Operation Time
Operation Time Operation Time
Computed
Given Given 10
Cycle time 7 10 25
100
Min 4 3 1
Actual 4 3 1
Time Allocated 28 30 25
Time Needed 25 25 25
Idle Time 3 5 0
Efficiency 89.29% 83.33% 100%
Balance Delay 10.71% 16.67% 0
Dimana dari data tabel perbandingan diatas bisa dilihat metode
mana yang memiliki efficiency waktu terbaik dan terburuk dari ketiga
metode yang dipakai. Jika dimasukkan dalam ranking, metode paling
baik adalah:
1. Longest Operation Time Computed
2. Longest Operation Given
3. Longest Operation Time Given 10 hours
d. Dipan
Nomor Metode efisiensi idle time

1 83,33% 10
Time)
2 58,14% 36
time)
3 83,33% 10

yaitu metode I = metode III (83,33%) > metode II (58,14%). Adapun
perbandingan idle time yaitu metode I = metode III (10 jam) < metode
II (36 jam). Jadi, karena nilai efisiensi metode I dan metode II lebih besar
dari metode III serta nilai idle time metode I dan III lebih kecil dari
101
metode II maka usulan banyaknya stasiun dan tugas yang dipilih adalah
hasil dari metode I dan metode III.
Adapun apabila perusahaan menggunakan metode I (metode longest
operation time), ada 5 stasiun yang harus disediakan. Berdasarkan olahan
di bab IV, maak diperoleh rincian: stasiun 1 untuk tugas A (waktu proses
7 jam) dan B waktu proses 4 jam), stasiun 2 untuk tugas D (waktu proses
10 jam), stasiun 3 untuk tugas E (waktu proses 7 jam) dan C (waktu
proses 4 jam), stasiun 4 untuk tugas G (waktu proses 5 jam) dan F (waktu
proses 4 jam), stasiun 5 untuk tugas H (waktu proses 8 jam) dan I (waktu
proses 1 jam).
Adapun apabila perusahaan menggunakan metode III (metode what to do
if longest operation time will not fit), ada 6 stasiun yang harus disediakan.
Berdasarkan olahan di bab IV maka diperoleh rincian: stasiun 1 untuk
tugas A (waktu proses 7 jam), stasiun 2 untuk tugas D (waktu proses 10
jam), stasiun 3 untuk tugas E (waktu proses 7 jam), stasiun 4 untuk tugas
B (waktu proses 4 jam) dan C (waktu proses 4 jam), stasiun 5 untuk tugas
G (waktu proses 5 jam) dan tugas F (waktu proses 4 jam), stasiun 6 untuk
tugas H (waktu proses 8 jam) dan I (waktu proses 1 jam).
e. Bifet
nomor Metode efisiensi idle time

1 83,33% 8
Time)
2 95,24% 2
time)
3 95,24% 2

yaitu metode I = metode III (83,33%) < metode II (95,24%). Adapun
102
perbandingan idle time yaitu metode I = metode III (8 jam) > metode
II (2 jam). Jadi, karena nilai efisiensi metode I lebih besar dari metodeII
dan metode III serta nilai idle time metode II dan III lebih kecil dari
metode I maka usulan banyaknya stasiun dan tugas yang dipilih adalah
hasil dari metode II dan metode III.
Adapun apabila perusahaan menggunakan metode II (metode
Computing the cycle time), ada 1 stasiun yang harus disediakan.
Berdasarkan olahan di bab IV, maka diperoleh rincian: stasiun 1 untuk
tugas A (waktu proses 6 jam) dan B (waktu proses 2 jam), stasiun 2
untuk tugas I (waktu proses 4 jam) dan E (waktu proses 3 jam), stasiun
3 untuk tugas F (waktu proses 3 jam), G (waktu proses 3 jam), dan C
(waktu proses 2 jam), stasiun 4 untuk tugas K (waktu proses 3 jam), D
(waktu proses 2 jam), dan H (waktu proses 2 jam), stasiun 5 untuk tugas
J (waktu proses 2 jam), L (waktu proses 2 jam), M (waktu proses 2 jam)
dan N (waktu proses 1 jam), stasiun 6 untuk tugas O (waktu proses 3
jam).
Adapun apabila perusahaan menggunakan metode III (metode what
to do if longest operation time will not fit), ada 6 stasiun yang harus
disediakan. Berdasarkan olahan di bab IV maka diperoleh rincian:
stasiun 1 untuk tugas A (waktu proses 7 jam), stasiun 2 untuk tugas D
(waktu proses 10 jam), stasiun 3 untuk tugas E (waktu proses 7 jam),
stasiun 4 untuk tugas B (waktu proses 4 jam) dan C (waktu proses 4
jam), stasiun 5 untuk tugas G (waktu proses 5 jam) dan tugas F (waktu
proses 4 jam), stasiun 6 untuk tugas H (waktu proses 8 jam) dan I
(waktu proses 1 jam).
5.6. Scheduling
Berdasarkan hasil dari merunning data yang ada melalui dua metode
yaitu regresi linier dan winter method maka didapatkan hasil yang telah
disajikan diatas. Dari hasil yang telah dipaparkan diatas maka dapat
dibandingkan tingkat keakurasian peramalan dari kedua metode sebagai
berikut:
103
Total Flow Time
SPT 510 jam
FCFS 535 jam
SLACK 535 jam
EDD 510 jam
LPT 588 jam

1. Metode SPT didapat nilai total flow time sebesar 510 jam yang mana
nilainya lebih kecil dibandingkan dengan nilai total flow time dari metode
FCFS yaitu sebesar 535 jam; nilai total flow time dari metode SLACK
yaitu sebesar 535 jam; nilai total flow time dari metode LPT yaitu sebesar
588 jam; tetapi sama dengan nilai total flow time dari metode LPT yaitu
sebesar 510 jam. Sehingga berdasarkan perbandingan nilai total flow time
maka nilai yang paling kecil adalah dengan metode SPT karena nilai total
flow time (SPT = EDD < FCFS = SLACK < LPT).
2. Metode FCFS didapat nilai total flow time sebesar 535 jam yang mana
LPT yaitu sebesar 588 jam; nilai total flow time dari metode SPT yaitu
sebesar 510 jam; nilai total flow time dari metode SLACK yaitu sebesar
535 jam; nilai total flow time dari metode EDD yaitu sebesar 510 jam.
Sehingga berdasarkan perbandingan nilai total flow time maka nilai total
flow time dengan metode FCFS berada diantara kedua metode lainnya
(SPT = EDD < FCFS = SLACK < LPT).
3. Metode SLACK didapat nilai total flow time sebesar 535 jam yang mana
LPT yaitu sebesar 588 jam dan lebih besar dari nilai dengan SPT dan EDD
sebesar 510 jam; nilai total flow time dari metode SPT yaitu sebesar 510
jam; nilai total flow time dari metode SLACK yaitu sebesar 535 jam; nilai
total flow time dari metode EDD yaitu sebesar 510 jam. Sehingga
berdasarkan perbandingan nilai total flow time maka nilai total flow time
104
dengan metode SLACK berada diantara kedua metode lainnya (SPT =
EDD < FCFS = SLACK < LPT).
4. Metode EDD didapat nilai total flow time sebesar 510 jam yang mana
FCFS, SLACK, dan LPT yaitu sebesar 535 jam dan 588 jam; nilai total
flow time dari metode SPT yaitu sebesar 510 jam; nilai total flow time dari
metode SLACK yaitu sebesar 535 jam; nilai total flow time dari metode
LPT yaitu sebesar 588 jam. Sehingga berdasarkan perbandingan nilai total
flow time maka nilai total flow time dengan metode EDD memiliki nilai
paling kecil dibanding metode lainnya (SPT = EDD < FCFS = SLACK <
LPT).
5. Metode LPT didapat nilai total flow time sebesar 510 jam yang mana
FCFS, SLACK, dan LPT yaitu sebesar 535 jam dan 588 jam; nilai total
flow time dari metode SPT yaitu sebesar 510 jam; nilai total flow time dari
metode SLACK yaitu sebesar 535 jam; nilai total flow time dari metode
LPT yaitu sebesar 588 jam. Sehingga berdasarkan perbandingan nilai total
flow time maka nilai total flow time dengan metode LPT memiliki nilai
total flow time paling besar dibanding metode lainnya (SPT = EDD <
FCFS = SLACK < LPT).

dalam menjadwalkan proses produksi adalah dengan metode SPT dan
EDD dengan nilai total flowtime sebesar 510 jam. Dimana pada metode
SPT didapatkan nilai Flow Time total dari produk Almari adalah sebesar
25 jam, sedangkan Flow Time Kumulatif dari produk Meja Rias sebesar
61 jam, Flow Time Kumulatif untuk produk Kursi adalah 100 jam, Flow
Time Kumulatif untuk produk Dipan adalah 141 jam, dan terakhir untuk
Flow Time Kumulatif pada produk Bifet adalah 183 jam. Dan dari metode
EDD didapatkan nilai Flow Time total dari produk Almari adalah sebesar
25 jam, sedangkan Flow Time Kumulatif dari produk Meja Rias sebesar
105
61 jam, Flow Time Kumulatif untuk produk Kursi adalah 100 jam, Flow
Time Kumulatif untuk produk Dipan adalah 141 jam, dan terakhir untuk
Flow Time Kumulatif pada produk Bifet adalah 183 jam.
106
a. FCFS
b. SLACK
107
c. EDD
108
d. LPT
109
BAB VI
PENUTUP
6.1. Kesimpulan
Metode yang terbaik untuk peramalan meja rias adalah regresi linear.
Kursi adalah exponetial smooting, almari adalah regresi linear, dipan adalah
exponetial smooting, dan bifet adalah regrei linear. Agregat planning untuk
meja rias menghasilkan prakiraab biaya sebesar Rp. 74400000, kursi sebesar
Rp. 40800000, almari sebesar Rp. 57.200.000. dipan sebesar Rp. 3520000 dan
bifet sebesar Rp. 3000000. Line balancing meja rias terbaik pada metode III,
kursi pada metode I, almari I, dipan pada metode III, dan bipfet pada metode
II atau III .
6.2. Saran
Adapun saran untuk praktikum perencanaan dan pengendalian produksi
yaitu:
1. Alangkah lebih baiknya memberikan surat pengantar untuk mengambil
data di perusahaan.
2. Sebaiknya asisten paling mengerti garis besar dari metode keseluruhan
modul yang ada agar ketika praktikan bertanya kepada asisten siapapun
dapat terjawab.
110
DAFTAR PUSTAKA
Sutalaksana, Iftikar Z. 2006. Teknik perancangan sistem kerja. Penerbit bandung:
ITB
Nurmianto, Eko. 2008. Ergonomi, Konsep Dasar dan Aplikasinya. Surabaya:
Guna Widya.
Wignjosoebroto, Sritomo. 2008. Ergonomi, Studi Gerak dan Waktu. Surabaya:
Guna Widya
Baroto, Teguh. 2002. Perancanaan dan Pengendalian Produksi. Jakarta : Ghalia
Indonesia.
Hakim Nasution, Arman. Prasetyawan, Yudha. 2008. Perancanaan dan
Pengendalian Produksi. Yogyakarta : Graha Ilmu.
Kusuma, Hendra. 2009. Manajemen Produksi. Penerbi Andi : Yogyakarta.
Nasution, Arman Hakim.dkk. 2008. Perencanaan dan Pengendalian Produksi.
Graha Ilmu : Yogyakarta.
Prasetya, Yudha. Perencanaa dan & Pengendalian Produksi. 2008:
Yogyakarta
Tim Asisten Praktikum P3I. 2017. Modul Praktikum Perencanaan dan
Pengendalian Produksi. Yogyakarta.
Wirabuana, Arya.dkk. 2006. Sistem Produksi. Pokja Akademik UIN Sunan
Kalijaga : Yogyakarta.
111
LAMPIRAN
112
113
114
115

Bismilah Tugas Besar Prak P3i - Print

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bismilah Tugas Besar Prak P3i - Print

Diunggah oleh

Hak Cipta:

Format Tersedia

ABSTRAK

Perusahaan milik Bapak Suwidodadi adalah perusahaan yang bergerak dalam

Kata kunci : agregat planning, forecasting, inventory, MRP, produksi

Yogyakarta, 03 Desember 2017

1.2. Rumusan Masalah

1.4. Manfaat Praktikum

2. Mean Absolut Deviation (MAD)

4. Tracking Signal (TS)

Tracking signal yang positif menunjukkan bahwa nilai aktual

2.2 Agregat Planning

2.3 MRP & Inventory

2.3.2 Tujuan MRP & Inventory

2.3.3 Syarat pendahuluan

2.4. Line Balacing

2.4.2 Tujuan Line Balacing

2.4.4 Metode Kilbridge dan Wester

2.4.6 Metode Moodie Young

2. Job Shop Scheduling

 Meningkatkatkan penggunaan sumber daya atau mengurangi waktu

2.5.3 Notasi dalam Penjadwalan

𝑪𝒋= 𝑭𝒋−𝒓𝒋 (2. 1)

Setelah itu dapat dicari nilai Maximum Completion Time dengan

2.5.4 Aturan Prioritas (Dispatching Rules)

𝑭𝒋= 𝑪𝒋−𝒓𝒋 (2. 3)

Cj = Completion Time job j

𝑴𝒆𝒂𝒏 𝑭=𝟏𝒏 Σ𝑭𝒋𝒏𝒋=𝟏 (2. 4)

3.1. Profil Perusahaan

3.2. Waktu dan Tempat Pelaksanaan

3.3. Data yang Digunakan

3.4. Metode Pengumpulan Data

Studi literatur penunjang yang dapat mendukung dalam pengumpulan

B. Data Harga Produk

C. Waktu produksi tiap produk

Sub assembly 2 Bantalan Kursi

Sub assembly 1 Sandaran Kursi Kain Busa Lem

Rangka Kaki Kayu Skrup Paku

Kayu Skrup Paku Kayu Skrup Paku

SUB ASSEMBLY KAKI BELAKANG GELAGAR BADAN LEVEL 1

KAKI DEPAN ATASAN LEVEL 2

Meja Rias (1) Level 0

Assembly 1 Assembly 2 Kaca (1) Level 1

PAPAN PINTU PAPAN BAGIAN PAPAN PAPAN BAGIAN LACI

PAPAN SEKAT PAPAN BAGIAN PAPAN SAMPING

PAPAN KACA ENGSEL PAPAN PENGUNCI

pemotongan Kaki belakag

atasan Sub assembly

Time Series Plot of ACTUAL

Pada metode linear regression akan diinput data selama

Pada metode linear regression akan diinput data selama setahun,

3. Weight Moving Average

Dalam penyelesaian menggunakan metode ini, dilakukan input

Setelah dilakukan input data seperti gambar diatas, maka

Dari hasil output, kemudian digambarkan melalui grafik antara

2. Metode Weighted Moving Averages

Dalam penyelesaian menggunakan metode ini, dilakukan input

Dari hasil output, kemudian digambarkan melalui grafik antara

3. Metode Moving Averages

Dalam penyelesaian menggunakan metode ini, dilakukan input

4. Metode Exponential Smoothing

Dalam penyelesaian menggunakan metode ini, dilakukan input

Data di atas adalah bentuk solving untuk mencari metode

4. Weight Moving Average