Ilovepdf Merged

MODUL I
SISTEM PRODUKSI
BAB I
PENDAHULUAN
BAB I
PENDAHULUAN
1.1 Latar Belakang

Tingginya persaingan pada Era industri 4.0 menyebabkan organisasi atau
perusahaan harus dapat melakukan pengolahan produksi yang tepat, karena hal
yang paling penting dalan berlangsungnya perusahaan adalah mengoptimalkan
pengelolaan produksi agar perusahaan terhindar dari kerugian pada masa yang
akan datang, untuk menghindari tersebut perusahaan memerlukan sebuah
perencaan yang yang baik dari perencanaan produksi, hingga permintaan barang
yang di produksi.
Salah satu metode yang bisa diguanakan perusahaan untuk menentukan
permintaan yang akan datang adalah dengan menggunakan metode peramalan
atau forecasting, Peramalan merupakan suatu kegiatan memperkirakan atau
memprediksikan kejadian dimasa yang akan datang tentunya dengan bantuan
penyusunan rencana terlebih dahulu, dimana rencana ini dibuat berdasarkan
kapasitas dan kemampuan permintaan/produksi yang telah dilakukan di
perusahaan (Lusiana dan Yuliarty, 2020)
Dalam melakukan peramalan perusahaan dapat melakukan beberapa
metode, anatara lain moving average adalah metode sederhana untuk pemulusan
data sebelumnya digunakan untuk peamalan yang tidak terjadi tren, weight moving
average adalah metode yang nilai terbaru dalam deret diberikan beban lebih besar
dibandingkan dengan nilai yang lama, exponential smoothing adalah prosedur
yang mengulang perhitungan secara terus menerus yang menggunakan data
terbaru. (Khadijah, dkk, 2020). Regresi linier merupakan metode yang saling
mempengaruhi variabel satu dengan yang lainnya untuk menentukan sifat dan
hubungan antar dua variabel. Untuk mengetahui tingkat kepercayaan dari
peramalan, diuji dengan menggunakan tracking signal, tracking signal merupakan
parameter hasil pearamalan dalam memprediksi nilai aktual (Darozat, dkk, 2020).
Dari permasalahan diatas untuk mengatahui bahan baku yang akan
diguanakn pada masa yang akan datang, perusahaan harus mengetahui jumlah
Kelompok XXV
produk yang akan di produksi pada masa yang akan datang. Perusahaan dapat
melakukan peramalan utuk mengetahui permintaan yang akan datang dengan
menggunakan metode moving average, weight moving average, exponential
smoothing, regresi linear, melaukan perhingan metode yang terbaik, serta menilai
tingkat kesalahan (error) dalam peramalan dengan menbggunakan Tracking
signal. Dalam perencaan produksi diawali dengan melakukan agregat planning,
kemudian melaukan pengendalian bahan baku dengan menggunakan metode
master production schedule dan material requirement planning
1.2 Rumusan Masalah

Berdasarkan latar belakang diatas dapat dirumuskan rumusan masalah,
yaitu “Bagaimana perbaikan sistem kerja dan pengendalian produksi pada
pembuatan meja sudut di perusahaan ?”
1.3 Tujuan Praktikum

Tujuan dari praktikum ini adalah sebagai berikut:
1. Untuk mengetahui jumlah produk yang akan diproduksi dari produk meja
sudut, menggunakan metode peramalan moving average, Weight Moving
Average, Exponential Smoothing dan Linear Regression.
2. Untuk mengetahui persediaan dalam perencanaan produksi meja sudut
menggunakan Agregat Planning, Master Production Schedule dan Material
Requirement Planning.
1.4 Manfaat Praktikum

Manfaat dari praktikum ini adalah sebagai berikut:
1. Dapat mengetahui jumlah produk yang akan diproduksi dari produk meja
sudut, menggunakan metode peramalan moving average, Weight Moving
Average, Exponential Smoothing dan Linear Regression.
3. Dapat mengetahui persediaan dalam perencanaan produksi meja sudut
menggunakan Agregat Planning, Master Production Schedule dan Material
Requirement Planning.
Laporan Praktikum Terintegrasi II I-2

2022
Kelompok XXV
1.5 Batasan Msalah

Batasan masalah dari praktikum ini adalah sebagai berikut:
1. Metode permalan atau forecasting yang digunakan adalah moving average,
weight moving average, exponential smoothing, dan regresi linier
2. Pengendalian kuantitas menggunakan aggregat planning, master production
schedule, dan material requirement planning.
1.6 Sistematika Penulisan
Sistematikan yang terdapat dalam penulisan laporan praktikum ini adalah
sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisi tentang latar belakang masalah yang menjadi topik
laporan praktikum, tujuan praktikum, manfaat praktikum, batasan
masalah dan sistematika penulisan laporan.
BAB II LANDASAN TEORI
Bab ini memuat tentang landasan teori yang dapat digunakan untuk
pengolahan data, landasan teori berhubungan dengan peramalan atau
forecasting, agregat planning, MPS dan MRP.
BAB III METODOLOGI PENELITIAN
Pada bab ini menjelaskan tentang tujuan dari praktikum, proses
pengumpulan data dan tahapan, proses pengerjaan, langkah-langkah
yang harus dijalankan, menentukan parameter proses kerja dan
pengumpulan data
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
Bab ini berisi tentang informasi yang berkaitan dengan objek
penelitian yang diolah secara sistematis sehingga mendapatkan hasil
berupa rekapitulasi data dari produk yang diamati . Pengolahan data
dilakukan dengan cara forecasting. Melakukan perencanaan produksi
dengan menggunakan agregat palnning, MPS dan MRP
BAB V ANALISA

2022
Kelompok XXV
Pada bab ini berisikan analisa dari hasil dari pengolahan data yang
telah dilakukan serta menjelaskan maksud dari hasil analisa tersebut
BAB VI PENUTUP
Bab ini berisi yentang kesimpulan yang dapat diambil dari
pelaksanaan praktikum dengan didasarkan pada teori-teori yang telah
dijelaskan sebelumnya serta tujuan dari pelaksanaan preaktikum, pada
bab ini juga terdapat saran dari penulis untukpelaksanaan praktikum
selanjutnya.

2022
BAB II
LANDASAN TEORI
BAB II
LANDASAN TEORI
2.1 Forecasting (Peramalan)

Forecasting (Peramalan) merupakan sebuah proses untuk memperkirakan
berapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran
kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang atau jasa. Peramalan merupakan suatu kegiatan
memperkirakan atau memprediksikan kejadian dimasa yang akan datang tentunya
dengan bantuan penyusunan rencana terlebih dahulu, dimana rencana ini dibuat
berdasarkan kapasitas dan kemampuan permintaan atau produksi yang telah
dilakukan di perusahaan (Lusiana dan Yuliarty, 2020).
Perusahaan atau organisasi menggunakan 3 tipe peramalan utama dalam
merencanakan operasional untuk masa mendatang (Indah dan Rahmadani, 2018).
1. Peramalan ekonomi (economic forecast) menangani siklus bisnis dengan
memprediksikan tingkat inflasi, dan uang yang beredar, mulai pembangunan
perumahan, dan indikator perencanaan lainnya.
2. Peramalan teknologi (techonological forecast) berkaitan dengan tingkat
perkembangan teknologi dimana dapat menghasilkan terciptanya produk baru
yang lebih menarik, yang memerlukan perlengkapan yang baru.
3. Peramalan permintaan (demand forecast) adalah permintaan untuk produk
atau jasa dari perusahaan. Peramalan mendorong keputusan sehingga para
manajer memerlukan informasi dengan segera dan dan akurat mengenai
permintaan yang sesungguhnya.
Berdasarkan uraian tersebut maka didapatkan suatu gambaran bahwa
metode peramalan sangat berguna, karena akan membantu dalam mengadakan
pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu, sehingga
dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis dan
pragmatis, serta memberikan tingkat keyakinan yang lebih besar atas ketetapan
hasil ramalan yang dibuat atau disusun (Robial, 2018).
Kelompok XXV
Modul I
Metode peramalan secara kuantitatif dapat dibagi menjadi dua jenis

metode peramalan, yaitu model deret waktu (time series) dan model regresi
(regression). Penentuan metode peramalan pada data time series perlu diketahui
pola dari data tersebut sehingga peramalan menggunakan metode yang sesuai
dengan pola data dapat dilakukan (Setiawan, dkk., 2020).
2.1.1 Jenis-jenis Peramalan

Forecasting (Peramalan) biasanya diklasifikasikan berdasarkan horizon
waktu masa depan yang dilingkupinya. Peramalan biasanya diklarifikasikan
berdasarkan horizon waktu masa depan yang dilingkupinya. Horizon waktu
terbagi menjadi beberapa kategori sebagai berikut: (Rachman, 2018).
1. Peramalan Jangka Pendek
Peramalan ini meliputi jangka waktu hingga satu tahun, tetapi umumnya
kurang dari tiga bulan. Peramalan ini digunakan untuk merencanakan
pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan
tingkat produksi.
2. Peramalan Jangka Menengah
Peramalan jangka menengah atau intermediate umumnya mencakup hitungan
bulan hingga tiga tahun. Peramalan ini bermanfaat untuk 15 merencanakan
penjualan, perencanaan dan anggaran produksi, anggaran kas, serta
menganalisis bermacam-macam rencana operasi.
3. Peramalan Jangka Panjang
Umumnya untuk perencanaan masa tiga tahun atau lebih. Peramalan jangka
panjang digunakan untuk merencanakan produk baru, pembelanjaan modal,
lokasi atau pengembangan fasilitas, serta penelitian dan pengembangan
(litbang).
Peramalan diperlukan perhitungan yang akurat sehingga diperlukan peramalan
yang tepat. Pada dasarnya terdapat dua pendekatan umum untuk mengatasi semua
model keputusan untuk meramal sebagai berikut: (Rachman, 2018).
Laporan Praktikum Terintegrasi II/ Sistem Produksi II-2

2022
Kelompok XXV
Modul I
1. Peramalan Kualitatif
Peramalan yang menggabungkan faktor-faktor seperti intuisi pengambilan
keputusan, emosi, pengalaman pribadi, dan sistem nilai.
2. Peramalan Kuantitatif
Peramalan yang menggunakan satu atau lebih model matematis dengan data
masa lalu dan variabel sebab akibat untuk meramalkan permintaan.
2.1.2 Jenis Pola Peramalan

Jenis-jenis pola pada peramalan adalah sebagai berikut (Lusiana dan
Yuliarty, 2020)
1. Trend (T)
Trend terjadi apabila ada kenaikan atau penurunan dari data secara gradual
dari gerakan datanya dalam kurun waktu panjang
Gambar 2.1 Pola Peramalan Trend

(Sumber: Lusiana dan Yuliarti, 2020)
2. Seasonality (S)
Pola musiman terjadi bila pola datanya berulang sesudah suatu periode
tertentu
Gambar 2.2 Pola Peramalan Seasonality


2022
Kelompok XXV
Modul I
3. Cycles (C)
Siklus adalah pola data yang terjadinya setiap beberapa tahun biasanya
dipengaruhu oleh fluktuasi ekonomi jangka panjang berkaitan dengan siklus
bisnis
Gambar pola peramlan siklus adalah sebagai berikut:
Gambar 2.3 Pola Peramalan Cycles

4. Horizontal
Terjadi bila nilai data berfluktuasi di sekitar nilai rata-rata yang tetap, stabil
atau disebut juag stasioner terhadap nilai rata-rata
Gambar 2.4 Pola Peramalan Horizontal

2.1.3 Metode Forecsting (Peramalan)

Metode yang digunakan untuk menghitung peramalan adalah sebagai
berikut:
1. Moving Average
Rata-rata bergerak (Moving Average) adalah suatu metode peramalan yang
dilakukan dengan mengambil sekelompok nilai pengamatan, mencari nilai
rata-rata tersebut sebagai ramalan untuk periode yang akan dating. Metode
moving average mempunyai karakteristik khusus yaitu sebagai berikut:
(Rachman, 2018).
Mt=Ft+1 ...(2.1)

2022
Kelompok XXV
Modul I
Keterangan:
Mt = Moving Average untuk periode t
Ft+1 = Ramalan Untuk Periode t + 1
Yt = Nilai Riil periode ke t
n = Jumlah batas dalam moving average
2. Weighted Moving Average

Metode perhitungannya sama dengan rata-rata bergerak sederhana hanya
diberi koefisien penimbang. Penetapan besar koefisien penimbang dapat
dilakukan secara sembarang, tetapi pada ummnya besaran koefisien
penimbang periode terakhir dari data historis adalah dua kali daripada
koefisien penimbang periode sebelumnya. Berikut adalah Model dari rata-rata
bergerak tertimbang adalah sebagai berikut: (Lusiana dan Yuliarty, 2020).
Y't =W1 At-1 +W2 At-2 +⋯Wn At-n ...(2.2)
Keterangan :
A = Permintaan aktual pada periode t
W1 = Bobot (0 ≤ Wt ≤1) yang diberikan pada periode t-1 dsb
N = Jumlah periode
3. Exponentials Smoothing
Exponentials Smoothing merupakan pengembangan dari metode moving
average, dalam metode peramalan dilakukan dengan mengulang secara terus
menerus dengan menggunakan data terbaru, setiap data diberi bobot, dua data
yang lebih baru diberi bobot yang lebih besar (Wiranti dan Dhamayanti,
2020)
Ft-1 = αXt +(1-α)Ft ...(2.3)
Keterangan:
t = Periode saat ini.
α = konstanta pemulusan antara 0,1 sampai 0,9
Xt = permitaan periode t
Ft = peramalan periode t
α = konstanta perataan antara 0 dan 1.

2022
Kelompok XXV
Modul I
Xt+1 = peramalan periode t
4. Linear Regression
Analisis regresi merupakan perhitungan statistik untuk menguji seberapa erat
hubungan antar variabel, regresi linier merupakan salah satu perhitungan time
series metode kuantitatif dimana waktu digunakan sebagai dasar prediksi
(Almumtazah, dkk., 2021)
Y = α + bX ...(2.4)
Keterangan:
Y = Variabel terikat
𝑎 = intercept
b = Koefisien variabel X
X = variabel bebas
Selanjutnya digunakan persamaan berikut untuk mencari intercept dan
koefisien variabel:
(∑ X2 )(∑ Y)-(∑ XY)(∑ X)
𝑎 = ...(2.5)
n(∑ X2 )-(∑ X)2
n(∑ XY)-(∑ X)(∑ Y)

𝑏 = ...(2.6)
n(∑ X2 )-(∑ X)2
Jika kedua variabel Y dan t mempunyai hubungan (korelasi), maka perubahan

yang terjadi pada kedua variabel t menyebabkan perubahan pada variabel Y.
2.1.4 Pengukuran Kesalahan Peramalan

Pengukuran kesalahan peramalan digunakan dengan membandingkan hasil
peramalan dengan data aktual. makin kecil nilai kesalahan maka makin tinggi
tingkat ketelitian peramalan, demikian sebaliknya. Besarnya kesalahan peramalan
dapat dihitung dengan menggunakan beberapa metode perhitungan yaitu MAD
(Mean Absolute Deviation) adalah ratarata kesalahan mutlak selama periode
tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil
dari kenyataan. MAD mengukur ketepatan ramalan dengan merata-rata kesalahan
dugaan (nilai absolut masing-masing kesalahan) serta MAD memberikan bobot

2022
Kelompok XXV
Modul I
yang sama pada setiap nilai selisih peramalan dan aktual dapat dilihat pada
persamaan berikut: (Lusiana dan Yuliarty, 2020).
Dalam forecasting terdapat banyak metode yang dapat digunakan, namun
tidak semua metode dapat sesuai dengan kasus yang ada. Secara umum ada tiga
jenis perhitungan untuk melihat seberapa besar tingkat kesalahan dalam
forecasting, yaitu (Maricar, 2019):
1. Mean Absolute Deviation (MAD)
Mean absolute deviation merupakan perhitungan yang digunakan untuk
menghitung rata-rata kesalahan mutlak dengan rumus (Maricar, 2019):
∑|Error|
MAD = n
… (2.7)
Dapat diartikan bahwa Σ|Error| merupakan hasil pengurangan antara nilai

aktual dan forecast masing-masing periode yang kemudian di absolute-kan,
dan selanjutnya dilakukan penjumlahan terhadap hasil-hasil pengurangan
tersebut. Dan n merupakan jumlah periode yang digunakan untuk perhitungan
(Maricar, 2019).
2. Mean Square Error (MSE)
Mean square deviation merupakan perhitungan yang digunakan untuk
menghitung rata-rata kesalahan berpangkat, namun MSE memberikan
ketelitian yang lebih baik dari pada MAD sehingga banyak dipakai dalam
optimalisasi pembobotan. Adapun rumus mean square error adalah sebagai
berikut (Maricar, 2019):
2
∑|Error|
MSE = n
… (2.8)
Dari rumus dapat diartikan bahwa Σ|Error|² merupakan hasil pengurangan

antara nilai aktual dan forecast yang telah dikuadratkan, kemudian dilakukan
penjumlahan terhadap hasil-hasil tersebut. Dan n merupakan jumlah periode
yang digunakan untuk perhitungan (Maricar, 2019).
3. Mean Absolute Percent Error (MAPE)
Mean Absolute Percent Error merupakan perhitungan yang dilakukan untuk
mengetahui rata-rata kesalahan absolut dalam bentuk persentase, di mana
perhitungannya dapat dilakukan dengan persamaan (Maricar dan Dian, 2019):

2022
Kelompok XXV
Modul I
|A-F|
MAPE = ∑ × 100% … (2.9)
n
MAPE memiliki standar penilaian terhadap hasil tingkat error yang

dihasilkan oleh perhitungannya, Berikut adalah tabel rentang nilai MAPE
yaitu sebagai berikut (Maricar dan Dian, 2019):
Tabel 2.1 Rentang Nilai MAPE
Rentang Nilai Pengertian
<10% Kemampuan metode sangat baik
10-20% Kemampuan metode baik
20-50% Kemampuan metode buruk
>50% Kemampuan metode sangat buruk
(Sumber: Maricar dan Dian, 2019)
2.1.5 Tracking Signal

Tracking signal merupakan sistem yang mempunyai nilai yang besar
sebagai alat untuk memantau kesalahan peramalan dan menentukan kapan
kesalahan tidak bersifat random. Tracking signal yang positif menunjukkan
bahwa permintaan aktual lebih besar dari ramalan, sedangkan Tracking signal
negatif menunjukkan bahwa permintaan aktual lebih kecil dari ramalan. Beberapa
ahli dalam sistem peramalan seperti Geoge Plossl dan Oliver Wight menyarankan
untuk menggunakan nilai ± 4 sebagai batas control tracking signal. Jika tracking
signal melewati batas tersebut, hasil peramalan perlu ditinjau kembali karena
akurasi peramalannya tidak bisa diterima. Nilai tracking signal dianggap baik jika
perbandingan antara possitive error dan negative error sama banyaknya dan nilai
tracking signal mendekati 0 (Setiawan, dkk., 2020).
Adapun contoh gambar tracking signal yaitu (Fauzan dan Nofirza, 2018):
Gambar 2.5 Tracking Signal

(Sumber: Fauzan dan Nofirza, 2018)

2022
Kelompok XXV
Modul I
Berikut adalah rumus dari tracking signal yaitu (Fitra, dkk., 2019):
RSFE
Tracking Signal = … (2.10)
MAD
Keterangan:
RSFE = Running sum of the forecast errors
MAD = Mean Absolute Deviation
2.2 Perencanaan Produksi

Perencanaan produksi merupakan perencanaan dan pengorganisasian
sebelumnya mengenai orang-orang, bahan-bahan, mesin-mesin, peralatan lain
serta modal yang diperlukan untuk memproduksi barang-barang pada suatu
periode tertentu dimasa depan sesuai dengan yang diperkirakan atau diramalkan.
Adapun tujuan perencanaan adalah sebagai berikut (Indah dan Rahmadani, 2018):
1. Suatu perencanaan bertujuan untuk untuk memperkecil resiko yang akan
terjadi dikemudian hari. Termasuk meminimalisir berbagai biaya yang
dianggap tidak efisien yang mungkin timbul selama proses pekerjaan
berlangsung.
2. Suatu perencanaan yang dibuat harus didasarkan atas target-target atau
perioritas-perioritas yang ingin dibangun.
3. Suatu perencanaan yang dikonsep secara baik serta dijalankan dengan benar
mampu memberikan keyakinan kepada perusahaan.
4. Perencanaan yang baik mampu memberikan kekuatan kepada berbagai
peristiwa yang terjadi.
Terdapat beberapa faktor yang mempengaruhi dalam perencanaan
produksi adalah sebagai berikut (Indah dan Rahmadani, 2018) :
1. Proses produksi yang terputus-putus (intermitent process/manufacturing)
Perencanaan produksi yang dibuat semata-mata tidak berdasarkan ramalan
penjualan (sales forecasting) tetapi terutama didasarkan atas pesanan yang
masuk.
2. Proses produksi terus-menerus (continous process) berdasarkan ramalan
penjualan ini hal ini karena, kegiatan produksi tidak dilakukan berdasarkan
pesanan akan teteapi untuk memenuhi pasar dan jumlah yang besar serta serta

2022
Kelompok XXV
Modul I
berulang-ulang dan telah mempunyai blueprint selama jangka waktu yang

tertentu.
2.2.1 Kapasitas Produksi

Kapasitas merupakan sebagai jumlah output maksimum yang dapat
dihasilkan suatu fasilitas produksi dalam suatu selang waktu tertentu. Kapasitas
merupakan suatu tingkat keluaran dalam periode tertentu dan merupakan kuantitas
keluaran tertinggi yang mungkin selama periode itu. Kapasitas dapat disesuaikan
dengan tingkat penjualan yang sedang berfluktuasi yang dicerminkan dalam
jadual induk produksi (Master Production Schedule/MPS).
Ada dua jenis pengertian kapasitas yang dianggap penting yaitu kapasitas
yang tersedia dan kapasitas yang diperlukan. Kapasitas yang tersedia adalah
kapasitas dari suatu sistem yang ada untuk memproduksi suatu jumlah keluaran
dalam waktu tertentu, sedangkan kapasitas dibutuhkan adalah kapasitas dari suatu
sistem yang dibutuhkan untuk memproduksi suatu jumlah keluaran dalam suatu
waktu tertentu. Istilah ketiga yang erat hubungannya dengan kapasitas dibutuhkan
adalah muatan (load). Load adalah jumlah pekerjaan yang ditugaskan atau
dibebankan pada suatu fasilitas untuk diselesaikan dalam suatu waktu tertentu
(Setiabudi, dkk, 2018)
Dalam kapasitas produksi, ada beberapa persamaan yang digunakan untuk
menghitung kapasitas produksi (Kusumaningrum, dkk,2018)
1. Kapasittas produksi waktu normal (reguler time)
Kapasitas Reguler time = tenaga kerja×hari kerja×jam kerja

waktu baku
...(2.11)
2. Kapasitas produksi waktu lembur (overtime)

tenaga kerja×hari kerja×jam kerja lembur
Kapastitas overtime = ...(2.12)
waktu baku
2.2.2 Agregat Planning

Agregat planning atau perencanaan agregat merupakan kegiatan mengatur
kunatitas dan waktu pada kegiatan produksi untuk jangka waktu menengah,
perencanaan agregat bertujuan agar biaya dapat diminimumkan dengan mengatur

2022
Kelompok XXV
Modul I
jumlah produksi, inventory, tenaga kerja, da faktor lainnya. fungsi dari

perencanaan agregat yaitu dapat menangani proses menyusun master producktion
schedule kemudian mengukur kinerja perencannan produksi tersebut sehingga
produksi mampu konsisten pada jadwal produksi.
Terdapat tiga strategi dasar dalam perencanan agregat berdasarkan trade
off antara biaya yang berkaitan dengan kapasitas produksi, biaya inventory, dan
biaya backlog, yaitu
1. Level strategy (Level producktion) adalah strategi yang ditempuh dengan cara
menjaga tingkat output produksi, dan tenaga kerja yang konstan, ciri- ciri
strategi ini adalah mempergtahankan tingkat produksi yang tetap dan
menfluktuasikan tingkat persediaan, order backlogs, dan lost sales.
Gambar 2.6 Level Strategy

(Sumber: Reicita, 2019)
2. Chase strategy (chase demand) adalah strategi yang digunakan untuk
mencapai tingkat output bagi setiap periode yang memenuhi permalan untuk
periode tersebut. Ciri-ciri strategi ini adalah memadankan prouksi denga
tingkat permintaan, menambah atau mengurangi tenaga kerja sesuai dengan
tingkat permintaan dan jumlah tenaga kerja tetap, tetapi jam kerja tidak tetap.
Gambar 2.7 Chase Strategy

(Sumber: Reicita, 2019)
3. Mixed strategy adalah kombinasi strategi antara level strategy dan chase
strategy, ciri-ciri strategi ini adalah menggabungkan tingkat produksi dengan

2022
Kelompok XXV
Modul I
tingkat permintaan tetap dan menghubungkan dua dari metode level dan
chase tingkat persediaan, order backlogs, dan lost sales.
2.2.3 Master Producktion Schedule

Master Producktion Schedule merupakan suatu pernyataan tentang produk
akhir (termasuk parts pengganti dan suku cadang) suatu perusahaan industri
manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas
dan periode waktu. Aktivitas Master Production Scheduling (MPS) pada dasarnya
berkaitan dengan bagaimana menyusun dan memperbaharui jadwal produksi
induk (master production schedule), memproses transaksi dari MPS, dan
memberikan laporan evaluasi dalam periode waktu yang teratur untuk keperluan
umpan balik dan tinjauan ulang (Rahmawati dan Aimmatus, 2018).
2.2.3.1 Istilah-Istilah dalam Master Production Schedule

Dalam penyusunan MPS, terlebih dahulu harus diketahui informasi-
informasi sebagai berikut (Rahmawati dan Aimmatus, 2018):
1. Lead time, yaitu waktu yang dibutuhkan untuk memproduksi atau dalam
pembelian suatu item.
2. On-hand, merupakan posisi inventory awal yang tersedia dalam stok.
3. Lot size, merupakan jumlah item yang biasa dipesan.
4. Safety stock, merupakan item yang sengaja dibuat untuk dijadikan stok
sebagai langkah antisipasi terhadap perubahan yang terjadi pada peramalan
(forecast)
5. Demand time fence, merupakan periode mendatang dari MPS dimana
perubahan-perubahan yang terjadi pada MPS tidak diizinkan.
6. Planning time fence, merupakan periode mendatang dari MPS, dimana
perubahan yang terjadi pada MPS dievaluasi untuk mencegah ketidaksesuaian
dalam jadwal produksi.
7. Time periods for display, yaitu banyaknya periode waktu yang ditampilkan
dalam format MPS, bisa dalam satuan hari, minggu atau bulan.
8. Sales plan (forecasting), yaitu peramalan tentang permintaan yang akan
terjadi di masa mendatang.

2022
Kelompok XXV
Modul I
9. Actual orders, merupakan permintaan yang diterima dan bersifat pasti.

10. Projected available balance (PAB), proyeksi on hand inventory dari waktu
ke waktu selama masa perencanaan.
11. Available to promise, merupakan data yang berkaitan dengan banyak produk
yang dijadwalkan untuk diproduksi sehingga bisa dipastikan dapat terpenuhi
atau tidaknya permintaan pelanggan.
Berikut adalah contoh MPS (Rahmawati dan Aimmatus, 2018):
Gambar 2.8 Contoh MPS

(Sumber: Rahmawati dan Aimmatus, 2018)
2.2.4 Material Requirement Planning

MRP merupakan suatu metode yang digunakan untuk menentukan
barang/ bahan, waktu dan kuantitas komponen dan material yang dibutuhkan
untuk pemenuhan kebutuhan produksi dalam perencanaannya. MRP digunakan
untuk perencanaan pengadaan persediaan dari komponen komponen penyusun
produk yang akan diproduksi (Rahmawati dan Aimmatus, 2018).
Ada tiga input yang dibutuhkan dalam konsep MRP yaitu (Rahmawati
dan Aimmatus, 2018).:
1. Jadwal Induk Produksi (Master Production Schedule) merupakan suatu
rencana produksi yang menggambarkan hubungan antara kuantitas setiap
jenis produk akhir yang diinginkan dengan waktu penyediaannya.
2. Struktur Produk (Product Structure Record & Bill of Material) merupakan
kaitan antara produk dengan komponen penyusunnya. Informasi yang
dilengkapi untuk setiap komponen ini meliputi:
a. Jenis komponen
b. Jumlah yang dibutuhkan
c. Tingkat penyusunannya

2022
Kelompok XXV
Modul I
3. Status Persediaan (Inventory Master File atau Inventory Status Record)

menggambarkan keadaan dari setiap komponen atau material yang ada dalam
persediaan, yang berkaitan dengan:
a. Jumlah persediaan yang dimiliki pada setiap periode (on hand inventory)
b. Jumlah barang dipesan dan kapan akan datang (on order inventory)
c. Waktu ancang – ancang (lead time) dari setiap bahan.
2.2.4.1 Tujuan dan Manfaat Material Requirement Planning

Tujuan dan Manfaat dari Material Requirement Planning adalah sebagai
berikut (Rahmawati dan Aimmatus, 2018):
1. Tujuan material requirement planning
Tujuan dari material requirement planning adalah sebagai berikut:
a. Meminimumkan persediaan
b. Meningkatkan efisiensi
c. Mengurangi risiko karena keterlambatan produksi atau pengiriman.
2. Sedangkan menurut Render dan Heizer (2006), manfaat dari MRP adalah
sebagai berikut:
a. Peningkatan pelayanan dan kepuasan konsumen.
b. Peningkatan pemanfaatan fasilitas dan tenaga kerja.
c. Perencanaan dan penjadwalan persediaan yang lebih baik.
d. Tanggapan yang lebih cepat terhadap perubahan dan pergeseran pasar
e. Tingkat persediaan menurun tanpa mengurangi pelayanan kepada
konsumen.
2.2.4.2 Istilah – Istilah dalam Material Requirement Planning

istilahistilah yang biasa digunakan material requirement planning yaitu
(Rahmawati dan Aimmatus, 2018) :
1. Gross Requirement (GR) atau Kebutuhan Kasar adalah total dari semua
kebutuhan, termasuk kebutuhan yang diantisipasi untuk setiap periode waktu
2. Schedule Receipts (SR)/ penerimaan yang dijadwalkan merupakan jumlah
item yang akan diterima pada suatu periode tertentu berdasarkan pesanan
yang dibuat

2022
Kelompok XXV
Modul I
3. Begin Inventory (BI)/ Inventori Awal merupakan jumlah inventori di awal

periode.
4. Net Requirement (NR)/ kebutuhan bersih merupakan jumlah aktual yang
diinginkan untuk diterima atau diproduksi dalam periode bersangkutan
5. Planned Order Receipt (PORec)/penerimaan pemesanan yang direncanakan
adalah jumlah item yang diterima atau diproduksi oleh perusahaan
manufaktur pada periode waktu terakhir.
6. Planned Ending Inventory (PEI)/Rencana Persediaan Akhir Periode
merupakan suatu perencanaan terhadap persediaan pada akhir periode.
7. Planned Order Releases (PORel)/pelepasan pemesanan yang direncanakan
adalah jumlah itemyang direncanakan untuk dipesan agar memenuhi
perencanaan pada masa yang akan datang
8. Lead time adalah waktu tenggang yang diperlukan untuk memesan
(membuat) suatu barang sejak saat pesanan (pembuatan) dilakukan sampai
barang itu diterima (selesai dibuat)
9. Lot Size/ Ukuran Lot merupakan kuantitas pesanan dari item yang
memberitahukan MRP berapa banyak kuantitas yang dipesan, serta lot sizing
apa yang dipakai.
Berikut contoh dari MRP (Zahra dan Fakhrina, 2020):
Gambar 2.9 Contoh MRP

(Sumber: Zahra dan Fakhrina, 2020)

2022
BAB III
METODOLOGI PRAKTIKUM
BAB III
METODOLOGI PRAKTIKUM
Metodologi penelitian merupakan suatu metode yang dilakukan terlebih

dahulu berupa langkah-langkah yang akan dilewati dalam sebuah penelitian.
Adapun langkah-langkah dalam flowchat sebagai berikut.:
Gambar 3.1 Flowchart Metodologi Praktikum

Kelompok XXV
Modul I
Gambar 3.1 Flowchart Metodologi Praktikum (Lanjutan)
Laporan Praktikum Terintegrasi II/Sistem Produksi III-2

2022
Kelompok XXV
Modul I
3.1. Studi Pendahuluan

Studi pendahuluan merupakan langkah awal yang dilakukan dalam
penelitian. Studi pendahuluan dilakukan yaitu pengamatan meja sudut yang
dibutuhkan okeh konsumen. Tujuan dilakukan studi pendahuluan adalah untuk
mengumpulkan berbagai informasi yang dibutuhkan dalam penelitian.
3.2. Studi Literatur

Studi literatur berupa teori-teori yang digunakan untuk mendukung
kelengkapan penulisan laporan ini. Studi literatur mengumpulkan data atau
informasi maupun teori-teori yang mendukung topik praktikum dan perencanaan
yang harus dibuat. Tujuan yang paling mendasar dalam studi literatur ini adalah
untuk memperbanyak referensi dalam pengolahan data sehingga dapat
menyelesaikan permasalahan yang ada dalam penelitian ini. Landasan yang
digunakan dalam penelitian ini diantaranya teori tentang peta proses operasi, BOM,
forecasting metode time series dan linear regression, Tracking Signal, Kapasitas
Produk, Matrik ongkos, Agregate planning, MPS, dan MRP.
3.3. Perumusan Masalah

Perumusan masalah berisikan penetapan masalah yang akan dibahas dalam
suatu penelitian, yang mana kemudian rumusan masalah tersebut akan menentukan
arah dari penelitian yang dilakukan. Perumusan masalah harus jelas sehingga
permasalahan dapat diselidiki dan diketahui apa saja yang dibahas atau dikaji pada
penelitian. Perumusan masalah berisikan pertanyaan mengenai permasalahan yang
diteliti berdasarkan identifikasi masalah. Permasalahan yang dibahas dalam
penelitiaan ini yaitu perbaikan sistem kerja dan pengendalian produksi pada
pembuatan meja sudut.
3.4. Penetapan Tujuan

Penetapan tujuan dilakukan agar penelitian yang dilakukan terfokus pada
tujuan yang diinginkan, serta mendapatkan solusi dari permasalahan system kerja
dan pengendalian produksi pada pembuatan meja sudut. Pada penelitian ini tujuan
dari penelitiannya adalah untuk mengetahui jumlah produk yang akan di produksi

2022
Kelompok XXV
Modul I
dari produk meja sudut, menggunakan metode peramalan Moving Average, Weight
Moving Average, Exponential Smoothing, dan Linear Regression.
3.5. Batasan Masalah

Batasan masalah berfungsi sebagai pembatas permasalahan yang dibahas.
Dengan adanya batasan masalah dalam penelitian akan lebih terarah sehingga
pembahasannya tidak terlepas dari batasan yang telah ditetapkan. Dalam penelitian
ini batasan masalahnya metode peramalan menggunakan empat metode yaitu
Moving Average, Weight Moving Average, Exponential Smoothing, dan Linear
Regression. Untuk pengendalian kuantitas menggunakan agregat planning, master
production schedule (MPS), Material Requirement Planning (MRP).
3.6. Pengumpulan Data

Data merupakan suatu komponen dalam praktikum yang penting, data yang
didapatkan digunakan dalam penelitian haruslah data yang akurat karena data yang
tidak akurat akan menghasilkan informasi yang salah. Adapun data yang
dikumpulkan berupada data peramalan atau forecasting pada produksi meja sudut.
3.7. Pengolahan Data

Data yang telah dikumpulkan kemudian diolah untuk memperoleh hasil
yang dapat dijadikan acuan pengambilan keputusan. Adapun pengolahan data yang
dilakukan diantaranya sebagai berikut :
3.7.1. Forecasting
Peramalan merupakan metode untuk meramalkan jumlah permintaan
barang terhadap produk yang akan diproduksi. Terdapat beberapa metode yang
digunakan dalam melakukan peramlan :
3.7.1.1. Moving Average

Moving average merupakan metode peramalan perataan nilai dengan
mengambil sekelompok nilai pengamatan yang kemudian dicari rata-ratanya, lalu
menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. Metode
ini sangat sederhana karena berusaha merata-ratakan beberapa data terakhir.

2022
Kelompok XXV
Modul I
Metode ini berusaha memuluskan perubahan data yang sangat tinggi atau sangat
rendah.
3.7.1.2. Weight Moving Average

Weight moving average merupakan metode peramalan dengan beberapa
data terakhir dengan memberikan bobot yang berbeda-beda. Hal ini bisa didasarkan
jika pengaruh data yang lebih baru adalah lebih besar dari data yang lebih lama
terhadap keadaan di masa datang.
3.7.1.3. Exponential Smoothing

Exponential smoothing merupakan metode peramalan dengan teknik
peramalan rata-rata bergerak yang melakukan penimbangan terhadap data masa lalu
dengan cara eksponensial sehingga data paling akhir mempunyai bobot atau
timbangan lebih besar dalam rata-rata bergerak.
3.7.1.4. Linear Regression

Metode ini merupakan penaksiran kuadrat terkecil dari model regresi linier
dari variabel prediktor tunggal. Dengan kata lain, regresi linier sederhana
mencocokkan dengan garis lurus melalui serangkainan titik-titik dengan
sedemikian rupa yang membuat jumlah kuadrat residual dari model penyebaran
data yang ada pada persamaan linier.
3.7.2. Tracking Signal

Setelah dilakukan perhitungan dengan empat metode peramalan tersebut,
maka untuk mengetahui tingkat kepercayaan dari peramalan dilakukan pengujian
dengan tracking signal. Tracking signal merupakan parameter hasil peramalan
dalam memprediksi nilai yang aktual. Tracking signal yang positif menunjukan
bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan tracking
signal yang negatif berarti nilai aktual permintaan lebih kecil daripada ramalan.
3.7.3. Master Production Schedule

Master Production Schedule berguna untuk menguraikan rencana
produksi yang mana menunjukkan kuantitas produk akhir yang akan diproduksi

2022
Kelompok XXV
Modul I
pada periode waktu satu tahun. MPS sebagai input utama untuk perencanaan
kebutuhan material, maka perhitungan yang dilakukan adalah perhitungan
kapasitas produksi dan perhitungan matrik ongkos.
3.7.4. Metode Terpilih

Perhitungan-perhitungan yang telah dilakukan pada empat metode dalam
peramalan dilakukan peratingan. Dengan dilakukan rekapitulasi MAD disetiap
metode per periodenya, tentukan rating pertama dengan MAD yang terkecil ke
terbesar. MAD terkecil dengan nilai error terkecil merupakan metode yang terpilih
untuk perhitungan tahap selanjutnya.
3.7.5. Master Requirement Production

Material Requirement Planning (MRP) merupakan suatu teknik atau
prosedur logis untuk menterjemahkan jadwal induk produksi dari barang jadi
menjadi kebutuhan bersih untuk beberapa komponen yang dibutuhkan untuk
mengimplementasikan jadwal induk produksi. MRP ini digunakan untuk
menentukan jumlah dari kebutuhan material untuk mendukung jadwal produksi
induk dan kapan kebutuhan material tersebut dijadwalkan dengan menggunakan
software QM.
3.8. Analisa
Berdasarkan hasil pengolahan data yang dilakukan, maka langkah
selanjutnya adalah analisa. Analisa dilakukan terhadap pengumpulan dan
pengolahan data yang dilakukan pada bab 4. Analisa berisi sebab akibat terhadap
penjabaran mengenai pengumpulan dan pengolahan data yang berguna untuk
mencapai tujuan suatu penelitian. Analisa ini perlu dilakukan karena untuk
mengevaluasi dari hasil pembahasan mengenai suatu penelitian. Dilakukannya
analisa pada pembahasan dimaksudkan untuk mengetahui kekurangan dalam
pengumpulan dan pengolahan data. Data tersebut dianalisa untuk mendapatkan
solusi dari permasalahan tentang perbaikan system kerja dan pengendalian produksi
pembuatan meja sudut di perusahaan.

2022
Kelompok XXV
Modul I
3.9. Kesimpulan dan Saran

Kesimpulan dibuat untuk menjawab permasalahan yang telah ditetapkan
dalam penelitian. Kesimpulan berisikan pernyataan singkat dan jelas mengenai
hasil dari penelitian. Kesimpulan mengandung bagian-bagian penting dari
penelitian. Sementara itu, saran memuat masukan untuk keberlangsungan
penelitian sejenis dikemudian hari.

2022
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Pengumpulan Data

Data yang diperlukan pada pengumpulan data Praktikum Terintegrasi II
adalah sebagai berikut :
4.1.1 Data Permintaan Meja Sudut

Data permintaan perusahaan adalah sebagai berikut :
Table 4.1 Data Permintaan (Demand)
Bulan Demand (Unit)
Januari 228
Februari 225
Maret 231
April 229
Mei 230
Juni 235
Juli 233
Agustus 224
September 232
Oktober 230
November 222
Desember 234
(Sumber : Pengumpulan Data Praktikum Terintegrasi II, 2022)
4.1.2 Plot Data

Berikut ini adalah plot data dari permintaan :
PLOT DATA
240
230
220
210
Demand (Unit)
Gambar 4.1 Plot Data

(Sumber: Pengumpulan Data Praktikum Terintegrasi II, 2022)
Kelompok XXV
Modul I
Dapat dilihat dari plot data diatas, jenis pola permintaan yaitu horizontal
dikarenakan nilai permintaan berfluktuasi di nilai rata-rata tetap.
4.1.3 Data Hari Kerja

Berikut ini adalah data hari kerja :
Table 4.2 Data Hari Kerja
Bulan Hari Kerja
Januari 27
Februari 26
Maret 27
April 27
Mei 28
Juni 29
Juli 29
Agustus 28
September 28
Oktober 28
November 28
Desember 28
Jumlah Pekerja 8
4.1.4 Data Ongkos

Berikut adalah data ongkos :
Table 4.3 Rekapitulasi Data Ongkos
No. Data Jumlah
1. Overtime (OT) 10% dari RT
2. Tenaga Kerja Awal 8 orang
3. Upah Pekerja Rp. 30.000
4. Ongkos OT 125% x (O.Pekerja + O. Material)
5. Ongkos Subkontrak 150% x biaya regular time
6. Ongkos Material Rp. 50.000
7. Inventory Awal 10
8. Increase Cost Rp. 65.000
9. Decrase Cost Rp. 105.000
10. Waktu Kerja Produktif 8 jam/hari
11. Waktu Siklus OPC 11.480 detik
Praktikum Teintegrasi II/Sistem Produksi I- 2

2022
Berdasarkan diagram dari grafik diatas dapat disimpulkan bahwa plot data permintaan berjenis pola horizontal (stationer),
dimana permintaan produk setiap bulan tidak meningkat atau menurun secara konstan atau tidak signifikan.
4.1.5 Bill of Material (BOM)
Berikut adalah Bill of Material :
Gambar 4.2 Bill of Material Exploding

Kelompok XXV
Modul I
4.1.6 Operation Process Chart (OPC)

Berikut adalah Operation process chart (OPC) :
Gambar 4.3 Operation Process Chart


2022
Kelompok XXV
Modul I
4.2 Pengolahan Data

Berikut pengolahan data produk :
4.2.1. Metode Moving Average

Perhitungan forecasting menggunakan metode moving average adalah
sebagai berikut :
4.2.1.1. Metode Moving Average Periode Ke-2 (n=2)

1. Perhitungan Manual
a. Perhitungan Forecast (3 bulan pertama)
1) Forecast bulan Maret
∑Xi
Forecast =
n
228 + 225
=
2
= 226,5
Error = Demand – Forecast
= 231 – 226,5
= 4,5
|Error| = 4,5
|Error|2 = Error^2
= 4,52
= 20,25
Error Absulate
Pct Error =
Demand
4,5
=
231
= 0,0194
= 1,94%
2) Forecast bulan April
∑Xi
Forecast =
n
225+231
=
2

2022
Kelompok XXV
Modul I
= 228
= 229 - 228
=1
|Error| =1
|Error|2 = Error^2
= 12
=1
Error Absulate
Pct Error =
Demand
1
=
229
= 0,0043
= 0,43 %
3) Forecast bulan Mei
∑Xi
Forecast =
n
231+229
=
2
= 460
= 230 - 460
= 230
|Error| = 230
|Error|2 = Error^2
= 2302
= 52900
Error Absulate
Pct Error =
Demand
230
=
230
=0
= 0%
b. Perhitungan nilai-nilai akurasi peramalan

2022
Kelompok XXV
Modul I
∑|Error|
1) MAD =
n
44
= 10
= 4,4
∑(Error)^2
2) MSE =
n
313
=
10
= 31,3
∑|Pct Error|
3) MAPE =
n
19,255
=
10
= 19,26%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average periode
ke-2.
Tabel 4.4 Rekapitulasi Data Forecasting MA periode ke-2
Pct
Bulan Demand Forecast Error |Error| Error^2
Error
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 226,5 4,5 4,5 20,25 1,948%
April 229 228 1 1 1 ,437%
Mei 230 230 0 0 0 0%
Juni 235 229,5 5,5 5,5 30,25 2,34%
Juli 233 232,5 0,5 0,5 0,25 0,215%
Agustus 224 234 -10 10 100 4,464%
September 232 228,5 3,5 3,5 12,25 1,509%

(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)

2022
Kelompok XXV
Modul I
Tabel 4.4 Rekapitulasi Data Forecasting MA periode ke-2 (lanjutan)

Pct
Error
Oktober 230 228 2 2 4 0,87%
November 222 231 -9 9 81 4,054%

Desember 234 226 8 8 64 3,419%
Total 2753 6 44 313 19,255%
Average 229,417 0,6 4,4 31,3 1,926%

Next
Period - 228 (Bias) (MAD) (MSE) (MAPE)
Forecast
2. Perhitungan Menggunakan Software QM
a. Detail and error analysis Periode ke-2
Gambar 4.4 Detail and error analysis MA Periode ke-2

b. Forecast Result
Gambar 4.5 Forecast Result MA Periode ke-2


2022
Kelompok XXV
Modul I
c. Grafik hasil QM Periode ke-2
Gambar 4.6 Grafik Hasil QM MA Periode ke-2

4.2.1.2. Metode Moving Average Periode ke-3

∑Xi
Forecast =
n
228 + 225 + 231
=
3
= 228
= 229 – 228
=1
|Error| =1
|Error|2 = Error^2
= 12
=1
Error Absulate
Pct Error =
Demand
1
=
229
= 0,0043
= 0,43%

2022
Kelompok XXV
Modul I

∑Xi
Forecast =
n
225+231+229
=
3
= 228,333
= 230 – 228,3
= 1,7
|Error| = 1,7
|Error|2 = Error^2
= 1,72
= 2,89
Error Absulate
Pct Error =
Demand
1.7
=
230
= 0,0073
= 0,43 %
3) Forecast bulan Juni
∑Xi
Forecast =
n
231+229+230
=
3
= 230
= 235 - 230
=5
|Error| =5
|Error|2 = Error^2
= 52
= 25
Error Absulate
Pct Error =
Demand

2022
Kelompok XXV
Modul I
5
=
235
= 0,0212
= 2,12%
∑|Error|
4) MAD =
n
32,333
= 9
= 3,593
∑(Error)^2
5) MSE =
n
189
=
9
= 21
∑|Pct Error|
6) MAPE =
n
14.16
=
9
= 1,57%
ke-3.
Bulan Demand Forecast Error |Error| Error^2 Pct Error
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 228 1 1 1 0,437%
Mei 230 228,333 1,667 1,667 2,778 0,725%
Juni 235 230 5 5 25 2,128%

Tabel 4.5 Rekapitulasi Data Forecasting MA periode ke-3 (lanjutan)

2022
Kelompok XXV
Modul I

Juli 233 231,333 1,667 1,667 2,778 0,715%
Agustus 224 232,667 -8,667 8,667 75,111 3,869%
September 232 230,667 1,333 1,333 1,778 0,575%
Oktober 230 229,667 0,333 0,333 0,111 0,145%
November 222 228,667 -6,667 6,667 44,445 3,003%
Desember 234 228 6 6 36 2,564%
Total 2753 - 1,667 32,333 189,0 14,16%
Average 229,417 - 0,185 3,593 21 1,573%
Next
Period - 228,667 (Bias) (MAD) (MSE) (MAPE)
Forecast

b. Forecast Result

2022
Kelompok XXV
Modul I



∑Xi
Forecast =
n
228 + 225 + 231 + 229
=
4
= 228,25
= 230 – 228,25

2022
Kelompok XXV
Modul I
= 1,75
|Error| = 1,75
|Error|2 = Error^2
= 1,752
= 3,063
Error Absulate
Pct Error =
Demand
1.75
=
230
= 0,0076
= 0,76%
∑Xi
Forecast =
n
225+231+229+230
=
4
= 228,75
= 235 – 228,75
= 6,25
|Error| = 6,25
|Error|2 = Error^2
= 6,252
= 39,0625
Error Absulate
Pct Error =
Demand
6.25
=
235
= 0,0265
= 2,66 %
3) Forecast bulan Juli
∑Xi
Forecast =
n

2022
Kelompok XXV
Modul I
231+229+230+235
=
4
= 231,25
= 233 – 231,25
= 1,75
|Error| = 1,75
|Error|2 = Error^2
= 1,752
= 3,0625
Error Absulate
Pct Error =
Demand
1.75
=
233
= 0,0074
= 0,75%
∑|Error|
7) MAD =
n
34.75
= 8
= 4,344
∑(Error)^2
8) MSE =
n
217.63
=
8
= 27,195
∑|Pct Error|
9) MAPE =
n
15.195
=
8
= 1,89%
ke-4.

2022
Kelompok XXV
Modul I

Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 228,25 1,75 1,75 3,063 0,761%
Juni 235 228,75 6,25 6,25 39,063 2,66%
Juli 233 231,25 1,75 1,75 3,063 0,751%
Agustus 224 231,75 -7,75 7,75 60,063 3,46%
September 232 230,5 1,5 1,5 2,25 0,647%
Oktober 230 231 -1 1 1 0,435%
November 222 229,75 -7,75 7,75 60,063 3,491%
Desember 234 227 7 7 49 2,991%
Total 2753 1,75 34,75 217,563 15,195%
Average 229,417 0,219 4,344 27,195 1,899%
Next Period
229,5 (Bias) (MAD) (MSE) (MAPE)
Forecast

2022
Kelompok XXV
Modul I


b. Forecast Result



2022
Kelompok XXV
Modul I

∑Xi
Forecast =
n
228 + 225 + 231 + 229+230
=
5
= 228,6
= 235 – 228,6
= 6,4
|Error| = 6,4
|Error|2 = Error^2
= 6,42
= 40,96
Error Absulate
Pct Error =
Demand
6.4
=
235
= 0,0272
= 2,72%
∑Xi
Forecast =
n
225+231+229+230+235
=
5
= 230
= 233 – 230
=3
|Error| =3
|Error|2 = Error^2
= 32

2022
Kelompok XXV
Modul I
=9
Error Absulate
Pct Error =
Demand
3
=
233
= 0,0128
= 1,28 %
3) Forecast bulan Agustus
∑Xi
Forecast =
n
231+229+230+235+233
=
5
= 231,6
= 224 – 231,6
= -7.6
|Error| = -7.6
|Error|2 = Error^2
= -7.62
= 57.76
Error Absulate
Pct Error =
Demand
-7.6
=
224
= -0,0339
= 3,39%
∑|Error|
1) MAD =
n
34.2
= 7
= 4,886
∑(Error)^2
2) MSE =
n
222.68
=
7

2022
Kelompok XXV
Modul I
= 31,811
∑|Pct Error|
3) MAPE =
n
14.97
=
7
= 2,13%
ke-5.
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 - - - - -
Juni 235
228,6 6,4 6,4 40,96 2,723%
Juli 233
230 3 3 9 1,288%
Agustus 224
231,6 -7,6 7,6 57,76 3,393%
September 232
230,2 1,8 1,8 3,24 0,776%
Oktober 230
230,8 -0,8 0,8 0,64 0,348%
November 222 230,8 -8,8 8,8 77,44 3,964%
Desember 234 228,2 5,8 5,8 33,64 2,479%
Total 2753 - -0,2 34,2 222,68 14,97%
Average
229,417 - -0,029 4,886 31,811 2,139%
Next
Forecast

2022
Kelompok XXV
Modul I

b. Forecast Result



2022
Kelompok XXV
Modul I

∑Xi
Forecast =
n
228 + 225 + 231 + 229+230+235
=
6
= 229,67
= 233 – 229,67
= 3,33
|Error| = 3,33
|Error|2 = Error^2
= 3,332
= 11,11
Error Absulate
Pct Error =
Demand
3,33
=
233
= 0,0142
= 1,42%
∑Xi
Forecast =
n
225+231+229+230+235+233
=
6
= 230,5
= 224 – 230,5
= -6,5
|Error| = -6,5
|Error|2 = Error^2
= -6,52
= 42,25

2022
Kelompok XXV
Modul I
Error Absulate
Pct Error =
Demand
-6.5
=
224
= -0,0290
= 2,9 %
3) Forecast bulan September
∑Xi
Forecast =
n
231+229+230+235+233+232
=
6
= 230,33
= 232 – 230,33
= 1,67
|Error| = 1,67
|Error|2 = Error^2
= 1,672
= 2,778
Error Absulate
Pct Error =
Demand
1.67
=
232
= 0,0071
= 0,71%
∑|Error|
1) MAD =
n
25.33
=
6
= 4,222
∑(Error)^2
2) MSE =
n
153.78
=
6

2022
Kelompok XXV
Modul I
= 25,546
∑|Pct Error|
3) MAPE =
n
11.166
=
6
= 1,861%
ke-6.
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 - - - - -
Juni 235 - - - - -
Juli 233 229,667 3,333 3,333 11,111 1,431%
Agustus 224 230,5 -6,5 6,5 42,25 2,902%

September 232 230,333 1,667 1,667 2,778 ,718%
Oktober 230 230,5 -,5 ,5 ,25 ,217%
November 222 230,667 -8,667 8,667 75,111 3,904%

Desember 234 229,333 4,667 4,667 21,778 1,994%
Total 2753 - -6 25,333 153,278 11,166%
Average 229,417 - -1 4,222 25,546 1,861%
Next Period
- 229,167 (Bias) (MAD) (MSE) (MAPE)
Forecast

2022
Kelompok XXV
Modul I

b. Forecast Result



2022
Kelompok XXV
Modul I

∑Xi
Forecast =
n
228 + 225 + 231 + 229+230+235+233
=
7
= 230,14
= 224 – 230,14
= -6,14
|Error| = 6,14
|Error|2 = Error^2
= 6,142
= 37,374
Error Absulate
Pct Error =
Demand
37,73
=
224
= 0,1684
= 6,84%
∑Xi
Forecast =
n
225+231+229+230+235+233+224
=
7
= 229,57
= 232 – 229,57
= 2,43
|Error| = 2,43
|Error|2 = Error^2
= 2,432
= 5,90

2022
Kelompok XXV
Modul I
Error Absulate
Pct Error =
Demand
2.43
=
232
= 0,0104
= 1,04 %
3) Forecast bulan Oktober
∑Xi
Forecast =
n
231+229+230+235+233+232+230
=
7
= 230,57
= 230 – 230,57
= -0,57
|Error| = 0,57
|Error|2 = Error^2
= 0,572
= 0,32
Error Absulate
Pct Error =
Demand
-0.57
=
230
= -0,0024
= 0,24%
∑|Error|
4) MAD =
n
22.143
=
5
= 4,42
∑(Error)^2
5) MSE =
n
135.89
=
5

2022
Kelompok XXV
Modul I
= 27,18
∑|Pct Error|
6) MAPE =
n
9.788
=
5
= 1,958%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average
periode ke-7.
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 - - - - -
Juni 235 - - - - -
Juli 233 - - - - -
Agustus 224
230,143 -6,143 6,143 37,734 2,742%
September 232
229,571 2,429 2,429 5,898 1,047%
Oktober 230
230,571 -0,571 0,571 0,327 0,248%
November 222
230,429 -8,429 8,429 71,041 3,797%
Desember 234
229,429 4,571 4,571 20,898 1,954%
Total 2753 - -8,143 22,143 135,898 9,788%
Average
229,417 - -1,629 4,429 27,18 1,958%
Next Period
Forecast - 230 (Bias) (MAD) (MSE) (MAPE)


2022
Kelompok XXV
Modul I

b. Forecast Result



2022
Kelompok XXV
Modul I

∑Xi
Forecast =
n
228 + 225 + 231 + 229+230+235+233+224
=
8
= 229,37
= 232 – 229,37
= 2,63
|Error| = 2,63
|Error|2 = Error^2
= 2,632
= 6,9169
Error Absulate
Pct Error =
Demand
2,63
=
232
= 0,0113
= 1,13%
∑Xi
Forecast =
n
225+231+229+230+235+233+224+232
=
8
= 229,87
= 230 – 229,87
= 0,13
|Error| = 0,13
|Error|2 = Error^2
= 0,132
= 0,0169

2022
Kelompok XXV
Modul I
Error Absulate
Pct Error =
Demand
0.13
=
230
= 0,0005
= 0,05 %
3) Forecast bulan November
∑Xi
Forecast =
n
231+229+230+235+233+232+230+222
=
8
= 230,5
= 222 – 230,5
= -8.5
|Error| = 8,5
|Error|2 = Error^2
= 8,52
= 72,25
Error Absulate
Pct Error =
Demand
8.5
=
222
= 0,0382
= 3,82%
∑|Error|
1) MAD =
n
15.875
=
4
= 3,97
∑(Error)^2
2) MSE =
n
100.55
=
4

2022
Kelompok XXV
Modul I
= 25,13
∑|Pct Error|
3) MAPE =
n
6,99
=
4
= 1,748%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average
periode ke-8.
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 - - - - -
Juni 235 - - - - -
Juli 233 - - - - -
Agustus 224 - - - - -
September 232
229,375 2,625 2,625 6,891 1,131%
Oktober 230
229,875 0,125 0,125 0,016 0,054%
November 222 230,5 -8,5 8,5 72,25 3,829%
Desember 234 229,375 4,625 4,625 21,391 1,976%
Total 2753 - -1,125 15,875 100,547 6,991%
Average
229,417 - -0,281 3,969 25,137 1,748%
Next
Forecast

2022
Kelompok XXV
Modul I

b. Forecast Result



2022
Kelompok XXV
Modul I

∑Xi
Forecast =
n
228 + 225 + 231 + 229+230+235+233+224+232
=
9
= 229,67
= 230 – 229,67
= 0,33
|Error| = 0,33
|Error|2 = Error^2
= 0,332
= 0,1089
Error Absulate
Pct Error =
Demand
0.33
=
230
= 0,0014
= 0,14%
∑Xi
Forecast =
n
225+231+229+230+235+233+224+232+230
=
9
= 229,89
= 222 – 229,89
= -7,89
|Error| = 7,89
|Error|2 = Error^2
= 7,892
= 62,25

2022
Kelompok XXV
Modul I
Error Absulate
Pct Error =
Demand
7.89
=
222
= 0,0355
= 3,55 %
3) Forecast bulan Desember
∑Xi
Forecast =
n
231+229+230+235+233+232+230+222+234
=
9
= 229,55
= 234 – 229,55
= 4,45
|Error| = 4,45
|Error|2 = Error^2
= 4,452
= 19,80
Error Absulate
Pct Error =
Demand
4.45
=
234
= 0,0190
= 1,90%
∑|Error|
1) MAD =
n
12.67
=
3
= 4,22
∑(Error)^2
2) MSE =
n
82.09
=
3

2022
Kelompok XXV
Modul I
= 27,36
∑|Pct Error|
3) MAPE =
n
5.59
=
3
= 1,86%
ke-9.
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 - - - - -
Juni 235 - - - - -
Juli 233 - - - - -
Agustus 224 - - - - -
September 232 - - - - -
Oktober 230 229,667 0,333 0,333 0,111 0,145%
November 222 229,889 -7,889 7,889 62,235 3,554%

Desember 234 229,556 4,444 4,444 19,753 1,899%
Total 2753 - -3,111 12,667 82,099 5,598%
Average 229,417 - -1,037 4,222 27,366 1,866%
Next Period
- 229,889 (Bias) (MAD) (MSE) (MAPE)
Forecast

2022
Kelompok XXV
Modul I

b. Forecast Result


Berikut adalah rekapitulasi nilai MAD, MSE dan MAPE dari metode
moving average :

2022
Kelompok XXV
Modul I
Table 4.12 Rekapitulasi MAD, MSE & MAPE metode MA

Periode MAD MSE MAPE
Periode ke-2 4,4 31,3 1,926%
Periode ke-3 3,593 21 1,573%
Periode ke-4 4,344 27,195 1,899%
Periode ke-5 4,886 31,811 2,139%
Periode ke-6 4,222 25,546 1,861%
Periode ke-7 4,429 27,18 1,958%
Periode ke-8 3,969 25,137 1,748%
Periode ke-9 4,222 27,366 1,866%
4.2.2. Metode Weighted Moving Average

Perhitungan menggunakan metode weighted moving average (WMA)
adalah sebagai berikut :
4.2.2.1 Metode Weitghted Moving Average periode ke-2 (n=2)

a. Perhitungan forecast (3 bulan pertama)
(Ft-2 × 1) + (Ft-1×2 )
Forecast =
n
(228 x 1) + (225 x 2)
=
3
= 226
= 231 – 226
=5
|Error| =5
|Error|2 = Error^2
= 52
= 25

2022
Kelompok XXV
Modul I
Error Absolate
Pct Error =
Demand
5
=
231
= 0,0216
= 2,16%
(Ft-2 × 1) + (Ft-1×2 )
Forecast = =
n
(225 x 1) + (231 x 2)
=
3
= 229
= 229 – 229
=0
|Error| =0
|Error|2 = Error^2
= 02
=0
Error Absolate
Pct Error =
Demand
0
=
229
=0
= 0%
(Ft-2 × 1) + (Ft-1×2 )
Forecast = =
n
(231 x 1) + (229 x 2)
=
3
= 229,6
= 230– 229,6

2022
Kelompok XXV
Modul I
= 0,4
|Error| = 0,4
|Error|2 = Error^2
= 0,42
= 0,16
Error Absolate
Pct Error =
Demand
0.4
=
230
= 0,0017
= 0,17%
∑|Error|
1) MAD =
n
44,33
= 10
= 4,33
∑(Error2)
2) MSE =
n
33,478
= 10
=3,347
∑|Pct Error|
3) MAPE =
n
19,375
= 10
= 1,93%
Berikut adalah table rekapitulasi data forecasting metode weighted moving
average periode ke-2.
Tabel 4.13 Rekapitulasi Data Forecasting WMA periode ke-2
Januari 228 - - - - -
Tabel 4.13 Rekapitulasi Data Forecasting WMA periode ke-2 (lanjutan)

2022
Kelompok XXV
Modul I

Februari 225 - - - - -
Maret 231 226 5 5 25 2,165%
April 229 229 0 0 0 0%
Mei 230 229,667 0,333 0,333 0,111 0,145%
Juni 235 229,667 5,333 5,333 28,445 2,27%
Juli 233 233,333 -0,333 0,333 0,111 0,143%
Agustus 224 233,667 -9,667 9,667 93,444 4,315%
September 232 227 5 5 25 2,155%
Oktober 230 229,333 0,667 0,667 0,444 0,29%
November 222 230,667 -8,667 8,667 75,111 3,904%
Desember 234 224,667 9,333 9,333 87,111 3,989%
Total 2753 - 7 44,333 334,777 19,375%
Average 229,417 - 0,7 4,433 33,478 1,938%
Next
Forecast

Gambar 4.28 Detail and error analysis WMA Periode ke-2


2022
Kelompok XXV
Modul I
b. Forecast Result
Gambar 4.29 Forecast Result WMA Periode ke-2

Gambar 4.30 Grafik Hasil QM WMA Periode ke-2


(Ft-2 × 1) + (Ft-1×2 ) + Ft-1×3 )
Forecast =
n
(228 x 1) + (225 x 2) + (231 x 3)
=
6
= 228,5
= 229 – 228,5

2022
Kelompok XXV
Modul I
= 0,5
|Error| = 0,5
|Error|2 = Error^2
= 0,52
= 0,25
Error Absolate
Pct Error =
Demand
0.5
=
229
= 0,0021
= 0,21%
(Ft-2 × 1) + (Ft-1×2 ) + Ft-1×3 )
Forecast = =
n
(225 x 1) + (231 x 2) + (229 x 3)
=
6
= 229
= 229 – 229
=1
|Error| =1
|Error|2 = Error^2
= 12
=1
Error Absolate
Pct Error =
Demand
1
=
229
= 0,0043
= 0,43%
(Ft-2 × 1) + (Ft-1×2 ) + (Ft-1×3 )
Forecast = =
n

2022
Kelompok XXV
Modul I
(231 x 1) + (229 x 2) + (230 x 3)

=
6
= 229,83
= 235– 229,83
= 5,17
|Error| = 5,17
|Error|2 = Error^2
= 5,172
= 26,695
Error Absolate
Pct Error =
Demand
5.17
=
230
= 0,0224
= 2,24%
∑|Error|
1) MAD =
n
35.5
= 9
= 3,94
∑(Error2)
2) MSE =
n
240.25
= 9
= 26,69
∑|Pct Error|
3) MAPE =
n
15.54
= 9
= 1,73%

2022
Kelompok XXV
Modul I

Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 228,5 ,5 ,5 ,25 ,218%
Mei 230 229 1 1 1 ,435%
Juni 235 229,833 5,167 5,167 26,695 2,199%
Juli 233 232,333 ,667 ,667 ,444 ,286%
Agustus 224 233,167 -9,167 9,167 84,028 4,092%
September 232 228,833 3,167 3,167 10,028 1,365%
Oktober 230 229,5 ,5 ,5 ,25 ,217%
November 222 229,667 -7,667 7,667 58,778 3,453%
Desember 234 226,333 7,667 7,667 58,778 3,276%
Total 2753 1,833 35,5 240,25 15,542%
Average 229,417 0,204 3,944 26,694 1,727%
Next
Forecast


2022
Kelompok XXV
Modul I
b. Forecast Result



(Ft-2 × 1) + (Ft-1×2 ) + (Ft-1×3 ) + (Ft-1×4 )
Forecast =
n
(228 x 1) + (225 x 2) + (231 x 3) + (229 x 4 )
=
10
= 228,7
= 230 – 228,7

2022
Kelompok XXV
Modul I
= 1,3
|Error| = 1,3
|Error|2 = Error^2
= 1,32
= 1,69
Error Absolate
Pct Error =
Demand
1.3
=
230
= 0,0056
= 0,56%
(Ft-2 × 1) + (Ft-1×2 ) + (Ft-1×3 ) + (Ft-1×4 )
Forecast = =
n
(225 x 1) + (231 x 2) + (229 x 3) + (230 x 4)
=
10
= 229,4
= 235 – 229,4
= 5,6
|Error| = 5,6
|Error|2 = Error^2
= 5,62
= 31,36
Error Absolate
Pct Error =
Demand
5.6
=
235
= 0,0238
= 2,38%
(Ft-2 × 1) + (Ft-1×2 ) + (Ft-1×3 ) + (Ft-1×4 )
Forecast = =
n

2022
Kelompok XXV
Modul I
(231 x 1) + (229 x 2) + (230 x 3) + (235 x 4)

=
10
= 231,9
= 233 – 231,9
= 1,1
|Error| = 1,1
|Error|2 = Error^2
= 1,12
= 1,21
Error Absolate
Pct Error =
Demand
1.1
=
233
= 0,0047
= 0,47%
∑|Error|
1) MAD =
n
34.3
= 8
= 4,28
∑(Error2)
2) MSE =
n
228.53
= 8
= 28,56
∑|Pct Error|
3) MAPE =
n
15.01
= 8
= 1,88%

2022
Kelompok XXV
Modul I

Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 228,7 1,3 1,3 1,69 0,565%
Juni 235 229,4 5,6 5,6 31,36 2,383%
Juli 233 231,9 1,1 1,1 1,21 0,472%
Agustus 224 232,6 -8,6 8,6 73,96 3,839%
September 232 229,5 2,5 2,5 6,25 1,078%
Oktober 230 230,1 -0,1 0,1 0,01 0,043%
November 222 229,7 -7,7 7,7 59,29 3,468%
Desember 234 226,6 7,4 7,4 54,76 3,162%
Total 2753 - 1,5 34,3 228,53 15,012%
Average 229,417 - 0,188 4,288 28,566 1,876%
Next
Forecast


2022
Kelompok XXV
Modul I
b. Forecast Result



(Ft-2 × 1) + (Ft-1×2 ) + (Ft-1×3 ) + (Ft-1×4 ) + (Ft-1×5 )
Forecast =
n
(228 x 1) + (225 x 2) + (231 x 3) + (229 x 4 ) + (230 x 5)
=
15
= 229,13

2022
Kelompok XXV
Modul I
= 235 – 229,13
= 5,87
|Error| = 5,87
|Error|2 = Error^2
= 5,872
= 34, 42
Error Absolate
Pct Error =
Demand
5.87
=
235
= 0,0249
= 2,49%
(Ft-2 × 1) + (Ft-1×2 ) + (Ft-1×3 ) + (Ft-1×4 ) + (Ft-1×5 )
Forecast = =
n
(225 x 1) + (231 x 2) + (229 x 3) + (230 x 4) + (235 x 5)
=
15
= 231,67
= 233 – 231,27
= 1,73
|Error| = 1,73
|Error|2 = Error^2
= 1,732
= 3,004
Error Absolate
Pct Error =
Demand
1.73
=
233
= 0,0074
= 0,74%

2022
Kelompok XXV
Modul I
(Ft-2 × 1) + (Ft-1×2 ) + (Ft-1×3 ) + (Ft-1×4 ) +(Ft-1×5 )

Forecast = =
n
(231 x 1) + (229 x 2) + (230 x 3) + (235 x 4) + (233 x 5)
=
15
= 232,27
= 224 – 232,27
= -8,27
|Error| = 8,27
|Error|2 = Error^2
= 8,272
= 68,34
Error Absolate
Pct Error =
Demand
8.27
=
224
= 0,0369
= 3,69%
∑|Error|
1) MAD =
n
33.4
= 7
= 4,77
∑(Error2)
2) MSE =
n
223.23
= 7
= 31,89
∑|Pct Error|
3) MAPE =
n
14.62
= 7
= 2,089%

2022
Kelompok XXV
Modul I

Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 - - - - -
Juni 235 229,133 5,867 5,867 34,418 2,496%
Juli 233 231,267 1,733 1,733 3,004 0,744%
Agustus 224 232,267 -8,267 8,267 68,338 3,69%
September 232 229,733 2,267 2,267 5,138 0,977%
Oktober 230 230,333 -0,333 0,333 0,111 0,145%
November 222 230,067 -8,067 8,067 65,071 3,634%
Desember 234 227,133 6,867 6,867 47,151 2,934%
Total 2753 - 0,067 33,4 223,231 14,621%
Average 229,417 - 0,01 4,771 31,89 2,089%
Next
Forecast

2022
Kelompok XXV
Modul I


b. Forecast Result



2022
Kelompok XXV
Modul I

(Ft-6 × 1) + (F5-1×2 ) + …… + (Ft-1×6)
Forecast =
n
(228 x 1) + (225 x 2) + …… + (235 x 6)
=
21
= 230,81
= 233 – 230,81
= 2,19
|Error| = 2,19
|Error|2 = Error^2
= 2,192
= 4,798
Error Absolate
Pct Error =
Demand
2.19
=
233
= 0,0093
= 0,93%
(Ft-6 × 1) + (F5-1×2 ) + …… + (Ft-1×6)
Forecast =
n
(225 x 1) + (231 x 2) + ……. + (233 x 6)
=
21
= 231,67
= 224 – 231,67
= -7,76
|Error| = 7,76

2022
Kelompok XXV
Modul I
|Error|2 = Error^2
= 7,762
= 60,25
Error Absolate
Pct Error =
Demand
7.76
=
224
= 0,0346
= 3,46%
(Ft-6 × 1) + (F5-1×2 ) + …… + (Ft-1×6)
Forecast =
n
(231 x 1) + (229 x 2) + …... + (224 x 6)
=
21
= 229,90
= 232 – 229,90
= 2,09
|Error| = 2,1
|Error|2 = Error^2
= 2,12
= 4,4
Error Absolate
Pct Error =
Demand
2.1
=
232
= 0,0090
= 0,9%
∑|Error|
1) MAD =
n
26.90
= 6
= 4,48

2022
Kelompok XXV
Modul I
∑(Error2)
2) MSE =
n
176.36
= 6
= 29,39
∑|Pct Error|
3) MAPE =
n
11.85
= 6
= 1,97%
Pct
Error
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231
- - - - -
April 229 - - - - -
Mei 230 - - - - -
Juni 235 - - - - -
Juli 233
230,81 2,19 2,19 4,798 0,94%
Agustus 224 231,762 -7,762 7,762 60,247 3,465%
September 232
229,905 2,095 2,095 4,39 0,903%
Oktober 230
230,381 -0,381 0,381 0,145 0,166%
November 222 230,238 -8,238 8,238 67,866 3,711%

2022
Kelompok XXV
Modul I

Pct
Error
Desember 234 227,762 6,238 6,238 38,914 2,666%
Total 2753 -5,857 26,905 176,36 11,851%
Average 229,417 -0,976 4,484 29,393 1,975%
Next
Forecast

b. Forecast Result


2022
Kelompok XXV
Modul I


(Ft-7 × 1) + (F6-1×2 ) + …… + (Ft-1×7)
Forecast =
n
(228 x 1) + (225 x 2) + …… + (233 x 7)
=
28
= 231,36
= 224 – 231,36
= -7.36
|Error| = 7.36
|Error|2 = Error^2
= 7,362
= 54,13
Error Absolate
Pct Error =
Demand
7.36
=
224

2022
Kelompok XXV
Modul I
= 0,0328
= 3,28%
(Ft-7 × 1) + (F6-1×2 ) + …… + (Ft-1×7)
Forecast =
n
(225 x 1) + (231 x 2) + ……. + (224 x 7)
=
28
= 229,82
= 232 – 229,82
= 2,18
|Error| = 2,18
|Error|2 = Error^2
= 2,182
= 4,74
Error Absolate
Pct Error =
Demand
2.18
=
232
= 0,0093
= 0,93%
(Ft-7 × 1) + (F6-1×2 ) + …… + (Ft-1×7)
Forecast =
n
(231 x 1) + (229 x 2) + …... + (232 x 7)
=
28
= 230,43
= 230 – 230,43
= -0,43
|Error| = 0,43
|Error|2 = Error^2

2022
Kelompok XXV
Modul I
= 0,432
= 0,18
Error Absolate
Pct Error =
Demand
0.43
=
230
= 0,0018
= 0,18%
∑|Error|
1) MAD =
n
24.07
= 5
= 4,81
∑(Error2)
2) MSE =
n
161,6
= 5
= 32,32
∑|Pct Error|
3) MAPE =
n
10.63
= 5
= 2,126%
Berikut adalah table rekapitulasi data forecasting metode weighted moving average
periode ke-7.
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -

2022
Kelompok XXV
Modul I

Mei 230 - - - - -
Juni 235 - - - - -
Juli 233 - - - - -
Agustus 224 231,357 -7,357 7,357 54,127 3,284%
September 232 229,821 2,179 2,179 4,746 0,939%
Oktober 230 230,429 -0,429 0,429 0,184 0,186%
November 222 230,286 -8,286 8,286 68,653 3,732%
Desember 234 228,179 5,821 5,821 33,889 2,488%
Total 2753 - -8,071 24,071 161,6 10,63%
Average 229,417 - -1,614 4,814 32,32 2,126%

Next
Forecast


2022
Kelompok XXV
Modul I
b. Forecast Result



(Ft-8 × 1) + (F7-1×2 ) + …… + (Ft-1×8)
Forecast =
n
(228 x 1) + (225 x 2) + …… + (224 x 8)
=
36
= 229,72

2022
Kelompok XXV
Modul I

= 232- 229,72
= 2,28
|Error| = 2,28
|Error|2 = Error^2
= 2,282
= 5,188
Error Absolate
Pct Error =
Demand
2.28
=
232
= 0,0098
= 0,98%
(Ft-8 × 1) + (F7-1×2 ) + …… + (Ft-1×8)
Forecast =
n
(225 x 1) + (231 x 2) + ……. + (232 x 8)
=
36
= 230,30
= 230 – 230,30
= 0,3
|Error| = 0,3
|Error|2 = Error^2
= 0,32
= 0,9
Error Absolate
Pct Error =
Demand
0.3
=
230
= 0,0013
= 0,13%

2022
Kelompok XXV
Modul I
(Ft-8 × 1) + (F7-1×2 ) + …… + (Ft-1×8)

Forecast =
n
(231 x 1) + (229 x 2) + …... + (230 x 8)
=
36
= 230,33
= 222 – 230,33
= -8,33
|Error| = 8,33
|Error|2 = Error^2
= 8,332
= 69,45
Error Absolate
Pct Error =
Demand
8.33
=
222
= 0,0375
= 3,75%
∑|Error|
1) MAD =
n
16.47
= 4
= 4,12
∑(Error2)
2) MSE =
n
105,59
= 4
= 26,39
∑|Pct Error|
3) MAPE =
n
7.24
= 4
= 1,81%

2022
Kelompok XXV
Modul I
periode ke-8.
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231
- - - - -
April 229
- - - - -
Mei 230 - - - - -
Juni 235 - - - - -
Juli 233
- - - - -
Agustus 224 - - - - -
September 232 229,722 2,278 2,278 5,188 0,982%
Oktober 230
230,306 -0,306 0,306 0,093 0,133%
November 222 230,333 -8,333 8,333 69,445 3,754%
Desember 234 228,444 5,556 5,556 30,864 2,374%
Total 2753 - -0,806 16,472 105,591 7,243%
Average
229,417 - -0,201 4,118 26,398 1,811%
Next
Forecast

2022
Kelompok XXV
Modul I


b. Forecast Result



2022
Kelompok XXV
Modul I

(Ft-9 × 1) + (F8-1×2 ) + …… + (Ft-1×9)
Forecast =
n
(228 x 1) + (225 x 2) + …… + (232 x 9)
=
45
= 230,18
= 230 - 230,18
= 0,18
|Error| = 0,18
|Error|2 = Error^2
= 0,182
= 0,032
Error Absolate
Pct Error =
Demand
0.18
=
230
= 0,0007
= 0,07%
(Ft-9 × 1) + (F8-1×2 ) + …… + (Ft-1×9)
Forecast =
n
(225 x 1) + (231 x 2) + ……. + (230 x 9)
=
45
= 230,24
= 222 – 230,24
= -8,24
|Error| = 8,24

2022
Kelompok XXV
Modul I
|Error|2 = Error^2
= 8,242
= 67,97
Error Absolate
Pct Error =
Demand
8.24
=
222
= 0,0371
= 3,71%
3) Forecast bulan Desember
(Ft-9 × 1) + (F8-1×2 ) + …… + (Ft-1×9)
Forecast =
n
(231 x 1) + (229 x 2) + …... + (222 x 9)
=
45
= 228,67
= 234 – 228,67
= 5,33
|Error| = 5,33
|Error|2 = Error^2
= 5,332
= 96,45
Error Absolate
Pct Error =
Demand
5.33
=
234
= 0,0228
= 2,28%
∑|Error|
1) MAD =
n
13.77
= 3
= 4,59

2022
Kelompok XXV
Modul I
∑(Error2)
2) MSE =
n
96.48
= 3
= 32,15
∑|Pct Error|
3) MAPE =
n
6.07
= 3
= 2,023%
periode ke-9.
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231
- - - - -
April 229
- - - - -
Mei 230
- - - - -
Juni 235
- - - - -
Juli 233
- - - - -
Agustus 224
- - - - -
September 232
- - - - -
Oktober 230
230,178 -0,178 0,178 0,032 0,077%

2022
Kelompok XXV
Modul I

November 222 230,244 -8,244 8,244 67,971 3,714%
Desember
234 228,667 5,333 5,333 28,445 2,279%
Total
2753 - -3,089 13,756 96,447 6,07%
Average
229,417 - -1,03 4,585 32,149 2,023%
Next
Forecast


2022
Kelompok XXV
Modul I
b. Forecast Result


Berikut adalah rekapitulasi nilai MAD, MSE dan MAPE pada metode
Weighted Moving Average (WMA) :
Table 4.21 Rekapitulasi MAD, MSE dan MAPE Metode Weighted Moving Average
Periode MAD MSE MAPE
Periode 2 4,433 33,478 1,938%
Periode 3 3,944 26,694 1,727%
Periode 4 0,188 4,288 28,566%
Periode 5 4,771 31,89 2,089%
Periode 6 -0,976 4,484 29,393
Periode 7 4,814 32,32 2,126%
Periode 8 -0,201 4,118 26,398%
Periode 9 -1,03 4,585 32,149%

2022
Kelompok XXV
Modul I
4.2.3 Exponential Smoothing

Berikut ini adalah perhitungan forecast menggunakan metode exponential
smoothing:
4.2.3.1 Metode Exponential Smoothing α = 0,1
a. Perhitungan forecast ( 3 bulan pertama)
1) Forecast bulan Februari
Forecast = Ft-1 + α (A t-1 – F t-1)
= 228 + 0,1 (228-228)
= 228
= 225 – 228
= -3
|Error| =3
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %
= 228 + 0,1 (225-228)
= 227,7
= 231 – 227,7
= 3,3
|Error| = 3,3

2022
Kelompok XXV
Modul I
|Error|2 = Error^2
= 3,32
= 10,89
Error Absolute
Pct Error = Demand
3,3
= 231
= 0,014
= 1,4 %
= 227,7 + 0,1 (231-227,7)
= 228,03
= 229 – 228,03
= 0,97
|Error| = 0,97
|Error|2 = Error^2
= 0,972
= 0,941
Error Absolute
Pct Error = Demand
0,97
= 229
= 0,004
= 0,4 %

∑|Error|
1) MAD = n
41,947
=
11

2022
Kelompok XXV
Modul I
= 3,813
∑|Error|²
2) MSE =
n
207,335
=
11
= 18,489
∑|Pct Error|
3) MAPE =
n
18,302%
=
11
= 1,664%
Berikut adalah nilai tabel rekapitulasi data forecasting metode exponential
smoothing dengan α = 0,1 :
Tabel 4.22 Rekapitulasi Data Forecasting Exponential Smoothing α = 0,1
Pct
Bulan Demand Forecast Error |Error| |Error|2 Error
Januari 228 - - - - -
Februari 225 228 -3 3 9 1,333%
Maret 231 227,7 3,3 3,3 10,89 1,429%
April 229 228,03 0,97 0,97 0,941 0,424%
Mei 230 228,127 1,873 1,873 3,508 0,814%
Juni 235 228,314 6,686 6,686 44,699 2,845%
Juli 233 228,983 4,017 4,017 16,137 1,724%
Agustus 224 229,385 -5,385 5,385 28,994 2,404%
September 232 228,846 3,154 3,154 9,947 1,359%
Oktober 230 229,162 0,838 0,838 0,703 0,365%
November 222 229,245 -7,245 -7,245 52,495 3,264%
Desember 234 228,521 5,479 5,479 30,021 2,342%

(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)

2022
Kelompok XXV
Modul I
Tabel 4.22 Rekapitulasi Data Forecasting Exponential Smoothing α = 0,1 (lanjutan)

Bulan Demand Forecast Error |Error| |Error|2 Pct Error
Total 2753 10,687 41,947 207,335 18,302%

Average 229,417 0,972 3,813 18,849 1,664%
Next Period 229,069 (Bias) (MAD) (MSE) (MAPE)

Forecaset
a. Detail and Error Analysis
Gambar 4.52 Detail and Error Analysis α = 0,1

b. Forecasting Result
Gambar 4.53 Forecasting Result α = 0,1

c. Grafik Hasil QM

2022
Kelompok XXV
Modul I
Gambar 4.54 Grafik Hasil QM α = 0,1


= 228 + 0,2 (228-228)
= 228
= 225 – 228
= -3
|Error| =3
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %

2022
Kelompok XXV
Modul I

= 228 + 0,2 (225-228)
= 227,4
= 231 – 227,4
= 3,6
|Error| = 3,6
|Error|2 = Error^2
= 3,62
= 12,96
Error Absolute
Pct Error = Demand
3,6
= 231
= 0,015
= 1,5 %

= 227,4 + 0,2 (231-227,4)
= 228,12
= 229 – 228,12
= 0,88
|Error| = 0,88
|Error|2 = Error^2
= 0,882
= 0,774
Error Absolute
Pct Error = Demand
0,88
= 229
= 0,00384

2022
Kelompok XXV
Modul I
= 0,384 %

∑|Error|
1) MAD = n
41,73
=
11
= 3,794
∑|Error|²
2) MSE =
n
220,215
=
11
= 20,02
∑|Pct Error|
3) MAPE =
n
18,237%
=
11
= 1,658%
Pct
Januari 228 - - - - -
Februari 225 228 -3 3 9 1,333%
Maret 231 227,4 3,6 3,6 12,96 1,558%
April 229 228,12 0,88 0,88 ,774 ,384%
Mei 230 228,296 1,704 1,704 2,904 ,741%
Juni 235 228,637 6,363 6,363 40,49 2,708%
Juli 233 229,909 3,091 3,091 9,552 1,326%
Agustus 224 230,528 -6,528 6,528 42,609 2,914%
September 232 229,222 2,778 2,778 7,717 1,197%
Oktober 230 229,778 0,222 0,222 ,049 ,097%


2022
Kelompok XXV
Modul I
November 222 229,822 -7,822 7,822 61,185 3,523%
Desember 234 228,258 5,742 5,742 32,974 2,454%
Total 2753 7,031 41,73 220,215 18,237%
Average 229,417 0,639 3,794 20,02 1,658%

Forecaset


c. Grafik Hasil QM

2022
Kelompok XXV
Modul I


= 228 + 0,3 (228-228)
= 228
= 225 – 228
= -3
|Error| =3
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %

2022
Kelompok XXV
Modul I

= 228 + 0,3 (225-228)
= 227,1
= 231 – 227,1
= 3,9
|Error| = 3,9
|Error|2 = Error^2
= 3,92
= 15,21
Error Absolute
Pct Error = Demand
3,9
= 231
= 0,0168
= 1,68 %
= 227,1 + 0,3 (231-227,1)
= 228,27
= 229 – 228,27
= 0,73
|Error| = 0,73
|Error|2 = Error^2
= 0,732
= 0,533
Error Absolute
Pct Error = Demand
0,73
= 229

2022
Kelompok XXV
Modul I
= 0,00319
= 0,319 %

∑|Error|
1) MAD = n
42,119
=
11
= 3,829
∑|Error|²
2) MSE =
n
236,967
=
11
= 21,542
∑|Pct Error|
3) MAPE =
n
18,421%
=
11
= 1,675%
Januari 228 - - - - -
Februari 225 228 -3 3 9 1,333%
Maret 231 227,1 3,9 3,9 15,21 1,688%
April 229 228,27 0,73 0,73 0,533 0,319%
Mei 230 228,489 1,511 1,511 2,283 ,657%
Juni 235 228,942 6,058 6,058 36,696 2,578%
Juli 233 230,76 2,24 2,24 5,019 0,962%
Agustus 224 231,432 -7,432 7,432 55,231 3,318%


2022
Kelompok XXV
Modul I
September 232 229,202 2,798 2,798 7,828 1,206%
November 222 230,029 -8,029 8,029 64,466 3,617%
Desember 234 227,62 6,38 6,38 40,7 2,726%
Total 2753 5,114 42,119 236,967 18,421%

Average 229,417 0,465 3,829 21,542 1,675%
Forecaset


c. Grafik Hasil QM

2022
Kelompok XXV
Modul I


= 228 + 0,4 (228-228)
= 228
= 225 – 228
= -3
|Error| =3
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error =
Demand
3
= 225
= 0,013
= 1,3 %

2022
Kelompok XXV
Modul I

= 228 + 0,4 (225-228)
= 226,8
= 231 – 226,8
= 4,2
|Error| = 4,2
|Error|2 = Error^2
= 4,22
= 17,64
Error Absolute
Pct Error = Demand
4,2
= 231
= 0,0181
= 1,81 %
= 226,8 + 0,4 (231-226,8)
= 228,48
= 229 – 228,48
= 0,52
|Error| = 0,52
|Error|2 = Error^2
= 0,522
= 0,27
Error Absolute
Pct Error = Demand
0,52
= 229
= 0,00227

2022
Kelompok XXV
Modul I
= 0,227 %
∑|Error|
1) MAD = n
42,889
=
11
= 3,899
∑|Error|²
2) MSE =
n
256,368
=
11
= 23,306
∑|Pct Error|
3) MAPE =
n
18,764%
=
11
= 1,706%
Pct
Januari 228 - - - - -
Februari 225 228 -3 3 9 1,333%
Maret 231 226,8 4,2 4,2 17,64 1,818%
April 229 228,48 0,52 0,52 0,27 0,227%
Mei 230 228,688 1,312 1,312 1,721 0,57%
Juni 235 229,213 5,787 5,787 33,492 2,463%
Juli 233 231,528 1,472 1,472 2,168 0,632%
Agustus 224 232,117 -8,117 8,117 65,879 3,623%
September 232 228,87 3,13 3,13 9,797 1,349%
Oktober 230 230,122 -0,122 0,122 0,015 0,053%


2022
Kelompok XXV
Modul I
November 222 230,073 -8,073 8,073 65,176 3,637%
Desember 234 226,844 7,156 7,156 51,21 3,058%
Total 2753 4,266 42,889 256,368 18,764%
Average 229,417 0,388 3,899 23,306 1,706%

Forecaset


c. Grafik Hasil QM

2022
Kelompok XXV
Modul I


= 228 + 0,5 (228-228)
= 228
= 225 – 228
= -3
|Error| =3
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %

2022
Kelompok XXV
Modul I

= 228 + 0,5 (225-228)
= 226,5
= 231 – 226,5
= 4,5
|Error| = 4,5
|Error|2 = Error^2
= 4,52
= 20,25
Error Absolute
Pct Error = Demand
4,5
= 231
= 0,0194
= 1,94 %
= 226,5 + 0,5 (231-226,5)
= 228,75
= 229 – 228,75
= 0,25
|Error| = 0,25
|Error|2 = Error^2
= 0,252
= 0,063
Error Absolute
Pct Error = Demand
0,25
= 229
= 0,00109

2022
Kelompok XXV
Modul I
= 0,109 %

∑|Error|
1) MAD = n
43,714
=
11
= 3,974
∑|Error|²
2) MSE =
n
278,546
=
11
= 25,322
∑|Pct Error|
3) MAPE =
n
19,125%
=
11
= 1,739%
Januari 228 - - - - -
Februari 225 228 -3 3 9 1,333%
Maret 231 226,5 4,5 4,5 20,25 1,948%
April 229 228,75 0,25 0,25 0,063 0,109%
Mei 230 228,875 1,125 1,125 1,266 0,489%
Juni 235 229,438 5,563 5,563 30,941 2,367%
Juli 233 232,219 0,781 0,781 0,61 0,335%
Agustus 224 232,609 -8,609 8,609 74,121 3,843%
September 232 228,305 3,695 3,695 13,655 1,593%
Oktober 230 230,152 -0,152 0,152 0,023 0,066%

November 222 230,076 -8,076 8,076 65,225 3,638%

2022
Kelompok XXV
Modul I
Desember 234 226,038 7,962 7,962 63,392 3,403%
Total 2753 4,038 43,714 278,546 19,125%
Average 229,417 0,367 3,974 25,322 1,739%

Forecaset


c. Grafik Hasil QM

2022
Kelompok XXV
Modul I


= 228 + 0,6 (228-228)
= 228
= 225 – 228
= -3
|Error| =3
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error =
Demand
3
= 225
= 0,013
= 1,3 %

2022
Kelompok XXV
Modul I

= 228 + 0,6 (225-228)
= 226,2
= 231 – 226,2
= 4,8
|Error| = 4,8
|Error|2 = Error^2
= 4,82
= 23,04
Error Absolute
Pct Error = Demand
4,8
= 231
= 0,0207
= 2,07 %
= 226,2 + 0,6 (231-226,2)
= 229,08
= 229 – 229,08
= -0,08
|Error| = 0,08
|Error|2 = Error^2
= 0,082
= 0,0064
Error Absolute
Pct Error = Demand
0,08
= 229
= 0,00035

2022
Kelompok XXV
Modul I
= 0,035 %
∑|Error|
1) MAD = n
44,838
=
11
= 4,076
∑|Error|²
2) MSE =
n
303,824
=
11
= 27,62
∑|Pct Error|
3) MAPE =
n
19,613%
=
11
= 1,783%
Januari 228 - - - - -
Februari 225 228 -3 3 9 1,333%
Maret 231 226,2 4,8 4,8 23,04 2,078%
April 229 229,08 -0,08 0,08 0,006 0,035%
Mei 230 229,032 0,968 0,968 0,937 0,421%
Juni 235 229,613 5,387 5,387 29,022 2,292%
Juli 233 232,845 0,155 0,155 0,024 0,066%
Agustus 224 232,938 -8,938 8,938 79,889 3,99%
September 232 227,575 4,425 4,425 19,579 1,907%
Oktober 230 230,23 -0,23 0,23 0,053 0,1%
November 222 230,092 -8,092 8,092 65,481 3,645%

Tabel 4.28 Rekapitulasi Data Forecasting Exponential Smoothing α = 0,6 (Lanjutan)
Desember 234 225,237 8,763 8,763 76,793 3,745%

2022
Kelompok XXV
Modul I
Total 2753 4,158 44,838 303,824 19,613%
Average 229,417 0,378 4,076 27,62 1,783%

Forecaset


c. Grafik Hasil QM

2022
Kelompok XXV
Modul I


= 228 + 0,7 (228-228)
= 228
= 225 – 228
= -3
|Error| =3
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %

2022
Kelompok XXV
Modul I

= 228 + 0,7 (225-228)
= 225,9
= 231 – 225,9
= 5,1
|Error| = 5,1
|Error|2 = Error^2
= 5,12
= 26,01
Error Absolute
Pct Error = Demand
5,1
= 231
= 0,02208
= 2,208 %
= 225,9 + 0,7 (231-225,9)
= 229,47
= 229 – 229,47
= -0,47
|Error| = 0,47
|Error|2 = Error^2
= 0,472
= 0,221
Error Absolute
Pct Error = Demand
0,47
= 229

2022
Kelompok XXV
Modul I
= 0,00205
= 0,205 %
∑|Error|
1) MAD = n
47,608
=
11
= 4,328
∑|Error|²
2) MSE =
n
332,427
=
11
= 30,221
∑|Pct Error|
3) MAPE =
n
20,811%
=
11
= 1,892%
Januari 228 - - - - -
Februari 225 228 -3 3 9 1,333%
Maret 231 225,9 5,1 5,1 26,01 2,208%
April 229 229,47 -0,47 0,47 0,221 0,205%
Mei 230 229,141 0,859 0,859 0,738 0,373%
Juni 235 229,742 5,258 5,258 27,643 2,237%
Juli 233 233,423 -0,423 0,423 0,179 0,181%
Agustus 224 233,127 -9,127 9,127 83,299 4,074%
September 232 226,738 5,262 5,262 27,688 2,268%


2022
Kelompok XXV
Modul I
Oktober 230 230,421 -0,421 0,421 0,178 0,183%
November 222 230,126 -8,126 8,126 66,039 3,661%
Desember 234 224,438 9,562 9,562 91,433 4,086%
Total 2753 - 4,473 47,608 332,427 20,811%
Average 229,417 - 0,407 4,328 30,221 1,892%

Forecaset


c. Grafik Hasil QM

2022
Kelompok XXV
Modul I


= 228 + 0,8 (228-228)
= 228
= 225 – 228
= -3
|Error| =3
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %

2022
Kelompok XXV
Modul I

= 228 + 0,8 (225-228)
= 225,6
= 231 – 225,6
= 5,4
|Error| = 5,4
|Error|2 = Error^2
= 5,42
= 29,16
Error Absolute
Pct Error = Demand
5,4
= 231
= 0,0233
= 2,33 %
= 225,6 + 0,8 (231-225,6)
= 229,92
= 229 – 229,92
= -0,92
|Error| = 0,92
|Error|2 = Error^2
= 0,922
= 0,846
Error Absolute
Pct Error = Demand
0,92
= 229
= 0,00402

2022
Kelompok XXV
Modul I
= 0,402 %
∑|Error|
1) MAD = n
50,912
=
11
= 4,628
∑|Error|²
2) MSE =
n
364,34
=
11
= 33,122
∑|Pct Error|
3) MAPE =
n
22,238%
=
11
= 2,022%
Januari 228 - - - - -
Februari 225 228 -3 3 9 1,333%
Maret 231 225,6 5,4 5,4 29,16 2,338%
April 229 229,92 -0,92 0,92 0,846 0,402%
Mei 230 229,184 0,816 0,816 0,666 0,355%
Juni 235 229,837 5,163 5,163 26,659 2,197%
Juli 233 233,967 -0,967 0,967 0,936 0,415%
Agustus 224 233,194 -9,193 9,193 84,52 4,104%
September 232 225,839 6,161 6,161 37,962 2,656%
Oktober 230 230,768 -0,768 0,768 0,589 0,334%

November 222 230,154 -8,154 8,154 66,48 3,673%

2022
Kelompok XXV
Modul I
Desember 234 223,631 10,369 10,369 107,522 4,431%
Total 2753 4,908 50,912 364,34 22,238%
Average 229,417 0,446 4,628 33,122 2,022%

Forecaset



c. Grafik Hasil QM

2022
Kelompok XXV
Modul I


= 228 + 0,9 (228-228)
= 228
= 225 – 228
= -3
|Error| =3
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %

2022
Kelompok XXV
Modul I
= 228 + 0,9 (225-228)

= 225,3
= 231 – 225,3
= 5,7
|Error| = 5,7
|Error|2 = Error^2
= 5,72
= 32,49
Error Absolute
Pct Error = Demand
5,7
= 231
= 0,0246
= 2,46 %
= 225,3 + 0,9 (231-225,3)
= 230,43
= 229 – 230,43
= -1,43
|Error| = 1,43
|Error|2 = Error^2
= 1,432
= 2,045
Error Absolute
Pct Error = Demand
1,43
= 229
= 0,00624
= 0,624 %

2022
Kelompok XXV
Modul I

∑|Error|
1) MAD = n
54,406
=
11
= 4,906
∑|Error|²
2) MSE =
n
399,165
=
11
= 36,288
∑|Pct Error|
3) MAPE =
n
23,745%
=
11
= 2,159%
Januari 228 - - - - -
Februari 225 228 -3 3 9 1,333%
Maret 231 225,3 5,7 5,7 32,49 2,468%
April 229 230,43 -1,43 1,43 2,045 0,624%
Mei 230 229,143 0,857 0,857 0,734 0,373%
Juni 235 229,914 5,086 5,086 25,864 2,164%
Juli 233 234,491 -1,491 1,491 2,224 0,64%
Agustus 224 233,149 -9,149 9,149 83,707 4,084%
September 232 224,915 7,085 7,085 50,198 3,054%
Oktober 230 231,292 -1,291 1,291 1,668 0,562%
November 222 230,129 -8,129 8,129 66,083 3,662%
Desember 234 222,813 11,187 11,187 125,151 4,781%
Total 2753 5,424 54,406 399,165 23,745%

Tabel 4.31 Rekapitulasi Data Forecasting Exponential Smoothing α = 0,9 (Lanjutan)

2022
Kelompok XXV
Modul I
Average 229,417 0,493 4,946 36,288 2,159%

Forecaset


c. Grafik Hasil QM

2022
Kelompok XXV
Modul I

Berikut ini adalah rekapitulasi nilai MAD, MSE, dan MAPE dari metode
exponential smoothing:
Tabel 4.32 Rekapitulasi Nilai MAD, MSE, dan MAPE Metode Exponential Smoothing
A MAD MSE MAPE
α = 0,1 3,813 18,849 1,664%
α = 0,2 3,794 20,02 1,658%
α = 0,3 3,829 21,542 1,675%
α = 0,4 3,899 23,306 1,706%
α = 0,5 3,974 25,322 1,739%
α = 0,6 4,076 27,62 1,783%
α = 0,7 4,328 30,221 1,892%
α = 0,8 4,628 33,122 2,022%
α = 0,9 4,946 36,288 2,159%

4.2.4 Metode Linear Regression

2022
Kelompok XXV
Modul I
Tabel 4.33 Rekapitulasi Data Linear Regression
Bulan Demand Y2 X X2 XY
Januari 228 51,98 1 1 228
Februari 225 50,63 2 4 450
Maret 231 53,36 3 9 693
April 229 52,44 4 16 916
Mei 230 52,9 5 25 1150
Juni 235 55,23 6 36 1410
Juli 233 54,29 7 49 1631
Agustus 224 50,18 8 64 1792
September 232 53,82 9 81 2088
Oktober 230 52,9 10 100 2300
November 222 49,28 11 121 2442
Desember 234 54,76 12 144 2808
Total 2753 78 650 17908

Berikut ini adalah perhitungan forecasting dengan menggunakan metode

linear regression:
n( ∑ XY) - ( ∑ X)( ∑ Y)
b =
n( ∑ X2) - ( ∑ X)2
12(17908)-(78)(2753)
=
12 (650)-(6084)
214.896-214.734
=
7.800-6084
= 0,09
( ∑ Y)( ∑ X2 ) - ( ∑ X)( ∑ XY)

a =
n( ∑ X2) - ( ∑ X)2
(2753)(650) - (78)(17908)
=
12 (650)-(6084)

2022
Kelompok XXV
Modul I
1.789.450-1.396.824
=
7.800-6084
= 228,8
a. Perhitungan Forecast ( 3 bulan pertama)

1) Bulan Januari
y = a + bx
= 228,8 + (0,09)(1)
= 228,9
= 228 – 228,9
= -0,9
|Error| = 0,9
|Error|2 = Error^2
= 0,92
= 0,81
Error Absolute
Pct Error = Demand
0,81
= 228
= 0,0039
= 0,39 %
2) Bulan Februari
y = a + bx
= 228,8 + (0,09)(2)
= 229
= 225 – 229
= -4
|Error| = 4
|Error|2 = Error^2
= 42

2022
Kelompok XXV
Modul I
= 16
Error Absolute
Pct Error = Demand
4
= 225
= 0,0177
= 1,77%
3) Bulan Februari
y = a + bx
= 228,8 + (0,09)(3)
= 229,09
= 231 – 229,09
= 1,91
|Error| = 1,91
|Error|2 = Error^2
= 1,912
= 3,66
Error Absolute
Pct Error = Demand
1,91
= 231
= 0,0083
= 0,83 %
∑|Error|
1) MAD = n
36,94
=
12
= 3,08
∑|Error|²
2) MSE =
n
179,64
=
12
= 14,97

2022
Kelompok XXV
Modul I
∑|Pct Error|
3) MAPE =
n
16,18%
=
12
= 1,35%
Berikut adalah nilai tabel rekapitulasi data forecasting metode linear
regression:
Tabel 4.34 Rekapitulasi Data Forecasting Linear Regression
Bulan Demand X X2 XY Forecast Error |Error| |Error|2 Pct Error
Januari 228 1 1 228 228,9 -0,9 0,9 0,81 0,39%
Februari 225 2 4 450 229 -4 4 15,94 1,77%
Maret 231 3 9 693 229,09 1,91 1,91 3,66 0,83%
April 229 4 16 916 229,18 -0,18 0,18 0,03 0,08%
Mei 230 5 25 1150 229,28 0,72 0,72 0,53 0,32%
Juni 235 6 36 1410 229,37 5,63 5,63 31,7 2,4%
Juli 233 7 49 1631 229,46 3,54 3,54 12,5 1,52%
Agustus 224 8 64 1792 229,56 -5,56 5,56 30,89 2,48%
September 232 9 81 2088 229,65 2,35 2,35 5,51 1,01%
Oktober 230 10 100 2300 229,75 0,25 0,25 0,06 0,11%
November 222 11 121 2442 229,84 -7,84 7,84 61,49 3,53%
Desember 234 12 144 2808 229,94 4,06 4,06 16,52 1,74%
Total 2753 78 650 17908 0 36,94 179,64 16,18%
Average 229,42 6,5 54,17 1492,33 0 3,08 14,97 1,35%
Next
Period 230,03 (Bias) (MAD) (MSE) (MAPE)
Forecaset

2022
Kelompok XXV
Modul I
Gambar 4.79 Detail and Error Analysis Linear Regression

Gambar 4.80 Forecasting Result Linear Regression

c. Grafik Hasil QM

2022
Kelompok XXV
Modul I
Gambar 4.81 Grafik Hasil QM Linear Regression

4.2.5 Pemilihan Metode Terbaik

Setelah dilakukan perhitungan forecast menggunakan empat metode,
selanjutnya dilakukan pemilihan metode terbaik. Berikut rekapitulasi nilai MAD,
MSE, dan MAPE setiap metode dan juga metode yang terpilih:
Tabel 4.35 Pemilihan Metode Terbaik
Metode Periode/Alpha MAD MSE MAPE Rating
Periode 2 4,4 31,3 1,926% 15
Periode 3 3,593 21 1,573% 2
Periode 4 4,344 27,195 1,899% 14
Periode 5 4,886 31,811 2,139% 21

Moving
Average
Periode 6 4,222 25,546 1,861% 11
Periode 7 4,429 27,18 1,958% 17
Periode 8 3,969 25,137 1,748% 9
Periode 9 4,222 27,366 1,866% 12

Tabel 4.35 Pemilihan Metode Terbaik (lanjutan)

2022
Kelompok XXV
Modul I
Metode Periode/Alpha MAD MSE MAPE Rating
Periode 2 4,433 33,478 1,938% 16
Periode 3 3,944 26,694 1,727% 7
Periode 4 0,188 4,288 28,566 24

Weighted
Periode 5 4,771 31,89 2,089% 19
Moving
Periode 6 -0,976 4,484 29,393% 25
Average
Periode 7 4,814 32,32 2,126% 20
Periode 8 -0,201 4,118 26,398% 23
Periode 9 -1,03 4,585 32,149% 26
α = 0,1 3,813 18,849 1,664% 3
α = 0,2 3,794 20,02 1,658% 4
α = 0,3 3,829 21,542 1,675% 5
α = 0,4 3,899 23,306 1,706% 6

Exponential
α = 0,5 3,974 25,322 1,739% 8
Smoothing
α = 0,6 4,076 27,62 1,783% 10
α = 0,7 4,328 30,221 1,892% 13
α = 0,8 4,628 33,122 2,022% 18
α = 0,9 4,946 36,288 2,159% 22
Linear
3,08 14,97 1,35% 1
Regression
Berdasarkan rekapitulasi nilai error diatas, didapatkan nilai error terkecil
adalah 0,0135 pada metode linear regression. Maka untuk verifikasi forecast akan
digunakan metode linear regression.
4.2.6 Tracking Signal

2022
Kelompok XXV
Modul I
pada perhitungan tracking signal, nilai forecast yang digunakan adalah

nilai forecast dari metode terpilih yaitu metode linear regretion. Berikut adalah
perhitungan tracking signal.
a. Bulan Januari
RSFE = error periode n + cum errorn-1
= -0,9 + 0
= -0,9
Cummulative Absolute
MAD =
Periode
0.9
=
1
= 0,9
RSFE
Tracking Signal =
MAD
-0.9
=
0.9
= -1
b. Bulan Februari
= - 4 + (-0,9)
= -4,89
MAD =
Periode
4.89
=
2
= 2,44
RSFE
Tracking Signal =
MAD
-4.89
=
2.44
= -2
c. Bulan Maret

2022
Kelompok XXV
Modul I

= 1,91 + (-4,89)
= -2,98
MAD =
Periode
1.91
=
3
= 2,27
RSFE
Tracking Signal =
MAD
-2.98
=
2.27
= -1,31
Berikut adalah table rekapitulasi perhitungan tracking signal
Tabel 4.36 Rekapitulasi Perhitungan Tracking Signal
Cum
Cum Cum Tracking
Bulan Demand Forecast Error Abs MAD
Error Abs Signal
Error
Januari 228 228,9 -0,9 -0,9 0,9 0,9 0,9 -1
Februari 225 229 -4 -4,89 4 4,89 2,44 -2
Maret 231 229,09 1,91 -2,98 1,91 6,8 2,27 -1,31
April 229 229,18 -,18 -3,16 0,18 6,98 1,75 -1,81
Mei 230 229,28 0,72 -2,43 0,72 7,71 1,54 -1,58
Juni 235 229,37 5,63 3,2 5,63 13,34 2,22 1,44
Juli 233 229,46 3,54 6,74 3,54 16,88 2,41 2,79
Agustus 224 229,56 -5,56 1,18 5,56 22,43 2,8 ,42
September 232 229,65 2,35 3,52 2,35 24,78 2,75 1,28
Oktober 230 229,75 ,25 3,78 ,25 25,03 2,5 1,51
November 222 229,84 -7,84 -4,06 7,84 32,88 2,99 -1,36
Desember 234 229,94 4,06 0 4,06 36,94 3,08 0
2. Perhitungan menggunakan software QM

2022
Kelompok XXV
Modul I
Gambar 4.82 Hasil Perhitungan QM Tracking Signal

3. Grafik Tracking Signal
Tracking Signal
5
4
3
2
1
0
-1
-2
-3
-4
-5
Tracking Signal Upper Control Limit Lower Control Limit
Gambar 4.83 Grafik Tracking Signal

Berdasarkan grafik tracking signal diatas dapat disimpulkan bahwa metode
yang terpilih merupakan metode terbaik, karena nilai tracking signal masih berada
dalam batas kendali yaitu antara 4 sampai -4, sehingga tingkat akurasi peramalan
dapat diterima dan tidak diperlukan metode lain.

2022
Kelompok XXV
Modul I
4.2.7 Perhitungan Kapasitas Produksi

Adapun perhitungan kapasitas produksi adalah sebagai berikut:
4.2.7.1 Perhitungan Kapasitas Produksi Bulan Januari
Adapun perhitungan kapasitas produksi bulan januari adalah sebagai
berikut:
a. Jam Kerja Regular Time (RT)
Jam Kerja Regular Time = Run Time x Hari Kerja
= 28.800 detik x 27 hari
= 777.600 detik
b. Kapasitas Regular Time
Jam Kerja Regular Time
Kapasitas Regular Time = Waktu Siklus OPC
777.600 detik
= 11480 detik
= 67,7 unit
= 68 unit
c. Jam Kerja Over Time
Jam Kerja Over Time = 12,5% x Jam Kerja Regular Time
= 12,5% x 777.600
= 97.200 detik
d. Kapasitas Over Time
Kapasitas Over Time = 12,5% x Kapasitas Regular Time
= 12,5% x 68
= 8,5 unit
= 9 unit
e. Kapasitas Sub Contract
Kapasitas Sub Contract = 7,5% x Kapasitas Regular Time
= 7,5% x 68
= 5,1 unit
= 5 unit

2022
Kelompok XXV
Modul I
4.2.7.2 Perhitungan Kapasitas Produksi Bulan Februari

Adapun perhitungan kapasitas produksi bulan februari adalah sebagai
berikut:
= 748.800 detik
b. Kapasitas Regular Time (RT)
748.800 detik
= 11480 detik
= 65,2 unit
= 65 unit
= 12,5% x 748.800
= 93.600 detik
= 12,5% x 65
= 8,1 unit
= 8 unit
= 7,5% x 65
= 4,8 unit
= 5 unit
4.2.7.3 Perhitungan Kapasitas Produksi Bulan Maret

Adapun perhitungan kapasitas produksi bulan maret adalah sebagai
berikut:

2022
Kelompok XXV
Modul I

= 777.600 detik
777.600 detik
= 11480 detik
= 67,7 unit
= 68 unit
= 12,5% x 777.600
= 97.200 detik
= 12,5% x 68
= 8,5 unit
= 9 unit
= 7,5% x 68
= 5,1 unit
= 5 unit

2022
Kelompok XXV
Modul I
Tabel 4.37 Rekapitulasi Perhitungan Kapasitas Produksi

Kapasitas
Hari Run Jam Kerja Kapasitas Jam Kerja Kapasitas
Bulan Sub
Kerja Time Regular Time Regular Time Over Time Over Time
Contract
Januari 27 28.800 777600 68 97200 8 5
Februari 26 28.800 748800 65 93600 8 5
Maret 27 28.800 777600 68 97200 8 5
April 27 28.800 777600 68 97200 8 5
Mei 28 28.800 806400 70 100800 9 5
Juni 29 28.800 835200 73 104400 9 5
Juli 29 28.800 835200 73 104400 9 5
Agustus 28 28.800 806400 70 100800 9 5
September 28 28.800 806400 70 100800 9 5
Oktober 28 28.800 806400 70 100800 9 5
November 28 28.800 806400 70 100800 9 5
Desember 28 28.800 806400 70 100800 9 5
4.2.7.1 Perhitungan Matriks Ongkos

Adapun hasil perhitungan matriks ongkos adalah sebagai berikut:
a. Produk Yang Selesai
Run Time
Produk yang selesai = Waktu Siklus OPC
28.800 detik
= 11480 detik
= 2,51 unit
= 3 unit
b. Ongkos Pekerja

2022
Kelompok XXV
Modul I
Upah Pekerja x Jumlah Pekerja x Run Time

Ongkos Pekerja = Produk yang selesai
30.000 x 8 x 8
= 3
= Rp. 640.000
c. Ongkos Regular Time
Ongkos Regular Time = Ongkos Pekerja + Ongkos Material
= Rp. 640.000 + Rp. 50.000
= Rp. 690.000
d. Ongkos Over time
Ongkos Over time = 125% x Ongkos Regular Time
= 125% x Rp. 690.000
= Rp. 862.500
e. Ongkos Sub Contract

Ongkos Sub Contract = Ongkos subkontrak/unit x Rata-rata
kapasitas subkontrak
= (150% x Rp.690.000) x 5 unit
= Rp. 1.035.000 x 5 unit
= Rp. 5.175.000
Berikut ini adalah hasil perhitungan matrik ongkos menggunakan software
QM :
1. Metode Chase Current Demand
Gambar 4.82 Input Data Metode Chase Strategy


2022
Kelompok XXV
Modul I
Berikut merupakan hasil output data metode chase strategy:
Gambar 4.85 Output Data Metode Chase Strategy

2. Metode Level Strategy
Gambar 4.86 Input Data Metode Level Strategy

Gambar 4.87 Output Data Metode Level Strategy


2022
Kelompok XXV
Modul I
Tabel 4.38 Rekapitulasi Hasil Perhitungan Matrik Ongkos

Metode Chase Current Demand Metode Levele Strategy
Rp. 1.737.490.000 Rp. 1.887.005.000

Berdasarkan hasil perhitungan matrik ongkos, diperoleh perbandingan
antara level strategy dengan chase strategy, yang memiliki nilai rendah adalah
metode chase strategy dengan total cost Rp. 1.737.490.000.
4.2.6. Perhitungan Aggregate Planning

Adapun perhitungan aggregate planning menggunakan metode terpilih
yaitu metode chase strategy adalah sebagai berikut :
1. Aggregate planning Januari
a. Jam kerja/pekerja/bulan = jam kerja/pekerja hari/hari x jumlah hari
Kerja/bulan
= 28.800 x 27
= 777.600 detik/bulan
Jam Kerja /pekerja /bulan
b. Jumlah unit dibuat/pekerja =
Waktu siklus OPC
777.600
=
11480
= 67,73
= 68 unit
c. Biaya per Pekerja = jam kerja/bulan x upah pekerja/jam
= 216 x Rp. 30.000
= Rp. 6.480.000/pekerja/bulan
d. Kebutuhan bersih = Demand – Persediaan Awal
= 228 – 10
= 218 unit
Kebutuhan Bersih
e. Kebutuhan pekerja =
Jumlah uni dibuat/pekerja
218
=
68

2022
Kelompok XXV
Modul I
= 3,20
= 4 orang pekerja
f. Biaya Material = kebutuhan bersih x ongkos material
= 218 x Rp. 50.000
= Rp. 10.900.000
g. Biaya Tenaga Kerja = Tenaga Kerja x Biaya per Pekerja
= 4 x Rp. 6.480.000
= Rp. 25.920.000
h. Biaya pemutusan = Jumlah Pemutusan x decrease cost
= 4 x Rp. 105.000
= Rp. 420.000
i. Kapasitas Produksi = Kebutuhan Pekerja x Jumlah unit
dibuat/pekerja
= 4 x 68
= 272 unit
j. Total cost = Penjumlahan Semua Biaya
= Biaya tenaga kerja + biaya material + biaya
pemutusan
= Rp. 25.920.000 + Rp. 10.900.000 + Rp.
420.000
= Rp. 37.240.000
k. Proyeksi Persediaan Awal = Persediaan Awal + (Kapasitas Produksi –
Ramalan)
= 10 + (272 – 228)
= 10 – 44
= 54
l. Demand/Periode = Ramalan/Periode
= 228/12
= 19 unit/periode
m. Penempatan MPS = Jika proyeksi persediaan awal ≤ demand
= 54 ≤ 228

2022
Kelompok XXV
Modul I
2. Aggregate planning Februari

Kerja/bulan
= 28.800 x 26
Waktu siklus OPC
748.800
=
11480
= 65,22
= 66 unit
= 208 x Rp. 30.000
= 225 – 54
= 171 unit
Kebutuhan Bersih
171
=
66
= 2,59
= 3 orang pekerja
= 171 x Rp. 50.000
= Rp. 8.550.000
= 3 x Rp. 6.240.000
= Rp. 18.720.000
= 3 x Rp. 105.000
= Rp. 315.000

2022
Kelompok XXV
Modul I

dibuat/pekerja
= 3 x 66
= 198 unit
pemutusan
= Rp. 18.720.000 + Rp. 8.550.000 + Rp.
315.000
= Rp. 27.585.000
Ramalan)
= 54 + (198 – 225)
= 54 + (-27)
= 27
= 225/12
= 18,75
= 19 unit/periode
= 27 ≤ 225
3. Aggregate planning Maret
Kerja/bulan
= 28.800 x 27
Waktu siklus OPC
777.600
=
11480
= 67,73

2022
Kelompok XXV
Modul I
= 68 unit
= 216 x Rp. 30.000
= 231 – 27
= 204 unit
Kebutuhan Bersih
204
=
68
= 3,0
= 3 orang pekerja
= 204 x Rp. 50.000
= Rp. 10.200.000
= 3 x Rp. 6.480.000
= Rp. 19.440.000
= 3 x Rp. 105.000
= Rp. 315.000
dibuat/pekerja
= 3 x 68
= 204 unit
pemutusan
= Rp. 19.440.000 + Rp. 10.200.000 + Rp.
315.000

2022
Kelompok XXV
Modul I
= Rp. 29.585.000
Ramalan)
= 27 + (204 – 231)
= 27 + (-27)
=0
= 231/12
= 19,25
= 20 unit/periode
= 0 ≤ 231

2022
Kelompok XXV
Modul I
Adapun rekapitulasi hasil perhitungan aggregate planning bulan Januari sampai dengan bulan Desember menggunakan
perhitungan dari metode chase strategy adalah sebagai berikut:
Tabel 4.39 Hasil Rekapitulasi Perhitungan Metode Chase Strategy
Jan Feb Mar Apr Mei Jun Jul Agst Sep Okt Nov Des
Jumlah hari/bulan 27 26 27 27 28 29 29 28 28 28 28 28
Jam
Produktif/Pekerja/Bul 777.600 748.800 777.600 777.600 806.400 835.200 835.200 806.400 806.400 806.400 806.400 806.400
an
Jumlah Unit Yang

68 66 68 68 71 73 73 71 71 71 71 71
Dibuat/Pekerja
Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp.
Biaya Pekerja
6.480.000 6.240.000 6.480.000 6.480.000 6.720.000 6.960.000 6.960.000 6.720.000 6.720.000 6.720.000 6.720.000 6.720.000
Demand 228 225 231 229 230 235 233 224 232 230 222 234
Persediaan Awal 10 54 27 0 43 26 10 0 60 41 24 15
Kebutuhan Bersih 218 171 204 229 187 209 223 224 172 189 198 219
Kebutuhan Pekerja 4 3 3 4 3 3 3 4 3 3 3 4
Rp. Rp. Rp. Rp.

Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp.
Biaya Material 11.450.00 10.450.00 11.150.00 11.200.00
10.900.000 8.550.000 10.200.000 9.350.000 8.600.000 9.450.000 9.900.000 10.950.000
0 0 0 0
Rp. Rp. Rp. Rp. Rp. Rp.

Biaya Tenaga Kerja 25.920.00 20.160.00 20.880.00 20.880.00 26.880.00 20.160.00
25.920.000 18.720.000 19.440.000 20.160.000 20.160.000 26.880.000
0 0 0 0 0 0

2022
Kelompok XXV
Modul I
Tabel 4.38 Hasil Rekapitulasi Perhitungan Metode Chase Strategy (Lanjutan)


Biaya Rp. Rp. Rp. Rp. Rp. Rp.
Pemutusan 420.00 315.00 315.00 315.00 420.00 315.00
420.000 315.000 315.000 315.000 315.000 420.000
0 0 0 0 0 0
Tenaga Kerja 8 8 8 8 8 8 8 8 8 8 8 8
Kapasitas
272 198 204 272 213 219 219 284 213 213 213 284
Produksi
Proyeksi
awal(Persediaan 54 27 0 43 26 10 0 60 41 24 15 65
Akhir)
Demand/Periode 19 19 20 20 20 20 20 19 20 20 19 20
Penempatan 43 ≤ 26 ≤ 10 ≤ 60 ≤ 41 ≤
54 ≤ 228 27 ≤ 225 0 ≤ 231 0 ≤ 233 24 ≤ 230 15 ≤ 222 65 ≤ 234
MPS 229 230 235 224 232
Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp.
Rp.
Total Cost 37.240.00 27.585.00 29.955. 37.790. 29.825. 31.645. 32.345. 38.500. 29.075. 30.375.00 38.250.00
29.925.000
0 0 000 000 000 000 000 000 000 0 0

2022
Kelompok XXV
Modul I
4.2.7. Perhitungan Master Production Schedule (MPS)

Berikut ini adalah perhitungan MPS dari produksi meja sudut yang adalah
sebagai berikut :
Tabel 4.40 Perhitungan MPS
Item Meja Kebijakan
Sudut Order
Level = 0 lead time = 1
Kuantitas Januari Februari Maret
ditangan = 10
Periode 1 2 3 4 5 6 7 8 9 10 11 12
Ramalan 57 57 57 57 56 56 56 57 57 58 58 58
On hand 225 168 111 54 196 140 84 27 174 116 58 0
Projection
MPS 272 198 204
Tabel 4.40 Perhitungan MPS (lanjutan)
Item Meja Kebijakan
Sudut Order
Kuantitas April Mei Juni
ditangan = 10
Periode 13 14 15 16 17 18 19 20 21 22 23 24
Ramalan 57 57 57 58 57 57 58 58 58 59 59 59
On hand 215 158 101 43 199 142 84 26 187 128 69 10
Projection
MPS 272 213 219

Item Meja Kebijakan
Sudut Order
Kuantitas Juli Agustus September
ditangan = 10
Periode 25 26 27 28 29 30 31 32 33 34 35 36
Ramalan 58 58 58 59 56 56 56 56 58 58 58 58
On hand 175 117 59 0 228 172 116 60 2 157 99 41
Projection
MPS 219 284 213

2022
Kelompok XXV
Modul I

Item Meja Kebijakan
Sudut Order
Kuantitas Oktober November Desember
ditangan = 10
Periode 37 38 39 40 41 42 43 44 45 46 47 48
Ramalan 57 57 58 58 55 55 56 56 58 58 59 59
On hand 196 139 82 24 181 126 71 15 240 182 124 65
Projection
MPS 213 213 284
Tabel 4.41 Perhitungan MPS Meja Sudut
Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 0
De
Bulan Jan Feb Mar Apr Mei Jun Jul Agst Sep Okt Nov
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.42 Perhitungan MPS Bagian Kanan Meja Sudut
Meja Kebijakan Order
Sudut Lead Time = 1
Level = 1
Bulan Jan Feb Mar Ap Mei Jun Jul Agst Se Okt Nov De
r p s
Periode 1 5 9 13 17 21 25 29 33 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.43 Perhitungan MPS Tiang Belakang (4x3x120) cm
Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.44 Perhitungan MPS Clear
Sudut Lead Time = 1
Level = 3
r p s

2022
Kelompok XXV
Modul I
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.45 Perhitungan MPS Lem
Sudut Lead Time = 1
Level = 3
Bulan Jan Feb Mar Apr Mei Jun Jul Agst Sep Okt Nov De
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 28
272 198 204 272 213 219 219 284 213 213 213
4
Tabel 4.46 Perhitungan MPS Kayu Palet
Sudut Lead Time = 1
Level = 3
Bulan Jan Feb Mar Ap Mei Jun Jul Agst Se Okt Nov Des
r p
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.47 Perhitungan MPS Papan Samping Kanan Bawah (42x3x10) cm
Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Sudut Kebijakan Order
Level = Lead Time = 1
3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja

2022
Kelompok XXV
Modul I

3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.51 Perhitungan MPS Papan Samping Kanan Tengah (42x3x10) cm
Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I

Meja
3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.55 Perhitungan MPS Papan Samping Kanan Atas (42x3x10) cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3

2022
Kelompok XXV
Modul I
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.59 Perhitungan MPS Tiang Depan Kanan (4x3x120 cm)

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I
Tabel 4.63 Perhitungan MPS Bagian Kiri Meja Sudut

Sudut Lead Time = 1
Level = 1
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.64 Perhitungan MPS Papan Samping Kiri Bawah (43x3x10) cm
Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.67 Perhitungan MPS Paku
Sudut Lead Time = 1

2022
Kelompok XXV
Modul I
Level = 3
Dikali 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.69 Perhitungan MPS Papan Samping Kiri Tengah (43x3x10) cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45

2022
Kelompok XXV
Modul I
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Level = 3 Lead Time = 1
Dikali 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.74 Perhitungan MPS Papan Samping Kiri Atas (43x3x10) cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Dikali 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.79 Perhitungan MPS Tiang Depan Kiri (4x3x120) cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 3
r p s

2022
Kelompok XXV
Modul I
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Meja
Dikali 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Tabel 4.84 Perhitungan MPS Alas 1⁄4 Lingkaran Bawah R50 cm
Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
3
Dikali 3
Bulan Jan Feb Mar Apr Mei Jun Jul Agst Sep Okt Nov Des
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Meja
Dikali 4
Bulan Jan Feb Mar Apr Mei Jun Jul Agst Se Okt Nov Des
p
Periode 1 5 9 13 17 21 25 29 34 37 41 45
113
MPS 1088 792 816 1088 852 876 876 1136 852 852 852
6
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022
Tabel 4.89 Perhitungan MPS Alas 1⁄4 Lingkaran Atas R50 cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45

2022
Kelompok XXV
Modul I
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Sudut
Level = Kebijakan Order
3 Lead Time = 1
Dikali
3
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Meja
Dikali 4
Se
Bulan Jan Feb Mar Apr Mei Jun Jul Agst Okt Nov Des
p
Periode 1 5 9 13 17 21 25 29 34 37 41 45
87
MPS 1088 792 816 1088 852 876 1136 852 852 852 1136
6
Tabel 4.94 Perhitungan MPS Alas Segitiga 47 cm

2022
Kelompok XXV
Modul I
Meja
Kebijakan Order
\Sudut
Lead Time = 1
Level = 2
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 3
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 3
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Sudut
3 Lead Time = 1
Dikali
2
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 544 396 408 544 426 438 438 568 426 426 426 568
Meja
Dikali 4
p

2022
Kelompok XXV
Modul I
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 1088 792 816 1088 852 876 876 1136 852 852 852 1136
Tabel 4.99 Perhitungan MPS Lampu Hias P= 100 cm

Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 1
Bulan Se
Jan Feb Mar Apr Mei Jun Jul Agst Okt Nov Des
p
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.101 Perhitungan MPS Selotip 24 mm

Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 2
Ja
Bulan Feb Mar Apr Mei Jun Jul Agst Sep Okt Nov Des
n
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.102 Perhitungan MPS Saklar 5A
Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 2
Bulan Ja
Feb Mar Apr Mei Jun Jul Agst Sep Okt Nov Des
n
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.103 Perhitungan MPS Batrai 1,5 Volt
Meja
Sudut
Kebijakan Order
Level =
Lead Time = 1
2
Dikali 2
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 544 396 408 544 426 438 438 568 426 426 426 568
Tabel 4.104 Perhitungan MPS Gantungan Kunci
Sudut Lead Time = 1

2022
Kelompok XXV
Modul I
Level =
1
Dikali 5
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 1360 990 1020 1360 1065 1095 1095 1420 1065 1065 1065 1420

2022
Kelompok XXV
Modul I
4.2.11. Material Requierment Planning (MRP)
Gambar 4.88 Input Data MRP


2022
Kelompok XXV
Modul I
Gambar 4.88 Input Data MRP (lanjutan)


2022
Kelompok XXV
Modul I
Output dari pengolahan data MRP menggunakan software QM adalah sebagai berikut :
Gambar 4.89 Output Data MRP


2022
Kelompok XXV
Modul I
Gambar 4.89 Output Data MRP (lanjutan)


2022
Kelompok XXV
Modul I


2022
Kelompok XXV
Modul I


2022
Kelompok XXV
Modul I
Output dari pengolahan data MRP Product Tree yang dilakukan dengan software QM adalah sebagai berikut:
Gambar 4.90 Idented BOM


2022
Kelompok XXV
Modul I
4.2.7 Perhitungan Kapasitas Produksi

Adapun perhitungan kapasitas produksi adalah sebagai berikut:
4.2.7.1 Perhitungan Kapasitas Produksi Bulan Januari
Adapun perhitungan kapasitas produksi bulan januari adalah sebagai
berikut:
= 777.600 detik
b. Kapasitas Regular Time
777.600 detik
= 11480 detik
= 67,7 unit
= 68 unit
= 12,5% x 777.600
= 97.200 detik
= 12,5% x 68
= 8,5 unit
= 9 unit
= 7,5% x 68
= 5,1 unit
= 5 unit
Laporan Praktikum Terintegrasi II/Sistem Produksi IV-120

2022
Kelompok XXV
Modul I
4.2.7.2 Perhitungan Kapasitas Produksi Bulan Februari

Adapun perhitungan kapasitas produksi bulan februari adalah sebagai
berikut:
= 748.800 detik
748.800 detik
= 11480 detik
= 65,2 unit
= 65 unit
= 12,5% x 748.800
= 93.600 detik
= 12,5% x 65
= 8,1 unit
= 8 unit
= 7,5% x 65
= 4,8 unit
= 5 unit
4.2.7.3 Perhitungan Kapasitas Produksi Bulan Maret

Adapun perhitungan kapasitas produksi bulan maret adalah sebagai
berikut:

2022
Kelompok XXV
Modul I

= 777.600 detik
777.600 detik
= 11480 detik
= 67,7 unit
= 68 unit
= 12,5% x 777.600
= 97.200 detik
= 12,5% x 68
= 8,5 unit
= 9 unit
= 7,5% x 68
= 5,1 unit
= 5 unit

2022
Kelompok XXV
Modul I
Tabel 4.36 Rekapitulasi Perhitungan Kapasitas Produksi

Kapasitas
Hari Run Jam Kerja Kapasitas Jam Kerja Kapasitas
Bulan Sub
Kerja Time Regular Time Regular Time Over Time Over Time
Contract
Januari 27 28.800 777600 68 97200 8 5
Februari 26 28.800 748800 65 93600 8 5
Maret 27 28.800 777600 68 97200 8 5
April 27 28.800 777600 68 97200 8 5
Mei 28 28.800 806400 70 100800 9 5
Juni 29 28.800 835200 73 104400 9 5
Juli 29 28.800 835200 73 104400 9 5
Agustus 28 28.800 806400 70 100800 9 5
September 28 28.800 806400 70 100800 9 5
Oktober 28 28.800 806400 70 100800 9 5
November 28 28.800 806400 70 100800 9 5
Desember 28 28.800 806400 70 100800 9 5
4.2.7.1 Perhitungan Matriks Ongkos

Adapun hasil perhitungan matriks ongkos adalah sebagai berikut:
a. Produk Yang Selesai
Run Time
Produk yang selesai = Waktu Siklus OPC
28.800 detik
= 11480 detik
= 2,51 unit
= 3 unit

2022
Kelompok XXV
Modul I
b. Ongkos Pekerja
Upah Pekerja x Jumlah Pekerja x Run Time
Ongkos Pekerja = Produk yang selesai
30.000 x 8 x 8
= 3
= Rp. 640.000
c. Ongkos Regular Time
Ongkos Regular Time = Ongkos Pekerja + Ongkos Material
= Rp. 640.000 + Rp. 50.000
= Rp. 690.000
d. Ongkos Over time
Ongkos Over time = 125% x Ongkos Regular Time
= 125% x Rp. 690.000
= Rp. 862.500
e. Ongkos Sub Contract

Ongkos Sub Contract = Ongkos subkontrak/unit x Rata-rata
kapasitas subkontrak
= (150% x Rp.690.000) x 5 unit
= Rp. 1.035.000 x 5 unit
= Rp. 5.175.000
Berikut ini adalah hasil perhitungan matrik ongkos menggunakan software
QM :
1. Metode Chase Current Demand
Gambar 4.82 Input Data Metode Chase Strategy


2022
Kelompok XXV
Modul I
Berikut merupakan hasil output data metode chase strategy:
Gambar 4.85 Output Data Metode Chase Strategy

2. Metode Level Strategy
Gambar 4.86 Input Data Metode Level Strategy

Gambar 4.87 Output Data Metode Level Strategy


2022
Kelompok XXV
Modul I
Tabel 4.37 Rekapitulasi Hasil Perhitungan Matrik Ongkos

Metode Chase Current Demand Metode Levele Strategy
Rp. 1.737.490.000 Rp. 1.887.005.000

Berdasarkan hasil perhitungan matrik ongkos, diperoleh perbandingan
antara level strategy dengan chase strategy, yang memiliki nilai rendah adalah
metode chase strategy dengan total cost Rp. 1.737.490.000.
4.2.6. Perhitungan Aggregate Planning

Adapun perhitungan aggregate planning menggunakan metode terpilih
yaitu metode chase strategy adalah sebagai berikut :
1. Aggregate planning Januari
Kerja/bulan
= 28.800 x 27
Waktu siklus OPC
777.600
=
11480
= 67,73
= 68 unit
= 216 x Rp. 30.000
= 228 – 10
= 218 unit
Kebutuhan Bersih
218
=
68

2022
Kelompok XXV
Modul I
= 3,20
= 4 orang pekerja
= 218 x Rp. 50.000
= Rp. 10.900.000
= 4 x Rp. 6.480.000
= Rp. 25.920.000
= 4 x Rp. 105.000
= Rp. 420.000
dibuat/pekerja
= 4 x 68
= 272 unit
pemutusan
= Rp. 25.920.000 + Rp. 10.900.000 + Rp.
420.000
= Rp. 37.240.000
Ramalan)
= 10 + (272 – 228)
= 10 – 44
= 54
= 228/12
= 19 unit/periode
= 54 ≤ 228

2022
Kelompok XXV
Modul I
2. Aggregate planning Februari

Kerja/bulan
= 28.800 x 26
Waktu siklus OPC
748.800
=
11480
= 65,22
= 66 unit
= 208 x Rp. 30.000
= 225 – 54
= 171 unit
Kebutuhan Bersih
171
=
66
= 2,59
= 3 orang pekerja
= 171 x Rp. 50.000
= Rp. 8.550.000
= 3 x Rp. 6.240.000
= Rp. 18.720.000
= 3 x Rp. 105.000
= Rp. 315.000

2022
Kelompok XXV
Modul I

dibuat/pekerja
= 3 x 66
= 198 unit
pemutusan
= Rp. 18.720.000 + Rp. 8.550.000 + Rp.
315.000
= Rp. 27.585.000
Ramalan)
= 54 + (198 – 225)
= 54 + (-27)
= 27
= 225/12
= 18,75
= 19 unit/periode
= 27 ≤ 225
3. Aggregate planning Maret
Kerja/bulan
= 28.800 x 27
Waktu siklus OPC
777.600
=
11480
= 67,73

2022
Kelompok XXV
Modul I
= 68 unit
= 216 x Rp. 30.000
= 231 – 27
= 204 unit
Kebutuhan Bersih
204
=
68
= 3,0
= 3 orang pekerja
= 204 x Rp. 50.000
= Rp. 10.200.000
= 3 x Rp. 6.480.000
= Rp. 19.440.000
= 3 x Rp. 105.000
= Rp. 315.000
dibuat/pekerja
= 3 x 68
= 204 unit
pemutusan
= Rp. 19.440.000 + Rp. 10.200.000 + Rp.
315.000

2022
Kelompok XXV
Modul I
= Rp. 29.585.000
Ramalan)
= 27 + (204 – 231)
= 27 + (-27)
=0
= 231/12
= 19,25
= 20 unit/periode
= 0 ≤ 231

2022
Kelompok XXV
Modul I
Adapun rekapitulasi hasil perhitungan aggregate planning bulan Januari sampai dengan bulan Desember menggunakan
perhitungan dari metode chase strategy adalah sebagai berikut:
Tabel 4.38 Hasil Rekapitulasi Perhitungan Metode Chase Strategy
Jumlah hari/bulan 27 26 27 27 28 29 29 28 28 28 28 28
Jam
Produktif/Pekerja/Bul 777.600 748.800 777.600 777.600 806.400 835.200 835.200 806.400 806.400 806.400 806.400 806.400
an
Jumlah Unit Yang

68 66 68 68 71 73 73 71 71 71 71 71
Dibuat/Pekerja
Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp.
Biaya Pekerja
6.480.000 6.240.000 6.480.000 6.480.000 6.720.000 6.960.000 6.960.000 6.720.000 6.720.000 6.720.000 6.720.000 6.720.000
Demand 228 225 231 229 230 235 233 224 232 230 222 234
Persediaan Awal 10 54 27 0 43 26 10 0 60 41 24 15
Kebutuhan Bersih 218 171 204 229 187 209 223 224 172 189 198 219
Kebutuhan Pekerja 4 3 3 4 3 3 3 4 3 3 3 4
Rp. Rp. Rp. Rp.

Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp.
Biaya Material 11.450.00 10.450.00 11.150.00 11.200.00
10.900.000 8.550.000 10.200.000 9.350.000 8.600.000 9.450.000 9.900.000 10.950.000
0 0 0 0

Biaya Tenaga Kerja 25.920.00 20.160.00 20.880.00 20.880.00 26.880.00 20.160.00
25.920.000 18.720.000 19.440.000 20.160.000 20.160.000 26.880.000
0 0 0 0 0 0

2022
Kelompok XXV
Modul I
Tabel 4.38 Hasil Rekapitulasi Perhitungan Metode Chase Strategy (Lanjutan)


Biaya Rp. Rp. Rp. Rp. Rp. Rp.
Pemutusan 420.00 315.00 315.00 315.00 420.00 315.00
420.000 315.000 315.000 315.000 315.000 420.000
0 0 0 0 0 0
Tenaga Kerja 8 8 8 8 8 8 8 8 8 8 8 8
Kapasitas
272 198 204 272 213 219 219 284 213 213 213 284
Produksi
Proyeksi
awal(Persediaan 54 27 0 43 26 10 0 60 41 24 15 65
Akhir)
Demand/Periode 19 19 20 20 20 20 20 19 20 20 19 20
Penempatan 43 ≤ 26 ≤ 10 ≤ 60 ≤ 41 ≤
54 ≤ 228 27 ≤ 225 0 ≤ 231 0 ≤ 233 24 ≤ 230 15 ≤ 222 65 ≤ 234
MPS 229 230 235 224 232
Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp. Rp.
Rp.
Total Cost 37.240.00 27.585.00 29.955. 37.790. 29.825. 31.645. 32.345. 38.500. 29.075. 30.375.00 38.250.00
29.925.000
0 0 000 000 000 000 000 000 000 0 0

2022
Kelompok XXV
Modul I
4.2.7. Perhitungan Master Production Schedule (MPS)

Berikut ini adalah perhitungan MPS dari produksi meja sudut yang adalah
sebagai berikut :
Tabel 4.39 Perhitungan MPS
Item Meja Kebijakan
Sudut Order
Kuantitas Januari Februari Maret
ditangan = 10
Periode 1 2 3 4 5 6 7 8 9 10 11 12
Ramalan 57 57 57 57 56 56 56 57 57 58 58 58
On hand 225 168 111 54 196 140 84 27 174 116 58 0
Projection
MPS 272 198 204

Item Meja Kebijakan
Sudut Order
Kuantitas April Mei Juni
ditangan = 10
Periode 13 14 15 16 17 18 19 20 21 22 23 24
Ramalan 57 57 57 58 57 57 58 58 58 59 59 59
On hand 215 158 101 43 199 142 84 26 187 128 69 10
Projection
MPS 272 213 219

Item Meja Kebijakan
Sudut Order
Kuantitas Juli Agustus September
ditangan = 10
Periode 25 26 27 28 29 30 31 32 33 34 35 36
Ramalan 58 58 58 59 56 56 56 56 58 58 58 58
On hand 175 117 59 0 228 172 116 60 2 157 99 41
Projection
MPS 219 284 213

2022
Kelompok XXV
Modul I

Item Meja Kebijakan
Sudut Order
Kuantitas Oktober November Desember
ditangan = 10
Periode 37 38 39 40 41 42 43 44 45 46 47 48
Ramalan 57 57 58 58 55 55 56 56 58 58 59 59
On hand 196 139 82 24 181 126 71 15 240 182 124 65
Projection
MPS 213 213 284
Tabel 4.40 Perhitungan MPS Meja Sudut
Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 0
De
Bulan Jan Feb Mar Apr Mei Jun Jul Agst Sep Okt Nov
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.41 Perhitungan MPS Bagian Kanan Meja Sudut
Sudut Lead Time = 1
Level = 1
r p s
Periode 1 5 9 13 17 21 25 29 33 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.42 Perhitungan MPS Tiang Belakang (4x3x120) cm
Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 28
272 198 204 272 213 219 219 284 213 213 213
4
Sudut Lead Time = 1
Level = 3
Bulan Jan Feb Mar Ap Mei Jun Jul Agst Se Okt Nov Des
r p
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.46 Perhitungan MPS Papan Samping Kanan Bawah (42x3x10) cm
Sudut Lead Time = 1
Level = 2
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I

Meja
3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.50 Perhitungan MPS Papan Samping Kanan Tengah (42x3x10) cm
Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I

Meja
3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.54 Perhitungan MPS Papan Samping Kanan Atas (42x3x10) cm
Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I
Tabel 4.58 Perhitungan MPS Tiang Depan Kanan (4x3x120 cm)

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 1
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I
Tabel 4.63 Perhitungan MPS Papan Samping Kiri Bawah (43x3x10) cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Dikali 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I
Tabel 4.68 Perhitungan MPS Papan Samping Kiri Tengah (43x3x10) cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Dikali 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I
Tabel 4.73 Perhitungan MPS Papan Samping Kiri Atas (43x3x10) cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Dikali 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I
Tabel 4.78 Perhitungan MPS Tiang Depan Kiri (4x3x120) cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Meja
Dikali 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852

2022
Kelompok XXV
Modul I
Tabel 4.83 Perhitungan MPS Alas 1⁄4 Lingkaran Bawah R50 cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

Meja
3
Dikali 3
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852

2022
Kelompok XXV
Modul I

Meja
Dikali 4
p
Periode 1 5 9 13 17 21 25 29 34 37 41 45
113
MPS 1088 792 816 1088 852 876 876 1136 852 852 852
6
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022
Tabel 4.88 Perhitungan MPS Alas 1⁄4 Lingkaran Atas R50 cm

Sudut Lead Time = 1
Level = 2
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Sudut Lead Time = 1
Level = 3
r p s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I

Meja
Sudut
3 Lead Time = 1
Dikali
3
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
Meja
Dikali 4
Se
Bulan Jan Feb Mar Apr Mei Jun Jul Agst Okt Nov Des
p
Periode 1 5 9 13 17 21 25 29 34 37 41 45
87
MPS 1088 792 816 1088 852 876 1136 852 852 852 1136
6
Tabel 4.93 Perhitungan MPS Alas Segitiga 47 cm

Meja
Kebijakan Order
\Sudut
Lead Time = 1
Level = 2
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 3
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I

Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 3
s
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Meja
Sudut
3 Lead Time = 1
Dikali
2
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 544 396 408 544 426 438 438 568 426 426 426 568
Meja
Dikali 4
p
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 1088 792 816 1088 852 876 876 1136 852 852 852 1136
Tabel 4.98 Perhitungan MPS Lampu Hias P= 100 cm

Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 1
Bulan Se
Jan Feb Mar Apr Mei Jun Jul Agst Okt Nov Des
p
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284

2022
Kelompok XXV
Modul I
Tabel 4.99 Perhitungan MPS Selotip 24 mm

Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 2
Ja
Bulan Feb Mar Apr Mei Jun Jul Agst Sep Okt Nov Des
n
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.100 Perhitungan MPS Saklar 5A
Meja
Kebijakan Order
Sudut
Lead Time = 1
Level = 2
Bulan Ja
Feb Mar Apr Mei Jun Jul Agst Sep Okt Nov Des
n
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
Tabel 4.101 Perhitungan MPS Batrai 1,5 Volt
Meja
Sudut
Kebijakan Order
Level =
Lead Time = 1
2
Dikali 2
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 544 396 408 544 426 438 438 568 426 426 426 568
Tabel 4.102 Perhitungan MPS Gantungan Kunci
Meja
Sudut
Kebijakan Order
Level =
Lead Time = 1
1
Dikali 5
Periode 1 5 9 13 17 21 25 29 34 37 41 45
MPS 1360 990 1020 1360 1065 1095 1095 1420 1065 1065 1065 1420

2022
Kelompok XXV
Modul I
4.2.11. Material Requierment Planning (MRP)
Gambar 4.88 Input Data MRP


2022
Kelompok XXV
Modul I
Gambar 4.88 Input Data MRP (lanjutan)


2022
Kelompok XXV
Modul I
Output dari pengolahan data MRP menggunakan software QM adalah sebagai berikut :
Gambar 4.89 Output Data MRP


2022
Kelompok XXV
Modul I


2022
Kelompok XXV
Modul I


2022
Kelompok XXV
Modul I


2022
Kelompok XXV
Modul I
Output dari pengolahan data MRP Product Tree yang dilakukan dengan software QM adalah sebagai berikut:
Gambar 4.90 Idented BOM


2022
Kelompok XXV
Modul I

2022
BAB V
ANALISA
BAB V
ANALISA
5.1 Analisa Pengumpulan Data

Produk terpilih yang akan dilakuakn perhitungan merupakan produk dari
shift 4. Pengumpula data dilkukan untuk mengumpulkan informasi yang
dibutuhkan sebagai acuan dalam perbaikan system kerja dan pengendalian system
produksi pada pembuatan meja sudut di perusahaan. Adapun data-data yang
dikumpulkan dalam penelitian ini sebagaimana terlampir dibawah ini.
5.1.1. Data Permintaan

Data permintaan yang merupakan data histori selama setahun (Januari –
Desember). Setelah data didapatkan lalu dimasukkan kedalam grafik, jenis pola
data tersebut horizontal. Pola ini terjadi dikarenakan data yang berfluktuasi di
sekitar nilai rata-rata tetap stabil atau disebut juga stationer terhadapat nilai rata-
rata.
5.1.2. Bill Of Material (BOM)

BOM yang digunakan pada praktikum ini adalah BOM Exploding. BOM
Exploding berisi material-material pembentuk yang dibutuhkan dalam pembuatan
meja sudut. BOM Exploding dibuat untuk mengetahui apa saja material
pembentuk dari meja sudut agar pada saat melakukan proses produksi tidak terjadi
kendala seperti kurangnya bahan atau material yang dibutuhkan untuk produksi.
Pada BOM exploding ini terdapat 64 part dengan 4 level.
5.1.3. Operation Process Chart (OPC)

OPC berguna untuk mengetahui proses operasi apa saja dalam pembuatan
meja sudut di perusahaan. Pada praktikum ini terdapat 3 bagian dalam pembuatan
meja sudut diantaranya bagian kanan meja, bagian kiri dan bagian alas meja.
Terdapat 82 proses operasi yang terjadi dan 70 pemeriksaan dengan total waktu
keseluruhannya adalah 31248 detik dan waktu siklusnya 11480 detik.
Kelompok XXV
Modul I
5.2 Pengolahan Data

Adapun analisa pengolahan data dalam peramalan meja sudut dan
pengendalian produksi meja sudut adalah sebagai berikut :
5.2.1. Forecasting
Pengolahan data pada peramalan (Forecasting) dilakukan dengan 4
metode yaitu moving average, weight moving average, exponential smoothing,
dan linear regression serta yang terpilih dilakukan pengolahan menggunakan
tracking signal:
1. Metode Moving Average
Moving average dihitung berdasarkan demand yang didapat dari total demand
sebelumnya. Pada praktikum ini dilakukan perhitungan moving average
hingga periode 10. Didapatkan forecasting dari periode 2 sebanyak 228
produk, periode 3 sebanyak 229 produk, periode 4 sebanyak 230 produk,
periode 5 sebanyak 229 produk periode 6 sebanyak 230 produk, periode 7
sebanyak 230 produk, periode 8 sebanyak 230 produk, periode 9 sebanyak
230 produk. Dari data yang didapatkan diperoleh rata-rata jumlah produk
yang dibuat sebanyak 230 produk.
2. Metode Weight Moving Average
Weight Moving Average juga menggunakan demand yang didapatkan dari
demand tahun sebelumnya, yang membedakan weight moving average
dengan moving average adalah pada wight moving average menggunakan
pembobotan, pembobotan terbesar diberikan pada tahun yang paling dekat
dengan waktu penghitungan. Pada metode ini juga dilakukan hingga periode
9 dengan periode 2 didapatkan forecast sebanyak 230 produk, periode 3
sebanyak 230 produk, periode 4 sebanyak 230 produk, periode 5 sebanyak
230 produk, periode 6 sebanyak 230 produk, periode 7 sebanyak 230 produk,
periode 8 sebanyak 230 produk dan periode 9 sebanyak 230 produk. Dari data
yang didapatkan dari 9 periode, jumlah produk yang dibuat sebanyak 230
produk.
Laporan Praktikum Terintegrasi II/Sistem Produksi V-2

2022
Kelompok XXV
Modul I
3. Exponential Smoothing
Pada metode Exponential Smoothing dilakukan dengan menggunakan
konstanta kemulusan dari 0,1 hingga 0,9. Pada penggunaan konstan
kemulusan 0,1 didapatkan forcast sebanyak 230 produk, konstan kemulusan
0,2 sebanyak 230 produk, konstan kemulusan 0,3 sebanyak 230 produk,
konstan kemulusan 0,4 sebanyak 230 produk, konstan kemulusan 0,5
sebanyak 230 produk, konstan kemulusan 0,6 sebanyak 230 produk, konstan
kemulusan 0,7 sebanyak 231 produk, konstan kemulusan 0,8 sebanyak 232
produk, dan konstan kemulusan 0,9 sebanyak 233 produk. Dari data yang
didapatkan diketahui data terbesar pada penggunaan konstan kemulusan 0,8
sebesar 233 produk dan yang terkecil berada pada penggunaan konstan
kemulusan 0,1 sampai 0,6 sebesar 230 produk.
4. Metode Linear Regression
Metode ini dilakukan untuk mengetahui pengaruh dari variabel bebas
terhadap variabel tergantung. Pada metode linear regression didapatkan nilai
y total atau total demand sebesar 2753.
5. Tracking Signal
Tracking signal yang di dapat pada grafik dengan metode Linear Regression.
Pemilihan metode yang digunakan pada tracking signal ini berdasarkan nilai
error terkecil yang didapatkan setelah melakukan pengujian terhadap
beberapa metode. Setelah didapatkan metode yang dipilih kemudian
dilakukan pengujian apakah metode tersebut benar-benat tepat untuk
digunakan dan setelah dilakukan pengujian didapatkan metode linear
regression merupakan metode terbaik, karena nilai tracking signal masih
berada dalam batas kendali yaitu 4 sampai -4. Sehigga tingkat akurasi
peramalan dapat diterima dan tidak diperlukan metode lain.
5.2.2. Kapasitas Produksi

Rata-rata kapasitas produksi 70. Rata-rata produksi besar dikarenakan
kecilnya waktu siklus yang dibutuhkan untuk membuat produk dan besarnya jam
kerja regular time. Kapasitas produksi yang cukup besar dikarenakan waktu siklus

2022
Kelompok XXV
Modul I
OPC yang kecil pada pembuatan meja sudut shift 4. Kapasitas produksi untuk
menentukan kemampuan perusahaan untuk memproduksi produk.
5.2.3. Matrik Ongkos

Dari perhitungan matriks ongkos dengan QM diperoleh metode terpilih
yaitu chase strategy dikarenakan hasil cost yang diperoleh paling kecil dengan
total cost RP. 1.737.490.000. Metode dengan hasil cost terkecil terpilih agar
pengeluaran untuk produksi lebih kecil.
5.2.4. Agregat Planning

Dari perhitungan agregat planning diperoleh data-data seperti jumlah unit
yang dibuat, total cost, kapasitas produksi, biaya sub kontrak, ongkos regular
time, penempatan MPS dari bulan Januari sampai Bulan Desember.
5.2.5. Master Production Schedule (MPS)

Dari output MPS diperoleh MPS yang dikeluarkan untuk memenuhi
kebutuhan perusahaan. MPS yang dikeluarkan pada bulan Januari pada periode 1,
bulan Februari pada periode 5, bulan Maret pada periode 9, bulan April pada
periode 13, bulan Mei pada periode 17, bulan Juni pada periode 21, bulan Juli
pada periode 25, bulan Agustus pada periode 29, bulan September pada periode
34, bulan Oktober pada periode 37, bulan November pada periode 41, bulan
Desember pada periode 45.
5.2.6. Master Requirement Planning (MRP)

MRP digunakan untuk mengetahui perkiraan material yang akan
digunakan untuk membuat produk meja sudut. Jumlah yang cukup banyak
dikarenakan jumlah yang akan dibuat banyak dan kebutuhan material per
komponen yang relatif banyak.

2022
BAB VI
PENUTUP
BAB VI
PENUTUP
6.1 Kesimpulan
Kesimpulan yang didapat di Praktikum Terintegrasi II pada modul system
produksi adalah sebagai berikut :
1. Jumlah produksi dari mejaa sudut yang terpilih dari 4 perhitungan metode
pada forecast adalah pada metode linear regression dengan total demand
sebesar 2753 produk. Berdasarkan rating pertama dari MAD terkecil atau
nilai error terkecil, maka dilakukan pengujian pada tracking signal.
Didapatkan nilai tracking signal masih berada dalam batas kendali yaitu 4
sampai -4. Sehigga tingkat akurasi peramalan dapat diterima dan tidak
diperlukan metode lain.
2. Perhitungan kapasitas produksi dilakukan dengan menggunakan metode
MRP dan MPS untuk menentukan konsep perencanaan dan pengendalian
bahan baku dengan baik. Pada perhitungan agregat planning metode yang
dipilih yaitu chase strategy dengan total cost sebesar RP. 1.737.490.000.
6.2 Saran
Saran yang dapat diberikan untuk Praktikum Terintegrasi II ini adalah
sebagai berikut :
1. Pada proses perhitungan forecasting dan kapasitas produksi pada agregat
planning praktikan diharuskan lebih teliti agar tidak terjadi kesalah untuk
praktikum selanjutnya.

Ilovepdf Merged

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ilovepdf Merged

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL I

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Praktikum

1.4 Manfaat Praktikum

Laporan Praktikum Terintegrasi II I-2

1.5 Batasan Msalah

Laporan Praktikum Terintegrasi II I-3

Laporan Praktikum Terintegrasi II I-4

2.1 Forecasting (Peramalan)

Metode peramalan secara kuantitatif dapat dibagi menjadi dua jenis

2.1.1 Jenis-jenis Peramalan

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-2

2.1.2 Jenis Pola Peramalan

Gambar 2.1 Pola Peramalan Trend

Gambar 2.2 Pola Peramalan Seasonality

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-3

Gambar 2.3 Pola Peramalan Cycles

Gambar 2.4 Pola Peramalan Horizontal

2.1.3 Metode Forecsting (Peramalan)

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-4

2. Weighted Moving Average

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-5

Xt+1 = peramalan periode t

n(∑ XY)-(∑ X)(∑ Y)

Jika kedua variabel Y dan t mempunyai hubungan (korelasi), maka perubahan

2.1.4 Pengukuran Kesalahan Peramalan

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-6

Dapat diartikan bahwa Σ|Error| merupakan hasil pengurangan antara nilai

Dari rumus dapat diartikan bahwa Σ|Error|² merupakan hasil pengurangan

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-7

MAPE memiliki standar penilaian terhadap hasil tingkat error yang

2.1.5 Tracking Signal

Gambar 2.5 Tracking Signal

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-8

2.2 Perencanaan Produksi

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-9

berulang-ulang dan telah mempunyai blueprint selama jangka waktu yang

2.2.1 Kapasitas Produksi

Kapasitas Reguler time = tenaga kerja×hari kerja×jam kerja

2. Kapasitas produksi waktu lembur (overtime)

2.2.2 Agregat Planning

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-10

jumlah produksi, inventory, tenaga kerja, da faktor lainnya. fungsi dari

Gambar 2.6 Level Strategy

Gambar 2.7 Chase Strategy

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-11

2.2.3 Master Producktion Schedule

2.2.3.1 Istilah-Istilah dalam Master Production Schedule

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-12

9. Actual orders, merupakan permintaan yang diterima dan bersifat pasti.

Gambar 2.8 Contoh MPS

2.2.4 Material Requirement Planning

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-13

3. Status Persediaan (Inventory Master File atau Inventory Status Record)

2.2.4.1 Tujuan dan Manfaat Material Requirement Planning

2.2.4.2 Istilah – Istilah dalam Material Requirement Planning

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-14

3. Begin Inventory (BI)/ Inventori Awal merupakan jumlah inventori di awal

Gambar 2.9 Contoh MRP

Laporan Praktikum Terintegrasi II/ Sistem Produksi II-15

Metodologi penelitian merupakan suatu metode yang dilakukan terlebih

Gambar 3.1 Flowchart Metodologi Praktikum