SISTEM PRODUKSI
BAB I
PENDAHULUAN
BAB I
PENDAHULUAN
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
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
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.
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. Seasonality (S)
Pola musiman terjadi bila pola datanya berulang sesudah suatu periode
tertentu
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:
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
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.
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
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)
|A-F|
MAPE = ∑ × 100% … (2.9)
n
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
3. Mixed strategy adalah kombinasi strategi antara level strategy dan chase
strategy, ciri-ciri strategi ini adalah menggabungkan tingkat produksi dengan
tingkat permintaan tetap dan menghubungkan dua dari metode level dan
chase tingkat persediaan, order backlogs, dan lost sales.
dari produk meja sudut, menggunakan metode peramalan Moving Average, Weight
Moving Average, Exponential Smoothing, dan Linear Regression.
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 :
Metode ini berusaha memuluskan perubahan data yang sangat tinggi atau sangat
rendah.
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.
3.8. 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.
PLOT DATA
240
230
220
210
Demand (Unit)
Dapat dilihat dari plot data diatas, jenis pola permintaan yaitu horizontal
dikarenakan nilai permintaan berfluktuasi di nilai rata-rata tetap.
= 228
Error = Demand – Forecast
= 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
Error = Demand – Forecast
= 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
∑|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 - - - - -
5
=
235
= 0,0212
= 2,12%
b. Perhitungan nilai-nilai akurasi peramalan
∑|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%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average periode
ke-3.
Tabel 4.5 Rekapitulasi Data Forecasting MA periode ke-3
Bulan Demand Forecast Error |Error| Error^2 Pct Error
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
Next
Period - 228,667 (Bias) (MAD) (MSE) (MAPE)
Forecast
(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)
2. Perhitungan Menggunakan Software QM
a. Detail and error analysis Periode ke-3
= 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%
2) Forecast bulan Juni
∑Xi
Forecast =
n
225+231+229+230
=
4
= 228,75
Error = Demand – Forecast
= 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
231+229+230+235
=
4
= 231,25
Error = Demand – Forecast
= 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%
b. Perhitungan nilai-nilai akurasi peramalan
∑|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%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average periode
ke-4.
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Next Period
229,5 (Bias) (MAD) (MSE) (MAPE)
Forecast
=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
Error = Demand – Forecast
= 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%
b. Perhitungan nilai-nilai akurasi peramalan
∑|Error|
1) MAD =
n
34.2
= 7
= 4,886
∑(Error)^2
2) MSE =
n
222.68
=
7
= 31,811
∑|Pct Error|
3) MAPE =
n
14.97
=
7
= 2,13%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average periode
ke-5.
Tabel 4.7 Rekapitulasi Data Forecasting MA periode ke-5
Bulan Demand Forecast Error |Error| Error^2 Pct Error
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
Period - 228,4 (Bias) (MAD) (MSE) (MAPE)
Forecast
(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)
2. Perhitungan Menggunakan Software QM
a. Detail and error analysis Periode ke-5
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
Error = Demand – Forecast
= 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%
b. Perhitungan nilai-nilai akurasi peramalan
∑|Error|
1) MAD =
n
25.33
=
6
= 4,222
∑(Error)^2
2) MSE =
n
153.78
=
6
= 25,546
∑|Pct Error|
3) MAPE =
n
11.166
=
6
= 1,861%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average periode
ke-6.
Tabel 4.8 Rekapitulasi Data Forecasting MA periode ke-6
Bulan Demand Forecast Error |Error| Error^2 Pct Error
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 - - - - -
Juni 235 - - - - -
Next Period
- 229,167 (Bias) (MAD) (MSE) (MAPE)
Forecast
(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)
2. Perhitungan Menggunakan Software QM
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
Error = Demand – Forecast
= 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%
b. Perhitungan nilai-nilai akurasi peramalan
∑|Error|
4) MAD =
n
22.143
=
5
= 4,42
∑(Error)^2
5) MSE =
n
135.89
=
5
= 27,18
∑|Pct Error|
6) MAPE =
n
9.788
=
5
= 1,958%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average
periode ke-7.
Tabel 4.9 Rekapitulasi Data Forecasting MA periode ke-7
Bulan Demand Forecast Error |Error| Error^2 Pct Error
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)
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
Error = Demand – Forecast
= 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%
b. Perhitungan nilai-nilai akurasi peramalan
∑|Error|
1) MAD =
n
15.875
=
4
= 3,97
∑(Error)^2
2) MSE =
n
100.55
=
4
= 25,13
∑|Pct Error|
3) MAPE =
n
6,99
=
4
= 1,748%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average
periode ke-8.
Tabel 4.10 Rekapitulasi Data Forecasting MA periode ke-8
Bulan Demand Forecast Error |Error| Error^2 Pct Error
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
Period - 230 (Bias) (MAD) (MSE) (MAPE)
Forecast
(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)
2. Perhitungan Menggunakan Software QM
a. Detail and error analysis Periode ke-8
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
Error = Demand – Forecast
= 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%
b. Perhitungan nilai-nilai akurasi peramalan
∑|Error|
1) MAD =
n
12.67
=
3
= 4,22
∑(Error)^2
2) MSE =
n
82.09
=
3
= 27,36
∑|Pct Error|
3) MAPE =
n
5.59
=
3
= 1,86%
Berikut adalah tabel rekapitulasi data forecasting metode Moving average periode
ke-9.
Tabel 4.11 Rekapitulasi Data Forecasting MA periode ke-9
Bulan Demand Forecast Error |Error| Error^2 Pct Error
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 - - - - -
Juni 235 - - - - -
Juli 233 - - - - -
Agustus 224 - - - - -
September 232 - - - - -
Next Period
- 229,889 (Bias) (MAD) (MSE) (MAPE)
Forecast
(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)
2. Perhitungan Menggunakan Software QM
Error Absolate
Pct Error =
Demand
5
=
231
= 0,0216
= 2,16%
2) Forecast bulan April
(Ft-2 × 1) + (Ft-1×2 )
Forecast = =
n
(225 x 1) + (231 x 2)
=
3
= 229
Error = Demand – Forecast
= 229 – 229
=0
|Error| =0
|Error|2 = Error^2
= 02
=0
Error Absolate
Pct Error =
Demand
0
=
229
=0
= 0%
3) Forecast bulan Mei
(Ft-2 × 1) + (Ft-1×2 )
Forecast = =
n
(231 x 1) + (229 x 2)
=
3
= 229,6
Error = Demand – Forecast
= 230– 229,6
= 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%
b. Perhitungan nilai-nilai akurasi peramalan
∑|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
Bulan Demand Forecast Error |Error| Error^2 Pct Error
Januari 228 - - - - -
b. Forecast Result
= 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%
2) Forecast bulan Mei
(Ft-2 × 1) + (Ft-1×2 ) + Ft-1×3 )
Forecast = =
n
(225 x 1) + (231 x 2) + (229 x 3)
=
6
= 229
Error = Demand – Forecast
= 229 – 229
=1
|Error| =1
|Error|2 = Error^2
= 12
=1
Error Absolate
Pct Error =
Demand
1
=
229
= 0,0043
= 0,43%
3) Forecast bulan Juni
(Ft-2 × 1) + (Ft-1×2 ) + (Ft-1×3 )
Forecast = =
n
= 3,94
∑(Error2)
2) MSE =
n
240.25
= 9
= 26,69
∑|Pct Error|
3) MAPE =
n
15.54
= 9
= 1,73%
Berikut adalah table rekapitulasi data forecasting metode weighted moving
average periode ke-3.
b. Forecast Result
= 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%
2) Forecast bulan Juni
(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
Error = Demand – Forecast
= 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%
3) Forecast bulan Juli
(Ft-2 × 1) + (Ft-1×2 ) + (Ft-1×3 ) + (Ft-1×4 )
Forecast = =
n
= 4,28
∑(Error2)
2) MSE =
n
228.53
= 8
= 28,56
∑|Pct Error|
3) MAPE =
n
15.01
= 8
= 1,88%
Berikut adalah table rekapitulasi data forecasting metode weighted moving
average periode ke-4.
b. Forecast Result
= 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%
2) Forecast bulan Juli
(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
Error = Demand – Forecast
= 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%
3) Forecast bulan Agustus
= 4,77
∑(Error2)
2) MSE =
n
223.23
= 7
= 31,89
∑|Pct Error|
3) MAPE =
n
14.62
= 7
= 2,089%
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Mei 230 - - - - -
Next
Period - 229,067 (Bias) (MAD) (MSE) (MAPE)
Forecast
(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)
|Error|2 = Error^2
= 7,762
= 60,25
Error Absolate
Pct Error =
Demand
7.76
=
224
= 0,0346
= 3,46%
3) Forecast bulan September
(Ft-6 × 1) + (F5-1×2 ) + …… + (Ft-1×6)
Forecast =
n
(231 x 1) + (229 x 2) + …... + (224 x 6)
=
21
= 229,90
Error = Demand – Forecast
= 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%
b. Perhitungan nilai-nilai akurasi peramalan
∑|Error|
1) MAD =
n
26.90
= 6
= 4,48
∑(Error2)
2) MSE =
n
176.36
= 6
= 29,39
∑|Pct Error|
3) MAPE =
n
11.85
= 6
= 1,97%
Berikut adalah table rekapitulasi data forecasting metode weighted moving
average periode ke-6.
Tabel 4.17 Rekapitulasi Data Forecasting WMA periode ke-6
Pct
Bulan Demand Forecast Error |Error| Error^2
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%
September 232
229,905 2,095 2,095 4,39 0,903%
Oktober 230
230,381 -0,381 0,381 0,145 0,166%
Next
Period - 229,095 (Bias) (MAD) (MSE) (MAPE)
Forecast
(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)
2. Perhitungan Menggunakan Software QM
a. Detail and error analysis Periode ke-6
= 0,0328
= 3,28%
2) Forecast bulan September
(Ft-7 × 1) + (F6-1×2 ) + …… + (Ft-1×7)
Forecast =
n
(225 x 1) + (231 x 2) + ……. + (224 x 7)
=
28
= 229,82
Error = Demand – Forecast
= 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%
3) Forecast bulan Oktober
(Ft-7 × 1) + (F6-1×2 ) + …… + (Ft-1×7)
Forecast =
n
(231 x 1) + (229 x 2) + …... + (232 x 7)
=
28
= 230,43
Error = Demand – Forecast
= 230 – 230,43
= -0,43
|Error| = 0,43
|Error|2 = Error^2
= 0,432
= 0,18
Error Absolate
Pct Error =
Demand
0.43
=
230
= 0,0018
= 0,18%
b. Perhitungan nilai-nilai akurasi peramalan
∑|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.
Tabel 4.18 Rekapitulasi Data Forecasting WMA periode ke-7
Bulan Demand Forecast Error |Error| Error^2 Pct Error
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231 - - - - -
April 229 - - - - -
Juni 235 - - - - -
Juli 233 - - - - -
b. Forecast Result
= 4,12
∑(Error2)
2) MSE =
n
105,59
= 4
= 26,39
∑|Pct Error|
3) MAPE =
n
7.24
= 4
= 1,81%
Berikut adalah table rekapitulasi data forecasting metode weighted moving average
periode ke-8.
Tabel 4.19 Rekapitulasi Data Forecasting WMA periode ke-8
Bulan Demand Forecast Error |Error| Error^2 Pct Error
Januari 228 - - - - -
Februari 225 - - - - -
Maret 231
- - - - -
April 229
- - - - -
Mei 230 - - - - -
Juni 235 - - - - -
Juli 233
- - - - -
Agustus 224 - - - - -
Oktober 230
230,306 -0,306 0,306 0,093 0,133%
Average
229,417 - -0,201 4,118 26,398 1,811%
Next
Period - 229,472 (Bias) (MAD) (MSE) (MAPE)
Forecast
(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)
|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
Error = Demand – Forecast
= 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%
b. Perhitungan nilai-nilai akurasi peramalan
∑|Error|
1) MAD =
n
13.77
= 3
= 4,59
∑(Error2)
2) MSE =
n
96.48
= 3
= 32,15
∑|Pct Error|
3) MAPE =
n
6.07
= 3
= 2,023%
Berikut adalah table rekapitulasi data forecasting metode weighted moving average
periode ke-9.
Tabel 4.20 Rekapitulasi Data Forecasting WMA periode ke-9
Bulan Demand Forecast Error |Error| Error^2 Pct Error
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%
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
Period - 229,556 (Bias) (MAD) (MSE) (MAPE)
Forecast
(Sumber : Pengolahan Data Praktikum Terintegrasi II, 2022)
2. Perhitungan Menggunakan Software QM
a. Detail and error analysis Periode ke-9
b. Forecast Result
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %
2) Forecast bulan Maret
Forecast = Ft-1 + α (A t-1 – F t-1)
= 228 + 0,1 (225-228)
= 227,7
Error = Demand – Forecast
= 231 – 227,7
= 3,3
|Error| = 3,3
|Error|2 = Error^2
= 3,32
= 10,89
Error Absolute
Pct Error = Demand
3,3
= 231
= 0,014
= 1,4 %
3) Forecast bulan April
Forecast = Ft-1 + α (A t-1 – F t-1)
= 227,7 + 0,1 (231-227,7)
= 228,03
Error = Demand – Forecast
= 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 %
= 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 - - - - -
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %
|Error|2 = Error^2
= 3,62
= 12,96
Error Absolute
Pct Error = Demand
3,6
= 231
= 0,015
= 1,5 %
|Error|2 = Error^2
= 0,882
= 0,774
Error Absolute
Pct Error = Demand
0,88
= 229
= 0,00384
= 0,384 %
Januari 228 - - - - -
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %
|Error|2 = Error^2
= 3,92
= 15,21
Error Absolute
Pct Error = Demand
3,9
= 231
= 0,0168
= 1,68 %
3) Forecast bulan April
Forecast = Ft-1 + α (A t-1 – F t-1)
= 227,1 + 0,3 (231-227,1)
= 228,27
Error = Demand – Forecast
= 229 – 228,27
= 0,73
|Error| = 0,73
|Error|2 = Error^2
= 0,732
= 0,533
Error Absolute
Pct Error = Demand
0,73
= 229
= 0,00319
= 0,319 %
Januari 228 - - - - -
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error =
Demand
3
= 225
= 0,013
= 1,3 %
2) Forecast bulan Maret
|Error|2 = Error^2
= 4,22
= 17,64
Error Absolute
Pct Error = Demand
4,2
= 231
= 0,0181
= 1,81 %
3) Forecast bulan April
Forecast = Ft-1 + α (A t-1 – F t-1)
= 226,8 + 0,4 (231-226,8)
= 228,48
Error = Demand – Forecast
= 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
= 0,227 %
b. Perhitungan nilai-nilai akurasi peramalan
∑|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%
Berikut adalah nilai tabel rekapitulasi data forecasting metode exponential
smoothing dengan α = 0,4 :
Tabel 4.25 Rekapitulasi Data Forecasting Exponential Smoothing α = 0,4
Pct
Bulan Demand Forecast Error |Error| |Error|2 Error
Januari 228 - - - - -
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %
2) Forecast bulan Maret
|Error|2 = Error^2
= 4,52
= 20,25
Error Absolute
Pct Error = Demand
4,5
= 231
= 0,0194
= 1,94 %
3) Forecast bulan April
Forecast = Ft-1 + α (A t-1 – F t-1)
= 226,5 + 0,5 (231-226,5)
= 228,75
Error = Demand – Forecast
= 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
= 0,109 %
Januari 228 - - - - -
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error =
Demand
3
= 225
= 0,013
= 1,3 %
2) Forecast bulan Maret
|Error|2 = Error^2
= 4,82
= 23,04
Error Absolute
Pct Error = Demand
4,8
= 231
= 0,0207
= 2,07 %
3) Forecast bulan April
Forecast = Ft-1 + α (A t-1 – F t-1)
= 226,2 + 0,6 (231-226,2)
= 229,08
Error = Demand – Forecast
= 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
= 0,035 %
b. Perhitungan nilai-nilai akurasi peramalan
∑|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%
Berikut adalah nilai tabel rekapitulasi data forecasting metode exponential
smoothing dengan α = 0,6 :
Tabel 4.28 Rekapitulasi Data Forecasting Exponential Smoothing α = 0,6
Bulan Demand Forecast Error |Error| |Error|2 Pct Error
Januari 228 - - - - -
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %
|Error|2 = Error^2
= 5,12
= 26,01
Error Absolute
Pct Error = Demand
5,1
= 231
= 0,02208
= 2,208 %
3) Forecast bulan April
Forecast = Ft-1 + α (A t-1 – F t-1)
= 225,9 + 0,7 (231-225,9)
= 229,47
Error = Demand – Forecast
= 229 – 229,47
= -0,47
|Error| = 0,47
|Error|2 = Error^2
= 0,472
= 0,221
Error Absolute
Pct Error = Demand
0,47
= 229
= 0,00205
= 0,205 %
b. Perhitungan nilai-nilai akurasi peramalan
∑|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%
Berikut adalah nilai tabel rekapitulasi data forecasting metode exponential
smoothing dengan α = 0,7 :
Tabel 4.29 Rekapitulasi Data Forecasting Exponential Smoothing α = 0,7
Bulan Demand Forecast Error |Error| |Error|2 Pct Error
Januari 228 - - - - -
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %
2) Forecast bulan Maret
|Error|2 = Error^2
= 5,42
= 29,16
Error Absolute
Pct Error = Demand
5,4
= 231
= 0,0233
= 2,33 %
3) Forecast bulan April
Forecast = Ft-1 + α (A t-1 – F t-1)
= 225,6 + 0,8 (231-225,6)
= 229,92
Error = Demand – Forecast
= 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
= 0,402 %
b. Perhitungan nilai-nilai akurasi peramalan
∑|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%
Berikut adalah nilai tabel rekapitulasi data forecasting metode exponential
smoothing dengan α = 0,8 :
Tabel 4.30 Rekapitulasi Data Forecasting Exponential Smoothing α = 0,8
Bulan Demand Forecast Error |Error| |Error|2 Pct Error
Januari 228 - - - - -
c. Grafik Hasil QM
|Error|2 = Error^2
= 32
=9
Error Absolute
Pct Error = Demand
3
= 225
= 0,013
= 1,3 %
2) Forecast bulan Maret
Forecast = Ft-1 + α (A t-1 – F t-1)
|Error|2 = Error^2
= 5,72
= 32,49
Error Absolute
Pct Error = Demand
5,7
= 231
= 0,0246
= 2,46 %
3) Forecast bulan April
Forecast = Ft-1 + α (A t-1 – F t-1)
= 225,3 + 0,9 (231-225,3)
= 230,43
Error = Demand – Forecast
= 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 %
Januari 228 - - - - -
c. Grafik Hasil QM
Bulan Demand Y2 X X2 XY
1.789.450-1.396.824
=
7.800-6084
= 228,8
= 0,0039
= 0,39 %
2) Bulan Februari
y = a + bx
= 228,8 + (0,09)(2)
= 229
Error = Demand – Forecast
= 225 – 229
= -4
|Error| = 4
|Error|2 = Error^2
= 42
= 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
Error = Demand – Forecast
= 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 %
b. Perhitungan nilai-nilai akurasi peramalan
∑|Error|
1) MAD = n
36,94
=
12
= 3,08
∑|Error|²
2) MSE =
n
179,64
=
12
= 14,97
∑|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
Next
Period 230,03 (Bias) (MAD) (MSE) (MAPE)
Forecaset
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
c. Grafik Hasil QM
Linear
3,08 14,97 1,35% 1
Regression
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
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.
c. Bulan Maret
Tracking Signal
5
4
3
2
1
0
-1
-2
-3
-4
-5
= 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
= 65,2 unit
= 65 unit
c. Jam Kerja Over Time
Jam Kerja Over Time = 12,5% x Jam Kerja Regular Time
= 12,5% x 748.800
= 93.600 detik
d. Kapasitas Over Time
Kapasitas Over Time = 12,5% x Kapasitas Regular Time
= 12,5% x 65
= 8,1 unit
= 8 unit
e. Kapasitas Sub Contract
Kapasitas Sub Contract = 7,5% x Kapasitas Regular Time
= 7,5% x 65
= 4,8 unit
= 5 unit
= 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
= 2,51 unit
= 3 unit
b. Ongkos Pekerja
= 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
= 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
= 231 – 27
= 204 unit
Kebutuhan Bersih
e. Kebutuhan pekerja =
Jumlah uni dibuat/pekerja
204
=
68
= 3,0
= 3 orang pekerja
f. Biaya Material = kebutuhan bersih x ongkos material
= 204 x Rp. 50.000
= Rp. 10.200.000
g. Biaya Tenaga Kerja = Tenaga Kerja x Biaya per Pekerja
= 3 x Rp. 6.480.000
= Rp. 19.440.000
h. Biaya pemutusan = Jumlah Pemutusan x decrease cost
= 3 x Rp. 105.000
= Rp. 315.000
i. Kapasitas Produksi = Kebutuhan Pekerja x Jumlah unit
dibuat/pekerja
= 3 x 68
= 204 unit
j. Total cost = Penjumlahan Semua Biaya
= Biaya tenaga kerja + biaya material + biaya
pemutusan
= Rp. 19.440.000 + Rp. 10.200.000 + Rp.
315.000
= Rp. 29.585.000
k. Proyeksi Persediaan Awal = Persediaan Awal + (Kapasitas Produksi –
Ramalan)
= 27 + (204 – 231)
= 27 + (-27)
=0
l. Demand/Periode = Ramalan/Periode
= 231/12
= 19,25
= 20 unit/periode
m. Penempatan MPS = Jika proyeksi persediaan awal ≤ demand
= 0 ≤ 231
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
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
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
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
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
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.45 Perhitungan MPS Lem
Meja Kebijakan Order
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
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.46 Perhitungan MPS Kayu Palet
Meja Kebijakan Order
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
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.47 Perhitungan MPS Papan Samping Kanan Bawah (42x3x10) cm
Meja Kebijakan Order
Sudut Lead Time = 1
Level = 2
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 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.48 Perhitungan MPS Clear
Meja
Sudut Kebijakan Order
Level = Lead Time = 1
3
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 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.49 Perhitungan MPS Lem
Meja
Sudut Kebijakan Order
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 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Level = 3
Dikali 3
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 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.68 Perhitungan MPS Kayu Palet
Meja Kebijakan Order
Sudut Lead Time = 1
Level = 3
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 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
MPS 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.72 Perhitungan MPS Paku
Meja
Sudut Kebijakan Order
Level = 3 Lead Time = 1
Dikali 3
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 34 37 41 45
MPS 816 594 612 816 639 657 657 852 639 639 639 852
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.73 Perhitungan MPS Kayu Palet
Meja Kebijakan Order
Sudut Lead Time = 1
Level = 3
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 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
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
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.81 Perhitungan MPS Lem
Meja Kebijakan Order
Sudut Lead Time = 1
Level = 3
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 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Tabel 4.82 Perhitungan MPS Kayu Palet
Meja Kebijakan Order
Sudut Lead Time = 1
Level = 3
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 34 37 41 45
MPS 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
MPS 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Meja
Kebijakan Order
\Sudut
Lead Time = 1
Level = 2
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 272 198 204 272 213 219 219 284 213 213 213 284
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
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
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Level =
1
Dikali 5
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 1360 990 1020 1360 1065 1095 1095 1420 1065 1065 1065 1420
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Output dari pengolahan data MRP menggunakan software QM adalah sebagai berikut :
Output dari pengolahan data MRP Product Tree yang dilakukan dengan software QM adalah sebagai berikut:
= 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
= 65,2 unit
= 65 unit
c. Jam Kerja Over Time
Jam Kerja Over Time = 12,5% x Jam Kerja Regular Time
= 12,5% x 748.800
= 93.600 detik
d. Kapasitas Over Time
Kapasitas Over Time = 12,5% x Kapasitas Regular Time
= 12,5% x 65
= 8,1 unit
= 8 unit
e. Kapasitas Sub Contract
Kapasitas Sub Contract = 7,5% x Kapasitas Regular Time
= 7,5% x 65
= 4,8 unit
= 5 unit
= 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
= 2,51 unit
= 3 unit
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
= 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
= 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
= 231 – 27
= 204 unit
Kebutuhan Bersih
e. Kebutuhan pekerja =
Jumlah uni dibuat/pekerja
204
=
68
= 3,0
= 3 orang pekerja
f. Biaya Material = kebutuhan bersih x ongkos material
= 204 x Rp. 50.000
= Rp. 10.200.000
g. Biaya Tenaga Kerja = Tenaga Kerja x Biaya per Pekerja
= 3 x Rp. 6.480.000
= Rp. 19.440.000
h. Biaya pemutusan = Jumlah Pemutusan x decrease cost
= 3 x Rp. 105.000
= Rp. 315.000
i. Kapasitas Produksi = Kebutuhan Pekerja x Jumlah unit
dibuat/pekerja
= 3 x 68
= 204 unit
j. Total cost = Penjumlahan Semua Biaya
= Biaya tenaga kerja + biaya material + biaya
pemutusan
= Rp. 19.440.000 + Rp. 10.200.000 + Rp.
315.000
= Rp. 29.585.000
k. Proyeksi Persediaan Awal = Persediaan Awal + (Kapasitas Produksi –
Ramalan)
= 27 + (204 – 231)
= 27 + (-27)
=0
l. Demand/Periode = Ramalan/Periode
= 231/12
= 19,25
= 20 unit/periode
m. Penempatan MPS = Jika proyeksi persediaan awal ≤ demand
= 0 ≤ 231
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
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
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
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
(Sumber: Pengolahan Data Praktikum Terintegrasi II, 2022)
Output dari pengolahan data MRP menggunakan software QM adalah sebagai berikut :
Output dari pengolahan data MRP Product Tree yang dilakukan dengan software QM 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.
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.
OPC yang kecil pada pembuatan meja sudut shift 4. Kapasitas produksi untuk
menentukan kemampuan perusahaan untuk memproduksi produk.
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.