modul responsi semester ganjil tahun ajaran …modul responsi semester ganjil tahun ajaran 2019/2020...

STUDIO MANAJEMEN INDUSTRI

MODUL RESPONSI SEMESTER GANJIL

TAHUN AJARAN 2019/2020

FORECAST - AGREGAT

STUDIO MANAJEMEN INDUSTRI

SEPTEMBER 2019

NAMA :

NIM :

MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020

SEPTEMBER 2019

2

FORECAST

Forecast adalah prediksi, proyeksi, atau perkiraan yang akan terjadi di masa depan.

Karena masa depan itu tidak bisa dipastikan, dibutuhkan beberapa sistem peramalan baik

implisit maupun eksplisit. Tujuannya adalah untuk menggunakan informasi yang ada

sekarang ini sebagai arahan aktifitas di masa depan untuk mencapai tujuan organisasi.

(Tersine et al. 1994, p35).

Enam (6) faktor utama yang dapat diidentifikasikan sebagai teknik dan metode

peramalan, yaitu:

1. Horison waktu (time horizon). Ada dua aspek dari horizon waktu yang berhubungan

dengan masing-masing metode peramalan. Pertama adalah cakupan waktu dimasa

yang akan dating. Aspek kedua adalah jumlah periode untuk mana ramalan diinginkan.

2. Pola dari data. Dasar utama dari metode peramalan adalah anggapan bahwa macam

dari pola yang didapati di dalam data yang diramalkan akan berkelanjutan. Sebagai

contoh, beberapa deret yang melukiskan suatu pola musiman, demikian pula halnya

dengan suatu pola trend.

3. Jenis dari model. Sebagai tambahan perlu diperhatikan anggapan beberapa pola dasar

yang penting dalam data. Banyak metode peramalan telah menganggap adanya

beberapa model dari keadaan yang diramalkan. Model-model ini merupakan suatu

deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan

perubahan-perubahan dalam pola, yang mungkin secara sistematik dapat dijelaskan

dengan analisa regresi atau korelasi.

4. Biaya. Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu

produser ramalan, yaitu biaya-biaya pengembangan, penyimpanan (storage)

data,operasi pelaksanaan dan kesempatan dalam penggunaan teknik-teknik dan

metode lainnya.

5. Ketepatan (accuracy). Tingkat ketepatan yang dibutuhkan sangat erat hubungannya

dengan tingkat perincian yang dibutuhkan dalam suatu peramalan.

6. Mudah tidaknya penggunaan atau aplikasinya. Satu prinsip umum dalam penggunaan


SEPTEMBER 2019

3

metode ilmiah dari peramalan untuk manajemen dan analisis adalah metode-metode

yang dapat dimengerti dan mudah diaplikasikan.

Tahapan Dalam Melakukan Peramalan

Ada 8 tahap dalam melakukan peramalan : (Render et al. 2006, p150)

1. Menentukan penggunaan dari peramalan tersebut – tujuan apakah yang ingin dicapai?

2. Memilih items atau kuantitas yang akan diramalkan.

3. Menentukan horison waktu dari peramalan – apakah 1 sampai 30 hari (jangka

pendek), 1 bulan sampai 1 tahun (jangka menengah), atau lebih dari 1 tahun (jangka

panjang) ?

4. Memilih metode peramalan.

5. Mengumpulkan data yang diperlukan untuk membuat ramalan.

6. Menentukan metode peramalan yang tepat.

7. Membuat peramalan.

8. Mengimplementasikan hasil dari peramalan.

Ketika sistem peramalan tersebut digunakan untuk meramalkan secara berkala, data

juga harus dikumpulkan secara rutin, dan perhitungan yang dibutuhkan atau prosedur yang

biasanya dilakukan untuk membuat peramalan dapat secara otomatis dijalankan.

Time Series Analysis

Pola-Pola Umum Deret Waktu

Menurut Render (2006, p156) analisis time series berarti membedah data historis dalam

komponen-komponen kemudian memproyeksikan data tersebut ke depan. Time series biasanya

mempunyai empat komponen: trend, seasonality, cycles dan random variation.

1. Random variaton

Pola ini terjadi jika data berfluktuasi di sekitar nilai rata-rata secara acak tanpa

membentuk pola yang jelas seperti pola musiman, trend ataupun siklus.

2. Trend


SEPTEMBER 2019

4

Pola data trend menunjukkan pergerakan data secara lambat/bertahap yang

cenderung meningkat atau menurun dalam jangka waktu yang panjang. Pola data

trend terdiri dari beberapa tipe, seperti: Linear trend, S-Curve Trend atau Growth

curve, Asymptotic trend dan Exponential trend.

3. Seasonality

Pola data musiman terbentuk jika sekumpulan data dipengaruhi faktor musiman,

seperti cuaca dan liburan. Dengan kata lain pola yang sama akan terbentuk pada

jangka waktu tertentu (harian, mingguan, bulanan, atau kuartalan/perempat

tahunan).Pada dasarnya pola musiman yang umum terjadi dibedakan menjadi dua

model yaitu, additive seasonality dan multiplicative seasonality.

4. Cycles

Pola data siklis terjadi jika variasi data bergelombang pada durasi lebih dari satu

tahun. Data cenderung berulang setiap dua tahun, tiga tahun, atau lebih. Fluktuasi

siklis biasanya dipengaruhi oleh faktor politik, perubahan ekonomi (ekspansi atau

kontraksi) yang dikenal dengan siklus usaha (business cycle).

Metode Peramalan

Tabel 1.1 menunjukkan beberapa teknik peramalan yang dapat digunakan berdasarkan

pola datanya.

Tabel 1.1 Berbagai Metode Peramalan

Pola Data Metode

Stationary

Naive Methods Simple Averaging Methods Moving Averages Autoregressive Moving Average (ARIMA) models / Box-Jenkins Methods

Trend

Holt's Linear Exponential Smoothing Simple Regression Growth Curves Exponential models Autoregressive Moving Average (ARIMA) models / Box-Jenkins Methods

Seasonal

Classical Decomposition Censux X-12 Winter's Exponential Smoothing Multiple Regression Autoregressive Moving Average (ARIMA) models / Box-Jenkins Methods


SEPTEMBER 2019

5

Pola Data Metode

Cyclical

Classical Decomposition Economic Indicators Econometric models Multiple Regression Autoregressive Moving Average (ARIMA) models / Box-Jenkins Methods

Sumber: Hanke (2005, p75-76)

1. Rata-Rata Bergerak (Moving Averages)

Metode ini merupakan metode peramalan yang menggunakan jumlah rata-rata periode

(n) dari data periode terakhir untuk dilakukan peramalan di periode berikutnya. Metode ini

berguna apabila kita dapat mengansumsikan bahwa permintaan pasar tetap stabil dalam

jangka waktu tertentu.

𝑀𝐴 = (𝑛1 + 𝑛2 + 𝑛3)/𝑛

Dimana:

MA = Moving Average

n1 = data periode pertama

n2 = data periode kedua

n3 = data periode ketiga dan seterusnya

n = Jumlah Periode Rata-rata bergerak

2. Exponential Smoothing

Exponential smoothing memberikan bobot secara eksponential kepada data yang

diobservasi. Data yang paling baru mendapatkan bobot paling besar α (alpha) (dimana 0

< α < 1), data sebelumnya mendapatkan bobot lebih sedikit α(1- α), dua data sebelumnya

mendapatkan bobot lebih sedikit lagi α(1- α)2 dan seterusnya.

Ŷ𝑡−1=α𝑌𝑡+(1-α) Ŷ𝑡

Ŷ𝑡+1=𝑌𝑡+ α (𝑌𝑡-Ŷ𝑡)

Dimana :

Ŷ𝑡+1 = ramalan baru

α = konstanta pemulusan


SEPTEMBER 2019

6

Yt = data aktual

Ŷ𝑡 = data hasil pemulusan pada periode t

3. Holt’s Exponential Smoothing

Metode ini menggunakan koefisien pemulusan kedua. Sama seperti α (alpha), β (beta)

juga memiliki nilai antara nol dan satu, untuk secara berbeda memuluskan trend. Beta

digunakan untuk merata-ratakan trend yang terdapat di persamaan. Hal ini mengeliminasi

kesalahan yang muncuk karena faktor trend tidak dimuluskan. Model Holt’s dapat dilihat di

persamaan berikut:

Lt = αYt + (1- α)(Lt-1 + Tt-1)

Tt = β(Lt-Lt-1) + (1- β) Tt-1

Ŷ𝑡+𝑝= Lt + pTt

Dimana :

Lt = nilai penghalusan yang baru

α = konstanta pemulusan tingkat

Yt = data aktual pada periode t

β = konstanta pemulusan trend

Tt = estimasi trend

p = periode yang akan diramalkan

Ŷ𝑡+𝑝 = peramalan untuk periode p

4. Winters’ Exponential Smoothing

Sama seperti metode Holt’s, metode Winters menambahkan konstanta γ (gamma) untuk

menghitung pola data musiman. Metode winters dapat dilihat pada persamaan 3.6.

Lt = αYt

St−1 + (1- α)(Lt-1 + Tt-1)

Tt = β(Lt – Lt-1) + (1- β) Tt-1

St = γ Yt

Lt + (1- γ)St-s

Yt-p= (Lt + pTt)St-s+p


SEPTEMBER 2019

7

Dimana :

Lt = nilai penghalusan yang baru

α = konstanta pemulusan tingkat

Yt = data aktual pada periode t

β = konstanta pemulusan trend

Tt = estimasi trend

γ = konstanta pemulusan musiman

St = estimasi musiman

p = periode yang akan diramalkan

Yt-p = peramalan untuk periode p

Uji Ketepatan Ramalan

Tidak ada metode peramalan yang sempurna di setiap kodisi. Bahkan ketika

manajemen menemukan pendekatan yang memuaskan, permalan tersebut masih tetap

harus terus dimonitori dan dikendalikan untuk memastikan kesalahan peramalan tidak

terlalu tinggi. (Render 2006, p178).

Ukuran akurasi peramalan menurut selain berdasarkan pola data, pemilihan teknik

peramalan dapat juga didasarkan pada ukuran lainnya, yaitu error (E atau e) yang

didapatkan dari selisih nilai dari data aktual dengan nilai ramalannya untuk tiap periode.

Beberapa teknik mengukur kesalahan peramalan ditunjukkan pada tabel 1.2.

Tabel 1.2 Teknik Pengujian Kesalahan Peramalan

Teknik Rumus

Mean absolute deviation (MAD)

Mean squared error (MSE)

Standard deviation of regression (Sr)

Mean absolute percent error (MAPE)


SEPTEMBER 2019

8

Teknik Rumus

Mean error (ME)

Mean percent error (MPE)

Tracking Signal (TS)

Sumber: Tersine (1994, p42)

MAPE merupakan ukuran ketepatan relatif yang digunakan untuk mengetahui

persentase penyimpangan hasil peramalan. MAPE ini yang akan menentukan apakah

metode peramalan yang dipilih ini sudah tepat atau belum. Semakin kecil nilai MAPE, maka

peramalan tersebut semakin akurat. Tracking signal menghitung kesalahan dari peramalan

dan menentukan batasnya kesalahannya.


SEPTEMBER 2019

9

AGREGAT

Menurut Sukendar, Kristomi (2008,C-107) Perencanaan agregat berarti

menggabungkan sumber daya-sumber daya yang sesuai ke dalam istilah-istilah yang lebih

umum dan menyeluruh. Dengan adanya ramalan permintaan, serta kapasitas fasilitas,

persediaan jumlah tenaga kerja dan input produksi yang saling berkaitan, maka perencana

harus memilih tingkat output untuk fasilitas selama tiga sampai delapan belas bulan ke

depan. Perencanaan ini diantaranya bisa diterapkan untuk perusahaan manufaktur, rumah

sakit, akademi serta, pernerbit buku. Perencanaan agregat merupakan bagian dari system

perencanaan produksi yang lebih besar, sehingga pemahaman mengenai keterkaitan antara

rencana dan beberapa factor internal dan eksternal merupakan sesuatu yang berguna. Di

lingkungan perusahaan manufaktur, jadwal produksi utama yang dihasilkan memberikan

input untuk sistem MRP yang mengutamakan mengenai perolehan atau produksi komponen-

komponen yang diperlukan. Jadwal kerja yang mendetil untuk tenaga kerja dan penjadwalan

berprioritas untuk produk dihasilkan sebagai tahapan terakhir system perencanaan

produksi.

Fungsi Perencanaan Agregat

Beberapa fungsi perencanaan agregat menurut Sukendar, Kristomi (2008,C-108), yaitu:

1. Menemukan metode yang tepat untuk digunakan sebagai strategi perusahaan dalam

menghadapi jumlah permintaan, sehingga ditemukan jumlah biaya terkecil.

2. Menjamin rencana penjualan dan rencana produksi konsisten terhadap rencana strategi

perusahaan.

3. Alat ukur performansi proses perencanaan produksi.

4. Menjamin kemampuan produksi konsisten terhadap rencana produksi dan membuat

penyesuaian.

5. Memonitor hasil produk actual terhadap rencana produksi dan membuat penyesuaian.

6. Mengatur persediaan produk jadi untuk mencapai target dan membuat penyesuaian.

7. Mengarahkan penyusunan dan pelaksanaan jadwal induk produksi.


SEPTEMBER 2019

10

Tujuan Perencanaan Agregat

Menurut Sukendar, Kristomi (2008, C-108) Perencanaan Agregat bertujuan untuk:

1. Mengembangkan perencanaan produksi yang feasible pada tingkat menyeluruh yang

akan mencapai keseimbangan antara permintaan dan suplai dengan memperhatikan

biaya minimal dari rencana produksi yang dibuat, walaupun biaya bukan satu-satunya

bahan pertimbangan.

2. Sebagai masukan perencanaan sumber daya sehingga perencanaan sumber daya

dikembangkan untuk mendukung perencanaan produksi.

3. Meredam (stabilisasi) produksi dan tenaga kerja terhadap fluktuasi permintaan.

Menurut Harjanto (2008:193) Tujuan dari perencanaan agregat adalah untuk

mengembangkan suatu rencana produksi secara menyeluruh yang fisibel dan optimal.

Terdapat 3 aspek penting perencanaan agregat yaitu:

1. Kapasitas : berapa banyak yang dapat dihasilkan oleh suatu sistem produksi.

Pengukuran kapasitas dapat diukur dengan banyak cara, namun kapasitas produksi dan

permintaan harus dalam satuan yang sama.

2. Satuan agregat : sistem produksi seringkali melibatkan banyak jenis produk yang

diproduksi dengan berbagai cara, sehingga perlu di agregat dalam satuan pengukuran

yang sama. Pengukuran kapasitas harus memiliki satuan yang sama dengan produk

agregat.

3. Biaya : banyak komponen biaya yang mempengaruhi perencaan produksi, yang utama

adalah:

a. Biaya produksi yang meliputi biaya material, tenaga kerja langsung, serta biaya

lainnya yang terkait dengan produksi per unit seperti biaya subkontrak dan biaya

lembur.

b. Biaya inventori yang meliputi biaya simpan yang terdiri dari lost opportunity atau

capital cost, asuransi, pajak, kerusakan, penyusutan, kebutuhan peralatan.

c. Biaya perubahan kapasitas yang meliputi penambahan dan pelatihan tenaga kerja

serta biaya pengurangan tenaga kerja.


SEPTEMBER 2019

11

Biaya Perencanaan Agregat

Menurut Sukendar, Kristomi (2008,C-109) Sebagian besar metode perencanana agregat

menentukan suatu rencana yang minimasi biaya. Jika permintaan diketahui, maka biaya-biaya

berikut harus dipertimbangkan:

1. Hiring cost (ongkos penambahan tenaga kerja)

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

training. Ongkos training merupakan ongkos yang besar apabila tenaga kerja yang direkrut

adalah tenaga kerja baru yang belum berpengalaman.

2. Firing cost (ongkos pemberhentian tenaga keja)

Pemberhentian tenaga kerja biasanya terjadi karena semakin rendahnya permintaan akan

produk yang dihasilkan, sehingga tingkat produksi akan menurun secara drastis ataupun

karena persoalan teknis seperti produktivitas yang menurun, serta faktor yang ada pada diri

tenga kerja itu sendiri.pemberhentian ini mengakibatkan perusahaan harus mengeluarkan

uang pesangon bagi karyawan yang di PHK, menurunkan moral kerja dan produktifitas

karyawan yang masih bekerja, dan tekanan yang bersifat sosial.

3. 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

150% dari ongkos kerja regular. Di samping ongkos tersebut, adanya lembur biasanya akan

memperbesar tingkat absent karyawan dikarenakan faktor kelelahan fisik pekerja. Kebalikan

dari kondisi diatas adalah bila perusahaan mempunyai kelebihan tenaga kerjadimandingkan

dengan jumlah tenaga kerja yang dibutuhkan untuk kegiatan produksi. Tenaga kerja berlebih

ini kadang – kadang bisa dialokasikan untuk kegiatan lain yang produktif meskipun tidak

selamanya efektif. Bila tidak dapat dialokasikan yang efektif. Maka perusahaan dianggap

menanggung ongkos menganggur yang besarnya merupakan perkalian antara jumlah yang

tidak terpakai dengan tingkat uaph dan tunjangan lainnya.

4. Inventory cost dan back order cost (ongkos persediaan dan ongkos kehabisan persediaan)

Persediaan mempunyai fungsi mengantisipasi timbulnya kenaikan permintaan pada saat –

saat tertentu. Konsekuensi dari kebijakakan perusahaan adalah timbulnya ongkos


SEPTEMBER 2019

12

penyimpanan (Inventory cost dan back order cost) yang berupa ongkos tertahannya modal,

pajak, asuransi, kerusakan bahan, dan ongkos sewa gudang. Kebalikan dari kondisi diatas,

kebijakkan tidak mengadaaan persediaan. Seolah –olah menguntungkan tetapi sebenarnya

dapat menimbulkan kerugian dalam bentuk ongkos kehabisan persediaan. Ongkos kehabisan

persediaan ini dihitung berdasarkan berapa permintaan yang datang tetapi tidak dilayani

karena barang yang diminta tidak tersedia. Kondisi ini pada sistem MTO. Akan

mengakibatkan jadwal penyerahan order terlambat, sedangkan pada sistem MTS akan

mengakibatkan beralihnya pelanggan ke produk lain. Kekecewaan pelanggan karen tidak

tersedianya barang yang dibutuhkan sehingga akan diperhitungkan sebagai kerugian bagi

perusahaan, dimana kerugian tersebut angakas dikelompokan sebagai ongkos sebagai ongkos

kehabisan persediaan. Ini sama nilainya dengan pemesanan kembali bila konsumen masih

bersedia menungu.

5. Sub-contract (ongkos SubKontrak)

Pada saat permintaan melebihi kemampuan kapasitas reguler, biasanya perusahaan

menSubKontrak kelebihan permintaan yang tidak bisa ditanganinya sendiri kepada

perusahaan lain. Konsekuensinya dari kebijakan ini adalah timbulnya ongkos SubKontrak,

dimana biasanya ongkos SubKontrak ini menjadi lebih mahal dibandingkan memproduksi

sendiri dan adanya resiko terjadinya keterlambatan penyerahan dari kontraktor.

Strategi Perencanaan Agregat

Dalam pembuatan rencana agregat dapat dilakukan dengan menggunakan 3 strategi

yaitu:

a. Chase Strategy (Zero Inventory)

Chase strategy atau yang disebut sebagai lot for lot strategi pada intinya bertujuan untuk

menghasilkan perencanaan dimana jumlah inventory sama dengan nol. Jumlah unit

produk yang diproduksi sepenuhnya sama dengan jumlah permintaan di tiap periode

perencanaan. Jumlah pekerja akan disesuaikan dengan permintaan pada tiap bulan. Pada

chase strategy biaya terkait dengan persediaan dan backorder akan kecil, namun biaya

berhubungan tenaga kerja baik perekrutan maupun pemberhentian akan besar. Hal ini


SEPTEMBER 2019

13

dikarenakan pada chase strategy tidak mengizinkan adanya persediaan dan backorder

sehingga permintaan akan dipenuhi pada periode tersebut dengan cara melakukan

perubahan pada jumlah tenaga kerja.

b. Level Strategy

Level strategy atau dapat disebut rencana produksi dengan tingkat produksi tetap atau

rencana produksi dengan jumlah tenaga kerja tetap. Pada level strategy menggunakan

inventory sebagai bagian dari strategi operasionalnya. Persediaan diciptakan pada saat

permintaan rendah untuk pemenuhan permintaan yang tinggi (peak time). Adanya

rsediaan dan backorder pada level strategy akan berdampak pada tingginya biaya

persediaan dan biaya backorder, namun biaya berhubungan dengan tenaga kerja akan

kecil.

c. Mixed Strategy

Mixed strategy adalah strategi gabungan antara chase strategy dan level strategy. Pada

mixed strategy diperbolehkan terjadi persediaan dan backorder seperti pada halnya

pada level strategy dan perubahan jumlah tenaga kerja pada chase strategy.


SEPTEMBER 2019

14

STUDI KASUS

CV. Beban Berat adalah sebuah perusahaan yang bergerak sebagai produsen tas. CV.

Beban Berat memiliki dua jenis produk utama yakni jenis Tas Ransel dan Tas Selempang.

Proporsi penjualan untuk produk yaitu 60% merupakan produk Tas Ransel dan 40%

merupakan produk Tas Selempang. Dalam penjualannya, CV. Beban Berat menjualkannya

melalui toko pembuat tas maupun konter resmi yang tersebar di seluruh Indonesia. Oleh

karena itu, CV. Beban Berat harus memastikan produksinya mampu memenuhi seluruh

permintaan di Indonesia tepat waktu. Untuk memenuhi permintaan dua produk utamanya,

CV. Beban Berat memiliki anak perusahaan untuk memproduksi bagian penyusun dua

produk tersebut. CV. Beban Berat memesan part-part tersebut ke anak persahaannya tanpa

menunggu pesanan pelanggan karena desain kedua produk tersebut adalah tidak ada

perubahan spesifikasi, sehingga akan di produksi sesuai perkiraan pasar oleh manajemen.

Berikut merupakan data penjualan terakhir dari kedua produk yang dijual oleh CV. Beban

Berat selama 3 tahun terakhir.

Tabel 1 Data Penjualan Periode (Bulan) Family Product Tas (Unit)

1 800 2 1300 3 2300 4 3400 5 1000 6 1800 7 2300 8 3800 9 1200

10 1300 11 3200 12 4100

Urutan produksi sesecara keseluruhan yang dilakukan di perusahaan ini akan

ditampilkan dalam Peta Proses Operasi. Gambar berikut merupakan Peta aliran proses

pembuatan Ransel dan tas selempang.


SEPTEMBER 2019

15

Gambar 3 OPC produk Tas Ransel

Gambar 4 OPC produk Tas Selempang


SEPTEMBER 2019

16

Setiap minggunya, jam reguler pekerja tersedia salama 160 jam/bulan (1 minggu = 5 hari

kerja) untuk mengoperasikan mesin dan maksimal melakukan lembur kerja 2 jam/hari.

Biaya simpan produk jadi sebesar Rp25.000,00 per unit per bulan. Sedangkan, besarnya upah

pekerja adalah sebagai berikut:

Tabel 2 Daftar Upah Pekerja No. Jenis Biaya Biaya 1 Biaya Kerja Reguler/jam Rp. 25.000,- 2 Biaya Kerja Lembur/jam Rp. 35.000,- 3 Biaya Perekrutan Rp. 800.000,- 4 Biaya Pemecatan Rp. 1.200.000,-

Tentukan forecast untuk 4 periode ke depan yang harus diproduksi CV. Beban Berat beserta

alokasi sumber daya dengan memperhatikan seluruh data yang telah diketahui!


SEPTEMBER 2019

17

PENYELESAIAN FORECAST

Forecast bertujuan bertujuan untuk meramalkan atau memprediksi segala hal yang

terkait dengan produksi, penawaran, permintaan, dan penggunaan teknologi dalam sebuah

industri atau usaha. Berikut ini merupakan data permintaan historis dari studi kasus.

Gambar 2.1 Data permintaan historis

Dalam penyelesaian studi kasus kali ini digunakan 4 metode Forecast, yaitu Moving

Average, Exponential Smoothing, Holt Model dan Winter’s Model.

a. Moving Average

Pada metode Moving Average menggunakan n sebanyak 4 periode, hal ini berdasarkan

pada siklus data yang mengalami pengulangan data setiap 4 periode. Berikut merupakan

langkah-langkah dalam melakukan forecast dengan metode Moving Average:

1. Buka aplikasi Ms. Excel pada Windows.

2. Membuat tabel keterangan seperti dibawah ini.


SEPTEMBER 2019

18

Gambar 2.1 Tabel Keterangan Metode Moving Average

3. Masukan Formula pada table ke dalam lembar kerja Excel

Tabel 2.1 Rumus Metode Moving Average Keterangan Cell Formula Copy to

Level (Lt) C5 =rata-rata demand (Dt) 4 periode (periode 1-4) =AVERAGE(B2:B5)

C6:C13

Forecast (Ft)

D6 =hasil forecast (Ft) periode 5 sama dengan hasil level (Lt-1) periode 4 =C5

D7:D13

D14 =hasil forecast (Ft) untuk periode 13-16 sama dengan hasil level (Lt-1) periode 12 =$C$13

D15:D17

Error (Et) E6 =Forecast (Ft) periode 5 – demand (Dt) periode 5 =D6-B6

E7:E13

Absolut Error (At) F6 =hasil absolut dari error (Et) =ABS(E6)

F7:F13

Mean Square Error (MSEt)

G6 =Jumlah kumulatif kuadrat error pada periode t (periode 5) dibagi periode 5 (t) dikurangi 4 periode (n) =SUMSQ($E$6:E6)/(A6-4)

G7:G13

MADt H6 =Jumlah kumulatif absolut error pada periode t (periode 5) dibagi periode 5 (t) dikurangi 4 periode (n) =SUM($F$6:F6)/(A6-4)

H7:H13

%Error I6 =100 x (Absolut Error (At) / Demand (Dt)) =100*(F6/B6)

I7:I13

MAPEt J6 =Jumlah rata-rata %Error pada periode t (periode 5) =AVERAGE($I$6:I6)

J7:J13

TSt K6 =Jumlah kumulatif Error (Et) periode t (periode 5) dibagi MAD periode 5 (t) =SUM($E$6:E6)/H6

K7:K13


SEPTEMBER 2019

19

4. Untuk periode ke 14 sampai dengan 16 gunakan level (Lt) pada periode 12. Setelah

perhitungan selesai maka akan didapatkan hasil perhitungan seperti tabel dibawah.

Gambar 2.2 Hasil Perhitungan Metode Moving Average

b. Simple Exponential Smoothing

Pada metode Simple Exponential Smoothing terdapat konstanta α yang menunjukan

pemulusan terhadap level peramalan nilainya 0<α<1. Nilai α mendekati 0 ketika data

historis yang tersedia tidak mengalami fluktuasi yang signifikan atau dapat dikatakan relatif

stabil, sebaliknya data yang memiliki fluktuasi yang tinggi akan memiliki nilai α yang

mendekati nillai 1. Nilai α dapat dicari secara obyektif dengan menggunakan rumus 2/(n+1),

dimana n merupakan jumlah periode demand yang diketahui. Berikut merupakan langkah-

langkah dalam melakukan forecast dengan metode Simple Exponential Smoothing:




SEPTEMBER 2019

20

Gambar 2.3 Tabel Keterangan Metode Simple Exponential Smoothing

3. Masukan Formula pada table ke dalam lembar kerja Excel. Faktor level (α) yang

digunakan menggunakan rumus 2/(n+1), dimana n merupakan jumlah periode demand

yang diketahui. Sehingga, 2/(12+1)=0,153846 ≈ α = 0,15.

Tabel 2.2 Perhitungan Metode Simple Exponential Smoothing Keterangan Cell Formula Copy to

Level (Lt) C2

=rata-rata demand (Dt) periode 1-12 =AVERAGE(B3:B14)

-

C3 =(α x Demand (Dt) periode 1) + ((1-α) x Level (Lt-1) periode 0) =0.15*B3+(1-0.15)*C2

C4:C14

Forecast (Ft)

D3 =hasil forecast (Ft) periode 1 sama dengan hasil level (Lt-1) periode 0 =C2

D4:D14

D15 = hasil forecast (Ft) untuk periode 13-16 sama dengan hasil level (Lt-1) periode 12 =$C$14

D16:D18

Error (Et) E3 =Forecast (Ft) periode 1 – demand (Dt) periode 1 =D3-B3

E4:E14

Absolut Error (At) F3 =hasil absolut dari error (Et) =ABS(E3)

F4:F14


G3 =Jumlah kumulatif kuadrat error pada periode t (periode 1) dibagi periode 1 (t) =SUMSQ($E$3:E3)/A3

G4:G14

MADt H3 =Jumlah kumulatif absolut error pada periode t (periode 1) dibagi periode 1 (t) =SUM($F$3:F3)/A3

H4:H14

%Error I3 =100 x (Absolut Error (At) / Demand (Dt)) =100*(F3/B3)

I4:I14

MAPEt J3 =Jumlah rata-rata % error pada periode t (periode 1) =AVERAGE($I$3:I3)

J4:J14


SEPTEMBER 2019

21

Keterangan Cell Formula Copy to

TSt K3 =Jumlah kumulatif error pada periode t (periode 1) dibagi MAD periode 1 (t) =SUM($E$3:E3)/H3

K4:K14

4. Untuk periode ke 14 sampai dengan 16 gunakan level (Lt) pada periode 12. Setelah perhitungan

selesai maka akan didapatkan hasil perhitungan seperti table dibawah.

Gambar 2.4 Hasil Perhitungan Metode Simple Exponential Smoothing

c. Holt Model

Pada metode Holt Model selain konstatnta α (Faktor Level), terdapat juga konstanta β

(Faktor Trend) yang menunjukan pemulusan terhadap trend permalan nilainya 0<β<1. Nilai

β mendekati 0 ketika data historis yang tersedia tidak mengalami flukuasi trend yang

signifikan atau dapat dikatakan relatif stabil, sebaliknya data yang memiliki fluktuasi trend

yang tinggi akan memiliki nilai β yang mendekati nillai 1. Nilai β yang baik adalah jika nilainya

lebih kecil sama dengan nilai α. Berikut merupakan langkah-langkah dalam melakukan

forecast dengan metode Holt Model :




SEPTEMBER 2019

22

Gambar 2.5 Hasil Perhitungan Metode Holt Model

Lakukan Regresi dengan Y Range = Demand holt dan X Range = Periode holt

3. Pilih Toolbar Data,kemudian pilih Data Analysis.

4. Pilih Regression

Gambar 2.6 Regression Holt Model

5. Inputkan $B$3:$B$14 pada Y Range dan $A$3:$A$14 pada X Range


SEPTEMBER 2019

23

Gambar 2.7 Input data Regression Holt Model

6. Hasil Regression

Gambar 2.8 Hasil Regression Holt Model


SEPTEMBER 2019

24

7. Inputkan data coefficients Intercept sebagai data L0 dan Coefficients X Variabel 1 sebagai

T0. Formula regresi dasar adalah Yt = A+tB dan pada Holt berubah menjadi Ft=L+Tt,

dimana L merupakan nilai level, T adalah nilai trend dan t adalah periode.

Tabel 2.3 Rumus Coefficient Intercept dan Coefficients X Keterangan Cell Formula

L0 (inisiasi nilai level awal)

O2 = Nilai level pada periode 0 =ROUNDUP('REGRESI HOLT'!B17,0)

T0 (inisiasi nilai trend awal)

O3 = Nilai trend pada periode 0 =ROUNDUP('REGRESI HOLT'!B18,0)

8. Masukan data L0 sebagai data Lt di periode 0 dan data T0 sebagai data Tt di periode 0.

9. Masukan Formula pada table ke dalam lembar kerja Excel (α=0,15 dan β=0,1)

Tabel 2.4 Rumus Perhitungan Metode Holt’s Model Keterangan Cell Formula Copy to

Level (Lt)

C2 =inisiasi nilai level awal (L0) =O2

-

C3 =(α x Demand (Dt) periode 1) + ((1-α) x (Level (Lt-1) periode 0 + Trend (Tt-1) periode 0)) =0.1*B3+(1-0.1)*(C2+D2)

C4:C14

Trend (Tt)

D2 =inisiasi nilai trend awal (T0) =O3

-

D3 =(β x (Level (Lt) periode 1 – Level (Lt-1) periode 0)) + ((1- β) x Trend (Tt-1) periode 0) =0.2*(C3-C2)+(1-0.2)*D2

D4:D14

Forecast (Ft)

E3 =Level (Lt-1) periode 0 + Trend (Tt-1) periode 0 =C2+D2

E4:E14

E15 =Level (Lt-1) periode 12 + Trend (Tt-1) periode 12 =C14+D14

-

E16 =Level (Lt-1) periode 12 +(2 periode x Trend (Tt-1) periode 12) =C14+2*D14

-


-


-

Error (Et) F3 = Forecast (Ft) periode 1 – demand (Dt) periode 1 =E3-B3

F4:F14

Absolut Error (At)

G3 = hasil absolut dari error (Et) =ABS(F3)

G4:G14


H3 = Jumlah kumulatif kuadrat error pada periode t (periode 1) dibagi periode 1 (t) =SUMSQ($F$3:F3)/A3

H4:H14

MADt I3 = Jumlah kumulatif absolut error pada periode t (periode 1) dibagi periode 1 (t) =SUM($G$3:G3)/A3

I4:I14

%Error J3 =100 x (Absolut Error (At) / Demand (Dt)) =100*(G3/B3)

J4:J14


SEPTEMBER 2019

25


MAPEt K3 = Jumlah rata-rata % error pada periode t (periode 1) =AVERAGE($J$3:J3)

K4:K14

TSt L3 = Jumlah kumulatif error pada periode t (periode 1) dibagi MAD periode 1 (t) =SUM($F$3:F3)/I3

L4:L14

10. Setelah perhitungan selesai maka akan didapatkan hasil perhitungan seperti table

dibawah.

Gambar 2.9 Hasil Perhitungan Metode Holt Model

d. Winter’s Model

Pada metode Winter’s Model selain konstanta α (faktor level) dan β (fekator trend),

terdapat juga konstanta γ (faktor seasonal) yang menunjukan pemulusan terhadap faktor

seasonal permalan nilainya 0<γ<1. Nilai γ mendekati 0 ketika data historis yang tersedia

tidak mengalami flukuasi faktor seasonal yang signifikan atau dapat dikatakan relatif stabil,

sebaliknya data yang memiliki fluktuasi faktor seasonal yang tinggi akan memiliki nilai γ

yang mendekati nillai 1. Berikut merupakan langkah-langkah dalam melakukan forecast

dengan metode Moving Average:




SEPTEMBER 2019

26

Gambar 2.10 Tabel Keterangan Metode Winter’s Model

Sebelum ke perhitungan Winter’s Model,perlu dilakukan estimasi nilai level dan trend

serta melakukan perhitungan seasonal factor.

3. Perhitungan nilai level dan trend (jumlah periode dalam 1 siklus/musim (p)=4 dan

jumlah siklus/musim dalam data (t)=3)

Gambar 2.11 Tabel Keterangan Deseasonalized Demand Winter’s Model

Tabel 2.5 Perhitungan Deseasonalized Demand


Deseasonalized Demand

C4 =(Demand (Dt) periode 1 + Demand (Dt+p) periode 5 + (2 x jumlah demand (Dt) periode 2-4)) / (2*p) =(B2+B6+2*SUM(B3:B5))/(2*4)

C5:C11

Setelah perhitungan selesai maka didapatkan hasil sebagai berikut


SEPTEMBER 2019

27

Gambar 2.12 Hasil Perhitungan Deseasonalized Demand Winter’s Model

4. Lakukan perhitungan Seasonal Factor dengan cara melakukan regresi, Pilih Toolbar

Data,kemudian pilih Data Analysis. Pilih Regressions. Lalu inputkan data sebagai berikut.

Gambar 2.13 Input Data Regression Winter’s Model

Setelah regresi dilakukan maka akan muncul hasil sebagai berikut


SEPTEMBER 2019

28

Gambar 2.12 Hasil Regression Winter’s Model

5. Lakukan perhitungan seasonal factor. Masukan data regresi yaitu Coefficients intercept

sebagai L0 dan coefficients X variabel 1 sebagai T0, dimana formula regeresi dasar

adalah Y = A+tB dan pada Winter’s Model berubah menjadi Ft=L+Tt, dimana L

merupakan nilai level, T adalah nilai trend dan t adalah periode.

Gambar 2.13 Tabel Keterangan Seasonal Factor Winter’s Method

Tabel 2.6 Rumus Coefficient Intercept dan Coefficients X

Keterangan Cell Formula L0 (inisiasi nilai level awal)

G2 = Nilai level pada periode 0 =ROUNDUP('REGRESI SEASONAL FACTOR'!B17,0)

T0 (inisiasi nilai trend awal)

G3 = Nilai Trend pada periode 0 =ROUNDUP('REGRESI SEASONAL FACTOR'!B18,0)

Untuk perhitungan inisiasi seasonal factor dapat mengisikan rumus sebagai berikut:


SEPTEMBER 2019

29

Tabel 2.7 Rumus Perhitungan Seasonal Factor Winter’s Method Keterangan Cell Formula Copy to

Deseasonalized Demand (Dt)

C2 =inisiasi nilai level awal (L0) + (periode 1 (t) x inisiasi nilai trend awal (T0)) =$G$2+A2*$G$3

C3:C13

Seasonal Factors (St)

D2 =Demand (Dt) / Deseasonalized Demand (Dt) =B2/C2

D3:D13

Inisiasi St periode 1 (S1)

G5 =(Seasonal Factor (St) periode 1 + St periode 5 + St periode 9) / 3 =(D2+D6+D10)/3

-



-



-



-

Gambar 2.14 Hasil perhitungan Seasonal Factor Winter’s Method

6. Lakukan perhitungan Winter’s Model (α=0.15 β=0.1 γ=0.9)

Tabel 2.8 Rumus Perhitungan Winter’s Method Keterangan Cell Formula Copy to

Level (Lt)

C2 =inisiasi nilai level awal (L0) =P2

-

C3 =(α x (Demand (Dt) periode 1/Seasonal Factor (St) periode 1)) + ((1-α) x (Level (Lt-1) periode 0 + Trend (Tt-1) periode 0)) =0.15*(B3/E3)+(1-0.15)*(C2+D2)

C4:C14

Trend (Tt)

D2 =inisiasi nilai trend awal (T0) =P3

-

D3 =(β x (Level (Lt) periode 1 – Level (Lt-1) periode 0)) + ((1- β) x Trend (Tt-1) periode 0) =0.1*(C3-C2)+(1-0.1)*D2

D4:D14


SEPTEMBER 2019

30


Seasonal Factor (St)

E3 = Inisiasi St periode 1 (S1) ='Seasonal Factors'!G5

-


-


-


-

E7 =(γ x (Demand (Dt-p) periode 1/Level (Lt-p) periode 1)) + ((1- γ) x Seasonal Factor (St-p) periode 1) =0.9*(B3/C3)+(1-0.9)*E3

E8:E18

Forecast (Ft)

F3 =(Level (Lt-1) periode 0 + Trend (Tt-1) periode 0) x Seasonal Factor (St) periode 1 =(C2+D2)*E3

F4:F14

F15 =(Level (Lt-1) periode 12 + Trend (Tt-1) periode 12) x Seasonal Factor (St) periode 13 =(C14+D14)*E15

-

F16 =(Level (Lt-1) periode 12 + (2 periode x Trend (Tt-1) periode 12)) x Seasonal Factor (St) periode 14 =(C14+2*D14)*E16

-


-


-

Error (Et) G3 =Forecast (Ft) periode 1 – Demand (Dt) periode 1 =F3-B3

G4:G14

Absolut Error (At)

H3 =hasil absolut dari error (Et) =ABS(G3)

H4:H14


I3 = Jumlah kumulatif kuadrat absolut error pada periode t (periode 1) dibagi periode 1(t) =SUMSQ($H$3:H3)/A3

I4:I14

MADt J3 = Jumlah kumulatif absolut error pada periode t (periode 1) dibagi periode 1 (t) =SUM($H$3:H3)/A3

J4:J14

%Error K3 =100 x (Absolut Error (At) / Demand (Dt)) =100*(H3/B3)

K4:K14

MAPEt L3 = Jumlah rata-rata % error pada periode t (periode 1) =AVERAGE($K$3:K3)

L4:L14

TSt M3 = Jumlah kumulatif error pada periode t (periode 1) dibagi MAD periode 1 (t) =SUM($G$3:G3)/J3

M4:M14

Setelah dilakukan perhitungan ,maka akan didapatkan hasil sebagai berikut:


SEPTEMBER 2019

31

Gambar 2.15 Hasil Perhitungan Winter’s Method

e. Lakukan Analisis Perbandingan

Hasil forecasting yang terpilih dianalisis dengan membandingkan MAD, MAPE%, dan TS

Range. Nilai MAD dan MAPE% yang dibandingkan adalah nilai MAD dan MAPE% pada

periode terakhir (periode 12). Sedangkan nilai TS Range yang dibandingkan adalah range

dari nilai TS terkecil hingga terbesar.

Gambar 2.16 Perbandingan MAD, MAPE%, dan TS Range

Setelah dilakukan analisis perbandingan maka meode peramalan yang terpilih adalah

Winter’s Method. Hal ini dikarenakan nilai MAD dan MAPE% yang dihasilkan Winter’s Method

lebih kecil daripada metode forecast yang lain.


SEPTEMBER 2019

32

PENYELESAIAN AGREGAT

Perencanaan agregat bertujuan memberikan keputusan yang optimum berdasarkan

sumberdaya yang dimiliki perusahaan dalam memenuhi permintaan akan produk yang

dihasilkan. Dalam penyelesaian studi kasus kali ini digunakan 2 metode agregat, yaitu chase

strategy dan level strategy.

a. Chase Strategy

Berikut ini adalah langkah-langkah dalam melakukan agregat chase strategy.



Gambar 3.1 Keterangan pada Agregat


SEPTEMBER 2019

33

Tabel 3.1 Rumus tabel keterangan Keterangan Rumus

Time (hour/unit) = waktu proses agregat / 60 menit

= D19/60

Prod.Rate (unit/hour) = 1 jam / Time(hour/unit)

= 1/D20

Labor Cost/Unit = Labor Cost/hour x Time(hour/unit)

= D3*D20

Overtime Cost/Unit = Overtime Cost/Hour x Time(hour/unit)

= D5*D20

Holding Cost/Hour/Month = Holding Cost/Unit/Month x Prod.Rate

= D9*D21

3. Melakukan perhitungan agregat dengan metode chase strategy dengan rumus di bawah

ini.

Gambar 3.2 Template Agregat Chase Strategy

Tabel 3.2 Rumus Perhitungan Agregat Chase Strategy

Keterangan Cell Rumus

Permintaan (Demand) G6 = Permintaan dari hasil forecast terpilih (Winter’s Method) yang dibulatkan ke atas

Total Waktu Produksi Demand (Hour Demand)

H6 = Demand x waktu proses agregat = G6*$D$20

Jam Kerja Regular (Regular workhour)

I6 = Hari kerja/bulan x Jam kerja/hari = $D$11*$D$12

Jam Lembur (Overtime Hour) J6 = Hari kerja/bulan x Jam lembur/hari = $D$11*$D$13

Total Jam Kerja (Total Hour) K6 = Jam kerja regular + jam lembur = I6+J6

Pekerja Dibutuhkan (Worker Requirement)

L6 =

Produksi Regular (Regular Production)

M6 = Jam kerja regular x pekerja dibutuhkan = I6*L6

Pekerja Lembur (Overtime Worker)

N6 =

Produksi saat Lembur (Overtime Production)

O6 = Pekerja lembur x jam lembur = N6*J6


SEPTEMBER 2019

34

Keterangan Cell Rumus Perekrutan Pekerja (Hire Worker)

P6 =

Pemecatan Pekerja (Fire Worker)

Q6 =

Total Waktu Produksi (Total Production Hour)

R6 = Produksi regular + produksi saat lembur = M6+O6

Waktu Penyimpanan (Inventory Hour)

S6 = Total waktu produksi – total waktu produksi demand = R6-H6

Waktu Penyimpanan Kumulatif (Cumulative Inventory Hour)

T6 = Waktu penyimpanan secara kumulatif Periode 13 = S6; Periode 14 = T6+S7

Biaya Pekerja Regular (Labor Cost Regular)

U6 = Produksi regular x biaya pekerja reguler = M6*$D$3

Biaya Pekerja Lembur (Labor Cost Overtime)

V6 = Produksi saat lembur x biaya pekerja lembur = O6*$D$5

Biaya Simpan (Holding Cost) W6 = Kumulatif jam inventori x biaya simpan = T6*$D$10

Biaya Perekrutan (Hire Cost) X6 = Perekrutan pekerja x biaya rekrut = P6*$D$7

Biaya Pemecatan (Fire Cost) Y6 = Pemecatan pekerja x biaya pemecatan = Q6*$D$8

Total Biaya Pekerja Reguler (Labor Cost Regular)

U10 = Total keseluruhan biaya pekerja reguler = SUM(U6:U9)

Total Biaya Pekerja Lembur (Labor Cost Overtime)

V10 = Total keseluruhan biaya pekerja lembur = SUM(V6:V9)

Total Biaya Simpan (Holding Cost)

W10 = Total keseluruhan biaya simpan = SUM (W6:W9)

Total Biaya Perekrutan (Hire Cost)

X10 = Total keseluruhan biaya perekrutan = SUM(X6:X9)

Total Biaya Pemecatan (Fire Cost)

Y10 = Total keseluruhan biaya pemecatan = SUM(Y6:Y9)

Biaya Total (Grand Total) Z10

= Total biaya pekerja reguler + Total biaya pekerja lembur + Total biaya simpan + Total biaya perekrutan + Total biaya pemecatan = SUM(U10:Y10)

Gambar 3.2 Hasil perhitungan agregat dengan Chase Strategy


SEPTEMBER 2019

35

b. Level Strategy

Pada perhitungan agregat level strategy kali ini, terdapat kondisi dimana tidak diizinkan

adanya backorder. Sehingga, sumber daya yang diperlukan berdasarkan demand yang

tertinggi agar tidak terjadi kekurangan. Berikut ini adalah langkah-langkah dalam melakukan

agregat level strategy.


2. Membuat tabel keterangan seperti dibawah ini. Tabel keterangan yang digunakan sama

seperti pada perhitungan agregat chase strategy.

Gambar 3.3 Keterangan pada Agregat

3. Melakukan perhitungan agregat dengan metode level strategy dengan rumus di bawah

ini.

Tabel 3.4 Rumus Agregat Level Strategy

Keterangan Cell Rumus

Permintaan (Demand) G14 = Permintaan dari hasil forecast terpilih yang dibulatkan ke atas

Total Waktu Produksi Demand (Hour Demand)

H14 = Demand x waktu proses agregat = G14*$D$20


SEPTEMBER 2019

36

Keterangan Cell Rumus Jam Kerja Regular (Regular workhour)

I14 = Hari kerja/bulan x Jam kerja/hari = $D$11*$D$12

Jam Lembur (Overtime Hour) J14 = Hari kerja/bulan x Jam lembur/hari = $D$11*$D$13

Total Jam Kerja (Total Hour) K14 = Jam kerja regular + jam lembur = I14+J14

Pekerja Dibutuhkan (Worker Requirement)

L14 =

Produksi Regular (Regular Production)

M14 = Jam kerja regular x pekerja dibutuhkan = I14*L14

Pekerja Lembur (Overtime Worker)

N14 =

Produksi saat Lembur (Overtime Production)

O14 = Pekerja lembur x jam lembur = N14*J14

Perekrutan Pekerja (Hire Worker)

P14 =

Pemecatan Pekerja (Fire Worker) Q14 = Total Waktu Produksi (Total Production Hour)

R14 = Produksi regular + produksi saat lembur = M14+O14

Waktu Penyimpanan (Inventory Hour)

S14 = Total waktu produksi – total waktu produksi demand = R14-H14

Waktu Penyimpanan Kumulatif (Cumulative Inventory Hour)

T14 = Waktu penyimpanan secara kumulatif Periode 13 = S14; Periode 14 = T14+S15

Biaya Pekerja Regular (Labor Cost Regular)

U14 = Produksi regular x biaya pekerja reguler = M14*$D$3

Biaya Pekerja Lembur (Labor Cost Overtime)

V14 = Produksi saat lembur x biaya pekerja lembur = O14*$D$5

Biaya Simpan (Holding Cost) W14 = Kumulatif jam inventori x biaya simpan = T14*$D$10

Biaya Perekrutan (Hire Cost) X14 = Perekrutan pekerja x biaya rekrut = P14*$D$7

Biaya Pemecatan (Fire Cost) Y14 = Pemecatan pekerja x biaya pemecatan = Q14*$D$8

Total Biaya Pekerja Reguler (Labor Cost Regular)

U18 = Total keseluruhan biaya pekerja reguler = SUM(U14:U17)

Total Biaya Pekerja Lembur (Labor Cost Overtime)

V18 = Total keseluruhan biaya pekerja lembur = SUM(V14:V17)

Total Biaya Simpan (Holding Cost)

W18 = Total keseluruhan biaya simpan = SUM (W14:W17)

Total Biaya Perekrutan (Hire Cost)

X18 = Total keseluruhan biaya perekrutan = SUM(X14:X17)

Total Biaya Pemecatan (Fire Cost)

Y18 = Total keseluruhan biaya pemecatan = SUM(Y14:Y17)

Biaya Total (Grand Total) Z18

= Total biaya pekerja reguler + Total biaya pekerja lembur + Total biaya simpan + Total biaya perekrutan + Total biaya pemecatan = SUM(U18:Y18)


SEPTEMBER 2019

37

Gambar 3.4 Hasil perhitungan agregat dengan Level Strategy

Berdasarkan perhitungan agregat tersebut, maka dapat diketahui bahwa chase strategy

menghasilkan total biaya yang paling minimum dibandingkan level strategy. Sehingga,

perhitungan agregat yang dipilih adalah chase strategy.

modul responsi semester ganjil tahun ajaran …modul responsi semester ganjil tahun ajaran 2019/2020...

Documents