PERENCANAAN PERENCANAAN PRODUKSIPRODUKSI

PERENCANAAN PRODUKSI

Lingkup : - Penentuan jenis dan volume produksi - Pengaturan tenaga kerja - Pengaturan mesin dan peralatan - Pengaturan material

PENENTUAN JENIS DAN VOLUME PRODUKSI

Peramalan : Proses untuk memperkirakan jumlah permintaan (demand) produk yang diminta oleh konsumen dimasa yang akan datang.

merupakan langkah awal dari proses perencanaan dan pengendalian produksi secara keseluruhan.

MODEL KWALITATIFMODEL KWALITATIFIndividual Opinion : Opini peramalan berasal dari pribadi

(Individu) → pakar/expert dalam bidangnya yaitu : - Konsultan : Ilmiah / non Ilmiah - Manajer pemasaran / produksi - Individu yang banyak bergerak pada masalah tersebut.

Kebaikan : cepatKelemahan : Subyektif

Group Opinion : Opini peramalan diperoleh dari beberapa orang dengan mencoba merata-ratakan hasil peramalan yang lebih obyektif (rasional)

Kebaikan : lebih obyektif (unsur subyektifitas dapat dihilangkan) mis : dengan merata-ratakan hasil.

Contoh : Delphy method → peramalan dibentuk melalui beberapa tahapan untuk mencari

hasil yang lebih obyektif.Pada metode ini kepada expertnya diberikan informasi tambahan sehingga keputusan hasil ramalan dapatberubah karena informasi tersebut.

Secara umum metode kwalitatif lebih mudah dibuat tetapi mempunyai unsur subyektifitas yang tinggi.

MODEL KWANTITATIF : unsur obyektifitas lebih tinggi karena menggunakan pendekatan teknis (Mathematical Approach)

Time Series : Meramalkan titik-titik permintaan (mencari – sesuatu fungsi yang representatif) terhadap

data ataupun fakta yang ada → demand hanya dipengaruhi oleh waktu → dt = f(t).

Kausal : Meramalkan permintaan dengan tidak hanya memperhatikan waktu. Sebenarnya demand juga dipengaruhi oleh faktor-faktor lain, seperti :

- harga produk- saluran distribusi- promosi- pendapatan- jumlah penduduk, dll

dt = f (faktor penyebab demand)Pada metode ini diperlukan : - identifikasi variabel yang relevan

- mecari fungsi yang cocokKebaikan : - mempunyai ketepatan hasil yang tinggi

- dapat digunakan untuk peramalan jangka panjang Kelemahan : - tidak praktis, membutuhkan banyak jenis data

- waktu lama - mahal

Peramalan : upaya memperkecil resiko yang mungkin timbul akibat pengambilan keputusan dalam suatu perencanaan produksi Namun, upaya memperkecil resiko dibatasi oleh biaya

Biaya totalBiaya peramalan

Biaya Biaya

resiko

Upaya Upaya

peramalanperamalan

Metode peramalan

Model kwalitatif

Model kwantitatif

Timeseries

kausal

smoothing

regresi

ekonomimetri

Regresi multivariate

Movingaverage

Exponentialsmoothing

Faktor-faktor yang harus dipertimbangkan dalam pemilihan metode peramalan :

- tujuan peramalan- jangkauan peramalan- tingkat ketelitian- ketersediaan data- bentuk pola data- biaya

Hal-hal yang harus dilakukan :- definisikan tujuan peramalan- buat diagram pencar- pilih beberapa metode peramalan- hitung ramalan dan kesalahannya- pilih metode dengan kesalahan terkecil

JENIS POLA DATA :- Konstan

- Trend (linier)

- Musiman (seasional)

- Cyclic (siklis) Fungsi peramalan :

- Konstan : dt = a- Trend (linier) : dt = a + bt- Kwadratis : dt = a + bt + ct2

- Eksponential : dt = a.ebt

- Cyclic (siklis) : dt = a + b sin cos

Kriteria Performansi peramalan :1. Mean square error (MSE)

Xt = data aktual pada periode t

Ft = data ramalan pada periode t n = banyaknya periode

2. Presentase kesalahan ( PEt )

3. Mean Absolute Percentage error (MAPE)

n

t

tt

n

FXMSE

1

2

%100.

t

ttt X

FXPe

n

t

t

n

PEMAPE

1

4. Standar Error Of Estimate (SEE)

f = derajat bebas1 = untuk data konstan2 = untuk data linier3 = untuk data kwadratisContoh :Dari12 bulan terkahir ini dicatat penjualan produk “x” sbb :

Bagaimana ramalan permintaan produk “x” untuk 12 bulanmendatang ?

BulanBulan JJ FF MM AA MM JJ JJ AA SS OO NN DD

PenjualaPenjualann

3300

2200

4455

3355

3300

6600

4400

5500

4455

6655

5500

3355

n

t

t

fn

FXSEE

1

2

METODE REGRESI LINIER SEDERHANA

dt = f(t)

Konstan :

→ a = 30 + 20 + …. + 50 + 35 = 42

dt ’ = 42

n

dta

andt

adt

n

t

n

t

n

t

n

t

1

1

1 1

.

dt = y(t)dt = y(t) Ramalan Ramalan (dt(dt’’))

e = dt – dte = dt – dt’’ ee22 = (dt- = (dt-dtdt’’))22

1.1. 30302.2. 20203.3. 45454.4. 35355.5. 30306.6. 60607.7. 40408.8. 50509.9. 454510.10. 656511.11. 505012.12. 3535

424242424242424242424242424242424242424242424242

-1212-222233-77

- 12121818-228833

232388

- 7- 7

144144484484

994949

144144324324

44646499

52952964644949

JumlahJumlah 18731873

MENCARI SEE :

n

t fn

dtdt

1

2)'(SEE

05,1327,170

112

1873

REGRESI LINIER ~ TRENDREGRESI LINIER ~ TRENDdt’ = a + btdt’ = a + bt

→→

2

11

2

1 1 1

.

..

n

t

n

t

n

t

n

t

n

t

ttN

ttytytNb

2

1 1

2

1 1 1

.

..

n

t

n

t

n

t

n

t

n

t

ttN

tdtdttNb

N

t

bN

dta

n

t

n

t

11

btdtaN

t

bN

dta

n

t

n

t

11

TT dt = y(t)dt = y(t) t.dtt.dt tt2 2 dtdt’’

dt-dtdt-dt’’ (dt-dt’)(dt-dt’)22

1.1.2.2.3.3.4.4.5.5.6.6.7.7.8.8.9.9.

10.10.11.11.12.12.

303020204545353530306060404050504545656550503535

30304040

135135140140150150360360280280400400405405650650550550420420

114499

161625253636494964648181

100100121121144144

313133333535373739394141434345454747494951515353

-1-1-13-131010-2-2-9-91919-3-355-2-21616-1-1

-18-18

11169169100100

448181

36136199

252544

25625611

324324

∑ ∑ = 78= 78

= 6,5= 6,5

505505

= 42= 4235603560 650650 ∑ ∑ = 1335= 1335

b = 12.(3560) – 505.78 12(650) – 782= 3330 = 1,94 1716

= 42 – 1,94 (6,5)= 42 – 12,61= 29,39

→ dt’ = 29,39 + 1,94t ~ dt’ = 29 + 2t

55,11

5,133212

1335

1

SEE

SEE

fn

dtdtSEE

n

t

i

Untuk regresi konstan : dtUntuk regresi konstan : dt’’ = 42 = 42

SEE = 13SEE = 13 Untuk regresi linierUntuk regresi linier : dt: dt’’ = 29 + 2t = 29 + 2t

SEE = 11SEE = 11

METODE SMOOTHINGMETODE SMOOTHING

Pada metode smoothing, data digunakan periode per periode Pada metode smoothing, data digunakan periode per periode terdiri dari 2 kelompok, yaitu :terdiri dari 2 kelompok, yaitu :

metode rata-rata dan metode exponential smoothing metode rata-rata dan metode exponential smoothing

a)a) Single Moving AverageSingle Moving Average

atau rata-rata bergerakatau rata-rata bergerak

Moving average pada suatu periode merupakan peramalanMoving average pada suatu periode merupakan peramalan

untuk satu periode ke depan dari periode rata-rata tersebut.untuk satu periode ke depan dari periode rata-rata tersebut.

ContohContoh : Data Penjualan suatu produk 12 bulan terakhir : : Data Penjualan suatu produk 12 bulan terakhir :

ttData penjualan Data penjualan

(Unit)(Unit) MA (3)MA (3) RamalanRamalan KesalahanKesalahan

112233445566778899

1010111112121313

101018182929151530301212161688

2222141415152727??

191920,720,724,724,719,019,019,319,312,012,015,315,314,714,717,017,018,718,7

191920,720,724,724,71919

19,319,31212

15,315,314,714,71717

18,718,7

b. Linier Moving Averageb. Linier Moving Average

Jika pola data menunjukan “Pola Trend” maka single movingJika pola data menunjukan “Pola Trend” maka single moving

average tidak tepat. Yang lebih tepat adalah linier moving average tidak tepat. Yang lebih tepat adalah linier moving average.average.

Dasarnya : Penggunaan moving average kedua untuk Dasarnya : Penggunaan moving average kedua untuk memperolehmemperoleh

penyesuaian pola trendpenyesuaian pola trend

1.1. Hitung single moving average dari data dengan periodeHitung single moving average dari data dengan periode

perata-rataan tertentu; hasilnya notasikan St’perata-rataan tertentu; hasilnya notasikan St’

2.2. Hitung moving average kedua, yaitu moving average dari Hitung moving average kedua, yaitu moving average dari

St’ dengan periode perata-rataan yang sama, hasilnya St’ dengan periode perata-rataan yang sama, hasilnya

notasikan dengan St’’notasikan dengan St’’

3.3. Hitung komponen at dengan rumus :Hitung komponen at dengan rumus :

at = St’ + (St’ - St’’)at = St’ + (St’ - St’’)

4.4. Hitung komponen trend bt dengan rumus :Hitung komponen trend bt dengan rumus :

bt = bt = 22 (st’ – st‘’) (st’ – st‘’) N-1N-1

5.5. Peramalan m periode ke depan setelah t adalah sbb :Peramalan m periode ke depan setelah t adalah sbb :

Ft+m = at + bt.m,Ft+m = at + bt.m, Contoh :Contoh :

tt PenjualaPenjualan (unit)n (unit)

MA (4)MA (4)(st(st’’))

MA (4)MA (4)(st(st’’’’)) atat btbt at+bt.m at+bt.m

(m=1)(m=1)112233445566778899

10101111121213131414

140140159159136136157157173173131131177177188188154154179179180180160160

????

148148156,25156,25149,25149,25159,50159,50167,25167,25162,50162,50174,50174,50175,25175,25178,50178,50

153,25153,25158,06158,06159,62159,62165,93165,93169,87169,87170,12170,12

165,75165,75176,43176,43165,37165,37183,06183,06180,62180,62166,37166,37

4,174,176,136,131,921,925,715,713,583,58-1,25-1,25

169,91169,91182,56182,56167,29167,29188,77188,77184,20184,20165,12165,12163,85163,85

Single Exponential SmoothingSingle Exponential Smoothing

Dipakai untuk peramalan jangka pendek.Dipakai untuk peramalan jangka pendek.

Dasar pemikiran :Dasar pemikiran :

Nilai ramalan pada periode t + 1 merupakan nilai aktual Nilai ramalan pada periode t + 1 merupakan nilai aktual padapada

periode t ditambah dengan penyesuaian yang berasal dariperiode t ditambah dengan penyesuaian yang berasal dari

kesalahan nilai ramalan yang terjadi pada periode tersebut.kesalahan nilai ramalan yang terjadi pada periode tersebut.

Ft + 1 = Ft + α (Xt – Ft)Ft + 1 = Ft + α (Xt – Ft)

Permasalahan : Permasalahan : Inisialisasi !!!Inisialisasi !!!- Nilai awal F1?Nilai awal F1?- Harga α (parameter / koefisien smoothing)Harga α (parameter / koefisien smoothing)

F1 F1 → Nilai X1 atau→ Nilai X1 atau

Nilai rata-rata 4 s/d 5 (Xt) pertamaNilai rata-rata 4 s/d 5 (Xt) pertama

αα → 0 < → 0 < αα < 1 < 1

Modifikasi :Modifikasi :

ddt+1’t+1’ = = αα dt + (1- dt + (1- αα ) dt’ ) dt’

tt 11 22 33 44 55 66 77 88 99 1010 1111 1212

dtdt 3030 2020 4545 3535 3030 6060 4400

5050 4545 6565 5050 3535

Jika αα = 0,1

d1’ = d1 = 30, maka

d2’ = 0,1 (30) + 0,9(30) = 30

d3’ = 0,1(d2) + 0,9 (d2’)

0,1(20) + 0,9 (30) = 29

d4’ = 0,1(45) + 0,9 (29) = 30,6

dst

PROSEDUR PERAMALANPROSEDUR PERAMALAN

1.1. Definisikan tujuan peramalan yang akan dilakukanDefinisikan tujuan peramalan yang akan dilakukan

2.2. Buat diagram pencar dari dataBuat diagram pencar dari data

3.3. Pilih paling tidak 2 metode yang dapat Pilih paling tidak 2 metode yang dapat mengakomodasikan tujuan tersebut dan mendekati mengakomodasikan tujuan tersebut dan mendekati pola data yang tergambar dari langkah 2pola data yang tergambar dari langkah 2

4.4. Hitung kesalahan peramalan yang terjadiHitung kesalahan peramalan yang terjadi

5.5. Pilih metode peramalan yang terbaik, yaitu :Pilih metode peramalan yang terbaik, yaitu :

- yang memberikan kesalahan terkecil atau- yang memberikan kesalahan terkecil atau

- kalau ingin menguji lebih halus lagi gunakan tes - kalau ingin menguji lebih halus lagi gunakan tes variansivariansi

ContohContoh

Dari 12 bulan terakhir, tercatat penjualan produk “x” Dari 12 bulan terakhir, tercatat penjualan produk “x” sebagaisebagai

berikut :berikut :

BulanBulan JJ FF MM AA MM JJ JJ AA SS OO NN DD

PenjualanPenjualan 3030 2020 4545 3535 3300

6600

4400

5500

4455

6655

5500

3355

Bagaimana ramalan permintaan produk “x” untuk 12 Bagaimana ramalan permintaan produk “x” untuk 12 bulan bulan

mendatang?mendatang? Penggambaran diagram pencarPenggambaran diagram pencar

Berdasarkan gambar diagram pencar tersebut akan Berdasarkan gambar diagram pencar tersebut akan dicoba 2 bentuk pola data, yaitu konstan dan trend. dicoba 2 bentuk pola data, yaitu konstan dan trend. Untuk konstan diambil metode moving average 4 Untuk konstan diambil metode moving average 4 periode dan untuk trend digunakan metode linear periode dan untuk trend digunakan metode linear moving average 4 periode.moving average 4 periode.

0

10

20

30

40

50

60

70

0 1 2 3 4 5 6 7 8 9 10 11 12

DataData MA(4)MA(4) Ramalan Ramalan ee ee22

303020204545353530306060404050504545656550503535

32,5032,5032,5032,5042,5042,5041,2541,2545,0045,0048,7548,7550,0050,0052,5052,5048,7548,75

32,5032,5032,5032,5042,5042,5041,2541,2545,0045,0048,7548,7550,0050,0052,5052,5048,7548,75

-2,50-2,5027,5027,50-2,50-2,508,758,75

0016,2516,25

0017,5017,50

6,256,25756,25756,25

6,256,2576,5676,56

00264,06264,06

00306,25306,25

1415,621415,62

Moving Average 4 Periode :

DatDataa

MA(4MA(4))

St’St’

M4(4x4M4(4x4))

St”St”atat btbt FFt + mt + m ee ee22

303020204545353530306060404050504545656550503535

32,5032,5032,5032,5042,5042,5041,2541,2545,0045,0048,7548,7550,0050,0052,5052,5048,7548,75

37,1437,1430,3130,3134,3834,3846,2546,2549,0649,0652,5052,50

45,3645,3656,6956,6963,1263,1253,7553,7555,9455,9445,0045,00

0,750,752,672,672,612,610,680,680,630,630,680,68

46,1146,1159,3659,3665,7365,7354,4354,4356,5756,5744,3244,32

3,893,89-14,36-14,36-0,73-0,73-4,43-4,4321,5721,57

15,1315,13206,21206,21

0,530,5319,6219,62

456,26456,26

706,75706,75

Linear Moving Average 4 Periode :

SEE data berpola trend “lebih kecil”, sehingga ramalan SEE data berpola trend “lebih kecil”, sehingga ramalan permintaan untuk 12 bulan mendatang sebagai berikut permintaan untuk 12 bulan mendatang sebagai berikut ::

Ft + m = 45,00 – 0,68mFt + m = 45,00 – 0,68m

Bulan 13 Bulan 13 Ft = 44,32 Ft = 44,32

Bulan 14 Bulan 14 Ft = 43,64 Ft = 43,64

Bulan 15 Bulan 15 Ft = 42,96 Ft = 42,96

Bulan 16 Bulan 16 Ft = 42,28 Ft = 42,28

Bulan 17 Bulan 17 Ft = 41,60 Ft = 41,60

Bulan 18 Bulan 18 Ft = 40,92 Ft = 40,92

Bulan 19 Bulan 19 Ft = 40,24 Ft = 40,24

Bulan 20 Bulan 20 Ft = 39,56 Ft = 39,56

Bulan 21 Bulan 21 Ft = 38,88 Ft = 38,88

Bulan 22 Bulan 22 Ft = 38,20 Ft = 38,20

Bulan 23 Bulan 23 Ft = 37,52 Ft = 37,52

Bulan 24 Bulan 24 Ft = 36,84 Ft = 36,84

Untuk menguji apakah fungsi cukup representatif pola datanya, Untuk menguji apakah fungsi cukup representatif pola datanya,

digunakan proses verifikasi digunakan proses verifikasi digunakan digunakan Moving Range ChartMoving Range Chart

(Peta sebaran bergerak)(Peta sebaran bergerak)

CL = Central Line = 0CL = Central Line = 0

= = eett - - eet - 1t - 1

Dari data yang lalu : dt’ = 29 + 2t. Dari data yang lalu : dt’ = 29 + 2t. Regresi Linier Regresi Linier

1-N

MRtMR 2

n

t

MR 2,66 UCLBA

MR 2,66- LCL BB

)'()'(MRt 11 tttt dddd

Dari data yang lalu : dt’ = 29 + 2t. (Regresi Linier)Dari data yang lalu : dt’ = 29 + 2t. (Regresi Linier)

tt dtdt dt’dt’ dt – dt’ dt – dt’ MRtMRt

112233445566778899101011111212

303020204545353530306060404050504545656550503535

313133333535373739394141434345454747494951515353

-1-1-13-131010-2-2-9-91919-3-355-2-21616-1-1-18-18

12122323121277282822228877181817171717171171

BA A B C

t

BB A B C

41,32

27,48

13,74

0

-13,74

-27,48

-41,23

KONDISI – KONDISI OUT OF CONTROLKONDISI – KONDISI OUT OF CONTROL- Bila ada titik sebaran (dt-dt’) diluar batas kontrol Bila ada titik sebaran (dt-dt’) diluar batas kontrol

(>BA ; <BB)(>BA ; <BB)

Jika semua titik sebaran berada pada batas kontrol, Jika semua titik sebaran berada pada batas kontrol, apakah dijamin bahwa fungsi tersebut representatif ? apakah dijamin bahwa fungsi tersebut representatif ? Belum tentu !! Belum tentu !!

Cek, ikuti aturan berikutCek, ikuti aturan berikut : :- Aturan 3 titikAturan 3 titik : bila ada tiga buah titik secara berurutan : bila ada tiga buah titik secara berurutan

yang ada pada salah satu sisi, daerah Ayang ada pada salah satu sisi, daerah A- Aturan 5 titikAturan 5 titik : bila terdapat lima buah titik secara : bila terdapat lima buah titik secara

berurutan berada pada salah satu sisi, daerah Bberurutan berada pada salah satu sisi, daerah B- Aturan 8 titikAturan 8 titik : bila terdapat 8 buah titik secara : bila terdapat 8 buah titik secara

berurutan berada pada salah satu sisi, daerah Cberurutan berada pada salah satu sisi, daerah C

MRC

OUT OF CONTROL

Gunakan Fungsiyang

Diperoleh untuk meramal

Gejala tsb bukanBersifat randomSehingga dataMenyimpang

(≠ tidak mengikutihk. Statistika)

FungsiPenyebabnya

diketahui

Ganti denganFungsi baru

Ulangikembali

Mengitung kembali Fungsi tsb dengan

Menghilangkan titik-titik out of control

sehingga diperolehFungsi baru

(jumlah data berkurang)

tidak

ya

ya

tidak

Mis: pada titik tsb ada pesanan khusus