View
377
Download
32
Category
Preview:
DESCRIPTION
Laporan PPIC
Citation preview
2013TUGAS BESARPerencanaan & Pengendalian ProduksiBAB IPENDAHULUAN
0. Latar BelakangPada masa-masa ini proses produksi dalam industri harus dipandang sebagai suatu sistem perbaikan yang terus menerus. Produksi memiliki komponen atau elemen yang saling menunjang satu sama lain. Elemen utama dalam proses produksi yaitu input-proses output merupakan proses harus semakin berkembang seiring berjalannya waktu.Oleh karena itu diperlukan pembelajaran lebih dalam mengenai perencanaaan dan pengendalian yang baik pada sistem produksi. Dalam perencanaan diperlukan beberbagai proses untuk menghasilkan output yang maksimal. Dalam tugas besar ini akan mempelajari tahapan-tahapan dalam perencanaan sebuah sistem produksi berdasarkan studi kasus pada sebuah perusahaan. Perusahaan yang digunakan sebagai bahan studi kasus adalah PT. Good Wold. PT. Good Wood merupakan perusahaan manufaktur yang bergerak dalam bidang funiture. Perusahaan tersebut terletak di Kota Malang dengan pangsa pasar di seluruh Indonesia.
0. Rumusan MasalahBerikut rumusan masalah yang diangkat dalam pembahasan tugas besar ini adalah:1. Bagaimana melakukan suatu perencanaan produksi yang baik dan menghasilkan output yang optimal pada industri furniture PT. Good Wood?1. Bagaimana melakukan suatu pengendalian bahan baku yang baik agar efisiensi biaya produksi dapat tercapai?1. Bagaimana melakukan analisa biaya dari suatu sistem produksi?
0. TujuanTujuan dari penulisan laporan tugas besar ini adalah:1. Mahasiswa diharapkan dapat memahami bagaimana perencanaan produksi sehingga menciptakan output yang optimal.1. Mahasiswa diharapkan dapat memahami bagaimana pengendalian bahan baku yang efisien pada industri furniture PT. Good Wood.1. Mahasiswa diharapakan dapat menganalisa biaya sistem produksi pada PT. Good Wood.
0. ManfaatManfaat dari penulisan laporan tugas besaar ini adalah:1. Mahasiswa dapat memahami tahapan-tahapan dalam perencanaan produksi dan pengendalian bahan baku dalam sebuah sistem produksi.1. Mahasiswa dapat menganalisa suatu sistem produksi untuk mencapai output yang optimal melalui studi kasus pada PT. Good Wood.
0. BatasanBerikut batasan enulisan laporan tugas besar ini, yaitu:1. Produk furniture yang dibuat berdasarkan komponen-komponen kayu, partikel board, handle, cat, baut, paku.1. Data penjualan yang digunakan tiga periode terakhir.1. Perencanaa produksi dan pengendalian persediaan dilakukan selama horison 6 bulan ke depan.
0. AsumsiBerikut asumsi penulisan laporan tugas besar ini, yaitu:1. Proses produksi tidak mengalami perubahan selama penelitian dilaksanakan. 1. Tidak ada perubahan spesifikasi produk selama penelitian dilakukan. 1. Fasilitas produksi berjalan pada kondisi normal dan lancar. 1. Material dan bahan-bahan penunjang lainnya selalu tersedia.
BAB IITINJAUAN PUSTAKA
2.1 Perencanaan dan Pengendalian Produksi
Gambar 2.1 Framework perencanaan dan pengendalian produksiSumber: Hakim Nasution dan Yudha Prasetyawan, 2008:40
1. Tahap PeramalanPeramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan.
2. Tahap Perencanaan AgregatPerencanaan Agregat merupakan suatu perencanaan produksi yang bersifat global dan tidak menggunakan satuan jenis produk (Individual Product). Perencanaan agregat adalah perencanaan yang dibuat untuk menentukan total permintaan dari seluruh elemen produksi dan jumlah tenaga kerja yang diperlukan. Perencanaan agregat merupakan perencanaan produksi jangka panjang menengah. Horizon perencanaannya biasanya berkisar antara 1 sampai 24 bulan atau bisa bervariasi dari 1 tahun sampai 3 tahun. Horizon tersebut tergantung pada karakteristik produk dan jangka waktu produksi. Periode perencanaan disesuaikan dengan periode peramalan, biasanya 1 bulan.Pada umumnya ada empat jenis strategi yang dapat dipilih dalam membuat perencanaan agregat, antara lain :0. Memproduksi banyak barang pada saat permintaan rendah, dan menyimpan kelebihannya sampai saat yang dibutuhkan. Alternatif ini akan menghasilkan tingkat produksi relatif konstan, tetapi mengakibatkan ongkos persediaan yang tinggi.0. Menambah tenaga kerja pada saat permintaan tinggi dan memberhentikannya pada saat permintaan rendah.0. Melemburkan pekerja. Alternatif ini serung dipakai dalam perencanaan agregat, tetapi ada keterbatasannya dalam menjadwalkan kapasitas mesin dan tenaga kerja yang ada. Jika permintaan naik, maka kapasitas produksi dapat dinaikkan dengan melemburkan pekerja.0. Mensubkontrakkan sebagian pekerjaan pada saat sibuk. Alternatif ini akan mengakibatkan tambahan ongkos karena subkontrak dan ongkos kekecewaan konsumen bila terjadi kelambatan penyerahan dari barang yang disubkontrakkan.
3. Capacity PlanningPerencanaan kapasitas adalah proses menentukan tingkat kapasitas yang diperlukan untuk melakukan jadwal produksi, dibandingkan terhadap kapasitas yang tersedia dan tindakan-tindakan penyesuaian yang diperlukan terhadap tingkat kapasitas atau jadwal produksi yang sudah dibuat.
(1) Rought Cut Capacity PlanningPenentuan kebutuhan kapasitas kasar atau Rough-Cut Capacity Planning (RCCP)menentukan kebutuhan kapasitas yang diperlukan untuk melaksanakan Jadwal Induk Produksi. Ketidaklayakan JIP akan diperbaiki oleh RCCP dimana RCCP akan mengkonversikan JIP menjadi kebutuhan-kebutuhan kapasitas untuk sumber daya utama dan kemudian menentukan apakah JIP tersebut layak dengan keterbatasan-keterbatasan kapasitas yang ada. Rough-Cut Capacity Planning digunakan untuk menyesuaikan kapasitas jangka manengah. Tindakan yang mungkin dilakukan meliputi penentuan standar peralatan mesin, penentuan subkontrak, atau alokasi tenaga kerja.Ada 3 teknik perencanaan kebutuhan kapasitas kasar yaitu :1. Pendekatan Total Faktor (overall factor approach)2. Pendekatan Daftar Tenaga Kerja3. Pendekatan Profil Sumber
0. Capacity Requirement PlanningCapacity Requirement Planning (CRP) adalah fungsi untuk menentukan, mengukur, dan menyesuaikan tingkat kapasitas atau proses untuk menentukan jumlah tenaga kerja dan sumber daya mesin yang diperlukan untuk melaksanakan produksi. CRP merupakan teknik perhitungan kapasitas rinci yang dibutuhkan oleh perencanaan kebutuhan material (Material Requirement Planning). CRP memverifikasi apakah kapasitas yang tersedia mencukupi selama rentang perencanaan.
1. PeramalanPeramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramalan, sering berdasarkan data deret waktu historis. Peramalan menggunakan teknik-teknik peramalan yang bersifat formal maupun informal. (Gaspersz, (2004) Production Planning and Inventory Control:25)Dua hal pokok yang harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat:1. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan peramalan yang akurat.1. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi data yang diperoleh semaksimal mungkin.Peramalan diperlukan untuk mengantisipasi suatu peristiwa yang dapat terjadi pada masa yang akan datang, sehingga dapat dipersiapkan kebijaksanaan atau tindakantindakan yang perlu dilakukan.
2.2.1 Manfaat Peramalan1. Membantu agar perencanaan suatu pekerjaan dapat diperkirakan dengan secara tepat.1. Merupakan suatu pedoman dalam menentukan tingkat persediaan perencanaan dapat sebagai masukan untuk penentuan jumlah investasi.1. Membantu menentukan pengembangan suatu pekerjaan untuk periode selanjutnya.
2.2.2 Pendekatan PeramalanPendekatan metode kualitatif umumnya bersifat subjektif, dipengaruhi oleh intuisi, emosi, pendidikan dan pengalaman seseorang. Oleh karena itu hasil peramalan dari satu orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan kualitatif dapat menggunakan teknik/metode peramalan, yaitu :1. Juri dari Opini Eksekutif: metode ini mengambil opini atau pendapat dari sekelompok kecil manajer puncak/top manager (pemasaran, produksi, teknik, keuangan dan logistik), yang seringkali dikombinasikan dengan model-model statistik.1. Gabungan Tenaga Penjualan: setiap tenaga penjual meramalkan tingkat penjualan di daerahnya, yang kemudian digabung pada tingkat provinsi dan nasional untuk mencapai ramalan secara menyeluruh.1. Metode Delphi: dalam metode ini serangkaian kuesioner disebarkan kepada responden, jawabannya kemudian diringkas dan diberikan kepada para ahli untuk dibuat peramalannya. Metode memakan waktu dan melibatkan banyak pihak, yaitu para staf, yang membuat kuesioner, mengirim, merangkum hasilnya untuk dipakai para ahli dalam menganalisisnya. Keuntungan metode ini hasilnya lebih akurat dan lebih profesional sehingga hasil peramalan diharapkan mendekati aktualnya.1. Survai Pasar (market survey): Masukan diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian pada periode yang diamati. Survai dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung.Metode peramalan kuantitatif dapat dikelompokkan menjadi dua jenis, yaitu :1. Model seri waktu / metode deret berkala (time series) metode yang dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu.Model Seri Waktu / Metode deret berkala, terbagi menjadi :3. Rata-rata bergerak (moving averages),3. Penghalusan eksponensial (exponential smoothing),3. Proyeksi trend (trend projection)1. Model/metode kausal (causal/explanatory model), mengasumsikan variabel yang diramalkan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas (independent variable).
2.2.3 Horizon PerencanaanPeramalan akan permintaan hasil produksi mempunyai suatu kurun waktu yang biasa disebut horizon perencanaan yang terbagi atas periode-periode perencanaan yaitu tahun, bulan, dan minggu. Klasifikasi periode perencanaan peramalan tersebut seperti berikut:1. Peramalan Jangka Panjang.Peramalan ini mencakup waktu lebih besar 24 bulan atau 2 tahun. Misalnya peramalan yang berkaitan dengan penanaman modal, perencanaan fasilitas, dan sebagainya.1. Peramalan Jangka Menengah.Peramalan ini mencakup waktu 3 sampai 24 bulan. Misalnya peramalan untuk perencanaan penjualan, perencanaan, dan anggaran produksi.1. Peramalan Jangka Pendek.Peramalan ini mencakup waktu kurang dari 3 bulan. Misalnya peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja, dan penugasan.
2.2.4 Kriteria PeramalanPeramalan yang baik mempunyai beberapa kriteria yang penting, antara lain akurasi, biaya,dan kemudahan. Penjelasan dari kriteria-kriteria tersebutadalah sebagai berikut:1. Akurasi.Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut bila terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bilabesarnya kesalahan peramalan relatif kecil.Peramalan yang terlalu rendah akan mengakibatkan kekuranga persediaan,sehingga permintaan konsumen tidak dapat dipenuhi segera akibatnya perusahaan dimungkinkan kehilangan pelanggandan kehilangan keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga banyak modal yang terserap siasia. Keakuratan dari hasil peramalan ini berperan penting dalam menyeimbangkan persediaan yang ideal1. Biaya.Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah item yang diramalkan, lamanya periode peramalan,dan metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebutakan mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus disesuaikan dengan dana yang tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang penting akan diramalkan dengan metode yang sederhana dan murah. Prinsip ini merupakan adopsi dari hukum Pareto (Analisa ABC).1. KemudahanPenggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah percuma memakai metode yang canggih, tetapi tidak dapatdiaplikasikan pada sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun peralatan teknologi.
2.2.5 Metode Peramalan (Forecasting)Berikut adalah metode-metode pada proses peramalan.
2.2.5.1 Metode Rata-Rata Bergerak (Moving Average)Moving Average diperoleh dengan merata-rata permintaan berdasarkan beberapa data masa lalu yang terbaru. Tujuan utama dari penggunaan teknik MA ini adalah untuk mengurangi atau menghilangkan variasi acak permintaan dalam hubungannya dengan waktu. Tujuan ini dicapai dengan merata-ratakan beberapa nilai data secara bersama-sama, dan menggunakan nilai rata-rata tersebut sebagai ramalan permintaan untuk periode yang akan datang. Disebut rata-rata bergerak karena begitu setiap data aktual permintaan baru deret waktu tersedia, maka data aktual permintaan yang paling terdahulu akan dikeluarkan dari perhitungan, kemudian suatu nilai rata-rata baru akan dihitung. Secara matematis, maka MA akan dinyatakan dalam persamaan sebagai berikut:
Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:40Dimana:MA: Peramalan permintaan pada periode tAt: Permintaan aktual pada periode ke-tN : jumlah data permintaan yang dilibatkan dalam perhitungan MA
Karena data aktual yang dipakai untuk perhitungan MA berikutnya selalu dihitung dengan mengeluarkan data yang paling terdahulu, maka:
Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:40Dimana :MA: Peramalan permintaan pada periode tMAt-1: Peramalan permintaan pada periode t-1At: Permintaan aktual pada periode ke-tN : jumlah data permintaan yang dilibatkan dalam perhitungan MA
2.2.5.2 Metode Rata-Rata Bergerak dengan Bobot (Weighted Moving Average)Secara matematis, WMA dapat dinyatakan sebagai berikut:
Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:45Dimana:Wt = Bobot permintaan aktual pada periode tAt = Permintaan aktual pada periode t
Dengan keterbatasan bahwa:
Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:45Dimana:Wt = Bobot permintaan aktual pada periode t
2.2.5.3 Metode Pemulusan Eksponensial (Exponential Smoothing)Metode peramalan dengan pemulusan eksponensial biasanya digunakan untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak. Metode permalan ini bekerja hampir serupa dengan alat thermostat. Apabila galat ramalan(forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (AF>0), maka modelpemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya. Sebaliknya, apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A F < 0), maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan telah mencapai nol. Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula seperti di bawah ini (Gaspersz, 2004).
Sumber: Hakim Nasution dan Yudha Prasetyawan, 2008:45Dimana:Ft : nilai ramalan untuk periode waktu ke-tFt-1: nilai ramalan untu satu periode waktu yang lalu, t-1At-1 : nilai aktual untuk satu periode waktu yang lalu, t-1: konstanta pemulusan (smoothing constant)Cara yang digunakan untuk mengetahui sejauh mana keandalan dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola historis dari data aktual permintaan (Gaspersz, 2004).
2.2.5.4 Metode Double Exponential Smoothing (Holt Winter Additive)Pada beberapa kasus komponen anggaran kas tidak mampu diproyeksi secara musiman. Hal ini dikarenakan terdapat data yang hilang atau tidak lengkapnya data perbulan. Tidak lengkapnya data ini bukan berarti datanya tidak mampu didapat namun secara faktual data tersebut tidak ada, antara lain untuk lain-lain penerimaan daerah yang sah. Pengeluaran pembiayaan dan penerimaan pembiayaan. Komponen anggaran kas ini tidak adanya transaksi di bulan-bulan tertentu, misalkan bulan mei, juni dan juli untuk penerimaan pembiayaan tidak ada. Oleh karena itu proyeksi dilakukan dengan metode exponential smoothing holt dan exponential smoothing brown. Dan untuk mendistribusikan pada bulan yang bersangkutan, maka dilakukan dengan mengalikan rata-rata transaksi dengan indeks musimannya.Model ini dapat diterapkan ketika time series mengandung komponen musiman (seasonal). Metode ini mengasumsikan bahwa time series tersusun dari siklus trend dan musiman linier, yang tersusun dari tiga rangkaian proses statistik yang terkorelasi (pemulusan, trend, dan musiman) dan memproyeksikan trend serta komponen musiman ke depan.0. Base Level:Et = (Yt St-p) + (1 ) (Et-1 + Tt-1), pada periode t; 0 10. Ekspektasi Nilai Trend:Tt = (Ee Et-1) + (1 ) Tt-1, pada periode t; 0 10. Hitung Faktor Seasonal:St = (Yt Et-1) + (1 ) St-p, pada periode t; 0 10. Hasil forecast:+= + + , + 0. Untuk Inisiasi:Untuk 1 seasonal pertama: = - t = 1,2, , p;Sumber: Pangestu Subagyo, 1986:25Dimana:P: banyaknya periode dalam 1 seasonal = : pertama periode ke pada seasonal pertama = 0: periode ke pada seasonal pertama
2.2.5.5 Metode Double Exponential Smoothing (Holt Winter Multikatif)Metode ini dapat diterapkan pada data time series musiman sama halnya dengan additive, tetapi pada model ini diasumsikan bahwa komponen-komponen time series (pemulusan data, trend, dan musiman), dikalikan satu sama lain sehingga menghasilkan data time series yang lebih aktif.Selain metode dekomposisi untuk memproyeksi data yang bersifat musiman dapat dilakukan dengan metode kecenderungan dan musiman tiga parameter dari winters atau biasa disebut winters multiplicative. Metode winters didasarkan atas tiap persamaan pemulusan, yaitu satu untuk unsure stasioner, satu untuk trend dan satu untuk musiman. Memproyeksi data time series yang bersifat musiman yang memiliki data stasioner dengan efek musiman yang multiplikatif atau biasa disebut multiplicative seasonal effect dapat menggunakan metode winter multiplicative method dengan rumus sebagai berikut :
0. Base level = + (1 ) (+ ), pada periode t; 0 10. Ekspektasi nilai trend:Tt = ( - ) + (1 ) -1, pada periode t; 0 10. Faktor seasonal: = (+ ( 1- ) S-, pada periode t = 0 10. Hasil forecast: +n = ( + n ) St +n p , pada periode t = 1,2, , +1 = (Et + Tt ) St p, pada periode t + n0. Untuk InisiasiUntuk 1 seasonal pertama: t = , t = 1,2 ,.,pSumber: Pangestu Subagyo, 1986:27Dimana:P: banyaknya periode dalam 1 seasonalEp= : periode ke p pada seasonal pertamaTp = 0: periode ke p pada seasonal pertama
1. Ukuran Akurasi PeramalanValidasi metode peramalan terutama dengan menggunakan metode-metode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan. Bagaimanapun juga terdapat sejumlah indikator dalam pengukuran akurasi peramalan, tetapi yang paling umum digunakan adalah mean absolute deviation mean absolute percentage error, dan mean squared error.4. Mean Absolute Deviation(MAD)Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute percentage error, dan mean squared errorsemakin kecil. MAD merupakan nilai total absolut dari forecast error dibagi dengan data. Atau yang lebih mudah adalah nilai kumulatif absolut error dibagi dengan periode. Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut:
Sumber: Pangestu Subagyo, 1986:30
b.Mean Squared Error (MSE)Menurut Gaspersz (2004), mean squared error biasa disebutjuga galat peramalan. Dalam sistem peramalan, penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbedadan derajat dari galat ramalan yang berbeda pula.Rata-rata kesalahan kuadrat memperkuat pengaruh angka-angkakesalahan besar, tetapi memperkecil angka kesalahanprakiraan yang lebih kecil dari satu unit.
Sumber: Pangestu Subagyo, 1986:31
c. Mean Absolute Percentage Error (MAPE)Rata-rata persentase kesalahan kuadrat merupakanpengukuran ketelitian dengan cara persentase kesalahan absolute.MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalambentuk persentasenya terhadap data aktualnya.
Sumber: Pangestu Subagyo, 1986:31
d. Tracking SignalMenurut Gaspersz (2004), suatu ukuran bagaimana baiknyasuatu ramalanmemperkirakan nilai-nilai aktual suatu ramalandiperbaharui setiap minggu, bulan atau triwulan, sehingga datapermintaan yang baru dibandingkan terhadap nilai-nilai ramalan.Tracking signal dihitung sebagai running sum of the forecast errorsdibagi dengan mean absolute deviation.Tracking Signal = Sumber: Pangestu Subagyo, 1986:32
1. Economic Order QuantityEconomic Order Quantity (EOQ) adalah model persediaan yang pertama kali dikembangkan tahun 1915 secara terpisah oleh Ford Harris dan R.H. Wilson. Metode EOQ merupakan sebuah perhitungan dengan rumus mengenai berapa jumlah, atau frekuensi pemesanan, atau nilai pemesanan yang paling ekonomis. Dalam hampir semua situasi yang menyangkut pengelola persediaan barang jadi, metode ini dapat dikatakan cocok untuk digunakan. Metode EOQ dapat dilaksanakan apabila kebutuhan-kebutuhan per-mintaan pada masa yang akan datang memiliki jumlah yang konstan dan relatif memiliki fluktuasi perubahan yang sangat kecil. Apabila jumlah per-mintaan dan masa tenggang diketahui, maka dapat diasumsikan bahwa jumlah permintaan dan masa tenggang merupakan bilangan yang konstan dan diketahui. EOQ dihitung denga menganalisis total biaya (TC). Total biaya pada satu periode merupakan jumlah dari biaya pemesanan ditambah biaya penyimpanan selama periode tertentu.Secara grafik model persediaan EOQ dapat dilihat pada Gambar berikut:
Sumber: Elisabeth Sibarani, Faigiziduhu Buulolo, 2013Gradien garis singgung di titik kritis diperoleh dengan cara menurunkan fungsi yang bersangkutan terhadap variabel keputusannya. Fungsi persediaannya yaitu :
Dimana: D = Jumlah kebutuhan barangQ= Jumlah setiap pemesananQopt = jumlah pemesanan optimalOc = Biaya pemesananH = Biaya penyimpananP = biaya pembelianTC = biaya total persediaandikarenakan Purchasing Cost tidak berpengaruh terhadap hasil EOQ, maka didapatkan Total Increment Cost yaitu:
dimana untuk mencari jumlah pemesanan optimal dapat dilakukan dengan menurunkan fungsi TIC diatas :
BAB IIISTUDI KASUS
3.1Gambaran Umum UsahaPerusahaan yang digunakan sebagai bahan studi kasus adalah PT. Good Wold. PT. Good Wood merupakan perusahaan manufaktur yang bergerak dalam bidang funiture. Perusahaan tersebut terletak di Kota Malang dengan pangsa pasar di seluruh Indonesia.
3.2ProdukProduk yang dibuat oleh PT. Good Wood antara lain adalah meja tulis, meja komputer, lemari dan rak buku. Produk-produk tersebut disusun oleh beberapa komponen pendukung yaitu:1. Kayu1. Partikel board1. Baut1. Paku1. Cat1. HandleBerikut ini merupakan kebutuhan komponen untuk masing-masing produk:Tabel 3.1 Kebutuhan Komponen ProdukA (m2)B(m2)CDE(kg)F
Meja Tulis5,5301,51
Meja Komputer4,7530
Lemari12252,52
Rak Buku3254
3.3Proses ProduksiGambaran Proses Produksi PT. Good Wood dapat dilihat pada gambar di bawah ini.
Gambar 3.1 Gambaran Proses Produksi ProdukKeterangan:A: KayuB: Parktikel BoardC: BautD: PakuE: CatF: HandleMI: Power Hack SawM2:Color SprayMasing-masing part tersebut memiliki beberapa kesamaan komponen penyusun, yang artinya sistem produksi berdasarkan group technology dan melalui proses fabrikasi ketika ada pesanan yang masuk dari pelanggan. Maka dapat dikatakan proses produksi berdasarkan Make to Order.
3.4Bahan BakuKomponen yang digunakan untuk menghasilkan keempat jenis produk tersebut didapatkan dari supplier dengan rincian keterangan sebagai berikut:Tabel 3.2 Rincian Bahan BakuKomponenLead TimeHargaPotongan
A2mingguRp. 50.000,-Tidak ada potongan
B1mingguRp. 45.000,-2% jika membeli lebih dari 1000m5% jika membeli lebih dari 2000m
C1mingguRp 150,-Tidak ada potongan
D1mingguRp 175,-Tidak ada potongan
E2mingguRp. 40.000,-5% jika membeli lebih dari 250kg
F1mingguRp, 15.000,-Tidak ada potongan
Perusahaan memiliki persediaan bahan baku (untuk minggu ke 0) dengan rincian sebagai berikut:Tabel 3.3 Persediaan Bahan BakuBahan BakuPersediaanDalam Pemesanan
A2500m27000 m2
B3000m25000 m2
C1500020000
D700025000
E500kg2100kg
BAB IVANALISA PEMBAHASAN
4.1ForecastingPada bagian ini dilakukan peramalan dengan menggunakan 3 metode, yaitu Moving Average (MA), Weighted Moving Average (WMA), dan Exponential Smoothing (ES) dengan Moving Average dan Weighted Moving Average menggunakan periode terpilih (N=3 atau N=4 atau N=5) serta untuk Exponential Smoothing menggunakan nilai =0.4, =0.45, =0.5.
4.1.1Meja TulisBerikut adalah data penjualan Meja Tulis selama 2 tahun terakhir :
Tabel 4.1 Data PenjualanMeja TulisBulan123456789101112
Meja Tulis320326356345329355321351365344339342
Bulan131415161718192021222324
Meja Tulis337348351319337365348352321382348329
Gambar 4.1 Grafik Permintaan Meja Tulis
4.1.1.1Moving AverageBerikut ini adalah hasil peramalan meja tulis dengan metode Moving AverageTabel 4.2 Metode Moving Average Meja TulisBulanDemand(A)F (3)F (4)F (5)
1320--
2326--
3356--
4345334-
5329343337
Tabel 4.3 Metode Moving Average Meja TulisBulanDemand(A)F (3)F (4)F (5)
6355344339336
7321343347343
8351335338342
9365343339341
10344346348345
11339354346348
12342350350344
13337342348349
14348340341346
15351343342342
16319346345344
17337340339340
18365336339339
19348341343344
20352350343344
21321355351345
22382341347345
23348352351354
24329351351351
Perbandingan :
Berdasarkan perhitungan diatas diketahui bahwa nilai MAD(3) = 14.77778 , MAD(4) = 14.58750 dan MAD(5) =13.76842. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada Moving Average produk Meja Tulis akan digunakan berdasarkan MA(5).
4.1.1.2 Weighted Moving AverageBerikut ini adalah hasil peramalan meja tulis dengan metode Weight Moving AverageTabel 4.4 Metode Weight Moving Average Meja TulisBulanDemand(A)F (3)F (4)F (5)
1320340
2326346342
3356339339338
4345345346345
5329334336338
6355342341341
7321353351349
8351353350349
9365345347346
10344342344346
11339339340342
12342344343343
13337348347346
14348335337338
15351334336337
16319348346346
17337352348347
18365353352350
19348336341342
20352357355355
21321355354353
22382345345346
23348341345345
24329343343345
Perbandingan:
Berdasarkan perhitungan diatas diketahui bahwa nilai MAD(3) =, MAD(4) = dan MAD(5) =. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada Weight Moving Average produk Meja Tulis akan digunakan berdasarkan MA(5).
4.1.1.3 Exponential SmoothingBerikut ini adalah hasil peramalan meja tulis dengan metode Eksponential Smoothing :Tabel 4.5Eksponential Smoothing Meja TulisBulanAktual(0,4) (0,45) (0,5)
1255235235235
2247243244245
3208245246246
4227230229227
5219229228227
6205225224223
7244217216214
8246228229229
9233236237238
10238235235236
11251236237237
12203242243244
13247227225224
14252235235236
15201242243244
16241226224223
17217232232232
18258226226225
BulanAktual(0,4) (0,45) (0,5)
19220239240242
20249232231231
21234239240240
22218237237237
23257230229228
24257241242243
Perbandingan :MAD (0,4) =18,34957MAD (0,45) =18,34497MAD (0,5) =18,31272Dari perbandingan nilai MAD di atas diketahui bahwa penggunaan =0.5 menghasilkan MAD terkecil diantara yang lain, sehingga dapat digunakan =0.5 pada metode peramalan Eksponential Smoothing produk meja tulis.
4.1.1.4 VerifikasiDari perhitungan berdasarkan metode MA(5), WMA(5) dan ES( =0.5), didapat nilai tracking signal dari masing-masing metode seperti pada tabel 4.5.Tabel 4.5 Rekap nilai ErrorMA(5)WMA(5)ES (0,5)
MAD18,31272
MAPE3,97930010418,44186,55464
MSE297,0273684469,82398,6258
Dari tabel diatas dapat dilihat perbandingan nilai diantara erornya, dapat dilihat pada metode Exponential Smoothing (=0,5) menunjukkan nilai MSE, MAD dan MAPE yang paling kecil diantara kedua metode lainnya. Sehingga metode Exponential Smoothing (=0,5) dapat diandalkan.
Gambar 4.2Tracking Signal Meja TulisDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model MA(5), WMA(5) dan ES(=0,5) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model MA(5), WMA(5) dan ES(=0,5) dapat dipergunakan.
Gambar 4.3 Peramalan dan Aktual Meja Tulis
Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan Exponential Smoothing (=0,5) dibandingkan dengan model MA dan WMA lebih sesuai dengan pola historis data aktual penjualan produk Meja Tulis.Berdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,5) pada produk meja tulis.Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:
Tabel 4.7 Peramalan Meja Tulis BulanDemandForecastBulanDemandForecast
132034316319319
232633217337337
335632918365365
434534319348348
532934420352352
635533721321321
732134622382382
835133423348348
936534324329329
1034435425342342
1133934926342342
1234234427342342
1333734328342342
1434834029342342
1535134430342342
4.1.2 Meja KomputerBerikut adalah data penjualan dari Meja Komputer dalam periode 2 tahun terakhir:Tabel 4.8 Data Penjualan Meja KomputerBulan123456789101112
Meja Komputer255247208227219205244246233238251203
Bulan131415161718192021222324
Meja Komputer247252201241217258220249234218257257
Gambar 4.4 Permintaan Meja Komputer
4.1.2.1 Moving AverageBerikut ini adalah hasil peramalan meja komputer dengan metode Moving Average
Tabel 4.7 Metode Moving Average Meja KomputerPeriodeDemand(A)F (3)F (4)F (5)
1225---
2247---
3208---
4227227--
5219228227-
6205218226226
7244217215222
8246223224221
9233232229229
10238241232230
11251239241234
12203241242243
13247231232235
14252234235235
15201234239239
16241234226231
17217232236229
18258220228232
19220239230234
20249232234228
21234243236237
22218235241236
23257234231236
24257237240236
Perbandingan:
Berdasarkan perhitungan di atas dapat diketahui nilai MAD(3) = ; MAD(4) = dan MAD(5) =. Nilai MAD(3) lebih kecil daripada nilai MAD(4) dan MAD(5), maka pada model Moving Average produk Meja Komputer dapat digunakan peramalan berdasarkan MA(3).
4.1.2.2 Weighted Moving AverageBerikut ini adalah hasil peramalan meja komputer dengan metode Weight Moving AverageTabel 4.9Metode Weight Moving Average Meja KomputerBulanDemand(A)F (3)F (4) F (5)
1255---
2247---
3208---
4227228.83--
5219224.00228.10--
6205219.83222.00225.07
7244213.33213.90216.33
8246226.83225.60223.93
9233238.50234.50232.40
10238239.17236.30234.00
11251237.67238.70236.87
12203243.67243.00242.80
13247224.83227.40229.67
14252233.00233.70233.93
15201242.17240.60239.80
16241225.67225.70227.40
17217229.50231.80230.80
18258222.33224.50226.87
Tabel 4.10Metode Weight Moving Average Meja KomputerBulanDemand(A)F (3)F (4) F (5)
19220241.50236.60235.67
20249232.17232.90231.07
21234240.83238.90238.27
22218236.67238.10237.27
23257228.50229.20231.40
24257240.17239.90238.47
Perbandingan:
Berdasarkan perhitungan di atas dapat diketahui nilai MAD(3) = 18.44 ; MAD(4) = 18.79 dan MAD(5) = 25.31. Nilai MAD(3) lebih kecil daripada nilai MAD(4) dan MAD(5), maka pada model Weighted Moving Average produk Meja Tulis dapat digunakan peramalan berdasarkan WMA(3).
4.1.2.3 Exponential SmoothingBerikut ini adalah hasil peramalan meja komputer dengan metode metode Eksponential Smoothing :Tabel 4.11Eksponential Smoothing Meja KomputerBulanAktual(0,4) (0,45) (0,5)
1255235235235
2247243244245
3208245246246
4227230229227
5219229228227
6205225224223
7244217216214
8246228229229
9233236237238
10238235235236
11251236237237
12203242243244
13247227225224
14252235235236
15201242243244
16241226224223
Tabel 4.12Eksponential Smoothing Meja KomputerBulanAktual(0,4) (0,45) (0,5)
17217232232232
18258226226225
19220239240242
20249232231231
21234239240240
22218237237237
23257230229228
24257241242243
Perbandingan :
18,34497
Berdasarkan perhitungan dapat diketahui nilai MAD(=0.4) = ; MAD(=0.45) = 18,34497dan MAD(=0.5) =. Nilai MAD(=0.5) lebih kecil daripada nilai MAD(=0.45) dan MAD(=0.5) maka pada model Exponential Smoothing produk Meja Komputer akan digunakan peramalan berdasarkan ES(=0.5).
4.1.2.4 VerifikasiDari perhitungan berdasarkan metode MA(3), WMA(5) dan ES( =0.5), didapat nilai tracking signal dari masing-masing metode seperti pada tabel 4.5.Tabel 4.13 Rekap nilai ErrorMA(3)WMA(3)ES (0,5)
MAD17,079418,4411,85001
MAPE7,3610982847,980,029038
MSE403,2275132469,82303,6141
Dari tabel diatas dapat dilihat perbandingan nilai diantara erornya, dapat dilihat pada metode Exponential Smoothing (=0,5) menunjukkan nilai MSE, MAD dan MAPE yang paling kecil diantara kedua metode lainnya. Sehingga metode Exponential Smoothing (=0,5) dapat diandalkan.
Gambar 4.5Tracking Signal Meja KomputerDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model MA(3), WMA(3) dan ES(=0,5) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model MA(3), WMA(3) dan ES(=0,5) dapat dipergunakan.
Gambar 4.6 Peramalan dan Aktual Meja Komputer
Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan Exponential Smoothing (=0,5) dibandingkan dengan model MA dan WMA lebih sesuai dengan pola historis data aktual penjualan produk Meja Komputer.Berdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,5) pada produk meja komputer . Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:
Tabel 4.14 Peramalan Meja KomputerBulanDemandForecastBulanDemandForecast
125523516241223
224724517217232
320824618258225
422722719220242
521922720249231
620522321234240
724421422218237
824622923257228
923323824257243
1023823625250250
1125123726250250
1220324427250250
1324722428250250
1425223629250250
1520124430250250
4.1.3 LemariBerikut ini adalah data penjualan Lemari selama periode 2 tahun terakhir:Tabel 4.15Data Penjualan LemariBulan123456789101112
Lemari119128134149105153137145128139134151
Bulan131415161718192021222324
Lemari146128161101136156110142129131138147
Gambar 4.7 Permintaan Lemari
4.1.3.1 Moving AverageBerikut ini adalah hasil peramalan lemari dengan metode Moving AverageTabel 4.16Metode Moving Average LemariBulanDemand(A)F (3)F (4)F (5)
1119--
2128--
3134--
4149127
5105137133
6153130129127
7137136136134
8145132136136
9128145135138
10139137141134
11134138138141
12151134137137
13146142138140
14128144143140
15161142140140
16101145147144
17136130134138
18156133132135
19110131139137
20142134126133
21129136136129
22131127135135
23138134128134
24147133135130
Perbandingan:
Berdasarkan perhitungan dapat diketahui nilai MAD(3) = ; MAD(4) = dan MAD(5) =. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada model Moving Average produk Lemari akan digunakan peramalan berdasarkan MA(5).
4.1.3.2 Weighted Moving AverageBerikut ini adalah hasil peramalan lemari dengan metode Weight Moving AverageTabel 4.17Metode Weight Moving Average lemariBulanDemand(A)F (3) F(4) F (5)
1119---
2128---
3134---
414913000
51051411380
6153125127127
7137137136136
8145137137137
9128144141140
10139136138137
11134137137138
12151135136136
13146144142141
14128146145143
15161138139139
16101148148147
17136126129132
18156129130132
19110141140139
Tabel 4.18 Metode Weight Moving Average lemariBulanDemand(A)F (3) F(4) F (5)
20142130129130
21129134135133
22131131132133
23138133131132
24147135135133
Perbandingan:
Berdasarkan perhitungan dapat diketahui nilai MAD(3) = 15.48 ; MAD(4) = 14.68 dan MAD(5) =13.34. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada model Weighted Moving Average produk Lemari dapat digunakan peramalan berdasarkan MA(5).
4.1.3.3 Exponential SmoothingBerikut ini adalah hasil peramalan Lemari dengan metode Eksponential Smoothing :Tabel 4.18Eksponential Smoothing LemariBulanAktual(0,4) (0,45) (0,5)
1119136136136
2128129128128
3134129128128
4149131131131
5105139139140
6153125124123
7137137137138
8145137137138
9128140141142
10139136135135
Tabel 4.19Eksponential Smoothing LemariBulanAktual(0,4) (0,45) (0,5)
11134137137137
12151136136136
13146142143144
14128144145145
15161138137137
16101147148149
17136129127125
18156132131131
19110142143144
20142129128127
21129135135135
22131133132132
23138132132132
24147135135135
Perbandingan:. 10,84247
Berdasarkan perhitungan dapat diketahui nilai MAD(=0.4) =10,84247; MAD(=0.45) = dan MAD(=0.5) = . Nilai MAD(=0.45) lebih kecil daripada nilai MAD(=0.5) dan MAD(=0.4) maka pada model Exponential Smoothing produk lemari dapat digunakan peramalan berdasarkan ES(=0.45).
4.1.3.4 VerifikasiDari perhitungan berdasarkan metode MA(5), WMA(5) dan ES( =0.45), didapat nilai tracking signal dari masing-masing metode seperti pada tabel berikut:
Tabel 4.20 Rekap nilai ErrorMA(5)WMA(5)ES (0,45)
MAD12,673713,34
MAPE9,68265617710,2198107,899
MSE273,9284211304,1048264,9684
Dari tabel diatas dapat dilihat perbandingan nilai diantara erornya, dapat dilihat pada metode Exponential Smoothing (=0,5) menunjukkan nilai MSE, MAD dan MAPE yang paling kecil diantara kedua metode lainnya. Sehingga metode Exponential Smoothing (=0,5) dapat digunakan
Gambar 4.8Tracking Signal LemariDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model MA(5), WMA(5) berada di luar batas yang diterima, dan ES(=0,5) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model MA(5), WMA(5) makaES(=0,5) dapat dipergunakan.
Gambar 4.9 Peramalan dan Aktual Lemari
Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan ketiga metode memiliki kesamaan pola dengan data historis.Berdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,5) pada produk lemari. Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:Tabel 4.21 Peramalan LemariBulanDemandForecastBulanDemandForecast
111913616101149
212812817136125
313412818156131
414913119110144
510514020142127
615312321129135
713713822131132
814513823138132
912814224147135
1013913525140,83141
1113413726140,83141
1215113627140,83141
1314614428140,83141
1412814529140,83141
1516113730140,83141
4.1.4 HandleBerikut ini adalah data penjualan Handle selama periode 2 tahunTabel 4.22 Data Penjualan HandleBulan123456789101112
Handle------------
Bulan131415161718192021222324
Handle1325101482117241013718
Gambar 4.10 Permintaan Handle
4.1.4.1 Moving AverageBerikut ini adalah hasil peramalan Handle dengan metode Moving AverageTabel 4.23 Metode Moving Average HandleBulanDemand(A)F(3)F (4)F (5)
113--
225--
310--
41416
581716
621111514
717151416
824161514
910211817
1013171816
117161617
1218101415
Perbandingan:
Berdasarkan perhitungan diketahui nilai MAD(3) = ; MAD(4) = dan MAD(5) =. Nilai MAD(5) lebih kecil daripada nilai MAD(3) dan MAD(4), maka pada model Moving Average produk Handle akan digunakan peramalan berdasarkan MA(5).
4.1.4.2 Weight Moving AverageBerikut ini adalah hasil peramalan handle dengan metode Weight Moving AverageTabel 4.24 Metode Weight Moving Average HandleBulanDemand(A)F(3)F (4)F (5)
113---
225---
310---
4141600
5815150
621111213
717161515
8241717216
910222019
1013161717
117141516
12181012213
Perbandingan:
Berdasarkan perhitungan diketahui nilai MAD(3) = 6.297 ; MAD(4) = 5.063 dan MAD(5) = 6.514. Nilai MAD(4) lebih kecil daripada nilai MAD(3) dan MAD(5), maka pada model Weighted Moving Average produk Handle akan digunakan peramalan berdasarkan MA(4).
4.1.4.3 Exponential SmoothingBerikut ini adalah hasil peramalan Handle dengan metode Eksponential Smoothing :Tabel 4.25Eksponential Smoothing HandleBulanDemand(A)ES(=0.4)ES(=0.45)ES(=0.45)
113121211
225131212
310181819
414151515
58151515
621121212
717161617
824171717
910202021
1013161616
117151515
1218121211
Perbandingan:5,776,195,46
Berdasarkan perhitungan diketahui nilai MAD(=0.4) = 5.455 ; MAD(=0.45) = 5.772 dan MAD(=0.5) = 6.193. Karena nilai MAD(=0.5) lebih kecil daripada nilai MAD(=0.4) dan MAD(=0.45) maka pada model Exponentil Smoothing produk Handle akan digunakan peramalan berdasarkan ES(=0.4).
4.1.4.4 VerifikasiDari perhitungan berdasarkan metode MA(5), WMA(4) dan ES( =0.4), didapat nilai tracking signal dari masing-masing metode seperti pada tabel 4.5.Tabel 4.26 Rekap nilai ErrorMA(5)WMA(4)ES (0,4)
MAD65,065,5
MAPE48,3257815956,3037,6
MSE45,8057142951,662,275085
Dari tabel diatas dapat dilihat perbandingan nilai diantara erornya, dapat dilihat pada metode Exponential Smoothing (=0,4) menunjukkan nilai MSE, MAD dan MAPE yang paling kecil diantara kedua metode lainnya. Sehingga metode Exponential Smoothing (=0,4) dapat diandalkan.
Gambar 4.11Tracking Signal HandleDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model MA(5), dan ES(=0,4) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model sedangkan WMA(4) berada di luar batas.
Gambar 4.12Peramalan dan Aktual Handle
Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan Exponential Smoothing (=0,4) dibandingkan dengan model MA dan WMA lebih sesuai dengan pola historis data aktual penjualan produk HandleBerdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,4) pada produk handle. Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:Tabel 4.27 Peramalan HandleBulanDemandForecast
11312
22512
31018
41415
5815
62112
71716
82417
91020
101316
11715
121812
131515
141515
151515
161515
171515
181515
4.1.5 Rak BukuBerikut ini adalah data penjualan rak buku dalam periode 2 tahun terakhir:Tabel 4.28 Data Penjualan Rak BukuBulan123456789101112
Rak Buku------------
Bulan131415161718192021222324
Rak Buku---------336365
Gambar 4.13 Permintaan Rak Buku
4.1.5.1 Exponential SmoothingBerikut ini adalah hasil peramalan meja tulis dengan metode Exponential Smoothing:Tabel 4.29 Metode Eksponential Smoothing Rak BukuBulanDemand(A)ES(=0.4)ES(=0.45)ES(=0.45)
133545454
263464544
365535354
Perbandingan:16,94217,1827817,38889
Berdasarkan perhitungan diketahui nilai MAD(=0.4) = 16,942; MAD(=0.45) = 17,1827 dan MAD(=0.5) = 17,3889 . Karena nilai MAD(=0.5) lebih kecil daripada nilai MAD(=0.4) dan MAD(=0.45) maka pada model Exponentil Smoothing produk rak buku akan digunakan peramalan berdasarkan ES(=0.4).
4.1.5.2 VerifikasiDari perhitungan berdasarkan metode ES( =0.4) ,ES( =0.45) dan ES( =0.5), didapat nilai tracking signal dari masing-masing metode seperti pada tabel berikutTabel 4.30 Rekap nilai ErrorES (0,4)ES (0,45)ES (0,5)
MAD16,9422222217,3888888917,18277778
MAPE36,6286158337,3494406837,01552398
MSE298,208237317,9722222308,1112972
Dari tabel diatas dapat dilihat perbandingan nilai diantara erornya, dapat dilihat pada metode Exponential Smoothing (=0,4) menunjukkan nilai MSE, MAD dan MAPE yang paling kecil diantara kedua metode lainnya. Sehingga metode Exponential Smoothing (=0,4) dapat diandalkan.
Gambar 4.14 Tracking Signal Rak BukuDari gambar diatas dapat dilihat bahwa nilai-nilai tracking signal dari masing-masing model ES(=0,4) dan ES(=0,5) berada di dalam batas yang dapat diterima yang menunjukkan akurasi model sedangkan ES(=0,45) berada di luar batas.
Gambar 4.15 Peramalan dan Aktual Rak Buku
Dari gambar diatas dapat dilihat bahwa pola grafik peramalan menggunakan Exponential Smoothing (=0,45) dibandingkan dengan model MA dan WMA lebih sesuai dengan pola historis data aktual penjualan produk Rak BukuBerdasarkan perbandingan yang telah dilakukan dari rekap nilai error, tracking signal dan grafik peramalan, dapat dipilih metode Exponential Smoothing (=0,45) pada produk rak buku .Sehingga untuk peramalan selanjutnya dapat dihitung dalam tabel berikut:Tabel 4.31 Peramalan Rak BukuBulanDemandForecast
13354
26346
36553
45358
55357
65656
75555
85555
95555
4.2Pengendalian PersediaanBerdasarkan studi kasus diketahui bahwa perusahaan melakukan pengendalian persediaan terhadap handle yang dipesan dari pihak lain, dengan lead time 1 minggu. Handle disini merupakan part yang dijual terpisah. Oleh karena itu digunakan metode EOQ dengan menggunakan ROP karena sesuai dengan asumsi perusahaan yaitu tidak ada stock out,independent demand, dan permintaan konstan.Tabel 4.32 Peramalan Produk HandleBulanDemandForecast
11312
22512
31018
41415
5815
62112
71716
82417
91020
101316
11715
121812
131515
141515
151515
161515
171515
181515
Dari tabel di atas dapat dilihat bahwa hasil peramalan dari kebutuhan handle dapat dikatakan konstan, maka dapat dilakukan pengendalian inventory dengan metode EOQ (Economic Order Quantity). Berikut ini adalah perhitungannya:Diketahui: Permintaan (Demand)= 15Lead Time (Lt)= 0,25 bulanBiaya pemesanan (Cost)=Rp3000,00Biaya penyimpanan (Holding Cost(H))=Rp200,00 perunit/minggu = Rp800,00 perunit/perbulanHarga produk (Price)=Rp15.000,00
Perhitungan EOQ
=10,6066(unit)Maka pemesanan ideal untuk produk handle tiap periode pesan adalah sebesar 11 buah.Berdasarkan hasil perhitungan EOQ diatas, diketahui bahwa nilai EOQ yang didapat adalah 10,6066. Hal ini menjelaskan bahwa jumlah barang tiap kali periode pemesanan yang optimal adalah 11 unit.
4.2.1 Perhitungan frekuensi pemesanan optimal
1,363636 Dari hasil perhitungan didapat frekuensi sebesar 2, hal ini menunjukkan bahwa pemesanan baiknya dilakukan 2 kali dalam sebulan.
4.2.2 Perhitungan rata-rata waktu pemesanan
1,3636Dari perhitungan duatas didapat rata2 waktu pemesanan adalah 2, yang berarti dalam sebulan terdapat rata-rata 2 kali pemesanan.
4.2.3 Perhitungan Reorder Point (ROP)
3,75 unitDari hasi perhitungan Rop diatas, diketahui bahwa ROP adalah 4 unit, yang berarti ketika persediaan produk sudah mencapai 4 buah, perlu dilakukan pemesanan kembali untuk memenuhi jumlah pemesanan yang optimal.
4.2.4 Perhitungan Total Incremental Cost
Rp 110.309,00Biaya pemesanan optimal dari produk tersebut adalah Rp110.309,00 , hal ini menunjukkan bahwa biaya pemesanan inkremental untuk tiap penebusan demand adalah sebesar Rp 110.309,00.
4.2.5 Perhitungan Total Cost
Rp 335.309,00Didapat nilai Total Cost adalah sebesar Rp 335.309,00 , hal ini menunjukkan total biaya yang harus dikeluarkan untuk memenuhi demand adalah sebesar Rp 335.309,00.
Berikut ini adalah grafik penggambaran dari Economic Order Quantity dan Reorder Point produk handle.
Gambar 4.16 Grafik Economic Order Quantity dan Reorder Point produk handle.
Pada grafik diatas dapat dilihat garis biru menandakan Demand, dengan EOQ ada pada puncak tertinggi garis yaitu pada angka 11. Diketahui ROP berada pada angka 4, dimana menandakan pemesanan kembali erjadi apabila stok barang tinggal 4 unit, dan dilakukan pemesanan pada waktu di titik t.
4.6. Bom TreeBom tree yang akan dibuat berdasarkan produk pada PT. Gold Wood, antara lain bom tree meja tulis, bom tree meja computer, bom tree lemari, dan bom tree rak buku.
4.6.1 Bom Tree MejaTulisBerikut ini merupakan Bom Tree dari meja tulis:
Berdasarkan BOM tree mejatulisdiatasdapatdiketahuiprodukmejatulismembutuhkankomponenAsebesar 5.5 m2, komponen D sebanyak 30, komponen E sebanyak 1.5 kg dankomponen F sebanyak 1 buah.
4.6.2 Bom Tree MejaKomputerBerikut ini merupakan Bom Tree dari meja komputer:
BerdasarkanBOM tree mejacomputerdiatasdapatdiketahuiprodukmejacomputermembutuhkankomponen B sebesar 4.75 m2dankomponen C sebanyak 30 buah.
4.6.3 Bom Tree LemariBerikut ini merupakan Bom Tree dari lemari:
Berdasarkan BOM tree lemariDiatasdapatdiketahuiproduklemarimembutuhkankomponenAsebesar 12 m2, komponen D sebanyak 25 buah, komponensebanyak 2.5 kg, dankomponen F sebanyak 2 buah.4.6.4 Bom Tree RakBukuBerikut ini merupakan Bom Tree dari rak buku:
Berdasarkan BOM tree rak buku diatas dapat diketahui produk rak buku membutuhkan komponen B sebesar 3 m2, komponen C sebanyak 25 buah, dan komponen F sebanyak 4 buah.
4.7. Perencanaan AgregatBerikut ini adalah langkah-langkah dalam perencaaan agregat:4.7.1. Kebutuhan Bersih Per Sub-AssemblyKebutuhan bersih per sub assembly dapat dihitung dari kebutuhan per komponen dalam satu produk dikalikan denga`n hasil forecast.Berikut ini adalah rekapan dari kebutuhan bersih dari per sub-assembly:Tabel 4.32 Rekapan Kebutuhan Bersih Per Sub-AssemblyA (m2)B (m2)CDE (kg)F
Meja tulis188110260513342
Meja komputer11887500
Lemari16923525353282
Rak Buku1741450232
Jumlah35731362895013785866856
Contoh perhitungan:Kebutuhan bersih komponen A meja tulis = kebutuhan komponen A meja tulis inventoriKebutuhan bersih komponen A meja tulis = 5,5 * 342 - 0Kebutuhan bersih komponen A meja tulis = 1881
4.7.2. Kecepatan Waktu ProduksiBerikut adalah rekapan perhitungan kecepatan waktu produksi per periode:Tabel 4.33Rekapan Perhitungan Kecepatan Waktu ProduksiKecepatan Produksi
A0,036363636m1
B0,05m1
E0,044444444m2
Kecepatan waktu produksi dapat diketahui dengan perhitungan sebagai berikut:Kecepatanproduksi= = ... jam/unitKecepatan produksi komponen A = = = 0,036363
Pada tabel di atas dapat diketahui bahwa kecepatan produksi komponen A adalah 0,036 jam/unit dengan menggunakan mesin 1, kemudian produksi komponen B 0,05 jam/unit dengan mesin 1 dan komponen E 0,04 jam/unit dengan mesin 2.
4.7.3. Waktu Produksi Produk.Berikut hasil waktu produksi produk :Tabel 4.34 Waktu Produksi ProdukWaktu produksi produkm1m2Jumlah
ABE
meja tulis0,200,0444444440,244444444
meja komputer00,237500,2375
Lemari0,43636363600,0888888890,525252525
rak buku00,150,1777777780,327777778
Jumlah
Perhitungan waktu produksi per produk dengan rumus:waktu produksi produk = =....per bahan bakunya dan mesin.Waktu produksi komponen A Meja Tulis = Waktu produksi komponen A Meja Tulis = Waktu produksi komponen A Meja Tulis = Selanjutnya dapat dihitung total waktu permesinan untuk masing-masing produk. Tabel 4.37 Waktu Permesinan ProdukWAKTU PERMESINAN
PERIODE 1KEBUTUHAN
M1M2
MEJA TULIS68,422,8
MEJA KOMPUTER59,4
LEMARI61,5272727315,68888889
RAK BUKU8,7
TOTAL198,027272738,48888889
TOTAL M1 DAN M2236,5161616
WAKTU SETUP24
TOTAL WAKTU MESIN260,5161616
PERIODE 2KEBUTUHAN
M1M2
MEJA TULIS68,422,8
MEJA KOMPUTER59,4
LEMARI61,5272727315,68888889
RAK BUKU8,55
TOTAL197,877272738,48888889
TOTAL M1 DAN M2236,3661616
WAKTU SETUP24
TOTAL WAKTU MESIN260,3661616
PERIODE 3KEBUTUHAN
M1M2
MEJA TULIS68,422,8
MEJA KOMPUTER59,4
LEMARI61,5272727315,68888889
RAK BUKU8,4
TOTAL197,727272738,48888889
TOTAL M1 DAN M2236,2161616
WAKTU SETUP24
TOTAL WAKTU MESIN260,2161616
PERIODE 4KEBUTUHAN
M1M2
MEJA TULIS68,422,8
MEJA KOMPUTER59,4
LEMARI61,5272727315,68888889
RAK BUKU8,25
TOTAL197,577272738,48888889
TOTAL M1 DAN M2236,0661616
WAKTU SETUP24
TOTAL WAKTU MESIN260,0661616
PERIODE 5KEBUTUHAN
M1M2
MEJA TULIS68,422,8
MEJA KOMPUTER59,4
LEMARI61,5272727315,68888889
RAK BUKU8,25
TOTAL197,577272738,48888889
TOTAL M1 DAN M2236,0661616
WAKTU SETUP24
TOTAL WAKTU MESIN260,0661616
PERIODE 6KEBUTUHAN
M1M2
MEJA TULIS68,422,8
MEJA KOMPUTER59,4
LEMARI61,5272727315,68888889
RAK BUKU8,25
TOTAL197,577272738,48888889
TOTAL M1 DAN M2236,0661616
WAKTU SETUP24
TOTAL WAKTU MESIN260,0661616
Total waktu permesinan = Total waktu permesinan meja tulis+Total waktu permesinan meja komputer+Total waktu permesinan lemari+Total waktu rak buku + setupTotal waktu permesinan periode 1 = Total waktu permesinan meja tulis periode 1 + Total waktu permesinan meja komputer periode 1 + Total waktu permesinan lemari periode 1+ Total waktu rak buku periode 1 + setupTotal waktu permesinan periode 1 = 68,4 + 22,8 + 59,4 + 59,4 + 15,68888889 + 8,7 + 198,0272727 + 38,48888889 + 28 = 260,51616164.7.4. Kecepatan Waktu Produksi PerakitanBerikut adalah hasil perhitungan kecepatan waktu produksi perakitan:Tabel 4.35 Kecepatan Waktu Produksi PerakitanKecepatan produksi perakitan
ProdukRata-rata perakitan/40 jam per mingguWaktu setup (jam)/bulanRata-rata perakitan perbulan
Meja tulis2001800
Meja komputer1801720
Lemari 1601640
Rak buku1751700
ProdukKecepatan
meja tulis0,2
meja komp0,222222222
Lemari0,25
rak buku0,228571429
Kecepatan waktu produksi perakitan komponen produk dapat dihitung dengan menggunakan perhitungan sebagai berikut:Kecepatan produksi perakitan= Kecepatan produksi perakitan meja tulis= =0,2 jam/unit
4.7.5. Total Waktu ProduksiHasil perhitungan total waktu produksi dapat diketahui dalam tabel di bawah ini:Tabel 4.36 Total Waktu ProduksiTotal Waktu Produksi
ProdukWaktu PemesinanWaktu PerakitanTotal Waktu Produksi
Meja tulis0,2444444440,20,444444444
Meja komputer0,23750,2222222220,459722222
Lemari 0,5252525250,250,775252525
Rak buku0,3277777780,2285714290,556349206
TOTAL2,235768398
Total waktu produksi dapat diketahui dengan perhitungan berikut:pX= (waktu eprmesinanpX + waktu perakitanpX)Produk Meja Tulis = Waktu permesinan meja tulis+waktu perakitan meja tulis= 0,244444444 + 0,2= 0,444444444
4.7.6. Total waktu permesinanBerikut ini adalah perhitungan waktu permesinan berdasarkan jam mesin:Tabel 4.37 Total Waktu Jam MesinJam Mesin
Periodem1m2
1198,002272738,04444444
2198,002272738,04444444
3198,002272738,04444444
4198,002272738,04444444
5198,002272738,04444444
6198,002272738,04444444
jam mesin1188,013636228,2666667
set up2828
Total1216,013636256,2666667
Waktu permesinan dapat dihitung dengan cara sebagai berikut:Waktu Permesinan =( net demand p1 x waktu produksi komponen p1 ) + (net demand p2 x waktu produksi komponen p2)Waktu permesinan Mesin 1 = (342 x 0,2) + (250 x 0,2375) + (141 x 0,4363) + (58 x 0,15)= 198,0023 jam/ periode
4.7.7. Perencanaan Agregat dengan Chase StrategyBerikut ini adalah perencanaan agregat dengan menggunakan chase strategy :4.7.7.1. Perhitungan ProporsiDi bawah ini merupakan hasil dari perhitungan proporsi dari tiap produk:Tabel 4.38 Perhitungan Proporsi tiap produkPROPORSI
Forecast MTForecast MKForecast LemariForecast Rak BukuJumlah Meja TulisMeja KomLemariRak BukuJumlah
342250141587910,4320,3160,17820,07331
342250141577900,4320,3160,17840,07211
342250141567890,4330,3160,1780,0701
342250141557880,4340,3170,17890,0691
342250141557880,4340,31720,17890,06971
342250141557880,4340,3170,17890,06971
Perhitungan proporsi dapat dihitung dari hasil forecast dibagi dengan jumlah total dalam satu periode.Proporsi meja tulis = 342/791=0,316
4.7.7.2. Perhitungan Chase StrategyBerikut ini merupakan hasil perhitungan dari chase strategy1. Perhitungan toal kebutuhan jam per periodeTable4.39 Total Perhitungan Kebutuhan jam per periodeKebutuhanSet upTotal waktu
PeriodeMTMKLR
1152114,9305556109,310606132,2682539728436,5094156
2152114,9305556109,310606131,7119047628435,9530664
3152139,0873016109,310606131,1555555628459,5534632
4152114,9305556109,310606130,5992063528434,840368
5152114,9305556109,310606130,5992063528434,840368
6152114,9305556109,310606130,5992063528434,840368
Waktu kebutuhan per periode= Hasil Forecast X Total waktu Porduksi Per produkWaktu kebutuhan meja tulis = 342 x 0,4 = 152Total jam per periode = Total kebutuhan waktu waktu seluruh produk + waktu setpuTotal waktu per periode 1=152+114,9305556+109,310606+132,26825397+28=436,5094156Kemudian biaya total per perode dimasukkan dalam perhitungan chase strategy.
2. Perhitungan chase strategyTabel 4.40Perhitungan Chase StrategyTotal WaktuRegulerOvertimeSubkontrak
1436,509415616020256,5094156
2435,953066416020255,9530664
3459,553463216020279,5534632
4434,84036816020254,840368
5434,84036816020254,840368
6434,84036816020254,840368
Perhitungan Subkontrak periode 1 = Total demand periode 1 reguler periode 1 overtime periode 1 Perhitungan Subkontrak periode 1 = 436,5094156 160 -20 = 256,5094156Tabel 4.41 Perhitungan per produk Chase Strategy Meja TulisMeja KomputerLemariRak BukuTOTAL
1110,905461681,0712438645,7241815418,80852858256,5094156
2110,804998480,9978058245,6827624818,46749973255,9530664
3121,175265488,5784103949,9582234619,84156393279,5534632
4110,603306980,8503705545,5996089917,78708152254,840368
5110,603306980,8503705545,5996089917,78708152254,840368
6110,603306980,8503705545,5996089917,78708152254,840368
Selanjutnya dilakukan perhitungan sub kontrak perunitTabel 4.42 Sub Kontrak PerunitSub Kontrak Per Unit
Meja TulisMeja KomputerLemariRak Buku
150383611
250383611
354413912
450383610
550383610
650383610
30423121964
TOTAL818
Perhitungan subkontrak Meja Tulis periode 1 = Perhitungan Chase StrategyMeja Tulis periode 1 x waktu produksiPerhitungan subkontrak Meja Tulis periode 1 = 110,9054616 x 0,45 =49.9 ~ 50Setelah itu dilakukan perhitungan biaya dengan chase strategy:
Tabel 4.43 Perhitungan Biaya dengan Chase StrategyTotal biaya
Biaya pekerja reguler276480000
Biaya pekerja lembur4992000
Biaya permesinan5152981,061
Overhead750000
Inventori0
biaya subkontrak2045000
TOTAL287374981,1
Perhitungan total biaya = biayapekerjaregular + biayapekerjalembur + biayapermesinan + overhead + inventori + biayasubkontrakPerhitungan total biaya = 276480000+ 4992000 + 5152981,061 +750000 + 0 + 2045000 =287374981,1Dari tabel di atas diketahui bahwa biaya pekerja reguler adalah Rp 27648000,00, sedangkan biaya pekerja lembur sebesar Rop 499.200,00 kemudian biaya permesinan sebesar Rp 5152981,061 dan selanjutnya biaya inventori 0, dikarenakan tidak ada inventori. Kemudian biaya sub kontrak dapat dihitung dari total sub kontrak per unit per produk dikalikan Rp 2500,00 maka sebesar Rp 2045000,00. Maka perhitungan biaya total sebesar Rp 287374981,10.
4.7.8. Perencanaan Agregat dengan Level StrategyBerikut ini adalah perencanaan agregat dengan menggunakan level strategy :Tabel 4.41 Level Strategylevel high (max prod)
Totalmax prodregulerovertimesubkontrakinventory (jam)MTMKLRBbiaya inventory
436,5094156459,553463216020279,553463223,0440476223,04404762544114000
435,9530664459,553463216020279,553463223,6003968346,64444444544114000
459,5534632459,553463216020279,5534632046,6444444400000
434,840368459,553463216020279,553463224,7130952471,35753968544114000
434,840368459,553463216020279,553463224,7130952496,07063492544114000
434,840368459,553463216020279,553463224,71309524120,7837302544114000
level mid (rata-rata prod)
Totalrata-rata prodregulerovertimesubkontrakinventory (jam)inventory unitbiaya inventory
436,5094156439,422841516020259,42284152,9134259262,91342592611114000
435,9530664439,422841516020259,42284153,4697751326,38320105811114000
459,5534632439,422841516020259,4228415-20,13062169-13,74742063-4-3-3-10
434,840368439,422841516020259,42284154,582473545-9,1649470911114000
434,840368439,422841516020259,42284154,582473545-4,58247354511114000
434,840368439,422841516020259,42284154,582473545-1,13687E-1311114000
level low (min prod)
Totalmin prodregulerovertimesubkontrakinventory (jam)inventory unitbiaya inventory
436,5094156434,84036816020254,840368-1,669047619-1,669047619-1-1-1-10
435,9530664434,84036816020254,840368-1,112698413-2,781746032-1-1-1-10
459,5534632434,84036816020254,840368-24,71309524-27,49484127-5-4-4-10
434,840368434,84036816020254,8403680-27,4948412700000
434,840368434,84036816020254,8403680-27,4948412700000
434,840368434,84036816020254,8403680-27,4948412700000
Perhitungan subkontrak level low periode 1 = min produksi periode 1 reguler periode 1 overtime periode 1Perhitungan subkontrak level low periode 1 =434,840368 -160 20 = 254,840368Tabel 4.42 Total Biaya Level High StrategyTotal biaya
biaya pekerja reguler276480000
biaya pekerja lembur4992000
biaya permesinan5152981,061
Overhead750000
Inventori14000
biaya subkontrak1298258
TOTAL288687239,1
Tabel 4.43 Total Biaya Level Average StrategyTotal biaya
biaya pekerja reguler276480000
biaya pekerja lembur4992000
biaya permesinan5152981,061
overhead750000
inventori4000
biaya subkontrak1228118
TOTAL288607099,1
Total 4.44 Total Biaya Level Low StrategyTotal biaya
biaya pekerja reguler276480000
biaya pekerja lembur4992000
biaya permesinan5152981,061
overhead750000
inventori0
biaya subkontrak1206430
TOTAL287374981,1
Perhitungan total biaya = biayapekerjaregular + biayapekerjalembur + biayapermesinan + overhead + inventori + biayasubkontrakPerhitungan total biaya (low) =276480000 + 4992000 + 5152981,061 + 750000 + 0 + 1206430 = 287374981,1
Berikut adalah tabel perbandingan total biaya dari ketiga metode yang digunakan dalam aggregate planning:Tabel 4.45 Perbandingan total biaya aggregat keempat metodemetode chasemetode level maximummetode level averagemetode level minimum
total biaya287374981,1288687239,1288607099,1287374981,1
Berdasarkan tabel 4.45, maka diputuskan untuk menggunakan metode chase karena sistem produksi make to order tidak diizinkan adaya inventory. Maka dari itu metode yang paling optimal adalah dengan metode chase strategy dengan total biaya Rp.287.374.981
2013TUGAS BESARPerencanaan & Pengendalian Produksi
Universitas Brawijaya
624.8. Master Production SchedulingMPS digunakan sebagai dasar dalam penentuan jumlah pesanan dan waktu pemesanan. Selain itu, adanya struktur produk yang berguna untuk mengidentifikasi kebutuhan material untuk membuat satu unit produk. Di samping itu catatan inventory juga harus sudah tersedia termasuk untuk menentukan teknik lot sizing yang akan digunakan. Berikut ini merupakan hasil dari metode disagregasi pada keempat produk yang dihasilkan oleh PT Gold Wood
a. Produk Meja TulisBerikut ini adalah MPS untuk produk Meja Tulis dengan menggunakan metode heuristik :Lead time : 2 minggu , Order quantity : 0, Safety stock : 0 , DTF : 2 minggu, PTF : 2 mingguTabel 4.46 MPS produk Meja TulisPeriode123456789101112131415161718192021222324
Aktual demand868686868686868686868686868686868686868686868686
Subkontrak131313131313141414141313131313131313131313131313
MPS7373
PAB/POH
Planned Order73737373727272727373737373737373737373737373
Berdasarkan data MPS produk Meja Tulis diatas, dimana lead time sebesar 3, DTF bernilai 2 dan PTF sebesar 2 periode. Aktual demand = aktual demand bulan/minggu= 324/ 4 = 80Subkontrak = 13MPS = aktual demand Sub Kontrak=73
b. Produk Meja KomputerBerikut ini adalah MPS untuk produk Meja Komputer dengan menggunakan metode heuristik :Lead time : 2 minggu , Order quantity : 0, Safety stock : 0 , DTF : 2 minggu, PTF : 2 mingguTabel 4.47 MPS produk Meja KomputerPeriode123456789101112131415161718192021222324
Aktual demand636363636363636363636363636363636363636363636363
Subkontrak101010101010111111111010101010101010101010101010
MPS5353
PAB/POH
Planned Order53535353525252525353535353535353535353535353
Berdasarkan data MPS produk Komputer diatas, dimana lead time sebesar 0, DTF bernilai 2 dan PTF sebesar 2 periode. Aktual demand = aktual demand bulan/minggu= 250/ 4 = 62,5 = 63Subkontrak = 10MPS = aktual demand Sub Kontrak= 53
c. Produk LemariBerikut ini adalah MPS untuk produk Lemari dengan menggunakan metode heuristik :Lead time : 1 minggu , Order quantity : 0, Safety stock : 0 , DTF : 1 minggu, PTF : 1 mingguTabel 4.48MPS produk LemariPeriode123456789101112131415161718192021222324
Aktual demand434343434343434343434343434343434343434343434343
Subkontrak9999991010101099999999999999
MPS3434
PAB/POH
Planned Order34343434333333333434343434343434343434343434
Berdasarkan data MPS produk Lemari diatas, dimana lead time sebesar 0, DTF bernilai 2 dan PTF sebesar 2 periode. Aktual demand = aktual demand bulan/minggu= 141/ 4 = 43Subkontrak = 9MPS = aktual demand Sub Kontrak= 34
d. Produk Rak BukuBerikut ini adalah MPS untuk produk Rak Buku dengan menggunakan metode heuristik :Lead time : 1 minggu , Order quantity : 0, Safety stock : 0 , DTF : 1 minggu, PTF : 1 mingguTabel 4.49 MPS produk Rak bukuPeriode123456789101112131415161718192021222324
Aktual demand151515151515151514141414141414141414141414141414
Subkontrak333333333333333333333333
MPS1212
PAB/POH
Planned Order12121212121211111111111111111111111111111111
Berdasarkan data MPS Rak Buku diatas, dimana lead time sebesar 0, DTF bernilai 2 dan PTF sebesar 2 periode. Aktual demand = aktual demand bulan/minggu= 58/ 4 = 15Subkontrak = 3MPS = aktual demand Sub Kontrak= 12
4.9. Material Requirement Planning 4.9.1. Material Requirement Planning ProdukBerikut adalah material requirement planning dari keempat produk yang dihasilkan oleh PT Gold Wooda. Produk meja tulisProduk meja tulis ini menggunakan metode lot for lot dengan diketahui lead time 2 mingguproject on hand 0dalam tabel di bawah ini:Tabel 4.50 MRP Meja TulisLOT for LOT123456789101112131415161718192021222324
Gross requirements737373737373727272727373737373737373737373737373
Scheduled receipts
Project on hand
Net requirements737373737373727272727373737373737373737373737373
Planned order receipts737373737373727272727373737373737373737373737373
Planned order releases737373737373737372727272737373737373737373737373
Biaya simpan = = 350400Biaya setup = 5152981,061x 73 x 24= 9028022819Biaya total = biaya simpan + biaya setup = 350400 + 9028022819 = 9028373219
b. Produk meja komputerProduk meja komputer ini menggunakan metode lot for lot dengan diketahui lead time 1 mingguproject on hand 0 dalam tabel di bawah ini:Tabel 4.51 MRP Meja KomputerLot For Lot123456789101112131415161718192021222324
Gross requirements343434343434333333333434343434343434343434343434
Scheduled receipts
Project on hand0
Net requirements343434343434333333333434343434343434343434343434
Planned order receipts343434343434333333333434343434343434343434343434
Planned order releases343434343434343433333333343434343434343434343434
Biaya simpan = = 254400Biaya setup = 5152981,061x 53 x 24= 6554591910Biaya total = biaya simpan + biaya setup = 25440 + 6554591910 = 6554846310
c. Produk lemariProduk lemari ini menggunakan metode lot for lot dengan diketahui lead time 1 mingguproject on hand 0 dalam tabel di bawah ini:Tabel 4.52 MRP LemariLot for Lot123456789101112131415161718192021222324
Gross requirements121212121212121211111111111111111111111111111111
Scheduled receipts
Project on hand0-12-12-12-12-12-12-12-12-11-11-11-11-11-11-11-11-11-11-11-11-11-11-11-11
Net requirements121212121212121211111111111111111111111111111111
Planned order receipts121212121212121211111111111111111111111111111111
Planned order releases121212121212121212121111111111111111111111111111
Biaya simpan = = 163200Biaya setup = 5152981,061x 34 x 24= 4204832546Biaya total = biaya simpan + biaya setup = 163200 + 4204832546 = 4204995746d. Produk rak bukuProduk rak buku ini menggunakan metode lot for lot dengan diketahui lead time 1 mingguproject on hand 2500 dalam tabel di bawah ini:Tabel 4.53 MRP Rak BukuLot for Lot123456789101112131415161718192021222324
Gross requirements121212121212121211111111111111111111111111111111
Scheduled receipts
Project on hand0
Net requirements121212121212121211111111111111111111111111111111
Planned order receipts121212121212121211111111111111111111111111111111
Planned order releases121212121212121212121111111111111111111111111111
Biaya simpan = = 52800Biaya setup = 5152981,061x 11 x 24 = 1360387000Biaya total = biaya simpan + biaya setup = 52800 + 1360387000 = 1360439800
4.9.2. Material Requirement Planning KomponenBerikut ini merupakan material requirement planning untuk masing-masing komponen penyusun produka. Komponen A Untuk perencanaan kebutuhan material produk A menggunakan metode Lead Unit Cost dengan lead time 2 minggu, project on hand 2500 m, dan scheduled receipt 7000 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel 4.54 MRP komponen A123456789101112131415161718192021222324
Gross requirements282473989810810810792792792792810810810810810810810810810810810810810810
Scheduled receipts7000
Project on hand2500221817457566946613653264534374229502158134853881000000000000
Net requirements2728108100810081008100
Planned order receipts1082810810810810810
Planned order releases108281008100810081008100
Berikut adalah perhitungan pengujian periodenya :Tabel 4.55 Perhitungan Pengujian Periode Komponen APeriodeDemandBiaya PesanBiaya SimpanTotal CostOngkos
132721500000150000551,4705882
13,141082150000162000312000288,3548983
13,14,151892150000486000636000336,1522199
13,14,15,1627021500009720001122000415,2479645
178101500000150000185,1851852
17,181620150000324000474000292,5925926
17,18,192430150000648000798000328,3950617
17,18,19,20324015000011340001284000396,2962963
218101500000312000385,1851852
21,2216201500003240006360001182,156134
21,22,2324301500006480001122000832,3442136
21,22,23,24324015000011340001770000820,2038925
Biaya Pesan= Total Order Release X Harga pesan = 5132 X 150000= 769800000Biaya Simpan = Total Project on Hand X Biaya Pesan = 39207 X 200 =777641400Biaya Total =769800000+7841400=Rp 777641400,-b. Komponen BUntuk perencanaan kebutuhan material komponen B menggunakan metode Minimum Cost dengan lead time 1 minggu, project on hand 3000 m, dan scheduled receipt 5000 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel 4.56 MRP Komponen B
Berikut adalah perhitungan pengujian periodenya :Tabel 4.57 Perhitungan Pengujian Periode Komponen BPeriodeDemandBiaya PesanBiaya SimpangTotal BiayaOngkos/Periode
13971750000175000175000
13,1448717500078000253000126500
13,14,1512071750007912025412084706,66667
13,14,15,1619271750008044025544063860
13,14,15,16,1724661750008177925677951355,8
183901750000175000175000
18,191110175000144000319000159500
18,19,201830175000145120320120106706,6667
18,19,20,21236917500014625932125980314,75
18,19,20,21,22275917500014744932244964489,8
18,19,20,21,22,23347917500014916932416954028,16667
18,19,20,21,22,23,24419917500015108932608946584,14286
c. Komponen CUntuk perencanaan kebutuhan material produk A menggunakan metode Lead Unit Cost dengan lead time 1 minggu, project on hand 15000 m, dan scheduled receipt 25000 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel 4.58 MRP Komponen C123456789101112131415161718192021222324
Gross requirements85018902265226511252265226522651125196522402240224019652240224011001965224022401100196522402240
Scheduled receipts25000
Project on hand1500014150122609995773066054340207500000000000000000
Net requirements1901125196522402240224019652240224011001965224022401100196522402240
Planned order receipts1901125196522402240224019652240224011001965224022401100196522402240
Planned order releases1901125196522402240224019652240224011001965224022401100196522402240
Berikut adalah perhitungan pengujian periodenya :Tabel 4.59 Perhitungan Pengujian Periode Komponen CPeriodedemandBiaya PesanBiaya SimpanBiaya Totalongkos/unit
819050000500026,31578947
8,913155000225000230000174,904943
8,9,103280500022736523236570,8429878
8,9,10,115520500023020523520542,60960145
Karena yang dipilih adalah yang pertama, maka untuk periode selanjutnya juga pada perhitungan pertama yang digunakan karena hasilnya akan selalu yang palingkecil pada periode pertama sehingga hasil project on hand akan selalu 0 karena jumlah kebutuhan akan sama dengan jumlah pesanan.d. Komponen DUntuk perencanaan kebutuhan material komponen D menggunakan metode Fix Order Quantity dengan lead time 1 minggu, project on hand 7000 m, dan scheduled receipt 25000 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel4.60 MRP Komponen D123456789101112131415161718192021222324
Gross requirements125525803655365512553655365536551255365536553655125536553655365512553655365536551255365536553655
Scheduled receipts2500025000
Project on hand70005745316532102455523300196451599012335110807425377011525602605265026951440148515301575320365410455
Net requirements490114010951050100512552215217021251225333532903245
Planned order receipts37003700370037003700370037003700370037003700
Planned order releases37003700370037003700370037003700370037003700
Biaya simpan = Biaya pesan = Biaya total = biaya simpan + biaya pesan =
e. Komponen E Untuk perencanaan kebutuhan material komponen E menggunakan metode FPR dengan lead time 2 minggu, project on hand 500 m, dan scheduled receipt 2100 m. Maka dapat dihitung dalam tabel di bawah ini:Tabel 4.61 MRP Komponen E123456789101112131415161718192021222324
Gross requirements721621471295412912912954129129129541291291295412912912954129129129
Scheduled receipts2100
Project on hand5004282661192090203619071778164915951466133712081154102589676771358445532627214314
Net requirements115
Planned order receipts115
Planned order releases115
Biaya simpan = Biaya pesan = Biaya total = biaya simpan + biaya pesan =
f. Komponen FUntuk perencanaan kebutuhan material komponen F menggunakan metode Fix Order Quantity dengan lead time 1 minggu. Maka dapat dihitung dalam tabel di bawah ini:
Tabel 4.62 MRP Komponen F123456789101112131415161718192021222324
Gross requirements6686232232110232232232110184228228106184228228106184228228106184228228
Scheduled receipts
Project on hand1647876741941921901887812412612822687072196141618142188190192
Net requirements6686154156363840421101061041021061621601583418421421288424038
Planned order receipts230230230230230230230230230230230230230230230230230230230230
Planned order releases230230230230230230230230230230230230230230230230230230230230
Biaya simpan = Biaya pesan = Biaya total = biaya simpan + biaya pesan =
Pengendalian PersediaanBerikut adalah perhitungan EOQ per komponen produk.Komponen A (QA) == Komponen B (QB) = Komponen C (QC) = Komponen D (QB) = Komponen E (QE) =
4.7 Analisis BiayaBerikut adalah analisis biaya PT Gold Wood.Biaya holding= biaya holding komponen A + biaya holding komponen B + biaya holding komponen C + biaya holding komponen D + biaya holding komponen E+ biaya holding komponen F= 11424600+11009400+29290600+32200000+2820800+223200 = Rp. 80908600Biaya komponen= biaya komponen A + biaya komponen B + biaya komponen C + biaya komponen D + biaya komponen E= + + + + = Rp. 4838.911Biaya order = (biaya order A x 12) + (biaya order B x 4) + (biaya order C x 15) + (biaya order D x 13) + (biaya order E x 11)= 1800000 + 700000 + 75000 + 65000 + 33000= Rp. 2673000,00Biaya MRP= biaya holding + biaya komponen + biaya order= 80908600 + + 2673000= Rp. 83584244.1
Biaya reguler tenaga kerja = Rp. 334329760000Biaya lembur tenaga kerja = Rp. 26883075000Biaya subkontrak= Rp. 762652500,00Biaya permesinan= Rp. 5473595,00
Universitas Brawijaya
72Meja Tulis
A (5,5 m2)
D (30)
E (1,5 kg)
F (1)
Meja Komputer
B (4,75 m2)
C (30)
Lemari
A (12 m2)
D (25)
E (2,5 kg)
F (2)
Rak Buku
B (3 m2)
C (25)
F (4)
PERAMALAN
PERENCANAAN AGREGAT
JADWAL PRODUKSI INDUK
PERENCANAAN MATERIAL
JADWAL PRODUKSI
ORDER PEMBELIAN
PENJADWALAN ULANG
PENGENDALIAN AKTIVITAS PRODUKSI DI LANTAI PABRIK
STRATEGIC PLANNING
TACTICAL PLANNING
EXECUTION PLANNING
OUT-SOURCING
ROUGH CUT CAPACITY PLANNING (RCCP)
CAPACITY REQUIREMENT PLANNING (CRP)
CAPACITY PLANNING
Recommended