BAB III

PENGUMPULAN DAN PENGOLAHAN DATA

Bab III berisi mengenai pengumpulan dan pengolahan data.

3.1 PENGUMPULAN DATA

Pengumpulan data terdiri dari sejarah perusahaan, landasan teori forecasting &
aggregate planning, data permintaan ragum tipe s dan p, data waktu penyelesaian, data
ongkos agregat, dan data kapasitas RT, OT, jumlah tenaga kerja awal dan inventory
awal.

3.1.1 Sejarah Perusahaan

PT. Diffy Dagamda Mfg. adalah perusahaan yang bergerak di dalam bidang
manufaktur. PT. Diffy Dagamda Mfg. ini didirikan pada tahun 2016 oleh sarjana teknik
industry sebanyak 26 orang, yang berlokasi di Jl. PHH. Musthofa No. 23 Bandung.
Produk yang paling utama diproduksi yaitu ragum. Ragum yang diproduksi terdiri dari
dua tipe, yaitu tipe s dan tipe p.
Permintaan terhadap kedua ragum ini berfluktuatif setiap periodenya. Sifat dari
perimtaan ini mempengaruhi sistem produksi perusahaan, sehingga pihak perusahaan
terdorong untuk melakukan perencanaan produksi. Namun saat melakukan perencanaan
dan pengendalian produksi harus memperhatikan kapasitas produk yang dimiliki.
Waktu berkerja saat ini selama 24 hari dalam satu bulan dengan jam kerja 8 jam.
Pengendalian produksi diperlukan oleh perusahaan karena PT. Diffy Dagamda
Mfg. mempunyai keterbatasan sumber daya seperti mesin, tenaga kerja, dan material.
Diharapkan dengan adanya perencanaan dan pengendalian produksi perusahaan ini
seluruh permintaan konsumen dapat terpenuhi dengan jumlah yang tepat dan waktu
yang tepat.

III-1
Bab III Pengumpulan dan Pengolahan Data III-2

3.1.2 Landasan Teori Forecasting & Aggregat Planning

1. Forecasting
Pengertian peramalan (forecasting) : adalah seni dan ilmu memprediksi
peristiwa-peristiwa yang akan terjadi dengan menggunakan data historis dan
memproyeksikannya ke masa depan dengan beberapa bentuk model matematis.
Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan
dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang
tepat. Peramalan merupakan dugaan terhadap permintaan yang akan datang berdasarkan
pada beberapa variabel peramal, sering berdasarkan data deret waktu historis.
Peramalan menggunakan teknik-teknik peramalan yang bersifat formal maupun
informal (Gaspersz, 1998).
Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan
manajemen. Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti
(intuitif). Peramalan memiliki sifat saling ketergantungan antar divisi atau bagian.
Kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan anggaran,
pengeluaran operasi, arus kas, persediaan, dan sebagainya. Dua hal pokok yang harus
diperhatikan dalam proses peramalan yang akurat dan bermanfaat (Makridakis, 1999):
a. Pengumpulan data yang relevan berupa informasi yang dapat
menghasilkan peramalan yang akurat.
b. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi
data yang diperoleh semaksimal mungkin.
Untuk melakukan peramalan diperlukan metode tertentu dan metode mana yang
digunakan tergantung dari data dan informasi yang akan diramal serta tujuan yang
hendak dicapai. Dalam prakteknya terdapat berbagai metode peramalan berdasarkan
jangka waktu antara lain :
a. Peramalan berdasarkan jangka waktu :
 Peramalan jangka pendek ( kurang satu tahun, umumnya kurang tiga
bulan: digunakan untuk rencana pembelian, penjadwalan kerja, jumlah
TK, tingkat produksi).
 Peramalan jangka menengah ( tiga bulan hingga tiga tahun : digunakan
untuk perencanaan penjualan, perencanaan dan penganggaran produksi
dan menganalisis berbagai rencana operasi).

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-3

 Peramalan jangka panjang ( tiga tahun atau lebih, digunakan untuk

merencanakan produk baru,penganggaran modal, lokasi fasilitas, atau
ekspansi dan penelitian serta pengembangan).
b. Peramalan berdasarkan rencana operasi
 Ramalan ekonomi : membahas siklus bisnis dengan memprediksi tingkat
inflasi dan indikator perencanaan lainnya.
 Ramalan teknologi : berkaitan dengan tingkat kemajuan teknologi dan 
produk baru.
 Ramalan permintaan : berkaitan dengan proyeksi permintaan terhadap
produk perusahaan. Ramalan ini disebut juga ramalan penjualan, yang
mengarahkan produksi, kapasitas dan siatem penjadualan perusahaan.
Dalam prakteknya terdapat berbagai metode peramalan berdasarkan sifat antara
lain:
a. Metode Kuantitatif
Menggunakan berbagai model matematis atau metode statistik dan  data
historis dan atau variabel-variabel kausal untuk meramalkan permintaan,
Metode Peramalan Kuantitatif dapat dikelompokkan menjadi dua jenis, yaitu:
 Model Seri Waktu / Metode deret berkala
Model seri waktu / metode deret berkala (time series)  metode yang
dipergunakan untuk menganalisis serangkaian data yang merupakan
fungsi dari waktu.
 Model / metode kausal (causal/explanatory model)
Merupakan metode peramalan yang didasarkan kepada hubungan antara
variabel yang diperkirakan dengan variabel lain yang mempengaruhinya
tetapi bukan waktu melainkan sebab akibat.
b. Metode Kualitatif
Metode kualitatif umumnya bersifat subjektif, dipengaruhi oleh intuisi,
emosi, pendidikan dan pengalaman seseorang. Oleh karena itu hasil
peramalan dari satu orang dengan orang lain dapat berbeda.
(Sumber:http://saskiabosa.blogspot.co.id/2013/10/forecasting-peramalan-untuk-
manajemen.html; Forecasitng Peramalan Untuk Manajemen;28 Januari 2016)

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-4

Empat pola yang lazim ditemuin dalam peramalan, yaitu:

a. Pola horizontal
b. Pola musiman
c. Pola siklis
d. Pola trend
(Sumber: https://fariedpradhana.wordpress.com/2012/06/28/forecasting-peramalan/;
Forecsting Peramalan; 28 Januari 2016)
2. Aggregate Planning
Aggregate Planning (AP) adalah suatu aktivitas operasional untuk menentukan
jumlah dan waktu produksi pada waktu dimasa yang akan datang. Tujuan dari
Aggregate Planning adalah untuk meminimasi biaya akhir pada periode perencanaan
dengan mengatur : Production rates, Labor levels, Inventory levels, Overtime work,
Subcontracting, dan variabel yang terkontrol lainnya. Hasil dari Aggregate Planning
adalah tercapainya suatu rencana produksi yang menggunakan sumber daya organisasi
secara efektif untuk memenuhi demand yang telah diperkirakan.
Secara garis besar ada 4 jenis strategi yang dapat dipilih dalam membuat Aggregate
Planning.
a. Control Option
Strategi Capacity Options menggunakan besar kapasitas produksi sebagai
pilihan untuk membuat Aggregate Planning tergantung seberapa besar
kapasitas produksi yang diinginkan.
b. Demand Option
Dengan adanya jumlah permintaan (demand) yang stabil, maka proses
perencanaan produksi akan lebih mudah dilakukan. Perusahaan akan lebih
siap dalam menyusun kebutuhan material dan tenaga kerja yang harus
disiapkan untuk memenuhi kapasitas produksi sesuai dengan demand yang
telah ditentukan sebelumnya.
c. Pure Strategies
Bila yang diubah-ubah hanya satu variabel. Variabel disini adalah variabel
variabel dalam perencanaan produksi yang bisa dikontrol dan ditentukan
sesuai dengan target produksi yang ditetapkan oleh top level business plan.

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-5

d. Mixed Strategies
Melibatkan pengubahan beberapa variabel, misalnya bila pure strategy tidak
feasible.
(Sumber: https://bysatria.wordpress.com/2007/03/11/aggregate-planning-an-overview/;
Aggregate Planning; 28 Januari 2016)

3.1.3 Data Permintaan Ragum Tipe S dan Tipe P

Data komponen permintaan ragum tipe s dan tipe p dapat dilihat pada Tabel 3.1.
Tabel 3.1 Data Permintaan Ragum Tipe S dan Tipe P
Ragum
periode
Tipe S Tipe P
1 1165 1022
2 1123 1055
3 1119 1246
4 1102 1058
5 1085 1144
6 1077 1133
7 1062 1104
8 980 1062
9 965 1124
10 946 1126
11 929 1015
12 908 1028
aggregate type S
initial number of employed 108
initial inventory allowed 120

3.1.4 Data Waktu Penyelesaian

Data waktu penyelesaian dapat dilihat pada Tabel 3.2.
Tabel 3.2 Data Waktu Penyelesaian
DATA WAKTU STASIUN KERJA
No SK Nama Mesin Ragum Tipe S Ragum Tipe P
1 Frais 367.888 379.245
2 Bubut 12.635 132.924
3 Kerja Bangku 57.218 56.679
4 Boring 1 24.500 3.695
5 Boring 2 73.168 51.240
6 Cutting 2.840 4.448
7 Alur 12.045 13.691
8 Mj. Perakitan 15.000 15.000
Total 642.294 683.922

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-6

3.1.5 Data Ongkos Agregat

Data ongkos agregat dapat dilihat pada Tabel 3.3.
Tabel 3.3 Data Ongkos Agregat
Data Ongkos
Jenis Ongkos Agregat Ongkos (Rp/Unit Agregat/Periode)
Simpan 3000
Back Order 3500
Nilai Ongkos (Rp/Unit Agregat)
Regular Time 420000
Over Time 500000
Nilai Ongkos (Rp/Emloyee)
Hiring Cost 2000000
Dismiss Cost 3500000

3.1.6 Data Kapasitas RT, OT, Jumlah Tenaga Kerja Awal dan Inventory Awal
Data kapasitas RT OT, jumlah tenaga kerja awal, dan inventory awal dapat
dilihat pada Tabel 3.4.
Tabel 3.4 Data Kapasitas RT OT, Jumlah Tenaga Kerja Awal, dan Inventory Awal
Data Kapsistas Ragum Type S Ragum Type P
RT 17 16
OT 3 2
Tenaga Kerja Awal 108 108
Inventory 120 120
Contoh Perhitungan :
Tipe S Tipe P
8 ×60 ×24 8 ×60 ×24
RT = = 17 RT = = 16
642,294 683,922
OT = 17 x 0.2 = 3 OT = 16 x 0.15 = 2

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-7

3.2 PENGOLAHAN DATA

Pengolahan data terdiri dari perhitungan agregasi produk, forecasting, dan
aggregate planning.

3.2.1 Perhitungan Agregasi Produk

Perhitungan agregasi produk dapat dilihat pada Tabel 3.5.
Tabel 3.5 Perhitungan Agregasi Produk
AGGREGATE PLANNING
Ragum Hasil Aggregate
Perioda Jumlah Demand
Type S Type P Type S Type P
1 1165 1022 1165 1088.237 2254
2 1123 1055 1123 1123.376 2247
3 1119 1246 1119 1326.755 2446
4 1102 1058 1102 1126.571 2229
5 1085 1144 1085 1218.144 2304
6 1077 1133 1077 1206.431 2284
7 1062 1104 1062 1175.552 2238
8 980 1062 980 1130.83 2111
9 965 1124 965 1196.848 2162
10 946 1126 946 1198.978 2145
11 929 1015 929 1080.784 2010
12 908 1028 908 1094.626 2003

Contoh perhitungan:
Total data waktu SK ragum tipe S
Hasil aggregate tipe S = ragum tipe S x
Total data waktu SK ragum tipe S
642,294
Periode 1 = 1165 x = 1165
642,294
Total data waktu SK ragum tipe P
Hasil aggregate tipe P = ragum tipe P x
Total data waktu SK ragum tipe S
683,922
Periode 1 = 1022 x = 1088,237
642,294
Jumlah demand = hasil aggregate tipe S + hasil aggregate tipe P
= 1165 + 1088,237 =2254

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-8

3.2.2 Forecasting
Sub sub bab ini akan menerangkan perhtingan peramalan.
1. Plot data dan perkiraan fungsi peramalan.
Plot data dan fungsi peramalan dapat dilihat pada Gambar 3.1.
Langkah 1 dan 2
Plot Data & Perkiraan Fungsi
Peramalan
Data Permintaan:
1 2254 5 2304 9 2162
1
2 2247 6 2284 0 2145
1
3 2446 7 2238 1 2010
1
4 2229 8 2111 2 2003
Plot Data Permintaan

Unsur Trend : ada

Unsur Seasonal : tidak ada
Perkiraan Pola Data : trend negatif
Metode peramalan yang akan diuji:
a. Single Exponential Smoothing Trend
b. Double Exponential Smoothing Trend
c. Linear Regrition
Gambar 3.1 Plot Data dan Perkiraan Fungsi Peramalan

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-9

2. Analisis Peramalan.
Analisis peramalan menggunakan metode SEST dapat dilihat pada Gambar 3.2.
LANGKAH 3 DAN 4
MELAKUKAN ANALISIS PERAMALAN
Metode : Single Exponential smoothing with trend (SEST)
Software yang digunakan : WINQSB
Nilai-nilai parameter:
Number of forecast : 12
Smoothing constant alpha : 0,33
Smoothing constant betha : 0,73
Analisis Kesalahan / error
MAD : 68.80981
MSE : 8491.416
MAPE : 3.082435

Hasil peramalan untuk periode yang akan datang:

Periode Ft Resids
1 -
2 2254 -7
3 2250 195.996
4 2360.21 -131.21
5 2330.83 -26.832
6 2329.43 -45.434
7 2310.95 -72.952
8 2265.82 -154.82
9 2156.37 5.63135
10 2101.23 43.7739
11 2069.22 -59.216
12 1988.95 14.0466
13 1936.25
14 1878.91
15 1821.58
16 1764.24
17 1706.9
18 1649.57
19 1592.23
20 1534.89
21 1477.55
22 1420.22
23 1362.88
24 1305.54

Analisis:

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-10

Nilai eror yang baik adalah mendekati nol, sedangkan pada metode SEST nilai eror
menyimpang lumayan jauh dari nilai 0, sehingga nilai MSE-nya besar.
Gambar 3.2 Analisis Peramalan Menggunakan Metode SEST

Analisis peramalan menggunakan metode DEST dapat dilihat pada Gambar 3.3.
LANGKAH 3 DAN 4
MELAKUKAN ANALISIS PERAMALAN
Metode : Double Exponential smoothing with trend (DEST)
Software yang digunakan : WINQSB
Nilai-nilai parameter:
Number of forecast : 12
Smoothing constant alpha : 0,32
Smoothing constant betha :-
Analisis Kesalahan / error
MAD : 66,632
MSE : 9161,873
MAPE : 3,013
Hasil peramalan untuk periode yang akan datang:
Periode Ft Resids
1 -
2 2254 -7
3 2249.52 196.48
4 2374.55 -145.55
5 2300.8 3.19922
6 2307.35 -23.347
7 2297.23 -59.231
8 2261.76 -150.76
9 2161.64 0.35669
10 2142.8 2.1958
11 2125.18 -115.18
12 2032.66 -29.658
13 1983.08
14 1949.44
15 1915.8
16 1882.16
17 1848.53
18 1814.89
19 1781.25
20 1747.61
21 1713.98
22 1680.34
23 1646.7
24 1613.06
Analisis:
Nilai eror yang baik adalah mendekati nol, sedangkan pada metode DEST nilai eror
menyimpang lumayan jauh dari nilai 0, sehingga nilai MSE-nya besar.

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-11

Gambar 3.3 Analisis Peramalan Menggunakan Metode DEST

Analisis peramalan menggunakan metode LR dapat dilihat pada Gambar 3.4.

LANGKAH 3 DAN 4
MELAKUKAN ANALISIS PERAMALAN
Metode : Linear Reggression (LR)
Software yang digunakan : WINQSB
Nilai-nilai parameter:
Number of forecast : 12
Smoothing constant alpha :-
Smoothing constant betha :-
Analisis Kesalahan / error
MAD : 65,055
MSE : 5183,862
MAPE : 2,916
Hasil peramalan untuk periode yang akan datang:
Periode Ft Resids
1 2355.85 -101.85
2 2328.01 -81.011
3 2300.18 145.825
4 2272.34 -43.339
5 2244.5 59.4963
6 2216.67 67.332
7 2188.83 49.1677
8 2161 -49.997
9 2133.16 28.8391
10 2105.33 39.6748
11 2077.49 -67.49
12 2049.65 -46.654
13 2021.82
14 1993.98
15 1966.15
16 1938.31
17 1910.48
18 1882.64
19 1854.8
20 1826.97
21 1799.13
22 1771.3
23 1743.46
24 1715.63
Analisis:
Nilai eror yang baik adalah mendekati nol, pada metode LR terdapat nilai yang mendekati nol
(tidak terlalu jauh seperti metode yang lain). Sehingga nilai MSE yang didapat kecil.

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-12

Gambar 3.4 Analisis Peramalan Menggunakan Metode LR

3. Pemilihan fungsi peramalan terbaik.

Pemilihan fungsi peramalan terbaik dapat dilihat pada Gambar 3.5.
LANGKAH 5
PEMILIHAN FUNGSI PERAMALAN TERBAIK
Metode MSE
Single Exponential smoothing with trend (SEST) 8491.416
Double Exponential smoothing with trend (DEST) 9,161,873
Linear Reggression (LR) 5,183,862
Metode peramalan yang dipilih : Linear Regression with Time (LR)
Kriteria pemilihan : MSE Terkecil
Hasil peramalan untuk metode yang dipilih :
13 2021.82 17 1910.48 21 1799.13
14 1993.98 18 1882.64 22 1771.3
15 1966.15 19 1854.8 23 1743.46
16 1938.31 20 1826.97 24 1715.63
Analisis : Nilai MSE yang didapat dari metode LR adalah yang terkecil
dibandingkan dengan metode SEST dan DEST sehingga terpilih metode LR.
Gambar 3.5 Pemilihan Fungsi Peramalan Terbaik

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-13

4. Verifikasi fungsi peramalan.

Verifikasi fungsi peramalan dapat dilihat pada Gambar 3.6.
LANGKAH 6
VERIFIKASI FUNGSI PERAMALAN
Jenis fungsi peramalan : LR
VERIFIKASI
NO. Xt Ft Xt-Ft MR
1 2254 2355.846 -101.846
2 2247 2328.01 -81.01 20.836
3 2446 2300.175 145.825 226.835
4 2229 2272.339 -43.339 189.164
5 2304 2244.504 59.496 102.835
6 2284 2216.668 67.332 7.836
7 2238 2188.832 49.168 18.164
8 2111 2160.997 -49.997 99.165
9 2162 2133.161 28.839 78.836
10 2145 2105.325 39.675 10.836
11 2010 2077.49 -67.49 107.165
12 2003 2049.654 -46.654 20.836
Sigma MR 882.508
MR bar 80.228
UCL 213.40648
LCL -213.40648
Daerah A+ 142.2709867 Daerah A- -142.27099
Daerah B+ 71.13549333 Daerah B- -71.135493
Gambar 3.6 Verifikasi Fungsi Peramalan
Contoh Perhitungan :

Mrbar =
∑ MR = 882,508 = 80,228
n−1 12
UCL = 2,66 x 80,228= 213,40648 LCL = -2,66 x 80,228= -213,40648
2 2
A+ = x 213,40648= 142,2709867 A- = - x -213,40648=
3 3
-142,27099
1 1
B+ = x 213,40648= 71,13549333 B- = - x -213,40648= -71,135493
3 3

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-14

5. Verifikasi Fungsi Peramalan.

Verifikasi fungsi peramalan dapat dilihat pada Gambar 3.7.
LANGKAH 7
VERIFIKASI FUNGSI PERAMALAN
Jenis fungsi peramalan : LR
´ = 80,228
MR
UCL / LCL = 213,40648/ -213,40648
2 dari 3 data berurutan pada A : tidak ada
4 atau 5 data berurutan pada B : tidak ada
8 data berurutan pada salah satu sisi garis nol : tidak ada
Data diluar UCL/LCL : tidak ada
Kesimpulan : tidak out of control

Analisis : Dari grafik dan kriteria out of control, maka fungsi peramalan LR tidak terdapat data
yang out of control.
Gambar 3.7 Verifikasi Fungsi Peramalan (Lanjutan)

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-15

3.2.3 Aggregate Planning

1. Metode Simpel Model.
a. Planning Result
Data hasil perencanaan untuk ragum dengan menggunakan simple model
dapat dilihat pada Tabel 3.6.
Tabel 3.6. Planning Result (Simple Model)
Planning Result for RAGUM (Simple Model)

01-28-2016 Regular Overtime Total Ending Ending Number of

9:42:00 Demand Production Production Production Inventory Backorder Hiring Dismissal Employees
Initial 100 108
Period 1 2,022.00 1,922.00 0 1,922.00 0 0 6 0 114
Period 2 1,994.00 1,994.00 0 1,994.00 0 0 4 0 118
Period 3 1,967.00 1,967.00 0 1,967.00 0 0 0 2 116
Period 4 1,939.00 1,939.00 0 1,939.00 0 0 0 1 115
Period 5 1,911.00 1,911.00 0 1,911.00 0 0 0 2 113
Period 6 1,883.00 1,883.00 0 1,883.00 0 0 0 2 111
Period 7 1,855.00 1,855.00 0 1,855.00 0 0 0 1 110
Period 8 1,827.00 1,827.00 0 1,827.00 0 0 0 2 108
Period 9 1,800.00 1,800.00 0 1,800.00 0 0 0 2 106
Period 10 1,772.00 1,772.00 0 1,772.00 0 0 0 1 105
Period 11 1,744.00 1,744.00 0 1,744.00 0 0 0 2 103
Period 12 1,716.00 1,716.00 0 1,716.00 0 0 0 2 101

Total 22,430.00 22,330.00 0 22,330.00 0 0 10 17

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-16

b. Cost Analysis
Data analisis ongkos untuk ragum dapat dilihat pada Tabel 3.7.
Tabel 3.7. Cost Analysis (Simple Model)
Cost Analysis for RAGUM (Simple Model)

01-28-2016 Inventory Backorder TOTAL

9:42:49 Regular Time
Period 1 $807.240.000
Period 2 $837.480.000
Period 3 $826.140.000
Period 4 $814.380.000
Period 5 $802.620.000
Period 6 $790.860.000
Period 7 $779.100.000
Period 8 $767.340.000
Period 9 $756.000.000
Period 10 $744.240.000
Period 11 $732.480.000
Period 12 $720.720.000
Overtime Holding Cost Cost
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
Hiring Dismissal COST
0 $12.000.000 0 $819.240.000
0 $8.000.000 0 $845.480.000
0 0 $7.000.000 $833.140.000
0 0 $3.500.000 $817.880.100
0 0 $7.000.000 $809.620.000
0 0 $7.000.000 $797.860.000
0 0 $3.500.000 $782.600.100
0 0 $7.000.000 $774.340.000
0 0 $7.000.000 $763.000.000
0 0 $3.500.000 $747.740.000
0 0 $7.000.000 $739.480.000
0 0 $7.000.000 $727.720.000

Total $9.378.601.000 0 0 0 $20.000.000 $59.500.000 $9.458.100.000

2. Metode Transportasi
a. Planning Result
Data hasil perencanaan untuk ragum dengan menggunakan model
transportasi dapat dilihat pada Tabel 3.8.
Tabel 3.8. Planning Result (Transportation Model)
Planning Result for ragum (Transportation Model)

1/29/2016 Regular Overtime Total Ending Ending

15:10:56 Demand Production Production Production Inventory Backorder
Initial 120
Period 1 2,022.00 1,836.00 0 1,836.00 0 66
Period 2 1,994.00 1,836.00 0 1,836.00 0 224.00
Period 3 1,967.00 1,836.00 0 1,836.00 0 355.00
Period 4 1,939.00 1,836.00 0 1,836.00 0 458.00
Period 5 1,911.00 1,836.00 0 1,836.00 0 533.00
Period 6 1,883.00 1,836.00 0 1,836.00 0 580.00
Period 7 1,855.00 1,836.00 0 1,836.00 0 599.00
Period 8 1,827.00 1,836.00 0 1,836.00 0 590.00
Period 9 1,800.00 1,836.00 0 1,836.00 0 554.00
Period 10 1,772.00 1,836.00 0 1,836.00 0 490.00
Period 11 1,744.00 1,836.00 0 1,836.00 0 398.00
Period 12 1,716.00 1,836.00 278 2,114.00 0 0.00

Total 22,430.00 22,032.00 278 22,310.00 0 4,847.00

Modul 1&2 Forecasting dan Aggregate Planning

Bab III Pengumpulan dan Pengolahan Data III-17

b. Cost Analysis
Data analisis ongkos untuk ragum dengan menggunakan model transportasi
dapat dilihat pada Tabel 3.9.
Tabel 3.9. Cost Analysis (Transportation Model)
Cost Analysis for ragum (Transportation Model)

1/29/2016 Regular Time Overtime Inventory Backorder TOTAL

15:08:31 Cost Cost Holding Cost Cost COST
Period 1 $771,120,000 0 0 $231,000 $771,351,000
Period 2 771,120,000.00 0.00 0 784,000.00 $771,904,000
Period 3 771,120,000.00 0 0 $1,242,500 $772,362,500
Period 4 771,120,000.00 0 0 $1,603,000 $772,723,000
Period 5 771,120,000.00 0 0 $1,865,500 $772,985,500
Period 6 771,120,000.00 0 0 $2,030,000 $773,150,000
Period 7 771,120,000.00 0 0 $2,096,500 $773,216,500
Period 8 771,120,000.00 0 0 $2,065,000 $773,185,000
Period 9 771,120,000.00 0 0 $1,939,000 $773,059,000
Period 10 771,120,000.00 0 0 $1,715,000 $772,835,000
Period 11 771,120,000.00 0 0 $1,393,000 $772,513,000
Period 12 771,120,000.00 $139,000,000 0 0 $910,120,000

Total $9,253,441,000 $139,000,000 0 $16,964,500 $9,409,405,000

Modul 1&2 Forecasting dan Aggregate Planning