Modul 2 Anita

LABORATORIUM SISTEM MANUFAKTUR
DEPARTEMEN TEKNIK INDUSTRI

UNIVERSITAS HASANUDDIN
SAMPUL
SAMPUL
MODUL PRAKTIKUM
FORECASTING & AGREGATE PLANNING
NURUL MUTMAINNAH
D071 17 1003

PRGORAM STUDI TEKNIK INDUSTRI
GOWA
2020

ANITA SARI / D071171012 i
DAFTAR ISI
SAMPUL ................................................................................................................. i
DAFTAR ISI ........................................................................................................... ii
DAFTAR TABEL ................................................................................................... v
DAFTAR GAMBAR ............................................................................................. vi
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang ........................................................................................ 1
1.2 Tujuan Praktikum .................................................................................... 2
1.3 Langkah Praktikum ................................................................................. 2
BAB II TINJAUAN PUSTAKA............................................................................ 3
2.1 Perencanaan Produksi ............................................................................. 3
2.2 Konsep Peramalan Produksi ................................................................... 3
2.3 Pola-pola Permintaan .............................................................................. 5
2.4 Metode Peramalan ................................................................................... 7
2.5 Klasifikasi Teknik Peramalan ............................................................... 11
2.6 Kriteria Performansi Peramalan ............................................................ 13
2.6.1 Mean Square Error (MSE) .............................................................. 13
2.6.2 Mean Absolute Deviation (MAD).................................................... 13
2.6.3 Mean Absolute Percentage Error (MAPE) ..................................... 14
2.6.4 Mean Forecast Error (MFE) ........................................................... 14
2.7 Definisi Agregat .................................................................................... 15
2.8 Tujuan dan Sifat Perencanaan Agregat ................................................. 15
2.9 Metode Penyusunan Perencanaan Agregat ........................................... 17
2.10 Strategi Perencanaan Agregat ............................................................... 18
2.11 Fase – Fase Perencanaan Agregat ......................................................... 19
2.12 Faktor Yang Mempengaruhi Permintaan .............................................. 21
2.13 Disagregasi ............................................................................................ 23
2.13.1 Pengertian ........................................................................................ 23
2.13.2 Metode Dalam Disagregasi .............................................................. 26
2.14 Ongkos dalam Perencanaan Agregat .................................................... 28

ANITA SARI / D071171012 ii
2.15 Final Assembly Schedule (FAS) dan Software POM QM .................... 29

2.15.1 Final Assembly Schedule (FAS) ........................................................ 29
2.15.2 Softwere POM-QM ............................................................................ 30
BAB III PENGOLAHAN DATA ........................................................................ 32
3.1 Forecasting (Permintaan)...................................................................... 32
3.1.1 Single Moving Average .................................................................... 33
3.1.2 Weighted Moving Average ............................................................... 36
3.1.3 Single Exponential Smoothing ......................................................... 39
3.1.4 Naive ................................................................................................ 42
3.1.5 Pemilihan Metode Peramalan Terbaik ............................................. 44
3.2 Aggregate Planning (Perencanaan Agregat) ......................................... 45
3.2.1 Data Perencanaan Agregat ............................................................... 45
3.2.2 Perencanaan Agregat ....................................................................... 45
3.3 Jadwal Induk Produksi .......................................................................... 48
BAB IV ANALISA DAN PEMBAHASAN ....................................................... 50
4.1 Peramalan .............................................................................................. 50
4.1.1 Single Moving Average (SMA) tiga bulan ....................................... 50
4.1.2 Single Moving Average (SMA) 5 bulan ........................................... 51
4.1.3 Weighted Moving Average tiga bulan .............................................. 51
4.1.4 Weighted Moving Average lima bulan ............................................. 51
4.1.5 Single Exponential Smoothing koefisien 0.5 ................................... 51
4.1.6 Single Exponential Smoothing koefisien 0.9 ................................... 51
4.1.7 Naive ................................................................................................ 51
4.2 Perencanaan Agregat ............................................................................. 52
4.2.2 Level Strategy .................................................................................... 52
4.2.3 Subcontract ........................................................................................ 52
4.2.3 Chase Strategy ................................................................................... 52
4.3 Jadwal Induk Produksi ............................................................................. 53
BAB V PENUTUP................................................................................................ 54
5.1 Kesimpulan ........................................................................................... 54
5.2 Saran ...................................................................................................... 55

ANITA SARI / D071171012 iii
5.2.1 Saran untuk Laboratorium ............................................................... 55

5.2.2 Saran untuk Asisten ......................................................................... 55
DAFTAR PUSTAKA ........................................................................................... 56

ANITA SARI / D071171012 iv
DAFTAR TABEL
Tabel 3.1 Data Historis Permintaan Gula ............................................................. 32
Tabel 3.2 Hasil Peramalan Metode Single Moving Average................................. 34
Tabel 3.3 Hasil Peramalan Metode Weighted Moving .......................................... 37
Tabel 3.4 Hasil Peramalan Metode Single Exponential Smoothing...................... 40
Tabel 3.5 Hasil Peramalan Metode Naive ............................................................. 43
Tabel 3.6 Pemilihan Metode Peramalan Terbaik .................................................. 44
Tabel 3. 7 Jumlah Hari Kerja Tahun 2020 ............................................................ 45
Tabel 3.8 Perencanaan Agregat dengan Metode Level strategy ........................... 46
Tabel 3.9 Perencanaan Agregat dengan Metode Subcontract .............................. 47
Tabel 3.10 Perencanaan Agregat dengan Metode Chase Strategy ....................... 48
Tabel 3.11 Data Perbandingan Biaya Total Produksi untuk Strategi Agregat ...... 48
Tabel 3.12 Jadwal Induk Produksi Gula ............................................................... 49

ANITA SARI / D071171012 v
DAFTAR GAMBAR
Gambar 2. 1 Pola Data Horizontal .......................................................................... 5
Gambar 2. 2 Pola Musiman ..................................................................................... 6
Gambar 2. 3 Pola Siklis........................................................................................... 6
Gambar 2. 4 Pola Trend .......................................................................................... 7
Gambar 2. 5 Fase-Fase Perencanaan Agregat ....................................................... 19
Gambar 2. 6 Beberapa Faktor yang Mempengaruhi Permintaan .......................... 23
Gambar 2. 7 Hierarki Tipe Produk ........................................................................ 26
Gambar 2. 8 MPS environment yang berbeda ..................................................... 30
Gambar 3. 1 Grafik Data Historis Permintaan Gula ............................................. 33

ANITA SARI / D071171012 vi
BAB I
PENDAHULUAN
1.1 Latar Belakang
Perencanaan produksi dapat didefinisikan sebagai proses untuk
memproduksi barang-barang pada suatu periode tertentu sesuai dengan yang
diramalkan atau dijadwalkan melalui pengorganisasian sumber daya seperti
tenaga kerja, bahan baku, mesin dan peralatan lainnya. Perencanaan produksi
menuntut penaksir atas permintaan produk atau jasa yang diharapkan akan
disediakan perusahaan di masa yang akan datang. Dengan demikian,
peramalan merupakan bagian integral dari perencanaan produksi.
Peramalan merupakan kegiatan untuk memperkirakan sesuatu yang

belum terjadi. Peramalan menjadi kegiatan yang sangat penting dilakukan
oleh perusahaan agar mampu memenuhi kebutuhan dan permintaan
pelanggan terhadap produk pada masa yang akan datang.
Pabrik Gula Jaya merupakan Pabrik Gula yang telah melakukan usaha
produksi tahu sejak tahun 2000 yang berarti telah 20 tahun lamanya. Selama
20 tahun itu, pabrik Gula Jaya sama sekali tidak pernah melakukan peramalan
dan perancangan agregat, sehingga terkadang mereka tidak dapat memenuhi
kebutuhan konsumen atau bahkan seringkali terjadi penumpukan barang di
gudang nya. Diharapkan setelah melakukan percobaan ini Pabrik Gula Jaya
dapat meramalkan permintaan pasar sebelum melakukan produksi dan juga
melakukan perancangan agregat demi menghindari kerugian di masa yang
akan datang.
Dalam percobaan ini metode-metode peramalan yang akan digunakan

adalah metode Single Moving Average, Weighted Moving Average, Single
Exponential Smoothing dan metode Naïve. Sementara untuk perencanaan
Agregat dengan menggunakan metode Level Strategy, Subcontract dan
Chase Strategy. Kemudian setelah itu dilakukan pembuatan Jadwal Induk
Produksi dari data yang telah didapatkan. Pengambilan data yang akan

ANITA SARI / D071171012 1
digunakan dalam pengolahan data diambil pada perusahaan (Pabrik Gula

Jaya).
1.2 Tujuan Praktikum
Tujuan praktikum dari modul Forecasting dan Perencanaan Agregat ini
adalah:
a. Praktikan mengetahui konsep peramalan
b. Praktikan memahami penggunaan metode peramalan berdasarkan pola
data untuk mengetahui solusi yang terbaik
c. Praktikan mengetahui definisi, tujuan, dan sifat perencanaan agregat.
d. Praktikan mengetahui strategi perencanaan agregat beserta keuntungan
dan kerugiannya masing-masing.
e. Praktikan mampu membuat jadwal induk produksi
1.3 Langkah Praktikum
Peramalan Permintaan
a. Membuat scatter diagram dari data historis permintaan
b. Menentukan metode peramalan yang sesuai dengan pola data
c. Melakukan perhitungan peramalan
d. Memilih metode peramalan yang terbaik
Perencanaan Agregat
a. Mengumpulkan data mengenai variabel kapasitas yang terkait dalam
perencanaan agregat
b. Melakukan perhitungan kapasitas
c. Melakukan perhitungan agregat dengan metode Level Strategy, Chase
Strategy, dan Subcontract Strategy.
d. Menyusun jadwal induk produksi (JIP)

BAB II
TINJAUAN PUSTAKA
2.1 Perencanaan Produksi
Perencaaan produksi adalah pernyataan rencana produksi ke
dalam bentuk agregat. Perencanaan produksi ini merupakan alat
komunikasi antara manajemen teras (top management) dan manufaktur.
Di samping itu juga, perencanaan produksi merupakan pegangan untuk
merancang jadwal induk produksi. Beberapa fungsi lain perencanan
produksi adalah :
a. Menjamin rencana penjualan dan rencana produksi konsisten terhadap
rencana strategis perusahaan
b. Sebagai alat ukur performansi proses perencanaan produksi
c. Menjamin kemampuan produksi konsisten terhadap rencana produksi
d. Memonitor hasil produksi aktual terhadap rencana produksi dan
membuat penyesuaian.
e. Mengatur persediaan produk jadi untuk mencapai target produksi dan
rencana startegis
f. Mengarahkan penyusunan dan pelaksanaan Jadwal induk Produksi.
Perencanaan produksi mempunyai waktu perencanaan yang
cukup panjang, biasanya 5 tahun. Rencana ini digunakan untuk
perencanaan sumber daya seperti ekspansi, pembelian mesin. Proses
peramalan telah memberikan informasi mengenai besarnya permintaan
akan produk yang direncanakan. Langkah selanjutnya adalah membuat
rencana produksinya itu sendiri. Dalam hal ini tidak semua permintaan dari
hasil peramalan mungkin bisa diproduksi karena kapasitas produksi yang
dimiliki tidak mencukupi. Pada dasarnya perencanaan produksi adalah
upaya menjabarkan hasil peramalan menjadi rencana produksi yang layak
dilakukan dalam bentuk jadwal rencana produksi (Wijana, 2012).
2.2 Konsep Peramalan Produksi
Peramalan adalah proses untuk merencanakan perkiraan kebutuhan
dimasa yang akan datang dengan melakukan pengujian pada keadaan di masa

lalu yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan
lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun
jasa (Nasution, 2008).
Menurut Kusuma (2001), peramalan adalah suatu perencanaan dalam
proses perkiraan tingkat permintaan satu atau lebih suatu produk selama
beberapa periode yang akan datang. Peramalan pada dasarnya merupakan
suatu taksiran atau ramalan pada suatu produk, namun dengan menggunakan
teknik-teknik tertentu maka peramalan itu sendiri akan menjadi bukan hanya
sekedar taksiran akan tetapi dapat dikatakan dengan taksiran ilimiah.
Dalam kehidupan sosial sekarang ini segala sesuatu itu serba tidak
pasti dan tidak mudah untuk diperkirakan secara tepat. Dalam hal ini perlu
diadakannya forecasting yang bertujuan untuk mendapatkan peramalan yang
dapat meminimumkan kesalahan meramal yang biasanya diukur dengan
perhitungan MSE (mean square error), MAE (mean absolute error), dan
sebagainya (Wardhani, 2010).
Peramalan sangat penting dibutuhkan oleh setiap perusahaan apabila
dalam kondisi permintaan pasar yang bersifat komplek dan dinamis
sedangkan untuk kondisi permintaan pasar yang bersifat stabil peramalan
tidak terlalu dibutuhkan oleh setiap perusahaan karena perubahan
permintaannya relatif kecil (Kurniasari,2018).
Dalam kondisi pasar bebas saat ini, biasanya permintaan pasar akan
suatu produk lebih banyak bersifat komplek dan dinamis dikarenakan
permintaan produk tersebut akan tergantung dari keadaan sosial, ekonomi,
politik, aspek teknologi, produk pesaing dan produk subsitusi. Oleh sebab itu,
peramalan produksi yang dapat dikatakan akurat merupakan informasi yang
sangat dibutuhkan dalam pengambilan keputusan manajemen pada
perusahaan tersebut (Kurniasari, 2018).
Menurut Nasution (2008), proses peramalan biasanya terdiri dari
langkah-langkah untuk mengetahui apa saja kebutuhan perusahaan dengan
menentukan :

a. Variabel-variabel yang akan diestimasi

b. Siapa yang akan menggunakan hasil peramalan tersebut
c. Untuk tujuan apa hasil peramalan yang akan digunakan
d. Estimasi jangka waktu yang diinginkan
e. Derajat ketepatan estimasi yang diinginkan
f. Kapan estimasi dibutuhkan oleh perusahaan
g. Bagian-bagian peramalan yang akan digunakan, misalnya peramalan untuk
kelompok pembeli, kelompok produk atau daerah geografis.
2.3 Pola-pola Permintaan
Terdapat beberapa pola permintaan menurut Makridakis &
Wheelwright dalam Cahyani (2018), yaitu sebagai berikut:
a. Pola Data Horizontal (H)
Pola data horizontal terjadi ketika data observasi berkfluktuasi disekitar
mean atau tingkatan yang konstan. Jenis pola horizontal ini sering disebut
pola stasioner terhadap mean. Tahap identifikasi pola dasar dari data bisa
menentukan pilihan model yang tepat untuk melakukan peramalan.
Identifikasi pola dilakukan dengan metode time series, biasanya dilakukan
dengan bantuan software.
Gambar 2. 1 Pola Data Horizontal

(Sumber: Cahyani, 2018)

b. Pola Data Musiman (S)

Pola musiman terjadi apabila observasi data dipengaruhi oleh faktor
musiman. Komponen musiman mengacu pada suatu pola perubahan yang
berulang dengan sendirinya dari tahun ke tahun.
Gambar 2. 2 Pola Musiman

c. Pola Data Siklis (C)
Pola data siklis terjadi ketika observasi data memperlihatkan kenaikan dan
penurunan pada periode yang tidak tetap. Komponen siklik mirip fluktuasi
gelombang di sekitar trend yang sering dipengaruhi oleh kondisi ekonomi.
Gambar 2. 3 Pola Siklis


d. Pola Data Trend (T)

Pola data trend muncul ketika pola data naik atau turun pada periode yang
panjang.
Gambar 2. 4 Pola Trend

2.4 Metode Peramalan
Peramalan yang baik adalah peramalan yang dilakukan dengan
mengikuti langkah-langkah atau prosedur penyusunan yang baik yang akan
menentukan kualitas atau mutu dari hasil peramalan yang disusun. Pada
dasarnya ada 3 langkah peramalan yang penting, yaitu (Assauri, 1984):
a. Menganalisa data yang lalu, tahap ini berguna untuk pola yang terjadi pada
masa lalu
b. Menentukan data yang dipergunakan. Metode yang baik adalah metode
yang memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan
yang terjadi
c. Memproyeksikan data yang lalu dengan menggunakan metode yang
dipergunakan, dan mempertimbangkan adanya beberapa faktor perubahan
(perubahan kebijakan-kebijakan yang mungkin terjadi, termasuk
perubahan kebijakan pemerintah, perkembangan potensi masyarakat
perkembangan teknologi dan penemuan-penemuan baru)
Menurut Tohir (2011), salah satu instrumen yang digunakan untuk
mengeksplorasi pola data adalah koefisien autokarelasi (rk), yaitu korelasi
antara nilai peubah yt dengan nilai beda kalanya (lag) yaitu yt-1.
Kumpulan rk untuk berbagai tingkatan beda kala disebut Autocorrelation
Function (ACF). ACF dapat digunakan untuk mengidentifikasi apakah
pola data itu trend, stasioner, variasi musiman, atau siklus.

a. Time Series atau Deret Waktu

Di dalam analisa deret waktu terdapat keterkaitan antara variabel yang
dicari (dependent) dengan variabel yang mempengaruhinya
(independent variable) yang dihubungkan dengan waktu seperti
mingguan, bulan, atau bahkan tahun. Di dalam analisa deret waktu,
variabel yang dicari adalah waktu. Berikut metode peramalan di
dalam analisa deret waktu:
1) Metode naive (naif)
Teknik peramalan yang mengasumsikan permintaan periode
berikutnya sama dengan permintaan pada periode terakhir.
Metode naif digambarkan secara matematis berikut :
Permintaan periode mendatang = permintaan periode
terakhir.......................................................................................(1)
2) Moving Average
Peramalan moving average (rataan bergerak) menggunakan
sejumlah data aktual masa lalu untuk menghasilkan peramalan
rataan bergerak.
1
𝐹𝑡+1 = 𝑁 ∑𝑡𝑖=𝑡−𝑁+1 𝑋𝑖…………………………......………….(2)
Keterangan :
t = nilai yang paling akhir
𝑡 + 1 = periode berikutnya, untuk periode mana suatu ramalan
dibuat
𝐹𝑡+1 = ramalan untuk priode berikut, t+1
Xi = nilai observasi/sebenarnya dari variabel itu pada periode
t, t-1,t-2,...
N = jumlah observasi yang digunakan dalam menghitung
rata-rata bergerak
Dimana n adalah jumlah periode dalam rataan bergerak.
Saat terdapat tren atau pola yang terdeteksi, bobot dapat
digunakan untuk menempatkan penekanan yang lebih pada nilai

terkini. Moving average dengan pembobotan disebut juga

Weighted Moving Average. Weighted Moving Average dapat
digambarkan secara matematik sebagai berikut:
∑(𝑏𝑜𝑏𝑜𝑡 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)
𝐹𝑡 = ∑𝑏𝑜𝑏𝑜𝑡 ..............(3)
3) Single Exponential Smoothing (penghalusan eksponensial)
Merupakan metode peramalan rataan bergerak dengan
pembobotan di mana titik- titik data dibobotkan oleh fungsi
eksponensial. Single Exponential Smoothing dapat digambarkan
secara matematis berikut:
Ft = α At + (1 - α) At-1...................................................................(4)
Dimana:
Ft : peramalan baru
Ft-1 : peramalan sebelumnya
α : konstanta penghalusan (0 ≤ α ≤ 1)
At-1 : permintaan aktual periode lalu
b. Proyeksi terhadap tren (trend projection) adalah teknik menyesuaikan
garis tren pada serangkaian data masa lalu, kemudian
memproyeksikan garis pada masa datang untuk peramalan jangka
menengah atau jangka panjang. Persamaan secara matematis ditulis
berikut:
y = a + bx ..........................................................................................(5)
Dimana :
Y : nilai terhitung dari variabel yang akan diprediksi (variabel terikat)
a : persilangan sumbu y
b : kemiringan garis regresi (tingkat perubahan pada y untuk
perubahan yang terjadi di x)
x : variabel bebas
c. Causal Methods atau Sebab Akibat
Merupakan metode yang didasarkan pada keterkaitan antara variabel
yang diperkirakan dengan variabel lain yang mempengaruhinya tetapi

bukan dalam bentuk variabel waktu. Metode peramalan yang ada pada
causal methods yaitu:
1) Metode Regresi dan Korelasi
2) Model Input Output
3) Model Ekonometri
Selain metode yang telah disebutkan sebelumnya, terdapat pula
metode kualitatif. Metode kualitatif sangat mendekati tingkat akurasi data
actual dibandingkan dengan metode lainnya. Pada dasarnya metode ini
memiliki sifat yang subjektif sebab sangat dipengaruhi oleh intuisi, emosi,
pendidikan serta pengalaman seseorang sehingga hasil peramalan
kualitatif dari tiap orang akan berbeda – beda. Teknik atau metode dalam
peramalan kualitatif adalah sebagai berikut (Anitasari, 2017):
a. Juri dari Opini Eksekutif
Di dalam metode ini, diambil berdasarkan opini atau pendapat dari
sekelompok kecil top manajer baik itu manajer pemasaran, manajer
produksi, manajer teknik, manajer keuangan dan manajer logistic
yang seringkali di gabungkan dengan model statistik.
b. Gabungan Tenaga Penjualan
Untuk setiap tenaga penjualan meramalkan tingkat penjualan di
daerahnya masing – masing yang pada akhirnya akan digabungkan
pada tingkat provinsi serta nasional guna mencapai ramalan secara
keseluruhan.
c. Metode Delphi
Metode ini melakukan penyebaran serangkaian kuisioner yang akan
disebarkan kepada tiap responden yang kemudian jawabannya akan
disederhanakan sebelum diberikan kepada para ahli untuk dibuatkan
peramalannya. Metode ini tentunya akan memakan banyak waktu
sebab melibatkan banyak pihak seperti bagian yang membuatkan
kuisioner, mengirimkan kuisioner serta merangkum hasil sebelum di
serahkan kepada para ahli untuk dianalisa. Namun metode ini

ANITA SARI / D071171012 10
memiliki keuntungan yaitu lebih akurat serta lebih professional

sehingga berpeluang besar akan mendekati aktualnya.
d. Survei Pasar (Market Survey)
Metode ini mendapatkan masukan dari konsumen yang berpengaruh
terhadap rencana pembelian saat periode yang sedang diamati. Survei
dapat dilakukan dengan menggunakan kuisioner, telepon atau dengan
melakukan wawancara langsung.
2.5 Klasifikasi Teknik Peramalan
Menurut Iswahyudi (2016), setiap metode yang digunakan akan
menghasilkan nilai yang berbeda, oleh karena itu dalam pemilihan metode
perlu memperhatikan pola data yang diperoleh sehingga hasil ramalan
menjadi lebih akurat. Peramalan juga dapat dikatakan sebagai kegiatan yang
bertujuan untuk meramalkan berbagai hal terkait produksi, permintaan, dan
penawaran. Berikut adalah jenis-jenis peramalan berdasarkan beberapa
kategori :
a. Peramalan Berdasarkan Waktu
Berdasarkan waktu, peramalan dapat dibagi menjadi tiga jenis, yaitu
(Herjanto, 2008:78):
1) Peramalan jangka panjang, mencakup waktu lebih dari 18 Bulan.
Misalnya, peramalan yang diperlukan dalam kaitannya dengan
penanaman modal, perencanaan fasilitas, dan perencanaan untuk
kegiatan litbang (penelitaian dan pengembangan).
2) Peramalan jangka menengah, mencakup waktu antara 3-18 Bulan.
Misalnya, peramalan perencanaan penjualan, perencanaan produksi,
dan perencanaan tenaga kerja tidak tetap.
3) Peramalan jangka pendek mencakup jangka waktu kurang dari 3 Bulan.
Misalnya, peramalan yang berhubungan dengan perencanaan
pembelian material, penjadwalan kerja, dan penugasan karyawan.

ANITA SARI / D071171012 11
b. Peramalan Berdasarkan Fungsi & Perencanaan Operasi Masa Depan

Berdasarkan fungsi dan perencanaan operasi di masa depan, peramalan
atau forecasting dibagi menjadi tiga jenis, yaitu (Heizer dan Render,
2009:47) :
1) Peramalan ekonomi (economic forecast), menjelaskan siklus bisnis
dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang
dibutuhkan untuk membangun perumahan dan indikator perencanaan
lainnya.
2) Peramalan teknologi (technological forecast), memperhatikan tingkat
kemajuan teknologi yang dapat meluncurkan produk baru yang
menarik, yang membutuhkan pabrik dan peralatan yang baru.
3) Peramalan permintaan (demand forecast), proyeksi permintaan untuk
produk atau layanan suatu perusahaan. Peramalan ini juga disebut
Peramalan penjualan yang mengendalikan produksi, kapasitas, serta
sistem penjadwalan dan menjadi input bagi perencanaan keuangan,
pemasaran, serta sumber daya manusia.
c. Peramalan Berdasarkan Jenis Data yang Disusun
Berdasarkan jenis data Peramalan yang disusun, Peramalan dibagi menjadi
dua jenis, yaitu (Saputro dan Asri, 2000:148) :
1) Perakiraan kualitatif, yang didasarkan atas data kualitatif pada masa
lalu. Hasil prediksi yang dibuat sangat tergantung pada orang yang
menyusunnya. Biasanya peramalan ini didasarkan atas hasil
penyelidikan, seperti pendapat salesman, pendapat sales manajer
pendapat para ahli, dan survey konsumen.
2) Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data
penjualan pada masa lalu. Hasil peramalan yang dibuat sangat
tergantung pada metode yang digunakan dalam peramalan tersebut.
Penggunaan metode yang berbeda akan diperoleh hasil yang berbeda
pula.

ANITA SARI / D071171012 12
d. Berdasarkan Sifat Penyusunannya

Berdasarkan sifat penyusunannya, Peramalan dibagi menjadi dua jenis,
yaitu (Ginting, 2007) :
1) Peramalan subjektif, yang didasarkan atas perasaan atau intuisi dari
orang yang menyusunnya.
2) Peramalan objektif, didasarkan atas data yang relevan pada masa lalu,
dengan menggunakan teknik-teknik dan metode-metode dalam
penganalisaan data tersebut.
2.6 Kriteria Performansi Peramalan
Dalam peramalan terdapat banyak metode yang dapat digunakan,
namun tidak semua metode dapat sesuai dengan kasus yang ada. Secara
umum ada tiga jenis perhitungan untuk melihat seberapa besar tingkat
kesalahan dalam peramalan, yaitu (Maricar, 2019):
2.6.1 Mean Square Error (MSE)
Merupakan perhitungan yang digunakan untuk menghitung rata-rata
kesalahan berpangkat, dengan rumus :
𝐴𝑐𝑡𝑢𝑎𝑙−𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡 2
𝑀𝑆𝐸 = ∑ .................................................................(6)
𝑛
Dimana :
n = Jumah periode peramalan yang terlibat
Dari rumus diatas, dapat diartikan bahwa ∑ (Aktual - Forecast)2
merupakan hasil pengurangan antara nilai aktual dan forecast yang
telah dikuadratkan, kemudian dilakukan penjumlahan terhadap hasil-
hasil tersebut. Dan n merupakan jumlah periode yang digunakan untuk
perhitungan.
2.6.2 Mean Absolute Deviation (MAD)
kesalahan mutlak, dengan rumus yaitu :
𝐴𝑘𝑡𝑢𝑎𝑙− 𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡
𝑀𝐴𝐷 = ∑ | |.............................................................(7)
𝑛
Dimana :

ANITA SARI / D071171012 13
Dari rumus tersebut, dapat diartikan bahwa ∑ | Aktual - Forecast |

adalah hasil pengurangan antara nilai aktual dan forecast masing-
masing periode yang kemudian di absolute-kan, dan selanjutnya
dilakukan penjumlahan terhadap hasil-hasil pengurangan tersebut. Dan
n merupakan jumlah periode yang digunakan untuk perhitungan
2.6.3 Mean Absolute Percentage Error (MAPE)
persentase kesalahan mutlak. Secara sistematis MAPE dirumuskan
sebagai berikut:
𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡 100
𝑀𝐴𝑃𝐸 = ∑ (|𝐴𝑘𝑡𝑢𝑎𝑙 − |) .......................................(8)
𝐴𝑘𝑡𝑢𝑎𝑙 𝑛
Dimana :
Dari rumus tersebut, dapat diartikan bahwa ∑ (| Aktual - Forecast /
Aktual |) merupakan hasil pengurangan antara nilai aktual dan forecast
yang telah di absolute-kan, kemudian di bagi dengan nilai aktual per
periode masing-masing, kemudian dilakukan penjumlahan terhadap
hasil-hasil tersebut. Dan n merupakan jumlah periode yang digunakan
untuk perhitungan. Semakin rendah nilai MAPE, kemampuan dari
model peramalan yang digunakan dapat dikatakan baik, dan untuk
MAPE terdapat range nilai yang dapat dijadikan bahan pengukuran
mengenai kemampuan dari suatu model peramalan
2.6.4 Mean Forecast Error (MFE)
MFE adalah kesalahan rata-rata peramalan dengan mengukur rasio
jumlah kesalahan dibagi dengan jumlah periode peramalan data. MFE
sangat efektif untuk mengetahui apakah hasil prakiraan selama periode
tertentu terlalu tinggi atau terlalu rendah. MFE dihitung dengan
menambahkan semua kesalahan peramalan selama periode peramalan
dan membaginya dengan jumlah peramalan periode. MFE secara
sistematis dinyatakan sebagai berikut (Agustian, 2020) :
(𝐴𝑐𝑡𝑢𝑎𝑙− 𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡𝑖𝑛𝑔)
𝑀𝐹𝐸 = ∑ ...........................................................(9)
𝑛

ANITA SARI / D071171012 14
Dimana :
2.7 Definisi Agregat
Agregat adalah butiran mineral yang merupakan hasil disintegrasi alami
batu-batuan atau juga berupa hasil mesin pemecah batu dengan memecah batu
alami. Agregat merupakan salah satu bahan pengisi pada beton, namun
demikian peranan setujugat pada beton sangatlah penting. Kandungan
agregat dalam beton kira-kira mencapai 70% -75% dari volume beton.
Agregat sangat berpengaruh terhadap sifat-sifat beton, sehingga pemilihan
agregat merupakan suatu bagian penting dalam pembuatan beton (Maryoko,
2018).
Perencanaan produksi agregat berangkat dari permasalahan adanya
ketidakseimbangan antara permintaan dan kemampuan produksi pada setiap
periode perencanaan. Hal ini karena secara umum tingkat permintaan suatu
produk selalu tidak sama antar periode satu ke periode lain. Adakalanya
tingkat permintaan di atas kapasitas produksi, dan ada kalanya di bawah
kapasitas produksi. Tujuan perencanaan produksi agregat adalah untuk
mengembangkan suatu rencana oproduksi pada tingkat agregat yang layak
untuk mencapai suatu keseimbangan antara permintaan dan kapasitas
produksi dengan biaya yang minimum (Bedworth dan Bailey, 1987).
Berdasarkan Schroeder (2003), perencanaan agregat berkenaan dengan
tingkat penawaran dan tingkat permintaan atas output selama jangka waktu
menengah yaitu sampai 12 bulan kedepan. Kata agregat mengimplikasikan
bahwa perencanaan dilakukan dengan satu ukuran menyeluruh atas output.
Menurut Heizer dan Render (2010) perencanaan agregat adalah sebuah
pendekatan untuk menentukan kuantitas dan waktu produksi pada jangka
menengah yaitu 3 sampai 8 bulan yang akan datang.
2.8 Tujuan dan Sifat Perencanaan Agregat
Pada dasarnya tujuan dari perencanaan agregat yaitu untuk
mengembangkan suatu rencana produksi secara menyeluruh yang dapat
memenuhi permintaan pasar sesuai kapasitas yang ada dengan biaya yang

ANITA SARI / D071171012 15
minimal. Untuk memproleh biaya dan keuntungan yang optimal sesuai

dengan tujuan perencanaan agregat, maka dalam melakukan perencanaan
agregat perusahaan harus memilih beberapa strategi yang tepat bagi
perusahaan. Strategi-strategi yang dapat digunakan untuk memenuhi
permintaan pelanggan yang berfluktuatif yaitu chase strategy dan level
strategy. Tujuan dari perencanaan agregat antara lain (Mashudi, 2015) :
a. Sebagai tahap awal untuk menentukan aktivitas produksi yaitu
merencanakan aktivitas produksi yang lebih rinci.
b. Menjabarkan secara keseluruhan perencanaan produksi pada semua
tingkatan untuk mencapai keseimbangan antara tingkat supply dan demand
dengan biaya total yang minimum.
c. Menjabarkan secara rinci mengenai kebutuhan sumber daya yang
dibutuhkan untuk keseluruhan proses produksi sehingga dapat menjadi
masukan untuk pengembangan perencanaan produksi.
d. Memberikan respon yang cepat terhadap fluktuasi permintaan yang tajam
dengan perubahan alokasi sumber daya.
Perencanaan agregat menurut istilah berarti mengombinasikan sumber
daya yang sesuai ke dalam jangka waktu keseluruhan. Dengan prediksi
permintaan, kapasitas fasilitas, tingkat persediaan, ukuran tenaga kerja, dan
input yang saling berhubungan, perencana harus memilih tingkat output
untuk sebuah fasilitas selama 3 hingga 18 bulan yang akan datang. Dalam
perencanaan agregat, rencana produksi tidak menguraikan per produk tetapi
menyangkut berapa banyak produk yang akan dihasilkan tanpa
mempermasalahkan jenis dari produk tersebut. Sifat (karakteristik) dari
perencanaan agregat antara lain (Nisa dan Kusuma, 2017):
a. Dapat dinyatakan dalam kelompok produk atau famili (aggregate).
b. Satuan unit yang tergantung jenis produk (ton, liter, kubik, jam mesin atau
jam orang).
c. Satuan unit bisa dikonversikan ke bentuk satuan rupiah.
d. Setelah satuan unit ditetapkan maka salah satu faktor konversi juga harus
ditetapkan.

ANITA SARI / D071171012 16
e. Horizon perencanaan yang cukup panjang (5 tahun).

2.9 Metode Penyusunan Perencanaan Agregat
Dalam lingkungan perindustrian, perencanaan agregat yang baik
merupakan dasar untuk mencapai keberhasilan. Bagian dari pengendalian
industri ini harus menjadwalkan produksi untuk memenuhi permintaan
produk. Maka dari itu diperlukan adanya metode yang cocok sesuai dengan
kondisi perusahaan. Metode – metode yang tepat antara lain yaitu :
a. Model Transportasi
Pada metode transportasi ini sering terdapat kasus yang timbul ketika kita
mencoba menetukan cara pengiriman, suatu jenis barang dari beberapa
lokasi ke lokasi lainnya yang dapat meminimumkan biaya pengiriman
tersebut. Biasanya jumlah barang yang dapat dikirim dari setiap lokasi
penawaran tidak terbatas, namun jumlah permintaan yang rute
pengirimannya berbeda akan menghasilkan biaya kirim yang berbeda pula,
maka tujuan dari pemecahan kasus transportasi ini biasanya dengan
menetukan berapa banyak jumlah barang yang harus dikirim dari setiap
lokasi distributor ke lokasi tujuan sehingga permintaan dapat terpenuhi dan
total biaya kirim dapat diminimumkan. Dalam perencanaan produksi
agregat dapat menggunakan metode transportasi yang merupakan bagian
dari perencanaan produksi program linear dengan jumlah tenaga kerja
(work-face) tetap. Metode transportasi ini mengijinkan penggunaan
produksi dengan reguler, overtime, inventory, backorder, dan subkontrak.
Hasil dari perencanaan tersebut yang diperoleh dapat dijamin
keoptimalannya dengan asumsi optimistik bahwa tingkat produksi yang
sangat dipengaruhi oleh hiring dan training yang dapat berubah dengan
cepat (Kurniasari, 2018).
b. Metode Heuristik
Metode ini merupakan metode perencanaan yang paling riil
probabilitasnya untuk direalisasikan dan diaplikasikan kedalam
permasalahan nyata, Perencanaan metode trial and error, dengan melihat
gambaran antara permintaan kumulatif dan rata – rata permintaan

ANITA SARI / D071171012 17
kumulatifnya. Secara garis besar langkah perencanaan yang dilakukan

adalah sebagai berikut (Rosta dan Tannady, 2017):
1) Gambarkan histogram permintaan dan tentukann kecepatan produksi
(Pt) rata – rata yang diperlukan untuk memenuhi permintaan.
2) Gambarkan grafik permintaan kumulatif terhadap waktu serta grafik
permintaan rata – rata kumulatif terhadap waktu. Identifikasikan
periode – periode terjadinya kekurangan barang (backorder) dan
periode – periode adanya kelebihan barang (inventory).
3) Tentukan strategi yang akan digunakan untuk mengatasi kekurangan
dan kelebihan barang tersebut.
4) Hitung biaya yang ditimbulkan oleh setiap strategi dan pilih yang
memberikan biaya terkecil.
2.10 Strategi Perencanaan Agregat
Terdapat empat strategi dasar dalam proses melakukan perencanaan
agregat. Adapun beberapa strategi tersebut antara lain (Makridakis, 1999):
a. Level strategy (Level Production)
Strategi yang ditempuh dengan cara menjaga tingkat output, produksi
dan tenaga kerja yang konstan. Ciri-ciri level strategy adalah
mempertahankan tingkat produksi yang tetap dan memfluktuasikan
tingkat persediaan, dan order backlogs.
b. Chase strategy (Chase Demand)
Strategi yang digunakan untuk mencapai tingkat output bagi setiap
periode yang memenuhi peramalan permintaan untuk periode tersebut.
Strategi ini digunakan untuk meminimalkan dan menstabilkan level
inventori. Ciri-ciri chase strategy adalah memadankan tingkat produksi
dengan tingkat permintaan, menambah/mengurangi tenaga kerja sesuai
dengan tingkat permintaan dan jumlah tenaga kerja tetap, tetapi jam kerja
tidak tetap.

ANITA SARI / D071171012 18
c. Mixed Strategy
Strategi ini merupakan kombinasi antara level strategy dan chase
strategy. Ciri-ciri mixed strategy adalah menggabungkan tingkat
produksi dengan tingkat permintaan tetap dan menggabungkan dari dua
metode level dan chase tingkat persediaan, dan order backlogs.
d. Subcontract Strategy
Sebuah perusahaan dapat memperoleh kapasitas sementara dengan
melakukan subkontrak selama periode permintaan tinggi. Pengertian dari
subkontrak adalah melakukan realokasi kebutuhan produksi antar
perusahaan agar memperlancar proses produksi.
2.11 Fase – Fase Perencanaan Agregat
Pengembangan perencanaan agregat dapat mengikuti prosedur yang
terdiri dari empat fase. Setelah prosedur tersebut dapat diaplikasikan beberapa
kali dan persoalan-persoalan pokok yang terlibat pada fase 2 (dua) dan fase 3
(tiga) yang telah dipecahkan, maka selanjutnya dapat memproses langsung
dari fase 1 (satu) dan fase 4 (empat). Berikut ini adalah prosedur perencanaan
produksi agregat dari fase 1 (satu) sampai fase 4 (empat) (Nasution, 2008) :
Gambar 2. 5 Fase-Fase Perencanaan Agregat

(Sumber : Nasution dan Prasetyawan, 2008)

ANITA SARI / D071171012 19
a. Fase 1 : Persiapan Peramalan Permintaan Agregat. Dimana peramalan

permintaan agregat ini dapat mencakup beberapa permintaan yang
diperkirakan pada tiap-tiap periode selama horizon waktu perencanaan
dalam satuan unit yang sama untuk semua jenis produk yang dihasilkan.
b. Fase 2 : Mengkhususkan Kebijakan Organisasi Untuk Melancarkan
Penggunaan Kapasitas. Manajemen dapat mencoba mengidentifikasi
kebijaksanaan yang dapat melancarkan suatu perkiraan permintaan agregat
yang telah diramalkan pada fase sebelumnya. Kombinasi kebijaksanaan
ini yang paling diinginkan merupakan strategi terbaik untuk
mengantisipasi permintaan dimasa yang akan datang yang bersifat
musiman dan berfluktuasi secara acak. Adapun beberapa kebijaksanaan
yang dapat diambil adalah sebagai berikut :
1) Memperkenalkan produk baru pada saat permintaan tahunan produk
utama menurun.
2) Memberikan potongan harga kepada konsumen.
3) Meningkatkan kegiatan promosi untuk menarik perhatian dari
konsumen.
4) Menawarkan suatu perjanjian khusus kepada konsumen yang bertujuan
untuk mendapatkan batas waktu pengiriman barang yang fleksibel
sehingga kegiatan produksi tersebut dapat dijadwalkan lebih merata.
c. Fase 3 : Menentukan Alternatif Produksi yang Layak. Pada fase ini terdiri
dari 2 alternatif, yaitu :
1) Dapat merubah tingkat produksi dengan tenaga kerja yang sama, dalam
artian hal ini dapat dilakukan dengan menambah jam kerja karyawan
yang ada pada saat permintaan tinggi dan dapat mengalokasikan
karyawan yang ada kedalam pekerjaan non produksi pada saat
permintaan menurun.
2) Mampu merubah tingkat produksi dengan mengubah jumlah tenaga
kerja, dalam artian hal ini dapat dilakukan dengan merekrut tenaga kerja
baru pada saat permintaan tinggi dan memberhentikan tenaga kerja
pada saat permintaan menurun.

ANITA SARI / D071171012 20
d. Fase 4 : Menentukan Strategi Produksi yang Optimal. Setelah melakukan

alternatif produksi yang layak telah dipilih dan dihitung perkiraan
ongkosnya maka langkah selanjutnya yaitu menetukan strategi produksi
yang optimal, dimana langkah ini melibatkan pengalokasian peramalan
permintaan dengan menggunakan alternatif dalam setiap periode yang
dapat meminimumkan ongkos total untuk keseluruhan horizon
perencanaan. Dalam metode perencanaan agregat untuk mengalokasikan
permintaan selama jangka waktu produksi yang sangat bervariasi
tergantung dengan asumsi-asumsi yang dibuat pada alternatif yang
dianggap layak dan biayanya (linear atau non linear). Secara matematis,
ongkos produksi selama periode –t dapat dirumuskan sebagai berikut
(Nasution, 2008) :
Ct = CR + CO + CI + CB + CH + CF + CS .........................................(10)
Sedangkan ongkos total produksi selama horizon perencanaan (TPC)
adalah:
TPC – C1 + CC2 + ... + C12 = Ct ........................................................(11)
Dimana :
Ct = Ongkos produksi pada periode –t
CR = Ongkos produksi reguler
CO = Ongkos produksi overtime
CI = Ongkos persediaan
CB = Ongkos backorder
CH = Ongkos penambahan tenaga kerja
CF = Ongkos pemberhentian tenaga kerja
CS = Ongkos subkontrak
2.12 Faktor Yang Mempengaruhi Permintaan
Menurut Sukirno (2008), makin tinggi harga suatu barang maka makin
sedikit permintaan terhadap barang tersebut. Hukum permintaan pada
hakikatnya merupakan suatu hipotesis yang menyatakan makin rendah harga
suatu barang maka makin banyak permintaan terhadap barang tersebut.

ANITA SARI / D071171012 21
Permintaan seseorang atau masyarakat terhadap suatu barang atau jasa

dipengaruhi oleh beberapa faktor yaitu:
a. Harga barang itu sendiri
Menurut Djojodipuro (1991), sifat keterkaitan antara permintaan terhadap
suatu barang dan harga tersebut telah dijelaskan dalam hukum permintaan.
Naik turunnya harga barang/jasa akan mempengaruhi banyak/sedikitnya
terhadap barang yang diminta. Kuantitas akan menurun ketika harganya
meningkat dan kuantitas yang diminta meningkat ketika harganya
menurun, dapat dikatakan bahwa kuantitas yang diminta berhubungan
negative (negatively related) dengan harga.
b. Pendapatan
Pendapatan masyarakat mencerminkan daya beli masyarakat.
Tinggi/rendahnya pendapatan masyarakat akan mempengaruhi kualitas
maupun kuantitas permintaan. Jika permintaan terhadap sebuah barang
berkurang ketika pendapatan berkurang, maka barang tersebut dinamakan
barang normal (normal goods). Bila pendapatan seseorang meningkat
maka akan meningkatkan permintaan terhadap suatu barang. Jadi,
hubungan antara pendapatan dengan jumlah barang yang diminta adalah
positif.
c. Jumlah Tanggungan
Jumlah tanggungan akan mempengaruhi jumlah permintaan terhadap
suatu barang. Semakin banyak jumlah tanggungan, maka jumlah
permintaan akan semakin meningkat. Hal ini berkaitan dengan usaha
untuk memenuhi kecukupan kebutuhan setiap individu yang ada di suatu
keluarga. Jadi, permintaan berhubungan positif dengan jumlah
tanggungan.
d. Harga komoditi lain (barang substitusi)
Untuk dua barang yang mempunyai hubungan saling menggantikan, jika
harga barang dimaksud mengalami kenaikan maka jumlah yang diminta
akan barang pengganti justru akan meningkat. Pengaruh substitusi
(substitution effect), 5 jika harga suatu barang naik maka orang akan

ANITA SARI / D071171012 22
mencari barang lain yang fungsinya sama, tetapi harganya lebih murah.
Sehingga harga barang subsitusi berpengaruh positif terhadap permintaan
suatu barang. Teori Penawaran (supply) Penawaran diartikan sebagai
kuantitas barang-barang yang ditawarkan di pasar pada berbagai tingkat
harga.
Gambar 2. 6 Beberapa Faktor yang Mempengaruhi Permintaan

(Sumber : Nasution dan Prasetyawan, 2008)
2.13 Disagregasi
2.13.1 Pengertian
Berdasarkan Bedworth dan Bailey (1987), proses disagregasi
merupakan rangkaian proses merubah hasil rencana agregat menjadi
jumlah yang harus diproduksi untuk setiap item atau produk. Proses
disagregasi sebagai proses mengubah hasil rencana agregat menjadi
jumlah yang harus diproduksi untuk setiap item atau produk, hasil
disagregasi ini berupa jadwal induk produksi (MPS). Tujuan dari
adanya disagregasi ialah sebagai langkah untuk membuat jadwal
induk produksi. Perencanaan agregat merencanakan jumlah produk
yang akan diproduksi secara keseluruhan. Dengan kata lain proses
disagregasi adalah proses perencanaan yang dibuat untuk seluruh
produk yang sama dan dirinci kedalam masing – masing produk yang

ANITA SARI / D071171012 23
berbeda.
Dalam sebuah perusahaan manufaktur proses produksi merupakan
bagian yang sangat penting, sehingga tiap perusahaan wajib untuk
bisa memproduksi dengan baik. Untuk melaksanakan fungsi-fungsi
produksi dengan baik tersebut, maka kemudian perlu rangkaian
kegiatan yang akan membentuk sistem produksi tersebut. Input
produksi ini kemudian dapat berupa bahan baku, mesin, tenaga kerja,
modal dan informasi. Sedangkan output produksi merupakan produk
yang dihasilkan berikut dari hasil sampingannya, seperti limbah,
informasi, dan lain sebagainya. Terdapat karakteristik dalam
disagregasi itu sendiri, yaitu (Setiawan, 2011) :
a. Perencanaan produksi agregat dilanjutkan dengan proses
disagregasi.
b. Proses disagregasi mengembalikan rencana produksi dalam bentuk
end item.
c. Hasil dari proses ini adalah sebuah Jadwal Induk Produksi (JIP).
d. JIP dipergunakan sebagai dasar untuk membuat perencanaan yang
lebih rinci (kebutuhan material; kebutuhan kapasitas dan kemudian
jadwal operasi).
Keberhasilan perencanaan dan pengendalian produksi membutuhkan
perencanaan kapasitas yang efektif, agar mampu memenuhi jadwal
produksi yang ditetapkan, dengan kata lain dapat memenuhi
permintaan pasar. Kekurangan kapasitas mengakibatkan kegagalan
memenuhi target produksi, keterlambatan pengiriman pelanggan dan
kehilangan kepercayaan dalam sistem formal yang mengakibatkan
reputasi perusahaan akan menurun atau hilang sama sekali. Pada sisi
lain kelebihan kapasitas akan mengakibatkan tingkat utilitas sumber
daya yang rendah, biaya meningkat, harga produk menjadi tidak
kompetitif, kehilangan pangsa pasar, penurunan keuntungan dan lain-
lain. Dengan demikian, kekurangan kapasitas akan memberikan
dampak negatif bagi sistem manufaktur, sehingga perencanaan

ANITA SARI / D071171012 24
kapasitas yang efektif adalah menyediakan kapasitas sesuai dengan

kebutuhan pada waktu yang tepat (Apriliana, 2015).
Dalam hal ini pula terdapat penyediaan kapasitas yaitu safety stock.
Safety stock ini merupakan persediaan tambahan yang diadakan untuk
melindungi atau menjaga kemungkinan terjadinya kekurangan pada
bahan (stock out). Stock out ada dikarenakan penggunaan bahan baku
yang lebih besar dari perkiraan semula atau adanya keterlambatan
bahan baku yang dipesan. Kehadiran Safety stock nantinya yang akan
mengurangi stockout cost bagi sebuah perusahaan. Namun dibalik itu
pula, ternyata dapat menimbulkan penambahan carrying cost sebesar
perkalian antara presentase carrying cost kepada harga atau nilai
safety stock. Maka daripada itu, penentuan safety stock yang optimum
diperlukan. Penentuan besarnya safety stock dapat ditentukan dengan
metode pendekatan probabilitas stock out, probability stock out
approach serta pendekatan service level (level of service approach).
Biaya Persediaan ialah keseluruhan biaya operasi atas sistem
persediaan yang meliputi biaya pembelian (purchase cost), biaya
pemesanan order cost, biaya simpan (holding cost), dan biaya
kekurangan persediaan (stockout cost). Biaya pembelian merupakan
harga per unit apabila item dibeli dari luar, atau biaya produksi per
unit apabila diproduksi dalam perusahaan. Sedangkan biaya
pengangkutan atau biaya tenaga kerja, bahan baku, overhead pabrik
apabila bahan baku diproduksi dalam perusahaan harus ditambahkan
dalam biaya pembelian.
Sebelum menjelaskan metode-motode dalam disagregasi, perlu
dijelaskan mengenai situasi produk gabungan. Pada kenyataannya,
banyak fasilitas manufaktur memproduksi beberapa famili dari
product lines. Famili ini dapat terdiri dari beberapa kelompok produk
yang mirip satu sama lain baik itu secara ekonomi ataupun teknologi.
Sedangkan gabungan dari beberapa famili biasa disebut dengan tipe
produk. Di bawah ini merupakan hierarki tipe produk :

ANITA SARI / D071171012 25
Gambar 2. 7 Hierarki Tipe Produk

(Sumber : Bedworth dan Baley, 1987)
Menggunakan aturan-aturan tertentu untuk memperoleh solusi yang
baik tidak ada jaminan bahwa solusi itu optimum. Yang termasuk ke
dalam metode ini ialah model koefisien manajemen, model
parametric, searth decision rules, model programa linier, model
transportasi, model programa integer campuran dan linier decision
rule.
Hasil yang diperoleh dari proses disagregasi adalah:
a. Demand tiap end item.
b. On hand tiap end item.
c. Master Production Schedule.
2.13.2 Metode Dalam Disagregasi
Metode dalam disagregasi ini ada banyak cara, baik itu bersifat
analitis maupun heuritis. Metode-metode ini sebagai berikut
(Apriliana, 2015) :
a. Pendekatan Hax & Meal
Perhitungan disagregasi dilakukan per periode, dimana persediaan
akhir pada suatu bulan akan menjadi persediaan awal pada bulan
berikutnya. Pada pendekatan ini, produknya dibagi atas tiga

ANITA SARI / D071171012 26
tingkatan, yaitu :
1) Item
Item adalah produk akhir yang digunakan konsumen dan juga
merupakan tingkat terendah dalam struktur produk. Suatu jenis
produk mungkin terdiri dari banyak item yang dibedakan dari;
warna, kemasan, merek dan lain-lain.
2) Famili
Famili dalah sekelompok item yang menanggung secara
bersama – sama ongkos setup. Bila suatu mesin sudah disiapkan
untuk membuat suatu item dari suatu keluarga, maka semua
item dalam keluarga yang sama dapat diproduksi dengan
melakukan perubahan kecil pada saat setup.
3) Tipe
Tipe adalah kelompok dari beberapa item yang memiliki ongkos
produksi per satuan yang sama. Biasanya ongkos untuk buruh
secara langsung dan juga memiliki ongkos simpan. Suatu jenis
tipe terdiri dari jumlah produk, satuan waktu dan sebagainya.
b. Pendekatan Britan & Hax
Jika dalam suatu perencanaan produksi terdapat item j dalam famili
i, maka harus ditentukan terlebih dahulu item mana saja yang perlu
diproduksi berdasarkan informasi permintaan dan persediaan item
tersebut. Berdasarkan hal tersebut ditambah dengan data
perencanaan agregat yang terpilih, selanjutnya ditentukan rencana
produksi untuk famili. Setelah itu, berdasarkan rencana produksi
famili dapat ditentukan rencana produksi untuk setiap item
(kuantitas MPS) dalam famili tersebut. Prosedur disagregasi Britan
& Hax terdiri atas :
1) Memilih famili produk yang akan diproduksi pada periode yang
bersangkutan.
2) Menentukan jumlah yang akan diproduksi dari famili yang
terpilih dengan model Knapsack.

ANITA SARI / D071171012 27
3) Batas Bawah. Batas bawah bila dikehendaki ada safety stock.

4) Batas Atas. Batas atas bila tidak diinginkan, akan
mengakibatkan akumulasi inventori terlalu banyak. Batas atas
dan batas bawah bisa diabaikan bila tidak dikehendaki atau tidak
sesuai rencana produksi.
c. Rencana yang lebih tinggi menjadi pembatas atau kendala bagi
rencana tingkat rendah.
d. Agregat Taktis (Operasional)
Agregat taktis bertujuan memberikan keputusan yang optimal
berdasarkan sumber daya yang dimiliki perusahaan dalam
memenuhi permintaan akan produk yang dihasilkan. Yang
dimaksud dengan sumber daya adalah kepasitas mesin, tenaga
kerja dan teknologi yang miliki.
e. Pendekatan Cut & Fit
Proses disaagregasi dengan menggunakan pendektan metode cut
and fit ini relatif lebih sederhana dibandingkan dengan
menggunakan metode lainnya. Rumus yang digunakan dalam
disagregasi pendekatan metode cut and fit, yaitu :
Demand Agregat × %item
y= ...............................................................(32)
Faktor konversi
Dimana :
y : hasil peramalan disagregasi item.
% item : persentase kebutuhan masing-masing item.
Demand Agregat : Agregat plan hasil pengolahan data rencana

produksi agregat.
2.14 Ongkos dalam Perencanaan Agregat
Nasution dan Prasetyawan (2008), menyatakan biaya-biaya yang
terlibat dalam perencanaan agregat adalah:
a. Hiring Cost (Biaya Penambahan Tenaga Kerja) yaitu biaya-biaya untuk
iklan, proses seleksi dan training.

ANITA SARI / D071171012 28
b. Firing Cost (Biaya Pemberhentian Tenaga Kerja) yaitu berupa uang

pesangon bagi karyawan yang di-PHK, menurunnya moral kerja dan
produktivitas karyawan yang masih bekerja, dan tekanan yang bersifat
sosial.
c. Overtime Cost dan Undertime Cost (Biaya Lembur dan Biaya
Menganggur) dimana biaya tambahan lembur biasanya 150% dari biaya
kerja regular, sedangkan bila tenaga kerja yang berlebih tidak dapat
dilakukan alokasi yang efektif, maka perusahaan dianggap menanggung
biaya menganggur.
d. Inventory Cost dan Backorder Cost (Biaya Persediaan dan Biaya
Kehabisan Persediaan) dimana biaya persediaan berupa biaya tertahannya
modal, pajak, asuransi, kerusakan bahan, dan biaya sewa gudang. Biaya
kehabisan persediaan ini dihitung berdasarkan berapa barang diminta yang
tidak tersedia.
e. Subcontract Cost (Biaya Subkontrak) yaitu biaya yang dikeluarkan
perusahaan pada saat permintaan melebihi kemampuan kapasitas regular,
sehingga kelebihan permintaan yang tidak bisa ditangani disubkontrakkan
kepada perusahaan lain.
2.15 Final Assembly Schedule (FAS) dan Software POM QM
2.15.1 Final Assembly Schedule (FAS)
Final assembly schedule biasanya digunakan untuk make-to-order
dan assembly-to-order. Ini merupakan penjadwalan terhadap apa yang
akan di-assembly dan digunakan ketika banyak pilihan produk serta
sulit untuk melakukan peramalan terhadap kombinasi pilihan yang
pembeli inginkan. MPS dilakukan di level komponen (Arnold,
Chapman, dan Clive, 2008).

ANITA SARI / D071171012 29
Gambar 2. 8 MPS environment yang berbeda

(Sumber : Arnold, Chapman, dan Clive, 2008)
2.15.2 Softwere POM-QM
Program POM adalah sebuah program komputer yang digunakan
untuk memecahkan masalah dalam bidang produksi dan operasi yang
bersifat kuantitatif. Tampilan grafis yang menarik dan kemudahan
pengoperasian menjadikan POM for Windows sebagai alternatif
aplikasi guna membantu pengambilan keputusan seperti misalnya
menentukan kombinasi produksi yang sesuai agar memperoleh
keuntungan sebesar-besarnya. Menentukan order pembelian barang
agar biaya perawatan menjadi seminimal mungkin, menentukan
penugasan karyawan terhadap suatu pekerjaan agar dicapai hasil yang
maksimal, dan lain sebagainya.
Program ini menyediakan 20 modul yang berbeda penggunaannya,
yaitu:
a. Aggregate Planning
b. Assigment (Penugasan)
c. Balancing Assembly Line
d. Break even / Cost-Volume Analysis
e. Decision Analysis
f. Forecasting
g. Inventory
h. Job Shop Scheduling
i. Learning Curve
j. Linier Programming (Pemrograman Linear)

ANITA SARI / D071171012 30
k. Location
l. Lot Sizing
m. Material Requirement Planning
n. Operations Lay Out
o. PERT/ CPM
p. Quality Control
q. Realibility
r. Simulation
s. Transportation (masalah transportasi)
t. Waiting Lines
Program POM for Windows ini digunakan sebagai alternatif dalam
menyelesaikan masalah maksimum dan minimum, sehingga dengan
bantuan modul tersebut, berbagai masalah dalam Research Operation
dapat diselesaikan dengan cepat.
Langkah-langkah penggunaan POM for windows (Saebiah &
Amaliah, 2017) :
a. Siapkan masalahnya (soal), semisal akan dipecahkan suatu
masalah linear programming maka langkah kerjanya adalah:
1) Tentukan masalahnya apakah kasus maksimum atau minimum
2) Berapa jumlah variabel yang ada
3) Berapa jumlah batasan yang ada
b. Masukkan masalah tersebut ke dalam komputer
c. Lakukan pengecekan pada masalah bila terjadi kesalahan input
d. Lakukan perhitungan dan lihat hasilnya dengan menklik solve
e. Tampilkan hasil-hasil perhitungan
f. Simpan masalah atau datanya
g. Menjalankan POM for windows

ANITA SARI / D071171012 31
BAB III
PENGOLAHAN DATA
3.1 Forecasting (Permintaan)
Berdasarkan data yang diperoleh dari Pabrik Gula Jaya, berikut ini
merupakan data permintaan gula pada bulan Agustus 2018 hingga Desember
2020.
Tabel 3.1 Data Historis Permintaan Gula
Periode Permintaan
Aug-18 2397
Sep-18 2298
Oct-18 2149
Nov-18 2450
Dec-18 2601
Jan-19 2412
Feb-19 2313
Mar-19 2164
Apr-19 2465
May-19 2616
Jun-19 2367
Jul-19 2218
Aug-19 2399
Sep-19 2590
Oct-19 2321
Nov-19 2072
Dec-19 2223
Jan-20 2462
Feb-20 2363
Mar-20 2214
Apr-20 2265
May-20 2566
Jun-20 2287
Jul-20 2118
Aug-20 2389
Sep-20 2720
Oct-20 2471
Nov-20 2402
Dec-20 2473
Total 68785
Berdasarkan data yang ditunjukkan tabel di atas, berikut ini merupakan

grafik data historis permintaan gula pada rentang waktu Agustus 2018 hingga
Desember 2020.

ANITA SARI / D071171012 32
Grafik Data Historis Permintaan Gula

3000
Permintaan 2500
2000
1500
1000
500
0
Periode
Gambar 3. 1 Grafik Data Historis Permintaan Gula
Dari gambar di atas, kita dapat mengetahui pola data yang terbentuk
menunjukkan pola horizontal.
3.1.1 Single Moving Average
Rumus matematis:
𝐷𝑡−1 + 𝐷𝑡−2 +⋯ +𝐷𝑛

Ft = 𝑛
Keterangan:
Ft = Nilai ramalan pada periode t
Dt = Nilai sebenarnya pada periode t
n = Banyaknya waktu dalam Moving Average
Berikut ini adalah hasil pengolahan data peramalan dengan
menggunakan metode Single Moving Average.

ANITA SARI / D071171012 33
Tabel 3.2 Hasil Peramalan Metode Single Moving Average

3 5
Periode At
Ft At – Ft [At – Ft] [At – Ft]2 Ft At – Ft [At – Ft] [At – Ft]2
Aug-18 2397
Sep-18 2298
Oct-18 2149
Nov-18 2450
Dec-18 2601
Jan-19 2412 2400 12 12 144 2379 33 33 1089
Feb-19 2313 2488 -175 175 30625 2382 -69 69 4761
Mar-19 2164 2442 -278 278 77284 2385 -221 221 48841
Apr-19 2465 2296 169 169 28561 2388 77 77 5929
May-19 2616 2314 302 302 91204 2391 225 225 50625
Jun-19 2367 2415 -48 48 2304 2394 -27 27 729
Jul-19 2218 2483 -265 265 70225 2385 -167 167 27889
Aug-19 2399 2400 -1 1 1 2366 33 33 1089
Sep-19 2590 2328 262 262 68644 2413 177 177 31329
Oct-19 2321 2402 -81 81 6561 2438 -117 117 13689
Nov-19 2072 2437 -365 365 133225 2379 -307 307 94249
Dec-19 2223 2328 -105 105 11025 2320 -97 97 9409
Jan-20 2462 2205 257 257 66049 2321 141 141 19881
Feb-20 2363 2252 111 111 12321 2334 29 29 841
Mar-20 2214 2349 -135 135 18225 2288 -74 74 5476
Apr-20 2265 2346 -81 81 6561 2267 -2 2 4
May-20 2566 2281 285 285 81225 2305 261 261 68121
Jun-20 2287 2348 -61 61 3721 2374 -87 87 7569
Jul-20 2118 2373 -255 255 65025 2339 -221 221 48841
Aug-20 2389 2324 65 65 4225 2290 99 99 9801
Sep-20 2720 2265 455 455 207025 2325 395 395 156025
Oct-20 2471 2409 62 62 3844 2416 55 55 3025
Nov-20 2402 2527 -125 125 15625 2397 5 5 25
Dec-20 2473 2531 -58 58 3364 2420 53 53 2809
Total 68785 56943 -53 4013 1007013 56696 194 2972 612046
a. Single Moving Average 3 bulan

Perhitungan:
Peramalan pada bulan Januari 2019 dengan mengambil data
historis 3 bulan.
𝐷𝑡−1 + 𝐷𝑡−2 +⋯ +𝐷𝑛
Ft = 𝑛
𝐷𝑂𝑘𝑡′18 + 𝐷𝑁𝑜𝑣′18 + 𝐷𝐷𝑒𝑠′18
Fjan’19 = 3
2149+2450+2601
Fjan’19 = 3
Fjan’19 = 2400

ANITA SARI / D071171012 34
1) Mean Absolute Deviation

Rumus Matematis:
∑[𝐴𝑡 −𝐷𝑡 ]
MAD =
𝑛
Perhitungan:
4013
MAD = 24
MAD = 167
2) Mean Square Error
∑[𝐴𝑡 −𝐷𝑡 ]2
MSE =
𝑛
Perhitungan:
1007013
MSE = 24
MSE = 41959
3) Mean Forecast Error
∑(𝐴𝑡 −𝐷𝑡 )
MFE =
𝑛
Perhitungan:
− 53
MFE = 24
MFE = - 2
b. Single Moving Average 5 bulan
Perhitungan:
historis 5 bulan.
𝐷𝑡−1 + 𝐷𝑡−2 +⋯ +𝐷𝑛
Ft = 𝑛
𝐷𝐴𝑔𝑢′18 +𝐷𝑆𝑒𝑝′18 + 𝐷𝑂𝑘𝑡′18 + 𝐷𝑁𝑜𝑣′18 + 𝐷𝐷𝑒𝑠′18
Fjan’19 = 5
2397+2298+2149+2450+2601
Fjan’19 = 5
Fjan’19 = 2379

ANITA SARI / D071171012 35

Rumus Matematis:
MAD = 𝑛
Perhitungan:
2972
MAD = 24
MAD = 124
∑[𝐴𝑡 −𝐷𝑡 ]2
MSE = 𝑛
Perhitungan:
612046
MSE =
24
MSE = 25.502
MFE =
𝑛
Perhitungan:
194
MFE = 24
MFE = 8
3.1.2 Weighted Moving Average
Rumus matematis:
(𝐴1 𝑤1 )+(𝐴2 𝑤2 )+⋯+(𝐴𝑛 𝑤𝑛 )
Ft = 𝑛
Keterangan:
Ft = Nilai ramalan pada periode t
A1 = Nilai sebenarnya pada periode 1
W1 = Bobot untuk data aktual periode 1
n = Jumlah bobot setiap periode
menggunakan metode Weighted Moving Average.

ANITA SARI / D071171012 36
Tabel 3.3 Hasil Peramalan Metode Weighted Moving

3 5
Periode At
Aug-18 2397
Sep-18 2298
Oct-18 2149
Nov-18 2450
Dec-18 2601
Jan-19 2412 2315 97 97 9409 2394 18 18 324
Feb-19 2313 2507 -194 194 37636 2363 -50 50 2500
Mar-19 2164 2497 -333 333 110889 2375 -211 211 44521
Apr-19 2465 2348 117 117 13689 2373 92 92 8464
May-19 2616 2269 347 347 120409 2421 195 195 38025
Jun-19 2367 2330 37 37 1369 2409 -42 42 1764
Jul-19 2218 2516 -298 298 88804 2360 -142 142 20164
Aug-19 2399 2477 -78 78 6084 2351 48 48 2304
Sep-19 2590 2311 279 279 77841 2431 159 159 25281
Oct-19 2321 2328 -7 7 49 2457 -136 136 18496
Nov-19 2072 2468 -396 396 156816 2352 -280 280 78400
Dec-19 2223 2431 -208 208 43264 2295 -72 72 5184
Jan-20 2462 2212 250 250 62500 2336 126 126 15876
Feb-20 2363 2171 192 192 36864 2358 5 5 25
Mar-20 2214 2333 -119 119 14161 2278 -64 64 4096
Apr-20 2265 2398 -133 133 17689 2252 13 13 169
May-20 2566 2294 272 272 73984 2311 255 255 65025
Jun-20 2287 2270 17 17 289 2404 -117 117 13689
Jul-20 2118 2388 -270 270 72900 2311 -193 193 37249
Aug-20 2389 2410 -21 21 441 2273 116 116 13456
Sep-20 2720 2230 490 490 240100 2352 368 368 135424
Oct-20 2471 2287 184 184 33856 2449 22 22 484
Nov-20 2402 2530 -128 128 16384 2372 30 30 900
Dec-20 2473 2589 -116 116 13456 2413 60 60 3600
Total 68785 56909 -19 4583 1248883 56690 200 2814 535420
a. Weighted Moving Average 3 bulan

Perhitungan:
historis 3 bulan.
(𝐴1 𝑤1 )+(𝐴2 𝑤2 )+⋯+(𝐴𝑛 𝑤𝑛 )
Ft = 𝑊1 +𝑊2 +𝑊3
(𝐴𝑂𝑘𝑡′18 𝑤𝑂𝑘𝑡′18 )+(𝐴𝑁𝑜𝑣′18 𝑤𝑁𝑜𝑣′18 )+(𝐴𝐷𝑒𝑠′18 𝑤𝐷𝑒𝑠′18 )

Fjan’19 = 1
(2149∗0,5)+(2450∗0,4) +(2601∗0,1)
Fjan’19 = 1
Fjan’19 = 2315

ANITA SARI / D071171012 37

Rumus Matematis:
MAD =
𝑛
Perhitungan:
4583
MAD = 24
MAD = 191
∑[𝐴𝑡 −𝐷𝑡 ]2
MSE =
𝑛
Perhitungan:
1248883
MSE = 24
MSE = 52037
MFE =
𝑛
Perhitungan:
− 19
MFE = 24
MFE = - 1
b. Weighted Moving Average 5 bulan
Perhitungan:
historis 5 bulan.
(𝐴1 𝑤1 )+(𝐴2 𝑤2 )+⋯+(𝐴𝑛 𝑤𝑛 )
Ft =
𝑊1 +𝑊2 +𝑊3 +𝑊4 +𝑊5
(𝐴𝐴𝑔𝑢′ 18 𝑤𝐴𝑔𝑢′ 18 ) + (𝐴𝑆𝑒𝑝′18 𝑤𝑆𝑒𝑝′18 ) + (𝐴𝑂𝑘𝑡 ′18 𝑤𝑂𝑘𝑡 ′18 )
+(𝐴𝑁𝑜𝑣′ 18 𝑤𝑁𝑜𝑣′ 18 ) + (𝐴𝐷𝑒𝑠′18 𝑤𝐷𝑒𝑠′18 )
Fjan’19 =
1
(2397∗0,2)+(2298∗0,2) +(2149∗0,2)+(2450∗0,1) +(2601∗0,3)
Fjan’19 =
1
Fjan’19 = 2394

ANITA SARI / D071171012 38

Rumus Matematis:
MAD =
𝑛
Perhitungan:
2814
MAD = 24
MAD = 117
∑[𝐴𝑡 −𝐷𝑡 ]2
MSE =
𝑛
Perhitungan:
535420
MSE = 24
MSE = 22309
MFE =
𝑛
Perhitungan:
200
MFE = 24
MFE = 8
3.1.3 Single Exponential Smoothing
Rumus matematis:
Ft = αAt + (1 – α) At-1
Keterangan:
Ft : Nilai ramalan pada periode t
At : Nilai sebenarnya pada periode t
α : Nilai koefisien, 0< α<1
menggunakan metode Single Exponential Smoothing menggunakan
nilai koefisien 0,5 dan 0,9.

ANITA SARI / D071171012 39
Tabel 3.4 Hasil Peramalan Metode Single Exponential Smoothing

0,5 0,9
Periode At
Dec-18 2601
Jan-19 2412 2507 -95 95 9025 2431 -19 19 361
Feb-19 2313 2363 -50 50 2500 2323 -10 10 100
Mar-19 2164 2239 -75 75 5625 2179 -15 15 225
Apr-19 2465 2315 150 150 22500 2435 30 30 900
May-19 2616 2541 75 75 5625 2601 15 15 225
Jun-19 2167 2292 -125 125 15625 2192 -25 25 625
Jul-19 2018 2093 -75 75 5625 2033 -15 15 225
Aug-19 2199 2109 90 90 8100 2181 18 18 324
Sep-19 2390 2295 95 95 9025 2371 19 19 361
Oct-19 2121 2256 -135 135 18225 2148 -27 27 729
Nov-19 1872 1997 -125 125 15625 1897 -25 25 625
Dec-19 2023 1948 75 75 5625 2008 15 15 225
Jan-20 2262 2143 119 119 14161 2238 24 24 576
Feb-20 2163 2213 -50 50 2500 2173 -10 10 100
Mar-20 2014 2089 -75 75 5625 2029 -15 15 225
Apr-20 2065 2040 25 25 625 2060 5 5 25
May-20 2366 2216 150 150 22500 2336 30 30 900
Jun-20 2087 2227 -140 140 19600 2115 -28 28 784
Jul-20 1918 2003 -85 85 7225 1935 -17 17 289
Aug-20 2189 2054 135 135 18225 2162 27 27 729
Sep-20 2520 2355 165 165 27225 2487 33 33 1089
Oct-20 2271 2396 -125 125 15625 2296 -25 25 625
Nov-20 2202 2237 -35 35 1225 2209 -7 7 49
Dec-20 2273 2238 35 35 1225 2266 7 7 49
Total 59491 56774 -76 2304 258886 56713 -15 461 10365
a. Single Exponential Smoothing koefisien 0,5

Perhitungan:
Peramalan pada bulan Januari 2019 dengan menggunakan
koefisien 0,5.
Ft = αAt + (1 – α) At-1
Fjan’19 = 0,5.2412 + (1 – 0,5) 2601
Fjan’19 = 2507
Rumus Matematis:
MAD =
𝑛
Perhitungan:
2304
MAD =
24
MAD = 96

ANITA SARI / D071171012 40

∑[𝐴𝑡 −𝐷𝑡 ]2
MSE =
𝑛
Perhitungan:
258886
MSE = 24
MSE = 10787
MFE =
𝑛
Perhitungan:
− 76
MFE =
24
MFE = - 3
b. Single Exponential Smoothing koefisien 0,9
Perhitungan:
Peramalan pada bulan Januari 2019 dengan menggunakan
koefisien 0,9.
Ft = αAt + (1 – α) At-1
Fjan’19 = 0,9. 2412 + (1 – 0,9) 2601
Fjan’19 = 2431
Rumus Matematis:
MAD =
𝑛
Perhitungan:
461
MAD = 24
MAD = 19

ANITA SARI / D071171012 41

∑[𝐴𝑡 −𝐷𝑡 ]2
MSE =
𝑛
Perhitungan:
10365
MSE = 24
MSE = 432
MFE =
𝑛
Perhitungan:
− 15
MFE =
24
MFE = - 1
3.1.4 Naive
Rumus matematis:
Ft = At-1
Keterangan:
Ft : Nilai ramalan pada periode t
At : Nilai sebenarnya pada periode t
menggunakan metode Naive.

ANITA SARI / D071171012 42
Tabel 3.5 Hasil Peramalan Metode Naive

Naive
Periode At
Ft At – Ft [At – Ft] [At – Ft]2
Des-18 2601
Jan-19 2412 2601 -189 189 35721
Feb-19 2313 2412 -99 99 9801
Mar-19 2164 2313 -149 149 22201
Apr-19 2465 2164 301 301 90601
Mei-19 2616 2465 151 151 22801
Jun-19 2367 2616 -249 249 62001
Jul-19 2218 2367 -149 149 22201
Agu-19 2399 2218 181 181 32761
Sep-19 2590 2399 191 191 36481
Okt-19 2321 2590 -269 269 72361
Nov-19 2072 2321 -249 249 62001
Des-19 2223 2072 151 151 22801
Jan-20 2462 2223 239 239 57121
Feb-20 2363 2462 -99 99 9801
Mar-20 2214 2363 -149 149 22201
Apr-20 2265 2214 51 51 2601
Mei-20 2566 2265 301 301 90601
Jun-20 2287 2566 -279 279 77841
Jul-20 2118 2287 -169 169 28561
Agu-20 2389 2118 271 271 73441
Sep-20 2720 2389 331 331 109561
Okt-20 2471 2720 -249 249 62001
Nov-20 2402 2471 -69 69 4761
Des-20 2473 2402 71 71 5041
Total 68785 57018 -128 4606 1035264
Perhitungan:
Peramalan pada bulan Januari 2019 dengan menggunakan metode
naive.
Ft = At-1
Fjan’19 = 2601
Rumus Matematis:
MAD =
𝑛
Perhitungan:
4606
MAD = 24
MAD = 192
∑[𝐴𝑡 −𝐷𝑡 ]2
MSE =
𝑛

ANITA SARI / D071171012 43
Perhitungan:
1035264
MSE = 24
MSE = 43136
MFE =
𝑛
Perhitungan:
− 128
MFE = 24
MFE = - 5
3.1.5 Pemilihan Metode Peramalan Terbaik

Setelah melakukan pengolahan data untuk memperoleh peramalan
permintaan baju tidur dengan menggunakan empat metode peramalan
yaitu Single Moving Average, Weighted Moving Average, Single
Exponential Smoothing, dan Naive, selanjutnya memilih metode yang
terbaik untuk digunakan.
Tabel 3.6 Pemilihan Metode Peramalan Terbaik

Metode MAD MSE MFE
Single Moving Average (3) 167 41959 -2
Single Moving Average (5) 124 25502 8
Weighted Moving Average (3) 191 52037 -1
Weighted Moving Average (5) 117 22309 8
Single Exponential Smoothing (0,5) 96 10787 -3
Single Exponential Smoothing (0,9) 19 432 -1
Naive 192 43136 -5
Berdasarkan tabel 3.6, metode peramalan yang paling sesuai untuk

diterapkan pada Pabrik Gula Jaya adalah metode Single Exponential
Smoothing dengan nilai koefisien 0,9. Hal ini karena dua dari tiga
tingkat error pada metode tersebut memiliki nilai yang paling
mendekati 0 dibandingkan dengan metode Single Moving Average 3 &
5 bulan, metode Weighted Moving Average 3 & 5 bulan, metode Single
Exponential Smoothing koefisien 0,5, serta metode Naive.

ANITA SARI / D071171012 44
3.2 Aggregate Planning (Perencanaan Agregat)

3.2.1 Data Perencanaan Agregat
a. Data kapasitas produksi
Jumlah karyawan : 7 orang
Jam kerja : 8 jam/hari
Waktu proses produksi/unit : 10 unit/jam
Tabel 3.7 Jumlah Hari Kerja Tahun 2020
Bulan Hari
Januari 25
Februari 24
Maret 25
April 24
Mei 25
Juni 24
Juli 25
Agustus 24
September 24
Oktober 25
November 24
Desember 25
b. Data Biaya Produksi

1) Opportunity Cost : Rp. 100.000
2) Hiring Cost : Rp. 150.000
3) Firing Cost : Rp. 450.000
4) Subcontract : Rp. 150.000
5) Reguler Cost : Rp. 100.000
6) Overtime : Rp. 50.000 / Unit / Orang
7) Inventory Cost : Rp. 10.000 / Unit
3.2.2 Perencanaan Agregat

a. Level Strategy
Level strategy merupakan strategi agregat yang memperhitungkan
kuantitas persediaan dan jumlah biaya produksi. Berikut
merupakan tabel yang menunjukkan hasil agregasi dengan metode
level strategy.

ANITA SARI / D071171012 45
Tabel 3.8 Perencanaan Agregat dengan Metode Level strategy

Periode Demand PL OL IL PC OC IC Total Cost
Jan-20 2238 1400 838 0 Rp140.000.000 Rp83.800.000 Rp0 Rp223.800.000
Feb-20 2173 1344 829 0 Rp134.400.000 Rp82.900.000 Rp0 Rp217.300.000
Mar-20 2029 1400 629 0 Rp140.000.000 Rp62.900.000 Rp0 Rp202.900.000
Apr-20 2060 1344 716 0 Rp134.400.000 Rp71.600.000 Rp0 Rp206.000.000
Mei-20 2336 1400 936 0 Rp140.000.000 Rp93.600.000 Rp0 Rp233.600.000
Jun-20 2115 1344 771 0 Rp134.400.000 Rp77.100.000 Rp0 Rp211.500.000
Jul-20 1935 1400 535 0 Rp140.000.000 Rp53.500.000 Rp0 Rp193.500.000
Agu-20 2162 1344 818 0 Rp134.400.000 Rp81.800.000 Rp0 Rp216.200.000
Sep-20 2487 1344 1143 0 Rp134.400.000 Rp114.300.000 Rp0 Rp248.700.000
Okt-20 2296 1400 896 0 Rp140.000.000 Rp89.600.000 Rp0 Rp229.600.000
Nov-20 2209 1344 865 0 Rp134.400.000 Rp86.500.000 Rp0 Rp220.900.000
Des-20 2266 1400 866 0 Rp140.000.000 Rp86.600.000 Rp0 Rp226.600.000
Total Rp2.630.600.000
Keterangan:
PL (Production Level) = Hari kerja x Jumlah karyawan x Jam kerja
OL (Opportunity Level) = Demand – PL (Demand > PL)
IL (Inventory Level) = Demand – PL (Demand < PL)
PC (Production Cost) = PL * Regular Cost
OC (Opportunity Cost) = OL * Opportunity Cost
IC (Inventory Cost) = IL * Inventory Cost
Berdasarkan tabel 3.8, total biaya perencanaan agregat perusahaan
tahun 2020 dengan menggunakan metode level strategy adalah
sebesar Rp.2.630.600.000
b. Subcontract
Subcontract merupakan strategi yang diterapkan ketika permintaan
melebihi jumlah produksi sehingga perlu adanya kerja sama
dengan pihak ketiga untuk memenuhi permintaan tersebut. Tabel
berikut ini menunjukkan hasil agregasi dengan metode
Subcontract.

ANITA SARI / D071171012 46
Tabel 3.9 Perencanaan Agregat dengan Metode Subcontract

Periode Demand PL Subcontract PC SC Total Cost
Jan-20 2238 1400 838 Rp140.000.000 Rp125.700.000 Rp265.700.000
Feb-20 2173 1344 829 Rp134.400.000 Rp124.350.000 Rp258.750.000
Mar-20 2029 1400 629 Rp140.000.000 Rp94.350.000 Rp234.350.000
Apr-20 2060 1344 716 Rp134.400.000 Rp107.400.000 Rp241.800.000
Mei-20 2336 1400 936 Rp140.000.000 Rp140.400.000 Rp280.400.000
Jun-20 2115 1344 771 Rp134.400.000 Rp115.650.000 Rp250.050.000
Jul-20 1935 1400 535 Rp140.000.000 Rp80.250.000 Rp220.250.000
Agu-20 2162 1344 818 Rp134.400.000 Rp122.700.000 Rp257.100.000
Sep-20 2487 1344 1143 Rp134.400.000 Rp171.450.000 Rp305.850.000
Okt-20 2296 1400 896 Rp140.000.000 Rp134.400.000 Rp274.400.000
Nov-20 2209 1344 865 Rp134.400.000 Rp129.750.000 Rp264.150.000
Des-20 2266 1400 866 Rp140.000.000 Rp129.900.000 Rp269.900.000
Total Rp3.122.700.000
Keterangan:
Subcontract = Demand – PL (Demand > PL)
PC (Production Cost) = PL * Production Cost
SC (Subcontract Cost) = Subcontract * Subcontract Cost
tahun 2020 dengan menggunakan metode subcontract adalah
sebesar Rp 3.122.700.000.
c. Chase Strategy
Chase strategy merupakan pengubahan jumlah tenaga kerja untuk
memenuhi target produksi per periode. Jika tingkat produksi
rendah dapat dilakukan firing tenaga kerja dan sebaliknya, jika
tingkat produksi tinggi dapat dilakukan hiring.
Tabel berikut ini menunjukkan hasil agregasi dengan metode chase
strategy.

ANITA SARI / D071171012 47
Tabel 3.10 Perencanaan Agregat dengan Metode Chase Strategy

Periode Demand JK TK PL Hi Fi PC HC FC Total cost
Jan-20 2238 200 11 1.400 4 Rp210.000.000 Rp0 Rp1.800.000 Rp211.800.000
Feb-20 2173 192 11 1.344 4 Rp201.600.000 Rp0 Rp1.800.000 Rp203.400.000
Mar-20 2029 200 10 1.400 3 Rp210.000.000 Rp0 Rp1.350.000 Rp211.350.000
Apr-20 2060 192 11 1.344 4 Rp201.600.000 Rp0 Rp1.800.000 Rp203.400.000
May-20 2336 200 12 1.400 5 Rp210.000.000 Rp0 Rp2.250.000 Rp212.250.000
Jun-20 2115 192 11 1.344 4 Rp201.600.000 Rp0 Rp1.800.000 Rp203.400.000
Jul-20 1935 200 10 1.400 3 Rp210.000.000 Rp0 Rp1.350.000 Rp211.350.000
Aug-20 2162 192 11 1.344 4 Rp201.600.000 Rp0 Rp1.800.000 Rp203.400.000
Sep-20 2487 192 13 1.344 6 Rp201.600.000 Rp0 Rp2.700.000 Rp204.300.000
Oct-20 2296 200 11 1.400 4 Rp210.000.000 Rp0 Rp1.800.000 Rp211.800.000
Nov-20 2209 192 12 1.344 5 Rp201.600.000 Rp0 Rp2.250.000 Rp203.850.000
Dec-20 2266 200 11 1.400 4 Rp210.000.000 Rp0 Rp1.800.000 Rp211.800.000
Total Rp2.492.100.000
Keterangan:
JK (Jam kerja) = Hari kerja x jam kerja
TK (Tenaga kerja) = Demand / JK
Hi (Hiring) = Jumlah Karyawan – TK (Jumlah Karyawan < TK)
Fi (Firing) = Jumlah Karyawan – TK (Jumlah Karyawan > TK)
PC (Production Cost) = PL * Regular Cost
HC (Hiring Cost) = Hi x Hiring Cost
FC (Firing Cost) = Fi x Firing Cost
tahun 2020 dengan menggunakan metode chase strategy adalah
sebesar Rp 2.492.100.000.
3.3 Jadwal Induk Produksi
Jadwal Induk Produksi dibuat untuk menentukan proses produksi yang
akan dilaksanakan dengan melihat strategi yang paling optimal dari
perhitungan agregasi. Berdasarkan hasil perhitungan biaya menggunakan ke 3
metode di atas, berikut ini perbandingan strategi perencanaan agregat dilihat
dari total biaya produksi tahun 2020 berdasarkan metode masing-masing.
Tabel 3.11 Data Perbandingan Biaya Total Produksi untuk Strategi Agregat
Strategi Agregat Total cost
Level Strategy Rp2.630.600.000
Subcontract Rp3.482.700.000
Chase Strategy Rp2.492.100.000
Tabel 3.11 menunjukkan bahwa strategi yang paling optimal dalam

penentuan Jadwal Induk Produksi adalah metode Chase Strategy. Berikut ini

ANITA SARI / D071171012 48
terlampir Jadwal Induk Produksi berdasarkan hasil perhitungan permalan yang

telah dilakukan.
Tabel 3.12 Jadwal Induk Produksi Gula
Periode Permintaan
Jan-20 2238
Feb-20 2173
Mar-20 2029
Apr-20 2060
Mei-20 2336
Jun-20 2115
Jul-20 1935
Agu-20 2162
Sep-20 2487
Okt-20 2296
Nov-20 2209
Des-20 2266

ANITA SARI / D071171012 49
BAB IV
ANALISA DAN PEMBAHASAN
4.1 Peramalan
Peramalan merupakan kegiatan untuk memperkirakan sesuatu yang
belum terjadi (Pangestu, 2000). Peramalan menjadi kegiatan yang sangat
penting dilakukan oleh perusahaan agar mampu memenuhi kebutuhan dan
permintaan pelanggan terhadap produk pada masa yang akan datang.
Data yang digunakan adalah data historis pada Pabrik Gula Jaya yang
merupakan Pabrik Gula yang telah melakukan usaha produksi Gula sejak
tahun 2000. Selama berdirinya, pabrik ini sama sekali tidak pernah
melakukan peramalan dan perancangan agregat, mereka hanya membuat
produknya berdasarkan seperti yang selalu mereka buat. Diharapkan setelah
melakukan percobaan ini Pabrik Gula Jaya dapat meramalkan permintaan
pasar sebelum melakukan produksi dan juga melakukan perancangan agregat
demi menghindari kerugian di masa yang akan datang.
Data yang diambil adalah data sejak bulan Desember 2018 hingga bulan
Desember 2020 yang akan ditunjukkan pada grafik data historis yang
menunjukkan pola horizontal. Dari pola data tersebut dilakukan perhitungan
peramalan permintaan per bulan selama setahun kedepan menggunakan
metode Single Moving Average (SMA), Weighted Moving Average (WMA),
Single Exponential Smoothing (SES) dan Naïve. Kemudian hasil peramalan
permintaan tiap metode tersebut diukur performansinya menggunakan Mean
Absolute Deviation (MAD), Mean Square Error (MSE) dan Mean
Forecasting Error (MFE).
4.1.1 Single Moving Average (SMA) tiga bulan
Dari perhitungan pada metode single moving average tiga bulan
didapatkan hasil ukuran performansi peramalannya berupa Mean
Absolute Deviation (MAD) sebesar 167, Mean Square Error (MSE)
sebesar 41.959, dan Mean Forecasting Error (MFE) sebesar -2.

ANITA SARI / D071171012 50
4.1.2 Single Moving Average (SMA) 5 bulan

Dari perhitungan pada metode single moving average lima bulan
sebesar 25.502, dan Mean Forecasting Error (MFE) sebesar 8.
4.1.3 Weighted Moving Average tiga bulan
Dari perhitungan pada metode weighted moving average tiga bulan
sebesar 52.037, dan Mean Forecasting Error (MFE) sebesar -1.
4.1.4 Weighted Moving Average lima bulan
Dari perhitungan pada metode weighted moving average lima bulan
sebesar 22.309, dan Mean Forecasting Error (MFE) sebesar 8.
4.1.5 Single Exponential Smoothing koefisien 0.5
Dari perhitungan pada metode Single Exponential Smoothing dengan
koefisien nol koma lima didapatkan hasil ukuran performansi
peramalannya berupa Mean Absolute Deviation (MAD) sebesar 96,
Mean Square Error (MSE) sebesar 10.787, dan Mean Forecasting
Error (MFE) sebesar -3.
4.1.6 Single Exponential Smoothing koefisien 0.9
Dari perhitungan pada metode Single Exponential Smoothing dengan
koefisien nol koma lima didapatkan hasil ukuran performansi
peramalannya berupa Mean Absolute Deviation (MAD) sebesar 19,
Mean Square Error (MSE) sebesar 432, dan Mean Forecasting Error
(MFE) sebesar -1.
4.1.7 Naive
Dari perhitungan pada metode naive ini, didapatkan ukuran
performansi peramalannya berupa Mean Absolute Deviation (MAD)

ANITA SARI / D071171012 51
sebesar 192, Mean Square Error (MSE) sebesar 43.136, dan Mean
Forecasting Error (MFE) sebesar -5.
Berdasarkan hasil ukuran performansi peramalan dari beberapa metode
diatas dapat ditarik kesimpulan bahwa metode yang mendekati akurat adalah
metode single exponential smoothing dengan koefisien sebesar nol koma
Sembilan (0.9) dikarenakan nilai error (MAD, MSE dan MFE) yang
dihasilkan paling kecil atau mendekati nol dibandingkan metode yang lain.
4.2 Perencanaan Agregat
Perencanaan agregat dilakukan untuk menentukan strategi produksi
yang terbaik dengan mempertimbangkan biaya total produksi. Dalam
perencanaan agregat, jenis strategi agregat yang digunakan antara lain level
strategy, subcontract, dan chase strategy.
4.2.2 Level Strategy
Pada pengolahan data level strategy terdapat biaya produksi yang
terhitung yaitu permintaan, production level, opportunity level,
inventory level, production cost, opportunity cost, dan inventory cost.
Terdapat inventory level apabila production level lebih besar dari
permintaan, sedangkan opportunity level terjadi apabila mendapatkan
production level lebih kecil dari permintaan. Dari hasil yang telah
diperoleh, diketahui bahwa jumlah total biaya produksi selama satu
tahun adalah Rp.2.630.600.000,-.
4.2.3 Subcontract
Subcontract terjadi ketika permintaan melebihi production level yang
telah ditentukan oleh perusahaan sehingga perusahaan tersebut
memerlukan jasa pihak ketiga. Jasa tersebut dikenakan biaya per unit
permintaan yang melebihi production level. Dari perhitungan yang
telah dilakukan maka hasil yang diperoleh adalah perusahaan
dibebankan biaya sebesar Rp.3.482.700.000,- selama setahun.
4.2.3 Chase Strategy
Pada pengolahan data chase strategy terdapat biaya produksi yang
terhitung adalah permintaan, jam kerja, tenaga kerja, production level,

ANITA SARI / D071171012 52
hiring, firing, production cost, hiring cost, dan firing cost. hiring cost
apabila jumlah tenaga kerja lebih banyak dari jumlah tenaga kerja
yang ditetapkan, sebaliknya pada firing cost apabila jumlah tenaga
kerja lebih sedikit dari jumlah tenaga kerja yang ditetapkan. Dari hasil
yang telah diperoleh, diketahui bahwa perusahaan melakukan firing
setiapbulannya sehingga total biaya yang diperoleh adalah
Rp.2.492.100.000,-.
4.3 Jadwal Induk Produksi
Berdasarkan perhitungan total biaya menggunakan 3 strategi agregat,
didapatkan bahwa chase strategy merupakan strategi dengan total biaya
terendah dan dijadikan dasar dalam penentuan jadwal induk produksi.
Berdasarkan hasil pengolahan data, maka gula yang akan diproduksi pada
tahun 2020 pada bulan Januari akan diproduksi sebesar 2.238 unit, bulan
Februari sebesar 2.173 unit, bulan Maret sebesar 2029 unit, bulan April
sebesar 2.060 unit, bulan Mei sebesar 2.336 unit, bulan Juni sebesar 2.115
unit, Juli sebesar 1.935 unit, bulan Agustus sebesar 2.162 unit, bulan
September sebesar 2.487 unit, bulan Oktober sebesar 2.296 unit, November
sebesar 2.209 unit, dan Desember sebesar 2.266 unit.

ANITA SARI / D071171012 53
BAB V
PENUTUP
5.1 Kesimpulan
Adapun kesimpulan yang didapatkan dari praktikum kali ini adalah
sebagai berikut:
a. Peramalan adalah proses untuk merencanakan perkiraan kebutuhan dimasa
yang akan datang dengan melakukan pengujian pada keadaan di masa lalu
yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan
lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang
ataupun jasa.
b. Penggunaan metode peramalan didasarkan atas bentuk pola data
permintaan. Terdapat 5 pola data dalam peramalan yaitu pola horizontal,
pola siklus, pola musiman, dan pola trend. Pada data permintaan Gula pada
bulan Agustus 2018 hingga Desember 2020 berbentuk pola data
horizontal. Sehingga terdapat 4 metode yang digunakan yaitu Single
Moving Average untuk 3 bulan dan 5 bulan terakhir, Weighted Moving
Average untuk 3 bulan dan 5 bulan terakhir, dan Single Exponential
Smoothing dengan menggunakan koefisien 0,5 dan 0,9, dan metode Naive.
Dari ke empat metode tersebut didapatkan metode yang memiliki nilai
error yang paling rendah yaitu Single Exponential Smoothing pada
koefisien 0,9.
c. Perencanaan agregat adalah sebuah pendekatan untuk menentukan
kuantitas dan waktu produksi pada jangka menengah yaitu 3 sampai 8
bulan yang akan datang. Tujuan dari perencanaan agregat yaitu untuk
mengembangkan suatu rencana produksi secara menyeluruh yang dapat
memenuhi permintaan pasar sesuai kapasitas yang ada dengan biaya yang
minimal. Adapun sifat perencanaan agregat diantaranya dapat dinyatakan
dalam famili (aggregate), satuan unit yang tergantung jenis produk, satuan
unit bisa dikonversikan ke bentuk satuan rupiah, salah satu faktor konversi
juga harus ditetapkan, dan horizon perencanaan yang cukup panjang.

ANITA SARI / D071171012 54
d. Terdapat beberapa strategi perencanaan agregat yaitu Level Strategy,

Subscontract, dan Chase Strategy. Pada praktikum ini didapatkan bahwa
Subscontract adalah strategi perencanaan terbaik karena memiliki total
biaya terkecil.
e. Jadwal Induk Produksi (JIP) merupakan gambaran atas periode
perencanaan dari suatu permintaan dari hasil peramalan yang telah
dilakukan sebelumnya. Sehingga didapatkan Jadwal Induk Produksi gula
yang akan diproduksi pada tahun 2020 pada bulan Januari akan diproduksi
sebesar 2.238 unit, bulan Februari sebesar 2.173 unit, bulan Maret sebesar
2029 unit, bulan April sebesar 2.060 unit, bulan Mei sebesar 2.336 unit,
bulan Juni sebesar 2.115 unit, Juli sebesar 1.935 unit, bulan Agustus
sebesar 2.162 unit, bulan September sebesar 2.487 unit, bulan Oktober
sebesar 2.296 unit, November sebesar 2.209 unit, dan Desember sebesar
2.266 unit.
5.2 Saran
5.2.1 Saran untuk Laboratorium
a. Agar memberikan wadah room meeting yang bisa digunakan setiap
saat seperti google meet atau zoom unlimited.
b. Agar mempertahankan materi pebelajaran yang jelas lewat power
point seperti saat ini.
5.2.2 Saran untuk Asisten
a. Kak Namirah Maulidina
1) Agar mempertahankan cara menjelaskan yang mudah dipahami
oleh praktikan, hanya saja kecepatan saat menjelaskan harap
untuk dikurangi agar apa yang dijelaskan lebih tersampaikan
dengan jelas pada praktikan.
2) Agar mempertahankan keramahan kepada praktikan.
b. Kak Erza Azzahra M. A
1) Agar mempertahankan cara menjelaskannya yang baik dan
mudah dipahami.
2) Agar ketelitiannya dapat dipertahankan.

ANITA SARI / D071171012 55
DAFTAR PUSTAKA
Agustian, H., Pujiastuti, A., & Sayoga, M. V. 2020. Comparison Of Simple Moving
Average and Exponential. Ejournal Raharja, 175-184.
Ajeng, Sri. 2011. Peramalan Penjualan Untuk Perencanaan Pengadaan
Persediaan Buah Durian di Rumah Durian Harum Bintaro Jakarta. Tugas
Akhir. Universitas Islam Negeri Syarif Hidayatullah. Jakarta.
Apriliana, Aldi Dwi. 2015. “Disagregasi”. Bekasi : President University.
Arnold, T., Chapman, S., & Clive, L. 2008 . Introduction to Material Management.
New Jersey: Pearson.
Assauri, Sofjan. 2010. Manajemen Pemasaran: Dasar, Konsep & Strategi. Jakarta:
Raja Grafindo Persada.
Bedworth, David D., Bailey, James E. 1987. Intregated Production Control.
Systems. Singapore
Djojodipuro, Marsudi. 1991. Teori Harga. Jakarta: LPFE. UI.
Ginting. Rosnani. 2007. Sistem Produksi. Yogyakarta: GRAHA ILMU
Gunawan Adi Saputro dan Marwan Asri. 2000. Anggaran Perusahaan Edisi 3.
Yogyakarta: BPFE.
Heizer, Jay & Barry Render. 2010. “Manajemen Operasi.” Salemba Empat.
Herjanto, Eddy. 2008. Manajemen Operasi Edisi Ketiga. Jakarta: Grasindo.
Iswahyudi, Christian. 2016. Pengantar Teknik Peramalan (Forecasting). Bali : ITB
STIKOM
Kurniasari, Erin Wahyu. 2018. Analisa Perencanaan Agregat Dengan
Menggunakan Metode Transportasi (Studi Kasus CV. Dwi Jaya Abadi).
Sidoarjo: Universitas Muhammadiyah Sidoarjo
Kusuma, Hendra. 2001. “Manajemen Produksi, Perencanaan dan Pengendalian
Produksi”, Penerbit Andi. Yogyakarta.
Makridakis, S., Wheelwright, S.C., McGee, Victor E. 1999 Metode dan Aplikasi
Peramalan, Jilid Satu, Edisi 2, Terjemahan Andriyanto, U.S., Abdul, A.,
Jakarta.
Maricar, M. A. 2019. Analisa Perbandingan Nilai Akurasi Moving Average.
JURNAL SISTEM DAN INFORMATIKA, 36-45.

ANITA SARI / D071171012 56
Maryoko, T. (2015). Analisis Uji Kuat Tekan Beton Terhadap Gradasi Pasir Pada
Beberapa Segmen Sungai Klawing, Purbalingga. Purwokerto: Universitas
Muhammadiyah Purwokerto.
Mashudi. (2015). Usulan Peramalan dan Perencanaan Agregat Tepung Jeli
Dengan Memperhitungkan Pengaruh Special Event, Seasonal, dan Trend di
PT. XYZ. Cikarang: President University.
Nasution, Arman Hakim. 2008. Perencanaan dan Pengendalian Produksi. Edisi
Kedua. Surabaya: Prima Printing.
Nasution, A. H., dan Prasetyawan, Y. (2008). Perencanaan & Pengendalian
Produksi. Edisi Pertama. Graha Ilmu, Yogyakarta.
Nisa, Atika Khoirun, Trio Yonathan Kusuma. (2017). Perencanaan dan
Pengendalian Produksi Dengan Metode Aggregate Planning di C-Maxi
Alloycast. Yogyakarta: UIN Sunan Kalijaga Yogyakarta.
Rosta, Jevi dan Hendy Tannady. (2017). Perencanaan Agregat Heuristik Untuk
Penentuan Sumber Daya Yang Optimal. Jakarta: Binus University
Saebiah, S., & Amaliah, N. (2017). Aplikasi POM For Windows. Pangkep: STKIP
Andi Matapa.
Setiawan, Viola. 2011. “Analisis Penjadwalan Produksi Untuk Meningkatkan
Efisiensi Waktu”. Bandung : Skripsi FE UKM.
Sulianti, I K A. 2018. “Analisis Pengaruh Besar Butiran Agregat Kasar Terhadap.”
Jurnal Forum Meknika 7.
Syahputra, R. D., Suharyono, & Supriono. (2018). Peramalan Penjualan Jasa
Freight Forwarding Dengan Metode Single Moving Averages, Exponential
Smoothing Dan Weighted Moving Averages. Malang: Fakultas Ilmu
Administrasi Universitas Brawijaya.
Taylor III, Bernard W. 2005. Introduction to Management Science, jilid kedua.
edisi kedelapan. Jakarta : Selemba empat
Tohir, Akhmat. 2011. Analisis Peramalan Penjualan Minyak Sawit Kasar atau
Crude Palm Oil (CPO) pada PR. Jakarta: Kharisma Pemasaran Bersama
(KPB) Nusantara di Jakarta. Program Studi Agribisnis, Fakultas Sains dan
Teknologi, Universitas Islam Negeri Syarif Hidayatullah.

ANITA SARI / D071171012 57
Wardhani, Arie Restu. (2010). “Perencanaan Agregat Dengan Metode

Transportasi Pada PT. X Pasuruan”, Widya Teknika, Vol.18, No.1, Hal.6-
10, Staf Pengajar Jurusan Teknik Industri, Universitas Widyagama Malang.

ANITA SARI / D071171012 58
LAMPIRAN

ANITA SARI / D071171012 59

ANITA SARI / D071171012 60

Modul 2 Anita

Diunggah oleh

Informasi Dokumen

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

Modul 2 Anita

Diunggah oleh

Hak Cipta:

Format Tersedia

LABORATORIUM SISTEM MANUFAKTUR

DEPARTEMEN TEKNIK INDUSTRI

LABORATORIUM SISTEM MANUFAKTUR

FORECASTING & AGREGATE PLANNING

FORECASTING & AGREGATE PLANNING

2.15 Final Assembly Schedule (FAS) dan Software POM QM .................... 29

FORECASTING & AGREGATE PLANNING

5.2.1 Saran untuk Laboratorium ............................................................... 55

FORECASTING & AGREGATE PLANNING

FORECASTING & AGREGATE PLANNING

FORECASTING & AGREGATE PLANNING

Peramalan merupakan kegiatan untuk memperkirakan sesuatu yang

Dalam percobaan ini metode-metode peramalan yang akan digunakan

FORECASTING & AGREGATE PLANNING

digunakan dalam pengolahan data diambil pada perusahaan (Pabrik Gula

FORECASTING & AGREGATE PLANNING

FORECASTING & AGREGATE PLANNING

FORECASTING & AGREGATE PLANNING

a. Variabel-variabel yang akan diestimasi

Gambar 2. 1 Pola Data Horizontal

FORECASTING & AGREGATE PLANNING

b. Pola Data Musiman (S)

Gambar 2. 2 Pola Musiman

Gambar 2. 3 Pola Siklis

FORECASTING & AGREGATE PLANNING

d. Pola Data Trend (T)

Gambar 2. 4 Pola Trend

FORECASTING & AGREGATE PLANNING

a. Time Series atau Deret Waktu

FORECASTING & AGREGATE PLANNING

terkini. Moving average dengan pembobotan disebut juga

FORECASTING & AGREGATE PLANNING

FORECASTING & AGREGATE PLANNING

memiliki keuntungan yaitu lebih akurat serta lebih professional

FORECASTING & AGREGATE PLANNING

b. Peramalan Berdasarkan Fungsi & Perencanaan Operasi Masa Depan

FORECASTING & AGREGATE PLANNING

d. Berdasarkan Sifat Penyusunannya

FORECASTING & AGREGATE PLANNING

Dari rumus tersebut, dapat diartikan bahwa ∑ | Aktual - Forecast |

FORECASTING & AGREGATE PLANNING

FORECASTING & AGREGATE PLANNING

minimal. Untuk memproleh biaya dan keuntungan yang optimal sesuai

FORECASTING & AGREGATE PLANNING

e. Horizon perencanaan yang cukup panjang (5 tahun).

FORECASTING & AGREGATE PLANNING

kumulatifnya. Secara garis besar langkah perencanaan yang dilakukan

FORECASTING & AGREGATE PLANNING

Gambar 2. 5 Fase-Fase Perencanaan Agregat

FORECASTING & AGREGATE PLANNING

a. Fase 1 : Persiapan Peramalan Permintaan Agregat. Dimana peramalan

FORECASTING & AGREGATE PLANNING

d. Fase 4 : Menentukan Strategi Produksi yang Optimal. Setelah melakukan

FORECASTING & AGREGATE PLANNING

Permintaan seseorang atau masyarakat terhadap suatu barang atau jasa

FORECASTING & AGREGATE PLANNING

Gambar 2. 6 Beberapa Faktor yang Mempengaruhi Permintaan

FORECASTING & AGREGATE PLANNING

FORECASTING & AGREGATE PLANNING

kapasitas yang efektif adalah menyediakan kapasitas sesuai dengan

FORECASTING & AGREGATE PLANNING

Gambar 2. 7 Hierarki Tipe Produk

FORECASTING & AGREGATE PLANNING

FORECASTING & AGREGATE PLANNING