Acc M5S1 - Kelompok 40

2023
SEMENTARA MODUL 5 SUB 1

MODUL 5 SUB 1
PRAKTIKUM TERINTEGRASI TAHUN 2023

“FORECASTING AND AGGREGATE
PLANNING”
KELOMPOK 40
Nama : Veronika Feni S

Achmad Kharis B
Eva Fauziah
Aldi Hutama
Bagas Dwi Oktavian
NIM : 21.04.211.00122
21.04.211.00091
21.04.211.00160
LAPORAN RESMI
21.04.211.00019
21.04.211.00062
Shift :4
Asisten : Fito Rolis Agung P.
LABO RATO RI UM TERINTEG RASI

LABO RATO RI UM SISTEM M ANUFAK TUR
FAK ULTAS TEK NIK
UNI VERSITAS TRUNOJO YO M ADURA
Jl. Raya Telang, Kamal, Bangkalan, 69162
BAB I
PENDAHULUAN
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
2. Single Exponential Smoothing (SES)

Menurut Zahriyah (2019), metode ini bobot yang diberikan kepada permintaan
periode sebelumnya berkurang secara eksponensial bila data tersebut semakin tua
usianya. Jadi, data permintaan yang paling baru akan menerima bobot lebih besar
daripada data permintaan yang lebih tua. Model exponential smoothing seperti
halnya dengan rata-rata bergerak tertimbang, metode penghalusan exponential
cocok digunakan untuk data berfluktuasi relatif besar, dan sediaan data terbatas.
Ada enam pertimbangan sehingga metode exponential smoothing diterima luas oleh
analis data, yaitu:
(1) Hasil ramalan dengan metode eksponensial relatif lebih akurat.
(2) Formulasi model lebih mudah dimengerti.
(3) Pengguna dapat memahami bagaimana model ini menghasilkan ramalan.
(4) Hanya memerlukan perangkat komputer yang sederhana karena data historis
yang diolah sederhana.
(5) Hanya memerlukan perhitungan yang sederhana, dan
(6) Pengujian keakuratan hasil ramalan mudah dilakukan. Untuk mengaplikasi
model maka langkah pertama yang harus dilakukan adalah dengan menet apkan
faktor penghalus alpha (α).
Praktik, faktor faktor penghalus ini lazim dipakai konstan 0,05 atau 0,1. Model
penghalusan eksponensial yang sederhana, dipakai asumsi bahwa ramalan untuk
periode sekarang akan sama dengan jumlah antara ramal an yang lalu dan deviasi
antara permintaan aktual dan ramalan dalam periode yang lalu telah dihaluskan.39
model exponential smoothing, basis/peramalan untuk periode berjalan, Ŝt,
diperkirakan dengan memodifikasi basis/permalan sebelumnya dengan menam bah
atau menguranginya dengan suatu fraksi α (konstanta) dari selisih antara
permintaan berjalan aktual Dt dan basis sebelumnya Ŝt -1. Seperti digambarkan
dalam rumus Basis/peramalan Baru = Basis Sebelumnya + α (Permintaan baru-
Basis Sebelumnya). Atau dilambangkan dengan simbol rumus:
F t = F t-1 + α ( At - F t-1 )……… …… … …… … …… … …… … …… … …… …...(2)
Keterangan:
F t = Basis/permalan Baru.
F t-1 = Basis/peralaman sebelumnya
α = Konstanta penghalusan (pembobot) (0 ≤ α ≤ 1) At = Permintaan aktual periode
lalu.
Metode exponential smoothing mudah digunakan dan telah berhasil diterapkan
pada hampir setiap bisnis. Walaupun demikian, nilai yang tepat untuk konstanta
penghalus α dapat membuat diferensiasi antara permalan yang akurat dan tidak
akurat. Nilai α yang tinggi dipilih saat rata-rata cenderung berubah. Nilai α yang
rendah digunakan saat rata-rata cenderung stabil. Tujuan pemilihan suatu nilai
untuk konstanta penghalus adalah untuk mendapatkan peramalan yang paling
akurat. Konstanta perataan α adalah antara 0 dan 1.
3. Regresi Linier
Menurut Ambarwati (2021), metode yang popular untuk memecahkan berbagai
macam permasalahan adalah model analisis regresi linier. Variabel x dan variabel y
memiliki hubungan yang linier satu sama lain. Rumus regresi linier adalah seb agai
berikut.
𝑦̂ = 𝑎 + 𝑏𝑥 …… …… … …… … …… … …… … …… … …… … …… … …… …...(3)
∑ 𝑦−𝑏 ∑ 𝑥
𝑎 = …… …… … …… … …… … …… … …… … …… … …… … …… …..(4)
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
2.3 Ukuran Akurasi Forecast

Indikator yang biasa digunakan untuk memvalidasi model -model peramalan
adalah mean absolute deviation, mean square error, dan mean absolute percentage
error. Berikut adalah indikator-indikator tersebut.
Menurut Zahriyah (2019), salah satu cara mengevaluasi teknik peramalan
adalah dengan menggunakan ukuran tentang tingkat perbedaan antara hasil
peramalan dengan permintaan yang sebenarnya terjadi. Ada empat ukuran yang
biasa digunakan, yaitu:
1) Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
meperlihatkan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan
kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut:
𝑀𝐴𝐷 = ∑| 𝐴𝑡 − 𝐹𝑡 𝑛 |
Keterangan: At = Permintaan aktual pada periode
–t Ft = Peramalan permintaan (forecast) pada periode –t
n = Jumlah periode peramalan yang terlibat
2) Rata-rata Kuadrat Kesalahan ( Mean Square Error = MSE)
MSE merupakan metode alternatif dalam suatu metode pe ramalan. Pendekatan
ini penting karena teknik ini menghasilkan kesalahan yang moderat lebih
disukai oleh suatu peramalan yang menghasilkan kesalahan yang sangat besar.
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada
setiap periode dan membaginya dengan jumlah periode peramalan. Secara
matematis, MSE dirumuskan sebagai berikut:
𝑀𝑆𝐸 = ∑ (𝐴𝑡 − 𝐹𝑡)2 𝑛 Keterangan:
At = Permintaan aktual pada periode
–t Ft = Peramalan permintaan (forecast) pada periode
–t n = Jumlah periode peramalan yang terlibat.
Rata-rata kesalahan peramalan (Mean Forecast Error = MFE)
3) MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama
periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak
bias, maka nilai MFE akan mendekati nol. MFE dihitung dengan menjumlahkan
semua kesalahan peramalan selama periode peramalan dan membaginya
dengan jumlah periode peramalan. Secara matematis, MFE dinyatakan sebagai
berikut:
𝑀𝐹𝐸 = ∑ (At − Ft) 𝑛
Keterangan:
At = Permintaan Aktual pada periode.
–t Ft = Peramalan Permintaan (Forecast) pada periode.
–t n = Jumlah periode peramalan yang terlibat.
4) Rata-rata persentase kesalahan absolut (Mean Absolut Percentage Error
= MAPE). MAPE merupakan ukuran kesalahan relatif dan menyat akan
persentase kesalahan hasil peramalan terhadap permintaan aktual selama
periode teretentu yang akan memberikan informasi persentase kesalahan terlalu
tinggi atau terlalu rendah. Secara matematis, MAPE dinyatakan sebagai berikut:
100 𝐹𝑡
𝑀𝐴𝑃𝐸 = ( )∑𝐴𝑡 −
𝑛 𝐴𝑡
Keterangan: At = Permintaan aktual pada periode

–t Ft = Peramalan permintaan (forecast) pada periode
–t n = Jumlah periode peramalan yang terlibat
2.4 Aggregat Planning
Menurut Frenia (2023), aggregat planning merupakan hasil kombinasi dari
sumber daya dengan jangka waktu keseluruhan. Adanya prediksi dari permintaan,
kapasitas dari fasilitas, tingkat persediaan, ukuran tenaga kerja yang dikeluarkan,
maupun dengan input yang saling memiliki hubungan, suatu peren canaan sendiri
mengaharuskan untuk melakukan pemilihan output pada sebuah fasilitas selama
tiga sampai delapan bulan mendatang. Perencanaan aggregat sendiri mem iliki
rencana tidak mengurangi per produk, nemun dengan bergantungnya dengan berapa
banyak produk yang dapat dihasilkan tanpa adanya hirauan jenis dari produk
tersebut. Umumnya perencanaan agregat dilakukan dengan tiga strategi yang
biasanya digunakan berdasarkan dari trade off biaya yang biasanya berkaitan
adanya kapasitas dari produk itu sendiri, biaya inventori maupun dengan biaya
backlog produk. Strategi pertama ialah strategi level ( level strategy) atau biasa
disebut level produksi, strategi ini dilakukan dengan cara mengatur bentuk laju dari
lini produksi dan tingkat daripersediaan produk di le vel tertentu. Kedua ialah chase
strategy (chase demand), hal ini merupakan strategi yang dilakukan dengan cara
penyesuaian tingkat produksi pada permintaan yang ada. Ketiga ialah mixed
strategy yang merupakan bentuk strategi kombinasi dari chase strategy dan level
strategy. Melakukan kegiatan perencaan produksi, perusahanaan haruslah
melakukan pertimbangan dalam seluruh kemampuan maupun keterbatasan dari
sumber daya atau pekerja yang dimilikinya. Adanya aggregat planning sendiri akan
memungkinkan suat perusahaan dalam penyusunan perencanaan produksi dengan
lebih optimal, agar didapatkan pencapaian dari kapasitas yang lebih efektif dan
efisien berdasarkan kegiatan peramalan permintaan di mendatang.
Menurut Febryanti (2019), perhitungan dari aggregat planning adalah sebagai
berikut.
1. Mengumpulkan data dari proses produksi pada perusahaan dengan cara
wawancara maupun observasi.
2. Melakukan peramalan produk dalam waktu yang lama ke masa yang akan
datang dengan menggunakan rumus least square sebagai berikut.
𝑦 = 𝑎 + 𝑏𝑥 ............................................................................................................. (11)
Dimana :
y = variabel yang dicari
𝑎 = nilai trend pada tahun dasar
b = rata-rata pertumbuhan nilai trend tiap tahunnya
x = variabel waktu
Dalam mencari konstanta (a) maupun parameter (b) adalah sebagai berikut.
Σ𝑦 Σ𝑥
𝑎 = −𝑏 ........................................................................................................ (12)
𝑛 𝑛
nΣx 𝑦 − Σ𝑥 Σ𝑦
𝑏 = ....................................................................................................... (13)
𝑛Σ𝑥 2 −(𝑥 ) 2
3. Melakukan hal-hal dibawah ini (2.2.1 – 2.2.3)

4. Membandingkan dari beberapa metode dan memilih biaya produksi yang
terkecil.
2.4.1 Level Strategy
Menurut Matiro (2022), level strategy memiliki arti bahwa bentuk dari
strategi yang dapaat ditenpuh dengan cara penggunaan dengan cara menjaga hasil
dari tingkat yang tinggi, produksi maupun tenaga kerja konstan. Kekurangan dari
proses produksi dapat dipenuhi dengan suatu persediaan yang ada, serta suatu
kelebihannya akan dilakukan penyimpanan yang kemudian dapat menjadi
persediaan. Ciri daripada strategi level ini adalah bagaimana cara
mempertahkankan bentuk tingkat dari produksi dengan tingkat suatu permintaan,
menambah maupun dengan cara mengurangi tenaga kerja tetap, namun pada jam
kerja yang tidak tetap.
Menurut Febryanti (2019), perhitungan dari level strategy adalah sebagai
berikut.
Level strategy = upah tenaga kerja + biaya persediaan + biaya produksi …...…(14)
2.4.2 Chase Strategy
Menurut Matiro (2022), chase strategy (chase demand) merupakan bentuk
taktik yang digunakan dalam tujuan untuk mencapai tingkat dari hasil pada tiap -
tiap periode guna pemenuhan kegiatan peramalan dari permintaan pada periode
tersebut. Ciri daripada chase strategi sendiri ialah memadankaan dari beberapa
tingkatan produksi dengan dari permintaan, menambahkan maupun mengurangi
berapa banyak tenaga kerja sesuai dengan berapa tingkaat permintaan, serta
berapa banyak jumlah tenaga kerja tetap, namun memiliki jam kerj a yang tidaklah
tetap.
Menurut Febryanti (2019), perhitungan dari chase strategy adalah sebagai
berikut.
Chase Setrategy = upah tenaga kerja + biaya rekrut/pecat + biaya produksi …(15)
2.4.3 Mixed Strategy
Menurut Matiro (2022), dalam strategi mixed, suatu perusahaan melakukan
penggabungan antara kerja lembur (overtime) dan juga dengan berapa persediaan
produk, dimana banyak jumlah produksi dapat ditetapkan sesuai dengan berapa
banyak jumlah permintaan, sedangkan bila ada kejadian kekurangan produksi
akan dilakukan pemenuhan dengan cara penambahan lembur bagi tenaga kerja,
serta saat terjadi kelebihan dalam produksi, maka akan dilakukan penyimpanan
sebagai bentuk persediaan.
Menurut Febryanti (2019), perhitungan dari mixed strategy adalah sebagai
berikut.
Mixed strategy = upah tenaga kerja + biaya persediaan + biaya lembur + biaya
subkontrak + biaya produksi …… … …… … …… … …… … …… … …… … …..(16)
2.5 Linear Programing

Menurut Aprilyanti (2018), linear programming merupakan suatu metode
matematik yang digunakan untuk mengalokasikan sumber daya yang terbatas
dengan tujuan mencapai hasil tertentu, seperti maksimasi keuntungan atau
minimisasi biaya. Metode ini memiliki banyak aplikasi dalam berbagai bidang
seperti ekonomi, industri, militer, dan sosial. Hasil yang diinginkan bisa berupa
maksimasi profit, penjualan, atau kesejahteraan, atau minimisasi biaya, waktu, atau
jarak. Linear Programming digunakan untuk menyelesaikan masalah optimasi
dengan merinci fungsi tujuan linear dan kendala linear. Ini adalah bagian dari
Matematika yang fokus pada pemilihan jumlah variabel input, kombinasi input -
output, dan target yang harus dicapai untuk mencapai optimalisasi, seperti profit
maksimum atau biaya minimum.
Model linear programing dalam bentuk umumnya sebagai berikut :
Z = ∑ 𝑛𝑗 = 𝑖 𝐶𝑗 𝑋𝑗
Dengan syarat : a ijx j (≤, =, ≥)b i, untuk semua i (i = 1,2...,n) semua x j ≥ 0
Keterangan :
Xj = banyaknya kegiatan j, dimana j = 1,2,....,n yang berarti terdapat n variabel
keputusan
Z = nilai fungsi tujuan
C j = sumbangan per unit kegiatan j, untuk masalah maksimasi cj menunjukkan atau
penerimaan per unit, sementara dalam kasus minimasi ia menunju kkan biaya per
unit
b i = jumlah sumber daya ke i (i = 1,2,...,m), yang mewakili m sumberdaya
Xij = jumlah sumber daya yang dikonsumsi oleh kegiatan j
2.6 Master Production Schedule (MPS)

Menurut Assaabiq (2022), master production schedule adalah rencana yang
bermanfaat untuk mengatur produksi berbagai jenis barang. Pengaturan ini, kita
dapat menentukan atau merencanakan berapa banyak dari setiap jenis barang yang
akan diproduksi dalam rentang waktu tertentu, seperti mingguan atau bulanan. J adi,
jadwal produksi induk juga mencakup informasi tentang kapan dan seberapa
banyak barang dari setiap jenis yang akan diproduksi. Master Production Schedule
(MPS) adalah pernyataan tentang produksi akhir suatu perusahaan yang
merencanakan outputnya dalam hal jumlah dan periode waktu. Kegiatan
penjadwalan produksi induk melibatkan penyusunan dan pembaruan jadwal
produksi, pemrosesan transaksi dari MPS, pemeliharaan catatan -catatan MPS,
evaluasi efektivitas MPS, serta penyediaan laporan evaluasi secara berk ala untuk
umpan balik dan peninjauan ulang.
BAB III
METODOLOGI PRAKTIKUM
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.
3.2 Prosedur Praktikum

Alat dan bahan yang akan digunakan dalam praktikum modul lima sub satu
berkaitan forecasting and aggregate planning adalah sebagai berikut:
1. Menerjemahkan agregasi data penjualan jenis produk dari 4 wilayah penjualan
pada setiap periode yang ada.
2. Membuat Ploting data penjualan agregat masa lalu pada setiap jenis produk.
3. Menganalisa pola data penjualan setiap jenis produk.
4. Menghitung peramalan dengan menggunakan beberapa metode yang ditentukan
menggunakan Software POM-QM.
5. Melakukan evaluasi model peramalan dengan membandingkan galat pada setiap
model peramalan.
6. Melakukan pemilihan model peramalan dengan galat terkecil, jika beberapa
metode dengan galat sama, pilih metode paling sederhana.
7. Mengumpulkan data input yang didapat dari demand permintaan forecasting.
8. Melakukan agregasi menjadi 1 pengelompokan.
9. Melakukan agregasi pada beberapa metode.
10. Menentukan cost minimum dari strategi agregasi.
11. Menentukan disagregasi.
12. Membuat output disagregai menjadi MPS
13. Mengalisis keseluruhan.
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
Briefing Modul 5 Sub 1

forecasting and aggregate planning
Pengolahan Data
Asistensi 1
Asistensi 2
Laporan Resmi Sementara
ACC
Laporan Resmi
Selesai
Flowchart 5.3.1 Flowchart Praktikum Modul 5 Sub 1

3.2.2 Flowchart Pengolahan Data
Flowchart pengolahan data modul lima sub satu mengenai forecasting and
aggregate planning adalah sebagai berikut:
Mulai
Data historis 24 periode Tahap Persiapan
Melakukan forecasting dengan moving

metode average, weight moving
average, ekponential dan linier regresi
Perhitungan peramalan menggunakan

metode terpilih
Melakukan desagregasi
Tahap
Data informasi tambahan Data demand
Pengolahan Data
Melakukan proses aggregate planning

Metode level strategy (back order dan
back order). Chase strategy, Mixed
strategy dan linier programing
Melakukan pemilihan proses strategi

aggregate planning terbaik.
Merekap data MPS
Melakukan analisis data keseluruhan
Kesimpulan dan Saran Tahap Kesmpulan
Selesai
Flowchart 5.3.2 Flowchart Pengolahan Praktikum Modul 5 Sub 1

BAB IV
PENGOLAHAN DATA
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
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
Pekalongan. Agregasi data di wilayah Kendal produk M ARVIN H1 di periode pertama

sebesar 122500 di diapatkan dari hasil data awal H1 dikalikan dengan harga H1
Tabel 5.4.3 Agresi tiap wilayah
AGREGASI TIAP WILAYAH
H R H R H R H R
1 160000 51600 147250 54000 143650 32700 121550 39000
2 148450 42900 126400 49800 124200 40800 146700 36600
3 119000 41100 142600 36300 103850 53100 125250 36900
4 134450 32700 103850 40800 145250 39300 158250 48300
5 126150 52200 136100 51000 104050 44700 150350 46200
6 154250 47100 135950 39300 129150 43800 124400 44700
7 125650 52800 119050 43800 136750 33000 155000 50700
8 142600 44700 130850 36600 115000 38400 112300 35400
9 133500 43500 136450 51300 135700 42000 162050 34500
10 110700 52200 127200 33300 138250 31500 158650 46500
11 151250 48600 144950 52500 129000 51300 123550 38100
12 135150 44400 119950 42600 130500 42600 137300 38400
13 127550 54000 123900 30300 145450 30000 159900 51600
14 138650 51600 139300 48600 109700 36000 137850 32700
15 150650 51000 142350 42300 138700 32700 142400 45300
16 150700 47700 138150 33900 139450 38100 107750 42600
17 121300 41700 141700 45000 107050 38700 122800 50400
18 150900 30900 109000 36600 138000 37200 146750 42000
19 127100 30600 126950 38700 156800 37200 139500 43500
20 140250 36900 140400 36900 129700 30000 145650 52500
21 121500 53400 150400 35400 133800 41700 119600 48300
22 152100 41700 126850 44100 152100 51000 156500 36300
23 123700 34500 149900 30300 109200 31200 108750 30000
24 129550 53400 140550 37500 128250 30600 144050 35100
JUMLAH 3275100 1081200 3200050 990900 3123550 927600 3306850 1005600
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
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.
4.2.3.1 Forecasting Produk H

Peramalan produk H di setiap wilayah adalah sebagai berikut.
1. Moving Average 4 Bulan Produk H
Tabel 5.4.7 Moving Average 4 Bulan produk H
Moving Average 4 Bulan (H)

Measure Value
Error Measures
Bias (Mean Error) 517,5
MAD (Mean Absolute Deviation) 23083,75
MSE (Mean Squared Error) 812524500
Standard Error (denom=n-2=18) 30046,71
MAPE (Mean Absolute Percent Error) 4,34%
Forecast
next period 536700
Tabel 5.4.7 merupakan hasil Forecasting produk. Peramalan menggunakan
software POM-QM dengan metode Moving Average 4 Bulan. Hasil dari tabel
nilai MAD 23.083,75, MSE 812.524.500, dan MAPE 4,34%.
2. Moving Average 7 Bulan Produk H

Tabel 5.4.8 Moving Average 7 Bulan Produk H
Moving Average 7 Bulan (H)

Measure Value
Error Measures
Forecast
next period 542542,9
Tabel 5.4.8 Moving average merupakan hasil Forecasting produk H.
Peramalan menggunakan software POM-QM dengan metode Moving Average 7
Bulan. Hasil dari tabel nilai MAD 23.513,86, MSE 798.775.300, dan MAPE
4,40%.
3. Weight Moving Average 5 Bulan Produk H
Tabel 5.4.9 Weight Moving Average 5 Bulan Produk H
Weight Moving Average 5 Bulan (H)

Measure Value
Error Measures
Forecast
Tabel 5.4.9 Weight Moving Average produk H merupakan hasil Forecasting
produk H. Peramalan menggunakan software POM QM dengan metode Moving

Average 5 bulan. Hasil dari tabel nilai MAD 24.450,35, M SE 883.404.000 , dan
MAPE 4,58%.
4. Weight Moving Average 6 Bulan Produk H
Tabel 5.4.10 Weight moving average 6 bulan (H)
Weight Moving Average 6 Bulan (H)

Measure Value
Error Measures
Forecast
Tabel 5.4.10 merupakan hasil Forecasting produk H. Peramalan
menggunakan software POM-QM dengan metode Moving Average 6 Bulan.
Hasil dari tabel nilai MAD 23971,69 , MSE 870815500, dan MAPE 4,49%.
5. Exponential Smoothing 0,02 Produk H
Tabel 5.4.11 Exponential Smoothing 0,02 Produk H
Single Eksponential 0.02 (H)

Measure Value
Error Measures
Bias (Mean Error) -28870.66
MAD (Mean Absolute Deviation) 32289.79
Standard Error (denom=n-2=21) 40842.46
MAPE (Mean Absolute Percent Error) 6.21%
Forecast
next period 559169.5
Tabel 5.4.11 Exponential Smoothing merupakan hasil Forecasting produk
H. Peramalan menggunakan software POM-QM dengan metode eksponential
smoothing 0.02 . Hasil dari tabel nilai MAD 32289,79 , MSE 1523054000, dan
MAPE 6,21%.
6. Exponential Smoothing 0,08 Produk H
Tabel 5.4.12 Exponential Smoothing 0,08 produk H
Single Eksponential 0.08 (H)

Measure Value
Error Measures
Forecast
Tabel 5.4.12 Exponential Smoothing produk H merupakan hasil Forecasting
produk H. Peramalan menggunakan software POM-QM dengan metode
eksponential 0.08. Hasil dari tabel nilai MAD 25893,66, MSE 10824401000,
dan MAPE 4,96%.
7. Linier Regresi Produk H
Tabel 5.4.13 Linier Regresi produk H
Linier Regresi 6 Bulan (H)

Measure Value
Error Measures
Bias (Mean Error) 0.016
Regression line
Demand(y) = 535750
+ 158.498 * Time(x)
Statistics
Correlation coefficient 0.043
Coefficient of determination (r^2) 0.002
Forecast
x=6 536701
Tabel 5.4.13 Linier Regresi produk H merupakan hasil Forecasting produk

H. Peramalan menggunakan software POM QM dengan metode eksponential
smoothing 0.08. Hasil dari tabel nilai MAD 20108,84, MSE 656339500, dan
MAPE 3,78%.
Tabel 5.4.14 Rekapan penjualan produk H
REKAPAN PENJUALAN PRODUK H

Metode MAD MSE MAPE
Moving Average 4 Bulan 23083,75 812524500 4,34%
Weight Moving Average 5 Bulan 24450,35 883404000 4,58%
Exponential Smoothing Alfa 0.02 32289,79 1523054000 6,21%
Linear Regresi 20108,84 656339500 3,78%
Metode yang terpilih 3,78%
Tabel 5.4.14 Merupakan hasil rekapan penjualan produk H dengan empat
metode yaitu Moving Average, wight Moving Average, Exponential Smoothing
dan Linier Regresi. Pada tabel hasil rekapan Moving Average 4 bulan dengan
MAD 23.083,75, MSE 812.524.500 dan MAPE 4,34%. Hasil dari rekapan dapat
dipilih metode yang terkecil ialah menggunakan metode Linier Regresi dengan
nilai MAPE terkecil sebesar 3,78 %.
4.2.3.2 Forecasting Produk R

Peramalan produk R di setiap wilayah adalah sebagai berikut.
1. Moving Average 4 Bulan Produk R
Tabel 5.4.15 Moving average 4 Bulan produk R
Moving Average 4 Bulan (R)

Measure Value
Error Measures
Bias (Mean Error) -1683,75
Forecast
next period 158625
Tabel 5.4.15 merupakan hasil Forecasting produk R. Peramalan
menggunakan software POM-QM dengan metode Moving Average 4 Bulan.
Hasil dari tabel nilai MAD 11.801,25, MSE 234.610.000, dan MAPE 7,37%.
2. Moving Average 7 Bulan Produk R
Tabel 5.4.16 Moving Average
Moving Average 7 Bulan (R)

Measure Value
Error Measures
Forecast
menggunakan software POM-QM dengan metode Moving Average 7 Bulan. Hasil
dari tabel nilai MAD 11.410,09, MSE 221.021.000, dan MAPE 7,39%.
3. Weight Moving Average 5 Bulan Produk R
Tabel 5.4.17 Weight Average
Weight Moving Average 5 Bulan (R)

Measure Value
Error Measures
Forecast
next period 154680
menggunakan software POM-QM dengan metode Weight Average 5 Bulan. Hasil
dari tabel nilai MAD 10.774,74, MSE 229.660.800, dan MAPE 6,91%.
4. Weight Moving Average 6 Bulan Produk R
Tabel 5.4.18 Weight Moving Average 6 Bulan Produk R
Weight Moving Average 6 Bulan (R)

Measure Value
Error Measures
Forecast
menggunakan software POM-QM dengan metode Weight Average 6 Bulan.
Hasil dari tabel nilai MAD 11097,62, MSE 228314000, dan MAPE 7,13%.
5. Exponential Smoothing 0.02 Produk R
Tabel 5.4.19 Eksponential
Single Eksponential 0.02 (R)

Measure Value
Error Measures
Forecast
menggunakan software POM-QM dengan metode eksponential 0.02 . Hasil dari
tabel nilai MAD 12942,28 , MSE 280992900, dan MAPE 8,34%.
6. Exponential Smoothing 0.08 Produk R
Tabel 5.4.20 Eksponential Smoothing
Single Eksponential 0.08 (R)

Measure Value
Error Measures
Forecast
menggunakan software POM-QM dengan metode eksponential 0.08 . Hasil dari
tabel nilai MAD 11844,82, MSE 227889700, dan MAPE 7,55%.
7. Linier Regresi
Tabel 5.4.21 Linier Regresi
Linier Regresi 6 Bulan (R)

Measure Value
Error Measures
Regression line
Demand(y) = 178615.2
-938.217 * Time(x)
Statistics
Correlation coefficient -0.461
Coefficient of determination (r^2) 0.213
Forecast
x=6 172985.9
menggunakan software POM-QM dengan metode Linier Regresi 6 bulan. Hasil
dari tabel nilai MAD 9428,903, MSE 155892400, dan MAPE 5,81%.
Tabel 5.4.22 Rekapan Penjualan Produk R
REKAPAN PENJUALAN PRODUK H

Metode MAD MSE MAPE
Linear Regresi 9428,903 155892400 5,81%
Metode yang terpilih 5,81%
Tabel 5.4.22 merupakan hasil rekapan penjualan produk H dengan empat
metode yaitu Moving Average, wight Moving Average, Exponential Smoothing
dan Linier Regresi. Pada tabel hasil rekapan Moving Average 4 bulan dengan
MAD 11.801,25, MSE 234.610.000 dan MAPE 7,37%. Hasil dari rekapan dapat
dipilih metode yang terkecil ialah menggunakan metode Linier Regresi dengan
nilai MAPE terkecil sebesar 5,81 %.
4.2.4 Forecasting Menggunakan Metode Terpilih
Forecasting menggunakan metode terpilih dalam praktikum modul lima sub
satu tentang Forecasting and aggregate planning adalah sebagai berikut.
4.2.4.1 Forecasting Menggunakan Metode Terpilih Produk H

Forecasting menggunakan metode terpilih produk H adalah sebagai berikut.
Tabel 5.4.23 Forecasting menggunakan metode terpilih produk H
Produk H
No Demand(y) Time(x) x^2 x*y Forecast Error |Error| Error^2 |Pct Error|
Demand(y) Time(x) x^2 x*y Forecast Error |Error| Error^2 |Pct Error|
1 572450 1 1 572450 535908,5 36541,5 36541,5 1335281000 6,38%
2 545750 2 4 1091500 536067 9683 9683 93760490 1,77%
3 490700 3 9 1472100 536225,5 -45525,5 45525,5 2072571000 9,28%
4 541800 4 16 2167200 536384 5416 5416 29333060 1%
5 516650 5 25 2583250 536542,5 -19892,5 19892,5 395711600 3,85%
6 543750 6 36 3262500 536701 7049 7049 49688400 1,30%
7 536450 7 49 3755150 536859,5 -409,5 409,5 167690,3 0,08%
8 500750 8 64 4006000 537018 -36268 36268 1315368000 7,24%
9 567700 9 81 5109300 537176,5 30523,5 30523,5 931684000 5,38%
10 534800 10 100 5348000 537335 -2535 2535 6426225 0,47%
11 548750 11 121 6036250 537493,5 11256,5 11256,5 126708800 2,05%
12 522900 12 144 6274800 537652 -14752 14752 217621500 2,82%
13 556800 13 169 7238400 537810,5 18989,5 18989,5 360601100 3,41%
14 525500 14 196 7357000 537969 -12469 12469 155476000 2,37%
15 574100 15 225 8611500 538127,5 35972,5 35972,5 1294021000 6,27%
16 536050 16 256 8576800 538286 -2236 2236 4999696 0,42%
17 492850 17 289 8378450 538444,5 -45594,5 45594,5 2078858000 9,25%
18 544650 18 324 9803700 538603 6047 6047 36566210 1,11%
19 550350 19 361 10456650 538761,4 11588,56 11588,56 134294800 2,11%
20 556000 20 400 11120000 538919,9 17080,06 17080,06 291728500 3,07%
21 525300 21 441 11031300 539078,4 -13778,44 13778,44 189845300 2,62%
22 587550 22 484 12926100 539236,9 48313,06 48313,06 2334152000 8,22%
23 491550 23 529 11305650 539395,4 -47845,44 47845,44 2289186000 9,73%
24 542400 24 576 13017600 539553,9 2846,063 2846,063 8100072 0,53%
25 539712,4
26 539870,9
27 540029,4
28 540187,9
29 540346,4
30 540504,9
TOTALS 12905550 300 4900 161501600 0,375 482612,1 1,5752E+10 90,73%
AVERAGE 537731,3 12,5 204,167 6729236 0,016 20108,84 656339500 3,78%
Next period forecast 539712,4 (Bias) (MAD) (MSE) (MAPE)
Intercept 535750 Std err 26758,3
Slope 158,498
Tabel 5.4.23 Merupakan hasil Forecasting menggunakan metode terpilih
produk R menggunakan metode Linier Regresi. Periode yang digunakan dalam

metode ini sebanyak 24 periode. Berdasarkan tabel, hasil peramalan Forecasting
dari produk R selama enam periode kedepan period ke-25 sebesar 539712,4 ke-
26 sebesar 539870,9, ke-27 sebesar 540029,4 , ke-28 sebesar 540187,9, ke-29
sebesar 540346, ke-30 sebesar 540504,9.
4.2.4.2 Forecasting Menggunakan Metode Terpilih Produk R

Forecasting menggunakan metode terpilih produk R adalah sebagai berikut.
Tabel 5.4.24 Forecasting menggunakan metode terpilih produk R
Produk R
No Demand(y) Time(x) x^2 x*y Forecast Error |Error| Error^2 |Pct Error|
1 177300 1 1 177300 177677 -377 377 142129 0.21%
2 170100 2 4 340200 176738.8 -6638.781 6638.781 44073420 3.90%
3 167400 3 9 502200 175800.6 -8400.563 8400.563 70569450 5.02%
4 161100 4 16 644400 174862.3 -13762.34 13762.34 189402100 8.54%
5 194100 5 25 970500 173924.1 20175.88 20175.88 407065900 10.40%
6 174900 6 36 1049400 172985.9 1914.094 1914.094 3663755 1.09%
7 180300 7 49 1262100 172047.7 8252.297 8252.297 68100400 4.58%
8 155100 8 64 1240800 171109.5 -16009.48 16009.48 256303600 10.32%
9 171300 9 81 1541700 170171.3 1128.734 1128.734 1274041 0.66%
10 163500 10 100 1635000 169233 -5733.047 5733.047 32867830 3.51%
11 190500 11 121 2095500 168294.8 22205.17 22205.17 493069700 11.66%
12 168000 12 144 2016000 167356.6 643.391 643.391 413951.5 0.38%
13 165900 13 169 2156700 166418.4 -518.391 518.391 268728.8 0.31%
14 168900 14 196 2364600 165480.2 3419.828 3419.828 11695220 2.03%
15 171300 15 225 2569500 164542 6758.047 6758.047 45671200 3.95%
16 162300 16 256 2596800 163603.7 -1303.734 1303.734 1699723 0.80%
17 175800 17 289 2988600 162665.5 13134.48 13134.48 172514700 7.47%
18 146700 18 324 2640600 161727.3 -15027.31 15027.31 225820100 10.24%
19 150000 19 361 2850000 160789.1 -10789.09 10789.09 116404500 7.19%
20 156300 20 400 3126000 159850.9 -3550.875 3550.875 12608710 2.27%
21 178800 21 441 3754800 158912.7 19887.34 19887.34 395506400 11.12%
22 173100 22 484 3808200 157974.4 15125.56 15125.56 228782600 8.74%
23 126000 23 529 2898000 157036.2 -31036.22 31036.22 963246800 24.63%
24 156600 24 576 3758400 156098 502 502 252004 0.32%
25 155159.8
26 154221.6
27 153283.3
28 152345.1
29 151406.9
30 150468.7
TOTALS 4005300 300 4900 48987300 -0.016 226293.7 3741417000 139.35%
AVERAGE 166887.5 12.5 204.167 2041138 -0.001 9428.903 155892400 5.81%
Next period forecast 155159.8 (Bias) (MAD) (MSE) (MAPE)
Intercept 178615.2 Std err 13040.87
Slope -938.217
Tabel 5.4.24 Merupakan hasil Forecasting menggunakan metode terpilih
produk R menggunakan metode Linier Regresi. Periode yang digunakan dalam

metode ini sebanyak 24 periode. Berdasarkan tabel, hasil peramalan Forecasting
dari produk R selama enam periode kedepan period ke-25 sebesar 155159,8, ke-
26 sebesar 154221,6, ke-27 sebesar 154221,6, ke-28 sebesar 152345,1, ke-29
sebesar 151406,9, ke-30 sebesar 150468,7.
4.2.5 Disagregasi
Disagresi dalam praktikum modul lima sub satu tentang Forecasting and
aggregate planning adalah sebagai berikut.
Tabel 5.4.25 Proporsi Penjualan di Empat Wilayah
PROPORSI H R H R H R H R
25% 27% 25% 25% 24% 23% 26% 25%
Tabel 5.4.25 merupakan proporsi penjualan di empat wilayah, yaitu Kendal,

Semara ng, Batang dan Pekalongan. Rekapan proporsi menjelaskan tentang produk
MARVIN dan VISC O R. Proporsi yang digunakan pada wilayah Kendal produk H
sebesar 25% dan produk R sebesar 27%.
Tabel 5.4.26 Hasil harga dalam Forecasting
Hasil Forecasting Hasil Harga Dalam Forecasting
Jawa Tengah Kendal Semarang Batang Pekalongan
25% 27% 25% 25% 24% 23% 26% 25%
H R
H R H R H R H R
539712.4 155159.8 136965 41884 133827 38386 130627 35934 138293 38956
539870.9 154221.6 137005 41631 133866 38154 130666 35717 138334 38720
540029.4 153283.3 137046 41378 133905 37922 130704 35499 138374 38484
540187.9 152345.1 137086 41124 133945 37690 130743 35282 138415 38249
540346.4 151406.9 137126 40871 133984 37458 130781 35065 138456 38013
540504.9 150468.7 137166 40618 134023 37226 130819 34848 138496 37778
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%
Tabel 5.4.27 merupakan proporsi penjualan di empat wilayah yaitu Kendal,

Semara ng, Batang dan Pekalongan. Proporsi tersebut menjelaskan proprosi antara produk
MARVIN H1 dan MARVIN H2. Proprosi dihasilkan dari perhitungan perbandingan
antara jumlah agregasi di empat wilayah dengan jumlah dari data aktual. Proprosi di
wilayah Kendal produk H1 sebsar 78% dan produk H2 sebesar 22%.
Tabel 5.4.28 Disagregasi proprosi wilayah Kendal
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
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
Tabel 5.4.29 merupakan disagregasi proprosi 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 103923. Hasil dari H2 dihasilkan dari perkalian hasil
Forecasting H2 dengan proprosi 22% dengan hasil sebesar 29904. Hasil dari R
dihasilkan dari perkalian hasil Forecasting R dengan proprosi 100% dengan hasil
sebesar 38336.
Tabel 5.4.30 Disagregasi proprosi wilayah Batang
BATANG
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
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

Periode
H1 H2 R H1 H2 R H1 H2 R H1 H2 R
1 214 198 140 208 199 128 201 200 120 214 207 130
2 214 198 139 208 199 127 201 200 119 214 207 129
3 215 199 138 208 199 126 201 200 118 214 208 128
4 215 199 137 208 200 126 201 200 118 215 208 127
5 215 199 136 208 200 125 201 200 117 215 208 127
6 215 199 135 208 200 124 201 200 116 215 208 126
Tabel 5.4.36 merupakan disagregasi produk H1, H2 dan R di empat wilayah.
Wilayah tersebut yaitu terdiri dari empat wilayah yaitu Kendal, Semarang, Batang
dan Pekalongan. Pada hasil tabel diketahui rekapan dari produk H1, H2 dan R dari
perhitungan tabel sebelumnya. Pada tabel wilayah Kendal hasil desagregasi produk
H1 sebesar 214, produk H2 sebesar 198 dan produk R sebesar 140.
Tabel 5.4.37 disagregasi produk H1, H2 dan R

Periode
H R H R H R H R
1 413 140 407 128 401 120 422 130
2 413 139 407 127 402 119 422 129
3 413 138 407 126 402 118 422 128
4 413 137 408 126 402 118 422 127
5 413 136 408 125 402 117 422 127
6 413 135 408 124 402 116 422 126
Tabel 5.4.37 merupakan disagregasi produk H dan R di empat wilayah.
Wilayah tersebut yaitu terdiri dari empat wilayah yaitu Kendal, Semarang, Batang
dan Pekalongan. Pada hasil tabel diketahui rekapan dari produk H1 dan R dari
perhitungan tabel sebelumnya. Pada tabel wilayah Kend al hasil desagregasi produk
H sebesar 413 dan produk R sebesar 140.
Tabel 5.4.38 Hasil demand
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.
4.4 Aggregat Planning

Aggregat planning merupakan hasil kombinasi dari sumber daya dengan
jangka waktu keseluruhan. Adanya prediksi dari perminta an, kapasitas dari fasilitas,
tingkat persediaan, ukuran tenaga kerja yang dikeluarkan, maupun dengan input
yang saling memiliki hubungan, suatu perencanaan sendiri mengaharuskan untuk
melakukan pemilihan output pada sebuah fasilitas selama tiga sampai del apan bulan
mendatang
4.4.1 Level Strategy
Level stategy terdiri dari level strategy (back order dan no back order), chase
strategy, mixed strategy, dan linier programming sebagai berikut.
4.4.1.1 No Back Order
Berikut ini merupakan no back order pada praktikum modul lima sub satu
forecasting and aggregate planning.
Perhitungan manual no back order bulan Januari pada pengolahan data
modul lima sub bab satu sebagai berikut.
1. Days = 22 hari
2. Demand = 1643
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
= 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
Tabel 5.4.40 diatas merupakan data dari perhitungan aggregate planning

menggunakan level strategy. Perhitungan no back order bertujuan untuk
mengetahui nilai yang paling kecil dari cost. 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)
13, Worker Available (Pekerja) 8, Worker Hiring (Pekerja) 5, Hiring Cost (Rp)
Rp 3.925.000 , Worker Layoff (Pekerja) 0, Layoff Cost (Rp) Rp -, Worker Used
(Pekerja) 13, Labour Cost (Rp) Rp 32.890.000, Unit Produced (Unit) 2288, Net
Inventroy (Unit) 645, Holding Cost (Rp) Rp 6.448.433,81, Net Backorder (Unit)
0, Backorder Cost (Rp) Rp - dengan Total Cost (Rp) Rp 43.263.433,81
4.4.1.2 Back Order

Berikut ini merupakan back order pada praktikum modul lima sub satu
forecasting and aggregate planning.
Perhitungan manual no back order bulan Januari pada pengolahan data
1. Days = 22 hari
2. Demand = 1643
= 8 unit x 22
= 176 unit/pekerja
1644
= RoundUp
148
= 12 pekerja
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
dibutuhkan))/2
= 0 pekerja
= Rp 5.450.000 x 0
= Rp 0
= 12 pekerja
t x gaji
= 12 x 22 x Rp 115.000
= Rp 30.360.000
= 8 x 22 x 12
= 2112
= 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
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 –
= 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
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
Hiring Cost (Rp) Rp 3.140.000,00 Rp - Rp - Rp - Rp - Rp - Rp 3.140.000,00
Backorder Cost (Rp) Rp - Rp - Rp - Rp 162.906.421,53 Rp - Rp - Rp 162.906.421,53
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
1. Days = 22 hari
2. Demand = 176
= 8 unit x 22
= 176 unit/pekerja
1644
= RoundUp
148
= 10 pekerja
tersedia))/2
= ((10-8) + ABS (10-8))/2
=2
= 2 x Rp 785.000
= Rp 1.570.000
dibutuhkan))/2
= 0 pekerja
= Rp 5.450.000 x 0
= Rp 0
= 10 pekerja
t x gaji
= 10 x 22 x Rp 115.000
= Rp 25.300.000
= 8 x 22 x 10
= 1643
= 1643 – 1643
=0
13. Holding cost = (inventory + ABS (inventory))/2 x biaya simpan
= (0 + ABS(0))/2 x Rp 10.000
= Rp 0
14. Net backorder =
2
(176 −1643) +176 −1643
=
2
=0
= 0 x Rp 1.500.000
= Rp 0
= Rp 1.570.000 + Rp 0 + Rp 25.300.000 + Rp 0 + Rp
0
= Rp 26.870.000
Tabel 5.4.42 Chase strategy

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
Hiring Cost (Rp) Rp 1.570.000,00 Rp 785.000,00 Rp 785.000,00 Rp 785.000,00 Rp - Rp - Rp 3.925.000,00
Layoff Cost (Rp) Rp - Rp - Rp - Rp - Rp 5.450.000,00 Rp - Rp 5.450.000,00
Holding Cost (Rp) Rp - Rp - Rp - Rp - Rp - Rp - Rp -

menggunakan chase strategy. Perhitungan chase strategy memiliki tujuan yaitu
untuk memenuhi output dari tiap periode yang telah di prediksi pada periode
tersebut. Tabel chase strategy menggunakan 6 bulan yaitu Januari, Februari,
Maret, April, Mei, Juni dengan periode days, worker unit, demand, worker
needed, worker available, worker hiring, hiring cost, worker layoff, layoff cost,
worker used, labour cost, unit produced, net inventory, holding cost, net back
order, back order dan total cost. Hasil data dari chase strategy menggunakan
waktu kerja 22 hari pada bulan januari, demand 1643, unit 176, worker needed
10, worker available 8, worker hiring 2, hiring cost Rp -, worker layoff 0, layoff
cost Rp 0, worker used 10, labour cost 25.300.000, unit produced 1643, net
inventory 0, holding cost Rp 0, net back order 0, back order Rp 0 dan total cost
Rp 26.870.000
4.4.3 Mixed Strategy
Berikut ini mixed strategy pada praktikum modul lima sub bab satu
forecasting and aggregate planning sebagai berikut.
Perhitungan manual mixed strategy bulan Januari pada pengolahan data
1. Days = 22 hari
2. Demand = 1643
= 8 unit x 22
= 176 unit/pekerja
1644
= RoundUp
148
= 11 pekerja
tersedia))/2
= ((11-8) + ABS (11-8))/2
=3
= 3 x Rp 785.000
= Rp 2.355.000
dibutuhkan))/2
= 0 pekerja
= Rp 5.450.000 x 0
= Rp 0
= 11 pekerja
t x gaji
= 11 x 22 x Rp 115.000
= Rp 27.830.000
= 8 x 22 x 11
= 1936
= 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
14. Net backorder =
2
(176 −1936 −176) +176 −1936
=
2
=0
= 0 x Rp 1.500.000
= Rp –
= 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
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
Hiring Cost (Rp) Rp 2.355.000,00 Rp - Rp 1.570.000,00 Rp - Rp - Rp - Rp 3.925.000,00
Layoff Cost (Rp) Rp - Rp - Rp - Rp - Rp 5.450.000,00 Rp - Rp 5.450.000,00

menggunakan Mixed strategy. Perhitungan mixed strategy bertujuan untuk
mendapatkan output yang seimbang dari kapasitas produksi yang dilakukan pada
waktu normal agar nantinya permintaaan pesanan pada setiap bulan dapat
terpenuhi. 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 mixed strategy adalah
Days (Hari) 22, Worker (unit) 176, Demand 1643, Worker Needed (Pekerja) 11,
Worker Available (Pekerja) 8, Worker Hiring (Pekerja) 0, Hiring Cost (Rp) Rp-
,Worker Layoff (Pekerja) 0, Layoff Cost (Rp) Rp 0, Worker Used (Pekerja) 11,
Labour Cost (Rp) Rp 27.830.000, Unit Produced (Unit) 1936, Net Inventroy
(Unit) 293, Holding Cost (Rp) Rp 2.928.433,81, Net Backorder (Unit) 0,
Backorder Cost (Rp) Rp- dengan Total Cost (Rp) Rp 33.113.433,81
4.4.4 Linier Programming
Berikut ini linear programming pada praktikum modul lima sub bab satu
sebagai berikut.
Min Z = total worker hiring + total worker layoff + total net inventory + total net
backorder
Batasan yang harus dipenuhi metode linear programming yaitu sebagai berikut.
Worker layoff ≤ worker available
Worker layoff = integer
Unit producted ≥ demand
Net inventory = integer
Net inventory ≥ inventory
Net backorder ≥ backorder
Tabel 5.4.44 Linier programming
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) 9 11 11 13 11,42421413 11 67
Worker Available (Pekerja 8 9 11 11 13 11 11 67
Hiring Cost (Rp) Rp 1.048.851,97 Rp 2.208.531,26 Rp 2.682.746,92 Rp 3.806.049,69 Rp 2.688.008,09 Rp 2.690.638,68 Rp 15.124.826,61
Worker Used (Pekerja) 9 11 11 13 11 11 67,26729504
Unit Produced (Unit) 1643 1644 1644 1645 1645 1646 9866,178024
Inventory 0 0 0 0 0 0 0
Net inventory 0 0 0 0 0 0 0
Holding cost Rp - Rp - Rp - Rp - Rp - Rp - Rp -
Back order 0 0 0 0 0 0 0
Net Back order 0 0 0 0 0 0 0
Back order cost Rp - Rp - Rp - Rp - Rp - Rp - Rp -
Total Cost Rp 24.669.228,37 Rp 25.835.844,37 Rp 26.316.996,74 Rp 27.447.236,23 Rp 26.336.131,35 Rp 26.345.698,65 Rp 156.951.135,71

menggunakan linear programming. Perhitungan menggunakan linier programing
bertujuan untuk melakukan penentuan perencanaan dari produksi dalam sebuah
perusahaan. Tabel linear programming menggunakan 6 bulan yaitu Januari,
Februari, Maret, April, Mei dan juni dengan periode days, unit worker, demand,
worker needed, worker available, worker hiring, hiring cost, worker lay off, lay
of cost, worker used, labour cost, unit production, net inventory, holding cost, net
backorder, backorder, dan total cost. Hasil data dari linear programming
menggunakan waktu kerja 22 hari pada bulan Januari, demand 1643, unit worker
176, worker needed 9, worker available 9, worker hiring 1, hiring cost Rp
1.048.851,97, worker layoff 0,layoff cost Rp -, worker used 9, labour cost Rp
23.620.376,40, unit produced 1643, inventory 0, net inventory 0, holding cost Rp
0, back order 0, net back order 0, back order cost Rp -, dengan total cost pada
bulan Januari Rp 24.669.228,37
4.5 Rekapitulasi Hasil Strategi

Rekapitulasi hasil strategi dari modul lima sub bab satu adalah sebagai berikut.
Tabel 5.4.45 Rekapitulasi hasil strategi
Metode Total Cost

Back Order Rp 358.954.637.61
No Back Order Rp 241.678.216.08
Chase Strategy Rp 157.150.000.00
Mixed Strategy Rp 192.918.216.08
Linear Programing Rp 156.951.135.71
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.
4.6 Rekapitulasi Data MPS

Berikut merupakan MPS ( Master Production Schedule) pada modul lima sub
satu adalah sebagai berikut.
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.
4.7 Analisa Keseluruhan

PT. CARAKA HYANG YASA telah melakukan peramalan yang bertujuan
untuk memenuhi sebuah permintaan dari pasar dalam periode enam bulan kedepan.
Data yang digunakan dalam peramalaan sebanyak 24 periode. Pada forecasting
dilakukan pada tiga peorduk yaitu produk 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. Dilakukan forecasting menggunakan
software POM-QM dengan empat metode moving average, weight average,
ekponential, dan linier regresi. Pemilihan metode terbaik dengan nilai MAPE
terkecil untuk menentukan disegragasi demand. Pemilihan metode terbaik jika cost
mendekati linier programing. Melakukan rekapan ata 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. Hasil forecasting digunakan dalam angregate plalnning dengan empat
metode moving average, wight average, ekponential, dan linier programming.
Pemilihan metode terbaik dari nilai MAPE terkecil untuk menentukan disegragasi
demand. Hasil data dari chase strategy menggunakan waktu kerja 22 hari pada
bulan januari, demand 1643, unit 176, worker needed 10, worker available 8,
worker hiring 2, hiring cost Rp 1.570.000, worker layoff 0, layoff cost Rp -, worker
used 10, labour cost 25.300.000, unit produced 1643, net inventory 0, holding cost
Rp -, net back order 0, back order Rp -, dan total cost Rp 26.870.000. Rekapitulasi
hasil angregate planning 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.
Metode terbaik adalah metode yang cost mendekati nilai linier programing dari
metode tersebut paling mendekati dan metode terbaik adalah Chase Strategy
sebesar Rp 157.150.000,00. Rekapan hasil data MPS ( Master Production
Schedule) teridiri demand dan proporsi. Perhitungan demand terdiri dari H dan R
sedangkan proporsi terdiri dari H1 78%,H2 22%, dan R 100%. Pada demand bulan
januari pada produk H diperoleh data sebanyak 1643 dan R diperoleh 517 unit.
Perolehan data dari proporsi H1 78% pada bulan januari yaitu sebanyak 1275, H2
proporsi 22% menghasilkan 368 unit, dan R dengan proporsi 100% sebanyak 517
unit.
BAB V
KESIMPULAN DAN SARAN
Berikut merupakan kesimpulan dan saran dari praktikum terintegrasi modul
lima sub bab satu adalah sebagai berikut.
5.1 Kesimpulam
1. Manfaat dari melakukan forecasting atau peramalan adalah untuk meramalkan
atau mengantisipasi peristiwa di masa depan. Peramalan juga bermanfaat bagi
perusahaan untuk mengestimasi tingkat permintaan konsumen di periode enam
bulan mendatang, sehingga produksi dapat diatur sedemikian rupa agar sesuai
dengan permintaan pasar. Tujuan utama peramalan adalah untuk
memproyeksikan penjualan produk agar produksi dapat disesuaikan dengan
jumlah yang tepat berdasarkan hasil forecasting dari data historis penjualan 24
periode. Peramalan yang akurat akan meningkatkan penjualan dan keuntungan
perusahaan, sementara peramalan yang tidak akurat dapat menyeb abkan
kerugian karena pengaruhnya terhadap perencanaan strategis dalam proses
produksi. Data awal permintaan produk di wilayah Jawa tengah terdiri dari
empat wilayah: Batang, Semarang, Pekalongan, dan kendal . Setiap wilayah
memiliki tiga Proporsi, yaitu H1, H2, dan R, yang digunakan dalam analisis
peramalan.
2. Tujuan dan manfaat dari dilakukannya agregasi yaitu dapat melakukan suatu
perencanaan dan penentuan tingkat kualitas dan waktu. PT TI PRUT
memproduksi tiga produk yaitu produk MARVIN (H1) ( Mobile Atumation with
Robotic Vehicle Intelligence) berbasis arduino berbahan dasar akrilik,
MARVIN (H2) (Mobile Atumation with Robotic Vehicle Intelligence ) berbahan
dasar Filamen dan VISCO R (R) (Vintage Desk Clock Sisman Corparation)
berbahan dasar kayu. Data penjualan dari empat wilayah jawa tengah yaitu
batang, semarang, kendal,dan kendal. Produk H1 memiliki harga jual sebesar
Rp 500.000, produk H2 memiliki harga jual sebesar Rp 150.000, dan produk R
memiliki harga jual sebesar Rp 300.000. Perhitungan pada periode pertama di
wilayah Kendal diperoleh H1 dengan harga produk Rp 500.000. Manfaat dari
peramalan digunakan agar proses produksi telah sesuai dengan kebutuhan
pasar dan konsumen.
3. Metode forecasting merupakan peramalan bertujuan untuk melakukan prediksi
penjualan produk dengan menggunakan empat metode. Empat metode tersebut
yaitu moving metode average, weight moving average, e xponential dan linear
regresi. Metode terpilih adalah metode yang memiliki nilai terkecil. Metode
linear regresi terpilih karena memiliki nilai terkecil nilai MAPE 4,34%.
Metode linear regresi berfungsi sebagai peramalan untuk empat bulan
kedepan. Perhitungan tersebut dihasilkan dari tiga metode MAD, MSE dan
MAPE. Pada metode moving average produk MARVIN H. Peramalan
menggunakan software POM QM dengan metode moving average 4 Bulan
menghasilkan dapat dipilih metode yang terkecil ialah menggunakan metode
linear regresi dengan nilai MAPE terkecil sebesar 3,78%. Metode yang terpilih
memiliki nilai parameter terdekat semakin kecil nilai forecasting maka
semakin baik dan linear regresi menjadi metode terpilih
4. Perencanaan produksi dilaksanakan melalui pendekatan aggregate planning,
yang kemudian digunakan untuk meningkatkan efisiensi proses produksi.
Tujuan utama dari aggregate planning adalah menentukan jumlah dan jadwal
produksi untuk mengelola operasi dan mencari cara terbaik untuk memenuhi
permintaan produksi. Proses aggregate planning, ada beberapa strategi yang
dapat digunakan, seperti level strategy, chase strategy, mixed strategy, dan
linear programming. Pilihan strategi ini didasarkan pada proyeksi kapasitas
yang ada serta sumber daya yang efisien dengan biaya minimal. Metode dalam
aggregate planning dapat disesuaikan sesuai dengan kebutuhan perusahaan
dan sering disebut sebagai pendekatan yang fleksibel. Sebagai contoh, metode
level strategy, yang tidak mengizinkan keterlambatan pengiriman ( no back
order), dapat menjadi pilihan strategi yang di pilih. Hasil yang di dapatkan dari
aggregate planning dari back order Rp 38,188,433,81, no back order Rp
43,263,433,81 , chase strategy Rp 26,870,000,00 , mixed strategy Rp
33,113,433,81 , linear programming Rp 244,669,228,37
5. Aggregate planning dapat diterapkan dengan memanfaatkan empat pendekatan
berbeda, yaitu level stategy (termasuk opsi no backorder dan backorder), chase
strategy, mixed strategy, serta linear programming. Tujuan dari aggregate
planning adalah menentukan volume produksi dan jadwalnya untuk mengelola
operasi serta menemukan cara terbaik untuk memenuhi permintaan produksi.
Metode level strategy meliputi backorder dan no backorder, di mana tidak
diperkenankan adanya sisa atau kelebihan stok dalam perhitungan. Chase
Strategy digunakan untuk memenuhi permintaan dengan menambahkan tenaga
kerja dan sumber daya lainnya. Mixed strategy adalah gabungan antara level
strategy dan chase strategy. Sedangkan linear programming adalah pendekatan
yang menggunakan perangkat lunak seperti excel solver untuk perhitungannya.
Setelah evaluasi biaya, metode yang terpilih sebagai yang te rbaik adalah
metode chase strategy karena biayanya paling mendekati hasil dari linear
programming, yaitu pada metode chase strategy dengan biaya sekitar Rp.
57,150,000,000. seperti chase strategy pada bulan januari memiliki jumlah
total cost sebesar Rp 26,870,000,00 , mixed strategy pada bulan januari
memiliki jumlah total cost sebesar Rp 33,113,433,81 , linier programming pada
bulan januari memiliki jumlah total cost sebesar Rp 24,669,228,37.
6. Perencanaan agregat yang optimal dapat dicapai dengan membandingkan
berbagai metode strategi, termasuk no backorder dan backorder, chase
strategy, mixed strategy, serta linear programming. Metode terunggul di antara
keempat opsi tersebut adalah chase strategy karena mampu menghasilkan total
biaya yang paling rendah. Keunggulan utama dari chase strategy adalah
kemampuannya untuk meminimalkan dan menjaga stabilitas, meskipun hal ini
memerlukan penggunaan tenaga kerja yang lebih tinggi. Namun, kekurangan
dari chase strategy adalah peningkatan biaya tambahan yang diperlukan untuk
menyesuaikan tingkat tenaga kerja. Perencanaan yang di peroleh dari back
order Rp358.954.637,61 , no back order Rp241.678.216,08 , chase strategy
Rp157.150.000,00 , mixed strategy Rp156.951.135,71 , linear programing
Rp156.951.135,71.
7. Suatu perencanaan produksi yang efisien dan fleksibel dapat dicapai dengan
pemilihan pendekatan aggregate planning yang melibatkan berbagai strategi,
seperti level strategy, no backorder dan backorder, chase strategy, mixed
strategy, serta linear programmin g. Metode yang paling optimal adalah chase
strategy karena biayanya paling mendekati hasil dari linear programming,
yakni sebesar Rp.157.150.000,00 Langkah yang dilakukan umtuk mengetahui
dimana angka yang efisien dan fleksibel adalah dengan mencari tahu dari
berbagai stratgei, kemudian sesudah mengetahui hasil dari beberapa strategi
tersebut, maka akan di lihat hasil dari beberapa strategi yang mend ekati dengan
linier pemogramming adalah dapat di simpulkan bahwa itu yang akan di buat.
5.2 Saran
Saran pada modul lima sub satu mengenai forecasting and aggregate planning
adalah melakukan forecasting dan aggregate planning secara berkelanjut karena
modul ini merupakan pendahuluan dan belum sempurna.
DAFTAR PUSTAKA
Ambarwati, R. (2021). Manajemen Operasional dan Implementasi Dalam Industri.

Magelang: Pustaka Rumah C1nta.
Febryanti, A. R. (2019). Penerapan Perencanaan Agregat untuk Meminimumkan
Biaya Produksi (Studi pada CV. X). Jurnal Manajemen dan Bisnis:
Performa Vol.16, 144-150.
Frenia, Z. V. (2023). Analisis Perencanaan Produksi Kitchenware Dengan Metode
Aggregate Planning. SEIKO : Journal of Management & Business, 319 -
328.
Matiro, M. A. (2022). Analisis Perencanaan Produksi pada PT. Davinci Airindo
Menggunakan Metode Agregate Planning. Jambura Industrial Review, 21-
30.
Muchammad Assaabiq, R. D. (2022). Analisa Penjadwalan Produksi Emergency
Air Reciever dengan Menggunakan Master Production Schedule di PT
Boma Bisma Indra. Jurnal Jaring SainTek, 43-48.
Selvia Aprilyanti, I. P. (2018). Optimis Keuntungan Produksi Kemplang panggang
Menggunakan Linear Programing Melalui Metode Simpleks. Seminar dan
Konferensi Nasional IDEC, 11.
LAMPIRAN
Moving Average 4 Bulan Produk H Moving Average 7 Bulan Produk H
Weight Moving Average 5 Bulan Weight Moving Average 6 Bulan

Produk H Produk H
Exponential Smoothing 0.02 (H) Eksponential 0.08 (H)

Linier Regresi 6 Bulan Produk H
Forecasting Solution Produk H

Moving Average 4 Bulan Produk R Moving Average 7 Bulan Produk R
Weight Moving Average 5 Bulan Weight Moving Average 6 Bulan

Produk R Produk R
Exponential Smoothing 0.02 (R) Eksponential 0.08 (R)

Linier Regresi 6 Bulan Produk R
Forecasting Solution Produk R

Acc M5S1 - Kelompok 40

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Acc M5S1 - Kelompok 40

Diunggah oleh

Hak Cipta:

Format Tersedia

2023

SEMENTARA MODUL 5 SUB 1

PRAKTIKUM TERINTEGRASI TAHUN 2023

Nama : Veronika Feni S

LABO RATO RI UM TERINTEG RASI

2. Single Exponential Smoothing (SES)

2.3 Ukuran Akurasi Forecast

Keterangan: At = Permintaan aktual pada periode

3. Melakukan hal-hal dibawah ini (2.2.1 – 2.2.3)

2.5 Linear Programing

2.6 Master Production Schedule (MPS)

3.2 Prosedur Praktikum

Briefing Modul 5 Sub 1

Laporan Resmi Sementara

Flowchart 5.3.1 Flowchart Praktikum Modul 5 Sub 1

Data historis 24 periode Tahap Persiapan

Melakukan forecasting dengan moving

Perhitungan peramalan menggunakan

Melakukan proses aggregate planning

Melakukan pemilihan proses strategi

Merekap data MPS

Melakukan analisis data keseluruhan

Kesimpulan dan Saran Tahap Kesmpulan

Flowchart 5.3.2 Flowchart Pengolahan Praktikum Modul 5 Sub 1

Pekalongan. Agregasi data di wilayah Kendal produk M ARVIN H1 di periode pertama

4.2.3.1 Forecasting Produk H

Moving Average 4 Bulan (H)

2. Moving Average 7 Bulan Produk H

Moving Average 7 Bulan (H)

Weight Moving Average 5 Bulan (H)

produk H. Peramalan menggunakan software POM QM dengan metode Moving

Weight Moving Average 6 Bulan (H)

Single Eksponential 0.02 (H)

Single Eksponential 0.08 (H)

Linier Regresi 6 Bulan (H)

Tabel 5.4.13 Linier Regresi produk H merupakan hasil Forecasting produk

REKAPAN PENJUALAN PRODUK H

4.2.3.2 Forecasting Produk R

Moving Average 4 Bulan (R)

Moving Average 7 Bulan (R)

Tabel 5.4.17 Weight Average

Weight Moving Average 5 Bulan (R)

Tabel 5.4.18 Weight Moving Average 6 Bulan Produk R

Weight Moving Average 6 Bulan (R)

Single Eksponential 0.02 (R)

Single Eksponential 0.08 (R)

Linier Regresi 6 Bulan (R)

REKAPAN PENJUALAN PRODUK H

4.2.4.1 Forecasting Menggunakan Metode Terpilih Produk H

Tabel 5.4.23 Merupakan hasil Forecasting menggunakan metode terpilih

produk R menggunakan metode Linier Regresi. Periode yang digunakan dalam

4.2.4.2 Forecasting Menggunakan Metode Terpilih Produk R

Tabel 5.4.24 Merupakan hasil Forecasting menggunakan metode terpilih

produk R menggunakan metode Linier Regresi. Periode yang digunakan dalam

Tabel 5.4.25 merupakan proporsi penjualan di empat wilayah, yaitu Kendal,

Tabel 5.4.27 merupakan proporsi penjualan di empat wilayah yaitu Kendal,

Tabel 5.4.29 merupakan disagregasi proprosi pada wilayah Semarang. Hasil

KENDAL SEMARANG BATANG PEKALONGAN

KENDAL SEMARANG BATANG PEKALONGAN

4.4 Aggregat Planning

Tabel 5.4.40 diatas merupakan data dari perhitungan aggregate planning

4.4.1.2 Back Order

Periode Januari Februari Maret April Mei Juni Total