Anda di halaman 1dari 18

TUGAS EAS

FORECASTING
Penentuan
Penentuan keputusan
keputusan penambahan
penambahan kapasitas
kapasitas produksi
produksi
berdasarkan
berdasarkan hasil
hasil peramalan
peramalan // forecasting
forecasting output
output perusahaan
perusahaan

Daftar isi:

Sekilas tentang perusahaan tempat pengambilan data

Data output perusahaan 3 tahun terakhir

Analisa data untuk menentukan metode forecasting

Forecasting dengan bantuan software excel

Analisa data forecasting untuk keputusan penambahan kapasitas produksi

Forecasting dengan bantuan software minitab


Oleh: SUKISNO - MMT ITS
Kelas B NRP : 9116 20 1354

Company Entity
www.seatechindonesia.com

PT. SEA TECH INDONESIA


Adalah sebuah perusahaan yang didirikan
oleh sekelompok mahasiswa tingkat akhir
jurusan teknik perkapalan ITS, berawal dari
pekerjaan paruh waktu mulai tahun 2004
melayani jasa desain kapal untuk beberapa
klien swasta yang akhirnya setelah para
pendiri menyelesaikan study S1, pada tahun
2008 mendirikan Perseroan Terbatas yang
bergerak di bidang jasa.
Penulis adalah salah satu pendiri sekaligus

Company Entity
www.seatechindonesia.com

Dalam menjalankan usahanya PT. Sea Tech


Indonesia mengkhususkan diri dalam Jasa
gambar desain rancang bangun kapal
(Naval Architecture).
Selama ini kebijakan perusahaan jika terjadi
kekurangan
sumberdaya
internal
perusahaan untuk menyelesaikan sebuah
kontrak dengan tenggat waktu tertentu
adalah dengan outsourcing atau sub
kontrak pekerjaan.

Data
Data Lampau
Lampau [Desain
[Desain Kapal]
Kapal]
Data output dalam satuan DWT (ton), merupakan
satuan besaran kapal yang tergantung pada:
panjang, lebar, tinggi, dan draft sebuah kapal.
Ukuran Kapal [meter]
Tahu Triwula
Past Year Nama Paket Pekerjaan
n
n
Rescue Alu Boat 12
1

Mar-14

Jun-14

Omega Electric Boat


Purseine Fishing Vessels
315
Purseine Fishing Vessels
BV2
Kapal Keruk Sampah
Very Roro Ketapang
Gilimanuk

2014

Kapal Penumpang Kutai


3

Sep-14

Catamaran Mini Cargo


Mooring Boat Pertamina
Kapal Cepat Sebatik
Tawaw
Verry Multicargo Aceh

Tipe
DWT
Panjan Leba Tingg
Pekerjaan
Draft [ton]
g
r
i
Desain
kapal
Desain
kapal
Desain
kapal
Desain
kapal
Desain
kapal
Desain
kapal
Desain
kapal
Desain
kapal
Desain
kapal
Desain
kapal
Desain
kapal

12

1,6

1,6

6,8

1,2

0,35

36,5

10

5,2

16

3,4

20,4

4,7

1,5

47,4

13,5

7,6

16

1,8

0,5

10

3,2

1,4

0,4

8,6

2,6

1,5

0,7

17

0,6

69,8

13,6

8,7

3,5

Sub
Total
DWT

34,6
2,9

694,4

657,0
32,6
90,2
57,5
767,9
19,2
7,7

828,6

9,4
24,5
1.993,5

Data
Data Lampau
Lampau [Desain
[Desain Kapal]
Kapal]
Ukuran Kapal [meter]
Tahu Triwul
Tipe
DWT
Past Year Nama Paket Pekerjaan
Panjan Leba Tingg Draf
n
an
Pekerjaan
[ton]
g
r
i
t
Desain
kapal
Desain
Mar-15 Catamaran Diving Boat
kapal
Desain
Speed Boat FRP
kapal
Pur seine Fishing Vessels Desain
A
kapal
Pur seine Fishing Vessels Desain
Jun-15
B
kapal
Pur seine Fishing Vessels Desain
C
kapal
Desain
FPB 28
kapal
Desain
Sep-15 Cutter Suction Dredger
kapal
Desain
Kapal Perintis Tipe 1200
kapal
Desain
Oil Barge
kapal
Desain
Des-15 LCT Aquaculture
kapal
Desain
KKP Reaserch Vessels
kapal
Trimaran Bali Sail

2
2015
3

23

3,2

2,5

12

2,1

0,5

10

2,6

1,5

0,6

2,5

3,2

0,6

12

3,6

0,7

18

3,6

4,2

1,8

28

5,4

3,4

0,8

17,6

4,9

1,1

0,75

62,8

12

2,7

51,9

14,4

3,5

2,5

18

1,6

0,9

60

11

5,4

Sub
Total
DWT

44,2
10,8

64,3

9,4
7,2
15,1

92,3

70,0
72,6
38,8 1.332,2
1.220,8
1.121,0
58,3 2.367,4
1.188,0
5

Data
Data Lampau
Lampau [Desain
[Desain Kapal]
Kapal]

Tah Triwul
un
an

Past
Year

Nama Paket
Pekerjaan

201
6

Tipe
DWT
Pekerjaan Panjan Leba Tingg Draf [ton]
g
r
i
t

Desain
kapal
Desain
Mar-16 Phinisi kontainer 48
kapal
Desain
Omega Boats
kapal
Desain
Kapal ReDe
kapal
Desain
Jun-16 Rigid Inflatable Boat
kapal
Vintage Zypher
Desain
Craft
kapal
Kapal Pandu Pelindo Desain
III
kapal
Desain
Sep-16 KKP Floating Office
kapal
Desain
Diving Catamaran
kapal
Phinisi kontainer 24

Ukuran Kapal
[meter]

24

6,4

4,3

2,3

48

13

6,8

1,8

1,2 0,34

24,7

6,3

2,2

1,5

8,5

1,4

0,7

7,6

1,1

0,2

15

3,6

2,5

0,6

80

12

17

2,4

0,8

Sub
Total
DWT

212,0
1.497,6 1.712,1
2,5
140,0
10,7 152,6
1,8
19,4
1.728,0 1.812,7
65,3
6

Rekap Data Lampau


Jasa
Jasa Desain
Desain Kapal
Kapal
Tahun

Triwulan
Mar-14

2014

Jun-14
Sep-14
Des-14
Mar-15

2015

Jun-15
Sep-15
Des-15
Mar-16

DWT
[ton]
694,4
90,2
828,6
2.016,4
64,3
92,3
1.332,2
2.367,4

Data historis (grafik biru) menunjukkan


adanya pola musiman / Seasonal
pattern, sehingga jika di ambil trendline
linier (garis merah) untuk proses
forecast akan menghasilkan data yang
tidak akurat.
Akan dilakukan Forecasting Seasonal

Proses Forecasting*
*menggunakan bantuan software excel

three-step:
three-step:
Deseasonalized,
Deseasonalized, forecast,
forecast,
then
then Seasonalized
Seasonalized process
process

Proses forecasting dilakukan dengan tiga


langkah :
1.Merubah data menjadi bentuk
Deseasonalized dengan menghitung
Seasonal Factor
2.Melakukan forecasting dari
Deseasonalized data
3.Merubah kembali data hasil forecasting
dari Deseasonalized data kedalam
bentuk Seasonalized data.
(1)

(2)

(3)

Actual Amount

Period (x)

Qtr

(y)

(4)

(5)

Seasonal Factor
Average of the Same
Qtr of Each Year
Col. (4) / Average Col.
(4) in 1 year

(6)

Deseas. Demand (yd)


Col. (3) / Col.(5)

The
The three-step:
three-step:
Deseasonalized,
Deseasonalized, forecast,
forecast,
then
then Seasonalized
Seasonalized process
process
Tahun

2014

2015

2016

2017

2018

2019

Triwulan
Mar-14
Jun-14
Sep-14
Des-14
Mar-15
Jun-15
Sep-15
Des-15
Mar-16
Jun-16
Sep-16
Des-16
Mar-17
Jun-17
Sep-17
Des-17
Mar-18
Jun-18
Sep-18
Des-18
Mar-19
Jun-19
Sep-19
Des-19

DWT [ton]
(Actual)
694,4
90,2
828,6
2.016,4
64,3
92,3
1.332,2
2.367,4
1.712,1
152,6
1.812,7

Average of
the Same
Qtr of Each
Year
823,60
111,69
1.324,52
2.191,89

Proses Forecasting
Seasonal
Factor

Deseasonaliz
ed Data

0,74003
0,10035
1,19013
1,96949
0,74003
0,10035
1,19013
1,96949
0,74003
0,10035
1,19013
1,96949
0,74003
0,10035
1,19013
1,96949
0,74003
0,10035
1,19013
1,96949
0,74003
0,10035
1,19013
1,96949

938,3584
898,5104
696,2537
1.023,8290
86,9151
919,7953
1.119,3886
1.202,0191
2.313,4987
1.520,4664
1.523,1299

Forecast

Seasonaliz
ed Data

1748,93583
1853,269162
1959,921013
2066,572863
2172,065454
2276,398786
2383,050636
2489,702487
2595,195078
2699,528409
2806,18026
2912,83211
3018,324701

3444,50
1371,48
196,68
2459,49
4277,85
1684,61
239,15
2963,07
5111,20
1997,74
281,61
3466,64
5944,55
9

The
The three-step:
three-step:
Deseasonalized,
Deseasonalized, forecast,
forecast,
then
then Seasonalized
Seasonalized process
process

Proses Forecasting

10

Kapasitas Produksi
Untuk membuat gambar desain kapal diperlukan komputer
dengan spesifikasi khusus dengan perangkat lunak yang khusus
pula, mulai tahun 2013 sampai saat ini perusahaan mempunyai
5 komputer untuk engineering dengan 5 license software
dengan Normal
kapasitas
sebagai
Working
Hourberikut; Night Shift Working Hour
Start
End
Duration
Start
End
Duration
9:00
12:00
3:00 Hour
19:00
23:00
4:00 Hour
13:00
17:00
4:00 Hour
00:00
03:00
3:00 Hour
Total per Normal
Total per 1 Night
7:00 Hour
7:00 Hour
Day
Shift
Total Working Hour per day for 1
14:00 Hour
Computer dalam
:
Berdasarkan pengalaman perusahaan
kondisi normal

untuk setiap DWT kapal memerlukan 15 man.hour


(1)
(2)
Jumlah
Kapasitas
Unit
Produksi [jam]
Komputer

(3)
Total Waktu
Produksi per
hari [jam]

(4)
Jumlah hari
dalam 1
Triwulan

35

84

(5)
(6) = (5)/15
Total Waktu
Total Kapasitas
Produksi per
Produksi per
triwulan [jam] triwulan [DWT]

2940

196

Tersedia 2940 jam-per-triwulan alat (hours-per-Qtr machines)


yang dapat menghasilkan 196 DWT per triwulan tanpa kerja
lembur dan total 392 DWT dengan kerja lembur.
11

Capacity
Capacity Requirements*
Requirements*
*Berdasarkan hasil forecast 3 tahun
kedepan
Untuk membuat gambar desain kapal diperlukan komputer dengan spesifikasi khusus

dengan perangkat lunak yang khusus pula, mulai tahun 2013 sampai saat ini perusahaan
mempunyai 5 komputer untuk engineering dengan 5 license software dengan kapasitas
sebagai berikut;

Tahun 2017

Hasil
forecast 3
tahun
kedepan

1.371,4
196,68
8

2.459,4 4.277,8 1.684,6


239,15
9
5
1

1 Machine :

78,40

1 Machine :

Normal Labor

1 Machine :

Night shift Labor

% Capacity
350%
used
Machine Req. 17,49
Machine
Available :

Tahun 2018

Tahun 2019

Triwulan Triwulan Triwulan Triwulan Triwulan Triwulan Triwulan Triwulan Triwulan Triwulan Triwulan Triwulan
1
2
3
4
1
2
3
4
1
2
3
4

2.963,0 5.111,2 1.997,7


281,61
7
0
4

Machine
Capacity :

392

DWT

Normal Labor :

196

DWT

Night shift labor :

196

DWT

DWT per triwulan

3.466,6 5.944,5
4
5

50%

627%

1091%

430%

61%

756%

1304%

510%

72%

884%

1516%

2,51

31,37

54,56

21,49

3,05

37,79

65,19

25,48

3,59

44,22

75,82

(1)

(2)

[(1)-(2)]
Remaining
12,49
26,37 49,56 16,49
32,79 60,19 20,48
39,22 70,82 (3)
Machine
Req. :
Total Labor
Dari
tabel
di18 atas 3nampak
32 bahwa
55
sebagian
22
4besar38kondisi
66 membutuhkan
26
4
tambahan
45
76 alat
(4)
Req.
maupun
tenaga
kerja,
kecuali
pada
triwulan
25 setiap5 tahunnya.
Normal
Labor
5
5
5
5
5
5
5
5
5
5
(5)
Available :
Selama
ini
kebijakan
perusahaan
adalah
dengan
outsourcing
atau
sub
kontrak
[(4)-(5)]
pekerjaan,
slide dibawah
akan
di17bahas apakah
hal serupa
Remaining pada
13
27
50
33 akan
61 dilakukan
21
40
71 atau
(6)
12
Labor Req.

Pemilihan Keputusan*
*menggunakan Decision Tree Analysis

Berdasarkan data hasil forecast ada 3 hal yang bisa dilakukan untuk menangkap peluang
naiknya demand sebagai berikut;
A. Investasi alat (komputer dan lisensi software) beserta penambahan karyawan
operatornya
B. Berjalan seperti biasa (kelebihan kapasitas sepenuhnya di subkontrak kan)
C. Sebagian subkontrak, sebagian dengan penambahan alat dan karyawan
Estimasi profit dari ketiga alternatif
adalah sebagai berikut :
A.tersebut
Full Investments

High
Medium
Low
Sales Projections
5.000.000.00 2.000.000.00
300.000.000
0
0
Full Investments (hardware and software) 1.000.000.00 1.000.000.00 1.000.000.00
0
0
0
4.000.000.0 1.000.000.0
Estimate Profit
700.000.00
00
00
0
B. Full Subcontract
High
Medium
Low
Sales Projections
5.000.000.00 2.000.000.00
300.000.000
0
0
Profit loss due to Subcontracting (30% from
1.500.000.00 -600.000.000 -90.000.000
sales)
0
13

Pemilihan Keputusan*
*menggunakan Decision Tree Analysis

Demand
Demand Probability
Probability ::
Low
:: 40%
Low
40%
Medium
Medium :: 20%
20%
High
High :: 40%
40%

A
B
C

Chance

A
Decisio
n

40%
20%
40%
High
Medium
Low
4.000.000.00 1.000.000.00
-700.000.000
0
0
3.500.000.00 1.400.000.00
210.000.000
0 High
0
4.000.000.0
High Demand
Demand
4.000.000.0
3.000.000.00
(0,4)
00
(0,4)
00
900.000.000
-290.000.000
1.000.000.0
Medium Demand
Demand
1.000.000.0
0Medium
(0,2)
(0,2)
Low
Demand
Low Demand (0,4)
(0,4)

Chance

High
High Demand
Demand
(0,4)
(0,4)
Medium
Medium Demand
Demand
(0,2)
(0,2)
Low
Low Demand
Demand (0,4)
(0,4)

Chance

High
High Demand
Demand
(0,4)
(0,4)
Medium
Medium Demand
Demand
(0,2)
(0,2)
Low
Low Demand
Demand (0,4)
(0,4)

00
00
-700.000.00
700.000.00
00
3.500.000.0
3.500.000.0
00
00
1.400.000.0
1.400.000.0
00
00
210.000.00
210.000.00
00

3.000.000.0
3.000.000.0
00
00
900.000.00
900.000.00
00
-290.000.00
290.000.0014

Perhitungan
Perhitungan Expected
Expected
Monetary
Monetary Value
Value

Pemilihan Keputusan*
*menggunakan Decision Tree Analysis

EMV
EMVAA=0,4(4000)+0,2(1000)+0,4
=0,4(4000)+0,2(1000)+0,4 (-700)
(-700) == 1.520
1.520 jtjt
EMV
EMVBB=0,4(3500)+0,2(1400)+0,4
=0,4(3500)+0,2(1400)+0,4 (210)
(210) == 1.764
1.764 jtjt
EMV
EMVCC=0,4(3000)+0,2(900)+0,4
=0,4(3000)+0,2(900)+0,4 (-290)
(-290) == 1.264
1.264 jtjt
DIPUTUSKAN opsi B : Berjalan seperti
biasa (kelebihan kapasitas sepenuhnya di

15

Forecasting
Forecasting dengan
dengan bantuan
bantuan Minitab
Minitab
Input data lampau pada worksheet
Trend Analysis Plot for output (DWT)
Linear Trend Model
Yt = -172 + 158,8t
2500

Variable
Actual
Fits

output (DWT)

2000

Accuracy Measures
MAPE
479
MAD
559
MSD
468694

1500

1000

500

0
1

10

11

Index

Menunjukkan ada pola


seasonal
16

Forecasting
Forecasting dengan
dengan bantuan
bantuan Minitab
Minitab
Forecast tanpa seasonal

Trend Analysis Plot for output (DWT)


Linear Trend Model
Yt = -172 + 158,8t
4000

Variable
Actual
Fits
Forecasts

Data
Length
NMissing

output (DWT)
11
0

output (DWT)

3000

Trend Analysis for output


(DWT)

Accuracy Measures
MAPE
479
MAD
559
MSD
468694

2000

1000

Fitted Trend Equation


Yt = -172 + 158,8t
Accuracy Measures
MAPE
MAD
MSD

479
559
468694

0
2

10

12

14

16

18

20

22

Index

17

Forecasting
Forecasting dengan
dengan bantuan
bantuan Minitab
Minitab
Forecast dengan Winters Method

Winters Method Plot for output (DWT)


Multiplicative Method
Variable
Actual
Fits
Forecasts
95,0% PI

8000

Multiplicative Method
Data output (DWT)
Length 11
SmoothingConstants
(level)
0,2
(trend)
0,2
(seasonal) 0,2
AccuracyMeasures
MAPE
282
MAD
580
MSD 728746

output (DWT)

6000

Winters Method Plot for output


(DWT)

Smoothing Constants
(level)
0,2
(trend)
0,2
(seasonal) 0,2

4000

Accuracy Measures
MAPE
282
MAD
580
MSD
728746

2000

10

12

14

16

18

20

22

Index

18