modul responsi semester ganjil tahun ajaran …modul responsi semester ganjil tahun ajaran 2019/2020...
TRANSCRIPT
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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)
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
SEPTEMBER 2019
15
Gambar 3 OPC produk Tas Ransel
Gambar 4 OPC produk Tas Selempang
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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!
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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$6:E6)/H6
K7:K13
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
SEPTEMBER 2019
19
4. Untuk periode ke 14 sampai dengan 16 gunakan level (Lt) pada periode 12. Setelah
perhitungan selesai maka akan didapatkan hasil perhitungan seperti tabel dibawah.
Gambar 2.2 Hasil Perhitungan Metode Moving Average
b. Simple Exponential Smoothing
Pada metode Simple Exponential Smoothing terdapat konstanta α yang menunjukan
pemulusan terhadap level peramalan nilainya 0<α<1. Nilai α mendekati 0 ketika data
historis yang tersedia tidak mengalami fluktuasi yang signifikan atau dapat dikatakan relatif
stabil, sebaliknya data yang memiliki fluktuasi yang tinggi akan memiliki nilai α yang
mendekati nillai 1. Nilai α dapat dicari secara obyektif dengan menggunakan rumus 2/(n+1),
dimana n merupakan jumlah periode demand yang diketahui. Berikut merupakan langkah-
langkah dalam melakukan forecast dengan metode Simple Exponential Smoothing:
1. Buka aplikasi Ms. Excel pada Windows.
2. Membuat tabel keterangan seperti dibawah ini.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
SEPTEMBER 2019
20
Gambar 2.3 Tabel Keterangan Metode Simple Exponential Smoothing
3. Masukan Formula pada table ke dalam lembar kerja Excel. Faktor level (α) yang
digunakan menggunakan rumus 2/(n+1), dimana n merupakan jumlah periode demand
yang diketahui. Sehingga, 2/(12+1)=0,153846 ≈ α = 0,15.
Tabel 2.2 Perhitungan Metode Simple Exponential Smoothing Keterangan Cell Formula Copy to
Level (Lt) C2
=rata-rata demand (Dt) periode 1-12 =AVERAGE(B3:B14)
-
C3 =(α x Demand (Dt) periode 1) + ((1-α) x Level (Lt-1) periode 0) =0.15*B3+(1-0.15)*C2
C4:C14
Forecast (Ft)
D3 =hasil forecast (Ft) periode 1 sama dengan hasil level (Lt-1) periode 0 =C2
D4:D14
D15 = hasil forecast (Ft) untuk periode 13-16 sama dengan hasil level (Lt-1) periode 12 =$C$14
D16:D18
Error (Et) E3 =Forecast (Ft) periode 1 – demand (Dt) periode 1 =D3-B3
E4:E14
Absolut Error (At) F3 =hasil absolut dari error (Et) =ABS(E3)
F4:F14
Mean Square Error (MSEt)
G3 =Jumlah kumulatif kuadrat error pada periode t (periode 1) dibagi periode 1 (t) =SUMSQ($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$3:I3)
J4:J14
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
SEPTEMBER 2019
21
Keterangan Cell Formula Copy to
TSt K3 =Jumlah kumulatif error pada periode t (periode 1) dibagi MAD periode 1 (t) =SUM($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 :
1. Buka aplikasi Ms. Excel pada Windows.
2. Membuat tabel keterangan seperti dibawah ini.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
SEPTEMBER 2019
23
Gambar 2.7 Input data Regression Holt Model
6. Hasil Regression
Gambar 2.8 Hasil Regression Holt Model
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
-
E17 =Level (Lt-1) periode 12 +(3 periode x Trend (Tt-1) periode 12) =C14+3*D14
-
E18 =Level (Lt-1) periode 12 +(4 periode x Trend (Tt-1) periode 12) =C14+4*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
Mean Square Error (MSEt)
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$3:G3)/A3
I4:I14
%Error J3 =100 x (Absolut Error (At) / Demand (Dt)) =100*(G3/B3)
J4:J14
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
SEPTEMBER 2019
25
Keterangan Cell Formula Copy to
MAPEt K3 = Jumlah rata-rata % error pada periode t (periode 1) =AVERAGE($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:
1. Buka aplikasi Ms. Excel pada Windows.
2. Membuat tabel keterangan seperti dibawah ini.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
Keterangan Cell Formula Copy to
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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:
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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
-
Inisiasi St periode 2 (S2)
G6 =(Seasonal Factor (St) periode 2 + St periode 6 + St periode 10) / 3 =(D3+D7+D11)/3
-
Inisiasi St periode 3 (S3)
G7 =(Seasonal Factor (St) periode 3 + St periode 7 + St periode 11) / 3 =(D4+D8+D12)/3
-
Inisiasi St periode 4 (S4)
G8 =(Seasonal Factor (St) periode 4 + St periode 8 + St periode 12) / 3 =(D5+D9+D13)/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
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
SEPTEMBER 2019
30
Keterangan Cell Formula Copy to
Seasonal Factor (St)
E3 = Inisiasi St periode 1 (S1) ='Seasonal Factors'!G5
-
E4 = Inisiasi St periode 2 (S2) ='Seasonal Factors'!G6
-
E5 = Inisiasi St periode 3 (S3) ='Seasonal Factors'!G7
-
E6 = Inisiasi St periode 4 (S4) ='Seasonal Factors'!G8
-
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
-
F17 =(Level (Lt-1) periode 12 + (3 periode x Trend (Tt-1) periode 12)) x Seasonal Factor (St) periode 15 =(C14+3*D14)*E17
-
F18 =(Level (Lt-1) periode 12 + (4 periode x Trend (Tt-1) periode 12)) x Seasonal Factor (St) periode 16 =(C14+4*D14)*E18
-
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
Mean Square Error (MSEt)
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:
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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.
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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.
1. Buka aplikasi Ms. Excel pada Windows.
2. Membuat tabel keterangan seperti dibawah ini.
Gambar 3.1 Keterangan pada Agregat
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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$13
Total Jam Kerja (Total Hour) K6 = Jam kerja regular + jam lembur = I6+J6
Pekerja Dibutuhkan (Worker Requirement)
L6 =
Produksi Regular (Regular Production)
M6 = Jam kerja regular x pekerja dibutuhkan = I6*L6
Pekerja Lembur (Overtime Worker)
N6 =
Produksi saat Lembur (Overtime Production)
O6 = Pekerja lembur x jam lembur = N6*J6
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
SEPTEMBER 2019
34
Keterangan Cell Rumus Perekrutan Pekerja (Hire Worker)
P6 =
Pemecatan Pekerja (Fire Worker)
Q6 =
Total Waktu Produksi (Total Production Hour)
R6 = Produksi regular + produksi saat lembur = M6+O6
Waktu Penyimpanan (Inventory Hour)
S6 = Total waktu produksi – total waktu produksi demand = R6-H6
Waktu Penyimpanan Kumulatif (Cumulative Inventory Hour)
T6 = Waktu penyimpanan secara kumulatif Periode 13 = S6; Periode 14 = T6+S7
Biaya Pekerja Regular (Labor Cost Regular)
U6 = Produksi regular x biaya pekerja reguler = M6*$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$8
Total Biaya Pekerja Reguler (Labor Cost Regular)
U10 = Total keseluruhan biaya pekerja reguler = SUM(U6:U9)
Total Biaya Pekerja Lembur (Labor Cost Overtime)
V10 = Total keseluruhan biaya pekerja lembur = SUM(V6:V9)
Total Biaya Simpan (Holding Cost)
W10 = Total keseluruhan biaya simpan = SUM (W6:W9)
Total Biaya Perekrutan (Hire Cost)
X10 = Total keseluruhan biaya perekrutan = SUM(X6:X9)
Total Biaya Pemecatan (Fire Cost)
Y10 = Total keseluruhan biaya pemecatan = SUM(Y6:Y9)
Biaya Total (Grand Total) Z10
= Total biaya pekerja reguler + Total biaya pekerja lembur + Total biaya simpan + Total biaya perekrutan + Total biaya pemecatan = SUM(U10:Y10)
Gambar 3.2 Hasil perhitungan agregat dengan Chase Strategy
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
SEPTEMBER 2019
35
b. Level Strategy
Pada perhitungan agregat level strategy kali ini, terdapat kondisi dimana tidak diizinkan
adanya backorder. Sehingga, sumber daya yang diperlukan berdasarkan demand yang
tertinggi agar tidak terjadi kekurangan. Berikut ini adalah langkah-langkah dalam melakukan
agregat level strategy.
1. Buka aplikasi Ms. Excel pada Windows.
2. Membuat tabel keterangan seperti dibawah ini. Tabel keterangan yang digunakan sama
seperti pada perhitungan agregat chase strategy.
Gambar 3.3 Keterangan pada Agregat
3. Melakukan perhitungan agregat dengan metode level strategy dengan rumus di bawah
ini.
Tabel 3.4 Rumus Agregat Level Strategy
Keterangan Cell Rumus
Permintaan (Demand) G14 = Permintaan dari hasil forecast terpilih yang dibulatkan ke atas
Total Waktu Produksi Demand (Hour Demand)
H14 = Demand x waktu proses agregat = G14*$D$20
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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)
MODUL RESPONSI SEMESTER GANJIL TAHUN AJARAN 2019/2020
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.