KELOMPOK 40
21.04.211.00019
21.04.211.00062
Shift :4
Asisten : Fito Rolis Agung P.
Bab satu pada praktikum modul lima sub satu ini merupakan latar belakang dan
tujuan adalah sebagai berikut.
1.1 Latar Belakang
PT CARAKA HYANG YASA merupakan anak perusahan dari PT TI PRUT
yang dimana bergerak di bidang manufactur. Produk yang telah dihasilkan adalah
mobil MARVIN ( Mobile Automation with Robotic Vehicle Intelligence ) yang
berbahan akrilik. PT CARAKA HYANG YASA ini melakukan sebuah forecasting
atau peramalan yang dimana akan perusahaan untuk pemasaran pada produk
kedepan nya. Data permintaan sebelumnya menunjukkan tujuan mereka adalah
untuk meramalkan permintaan yang akan datang. Untuk mencapai tujuan ini,
perusahaan menggunakan strategi aggregate planning untuk merencanakan proses
produksi terbaik memahami dan memenuhi permintaan yang ada.
Forecasting atau peralaman merupakan suatu pernyataan mengenai nilai yang
dimana akan datang dari variabel. Prediksi pemasar an akan lebih baik dengan
menggunakan banyak informasi (Nasution, 2019). Aggregate Planning merupakan
sebuah proses perencanaan kuantitas yang dimana dari pengaturan waktu
pengeluaran selama periode waktu terntentu mulai menyusun variable -variabel
tingkat produksi, karyawan, persediaan variabel -variabel yang dimana dapat
dikendalikan lainnya. Manfaat yang di peroleh dari aggregate planning ini salah
satunya adalah menjamin rencana penj ualan dan produksi yang dimana sesuai
dengan target persuahaan (Sari, 2021).
Praktikum pada modul lima sub satu forecasting and aggregate planning ini
adalah mengidentifikasi suatu masalah pada perusahaan yang sedang terjadi.
Melakukan permalan pasar yang dimana dengan melakukan rekapan data dan
melakukan agresi data dengan setiap wilayah. Menentukan data prediksi, digunakan
perangkat lunak POM-QM. Proses pengolahan data dimulai dengan
mengidentifikasi masalah, selanjutnya melakukan peramalan permintaan pasar,
mencari informasi umum, membuat perencanaan agregat, merangkum hasil
strategi, mengevaluasi data MPS, dan akhirnya melakukan analisis keseluruhan.
1.2 Tujuan
Tujuan dari praktikum terintegrasi modul lima sub satu ini adalah sebagai
berikut.
1. Mengetahui manfaat dan tujuan dari forecasting didalam dunia insdutri.
2. Memahami dan mengetahui manfaat dan tujuan dari agresi.
3. Memahami menggunakan metode teknik forecasting yang berguna untuk
memprediksi permintaan pasar dan sebagai renacana produksi.
4. Memahami dari proses perencanaan dan pengendalian pada produksi untuk
rencana sebagai yang dilakukan sehari hari.
5. Membuat rencana dari berbagai macam strategi.
6. Melakukan analisa dengan baik dari perbandingan dari berbagai strategi.
7. Merencanakan suatu produksi dengan cara menyeluruh yang fleksibel dan
optimal.
BAB II
LANDASAN TEORI
2.1 Forecasting
Menurut Zahriyah (2019), peramalan atau forecasting merupakan teknik atau
cara kuantitatif dalam memperkirakan apa yang akan terjadi pada masa yang akan
datang, dan tentunya membutuhkan data -data masa lampau sebagai acuan atau
dengan menggunakan data historis. Salah satu manfaat peramalan penjualan adalah
dapat memperkirakan penjualan secara akurat dari waktu ke waktu sehingga dapat
dibuat rencana produksi yang sesuai dengan perkiraan penjualan. Peramalan
penjualan dapat digunakan sebagai dasar perencanaan produksi untuk mencegah
terjadinya over production yang mengakibatkan perusahaan mengalami idle capital
maupun under production yang menyebabkan perusahaan kehilangan kesempatan
dalam menjual hasil produksinya.
Menurut Ambarwati (2021), forecasting merupakan kegiatan memperkirakan
permintaan di masa depan yang mencakup permintaan dalam ukuran jumlah,
kualitas, waktu, dan lokasi yang dibutuhkan saat melakukan upaya pemenuhan
permintaan produk maupun jasa. Forecasting dibutuhkan saat kondisi pasar bersifat
kompleks dan berubah-ubah. Forecasting yang akurat sangat dibutuhkan dalam
pengambilan keputusan manajemen dalam rangka menghadapi kondisi pasar bebas
yang dinamis bergantung pada aspek sosial, ekonomi, politik, teknologi, produk
pesaing, dan produk subtitusi. Sebelum menggunakan peramalan, ada beberapa
karakteristik yang perlu dipahami yakni sebagai berikut.
1. Hasil forecast mengandung kesalahan yang artinya peramalan dapat mengurangi
peluang ketidakpastian yang mungkin terjadi namun tida k dapat menghilangkan
ketidakpastian tersebut.
2. Peramalan menunjukkan ukuran kesalahan sehingga penting untuk menentukan
besarnya kesalahan yang mungkin terjadi.
3. Peramalan jangka pendek lebih akurat karena faktor -faktor yang mempengaruhi
permintaan relatif masih konstan.
2.2 Metode Peramalan
Time series model sering dikaitkan dengan model kuantitatif intrinsik. Berikut
adalah beberapa jenis metode peramalan.
1. Weight Moving Averages (WMA)
Menurut Zahriyah (2019), salah satu cara untuk mengubah pengaruh data masa
lalu terhadap nilai tengah sebagai ramalan adalah dengan menentukan sejak awal
berapa jumlah nilai observasi masa lalu yang akan dimasukkan untuk menghitung
nilai tengah atau nilai rata-rata. Untuk menggambarkan prosedur ini digunakan
istilah rata-rata bergerak ( moving average) karena setiap muncul nilai observasi
baru, nilai rata-rata baru dapat dihitung dengan membuang nilai observasi yang
lama dan memasukkan nilai observasi yang terbaru. Rata -rata bergerak ini yang
kemudian akan menjadi ramalan untuk periode mendatang. Perhatikan bahwa
jumlah titik data dalam setiap rata -rata bergerak tetap konstan dan observasi yang
dimasukkan adalah yang paling akhir atau terbaru. 36 Rumus yang digunakan
dalam menghitung dengan metode simple moving average sebagai berikut simple
moving average sebagai berikut:
∑ permintaan data n periode sebelum nya
𝑆𝑀𝐴 = ................................................................. (1)
𝑛
𝑏=
𝑛 .∑ 𝑥𝑦 −∑ 𝑥 . ∑ 𝑦
…… … …… … …… … …...................................................................(5)
𝑛 .∑ 𝑥 2 −(∑ 𝑥 ) 2
∑𝑥
𝑋= …… … …… … …… … …… … …… … …… … …… … …… … …… … …...(6)
𝑛
𝑌=
∑𝑦
…… … …… … …… … …… … …… … …… … …… … …… … …… … …… …...(7)
𝑛
Dengan:
Y = hasil peramalan
n = periode
a = perpotongan dengan sumbu tegak
b = menyatakan slope garis regresi
Metode praktikum yang digunakan dalam modul lima sub satu forecasting and
aggregate planning berisikan alat dan bahan serta flowchart adalah sebagai berikut.
3.1 Alat dan Bahan
Alat dan bahan yang akan digunakan dalam praktikum modul lima sub satu
berkaitan forecasting and aggregate planning adalah sebagai berikut:
3.1.1 Alat
Alat yang akan digunakan dalam praktikum modul lima sub satu berkaitan
forecasting and aggregate planning adalah sebagai berikut:
1. Laptop.
2. MS Office (Ms.Word, Ms.Excel, Ms.Visio).
3. Software POM-QM.
3.1.2 Bahan
Bahan yang akan digunakan dalam praktikum modul lima sub satu berkaitan
forecasting and aggregate planning adalah sebagai berikut:
1. Data hitoris demand selama 24 periode.
2. Modul lima lima sub satu tentang forecasting and aggregate planning.
3.1. Flowchart
Flowchart yang digunakan pada praktikum modul lima sub satu berkaitan
forecasting and aggregate planning dibagi menjadi dua yaitu flowchart praktikum
dan flowchart pengolahan data.
3.2.1 Flowchart Praktikum
Flowchart praktikum modul lima sub satu mengenai forecasting and
aggregate planning adalah sebagai berikut:
Mulai
Modul 5 Sub 1
forecasting and aggregate planning
Pre-test
Tidak Lulus
Post-test Nilai Pre-test 60
Lulus
Pengolahan Data
Asistensi 1
Asistensi 2
ACC
Laporan Resmi
Selesai
Mulai
Melakukan desagregasi
Tahap
Data informasi tambahan Data demand
Pengolahan Data
Selesai
Pengolahan data dalam praktikum modul lima sub satu tentang forecasting
and aggregate planning adalah sebagai berikut.
4.1 Identifikasi Permasalahan
PT TI PRUT adalah perusahaan yang bergerak dbidang manufaktur dan
memproduksi berbagai produk yaitu terdapat mobil mainan MARVIN H1 (Mobile
Automation with Robotic Vehicle Intelligence ) berbasis arduino dengan bahan dasar
akrilik, mobil mainan MARVIN H2 (Mobile Automation with Robotic Vehicle
Intelligence) dengan bahan dasar filamen, dan jam VISCO R (Vintage Desk Clock
Sisman Corporation) dengan bahan dasar kayu. PT. CARAKA HYANG YASA
merupakan anak perusahaan yang akan membantu p erhitungan peramalan yang
sesuai agar pemasaran dapat berjalan dengan baik sehingga tidak akan terjadi
kerugian dan meminimal biaya produksi. Peramalan yang dilakukan pada produk
terdapat mobil mainan MARVIN H1 (Mobile Automation with Robotic Vehicle
Intelligence) berbasis arduino dengan bahan dasar akrilik, mobil mainan MARVIN
H2 (Mobile Automation with Robotic Vehicle Intelligence ) dengan bahan dasar
filamen, dan jam VISCO R (Vintage Desk Clock Sisman Corporation). Perusahaan
menentukan harga jual dari produk H1 (akrilik) sebesar Rp. 500.000.00, produk H2
filamen sebesar Rp. 150.000.00, dan produk R sebesar Rp. 300.000.00. Data
didapatkan dari data historis 24 periode selama 6 bulan. Metode yang digunakan
pada peramalan (moving average, weight moving average, ekponential, dan linier
regresi).
Forecasting menggunakan metode terpilih dan disagregasi. Melakukan
perhitungan aggregat Planning dengan tiga metode level strategy (No Back Order
dan Back Order), Chase Strategy, Mixed Strategy dan parameter untuk mencapai
linier progamming. Kemudian melakukan Rekapitulasi Hasil Strategi, Rekapitulasi
Data MPS, dan Analisa Keseluruhan. Output yang didapatkan dari forecasting agar
perusahaan dapat merencanakan produksi sesuai dengan demand yang didapatkan
di periode selanjutnya.
4.2 Forecasting Permintaan Pasar
Peramalan permintaan pasar pada dalam praktikum modul lima sub satu
tentang forecasting and aggregate planning adalah sebagai berikut.
4.2.1. Data Awal
Data awal pasar dalam praktikum modul lima sub satu tentang forecasting
and aggregate planning adalah sebagai berikut.
Tabel 5.4.1 Data awal
WILAYAH PERSEBARAN
PERIODE KENDAL SEMARANG BATANG PEKALONGAN
H1 H2 R H1 H2 R H1 H2 R H1 H2 R
1 245 250 172 227 225 180 236 171 109 172 237 130
2 224 243 143 206 156 166 186 208 136 222 238 122
3 193 150 137 230 184 121 151 189 177 195 185 123
4 211 193 109 154 179 136 217 245 131 243 245 161
5 207 151 174 214 194 170 152 187 149 232 229 154
6 250 195 157 223 163 131 186 241 146 190 196 149
7 179 241 176 167 237 146 215 195 110 247 210 169
8 224 204 149 193 229 122 161 230 128 158 222 118
9 207 200 145 215 193 171 224 158 140 250 247 115
10 174 158 174 192 208 111 221 185 105 245 241 155
11 244 195 162 235 183 175 207 170 171 188 197 127
12 207 211 148 185 183 142 213 160 142 208 222 128
13 205 167 180 201 156 101 224 223 100 246 246 172
14 226 171 172 227 172 162 163 188 120 228 159 109
15 235 221 170 216 229 141 224 178 109 223 206 151
16 245 188 159 207 231 113 224 183 127 169 155 142
17 182 202 139 227 188 150 161 177 129 200 152 168
18 240 206 103 155 210 122 204 240 124 247 155 140
19 199 184 102 184 233 129 244 232 124 234 150 145
20 228 175 123 219 206 123 194 218 100 234 191 175
21 192 170 178 245 186 118 213 182 139 169 234 161
22 237 224 139 197 189 147 237 224 170 241 240 121
23 173 248 115 241 196 101 171 158 104 156 205 100
24 200 197 178 210 237 125 183 245 102 229 197 117
JUMLAH 5127 4744 3604 4970 4767 3303 4811 4787 3092 5126 4959 3352
Tabel 5.4.1 Data awal merupakan data awal yang teridri dari 24 periode.
Forecasting bertujuan untuk menentukan peralamalan permintaan pasar. Data ini
terdiri dari empat wilayah yaitu Kendal, Semarang, Batang dan Pekalongan.
Produk yang dipasarkan adalah MARVIN H1 dengan harga Rp. 500.000.00 ,
MARVIN H2 dengan harga Rp. 150.000.00 dan VISCO R dengan harga Rp.
300.000.00.
4.2.2. Agregasi Data
Agregasi data dalam praktikum modul lima sub satu tentang Forecasting and
aggregate planning adalah sebagai berikut.
Tabel 5.4.2 Agregasi data
DATA PENJUALAN
PERIODE KENDAL SEMARANG BATANG PEKALONGAN
H1 H2 R H1 H2 R H1 H2 R H1 H2 R
1 122500 37500 51600 113500 33750 54000 118000 25650 32700 86000 35550 39000
2 112000 36450 42900 103000 23400 49800 93000 31200 40800 111000 35700 36600
3 96500 22500 41100 115000 27600 36300 75500 28350 53100 97500 27750 36900
4 105500 28950 32700 77000 26850 40800 108500 36750 39300 121500 36750 48300
5 103500 22650 52200 107000 29100 51000 76000 28050 44700 116000 34350 46200
6 125000 29250 47100 111500 24450 39300 93000 36150 43800 95000 29400 44700
7 89500 36150 52800 83500 35550 43800 107500 29250 33000 123500 31500 50700
8 112000 30600 44700 96500 34350 36600 80500 34500 38400 79000 33300 35400
9 103500 30000 43500 107500 28950 51300 112000 23700 42000 125000 37050 34500
10 87000 23700 52200 96000 31200 33300 110500 27750 31500 122500 36150 46500
11 122000 29250 48600 117500 27450 52500 103500 25500 51300 94000 29550 38100
12 103500 31650 44400 92500 27450 42600 106500 24000 42600 104000 33300 38400
13 102500 25050 54000 100500 23400 30300 112000 33450 30000 123000 36900 51600
14 113000 25650 51600 113500 25800 48600 81500 28200 36000 114000 23850 32700
15 117500 33150 51000 108000 34350 42300 112000 26700 32700 111500 30900 45300
16 122500 28200 47700 103500 34650 33900 112000 27450 38100 84500 23250 42600
17 91000 30300 41700 113500 28200 45000 80500 26550 38700 100000 22800 50400
18 120000 30900 30900 77500 31500 36600 102000 36000 37200 123500 23250 42000
19 99500 27600 30600 92000 34950 38700 122000 34800 37200 117000 22500 43500
20 114000 26250 36900 109500 30900 36900 97000 32700 30000 117000 28650 52500
21 96000 25500 53400 122500 27900 35400 106500 27300 41700 84500 35100 48300
22 118500 33600 41700 98500 28350 44100 118500 33600 51000 120500 36000 36300
23 86500 37200 34500 120500 29400 30300 85500 23700 31200 78000 30750 30000
24 100000 29550 53400 105000 35550 37500 91500 36750 30600 114500 29550 35100
JUMLAH 2563500 711600 1081200 2485000 715050 990900 2405500 718050 927600 2563000 743850 1005600
Tabel 5.4.2 merupakan agregasi data terdiri dari 24 periode. Agregasi data bertujuan
untuk mengelompokan antara produkyang sejenis didapatkan dari hasil penjualan di empat
wilayah. Data ini terdiri dari empat wilayah yaitu Kendal, Semarang, Batang dan
Tabel 1.4.3 merupakan agregasi tiap wilayah terdiri dari 24 periode. Agregasi
data bertujuan untuk mengelompokan antara produk yang sejenis didapatkan dari
hasil penjualan di empat wilayah. Data ini terdiri dari empat wilayah yaitu Kendal,
Semarang, Batang dan Pekalongan. Agregasi tiap wilayah digabungkan H1 dan
H2 dengan menjumlahkan nilai dari keduanya. Data tersebut telah dikelompokan
dari setiap wilayah. Data wilayah Kendal periode pertama produk H sebesar
160000 dan produk R sebesar 51600.
Tabel 5.4.4 Data aktual
DATA AKTUAL
PERIODE
H R
1 572450 177300
2 545750 170100
3 490700 167400
4 541800 161100
5 516650 194100
6 543750 174900
7 536450 180300
8 500750 155100
9 567700 171300
10 534800 163500
11 548750 190500
12 522900 168000
13 556800 165900
14 525500 168900
15 574100 171300
16 536050 162300
17 492850 175800
18 544650 146700
19 550350 150000
20 556000 156300
21 525300 178800
22 587550 173100
23 491550 126000
24 542400 156600
JUMLAH 12905550 4005300
AVERAGE 537731.3 166887.5
ROUNDUP 537732 166888
Tabel 5.4.4 merupakan agregasi data aktual dari tiap wilayah yang didapatkan dari
perhitungan. Agregasi data aktual bertujuan mengelompokan dat yang sejenis dari
penjualan yang telah didapatkan di empat wilayah daerah pemasaran. Data aktual
dikelompokan menjadi data produk H dan produk R di setiap wilayah didapatkan dari
penjumlahan di setiap produknya. Data aktual didapatkan untuk produk H sebesar 537732
dan produk R sebesar 166888.
Tabel 5.4.5 proporsi empat wilayah
KENDAL SEMARANG BATANG PEKALONGAN
PROPORSI H1 H2 H1 H2 H1 H2 H1 H2
78% 22% 78% 22% 77% 23% 78% 22%
Tabel 5.4.5 merupakan proporsi empat wilayah terdiri dari empat wilayah
yaitu Kendal, Semarang, Batang dan Pekalongan. Menjelaskan proporsi antara
produk MARVIN H1 dengan bahan akrilik dan MARVIN H2 dengan bahan
filamen. Hasil perhitungan tersebut didapatkan dari pembagian antara jumlah dari
MARVIN per wilayah dengan jumlah dari gabungan MARVIN. Proporsi pada
wilayah Kendal dihasilkan produk H1 sebesar 78% dan produk H2 sebesar 22%.
Tabel 5.4.6 proporsi empat wilayah
KENDAL SEMARANG BATANG PEKALONGAN
PROPORSI H R H R H R H R
25% 27% 25% 25% 24% 23% 26% 25%
Tabel 5.4.6 merupakan proporsi empat wilayah terdiri dari empat wilayah
yaitu Kendal, Semarang, Batang dan Pekalongan. Menjelaskan proporsi antara
produk MARVIN H1 dengan VISCO R. Hasil perhitungan tersebut didapatkan
dari pembagian antara jumlah dari MARVIN per wilayah dengan data aktual.
Proporsi pada wilayah Kendal dihasilkan produk H sebesar 25% dan produk R
sebesar 27%.
4.2.3 Forecasting Produk
Forecasting dalam praktikum modul lima sub satu tentang Forecasting and
aggregate planning sebagai berikut.
Tabel 5.4.26 merupakan hasil harga dalam Forecasting yang sudah dilakukan.
Hasil Forecasting dari produk H dan produk R yang terdapat enam periode.
Dilakukan perbandingan antara jumlah agregasi di tiap wilayah dari jumlah data
aktual sehingga proporsi yang digunakan. Hasil Forecasting periode pertama
wilayah Kendal mendapatkan nilai produk H sebesar 136965 unit dan produk R
sebesar 41844 unit. Wilayah Semarang nilai produk H sebesar 133827 unit dan
produk R sebesar 38386 unit. Wilayah Batang nilai produk H sebesar 130627 unit
dan produk R sebesar 35934 unit. Wilayah Pekalongan nilai produk H sebesar
138293 unit dan produk R sebesar 38956 unit.
Tabel 5.4.27 Proporsi penjualan di empat wilayah
KENDAL SEMARANG BATANG Pekalongan
PROPORSI H1 H2 H1 H2 H1 H2 H1 H2
78% 22% 78% 22% 77% 23% 78% 22%
KENDAL
Forecasting Forecasting 78% 22% 100%
H R H1 H2 R
136965 41884 107206 29759 41884
137005 41631 107238 29768 41631
137046 41378 107269 29777 41378
137086 41124 107300 29785 41124
137126 40871 107332 29794 40871
137166 40618 107363 29803 40618
Tabel 5.4.28 merupakan disagregasi proprosi pada wilayah Kendal. Hasil
Forecasting produk H dan R yang telah didapatkan dari hasil tabel sebelumnya.
Hasil dari H1 dihasilkan dari perkalian hasil Forecasting H1 dengan proprosi
78% dengan hasil sebesar 107206. Hasil dari H2 dihasilkan dari perkalian hasil
Forecasting H2 dengan proprosi 22% dengan hasil sebesar 29759. Hasil dari R
dihasilkan dari perkalian hasil Forecasting R dengan proprosi 100% dengan hasil
sebesar 41884.
Tabel 5.4.29 Disagregasi proprosi wilayah Semarang
SEMARANG
Forecasting Forecasting 78% 22% 100%
H R H1 H2 R
133827 38386 103923 29904 38386
133866 38154 103954 29912 38154
133905 37922 103984 29921 37922
133945 37690 104015 29930 37690
133984 37458 104045 29939 37458
134023 37226 104076 29947 37226
BATANG
Forecasting Forecasting 77% 23% 100%
H R H1 H2 R
130627 35934 100598 30029 35934
130666 35717 100628 30038 35717
130704 35499 100658 30047 35499
130743 35282 100687 30055 35282
130781 35065 100717 30064 35065
130819 34848 100746 30073 34848
Tabel 5.4.30 merupakan disagregasi proprosi terdapat pada wilayah Batang.
Hasil Forecasting produk H dan R yang telah didapatkan dari hasil tabel
sebelumnya. Hasil dari H1 dihasilkan dari perkalian hasil Forecasting H1 dengan
proprosi 77% dengan hasil sebesar 100598. Hasil dari H2 dihasilkan dari
perkalian hasil Forecasting H2 dengan proprosi 23% dengan hasil sebesar 23009.
Hasil dari R dihasilkan dari perkalian hasil Forecasting R dengan proprosi 100%
dengan hasil sebesar 35934.
Tabel 5.4.31 Disagregasi proprosi wilayah Pekalongan
PEKALONGAN
Forecasting Forecasting 78% 22% 100%
H R H1 H2 R
138293 38956 107185 31108 38956
138334 38720 107217 31117 38720
138374 38484 107248 31126 38484
138415 38249 107280 31135 38249
138456 38013 107311 31144 38013
138496 37778 107343 31154 37778
Tabel 5.4.31 merupakan disagregasi proprosi terdapat pada wilayah Semarang.
Hasil Forecasting produk H dan R yang telah didapatkan dari hasil tabel
sebelumnya. Hasil dari H1 dihasilkan dari perkalian hasil Forecasting H1 dengan
proprosi 78% dengan hasil sebesar 107185. Hasil dari H2 dihasilkan dari
perkalian hasil Forecasting H2 dengan proprosi 22% dengan hasil sebesar 31108.
Hasil dari R dihasilkan dari perkalian hasil Forecasting R denga n proprosi 100%
dengan hasil sebesar 38956.
Tabel 5.4.32 Disagregasi proprosi wilayah Kendal
KENDAL
H1 H2 R H1 H2 R
Rupiah 500 150 300
107206 29759 41884 214 198 140
107238 29768 41631 214 198 139
107269 29777 41378 215 199 138
107300 29785 41124 215 199 137
107332 29794 40871 215 199 136
107363 29803 40618 215 199 135
Tabel 5.4.32 merupakan disagregasi proprosi terdapat wilayah Kendal.
Rekapan hasil dari produk H1, H2 dan R didapatkan dari tabel disagregasi wilayah
Kendal. Hasil H1 didapatkan dari perbandingan produk H1 dengan harga H1maka
H1 sebesar 500 rupiah, H2 sebesar 150 rupiah dan R sebesar 300 rupiah.
Tabel 5.4.33 Disagregasi proprosi wilayah Semarang
SEMARANG
H1 H2 R H1 H2 R
Rupiah 500 150 300
103923 29904 38386 208 199 128
103954 29912 38154 208 199 127
103984 29921 37922 208 199 126
104015 29930 37690 208 200 126
104045 29939 37458 208 200 125
104076 29947 37226 208 200 124
Tabel 5.4.33 merupakan disagregasi proprosi terdapat wilayah Semarang.
Rekapan hasil dari produk H1, H2 dan R didapatkan dari tabel disagregasi wilayah
Kendal. Hasil H1 didapatkan dari perbandingan produk H1 dengan harga H1maka
H1 sebesar 500 rupiah, H2 sebesar 150 rupiah dan R sebesar 300 rupiah.
Tabel 5.4.34 Disagregasi proprosi wilayah Batang
BATANG
H1 H2 R H1 H2 R
Rupiah 500 150 300
100598 30029 35934 201 200 120
100628 30038 35717 201 200 119
100658 30047 35499 201 200 118
100687 30055 35282 201 200 118
100717 30064 35065 201 200 117
100746 30073 34848 201 200 116
Tabel 5.4.34 merupakan disagregasi proprosi terdapat wilayah Batang. Rekapan
hasil dari produk H1, H2 dan R didapatkan dari tabel disagregasi wilayah Kendal.
Hasil H1 didapatkan dari perbandingan produk H1 dengan harga H1maka H1
sebesar 500 rupiah, H2 sebesar 150 rupiah dan R sebesar 300 rupiah.
Tabel 5.4.35 Disagregasi proprosi wilayah Pekalongan
PEKALONGAN
H1 H2 R H1 H2 R
Rupiah 500 150 300
107185 31108 38956 214 207 130
107217 31117 38720 214 207 129
107248 31126 38484 214 208 128
107280 31135 38249 215 208 127
107311 31144 38013 215 208 127
107343 31154 37778 215 208 126
Tabel 5.4.35 merupakan disagregasi proprosi terdapat wilayah Batang. Rekapan
hasil dari produk H1, H2 dan R didapatkan dari tabel disagregasi wilayah Kendal.
Hasil H1 didapatkan dari perbandingan produk H1 dengan harga H1 maka H1
sebesar 500 rupiah, H2 sebesar 150 rupiah dan R sebesar 300 rupiah.
Tabel 5.4.36 disagregasi produk H1, H2 dan R
DEMAND
JAWA TENGAH
PERIODE
H R
January 1643 517
February 1644 514
March 1644 511
April 1645 508
May 1645 505
June 1646 502
Jumlah 9866 3056
Tabel 5.4.38 merupakan rekapan hasil demand yang didapatkan dari hasil
disagregasi produk H dan R di empat wilayah. Wilayah tersebut yaitu terdiri dari
empat wilayah yaitu Kendal, Semarang, Batang dan Pekalongan. Produk yang
digunakan adalah produk H dan produk R si empat wilayah dengan enam periode
atau enam bulan. Pada produk H demand bulan Januari sebesar 1643, bulan februari
sebesar 1644, bulan maret sebesar 1644, bulan April sebesar 1645, bulan Mei 1645
dan Juni sebesar 1646 dengan jumlah 98 66. Pada produk R demand bulan januari
sebesar 517, bulan februari sebesar 514, bulan maret sebesar 511, bulan April
sebesar 508, bulan Mei 505 dan Juni sebesar 502 dengan jumlah 3056.
4.3 Informasi Umum
Informasi umum dari praktikum modul lima sub satu forecasting and aggregate
planning adalah sebagai berikut
Tabel 5.4.39 Informasi umum
Informasi Tambahan
Produk / Pekerja 8
Hiring cost Rp 785.000,00
Layoff cost Rp 5.450.000,00
Labour cost / wages Rp 115.000,00
Holding cost Rp 10.000,00
Back order cost Rp 1.500.000,00
Worker available 8
Tabel 5.4.39 informasi umum digunakan agar perusahaan dapat membuat
produk sesuai permintaan konsumen dan permintaan konsumen dapat dipenuhi
dengan biaya produksi minimum. Strategi yang dipakai pada aggregate planning
adalah level strategy, chase strategy, mix strategi, dan linier programming. Strategi
yang akan dipilih adalah strategi dengan biaya terkecil. Data pada informasi umum
meliputi produk/pekerja sebanyak 8 unit, hiring cost sebesar Rp.785.000, layoff
cost sebesar Rp.5.450.000, labour cost sebesar Rp.115.000, holding cost sebesar
Rp.10.000, back order cost sebesar 1.500.000, dan worker available sebanyak 8
pekerja.
1644
= RoundUp
148
= 13 pekerja
5. Worker hiring = ((pekerja yang dibutuhkan – pekerja yang tersedia)
+ ABS (pekerja yang dibutuhkan – pekerja yang
tersedia))/2
= ((12-8) + ABS (12-8))/2
=5
6. Hiring cost = biaya penam bahan TK x hiring cost
= 5 x Rp 785.000
= Rp 3.925.000
7. Worker lay off = ((pekerja yang tersedia – pekerja yang dibutuhkan)
+ ABS (pekerja yang tersedia – pekerja yang
dibutuhkan))/2
= 0 pekerja
8. Lay 0ff cost = biaya PHK x jumlah PHK
= Rp 5.450.000 x 16
= Rp 0
9. Worked used = pekerja yang dibutuhkan
= 13 pekerja
10. Labour cost = jumlah pekerja yang digunakan x hari kerja periode
t x gaji
= 1 x 22 x Rp 115.000
= Rp 32.890.000
11. Unit produced = unit produksi x hari x pekerja yang dibutuhkan
= 8 x 22 x 13
= 2288
12. Net inventory = unit produk – demand
= 2288 – 1643
= 645
13. Holding cost = (inventory + ABS (inventory))/2 x biaya
Simpan
= (645 + ABS(645))/2 x Rp 10.000
= Rp 6.448.433,81
(𝑑𝑒𝑚 𝑎𝑛 𝑑 −𝑢𝑛 𝑖𝑡 𝑝𝑟𝑜𝑑𝑢𝑐𝑒𝑑 ) +𝑑𝑒𝑚 𝑎𝑛 𝑑 −𝑢𝑛 𝑖𝑡 𝑝𝑟𝑜𝑑𝑢𝑐𝑒𝑑
14. Net backorder =
2
(1643 −2288) +1643 −2288
=
2
=0
15. Backorder cost = net backorde r x backorder cost
= 0 x Rp 1.500.000
= Rp –
16. Total cost = biaya penambahan pekerja + biaya PHK + gaji +
biaya simpan inventory + biaya back order
= Rp 3.925.000 + Rp 0 + Rp 32.890.000 + Rp.
6.448.433,81 + Rp –
= Rp 43.263.433,81
Tabel 5.4.40 No back order
Periode Januari Februari Maret April Mei Juni Total
Days (Hari) 22 19 18 16 18 18 111
Worker (unit) 176 152 144 128 144 144 888
Demand 1643 1644 1644 1645 1645 1646 9866
Worker Needed (Pekerja) 13 13 13 13 13 13 78
Worker Available (Pekerja 8 13 13 13 13 13 73
Worker Hiring (Pekerja) 5 0 0 0 0 0 5
Hiring Cost (Rp) Rp 3.925.000,00 Rp - Rp - Rp - Rp - Rp - Rp 3.925.000,00
Worker Layoff (Pekerja) 0 0 0 0 0 0 0
Layoff Cost (Rp) Rp - Rp - Rp - Rp - Rp - Rp - Rp -
Worker Used (Pekerja) 13 13 13 13 13 13 78
Labour Cost (Rp) Rp 32.890.000,00 Rp 28.405.000,00 Rp 26.910.000,00 Rp 23.920.000,00 Rp 26.910.000,00 Rp 26.910.000,00 Rp 165.945.000,00
Unit Produced (Unit) 2288 1976 1872 1664 1872 1872 11544
Net Inventroy (Unit) 645 977 1205 1224 1451 1678 7181
Holding Cost (Rp) Rp 6.448.433,81 Rp 9.772.042,07 Rp 12.050.824,80 Rp 12.244.781,99 Rp 14.513.913,64 Rp 16.778.219,76 Rp 71.808.216,08
Net Backorder (Unit) 0 0 0 0 0 0 0
Backorder Cost (Rp) Rp - Rp - Rp - Rp - Rp - Rp - Rp -
Total Cost (Rp) Rp 43.263.433,81 Rp 38.177.042,07 Rp 38.960.824,80 Rp 36.164.781,99 Rp 41.423.913,64 Rp 43.688.219,76 Rp 241.678.216,08
1644
= RoundUp
148
= 12 pekerja
5. Worker hiring = ((pekerja yang dibutuhkan – pekerja yang tersedia)
+ ABS (pekerja yang dibutuhkan – pekerja yang
tersedia))/2
= ((12-8) + ABS (12-8))/2
=4
6. Hiring cost = biaya penamahan TK x hiring cost
= 4 x Rp 785.000
= Rp 3.140.000
7. Worker lay off = ((pekerja yang tersedia – pekerja yang dibutuhkan)
+ ABS (pekerja yang tersedia – pekerja yang
dibutuhkan))/2
= 0 pekerja
8. Lay 0ff cost = biaya PHK x jumlah PHK
= Rp 5.450.000 x 0
= Rp 0
9. Worked used = pekerja yang dibutuhkan
= 12 pekerja
10. Labour cost = jumlah pekerja yang digunakan x hari kerja periode
t x gaji
= 12 x 22 x Rp 115.000
= Rp 30.360.000
11. Unit produced = unit produksi x hari x pekerja yang dibutuhkan
= 8 x 22 x 12
= 2112
12. Net inventory = unit produk – demand
= 2112 – 1643
= 469
13. Holding cost = (inventory + ABS (inventory))/2 x biaya
Simpan
= (469 + ABS(469))/2 x Rp 10.000
= Rp 4.688.433,81
(𝑑𝑒𝑚 𝑎𝑛 𝑑 −𝑢𝑛 𝑖𝑡 𝑝𝑟𝑜𝑑𝑢𝑐𝑒𝑑 ) +𝑑𝑒𝑚 𝑎𝑛 𝑑 −𝑢𝑛 𝑖𝑡 𝑝𝑟𝑜𝑑𝑢𝑐𝑒𝑑
14. Net backorder =
2
(1643 −2112) +1643 −2112
=
2
=0
15. Backorder cost = net backorder x backorder cost
= 0 x Rp 1.500.000
= Rp –
16. Total cost = biaya penambahan pekerja + biaya PHK + gaji +
biaya simpan inventory + biaya back order
= Rp 3.140.000 + Rp 0 + Rp 30.360.000 + Rp
4.688.433,81 + Rp –
= Rp 38.188.433,81
Tabel 5.4.41 Back order
Periode Januari Februari Maret April Mei Juni Total
Days (Hari) 22 19 18 16 18 18 111
Worker (unit) 176 152 144 128 144 144 888
Demand 1643 1644 1644 1645 1645 1646 9866
Worker Needed (Pekerja) 12 12 12 12 12 12 72
Worker Available (Pekerja 8 12 12 12 12 12 68
Worker Hiring (Pekerja) 4 0 0 0 0 0 4
Hiring Cost (Rp) Rp 3.140.000,00 Rp - Rp - Rp - Rp - Rp - Rp 3.140.000,00
Worker Layoff (Pekerja) 0 0 0 0 0 0 0
Layoff Cost (Rp) Rp - Rp - Rp - Rp - Rp - Rp - Rp -
Worker Used (Pekerja) 12 12 12 12 12 12 72
Labour Cost (Rp) Rp 30.360.000,00 Rp 26.220.000,00 Rp 24.840.000,00 Rp 22.080.000,00 Rp 24.840.000,00 Rp 24.840.000,00 Rp 153.180.000,00
Unit Produced (Unit) 2112 1824 1728 1536 1728 1728 10656
Net Inventroy (Unit) 469 649 733 624 707 790 3973
Holding Cost (Rp) Rp 4.688.433,81 Rp 6.492.042,07 Rp 7.330.824,80 Rp 6.244.781,99 Rp 7.073.913,64 Rp 7.898.219,76 Rp 39.728.216,08
Net Backorder (Unit) 0 0 0 109 0 0 109
Backorder Cost (Rp) Rp - Rp - Rp - Rp 162.906.421,53 Rp - Rp - Rp 162.906.421,53
Total Cost (Rp) Rp 38.188.433,81 Rp 32.712.042,07 Rp 32.170.824,80 Rp 191.231.203,52 Rp 31.913.913,64 Rp 32.738.219,76 Rp 358.954.637,61
Tabel 5.4.41 diatas merupakan data dari perhitungan aggregate planning
menggunakan level strategy. Perhitungan back order bertujuan untuk memenuhi
pesanan dan tidak ada barang yang akan di kembalikan . Tabel diatas
menggunakan 6 bulan yaitu Januari, Februari, Maret, April, Mei dan Juni dengan
periode Days (Hari), Worker (unit), Demand, Worker Needed (Pekerja), Worker
Available (Pekerja), Worker Hiring (Pekerja), Hiring Cost (Rp), Worker Layoff
(Pekerja), Layoff Cost (Rp), Worker Used (Pekerja), Labour Cost (Rp), Unit
Produced (Unit), Net Inventroy (Unit), Holding Cost (Rp), Net Backorder (Unit),
Backorder Cost (Rp). Hasil data dari strategy no backorder menggunakan waktu
kerja 22 hari pada bulan Januari, Worker (unit) 176, Demand 1643, Worker
Needed (Pekerja) 12, Worker Available (Pekerja) 8, Worker Hiring (Pekerja) 4,
Hiring Cost (Rp) Rp 3.140.000, Worker Layoff (Pekerja) 0, Layoff Cost (Rp) Rp
0, Worker Used (Pekerja) 12, Labour Cost (Rp) Rp 30.360.000, Unit Produced
(Unit) 2112, Net Inventroy (Unit) 469, Holding Cost (Rp) Rp 4.688.433,81, Net
Backorder (Unit) 0, Backorder Cost (Rp) Rp - dengan Total Cost (Rp) Rp
38.188.433,81
4.4.2 Chase Strategy
Berikut ini chase strategy pada praktikum modul lima sub bab satu
forecasting and aggregate planning sebagai berikut.
Perhitungan manual chase strategy bulan Januari pada pengolahan data
modul lima sub bab satu sebagai berikut.
1. Days = 22 hari
2. Demand = 176
3. Unit worker = produk yang dihasilkan per hari x hari
= 8 unit x 22
= 176 unit/pekerja
𝑟𝑎𝑡𝑎 −𝑟𝑎𝑡𝑎 𝑑𝑒 𝑚𝑎𝑛𝑑
4. Worker needed = RoundUp
𝑟𝑎𝑡𝑎 −𝑟𝑎𝑡𝑎 𝑝𝑟𝑜𝑑𝑢 𝑘 𝑦𝑎𝑛 𝑔 𝑑𝑖ℎ𝑎𝑠𝑖𝑙𝑘𝑎𝑛
1644
= RoundUp
148
= 10 pekerja
5. Worker hiring = ((pekerja yang dibutuhkan – pekerja yang tersedia)
+ ABS (pekerja yang dibutuhkan – pekerja yang
tersedia))/2
= ((10-8) + ABS (10-8))/2
=2
6. Hiring cost = biaya penamahan TK x hiring cost
= 2 x Rp 785.000
= Rp 1.570.000
7. Worker lay off = ((pekerja yang tersedia – pekerja yang dibutuhkan)
+ ABS (pekerja yang tersedia – pekerja yang
dibutuhkan))/2
= 0 pekerja
8. Lay 0ff cost = biaya PHK x jumlah PHK
= Rp 5.450.000 x 0
= Rp 0
9. Worked used = pekerja yang dibutuhkan
= 10 pekerja
10. Labour cost = jumlah pekerja yang digunakan x hari kerja periode
t x gaji
= 10 x 22 x Rp 115.000
= Rp 25.300.000
11. Unit produced = unit produksi x hari x pekerja yang dibutuhkan
= 8 x 22 x 10
= 1643
12. Net inventory = unit produk – demand
= 1643 – 1643
=0
13. Holding cost = (inventory + ABS (inventory))/2 x biaya simpan
= (0 + ABS(0))/2 x Rp 10.000
= Rp 0
(𝑑𝑒𝑚 𝑎𝑛 𝑑 −𝑢𝑛 𝑖𝑡 𝑝𝑟𝑜𝑑𝑢𝑐𝑒𝑑 ) +𝑑𝑒𝑚 𝑎𝑛 𝑑 −𝑢𝑛 𝑖𝑡 𝑝𝑟𝑜𝑑𝑢𝑐𝑒𝑑
14. Net backorder =
2
(176 −1643) +176 −1643
=
2
=0
15. Backorder cost = net backorder x backorder cost
= 0 x Rp 1.500.000
= Rp 0
16. Total cost = biaya penambahan pekerja + biaya PHK + gaji +
biaya simpan inventory + biaya back order
= Rp 1.570.000 + Rp 0 + Rp 25.300.000 + Rp 0 + Rp
0
= Rp 26.870.000
Tabel 5.4.42 Chase strategy
1644
= RoundUp
148
= 11 pekerja
5. Worker hiring = ((pekerja yang dibutuhkan – pekerja yang tersedia)
+ ABS (pekerja yang dibutuhkan – pekerja yang
tersedia))/2
= ((11-8) + ABS (11-8))/2
=3
6. Hiring cost = biaya penamahan TK x hiring cost
= 3 x Rp 785.000
= Rp 2.355.000
7. Worker lay off = ((pekerja yang tersedia – pekerja yang dibutuhkan)
+ ABS (pekerja yang tersedia – pekerja yang
dibutuhkan))/2
= 0 pekerja
8. Lay 0ff cost = biaya PHK x jumlah PHK
= Rp 5.450.000 x 0
= Rp 0
9. Worked used = pekerja yang dibutuhkan
= 11 pekerja
10. Labour cost = jumlah pekerja yang digunakan x hari kerja periode
t x gaji
= 11 x 22 x Rp 115.000
= Rp 27.830.000
11. Unit produced = unit produksi x hari x pekerja yang dibutuhkan
= 8 x 22 x 11
= 1936
12. Net inventory = unit produk – demand
= 1936 – 1643
= 293
13. Holding cost = (inventory + ABS (inventory))/2 x biaya simpan
= (297 + ABS(297))/2 x Rp 10.000
= Rp 2.928.433,81
(𝑑𝑒𝑚 𝑎𝑛 𝑑 −𝑢𝑛 𝑖𝑡 𝑝𝑟𝑜𝑑𝑢𝑐𝑒𝑑 ) +𝑑𝑒𝑚 𝑎𝑛 𝑑 −𝑢𝑛 𝑖𝑡 𝑝𝑟𝑜𝑑𝑢𝑐𝑒𝑑
14. Net backorder =
2
(176 −1936 −176) +176 −1936
=
2
=0
15. Backorder cost = net backorder x backorder cost
= 0 x Rp 1.500.000
= Rp –
16. Total cost = biaya penambahan pekerja + biaya PHK + gaji +
biaya simpan inventory + biaya back order
= Rp - + Rp 87.200.00 + Rp 27.830.000 + Rp
2.966.990 + Rp –
= Rp 33.113.433,81
Tabel 5.4.43 Mixed strategy
Periode Januari Februari Maret April Mei Juni Total
Days (Hari) 22 19 18 16 18 18 111
Worker (unit) 176 152 144 128 144 144 888
Demand 1643 1644 1644 1645 1645 1646 9866
Worker Needed (Pekerja) 11 11 13 13 12 12 72
Worker Available (Pekerja 8 11 11 13 13 12 68
Worker Hiring (Pekerja) 3 0 2 0 0 0 5
Hiring Cost (Rp) Rp 2.355.000,00 Rp - Rp 1.570.000,00 Rp - Rp - Rp - Rp 3.925.000,00
Worker Layoff (Pekerja) 0 0 0 0 1 0 1
Layoff Cost (Rp) Rp - Rp - Rp - Rp - Rp 5.450.000,00 Rp - Rp 5.450.000,00
Worker Used (Pekerja) 11 11 13 13 12 12 72
Labour Cost (Rp) Rp 27.830.000,00 Rp 24.035.000,00 Rp 26.910.000,00 Rp 23.920.000,00 Rp 24.840.000,00 Rp 24.840.000,00 Rp 152.375.000,00
Unit Produced (Unit) 1936 1672 1872 1664 1728 1728 10600
Net Inventroy (Unit) 293 321 549 568 651 734 3117
Holding Cost (Rp) Rp 2.928.433,81 Rp 3.212.042,07 Rp 5.490.824,80 Rp 5.684.781,99 Rp 6.513.913,64 Rp 7.338.219,76 Rp 31.168.216,08
Net Backorder (Unit) 0 0 0 0 0 0 0
Backorder Cost (Rp) Rp - Rp - Rp - Rp - Rp - Rp - Rp -
Total Cost (Rp) Rp 33.113.433,81 Rp 27.247.042,07 Rp 33.970.824,80 Rp 29.604.781,99 Rp 36.803.913,64 Rp 32.178.219,76 Rp 192.918.216,08
Tabel 5.4.45 diatas merupakan hasil dari rekapitulasi hasil strategi yang dimana
menunjuk kan dari Back Order, No Back Order, Chase Strategy, Mixed Strategy,
Linear Programing. Nilai cost dari metode Back Order sebesar Rp 358.954.637,61,
No Back Order sebesar Rp 241.678.216,08, Chase Strategy sebesar Rp
157.150.000,00, Mixed Strategy sebesar Rp. 192.918.216,08 , Linear Programing
sebesar Rp 156.951.135,71.
Demand Proporsi
Periode H1 H2 R
H R
78% 22% 100%
January 1643 517 1275 368 517
February 1644 514 1276 368 514
March 1644 511 1276 368 511
April 1645 508 1276 368 508
May 1645 505 1277 368 505
June 1646 502 1277 368 502
Tabel... merupakan rekapan data MPS. Hasil data MPS ini berisi demand serta
proporsi. Demand sendiri terdiri dari H dan R sedangkan proporsi terdiri dari H1
78%,H2 22%, dan R 100%. Pada demand januari pada produk H diperoleh data
sebanyak 1643 dan R diperoleh 517. Proporsi H1 78% pada bulan januari yaitu
sebanyak 1275, H2 proporsi 22% menghasilkan 368, dan R dengan proporsi 100%
sebanyak 517.
DAFTAR PUSTAKA