Upload
alan-rahadian-pramudana
View
92
Download
12
Embed Size (px)
DESCRIPTION
PPICproduction planning and inventory control
Citation preview
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
BAB IPENDAHULUAN
1.1 Latar Belakang
Dewasa ini, perkembangan dan kemajuan teknologi menghasilkan persaingan yang
ketat di dunia usaha. Hal ini disebabkan oleh tuntutan konsumen terhadap suatu produk
yang tidak hanya terbatas pada harga dan kualitas saja tetapi juga pada pelayanan yang
diberikan. Pelayanan yang dimaksud dapat berupa ketersediaan produk yang diinginkan
konsumen dengan kuantitas dan kualitas sesuai dengan kebutuhan. Perencanan dan
pengendalian produksi merupakan aktivitas merencanakan kegiatan-kegiatan produksi,
agar apa yang telah direncanakan dapat terlaksana dengan baik dan maksimal. Oleh karena
itu sebelum memutuskan untuk memesan ataupun memproduksi suatu barang, lebih baik
jika direncanakan terlebih dahulu sehingga dapat menghasilkan keuntungan yang optimal.
Selain dari jumlah produksi, ketepatan waktu juga perlu direncanakan dengan tepat
sehingga hasil yang didapat akan efektif dan efisien.
Studi kasus yang dibahas kali ini adalah tentang perusahaan CV Jati Makmur
Furniture yang memproduksi produk-produk furniture yaitu meja bangku dan kursi
bangku. Produksi perusahaan ini memiliki desain yang khas sehingga tidak dapat ditiru
oleh siapapun. Pada saat melakukan pembelian, konsumen hanya tinggal memesan secara
online dan membayar dengan cara transfer melalui ATM. Masalah yang dialami
perusahaan saat ini adalah perusahaan sering mengalami pemesanan yang melebihi
kemampuan untuk memproduksi barang tersebut sesuai dengan tenggat waktu yang telah
ditentukan. Simulasi studi kasus ini adalah untuk mengorganisasi perusahaan sehingga
mampu mengatasi masalah-masalahnya dan memastikan agar perusahaan berada pada
posisi yang terbaik untuk kelangsungan jangka panjang.
1.2 Rumusan Masalah
Rumusan masalah dari studi kasus ini adalah :
1. Bagaimana peramalan (forecasting) perMintaan produk pada CV Jati Makmur
furniture ?
2. Bagaimana perencanaan agregat pada CV Jati Makmur furniture ?
3. Bagaimana disagregasi pada CV Jati Makmur furniture ?
4. Bagaimana jadwal produksi induk (master production scheduling) pada CV Jati
Makmur furniture ?
1
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
5. Bagaimana perencanaan kebutuhan material (material requiremenTS planning),
Economic Order Quantity (EOQ), dan Economic Production Quantity (EPQ) pada CV
Jati Makmur furniture ?
6. Bagaimana manajemen penyimpanan yang harus dimiliki oleh CV Jati Makmur
furniture ?
7. Berapa biaya yang harus dikeluarkan CV Jati Makmur furniture untuk menghasilkan
produk furniture yang berkualitas dan dapat menghasilkan keuntungan maksimal ?
1.3 Tujuan
Tujuan dari studi kasus ini adalah:
1. Mengetahui dan memahami peramalan (forecasting) perMintaan produk pada CV Jati
Makmur furniture.
2. Mengetahui dan memahami perencanaan agregat pada CV Jati Makmur furniture.
3. Mengetahui dan memahami disagregasi pada CV Jati Makmur furniture.
4. Mengetahui dan memahami jadwal produksi induk (master production scheduling)
pada CV Jati Makmur furniture.
5. Mengetahui dan memahami perencanaan kebutuhan material (material requiremenTS
planning), Economic Order Quantity (EOQ), dan Economic Production Quantity
(EPQ) pada CV Jati Makmur furniture.
6. Mengetahui dan memahami manajemen penyimpanan yang harus dimiliki oleh CV
Jati Makmur furniture.
7. Mengetahui biaya yang harus dikeluarkan CV Jati Makmur furniture untuk
menghasilkan produk furniture yang berkualitas dan dapat menghasilkan keuntungan
maksimal.
1.4 Manfaat
Manfaat yang dapat diperoleh dari adanya studi kasus ini adalah:
1. Mahasiswa dapat mengetahui dan memahami langkah-langkah perhitungan peramalan
terhadap perMintaan konsumen pada CV Jati Makmur furniture.
2. Mahsiswa dapat mengetahui dan memahami langkah-langkah dalam menghitung
perencanaan agregat dan mengaplikasikannya di CV Jati Makmur furniture.
3. Mahasiswa dapat mengetahui dan memahami langkah-langkah dalam menghitung
Master Production Schedulling (MPS), Material Requirement Planning (MRP),
2
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Economic Order Quantity (EOQ), dan Economic Production Quantity(EPQ) dan bisa
mengaplikasikannya di CV Jati Makmur furniture.
1.5 Batasan
Batasan dari studi kasus ini adalah perencanaan dan pengendalian produksi beserta
analisis biaya hanya dilakukan selama horizon waktu 6 periode.
1. Batasan forecast meja bangku
Pada forecast meja bangku menggunakan metode double exponential smoothing
menggunakan alfa dan beta yang merupakan variasi dari range 0,1-0,5.
2. Batasan forecast kursi bangku
Pada forecast kursi bangku menggunakan metode moving average dengan nilai n
mulai dari 3 sampai 6.
Pada forecast kursi bangku menggunakan metode exponential smoothing
menggunakan nilai alfa dengan range 0,1-0,9.
3. Batasan forecast Kayu Jati PX10
Pada forecast Kayu Jati PX10 menggunakan metode moving average dengan nilai n
mulai dari 3 sampai 6.
Pada forecast Kayu Jati PX10 menggunakan m0etode exponential smoothing
menggunakan nilai alfa dengan range 0,1-0,9.
1.6 Asumsi
Asumsi dari studi kasus ini adalah :
1. Pekerja dan mesin bekerja dalam keadaan normal, sehingga tidak ada mesin yang
rusak selama proses produksi.
2. Supplier selalu bisa memenuhi pesanan bahan baku dari pelanggan.
3
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
BAB IITINJAUAN PUSTAKA
2.1 Peramalan
Berikut ini akan dijabarkan mengenai definisi dan langkah-langkah dalam melakukan
peramalan.
2.1.1 Definisi Peramalan
Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan
efisien. Menurut Makridakis (1999), teknik peramalan terbagi menjadi dua bagian, yang
pertama metode peramalan subjektif dan metode peramalan objektif. Peramalan adalah
proses untuk mengenali pola perMintaan (demand pattern) pada masa lalu untuk
meramalkan perMintaan pada masa yang akan datang, dengan kata lain peramalan adalah
kegiatan memprediksi keadaan yang akan datang berdasarkan data masa lampau.
Forecasting terdiri dari dua macam pendekatan yaitu analisis kualitatif dan analisis
kuantitatif. Peramalan menggunakan analisis kuantitatif dilakukan dengan menggunakan
beberapa metode seperti metode moving average, weighted moving average, exponential
smoothing, exponential smoothing with trend, dan exponential smoothing with seasonality
(Vincent Gasperz, 1998). Peramalan dengan metode kuantitatif merupakan prosedur
peramalan yang mengikuti aturan-aturan matematis dan statistik dalam menunjukkan
hubungan antara perMintaan dengan satu atau lebih variabel yang mempengaruhinya.
Dalam laporan ini, metode forecasting yang digunakan adalah metode kuantitatif
karena dibutuhkan suatu data konkret perMintaan yang dapat dijadikan acuan atau dasaran
untuk melakukan penjadwalan dan menentukan kebutuhan material. Selain itu, peramalan
perMintaan tersebut akan menjadi input dalam perencanaan agregat.
2.1.2 Macam-Macam Peramalan Analisis Kuantitatif
Peramalan melalui analisis kuantitatif merupakan metode peramalan merupakan
suatu teknik untuk memprediksi atau memperkirakan suatu nilai pada masa yang akan
datang dengan memperhatikan data atau informasi masa lalu maupun saat ini baik secara
matematik maupun statistik. Peramalan kuantitatif adalah peramalan yang berdasarkan atas
data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada
metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan
diperoleh hasil peramalan yang berbeda. Baik atau tidaknya metode yang digunakan sangat
4
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
ditentukan oleh perbedaan dan penyimpangan antara hasil ramalan dengan kenyataan yang
terjadi berarti metode yang dipergunakan semakin baik. Salah satu bentuk peramalan
analisis kuantitatif adalah time series yang menggunakan urutan data kronologis yang bisa
memuat salah satu atau gabungan beberapa komponen: level, trend, seasonal variation,
cyclical variations, dan random variation
Level, central tendency dari data time series pada waktu tertentu
Trends, menunjukkan laju pertumbuhan atau penurunan dari urutan data dalam suatu
jangka waktu
Seasonal variation, pergerakan urutan data yang menaik kemudian menurun dari garis
level maupun trend yang biasanya dipengaruhi oleh faktor musiman
Cyclical variation, menunjukkan urutan data yang naik turun disekitar garis trend dalam
interval waktu yang panjang
Random variation, urutan data yang menunjukkan pola acak yang sering kali tidak
diketahui penyebabnya
Berikut merupakan beberapa macam peramalan dengan metode kuantitatif yang kami
gunakan dalam pengerjaan laporan ini
2.1.2.1 Metode Moving Average
Moving Average diperoleh dengan merata-rata perMintaan berdasarkan beberapa
data masa lalu yang terbaru
(2-1)
Sumber: Richard J. Tersine (1994: 47)
Keterangan:
= ramalan perMintaan untuk periode t
= nilai riil periode ke-t
n = jangka waktu rata-rata bergerak atau jumlah periode waktu yang dimasukkan
pada moving average
2.1.2.2 Metode Weighted Moving Average
5
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Weighted Moving Average merupakan suatu model rata-rata bergerak n-periode
terbobot, ini hampir sama dengan metode moving average hanya saja bobot dari masing-
masing data tidaklah sama, semakin terbaru data tersebut maka semakin berat bobotnya.
(2-2)
Sumber: Vincent Gasperz (1998: 92)
2.1.2.3 Exponential Smoothing
Metode peramalan yang hanya membutuhkan data perMintaan terakhir dan
peramalan terakhir. Persamaan pemulusannya menggunakan unsure penyesuaian stasioner
atau disebut alpha (
Pola data yang tidak stabil atau perubahannya besar dan bergejolak umumnya
menggunakan model pemulusan eksponensial (Exponential Smoothing Models).
Metode Exponential Smoothing lebih cocok digunakan untuk meramalkan hal-hal
yang fluktuasinya secara acak (tidak teratur).
(2-3)
Sumber: Richard J. Tersine (1994: 55)
Keterangan:
= Nilai ramalan untuk periode waktu ke-t
= Nilai ramalan untuk periode awal waktu
= Nilai actual untuk satu periode waktu yang lalu, t-1
= Konstanta pemulusan (smoothing constant)
2.1.2.3 Double Exponential Smoothing (Holt’s)
6
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Digunakan pada saat data perMintaan mempunyai trend, sehingga peramalannya
menggunakan dua persamaan smoothing,masing-masing menggunakan menggunaka unsur
penyamaan stasioner ( dan unsure penyesuaian trend .
Smooth the series forecast
(2-4)
Sumber: Richard J. Tersine (1994: 55)
Smooth the trend forecast
(2-5)
Sumber: Richard J. Tersine (1994: 55)
Peramalan untuk periode t menggunakan perhitungan tingkat sekarang dan trend yang
telah diatur, maka dapat menggunakan rumus sebagai berikut:
(2-6)
Sumber: Richard J. Tersine (1994: 55)
Peramalan n periode di depan periode t, diasumsikan trend konstan
(2-7)
(Sumber: Richard J. Tersine (1994: 55)
Keterangan:
= Data aktual periode sebelumnya
7
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
= Peramalan periode sebelumnya
= Trend Value untuk periode sebelum periode-t
= Trend Value untuk periode sekarang
= Peramalan periode sekarang
= konstanta pemulusan (smoothing constant)
= konstanta pemulusan trend
= periode
= Forecast pada periode t+n
2.1.3 Pengukuran Keselahan (Ukuran Kesalahan Peramalan)
Dalam peramalan pastinya tidak akan lepas dari kesalahan atau error karena tidak
ada peramalan yang pasti akurat, oleh karena itu menggunakan berbagai macam metode
peramalan. Dalam menggunakan berbagai macam metode peramalan maka kita harus
memilih hasil atau metode yang mendekati akurat hal ini bisa dilihat dengan menggunakan
pengukuran kesalahan atau penghitungan error. Ukuran akurasi hasil peramalan yang
merupakan ukuran kesalahan peramalan merupakan ukuran tentang tingkat perbedaan
antara hasil peramalan dengan perMintaan yang terjadi. Terdapat beberapa rumus yang
dapat digunakan dalam penatepan standar perbedaan (standard error), antara lain Mean
Absolute Deviation (MAD), Mean Forecast Error (MFE), Mean Standar Error (MSE),
dan Mean Absolute Presentation Error (MAPE). (Arman, 2008), sehingga bisa dipilih
metode peramalan yang mendekati akurat.
2.1.3.1 Mean Absolute Deviation (MAD)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan
kenyataannya, dengan kata lain MAD adalah rata-rata dari nilai absolut simpangan. Secara
sistematis MAD dirumuskan sebagai berikut:
8
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
(2-8)
Sumber: Richard J. Tersine (1994: 43)
Keterangan:
= perMintaan aktual pada periode i
= peramalan perMintaan pada periode i
n = jumlah periode peramalan yang terlibat
= deviasi atau kesalahan peramalan
2.1.3.2 Mean Forecast Error (MFE)
MFE merupakan rata-rata kesalahan dengan mengukur perbandingan jumlah error
dibagi jumlah periode peramalan data. MFE sangat efektif untuk mengetahui apakan suatu
hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. MFE dihitung
dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan
membaginya dengan jumlah periode peramalan. Secara sistematis MFE dinyatakan sebagai
berikut Secara sistematis MFE dirumuskan sebagai berikut:
(2-9)
Sumber: Richard J. Tersine (1994: 42)
Dimana:
= perMintaan aktual pada periode i
= peramalan perMintaan pada periode i
n = jumlah periode peramalan yang terlibat
= deviasi atau kesalahan peramalan
2.1.3.3 Mean Squared Error (MSE)
MSE merupakan rata-rata kesalahan standar dari error dibagi dengan jumlah
Periode peramalan. MSE dihitung dengan menjumlahkan kuadrat semua kesalahan
9
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Secara
sistematis MSE dirumuskan sebagai berikut:
(2-10)
Sumber: Richard J. Tersine (1994: 42)
Dimana:
= perMintaan aktual pada periode i
= peramalan perMintaan pada periode i
n = jumlah periode peramalan yang terlibat
= deviasi atau kesalahan peramalan
2.1.3.4 Mean Absolute Percent Error (MAPE)
Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error =
MAPE) merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti dibandingkan
MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap
perMintaan aktual selama periode tertentu yang akan memberikan informasi persentase
kesalahan terlalu tinggi atau terlalu rendah, dengan kata lain MAPE merupakan rata-rata
kesalahan mutlak selama periode tertentu yang kemudian dikalikan 100% agar
mendapatkan hasil secara prosentase. Secara sistematis MAPE dirumuskan sebagai
berikut.
(2-11)
Sumber: Richard J. Tersine (1994: 42)
Dimana:
= perMintaan aktual pada periode i
= peramalan perMintaan pada periode i
n = jumlah periode peramalan yang terlibat
= deviasi atau kesalahan peramalan
10
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
2.1.3.5 Tracking Signal
Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal adalah
suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual.
Tracking signal merupakan hasil dari running sum of the forecast error (RSFE) yang
dibagi dengan mean absolute deviation (MAD), dimana kegunaanya untuk mengetahui
perbandingan nilai aktual dengan nilai peramalan.. Nilai Tracking Signal dapat dihitung
dengan menggunakan rumus sebegai berikut.
(2-12)
Sumber: Richard J. Tersine (1994: 42)
Dimana:
= perMintaan aktual pada periode i
= peramalan perMintaan pada periode i
n = jumlah periode peramalan yang terlibat
= deviasi atau kesalahan peramalan
MAD = Mean absolute Deviation
2.1 Perencanaan Agregat
Berikut ini akan dijabarkan mengenai definisi dan langkah-langkah dalam melakukan
perencanaan agregat.
2.2.1 Definisi Perencanaan Agregat
Agregat planning merupakan pendekatan makro untuk melakukan peranacangan
jadwal produksi selama jangka waktu tertentu, khususnya waktu panjang (3-12 bulan).
Tujuan dari perencanaan agregat adalah untuk menentukan jadwal produksi yang optimal
dengan biaya minimal dalam memenuhi ramalan permintaan dan kriteria manajemen yang
lain, namun terdapat permasalahan strategis lain yang mungkin lebih penting daripada
biaya rendah. Permasalahan strategis yang dimaksud itu antara lain mengurangi
permasalahan tingkat ketenagakerjaan, menekan tingkat persediaan, atau memenuhi tingkat
pelayanan yang lebih tinggi. Perencanaan agregat difokuskan pada terutama untuk
menaksir level kapasitas, produksi, subkontrak, inventory, kehabisan stock (stockout), dan
11
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
pricing dari opsi alternatif selama rentang waktu tertentu. Contoh perencanaan agregat
menentukan total produksi di pabrik pada suatu bulan tanpa merinci kuantitas setiap SKU.
Bagi perusahaan manufaktur, jadwal agregat bertujuan menghubungkan sasaran strategis
perusahaan dengan rencana produksi, tetapi untuk perusahaan jasa, penjadwalan agregat
bertujuan menghubungkan sasaran dengan jadwal pekerja.
2.2.1 Metode Perencanaan Agregat
Pada perencanaan agregat terdapat beberapa metode yang digunakan untuk
memudahkan perencanaan agregat menentukan opsi alternatif mana yang memiliki biaya
optimal, yaitu:
2.2.2.1 Chase strategy
Metode perencanaan agregat yang menggunakan kapasitas sebagai pendukung:
menyelaraskan laju produksi dengan laju permintaan atau dengan kata lain tingkat
produksi sesuai dengan permintaan. Karakteristik dari chase strategy adalah sebagai
berikut:
a. Laju produksi diselaraskan dengan permintaan dengan mengubah kapasitas mesin atau
menyewa/memberhentikan tenaga kerja saat permintaan bervariasi.
b. Dalam praktek sering kali sulit untuk mengubah kapasitas dan tenaga kerja dalam waktu
singkat.
c. Mahal jika biaya mengubah kapasitas tinggi.
d. Pengaruh negatif terhadap moral tenaga kerja.
e. Berakibat pada rendahnya persediaan.
f. Berguna jika biaya menyimpan persediaan tinggi sementara biaya mengubah kapasitas
rendah.
2.2.2.1 Level Strategy
Metode perencanaan agregat yang menggunakan persediaan sebagai pendukung,
tingkat produksi (penggunaan/kapasitas mesin dan tingkat tenaga kerja) dibuat tetap,
permintaan dipenuhi dari persediaan. Karakteristik dari level strategy adalah sebagai
berikut.
a. Menjaga stabilitas kapasitas dan tenaga kerja dengan laju output konstan.
b. Kekurangan dan kelebihan berakibat pada fluktuasi persediaan dari waktu ke waktu.
c. Persediaan yang ditimbun sebagai antisipasi permintaan yang akan datang atau backlogs
dipindahkan dari periode permintaan tinggi ke rendah.
d. Lebih baik bagi moral tenaga kerja.
12
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
e. Persediaan dan backlogs bisa terakumulasi cukup banyak.
f. Harus digunakan saat biaya menyimpan dan backlogs relatif rendah.
2.2.2.1 Mixed strategy
Metode perencanaan agregat yang menggunakan kombinasi satu atau lebih dari
ketiga strategi di atas. Mixed strategy akan memberikan hasil yang paling optimal.
2.2.2 Biaya yang Terlibat dalam Perencanaan Agregat
Dalam membuat perencanaan agregat dengan biaya optimal pastinya terdapat biaya-
biaya yang harus dipertimbangkan dalam perencanaan agregat, antara lain:
a. Hiring Cost (ongkos penambahan tenaga kerja)
Penambahan tenaga kerja menimbulkan ongkos-ongkos untuk iklan, proses seleksi dan
training.
b. Firing Cost (ongkos perberhentian tenaga kerja)
Pemberhentian tenaga kerja biasanya terjadi karena semakin rendahnya permintaan
akan produk yang dihasilkan, sehingga tingkat produksi menurun dengan drastis.
Pemberhentian ini mengakibatkan perusahaan harus mengeluarkan uang pesangon bagi
karyawan yang di-PHK, menurunnya moral kerja, dan produktivitas karyawan yang masih
bekerja, dan tekanan yang bersifat sosial.
c. 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
bergantung pada kebijakan perusahaan dan peraturan pemda.
d. Inventory Cost (Ongkos Persediaan)
Persediaan mempunyai fungsi mengantisipasi timbulnya kenaikan permintaan pada
saat-saat tertentu. Konsekuensi dari kebijaksanaan persediaan bagi perusahaan adalah
timbulnya ongkos penyimpanan yang berupa ongkos tertahannya modal, pajak, asuransi,
kerusakan bahan, dan ongkos sewa gedung.
e. Backorder Cost (Ongkos Tidak Bisa Memenuhi Demand)
Ketika demand pada kuantitas tinggi dan perusahaan tidak memiliki kemampuan untuk
memenuhi demand yang ada. Hal tersebut terhitung biaya atau laba yang tidak bisa
didapatkan oleh perusahaan.
f. Subcontract Cost (Ongkos Subkontrak)
13
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Pada saat permintaan melebihi kemampuan kapasitas reguler, biasanya perusahaan
mensubkontrak kelebihan permintaan yang tidak bisa ditanganinya sendiri kepada
perusahaan lain.
14
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
BAB IIISTUDI KASUS
3.1 Studi Kasus
CV Jati Makmur Furniture adalah perusahaan manufaktur yang memproduksi kursi.
CV Jati Makmur dikenal sebagai penghasil produk furniture berkualitas tinggi. Untuk
menonjolkan sisi keunikan CV Jati Makmur membuat desain furniture yang elegan dan
ergonomis, namun konsumen yang ingin memesan tidak dapat mendesain kursi maupun
meja yang diinginkan, sehingga produk CV Jati Makmur memanglah memiliki ciri khas
tersendiri. Untuk melakukan pemesanan, konsumen tidak perlu mendatangi CV Jati
Makmur Furniture, konsumen cukup berinteraksi di media online dan membayar dan
mentransfer. Produk yang sekarang dapat diproduksi adalah meja bangku dan fungsi
bangku. Berikut adalah data-data yang dapat dianalisa untuk dapat dijadikan acuan
perencanaan kedepannya.
Produk yang diproduksi oleh CV Jati Makmur Furniture antara lain:
1. Meja bangku dengan harga Rp 375.000,00/unit
2. Kursi bangku dengan harga Rp 425.000,00/unit
Dari dua produk yang dihasilkan terbuat dari komponen kayu, spons, cat plitur dan
paku. Berikut tabel kebutuhan komponen untuk membuat berbagai macam produk:
Tabel 3.1 Komponen ProduksiBahan Meja Bangku Kursi Bangku
Kayu (meter) 4,5 4
Spons (meter) - 1
Cat Plitur (kaleng) 1 1
Paku 8 12
Kayu berukuran lebar 5 cm dan tebal 5 cm. Spons berukuran lebar 50 cm da tebal 7
cm. 1 kaleng cat plitur berisi 1 liter. Berikut adalah gambaran umum proses produksi dari
bahan baku hingga produk jadi. Ada 3 mesin utama yang memproses kursi dan meja,
mesin pemotong, mesin perakit dan mesin pengecat.
15
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Gambar 3.1 Proses Produksi CV Jati Makmur
Keseluruhan bahan baku yang digunakan dalam proses produksi, merupakan bahan
baku yang langsung digunakan untuk produk jadi tanpa diproses terlebih dahulu. Harga
bahan baku, nilai lead time rata-rata serta jumlah discount yang diberikan adalah sebagai
berikut.
Tabel 3.2 Bahan BakuBahan Lead
TimeHarga Diskon
Kayu (meter) 2 Minggu Rp 22.000,00/meter Tidak ada diskon
Spons (meter) 1 Minggu Rp 11.000,00/meter Tidak ada diskon
Cat Plitur (kaleng) 1 Minggu Rp 12.000,00/kaleng 2% jika membeli lebih dari 100
Paku 1 Minggu Rp 15.000,00/100 biji Tidak ada diskon
Pembayaran dilakukan pada akhir Minggu dimana bahan baku tersebut telah
dikirimkan. Jadwal pengiriman bisanya dilakukan pada awal Minggu. Biaya tambahan
sebesar Rp 27.500,00 diberikan untuk setiap pemesanan padaMinggu dimana terjadi
pemesanan.
Waktu proses mesin, sudah termasuk waktu setup, berkaitan dengan proses
pemotongan dan perakitan adalah sebagai berikut.
16
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Tabel 3.3 PermesinanProduk Waktu Proses Mesin (Jam)
Mesin Potong Mesin Assembly Mesin Spray (splitur)
Meja Bangku 0,50 1 1
Kursi Bangku 0,75 1,5 1
CV Jati Makmur Furniture memiliki mesin assembly yang canggih yang dapat
membantu operator merakit komponen dengan lebih mudah. Biaya produksi setiap mesin
per jam rata-rata mesin. Dalam satu Minggu ada enam hari kerja, setiap harinya delapan
jam, dengan upah Rp 12.500,00 tiap jam nya. Upah lembur diberikan sebesar Rp 10.000,00
untuk tiap jamnya. Jam lembur diberlakukan hingga 30 jam per Minggu. Adapun biaya
inventory sebesar Rp 15.000,00 per unit per tahun, setup cost sebesar Rp 50.000,00 per
Minggu.
Penambahan kapasitas dapat dilakukan jika ditentukan pada Minggu sebelum
dilakukan produksi, biasanya CV Jati Makmur melimpahkan pada CV Jati Subur sebagai
partner dari tahun ke tahun ketika kapasitasnya tidak mencukupi, dengan biaya sebesar:
Tabel 3.4 Biaya Produksi CV Jati SuburProduk Meja
BangkuKursi
Bangku
Biaya (rupiah) 37.000 37.500
Ketika penambahan kapasitas total keseluruhan perMintaan, maka perusahaan
memberikan kebijakan untuk melimpahkan kepada dua CV, yaitu CV Jati Subur dan CV
Jati Sukses, kebijakan ini dimaksudkan ini dimaksudkan agar perMintaan segera terpenuhi.
Jumlah penambahan kapasitas untuk kedua CV adalah sama, berikut adalah biaya produksi
pada CV Jati Sukses.
Tabel 3.5 CV Jati SuksesProduk Meja
BangkuKursi
Bangku
Biaya (rupiah) 45.000 40.000
Biaya overhead yang ditetapkan sebesar Rp 1.250.000,00 tiap Minggu untuk biaya
adMinistrasi dan overhead proses manufaktur. Biaya untuk carrying cost (biaya
pengangkutan dan penyimpanan) per tahun sebesar Rp 15.000,00 per unit per tahun.
Stock pada posisi awal, pada Minggu ke 0 (setelah penjualan Mingu ke-4 bulan ke-12)
adalah sebagai berikut.
17
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Tabel 3.6 Stock AwalBahan Baku Stock
Kayu (meter) 4 meter
Spons (meter) 4 meter
Cat Plitur (kaleng)
2
Paku 200
Berikut ini adalah data penjualan produk dari CV Jati Makmur.
Tabel 3.7 Stock AwalTahun Bulan Meja
BangkuKursi
Bangku
2013
JUL 50 21
AGS 61 23
SEP 65 20
OKT 67 19
NOV 65 16
DES 72 20
2014
JAN 70 18
FEB 74 12
MAR 75 19
APR 80 25
MEI 81 21
JUN 82 27
Karena terkenal akan kehandalan kayunya CV Jati Makmur juga menerima
perMintaan khusus Kayu Jati PX10 dari berbagai pihak, salah satnya CV Jati Surya.
Berikut adalah data perMintaan dari CV Jati Surya dalam 1 tahun terakhir.
Tabel 3.8 Demand Komponen 12 Bulan TerakhirJenis Kayu
Meter/BulanPeriode Waktu (Bulan)
1 2 3 4 5 6 7 8 9 10 11 12
Kayu Jati PX10 PX10
160 175 153 168 170 184 178 187 190 188 193 195
18
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Dengan banyaknya perMintaan tiap bulannya sehingga CV Jati Makmur harus
memenuhi perMintaan tersebut dengan mempertimbangkan berbagai aspek biaya. Untuk
menghasilkan Kayu Jati PX10 yang berkualitas maka diperlukan proses detail yang
meliputi perendaman kayu hingga pengeringan dan menghasilkan Kayu Jati PX10 yang
berkualtias. Berikut adalah beberapa biaya yang dipertimbangkan.
Tabel 3.9 Data Biaya Harga dan Produk IndependenItem Biaya Pesan Biaya Simpan/
Meter/TahunHarga Tingkat
Produksi
Kayu Jati PX10 PX10
Rp 210.000 15% dari Harga Rp 470.000 10 meter/hari
19
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
BAB IVANALISIS DAN PEMBAHASAN
4.1 Peramalan Meja Bangku
Sebelum melakukan peramalan, hal yang perlu dilakukan pertama kali yaitu mengidentifikasi
pola historis data aktualnya.Tujuan dari identifikasi pola historis data aktual yaitu untuk
mengetahui bagaimana pola kecenderungan penjualannya. Dengan mengetahui pola data tersebut,
metode-metode apa saja yang akan digunakan untuk peramalan dapat ditentukan. Berikut adalah
grafik dari data penjualan meja bangku CV Jati Makmur Furniture. Berikut adalah grafik dari
data penjualan meja bangku.
Gambar 4.1 Grafik Penjualan Meja Bangku
Berdasarkan grafik diatas, dapat dilihat jika pola data cenderung memiliki trend keatas
dari waktu ke waktu, sehingga dari kondisi di atas metode yang sesuai yaitu metode
Double Exponential Smoothing.
4.1.1 Metode Double Exponential Smoothing
Berikut adalah perhitungan peramalan dengan menggunakan metode double
exponential smoothing dengan trial and error alfa dan beta pada range 0,1-0,5
Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential SmoothingERROR a=0.1,
b=0.1a=0.1, b=0.2
a=0.1, b=0.3
a=0.1, b=0.4
a=0.1, b=0.5
MAD 12,55 11,00 9,00 7,73 6,55MSE 160,00 124,00 90,45 75,91 61,64MFE 12,55 11,00 9,00 7,73 6,18MAPE 17,51 15,67 12,89 11,25 9,64TS Max 11,00 11,00 11,00 11,00 10,39TS Min 0,00 1,00 1,00 1,00 1,00
20
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)ERROR R1 R2 R3 R4 R5
MAD 7,82 5,73 4,91 4,55 5,18MSE 68,91 47,36 42,18 36,18 38,27MFE 7,82 5,55 4,18 2,73 1,73
MAPE 11,20 8,42 7,29 6,73 7,53TS Max 11,00 10,65 9,61 7,74 5,67TS Min 1,00 1,00 1,00 1,00 1,00
Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)ERROR R6 R7 R8 R9 R10
MAD 5,27 4,00 3,91 4,18 4,27MSE 40,91 32,36 28,45 28,73 28,64MFE 5,27 3,45 1,91 1,27 0,64
MAPE 7,73 5,99 5,80 6,18 6,30TS Max 11,00 9,52 6,16 4,68 4,31TS Min 1,00 1,00 1,00 1,00 1,00
Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)ERROR R16 R17 R18 R19 R20
MAD 3,91 3,64 3,82 3,82 3,82MSE 29,91 24,73 24,73 23,82 24,91MFE 3,91 2,18 1,45 0,73 0,36
MAPE 5,82 5,42 5,69 5,69 5,70TS Max 11,00 6,84 4,50 3,57 3,15TS Min 1,00 1,00 1,00 1,00 1,00
Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)ERROR R21 R22 R23 R24 R25
MAD 3,45 3,55 3,45 3,55 3,27MSE 22,91 21,91 20,55 22,45 22,18MFE 2,91 1,55 0,91 0,45 0,18
MAPE 5,15 5,29 5,17 5,30 4,92TS Max 9,26 5,14 3,52 3,00 3,00TS Min 1,00 1,00 1,00 1,00 0,50
Keterangan:
Tabel 4.2 Keterangan Replikasi Forecast Metode Double Exponential SmoothingReplikasi Alfa (α) Beta (β) Replikasi Alfa (α) Beta (β)
R1 0,1 0,1 R14 0,30 0,4R2 0,1 0,2 R15 0,30 0,5R3 0,1 0,3 R16 0,40 0,1R4 0,1 0,4 R17 0,40 0,2R5 0,1 0,5 R18 0,40 0,3R6 0,2 0,1 R19 0,40 0,4
Tabel 4.2 Keterangan Replikasi Forecast Metode Double Exponential Smoothing (Lanjutan)
21
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Replikasi Alfa (α) Beta (β) Replikasi Alfa (α) Beta (β)R7 0,2 0,2 R20 0,40 0,5R8 0,2 0,3 R21 0,50 0,1R9 0,2 0,4 R22 0,50 0,2R10 0,2 0,5 R23 0,50 0,3R11 0,3 0,1 R24 0,50 0,4R12 0,3 0,2 R25 0,50 0,5R13 0,3 0,3
Berdasarkan tabel 4.1, dapat dilihat bahwa variasi nilai tracking signal, MAD, MSE,
MFE, dan MAPE terkecil adalah forecasting menggunakan metode double exponential
smoothing dengan α=0,4 β=0,4 ; α=0,4 β=0,5 ; α=0,5 β=0,3 ; α=0,5 β=0,4 ; dan α=0,5
β=0,5. Dari hasil perhitungan error terkecil diatas, maka dapat dibandingkan kembali pada
tabel berikut.
Tabel 4.3 Tabel Perbandingan Error Terkecil Metode Double Exponential SmoothingERROR α=0,4
β=0,4 α=0,4 β=0,5 α=0,5
β=0,3 α=0,5 β=0,4
α=0,5 β=0,5
MAD 3,82 3,82 3,45 3,55 3,27MSE 23,82 24,91 20,55 22,45 22,18MFE 0,73 0,36 0,91 0,45 0,18
MAPE 5,69 5,7 5,17 5,3 4,92TS Max 3,57 3,15 3,52 3 3TS Min 1 1 1 1 0,5
Berdasarkan tabel perbandinga error terkecil diatas, maka metode terpilih adalah
double exponential smoothing dengan α=0,5 dan β=0,5. Karena memiliki rata-rata nilai
error terkecil dibanding dengan menggunakan alfa dan beta lainnya. Selain itu sebaran
tracking signal masih dalam batasan yaitu diantara -4 sampai 4.
4.1.2 Metode Terpilih
Metode Terpilih merupakan metode double exponential smoothing dengan α=0,5 dan
β=0,5 yang memiliki sebaran tracking signal yang masih dalam batasan yaitu antara 0,5
sampai dengan 3. Selain itu, metode ini juga memiliki rata-rata error terkecil dibanding
dengan metode double exponential smoothing dengan alfa dan beta lainnya.
22
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Gambar 4.2 Tracking Signal Metode Terpilih untuk Produk Meja Bangku
Berdasarkan grafik tracking signalnya, dapat dilihat bahwa persebaran datanya terletak diantara LCL dan UCL sehingga dapat disimpulkan bahwa hasil forecastnya memiliki tingkat keakuratan yang tinggi.
Gambar 4.3 Perbandingan Data Aktual dan Forecast Produk Meja Bangku
Tabel 4.4 Forecast Horizon 6 Bulan Metode TerpilihPeriode Aktual Forecast
1 50 502 61 503 65 594 67 675 65 726 72 727 70 758 74 759 75 77
10 80 7811 81 8112 82 84
23
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Tabel 4.4 Forecast Horizon 6 Bulan Metode Terpilih (Lanjutan)Periode Forecast
13 8514 8715 8816 8917 9018 91
Berdasarkan gambar 4.3, dapat dilihat bahwa terdapat kemiripan bentuk grafik dari hasil
forecast dengan data aktualnya. Hal ini membuktikan bahwa hasil forecast kurang lebih sesuai
dengan kondisi real pasar, sehingga dapat disimpulkan bahwa metode DES dengan α=0,5 dan
β=0,5 merupakan metode terbaik untuk forecast produk Meja Bangku.
4.2 Peramalan Kursi Bangku
Berikut adalah grafik dari data penjualan kursi bangku.
Gambar 4.4 Grafik data penjualan kursi bangkuBerdasarkan grafik diatas, dapat dilihat jika pola data cenderung fluktuatif dari waktu
ke waktu, sehingga dari kondisi di atas metode yang sesuai yaitu metode moving average,
weight moving average, dan exponential smoothing.
4.2.1 Metode Moving Average
Berikut merupakan hasil perhitungan error forecasting dari metode moving average
untuk n= 3, n= 4, n=5, dan n= 6.
Tabel 4.5 Perbandingan Error Kursi Bangku dengan Metode Moving AverageError MA 3 MA 4 MA 5 MA 6MAD 3.67 3.88 4.14 4.50MSE 18.78 22.63 27.00 28.50MFE 0.33 0.63 1.57 1.17
MAPE 19.80 21.14 21.59 24.42TS max 0.82 1.29 0.86 1.56TS min -4.38 -4.00 -3.00 -2.45
24
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di
antara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang
dipilih dari data di atas adalah forecasting dari metode moving average untuk n=0 dengan
nilai MAD, MSE, MFE, dan MAPE sebesar 3.88 ; 22.63 ; 0.63; dan 21.14.
Berikut merupakan grafik tracking signal masing-masing forecast dengan metode
moving average dengan n=3, n=4, n=5, n=6.
Gambar 4.5 Tracking Signal Forecast Kursi Metode Moving Average n=3
Gambar 4.6 Tracking Signal Forecast Kursi Metode Moving Average n=4
25
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Gambar 4.7 Tracking Signal Forecast Kursi Metode Moving Average n=5
Gambar 4.8 Tracking Signal Forecast Kursi Metode Moving Average n=6
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai
tracking signal metode moving average dengan n=4 berada diantara batas kontrol
sehingga dapat disimpulkan hasil forecasting dari metode moving average untuk n= 4
memiliki tingkat keakuratan yang tinggi.
4.2.2 Metode Weighted Moving Average
Berikut merupakan hasil perhitungan error forecasting dari metode weighted moving
average untuk n= 3, n= 4, n=5, dan n= 6.
Tabel 4.6 Perbandingan error kursi bangkuError WMA 3 WMA 4 WMA 5 WMA 6MAD 3.67 4.0 0 3.71 4.33MSE 19.67 23.25 22.29 28.00MFE 0.33 0.75 1.43 1.67
MAPE 20.11 21.86 19.77 22.85TS max 0.82 1.50 2.69 2.31TS min -3.82 -3.43 -2.33 -2.00
26
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di
antara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang
dipilih dari data diatas adalah forecasting dari metode weighted moving average untuk n=
3 dengan nilai MAD, MSE, MFE, dan MAPE sebesar 3.67 ; 19.67 ; 0.33 ; dan 20.11.
Gambar 4.9 Grafik tracking signal pada weighted moving average n=3
Gambar 4.10 Grafik tracking signal pada weighted moving average n=4
Gambar 4.11 Grafik tracking signal pada weighted moving average n=5
27
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Gambar 4.12 Grafik tracking signal pada weighted moving average n=6
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai
tracking signal dengan metode weighted exponential smoothing dengan n=3 berada
diantara batas kontrol sehingga dapat disimpulkan hasil forecasting dari metode weighted
moving average untuk n= 3 memiliki tingkat keakuratan yang tinggi.
4.2.3 Metode Exponential Smoothing
Berikut merupakan perbandingan error dari forecasting kursi bangku dengan metode
exponential smoothing untuk α=0.1, α=0.2, α=0.3, α=0.4, α=0.5, α=0.6, α=0.7, α=0.8, dan
α=0.9.
Tabel 4.7 Perbandingan error kursi bangku
ErrorES
(0,1)ES
(0,2)ES
(0,3)ES
(0,4)ES
(0,5)ES
(0,6)ES
(0,7)ES
(0,8)ES
(0,9)MAD 3.42 3.17 3.17 3.17 3.00 3.50 3.33 3.58 3.67MSE 18.25 17.17 18.00 16.67 13.83 16.50 15.33 16.92 17.33MFE -1.58 -1.00 -0.83 -0.17 0.17 -0.17 0.00 0.08 0.00
MAPE 19.78 18.01 17.91 17.44 16.27 18.94 17.98 19.23 19.73TS max 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00TS min -7.84 -7.67 -7.62 -5.91 -4.80 -5.33 -5.09 -4.52 -4.52
Berdasarkan data diatas akan dipilih dilihat dari nilai persebaran nilai tracking signal
di antara UCL dan LCL, dan nilai error yang paling kecil. Metode yang dipilih dari data di
atas adalah forecasting dari metode exponential smoothing untuk α=0,5 dengan nilai
sebaran tracking signal yang paling kecil dan dengan nilai MAD, MSE, MFE, dan MAPE
sebesar 3.00 ; 13.83 ; 0.17 ; dan 16,27.
28
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Gambar 4.13 Grafik tracking signal ES 0.2
Gambar 4.14 Grafik tracking signal ES 0.8
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai
tracking signal tidak berada di antara batas kontrol sehingga dapat disimpulkan hasil
forecasting dari metode exponential smoothing untuk α=0,5 memiliki tingkat keakuratan
yang rendah.
4.2.4 Metode Terpilih
Berikut merupakan hasil perhitungan forecasting dari metode yang dipilih dari
masing-masing metode forecasting yang telah dilakukan.
29
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Tabel 4.8 Hasil forecasting kursi bangku metode terpilihBulan Aktual MA(4) WMA(3) ES(0.5)
1 21.00 21.002 23.00 21.003 20.00 22.004 19.00 22 21.005 16.00 21 20 20.006 20.00 20 18 18.007 18.00 19 19 19.008 12.00 19 19 19.009 19.00 17 16 16.0010 25.00 18 17 18.0011 21.00 19 21 22.0012 27.00 20 22 22.00
Gambar 4.15 Grafik Perbandingan data aktual dengan MA, WMA, dan ES Metode Terpilih
Dari peramalan pada tabel 4.8 dan grafik 4.15, dapat disimpulkan bahwa metode
weighted moving average untuk n=3 adalah metode yang peramalannya paling mendekati
data aktualnya.
Tabel 4.8 Perbandingan error kursi bangkuError MA 4 WMA 3 ES (0,5)MAD 3.88 3.67 3.00MSE 22.63 19.67 13.83MFE 0.63 0.33 0.17
MAPE 21.14 20.11 16.27TS Max 1.29 0.82 2.00TS Min -4.00 -3.82 -4.80
Berdasarkan data diatas akan dipilih nilai persebaran dari nilai tracking signal diantara
UCL dan LCL, namun dalam hal ini tracking signal metode terpilih yaitu weighted moving
average untuk n= 3 memiliki tracking signal yang berada pada batas sehingga dapat
30
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
dipercaya keakuratannya. Selain itu juga memperhatikan nilai error yang terkecil, pada
pola penjualan kursi bangku merupakan produk yang pola data penjualannya cenderung
fluktuatif, sehingga metode WMA adalah metode terbaik yang dapat digunakan untuk
produk ini. Metode yang dipilih dari data di atas adalah forecasting dari metode weighted
moving average untuk n= 3 dengan nilai MAD, MSE, MFE, dan MAPE sebesar 3.67 ;
19.67 ; 0.33 ; dan 20.11.
Gambar 4.16 Grafik tracking signal pada WMA (3)
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai
tracking signal berada di luar batas kontrol sehingga dapat disimpulkan hasil forecasting
dari metode moving average untuk n= 3 memiliki tingkat keakuratan yang cukup tinggi.
Gambar 4.17 Perbandingan Data Aktual dan Forecast Metode TerpilihTabel 4.9 Forecast Horizon 6 Bulan Metode Terpilih
Periode Aktual Forecast
31
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
1 21.002 23.003 20.004 19.00 3.005 16.00 4.006 20.00 5.007 18.00 6.008 12.00 7.009 19.00 8.0010 25.00 9.0011 21.00 10.0012 27.00 11.00
13 25
14 24
15 25
16 24
17 25
18 25
Berdasarkan gambar 4.10, dapat dilihat bahwa terdapat kemiripan bentuk grafik dari hasil
forecast dengan data aktualnya. Hal ini membuktikan bahwa hasil forecast kurang lebih sesuai
dengan kondisi real pasar, sehingga dapat disimpulkan bahwa metode weighted moving average
untuk n= 3 merupakan metode terbaik untuk forecast produk Meja Bangku.
4.3 Peramalan Kayu Jati PX10
Berikut adalah grafik dari data penjualan Kayu Jati PX10.
Gambar 4.18 Grafik data penjualan Kayu Jati PX10
Berdasarkan grafik di atas, dapat dilihat jika pola data cenderung fluktuatif dari waktu ke waktu, sehingga dari kondisi di atas metode yang sesuai yaitu metode moving average, weighted moving average, dan exponential smoothing.
4.3.1 Metode Moving Average
32
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Berikut merupakan hasil perhitungan error forecasting dari metode moving average
untuk n =3, n =4, n=5, dan n =6.
Tabel 4.10 Perbandingan error Kayu Jati PX10Error MA 3 MA 4 MA 5 MA 6MAD 6,67 8,63 10,57 11MSE 69,78 91,63 131,71 131,67MFE 6,67 8,63 10,57 11,00
MAPE 3,63 4,66 5,65 5,84TS Max 9,00 8,00 7,00 6,00TS Min 1,00 1,00 1,00 1,00
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di
antara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang
dipilih dari data di atas adalah forecasting dari metode moving average untuk n =3 dengan
nilai MAD, MSE, MFE, dan MAPE sebesar 6,67 ; 69,78 ; 6,67 ; dan 3,63
Gambar 4.19 Grafik tracking signal pada moving average n = 3
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai
tracking signal berada di luar batas kontrol sehingga dapat disimpulkan hasil forecasting
dari metode moving average untuk n = 3 memiliki tingkat keakuratan yang rendah.
4.3.2 Metode Weighted Moving Average
Berikut merupakan hasil perhitungan error forecasting dari metode weighted moving
average untuk n =3, n = 4, n=5, dan n = 6.
Tabel 4.11 Perbandingan error Kayu Jati PX10Error WMA 3 WMA 4 WMA 5 WMA 6
33
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
MAD 5,78 8,00 8,14 7,83MSE 53,78 64,63 87,00 71,17MFE 5,78 6,63 8,14 7,83
MAPE 3,16 3,58 4,35 4,16TS Max 9,00 8,00 7,00 6,00TS Min 1,00 1,00 1,00 1,00
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal
diantara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang
dipilih dari data di atas adalah forecasting dari metode moving average untuk n =3 dengan
nilai MAD, MSE, MFE, dan MAPE sebesar 5,78 ; 53,78 ; 5,78 ; dan 3,16.
Gambar 4.20 Grafik tracking signal pada weighted moving average n =3
Gambar 4.21 Grafik tracking signal pada weighted moving average n =4
34
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Gambar 4.22 Grafik tracking signal pada weighted moving average n =5
Gambar 4.23 Grafik tracking signal pada weighted moving average n =6
Berdasarkan grafik tracking signal di atas, dapat dilihat jika persebaran data pada
nilai tracking signal berada di luar batas kontrol sehingga dapat disimpulkan hasil
forecasting dari metode weighted moving average untuk n =3 memiliki tingkat keakuratan
yang rendah.
4.3.3 Metode Exponential Smoothing
Berikut merupakan hasil perbandingan error forecasting dari metode exponential
smoothing untuk α=0.1, α=0.2, α=0.3, α=0.4, α=0.5, α=0.6, α=0.7, α=0.8, dan α=0.9.
Tabel 4.12 Perbandingan error Kayu Jati PX10
ErrorES
(0,1)ES
(0,2)ES
(0,3)ES
(0,4)ES
(0,5)ES
(0,6)ES
(0,7)ES
(0,8)ES
(0,9)MAD 9,92 9,17 8,50 8,25 8,50 8,00 8,25 8,58 8,83MSE 137,75 125,33 117,67 109,08 109,67 104,83 106,92 111,25 120,17MFE -0,25 1,00 1,50 1,58 2,00 1,50 1,25 1,08 1,00
MAPE 5,73 5,28 4,90 4,79 4,94 4,69 4,84 5,04 5,20TS
Max1,00 1,31 2,12 2,30 2,82 2,25 1,82 1,51 1,36
TS Min
-5,20 -5,00 -4,55 -3,33 -2,37 -2,09 -1,88 -1,68 -1,53
35
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di
antara BKA dan BKB, serta nilai dari perbandingan error yang terkecil. Metode yang
dipilih dari data di atas adalah forecasting dari metode exponential smoothing untuk α=0.6
dengan nilai MAD, MSE, MFE, dan MAPE sebesar 8,30 ; 104,83 ; 1,5 ; dan 4,69.
Gambar 4.24 Tracking Signal dengan ES 0.4
Gambar 4.25 Tracking Signal dengan ES 0.6
Berdasarkan grafik tracking signal di atas, dapat dilihat jika persebaran data pada
nilai tracking signal berada di antara batas kontrol sehingga dapat disimpulkan hasil
forecasting dari metode exponential smoothing untuk α=0.6 memiliki tingkat keakuratan
yang tinggi.
36
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
4.3.4 Metode Terpilih
Berikut merupakan hasil perhitungan forecasting dari metode yang dipilih dari
masing-masing metode forecasting yang telah dilakukan.
Tabel 4.13 Hasil forecasting Kayu Jati PX10 metode terpilih
AktualMA(3)
WMA (3)
ES (0.6)
160 179175 168153 173168 163 162 161170 166 165 166184 164 167 169178 174 177 178187 178 179 178190 183 184 184188 185 187 188193 189 189 188195 191 191 191
Gambar 4.26 Grafik Perbandingan data aktual dengan MA, WMA, dan ES
Dari peramalan pada tabel 4.14 dan grafik 4.15, dapat disimpulkan bahwa metode
exponential smoothing untuk α=0,6 adalah metode yang peramalannya paling mendekati
data aktualnya.
Tabel 4.14 Perbandingan error Kayu Jati PX10Error MA 3 WMA 3 ES (0,6)MAD 6,67 5,78 8MSE 69,78 53,78 104,83MFE 6,67 5,78 1,5
MAPE 3,63 3,16 4,69TS Max 9 9 2,25TS Min 1 1 -2,09
37
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal
diantara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Selain itu juga
memperhatikan nilai error yang terkecil, pada pola penjualan Kayu Jati PX10 merupakan
produk yang pola data penjualannya cenderung fluktuatif, sehingga metode ES adalah
metode terbaik yang dapat digunakan untuk produk ini. Metode yang dipilih dari data di
atas adalah forecasting dari metode exponential smoothing untuk α=0.6 dengan nilai MAD,
MSE, MAPE, dan MFE sebesar 8.30, 105.44, 4.84, 2.08.
Gambar 4.27 Grafik Tracking Signal pada ES 0,6
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada nilai
tracking signal berada di antara batas kontrol sehingga dapat disimpulkan hasil
forecasting dari metode ES 0,6 memiliki tingkat keakuratan yang tinggi.
Gambar 4.28 Perbandingan Data Aktual dengan forecasing metode tepilih
38
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Tabel 4.15 Forecast Horizon 6 Bulan Metode TerpilihPeriode Forecast
13 19414 19315 19416 19417 19418 194
Berdasarkan gambar 4.18, dapat dilihat bahwa terdapat kemiripan bentuk grafik dari hasil
forecast dengan data aktualnya. Hal ini membuktikan bahwa hasil forecast kurang lebih sesuai
dengan kondisi real pasar, sehingga dapat disimpulkan bahwa metode ES dengan α=0.6
merupakan metode terbaik untuk forecast produk Meja Bangku.
4.2 Perencanaan Agregat
39
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Setelah dilakukan perhitungan peramalan penjualan untuk tiap-tiap produk dengan
metode yang paling optimal, selanjutnya akan dilakukan perencanaan agregat. Perencanaan
agregat yang dilakukan akan membandingkan antara tiga metode yaitu metode chase,
level, dan level dengan rata-rata tengah. Dimana selanjutnya akan dipilih metode yang
paling optimal dengan membandingkan total biaya yang dikeluarkan untuk masing-masing
metode. Berdasarkan data-data yang telah dijabarkan pada bab 3, dapat dihitung :
1. Hari kerja per bulan = 24 hari
2. Jam kerja reguler per bulan = 8 jam (per hari) x 24 = 192 jam per bulan
3. Jam lembur per bulan = 30 jam (per minggu) x 4 = 120 jam per bulan
4. Upah kerja reguler per jam = Rp 12.500,-
5. Upah lembur per jam = Rp 10.000
6. Biaya mesin per jam = Rp 10.000
7. Biaya subkontrak :
Pada CV. Jati Subur : Meja= 37000, Kursi = 37500
Pada CV. Jati Makmur : Meja= 45000, Kursi = 4000
Berikut adalah data peramalan, proporsi tiap produk per periode :
Tabel 4.16 Peramalan Permintaan Produk CV Jati Makmur FurniturePeriode Meja Kursi
13 85 2514 87 2415 88 2516 89 2417 90 2518 91 25
Data peramalan di atas diperoleh dari hasil forecasting yang kemudian akan digunakan
dalam pengolahan data pada metode chase, level, dan level dengan rata-rata tengah.
Tabel 4.17 Kecepatan Produksi CV Jati Makmur Furniture
ProdukWaktu Proses Permesinan (jam)
Kecepatan Produksi (jam/unit)
Mesin Potong Mesin Assembly Mesin Spray (splitur)
Meja Bangku 0.5 1 1 2.5Kursi Bangku 0.75 1.5 1 3.25
Data kecepatan produksi digunakan untuk mengetahui proporsi pada permesinan dan
jumlah produk yang dihasilkan per harinya sehingga dapat diketahui juga jumlah produk
yang dihasilkan tiap bulannya.
Tabel 4.18 Proporsi Kecepatan ProduksiProporsi
40
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Meja Kursi0.435 0.5650.435 0.5650.435 0.5650.435 0.5650.435 0.5650.435 0.565
Perhitungan proporsi untuk meja pada periode yang akan kemudian digunakan untuk
semua periode :
Dengan cara yang sama, perhitungan proporsi untuk meja pada periode yang akan
kemudian digunakan untuk semua periode :
4.2.1 Chase Strategy
Berikut adalah tabel perhitungan untuk perencanaan agregat CV Jati Makmur
Furniture dengan metode chase.
Tabel 4.19 Chase Strategy CV Jati Makmur Furniture
Periode ProporsiJam Kerja
yang dibutuhkanTotal Jam
KerjaRegular Time Over Time Subkontrak
Meja Kursi Meja Kursi13 0.435 0.565 212.5 81.25 293.75 192 101.75 014 0.435 0.565 217.5 78 295.5 192 103.5 015 0.435 0.565 220 81.25 301.25 192 109.25 016 0.435 0.565 222.5 78 300.5 192 108.5 017 0.435 0.565 225 81.25 306.25 192 114.25 018 0.435 0.565 227.5 81.25 308.75 192 116.75 0
Langkah-langkah pengerjaan metode chase strategy:
1. Menentukan jam kerja yang dibutuhkan
Perhitungan meja untuk periode ke-13:
Perhitungan kursi untuk periode ke-13:
41
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Dengan cara yang sama, didapatkan nilai jam kerja yang dibutuhkan untuk
masing-masing produk di tiap periode.
2. Mencari total jam kerja tiap periode
Setelah didapat jam kerja yang dibutuhkan untuk masing-masing produk,
kemudian jam kerja untuk keempat produk dijumlahkan.
3. Menentukan regular time
Penentuan regular time disesuaikan dengan total jam kerja yang dibutuhkan
karena pada strategi, produksi dilakukan sesuai dengan permintaan pelanggan. Tetapi,
untuk bulan ke-13, karena total jam kerja yang dibutuhkan melebihi batas standar jam
kerja, maka regular time-nya sesuai dengan standar kerja maksimal yaitu 192 jam.
Kebutuhan jam kerja yang belum terakomodasi, akan dialokasikan ke waktu lembur.
4. Menentukan over time
Untuk menentukan lamanya waktu lembur pada periode ke-13, kebutuhan jam
kerja yang belum terakomodasi harus diketahui terlebih dahulu.
5. Menggunakan subkontrak
Untuk tetap bisa memenuhi permintaan pelanggan secara tepat waktu, maka
digunakanlah subkontrak. Subkontrak peride ke 13 digunakan karena pada CV Jati
Makmur Furniture penggunaan jam lembur masih belum bisa mengakomodasi
permintaan.
Berdasarkan hasil perhitungan pada tabel 4.19, diketahui bahwa hasil subkontrak
sama dengan 0 untuk semua periode yang menunjukkan bahwa alokasi jam reguler
dan overtime sudah memenuhi total jam kerja yang dibutuhkan sehingga tidak
dibutuhkan adanya subkontrak.
6. Menghitung total biaya keseluruhan
42
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Total biaya keseluruhan didapat dari penjumlahan biaya-biaya produksi yang
terlibat. Berikut adalah perhitungan untuk mencari jumlah masing-masing biaya.
1) Biaya mesin
Biaya mesin = (total jam kerja – jam subkontrak) x biaya mesin
= (1806 – 0) x 10.000 = Rp 18.060.000,00
2) Biaya regular time
Biaya reguler = total regular time x upah standar x jumlah operator
= 1152 x 12500 x 6= Rp 86.400.000,00
3) Biaya over time
Biaya over time = waktu lembur x biaya lembur x jumlah operator
= 654 x 10.000 x 6 = Rp 39.240.000,00
4) Biaya subkontrak
Biaya subkontrak per produk didapat dari jumlah unit per produk dikalikan
harga subkontrak per unit produk. Dikarenakan tidak ada subkontrak yang
dilakukan pada produk CV Jati Makmur Furniture maka biaya subkontrak
sama dengan Rp 0,00
Masing-masing biaya tersebut kemudian ditotal untuk mendapatkan total biaya
keseluruhan.
Tabel 4.20 Total Biaya Chase StrategyBiaya Jumlah (Rp)
Biaya mesin Rp 18.060.000,00
Biaya reguler Rp 86.400.000,00
Biaya over time Rp 39.240.000,00
Biaya subcontract Rp 0,00
Total biaya Rp 143.700.000,00
Jadi, dapat diambil kesimpulan bahwa total biaya dengan chase strategy sebesar
Rp 143.700.000,00
4.2.2 Level Strategy
Berikut adalah tabel perhitungan untuk perencanaan agregat CV Jati Makmur
Furniture dengan metode level.
43
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Tabel 4.21 Level Strategy CV Jati Makmur Furniture
PeriodeProporsi
Jam Kerja yang dibutuhkan
Total Jam
Kerja LevelRegular
timeOvertime
Inventory
Meja Kursi Meja Kursi Meja13 0.4348 0.5652 212.5 81.25 293.75 308.75 192 116.75 1514 0.4348 0.5652 217.5 78 295.5 308.75 192 116.75 13.2515 0.4348 0.5652 220 81.25 301.25 308.75 192 116.75 7.516 0.4348 0.5652 222.5 78 300.5 308.75 192 116.75 8.2517 0.4348 0.5652 225 81.25 306.25 308.75 192 116.75 2.518 0.4348 0.5652 227.5 81.25 308.75 308.75 192 116.75 0
Langkah-langkah pengerjaan metode level strategy:
1. Menentukan jam kerja yang dibutuhkan
Penentuan jam kerja yang dibutuhkan pada level strategy memiliki perhitungan yang
sama dengan chase strategy.
Perhitungan meja untuk periode ke-13:
Perhitungan kursi untuk periode ke-13:
Dengan cara yang sama, didapatkan nilai jam kerja yang dibutuhkan untuk
masing-masing produk di tiap periode.
2. Mencari total jam kerja tiap periode
Setelah didapat jam kerja yang dibutuhkan untuk masing-masing produk,
kemudian jam kerja untuk keempat produk dijumlahkan.
3. Menentukan level produksi
Level = Nilai Maximal dari total jam kerja = 308,75 jam
4. Menghitung Inventory
44
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
Karena level produksi memiliki nilai yang lebih besar daripada permintaannya,
maka akan muncul inventory. Inventory ini nantinya akan digunakan apabila ada
kekurangan produksi pada periode selanjutnya. Berikut adalah perhitungan untuk
inventory.
Inventory periode-13 = Level – Total jam kerja periode = 308,75 – 293,75 = 15
jam
Dengan cara yang sama, inventory periode 14 sampai dengan 18 dapat diketahui.
Tabel 4.22 Perhitungan Inventory untuk Level Strategy
Periode Inventory (jam)
Jam Inventory Unit
Meja Kursi Meja Kursi13 15 6.522 8.478 3 214 13.25 5.761 7.489 5 215 7.5 3.261 4.239 4 116 8.25 3.587 4.663 3 117 2.5 1.087 1.413 2 018 0 0.000 0.000 2 0
Pada CV Jati Makmur Furniture, biaya inventory dikenakan per unitnya, sehingga
inventory yang berupa jam kerja perlu dikonversikan ke dalam bentuk produk atau unit
terlebih dahulu.
Inventory periode ke-13
Dengan cara yang sama, didapatkan jumlah unit tiap produknya pada setiap
periode. Kemudian, masing-masing produk pada setiap periode dijumlahkan.
Inventory periode ke-13 = 3+2 = 5 unit
5. Menghitung total biaya keseluruhan
Total biaya keseluruhan didapat dari penjumlahan biaya-biaya produksi yang
terlibat. Berikut adalah perhitungan untuk mencari jumlah masing-masing biaya.
1) Biaya mesin
Biaya mesin = total jam kerja x biaya mesin
= 1852,5 x 10.000 = Rp 18.525.000,00
45
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
2) Biaya regular time
Biaya reguler = total regular time x upah standar x jumlah operator
= 1152 x 12500 x 6= Rp 86.400.000,00
3) Biaya over time
Biaya over time = waktu lembur x biaya lembur x jumlah operator
= 700,5 x 10.000 x 6 = Rp 42.030.000,00
4) Biaya inventory
Biaya inventory didapat dari total produk dikalikan dengan biaya inventory
per bulannya. Biaya inventory diketahui Rp 15.000/unit per tahun, sehingga
biaya inventory per bulannya adalah Rp 1.250/unit. Perhitungan biaya
inventory dapat dilihat pada tabel 4.23.
Tabel 4.23 Perhitungan Biaya Inventory untuk Level Strategy
PeriodeTotal
Inventory
Biaya Inventory /
Bulan
Biaya Inventory
13 5 1250 625014 7 1250 875015 5 1250 625016 4 1250 500017 2 1250 250018 2 1250 2500
Total Biaya Inventory 31250
Total biaya inventory yang dikeluarkan CV Jati Makmur sebesar Rp 31.250,00. Masing-masing biaya tersebut kemudian ditotal untuk mendapatkan total biaya keseluruhan. Perhitungan dapat dilihat pada tabel 4.33.
Tabel 4.24 Total Biaya Level StrategyBiaya Jumlah (Rp)
Biaya mesin Rp 18.525.000,00
Biaya reguler Rp 86.400.000,00
Biaya over time Rp 42.030.000,00
Biaya inventory Rp 31.250,00
Total biaya Rp 146.986.250.000,00
Jadi, dapat diambil kesimpulan bahwa total biaya dengan level strategy sebesar
Rp 146.986.250.000,00
Tabel 4.25 Compromised Strategy untuk CV Jati Makmur
46
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
PeriodeProporsi Jam Kerja
yang Dibutuhkan
Total Jam
KerjaLevel
Regular Time
OvertimeInventor
yCumulatif Inventory
Meja Kursi Meja Kursi
13 0,4348 0,565 212,5 81,25 293,75 301 192 109 7,25 7,25
14 0,4348 0,565 217,5 78 295,5 301 192 109 5,50 12,75
15 0,4348 0,565 220 81,25 301,25 301 192 109 -0,25 12,50
16 0,4348 0,565 222,5 78 300,5 301 192 109 0,50 13,00
17 0,4348 0,565 225 81,25 306,25 301 192 109 -5,250 7,75
18 0,4348 0,565 227,5 81,25 308,75 301 192 109 -7,75 0
1806 1806 1152 654
Langkah-langkah pengerjaan metode compromised strategy:Menentukan jam kerja
masing-masing produk
Penentuan jam kerja untuk masing-masing produk adalah dengan mengalikan demand
produk dengan kecepatan produksi produk tersebut. Berikut merupakan perhitungan jam
kerja meja bangku periode ke-13:
Dengan cara yang sama, didapatkan nilai jam kerja masing-masing produk yang
dibutuhkan di tiap periode.
1. Menentukan total jam kerja yang dibutuhkan
Penentuan jam kerja yang dibutuhkan pada compromised strategy memiliki
perhitungan yang sama dengan chase dan level strategy. Perhitungan untuk periode ke-13:
Dengan cara yang sama, didapatkan nilai total jam kerja yang dibutuhkan di tiap
periode.
2. Menentukan level
Penentuan level didapatkan dari rata-rata jumlah total jam kerja dari tiap periode
selama 6 bulan. Perhitungan level adalah sebagai berikut:
47
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
3. Menentukan regular time
Penentuan regular time didapatkan dari total jam kerja selama 1 periode dengan
perhitungan sebagai berikut:
4. Menghitung inventory
Penentuan jam inventory didapatkan dari pengurangan waktu level dengan total jam
kerja tiap periode. Berikut merupakan contoh perhitungan jam inventory periode ke-13:
Dari jam inventory masing-masing periode dapat diketahui jam inventory masing-
masing produk yang didapatkan dari perhitungan kumulatif inventory masing-masing
periode dikali dengan proporsi produk. Berikut merupakan contoh perhitungan jam
inventory untuk produk meja pada periode ke-13:
Dengan diketahui jam inventory masing-masing produk di masing-masing periode
maka dapat dihitung unit inventory masing-masing produk, total inventory, dan biaya
inventory yang dikeluarkan tiap periode. Untuk rincian unit inventory masing-masing
produk, total inventory, dan biaya inventory yang dikeluarkan tiap periode dapat dilihat
pada Tabel 4.26
Tabel 4.26 Perhitungan Biaya Inventory CV Jati MakmurJam Inventory Unit Inventory
Total Inventory
Biaya Inventory / Bulan
Biaya InventoryMeja Kursi Meja Kursi
3.152 4.098 2 1 3 1250 3750
5.543 7.207 3 2 5 1250 6250
5.652 7.348 3 2 5 1250 6250
5.435 7.065 3 2 5 1250 6250
7.717 10.033 4 3 7 1250 8750
11.087 14.413 5 4 9 1250 11250
Total biaya inventory 42500
5. Menghitung total biaya keseluruhan
Total biaya keseluruhan didapat dari penjumlahan biaya-biaya produksi yang
terlibat. Berikut adalah perhitungan untuk mencari jumlah masing-masing biaya.
48
TEKNIK INDUSTRI UNIVERSITAS BRAWIJAYA
TUGAS BESAR Perencanaan & Pengendalian Produksi 2014
1) Biaya mesin
Biaya mesin = total waktu level x biaya mesin
= 1806 x 10.000 = Rp 18.060.000
2) Biaya Tenaga Kerja
Biaya tenaga kerja regular = Regular time x 6 orang x 6 bulan x upah reguler
= 192 x 6 x 6 x 12500 = Rp 86.400.000
Biaya tenaga kerja overtime = Overtime x 6 orang x 6 bulan x upah over
= 109 x 6 x 6 x 10000 = Rp 39.240.000
3) Biaya Inventory
Biaya Inventory = 3750+6250+6250+6250+8750+11250
= Rp 42.500
Total biaya yang dikeluarkan dengan metode Compromised strategy adalah sebagai
berikut:
Total biaya = Rp 18.060.000 + Rp 86.400.000 + Rp 39.240.000 + Rp 42.500
= Rp 143.742.500,00
4.2.4 Metode Terpilih
Berikut adalah total biaya dari masing-masing metode.
Tabel 4.27 Total Biaya Masing-Masing MetodeMetode Total Biaya
Chase strategy Rp. 143.700.000.000Lavel strategy Rp. 146.986.250,000Mix strategy Rp. 143.742.500,000
Berdasarkan tabel 4.27, dapat dilihat bahwa biaya minimal didapatkan dari
perhitungan dengan metode chase strategy, sehingga dapat disimpulkan bahwa metode
terbaik untuk perencanaan agregat CV Jati Makmur Furniture adalah dengan metode
chase strategy.
49