forecast & perencanaan agregat

66
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA TUGAS BESAR Perencanaan & Pengendalian Produksi 2014 BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini, perkembangan dan kemajuan teknologi menghasilkan persaingan yang ketat di dunia usaha. Hal ini disebabkan oleh tuntutan konsumen terhadap suatu produk yang tidak hanya terbatas pada harga dan kualitas saja tetapi juga pada pelayanan yang diberikan. Pelayanan yang dimaksud dapat berupa ketersediaan produk yang diinginkan konsumen dengan kuantitas dan kualitas sesuai dengan kebutuhan. Perencanan dan pengendalian produksi merupakan aktivitas merencanakan kegiatan-kegiatan produksi, agar apa yang telah direncanakan dapat terlaksana dengan baik dan maksimal. Oleh karena itu sebelum memutuskan untuk memesan ataupun memproduksi suatu barang, lebih baik jika direncanakan terlebih dahulu sehingga dapat menghasilkan keuntungan yang optimal. Selain dari jumlah produksi, ketepatan waktu juga perlu direncanakan dengan tepat sehingga hasil yang didapat akan efektif dan efisien. Studi kasus yang dibahas kali ini adalah tentang perusahaan CV Jati Makmur Furniture yang memproduksi produk- produk furniture yaitu meja bangku dan kursi bangku. Produksi perusahaan ini memiliki desain yang khas sehingga tidak dapat ditiru oleh siapapun. Pada saat melakukan pembelian, konsumen hanya tinggal memesan secara online dan membayar dengan cara transfer melalui ATM. Masalah yang dialami perusahaan saat ini adalah perusahaan sering mengalami pemesanan yang 1

Upload: alan-rahadian-pramudana

Post on 26-Dec-2015

81 views

Category:

Documents


12 download

DESCRIPTION

PPICproduction planning and inventory control

TRANSCRIPT

Page 1: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

BAB IPENDAHULUAN

1.1 Latar Belakang

Dewasa ini, perkembangan dan kemajuan teknologi menghasilkan persaingan yang

ketat di dunia usaha. Hal ini disebabkan oleh tuntutan konsumen terhadap suatu produk

yang tidak hanya terbatas pada harga dan kualitas saja tetapi juga pada pelayanan yang

diberikan. Pelayanan yang dimaksud dapat berupa ketersediaan produk yang diinginkan

konsumen dengan kuantitas dan kualitas sesuai dengan kebutuhan. Perencanan dan

pengendalian produksi merupakan aktivitas merencanakan kegiatan-kegiatan produksi,

agar apa yang telah direncanakan dapat terlaksana dengan baik dan maksimal. Oleh karena

itu sebelum memutuskan untuk memesan ataupun memproduksi suatu barang, lebih baik

jika direncanakan terlebih dahulu sehingga dapat menghasilkan keuntungan yang optimal.

Selain dari jumlah produksi, ketepatan waktu juga perlu direncanakan dengan tepat

sehingga hasil yang didapat akan efektif dan efisien.

Studi kasus yang dibahas kali ini adalah tentang perusahaan CV Jati Makmur

Furniture yang memproduksi produk-produk furniture yaitu meja bangku dan kursi

bangku. Produksi perusahaan ini memiliki desain yang khas sehingga tidak dapat ditiru

oleh siapapun. Pada saat melakukan pembelian, konsumen hanya tinggal memesan secara

online dan membayar dengan cara transfer melalui ATM. Masalah yang dialami

perusahaan saat ini adalah perusahaan sering mengalami pemesanan yang melebihi

kemampuan untuk memproduksi barang tersebut sesuai dengan tenggat waktu yang telah

ditentukan. Simulasi studi kasus ini adalah untuk mengorganisasi perusahaan sehingga

mampu mengatasi masalah-masalahnya dan memastikan agar perusahaan berada pada

posisi yang terbaik untuk kelangsungan jangka panjang.

1.2 Rumusan Masalah

Rumusan masalah dari studi kasus ini adalah :

1. Bagaimana peramalan (forecasting) perMintaan produk pada CV Jati Makmur

furniture ?

2. Bagaimana perencanaan agregat pada CV Jati Makmur furniture ?

3. Bagaimana disagregasi pada CV Jati Makmur furniture ?

4. Bagaimana jadwal produksi induk (master production scheduling) pada CV Jati

Makmur furniture ?

1

Page 2: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

5. Bagaimana perencanaan kebutuhan material (material requiremenTS planning),

Economic Order Quantity (EOQ), dan Economic Production Quantity (EPQ) pada CV

Jati Makmur furniture ?

6. Bagaimana manajemen penyimpanan yang harus dimiliki oleh CV Jati Makmur

furniture ?

7. Berapa biaya yang harus dikeluarkan CV Jati Makmur furniture untuk menghasilkan

produk furniture yang berkualitas dan dapat menghasilkan keuntungan maksimal ?

1.3 Tujuan

Tujuan dari studi kasus ini adalah:

1. Mengetahui dan memahami peramalan (forecasting) perMintaan produk pada CV Jati

Makmur furniture.

2. Mengetahui dan memahami perencanaan agregat pada CV Jati Makmur furniture.

3. Mengetahui dan memahami disagregasi pada CV Jati Makmur furniture.

4. Mengetahui dan memahami jadwal produksi induk (master production scheduling)

pada CV Jati Makmur furniture.

5. Mengetahui dan memahami perencanaan kebutuhan material (material requiremenTS

planning), Economic Order Quantity (EOQ), dan Economic Production Quantity

(EPQ) pada CV Jati Makmur furniture.

6. Mengetahui dan memahami manajemen penyimpanan yang harus dimiliki oleh CV

Jati Makmur furniture.

7. Mengetahui biaya yang harus dikeluarkan CV Jati Makmur furniture untuk

menghasilkan produk furniture yang berkualitas dan dapat menghasilkan keuntungan

maksimal.

1.4 Manfaat

Manfaat yang dapat diperoleh dari adanya studi kasus ini adalah:

1. Mahasiswa dapat mengetahui dan memahami langkah-langkah perhitungan peramalan

terhadap perMintaan konsumen pada CV Jati Makmur furniture.

2. Mahsiswa dapat mengetahui dan memahami langkah-langkah dalam menghitung

perencanaan agregat dan mengaplikasikannya di CV Jati Makmur furniture.

3. Mahasiswa dapat mengetahui dan memahami langkah-langkah dalam menghitung

Master Production Schedulling (MPS), Material Requirement Planning (MRP),

2

Page 3: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Economic Order Quantity (EOQ), dan Economic Production Quantity(EPQ) dan bisa

mengaplikasikannya di CV Jati Makmur furniture.

1.5 Batasan

Batasan dari studi kasus ini adalah perencanaan dan pengendalian produksi beserta

analisis biaya hanya dilakukan selama horizon waktu 6 periode.

1. Batasan forecast meja bangku

Pada forecast meja bangku menggunakan metode double exponential smoothing

menggunakan alfa dan beta yang merupakan variasi dari range 0,1-0,5.

2. Batasan forecast kursi bangku

Pada forecast kursi bangku menggunakan metode moving average dengan nilai n

mulai dari 3 sampai 6.

Pada forecast kursi bangku menggunakan metode exponential smoothing

menggunakan nilai alfa dengan range 0,1-0,9.

3. Batasan forecast Kayu Jati PX10

Pada forecast Kayu Jati PX10 menggunakan metode moving average dengan nilai n

mulai dari 3 sampai 6.

Pada forecast Kayu Jati PX10 menggunakan m0etode exponential smoothing

menggunakan nilai alfa dengan range 0,1-0,9.

1.6 Asumsi

Asumsi dari studi kasus ini adalah :

1. Pekerja dan mesin bekerja dalam keadaan normal, sehingga tidak ada mesin yang

rusak selama proses produksi.

2. Supplier selalu bisa memenuhi pesanan bahan baku dari pelanggan.

3

Page 4: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

BAB IITINJAUAN PUSTAKA

2.1 Peramalan

Berikut ini akan dijabarkan mengenai definisi dan langkah-langkah dalam melakukan

peramalan.

2.1.1 Definisi Peramalan

Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan

efisien. Menurut Makridakis (1999), teknik peramalan terbagi menjadi dua bagian, yang

pertama metode peramalan subjektif dan metode peramalan objektif. Peramalan adalah

proses untuk mengenali pola perMintaan (demand pattern) pada masa lalu untuk

meramalkan perMintaan pada masa yang akan datang, dengan kata lain peramalan adalah

kegiatan memprediksi keadaan yang akan datang berdasarkan data masa lampau.

Forecasting terdiri dari dua macam pendekatan yaitu analisis kualitatif dan analisis

kuantitatif. Peramalan menggunakan analisis kuantitatif dilakukan dengan menggunakan

beberapa metode seperti metode moving average, weighted moving average, exponential

smoothing, exponential smoothing with trend, dan exponential smoothing with seasonality

(Vincent Gasperz, 1998). Peramalan dengan metode kuantitatif merupakan prosedur

peramalan yang mengikuti aturan-aturan matematis dan statistik dalam menunjukkan

hubungan antara perMintaan dengan satu atau lebih variabel yang mempengaruhinya.

Dalam laporan ini, metode forecasting yang digunakan adalah metode kuantitatif

karena dibutuhkan suatu data konkret perMintaan yang dapat dijadikan acuan atau dasaran

untuk melakukan penjadwalan dan menentukan kebutuhan material. Selain itu, peramalan

perMintaan tersebut akan menjadi input dalam perencanaan agregat.

2.1.2 Macam-Macam Peramalan Analisis Kuantitatif

Peramalan melalui analisis kuantitatif merupakan metode peramalan merupakan

suatu teknik untuk memprediksi atau memperkirakan suatu nilai pada masa yang akan

datang dengan memperhatikan data atau informasi masa lalu maupun saat ini baik secara

matematik maupun statistik. Peramalan kuantitatif adalah peramalan yang berdasarkan atas

data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada

metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan

diperoleh hasil peramalan yang berbeda. Baik atau tidaknya metode yang digunakan sangat

4

Page 5: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

ditentukan oleh perbedaan dan penyimpangan antara hasil ramalan dengan kenyataan yang

terjadi berarti metode yang dipergunakan semakin baik. Salah satu bentuk peramalan

analisis kuantitatif adalah time series yang menggunakan urutan data kronologis yang bisa

memuat salah satu atau gabungan beberapa komponen: level, trend, seasonal variation,

cyclical variations, dan random variation

Level, central tendency dari data time series pada waktu tertentu

Trends, menunjukkan laju pertumbuhan atau penurunan dari urutan data dalam suatu

jangka waktu

Seasonal variation, pergerakan urutan data yang menaik kemudian menurun dari garis

level maupun trend yang biasanya dipengaruhi oleh faktor musiman

Cyclical variation, menunjukkan urutan data yang naik turun disekitar garis trend dalam

interval waktu yang panjang

Random variation, urutan data yang menunjukkan pola acak yang sering kali tidak

diketahui penyebabnya

Berikut merupakan beberapa macam peramalan dengan metode kuantitatif yang kami

gunakan dalam pengerjaan laporan ini

2.1.2.1 Metode Moving Average

Moving Average diperoleh dengan merata-rata perMintaan berdasarkan beberapa

data masa lalu yang terbaru

(2-1)

Sumber: Richard J. Tersine (1994: 47)

Keterangan:

= ramalan perMintaan untuk periode t

= nilai riil periode ke-t

n = jangka waktu rata-rata bergerak atau jumlah periode waktu yang dimasukkan

pada moving average

2.1.2.2 Metode Weighted Moving Average

5

Page 6: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Weighted Moving Average merupakan suatu model rata-rata bergerak n-periode

terbobot, ini hampir sama dengan metode moving average hanya saja bobot dari masing-

masing data tidaklah sama, semakin terbaru data tersebut maka semakin berat bobotnya.

(2-2)

Sumber: Vincent Gasperz (1998: 92)

2.1.2.3 Exponential Smoothing

Metode peramalan yang hanya membutuhkan data perMintaan terakhir dan

peramalan terakhir. Persamaan pemulusannya menggunakan unsure penyesuaian stasioner

atau disebut alpha (

Pola data yang tidak stabil atau perubahannya besar dan bergejolak umumnya

menggunakan model pemulusan eksponensial (Exponential Smoothing Models).

Metode Exponential Smoothing lebih cocok digunakan untuk meramalkan hal-hal

yang fluktuasinya secara acak (tidak teratur).

(2-3)

Sumber: Richard J. Tersine (1994: 55)

Keterangan:

= Nilai ramalan untuk periode waktu ke-t

= Nilai ramalan untuk periode awal waktu

= Nilai actual untuk satu periode waktu yang lalu, t-1

= Konstanta pemulusan (smoothing constant)

2.1.2.3 Double Exponential Smoothing (Holt’s)

6

Page 7: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Digunakan pada saat data perMintaan mempunyai trend, sehingga peramalannya

menggunakan dua persamaan smoothing,masing-masing menggunakan menggunaka unsur

penyamaan stasioner ( dan unsure penyesuaian trend .

Smooth the series forecast

(2-4)

Sumber: Richard J. Tersine (1994: 55)

Smooth the trend forecast

(2-5)

Sumber: Richard J. Tersine (1994: 55)

Peramalan untuk periode t menggunakan perhitungan tingkat sekarang dan trend yang

telah diatur, maka dapat menggunakan rumus sebagai berikut:

(2-6)

Sumber: Richard J. Tersine (1994: 55)

Peramalan n periode di depan periode t, diasumsikan trend konstan

(2-7)

(Sumber: Richard J. Tersine (1994: 55)

Keterangan:

= Data aktual periode sebelumnya

7

Page 8: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

= Peramalan periode sebelumnya

= Trend Value untuk periode sebelum periode-t

= Trend Value untuk periode sekarang

= Peramalan periode sekarang

= konstanta pemulusan (smoothing constant)

= konstanta pemulusan trend

= periode

= Forecast pada periode t+n

2.1.3 Pengukuran Keselahan (Ukuran Kesalahan Peramalan)

Dalam peramalan pastinya tidak akan lepas dari kesalahan atau error karena tidak

ada peramalan yang pasti akurat, oleh karena itu menggunakan berbagai macam metode

peramalan. Dalam menggunakan berbagai macam metode peramalan maka kita harus

memilih hasil atau metode yang mendekati akurat hal ini bisa dilihat dengan menggunakan

pengukuran kesalahan atau penghitungan error. Ukuran akurasi hasil peramalan yang

merupakan ukuran kesalahan peramalan merupakan ukuran tentang tingkat perbedaan

antara hasil peramalan dengan perMintaan yang terjadi. Terdapat beberapa rumus yang

dapat digunakan dalam penatepan standar perbedaan (standard error), antara lain Mean

Absolute Deviation (MAD), Mean Forecast Error (MFE), Mean Standar Error (MSE),

dan Mean Absolute Presentation Error (MAPE). (Arman, 2008), sehingga bisa dipilih

metode peramalan yang mendekati akurat.

2.1.3.1 Mean Absolute Deviation (MAD)

MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa

memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan

kenyataannya, dengan kata lain MAD adalah rata-rata dari nilai absolut simpangan. Secara

sistematis MAD dirumuskan sebagai berikut:

8

Page 9: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

(2-8)

Sumber: Richard J. Tersine (1994: 43)

Keterangan:

= perMintaan aktual pada periode i

= peramalan perMintaan pada periode i

n = jumlah periode peramalan yang terlibat

= deviasi atau kesalahan peramalan

2.1.3.2 Mean Forecast Error (MFE)

MFE merupakan rata-rata kesalahan dengan mengukur perbandingan jumlah error

dibagi jumlah periode peramalan data. MFE sangat efektif untuk mengetahui apakan suatu

hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. MFE dihitung

dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan

membaginya dengan jumlah periode peramalan. Secara sistematis MFE dinyatakan sebagai

berikut Secara sistematis MFE dirumuskan sebagai berikut:

(2-9)

Sumber: Richard J. Tersine (1994: 42)

Dimana:

= perMintaan aktual pada periode i

= peramalan perMintaan pada periode i

n = jumlah periode peramalan yang terlibat

= deviasi atau kesalahan peramalan

2.1.3.3 Mean Squared Error (MSE)

MSE merupakan rata-rata kesalahan standar dari error dibagi dengan jumlah

Periode peramalan. MSE dihitung dengan menjumlahkan kuadrat semua kesalahan

9

Page 10: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Secara

sistematis MSE dirumuskan sebagai berikut:

(2-10)

Sumber: Richard J. Tersine (1994: 42)

Dimana:

= perMintaan aktual pada periode i

= peramalan perMintaan pada periode i

n = jumlah periode peramalan yang terlibat

= deviasi atau kesalahan peramalan

2.1.3.4 Mean Absolute Percent Error (MAPE)

Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error =

MAPE) merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti dibandingkan

MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap

perMintaan aktual selama periode tertentu yang akan memberikan informasi persentase

kesalahan terlalu tinggi atau terlalu rendah, dengan kata lain MAPE merupakan rata-rata

kesalahan mutlak selama periode tertentu yang kemudian dikalikan 100% agar

mendapatkan hasil secara prosentase. Secara sistematis MAPE dirumuskan sebagai

berikut.

(2-11)

Sumber: Richard J. Tersine (1994: 42)

Dimana:

= perMintaan aktual pada periode i

= peramalan perMintaan pada periode i

n = jumlah periode peramalan yang terlibat

= deviasi atau kesalahan peramalan

10

Page 11: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

2.1.3.5 Tracking Signal

Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal adalah

suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual.

Tracking signal merupakan hasil dari running sum of the forecast error (RSFE) yang

dibagi dengan mean absolute deviation (MAD), dimana kegunaanya untuk mengetahui

perbandingan nilai aktual dengan nilai peramalan.. Nilai Tracking Signal dapat dihitung

dengan menggunakan rumus sebegai berikut.

(2-12)

Sumber: Richard J. Tersine (1994: 42)

Dimana:

= perMintaan aktual pada periode i

= peramalan perMintaan pada periode i

n = jumlah periode peramalan yang terlibat

= deviasi atau kesalahan peramalan

MAD = Mean absolute Deviation

2.1 Perencanaan Agregat

Berikut ini akan dijabarkan mengenai definisi dan langkah-langkah dalam melakukan

perencanaan agregat.

2.2.1 Definisi Perencanaan Agregat

Agregat planning merupakan pendekatan makro untuk melakukan peranacangan

jadwal produksi selama jangka waktu tertentu, khususnya waktu panjang (3-12 bulan).

Tujuan dari perencanaan agregat adalah untuk menentukan jadwal produksi yang optimal

dengan biaya minimal dalam memenuhi ramalan permintaan dan kriteria manajemen yang

lain, namun terdapat permasalahan strategis lain yang mungkin lebih penting daripada

biaya rendah. Permasalahan strategis yang dimaksud itu antara lain mengurangi

permasalahan tingkat ketenagakerjaan, menekan tingkat persediaan, atau memenuhi tingkat

pelayanan yang lebih tinggi. Perencanaan agregat difokuskan pada terutama untuk

menaksir level kapasitas, produksi, subkontrak, inventory, kehabisan stock (stockout), dan

11

Page 12: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

pricing dari opsi alternatif selama rentang waktu tertentu. Contoh perencanaan agregat

menentukan total produksi di pabrik pada suatu bulan tanpa merinci kuantitas setiap SKU.

Bagi perusahaan manufaktur, jadwal agregat bertujuan menghubungkan sasaran strategis

perusahaan dengan rencana produksi, tetapi untuk perusahaan jasa, penjadwalan agregat

bertujuan menghubungkan sasaran dengan jadwal pekerja.

2.2.1 Metode Perencanaan Agregat

Pada perencanaan agregat terdapat beberapa metode yang digunakan untuk

memudahkan perencanaan agregat menentukan opsi alternatif mana yang memiliki biaya

optimal, yaitu:

2.2.2.1 Chase strategy

Metode perencanaan agregat yang menggunakan kapasitas sebagai pendukung:

menyelaraskan laju produksi dengan laju permintaan atau dengan kata lain tingkat

produksi sesuai dengan permintaan. Karakteristik dari chase strategy adalah sebagai

berikut:

a. Laju produksi diselaraskan dengan permintaan dengan mengubah kapasitas mesin atau

menyewa/memberhentikan tenaga kerja saat permintaan bervariasi.

b. Dalam praktek sering kali sulit untuk mengubah kapasitas dan tenaga kerja dalam waktu

singkat.

c. Mahal jika biaya mengubah kapasitas tinggi.

d. Pengaruh negatif terhadap moral tenaga kerja.

e. Berakibat pada rendahnya persediaan.

f. Berguna jika biaya menyimpan persediaan tinggi sementara biaya mengubah kapasitas

rendah.

2.2.2.1 Level Strategy

Metode perencanaan agregat yang menggunakan persediaan sebagai pendukung,

tingkat produksi (penggunaan/kapasitas mesin dan tingkat tenaga kerja) dibuat tetap,

permintaan dipenuhi dari persediaan. Karakteristik dari level strategy adalah sebagai

berikut.

a. Menjaga stabilitas kapasitas dan tenaga kerja dengan laju output konstan.

b. Kekurangan dan kelebihan berakibat pada fluktuasi persediaan dari waktu ke waktu.

c. Persediaan yang ditimbun sebagai antisipasi permintaan yang akan datang atau backlogs

dipindahkan dari periode permintaan tinggi ke rendah.

d. Lebih baik bagi moral tenaga kerja.

12

Page 13: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

e. Persediaan dan backlogs bisa terakumulasi cukup banyak.

f. Harus digunakan saat biaya menyimpan dan backlogs relatif rendah.

2.2.2.1 Mixed strategy

Metode perencanaan agregat yang menggunakan kombinasi satu atau lebih dari

ketiga strategi di atas. Mixed strategy akan memberikan hasil yang paling optimal.

2.2.2 Biaya yang Terlibat dalam Perencanaan Agregat

Dalam membuat perencanaan agregat dengan biaya optimal pastinya terdapat biaya-

biaya yang harus dipertimbangkan dalam perencanaan agregat, antara lain:

a. Hiring Cost (ongkos penambahan tenaga kerja)

Penambahan tenaga kerja menimbulkan ongkos-ongkos untuk iklan, proses seleksi dan

training.

b. Firing Cost (ongkos perberhentian tenaga kerja)

Pemberhentian tenaga kerja biasanya terjadi karena semakin rendahnya permintaan

akan produk yang dihasilkan, sehingga tingkat produksi menurun dengan drastis.

Pemberhentian ini mengakibatkan perusahaan harus mengeluarkan uang pesangon bagi

karyawan yang di-PHK, menurunnya moral kerja, dan produktivitas karyawan yang masih

bekerja, dan tekanan yang bersifat sosial.

c. Overtime Cost dan Undertime Cost (ongkos lembur dan ongkos menganggur)

Penggunaan waktu lembur bertujuan untuk meningkatkan output produksi, tetapi

konsekuensinya perusahaan harus mengeluarkan ongkos tambahan lembur yang biasanya

bergantung pada kebijakan perusahaan dan peraturan pemda.

d. Inventory Cost (Ongkos Persediaan)

Persediaan mempunyai fungsi mengantisipasi timbulnya kenaikan permintaan pada

saat-saat tertentu. Konsekuensi dari kebijaksanaan persediaan bagi perusahaan adalah

timbulnya ongkos penyimpanan yang berupa ongkos tertahannya modal, pajak, asuransi,

kerusakan bahan, dan ongkos sewa gedung.

e. Backorder Cost (Ongkos Tidak Bisa Memenuhi Demand)

Ketika demand pada kuantitas tinggi dan perusahaan tidak memiliki kemampuan untuk

memenuhi demand yang ada. Hal tersebut terhitung biaya atau laba yang tidak bisa

didapatkan oleh perusahaan.

f. Subcontract Cost (Ongkos Subkontrak)

13

Page 14: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Pada saat permintaan melebihi kemampuan kapasitas reguler, biasanya perusahaan

mensubkontrak kelebihan permintaan yang tidak bisa ditanganinya sendiri kepada

perusahaan lain.

14

Page 15: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

BAB IIISTUDI KASUS

3.1 Studi Kasus

CV Jati Makmur Furniture adalah perusahaan manufaktur yang memproduksi kursi.

CV Jati Makmur dikenal sebagai penghasil produk furniture berkualitas tinggi. Untuk

menonjolkan sisi keunikan CV Jati Makmur membuat desain furniture yang elegan dan

ergonomis, namun konsumen yang ingin memesan tidak dapat mendesain kursi maupun

meja yang diinginkan, sehingga produk CV Jati Makmur memanglah memiliki ciri khas

tersendiri. Untuk melakukan pemesanan, konsumen tidak perlu mendatangi CV Jati

Makmur Furniture, konsumen cukup berinteraksi di media online dan membayar dan

mentransfer. Produk yang sekarang dapat diproduksi adalah meja bangku dan fungsi

bangku. Berikut adalah data-data yang dapat dianalisa untuk dapat dijadikan acuan

perencanaan kedepannya.

Produk yang diproduksi oleh CV Jati Makmur Furniture antara lain:

1. Meja bangku dengan harga Rp 375.000,00/unit

2. Kursi bangku dengan harga Rp 425.000,00/unit

Dari dua produk yang dihasilkan terbuat dari komponen kayu, spons, cat plitur dan

paku. Berikut tabel kebutuhan komponen untuk membuat berbagai macam produk:

Tabel 3.1 Komponen ProduksiBahan Meja Bangku Kursi Bangku

Kayu (meter) 4,5 4

Spons (meter) - 1

Cat Plitur (kaleng) 1 1

Paku 8 12

Kayu berukuran lebar 5 cm dan tebal 5 cm. Spons berukuran lebar 50 cm da tebal 7

cm. 1 kaleng cat plitur berisi 1 liter. Berikut adalah gambaran umum proses produksi dari

bahan baku hingga produk jadi. Ada 3 mesin utama yang memproses kursi dan meja,

mesin pemotong, mesin perakit dan mesin pengecat.

15

Page 16: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Gambar 3.1 Proses Produksi CV Jati Makmur

Keseluruhan bahan baku yang digunakan dalam proses produksi, merupakan bahan

baku yang langsung digunakan untuk produk jadi tanpa diproses terlebih dahulu. Harga

bahan baku, nilai lead time rata-rata serta jumlah discount yang diberikan adalah sebagai

berikut.

Tabel 3.2 Bahan BakuBahan Lead

TimeHarga Diskon

Kayu (meter) 2 Minggu Rp 22.000,00/meter Tidak ada diskon

Spons (meter) 1 Minggu Rp 11.000,00/meter Tidak ada diskon

Cat Plitur (kaleng) 1 Minggu Rp 12.000,00/kaleng 2% jika membeli lebih dari 100

Paku 1 Minggu Rp 15.000,00/100 biji Tidak ada diskon

Pembayaran dilakukan pada akhir Minggu dimana bahan baku tersebut telah

dikirimkan. Jadwal pengiriman bisanya dilakukan pada awal Minggu. Biaya tambahan

sebesar Rp 27.500,00 diberikan untuk setiap pemesanan padaMinggu dimana terjadi

pemesanan.

Waktu proses mesin, sudah termasuk waktu setup, berkaitan dengan proses

pemotongan dan perakitan adalah sebagai berikut.

16

Page 17: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Tabel 3.3 PermesinanProduk Waktu Proses Mesin (Jam)

Mesin Potong Mesin Assembly Mesin Spray (splitur)

Meja Bangku 0,50 1 1

Kursi Bangku 0,75 1,5 1

CV Jati Makmur Furniture memiliki mesin assembly yang canggih yang dapat

membantu operator merakit komponen dengan lebih mudah. Biaya produksi setiap mesin

per jam rata-rata mesin. Dalam satu Minggu ada enam hari kerja, setiap harinya delapan

jam, dengan upah Rp 12.500,00 tiap jam nya. Upah lembur diberikan sebesar Rp 10.000,00

untuk tiap jamnya. Jam lembur diberlakukan hingga 30 jam per Minggu. Adapun biaya

inventory sebesar Rp 15.000,00 per unit per tahun, setup cost sebesar Rp 50.000,00 per

Minggu.

Penambahan kapasitas dapat dilakukan jika ditentukan pada Minggu sebelum

dilakukan produksi, biasanya CV Jati Makmur melimpahkan pada CV Jati Subur sebagai

partner dari tahun ke tahun ketika kapasitasnya tidak mencukupi, dengan biaya sebesar:

Tabel 3.4 Biaya Produksi CV Jati SuburProduk Meja

BangkuKursi

Bangku

Biaya (rupiah) 37.000 37.500

Ketika penambahan kapasitas total keseluruhan perMintaan, maka perusahaan

memberikan kebijakan untuk melimpahkan kepada dua CV, yaitu CV Jati Subur dan CV

Jati Sukses, kebijakan ini dimaksudkan ini dimaksudkan agar perMintaan segera terpenuhi.

Jumlah penambahan kapasitas untuk kedua CV adalah sama, berikut adalah biaya produksi

pada CV Jati Sukses.

Tabel 3.5 CV Jati SuksesProduk Meja

BangkuKursi

Bangku

Biaya (rupiah) 45.000 40.000

Biaya overhead yang ditetapkan sebesar Rp 1.250.000,00 tiap Minggu untuk biaya

adMinistrasi dan overhead proses manufaktur. Biaya untuk carrying cost (biaya

pengangkutan dan penyimpanan) per tahun sebesar Rp 15.000,00 per unit per tahun.

Stock pada posisi awal, pada Minggu ke 0 (setelah penjualan Mingu ke-4 bulan ke-12)

adalah sebagai berikut.

17

Page 18: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Tabel 3.6 Stock AwalBahan Baku Stock

Kayu (meter) 4 meter

Spons (meter) 4 meter

Cat Plitur (kaleng)

2

Paku 200

Berikut ini adalah data penjualan produk dari CV Jati Makmur.

Tabel 3.7 Stock AwalTahun Bulan Meja

BangkuKursi

Bangku

2013

JUL 50 21

AGS 61 23

SEP 65 20

OKT 67 19

NOV 65 16

DES 72 20

2014

JAN 70 18

FEB 74 12

MAR 75 19

APR 80 25

MEI 81 21

JUN 82 27

Karena terkenal akan kehandalan kayunya CV Jati Makmur juga menerima

perMintaan khusus Kayu Jati PX10 dari berbagai pihak, salah satnya CV Jati Surya.

Berikut adalah data perMintaan dari CV Jati Surya dalam 1 tahun terakhir.

Tabel 3.8 Demand Komponen 12 Bulan TerakhirJenis Kayu

Meter/BulanPeriode Waktu (Bulan)

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

Kayu Jati PX10 PX10

160 175 153 168 170 184 178 187 190 188 193 195

18

Page 19: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Dengan banyaknya perMintaan tiap bulannya sehingga CV Jati Makmur harus

memenuhi perMintaan tersebut dengan mempertimbangkan berbagai aspek biaya. Untuk

menghasilkan Kayu Jati PX10 yang berkualitas maka diperlukan proses detail yang

meliputi perendaman kayu hingga pengeringan dan menghasilkan Kayu Jati PX10 yang

berkualtias. Berikut adalah beberapa biaya yang dipertimbangkan.

Tabel 3.9 Data Biaya Harga dan Produk IndependenItem Biaya Pesan Biaya Simpan/

Meter/TahunHarga Tingkat

Produksi

Kayu Jati PX10 PX10

Rp 210.000 15% dari Harga Rp 470.000 10 meter/hari

19

Page 20: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

BAB IVANALISIS DAN PEMBAHASAN

4.1 Peramalan Meja Bangku

Sebelum melakukan peramalan, hal yang perlu dilakukan pertama kali yaitu mengidentifikasi

pola historis data aktualnya.Tujuan dari identifikasi pola historis data aktual yaitu untuk

mengetahui bagaimana pola kecenderungan penjualannya. Dengan mengetahui pola data tersebut,

metode-metode apa saja yang akan digunakan untuk peramalan dapat ditentukan. Berikut adalah

grafik dari data penjualan meja bangku CV Jati Makmur Furniture. Berikut adalah grafik dari

data penjualan meja bangku.

Gambar 4.1 Grafik Penjualan Meja Bangku

Berdasarkan grafik diatas, dapat dilihat jika pola data cenderung memiliki trend keatas

dari waktu ke waktu, sehingga dari kondisi di atas metode yang sesuai yaitu metode

Double Exponential Smoothing.

4.1.1 Metode Double Exponential Smoothing

Berikut adalah perhitungan peramalan dengan menggunakan metode double

exponential smoothing dengan trial and error alfa dan beta pada range 0,1-0,5

Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential SmoothingERROR a=0.1,

b=0.1a=0.1, b=0.2

a=0.1, b=0.3

a=0.1, b=0.4

a=0.1, b=0.5

MAD 12,55 11,00 9,00 7,73 6,55MSE 160,00 124,00 90,45 75,91 61,64MFE 12,55 11,00 9,00 7,73 6,18MAPE 17,51 15,67 12,89 11,25 9,64TS Max 11,00 11,00 11,00 11,00 10,39TS Min 0,00 1,00 1,00 1,00 1,00

20

Page 21: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)ERROR R1 R2 R3 R4 R5

MAD 7,82 5,73 4,91 4,55 5,18MSE 68,91 47,36 42,18 36,18 38,27MFE 7,82 5,55 4,18 2,73 1,73

MAPE 11,20 8,42 7,29 6,73 7,53TS Max 11,00 10,65 9,61 7,74 5,67TS Min 1,00 1,00 1,00 1,00 1,00

Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)ERROR R6 R7 R8 R9 R10

MAD 5,27 4,00 3,91 4,18 4,27MSE 40,91 32,36 28,45 28,73 28,64MFE 5,27 3,45 1,91 1,27 0,64

MAPE 7,73 5,99 5,80 6,18 6,30TS Max 11,00 9,52 6,16 4,68 4,31TS Min 1,00 1,00 1,00 1,00 1,00

Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)ERROR R16 R17 R18 R19 R20

MAD 3,91 3,64 3,82 3,82 3,82MSE 29,91 24,73 24,73 23,82 24,91MFE 3,91 2,18 1,45 0,73 0,36

MAPE 5,82 5,42 5,69 5,69 5,70TS Max 11,00 6,84 4,50 3,57 3,15TS Min 1,00 1,00 1,00 1,00 1,00

Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)ERROR R21 R22 R23 R24 R25

MAD 3,45 3,55 3,45 3,55 3,27MSE 22,91 21,91 20,55 22,45 22,18MFE 2,91 1,55 0,91 0,45 0,18

MAPE 5,15 5,29 5,17 5,30 4,92TS Max 9,26 5,14 3,52 3,00 3,00TS Min 1,00 1,00 1,00 1,00 0,50

Keterangan:

Tabel 4.2 Keterangan Replikasi Forecast Metode Double Exponential SmoothingReplikasi Alfa (α) Beta (β) Replikasi Alfa (α) Beta (β)

R1 0,1 0,1 R14 0,30 0,4R2 0,1 0,2 R15 0,30 0,5R3 0,1 0,3 R16 0,40 0,1R4 0,1 0,4 R17 0,40 0,2R5 0,1 0,5 R18 0,40 0,3R6 0,2 0,1 R19 0,40 0,4

Tabel 4.2 Keterangan Replikasi Forecast Metode Double Exponential Smoothing (Lanjutan)

21

Page 22: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Replikasi Alfa (α) Beta (β) Replikasi Alfa (α) Beta (β)R7 0,2 0,2 R20 0,40 0,5R8 0,2 0,3 R21 0,50 0,1R9 0,2 0,4 R22 0,50 0,2R10 0,2 0,5 R23 0,50 0,3R11 0,3 0,1 R24 0,50 0,4R12 0,3 0,2 R25 0,50 0,5R13 0,3 0,3

Berdasarkan tabel 4.1, dapat dilihat bahwa variasi nilai tracking signal, MAD, MSE,

MFE, dan MAPE terkecil adalah forecasting menggunakan metode double exponential

smoothing dengan α=0,4 β=0,4 ; α=0,4 β=0,5 ; α=0,5 β=0,3 ; α=0,5 β=0,4 ; dan α=0,5

β=0,5. Dari hasil perhitungan error terkecil diatas, maka dapat dibandingkan kembali pada

tabel berikut.

Tabel 4.3 Tabel Perbandingan Error Terkecil Metode Double Exponential SmoothingERROR  α=0,4

β=0,4 α=0,4 β=0,5  α=0,5

β=0,3 α=0,5 β=0,4

 α=0,5 β=0,5

MAD 3,82 3,82 3,45 3,55 3,27MSE 23,82 24,91 20,55 22,45 22,18MFE 0,73 0,36 0,91 0,45 0,18

MAPE 5,69 5,7 5,17 5,3 4,92TS Max 3,57 3,15 3,52 3 3TS Min 1 1 1 1 0,5

Berdasarkan tabel perbandinga error terkecil diatas, maka metode terpilih adalah

double exponential smoothing dengan α=0,5 dan β=0,5. Karena memiliki rata-rata nilai

error terkecil dibanding dengan menggunakan alfa dan beta lainnya. Selain itu sebaran

tracking signal masih dalam batasan yaitu diantara -4 sampai 4.

4.1.2 Metode Terpilih

Metode Terpilih merupakan metode double exponential smoothing dengan α=0,5 dan

β=0,5 yang memiliki sebaran tracking signal yang masih dalam batasan yaitu antara 0,5

sampai dengan 3. Selain itu, metode ini juga memiliki rata-rata error terkecil dibanding

dengan metode double exponential smoothing dengan alfa dan beta lainnya.

22

Page 23: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Gambar 4.2 Tracking Signal Metode Terpilih untuk Produk Meja Bangku

Berdasarkan grafik tracking signalnya, dapat dilihat bahwa persebaran datanya terletak diantara LCL dan UCL sehingga dapat disimpulkan bahwa hasil forecastnya memiliki tingkat keakuratan yang tinggi.

Gambar 4.3 Perbandingan Data Aktual dan Forecast Produk Meja Bangku

Tabel 4.4 Forecast Horizon 6 Bulan Metode TerpilihPeriode Aktual Forecast

1 50 502 61 503 65 594 67 675 65 726 72 727 70 758 74 759 75 77

10 80 7811 81 8112 82 84

23

Page 24: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Tabel 4.4 Forecast Horizon 6 Bulan Metode Terpilih (Lanjutan)Periode Forecast

13 8514 8715 8816 8917 9018 91

Berdasarkan gambar 4.3, dapat dilihat bahwa terdapat kemiripan bentuk grafik dari hasil

forecast dengan data aktualnya. Hal ini membuktikan bahwa hasil forecast kurang lebih sesuai

dengan kondisi real pasar, sehingga dapat disimpulkan bahwa metode DES dengan α=0,5 dan

β=0,5 merupakan metode terbaik untuk forecast produk Meja Bangku.

4.2 Peramalan Kursi Bangku

Berikut adalah grafik dari data penjualan kursi bangku.

Gambar 4.4 Grafik data penjualan kursi bangkuBerdasarkan grafik diatas, dapat dilihat jika pola data cenderung fluktuatif dari waktu

ke waktu, sehingga dari kondisi di atas metode yang sesuai yaitu metode moving average,

weight moving average, dan exponential smoothing.

4.2.1 Metode Moving Average

Berikut merupakan hasil perhitungan error forecasting dari metode moving average

untuk n= 3, n= 4, n=5, dan n= 6.

Tabel 4.5 Perbandingan Error Kursi Bangku dengan Metode Moving AverageError MA 3 MA 4 MA 5 MA 6MAD 3.67 3.88 4.14 4.50MSE 18.78 22.63 27.00 28.50MFE 0.33 0.63 1.57 1.17

MAPE 19.80 21.14 21.59 24.42TS max 0.82 1.29 0.86 1.56TS min -4.38 -4.00 -3.00 -2.45

24

Page 25: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di

antara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang

dipilih dari data di atas adalah forecasting dari metode moving average untuk n=0 dengan

nilai MAD, MSE, MFE, dan MAPE sebesar 3.88 ; 22.63 ; 0.63; dan 21.14.

Berikut merupakan grafik tracking signal masing-masing forecast dengan metode

moving average dengan n=3, n=4, n=5, n=6.

Gambar 4.5 Tracking Signal Forecast Kursi Metode Moving Average n=3

Gambar 4.6 Tracking Signal Forecast Kursi Metode Moving Average n=4

25

Page 26: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Gambar 4.7 Tracking Signal Forecast Kursi Metode Moving Average n=5

Gambar 4.8 Tracking Signal Forecast Kursi Metode Moving Average n=6

Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai

tracking signal metode moving average dengan n=4 berada diantara batas kontrol

sehingga dapat disimpulkan hasil forecasting dari metode moving average untuk n= 4

memiliki tingkat keakuratan yang tinggi.

4.2.2 Metode Weighted Moving Average

Berikut merupakan hasil perhitungan error forecasting dari metode weighted moving

average untuk n= 3, n= 4, n=5, dan n= 6.

Tabel 4.6 Perbandingan error kursi bangkuError WMA 3 WMA 4 WMA 5 WMA 6MAD 3.67 4.0 0 3.71 4.33MSE 19.67 23.25 22.29 28.00MFE 0.33 0.75 1.43 1.67

MAPE 20.11 21.86 19.77 22.85TS max 0.82 1.50 2.69 2.31TS min -3.82 -3.43 -2.33 -2.00

26

Page 27: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di

antara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang

dipilih dari data diatas adalah forecasting dari metode weighted moving average untuk n=

3 dengan nilai MAD, MSE, MFE, dan MAPE sebesar 3.67 ; 19.67 ; 0.33 ; dan 20.11.

Gambar 4.9 Grafik tracking signal pada weighted moving average n=3

Gambar 4.10 Grafik tracking signal pada weighted moving average n=4

Gambar 4.11 Grafik tracking signal pada weighted moving average n=5

27

Page 28: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Gambar 4.12 Grafik tracking signal pada weighted moving average n=6

Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai

tracking signal dengan metode weighted exponential smoothing dengan n=3 berada

diantara batas kontrol sehingga dapat disimpulkan hasil forecasting dari metode weighted

moving average untuk n= 3 memiliki tingkat keakuratan yang tinggi.

4.2.3 Metode Exponential Smoothing

Berikut merupakan perbandingan error dari forecasting kursi bangku dengan metode

exponential smoothing untuk α=0.1, α=0.2, α=0.3, α=0.4, α=0.5, α=0.6, α=0.7, α=0.8, dan

α=0.9.

Tabel 4.7 Perbandingan error kursi bangku

ErrorES

(0,1)ES

(0,2)ES

(0,3)ES

(0,4)ES

(0,5)ES

(0,6)ES

(0,7)ES

(0,8)ES

(0,9)MAD 3.42 3.17 3.17 3.17 3.00 3.50 3.33 3.58 3.67MSE 18.25 17.17 18.00 16.67 13.83 16.50 15.33 16.92 17.33MFE -1.58 -1.00 -0.83 -0.17 0.17 -0.17 0.00 0.08 0.00

MAPE 19.78 18.01 17.91 17.44 16.27 18.94 17.98 19.23 19.73TS max 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00TS min -7.84 -7.67 -7.62 -5.91 -4.80 -5.33 -5.09 -4.52 -4.52

Berdasarkan data diatas akan dipilih dilihat dari nilai persebaran nilai tracking signal

di antara UCL dan LCL, dan nilai error yang paling kecil. Metode yang dipilih dari data di

atas adalah forecasting dari metode exponential smoothing untuk α=0,5 dengan nilai

sebaran tracking signal yang paling kecil dan dengan nilai MAD, MSE, MFE, dan MAPE

sebesar 3.00 ; 13.83 ; 0.17 ; dan 16,27.

28

Page 29: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Gambar 4.13 Grafik tracking signal ES 0.2

Gambar 4.14 Grafik tracking signal ES 0.8

Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai

tracking signal tidak berada di antara batas kontrol sehingga dapat disimpulkan hasil

forecasting dari metode exponential smoothing untuk α=0,5 memiliki tingkat keakuratan

yang rendah.

4.2.4 Metode Terpilih

Berikut merupakan hasil perhitungan forecasting dari metode yang dipilih dari

masing-masing metode forecasting yang telah dilakukan.

29

Page 30: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Tabel 4.8 Hasil forecasting kursi bangku metode terpilihBulan Aktual MA(4) WMA(3) ES(0.5)

1 21.00     21.002 23.00     21.003 20.00     22.004 19.00   22 21.005 16.00 21 20 20.006 20.00 20 18 18.007 18.00 19 19 19.008 12.00 19 19 19.009 19.00 17 16 16.0010 25.00 18 17 18.0011 21.00 19 21 22.0012 27.00 20 22 22.00

Gambar 4.15 Grafik Perbandingan data aktual dengan MA, WMA, dan ES Metode Terpilih

Dari peramalan pada tabel 4.8 dan grafik 4.15, dapat disimpulkan bahwa metode

weighted moving average untuk n=3 adalah metode yang peramalannya paling mendekati

data aktualnya.

Tabel 4.8 Perbandingan error kursi bangkuError MA 4 WMA 3 ES (0,5)MAD 3.88 3.67 3.00MSE 22.63 19.67 13.83MFE 0.63 0.33 0.17

MAPE 21.14 20.11 16.27TS Max 1.29 0.82 2.00TS Min -4.00 -3.82 -4.80

Berdasarkan data diatas akan dipilih nilai persebaran dari nilai tracking signal diantara

UCL dan LCL, namun dalam hal ini tracking signal metode terpilih yaitu weighted moving

average untuk n= 3 memiliki tracking signal yang berada pada batas sehingga dapat

30

Page 31: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

dipercaya keakuratannya. Selain itu juga memperhatikan nilai error yang terkecil, pada

pola penjualan kursi bangku merupakan produk yang pola data penjualannya cenderung

fluktuatif, sehingga metode WMA adalah metode terbaik yang dapat digunakan untuk

produk ini. Metode yang dipilih dari data di atas adalah forecasting dari metode weighted

moving average untuk n= 3 dengan nilai MAD, MSE, MFE, dan MAPE sebesar 3.67 ;

19.67 ; 0.33 ; dan 20.11.

Gambar 4.16 Grafik tracking signal pada WMA (3)

Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai

tracking signal berada di luar batas kontrol sehingga dapat disimpulkan hasil forecasting

dari metode moving average untuk n= 3 memiliki tingkat keakuratan yang cukup tinggi.

Gambar 4.17 Perbandingan Data Aktual dan Forecast Metode TerpilihTabel 4.9 Forecast Horizon 6 Bulan Metode Terpilih

Periode Aktual Forecast

31

Page 32: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

1 21.002 23.003 20.004 19.00 3.005 16.00 4.006 20.00 5.007 18.00 6.008 12.00 7.009 19.00 8.0010 25.00 9.0011 21.00 10.0012 27.00 11.00

13 25

14 24

15 25

16 24

17 25

18 25

Berdasarkan gambar 4.10, dapat dilihat bahwa terdapat kemiripan bentuk grafik dari hasil

forecast dengan data aktualnya. Hal ini membuktikan bahwa hasil forecast kurang lebih sesuai

dengan kondisi real pasar, sehingga dapat disimpulkan bahwa metode weighted moving average

untuk n= 3 merupakan metode terbaik untuk forecast produk Meja Bangku.

4.3 Peramalan Kayu Jati PX10

Berikut adalah grafik dari data penjualan Kayu Jati PX10.

Gambar 4.18 Grafik data penjualan Kayu Jati PX10

Berdasarkan grafik di atas, dapat dilihat jika pola data cenderung fluktuatif dari waktu ke waktu, sehingga dari kondisi di atas metode yang sesuai yaitu metode moving average, weighted moving average, dan exponential smoothing.

4.3.1 Metode Moving Average

32

Page 33: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Berikut merupakan hasil perhitungan error forecasting dari metode moving average

untuk n =3, n =4, n=5, dan n =6.

Tabel 4.10 Perbandingan error Kayu Jati PX10Error MA 3 MA 4 MA 5 MA 6MAD 6,67 8,63 10,57 11MSE 69,78 91,63 131,71 131,67MFE 6,67 8,63 10,57 11,00

MAPE 3,63 4,66 5,65 5,84TS Max 9,00 8,00 7,00 6,00TS Min 1,00 1,00 1,00 1,00

Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di

antara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang

dipilih dari data di atas adalah forecasting dari metode moving average untuk n =3 dengan

nilai MAD, MSE, MFE, dan MAPE sebesar 6,67 ; 69,78 ; 6,67 ; dan 3,63

Gambar 4.19 Grafik tracking signal pada moving average n = 3

Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai

tracking signal berada di luar batas kontrol sehingga dapat disimpulkan hasil forecasting

dari metode moving average untuk n = 3 memiliki tingkat keakuratan yang rendah.

4.3.2 Metode Weighted Moving Average

Berikut merupakan hasil perhitungan error forecasting dari metode weighted moving

average untuk n =3, n = 4, n=5, dan n = 6.

Tabel 4.11 Perbandingan error Kayu Jati PX10Error WMA 3 WMA 4 WMA 5 WMA 6

33

Page 34: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

MAD 5,78 8,00 8,14 7,83MSE 53,78 64,63 87,00 71,17MFE 5,78 6,63 8,14 7,83

MAPE 3,16 3,58 4,35 4,16TS Max 9,00 8,00 7,00 6,00TS Min 1,00 1,00 1,00 1,00

Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal

diantara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang

dipilih dari data di atas adalah forecasting dari metode moving average untuk n =3 dengan

nilai MAD, MSE, MFE, dan MAPE sebesar 5,78 ; 53,78 ; 5,78 ; dan 3,16.

Gambar 4.20 Grafik tracking signal pada weighted moving average n =3

Gambar 4.21 Grafik tracking signal pada weighted moving average n =4

34

Page 35: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Gambar 4.22 Grafik tracking signal pada weighted moving average n =5

Gambar 4.23 Grafik tracking signal pada weighted moving average n =6

Berdasarkan grafik tracking signal di atas, dapat dilihat jika persebaran data pada

nilai tracking signal berada di luar batas kontrol sehingga dapat disimpulkan hasil

forecasting dari metode weighted moving average untuk n =3 memiliki tingkat keakuratan

yang rendah.

4.3.3 Metode Exponential Smoothing

Berikut merupakan hasil perbandingan error forecasting dari metode exponential

smoothing untuk α=0.1, α=0.2, α=0.3, α=0.4, α=0.5, α=0.6, α=0.7, α=0.8, dan α=0.9.

Tabel 4.12 Perbandingan error Kayu Jati PX10

ErrorES

(0,1)ES

(0,2)ES

(0,3)ES

(0,4)ES

(0,5)ES

(0,6)ES

(0,7)ES

(0,8)ES

(0,9)MAD 9,92 9,17 8,50 8,25 8,50 8,00 8,25 8,58 8,83MSE 137,75 125,33 117,67 109,08 109,67 104,83 106,92 111,25 120,17MFE -0,25 1,00 1,50 1,58 2,00 1,50 1,25 1,08 1,00

MAPE 5,73 5,28 4,90 4,79 4,94 4,69 4,84 5,04 5,20TS

Max1,00 1,31 2,12 2,30 2,82 2,25 1,82 1,51 1,36

TS Min

-5,20 -5,00 -4,55 -3,33 -2,37 -2,09 -1,88 -1,68 -1,53

35

Page 36: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di

antara BKA dan BKB, serta nilai dari perbandingan error yang terkecil. Metode yang

dipilih dari data di atas adalah forecasting dari metode exponential smoothing untuk α=0.6

dengan nilai MAD, MSE, MFE, dan MAPE sebesar 8,30 ; 104,83 ; 1,5 ; dan 4,69.

Gambar 4.24 Tracking Signal dengan ES 0.4

Gambar 4.25 Tracking Signal dengan ES 0.6

Berdasarkan grafik tracking signal di atas, dapat dilihat jika persebaran data pada

nilai tracking signal berada di antara batas kontrol sehingga dapat disimpulkan hasil

forecasting dari metode exponential smoothing untuk α=0.6 memiliki tingkat keakuratan

yang tinggi.

36

Page 37: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

4.3.4 Metode Terpilih

Berikut merupakan hasil perhitungan forecasting dari metode yang dipilih dari

masing-masing metode forecasting yang telah dilakukan.

Tabel 4.13 Hasil forecasting Kayu Jati PX10 metode terpilih

AktualMA(3)

WMA (3)

ES (0.6)

160 179175 168153 173168 163 162 161170 166 165 166184 164 167 169178 174 177 178187 178 179 178190 183 184 184188 185 187 188193 189 189 188195 191 191 191

Gambar 4.26 Grafik Perbandingan data aktual dengan MA, WMA, dan ES

Dari peramalan pada tabel 4.14 dan grafik 4.15, dapat disimpulkan bahwa metode

exponential smoothing untuk α=0,6 adalah metode yang peramalannya paling mendekati

data aktualnya.

Tabel 4.14 Perbandingan error Kayu Jati PX10Error MA 3 WMA 3 ES (0,6)MAD 6,67 5,78 8MSE 69,78 53,78 104,83MFE 6,67 5,78 1,5

MAPE 3,63 3,16 4,69TS Max 9 9 2,25TS Min 1 1 -2,09

37

Page 38: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal

diantara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Selain itu juga

memperhatikan nilai error yang terkecil, pada pola penjualan Kayu Jati PX10 merupakan

produk yang pola data penjualannya cenderung fluktuatif, sehingga metode ES adalah

metode terbaik yang dapat digunakan untuk produk ini. Metode yang dipilih dari data di

atas adalah forecasting dari metode exponential smoothing untuk α=0.6 dengan nilai MAD,

MSE, MAPE, dan MFE sebesar 8.30, 105.44, 4.84, 2.08.

Gambar 4.27 Grafik Tracking Signal pada ES 0,6

Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai

tracking signal berada di antara batas kontrol sehingga dapat disimpulkan hasil

forecasting dari metode ES 0,6 memiliki tingkat keakuratan yang tinggi.

Gambar 4.28 Perbandingan Data Aktual dengan forecasing metode tepilih

38

Page 39: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Tabel 4.15 Forecast Horizon 6 Bulan Metode TerpilihPeriode Forecast

13 19414 19315 19416 19417 19418 194

Berdasarkan gambar 4.18, dapat dilihat bahwa terdapat kemiripan bentuk grafik dari hasil

forecast dengan data aktualnya. Hal ini membuktikan bahwa hasil forecast kurang lebih sesuai

dengan kondisi real pasar, sehingga dapat disimpulkan bahwa metode ES dengan α=0.6

merupakan metode terbaik untuk forecast produk Meja Bangku.

4.2 Perencanaan Agregat

39

Page 40: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Setelah dilakukan perhitungan peramalan penjualan untuk tiap-tiap produk dengan

metode yang paling optimal, selanjutnya akan dilakukan perencanaan agregat. Perencanaan

agregat yang dilakukan akan membandingkan antara tiga metode yaitu metode chase,

level, dan level dengan rata-rata tengah. Dimana selanjutnya akan dipilih metode yang

paling optimal dengan membandingkan total biaya yang dikeluarkan untuk masing-masing

metode. Berdasarkan data-data yang telah dijabarkan pada bab 3, dapat dihitung :

1. Hari kerja per bulan = 24 hari

2. Jam kerja reguler per bulan = 8 jam (per hari) x 24 = 192 jam per bulan

3. Jam lembur per bulan = 30 jam (per minggu) x 4 = 120 jam per bulan

4. Upah kerja reguler per jam = Rp 12.500,-

5. Upah lembur per jam = Rp 10.000

6. Biaya mesin per jam = Rp 10.000

7. Biaya subkontrak :

Pada CV. Jati Subur : Meja= 37000, Kursi = 37500

Pada CV. Jati Makmur : Meja= 45000, Kursi = 4000

Berikut adalah data peramalan, proporsi tiap produk per periode :

Tabel 4.16 Peramalan Permintaan Produk CV Jati Makmur FurniturePeriode Meja Kursi

13 85 2514 87 2415 88 2516 89 2417 90 2518 91 25

Data peramalan di atas diperoleh dari hasil forecasting yang kemudian akan digunakan

dalam pengolahan data pada metode chase, level, dan level dengan rata-rata tengah.

Tabel 4.17 Kecepatan Produksi CV Jati Makmur Furniture

ProdukWaktu Proses Permesinan (jam)

Kecepatan Produksi (jam/unit)

Mesin Potong Mesin Assembly Mesin Spray (splitur)

Meja Bangku 0.5 1 1 2.5Kursi Bangku 0.75 1.5 1 3.25

Data kecepatan produksi digunakan untuk mengetahui proporsi pada permesinan dan

jumlah produk yang dihasilkan per harinya sehingga dapat diketahui juga jumlah produk

yang dihasilkan tiap bulannya.

Tabel 4.18 Proporsi Kecepatan ProduksiProporsi

40

Page 41: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Meja Kursi0.435 0.5650.435 0.5650.435 0.5650.435 0.5650.435 0.5650.435 0.565

Perhitungan proporsi untuk meja pada periode yang akan kemudian digunakan untuk

semua periode :

Dengan cara yang sama, perhitungan proporsi untuk meja pada periode yang akan

kemudian digunakan untuk semua periode :

4.2.1 Chase Strategy

Berikut adalah tabel perhitungan untuk perencanaan agregat CV Jati Makmur

Furniture dengan metode chase.

Tabel 4.19 Chase Strategy CV Jati Makmur Furniture

Periode ProporsiJam Kerja

yang dibutuhkanTotal Jam

KerjaRegular Time Over Time Subkontrak

Meja Kursi Meja Kursi13 0.435 0.565 212.5 81.25 293.75 192 101.75 014 0.435 0.565 217.5 78 295.5 192 103.5 015 0.435 0.565 220 81.25 301.25 192 109.25 016 0.435 0.565 222.5 78 300.5 192 108.5 017 0.435 0.565 225 81.25 306.25 192 114.25 018 0.435 0.565 227.5 81.25 308.75 192 116.75 0

Langkah-langkah pengerjaan metode chase strategy:

1. Menentukan jam kerja yang dibutuhkan

Perhitungan meja untuk periode ke-13:

Perhitungan kursi untuk periode ke-13:

41

Page 42: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Dengan cara yang sama, didapatkan nilai jam kerja yang dibutuhkan untuk

masing-masing produk di tiap periode.

2. Mencari total jam kerja tiap periode

Setelah didapat jam kerja yang dibutuhkan untuk masing-masing produk,

kemudian jam kerja untuk keempat produk dijumlahkan.

3. Menentukan regular time

Penentuan regular time disesuaikan dengan total jam kerja yang dibutuhkan

karena pada strategi, produksi dilakukan sesuai dengan permintaan pelanggan. Tetapi,

untuk bulan ke-13, karena total jam kerja yang dibutuhkan melebihi batas standar jam

kerja, maka regular time-nya sesuai dengan standar kerja maksimal yaitu 192 jam.

Kebutuhan jam kerja yang belum terakomodasi, akan dialokasikan ke waktu lembur.

4. Menentukan over time

Untuk menentukan lamanya waktu lembur pada periode ke-13, kebutuhan jam

kerja yang belum terakomodasi harus diketahui terlebih dahulu.

5. Menggunakan subkontrak

Untuk tetap bisa memenuhi permintaan pelanggan secara tepat waktu, maka

digunakanlah subkontrak. Subkontrak peride ke 13 digunakan karena pada CV Jati

Makmur Furniture penggunaan jam lembur masih belum bisa mengakomodasi

permintaan.

Berdasarkan hasil perhitungan pada tabel 4.19, diketahui bahwa hasil subkontrak

sama dengan 0 untuk semua periode yang menunjukkan bahwa alokasi jam reguler

dan overtime sudah memenuhi total jam kerja yang dibutuhkan sehingga tidak

dibutuhkan adanya subkontrak.

6. Menghitung total biaya keseluruhan

42

Page 43: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Total biaya keseluruhan didapat dari penjumlahan biaya-biaya produksi yang

terlibat. Berikut adalah perhitungan untuk mencari jumlah masing-masing biaya.

1) Biaya mesin

Biaya mesin = (total jam kerja – jam subkontrak) x biaya mesin

= (1806 – 0) x 10.000 = Rp 18.060.000,00

2) Biaya regular time

Biaya reguler = total regular time x upah standar x jumlah operator

= 1152 x 12500 x 6= Rp 86.400.000,00

3) Biaya over time

Biaya over time = waktu lembur x biaya lembur x jumlah operator

= 654 x 10.000 x 6 = Rp 39.240.000,00

4) Biaya subkontrak

Biaya subkontrak per produk didapat dari jumlah unit per produk dikalikan

harga subkontrak per unit produk. Dikarenakan tidak ada subkontrak yang

dilakukan pada produk CV Jati Makmur Furniture maka biaya subkontrak

sama dengan Rp 0,00

Masing-masing biaya tersebut kemudian ditotal untuk mendapatkan total biaya

keseluruhan.

Tabel 4.20 Total Biaya Chase StrategyBiaya Jumlah (Rp)

Biaya mesin Rp 18.060.000,00

Biaya reguler Rp 86.400.000,00

Biaya over time Rp 39.240.000,00

Biaya subcontract Rp 0,00

Total biaya Rp 143.700.000,00

Jadi, dapat diambil kesimpulan bahwa total biaya dengan chase strategy sebesar

Rp 143.700.000,00

4.2.2 Level Strategy

Berikut adalah tabel perhitungan untuk perencanaan agregat CV Jati Makmur

Furniture dengan metode level.

43

Page 44: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Tabel 4.21 Level Strategy CV Jati Makmur Furniture

PeriodeProporsi

Jam Kerja yang dibutuhkan

Total Jam

Kerja LevelRegular

timeOvertime

Inventory

Meja Kursi Meja Kursi Meja13 0.4348 0.5652 212.5 81.25 293.75 308.75 192 116.75 1514 0.4348 0.5652 217.5 78 295.5 308.75 192 116.75 13.2515 0.4348 0.5652 220 81.25 301.25 308.75 192 116.75 7.516 0.4348 0.5652 222.5 78 300.5 308.75 192 116.75 8.2517 0.4348 0.5652 225 81.25 306.25 308.75 192 116.75 2.518 0.4348 0.5652 227.5 81.25 308.75 308.75 192 116.75 0

Langkah-langkah pengerjaan metode level strategy:

1. Menentukan jam kerja yang dibutuhkan

Penentuan jam kerja yang dibutuhkan pada level strategy memiliki perhitungan yang

sama dengan chase strategy.

Perhitungan meja untuk periode ke-13:

Perhitungan kursi untuk periode ke-13:

Dengan cara yang sama, didapatkan nilai jam kerja yang dibutuhkan untuk

masing-masing produk di tiap periode.

2. Mencari total jam kerja tiap periode

Setelah didapat jam kerja yang dibutuhkan untuk masing-masing produk,

kemudian jam kerja untuk keempat produk dijumlahkan.

3. Menentukan level produksi

Level = Nilai Maximal dari total jam kerja = 308,75 jam

4. Menghitung Inventory

44

Page 45: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

Karena level produksi memiliki nilai yang lebih besar daripada permintaannya,

maka akan muncul inventory. Inventory ini nantinya akan digunakan apabila ada

kekurangan produksi pada periode selanjutnya. Berikut adalah perhitungan untuk

inventory.

Inventory periode-13 = Level – Total jam kerja periode = 308,75 – 293,75 = 15

jam

Dengan cara yang sama, inventory periode 14 sampai dengan 18 dapat diketahui.

Tabel 4.22 Perhitungan Inventory untuk Level Strategy

Periode Inventory (jam)

Jam Inventory Unit

Meja Kursi Meja Kursi13 15 6.522 8.478 3 214 13.25 5.761 7.489 5 215 7.5 3.261 4.239 4 116 8.25 3.587 4.663 3 117 2.5 1.087 1.413 2 018 0 0.000 0.000 2 0

Pada CV Jati Makmur Furniture, biaya inventory dikenakan per unitnya, sehingga

inventory yang berupa jam kerja perlu dikonversikan ke dalam bentuk produk atau unit

terlebih dahulu.

Inventory periode ke-13

Dengan cara yang sama, didapatkan jumlah unit tiap produknya pada setiap

periode. Kemudian, masing-masing produk pada setiap periode dijumlahkan.

Inventory periode ke-13 = 3+2 = 5 unit

5. Menghitung total biaya keseluruhan

Total biaya keseluruhan didapat dari penjumlahan biaya-biaya produksi yang

terlibat. Berikut adalah perhitungan untuk mencari jumlah masing-masing biaya.

1) Biaya mesin

Biaya mesin = total jam kerja x biaya mesin

= 1852,5 x 10.000 = Rp 18.525.000,00

45

Page 46: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

2) Biaya regular time

Biaya reguler = total regular time x upah standar x jumlah operator

= 1152 x 12500 x 6= Rp 86.400.000,00

3) Biaya over time

Biaya over time = waktu lembur x biaya lembur x jumlah operator

= 700,5 x 10.000 x 6 = Rp 42.030.000,00

4) Biaya inventory

Biaya inventory didapat dari total produk dikalikan dengan biaya inventory

per bulannya. Biaya inventory diketahui Rp 15.000/unit per tahun, sehingga

biaya inventory per bulannya adalah Rp 1.250/unit. Perhitungan biaya

inventory dapat dilihat pada tabel 4.23.

Tabel 4.23 Perhitungan Biaya Inventory untuk Level Strategy

PeriodeTotal

Inventory

Biaya Inventory /

Bulan

Biaya Inventory

13 5 1250 625014 7 1250 875015 5 1250 625016 4 1250 500017 2 1250 250018 2 1250 2500

Total Biaya Inventory 31250

Total biaya inventory yang dikeluarkan CV Jati Makmur sebesar Rp 31.250,00. Masing-masing biaya tersebut kemudian ditotal untuk mendapatkan total biaya keseluruhan. Perhitungan dapat dilihat pada tabel 4.33.

Tabel 4.24 Total Biaya Level StrategyBiaya Jumlah (Rp)

Biaya mesin Rp 18.525.000,00

Biaya reguler Rp 86.400.000,00

Biaya over time Rp 42.030.000,00

Biaya inventory Rp 31.250,00

Total biaya Rp 146.986.250.000,00

Jadi, dapat diambil kesimpulan bahwa total biaya dengan level strategy sebesar

Rp 146.986.250.000,00

Tabel 4.25 Compromised Strategy untuk CV Jati Makmur

46

Page 47: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

PeriodeProporsi Jam Kerja

yang Dibutuhkan

Total Jam

KerjaLevel

Regular Time

OvertimeInventor

yCumulatif Inventory

Meja Kursi Meja Kursi

13 0,4348 0,565 212,5 81,25 293,75 301 192 109 7,25 7,25

14 0,4348 0,565 217,5 78 295,5 301 192 109 5,50 12,75

15 0,4348 0,565 220 81,25 301,25 301 192 109 -0,25 12,50

16 0,4348 0,565 222,5 78 300,5 301 192 109 0,50 13,00

17 0,4348 0,565 225 81,25 306,25 301 192 109 -5,250 7,75

18 0,4348 0,565 227,5 81,25 308,75 301 192 109 -7,75 0

1806 1806 1152 654

Langkah-langkah pengerjaan metode compromised strategy:Menentukan jam kerja

masing-masing produk

Penentuan jam kerja untuk masing-masing produk adalah dengan mengalikan demand

produk dengan kecepatan produksi produk tersebut. Berikut merupakan perhitungan jam

kerja meja bangku periode ke-13:

Dengan cara yang sama, didapatkan nilai jam kerja masing-masing produk yang

dibutuhkan di tiap periode.

1. Menentukan total jam kerja yang dibutuhkan

Penentuan jam kerja yang dibutuhkan pada compromised strategy memiliki

perhitungan yang sama dengan chase dan level strategy. Perhitungan untuk periode ke-13:

Dengan cara yang sama, didapatkan nilai total jam kerja yang dibutuhkan di tiap

periode.

2. Menentukan level

Penentuan level didapatkan dari rata-rata jumlah total jam kerja dari tiap periode

selama 6 bulan. Perhitungan level adalah sebagai berikut:

47

Page 48: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

3. Menentukan regular time

Penentuan regular time didapatkan dari total jam kerja selama 1 periode dengan

perhitungan sebagai berikut:

4. Menghitung inventory

Penentuan jam inventory didapatkan dari pengurangan waktu level dengan total jam

kerja tiap periode. Berikut merupakan contoh perhitungan jam inventory periode ke-13:

Dari jam inventory masing-masing periode dapat diketahui jam inventory masing-

masing produk yang didapatkan dari perhitungan kumulatif inventory masing-masing

periode dikali dengan proporsi produk. Berikut merupakan contoh perhitungan jam

inventory untuk produk meja pada periode ke-13:

Dengan diketahui jam inventory masing-masing produk di masing-masing periode

maka dapat dihitung unit inventory masing-masing produk, total inventory, dan biaya

inventory yang dikeluarkan tiap periode. Untuk rincian unit inventory masing-masing

produk, total inventory, dan biaya inventory yang dikeluarkan tiap periode dapat dilihat

pada Tabel 4.26

Tabel 4.26 Perhitungan Biaya Inventory CV Jati MakmurJam Inventory Unit Inventory

Total Inventory

Biaya Inventory / Bulan

Biaya InventoryMeja Kursi Meja Kursi

3.152 4.098 2 1 3 1250 3750

5.543 7.207 3 2 5 1250 6250

5.652 7.348 3 2 5 1250 6250

5.435 7.065 3 2 5 1250 6250

7.717 10.033 4 3 7 1250 8750

11.087 14.413 5 4 9 1250 11250

Total biaya inventory 42500

5. Menghitung total biaya keseluruhan

Total biaya keseluruhan didapat dari penjumlahan biaya-biaya produksi yang

terlibat. Berikut adalah perhitungan untuk mencari jumlah masing-masing biaya.

48

Page 49: Forecast & Perencanaan Agregat

TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA

TUGAS BESAR Perencanaan & Pengendalian Produksi 2014

1) Biaya mesin

Biaya mesin = total waktu level x biaya mesin

= 1806 x 10.000 = Rp 18.060.000

2) Biaya Tenaga Kerja

Biaya tenaga kerja regular = Regular time x 6 orang x 6 bulan x upah reguler

= 192 x 6 x 6 x 12500 = Rp 86.400.000

Biaya tenaga kerja overtime = Overtime x 6 orang x 6 bulan x upah over

= 109 x 6 x 6 x 10000 = Rp 39.240.000

3) Biaya Inventory

Biaya Inventory = 3750+6250+6250+6250+8750+11250

= Rp 42.500

Total biaya yang dikeluarkan dengan metode Compromised strategy adalah sebagai

berikut:

Total biaya = Rp 18.060.000 + Rp 86.400.000 + Rp 39.240.000 + Rp 42.500

= Rp 143.742.500,00

4.2.4 Metode Terpilih

Berikut adalah total biaya dari masing-masing metode.

Tabel 4.27 Total Biaya Masing-Masing MetodeMetode Total Biaya

Chase strategy Rp. 143.700.000.000Lavel strategy Rp. 146.986.250,000Mix strategy Rp. 143.742.500,000

Berdasarkan tabel 4.27, dapat dilihat bahwa biaya minimal didapatkan dari

perhitungan dengan metode chase strategy, sehingga dapat disimpulkan bahwa metode

terbaik untuk perencanaan agregat CV Jati Makmur Furniture adalah dengan metode

chase strategy.

49