KATA PENGANTAR

Puji syukur kami panjatkan kepada Tuhan Yang Maha Esa karena berkat Rahmat-
Nyalah Responsi Perencanaan dan Pengendalian Produksi berjalan dengan baik dan
lancar. Laporan ini kami susun sebagai tugas Laporan Penugasan Pasca mengikuti
Responsi Perencanaan dan Pengendalian Produksi Semester Genap Tahun Ajaran
2022/2023. Ucapan terima kasih kami sampaikan kepada:
1. Bapak Sugiono, ST., MT., Ph.D. selaku Ketua Departemen Teknik Industri Fakultas
Teknik Universitas Brawijaya.
2. Bapak Ir. Ihwan Hamdala, ST., MT., IPM. selaku Kepala Laboratorium Rekayasa
Bisnis dan Rantai Pasok Departemen Teknik Industri Fakultas Teknik Universitas
Brawijaya.
3. Dr. Eng. Zefry Darmawan, ST., MT., selaku Kepala Laboratorium Sistem
Manufaktur Ramping dan Berkelanjutan Departemen Teknik Industri Fakultas
Teknik Universitas Brawijaya.
4. Asisten Laboratorium Rekayasa Bisnis dan Rantai Pasok dan Laboratorium Sistem
Manufaktur Ramping dan Berkelanjutan Departemen Teknik Industri Fakultas
Teknik Universitas Brawijaya.
Penulis menyadari bahwa banyaknya kekurangan dan kesalahan dalam penyusunan
laporan pasca responsi ini. Oleh karena itu, kritik dan saran sangat diharapkan demi
kelancaran pada penyusunan laporan di masa yang akan datang. Semoga laporan
praktikum ini dapat bermanfaat bagi penulis dan pembaca.

Malang, 20 Mei 2023

Penulis
 DAFTAR ISI

KATA PENGANTAR.....................................................................................................2

DAFTAR ISI....................................................................................................................4

DAFTAR GAMBAR.......................................................................................................5

DAFTAR TABEL............................................................................................................6

DAFTAR LAMPIRAN...................................................................................................7

STUDI KASUS................................................................................................................8

FORECASTING............................................................................................................12

1.1 POLA DATA PERMINTAAN..............................................................................12

1.2 METODE MOVING AVERAGE.........................................................................12

1.3 METODE SIMPLE EXPONENTIAL SMOOTHING..........................................16

1.4 METODE HOLT’S EXPONENTIAL SMOOTHING..........................................18

1.5 METODE WINTER’S EXPONENTIAL SMOOTHING.....................................24

1.6 METODE TERPILIH............................................................................................27

AGREGAT DAN DISAGREGAT...............................................................................29

2.1 AGREGAT............................................................................................................29

2.2 DISAGREGAT......................................................................................................37

KESIMPULAN..............................................................................................................43
DAFTAR GAMBAR
DAFTAR TABEL
DAFTAR LAMPIRAN
 STUDI KASUS
PENUGASAN PASCA RESPONSI PERENCANAAN DAN
PENGENDALIAN PRODUKSI 2022/2023 PERIODE
GENAP

CV Klompen Berkah merupakan sebuah salah satu pionir pengerajin klompen yang
telah memproduksi sandal kayu selama 20 tahun. Selama beberapa dekade selalu
menghasilkan sandal kayu dengan kualitas terbaik dan menjadi salah satu pengerajin
yang disegani oleh industri manufaktur nasional. CV Klompen Berkah memproduksi 2
jenis sandal yaitu sandal kayu flat dan juga sandal kayu heels. Proporsi penjualan kedua
produk tersebut adalah 60% sandal kayu flat dan 40% sandal kayu heels. Berikut
merupakan foto dari produk dari CV Klompen Berkah.

Gambar 1 Produk Sandal Kayu (flat) dan Sandal Kayu (heels) CV Klompen Berkah

Sejak didirikan pada tahun 2003, CV Klompen Berkah mampu memenuhi

permintaan dari konsumen namun seiring dengan minat konsumen yang semakin tinggi
atas sandal kayu tersebut, sehingga mulai terjadi permintaan yang tidak dapat dipenuhi
akibat pasokan yang kurang. Berikut merupakan data historis hasil penjualan family
product sandal kayu CV Klompen Berkah.

Tabel 1 Data Historis Penjualan Periode 1-12

Data Historis Penjualan

Periode
Flat Heels Gabungan

1 1272 848 2120

 2 1305 869 2174

3 1387 924 2311

4 1362 908 2270

5 1459 972 2431

6 1501 1000 2501

Tabel 1 Data Historis Penjualan Periode 1-12 (Lanjutan)

Data Historis Penjualan

Periode
Flat Heels Gabungan

7 1607 1070 2677

8 1548 1032 2580

9 1579 1052 2631

10 1554 1036 2590

11 1607 1071 2678

12 1614 1076 2690

Untuk memproduksi 1 unit sandal kayu flat dan sandal kayu heels, berikut merupakan
material dan mesin yang dibutuhkan.

Tabel 2 Bahan Produksi Sandal Kayu Flat dan Sandal Kayu Heels

No Sandal Kayu Flat Sandal Kayu Heels

1 Kayu Mahoni Kayu Mahoni
 2 Busa Ati Busa Ati
3 Kain Bercorak Kain Bercorak
4 Lem Kain Lem Kain
5 Sol Sol
6 Lem Sepatu Lem Sepatu

Tabel 3 Mesin Produksi Sandal Kayu Flat dan Sandal Kayu Heels

No Mesin
1 Band Saw
2 Dinamo Amplas
3 Mesin Semprot Cat
4 Mesin Semprot Lem

Urutan proses produksi pembuatan sandal kayu flat dan sandal kayu heels CV Klompen
Berkah dijelaskan pada Operation Process Chart berikut.
Gambar 2 Operation Process Chart (OPC) Produk Sandal Kayu Flat
 Gambar 3 Operation Process Chart (OPC) Produk Sandal Kayu Heels

Karyawan CV Klompen Berkah bekerja selama 14 hari kerja dalam sebulan dan 8
jam per hari atau 112 jam kerja/bulan. Karyawan juga dapat lembur dengan maksimal 1
jam lembur perharinya. Berikut merupakan detail cost karyawan CV Klompen Berkah.

Tabel 4 Biaya Karyawan CV Klompen Berkah

Jenis Biaya

Biaya Kerja Reguler/jam Rp28.125

Biaya Kerja Lembur/jam Rp39.000

Biaya Perekrutan Rp2.500.000

Biaya Pemecatan Rp4.500.000

 Sedangkan untuk holding cost dari produk sandal kayu flat dan juga sandal kayu
heels adalah sebesar Rp2.062,50 per unit per minggunya. Biaya holding digunakan
ketika sandal kayu disimpan di gudang CV Klompen Berkah.

a. Tentukan perencanaan produksi yang perlu dihasilkan oleh CV Klompen Berkah

pada periode 13-16!
b. Lakukan perhitungan perencanaan agregat dan disagregat untuk studi kasus CV
Klompen Berkah di atas!

FORECASTING

1.1 POLA DATA PERMINTAAN

Pola data permintaan adalah pola atau tren yang terlihat dalam data historis permintaan
produk atau layanan dari waktu ke waktu. Identifikasi pola data deret waktu berfungsi
untuk menentuka metode yang akan digunakan untuk menganalisis data tersebut. Ada
beberapa Pola Data (Seto, 2016) :

1) Trend (T), terjadi bila ada kenaikan atau penurunan dari data secara gradual dari
gerakan datanya dalam kurun waktu panjang.
2) Seasonality (S) pola musiman terjadi bila pola datanya berulang sesudah suatu
periode tertentu: hari, mingguan, bulanan, triwulan dan tahun.
3) Cycles (C), Siklus adalah suatu pola data yang terjadinya setiap beberapa tahun,
biasanya dipengaruhi oleh fluktuasi ekonomi jangka panjang berkaitan dengan siklus
bisnis.
4) Horizontal (H) / Stasioner, terjadi bila nilai data berfluktuasi di sekitar nilai rata-rata
yang tetap, stabil atau disebut stasioner terhadap nilai rata-ratanya.
Berikut merepukan grafik pola data permintaan product pada CV Klompen
Berkah.

Berdasarkan grafik permintaan diatas dapat terlihat permintaan produk pada

tiap periode nya:

 Periode 1 = 2120 produk

 Periode 2 = 2174 produk
 Periode 3 = 2311 produk
 Periode 4 = 2270 produk
 Periode 5 = 2431 produk
 Periode 6 = 2501 produk
 Periode 7 = 2677 produk
 Periode 8 = 2580 produk
 Periode 9 = 2631 produk
 Periode 10 = 2590 produk
 Periode 11 = 2678 produk
 Periode 12 = 2690 produk

Dengan demikian dapat disimpulkan bahwa Jenis pola data pada data
permintaan produk klompen adalah seasonality karena pola data permintaan
memiliki pola berulang setiap 4 periode dalam 12 periode. Pada data permintaan
produk klompen memiliki inisiasi awal nilai awal sebesar 2126 dan inisiasi nilai
trend awal sebesar 54.
1.2 METODE MOVING AVERAGE

Pada metode Moving Average menggunakan n sebanyak empat periode, hal ini
berdasarkan pada siklus data yang mengalami pengulangan data setiap empat
periode. Berikut merupakan langkah-langkah dalam melakukan forecast
menggunakan metode Moving Average:
1. Buka aplikasi Ms. Excel.
2. Membuat tabel keterangan seperti di bawah ini.

3. Masukkan formula pada tabel ke dalam lembar kerja Excel

Keterangan Cell Formula Copy to
=rata-rata demand (Dt) 2 periode (periode 1-2)
Level (Lt) C5 C6:C15
=AVERAGE(B4:B5)
=hasil forecast (Ft) periode 3 sama dengan hasil level
Forecast (Ft)
D6 (Lt-1) periode 2 D7:D15
=C5
Forecast (Ft) =hasil forecast (Ft) untuk periode 13-16 sama dengan
D16 hasil level (Lt-1) periode 12 =$C$15 D16:D19

=Forecast (Ft) periode 3 – demand (Dt) periode 3

Error (Et) E6 E7:E15
=D6-B6
Absolut Error =hasil absolut dari error (Et)
F6 F7:F15
(At) =ABS(E6)
=Jumlah kumulatif kuadrat error pada periode t (periode
Mean Square
G6 3) dibagi periode 3 (t) dikurangi 2 periode (n) G7:G15
Error (MSEt)
=SUMSQ($E$6:E6)/(A6-2)
=Jumlah kumulatif absolut error pada periode t (periode
MADt H6 3) dibagi periode 3 (t) dikurangi 2 periode (n) H7:H15
=SUM($F$6:F6)/(A6-4)
=100 x (Absolut Error (At) / Demand (Dt))
%Error I6 I7:I15
=100*(F6/B6)
=Jumlah rata-rata %Error pada periode t (periode 3)
MAPEt J6 J7:J15
=AVERAGE($I$6:I6)
=Jumlah kumulatif Error (Et) periode t (periode 3)
TSt K6 dibagi MAD periode 3 (t) K7:K15
=SUM($E$6:E6)/H6
 Error Moving Average
100.00

50.00

0.00
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-50.00

-100.00

-150.00

-200.00

-250.00

-300.00

4. Untuk periode ke 14 sampai dengan 16 gunakan level (Lt) pada periode

12. Setelah perhitungan selesai maka akan didapatkan hasil perhitungan
seperti tabel dibawah.
Berdasarkan hasil perhitungan dengan menggunakan metode Moving Average,
diperoleh nilai MADt 105,59, MAPEt 4,13, dan range TS (-8,25) – (-1,00). Selain itu
diperoleh grafik error seperti yang ditunjukkan pada gambar di bawah ini. . Hasil grafik
error menunjukkan bahwa kesalahan peramalan berfluktuasi secara acak di atas dan di
bawah nol, oleh karena itu peramalan tersebut terindikasi tidak bias

Berikut adalah perbandingan antara data demand product family dengan data hasil
forecast menggunakan metode Moving Average
 Data Demand Family Product
3000

2500

2000

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12

Data Hasil Forecast Moving Average

3000.00

2500.00

2000.00

1500.00

1000.00

500.00

0.00
1 2 3 4 5 6 7 8 9 10 11 12 13

1.3 METODE SIMPLE EXPONENTIAL SMOOTHING

Menurut Lawrence Lapin, Simple Exponential Smoothing yaitu teknik

peramalan yang menghitung ramalan masa depan dengan menggabungkan data
observasi masa lalu dengan faktor penghalus yang menurun eksponensial. Metode ini
berguna untuk meramalkan data yang tidak memiliki pola tren yang jelas dan tidak ada
pengaruh musiman yang signifikan. Singkatnya inti dari Simple Exponential Smoothing
adalah memberikan bobot yang menurun secara eksponensial pada observasi masa lalu
untuk menghasilkan ramalan masa depan. Berikut untuk langkah-langkah lebih lanjut
dalam pengerjaan metode Simple Exponential Smoothing dengan menggunakan
template yang disediakan di Ms. excel :

1. Membuka aplikasi Ms. Excel

2. Input demand yang ada pada stukas ke dalam tabel seperti pada gambar
3. Input formula Faktor level (α) yang digunakan menggunakan rumus
2/(n+1), dimana n merupakan jumlah periode demand yang diketahui. Jadi ,
2/(12+1)=0,153846 ≈ α = 0,15.
Keterangan Cell Formula Copy to
C2 = rata-rata demand (Dt) periode 1-12 -
= AVERAGE(B3:B14)
Level (Lt) C3 = (α x Demand (Dt) periode 1) + ((1-α) x Level (Lt- C4:C14
1) periode 0)
= 0.15*B3+(1-0.15)*C2
D3 = hasil forecast (Ft) periode 1 sama dengan hasil level D4:D14
(Lt- 1) periode 0
= C2
Forecast (Ft)
D15 = hasil forecast (Ft) untuk periode 13-16 sama dengan D16:D18
hasil level (Lt-1) periode 12
= $C$14
E3 = Forecast (Ft) periode 1 – demand (Dt) periode 1 E4:E14
Error (Et) = D3-B3
Absolut Error F3 = hasil absolut dari error (Et) F4:F14
(At) = ABS(E3)
G3 = Jumlah kumulatif kuadrat error pada periode t (periode G4:G14
Mean Square
1) dibagi periode 1 (t)
Error (MSEt) = SUMSQ($E$3:E3)/A3
H3 = Jumlah kumulatif absolut error pada periode t (periode H4:H14
MADt 1) dibagi periode 1 (t)
= SUM($F$3:F3)/A3
I3 = 100 x (Absolut Error (At) / Demand (Dt)) I4:I14
%Error = 100*(F3/B3)
J3 = Jumlah rata-rata % error pada periode t (periode 1) J4:J14
MAPEt = AVERAGE($I$3:I3)
K3 = Jumlah kumulatif error pada periode t (periode 1) K4:K14
TSt dibagi MAD periode 1 (t)
= SUM($E$3:E3)/H3

4. Pada periode 14 sampai 16, gunakan level (Lt) pada periode 12. Maka akan
didapatkan hasil seperti gambar di bawah ini
 Berdasarkan perhitungan yang dilakukan dengan metode Exponential
Smoothing, didapatkan hasil MADt sebesar 171, MAPEt 7, dan range TS (-3,02) – 4,11.
Selain itu diperoleh juga grafik error seperti pada gambar yang dilampirkan di bawah.
Hasil grafik error menunjukkan kesalahan peramalan tidak berfluktuasi secara acak di
atas dan di bawah nol, oleh karena itu peramalan tersebut terindikasi bias.

Berikut adalah perbandingan antara data demand product family dengan data
hasil forecast menggunakan metode Exponential Smoothing.
 Data Demand Family Product
3000

2500

2000

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12

Data Hasil Forecast Exponential Smoothing

2600

2550

2500

2450

2400

2350

2300

2250
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1.4 METODE HOLT’S EXPONENTIAL SMOOTHING

Metode Holt's Exponential Smoothing dikembangkan oleh Charles C. Holt

pada tahun 1957. Metode ini telah dikaji dan diperluas oleh para ahli dalam bidang
peramalan waktu. Menurut Rob J. Hyndman dan George Athanasopoulos: Dalam
buku mereka yang populer, "Forecasting: Principles and Practice" Hyndman dan
Athanasopoulos menjelaskan metode Holt's Exponential Smoothing sebagai metode
peramalan yang berguna untuk meramalkan data deret waktu dengan tren linier.
Mereka membahas tentang penggunaan alpha (α) dan beta (β) sebagai parameter
yang mengontrol pengaruh level dan slope. metode ini menjadi salah satu teknik
peramalan yang populer dan digunakan secara luas dalam berbagai bidang,
termasuk ekonomi, manajemen persediaan, dan analisis pasar.
 Sebagaimana yang telah dijelaskan diatas, Metode ini menggunakan koefisien
pemulusan kedua. Sama seperti α (alpha), β(beta) juga memiliki nilai antara nol dan
satu, untuk secara berbeda memuluskan trend. Beta digunakan untuk merata-
ratakan trend yang terdapat di persamaan. Hal ini mengeliminasi kesalahan yang
muncul karena faktor trend tidak dimuluskan. Berikut untuk langkah-langkah lebih
lanjut dalam pengerjaan metode holt’s model dengan menggunakan template yang
disediakan di Ms. excel :

1. Membuka aplikasi Ms. Excel

2. Input demand yang ada pada stukas ke dalam tabel seperti pada gambar

3. Pilih Toolbar Data, kemudian pilih Data Analysis,

4. klik regression

5. Inputkan $B$3:$B$14 pada Y Range dan $A$3:$A$14 pada X Range, lalu

klik OK
6. Maka akan didapatkan hasil Regression sebagai berikut

7. Input data Coefficients Intercept untuk data L0, lalu Coefficients X

Variabel 1 sebagai T0. Formula regresi dasar adalah Yt = A+tB dan pada
Holt berubah menjadi Ft=L+Tt, dimana L merupakan nilai level, T adalah
nilai trend dan t adalah periode.

Tabel 10. Rumus Coefficient Intercept dan

Coefficient X

Keterangan Cell Formula

= Nilai level pada periode 0
L0 (inisiasi nilai level awal) O2 =ROUNDUP('Regresi Holt'!B17,0)
= Nilai trend pada periode 0
T0 (inisiasi nilai trend awal) O3 =ROUNDUP('Regresi Holt'!B18,0)
 8. Masukan data L0 sebagai data Lt di periode 0 dan data T0 sebagai data Tt
di periode 0 dengan (α=0,15 dan β=0,1).

9. Melakukan perhitungan untuk metode holt’s model dengan mengikuti

rumus berikut

Keterangan Cell Formula Copy to

Level (Lt) C2 =inisiasi nilai level awal (L0) -
=O2
C3 =(α x Demand (Dt) periode 1) + ((1-α) x (Level C4:C14
(Lt-1)
periode 0 + Trend (Tt-1) periode 0))
=0.15*B3+(1-0.15)*(C2+D2)
Trend (Tt) D2 =inisiasi nilai treend awal (T0) -
=O3
D3 =(β x (Level (Lt) periode 1 – Level (Lt-1) periode D4:D14
0)) +
((1- β) x Trend (Tt-1) periode 0)
=0.1*(C3-C2)+(1-0.1)*D2
Forecast (Ft) E3 =Level (Lt-1) periode 0 + Trend (Tt-1) periode 0 E4:E14
=C2+D2
E15 =Level (Lt-1) periode 12 + Trend (Tt-1) periode -
12
=C14+D14
E16 =Level (Lt-1) periode 12 +(2 periode x Trend (Tt- -
1)
periode 12)
=C14+2*D14
E17 =Level (Lt-1) periode 12 +(3 periode x Trend (Tt- -
1)
periode 12)
=C14+3*D14
E18 =Level (Lt-1) periode 12 +(4 periode x Trend (Tt- -
1)
periode 12)
=C14+4*D14
Error (Et) F3 =Forecast (Ft) periode 1 – demand (Dt) periode 1 F4:F14
=E3-B3
Absolut Error (At) G3 =hasil absolut dari error (Et) G4:G14
=ABS(F3)
Mean Square = Jumlah kumulatif kuadrat error pada periode t H4:H14
Error (MSEt) (periode 1) dibagi periode 1 (t)
=SUMSQ($F$3:F3)/A3
MADt I3 = Jumlah kumulatif absolut error pada periode t I4:I14
(periode 1) dibagi periode 1 (t)
=SUM($G$3:G3)/A3
%Error J3 =100 x (Absolut Error (At) / Demand (Dt)) J4:J14
 =100*(G3/B3)
MAPEt K3 = Jumlah rata-rata % error pada periode t (periode K4:K14
1)
=AVERAGE($J$3:J3)
TSt L3 = Jumlah kumulatif error pada periode t (periode L4:L14
1)
dibagi MAD periode 1 (t)
=SUM($F$3:F3)/I3

10. Hasil dari perhitungan di atas akan didapatkan sebagai berikut

Berdasarkan perhitungan yang dilakukan dengan metode Holt’s Model,

didapatkan hasil MADt sebesar 64, MAPEt 2,58, dan range TS (-2,95) – 2,40. Selain itu
diperoleh juga grafik error seperti pada gambar yang dilampirkan di bawah. Hasil
grafik error menunjukkan bahwa kesalahan peramalan berfluktuasi secara acak di atas
dan di bawah nol, oleh karena itu peramalan tersebut terindikasi tidak bias
Berikut adalah perbandingan antara data demand product family dengan data hasil
forecast menggunakan metode Exponential Holt’s Model.

Data Demand Family Product

3000

2500

2000

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12

Data Hasil Forecast Holt's Model

3500

3000

2500

2000

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1.5 METODE WINTER’S EXPONENTIAL SMOOTHING

Metode Holt-Winters merupakan metode yang dapat menangani faktor

musiman dan unsur kecenderungan yang muncul secara sekaligus pada sebuah data
deret waktu (Kalekar, 2004). Metode ini didasarkan atas tiga unsur yaitu unsur
stasioner, unsur kecenderungan, dan unsur musiman untuk setiap periode dan
memberikan tiga pembobotan dalam prediksinya, yaitu α, β, dan γ. Berikut
merupakan langkah-langkah dalam menentukan forecast dengan metode Winter’s
Model menggunakan Ms. Excel:

1. Membuka aplikasi Ms. Excel.

2. Membuat tabel keterangan seperti dibawah ini

Gambar 1.X Tabel Keterangan Metode Winter’s Model

Sebelum melakukan perhitungan Winter’s Model, perlu dilakukan perhitungan

nilai deseasonalized demand, level, trend, dan seasonal factor.
3. Dalam menghitung deseasonalized demand ditentukan nilai jumlah periode
dalam 1 siklus/musim (p) dan jumlah siklus/musim dalam data (t). Berdasarkan
pola demand dapat diketahui jumlah periode dalam 1 siklus/musim sebesar 3
periode, dikarenakan terdapat kenaikan jumlah demand dari periode 1 ke
periode 2 dan periode 2 ke periode 3. Selain itu, dapat diketahui jumlah
siklus/musim dalam data sebesar 4 siklus/musim, dikarenakan terdapat 4 kali
perulangan kenaikan demand tiap 3 periode.
 Gambar 1.XX Tabel Keterangan Deseasonalized Demand Winter’s Model

Tabel 1.X Perhitungan Deseasonalized Demand

Keterangan Cell Formula Copy to
= Demand (Dt) periode 1 + Demand (Dt+p)
Deseasonalized periode 4 + (2 x jumlah demand (Dt) periode
C4 C5:C11
Demand 2-3)) / (2*p)
= (B2+B5+2*SUM(B3:B4))/(2*3)

Setelah diketahui nilai p = 4dan t = 3, dapat dihitung nilai deseasonalized

demand pada Winter’s Model. Berikut merupakan hasil perhitungan deseasonalized
demand.

Gambar 1.XX Hasil Perhitungan Deseasonalized Demand Winter’s Model

4. Melakukan perhitungan inisial level dan trend dengan melakukan regresi pada
demand dan periode data. Pilih Toolbar Data, kemudian pilih Data Analysis.
 Pada Data Analysis, pilih Regression. Lalu masukan $B$2:$B$13 pada Y
Range dan $A$2:$A$13 pada X Range sebagai berikut.

Gambar 1.XX Input Data Regression Winter’s Model

Setelah itu pilih OK maka hasil regresi akan muncul sebagai berikut.

Gambar 1.XX Hasil Regression Winter’s Model

5. Lakukan perhitungan seasonal facto. Berdasarkan hasil regresi diatas dapat

dimasukan data Coefficients intercept sebagai L0 dan coefficients X variabel 1
sebagai T0, dimana L merupakan nilai level dan T adalah nilai trend.
 Gambar 1.XX Tabel Keterangan Seasonal Factor Winter’s Model

Tabel 1.X Perhitungan Deseasonalized Demand

Keterangan Cell Formula
= Nilai level pada periode 0
L0 (inisiasi nilai level awal) G2
= ROUNDUP('Regresi Seasonal Factor'!B17,0)
= Nilai Trend pada periode 0
T0 (inisiasi nilai trend awal) G3
= ROUNDUP('Regresi Seasonal Factor'!B18,0)

Untuk perhitungan inisiasi seasonal factor dapat mengisikan rumus sebagai

berikut.
Tabel 1.X Rumus Perhitungan Seasonal Factor Winter’s Model
Keterangan Cell Formula Copy to
= inisiasi nilai level awal (L0) + (periode 1 (t)
Deseasonalized
C2 x inisiasi nilai trend awal (T0)) C3:C13
Demand (Dt)
= $G$2+A2*$G$3
Seasonal Factors = Demand (Dt) / Deseasonalized Demand (Dt)
D2 D3:D13
(St) = B2/C2
= (Seasonal Factor (St) periode 1 + St periode
Inisiasi St periode
G5 4 + St periode 7 + St periode 10) /4 -
1 (S1)
= (D2+D5+D8+D11)/4
= (Seasonal Factor (St) periode 1 + St periode
Inisiasi St periode
G6 4 + St periode 7 + St periode 10) /4 -
2 (S2)
= (D3+D6+D9+D12)/4
= (Seasonal Factor (St) periode 1 + St periode
Inisiasi St periode
G7 4 + St periode 7 + St periode 10) /4 -
3 (S3)
= (D4+D7+D10+D13)/4
 Setelah dilakukan perhitungan, akan didapatkan hasil sebagai berikut

Gambar 1.XX Hasil Perhitungan Seasonal Factor Winter’s Model

6. Melakukan perhitungan forecast dengan Winter’s Model (α=0,15 β=0,1 γ=0,9).

Tabel 1.X Rumus Perhitungan Winter’s Model
Keterangan Cell Formula Copy to
= inisiasi nilai level awal (L0)
C2 -
= P2
= (α x (Demand (Dt) periode 1/Seasonal Factor (St)
Level (Lt)
periode 1)) + ((1-α) x (Level (Lt-1) periode 0 + Trend
C3 C4:C14
(Tt-1) periode 0))
= 0.15*(B3/E3)+(1-0.15)*(C2+D2)
= inisiasi nilai trend awal (T0)
D2 -
= P3
Trend (Tt) = (β x (Level (Lt) periode 1 – Level (Lt-1) periode 0)) +
D3 ((1- β) x Trend (Tt-1) periode 0) = 0.1*(C3-C2)+(1- D4:D14
0.1)*D2
= Inisiasi St periode 1 (S1)
E3 -
= 'Seasonal Factors'!G5
= Inisiasi St periode 2 (S2)
E4 -
= 'Seasonal Factors'!G6
Seasonal Factor
= Inisiasi St periode 3 (S3)
(St) E5 -
= 'Seasonal Factors'!G7
= (γ x (Demand (Dt-p) periode 1/Level (Lt-p) periode 1))
E6 + ((1- γ) x Seasonal Factor (St-p) periode 1) E7:E17
= 0.9*(B3/C3)+(1-0.9)*E3
Forecast (Ft) F3 = (Level (Lt-1) periode 0 + Trend (Tt-1) periode 0) x F4:F14
Seasonal Factor (St) periode 1
= (C2+D2)*E3
 = (Level (Lt-1) periode 12 + Trend (Tt-1) periode 12) x
F15 Seasonal Factor (St) periode 13 -
= (C14+D14)*E15
= (Level (Lt-1) periode 12 + (2 periode x Trend (Tt-1)
F16 periode 12)) x Seasonal Factor (St) periode 14 -
= (C14+2*D14)*E16
= (Level (Lt-1) periode 12 + (3 periode x Trend (Tt-1)
F17 periode 12)) x Seasonal Factor (St) periode 15 -
= (C14+3*D14)*E17
= Forecast (Ft) periode 1 – Demand (Dt) periode 1
Error (Et) F18 G4:G14
= F3-B3
Absolut Error = hasil absolut dari error (Et)
H3 H4:H14
(At) =ABS(G3)
= Jumlah kumulatif kuadrat absolut error pada periode t
Mean Square
I3 (periode 1) dibagi periode 1(t) I4:I14
Error (MSEt)
= SUMSQ($H$3:H3)/A3
= Jumlah kumulatif absolut error pada periode t (periode
MADt J3 1) dibagi periode 1 (t) J4:J14
= SUM($H$3:H3)/A3
= 100 x (Absolut Error (At) / Demand (Dt))
%Error K3 K4:K14
= 100*(H3/B3)
= Jumlah rata-rata % error pada periode t (periode 1)
MAPEt L3 L4:L14
= AVERAGE($K$3:K3)
= Jumlah kumulatif error pada periode t (periode 1)
TSt M3 dibagi MAD periode 1 (t) M4:M14
= SUM($G$3:G3)/J3

Setelah dilakukan perhitungan, maka didapatkan hasil Winter’s Modei sebagai

berikut.

Gambar 1.XX Hasil Perhitungan Winter’s Model

 Berdasarkan hasil perhitungan dengan menggunakan metode Winter’s Modei,
diperoleh nilai MADt 77, MAPEt 3,1, dan range TS (-4,06) – 2,26. Selain itu
diperoleh grafik error sebagai berikut.

Error Winter Method

300

200

100

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-100

-200

-300
Gambar 1.XX Grafik Error Winter’s Model

Berikut merupakan perbandingan dari data demand dengan data hasil forecast
menggunakan metode Winter’s Model.

Data Demand Sandal Kayu

3000

2500

2000
Demand (Dt)
1500

1000

500

0
0 2 4 6 8 10 12 14
Gambar 1.XX Grafik Data Demand Sandal Kayu
 Forecast Demand Sandal Kayu
3000

2500

2000
Forecast (Ft)
1500

1000

500

0
0 2 4 6 8 10 12 14 16 18
Gambar 1.XX Grafik Data Demand Sandal Kayu

1.6 METODE TERPILIH

 AGREGAT DAN DISAGREGAT
2.1 AGREGAT

Perencanaan agregat memiliki tujuan untuk menghasilkan keputusan yang optimum

berdasarkan besarnya sumberdaya yang dimiliki perusahaan dalam memenuhi
permintaan akan produk. Dalam penyelesaian studi kasus kali ini digunakan 3 metode
agregat, yaitu chase strategy, level strategy, dan mix strategy.
a. Chase Strategy
Berikut ini adalah langkah-langkah dalam melakukan agregat chase strategy.
1. Buka aplikasi Ms. Excel pada Windows.
2. Membuat tabel keterangan seperti dibawah ini.

Keterangan Formula
= waktu proses agregat / 60 menit
Time (hour/unit)
= D18/60
= 1 jam / Time(hour/unit)
Prod.Rate (unit/hour)
= 1/D19
= Labor Cost/hour x Time(hour/unit)
Labor Cost/Unit
= D2*D19
= Overtime Cost/Hour x Time(hour/unit)
Overtime Cost/Unit
= D4*D19
= Holding Cost/Unit/Month x Prod.Rate
Holding Cost/Hour/Month
= D8*D20
3. Melakukan perhitungan agregat dengan metode chase strategy dengan
rumus sebagai berikut.
Tabel xx. Rumus Perhitungan Agregat Chase Strategy
Keterangan Cell Formula
= Permintaan dari hasil forecast terpilih (Winter’s Model) yang
Permintaan (Demand) G6
dibulatkan ke atas

Total Waktu Produksi Demand H6 = Demand x waktu proses agregat

(Hour Demand) = G6*$D$20
Jam Kerja Regular (Regular = Hari kerja/bulan x Jam kerja/hari
I6
workhour) = $D$11*$D$12
= Hari kerja/bulan x Jam lembur/hari
Jam Lembur (Overtime Hour) J6
= $D$11*$D$13
= Jam kerja regular + jam lembur
Total Jam Kerja (Total Hour) K6
= I6+J6
Pekerja Dibutuhkan (Worker = Hour demand / regular workhour
L6
Requirement) = ROUNDDOWN(H6/I6,0)
Produksi Regular (Regular = Jam kerja regular x pekerja dibutuhkan
M6
Production) = I6*L6
Pekerja Lembur (Overtime = Menyesuaikan Cumulative Inventory Hour (non negative)
N6
Worker)
Produksi saat Lembur (Overtime = Pekerja lembur x jam lembur
O6
Production) = N6*J6
Perekrutan Pekerja (Hire = Menyesuaikan kebutuhan pekerja dan pekerja sebelumnya
P6
Worker)
Pemecatan Pekerja (Fire Worker) Q6 = Menyesuaikan kebutuhan pekerja dan pekerja sebelumnya
Total Waktu Produksi (Total = Produksi regular + produksi saat lembur
R6
Production Hour) = M6+O6
Waktu Penyimpanan (Inventory = Total waktu produksi – total waktu produksi demand
S6
Hour) = R6-H6
Waktu Penyimpanan Kumulatif = Waktu penyimpanan secara kumulatif
T6
(Cumulative Inventory Hour) Periode 13 = S6; Periode 14 = T6+S7
Biaya Pekerja Regular (Labor = Produksi regular x biaya pekerja reguler
U6
Cost Regular) = M6*$D$3
Biaya Pekerja Lembur (Labor = Produksi saat lembur x biaya pekerja lembur
V6
Cost Overtime) = O6*$D$5
= Kumulatif jam inventori x biaya simpan
Biaya Simpan (Holding Cost) W6
= T6*$D$10
= Perekrutan pekerja x biaya rekrut
Biaya Perekrutan (Hire Cost) X6
= P6*$D$7
= Pemecatan pekerja x biaya pemecatan
Biaya Pemecatan (Fire Cost) Y6
= Q6*$D$8
Total Biaya Pekerja Reguler = Total keseluruhan biaya pekerja reguler
U10
(Labor Cost Regular) = SUM(U6:U9)
Total Biaya Pekerja Lembur = Total keseluruhan biaya pekerja lembur
V10
(Labor Cost Overtime) = SUM(V6:V9)
Total Biaya Simpan (Holding W1 = Total keseluruhan biaya simpan
Cost) 0 = SUM (W6:W9)
Total Biaya Perekrutan (Hire = Total keseluruhan biaya perekrutan
X10
Cost) = SUM(X6:X9)
Total Biaya Pemecatan (Fire = Total keseluruhan biaya pemecatan
Y10
Cost) = SUM(Y6:Y9)
= Total biaya pekerja reguler + Total biaya pekerja lembur +
Biaya Total (Grand Total) Z10 Total biaya simpan + Total biaya perekrutan + Total biaya
pemecatan = SUM(U10:Y10)

4. Didapatkan hasil perhitungan chase strategy sebagai berikut.

 b. Level Strategy
Pada perhitungan agregat level strategy kali ini, terdapat ketentuan dimana
tidak diperbolehkan adanya backorder. Sehingga, besar sumber daya
ditentukan oleh berdasarkan demand tertinggi agar tidak terjadi kekurangan.
Berikut ini adalah langkah-langkah dalam melakukan agregat level strategy.
1. Buka aplikasi Ms. Excel pada Windows.
2. Membuat tabel keterangan seperti dibawah ini. Tabel keterangan yang
digunakan sama seperti pada perhitungan agregat chase strategy.

3. Melakukan perhitungan agregat dengan metode level strategy dengan

rumus sebagai berikut.
Tabel 18. Rumus Perhitungan Agregat Level Strategy
Keterangan Cell Formula
Permintaan (Demand) G14 = Permintaan dari hasil forecast terpilih yang dibulatkan ke atas
Total Waktu Produksi Demand H14 = Demand x waktu proses agregat
(Hour Demand) = G14*$D$20

Tabel 18. Rumus Perhitungan Agregat Level Strategy (Lanjutan)

Keterangan Cell Formula
Jam Kerja Regular (Regular I14 = Hari kerja/bulan x Jam kerja/hari
workhour) = $D$11*$D$12
Jam Lembur (Overtime Hour) J14 = Hari kerja/bulan x Jam lembur/hari
= $D$11*$D$13
Total Jam Kerja (Total Hour) K14 = Jam kerja regular + jam lembur
= I14+J14
Pekerja Dibutuhkan (Worker
Requirement)
Produksi Regular (Regular
Production)
Pekerja Lembur (Overtime Worker)
L14 = Hour demand / regular workhour
= ROUNDDOWN(H14/I14,0), dipilih jumlah pekerja maksimal
M14 = Jam kerja regular x pekerja dibutuhkan
= I14*L14
N14 = Menyesuaikan Cumulative Inventory Hour (non negative)

Produksi saat Lembur (Overtime O14 = Pekerja lembur x jam lembur

Production) = N14*J14
Perekrutan Pekerja (Hire Worker) P14 = Menyesuaikan kebutuhan pekerja dan pekerja sebelumnya

Pemecatan Pekerja (Fire Worker) Q14 = Menyesuaikan kebutuhan pekerja dan pekerja sebelumnya
Total Waktu Produksi (Total R14 = Produksi regular + produksi saat lembur
Production Hour) = M14+O14
Waktu Penyimpanan (Inventory S14 = Total waktu produksi – total waktu produksi demand
Hour) = R14-H14
Waktu Penyimpanan Kumulatif T14 = Waktu penyimpanan secara kumulatif
(Cumulative Inventory Hour) Periode 13 = S14; Periode 14 = T14+S15
Biaya Pekerja Regular (Labor Cost U14 = Produksi regular x biaya pekerja reguler
Regular) = M14*$D$3
Biaya Pekerja Lembur (Labor Cost V14 = Produksi saat lembur x biaya pekerja lembur
Overtime) = O14*$D$5
Biaya Simpan (Holding Cost) W1 = Kumulatif jam inventori x biaya simpan
4 = T14*$D$10
Biaya Perekrutan (Hire Cost) X14 = Perekrutan pekerja x biaya rekrut
= P14*$D$7
Biaya Pemecatan (Fire Cost) Y14 = Pemecatan pekerja x biaya pemecatan
= Q14*$D$8
Total Biaya Pekerja Reguler (Labor U18 = Total keseluruhan biaya pekerja reguler
Cost Regular) = SUM(U14:U17)
Total Biaya Pekerja Lembur (Labor V18 = Total keseluruhan biaya pekerja lembur
Cost Overtime) = SUM(V14:V17)
Total Biaya Simpan (Holding W1 = Total keseluruhan biaya simpan
Cost) 8 = SUM (W14:W17)
Total Biaya Perekrutan (Hire X18 = Total keseluruhan biaya perekrutan
Cost) = SUM(X14:X17)
Total Biaya Pemecatan (Fire Y18 = Total keseluruhan biaya pemecatan
Cost) = SUM(Y14:Y17)
Biaya Total (Grand Total) Z18 = Total biaya pekerja reguler + Total biaya pekerja lembur +
Total biaya simpan + Total biaya perekrutan + Total biaya
pemecatan = SUM(U18:Y18)

4. Didapatkan hasil perhitungan level strategy sebagai berikut.

c. Mixed Strategy
 Pada perhitungan agregat mixed strategy ini merupakan campuran dari 2
teknik sebelumnya yakni, diperbolehkan adanya persediaan dan backorder
seperti halnya pada level strategy dan perubahan tingkat produksi yang
merupakan teknik pada chase strategy. Hal ini dilakukan dengan tujuan
meminimumkan biaya perekrutan dan biaya pemberhentian tenaga kerja.
Dilakukan percobaan kombinasi jumlah pekerja secara terus menerus hingga
didapatkan biaya total yang minimum. Berikut ini adalah langkah-langkah
dalam melakukan agregat mixed strategy.
1. Buka aplikasi Ms. Excel pada Windows.
2. Membuat tabel keterangan seperti dibawah ini.

Tabel 19. Rumus Agregat

Keterangan Rumus
= Permintaan dari hasil forecast terpilih yang
Permintaan (Demand)
dibulatkan ke atas
= Demand x waktu proses agregat
Total Waktu Produksi Demand (Hour Demand)
= $G$22*$D$19
= Hari kerja/bulan x Jam kerja/hari
Jam Kerja Regular (Regular workhour)
= $D$10*$D$11
= Hari kerja/bulan x Jam lembur/hari
Jam Lembur (Overtime Hour)
= $D$10*$D$12
= Jam kerja regular + jam lembur
Total Jam Kerja (Total Hour)
= I22+J22
= solver
Pekerja Dibutuhkan (Worker Requirement)
= Jam kerja regular x pekerja dibutuhkan
Produksi Regular (Regular Production)
= I22*L22
= solver
Pekerja Lembur (Overtime Worker)
= Pekerja lembur x jam lembur
Produksi saat Lembur (Overtime Production)
= N22*J22
= Sebagai dummy solver
Current Worker
Periode 13 = 0; Periode 16 = L5
 = solver
Perekrutan Pekerja (Hire Worker)
= Sebagai dummy solver
Req-Current
= L22-P22
= solver
Pemecatan Pekerja (Fire Worker)
= Sebagai dummy solver
Current-Req
= P22-L22
= Produksi regular + produksi saat lembur
Total Waktu Produksi (Total Production Hour)
= M22+O22
= Total waktu produksi – total waktu produksi
Waktu Penyimpanan (Inventory Hour) demand = U22-H22

Waktu Penyimpanan Kumulatif (Cumulative = Waktu penyimpanan secara kumulatif

Inventory Hour)
Biaya Pekerja Regular (Labor Cost Regular)
Biaya Pekerja Lembur (Labor Cost Overtime)
Biaya Simpan (Holding Cost)
Biaya Perekrutan (Hire Cost)
Biaya Pemecatan (Fire Cost)
Total Biaya Simpan (Holding Cost)
Total Biaya Perekrutan (Hire Cost)
Total Biaya Pemecatan (Fire Cost)
Biaya Total (Grand Total)
Periode 13 = V22; Periode 14 = W22+V23
= Produksi regular x biaya pekerja reguler
= M22*$D$3
= Produksi saat lembur x biaya pekerja lembur
= O22*$D$5
= Kumulatif jam inventori x biaya simpan
= W22*$D$10
= Perekrutan pekerja x biaya rekrut
= Q22*$D$7
= Pemecatan pekerja x biaya pemecatan
= S22*$D$8
= Total keseluruhan biaya simpan
= SUM (Z22:Z25)
= Total keseluruhan biaya perekrutan
= SUM(AA22:AA25)
= Total keseluruhan biaya pemecatan
= SUM(AB22:AB25)
= Total biaya pekerja reguler + Total biaya pekerja
lembur + Total biaya simpan + Total biaya
perekrutan + Total biaya pemecatan =
SUM(X26:AB26)

3. Pada Linear Programming, untuk kolom jumlah pekerja direkrut, jumlah

pekerja diberhentikan, jumlah pekerja yang digunakan, jumlah pekerja
lembur dikosongkan karena akan dilakukan perhitungan menggunakan
solver. Pada Linear Programming memiliki fungsi tujuan yaitu untuk
meminimasi grand total atau total biaya dari tenaga kerja dengan
pengaturan pada worker requirement, overtime worker, hire worker, dan
fire worker. Selain itu, Linear Programming yang dilakukan juga memiliki
fungsi batasan sebagai berikut.
a. Worker requirement, overtime worker, hire worker, dan fire worker
merupakan bilangan integer karena merupakan jumlah pekerja
(manusia).
 b. Worker requirement harus lebih besar atau sama dengan overtime
worker yang akan digunakan.
c. Hire worker harus lebih besar atau sama dengan worker requirement
dikurangi current worker yang ada.
d. Fire worker harus lebih besar atau sama dengan current worker
dikurangi worker requirement yang akan digunakan.
e. Cumulative inventory hour harus lebih besar atau sama dengan nol.
4. Solver
a. Buka Solver di menu Data.
b. Masukkan cell Total Biaya Keseluruhan pada Set Objective.
c. Pilih Min pada Equal to.
d. Masukkan cell jumlah pekerja direkrut, jumlah pekerja diberhentikan,
dan jumlah pekerja yang digunakan pada By Changing Variable Cells.
e. Klik Add, masukkan worker requirement pada Cell Reference, ganti
tanda dengan “int” atau integer.
f. Klik Add, masukkan worker requirement pada Cell Reference, ganti
tanda dengan “>=”, masukkan overtime worker pada Constraint.
g. Klik Add, masukkan overtime worker pada Cell Reference, ganti
tanda dengan “int” atau integer.
h. Klik Add, masukkan hire worker pada Cell Reference, ganti tanda
dengan “int” atau integer.
i. Klik Add, masukkan hire worker pada Cell Refenrence, ganti tanda
dengan “>=”, masukkan req - current pada Constraint.
j. Klik Add, masukkan fire worker pada Cell Reference, ganti tanda
dengan “int” atau integer.
k. Klik Add, masukkan fire worker pada Cell Reference, ganti tanda
dengan “>=”, masukkan current - req pada Constraint.
l. Klik Add, masukkan kumulatif jam inventori pada Cell Refenrence,
ganti tanda dengan “>=”, masukkan angka 0 pada Constraint.
m. Centang Make Unconstrained Variables Non-Negative.
n. Pilih Simplex LP pada Select a Solving Method.
 o. Klik Solve

Tabel xx. Solver Parameter Agregat

Solver Parameter

Set Objective $AC$26

Equal to Min
By Changing Variable $L$22:$L$25,$N$22:$N$25,$Q$22:$Q$25,$S$22:$
Cells S$25
$L$22:$L$25 = integer
$L$22:$L$25 >= $N$22:$N$25
$N$22:$N$25 >= integer
$Q$22:$Q$25 = integer
Subject to the Constrains $Q$22:$Q$25 >= $R$22:$R$25
$S$22:$S$25 = integer
$S$22:$S$25 >= $T$22:$T$25
$W$22:$W$25 >= 0

5. Output Solver Agregat

Berdasarkan perhitungan agregat di atas, maka dapat diketahui bahwa

ketiganya menghasilkan total biaya yang sama, yakni sebesar Rp 34.464.500.
Namun hasil yang digunakan sebagai acuan adalah hasil dari mixed strategy
karena strategi ini merupakan strategi yang paling fleksibel jika terjadi adanya
perubahan permintaan secara real time di masa mendatang.

2.2 DISAGREGAT
 Proses disagregat adalah proses konversi dari hasil rencana produksi yang telah
dihitung secara agregat menjadi jumlah yang harus diproduksi untuk setiap produk atau
item. Proses disagregat dibutuhkan sebelum membuat Master Production Schedule
(MPS). Berikut ini adalah langkah-langkah dalam melakukan disagregasi untuk satu
periode dengan menggunakan Linear Programming.
1. Buka aplikasi Ms. Excel pada Windows.
2. Membuat tabel keterangan seperti di bawah ini

Keterangan
Pekerja Reguler (Regular Worker)
Pekerja Lembur (Overtime Worker)
Jam Kerja Regular (Regular
workhour)
Jam Lembur (Overtime Hour)
Jam produksi reguler (Regular
Production Time)
Jam produksi lembur (Overtime
Production Time)
Total jam produksi (Total
Production Time)
Jam produksi per Minggu
(Production Time per Week)
Permintaan (Demand)
Inventory awal (Initial Inventory)
Inventory akhir (End Inventory
(TIME))
Rumus
= Worker Req. pada agregat
= Overtime Worker pada agregat
= Jam kerja/hari x hari kerja/bulan
= 8*20
= Jam lembur/hari x hari kerja/bulan
= 2*20
= Jam kerja regular x pekerja regular
= C3*D3
= Jam kerja lembur x pekerja
= E3*F3
= Jam produksi regular + jam produksi lembur
= G3+H3
= Total jam produksi / 4 minggu
= I3/4
= Permintaan dari hasil forecast terpilih yang
dibulatkan ke atas
= Inventory pada awal periode dalam bentuk
waktu
Periode 37 = 0; Periode 38 = O3
= Inventory pada akhir periode dalam bentuk
waktu

Inventory awal unit (Initial Inventory = Inventory pada awal periode dalam bentuk unit
Unit)
Inventory akhir unit (End Inventory
Unit)
Total Produksi (Production)
Produksi pisau lipat
= Cumulative Inventory Hour dari agregat
Periode 37 = 0; Periode 38 = Q3
= Inventory pada akhir periode dalam bentuk unit
= End Inventory (TIME) / agregat waktu produksi
1 unit dalam bentuk jam
= ROUNDDOWN(O3/$X$6,0)
= Permintaan + inventori akhir - inventori awal
= M3+Q3-P3
= Total produksi x 0.6
= ROUND(R3*0.6,0)

3. Membuat tabel untuk disagregat

Tabel xx. Rumus Disagregat Periode 1

Keterangan Rumus
Pisau Lipat Solver
Pisar Dapur Solver
= Jumlah produksi produk Ransel setiap minggu
Total Pisau Lipat per Periode
= SUM(C13:F13)
= Jumlah produksi produk Ransel setiap minggu
Total Pisau Dapur per Periode
= SUM(C14:F14)
= Total produksi pisau setiap minggu
Total
= SUM(C13:C14)
= Jumlah pisau lipat periode n x waktu proses pisau
Waktu Pisau Lipat (Time Pisau Lipat) lipat dalam bentuk jam = C13*$Y$3

Waktu Pisau Dapur (Time Pisau = Jumlah pisau dapur periode n x waktu proses
Dapur) pisau dapur dalam bentuk jam = C14*$Y$4

=Jumlah waktu pisau lipat dan pisau dapur

Total Time
=SUM(C16:C17)
= Waktu produksi per minggu
Waktu Produksi (Production time)
= $J$3
= Total Production Pisau Lipat dan pisau dapur
Production Req.
= S3 dan T3

Pada Linear Programming memiliki fungsi tujuan yaitu untuk melakukan

pembagian total production yang akan dilakukan dengan pengaturan pada tiap-
tiap minggu di bulan atau periode tertentu. Selain itu, Linear Programming
yang dilakukan juga memiliki fungsi batasan sebagai berikut.
 a. Jumlah produksi masing-masing family product pada tiap tiap minggunya
adalah bilangan integer.
b. Total time yang digunakan untuk aktivitas produksi harus lebih kecil atau
sama dengan production time yang tersedia setiap minggunya.
c. Total production harus sama dengan production requirement di tiap
periodenya.
Jika telah terisi maka akan terlihat seperti gambar di bawah ini

4. Solver
a. Buka Solver di menu Data.
b. Masukkan Total Pisau Lipat pada Set Objective.
c. Pilih Value of pada Equal to, isikan dengan Total Tas pada kolom
Produksi.
d. Masukkan cell Pisau Lipat pada By Changing Variable Cells.
e. Klik Add, masukkan cells C13 sampai F14 pada Cell Reference, ganti
tanda dengan “int” atau integer.
f. Klik Add, masukkan cells C18 sampai F18 pada Cell Reference, ganti
tanda dengan “<=”, masukkan cells C19 sampai F19 pada Constraint.
g. Klik Add, masukkan cells G13 sampai G14 pada Cell Reference, ganti
tanda dengan “=”, masukkan cells H13 sampai H14 pada Constraint.
h. Centang pada kolom Make Unconstrainted Variables Non-Negative.
i. Pilih GRG Nonlinear pada Select a Solving Method.
j. Klik Solve.
 Tabel 23. Solver Parameter Disagregasi
Solver Parameter
Set Objective $G$15
Equal to Value Of 5280
By Changing Variable $C$13:$F$14
Cells
$C$13:$F$14 = integer
Subject to the Constraints $C$18:$F$18 <=
$C$19:$F$19
$G$13:$G$14 =
$H$13:$H$14

5. Output Solver
KESIMPULAN