laporan ppic a6 lengkap

2013TUGAS BESARPerencanaan & Pengendalian ProduksiBAB IPENDAHULUAN

0. Latar BelakangPada masa-masa ini proses produksi dalam industri harus dipandang sebagai suatu sistem perbaikan yang terus menerus. Produksi memiliki komponen atau elemen yang saling menunjang satu sama lain. Elemen utama dalam proses produksi yaitu input-proses output merupakan proses harus semakin berkembang seiring berjalannya waktu.Oleh karena itu diperlukan pembelajaran lebih dalam mengenai perencanaaan dan pengendalian yang baik pada sistem produksi. Dalam perencanaan diperlukan beberbagai proses untuk menghasilkan output yang maksimal. Dalam tugas besar ini akan mempelajari tahapan-tahapan dalam perencanaan sebuah sistem produksi berdasarkan studi kasus pada sebuah perusahaan. Perusahaan yang digunakan sebagai bahan studi kasus adalah PT. Good Wold. PT. Good Wood merupakan perusahaan manufaktur yang bergerak dalam bidang funiture. Perusahaan tersebut terletak di Kota Malang dengan pangsa pasar di seluruh Indonesia.

0. Rumusan MasalahBerikut rumusan masalah yang diangkat dalam pembahasan tugas besar ini adalah:1. Bagaimana melakukan suatu perencanaan produksi yang baik dan menghasilkan output yang optimal pada industri furniture PT. Good Wood?1. Bagaimana melakukan suatu pengendalian bahan baku yang baik agar efisiensi biaya produksi dapat tercapai?1. Bagaimana melakukan analisa biaya dari suatu sistem produksi?

0. TujuanTujuan dari penulisan laporan tugas besar ini adalah:1. Mahasiswa diharapkan dapat memahami bagaimana perencanaan produksi sehingga menciptakan output yang optimal.1. Mahasiswa diharapkan dapat memahami bagaimana pengendalian bahan baku yang efisien pada industri furniture PT. Good Wood.1. Mahasiswa diharapakan dapat menganalisa biaya sistem produksi pada PT. Good Wood.

0. ManfaatManfaat dari penulisan laporan tugas besaar ini adalah:1. Mahasiswa dapat memahami tahapan-tahapan dalam perencanaan produksi dan pengendalian bahan baku dalam sebuah sistem produksi.1. Mahasiswa dapat menganalisa suatu sistem produksi untuk mencapai output yang optimal melalui studi kasus pada PT. Good Wood.

0. BatasanBerikut batasan enulisan laporan tugas besar ini, yaitu:1. Produk furniture yang dibuat berdasarkan komponen-komponen kayu, partikel board, handle, cat, baut, paku.1. Data penjualan yang digunakan tiga periode terakhir.1. Perencanaa produksi dan pengendalian persediaan dilakukan selama horison 6 bulan ke depan.

0. AsumsiBerikut asumsi penulisan laporan tugas besar ini, yaitu:1. Proses produksi tidak mengalami perubahan selama penelitian dilaksanakan. 1. Tidak ada perubahan spesifikasi produk selama penelitian dilakukan. 1. Fasilitas produksi berjalan pada kondisi normal dan lancar. 1. Material dan bahan-bahan penunjang lainnya selalu tersedia.

BAB IITINJAUAN PUSTAKA

2.1 Perencanaan dan Pengendalian Produksi

Gambar 2.1 Framework perencanaan dan pengendalian produksiSumber: Hakim Nasution dan Yudha Prasetyawan, 2008:40

1. Tahap PeramalanPeramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan.

2. Tahap Perencanaan AgregatPerencanaan Agregat merupakan suatu perencanaan produksi yang bersifat global dan tidak menggunakan satuan jenis produk (Individual Product). Perencanaan agregat adalah perencanaan yang dibuat untuk menentukan total permintaan dari seluruh elemen produksi dan jumlah tenaga kerja yang diperlukan. Perencanaan agregat merupakan perencanaan produksi jangka panjang menengah. Horizon perencanaannya biasanya berkisar antara 1 sampai 24 bulan atau bisa bervariasi dari 1 tahun sampai 3 tahun. Horizon tersebut tergantung pada karakteristik produk dan jangka waktu produksi. Periode perencanaan disesuaikan dengan periode peramalan, biasanya 1 bulan.Pada umumnya ada empat jenis strategi yang dapat dipilih dalam membuat perencanaan agregat, antara lain :0. Memproduksi banyak barang pada saat permintaan rendah, dan menyimpan kelebihannya sampai saat yang dibutuhkan. Alternatif ini akan menghasilkan tingkat produksi relatif konstan, tetapi mengakibatkan ongkos persediaan yang tinggi.0. Menambah tenaga kerja pada saat permintaan tinggi dan memberhentikannya pada saat permintaan rendah.0. Melemburkan pekerja. Alternatif ini serung dipakai dalam perencanaan agregat, tetapi ada keterbatasannya dalam menjadwalkan kapasitas mesin dan tenaga kerja yang ada. Jika permintaan naik, maka kapasitas produksi dapat dinaikkan dengan melemburkan pekerja.0. Mensubkontrakkan sebagian pekerjaan pada saat sibuk. Alternatif ini akan mengakibatkan tambahan ongkos karena subkontrak dan ongkos kekecewaan konsumen bila terjadi kelambatan penyerahan dari barang yang disubkontrakkan.

3. Capacity PlanningPerencanaan kapasitas adalah proses menentukan tingkat kapasitas yang diperlukan untuk melakukan jadwal produksi, dibandingkan terhadap kapasitas yang tersedia dan tindakan-tindakan penyesuaian yang diperlukan terhadap tingkat kapasitas atau jadwal produksi yang sudah dibuat.

(1) Rought Cut Capacity PlanningPenentuan kebutuhan kapasitas kasar atau Rough-Cut Capacity Planning (RCCP)menentukan kebutuhan kapasitas yang diperlukan untuk melaksanakan Jadwal Induk Produksi. Ketidaklayakan JIP akan diperbaiki oleh RCCP dimana RCCP akan mengkonversikan JIP menjadi kebutuhan-kebutuhan kapasitas untuk sumber daya utama dan kemudian menentukan apakah JIP tersebut layak dengan keterbatasan-keterbatasan kapasitas yang ada. Rough-Cut Capacity Planning digunakan untuk menyesuaikan kapasitas jangka manengah. Tindakan yang mungkin dilakukan meliputi penentuan standar peralatan mesin, penentuan subkontrak, atau alokasi tenaga kerja.Ada 3 teknik perencanaan kebutuhan kapasitas kasar yaitu :1. Pendekatan Total Faktor (overall factor approach)2. Pendekatan Daftar Tenaga Kerja3. Pendekatan Profil Sumber

0. Capacity Requirement PlanningCapacity Requirement Planning (CRP) adalah fungsi untuk menentukan, mengukur, dan menyesuaikan tingkat kapasitas atau proses untuk menentukan jumlah tenaga kerja dan sumber daya mesin yang diperlukan untuk melaksanakan produksi. CRP merupakan teknik perhitungan kapasitas rinci yang dibutuhkan oleh perencanaan kebutuhan material (Material Requirement Planning). CRP memverifikasi apakah kapasitas yang tersedia mencukupi selama rentang perencanaan.

1. PeramalanPeramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramalan, sering berdasarkan data deret waktu historis. Peramalan menggunakan teknik-teknik peramalan yang bersifat formal maupun informal. (Gaspersz, (2004) Production Planning and Inventory Control:25)Dua hal pokok yang harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat:1. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan peramalan yang akurat.1. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi data yang diperoleh semaksimal mungkin.Peramalan diperlukan untuk mengantisipasi suatu peristiwa yang dapat terjadi pada masa yang akan datang, sehingga dapat dipersiapkan kebijaksanaan atau tindakantindakan yang perlu dilakukan.

2.2.1 Manfaat Peramalan1. Membantu agar perencanaan suatu pekerjaan dapat diperkirakan dengan secara tepat.1. Merupakan suatu pedoman dalam menentukan tingkat persediaan perencanaan dapat sebagai masukan untuk penentuan jumlah investasi.1. Membantu menentukan pengembangan suatu pekerjaan untuk periode selanjutnya.

2.2.2 Pendekatan PeramalanPendekatan metode kualitatif umumnya bersifat subjektif, dipengaruhi oleh intuisi, emosi, pendidikan dan pengalaman seseorang. Oleh karena itu hasil peramalan dari satu orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan kualitatif dapat menggunakan teknik/metode peramalan, yaitu :1. Juri dari Opini Eksekutif: metode ini mengambil opini atau pendapat dari sekelompok kecil manajer puncak/top manager (pemasaran, produksi, teknik, keuangan dan logistik), yang seringkali dikombinasikan dengan model-model statistik.1. Gabungan Tenaga Penjualan: setiap tenaga penjual meramalkan tingkat penjualan di daerahnya, yang kemudian digabung pada tingkat provinsi dan nasional untuk mencapai ramalan secara menyeluruh.1. Metode Delphi: dalam metode ini serangkaian kuesioner disebarkan kepada responden, jawabannya kemudian diringkas dan diberikan kepada para ahli untuk dibuat peramalannya. Metode memakan waktu dan melibatkan banyak pihak, yaitu para staf, yang membuat kuesioner, mengirim, merangkum hasilnya untuk dipakai para ahli dalam menganalisisnya. Keuntungan metode ini hasilnya lebih akurat dan lebih profesional sehingga hasil peramalan diharapkan mendekati aktualnya.1. Survai Pasar (market survey): Masukan diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian pada periode yang diamati. Survai dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung.Metode peramalan kuantitatif dapat dikelompokkan menjadi dua jenis, yaitu :1. Model seri waktu / metode deret berkala (time series) metode yang dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu.Model Seri Waktu / Metode deret berkala, terbagi menjadi :3. Rata-rata bergerak (moving averages),3. Penghalusan eksponensial (exponential smoothing),3. Proyeksi trend (trend projection)1. Model/metode kausal (causal/explanatory model), mengasumsikan variabel yang diramalkan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas (independent variable).

2.2.3 Horizon PerencanaanPeramalan akan permintaan hasil produksi mempunyai suatu kurun waktu yang biasa disebut horizon perencanaan yang terbagi atas periode-periode perencanaan yaitu tahun, bulan, dan minggu. Klasifikasi periode perencanaan peramalan tersebut seperti berikut:1. Peramalan Jangka Panjang.Peramalan ini mencakup waktu lebih besar 24 bulan atau 2 tahun. Misalnya peramalan yang berkaitan dengan penanaman modal, perencanaan fasilitas, dan sebagainya.1. Peramalan Jangka Menengah.Peramalan ini mencakup waktu 3 sampai 24 bulan. Misalnya peramalan untuk perencanaan penjualan, perencanaan, dan anggaran produksi.1. Peramalan Jangka Pendek.Peramalan ini mencakup waktu kurang dari 3 bulan. Misalnya peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja, dan penugasan.

2.2.4 Kriteria PeramalanPeramalan yang baik mempunyai beberapa kriteria yang penting, antara lain akurasi, biaya,dan kemudahan. Penjelasan dari kriteria-kriteria tersebutadalah sebagai berikut:1. Akurasi.Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut bila terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bilabesarnya kesalahan peramalan relatif kecil.Peramalan yang terlalu rendah akan mengakibatkan kekuranga persediaan,sehingga permintaan konsumen tidak dapat dipenuhi segera akibatnya perusahaan dimungkinkan kehilangan pelanggandan kehilangan keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga banyak modal yang terserap siasia. Keakuratan dari hasil peramalan ini berperan penting dalam menyeimbangkan persediaan yang ideal1. Biaya.Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah item yang diramalkan, lamanya periode peramalan,dan metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebutakan mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus disesuaikan dengan dana yang tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang penting akan diramalkan dengan metode yang sederhana dan murah. Prinsip ini merupakan adopsi dari hukum Pareto (Analisa ABC).1. KemudahanPenggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah percuma memakai metode yang canggih, tetapi tidak dapatdiaplikasikan pada sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun peralatan teknologi.

2.2.5 Metode Peramalan (Forecasting)Berikut adalah metode-metode pada proses peramalan.

2.2.5.1 Metode Rata-Rata Bergerak (Moving Average)Moving Average diperoleh dengan merata-rata permintaan berdasarkan beberapa data masa lalu yang terbaru. Tujuan utama dari penggunaan teknik MA ini adalah untuk mengurangi atau menghilangkan variasi acak permintaan dalam hubungannya dengan waktu. Tujuan ini dicapai dengan merata-ratakan beberapa nilai data secara bersama-sama, dan menggunakan nilai rata-rata tersebut sebagai ramalan permintaan untuk periode yang akan datang. Disebut rata-rata bergerak karena begitu setiap data aktual permintaan baru deret waktu tersedia, maka data aktual permintaan yang paling terdahulu akan dikeluarkan dari perhitungan, kemudian suatu nilai rata-rata baru akan dihitung. Secara matematis, maka MA akan dinyatakan dalam persamaan sebagai berikut:

Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:40Dimana:MA: Peramalan permintaan pada periode tAt: Permintaan aktual pada periode ke-tN : jumlah data permintaan yang dilibatkan dalam perhitungan MA

Karena data aktual yang dipakai untuk perhitungan MA berikutnya selalu dihitung dengan mengeluarkan data yang paling terdahulu, maka:

Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:40Dimana :MA: Peramalan permintaan pada periode tMAt-1: Peramalan permintaan pada periode t-1At: Permintaan aktual pada periode ke-tN : jumlah data permintaan yang dilibatkan dalam perhitungan MA

2.2.5.2 Metode Rata-Rata Bergerak dengan Bobot (Weighted Moving Average)Secara matematis, WMA dapat dinyatakan sebagai berikut:

Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:45Dimana:Wt = Bobot permintaan aktual pada periode tAt = Permintaan aktual pada periode t

Dengan keterbatasan bahwa:

Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:45Dimana:Wt = Bobot permintaan aktual pada periode t

2.2.5.3 Metode Pemulusan Eksponensial (Exponential Smoothing)Metode peramalan dengan pemulusan eksponensial biasanya digunakan untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak. Metode permalan ini bekerja hampir serupa dengan alat thermostat. Apabila galat ramalan(forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (AF>0), maka modelpemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya. Sebaliknya, apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A F < 0), maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan telah mencapai nol. Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula seperti di bawah ini (Gaspersz, 2004).

Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:45Dimana:Ft : nilai ramalan untuk periode waktu ke-tFt-1: nilai ramalan untu satu periode waktu yang lalu, t-1At-1 : nilai aktual untuk satu periode waktu yang lalu, t-1: konstanta pemulusan (smoothing constant)Cara yang digunakan untuk mengetahui sejauh mana keandalan dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola historis dari data aktual permintaan (Gaspersz, 2004).

2.2.5.4 Metode Double Exponential Smoothing (Holt Winter Additive)Pada beberapa kasus komponen anggaran kas tidak mampu diproyeksi secara musiman. Hal ini dikarenakan terdapat data yang hilang atau tidak lengkapnya data perbulan. Tidak lengkapnya data ini bukan berarti datanya tidak mampu didapat namun secara faktual data tersebut tidak ada, antara lain untuk lain-lain penerimaan daerah yang sah. Pengeluaran pembiayaan dan penerimaan pembiayaan. Komponen anggaran kas ini tidak adanya transaksi di bulan-bulan tertentu, misalkan bulan mei, juni dan juli untuk penerimaan pembiayaan tidak ada. Oleh karena itu proyeksi dilakukan dengan metode exponential smoothing holt dan exponential smoothing brown. Dan untuk mendistribusikan pada bulan yang bersangkutan, maka dilakukan dengan mengalikan rata-rata transaksi dengan indeks musimannya.Model ini dapat diterapkan ketika time series mengandung komponen musiman (seasonal). Metode ini mengasumsikan bahwa time series tersusun dari siklus trend dan musiman linier, yang tersusun dari tiga rangkaian proses statistik yang terkorelasi (pemulusan, trend, dan musiman) dan memproyeksikan trend serta komponen musiman ke depan.0. Base Level:Et = (Yt St-p) + (1 ) (Et-1 + Tt-1), pada periode t; 0 10. Ekspektasi Nilai Trend:Tt = (Ee Et-1) + (1 ) Tt-1, pada periode t; 0 10. Hitung Faktor Seasonal:St = (Yt Et-1) + (1 ) St-p, pada periode t; 0 10. Hasil forecast:+= + + , + 0. Untuk Inisiasi:Untuk 1 seasonal pertama: = - t = 1,2, , p;Sumber: Pangestu Subagyo, 1986:25Dimana:P: banyaknya periode dalam 1 seasonal = : pertama periode ke pada seasonal pertama = 0: periode ke pada seasonal pertama

2.2.5.5 Metode Double Exponential Smoothing (Holt Winter Multikatif)Metode ini dapat diterapkan pada data time series musiman sama halnya dengan additive, tetapi pada model ini diasumsikan bahwa komponen-komponen time series (pemulusan data, trend, dan musiman), dikalikan satu sama lain sehingga menghasilkan data time series yang lebih aktif.Selain metode dekomposisi untuk memproyeksi data yang bersifat musiman dapat dilakukan dengan metode kecenderungan dan musiman tiga parameter dari winters atau biasa disebut winters multiplicative. Metode winters didasarkan atas tiap persamaan pemulusan, yaitu satu untuk unsure stasioner, satu untuk trend dan satu untuk musiman. Memproyeksi data time series yang bersifat musiman yang memiliki data stasioner dengan efek musiman yang multiplikatif atau biasa disebut multiplicative seasonal effect dapat menggunakan metode winter multiplicative method dengan rumus sebagai berikut :

0. Base level = + (1 ) (+ ), pada periode t; 0 10. Ekspektasi nilai trend:Tt = ( - ) + (1 ) -1, pada periode t; 0 10. Faktor seasonal: = (+ ( 1- ) S-, pada periode t = 0 10. Hasil forecast: +n = ( + n ) St +n p , pada periode t = 1,2, , +1 = (Et + Tt ) St p, pada periode t + n0. Untuk InisiasiUntuk 1 seasonal pertama: t = , t = 1,2 ,.,pSumber: Pangestu Subagyo, 1986:27Dimana:P: banyaknya periode dalam 1 seasonalEp= : periode ke p pada seasonal pertamaTp = 0: periode ke p pada seasonal pertama

1. Ukuran Akurasi PeramalanValidasi metode peramalan terutama dengan menggunakan metode-metode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan. Bagaimanapun juga terdapat sejumlah indikator dalam pengukuran akurasi peramalan, tetapi yang paling umum digunakan adalah mean absolute deviation mean absolute percentage error, dan mean squared error.4. Mean Absolute Deviation(MAD)Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute percentage error, dan mean squared errorsemakin kecil. MAD merupakan nilai total absolut dari forecast error dibagi dengan data. Atau yang lebih mudah adalah nilai kumulatif absolut error dibagi dengan periode. Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut:

Sumber: Pangestu Subagyo, 1986:30

b.Mean Squared Error (MSE)Menurut Gaspersz (2004), mean squared error biasa disebutjuga galat peramalan. Dalam sistem peramalan, penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbedadan derajat dari galat ramalan yang berbeda pula.Rata-rata kesalahan kuadrat memperkuat pengaruh angka-angkakesalahan besar, tetapi memperkecil angka kesalahanprakiraan yang lebih kecil dari satu unit.


c. Mean Absolute Percentage Error (MAPE)Rata-rata persentase kesalahan kuadrat merupakanpengukuran ketelitian dengan cara persentase kesalahan absolute.MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalambentuk persentasenya terhadap data aktualnya.


d. Tracking SignalMenurut Gaspersz (2004), suatu ukuran bagaimana baiknyasuatu ramalanmemperkirakan nilai-nilai aktual suatu ramalandiperbaharui setiap minggu, bulan atau triwulan, sehingga datapermintaan yang baru dibandingkan terhadap nilai-nilai ramalan.Tracking signal dihitung sebagai running sum of the forecast errorsdibagi dengan mean absolute deviation.Tracking Signal = Sumber: Pangestu Subagyo, 1986:32

1. Economic Order QuantityEconomic Order Quantity (EOQ) adalah model persediaan yang pertama kali dikembangkan tahun 1915 secara terpisah oleh Ford Harris dan R.H. Wilson. Metode EOQ merupakan sebuah perhitungan dengan rumus mengenai berapa jumlah, atau frekuensi pemesanan, atau nilai pemesanan yang paling ekonomis. Dalam hampir semua situasi yang menyangkut pengelola persediaan barang jadi, metode ini dapat dikatakan cocok untuk digunakan. Metode EOQ dapat dilaksanakan apabila kebutuhan-kebutuhan per-mintaan pada masa yang akan datang memiliki jumlah yang konstan dan relatif memiliki fluktuasi perubahan yang sangat kecil. Apabila jumlah per-mintaan dan masa tenggang diketahui, maka dapat diasumsikan bahwa jumlah permintaan dan masa tenggang merupakan bilangan yang konstan dan diketahui. EOQ dihitung denga menganalisis total biaya (TC). Total biaya pada satu periode merupakan jumlah dari biaya pemesanan ditambah biaya penyimpanan selama periode tertentu.Secara grafik model persediaan EOQ dapat dilihat pada Gambar berikut:

Sumber: Elisabeth Sibarani, Faigiziduhu Buulolo, 2013Gradien garis singgung di titik kritis diperoleh dengan cara menurunkan fungsi yang bersangkutan terhadap variabel keputusannya. Fungsi persediaannya yaitu :

Dimana: D = Jumlah kebutuhan barangQ= Jumlah setiap pemesananQopt = jumlah pemesanan optimalOc = Biaya pemesananH = Biaya penyimpananP = biaya pembelianTC = biaya total persediaandikarenakan Purchasing Cost tidak berpengaruh terhadap hasil EOQ, maka didapatkan Total Increment Cost yaitu:

dimana untuk mencari jumlah pemesanan optimal dapat dilakukan dengan menurunkan fungsi TIC diatas :

BAB IIISTUDI KASUS

3.1Gambaran Umum UsahaPerusahaan yang digunakan sebagai bahan studi kasus adalah PT. Good Wold. PT. Good Wood merupakan perusahaan manufaktur yang bergerak dalam bidang funiture. Perusahaan tersebut terletak di Kota Malang dengan pangsa pasar di seluruh Indonesia.

3.2ProdukProduk yang dibuat oleh PT. Good Wood antara lain adalah meja tulis, meja komputer, lemari dan rak buku. Produk-produk tersebut disusun oleh beberapa komponen pendukung yaitu:1. Kayu1. Partikel board1. Baut1. Paku1. Cat1. HandleBerikut ini merupakan kebutuhan komponen untuk masing-masing produk:Tabel 3.1 Kebutuhan Komponen ProdukA (m2)B(m2)CDE(kg)F

Meja Tulis5,5301,51

Meja Komputer4,7530

Lemari12252,52

Rak Buku3254

3.3Proses ProduksiGambaran Proses Produksi PT. Good Wood dapat dilihat pada gambar di bawah ini.

Gambar 3.1 Gambaran Proses Produksi ProdukKeterangan:A: KayuB: Parktikel BoardC: BautD: PakuE: CatF: HandleMI: Power Hack SawM2:Color SprayMasing-masing part tersebut memiliki beberapa kesamaan komponen penyusun, yang artinya sistem produksi berdasarkan group technology dan melalui proses fabrikasi ketika ada pesanan yang masuk dari pelanggan. Maka dapat dikatakan proses produksi berdasarkan Make to Order.

3.4Bahan BakuKomponen yang digunakan untuk menghasilkan keempat jenis produk tersebut didapatkan dari supplier dengan rincian keterangan sebagai berikut:Tabel 3.2 Rincian Bahan BakuKomponenLead TimeHargaPotongan

A2mingguRp. 50.000,-Tidak ada potongan

B1mingguRp. 45.000,-2% jika membeli lebih dari 1000m5% jika membeli lebih dari 2000m

C1mingguRp 150,-Tidak ada potongan

D1mingguRp 175,-Tidak ada potongan

E2mingguRp. 40.000,-5% jika membeli lebih dari 250kg

F1mingguRp, 15.000,-Tidak ada potongan

Perusahaan memiliki persediaan bahan baku (untuk minggu ke 0) dengan rincian sebagai berikut:Tabel 3.3 Persediaan Bahan BakuBahan BakuPersediaanDalam Pemesanan

A2500m27000 m2

B3000m25000 m2

C1500020000

D700025000

E500kg2100kg

BAB IVANALISA PEMBAHASAN

4.1ForecastingPada bagian ini dilakukan peramalan dengan menggunakan 3 metode, yaitu Moving Average (MA), Weighted Moving Average (WMA), dan Exponential Smoothing (ES) dengan Moving Average dan Weighted Moving Average menggunakan periode terpilih (N=3 atau N=4 atau N=5) serta untuk Exponential Smoothing menggunakan nilai =0.4, =0.45, =0.5.

4.1.1Meja TulisBerikut adalah data penjualan Meja Tulis selama 2 tahun terakhir :

Tabel 4.1 Data PenjualanMeja TulisBulan123456789101112

Meja Tulis320326356345329355321351365344339342

Bulan131415161718192021222324

Meja Tulis337348351319337365348352321382348329

Gambar 4.1 Grafik Permintaan Meja Tulis

4.1.1.1Moving AverageBerikut ini adalah hasil peramalan meja tulis dengan metode Moving AverageTabel 4.2 Metode Moving Average Meja TulisBulanDemand(A)F (3)F (4)F (5)

1320--

2326--

3356--

4345334-

5329343337

Tabel 4.3 Metode Moving Average Meja TulisBulanDemand(A)F (3)F (4)F (5)

6355344339336

7321343347343

8351335338342

9365343339341

10344346348345

11339354346348

12342350350344

13337342348349

14348340341346

15351343342342

16319346345344

17337340339340

18365336339339

19348341343344

20352350343344

21321355351345

22382341347345

23348352351354

24329351351351

Perbandingan :

Berdasarkan perhitungan diatas diketahui bahwa nilai MAD(3) = 14.77778 , MAD(4) = 14.58750 dan MAD(5) =13.76842. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada Moving Average produk Meja Tulis akan digunakan berdasarkan MA(5).

4.1.1.2 Weighted Moving AverageBerikut ini adalah hasil peramalan meja tulis dengan metode Weight Moving AverageTabel 4.4 Metode Weight Moving Average Meja TulisBulanDemand(A)F (3)F (4)F (5)

1320340

2326346342

3356339339338

4345345346345

5329334336338

6355342341341

7321353351349

8351353350349

9365345347346

10344342344346

11339339340342

12342344343343

13337348347346

14348335337338

15351334336337

16319348346346

17337352348347

18365353352350

19348336341342

20352357355355

21321355354353

22382345345346

23348341345345

24329343343345

Perbandingan:

Berdasarkan perhitungan diatas diketahui bahwa nilai MAD(3) =, MAD(4) = dan MAD(5) =. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada Weight Moving Average produk Meja Tulis akan digunakan berdasarkan MA(5).

4.1.1.3 Exponential SmoothingBerikut ini adalah hasil peramalan meja tulis dengan metode Eksponential Smoothing :Tabel 4.5Eksponential Smoothing Meja TulisBulanAktual(0,4) (0,45) (0,5)

1255235235235

2247243244245

3208245246246

4227230229227

5219229228227

6205225224223

7244217216214

8246228229229

9233236237238

10238235235236

11251236237237

12203242243244

13247227225224

14252235235236

15201242243244

16241226224223

17217232232232

18258226226225

BulanAktual(0,4) (0,45) (0,5)

19220239240242

20249232231231

21234239240240

22218237237237

23257230229228

24257241242243

Perbandingan :MAD (0,4) =18,34957MAD (0,45) =18,34497MAD (0,5) =18,31272Dari perbandingan nilai MAD di atas diketahui bahwa penggunaan =0.5 menghasilkan MAD terkecil diantara yang lain, sehingga dapat digunakan =0.5 pada metode peramalan Eksponential Smoothing produk meja tulis.

4.1.1.4 VerifikasiDari perhitungan berdasarkan metode MA(5), WMA(5) dan ES( =0.5), didapat nilai tracking signal dari masing-masing metode seperti pada tabel 4.5.Tabel 4.5 Rekap nilai ErrorMA(5)WMA(5)ES (0,5)

MAD18,31272

MAPE3,97930010418,44186,55464

MSE297,0273684469,82398,6258

Dari tabel diatas dapat dilihat perbandingan nilai diantara erornya, dapat dilihat pada metode Exponential Smoothing (=0,5) menunjukkan nilai MSE, MAD dan MAPE yang paling kecil diantara kedua metode lainnya. Sehingga metode Exponential Smoothing (=0,5) dapat diandalkan.

Gambar 4.2Tracking Signal Meja TulisDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model MA(5), WMA(5) dan ES(=0,5) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model MA(5), WMA(5) dan ES(=0,5) dapat dipergunakan.

Gambar 4.3 Peramalan dan Aktual Meja Tulis

Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan Exponential Smoothing (=0,5) dibandingkan dengan model MA dan WMA lebih sesuai dengan pola historis data aktual penjualan produk Meja Tulis.Berdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,5) pada produk meja tulis.Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:

Tabel 4.7 Peramalan Meja Tulis BulanDemandForecastBulanDemandForecast

132034316319319

232633217337337

335632918365365

434534319348348

532934420352352

635533721321321

732134622382382

835133423348348

936534324329329

1034435425342342

1133934926342342

1234234427342342

1333734328342342

1434834029342342

1535134430342342

4.1.2 Meja KomputerBerikut adalah data penjualan dari Meja Komputer dalam periode 2 tahun terakhir:Tabel 4.8 Data Penjualan Meja KomputerBulan123456789101112

Meja Komputer255247208227219205244246233238251203

Bulan131415161718192021222324

Meja Komputer247252201241217258220249234218257257

Gambar 4.4 Permintaan Meja Komputer

4.1.2.1 Moving AverageBerikut ini adalah hasil peramalan meja komputer dengan metode Moving Average

Tabel 4.7 Metode Moving Average Meja KomputerPeriodeDemand(A)F (3)F (4)F (5)

1225---

2247---

3208---

4227227--

5219228227-

6205218226226

7244217215222

8246223224221

9233232229229

10238241232230

11251239241234

12203241242243

13247231232235

14252234235235

15201234239239

16241234226231

17217232236229

18258220228232

19220239230234

20249232234228

21234243236237

22218235241236

23257234231236

24257237240236

Perbandingan:

Berdasarkan perhitungan di atas dapat diketahui nilai MAD(3) = ; MAD(4) = dan MAD(5) =. Nilai MAD(3) lebih kecil daripada nilai MAD(4) dan MAD(5), maka pada model Moving Average produk Meja Komputer dapat digunakan peramalan berdasarkan MA(3).

4.1.2.2 Weighted Moving AverageBerikut ini adalah hasil peramalan meja komputer dengan metode Weight Moving AverageTabel 4.9Metode Weight Moving Average Meja KomputerBulanDemand(A)F (3)F (4) F (5)

1255---

2247---

3208---

4227228.83--

5219224.00228.10--

6205219.83222.00225.07

7244213.33213.90216.33

8246226.83225.60223.93

9233238.50234.50232.40

10238239.17236.30234.00

11251237.67238.70236.87

12203243.67243.00242.80

13247224.83227.40229.67

14252233.00233.70233.93

15201242.17240.60239.80

16241225.67225.70227.40

17217229.50231.80230.80

18258222.33224.50226.87

Tabel 4.10Metode Weight Moving Average Meja KomputerBulanDemand(A)F (3)F (4) F (5)

19220241.50236.60235.67

20249232.17232.90231.07

21234240.83238.90238.27

22218236.67238.10237.27

23257228.50229.20231.40

24257240.17239.90238.47

Perbandingan:

Berdasarkan perhitungan di atas dapat diketahui nilai MAD(3) = 18.44 ; MAD(4) = 18.79 dan MAD(5) = 25.31. Nilai MAD(3) lebih kecil daripada nilai MAD(4) dan MAD(5), maka pada model Weighted Moving Average produk Meja Tulis dapat digunakan peramalan berdasarkan WMA(3).

4.1.2.3 Exponential SmoothingBerikut ini adalah hasil peramalan meja komputer dengan metode metode Eksponential Smoothing :Tabel 4.11Eksponential Smoothing Meja KomputerBulanAktual(0,4) (0,45) (0,5)

1255235235235

2247243244245

3208245246246

4227230229227

5219229228227

6205225224223

7244217216214

8246228229229

9233236237238

10238235235236

11251236237237

12203242243244

13247227225224

14252235235236

15201242243244

16241226224223

Tabel 4.12Eksponential Smoothing Meja KomputerBulanAktual(0,4) (0,45) (0,5)

17217232232232

18258226226225

19220239240242

20249232231231

21234239240240

22218237237237

23257230229228

24257241242243

Perbandingan :

18,34497

Berdasarkan perhitungan dapat diketahui nilai MAD(=0.4) = ; MAD(=0.45) = 18,34497dan MAD(=0.5) =. Nilai MAD(=0.5) lebih kecil daripada nilai MAD(=0.45) dan MAD(=0.5) maka pada model Exponential Smoothing produk Meja Komputer akan digunakan peramalan berdasarkan ES(=0.5).


MAD17,079418,4411,85001

MAPE7,3610982847,980,029038

MSE403,2275132469,82303,6141


Gambar 4.5Tracking Signal Meja KomputerDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model MA(3), WMA(3) dan ES(=0,5) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model MA(3), WMA(3) dan ES(=0,5) dapat dipergunakan.

Gambar 4.6 Peramalan dan Aktual Meja Komputer

Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan Exponential Smoothing (=0,5) dibandingkan dengan model MA dan WMA lebih sesuai dengan pola historis data aktual penjualan produk Meja Komputer.Berdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,5) pada produk meja komputer . Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:

Tabel 4.14 Peramalan Meja KomputerBulanDemandForecastBulanDemandForecast

125523516241223

224724517217232

320824618258225

422722719220242

521922720249231

620522321234240

724421422218237

824622923257228

923323824257243

1023823625250250

1125123726250250

1220324427250250

1324722428250250

1425223629250250

1520124430250250

4.1.3 LemariBerikut ini adalah data penjualan Lemari selama periode 2 tahun terakhir:Tabel 4.15Data Penjualan LemariBulan123456789101112

Lemari119128134149105153137145128139134151

Bulan131415161718192021222324

Lemari146128161101136156110142129131138147

Gambar 4.7 Permintaan Lemari

4.1.3.1 Moving AverageBerikut ini adalah hasil peramalan lemari dengan metode Moving AverageTabel 4.16Metode Moving Average LemariBulanDemand(A)F (3)F (4)F (5)

1119--

2128--

3134--

4149127

5105137133

6153130129127

7137136136134

8145132136136

9128145135138

10139137141134

11134138138141

12151134137137

13146142138140

14128144143140

15161142140140

16101145147144

17136130134138

18156133132135

19110131139137

20142134126133

21129136136129

22131127135135

23138134128134

24147133135130

Perbandingan:

Berdasarkan perhitungan dapat diketahui nilai MAD(3) = ; MAD(4) = dan MAD(5) =. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada model Moving Average produk Lemari akan digunakan peramalan berdasarkan MA(5).

4.1.3.2 Weighted Moving AverageBerikut ini adalah hasil peramalan lemari dengan metode Weight Moving AverageTabel 4.17Metode Weight Moving Average lemariBulanDemand(A)F (3) F(4) F (5)

1119---

2128---

3134---

414913000

51051411380

6153125127127

7137137136136

8145137137137

9128144141140

10139136138137

11134137137138

12151135136136

13146144142141

14128146145143

15161138139139

16101148148147

17136126129132

18156129130132

19110141140139

Tabel 4.18 Metode Weight Moving Average lemariBulanDemand(A)F (3) F(4) F (5)

20142130129130

21129134135133

22131131132133

23138133131132

24147135135133

Perbandingan:

Berdasarkan perhitungan dapat diketahui nilai MAD(3) = 15.48 ; MAD(4) = 14.68 dan MAD(5) =13.34. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada model Weighted Moving Average produk Lemari dapat digunakan peramalan berdasarkan MA(5).

4.1.3.3 Exponential SmoothingBerikut ini adalah hasil peramalan Lemari dengan metode Eksponential Smoothing :Tabel 4.18Eksponential Smoothing LemariBulanAktual(0,4) (0,45) (0,5)

1119136136136

2128129128128

3134129128128

4149131131131

5105139139140

6153125124123

7137137137138

8145137137138

9128140141142

10139136135135

Tabel 4.19Eksponential Smoothing LemariBulanAktual(0,4) (0,45) (0,5)

11134137137137

12151136136136

13146142143144

14128144145145

15161138137137

16101147148149

17136129127125

18156132131131

19110142143144

20142129128127

21129135135135

22131133132132

23138132132132

24147135135135

Perbandingan:. 10,84247

Berdasarkan perhitungan dapat diketahui nilai MAD(=0.4) =10,84247; MAD(=0.45) = dan MAD(=0.5) = . Nilai MAD(=0.45) lebih kecil daripada nilai MAD(=0.5) dan MAD(=0.4) maka pada model Exponential Smoothing produk lemari dapat digunakan peramalan berdasarkan ES(=0.45).

4.1.3.4 VerifikasiDari perhitungan berdasarkan metode MA(5), WMA(5) dan ES( =0.45), didapat nilai tracking signal dari masing-masing metode seperti pada tabel berikut:

Tabel 4.20 Rekap nilai ErrorMA(5)WMA(5)ES (0,45)

MAD12,673713,34

MAPE9,68265617710,2198107,899

MSE273,9284211304,1048264,9684

Dari tabel diatas dapat dilihat perbandingan nilai diantara erornya, dapat dilihat pada metode Exponential Smoothing (=0,5) menunjukkan nilai MSE, MAD dan MAPE yang paling kecil diantara kedua metode lainnya. Sehingga metode Exponential Smoothing (=0,5) dapat digunakan

Gambar 4.8Tracking Signal LemariDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model MA(5), WMA(5) berada di luar batas yang diterima, dan ES(=0,5) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model MA(5), WMA(5) makaES(=0,5) dapat dipergunakan.

Gambar 4.9 Peramalan dan Aktual Lemari

Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan ketiga metode memiliki kesamaan pola dengan data historis.Berdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,5) pada produk lemari. Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:Tabel 4.21 Peramalan LemariBulanDemandForecastBulanDemandForecast

111913616101149

212812817136125

313412818156131

414913119110144

510514020142127

615312321129135

713713822131132

814513823138132

912814224147135

1013913525140,83141

1113413726140,83141

1215113627140,83141

1314614428140,83141

1412814529140,83141

1516113730140,83141

4.1.4 HandleBerikut ini adalah data penjualan Handle selama periode 2 tahunTabel 4.22 Data Penjualan HandleBulan123456789101112

Handle------------

Bulan131415161718192021222324

Handle1325101482117241013718

Gambar 4.10 Permintaan Handle

4.1.4.1 Moving AverageBerikut ini adalah hasil peramalan Handle dengan metode Moving AverageTabel 4.23 Metode Moving Average HandleBulanDemand(A)F(3)F (4)F (5)

113--

225--

310--

41416

581716

621111514

717151416

824161514

910211817

1013171816

117161617

1218101415

Perbandingan:

Berdasarkan perhitungan diketahui nilai MAD(3) = ; MAD(4) = dan MAD(5) =. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada model Moving Average produk Handle akan digunakan peramalan berdasarkan MA(5).

4.1.4.2 Weight Moving AverageBerikut ini adalah hasil peramalan handle dengan metode Weight Moving AverageTabel 4.24 Metode Weight Moving Average HandleBulanDemand(A)F(3)F (4)F (5)

113---

225---

310---

4141600

5815150

621111213

717161515

8241717216

910222019

1013161717

117141516

12181012213

Perbandingan:

Berdasarkan perhitungan diketahui nilai MAD(3) = 6.297 ; MAD(4) = 5.063 dan MAD(5) = 6.514. Nilai MAD(4) lebih kecil daripada nilai MAD(3) dan MAD(5), maka pada model Weighted Moving Average produk Handle akan digunakan peramalan berdasarkan MA(4).

4.1.4.3 Exponential SmoothingBerikut ini adalah hasil peramalan Handle dengan metode Eksponential Smoothing :Tabel 4.25Eksponential Smoothing HandleBulanDemand(A)ES(=0.4)ES(=0.45)ES(=0.45)

113121211

225131212

310181819

414151515

58151515

621121212

717161617

824171717

910202021

1013161616

117151515

1218121211

Perbandingan:5,776,195,46

Berdasarkan perhitungan diketahui nilai MAD(=0.4) = 5.455 ; MAD(=0.45) = 5.772 dan MAD(=0.5) = 6.193. Karena nilai MAD(=0.5) lebih kecil daripada nilai MAD(=0.4) dan MAD(=0.45) maka pada model Exponentil Smoothing produk Handle akan digunakan peramalan berdasarkan ES(=0.4).


MAD65,065,5

MAPE48,3257815956,3037,6

MSE45,8057142951,662,275085


Gambar 4.11Tracking Signal HandleDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model MA(5), dan ES(=0,4) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model sedangkan WMA(4) berada di luar batas.

Gambar 4.12Peramalan dan Aktual Handle

Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan Exponential Smoothing (=0,4) dibandingkan dengan model MA dan WMA lebih sesuai dengan pola historis data aktual penjualan produk HandleBerdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,4) pada produk handle. Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:Tabel 4.27 Peramalan HandleBulanDemandForecast

11312

22512

31018

41415

5815

62112

71716

82417

91020

101316

11715

121812

131515

141515

151515

161515

171515

181515

4.1.5 Rak BukuBerikut ini adalah data penjualan rak buku dalam periode 2 tahun terakhir:Tabel 4.28 Data Penjualan Rak BukuBulan123456789101112

Rak Buku------------

Bulan131415161718192021222324

Rak Buku---------336365

Gambar 4.13 Permintaan Rak Buku

4.1.5.1 Exponential SmoothingBerikut ini adalah hasil peramalan meja tulis dengan metode Exponential Smoothing:Tabel 4.29 Metode Eksponential Smoothing Rak BukuBulanDemand(A)ES(=0.4)ES(=0.45)ES(=0.45)

133545454

263464544

365535354

Perbandingan:16,94217,1827817,38889

Berdasarkan perhitungan diketahui nilai MAD(=0.4) = 16,942; MAD(=0.45) = 17,1827 dan MAD(=0.5) = 17,3889 . Karena nilai MAD(=0.5) lebih kecil daripada nilai MAD(=0.4) dan MAD(=0.45) maka pada model Exponentil Smoothing produk rak buku akan digunakan peramalan berdasarkan ES(=0.4).

4.1.5.2 VerifikasiDari perhitungan berdasarkan metode ES( =0.4) ,ES( =0.45) dan ES( =0.5), didapat nilai tracking signal dari masing-masing metode seperti pada tabel berikutTabel 4.30 Rekap nilai ErrorES (0,4)ES (0,45)ES (0,5)

MAD16,9422222217,3888888917,18277778

MAPE36,6286158337,3494406837,01552398

MSE298,208237317,9722222308,1112972


Gambar 4.14 Tracking Signal Rak BukuDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model ES(=0,4) dan ES(=0,5) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model sedangkan ES(=0,45) berada di luar batas.

Gambar 4.15 Peramalan dan Aktual Rak Buku

Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan Exponential Smoothing (=0,45) dibandingkan dengan model MA dan WMA lebih sesuai dengan pola historis data aktual penjualan produk Rak BukuBerdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,45) pada produk rak buku .Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:Tabel 4.31 Peramalan Rak BukuBulanDemandForecast

13354

26346

36553

45358

55357

65656

75555

85555

95555

4.2Pengendalian PersediaanBerdasarkan studi kasus diketahui bahwa perusahaan melakukan pengendalian persediaan terhadap handle yang dipesan dari pihak lain, dengan lead time 1 minggu. Handle disini merupakan part yang dijual terpisah. Oleh karena itu digunakan metode EOQ dengan menggunakan ROP karena sesuai dengan asumsi perusahaan yaitu tidak ada stock out,independent demand, dan permintaan konstan.Tabel 4.32 Peramalan Produk HandleBulanDemandForecast

11312

22512

31018

41415

5815

62112

71716

82417

91020

101316

11715

121812

131515

141515

151515

161515

171515

181515

Dari tabel di atas dapat dilihat bahwa hasil peramalan dari kebutuhan handle dapat dikatakan konstan, maka dapat dilakukan pengendalian inventory dengan metode EOQ (Economic Order Quantity). Berikut ini adalah perhitungannya:Diketahui: Permintaan (Demand)= 15Lead Time (Lt)= 0,25 bulanBiaya pemesanan (Cost)=Rp3000,00Biaya penyimpanan (Holding Cost(H))=Rp200,00 perunit/minggu = Rp800,00 perunit/perbulanHarga produk (Price)=Rp15.000,00

Perhitungan EOQ

=10,6066(unit)Maka pemesanan ideal untuk produk handle tiap periode pesan adalah sebesar 11 buah.Berdasarkan hasil perhitungan EOQ diatas, diketahui bahwa nilai EOQ yang didapat adalah 10,6066. Hal ini menjelaskan bahwa jumlah barang tiap kali periode pemesanan yang optimal adalah 11 unit.

4.2.1 Perhitungan frekuensi pemesanan optimal

1,363636 Dari hasil perhitungan didapat frekuensi sebesar 2, hal ini menunjukkan bahwa pemesanan baiknya dilakukan 2 kali dalam sebulan.

4.2.2 Perhitungan rata-rata waktu pemesanan

1,3636Dari perhitungan duatas didapat rata2 waktu pemesanan adalah 2, yang berarti dalam sebulan terdapat rata-rata 2 kali pemesanan.

4.2.3 Perhitungan Reorder Point (ROP)

3,75 unitDari hasi perhitungan Rop diatas, diketahui bahwa ROP adalah 4 unit, yang berarti ketika persediaan produk sudah mencapai 4 buah, perlu dilakukan pemesanan kembali untuk memenuhi jumlah pemesanan yang optimal.

4.2.4 Perhitungan Total Incremental Cost

Rp 110.309,00Biaya pemesanan optimal dari produk tersebut adalah Rp110.309,00 , hal ini menunjukkan bahwa biaya pemesanan inkremental untuk tiap penebusan demand adalah sebesar Rp 110.309,00.

4.2.5 Perhitungan Total Cost

Rp 335.309,00Didapat nilai Total Cost adalah sebesar Rp 335.309,00 , hal ini menunjukkan total biaya yang harus dikeluarkan untuk memenuhi demand adalah sebesar Rp 335.309,00.

Berikut ini adalah grafik penggambaran dari Economic Order Quantity dan Reorder Point produk handle.

Gambar 4.16 Grafik Economic Order Quantity dan Reorder Point produk handle.

Pada grafik diatas dapat dilihat garis biru menandakan Demand, dengan EOQ ada pada puncak tertinggi garis yaitu pada angka 11. Diketahui ROP berada pada angka 4, dimana menandakan pemesanan kembali erjadi apabila stok barang tinggal 4 unit, dan dilakukan pemesanan pada waktu di titik t.

4.6. Bom TreeBom tree yang akan dibuat berdasarkan produk pada PT. Gold Wood, antara lain bom tree meja tulis, bom tree meja computer, bom tree lemari, dan bom tree rak buku.

4.6.1 Bom Tree MejaTulisBerikut ini merupakan Bom Tree dari meja tulis:

Berdasarkan BOM tree mejatulisdiatasdapatdiketahuiprodukmejatulismembutuhkankomponenAsebesar 5.5 m2, komponen D sebanyak 30, komponen E sebanyak 1.5 kg dankomponen F sebanyak 1 buah.

4.6.2 Bom Tree MejaKomputerBerikut ini merupakan Bom Tree dari meja komputer:

BerdasarkanBOM tree mejacomputerdiatasdapatdiketahuiprodukmejacomputermembutuhkankomponen B sebesar 4.75 m2dankomponen C sebanyak 30 buah.

4.6.3 Bom Tree LemariBerikut ini merupakan Bom Tree dari lemari:

Berdasarkan BOM tree lemariDiatasdapatdiketahuiproduklemarimembutuhkankomponenAsebesar 12 m2, komponen D sebanyak 25 buah, komponensebanyak 2.5 kg, dankomponen F sebanyak 2 buah.4.6.4 Bom Tree RakBukuBerikut ini merupakan Bom Tree dari rak buku:

Berdasarkan BOM tree rak buku diatas dapat diketahui produk rak buku membutuhkan komponen B sebesar 3 m2, komponen C sebanyak 25 buah, dan komponen F sebanyak 4 buah.

4.7. Perencanaan AgregatBerikut ini adalah langkah-langkah dalam perencaaan agregat:4.7.1. Kebutuhan Bersih Per Sub-AssemblyKebutuhan bersih per sub assembly dapat dihitung dari kebutuhan per komponen dalam satu produk dikalikan denga`n hasil forecast.Berikut ini adalah rekapan dari kebutuhan bersih dari per sub-assembly:Tabel 4.32 Rekapan Kebutuhan Bersih Per Sub-AssemblyA (m2)B (m2)CDE (kg)F

Meja tulis188110260513342

Meja komputer11887500

Lemari16923525353282

Rak Buku1741450232

Jumlah35731362895013785866856

Contoh perhitungan:Kebutuhan bersih komponen A meja tulis = kebutuhan komponen A meja tulis inventoriKebutuhan bersih komponen A meja tulis = 5,5 * 342 - 0Kebutuhan bersih komponen A meja tulis = 1881

4.7.2. Kecepatan Waktu ProduksiBerikut adalah rekapan perhitungan kecepatan waktu produksi per periode:Tabel 4.33Rekapan Perhitungan Kecepatan Waktu ProduksiKecepatan Produksi

A0,036363636m1

B0,05m1

E0,044444444m2

Kecepatan waktu produksi dapat diketahui dengan perhitungan sebagai berikut:Kecepatanproduksi= = ... jam/unitKecepatan produksi komponen A = = = 0,036363

Pada tabel di atas dapat diketahui bahwa kecepatan produksi komponen A adalah 0,036 jam/unit dengan menggunakan mesin 1, kemudian produksi komponen B 0,05 jam/unit dengan mesin 1 dan komponen E 0,04 jam/unit dengan mesin 2.

4.7.3. Waktu Produksi Produk.Berikut hasil waktu produksi produk :Tabel 4.34 Waktu Produksi ProdukWaktu produksi produkm1m2Jumlah

ABE

meja tulis0,200,0444444440,244444444

meja komputer00,237500,2375

Lemari0,43636363600,0888888890,525252525

rak buku00,150,1777777780,327777778

Jumlah

Perhitungan waktu produksi per produk dengan rumus:waktu produksi produk = =....per bahan bakunya dan mesin.Waktu produksi komponen A Meja Tulis = Waktu produksi komponen A Meja Tulis = Waktu produksi komponen A Meja Tulis = Selanjutnya dapat dihitung total waktu permesinan untuk masing-masing produk. Tabel 4.37 Waktu Permesinan ProdukWAKTU PERMESINAN

PERIODE 1KEBUTUHAN

M1M2

MEJA TULIS68,422,8

MEJA KOMPUTER59,4

LEMARI61,5272727315,68888889

RAK BUKU8,7

TOTAL198,027272738,48888889

TOTAL M1 DAN M2236,5161616

WAKTU SETUP24

TOTAL WAKTU MESIN260,5161616

PERIODE 2KEBUTUHAN

M1M2

MEJA TULIS68,422,8

MEJA KOMPUTER59,4

LEMARI61,5272727315,68888889

RAK BUKU8,55

TOTAL197,877272738,48888889

TOTAL M1 DAN M2236,3661616

WAKTU SETUP24


PERIODE 3KEBUTUHAN

M1M2

MEJA TULIS68,422,8

MEJA KOMPUTER59,4

LEMARI61,5272727315,68888889

RAK BUKU8,4

TOTAL197,727272738,48888889

TOTAL M1 DAN M2236,2161616

WAKTU SETUP24


PERIODE 4KEBUTUHAN

M1M2

MEJA TULIS68,422,8

MEJA KOMPUTER59,4

LEMARI61,5272727315,68888889

RAK BUKU8,25

TOTAL197,577272738,48888889

TOTAL M1 DAN M2236,0661616

WAKTU SETUP24


PERIODE 5KEBUTUHAN

M1M2

MEJA TULIS68,422,8

MEJA KOMPUTER59,4

LEMARI61,5272727315,68888889

RAK BUKU8,25

TOTAL197,577272738,48888889

TOTAL M1 DAN M2236,0661616

WAKTU SETUP24


PERIODE 6KEBUTUHAN

M1M2

MEJA TULIS68,422,8

MEJA KOMPUTER59,4

LEMARI61,5272727315,68888889

RAK BUKU8,25

TOTAL197,577272738,48888889

TOTAL M1 DAN M2236,0661616

WAKTU SETUP24


Total waktu permesinan = Total waktu permesinan meja tulis+Total waktu permesinan meja komputer+Total waktu permesinan lemari+Total waktu rak buku + setupTotal waktu permesinan periode 1 = Total waktu permesinan meja tulis periode 1 + Total waktu permesinan meja komputer periode 1 + Total waktu permesinan lemari periode 1+ Total waktu rak buku periode 1 + setupTotal waktu permesinan periode 1 = 68,4 + 22,8 + 59,4 + 59,4 + 15,68888889 + 8,7 + 198,0272727 + 38,48888889 + 28 = 260,51616164.7.4. Kecepatan Waktu Produksi PerakitanBerikut adalah hasil perhitungan kecepatan waktu produksi perakitan:Tabel 4.35 Kecepatan Waktu Produksi PerakitanKecepatan produksi perakitan

ProdukRata-rata perakitan/40 jam per mingguWaktu setup (jam)/bulanRata-rata perakitan perbulan

Meja tulis2001800

Meja komputer1801720

Lemari 1601640

Rak buku1751700

ProdukKecepatan

meja tulis0,2

meja komp0,222222222

Lemari0,25

rak buku0,228571429

Kecepatan waktu produksi perakitan komponen produk dapat dihitung dengan menggunakan perhitungan sebagai berikut:Kecepatan produksi perakitan= Kecepatan produksi perakitan meja tulis= =0,2 jam/unit

4.7.5. Total Waktu ProduksiHasil perhitungan total waktu produksi dapat diketahui dalam tabel di bawah ini:Tabel 4.36 Total Waktu ProduksiTotal Waktu Produksi

ProdukWaktu PemesinanWaktu PerakitanTotal Waktu Produksi

Meja tulis0,2444444440,20,444444444

Meja komputer0,23750,2222222220,459722222

Lemari 0,5252525250,250,775252525

Rak buku0,3277777780,2285714290,556349206

TOTAL2,235768398

Total waktu produksi dapat diketahui dengan perhitungan berikut:pX= (waktu eprmesinanpX + waktu perakitanpX)Produk Meja Tulis = Waktu permesinan meja tulis+waktu perakitan meja tulis= 0,244444444 + 0,2= 0,444444444

4.7.6. Total waktu permesinanBerikut ini adalah perhitungan waktu permesinan berdasarkan jam mesin:Tabel 4.37 Total Waktu Jam MesinJam Mesin

Periodem1m2

1198,002272738,04444444

2198,002272738,04444444

3198,002272738,04444444

4198,002272738,04444444

5198,002272738,04444444

6198,002272738,04444444

jam mesin1188,013636228,2666667

set up2828

Total1216,013636256,2666667

Waktu permesinan dapat dihitung dengan cara sebagai berikut:Waktu Permesinan =( net demand p1 x waktu produksi komponen p1 ) + (net demand p2 x waktu produksi komponen p2)Waktu permesinan Mesin 1 = (342 x 0,2) + (250 x 0,2375) + (141 x 0,4363) + (58 x 0,15)= 198,0023 jam/ periode

4.7.7. Perencanaan Agregat dengan Chase StrategyBerikut ini adalah perencanaan agregat dengan menggunakan chase strategy :4.7.7.1. Perhitungan ProporsiDi bawah ini merupakan hasil dari perhitungan proporsi dari tiap produk:Tabel 4.38 Perhitungan Proporsi tiap produkPROPORSI

Forecast MTForecast MKForecast LemariForecast Rak BukuJumlah Meja TulisMeja KomLemariRak BukuJumlah

342250141587910,4320,3160,17820,07331

342250141577900,4320,3160,17840,07211

342250141567890,4330,3160,1780,0701

342250141557880,4340,3170,17890,0691

342250141557880,4340,31720,17890,06971

342250141557880,4340,3170,17890,06971

Perhitungan proporsi dapat dihitung dari hasil forecast dibagi dengan jumlah total dalam satu periode.Proporsi meja tulis = 342/791=0,316

4.7.7.2. Perhitungan Chase StrategyBerikut ini merupakan hasil perhitungan dari chase strategy1. Perhitungan toal kebutuhan jam per periodeTable4.39 Total Perhitungan Kebutuhan jam per periodeKebutuhanSet upTotal waktu

PeriodeMTMKLR

1152114,9305556109,310606132,2682539728436,5094156

2152114,9305556109,310606131,7119047628435,9530664

3152139,0873016109,310606131,1555555628459,5534632

4152114,9305556109,310606130,5992063528434,840368

5152114,9305556109,310606130,5992063528434,840368

6152114,9305556109,310606130,5992063528434,840368

Waktu kebutuhan per periode= Hasil Forecast X Total waktu Porduksi Per produkWaktu kebutuhan meja tulis = 342 x 0,4 = 152Total jam per periode = Total kebutuhan waktu waktu seluruh produk + waktu setpuTotal waktu per periode 1=152+114,9305556+109,310606+132,26825397+28=436,5094156Kemudian biaya total per perode dimasukkan dalam perhitungan chase strategy.

2. Perhitungan chase strategyTabel 4.40Perhitungan Chase StrategyTotal WaktuRegulerOvertimeSubkontrak

1436,509415616020256,5094156

2435,953066416020255,9530664

3459,553463216020279,5534632

4434,84036816020254,840368

5434,84036816020254,840368

6434,84036816020254,840368

Perhitungan Subkontrak periode 1 = Total demand periode 1 reguler periode 1 overtime periode 1 Perhitungan Subkontrak periode 1 = 436,5094156 160 -20 = 256,5094156Tabel 4.41 Perhitungan per produk Chase Strategy Meja TulisMeja KomputerLemariRak BukuTOTAL

1110,905461681,0712438645,7241815418,80852858256,5094156

2110,804998480,9978058245,6827624818,46749973255,9530664

3121,175265488,5784103949,9582234619,84156393279,5534632

4110,603306980,8503705545,5996089917,78708152254,840368

5110,603306980,8503705545,5996089917,78708152254,840368

6110,603306980,8503705545,5996089917,78708152254,840368

Selanjutnya dilakukan perhitungan sub kontrak perunitTabel 4.42 Sub Kontrak PerunitSub Kontrak Per Unit

Meja TulisMeja KomputerLemariRak Buku

150383611

250383611

354413912

450383610

550383610

650383610

30423121964

TOTAL818

Perhitungan subkontrak Meja Tulis periode 1 = Perhitungan Chase StrategyMeja Tulis periode 1 x waktu produksiPerhitungan subkontrak Meja Tulis periode 1 = 110,9054616 x 0,45 =49.9 ~ 50Setelah itu dilakukan perhitungan biaya dengan chase strategy:

Tabel 4.43 Perhitungan Biaya dengan Chase StrategyTotal biaya

Biaya pekerja reguler276480000

Biaya pekerja lembur4992000

Biaya permesinan5152981,061

Overhead750000

Inventori0

biaya subkontrak2045000

TOTAL287374981,1

Perhitungan total biaya = biayapekerjaregular + biayapekerjalembur + biayapermesinan + overhead + inventori + biayasubkontrakPerhitungan total biaya = 276480000+ 4992000 + 5152981,061 +750000 + 0 + 2045000 =287374981,1Dari tabel di atas diketahui bahwa biaya pekerja reguler adalah Rp 27648000,00, sedangkan biaya pekerja lembur sebesar Rop 499.200,00 kemudian biaya permesinan sebesar Rp 5152981,061 dan selanjutnya biaya inventori 0, dikarenakan tidak ada inventori. Kemudian biaya sub kontrak dapat dihitung dari total sub kontrak per unit per produk dikalikan Rp 2500,00 maka sebesar Rp 2045000,00. Maka perhitungan biaya total sebesar Rp 287374981,10.

4.7.8. Perencanaan Agregat dengan Level StrategyBerikut ini adalah perencanaan agregat dengan menggunakan level strategy :Tabel 4.41 Level Strategylevel high (max prod)

Totalmax prodregulerovertimesubkontrakinventory (jam)MTMKLRBbiaya inventory

436,5094156459,553463216020279,553463223,0440476223,04404762544114000

435,9530664459,553463216020279,553463223,6003968346,64444444544114000

459,5534632459,553463216020279,5534632046,6444444400000

434,840368459,553463216020279,553463224,7130952471,35753968544114000

434,840368459,553463216020279,553463224,7130952496,07063492544114000

434,840368459,553463216020279,553463224,71309524120,7837302544114000

level mid (rata-rata prod)

Totalrata-rata prodregulerovertimesubkontrakinventory (jam)inventory unitbiaya inventory

436,5094156439,422841516020259,42284152,9134259262,91342592611114000

435,9530664439,422841516020259,42284153,4697751326,38320105811114000

459,5534632439,422841516020259,4228415-20,13062169-13,74742063-4-3-3-10

434,840368439,422841516020259,42284154,582473545-9,1649470911114000

434,840368439,422841516020259,42284154,582473545-4,58247354511114000

434,840368439,422841516020259,42284154,582473545-1,13687E-1311114000

level low (min prod)

Totalmin prodregulerovertimesubkontrakinventory (jam)inventory unitbiaya inventory

436,5094156434,84036816020254,840368-1,669047619-1,669047619-1-1-1-10

435,9530664434,84036816020254,840368-1,112698413-2,781746032-1-1-1-10

459,5534632434,84036816020254,840368-24,71309524-27,49484127-5-4-4-10

434,840368434,84036816020254,8403680-27,4948412700000

434,840368434,84036816020254,8403680-27,4948412700000

434,840368434,84036816020254,8403680-27,4948412700000

Perhitungan subkontrak level low periode 1 = min produksi periode 1 reguler periode 1 overtime periode 1Perhitungan subkontrak level low periode 1 =434,840368 -160 20 = 254,840368Tabel 4.42 Total Biaya Level High StrategyTotal biaya

biaya pekerja reguler276480000

biaya pekerja lembur4992000

biaya permesinan5152981,061

Overhead750000

Inventori14000


TOTAL288687239,1

Tabel 4.43 Total Biaya Level Average StrategyTotal biaya




overhead750000

inventori4000


TOTAL288607099,1

Total 4.44 Total Biaya Level Low StrategyTotal biaya




overhead750000

inventori0


TOTAL287374981,1

Perhitungan total biaya = biayapekerjaregular + biayapekerjalembur + biayapermesinan + overhead + inventori + biayasubkontrakPerhitungan total biaya (low) =276480000 + 4992000 + 5152981,061 + 750000 + 0 + 1206430 = 287374981,1

Berikut adalah tabel perbandingan total biaya dari ketiga metode yang digunakan dalam aggregate planning:Tabel 4.45 Perbandingan total biaya aggregat keempat metodemetode chasemetode level maximummetode level averagemetode level minimum

total biaya287374981,1288687239,1288607099,1287374981,1

Berdasarkan tabel 4.45, maka diputuskan untuk menggunakan metode chase karena sistem produksi make to order tidak diizinkan adaya inventory. Maka dari itu metode yang paling optimal adalah dengan metode chase strategy dengan total biaya Rp.287.374.981

2013TUGAS BESARPerencanaan & Pengendalian Produksi

Universitas Brawijaya

624.8. Master Production SchedulingMPS digunakan sebagai dasar dalam penentuan jumlah pesanan dan waktu pemesanan. Selain itu, adanya struktur produk yang berguna untuk mengidentifikasi kebutuhan material untuk membuat satu unit produk. Di samping itu catatan inventory juga harus sudah tersedia termasuk untuk menentukan teknik lot sizing yang akan digunakan. Berikut ini merupakan hasil dari metode disagregasi pada keempat produk yang dihasilkan oleh PT Gold Wood

a. Produk Meja TulisBerikut ini adalah MPS untuk produk Meja Tulis dengan menggunakan metode heuristik :Lead time : 2 minggu , Order quantity : 0, Safety stock : 0 , DTF : 2 minggu, PTF : 2 mingguTabel 4.46 MPS produk Meja TulisPeriode123456789101112131415161718192021222324

Aktual demand868686868686868686868686868686868686868686868686

Subkontrak131313131313141414141313131313131313131313131313

MPS7373

PAB/POH

Planned Order73737373727272727373737373737373737373737373

Berdasarkan data MPS produk Meja Tulis diatas, dimana lead time sebesar 3, DTF bernilai 2 dan PTF sebesar 2 periode. Aktual demand = aktual demand bulan/minggu= 324/ 4 = 80Subkontrak = 13MPS = aktual demand Sub Kontrak=73

b. Produk Meja KomputerBerikut ini adalah MPS untuk produk Meja Komputer dengan menggunakan metode heuristik :Lead time : 2 minggu , Order quantity : 0, Safety stock : 0 , DTF : 2 minggu, PTF : 2 mingguTabel 4.47 MPS produk Meja KomputerPeriode123456789101112131415161718192021222324

Aktual demand636363636363636363636363636363636363636363636363

Subkontrak101010101010111111111010101010101010101010101010

MPS5353

PAB/POH

Planned Order53535353525252525353535353535353535353535353

Berdasarkan data MPS produk Komputer diatas, dimana lead time sebesar 0, DTF bernilai 2 dan PTF sebesar 2 periode. Aktual demand = aktual demand bulan/minggu= 250/ 4 = 62,5 = 63Subkontrak = 10MPS = aktual demand Sub Kontrak= 53

c. Produk LemariBerikut ini adalah MPS untuk produk Lemari dengan menggunakan metode heuristik :Lead time : 1 minggu , Order quantity : 0, Safety stock : 0 , DTF : 1 minggu, PTF : 1 mingguTabel 4.48MPS produk LemariPeriode123456789101112131415161718192021222324

Aktual demand434343434343434343434343434343434343434343434343

Subkontrak9999991010101099999999999999

MPS3434

PAB/POH

Planned Order34343434333333333434343434343434343434343434

Berdasarkan data MPS produk Lemari diatas, dimana lead time sebesar 0, DTF bernilai 2 dan PTF sebesar 2 periode. Aktual demand = aktual demand bulan/minggu= 141/ 4 = 43Subkontrak = 9MPS = aktual demand Sub Kontrak= 34

d. Produk Rak BukuBerikut ini adalah MPS untuk produk Rak Buku dengan menggunakan metode heuristik :Lead time : 1 minggu , Order quantity : 0, Safety stock : 0 , DTF : 1 minggu, PTF : 1 mingguTabel 4.49 MPS produk Rak bukuPeriode123456789101112131415161718192021222324

Aktual demand151515151515151514141414141414141414141414141414

Subkontrak333333333333333333333333

MPS1212

PAB/POH

Planned Order12121212121211111111111111111111111111111111

Berdasarkan data MPS Rak Buku diatas, dimana lead time sebesar 0, DTF bernilai 2 dan PTF sebesar 2 periode. Aktual demand = aktual demand bulan/minggu= 58/ 4 = 15Subkontrak = 3MPS = aktual demand Sub Kontrak= 12

4.9. Material Requirement Planning 4.9.1. Material Requirement Planning ProdukBerikut adalah material requirement planning dari keempat produk yang dihasilkan oleh PT Gold Wooda. Produk meja tulisProduk meja tulis ini menggunakan metode lot for lot dengan diketahui lead time 2 mingguproject on hand 0dalam tabel di bawah ini:Tabel 4.50 MRP Meja TulisLOT for LOT123456789101112131415161718192021222324

Gross requirements737373737373727272727373737373737373737373737373

Scheduled receipts

Project on hand

Net requirements737373737373727272727373737373737373737373737373

Planned order receipts737373737373727272727373737373737373737373737373

Planned order releases737373737373737372727272737373737373737373737373

Biaya simpan = = 350400Biaya setup = 5152981,061x 73 x 24= 9028022819Biaya total = biaya simpan + biaya setup = 350400 + 9028022819 = 9028373219

b. Produk meja komputerProduk meja komputer ini menggunakan metode lot for lot dengan diketahui lead time 1 mingguproject on hand 0 dalam tabel di bawah ini:Tabel 4.51 MRP Meja KomputerLot For Lot123456789101112131415161718192021222324


Scheduled receipts

Project on hand0




Biaya simpan = = 254400Biaya setup = 5152981,061x 53 x 24= 6554591910Biaya total = biaya simpan + biaya setup = 25440 + 6554591910 = 6554846310

c. Produk lemariProduk lemari ini menggunakan metode lot for lot dengan diketahui lead time 1 mingguproject on hand 0 dalam tabel di bawah ini:Tabel 4.52 MRP LemariLot for Lot123456789101112131415161718192021222324


Scheduled receipts

Project on hand0-12-12-12-12-12-12-12-12-11-11-11-11-11-11-11-11-11-11-11-11-11-11-11-11




Biaya simpan = = 163200Biaya setup = 5152981,061x 34 x 24= 4204832546Biaya total = biaya simpan + biaya setup = 163200 + 4204832546 = 4204995746d. Produk rak bukuProduk rak buku ini menggunakan metode lot for lot dengan diketahui lead time 1 mingguproject on hand 2500 dalam tabel di bawah ini:Tabel 4.53 MRP Rak BukuLot for Lot123456789101112131415161718192021222324


Scheduled receipts

Project on hand0




Biaya simpan = = 52800Biaya setup = 5152981,061x 11 x 24 = 1360387000Biaya total = biaya simpan + biaya setup = 52800 + 1360387000 = 1360439800

4.9.2. Material Requirement Planning KomponenBerikut ini merupakan material requirement planning untuk masing-masing komponen penyusun produka. Komponen A Untuk perencanaan kebutuhan material produk A menggunakan metode Lead Unit Cost dengan lead time 2 minggu, project on hand 2500 m, dan scheduled receipt 7000 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel 4.54 MRP komponen A123456789101112131415161718192021222324


Scheduled receipts7000

Project on hand2500221817457566946613653264534374229502158134853881000000000000




Berikut adalah perhitungan pengujian periodenya :Tabel 4.55 Perhitungan Pengujian Periode Komponen APeriodeDemandBiaya PesanBiaya SimpanTotal CostOngkos

132721500000150000551,4705882

13,141082150000162000312000288,3548983

13,14,151892150000486000636000336,1522199

13,14,15,1627021500009720001122000415,2479645

178101500000150000185,1851852

17,181620150000324000474000292,5925926

17,18,192430150000648000798000328,3950617

17,18,19,20324015000011340001284000396,2962963

218101500000312000385,1851852

21,2216201500003240006360001182,156134

21,22,2324301500006480001122000832,3442136

21,22,23,24324015000011340001770000820,2038925

Biaya Pesan= Total Order Release X Harga pesan = 5132 X 150000= 769800000Biaya Simpan = Total Project on Hand X Biaya Pesan = 39207 X 200 =777641400Biaya Total =769800000+7841400=Rp 777641400,-b. Komponen BUntuk perencanaan kebutuhan material komponen B menggunakan metode Minimum Cost dengan lead time 1 minggu, project on hand 3000 m, dan scheduled receipt 5000 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel 4.56 MRP Komponen B

Berikut adalah perhitungan pengujian periodenya :Tabel 4.57 Perhitungan Pengujian Periode Komponen BPeriodeDemandBiaya PesanBiaya SimpangTotal BiayaOngkos/Periode

13971750000175000175000

13,1448717500078000253000126500

13,14,1512071750007912025412084706,66667

13,14,15,1619271750008044025544063860

13,14,15,16,1724661750008177925677951355,8

183901750000175000175000

18,191110175000144000319000159500

18,19,201830175000145120320120106706,6667

18,19,20,21236917500014625932125980314,75

18,19,20,21,22275917500014744932244964489,8

18,19,20,21,22,23347917500014916932416954028,16667

18,19,20,21,22,23,24419917500015108932608946584,14286

c. Komponen CUntuk perencanaan kebutuhan material produk A menggunakan metode Lead Unit Cost dengan lead time 1 minggu, project on hand 15000 m, dan scheduled receipt 25000 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel 4.58 MRP Komponen C123456789101112131415161718192021222324



Project on hand1500014150122609995773066054340207500000000000000000




Berikut adalah perhitungan pengujian periodenya :Tabel 4.59 Perhitungan Pengujian Periode Komponen CPeriodedemandBiaya PesanBiaya SimpanBiaya Totalongkos/unit

819050000500026,31578947

8,913155000225000230000174,904943

8,9,103280500022736523236570,8429878

8,9,10,115520500023020523520542,60960145

Karena yang dipilih adalah yang pertama, maka untuk periode selanjutnya juga pada perhitungan pertama yang digunakan karena hasilnya akan selalu yang palingkecil pada periode pertama sehingga hasil project on hand akan selalu 0 karena jumlah kebutuhan akan sama dengan jumlah pesanan.d. Komponen DUntuk perencanaan kebutuhan material komponen D menggunakan metode Fix Order Quantity dengan lead time 1 minggu, project on hand 7000 m, dan scheduled receipt 25000 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel4.60 MRP Komponen D123456789101112131415161718192021222324



Project on hand70005745316532102455523300196451599012335110807425377011525602605265026951440148515301575320365410455




Biaya simpan = Biaya pesan = Biaya total = biaya simpan + biaya pesan =

e. Komponen E Untuk perencanaan kebutuhan material komponen E menggunakan metode FPR dengan lead time 2 minggu, project on hand 500 m, dan scheduled receipt 2100 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel 4.61 MRP Komponen E123456789101112131415161718192021222324



Project on hand5004282661192090203619071778164915951466133712081154102589676771358445532627214314

Net requirements115




f. Komponen FUntuk perencanaan kebutuhan material komponen F menggunakan metode Fix Order Quantity dengan lead time 1 minggu. Maka dapat dihitung dalam tabel di bawah ini:

Tabel 4.62 MRP Komponen F123456789101112131415161718192021222324


Scheduled receipts

Project on hand1647876741941921901887812412612822687072196141618142188190192





Pengendalian PersediaanBerikut adalah perhitungan EOQ per komponen produk.Komponen A (QA) == Komponen B (QB) = Komponen C (QC) = Komponen D (QB) = Komponen E (QE) =

4.7 Analisis BiayaBerikut adalah analisis biaya PT Gold Wood.Biaya holding= biaya holding komponen A + biaya holding komponen B + biaya holding komponen C + biaya holding komponen D + biaya holding komponen E+ biaya holding komponen F= 11424600+11009400+29290600+32200000+2820800+223200 = Rp. 80908600Biaya komponen= biaya komponen A + biaya komponen B + biaya komponen C + biaya komponen D + biaya komponen E= + + + + = Rp. 4838.911Biaya order = (biaya order A x 12) + (biaya order B x 4) + (biaya order C x 15) + (biaya order D x 13) + (biaya order E x 11)= 1800000 + 700000 + 75000 + 65000 + 33000= Rp. 2673000,00Biaya MRP= biaya holding + biaya komponen + biaya order= 80908600 + + 2673000= Rp. 83584244.1

Biaya reguler tenaga kerja = Rp. 334329760000Biaya lembur tenaga kerja = Rp. 26883075000Biaya subkontrak= Rp. 762652500,00Biaya permesinan= Rp. 5473595,00

Universitas Brawijaya

72Meja Tulis

A (5,5 m2)

D (30)

E (1,5 kg)

F (1)

Meja Komputer

B (4,75 m2)

C (30)

Lemari

A (12 m2)

D (25)

E (2,5 kg)

F (2)

Rak Buku

B (3 m2)

C (25)

F (4)

PERAMALAN

PERENCANAAN AGREGAT

JADWAL PRODUKSI INDUK

PERENCANAAN MATERIAL

JADWAL PRODUKSI

ORDER PEMBELIAN

PENJADWALAN ULANG

PENGENDALIAN AKTIVITAS PRODUKSI DI LANTAI PABRIK

STRATEGIC PLANNING

TACTICAL PLANNING

EXECUTION PLANNING

OUT-SOURCING

ROUGH CUT CAPACITY PLANNING (RCCP)

CAPACITY REQUIREMENT PLANNING (CRP)

CAPACITY PLANNING

laporan ppic a6 lengkap

Documents