BAB 1

PENDAHULUAN

Pada bab pendahuluan ini akan menjelaskan tentang latar belakang dan apa saja
tujuan praktikum dari pelaksanaan praktikum sistem produksi pada modul Rought Cut
Capacity Planning (RCCP).
1.1 Latar Belakang
Di dunia industri banyak sekali perubahan dan perkembangan seiring
dengan berkembangnya teknologi, dan ilmu-ilmu baru yang mendukung proses
industri, terutama pada industri manufaktur. Perusahaan tersebut memanfaatkan
teknologi yang ada dalam perkembengan perusahaan.
Pada zaman era globalisasi ini, bidang usaha yang berbasis produksi telah
mengalam perkembangan yang sangat pesat terutama industri manufaktur.
Perkembangan ini tidak lepas dari ketersediaan kapasitas untuk mendukung
aktivitas produksi di suatu perusahaan. Hal ini tidak cukup dengan menyediakan
kapasitas produksi yang memadai namun juga perlu diukur kapasitasnya agar
memenuhi jumlah permintaan yang optimal dan tentunya dapat diselesaikan
secara tepat waktu. Kelancaran proses produksi dalam suatu pabrik sangat
penting, karena jika terjadi kemacetan dalam suatu proses produksi dapat
mengakibatkan penumpukan bahan baku ataupun meningkatnya work in
proses (WIP) dalam lini produksi. Hal ini dapat meningkatkan biaya produksi dan
barang yang sampai ke konsumen tidak sampai tepat pada waktunya, sehingga
lama kelamaan konsumen akan lari ke produsen lain yang lebih tepat waktu pada
saat dibutuhkan.
Perusahaan perlu melakukan pengukuran dan pengujian kelayakan terhadap
jadwal induk produksi (MPS) dan kapasitas pada masing-masing work center agar
ketersediaan kapasitas di tiap work center dapat memenuhi kapasitas yang
dibutuhkan. Jadi, diperlukan suatu metode yang tepat untuk melakukan
pengukuran serta pengujian kelayakan kapasitas tersebut yaitu salah satunya
dengan menggunakan metode Rought Cut Capacity Planning (RCCP) yang
merupakan urutan kedua dari hierarki perencanaan prioritas kapasitas yang
berperan dalam pengembangan MPS. RCCP dapat menentukan kebutuhan
kapasitas guna mengimplementasikan MPS, menguji kelayakan MPS, dan
memberikan umpan balik kepada perencanaan atau penyusun jadwal induk
produksi untuk mengambil tindakan perbaikan apabila ditemukan adanya
ketidaksesuaian antara kapasitas yang dibutuhkan dengan kapasitas yang tersedia
di pabrik.
Rought Cut Capacity Planning (RCCP) melakukan validasi terhadap MPS
yang juga menempati urutan kedua hirarki perencanaan prioritas produksi. Guna
menempatkan sumber-sumber spesifik tertentu, khususnya yang diperkirakan
akan menjadi hambatan potensial (potential bottlenecks) adalah cukup untuk
melaksanakan MPS. Dengan demikian kita dapat membantu manajemen untuk
melaksanakan RCCP, dengan memberikan informasi tentang tingkat produksi
dimasa mendatang yang akan memenuhi permintaan total itu. Untuk memberikan
solusi terhadap permasalahan yang terdapat pada perusahaan maka dilakukan
analisis dan perencanaan kebutuhan kapasitas produksi. Perencanaan kapasitas
memberikan kontribusi bagi perusahaan untuk menentukan tingkat kapasitas yang
diperlukan dalam melakukan jadwal produksi yang berguna bagi pencapaian
target produksi perusahaan.
1.2 Tujuan Praktikum
Adapun tujuan dilaksanakan praktikum sistem produksi modul Rought Cut
Capacity Planning (RCCP) adalah sebagai berikut :
1. Mahasiswa mampu memahami tentang Rough Cut Capacity Planning (RCCP).
2. Mahasiswa mampu menganalisis makna dari perhitungan disagregasi.
3. Mahasiswa mampu menganalisis makna dari perhitungan Capacity Planing
Overall Factor (CPOF).
 BAB 2
KAJIAN PUSTAKA DAN DASAR TEORI

Pada bab kajian pustaka dan dasar teori ini akan membahas tentang
peramalan, metode peramalan, langkah-langkah peramalan, ukuran hasil akurasi
peramalan, kapasitas, perencanaan kebutuhan kapasitas, Rought Cut Capacity
Planning (RCCP), Bill of Labor (BOL), Resource Profile Approach (RPA),
Capacity Planning Using Overall Factor (CPOF), disagregasi, dan proses
disagregasi.
2.1 Peramalan
Menurut Indiyanto (2008), peramalan adalah proses untuk memperkirakan
berapa kebutuhan yang di masa datang yang meliputi kebutuhan dalam ukuran
kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang ataupun jasa. Peramalan permintaan merupakan tingkat
permintaan produk-produk yang akan diharapkan akan terealisasi untuk jangka
waktu tertentu pada masa yang akan datang. Peramalan permintaan digunakan
untuk meramalkan produk yang bersifat bebas (tidak tergantung) seperti
peramalan produk jadi. Oleh sebab itu peramalan permintaan menjadi bagian yang
paling penting dalam perencanaan dan pengendalian suatu perusahaan untuk
mendapatkan sebuah keputusan. Dari hasil keputusan tersebut, kemudian
digunakan dalam operasi produksi.
Menurut Widiyarini (2016), peramalan (forecasting) adalah proses untuk
memperkirakan besar ukuran di masa datang yang meliputi kebutuhan dalam
ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka
memenuhi permintaan barang ataupun jasa. Banyak juga perusahaan yang
membeli peramalan ekonomi dan industri dari perusahaan-perusahaan peramalan
ekonomi terkemuka. Spesialis peramalan ini memiliki posisi yang lebih baik
dibandingkan perusahaan itu sendiri karena mereka memiliki data yang lebih
banyak dan ahli peramalan secara khusus.
 Jadi dari pengertian diatas dapat disimpulkan bahwa peramalan merupakan
suatu kegiatan meramal atau membuat perkiraan mengenai kebutuhan jumlah
produksi, jadwal produksi, perkiraan stock dan lain-lain (bersifat bebas) dimana
akan dapat diketahui kebutuhan dimasa yang akan datang guna memenuhi
permintaan konsumen. Peramalan sangat membantu dunia industri manufaktur
dalam pengambilan keputusan.
2.2 Metode Peramalan
Pada sub bab metode peramalan ini akan membahas tentang metode-metode
yang akan digunakan untuk meramalkan permintaan diantaranya sebagai berikut:
2.2.1 Metode Brown
Menurut Pramesti (2020), metode brown digunakan untuk mengatasi adanya
perbedaan yang muncul antara data aktual dan nilai peramalan apabila terdapat
trend pada pola atau plot datanya. Metode ini digunakan untuk data runtun waktu
(time series) yang memiliki komponen trend dan tidak memperhitungkan
komponen musiman. Karena metode ini menggunakan satu parameter maka data
yang diperlukan lebih sedikit. Jadi metode ini berfungsi untuk memecahkan
masalah pada nilai permalanan yang berbeda dengan nilai data asli.
Rumus yang digunakan dalam implementasi metode ini yaitu sebagai
berikut.
Inisialisasi awal :
𝐹𝑡+𝑚 = 𝑎𝑡+𝑏𝑡𝑚 ..........................................................................................Rumus 1
Sumber: Pramesti (2020)
Untuk menentukan besar forecast, maka dilakukan tahap-tahap sebagai
berikut:
𝑆𝑡′ = 𝛼𝑋𝑡 + (1−𝛼) 𝑆𝑡′ - 1 ............................................................................Rumus 2
Sumber: Pramesti (2020)
𝑆𝑡′′ = 𝛼𝑆𝑡′ + (1−𝛼) 𝑆𝑡′′ - 1 ..........................................................................Rumus 3
Sumber: Pramesti (2020)
𝑎𝑡 = 𝑆𝑡′ + (𝑆𝑡′−𝑆𝑡′′) = 2𝑆𝑡′−𝑆𝑡′′ .............................................................Rumus 4
Sumber: Pramesti (2020)
α
𝑏𝑡 = (𝑆𝑡′−𝑆𝑡′′) ................................................................................Rumus 5
1−α
Sumber: Pramesti (2020)
Keterangan :
𝑆𝑡′ = Nilai pemulusan eksponensial tunggal.
𝑆𝑡′ - 1 = Nilai pemulusan eksponensial tunggal pada periode ke-(t-1).
𝑆𝑡′′ = Nilai pemulusan eksponensial ganda.
𝑆𝑡′′ - 1 = Nilai pemulusan eksponensial ganda pada periode ke-(t-1).
𝑋𝑡 = Data aktual time series pada periode ke-t.
α = Parameter pemulusan eksponensial.
αt , bt = Konstanta pemulusan.
𝐹𝑡+𝑚 = Hasil peramalan untuk periode kedepan yang diramalkan.
m = Jumlah periode ke depan yang diramalkan.
2.2.2 Metode Double Exponential Smoothing Holt’s
Menurut Syam (2021), metode double eksponential smoothing dari
Holt’s memuluskan nilai trend dengan parameter yang berbeda dari parameter
yang digunakan pada pemulusan data yang asli. Metode ini bertujuan untuk
meramalkan data runtun waktu yang memiliki pola trend.
Adapun rumus yang digunakan dalam metode double exponential
smoothing dua parameter dari Holt’s dapat dilihat pada persamaan:
Nilai single exponential smoothing
St = α X t +(1−α )(S t−1 + bt −1 ) .................................................................Rumus 6
Sumber: Syam (2021)
Nilai pemulusan trend
bt = γ ¿ .....................................................................................................Rumus 7
Sumber: Syam (2021)
Nilai ramalan
F t+ m = (St + mbt ) ..........................................................................................Rumus 8
Sumber: Syam (2021)
Keterangan:
𝑆𝑡′ = Nilai pemulusan eksponensial tunggal.
𝑆𝑡′ - 1 = Nilai pemulusan eksponensial tunggal pada periode ke-(t-1).
α = Nilai parameter pemulusan eksponensial (0 < α < 1).
Xt = Data aktual pada periode ke-t.
bt = Pemulusan trend pada periode ke-t.
b t−1 = Pemulusan trend pada periode ke-t-1.
γ = Nilai parameter pemulusan trend (0 < γ < 1).
𝐹𝑡+𝑚 = Hasil peramalan untuk periode kedepan yang diramalkan.
m = Jumlah periode ke depan yang diramalkan.
2.2.3 Metode Moving Average
Menurut Nugraha (2017), peramalan moving average menggunakan
sejumlah data aktual masa lalu untuk menghasilkan peramalan. Moving average
adalah suatu metode peramalan umum dan mudah untuk menggunakan alat-alat
yang tersedia untuk analisis teknis. Moving average menyediakan metode
sederhana untuk pemulusan data masa lalu. Metode ini berguna untuk peramalan
ketika tidak terjadi tren, gunakan estimasi berbeda untuk mempertimbangkanya.
Hal ini disebut dengan “bergerak” karena sebagai data baru yang tersedia, data
yang tertua tidak digunakan lagi. Jadi dapat disimpulkan metode moving average
merupakan metode rata-rata bergerak artinya menggerakkan rata-rata setiap tahun
pendahulu untuk meramalkan permintan pada tahun berikutnya.
Tujuan utama dari rata-rata bergerak adalah untuk menghilangkan atau
mengurangi acakan dalam deret waktu. Teknik rata-rata bergerak dalam deret
waktu terdiri dari pengambilan suatu kumpulan nilai-nilai yang diobservasi,
mendapatkan rata-rata dari nilai ini, dan kemudian menggunakan nilai rata-rata
tersebut sebagai ramalan untuk periode yang akan datang. Nilai rata-rata dihitung
berdasarkan jumlah data, yang angka rata-rata bergeraknya ditentukan dari harga
1 sampai nilai N data yang dimiliki. moving average dihitung dengan
menggunakan rumus sebagai berikut:
∑ permintaan n periode sebelumnya
Rataan bergerak = ............................Rumus 9
n
Sumber: Nugraha (2017)
Keterangan :
n = Adalah jumlah periode dalam rataan bergerak.
Saat terdapat trend 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:
Weighted Moving Average =
∑(bobot pada periode n)( permintaan pada periode n)
...........................Rumus 10
∑bobot
Sumber: Nugraha (2017)
2.2.4 Metode Regresi Linier
Menurut Masruroh (2020), regresi linear merupakan suatu metode prediksi-
prediksi atau peramalan yang menggunakan garis lurus untuk menggambarkan
hubungan diantara dua variabel atau lebih. Perhitungan regresi linear akan
menghasilkan persamaan yang dapat dijadikan acuan untuk memperkirakan nilai
variabel terikat di waktu mendatang dengan memasukan nilai variabel bebas ke
dalam persamaan. Secara sederhana definisi regresi linier adalah metode yang
digunakan untuk mengukur pengaruh statistik yang terjadi antara dua atau lebih
variabel.
Terdapat dua jenis persamaan regresi linear, yaitu persamaan regresi linear
sederhana dan berganda. Perbedaan keduanya terdapat pada jumlah variabel-
variabel independen yang mempengaruhi variabel dependennya. Regresi linear
sederhana digunakan untuk menggambarkan hubungan fungsional antara satu
variabel independen dengan satu variabel dependen. Berikut persamaan umum
regresi linear sederhana:
Y = a+ bX ............................................................................................Rumus 11
Sumber: Masruroh (2020)
Keterangan:
Y = Variabel dependen yang diprediksikan.
a = Konstanta.
b = Koefisien regresi.
X = Variabel independen.
Sedangkan regresi linear berganda digunakan untuk menggambarkan
hubungan fungsional antara dua atau lebih variabel independen dengan satu
variabel dependen. Berikut persamaan umum regresi linear berganda untuk n
prediktor:
Y = a + b1X1 +b2X2 + …+ bnXn ......................................................Rumus 12
Sumber: Masruroh (2020)
Keterangan:
Y = Variabel dependen yang diprediksikan
a = Konstanta
b = Koefisien regresi
X = Variabel independen
 n ( Σxy )−( ΣX )( ΣY )
b = ................................................................Rumus 13
n(Σx¿¿ 2)−(Σx ¿¿ 2) ¿ ¿
Sumber: Masruroh (2020)
Σy−b ( Σx)
a = ....................................................................................Rumus 14
n
Sumber: Masruroh (2020)

Keterangan:
a = Intersep.
b = Slope.
y = Variabel terikat yang diramalkan.
x = Variabel bebas.
2.2.5 Metode Tracking Signal
Menurut Mesra (2019), perhitungan tracking signal digunakan untuk
mengetahui sejauh mana keandalan dari model forecast yang digunakan,
sebaiknya kita membangun peta kontrol tracking signal, dengan kata lain metode
ini dipakai untuk mengukur tingkat realibility penggunaan model peramalan.
Secara umum perhitungan tracking signal dapat dirumuskan sebagai
berikut:
RSFE
TS = ..........................................................................................Rumus 15
MAD
Sumber: Mesra (2019)
Σ(absolute forecast error )
MAD= ..........................................................Rumus 16
n
Sumber: Mesra (2019)
Keterangan :
n = Banyaknya periode data.
MAD = Mean absolute deviation.
RSFE = Running sum of the forecast error.
TS = Tracking signal.
MAD merupakan rata-rata penyimpangan absolut dan RSFE merupakan
jumlah kesalahan peramalan. Sedangkan TS adalah ukuran bagaimana baiknya
suatu ramalan memperkirakan nilai-nilai aktual.
2.3 Langkah-langkah Peramalan
Menurut Indiyanto (2008), terdapat langkah - langkah dalam peramalan,
yaitu sebagai berikut:
1. Mengumpulkan data
Mengumpulkan data dan memberi saran seberapa penting data yang
diperoleh sesuai dengan apa yang diyakini dan kebenarannya.
2. Memadatkan atau mengurangi data
Memadatkan atau mengurangi data, terkadang dibutuhkan karena
kemungkinan bisa terjadi data yang berlebihan dalam tahapan peramalan,
atau mungkin terlalu sedikit. Data-data yang dibutuhkan mungkin tidak
berhubungan dengan permasalahan sehingga dapat mengurangi tingkat
akurasi peramalan.
3. Penyusunan dan evaluasi modal
Penyusunan dan evaluasi modal terdiri dari mencocokan data yang telah
dikumpulkan kedalam modal yang dibutuhkan dalam hal meminimasi.
4. Peramalan aktual
Pada dasarnya peramalan aktual menghasilkan data yang sesuai yang
terkumpul dan memungkinkan untuk mengurangi untuk mendapatkan
metode peramalan yang tepat yang nantinya akan menjadi metode yang
terpilih.
5. Evaluasi peramalan
Evaluasi peramalan meliputi dan melakukan perbandingan data peramalan
dengan data asli. Proses ini membutuhkan nilai data terbaru yang
selanjutnya mengambil dari data yang terhimpun yang akan dianalisa.
2.4 Ukuran Hasil Akurasi Peramalan
Dalam peramalan terdapat banyak metode yang dapat digunakan, namun
tidak semua metode dapat sesuai dengan kasus yang ada. Secara umum ada empat
jenis perhitungan untuk melihat ukuran hasil akurasi dalam peramalan, yaitu:
2.4.1 Mean Absolute Deviation (MAD)
Menurut Indiyanto (2008), Mean Absolute Deviation (MAD) merupakan
rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah
hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya.
Kesalahan diukur dalam unit ukuran yang sama seperti data aslinya. MAD
digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam
bentuk rata-rata absolut kesalahan dan membandingkan ketepatan ramalan antara
metode peramalan yang berbeda. Jadi metode ini merupakan kesalahan absolut
yang menyatakan peyimpangan ramalan dalam unit yang sama pada data, dengan
cara merata-ratakan nilai absolute error dari seluruh hasil peramalan. Secara
matematis MAD dirumuskan sebagai berikut:

MAD=å | At −F t
n |
......................................................................................Rumus 17

Sumber: Indiyanto (2008)

Dimana :
A = Permintaan aktual pada periode-t.
Ft = Peramalan permintaan forecast pada periode-t.
n = Jumlah periode peramalan yang terlibat.
2.4.2 Mean Square Error (MSE)
Menurut Indiyanto (2008), Mean Square Error (MSE) dihitung dengan
menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan
membaginya dengan jumlah periode peramalan. Namun, MSE memberikan
ketelitian yang lebih baik daripada MAD sehingga banyak dipakai dalam
optimalisasi pembobotan. Pendekatan ini mengatur kesalahan peramalan yang
besar karena kesalahan-kesalahan itu dikuadratkan. Secara matematis MSE
dirumuskan sebagai berikut:
MSE =å ¿ ¿ ¿ ..............................................................................................Rumus 18
Sumber: Indiyanto (2008)
Keterangan:
At = Peramalan aktual pada periode-t.
Ft = Peramalan permintaan forecast pada periode-t.
n = Jumlah periode peramalan yang terlibat.
2.4.3 Mean Forecast Error (MFE)
Mean Forecast Error (MFE) sangat efektif untuk mengetahui apakah suatu
hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. Bila
hasil peramalan tidak bisa, maka nilai MFE akan mendekati nol. MFE dihitung
dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan
membaginya dengan jumlah periode peramalan, dirumuskan sebagai berikut:
( A ¿ ¿t−F t )
MFE = å ¿ .............................................................................Rumus 19
n
Sumber: Indiyanto (2008)
Keterangan:
A = Permintaan aktual pada periode-t.
Ft = Peramalan permintaan forecast pada periode-t.
n = Jumlah periode peramalan yang terlibat.

2.4.4 Mean Absolute Percentage Error (MAPE)

Menurut Indiyanto (2008), Mean Absolute Percentage Error (MAPE)
merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti dibandingkan
MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap
permintaan aktual pada periode tertentu yang akan memberikan informasi
persentase kesalahan terlalu tinggi atau terlalu rendah. MAPE dirumuskan sebagai
berikut:

( )| |
100 F
MAPE = å At − t ......................................................................... Rumus 20
n At
Sumber: Indiyanto (2008)
Keterangan:
At = Peramalan aktual pada periode-t.
Ft = Peramalan permintaan forecast pada periode-t.
n = Jumlah periode peramalan yang terlibat.
2.5 Kapasitas
Menurut Rani (2019), kapasitas merupakan salah satu bagian dari kesepuluh
keputusan penting dalam manajemen operasi. Kapasitas adalah tingkat
kemampuan perusahaan untuk memproduksi suatu barang atau jasa yang
didukung dengan tersedianya fasilitas berupa tenaga kerja dan peralatan, dan
biasanya dinyatakan dalam jumlah output yang dapat dihasilkan untuk periode
waktu tertentu.
 Pengertian kapasitas harus dilihat dari tiga perspektif agar lebih jelas.
Terdapat tiga perspektif waktu dalam kapasitas yaitu kapasitas desain, kapasitas
efektif, dan kapasitas aktual. Kapasitas desain (design capacity), menunjukkan
output maksimum pada kondisi ideal dimana tidak terdapat konflik penjadwalan,
tidak ada produk yang rusak atau cacat, perawatan hanya yang rutin, dan
sebagainya. Kapasitas efektif (effective capacity), menunjukkan output maksimum
pada tingkat operasi tertentu. Pada umumnya kapasitas efektif lebih rendah
daripada kapasitas desain. Keluaran aktual (actual output), menunjukkan output
nyata yang dapat dihasilkan oleh fasilitas produksi. Kapasitas aktual sedapat
mungkin harus diusahakan sama dengan kapasitas efektif. Efisiensi dan utilisasi
merupakan suatu pengukuran sistem yang bermanfaat untuk kapasitas.
Jadi dapat disimpulkan bahwa kapasitas adalah tingkatan tertinggi atau batas
maksimum dari kuantitas produk pada perusahaan yang dihasilkan dari fasilitas
produksi yang berupa hasil output pada periode waktu tertentu.
2.6 Perencanaan Kebutuhan Kapasitas
Menurut Liliyen (2020), perencanaan kebutuhan kapasitas merupakan
tindakan antisipasi dimasa yang akan datang sesuai dengan periode waktu yang
direncanakan. Perencanaan produksi dilakukan dengan tujuan menentukan arah
awal dari tindakan-tindakan yang harus dilakukan dimasa mendatang, apa yang
harus dilakukan, berapa banyak dilakukannya, dan kapan harus dilakukan. Karena
perencanaan ini berkaitan dengan masa mendatang, maka perencanaan disusun
atas dasar perkiraan yang dibuat berdasarkan data masa lalu dengan menggunakan
beberapa asumsi.
Menurut Liliyen (2020), dalam perencanaan kebutuhan kapasitas terdapat
tiga jenis perencanaan berdasarkan periode waktu yang dicakup oleh perencanaan
tersebut, yaitu jangka pendek, jangka menengah, dan jangka panjang.
2.6.1 Jangka Pendek
Perencanaan kebutuhan kapasitas jangka pendek mempunyai horizon
perencanaan kurang dari 1 bulan, dan bentuk perencanaannya adalah berupa
jadwal produksi. Tujuan dari jadwal produksi adalah menyeimbangkan
permintaan aktual (yang dinyatakan dengan jumlah pesanan yang diterima)
dengan sumber daya yang tersedia (jumlah departemen, waktu shift yang tersedia,
banyaknya operator, tingkat persediaan yang dimiliki dan peralatan yang ada),
sesuai batasan-batasan yang ditetapkan pada perencanaan agregat.
2.6.2 Jangka Menengah
Perencanaan kebutuhan kapasitas jangka menengah mempunyai horizon
perencanaan antara 1 sampai 12 bulan, dan dikembangkan berdasarkan kerangka
yang telah ditetapkan pada perencanaan produksi jangka panjang. Perencanaan
jangka menengah didasarkan pada peramalan permintaan tahunan dari bulan dan
sumber daya produktif yang ada (jumlah tenaga kerja, tingkat persediaan, biaya
produksi, jumlah supplier dan subkontraktor.

2.6.3 Jangka Panjang

Perencanaan kebutuhan kapasitas jangka panjang biasanya melihat 5 tahun
atau lebih kedepan. Jangka waktu terpendeknya adalah ditentukan oleh berapa
lama waktu yang dibutuhkan untuk mengubah kapasitas yang tersedia. Hal ini
meliputi waktu yang dibutuhkan dalam menyelesaikan desain dari bangunan dan
peralatan pabrik yang baru, konstruksinya, instalasinya, dan hal-hal lainnya
sampai fasilitas baru tersebut siap dioperasikan. Perencanaan produksi jangka
panjang dibuat dengan sangat mempertimbangkan ramalan kondisi umum
perekonomian dan kependudukan, situasi politik dan sosial, perubahan teknologi,
dan perilaku pesaing, dimana semua faktor tersebut akan dievaluasi dampaknya
terhadap aktivitas perusahaan.
2.7 Rought Cut Capacity Planning (RCCP)
Menurut Suwarso (2021), pada dasarnya Rought Cut Capacity Planning
(RCCP) didefinisikan sebagai proses konversi dari rencana produksi dan atau
MPS ke dalam kebutuhan kapasitas yang berkaitan dengan sumber daya kritis
seperti tenaga kerja, mesin dan peralatan, kapasitas gudang, kapasitas pemasok
material, dan sumber daya keuangan. Atau dengan kata lain RCCP adalah metode
yang digunakan untuk mengukur kapasitas stasiun kerja sehingga dapat diketahui
apakah suatu jadwal produksi memerlukan kerja lembur atau sub contract. Dalam
hal ini terdapat 3 macam teknik dalam perhitungan RCCP yaitu Capacity
Planning Using Overall Factor Approach (CPOF), Bill of Labour Approach
(BOLA), Resource Profile Approach (RPA).
2.8 Bill of Labour (BOL)
Menurut Meirizha (2019), Bill of Labour (BOL) adalah suatu daftar yang
berisi jumlah tenaga kerja atau waktu yang dibutuhkan untuk membuat sebuah
item produk.
a. Membutuhkan input MPS dan waktu standar dari tiap sumber yang
dinyatakan dalam bentuk Bill of Labor. Dimana waktu standar, waktu yang
dibutuhkan rata-rata pekerja untuk memproduksi 1 unit pada kondisi normal
(sudah mempertimbangkan allowance).
b. Perhitungan kebutuhan kapasitas dilakukan dengan cara mengalikan jumlah
kuantitas pada MPS x waktu yang diperlukan tiap sumber daya atau work
center pada Bill Of Labor.
2.9 Resource Profile Approach (RPA)
Menurut Meirizha (2019), Resource Profile Approach (RPA) adalah
membagi kebutuhan tenaga kerja berdasarkan waktu. Tiap Bill Of Labor (BOL)
harus dipecah berdasarkan waktu jika menggunakan pendekatan resource profile.
Perhitungan kapasitas, dengan metode resource profile memerlukan input:
a. Input perhitungan kebutuhan kapasitas dengan resource profile dan MPS.
b. Perhitungan kapasitas dilakukan dengan mengalikan resource profile
dengan MPS.
Metode resource profile merupakan teknik perhitungan RCCP yang paling
detail dan perhitungannya paling sulit. Dalam penggunaan metode resource
profile baik digunakan untuk lingkungan, lead time untuk membuat produk sangat
lama dan menggunakan sistem lot size nya adalah lot for lot.
Menurut Setiabudi (2018), pendekatan ini juga menggunakan data waktu
baku. Selain itu membutuhkan pula data lead time yang diperlukan pada stasiun-
stasiun kerja tertentu.
Jadi dapat disimpulkan pendekatan resource profile merupakan teknik
perencanaan kapasitas kasar yang paling rinci, metode ini juga digunakan untuk
membangun dasar penyusunan RCCP, yang mana menggunakan data waktu baku
dan lead time.
2.10 Capacity Planning Using Overall Factor (CPOF)
Menurut Setiabudi (2018), Capacity Planning Using Overall Factor (CPOF)
merupakan perencanaan yang relatif kasar, dengan input yang diperlukan seperti
MPS, waktu total pabrik yang diperlukan untuk memproduksi satu part tertentu
dan proporsi historis yakni perbandingan antar stasiun kerja mengenai kapasitas
produk pada waktu tertentu. Cara perhitungannya relatif mudah, dengan
mengalikan proporsi historis dengan total kuantitas MPS pada periode tertentu
untuk masing-masing stasiun kerja. Dari hasil perhitungan ini nantinya diperoleh
waktu total yang diperlukan, total waktu ini kemudian dirata-ratakan dan
dibandingkan dengan waktu kapasitas.
2.11 Disagregasi
Menurut Sidiq (2017), disagregasi adalah proses pengubahan hasil rencana
produksi agregat menjadi jumlah yang harus diproduksi untuk setiap end item.
Dengan kata lain disagregasi merupakan proses memecah rencana agregat
menjadi kebutuhan produk spesifik dengan tujuan untuk menentukan kebutuhan
tenaga kerja, material, dan kebutuhan persediaan. Dan proses disagregasi
bertujuan untuk membuat jadwal produksi secara terperinci pada setiap item
produk.
2.11.1 Family Disagregasi
Menurut Adnyana (2021), disagregasi keluarga (family) adalah
sekelompok item yang menanggung secara bersama-sama ongkos set up. Bila
suatu mesin sudah disiapkan untuk membuat suatu item dari suatu keluarga, maka
semua item dalam keluarga yang sama untuk dapat diproduksi dengan melakukan
perubahan kecil pada saat set up.
2.11.2 Product Disagregasi
Menurut Adnyana (2021), product disagregasi adalah produk akhir yang
digunakan konsumen, untuk tingkat terendah dalam struktur produk dan suatu
jenis produk mungkin terdiri atas banyak item yang dibedakan dari warna,
kemasan, etiket, merek, dan lain-lain.
2.12 Proses Disagregasi
Menurut Adnyana (2021), pada perencanaan produksi tidak dibahas produk
yang akan diproduksi secara rinci melainkan dalam bentuk agregat yaitu suatu
ukuran yang mempresentasikan kumpulan beberapa produk. Agar rencana
tersebut dapat diimplementasikan, perlu dilakukan disagregasi dalam jumlah
produk masing- masing produk individu (item). Hasil disagregasi ini menjadi
Jadwal Induk Produksi (Master Production Schedule).
Dengan kata lain proses disagregasi adalah proses perencanaan yang dibuat
untuk seluruh produk yang menggunakan unsur yang sama dan dirinci kedalam
masing-masing produk yang berbeda. Hasil yang diperoleh dari proses disagregasi
adalah:
a. Demand tiap end item.
b. On hand end item.
c. Master Production Schedule /Jadwal Induk Produksi.
Metode yang digunakan untuk melakukan proses disagregasi baik yang bersifat
analitis atau heuritis, antara lain:
a. Pendekatan Hax dan Meal.
b. Pendekatan Britan dan Hax.
c. Rencana yang lebih tinggi menjadi pembatas atau kendala bagi rencana
tingkat rendah.
d. Agregat taktis (operasional).
e. Metode Analitik.
Yang termasuk ke dalam metode analitik:
a. Linier Programing Method.
b. Integer Programing Method.
c. Family Set Up Method.
 BAB 3
PENGUMPULAN DATA

Pada bab pengumpulan data akan membahas tentang beberapa data mulai
dari alternatif RPA hingga data Disagregasi dari praktikum sistem produksi
modul Rought Cut Capacity Planning (RCCP).
3.1 Data Peramalan
Berikut adalah data yang digunakan dalam pengumpulan data peramalan,
dapat dilihat pada tabel 3.1 dan tabel 3.2
Tabel 3.1 Alfa dan Gamma.
ALFA 0,8
GAMMA 0,2

Tabel 3.2 Data Menggunakan Metode Holts.

Periode Demand st bt M Ft+m*1 E [E] E^2 PE [PE]
1 715 715 160              
2 875 875 160              
3 1194 1194 160 1 1354 -160 160 25600 -13 13
4 1237 1260 141 1 1402 -165 165 27120 -13 13
5 1342 1354 132 1 1486 -144 144 20640 -11 11
6 1905 1821 199 1 2020 -115 115 13215 -6 6
7 1912 1934 182 1 2115 -203 203 41267 -11 11
8 1939 1974 153 1 2128 -189 189 35569 -10 10
9 1992 2019 132 1 2151 -159 159 25215 -8 8
10 1994 2025 107 1 2132 -138 138 19029 -7 7
11 2152 2148 110 1 2258 -106 106 11190 -5 5
12 2167 2185 95 1 2280 -113 113 12866 -5 5
13 2238 2246 88 1 2335 -97 97 9403 -4 4
14 2454 2430 108 1 2538 -84 84 7009 -3 3
15 2760 2716 143 1 2859 -99 99 9729 -4 4
16 2791 2805 132 1 2937 -146 146 21257 -5 5
17 2924 2927 130 1 3057 -133 133 17631 -5 5
18 3414 3343 187 1 3530 -116 116 13441 -3 3
19 3435 3454 172 1 3626 -191 191 36548 -6 6
20 3457 3491 145 1 3636 -179 179 32025 -5 5
Tabel 3.2 Data Menggunakan Metode Holts (Lanjutan…).
21 3843 3802 178 1 3980 -137 137 18725 -4 4
22 4192 4150 212 1 4362 -170 170 28819 -4 4
23 4346 4349 210 1 4559 -213 213 45294 -5 5
24 4747 4709 240 1 4949 -202 202 40862 -4 4
25 4815 4842 218 1 5060 -245 245 60096 -5 5
26 5243 5206 248 1 5454 -211 211 44522 -4 4
27 5282 5316 220 1 5536 -254 254 64747 -5 5
28 5460 5475 208 1 5683 -223 223 49779 -4 4
29 5940 5889 249 1 6138 -198 198 39024 -3 3
30 6330 6292 280 1 6571 -241 241 58189 -4 4
31 6385 6422 250 1 6672 -287 287 82463 -4 4
32 6420 6470 210 1 6680 -260 260 67603 -4 4
33 6438 6486 171 1 6657 -219 219 48072 -3 3
34 6761 6740 187 1 6928 -167 167 27790 -2 2
35 6782 6811 164 1 6975 -193 193 37357 -3 3
36 6787 6825 134 1 6959 -172 172 29471 -3 3
Jumla - 592 11215 -
        186
h 5927 7 64 186

1 6959
Ukuran
2 7093 Kesalahan
3 7227 ME -165
F
O 4 7361 MAE 165
R 1121
E 5 7495 SSE 564
C 3115
A 6 7629 MSE 5
S 7763
7 SDE 177
T
I 8 7897
N Ukuran
G 9 8031 Kesalahan Relatif
10 8165 MPE -5
11 8299 MAPE 5
12 8433

Setelah mendapatkan data terkecil dari praktikum perencanaan dan

pengendalian produksi maka akan di lakukan perhitungan lebih lanjut. Berikut
adalah data perhitungan menggunakan metode Holt’s sebagai berikut hasil
ramalan pada periode 1 yaitu sebesar 6959, periode 2 yaitu 7093, periode 3 yaitu
7227, periode 4 yaitu 7361, periode 5 yaitu 7495, periode 6 yaitu 7629, periode 7
yaitu 7763, periode 8 yaitu 7897, periode 9 yaitu 8031, periode 10 yaitu 8165,
periode 11 yaitu 8299, periode 12 yaitu 8433. Ukuran akurasi dari hasil peramalan
yang dihitung dengan metode Mean Error (ME) yaitu -165, untuk perhitungan
Mean Absolute Error (MAE) yaitu 165, untuk perhitungan dari Sum Of Square
Eror (SSE) yaitu 1121564, hasil perhitungan Mean Of Square Error (MSE) yaitu
31155, dan untuk Standard Deviation Error (SDE) yaitu 177. Ukuran kesalahan
relatif Mean Percentage Error (MPE) yaitu -5, Mean Absolute Percentage Error
(MAPE) yaitu 5.
Data yang digunakan dalam pengumpulan data RMH dan data inventory
awal, dapat dilihat pada tabel 3.3 dan tabel 3.4.
Tabel 3.3 Data Reguler Man Hour.
jumlah
TK TK Biaya
periode hari kerja demand RMH UPRT UPOT SUBKON Hiring Lay off inv. Akhir semua
diperlukan terpakai Periode
di lantai

1 25 6959 16,8 17 3400 6800 0 0 0 0 64 68960 6800

2 20 7093 21,5 22 3520 7040 0 0 0 0 11 70565 7040
3 23 7227 19,0 20 3680 7360 0 0 0 0 144 75760 7360
4 21 7361 21,2 22 3696 7392 0 0 0 0 175 76545 7392
5 25 7495 18,2 19 3800 7600 0 0 0 0 280 80200 7600
6 23 7629 20,1 21 3864 7728 0 0 0 0 379 82965 7728
7 24 7763 19,6 20 3840 7680 0 0 0 0 296 81240 7680
8 25 7897 19,2 20 4000 8000 0 0 0 0 399 85985 8000
9 21 8031 23,2 24 4032 8064 0 0 0 0 432 87120 8064
10 20 8165 24,8 25 4000 8000 0 0 0 0 267 84005 8000
11 25 8299 20,2 21 4200 8400 0 0 0 0 368 89520 8400
12 22 8433 23,3 24 4224 8448 0 0 0 0 383 90225 8448
total 274 92352 247 255 46256 92512 0 0 0 0 3198 973090 92512

Dari tabel 3.3 dapat diketahui sebagai berikut:

1. Pada periode 1 terdapat 6959 unit permintaan yang dapat dilakukan proses produksi selama 25 hari.
2. Jumlah tenaga kerja yang diperlukan sebanyak 16,8 orang yaitu dapat dihitung dengan rumus TK diperlukan = ((demand periode
pertama – inventory awal) × (waktu baku) dibagi (hari kerja × jam kerja)).
3. Jumlah regular man hour (RMH) = hari kerja × TK Terpakai × jam kerja, pada periode pertama didapatkan RMH sebesar 3400 jam.

4. Jumlah produksi normal (UPRT) = RMH dibagi waktu baku, pada periode pertama didapatkan nilai UPRT sebesar 6800 unit.
5. Jumlah persediaan akhir periode pertama = (inventory awal + jumlah produksi normal (UPRT) + jumlah produksi di luar jam (UPOT)
+ subkontrak) – demand periode pertama, dan didapatkan nilai 64 unit.
6. Untuk biaya periode = (UPRT × regular time cost) + (UPOT × OT Cost) + (subkontrak × subkontrak cost) + (hirring × hirring cost)
+ (lay off × lay off cost) + (inventoty akhir × inventoty cost), dan didapatkan nilai 68960 Rupiah.
7. Jumlah semua di lantai = UPRT + UPOT + subkontrak, didapatkan nilai 6800 unit.
Tabel 3.4 Data Jam Kerja dan Ongkos Kerja.
No Jumla Satua
. Keterangan Data h n
1 Jam Kerja 8 Jam
2 Max Overtime 0,25 Jam
3 Waktu Baku 0,5 Jam
4 TK Max 20 Orang
5 TK Awal 8 Orang
6 Max Sub Con 40 Jam
7 Inv. Awal 223 Unit
8 Regular Time Cost (dalam Rupia
ribu) 8 h
9 Rupia
OT Cost (dalam ribu) 10 h
10 Rupia
Sub Cont Cost (dalam ribu) 12 h
11 Rupia
Inventory Cost (dalam ribu) 15 h
12 Rupia
Hiring Cost (dalam ribu) 9 h
13 Rupia
Lay Off Cost (dalam ribu) 7 h

Untuk penentuan pengumpulan data didapatkan di mana jumlah jam kerja 8,

maximal Over time 0.25, waktu baku 0.5, tenaga kerja maximal 20 orang, tenaga
kerja awal 8, maximal sub contract 40, inventory awal 223 (sesuai kesepakatan
kelompok), regular time cost 8, over time cost 10, sub contract cost 12, inventory
cost 15, hiring cost 9, lay off cost 7. Setelah data terkumpul maka akan di lakukan
input data disagregasi.
Berikut ini adalah data yang di-input untuk menghasilkan data disagregasi:
Tabel 3.5 Data Biaya Set Up dan Simpan.
Ongkos Ribuan
Family Item
Setup Simpan
Biru 50000 140
Cover
Merah 25000 140
Inventory awal 223

Data biaya set up dan simpan didapatkan untuk cover biru biaya setup Rp
50000 dan biaya simpan 140 unit. Cover merah biaya setup Rp 25000 dan biaya
simpan 140 unit. Kemudian untuk inventory awal 223 unit.
Tabel 3.6 Data CPOF Cover Biru dan Merah.
Cover Biru Cover Merah
Cover FR 0,07 Hour Cover FR 0,07 Hour
Cover FR Top 0,05 Hour Cover FR Top 0,09 Hour
Garnish FR 0,04 Hour Garnish FR 0,04 Hour
Cover R. FR 0,06 Hour Cover R. FR 0,1 Hour
Cover L. FR 0,06 Hour Cover L. FR 0,1 Hour
Cover, Inner Lower 0,08 Hour Cover, Inner Lower 0,12 Hour
Cover, Rack 0,04 Hour Cover, Rack 0,08 Hour
Total 0,4 Hour Total 0,6 Hour

Data CPOF cover didapatkan untuk cover biru dengan cover fr sebesar 0,07
hour, cover fr top sebesar 0,05 hour, garnish fr sebesar 0,04 hour, cover r. fr
sebesar 0,06 hour, cover l. fr sebesar 0,06 hour, cover, inner lower sebesar 0,08
hour, cover, rack sebesar 0,04 hour dan total sebesar 0,4 hour. Cover merah untuk
cover fr sebesar 0,07 hour, cover fr top sebesar 0,09 hour, garnish fr sebesar 0,04
hour, cover r. fr sebesar 0,1 hour, cover l. fr sebesar 0,1 hour, cover, inner lower
sebesar 0,12 hour, cover, rack sebesar 0,08 hour dan total sebesar 0,6 hour.
Tabel 3.7 Data Hour, Lead Time pada RPA untuk Cover Biru.
Cover Biru Month Before Due Date
Work Center Waktu Baku 2 1 0
Cover FR 0,07 hour 0 0 0,07
Cover FR Top 0,05 hour 0 0,05 0
Garnish FR 0,04 hour 0,04 0 0
Cover R. FR 0,06 hour 0 0,06 0
Cover L. FR 0,06 hour 0 0 0,06
Cover, Inner Lower 0,08 hour 0,08 0 0
Cover, Rack 0,04 hour 0 0,04 0
Total 0,4 hour 0,4

Waktu baku didapatkan dari total semua waktu baku yakni 0,4 hour, dengan
pembagian waktu sebagai berikut cover Fr 0,07 hour, cover fr top sebesar 0,05
hour, garnish fr sebesar 0,04 hour, cover r. fr sebesar 0,06 hour, cover l. fr
sebesar 0,06 hour, cover, inner lower sebesar 0,08 hour, cover, rack sebesar 0,04
hour. Penentuan due date dari setiap pekerjaan di cover biru mengacu pada tabel
data RPA. Untuk pengisian data pada month before due date yaitu dengan
mengurutkan waktu baku pada month due date bulan ke-0 sampai bulan ke-2.
Setelah memasuki due date di bulan ke-2 dan melanjutkannya di due date bulan
ke-1.
Tabel 3.8 Data Hour, Lead Time pada RPA untuk Cover Merah.
Cover Merah Month Before Due Date
Work Center Waktu Baku 2 1 0
Cover FR 0,07 hour 0 0 0,07
Cover FR Top 0,09 hour 0 0,09 0
Garnish FR 0,04 hour 0,04 0 0
Cover R. FR 0,1 hour 0 0,1 0
Cover L. FR 0,1 hour 0 0 0,1
Cover, Inner Lower 0,12 hour 0,12 0 0
Cover, Rack 0,08 hour 0 0,08 0
Total 0,6 hour 0,6

Waktu baku didapatkan dari total semua waktu baku yakni 0,6 hour, dengan
pembagian waktu sebagai berikut cover Fr 0,07 hour, cover fr top sebesar 0,09
hour, garnish fr sebesar 0,04 hour, cover r. fr sebesar 0,1 hour, cover l. fr sebesar
0,1 hour, cover, inner lower sebesar 0,12 hour, cover, rack sebesar 0,08 hour.
Penentuan due date dari setiap pekerjaan di cover merah mengacu pada tabel data
RPA. Untuk pengisian data pada month before due date yaitu dengan
mengurutkan waktu baku pada month due date bulan ke-0 sampai bulan ke-2.
Setelah memasuki due date di bulan ke-2 dan melanjutkannya di due date bulan
ke-1.
Tabel 3.9 Data Permintaan Cover.

MSE Terkecil dari Modul 1

  Peramalan Aripitstop

Periode Demand Biru Merah

1 6959 5219 1740

2 7093 5320 1773

3 7227 5420 1807

4 7361 5521 1840

5 7495 5621 1874

6 7629 5722 1907

7 7763 5822 1941

8 7897 5923 1974

 9 8031 6023 2008

10 8165 6124 2041

11 8299 6224 2075

12 8433 6325 2108

Faktor Konversi 1 1
Proporsi 75% 25%
Annual Demand 69264 23088

Data peramalan demand MSE terkecil didapatkan dari perhitungan

peramalan metode Holt’s praktikum perencanaan dan pengendalian produksi,
untuk data cover biru dan merah didapatkan dari =((demand × proporsi) : faktor
konversi). Di mana data proporsi 75% pada cover biru sedangkan untuk cover
merah sebesar 25%.
Tabel 3.10 Kapasitas Produksi Aripitstop.
Input RCCP
Cover
Periode Capacity Production
Biru Merah
1 6800 5100 1700
2 7040 5280 1760
3 7360 5520 1840
4 7392 5544 1848
5 7600 5700 1900
6 7728 5796 1932
7 7680 5760 1920
8 8000 6000 2000
9 8064 6048 2016
10 8000 6000 2000
11 8400 6300 2100
12 8448 6336 2112

Tabel input RCCP capacity production didapatkan dari perhitungan jumlah

semua di lantai pada tabel RMH. Input RCCP cover biru didapatkan dari
perhitungan = ((capacity production × proporsi cover biru pada tabel data
peramalan MSE terkecil) : faktor konversi cover biru pada tabel data peramalan
MSE terkecil). Input RCCP cover merah didapatkan dari perhitungan = ((capacity
production × proporsi cover merah pada tabel data peramalan MSE terkecil) :
faktor konversi cover merah pada tabel data peramalan MSE terkecil).
 BAB 4
PENGOLAHAN DATA

Pada bab pengolahan data ini membahas tentang pengolahan data peramalan
pada praktikum sistem produksi modul Rough Cut Capacity Planning (RCCP).
4.1 Pengolahan Data Disagregasi
Berikut ini akan ditampilkan data hasil perhitungan disagregasi dari periode
1 sampai periode 12 beserta analisa:
Pada periode 1 Cover Biru:
Capacity_Biru = 6800, Demand = 6959
Persediaan x proporsi
1. Iij,r-1 =
Faktor Konversi
223× 75 %
2. Iij,r-1= = 167
1
3. Rij,t = Demand × Proporsi
4. Rij,t = 6959*75% = 5219
5. Rij × Mij = rij,t × Faktor Konversi
= 5219 × 1 = 5219
6. Sij = 0
7. Mij = 1
8. Iij,t = (Iij, r-1) – (rij × mij) =167 – 5219 = -5052
9. Dij,r = (Iij, r-1) – (rij,t) – (sij) = 167 – 5219 – 0 = -5052
10. Iij,r<Sij = Jika Iij,t < Sij,maka item yang ada di family harus DIBUAT
11. Kij = Ongkos Set Up = 50000
12. Hij = Ongkos simpan = 140
13. hij × rij,t = 140 × 50000 = 730695

14. T*j =
√ 2 xki
∑ ¿¿ ¿
¿ = ((2*150) / 372516) ^0,5;0) = 1

15. Q*Ij = max (T*j x rij –dij,t,0) = max ((1*5219)-(-5052);0)= 10271

p−∑ (qij x mij)
16. Q*ij(adj) = q*ij+ rij - = 10271 + 5219 x ( 6800 – 13695) /
∑ (rij x mij)
6959) = 5100
17. Q*ij(adj) × mij = 5100 × 1 = 5100
18. Iij,t(adj) = (Iij,r-1) + (q*ij(adj) × mij) – (Rij,t) = 167+ 5100 – 5219 = 48
19. Iij,t(adj) × mij = 48 × 1 = 48
Untuk perhitungan selanjutnya dilakukan dengan cara yang sama dengan
cara perhitungan di atas. Tetapi untuk nilai Iij,r-1 periode 2 menggunakan Total
Iij(adj) × mij periode sebelumnya.
4.2 Analisa Perhitungan Disagregasi
Berikut ini adalah hasil perhitungan dari disagregasi periode pertama sampai ke periode dua belas yaitu:
4.2.1 Perhitungan Disagregasi pada Periode Pertama
Tabel 4.1 Hasil Perhitungan Disagregasi pada Periode Pertama.
PERIODE Master
1 schedule
695
Capacity 6800 Demand
9
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
- -
521 DIBUA 5000 14 73069 1027
Biru 167 5219 0 1 505 505 1 1 10271 5100 5100 48 48
9 T 0 0 5 1
2 2
Cover
- -
Mera 174 DIBUA 2500 14 24356
56 1740 0 1 168 168 1 3424 1 3424 1700 1700 16 16
h 0 T 0 0 5
4 4
695 97426
6959 13695 64
9 0

Pada disagregasi periode pertama diketahui total nilai rij,t adalah 6959 unit, total ongkos produksi sebesar Rp. 974.260, total nilai q*ij
× mij adalah 13695 unit, dan total nilai Iij,t (adj) × mij adalah 64 unit sama dengan inventory akhir di periode pertama.
4.2.2 Perhitungan Disagregasi pada Periode Kedua
Tabel 4.2 Hasil Perhitungan Disagregasi pada Periode Kedua.
PERIODE Master
2 schedule
709
Capacity 7040 Demand
3
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
- -
532 DIBUA 5000 14 74476 1059
Biru 48 5320 0 1 527 527 1 1 10592 5280 5280 8 8
Aripitstop 0 T 0 0 5 2
2 2
Mera 16 177 1773 0 1 - - DIBUA 2500 14 24825 1 3531 1 3531 1760 1760 3 3
 175 175
h 3 T 0 0 5
7 7
709 99302
7093 14122 11
3 0
Pada disagregasi periode kedua diketahui total nilai rij,t adalah 7093 unit, total ongkos produksi sebesar Rp. 993.020, total nilai q*ij ×
mij adalah 14122 unit, dan total nilai Iij,t (adj) × mij adalah 11 unit sama dengan inventory akhir di periode kedua.
4.2.3 Perhitungan Disagregasi pada Periode Ketiga
Tabel 4.3 Hasil Perhitungan Disagregasi pada Periode Ketiga.
PERIODE Master
3 schedule
722
Capacity 7360 Demand
7
Item rij x si mi hij x t* Mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
- -
542 DIBUA 5000 14 1083
Biru 8 5420 0 1 541 541 758835 1 1 10832 5520 5520 108 108
0 T 0 0 2
2 2
Aripitstop
- -
Mera 180 DIBUA 2500 14
3 1807 0 1 180 180 252945 1 3611 1 3611 1840 1840 36 36
h 7 T 0 0
4 4
722 101178
7227 14443 144
7 0

Pada disagregasi periode ketiga diketahui total nilai rij,t adalah 7227 unit, total ongkos produksi sebesar Rp. 101.1780, total nilai q*ij
× mij adalah 14443 unit, dan total nilai Iij,t (adj) × mij adalah 144 unit sama dengan inventory akhir di periode ketiga.
4.2.4 Perhitungan Disagregasi pada Periode Keempat
Tabel 4.4 Hasil Perhitungan Disagregasi pada Periode Keempat.
PERIODE Master
4 schedule
736
Capacity 7392 Demand
1
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
 - -
552 DIBUA 5000 14 1093
Biru 108 5521 0 1 541 541 772905 1 1 10934 5544 5544 131 131
1 T 0 0 4
3 3
Aripitstop
- -
Mera 184 DIBUA 2500 14
36 1840 0 1 180 180 257635 1 3645 1 3645 1848 1848 44 44
h 0 T 0 0
4 4
736 103054
7361 14578 175
1 0
 Pada disagregasi periode keempat diketahui total nilai rij,t adalah 7361 unit, total ongkos produksi sebesar Rp. 1.030.540, total nilai
q*ij × mij adalah 14578 unit, dan total nilai Iij,t (adj) × mij adalah 175 unit sama dengan inventory akhir di periode keempat.
4.2.5 Perhitungan Disagregasi pada Periode Kelima
Tabel 4.5 Hasil Perhitungan Disagregasi pada Periode Kelima.
PERIODE Master
5 schedule
749
Capacity 7600 Demand
5
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
- -
562 DIBUA 5000 14 1111
Biru 131 5621 0 1 549 549 786975 1 1 11111 5700 5700 210 210
1 T 0 0 1
0 0
Aripitstop
- -
Mera 187 DIBUA 2500 14
44 1874 0 1 183 183 262325 1 3704 1 3704 1900 1900 70 70
h 4 T 0 0
0 0
749 104930
7495 14815 280
5 0

Pada disagregasi periode kelima diketahui total nilai rij,t adalah 7495 unit, total ongkos produksi sebesar Rp. 1.049.300, total nilai
q*ij × mij adalah 14815 unit, dan total nilai Iij,t (adj) × mij adalah 280 sama dengan inventory akhir di periode kelima.
4.2.6 Perhitungan Disagregasi pada Periode Keenam
Tabel 4.6 Hasil Perhitungan Disagregasi pada Periode Keenam.
PERIODE Master
4 schedule
736
Capacity 7392 Demand
1
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
Aripitstop Biru 210 572 5722 0 1 - - DIBUA 5000 14 801045 1 1123 1 11234 5796 5796 284 284
2 551 551 T 0 0 4
2 2
 - -
Mera 190 DIBUA 2500 14
70 1907 0 1 183 183 267015 1 3745 1 3745 1932 1932 95 95
h 7 T 0 0
7 7
762 106806
7629 14978 280
9 0
 Pada disagregasi periode keenam diketahui total nilai rij,t adalah 7629 unit, total ongkos produksi sebesar Rp. 1.068.060, total nilai
q*ij × mij adalah 14978 unit, dan total nilai Iij,t (adj) × mij adalah 280 unit sama dengan inventory akhir di periode keenam.
4.2.7 Perhitungan Disagregasi pada Periode Ketujuh
Tabel 4.7 Hasil Perhitungan Disagregasi pada Periode Ketujuh.
PERIODE Master
7 schedule
695
Capacity 6800 Demand
9
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
- -
582 DIBUA 5000 14 1136
Biru 284 5822 0 1 553 553 815115 1 1 11360 5760 5760 222 222
2 T 0 0 0
8 8
Cover
- -
Mera 194 DIBUA 2500 14
95 1941 0 1 184 184 271705 1 3787 1 3787 1920 1920 74 74
h 1 T 0 0
6 6
776 108682
7763 15147 296
3 0

Pada disagregasi periode ketujuh diketahui total nilai rij,t adalah 7763 unit, total ongkos produksi sebesar Rp. 1.086.820, total nilai
q*ij × mij adalah 15147 unit, dan total nilai Iij,t (adj) × mij adalah 296 unit sama dengan inventory akhir di periode ketujuh.
4.2.8 Perhitungan Disagregasi pada Periode Kedelapan
Tabel 4.8 Hasil Perhitungan Disagregasi pada Periode Kedelapan.
PERIODE Master
8 schedule
709
Capacity 7040 Demand
3
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
Aripitstop Biru 222 592 5923 0 1 - - DIBUA 5000 14 829185 1 1162 1 11624 6000 6000 299 299
3 570 570 T 0 0 4
 1 1
- -
Mera 197 DIBUA 2500 14
74 1974 0 1 190 190 276395 1 3875 1 3875 2000 2000 100 100
h 4 T 0 0
0 0
789 110558
7897 15498 399
7 0
Pada disagregasi periode kedelapan diketahui total nilai rij,t adalah 7897 unit, total ongkos produksi sebesar Rp. 1.105.580, total nilai
q*ij × mij adalah 15498 unit, dan total nilai Iij,t (adj) × mij adalah 399 unit sama dengan inventory akhir di periode kedelapan.
4.2.9 Perhitungan Disagregasi pada Periode Kesembilan
Tabel 4.9 Hasil Perhitungan Disagregasi pada Periode Kesembilan.
PERIODE Master
9 schedule
722
Capacity 7360 Demand
7
Item rij x si mi hij x t* Mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
- -
602 DIBUA 5000 14 1174
Biru 299 6023 0 1 572 572 843255 1 1 11747 6048 6048 324 324
3 T 0 0 7
4 4
Aripitstop
- -
Mera 200 DIBUA 2500 14
100 2008 0 1 190 190 281085 1 3916 1 3916 2016 2016 108 108
h 8 T 0 0
8 8
803 112434
8031 15663 432
1 0

Pada disagregasi periode kesembilan diketahui total nilai rij,t adalah 8031 unit, total ongkos produksi sebesar Rp. 1.124.340, total
nilai q*ij × mij adalah 15663 unit, dan total nilai Iij,t (adj) × mij adalah 432 unit sama dengan inventory akhir di periode kesembilan.
4.2.10 Perhitungan Disagregasi pada Periode Kesepuluh
Tabel 4.11 Hasil Perhitungan Disagregasi pada Periode Kesepuluh.
PERIODE Master
10 schedule
 736
Capacity 7392 Demand
1
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
- -
612 DIBUA 5000 14 85732 1192
Biru 324 6124 0 1 580 580 1 1 11924 6000 6000 200 200
4 T 0 0 5 4
0 0
Aripitstop
- -
Mera 204 DIBUA 2500 14 28577
108 2041 0 1 193 193 1 3975 1 3975 2000 2000 67 67
h 1 T 0 0 5
3 3
816 11431
8165 15898 267
5 00
Pada disagregasi periode kesepuluh diketahui total nilai rij,t adalah 8165 unit, total ongkos produksi sebesar Rp. 1.143.100, total nilai
q*ij × mij adalah 15898 unit, dan total nilai Iij,t (adj) × mij adalah 267 unit sama dengan inventory akhir di periode kesepuluh.
4.2.11 Perhitungan Disagregasi pada Periode Kesebelas
Tabel 4.11 Hasil Perhitungan Disagregasi pada Periode Kesebelas.
PERIODE Master
11 schedule
749
Capacity 7600 Demand
5
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
- -
622 DIBUA 5000 14 87139 1224
Biru 200 6224 0 1 602 602 1 1 12248 6300 6300 276 276
4 T 0 0 5 8
4 4
Aripitstop
- -
Mera 207 DIBUA 2500 14 29046
67 2075 0 1 200 200 1 4083 1 4083 2100 2100 92 92
h 5 T 0 0 5
8 8
829 11618
8299 16331 368
9 60

Pada disagregasi periode kesebelas diketahui total nilai rij,t adalah 8299 unit, total ongkos produksi sebesar Rp. 1.161.860, total nilai
q*ij × mij adalah 16331 unit, dan total nilai Iij,t (adj) × mij adalah 368 sama dengan inventory akhir di periode kesebelas.
4.2.12 Perhitungan Disagregasi pada Periode Keduabelas
Tabel 4.12 Hasil Perhitungan Disagregasi pada Periode Keduabelas.
PERIODE Master
12 schedule
736
Capacity 7392 Demand
1
Item rij x si mi hij x t* mi q*ij x q*ij(ad q*ij(adj) x lij,t(ad lij,t(adj) x
Family (i) lij,r-1 rij,t lij,t dij,r lij,r<Sij kij hij q*ij
(j) mij j j rij,t j j mij j) mij j) mij
- -
632 DIBUA 5000 14 88546 1237
Biru 276 6325 0 1 604 604 1 1 12374 6336 6336 287 287
5 T 0 0 5 4
9 9
Aripitstop
- -
Mera 210 DIBUA 2500 14 29515
92 2108 0 1 201 201 1 4125 1 4125 2112 2112 96 96
h 8 T 0 0 5
6 6
843 11806
8433 16498 383
3 20
Pada disagregasi periode keduabelas diketahui total nilai rij,t adalah 8433 unit, total ongkos produksi sebesar Rp. 1.180.620, total
nilai q*ij × mij adalah 16498 unit, dan total nilai Iij,t (adj) × mij adalah 383 unit sama dengan inventory akhir di periode keduabelas.
4.3 Input Data Capacity Planning Overall Factor (CPOF)
Beriut ini adalah Input Data Capacity Planning Overall Factor (CPOF) menggunakan Microsoft Excel untuk menentukan kapasitas produksi
cover biru dan merah.
4.3.1 Input Data Capacity Planning Overall Factor (CPOF) Cover Biru
Berikut ini merupakan tabel dari capacity planning overall factor (CPOF) yang telah di buat menggunakan Microsoft excel:
Tabel 4.13 Capacity Planning Overall Factor (CPOF) Cover Biru.
Capacity Planning Using Overall Factor  
Cover Blue
Periode 1 2 3 4 5 6 7 8 9 10 11 12 Total
Master Schedule 5100 5280 5520 5544 5700 5796 5760 6000 6048 6000 6300 6336 69384
 Total 0.4 2040 2112 2208 2217.6 2280 2318 2304 2400 2419 2400 2520 2534 27753.6
Work Center Historical  
Cover FR 18% 357 370 386 388 399 406 403 420 423 420 441 444 4857
Cover FR Top 13% 255 264 276 277 285 290 288 300 302 300 315 317 3469
Garnish FR 10% 204 211 221 222 228 232 230 240 242 240 252 253 2775
Cover R. FR 15% 306 317 331 333 342 348 346 360 363 360 378 380 4163
Cover L. FR 15% 306 317 331 333 342 348 346 360 363 360 378 380 4163
Cover, Inner Lower 20% 408 422 442 444 456 464 461 480 484 480 504 507 5551
Cover, Rack 10% 204 211 221 222 228 232 230 240 242 240 252 253 2775
Total Capacity Requirement 2040 2112 2208 2218 2280 2318 2304 2400 2419 2400 2520 2534 27754

Pada tabel 4.13 di atas dapat diketahui bahwa Capacity Planning Using Overall Factor (CPOF) merupakan salah satu metode yang
digunakan untuk perhitungan kapasitas, di modul kali ini CPOF digunakan untuk menentukan kapasitas produksi cover biru pada stasiun
kerja. Pada periode pertama diketahui total capacity requirement sebesar 2040 unit, periode kedua sebesar 2112 unit, periode ketiga sebesar
2208 unit, periode keempat sebesar 2218 unit, periode kelima sebesar 2280 unit, periode keenam sebesar 2318 unit, periode ketujuh sebesar
2304 unit, periode kedelapan sebesar 2400 unit, periode kesembilan sebesar 2419 unit, periode sepuluh sebesar 2400 unit, periode
kesebelas sebesar 2520 unit, dan periode kedua belas sebesar 2534 unit.
4.3.2 Input Data Capacity planning Overall Factor (CPOF) Cover Merah
Berikut ini merupakan tabel dari capacity planning overall factor (CPOF) yang telah di buat menggunakan Microsoft excel:
Tabel 4.14 Capacity Planning Overal Factor (CPOF) Cover Merah.
Capacity Planning Using Overall Factor  
Cover Red
 Periode 1 2 3 4 5 6 7 8 9 10 11 12 Total
Master Schedule 1700 1760 1840 1848 1900 1932 1920 2000 2016 2000 2100 2112 23128
Total 0.4 680 704 736 739.2 760 773 768 800 806.4 800 840 844.8 8406.4
Work Center Historical  
Cover FR 12% 198 205 86 86 89 90 90 93 94 93 98 99 1322
Cover FR Top 15% 255 264 110 111 114 116 115 120 121 120 126 127 1699
Garnish FR 7% 113 117 49 49 51 52 51 53 54 53 56 56 755
Cover R. FR 17% 283 293 123 123 127 129 128 133 134 133 140 141 1888
Cover L. FR 17% 283 293 123 123 127 129 128 133 134 133 140 141 1888
Cover, Inner Lower 20% 340 352 147 148 152 155 154 160 161 160 168 169 2265
Cover, Rack 13% 227 235 98 99 101 103 102 107 108 107 112 113 1510
Total Capacity Requirement 1700 1760 736 739 760 773 768 800 806 800 840 845 11327

Pada tabel 4.13 di atas dapat diketahui bahwa Capacity Planning Using Overall Factor (CPOF) merupakan salah satu metode yang
digunakan untuk perhitungan kapasitas, di modul kali ini CPOF digunakan untuk menentukan kapasitas produksi cover merah pada stasiun
kerja. Pada periode pertama diketahui total capacity requirement sebesar 1700 unit, periode kedua sebesar 1760 unit, periode ketiga sebesar
736 unit, periode keempat sebesar 739 unit, periode kelima sebesar 760 unit, periode keenam sebesar 773 unit, periode ketujuh sebesar 768
unit, periode kedelapan sebesar 800 unit, periode kesembilan sebesar 806 unit, periode sepuluh sebesar 800 unit, periode kesebelas sebesar
840 unit dan periode kedua belas sebesar 845 unit.
4.4 Input Data Resources Profile Approach (RPA)
Berikut ini adalah tabel perhitungan Resources Profile Approach perhitungan menggunakan aplikasi Microsoft Excel untuk
menentukan kapasitas produksi cover biru dan merah.
4.4.1 Input Data Resources Profile Approach (RPA) Cover Biru
 Berikut ini merupakan tabel dari Resources Profile Approach (RPA) Cover Biru yang telah di buat menggunakan Microsoft excel:
Tabel 4.15 Hasil Perhitungan Recources Profile Approach Cover Biru.
Resources Profile Approach  
Cover Blue
Periode 11 12 1 2 3 4 5 6 7 8 9 10 11 12 Total
Master Schedule     5100 5280 5520 5544 5700 5796 5760 6000 6048 6000 6300 6336 69384
Total 0.4     2040 2112 2208 2217.6 2280 2318.4 2304 2400 2419.2 2400 2520 2534.4 27753.6
Work Center Waktu Baku  
Cover FR 0.07 0 0 357 370 386 388 399 406 403 420 423 420 441 444 4857
Cover FR
0 255 264 276 277 285 290 288 300 302 300 315 317 0 3469
Top 0.05
Garnish FR 0.04 204 211 221 222 228 232 230 240 242 240 252 253 0 0 2775
Cover R. FR 0.06 0 306 317 331 333 342 348 346 360 363 360 378 380 0 4163
Tabel 4.15 Hasil Perhitungan Recources Profile Approach Cover Biru (Lanjutan…).
Cover L. FR 0.06 0 0 306 317 331 333 342 348 346 360 363 360 378 380 4163
Cover, Inner
0.08 408 422 442 444 456 464 461 480 484 480 504 507 0 0 5551
Lower
Cover, Rack 0.04 0 204 211 221 222 228 232 230 240 242 240 252 253 0 2775
Total Capacity Requirement 612 1398.6 2117 2180 2233 2271 2302 2337 2375 2407 2442 2485 1769 824 27754

Pada tabel 4.15 di atas dapat diketahui bahwa Resource Profile Approach (RPA) merupakan salah satu metode yang digunakan untuk
perhitungan kapasitas produksi pada setiap stasiun kerja akan tetapi lebih detail karena sudah diketahui lead time nya. Pada periode sebelas
awal diketahui total capacity requirement sebesar 612 unit, periode kedua belas awal sebesar 1399, periode pertama sebesar 2117, periode
kedua sebesar 2180 unit, periode ketiga sebesar 2233 unit, periode keempat sebesar 2271 unit, periode kelima sebesar 2302 unit, periode
keenam sebesar 2337 unit, periode ketujuh sebesar 2375 unit, periode kedelapan sebesar 2407 unit, periode kesembilan sebesar 2442 unit,
periode sepuluh sebesar 2485 unit, periode kesebelas sebesar 1769 unit dan periode kedua belas sebesar 824 unit.
4.4.2 Input Data Resources Profile Approach (RPA) Cover Merah
Berikut ini merupakan tabel dari Resources Profile Approach (RPA) cover merah yang telah di buat menggunakan Microsoft excel:
Tabel 4.16 Hasil Perhitungan Recources Profile Approach Cover Merah.
Resources Profile Approach  
Cover Red
Periode 11 12 1 2 3 4 5 6 7 8 9 10 11 12 Total
Master Schedule     1700 1760 1840 1848 1900 1932 1920 2000 2016 2000 2100 2112 23128
Total 0.6     1020 1056 1104 1108.8 1140 1159.2 1152 1200 1209.6 1200 1260 1267.2 13876.8
Work Center Waktu Baku  
Cover FR 0.07 0 0 119 123 129 129 133 135 134 140 141 140 147 148 1619
Cover FR Top 0.09 0 153 158 166 166 171 174 173 180 181 180 189 190 0 2082
Tabel 4.16 Hasil Perhitungan Recources Profile Approach Cover Merah (Lanjutan…).
Garnish FR 0.04 68 70 74 74 76 77 77 80 81 80 84 84 0 0 925
Cover R. FR 0.1 0 170 176 184 185 190 193 192 200 202 200 210 211 0 2313
Cover L. FR 0.1 0 0 170 176 184 185 190 193 192 200 202 200 210 211 2313
Cover, Inner
204 211 221 222 228 232 230 240 242 240 252 253 0 0 2775
Lower 0.12
Cover, Rack 0.08 0 136 141 147 148 152 155 154 160 161 160 168 169 0 1850
105 115 118
Total Capacity Requirement 272 740.6 1092 1116 1136 1167 1204 1219 1245 927 359 13877
9 2 9

Pada tabel 4.16 di atas dapat diketahui bahwa Resource Profile Approach (RPA) merupakan salah satu metode yang digunakan untuk
perhitungan kapasitas produksi pada setiap stasiun kerja akan tetapi lebih detail karena sudah diketahui lead time nya. Pada periode sebelas
awal diketahui total capacity requirement sebesar 272 unit, periode kedua belas awal sebesar 741, periode pertama sebesar 1059, periode
kedua sebesar 1092 unit, periode ketiga sebesar 1116 unit, periode keempat sebesar 1136 unit, periode kelima sebesar 1152 unit, periode
keenam sebesar 1167 unit, periode ketujuh sebesar 1189 unit, periode kedelapan sebesar 1204 unit, periode kesembilan sebesar 1219 unit,
periode sepuluh sebesar 1245 unit, periode kesebelas sebesar 927 unit dan periode kedua belas sebesar 359 unit
4.5 Perhitungan Bill of Labour Approach
Berikut ini adalah perhitungan Bill of Labour Approach pada aplikasi Microsoft Excel dan data perhitungan tersebut telah ada pada
bab sebelumnya.
4.5.1 Input Data Bill of Labour Approach Cover Biru
Berikut ini merupakan tabel dari Bill of Labour Approach Cover Biru yang telah di buat menggunakan Microsoft excel:
Tabel 4.17 Hasil Perhitungan Bill of Labour Approach Cover Biru.
Periode JAN FEB MAR APR MEI JUN JUL AGS SEP OKT NOV DES Total
Master Schedule 5100 5280 5520 5544 5700 5796 5760 6000 6048 6000 6300 6336 69384

Tabel 4.17 Hasil Perhitungan Bill of Labour Approach Cover Biru (Lanjutan…).
Total 0.4 2040 2112 2208 2218 2280 2318 2304 2400 2419 2400 2520 2534 27754
Work Center  
Cover FR 357 370 386 388 399 406 403 420 423 420 441 444 4857
Cover FR Top 255 264 276 277 285 290 288 300 302 300 315 317 3469
Garnish FR 204 211 221 222 228 232 230 240 242 240 252 253 2775
Cover R. FR 306 317 331 333 342 348 346 360 363 360 378 380 4163
Cover L. FR 306 317 331 333 342 348 346 360 363 360 378 380 4163
Cover, Inner Lower 408 422 442 444 456 464 461 480 484 480 504 507 5551
Cover, Rack 204 211 221 222 228 232 230 240 242 240 252 253 2775
 Total Capacity
2040 2112 2208 2218 2280 2318 2304 2400 2419 2400 2520 2534 27754
Requirement

Pada 4.17 di atas dapat diketahui bahwa Bill of Labor (BOL) digunakan untuk menentukan kapasitas kerjanya, dan data yang
diperlukan untuk perhitungan Bill of Labor (BOL) ini sama dengan data untuk perhitungan Capacity Planning Using Overall Method
(CPOF), selain itu tujuan mencari Bill of Labor (BOL) adalah untuk mengetahui jumlah tenaga kerja atau waktu yang dibutuhkan untuk
membuat sebuah item produk. Pada bulan 1 diketahui total capacity requirement yaitu sebesar 2040 unit, bulan 2 sebesar 2112 unit, bulan 3
sebesar 2208 unit, bulan 4 sebesar 2218 unit, bulan 5 sebesar 2280 unit, bulan 6 sebesar 2318 unit, bulan 7 sebesar 2304 unit, bulan 8
sebesar 2400 unit, bulan 9 sebesar 2419 unit, bulan 10 sebesar 2400 unit, bulan 11 sebesar 2520 unit, bulan 12 sebesar 2534 unit, Serta total
capacity requirement secara keseluruhan adalah sebesar 27754 unit.

4.5.2 Input Data Bill of Labour Approach Cover Merah

Berikut ini merupakan tabel dari Bill of Labour Approach Cover Merah yang telah di buat menggunakan Microsoft excel:
Tabel 4.18 Hasil Perhitungan Bill of Labour Approach Cover Merah.
Periode JAN FEB MAR APR MEI JUN JUL AGS SEP OKT NOV DES Total
Master Schedule 1700 1760 1840 1848 1900 1932 1920 2000 2016 2000 2100 2112 23128
Total 0.6 1020 1056 1104 1109 1140 1159 1152 1200 1210 1200 1260 1267 13877
Work Center  
Cover FR 119 123 129 129 133 135 134 140 141 140 147 148 1619
Cover FR Top 153 158 166 166 171 174 173 180 181 180 189 190 2082
Garnish FR 68 70 74 74 76 77 77 80 81 80 84 84 925
 Cover R. FR 170 176 184 185 190 193 192 200 202 200 210 211 2313
Cover L. FR 170 176 184 185 190 193 192 200 202 200 210 211 2313
Cover, Inner Lower 204 211 221 222 228 232 230 240 242 240 252 253 2775
Cover, Rack 136 141 147 148 152 155 154 160 161 160 168 169 1850
Total Capacity
1020 1056 1104 1109 1140 1159 1152 1200 1210 1200 1260 1267 13877
Requirement

Pada 4.18 di atas dapat diketahui bahwa Bill of Labor (BOL) digunakan untuk menentukan kapasitas kerjanya, dan data yang
diperlukan untuk perhitungan Bill of Labor (BOL) ini sama dengan data untuk perhitungan Capacity Planning Using Overall Method
(CPOF), selain itu tujuan mencari Bill of Labor (BOL) adalah untuk mengetahui jumlah tenaga kerja atau waktu yang dibutuhkan untuk
membuat sebuah item produk. Pada bulan 1 diketahui total capacity requirement yaitu sebesar 1020 unit, bulan 2 sebesar 1056 unit, bulan 3
sebesar 1104 unit, bulan 4 sebesar 1109 unit, bulan 5 sebesar 1140 unit, bulan 6 sebesar 1159 unit, bulan 7 sebesar 1152 unit, bulan 8
sebesar 1200 unit, bulan 9 sebesar 1210 unit, bulan 10 sebesar 1200 unit, bulan 11 sebesar 1260 unit, bulan 12 sebesar 1267 unit, Serta total
capacity requirement secara keseluruhan adalah sebesar 13877 unit.
 BAB 5
KESIMPULAN DAN SARAN

Pada bab kesimpulan dan saran ini akan membahas tentang kesimpulan dan
saran pada praktikum sistem produksi modul Rought Cut Capacity Planning
(RCCP).
5.1 Kesimpulan
Berikut ini adalah kesimpulan dari hasil praktikum sistem produksi modul
Rought Cut Capacity Planning (RCCP) terlihat sebagai berikut :
1. Rough Cut Capacity Planning (RCCP) merupakan proses konversi dari
rencana produksi dan atau MPS ke dalam kebutuhan kapasitas yang
berkaitan dengan sumber daya kritis seperti tenaga kerja, mesin dan
peralatan, kapasitas gudang, kapasitas pemasok material, dan sumber daya
keuangan. Dalam hal ini terdapat 3 macam teknik dalam perhitungan RCCP
yaitu Capacity Planning Using Overall Factor Approach (CPOF), Bill of
Labour Approach (BOLA), Resource Profile Approach (RPA).
2. Proses disagregasi bertujuan untuk membuat jadwal produksi secara
terperinci pada setiap item produk.
Pada disagregasi periode pertama diketahui total nilai rij,t adalah 6959 unit,
total ongkos produksi sebesar Rp. 974.260, total nilai q*ij × mij adalah
13695 unit, dan total nilai Iij,t (adj) × mij adalah 64 unit sama dengan
inventory akhir di periode pertama.
Pada disagregasi periode kedua diketahui total nilai rij,t adalah 7093 unit,
total ongkos produksi sebesar Rp. 993.020, total nilai q*ij × mij adalah
14122 unit, dan total nilai Iij,t (adj) × mij adalah 11 unit sama dengan
inventory akhir di periode kedua.
Pada disagregasi periode ketiga diketahui total nilai rij,t adalah 7227 unit,
total ongkos produksi sebesar Rp. 101.1780, total nilai q*ij × mij adalah
14443 unit, dan total nilai Iij,t (adj) × mij adalah 144 unit sama dengan
inventory akhir di periode ketiga.
Pada disagregasi periode keempat diketahui total nilai rij,t adalah 7361 unit,
total ongkos produksi sebesar Rp. 1.030.540, total nilai q*ij × mij adalah
14578 unit, dan total nilai Iij,t (adj) × mij adalah 175 unit sama dengan
inventory akhir di periode keempat.
Pada disagregasi periode kelima diketahui total nilai rij,t adalah 7495 unit,
total ongkos produksi sebesar Rp. 1.049.300, total nilai q*ij × mij adalah
14815 unit, dan total nilai Iij,t (adj) × mij adalah 280 sama dengan inventory
akhir di periode kelima.
Pada disagregasi periode keenam diketahui total nilai rij,t adalah 7629 unit,
total ongkos produksi sebesar Rp. 1.068.060, total nilai q*ij × mij adalah
14978 unit, dan total nilai Iij,t (adj) × mij adalah 280 unit sama dengan
inventory akhir di periode keenam.
Pada disagregasi periode ketujuh diketahui total nilai rij,t adalah 7763 unit,
total ongkos produksi sebesar Rp. 1.086.820, total nilai q*ij × mij adalah
15147 unit, dan total nilai Iij,t (adj) × mij adalah 296 unit sama dengan
inventory akhir di periode ketujuh.
Pada disagregasi periode kedelapan diketahui total nilai rij,t adalah 7897
unit, total ongkos produksi sebesar Rp. 1.105.580, total nilai q*ij × mij
adalah 15498 unit, dan total nilai Iij,t (adj) × mij adalah 399 unit sama
dengan inventory akhir di periode kedelapan.
Pada disagregasi periode kesembilan diketahui total nilai rij,t adalah 8031
unit, total ongkos produksi sebesar Rp. 1.124.340, total nilai q*ij × mij
adalah 15663 unit, dan total nilai Iij,t (adj) × mij adalah 432 unit sama
dengan inventory akhir di periode kesembilan.
Pada disagregasi periode kesepuluh diketahui total nilai rij,t adalah 8165
unit, total ongkos produksi sebesar Rp. 1.143.100, total nilai q*ij × mij
adalah 15898 unit, dan total nilai Iij,t (adj) × mij adalah 267 unit sama
dengan inventory akhir di periode kesepuluh.
Pada disagregasi periode kesebelas diketahui total nilai rij,t adalah 8299
unit, total ongkos produksi sebesar Rp. 1.161.860, total nilai q*ij × mij
adalah 16331 unit, dan total nilai Iij,t (adj) × mij adalah 368 sama dengan
inventory akhir di periode kesebelas.
Pada disagregasi periode keduabelas diketahui total nilai rij,t adalah 8433
unit, total ongkos produksi sebesar Rp. 1.180.620, total nilai q*ij × mij
 adalah 16498 unit, dan total nilai Iij,t (adj) × mij adalah 383 unit sama
dengan inventory akhir di periode keduabelas.
3. Capacity Planning Using Overall Factor (CPOF) merupakan salah satu
metode yang digunakan untuk perhitungan kapasitas, di modul kali ini
CPOF digunakan untuk menentukan kapasitas produksi cover biru dan
merah pada stasiun kerja.
Pada cover biru periode pertama diketahui total capacity requirement
sebesar 2040 unit, periode kedua sebesar 2112 unit, periode ketiga sebesar
2208 unit, periode keempat sebesar 2218 unit, periode kelima sebesar 2280
unit, periode keenam sebesar 2318 unit, periode ketujuh sebesar 2304 unit,
periode kedelapan sebesar 2400 unit, periode kesembilan sebesar 2419 unit,
periode sepuluh sebesar 2400 unit, periode kesebelas sebesar 2520 unit, dan
periode kedua belas sebesar 2534 unit.
Pada cover merah periode pertama diketahui total capacity requirement
sebesar 1700 unit, periode kedua sebesar 1760 unit, periode ketiga sebesar
736 unit, periode keempat sebesar 739 unit, periode kelima sebesar 760 unit,
periode keenam sebesar 773 unit, periode ketujuh sebesar 768 unit, periode
kedelapan sebesar 800 unit, periode kesembilan sebesar 806 unit, periode
sepuluh sebesar 800 unit, periode kesebelas sebesar 840 unit dan periode
kedua belas sebesar 845 unit.
5.2 Saran
Pelaksanaan praktikum sistem produksi sudah berjalan cukup baik. Asisten
praktikum juga sudah mejelaskan dan juga membantu praktikan yang kurang
paham dengan materi. Namun, karena pelaksanaan praktikum terkadang
terkendala oleh beberapa komputer yang error sehingga mengganggu dan terjadi
keterlambatan proses pelaksanaan praktikum. Untuk kedepannya agar ditinjau lagi
terkait komputer agar dipisahkan dari ruang praktikum atau dilakukan perbaikan.
Terima kasih.
 DAFTAR PUSTAKA

Adnyana, I Made. 2021. “Ekonomi Manajerial”. Jakarta Selatan: Lembaga

Penerbitan Universitas Nasional.
Indiyanto, Rus. 2008. “Perencanaan dan Pengendalian Produksi”. Surabaya:
UPN Veteran Surabaya.
Liliyen, Dicky, dkk. 2020. “Perencanaan Kapasitas Produksi Teh Hitam
Menggunakan Metode Rough Cut Capacity Planning di Pt. Perkebunan
Nusantara IV Unit Kebun Tobasari”. Medan: Universitas Islam Sumatra
Utara. Vol. 15, No. 3, Hal. 249-254.
Masruroh dan Kemal Farouq Mauladi. 2020. “Penerapan Metode Regresi Linier
Berganda dalam Sistem Prediksi Nilai Ujian Nasional Siswa SMP”.
Lamongan: Universitas Islam Lamongan. Vol. 12, No.1, Hal. 1-6.
Meirizha, St Nova dan Elman Syukur. 2019. “Kelayakan Kapasitas Produksi
dengan Metode Rough Cut Capacity (RCCP) di Seksi Ppm#6, PT. Indah
Kiat Pulp and Paper, Tbk.”. Riau: Universitas Muhammadiyah Riau. Vol. 6,
No. 1, Hal. 1-7.
Mesra, Trisna, dkk. 2019. “Pengendalian Persediaan Bahan Pendukung
Pemurnian Minyak Sawit di PT. XYZ”. Dumai: Sekolah Tinggi Teknologi
Dumai. Vol. 15, No. 1, Hal. 39-44.
Nugraha, Eucharistia Yacoba dan I Wayan Suletra. 2017. “Analisis Metode
Peramalan Permintaan Terbaik Produk Oxycan pada PT. Samator Gresik”.
Surakarta: Universitas Sebelas Maret. Vol. 1, No. 1, Hal. 414-422.
Pramesti, Andini D, dkk. 2020. “Implementasi Metode Double Exponential
Smoothing dalam Memprediksi Pertambahan Jumlah Penduduk di Wilayah
Kabupaten Karawang”. Karawang: Universitas Singaperbangsa Karawang.
Vol. 12, No. 2, Hal. 95-103.
Rani, Asni Mustika. 2019. “Meningkatkan Kapasitas Produksi dengan Capacity
Planning (Studi pada PT XYZ)”. Bandung: Universitas Islam Bandung. Vol.
16, No. 1, Hal. 39-49.
Setiabudi, Yudi. 2018. “Perencanaan Kapasitas Produksi ATV12 dengan
Menggunakan Metode Rough Cut Capacity Planning (RCCP) untuk
Mengetahui Titik Optimasi Produksi (Studi Kasus di PT Schneider Electric
Manufacturing Batam)”. Batam: Universitas Riau Kepulauan Batam. Vol. 6,
No. 2, Hal. 80-87.
Sidiq, Muhammad Nasir dan Akhmad Sutoni. 2017. “Perencanaan dan
Penentuan Jadwal Induk Produksi di P.T. Arwina Triguna Sejahtera”.
Cianjur: Universitas Suryakancana. Vol. 1, No. 1, Hal. 11-25.
Suwarso, Rexsy Hadinata, dkk. 2021. “Perencanaan Kapasitas Produksi
Menggunakan Metode Rough Cut Capacity Planning (RCCP) Pada Home
 Industri Loca Nusa”. Malang: Institut Teknologi Nasional Malang. Vol. 4,
No. 1, Hal. 21-28.
Syam, Andy Rezky Pratama. 2021. “Penerapan Metode Hybrid Nonlinear
Regression With Modified Logistic Growth Model – Double Exponential
untuk Peramalan Kasus Covid-19 di Indonesia dan Armenia”. Surabaya:
Institut Teknologi Sepuluh Nopember Surabaya. Vol. 17, No. 2, Hal. 252-
266.
Widiyarini. 2016. “Penggunaan Metode Peramalan pada Produksi Kayu untuk
Penentuan Total Permintaan (Konsumen)”. Jakarta: Universitas Indraprasta
PGRI Jakarta. Vol. 8, No. 1, Hal. 54-61.