Artikel Modul 1

Production Planning and Control MODUL
2018/2019 ARTIKEL
MODUL 1
PROSES AGREGASI, PERAMALAN, DAN VERIFIKASI
1. Perencanaan Produksi
1.1 Definisi
Perencanaan produksi adalah suatu kegiatan untuk mendapatkan produk sesuai dengan yang
ditetapkan, dimana kegiatan tersebut berkaitan dengan penentuan berapa banyak yang
diproduksi, sumber daya apa yang dibutuhkan dan kapan harus di produksi (Sofyan, 2013).
1.2 Tujuan
Untuk mengatur tindakan yang akan dilakukan dalam proses produksi sebagai langkah awal
dalam menyusun tahapan-tahapan kegiatan dimasa yang akan datang, sehingga perencanaan
produksi harus disusun berdasarkan hasil perolehan data masa lalu.
2. Perencanaan Agregat
2.1 Definisi
Perencanaan agregat adalah perencanaan yang dibuat untuk menentukan total permintaan
dari seluruh elemen produksi dan jumlah tenaga kerja yang diperlukan (Baroto, 2002).
2.2 Tujuan
Adapun tujuan dari perencanaan agregat menurut Baroto, yaitu :
1. Perencanaan strategi produksi.
2. Untuk produksi jangka menengah.
3. Meminimasi detail yang ada pada perencanaan produksi .
4. Menentukan kebutuhan sumber daya (tenaga kerja, material, fasilitas, peralatan, ongkos,
dll).
5. Sebagai langkah awal aktivitas produksi yang digunakan untuk penyusunan Jadwal Induk
Produksi (JIP).
SISPROMASI LABORATORY 1
2018/2019 ARTIKEL
3. Peramalan
3.1 Definisi
Peramalan atau forecasting adalah sebuah teknik untuk memprediksi masa depan dengan
menggunakan pengalaman dari masa lalu. Dalam sebuah sistem produksi, forecasting
digunakan untuk memprediksi permintaan di periode yang akan datang (Chapman, 2006).
3.2 Tujuan
Tujuan peramalan dalam kegiatan produksi adalah untuk meredam ketidakpastian, sehingga
diproleh suatu perkiraan yang mendekati keadaan yang sebenarnya (Ginting, 2007).
a. Jangka Pendek (Short Term)
Menentukan kuantitas dan waktu dari item dijadikan produksi. Biasanya bersifat harian
ataupun mingguan dan ditentukan oleh Low Management.
b. Jangka Menengah (Medium Term)
Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya bersifat bulanan
ataupun kuartal dan ditentukan oleh Middle Management.
c. Jangka Panjang (Long Term)
Merencanakan kuantitas dan waktu dari fasilitas produksi. Biasanya bersifat tahunan, 5
tahunan, 10 tahunan, ataupun 20 tahun dan ditentukan oleh Top Management.
3.3 Karakteristik
1. Akurasi
Akurasi peramalan diukur dari hasil dan kekonsistensian peramalan tersebut. Hasil
peramalan dikatakan tidak sesuai bila peramalan tersebut terlalu tinggi atau rendah
dibandingkan dengan kenyataan yang sebenarnya terjadi.
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari jumlah item
yang diramalkan, lamanya periode peramalan, dan metode peramalan yang digunakan.
2018/2019 ARTIKEL
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan
akan memberikan keuntungan bagi perusahaan.
4. Metode Peramalan
Gambar 1 Metode Peramalan

4.1 Metode Kuantitatif
Metode kuantitatif adalah suatu metode peramalan yang didasarkan atas data kuantitatif pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan
dalam peramalan tersebut.
2018/2019 ARTIKEL
Metode kuantitatif dapat digunakan jika terdapat tiga kondisi berikut (Makridakis, 1983):
1. Terdapat informasi atau data tentang masa lalu
2. Informasi atau data ini dapat diukur dengan data numerik
3. Dapat diasumsikan bahwa beberapa askpek dari pola dimasa lalu akan berlanjut
4.1.1 Metode Kausal

Metode kausal merupakan metode yang digunakan untuk menganalisa pola hubungan
antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya
(Ginting,2007).
4.1.2 Metode Time Series

Metode time series merupakan suatu metode yang berhubungan dengan nilai-nilai suatu
variabel yang diatur secara periodik sepanjang waktu dimana perkiraan permintaan
diproyeksikan untuk menentukan variasi indikator produk tertentu tertentu terhadap
waktu. Metode ini digunakan untuk menganalisis serangkaian data berdasarkan fungsi
dari waktu.
4.1.2.1 Regresi
Metode perhitungan peramalan berdasaarkan garis kecenderungan, sehingga
dapat diproyeksikan hal-hal yang akan diteliti pada masa yang akan datang
(Sofyan, 2013).
1. Konstan
Dengan rumus :
∑ 𝑑𝑡
𝑑′𝑡 =
𝑛
Keterangan :
𝑑′𝑡 = Nilai peramalan pada periode t
𝑑𝑡 = Demand pada periode t
n = Jumlah periode
2018/2019 ARTIKEL
2. Linear
𝑑 ′ (𝑡) = 𝑎 + bt
Dimana :
∑ 𝑡 2 . 𝑑(𝑡) − ∑ 𝑡 ∑ 𝑡. 𝑑( 𝑡) 𝑛 ∑ 𝑡. 𝑑(𝑡) − ∑( 𝑡) ∑ 𝑑( 𝑡)
𝑎= 2 𝑏= 2
𝑛 ∑ 𝑡 − (∑ 𝑡)2 𝑛 ∑ 𝑡 − (∑ 𝑡)2
Keterangan :
𝑑′𝑡 = Nilai peramalan pada periode t
𝑑𝑡 = Demand pada periode t
n = Jumlah periode
a = Intercept
b = Slope
4.1.2.2 Smoothing
1. Moving Average
a. Single Moving Average
Metode peramalan yang dilakukan pada data masa lalu untuk satu periode
yang telah memiliki pola rata-rata. Semakin besar nilai t maka peramalan
yang dihasilkan akan semakin menjauh dari pola data adalah:
𝑑𝑡−1 + 𝑑𝑡−2 + 𝑑𝑡−3 + ⋯ + 𝑑𝑡−𝑛

𝑑′𝑡 =
𝑛
Keterangan :
1. 𝑑𝑡−1 = Demand periode-t-1
2. n = Jumlah deret waktu yang digunakan
3. 𝑑′𝑡 = Nilai peramalan periode t
2018/2019 ARTIKEL
b. Double Moving Average (mxn)

Notasi yang diberikan adalah MA (m x n), artinya m menunjukkan periode s’
dan n menunjukkan periode s’’, dengan notasi perhitungan sebagai berikut:
𝑑𝑡−1 + 𝑑𝑡−2 + ⋯ + 𝑑𝑡−𝑛+1

𝑆′𝑡 =
𝑛
𝑆′𝑡−1 + 𝑆′𝑡−2 + ⋯ + 𝑆′𝑡−𝑚+1

𝑆′′𝑡 =
𝑚
𝑎𝑡 = 𝑆′𝑡 + (𝑆′𝑡 − 𝑆 ′′ 𝑡 ) = 2𝑆 ′ 𝑡 − 𝑆′′𝑡
2
𝑏𝑡 = 𝑁−1 ( 𝑆 ′ 𝑡 − 𝑆 ′ ′𝑡 )
𝑑′𝑡 = 𝑎𝑡−1 + 𝑏𝑡−1 𝑀
Keterangan :
1. 𝑑𝑡−1 = Demand periode-t-1
2. 𝑑′𝑡 = Nilai peramalan periode t
3. 𝑆 ′ = Single Moving Average
4. 𝑆" = Double Moving Average
5. 𝑛 = Jumlah Periode Single Moving Average
6. 𝑚 = Jumlah Periode Double Moving Average
7. 𝑀 = Selisih periode yang diramal dengan periode sekarang
8. 𝑁 = Jumlah periode yang akan diramal
2018/2019 ARTIKEL
c. Weight Moving Average

Data pada periode tertentu diberi bobot, semakin dekat dengan saat sekarang
semakin besar bobotnya. Bobot ditentukan berdasarkan pengalaman.
Rumusnya adalah sebagai berikut.
𝑊1 𝑑𝑡−1 + 𝑊2 𝑑𝑡−2 + 𝑊𝑛 𝑑𝑛−1

𝑑′𝑡 =
𝑊1 + 𝑊2 + 𝑊𝑛
Keterangan :
1. W1 = Bobot yang diberikan pada periode t-1
2. W2 = Bobot yang diberikan pada periode t-2
3. Wn = Bobot yang diberikan pada periode t-n
4. n = Jumlah periode
5. d’t = Nilai peramalan periode t
2. Exponential Smoothing
a. Single Exponential Smoothing
Single Exponential Smoothing dapat diartikan berdasarkan tahapan
perhitungannya,dimana nilai data ramalan pada periode t+1 merupakan nilai
aktual pada periode t ditambah dengan penyesuaian yang berasal dari
kesalahan nilai ramalan yang terjadi pada periode t tersebut. Nilai peramalan
dapat dicari dengan rumus berikut.
𝑑′𝑡 = 𝑑 ′ 𝑡−1 +∝ (𝑑𝑡−1 − 𝑑 ′ 𝑡−1 )
Dimana:
1. d’t-1 = Data peramalan pada periode t-1
2. dt-1 = Data permintaan pada periode t-1
3. ∝ = Faktor / konstanta
4. d’t = Peramalan pada periode t
2018/2019 ARTIKEL
b. Double Exponential Smoothing
𝑆′𝑡 = 𝑠 ′ 𝑡−1 +∝ (𝑑𝑡 − 𝑠 ′ 𝑡−1 )
𝑆′′𝑡 = 𝑠 ′′ 𝑡−1 +∝ (𝑠′𝑡 − 𝑠 ′′ 𝑡−1 )
𝑎𝑡 = 𝑆′𝑡 + (𝑆′𝑡 − 𝑆 ′′ 𝑡 ) = 2𝑆 ′ 𝑡 − 𝑆′′𝑡
∝
𝑏𝑡 = 1−∝ ( 𝑆 ′ 𝑡 − 𝑆 ′ ′𝑡 )
𝐷′𝑡 = 𝑎𝑡−1 + 𝑏𝑡−1 𝑚
Keterangan :
1. 𝑑𝑡 = Demand periode-t
2. ∝ = Konstanta
3. S′ = Single Exponential Smoothing
4. S ′′ = Double Exponential Smoothing
2018/2019 ARTIKEL
4.2 Metode Kualitatif

Metode kualitatif biasanya digunakan bila tidak ada atau sedikit data masa lalu tersedia.
Dalam metode ini, pendapat pakar dan prediksi mereka dijadikan dasar untuk menetapkan
permintaan yang akan datang (Baroto, 2002).
1. Delphi
Metode ini memprediksi keadaan umum pasar, ekonomi, atau kemajuan teknologi lima
tahun atau lebih dari sekarang, berdasarkan pendapat ahli. Proses peramalan delphi
dilakukan dengan cara mengumpulkan pendapat para pakar, selanjutnya para pakar akan
mengisi kuisioner, dan moderator akan menyimpulkan hasilnya dan para ahli memberikan
evaluasi dan rating, begitupun seterusnya.
2. Top Down
Metode top-down sering dimulai dengan hasil-hasil peramalan berbagai kondisi bisnis
umum yang dibuat oleh para ekonom dalam lembaga-lembaga pemerintahan, dalam
perusahaan-perusahaan besar, atau perguruan tinggi.
3. Bottom Up
Peramalan dengan metode ini dimulai dengan perkiraan permintaan produk akhir
individual. Pertama, mencari informasi dari pengecer mengenai permintaan konsumen dan
pendapat distributor mengenai perlikau permintaan produk. Informasi tersebut ditambah
dengan informasi mengenai pola permintaan dimasa lalu.
4. Interpretasi Permintaan
Metode ini sifatnya subjektif, syaratnya peramal harus memiliki keluasan wawasan dan
kemampuan menganalisis secara terpadu keseluruhan faktor penyebab naik-turunnya
permintaan.
2018/2019 ARTIKEL
5. Kelompok Nominal
Metode kelompok nominal melibatkan orang-orang yang berpengalaman dalam berbagai
bidang. Perbedaan dengan metode Delphi terletak pada interaksi antara anggota panel.
Dalam metode ini terdapat diskusi antar anggota secara langsung dan secara tatap muka,
sedangkan dalam metode Delphi sama sekali tidak ada interaksi lisan.
5. Pola Data Peramalan

5.1 Pola Trend
Pola data yang memiliki kecenderungan gerakan relatif naik ataupun turun dalam jangka
panjang. Dari data yang berfluktuasi, dapat ditarik suatu garis sehingga akan terlihat
bentuk pola datanya. Metode peramalan yang sesuai dengan pola data trend adalah
metode regresi linear, exponential smoothing, dan double exponential smoothing. Berikut
adalah gambar pola data trend.
Gambar 2 Pola Data Trend
5.2 Pola Musiman (Seasonal)

Pola data musiman menggambarkan pola penjualan yang berulang setiap periode. Disebut
pola data musiman karena permintaan tersebut dipengaruhi oleh musim yang ada. Metode
peramalan yang sesuai untuk pola data musiman adalah moving average, dan weight
moving average. Berikut adalah gambar pola data musiman.
2018/2019 ARTIKEL
Gambar 3 Pola Data Musiman
5.3 Pola Siklis (Cycle)

Pola data yang berulang secara periodik dengan rentang waktu tidak tentu. Pola data ini
biasanya dipengaruhi oleh fluktuasi ekonomi. Metode peramalan yang sesuai dengan pola
data siklis adalah metode moving average, weight moving average, dan exponential
smoothing. Berikut adalah gambar pola data siklis.
DATA UNIT AGREGAT
140000
120000
100000
80000
60000
40000
20000
0
1 2 3 4 5 6 7 8 9 10 11 12
Gambar 4 Pola Data Siklis

5.4 Pola Horizontal
Pola data yang terjadi akibat nilai data berfluktuasi disekitar nilai rata-rata yang konstan.
Suatu produk yang penjualannya tidak meningkat ataupun menurun selama waktu
tertentu juga termasuk jenis pola data ini. Metode yang sesuai dengan pola data horizontal
adalah konstan. Berikut adalah gambar pola data horizontal.
2018/2019 ARTIKEL
DATA UNIT AGREGAT

90000
80000
70000
60000
50000
40000
30000
20000
10000
0
1 2 3 4 5 6 7 8 9 10 11 12
Gambar 5 Pola Data Horizontal
6. Kriteria Performance Peramalan

6.1 Mean Absolute Deviation (MAD)
Mean Absolute Deviation adalah rata-rata kesalahan mutlak selama priode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil (Ginting, 2007).
Berikut ini adalah rumus MAD.
𝑛
1
𝑀𝐴𝐷 = ∑ ∣ 𝑒𝑖 ∣
𝑛
𝑖=1
Keterangan :
1. n = Banyaknya periode
2. ei = Selisih nilai peramalan dengan data actual
6.2 Mean Squared Error (MSE)

Mean Squared Error adalah akurasi yang dihitung dengan menjumlahkan kuadrat semua
kesalahan pada setiap petiode dan membaginya dengan jumlah peramalan (Ginting, 2007).
Berikut ini adalah rumus MSE.
𝑛
1
𝑀𝑆𝐸 = ∑ 𝑒𝑖 2
𝑛
𝑖=1
2018/2019 ARTIKEL
Keterangan:
2. 𝑒𝑖 = Selisih nilai permalan dengan data actual
6.3 Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error adalah presentase kesalahan hasil peramalan terhadap
permintaan aktual selama periode tertentu yang akan memberikan informasi persentase
error terlalu tinggi atau rendah (Ginting, 2007). Berikut ini adalah rumus MAPE.
𝑛
1
𝑀𝐴𝑃𝐸 = [ ∑ ∣ 𝑒𝑖 ⁄𝐷𝑖 ∣] × 100 %
𝑛
𝑖=1
Keterangan :
2. 𝑒𝑖 = Selisih nilai permalan dengan data actual
3. Di = Nilai ramalan pada periode t
6.4 Standard Error of Estimation (SEE)

Standard Error of Estimation adalah suatu ukuran keakuratan dari estimasi atau prediksi
(Ginting, 2007). Standard Error of Estimation dapat dirumuskan sebagai berikut.
∑(𝑌 − 𝑌 ′ )2
𝑆𝐸𝐸 = √
𝑛−𝑓
Keterangan:
1. Y = Permintaan aktual
2. Y’ = Nilai peramalan
3. n = Jumlah periode
4. f = Derajat kebebasan
2018/2019 ARTIKEL
Dimana :
f = 1 untuk data Konstan
f = 2 untuk data Linier
f = 3 untuk data Kuadratis
f = 3 untuk data Siklis
7 Verifikasi
Proses verifikasi peramalan dilakukan terhadap metode peramalan yang terbaik. Proses
verifikasi digunakan untuk melihat apakah metode peramalan yang diperoleh representif
terhadap data. Proses verifikasi dilakukan dengan Moving Range Chart. Dari peta ini dapat
terlihat apakah sebaran data masih didalam batas control atau tidak. Jika sebaran berada di
luar batas control, maka metode peramalan tersebut tidak sesuai artinya pola peramalan
terhadap data tidak representif (Ginting, 2007).
Kondisi out of control dapat diperiksa dengan menggunakan empat aturan berikut:
1. Aturan Satu Titik
Bila ada satu titik sebaran (Y’-Y) berada di luar UCL dan LCL.
2. Aturan Tiga Titik
Bila ada dua atau lebih dari tiga titik sebaran secara berturut-turut jatuh pada daerah A di
sisi yang sama dari garis tengah.
3. Aturan Lima Titik
Bila ada empat atau lebih dari lima titik sebaran secara berturut-turut jatuh pada daerah B
di sisi yang sama dari garis tengah.
4. Aturan Delapan Titik
Bila ada delapan buah titik atau lebih secara berturut-turut pada daerah C di sisi yang sama
dari garis tengah.
2018/2019 ARTIKEL
Berikut bagan yang dijelaskan pada aturan MRC tersebut dapat dilihat pada gambar
dibawah ini.
UCL
A
2/3 UCL
B
1/3 UCL
C
CCL
C
1/3 LCL
B
2/3 LCL
A
LCL
Gambar 6 Moving Range Chart
2018/2019 ARTIKEL
REFERENSI
Baroto, T. (2002). Perencanaan dan Pengendalian Produksi. Jakarta: Ghalia Indonesia.
Chapman, S. N. (2006). The Fundamentals of Production Planning and Control. New Jersey:
Pearson Eduation.
Fogarty, D. (1991). Production and Inventory Management. Ohio: South-Western.
Ginting, R. (2007). Sistem Produksi. Yogyakarta: Graha Ilmu.
Makridakis, S. (1983). Forecasting: Methods And Applications. Canada: Simultaneously.
Sofyan, D. (2013). Perencanaan dan Pengendalian Produksi. Yogyakarta: Graha Ilmu.

Artikel Modul 1

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

Artikel Modul 1

Diunggah oleh

Hak Cipta:

Format Tersedia

Production Planning and Control MODUL

Gambar 1 Metode Peramalan

4.1.1 Metode Kausal

4.1.2 Metode Time Series

𝑑𝑡−1 + 𝑑𝑡−2 + 𝑑𝑡−3 + ⋯ + 𝑑𝑡−𝑛

b. Double Moving Average (mxn)

𝑑𝑡−1 + 𝑑𝑡−2 + ⋯ + 𝑑𝑡−𝑛+1

𝑆′𝑡−1 + 𝑆′𝑡−2 + ⋯ + 𝑆′𝑡−𝑚+1

𝑎𝑡 = 𝑆′𝑡 + (𝑆′𝑡 − 𝑆 ′′ 𝑡 ) = 2𝑆 ′ 𝑡 − 𝑆′′𝑡

𝑑′𝑡 = 𝑎𝑡−1 + 𝑏𝑡−1 𝑀

c. Weight Moving Average

𝑊1 𝑑𝑡−1 + 𝑊2 𝑑𝑡−2 + 𝑊𝑛 𝑑𝑛−1

𝑑′𝑡 = 𝑑 ′ 𝑡−1 +∝ (𝑑𝑡−1 − 𝑑 ′ 𝑡−1 )

b. Double Exponential Smoothing

𝑆′𝑡 = 𝑠 ′ 𝑡−1 +∝ (𝑑𝑡 − 𝑠 ′ 𝑡−1 )

𝑆′′𝑡 = 𝑠 ′′ 𝑡−1 +∝ (𝑠′𝑡 − 𝑠 ′′ 𝑡−1 )

𝑎𝑡 = 𝑆′𝑡 + (𝑆′𝑡 − 𝑆 ′′ 𝑡 ) = 2𝑆 ′ 𝑡 − 𝑆′′𝑡

𝐷′𝑡 = 𝑎𝑡−1 + 𝑏𝑡−1 𝑚

4.2 Metode Kualitatif

5. Pola Data Peramalan

Gambar 2 Pola Data Trend

5.2 Pola Musiman (Seasonal)

Gambar 3 Pola Data Musiman

5.3 Pola Siklis (Cycle)

Gambar 4 Pola Data Siklis

DATA UNIT AGREGAT

Gambar 5 Pola Data Horizontal

6. Kriteria Performance Peramalan

6.2 Mean Squared Error (MSE)

6.3 Mean Absolute Percentage Error (MAPE)

6.4 Standard Error of Estimation (SEE)

Gambar 6 Moving Range Chart

Baroto, T. (2002). Perencanaan dan Pengendalian Produksi. Jakarta: Ghalia Indonesia.

Fogarty, D. (1991). Production and Inventory Management. Ohio: South-Western.

Ginting, R. (2007). Sistem Produksi. Yogyakarta: Graha Ilmu.

Makridakis, S. (1983). Forecasting: Methods And Applications. Canada: Simultaneously.

Sofyan, D. (2013). Perencanaan dan Pengendalian Produksi. Yogyakarta: Graha Ilmu.

Anda mungkin juga menyukai