Jurnal TEKNO

(Civil Engineeering, Elektrical Engineeering, Industrial Engineeering)

Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

PERENCANAAN PRODUKSI CRUMB RUBBER

PADA INDUSTRI KARET MENGGUNAKAN
METODE AGREGAT PLANNING

Agung Firmansyah1, Septa Hardini2, M. Kumroni3, Hasmawati4

Program Studi Teknik Industri, Universitas Bina Darma Palembang, Indonesia
Email: fagung702@gmail.com

ABSTRAK

Seiring perkembangan teknologi di era globalisasi sekarang ini telah banyak mengubah
sebuah sistem dalam sebuah industri, baik industri jasa maupun industri manufaktur.
Belum terpenuhinya permintaan produksi karet remah (crumb rubber) ini,
mengakibatkan dan berdampak pada keberlangsungan usaha, perusahaan sulit
melakukakan penawaran pada konsumen sehingga mengakibatkan berkurangnya
pelanggan atau konsumen jika terus – terusan tidak terpenuhinya jumlah permintaan.
Maka untuk menjamin terpenuhinya dibutuhkan perencanaan produksi yang tepat,
langkah yang dibutuhkan PT. Sri Trang Lingga Indonesia untuk merencanakan produksi
crumb rubber pada tahun 2021, salah satunya yaitu dengan melakukan Peramalan
Produksi berdasarkan data permintaan produk masa lalu, dan diapatkan hasill peramalan
terbaik menggnakan metode Linear Regression dengan nilai MAD 853,5767, dan
diteruskan melakukan analisis perencanaan produksi dengan metode agregat planning,
yang didaptkan hasil bahwa meode terbaik menngunakan metode chase strategy dengan
biaya terkecil sebesar Rp. 4.570.328.470.

Kata Kunci: Peramalan, agregat planning, dan crumb rubber

ABSTRACT

Along with the development of technology in the current era of globalization, it has changed a system in
an industry, both the service industry and the manufacturing industry. This demand for crumb rubber
has not been fulfilled, resulting in and having an impact on business continuity, it is difficult for
companies to make offers to consumers, resulting in reduced customers or consumers if the number of
requests continues to be unfulfilled. So to ensure the fulfillment of proper production planning is needed,
the steps needed by PT. Sri Trang Lingga Indonesia to plan the production of crumb rubber in 2021,
one of which is by conducting Production Forecasting based on past product demand data, and obtaining
the best forecasting results using the Linear Regression method with a value of MAD 853.5767, and
continuing to perform production planning analysis with Aggregate Planning method, the result is that
the best method uses the chase strategy method with the smallest cost of Rp. 4,570,328,470.

Keywords: Forcasting, aggregate planning, and crumb rubber

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

NASKAH PUBLIKASI

PERENCANAAN PRODUKSI CRUMB RUBBER PADA INDUSTRI

KARET MENGGUNAKAN METODE AGGREGAT PLANNING

(Studi Kasus : PT. Sri Trang Lingga Indonesia)

Telah disetujui pada tanggal

11/09/2021

Dosen.Pembimbing

Septa Hardini, S.T,.M.T

NIDK. 8882660018

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 2

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

1. PENDAHULUAN
Seiring perkembangan teknologi di era globalisasi sekarang ini telah banyak
mengubah sebuah sistem dalam sebuah industri, baik industri jasa maupun
industri manufaktur. Bagian produksi merupakan suatu bagian yang penting pada
sebuah industri manufaktur, dikarenakan pada bagian inilah suatu proses
produksi terjadi atau seubuah proses pengolahan bahan mentahnya yaitu sebagai
bahan baku kemudian menjadi barang setengah jadi atau sudah siap dipakai.
Dalam suatu kinerja pada bagian produksi harus semaksimal mungkin melakukan
perencanaan produksi yang tepat, guna untuk memenuhi dan juga menjamin
setiap permintaan suatu produk dari setiap pelanggan.

Belum terpenuhinya permintaan produksi karet remah (crumb rubber) ini,

mengakibatkan dan berdampak pada keberlangsungan usaha, perusahaan sulit
melakukakan penawaran pada konsumen sehingga mengakibatkan berkurangnya
pelanggan atau konsumen jika terus – terusan tidak terpenuhinya jumlah
permintaan. Maka untuk menjamin terpenuhinya dibutuhkan perencanaan
produksi yang tepat. Langkah yang dibutuhkan PT. Sri Trang Lingga Indonesia
untuk merencanakan produksi crumb rubber pada tahun 2021, salah satunya yaitu
dengan melakukan Peramalan Produksi berdasarkan data permintaan produk
masa lalu, dan diteruskan melakukan analisis perencanaan produksi dengan
metode Agregat Planning. Berdasarkan Latar Belakang tersebut penulis akan
melakukan penelitian dengan judul “Perencanaan Produksi Crumb Rubber Pada
Industri Karet Menggunakan Metode Agregat Planning” (Studi Kasus Pada PT. Sri
Trang Lingga Indonesia).

Berdasarkan latar belakang yang telah diuraikanti diatas, maka permasalahan yang
dapat penulis rumuskan dalam penelitian ini adalah, bagaimana perencanaan
produksi crumb rubber untuk periode satu tahun kedepan melalui peramalan
produksi berdasarkan data permintaan masa lalu produk crumb rubber. Tujuan
yang ingin dicapai dalam penelitian ini adalah Menentukan hasil..peramalan
produksi terbaik metode moving average, weighted moving average, single exponential
smoothing, dan linear regression dengan memilih eror MAD terkecil, Menentukan
rencana produksi SIR 20 untuk periode satu tahun kedepan dari hasil peramalan
terbaik metode Time Series Forcasting, dan Melakukan dan menentukan
perencanaan produksi terbaik menggunakan metode Agregat Planning yaitu chase
strategy, level strategy, mixed strategy dan variasi tingkat subkontrak.

2. METODE PENELITIAN
Setiap penelitian padat dasarnya tidak dapat terhindari terhadap kesalahan
dan kekeliruhan, dikarenakan terbatasnya kemampuan peneliti dan ruang lingkup
penelitian. Penelitiansi ini dibatasi lingkupnya padat bagian produksi untuk
mendapatkan data masa lalu permintaan produk SIR 20 tahun 2020, data
inventori persediaan produk jadi, dan biaya produksi pengolahan karet, dan
subjek penelitian yaitu hanya karyawan di bagian produksi.

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 3

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

2.1 Peramalan
Forecasting/peramalan adalah memprediksi, memproyeksikan, atau
mengadakan perkiraaan/taksiran terhadap berapa kemungkinan yang terjadi
sebelum sebuah rancana yang lebih pasti akan dilakukan. Hal ini bisa dilakukan
dengan melibatkan pengambilan data masa lalu dan selanjutnya diproyeksikan ke
masa mendatang dengan suatu bentuk model matematis.

1. Moving Average (MA)

Metode ini efektif diterapkan apabila dapat mengasumsikan permintaan
akan tetap stabil sepanjang waktu (Gasperz, 2005). Suatu moving range
dengan order k, MA(k) adalah nilai k data berurutan seperti berikut
(Makridakis dkk, 2003).
1
𝐹𝑡+1 = 𝑋𝑡+1 = 𝑘 ∑𝑡𝑖=𝑡−𝑘+1 𝑥𝑖
(𝑋𝑡−1 + 𝑋𝑡−2 + 𝑋𝑡−3 +⋯ + 𝑋𝑡−𝑘+1 )
𝐹𝑡+1 = (1)
𝑘

2. Weighted Moving Average (WMA)

Metodel rata-rata bergerak dibagi menjadi dua, yaitu tidak berbobot
(Unweight Movinge Average) dan rata-rata bobot bergerak (Weight Moving
Average). Model rata-rata bobot bergerak lebih cepat terhadap sebuah
perubahan, dikarenakan data periode baru biasanya akan diberikan
bobot lebih besar. Rumus rata-rata bobot bergerak yaitu sebagai berikut.

∑(𝑝𝑒𝑚𝑏𝑜𝑏𝑜𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑑𝑎𝑙𝑎𝑚 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)

WMA =
∑(𝑝𝑒𝑚𝑏𝑜𝑏𝑜𝑡)

3. Singler Exponentiali Smoothinger(SES)

Metode Single Exponential Smoothing lebih cocok digunakan untuk
meramalkan hal – hal yang fluktuasinya secara acak (tidak teratur),
Peramalan menggunakan model pemulusan eksponensial rumusnya
adalah sebagai berikut.
Ft = Ft - 1 + 𝛼(At – 1 - Ft – 1) (3)

4. Linear Regression (LR)

Menurut (Harding, 1974), dua variabel yang digunakan, variabel x dan
variabel y, diasumsikan memiliki kaitan satu dengan yang lain dan
bersifat linier. Rumus perhitungan Regresi Linier yaitu sebagai berikut.
ŷ = a +nbx
∑𝑦−𝑏∑𝑥
a= 𝑛
𝑛.∑𝑥𝑦−∑𝑥.∑𝑦
b = 𝑛.∑𝑥 2− (∑𝑥)2
∑𝑥 ∑𝑦
̅
X= 𝑛 ̅
Y= 𝑛 (4)

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 4

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

Model peramalan yang telah selesai dilakukan selanjutnya divalidasi dengan

memenggunakan berbagai ndikator. Indikator yang sering digunakani adalah
sebagai berikut:

1. Mean Absolut Deviation (MAD)

Nilai MAD dapat dihitung dengan menggunakan rumus sebagai berikut.

∑(𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠 )

MAD = . (5)
𝑛

2. Moving Range
Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-
akibat yang mempengaruhi permintaan. Rumus perhitungan peta Moving
Range adalah sebagai berikut.
BKAB = 2,66 x MR̅̅̅̅̅ MRS = |(F t-1 – A t-1) – (Ft – A t)|
BKBB = -2,66 x MR̅̅̅̅̅ ̅̅̅̅̅ = ∑MR
MR (6)
n−1

2.2 Agregat Planning

Ada 4 jenis strategi yang dapat dipilih dalam membuat Agregat Planning yaitu
level strategy, chase strategy, mixed strategy, dan variasi tingkat subkontrak Berikut
penjelasan dari masing-masing strategi :

1. Level Strategy
Level Strategy adalah rencana agregat di mana tingkat produksi tetap dari
periode ke periode selama jangka waktu perencanaan agregat. Strategi
perencanaan produksi dengan tingkat produksi yang konstan dari satu
periode ke periode lainnya yang bertujuan untuk memenuhi rata-rata
permintaan.

2. Chase Strategy
Chase strategy merupakan strategi yang mencoba untuk mencapai tingkat
output untuk setiap periode yang memenuhi prediksi permintaan untuk
periode tersebut. Strategi ini dapat terpenuhi dengan cara merubah
tingkat tenaga kerja dengan mempekerjakan atau PHK, sub-kontrak,
penggunaan lembur, penggunaan pekerja sementara, dll. Strategi ini
cocok digunakan ketika biaya persediaan sangat tinggi.

3. Mixed Strategy
Mixed Strategy yang melibatkan sebuah perubahan pada variabel, apabila
pure strategy tidak fisibel. Kombinasi yang umum digunakan dalam
pengubahanal daring beberapa contollables (decisioning) variable dapat
menghasilkan sebuah strategis agregat planning yang terbaikan danil fisibel
untuk nantinya dapat dijalanikan.

4. Variasi Tingkat Subkontrak

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 5

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

Variasi subkontrak digunakan apabila suatu kapasitas yang ada pada

perusahaan tidak mencukupi jumlah permintaan yang ada.

3. HASIL DAN PEMBAHASAN

3.1 Pengumpulan Data
Sumber data penelitian dibagi menjadi dual, yaitu dengan menggunakan
Data Primer dan data sekunder. Datar primer adalah data yang pertama kali
dicatat dan dikumpulkan oleh penelitih (Sanusi, 12011). tiAdapun sumbersi datar
primer toyang digunakan dalam penelitian ini diperoleh melalui dokumentasi.
Teknik dokumentasi yaitu pengambilan data yang diambil dari data yang sudah
ada atau data historis perusahaan. Data yang harus di peroleh dari dokumentasi
PT. Sri Trang Lingga Indonesia yaitu: data masa lalu tahun 2020 permintaan
produk olahan karet atau Crumb Rubber SIR 20, data proses biaya produksi dan
inventori. Berikut adalah data-datannya.
Tabel 1 Data Permintaan Produk SIR 20, Tahun 2020
Bulan 1 2 3 4 5 6 7 8 9 10 11 12
Demand 4319 4692 5479 4963 1959 3272 5854 5882 5229 3951 4813 4120
Sumber: Dokumentasi Bagian Produksi
PT. Sri Trang Lingga Indonesia Tahun 2020

Tabel 2 Data Produksi Produk Karet SIR 20, Tahun 2020

Data Produksi
Biaya Produksi Nominal
Bahan baku Rp. 15.000/kg
Biaya tenaga kerja Rp.18.000/jam/pekerja
Biaya upah lembur Rp. 25.000/jam/pekera
Biaya penyimpanan persediaan (/bulan) Rp. 50.000/bulan
Biaya Stockout Rp. 40.0000/ bulan
Biaya marginal sub kontrak (/Ton) Rp. 20.000
Biaya penambahan tenaga kerja (/Orang) Rp. 600.000
Biaya pengurangan tenaga kerja(/orang) Rp. 900.000
Ketentuan waktu dan lainnya
Rata-rata produksi 4 menit/ton
Jumlah jam kerja 8 jam
Waktu produktif 7 jam
Jumlah tenaga kerja 190 pekerja
Sumber: Dokumentasi Bagian Produksi
PT. Sri Trang Lingga Indonesia Tahun 2020

3.2 Pengolahan Data

Setelah dilakukan pengumpulan data, data yang dianggap atau masih mentah
perlu ditindak lanjuti dan dilakukan pengolahan sehingga menjadi informasi yang
kemudian dapat digunakan menjawab tujuan dari penelitian yang dilakukan.
3.2.1 Peramalan Permintaan

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 6

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

Untuk mengetahui ramalan permintaan produk kedepannya, dilakukan

pengolahan data permintaan produk dengan menggunakan metode kuantitatif
time series Forcasting dan metode casual, dengan dukungan aplikasi WinQSB.
Metode Time Series Forcasting menggunakan rumus perhitungan Moving Average,
Weighted Moving Average, Single Exponential Smoothing, dan Linear Regression With
Time. Metode casual menggunakan rumus perhitungan Regresi Linier

Untuk memilih hasil peramalan yang akan digunakan untuk meramalkan suatu
permintaan, maka dipilih hasil peramalan yang mempunyai MAD terkecil.
Berikut ini merupakan rekapitulasi hasil perhitungan MAD.

Tabel 3 Rakapitulasi Hasil Perhitungan MAD

No. Metode Peramalan MAD
1 Moving Average (MA) 1267,296
2 Weighted Moving Average (WMA) 1232,036
3 Single Exponential Smoothing (SES) 996,0789
4 Linear Regression With Time (LR) 853,5767
Sumber: Perhitungan MAD dan WinQSB

Berdasarkan dari perhitungan MAD pada setiap metode peramalan dari

perhitungan yang telah dilakukan diperoleh MAD terkecil yaitu pada metode
Linear Regression With Time (LR) dengan nilai 853,5767. Berikut ini adalah hasil
peramalan berdasarkan MAD terkecil metode Linear Regression With Time (LR).
Menurut Harding (1974) Model analisis Regresi Linier menggunakan dua variabel
yang digunakan, variabel x dan variabel y, diasumsikan memiliki kaitan satu sama
lain dan bersifat linier. Rumus perhitungannya yaitu sebagai berikut.

Tabel 4 Perhitungan Regresi Linier

Bulan Periode Permintaan X2 X.Y
(X) (Y)
1 1 4319 1 4319
2 2 4692 4 9384
3 3 5479 9 16437
4 4 4963 16 19852
5 5 1959 25 9795
6 6 3272 36 19632
7 7 5854 49 40978
8 8 5882 64 47056
9 9 5229 81 47061
10 10 3951 100 39510
11 11 4813 121 52943
12 12 4120 144 49440
∑ Xi = 78 Yi = 54533 X 2 = 650 Xi.Yi = 356407
Sumber: Perhitungan Regresi Linier

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 7

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

𝑛.∑𝑋𝑖𝑌𝑖− ∑𝑋𝑖.∑𝑌𝑖 (12)(356407)− (78)(54533)

b = b= = 13,584
𝑛.∑𝑋𝑖 2− (∑𝑋𝑖)2 (12)(650)− (78)2
∑𝑌𝑖−𝑏∑𝑋𝑖 (54533)− (13,584)(78)
a = 𝑛
a= (12)
= 4456,121
𝑦̅ = a + bX 𝑦̅ = 4456,121 + 13,584(13)
= 4632,712

Dari perhitungan menggunakan Regresi Linier diatas diperoleh hasil untuk

peramalan bulan ke 13 atau pada bulan Januari 2021 adalah 4632,712. Berikut ini
merupakan hasil seluruh peramalan tiap bulan pada tahun 2021.

Tabel 5 Hasil Peramalan Linear Regression

Bulan Actual Forecasting F. Error |ei-ei¹|
1 4319 4632,712 -150,7046 -
2 4692 4646 208,7114 359,416
3 5479 4660 982,1274 773,416
4 4963 4673,464 452,5435 529,5839
5 1959 4687,048 -2565,041 3017,5845
6 3272 4700,632 -1265,625 1299,416
7 5854 4714,216 1302,792 2568,417
8 5882 4727,800 1317,208 14,416
9 5229 4741,383 650,6235 666,5845
10 3951 4754,967 -640,9604 1291,5839
11 4813 4768,551 207,4556 848,416
12 4120 4782,135 -499,1284 706,584
∑ 12075,418
Sumber : Aplikasi WinQSB

∑(𝐴𝑏𝑠𝑢𝑙𝑜𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑐𝑎𝑠𝑡 𝑒𝑟𝑜𝑟𝑠)

MAD =
𝑛
(150,7046)+(208,7114)+(982,1274)+(452,5435)+(2565,041)+ … (499,1284)
= 12
= 853,5767

Agar peramalan lebih akurat dilakukan verifikasi peramalan menggunkan peta

Moving Range. Moving Range dirancang untuk membandingkan nilai permintaan
aktual dengan nilai peramalan. Data permintaan aktual dibandingkan dengan nilai
peramalan pada periode yang sama.

1. MR = ∑ |ei-ei¹|
MR = (359,416) + (773,416) + (529,5839) ….+ (706,584)
= 12075,418 ≈ 12075

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 8

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

2. Verifikasi Error
Diketahui :
t = 12
∑ ̅̅̅̅̅
𝑀𝑅 = 12075 UCL = 2,66 x 1098 = 2920,68
12075
̅̅̅̅̅
𝑀𝑅 = = 1097,72 ≈ 1098 LCL = -2,66 x 1098=-2920,68
12−1
2 1
A = ± 3 ( 2,66 x 1098 ) =1947,12 B = ± 3 (2,66x1098)= 973,56

3.2.2 Agregat Planning

Perencanaan Agregat ini memberikan gambaran kepada manajemen
mengenai kebutuhan terhadap variabel-variabel produksi seperti persediaan
material, tenaga kerja dan sumber daya lainnya sehingga biaya operasional dapat
dikendalikan seminimal mungkin. Setelah semua data terkumpul, kemudian
dilakukan proses agregat planning dengan 4 metode yaitu chase strategy, level strategy,
mixed strategy (workforce level-overtime strategy), dan variasi tingkat sub kontrak.

Setelah dilakukan perhitungan biaya 4 metode diatas menunjukkan bahwa

metode agregat planning yang terbaik dari keempat metode dengan biaya produksi
terkecil yaitu pada metode chase strategy dengan jumlah total biaya Rp.
4.570.328.470,- metode subkontrak tidak dipilih terdapat minus biaya pada biaya
produksi subkontrak walaupun metode variasi subkontrak lebih kecil biayanya.
Berikut perhitungan agregat planning menggunakan Chase Strategy.

1. Menentukan kebutuhan produksi awal

Jumlah jam kerja per bulan pada bulan januari
= Waktu produktif x jumlah hari kerja x jumlah tenaga kerja
= 7 jam x 25 hari x 190 pekerja = 33250 jam/bulan

Jumlah produk SIR 20 yang di produksi pada bulan januari

= (jumlah jam kerja per bulan)/(Rata-rata produksi)
= 33250/(4 menit) = 8313 ton/bulan

Jumlah biaya tenaga kerja per pekerja pada bulan januari

= Jumlah hari kerja x jumlah jam kerja x biaya tenaga kerja
= 25 hari x 8 jam x 18.000 = 3.600.000

2. Menentukan Kebutuhan Pekerja

a. Menghitung Net. Req
= Permintaan – Inventori Awal
= 4633 – 1859 = 2774 ton yang akan diproduksi pada bulan januari

b. Menghitung jumlah pekerja yang dibutuhkan

jumlah produksi x Rata rata produksi 4633 x 4 menit
jumlah hari kerja x jam kerja produktif
= 25 x 7 jam = 63 pekerja

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 9

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

Perusahaan memiliki 190 pekerja, namun untuk produksi bulan

januari, perusahaan membutuhkan 63 orang pekerja, sehingga harus
di lakukan pengurangan tenaga kerja yaitu sebanyak 127 orang.

Tabel 6 Perhitungan Kebutuhan Pekerja

Bulan Permintaan Net Kebutuhan Pengurangan Penambah
Req Tenaga Kerja Tenaga Kerja an Tenaga
Kerja
Jan 4633 2774 63 127 0
Feb 4646 3288 75 115 0
Mar 4660 3881 85 105 0
Apr 4673 2560 59 131 0
Mei 4687 2364 59 131 0
Jun 4701 2591 59 131 0
Jul 4714 2802 62 128 0
Agu 4728 3166 75 115 0
Sep 4741 2580 57 133 0
Okt 4755 2112 46 144 0
Nov 4769 2806 64 126 0
Des 4782 2047 45 145 0

Sumber: Perhitungan Microsoft Excell

3. Perhitungan Total Biaya

a. Menghitung total Biaya bahan baku yang tergantung permintaan
= Permintaan x biaya bahan baku = 4633 x 15000 = 69.495.000

b. Menghitung biaya pekerja tergantung kebutuhan

= kebutuhan tenaga kerja x biaya tenaga kerja
= 106 x 3.600.000 = 381.600.000

c. Menghitung biaya pengurangan dan penambahan tenaga kerja

Karena dalam perhitungan ini tidak ada penambahan tenaga kerja jadi
hanya menghitung pengurangan tenaga kerja.
= Tenaga kerja yang di kurangi x biaya pengurangan tenaga kerja
= 84 x 900.000 = 75.600.000

Tabel 7 Perhitungan Biaya Produksi SIR 20 Tahun 2021 Chase Strategy

Bulan Biaya Bahan Biaya Tenaga Biaya Biaya
Baku Kerja Pengurangan Penambahan
Tenaga Kerja Tenaga Kerja
Jan 41.610.000 228.260.571 113.934.857 0
Feb 49.320.000 270.555.429 103.361.143 0
Mar 58.215.000 307.068.132 94.232.967 0
Apr 38.406.960 210.689.609 118.327.598 0
Mei 35.460.720 211.442.802 118.139.299 0

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 10

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

Jun 38.859.480 213.172.005 117.706.999 0

Jul 42.033.240 221.713.793 115.571.552 0
Agu 47.487.000 271.354.286 103.161.429 0
Sep 38.705.745 204.162.171 119.959.457 0
Okt 31.679.505 167.100.686 129.224.829 0
Nov 42.083.265 230.856.768 113.285.808 0
Des 30.707.025 161.971.121 130.507.220 0
Total 494.567.940 2.698.347.373 1.377.413.157 0
Sumber: Perhitungan Miscrosoft Excell

Berdasarkan perhitungan diatas dengan menggunakan chase strategy, biaya

bahan baku adalah sebesar Rp. 494.567.940,- biaya tenaga kerja Rp.
2.698.347.373,- dan biaya pengurangan tenaga kerja Rp. 1.377.413.157,-. Jadi
total biaya produksi menggunakan chase strategy adalah sebesar Rp. 4.570.328.470.

4. KESIMPULAN
Dari penelitian yang telah dilakukan menggunakan metode agregat planning
didapatkan hasil kesimpulan bahwa: Hasil peramalan produksi SIR 20 terbaik
untuk tahun 2021 yaitu dengan metode linear regression (LR) dengan nilai MAD
853,5767, dan MAPE 24,52808. Dimana hasil peramalan metode linear regression
(LR) terkendali dalam batas UCL dan LCL garfik verifikasi error moving range
(MR) dibandingkan dengan metode peramalan lainnya. Peramalan produksi SIR
20 untuk tahun 2021 dengan metode linear regression (LR) menghasilkan rencana
produksi karet SIR 20 utnuk tahun 2021 yaitu sebanyak 56489 ton, maka
peramalan ini termasuk kedalam kategori baik karena hasil peramalan tidak
terlalu tinggi dan tidak terlalu rendah terhadap permintaan, dan dalam uji
verifikasi menggunakan peta moving range seluruh data berada dalam batas
kendali UCL dan LCL maka metode ini sangat dianjurkan untuk digunakan pada
peramalan selanjutnya. Dari keempat jenis metode agregat planning yang
diperhitungkan dan diperbandingkan, didapatkan bahwa hasil perhitungan
terbaik yaitu menggunakan metode chase strategy dengan teknik menambah dan
mengurangi tenaga kerja setiap bulannya sesuai dengan target produksi SIR 20
per bulan, dimana total biaya produksi Rp. 4.570.328.470 .

Apabila dalam uji verifikasi data menggunakan peta moving range melewati
batas control, maka haruslah ditindak lanjut dengan mencari tahu letak kesalahan
pada metode tersebut dan dihitung kembali, apabila dapat ditoleransi maka
metode dapat digunakan untuk peramalan selanjutnya. Aggregat Planning
sebaiknya dibuat untuk periode 12 bulan, sehingga manajemen dapat melihat dan
memenuhi kebutuhan sumber daya (tenaga kerja dan kapasitas produksi) untuk 1
tahun kedepan dan sebaiknya strategi perencanaan yang lain perlu dicoba, agar
didapatkan hasil perencanaan yang efektif dan efisien.

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 11

 Jurnal TEKNO
Industrial Engineeering
Vol. 16, No : 1, April 2019 , p-ISSN:1907-5243, e-ISSN: 2655-8416

DAFTAR PUSTAKA
Agung, Akbar. (2009). Penerapan Metode Single Moving Average dan Exponential
Smoothing Dalam Peramalan Permintaan Produk Meubel Jenis Coffee Table Pada Java
Furniture. Fakultas Ekonomi. Universitas Sebelas Maret. Rurakarta.

Amri, (2013). Perencanaan Pengendalian Produksi Air Minum Dalam Kemasan

Menggunakan Metode Aggregate Planning. Fakultas Teknik. Universitas Malikussaleh.
Aceh-Indonseia

Arif, (2009). Pengertian dan Pengolahan Crumb Rubber.

https://habibiezone.wordpress.com/2009/12/23/crumb-rubber/. Diakses pada
tanggal 28 April 2021.

Arius, Debi. (2018). Perencanaan..Pengendalian..Produksi Minyak..Kelapa Sawit

Menggunakan...Agregat...Planning. Fakultas Teknik. Universitas Bina Darma
Palembang.

Ayu, Fristha. (2020). Analisis Perencanaan Produksi Pada PT. Amstrong Industri
Indonesia Dengan Metode Forcasting dan Agregat Planning. Fakultas Sains dan
Teknologi. Universitas Al-Azhar Indonesia.

Firmansyah, Agung. (2020). Laporan Praktikum Perancangan Sistem Industri Terpadu

II Modul II Tentang Forcasting. Fakultas Teknik. Universitas Bina Darma.
Palembang.

Firmansyah, Agung. (2020). Laporan Praktikum Perancangan Sistem Industri Terpadu

II Modul III Tentang Agregat Planning. Fakultas Teknik. Universitas Bina Darma.
Palembang.

Juliantara, Komang. (2020). Perencanaan dan Pengendalian Produksi Agregat Pada

Usaha Tedung UD Dwi Putri di Klungkung. Fakultas Ekonomi dan Bisnis.
Universitas Udayana (Unud). Bali. Indonesia.

Musyodik, (2013). Studi Agroindustri Pengolahan Karet Remah (Crumb Rubber) Pada
PT. Sunan Rubber di Kota Palembang. Fakultas Pertanian. Universitas
Muhammadiyah. Palembang.

Ocviraks, (2014). Laporan Resmi Perencanaan Agregat.

https://id.scribd.com/doc/228019072/Laporan-Resmi-perencanaan-agregat.
diakses pada tanggal 04 Mei 2021,

Pradhana, Faried. (2014). Forcasting (Peramalan).

https://fariedpradhana.wordpress.com/12012/061/128/forecasting-
peramalan/. Diakses pada tanggal 03 Mei 2021.

Agung Firmansyah, Septa Hardini, M. Kumroni, Hasmawati ∣ 12