i
Bab I Pendahuluan 1.1
Latar Belakang
Seiring kemajuan dunia industri yang pesat, maka setiap industri – industri – industri industri yang ada terutama di bidang manufacture pasti ingin menjadikan usahanya maju dengan pesat, berdaya saing dunia. Untuk memenuhi kebutuhannya kebutuhannya pasti di cari tenaga kerja yang berkualitas, handal, mandiri dan berdisiplin tinggi. Kemampuan setiap mahasiswa dalam melakukan kerja praktek di lapangan dengan bersungguh-sungguh bersungguh-sungguh dan disiplin yang tinggi, tinggi, akan menjadi salah satu prioritas utama untuk mengisi peluang kerja yang ada. Untuk menghasilkan sebuah perancangan produksi yang bagus dalam dunia industri, tentunya diperlukan ilmu tertentu untuk merancangnya agar perusahaan tidak salah memprediksi jumlah produksi pada pada periode yang akan datang juga tidak terjadi stock out barang dan overload capacity dalam inventory. Materi dalam praktek ini memberikan langkah-langkah dalam membuat perancangan proses produksi pada praktek praktek ini yaitu meramalkan produksi lampu tl Panasonic dengan 3 metode, verifikasi peramalan, bill of material (BOM) dan Operational Process Chart (OPC), rencana produksi, dan juga rough cut capacity planning (RCCP). Praktikum ini bertujuan sebagai salah satu syarat kelulusan dalam mengikuti mata kuliah Praktikum Perancangan Proses Produksi, disini diajarkan bagaimana kita akan merencanakan produksi produksi lampu tl pada perusahaan perusahaan PT Kong dalam 24 periode ke depan.
1.2.
Perumusan Masalah
Dalam praktikum Perancangan Proses Produksi, mahasiswa diminta untuk memproduksi Lampu TL dengan rumusan masalah sebagai berikut : 1. Membuat peramalan permintaan untuk periode waktu tertentu.
1
Bab I Pendahuluan 1.1
Latar Belakang
Seiring kemajuan dunia industri yang pesat, maka setiap industri – industri – industri industri yang ada terutama di bidang manufacture pasti ingin menjadikan usahanya maju dengan pesat, berdaya saing dunia. Untuk memenuhi kebutuhannya kebutuhannya pasti di cari tenaga kerja yang berkualitas, handal, mandiri dan berdisiplin tinggi. Kemampuan setiap mahasiswa dalam melakukan kerja praktek di lapangan dengan bersungguh-sungguh bersungguh-sungguh dan disiplin yang tinggi, tinggi, akan menjadi salah satu prioritas utama untuk mengisi peluang kerja yang ada. Untuk menghasilkan sebuah perancangan produksi yang bagus dalam dunia industri, tentunya diperlukan ilmu tertentu untuk merancangnya agar perusahaan tidak salah memprediksi jumlah produksi pada pada periode yang akan datang juga tidak terjadi stock out barang dan overload capacity dalam inventory. Materi dalam praktek ini memberikan langkah-langkah dalam membuat perancangan proses produksi pada praktek praktek ini yaitu meramalkan produksi lampu tl Panasonic dengan 3 metode, verifikasi peramalan, bill of material (BOM) dan Operational Process Chart (OPC), rencana produksi, dan juga rough cut capacity planning (RCCP). Praktikum ini bertujuan sebagai salah satu syarat kelulusan dalam mengikuti mata kuliah Praktikum Perancangan Proses Produksi, disini diajarkan bagaimana kita akan merencanakan produksi produksi lampu tl pada perusahaan perusahaan PT Kong dalam 24 periode ke depan.
1.2.
Perumusan Masalah
Dalam praktikum Perancangan Proses Produksi, mahasiswa diminta untuk memproduksi Lampu TL dengan rumusan masalah sebagai berikut : 1. Membuat peramalan permintaan untuk periode waktu tertentu.
1
2. Memilih metode peramalan terbaik dilihat dari MAD terkecil 3. Memverifikasi peramalan 4. Membuat stasiun kerja produksi Lampu TL 5. Membuat Rencana Agregat Produksi 6. Membuat RCCP 1.3
Tujuan dan Maksud
Laporan Praktikum Perancangan Proses Produksi mempunyai beberapa tujuan. Berikut ini merupakan tujuan khusus pembuatan l aporan ini. 1. Memahami manfaat dan posisi peramalan dalam sistem produksi 2. Memahami metode dan teknik peramalan. 3. Mampu memilih metode peramalan terbaik untuk memecahkan masalah peramalan. 4. Dapat menggunakan metode dan teknik peramala n untuk menentukan kebutuhan pasar pasar sebagai dasar penyususnan rencana produksi. 5. Dapat membuat sebuah stasiun kerja produksi 6. Dapat membuat rencana agregat produksi 7. Dapat membuat RCCP dalam produksi
2
BAB II Landasan Teori 2.1
Peramalan Produksi
Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk untuk setiap pengambilan pengambilan keputusan manajemen yang 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, fasi litas, produksi, penjadwalan, dan pengendalian persedian (inventory control). control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dil akukan dengan metode peramalan. Peramalan adalah penggunaan data masa mas a lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Asumsi dasar dalam penerapan teknik-teknik peramalan adalah:“If adalah:“If we can predict what the future will be like we can modify our behaviour behaviour now to be in a better position, than we otherwise would have been, when the future arrives.” Artinya, jika kita dapat memprediksi apa yang terjadi di masa mas a depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam masa mendatang yang relatif dekat. Peramalan merupakan hal yang paling penting untuk setiap keputusan manajemen. Keputusan ini biasanya terletak pada bagian finansial (akunting), pemasaran dan operasional produksi. Untuk bagian finansial berguna untuk dasardasar perencanaan anggaran dan kontrol biaya. Untuk bagian pemasaran berguna dalam perkiraan penjualan dalam rangka merencanakan produk baru, menghitung kompensasi personalia penjualan. Sedangkan untuk operasional produksi berguna
3
untuk membuat keputusan periodik, misalnya seleksi proses, perencanaan kapasitas dan layout fasilitas serta untuk keputusan-keputusan kontinyu tentang perencanaan produksi, penjadwalan dan persediaan. (E. John. Biegel, 1992) Peramalan yang sempurna seringkali tidak mungkin karena banyak faktorfaktor pada lingkungan bisnis tidak dapat diprediksi dengan kepastian. Oleh karena itu peramalan sangatlah penting dilakukan secara terus menerus. (Biegel, 1992). 2.1.1
Manajemen Permintaan
Tujuan
dari
dari
manajemen
permintaan
yaitu
untuk
mengkoordinasikan dan mengendalikan semua sumber permintaan sehingga sistem produksi dapat digunakan secara efisien dan produk dikirim tepat waktu. Ada 2 sumber permintaan yaitu (Makridakis, 1988) : a.
Dependent Demand merupakan permintaan untuk suatu produk atau jasa yang disebabkan oleh produk atau jasa lain. Sumber permintaan ini tidak perlu peramalan.
b.
Independent Demand merupakan permintaan untuk suatu produk atau jasa yang tidak tergantung oleh produk atau jasa lain sumber permintaan ini memerlukan peramalan.
2.1.2
Jenis-Jenis Pola Permintaan Konsumen
Pola data permintaan terdiri dari 6 jenis. pola data biasanya tidak ideal mempunyai garis yang halus, tetapi akan serlalu mempunyai tingkat random disekitarnya. Kerandoman ini diakibatkan oleh fluktuasi data yang tidak bisa diprediksi. Pola data tersebut antara lain (Biegel, 1992) :
4
a. Pola data garis lurus (Konstan) Pola data ini mempunyai permintaan bergerak lurus dengan kerandoman disekitarnya. Kuantitas (Q)
T (waktu) Gambar 2.1 Grafik pola data konstan b. Pola data Trend Pola data ini mempunyai grafik seolah-olah naik atau turun dengan kerandoman disekitarannya. Kuantitas (Q)
T (waktu) Gambar 2.2 Grafik pola data trend c. Pola data Eksponensial ( Exponential ). Pola data ini mempunyai pergerakan yang semakin lama semakin meningkat atau menurun secara drastis.
Kuantitas (Q)
5
T (waktu) Gambar 2.3. Grafik pola data Eksponensial d. Pola data Seasional (Musiman) Pola data ini mempunyai pergerakan yang naik turun secara teratur dalam kurun waktu yang teratur pula, akan tetapi periode musiman dalam jangka pendek. Kuantitas (Q)
T (waktu) Gambar 2.4. Grafik pola data Seasional e. Pola data Siklus (Cyclical ) Pola data ini mempunyai pergerakan yang turun naik secara teratur dengan jangka waktu yang cukup panjang.
Kuantitas (Q)
T (waktu)
6
Gambar 2.5. Grafik pola data siklus f.
Pola data Random (acak) Pola data ini tidak sama sekali mewakili ke lima pola data diatas. Pergerakan data tidak dapat diprediksi secara teratur. Kuantitas (Q)
T(waktu) Gambar 2.6. Grafik pola data Random
2.1.3
Jenis-jenis Peramalan
A.
Metode Kuanlitatif
Metode kuanlitatif yaitu menggunakan perhitungan matematik dan statistik. Metode kuanlitatif dapat digolongkan menjadi 2 yaitu: 1) Teknik Deret Berkala (Time Series )yang memerlukan sistem seperti kotak hitam dan tidak ada usaha memerlukan faktor yang berpengaruh pada system tersebut. Metode ini cocok untuk peramalan jangka pendek dan jangka menengah. Contoh: 1. Single Moving Average 2.
Single Exponential Smothing , dll.
2) Teknik Exponensial (causal) yang mengasumsikan adanya hubungan sebab akibat antara output dan input dari suatu sistem. Contoh: 1.
Analisis Regrasi Ganda
7
2.
B.
Metode Dephi.
Metode kualitatif.
Metode ini digunakan dimana tidak ada model matematik, biasanya dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa yang akan datang (long term forecasting). Peramalan kualitatif menggunakan pertimbangan pendapat-pendapat para pakar yang ahli atau experd di bidangnya. Adapun kelebihan dari metode ini adalah biaya yang dikeluarkan sangat murah (tanpa data) dan cepat diperoleh. Sementara kekurangannya yaitu bersifat subyektif sehingga seringkali dikatakan kurang ilmiah. Salah satu pendekatan peramalan dalam metode ini adalah Teknik Delphi, dimana menggabungkan dan merata-ratakan pendapat para pakar
dalam suatu forum yang dibentuk untuk memberikan estimasi suatu hasil permasalahan
di
masa
yang
akan
datang.
Misalnya:
berapa estimasi pelanggan yang dapat diperoleh dengan realisasi teknologi 3G. Metode kualitatif biasanya tidak menggunakan perhitungan matematis ataupun perhitungan secara statitik.Metode ini cukup dengan tanggapan atau buah pikiran dari orang orang yang cuku mengenai keadaan yang akan diramalakan. Jenis peramalan ini bersifat subjektif. Subjektif dalam hal ini yaitu berdasarkan estimasi dan pendapat. Metode yang sering digunakan yaitu (Makridakis, 1988) : Contoh : 1)
Penelitian Konsumen (Grass Root ). Mendapatkan peramalan dari penghimpunan beberapa masukan dari berbagai macam pendapat yang sama yang berkenaan untuk apa peramalan dilakukan. Contohnya yaitu pada semua peramalan yang disatukan dari berbagai masukan tenaga penjual yang mempunyai daerah pasar masing-masing.
8
2)
Penelitian Pasar ( Market Research) Menyatukan semua data keluaran yang bervariasi dari berbagai cara pengumpulan (survey, wawancara dan lain sebagianya) untuk dijadikan hipotesis mengenai tingkat pemasaran. Peramalan ini digunakan untuk peramalan jangka panjang dan peramalan produk baru.
3)
Kesepakatan panel ( Panel Consensus) Dari beberapa suatu pertemuan lakukan dengar pendapat secara bebas. Pendapat yang dilakukan secara bersaman merupakan lebih baik dibandingkan pendapat dari satu orang. Personel dalam pertemuan terdiri dari eksekutif, tenaga penjual atau dari pelanggan.
4)
Analogi Kejadian Masa Lalu ( Historical Analogy) Satukan apa yang akan dilakukan dari peramalan untuk jenis item yang sama. Hal yang paling penting dalam merencanakan produk baru dimana sebuah peramalan mungkin diperoleh dari penggunaan kejadian masa lalu untuk produk yang sama.
5)
Metode Delphi ( Delphi Method ) Kumpulan dari responden yang ahli dalam sebuah jajak pendapat. Seorang moderator harus merumuskan sebuah jajak pendapat yang baru ke dalam sekumpulan ahli. Selanjutnya proses mempelajari dilakukan oleh sekumpulan ahli sebagai masukan dari informasi baru dan perbaikan dari ketentuan grup atau dominasi perseorangan.
2.1.4
Analisa Deret Waktu ( Ti me Seri es Analysis)
Peramalan dengan menggunakan metode ini yaitu penggunaan data masa lalu untuk mempredisksi saat yang akan datang. Perhitungan peramalan jenis ini tergantung dari pola data permintaan. Metode yang digunakan untuk perhitungan yaitu Moving Average, sebagai berikut (Biegel, 1992) : Rata-rata bergerak ( Moving Average)
9
Rata-rata bergerak ini biasanya digunakan untuk data yang mempunyai fluktuasi data sekitar garis lurus. Pola data dapat dilihat pada gambar 2.1. Perhitungan peramalan menggunakan persamaan : 1.
Simple Average Simple Average yaitu digunakan untuk data yang mempunyai
random seputar garis lurus. Persamaan yang digunakan yaitu : n
X
Xi
i 1
……………………………………………………II-1
n
dimana : X =
Peramalan Simple Average,
n = Banyaknya data
2.
Simple Moving Average Metode ini dengan menghitung rata-rata dari hanya sejumlah data
yang paling baru dari suatu seri data. Ciri-ciri data yaitu data tidak naik atau turun dengan cepat serta data tidak mempunyai karakteristik musiman. Peramalan diperhitungkan dengan rata-arat banyaknya pergerakan data.
1 X ………………………………………………II-2 n t
SMAt 1
i
i
t 1 n
dimana : n = banyaknya data 3.
Weighted Moving Average Memberi bobot yang tidak sama pada setiap nilai permintaan data
yang terbaru mempunyai nilai yang lebih besar daripada data yang lebih lama. Perhitungan hampir sama dengan cara perhitungan metode SMA tetapi data yang dikelompokan diberi bobot sesuai dengan urutan data. 4.
Metode Exponential Smoothing
10
Metode
ini
dipergunakan
untuk
data
yang
mempunyai
kecenderungan pola yang exponensial. Pola data ini dapat dilihat di gambar 2.2.
5.
Simple Exponential Smooting Perhitungan dengan metode ini mengasumsikan bahwa data yang
paling baru lebih menggambarkan saat yang akan datang. Persamaan yang digunakan dapat dilihat dalam persamaan 3. F t
d t
1
1 F
t 1
……………………………………………II-3
dimana : Ft = Peramalan permintaan untuk periode yang akan datang dt-1 = Permintaan aktual untuk periode sebelumnya Ft-1 = Peramalan permintaan untuk periode sebelumnya α = Konstanta pemulusan ( 0 < < 1 ) Konstanta adalah konstanta pemulusan (Smoothing ). Konstanta ini menentukan tingkat smoothing dan kecepatan reaksi terhadap perbedaan antara peramalan dan nilai aktual. Untuk pemilihan nilai ditentukan oleh pola data. Jika besar berarti permintaan periode terakhir besar pengaruhnya. Untuk itulah jika demand tidak stabil maka pilih nilai yang besar (antara 0.7 sampai 0.9), serta jika permintaan stabil maka pilihlah nilai yang kecil (antara 0.1 sampai 0.2). 6.
Exponential Smoothing With Linear Trend. Jika ada trend baik turun atau naik pada data mengakibatkan
peramalan eksponensial selalu tertinggal dari nilai aktualnya. Untuk mengoreksi hal tersebut, dibutuhkan 2 konstanta smoothing yaitu dan . Peramalan eksponensial dengan penambahan trend dapat dilihat pada persamaan 4.
11
F t
F ………………………….……II-4 D T T F ………………………………II-5 T D T
F
t 1
t 1
T t
t 1
t 1
t 1
t 1
dimana : Ft
= Peramalan Exponential Smoothing untuk periode t
Tt
= Trend Exponential Smoothing untuk periode t
F/Tt-1
= Peramalan dengan mengikutsertakan faktor trend periode sebelumnya
Dt-1
= Demand aktual untuk periode sebelumnya
dan = Konstanta smoothing (0 < dan < 1) Metode peramalan ini sering disebut juga sebagai peramalan Double Exponential Smoothing .
7.
Metode Holt’s – Winter Metode ini sebenarnya adalah penggabungan dari metode single
eksponential smoothing dengan double eksponential smoothing , dengan tiga parameter yang dikembangkan oleh Holt dan Winter . Peramalan dengan metode Holt menggunakan 2 konstanta smoothing yang mempunyai harga antara 0 dan 1. Metode ini sangat tepat jika digunakan untuk data dengan trend linier. Persamaan Holt dapat dilihat dalam persamaan 8. St=Dt+(1-)(St-1+bt-1)…………………………………..II-6 bt=(S – t St-1)+(1-)bt-1…………………………………….II-7 Ft+m=St+btm……………………………………………II-8 Dimana St
= Komponen Pemulusan umum pada periode ke t
12
bt
= Komponen trend
Ft+m = Peramalan untuk m periode ke depan Untuk data yang mempunyai pola musiman ( seasonal diperlukan metode yang tepat. Dalam hal ini winter mencoba untuk memecahkan masalah ini. Winter menggunakan 3 konstanta pemulusan yaitu , dan dengan nilai antara 0 dan 1. Konstanta ini diperlukan untuk menghaluskan faktor trend, musiman dan eksponensial. Metode ini mirip dengan metode Holt’s hanya saja ditambah satu persamaan yang berhubungan dengan pola data musiman. Persamaan peramalan dapat dilihat pada persamaan 12. St = (Dt/It-L)+(1-)(St-1+bt-1)………………………………………..II-9 bt = (S – t St-1)+(1-)bt-1……………………………………………..II-10
It=
X t S t
(1 ) I t
L
……………………………………………...II-11
Ft+m= (St+btm) It-L+m……………………………………………….II-12 Dimana : St
= Komponen Pemulusan umum pada periode ke t
L
= Panjang musiman
I
= Faktor penyesuaian musiaman
bt
= Komponen trend
Ft+m = Peramalan m periode ke depan 8.
Metode dekomposisi Metode peramalan ini mengasumsikan bahwa pola data yang
terbentuk tidak memenuhi atau terlihat sebagai salah satu pola data. Sehingga dalam perhitungannya semua komponen pola data diikutsertakan. Refresentasi matematis dapat di lihat pada persamaan 13.
13
Dt=F(St,Tt,Ct,R t)………………………………………………….II-13 Dimana : Dt
= Data aktual pada periode ke t
St
= Komponen musiman pada periode ke t
Tt
= komponen trend pada periode ke t
Ct
= Komponen musiman pada periode ke t
R t
= komponen random pada periode ke t
Langkah-langkah dalam perhitungan adalah : 1. Pada data aktual Xt, hitung moving average dimana panjang N sama dengan panjang musimannya. Tujuan dari moving average ini adalah untuk menghilangkan faktor musiman dan random. 2. Pisahkan n periode moving average di atas dari data awalnya untuk mendapatkan trend dan faktor siklis. 3. Pisahkan faktor musiman dengan merata-ratakan untuk setiap periode sampai seluruh panjang periode musiman. 4. Identifikasikan bentuk trend yang sesuai ( linier, eksponensial, kurva S dan lain sebagainya) dan hitung nilainya untuk setiap periode Tt. 5. Pisahkan keluaran dari langkah 4, dari langkah 2 (gabungan nilai trend dan siklus) untuk mendapatkan faktor siklis. 6. Pisahkan faktor musiman, trend dan siklus dari data aslinya.
2.1.5
Ukuran Kesalahan Peramalan
Kesalahan peramalan merupakan perbedaan antara nilai peramalan dengan yang aktual terjadi. Kesalahan ini dapat diklasifikasikan menjadi (E.J. Biegel, 1992) :
14
- Bias error yaitu terjadi jika kesalahan konsisten yang terjadi. Misalkan tidak memasukan variabel yang benar, menggunakan hubungan antar variabel yang salah, menggunakan garis trend dengan salah dan lain sebagainya. - Random error yaitu kesalahan yang tidak dapat dijelaskan oleh model peramalan yang digunakan. Perhitungan untuk mengukur error peramalan antara lain (Biegel, 1992) : 1. Metode Mean Absolute Deviation (MAD). Rata-rata deviasi antara peramalan dengan aktual tanpa memperhatikan tanda negatif atau positif. Perhitungan kesalahan ini dapat dilihat pada persamaan 29. n
MAD
error peramalan
n
Dt F t
i 1
n
………………………..II-14
dimana : Dt = Data ke t Ft = Peramalan periode ke t n = Jumlah data Jika error yang terjadi pada peramalan berdistribusi normal maka MAD
yang berhubungan dengan standar deviasi =
2
xMAD
1.25 MAD ,
maka
1 MAD sama dengan 0.8 standar deviasi. 2. Mean Square Error (MSE) Perhitungan didasarkan pada pengkuadratan error peramalan supaya hasil error yang negatif dapat dipositifkan. Persamaan yang digunakan dapat dilihat pada persamaan 30. n
n
2 ( forecast error )
MSE
2.2
i 1
n
( Dt Ft )
i 1
n
Verifikasi Peramalan 15
2
…………………….II-15
Proses verifikasi digunakan untuk melihat apakah metode peramalan yang diperoleh representatif terhadap data. Proses verifikasi dilakukan dengan menggunakan Moving Range Chart (MRC). Dari chart (peta) ini dapat terlihat apakah sebaran masih dalam kontrol ataupun sudah berada di luar kontrol. Jika sebaran berada di luar kontrol, maka fungsi/metode peramalan tersebut tidak sesuai, artinya pola peramalan terhadap data (Y-YF) tersebut tidak representatif. Proses verifikasi dengan menggunakan Moving Range Chart (MRC)., dapat digambarkan pada gambar 9.7, dibawah ini :
16
Gambar 2.7. Moving Range Chart Daerah A: daerah di luar
Daerah B: daerah di luar
Daerah C: daerah di luar garis tengah Kondisi diluar kendali (out-of-control ):
Dari 3 titik berurutan, ada 2 atau lebih pada sala h satu sisi daerah A
Dari 5 titik berurutan, ada 4 atau lebih pada sa lah satu sisi daerah B
Terdapat 8 titik berurutan pada salah satu sisi daerah C
17
Kondisi out of control dapat diperiksa dengan menggunakan empat aturan berikut :
1. Aturan Satu Titik Bila ada titik sebaran (Y-YF) berada di luar UC L dan LCL. Walaupun jika semua titik sebaran berada dalam batas kontrol, belum tentu fungsi/metode representatif. Untuk itu penganalisaan perlu dilanjutkan dengan membagi MRC dalam tiga daerah, yaitu : A, B, dan C.
2.
Aturan Ti ga Titik
Bila ada tiga buah titik secara berurutan berada pada salah satu sisi, yang mana dua diantaranya jatuh pada daerah A.
3. Aturan Lima Ti tik Bila ada lima buah titik secara berurutan berada pada salah satu sisi, yang mana empat diantaranya jatuh pada daerah B.
4. Aturan Delapan Titik Bila ada delapan buah titik secara berurutan berada pada salah satu sisi, pada daerah C.
Adapun gambar verifikasi metode peramalan dapat dilihat pada gambar 9.8, sebagai berikut :
18
MRC
Outof Control?
Tidak
G u n a k a n f u n g s i y an g diperoleh untuk meramalkan
Ya
Fungsi Penyebab
Ya
diketahui?
Gejalatersebutbukan b e r s i f a t r a n d o m s e h i n g g a datamenyimpang
Tidak
Menghitung kembali p a r a m e t e r f u n g s i t e r s e b u t d e n g a n m e n g h i l a n g ka n t i t i k - t i t i k o u t o f c o n t ro l s e h i n g g a d i p e r ol e h f u n g s i y a n g b a r u d e n ga n j u m l ah d a t a ya n g b a r u ( d a ta b e r k u r a n g )
Gantidengan fungsibaru
Ulangi e m b al i
Gambar 2.8. Langkah Verifikasi 2.3
Bill Of Material dan Operational Process Chart (OPC)
Peta proses operasi merupakan suatu diagram yang menggambarkan langkahlangkah proses yang akan dialami bahan baku mengenai urut-urutan operasi dan pemeriksaan. Sejak dari awal sampai menjadi produk jadi utuh maupun sebagai komponen dan juga memuat informasi-informasi yang diperlukan untuk analisa lebih lanjut seperti waktu yang dihabiskan, material yang digunakan dan tempat atau alat mesin yang dipakai. Suatu peta proses operasi dicatat hanyalah kegiatan-kegiatan operasi dan pemeriksaan saja, kadang-kadang pada akhir proses dicatat tentang penyimpanan (Sutalaksana, 2006). Peta proses operasi adalah suatu peta yang
19
menggambarkan urutan kerja dengan jalan membagi pkerjaan tersebut menjadi elemen-elemen operasi secara detail. Tahapan proses operasi kerja harus diuraikan secara logis dan sistematis (Sritomo, 2000). Gambaran dari urutan-urutan aliran komponen dan rakitan bagian ke dalam rakitan untuk membentuk suatu produk jadi. Peta ini digunakan untuk tujuan perencanaan dan pengendalian proses. Peta ini menun jukkan kebutuhan material yang digambarkan sesuai urutan-urutan aliran komponen dan rakitan-rakitan produk ke dalam suatu rakitan produk (James Apple, 1990). Peta proses rakitan me nunjukkan cara yang mudah dipahami tentang: 1.
Komponen-komponen yang membentuk produk
2.
Bagaimana komponen-komponen ini bergabung bersama
3.
Komponen yang menjadi bagian suatu rakitan bagian
4.
Aliran komponen ke dalam sebuah rakitan
5.
Keterkaitan antara komponen dengan rakitan bagian
6.
Gambaran menyeluruh dari proses rakitan
7.
Urutan waktu komponen bergabung bersama
8.
Suatu gambaran awal dari pola aliran bahan
2.4
Rencana Agregat Produksi
Perencanaan produksi merupakan suatu prosedur mengenai berapa besar kuantitas produk yang harus diproduksi. Hal ini disebabkan kemampuan yang terbatas, sehingga tidak dapat begitu saja mengikuti hasil ramalan permintaan. Hal ini juga disebabkan oleh : a. Ketidakpastian hasil peramalan itu sendiri
20
b. Adanya ongkos yang timbul setiap kali mengubah level tingkat produksi atau jika kita membuat persediaan. c. Tipe dari perusahaan manufaktur Perencanaan ini di bagi ke dalan 2 tipe yaitu perencanaan produksi agregat dan perencanaan produksi yang disagregat.: 2.4.1
Perencanaan Produksi Agregat
Perencanaan
produksi
agregat
merupakan
perencanaan
yang
mempunyai tipe produk satu macam atau berbagai macam tipe produk yang disatukan menjadi satu jenis. Perencanaan agregat berfungsi untuk menetapkan kerangka kerja untuk penjadwalan induk produksi dan pelaksanaan manufaktur. Konsep dari perencanaan agregrat adalah untuk menghitung jumlah produk yang harus diproduksi dengan mengelompokkan produk-produk k e dalam famili dan menemukan produk pengganti yang representatif untuk kesemua produk dalam famili. Proses pemisahan rencana agregat menjadi rencana yang lebih rinci disebut disagregasi; dimana hasilnya adalah Jadwal Induk Produksi (JIP) atau Master Production Schedule (MPS). Terdapat empat strategi yang dapat digunakan dalam perencanaan produksi agregat yaitu : 1. Strategi 1 : Merubah tingkat tenaga kerja (tenaga kerja tetap) Demand dapat dipenuhi dengan merubah jumlah tenaga kerja melalui hiring and layoff. 2. Strategi 2 : Merubah tingkat inventori Jika perusahaan tidak menginginkan hiring and layoff tenaga kerja, maka akan memilih memproduksi pada tingkat rata-rata demand dan memenuhi perubahan demand dengan inventori.
21
3. Strategi 3 : Subkontrak Perusahaan melakukan subkontrak (memesan barang) ke perusahaan l ain untuk menambah kapasitas, sehingga permintaan terpenuhi. 4. Strategi 4 : mixed strategi Dengan menggabungkan ketiga strategi diatas. Dalam merencanakan produksi agregat ini dibutuhkan konversi yang bermaksud untuk menyamakan satuan dari produk. Data yang dibutuhkan dalam konversi adalah waktu baku, harga jual atau faktor yang mempengaruhi kebijakan perusahaan. Sebagai pembanding diambil produk utama dari nilai yang ditetapkan.(H. Kusuma, 1984). Persamaan konversi adalah sebagai berikut : Fk = ……………………………………………………………….… III-1 Dimana : Nm = Nilai masing-masing produk NT = Nilai ketetapan 2.4.2
Perencanaan Produksi Disagregat
Pada perencanaan produksi tidak dibahas produk yang diproduksi secara rinci melainkan dalam bentuk agregat yaitu satuan yang mempresentasikan kumpulan beberapa produk, Agar rencana tersebut dapat diimplementasikan, perlu dilakukan disagregasi dalam jumlah produksi masing-masing produk individu. Hasil disagregasi ini menjadi jadwal induk produksi dan merupakan masukan untuk perencanaan kebutuhan material. Ada beberapa metode yang mencoba untuk memecahkan disagregasi antara lain: 1. Algoritma untuk memecahkan rencana agregat dalam jumlah produk famili.
22
2. Algoritma untuk memecahkan jumlah produksi famili dalam jumlah produk individu. Langkah-langkah disagregasi : 1. Menentukan family yang akan diproduksi 2. Disagregasi family 3. Disagregasi item
2.5
Rough Cut Capacity Planning (RCCP)
Rough Cut Capacity Planning (RCCP) merupakan metode yang digunakan untuk mengukur kapasitas stasiun kerja sehingga dapat diketahui apakah suatu jadwal produksi memerlukan kerja lembur, sub contract, dll untuk memenuhi permintaan yang tepat waktu. Rough Cut Capacity Planning (RCCP) juga merupakan proses menentukan apakah sumber daya yang direncanakan cukup untuk melaksanakan MPS. Kelancaran produksi dalam suatu pabrik sangat penting, karena jika terjadi kemacetan dalam suatu proses produksi hal ini dapat mengakibatkan penumpukan bahan baku ataupun meningkatnya Work in Process dalam memproduksi suatu barang. Untuk mencegah terjadinya hal ini maka perlu dilakukan uji kelayakan terhadap MPS yang telah dibuat oleh perencana produksi, hal tersebut dapat dilakukan dengan menyesuaikan MPS dengan kapasitas yang tersedia di dalam pabrik. Keberhasilan perencanaan manufakturing membutuhkan perencanaan kapasitas yang efektif agar mampu memenuhi jadwal produksi yang telah ditetapkan. Kekurangan kapasitas akan menyebabkan kegagalan memenuhi target produksi, keterlambatan pengiriman ke pelanggan dan kehilangan kepercayaan dalam sistem formal yang mengakibatkan reputasi perusahaan akan menurun bahkan hilang sama sekali. Simulasi merupakan salah satu cara untuk memecahkan berbagai persoalan yang dihadapi di dunia nyata (real world). System dynamics merupakan metode untuk meningkatkan pemahaman dalam sistem yang komplek. Permasalahan yang dihadapi oleh pe rusahaan yaitu belum
23
adanya keseimbangan antara kebutuhan kapasitas dengan ketersediaan kapasitas dilantai produksi, oleh sebab itu sering terjadi kekurangan bahkan kelebihan kapasitas produksi khususnya pada produksi Migelas, hal ini dikarenakan jumlah produksi yang direncanakan tidak sesuai dengan kapasitas yang tersedia didalam pabrik, dan perencana tidak pernah melakukan uji kelayakan terhadap rencana produksi. Oleh karena itu perlu dilakukan uji validasi MPS untuk mengetahui apakah kapasitas yang tersedia di perusahaan dapat memenuhi kapasitas yang dibutuhkan, maka dari itu perlu dilakukan perhitungan dengan menggunakan metode RCCP untuk mengetahui permasalahan tersebut. Dan untuk memperkirakan kecenderungan keadaan penjualan produksi Migelas dimasa mendatang, dengan menggunakan pendekatan model system dynamics dengan tujuan untuk membentuk hubungan kausalitas antar variabelvariabel. Menurut Blackstone (1989), kapasitas merupakan sebagai jumlah output maksimum yang dapat dihasilkan suatu fasilitas produksi dalam suatu selang waktu tertentu. Kapasitas merupakan suatu tingkat keluaran dalam periode tertentu dan merupakan kuantitas keluaran tertinggi yang mungkin selama periode itu. Kapasitas dapat disesuaikan dengan tingkat penjualan yang sedang berfluktuasi yang dicerminkan dalam jadual induk produksi (master production schedule/MPS). 2.5.1
Penjadwalan Induk Produksi (MPS) dan Rough Cut Capacity Planning
Penjadwalan Induk Produksi (MPS) berfungsi untuk memberikan input utama kepada sistem perencanaan kebutuhan material dan kebutuhan kapasitas (MRP dan CRP), menjadwalkan pesanan produksi dan pembelian, memberikan landasan untuk penentuan kebutuhan sumber daya dan kapasitas serta memberikan dasar untuk pembuatan janji tentang penyerahan produk kepada pelanggan. Rough Cut Capacity Planning (RCCP) menentukan apakah sumber daya yang direncanakan cukup untuk melaksanakan MPS. RCCP lebih terperinci daripada RRP karena RCCP menghitung beban untuk semua item yang dijadwalkan dan dalam periode waktu yang aktual. Jika proses RCCP mengindikasikan bahwa MPS layak dilaksanakan maka MPS akan diteruskan ke proses MRP guna menentukan 24
bahan baku atau material, komponen dan subassemblies yang dibutuhkan. TeknikTeknik Dalam Penerapan RCCP : 1. Capacity Planning Using Overall Factors (CPOF) CPOF merupakan perencanaan yang relatif kasar, dengan input yang diperlukan seperti : MPS, waktu total pabrik yang diperlukan untuk memproduksi satu part tertentu dan proporsi historis yakni perbandingan antar stasiun kerja mengenai kapasitas produk pada waktu tertentu. Teknik ini membutuhkan data dan teknik perhitungan yang paling sedikit dibandingkan teknik lainnya, sehingga pendekatan ini paling mudah terpengaruh bila terjadi perubahan dalam volume produk maupun jumlah waktu yang diperlukan untuk menyelesaikan suatu produk. Cara perhitungannya relatif mudah, dengan mengalikan proporsi historis dengan total kuantitas MPS pada periode tertentu untuk masing-masing stasiun kerja. Dari hasil perhitungan ini nantinya diperoleh waktu total yang diperlukan, total waktu ini kemudian dirata-ratakan dan dibandingkan dengan waktu kapasitas. 2. Bill Of Labor Approach (BOL) Bill of Labor Approach didefinisikan sebagai suatu daftar yang berisi jumlah tenaga kerja yang dibutuhkan untuk memproduksi suatu item. BOL bukan merupakan routing, melainkan suatu alat untuk memperkirakan kebutuhan untuk bill of labor dapat digunakan item atau kelompok item-item yang sama dan diperluas dengan sejumlah item yang telah terjadwal untuk menentukan kebutuhan kapasitas. Pendekatan dengan teknik ini menggunakan data yang rinci mengenai waktu baku setiap produk pada sumber-sumber utama. Ada masukan yang dibutuhkan untuk pendekatan BOL, yaitu: MPS dan Bill of Labor. 3. Resources Profile Approach Pendekatan ini juga menggunakan data waktu baku. Selain itu membutuhkan pula data lead time yang diperlukan pada stasiun-stasiun kerja tertentu. 25
BAB III Pembahasan
3.1
Pengumpulan Data
Pelaksanaan praktium Perencanaan dan Perancangan Produksi dilakukan di laboratorium Teknik Industri Universitas LanglangBuana Bandung. Data diperoleh dengan bertanya langsung ke pasaran Lampu TL. Harga Lampu TL 1 Rp. 68.000,00 dan Lampu TL 2 Rp. 92.000.00. berikut data untuk mendapat jumlah permintaan. Tabel 3.1. Mencari Jumlah produk lampu TL
Harga Tahun
2016
2017
Nilai Konversi
Demand Agregat
1
13547
14444
TL Simbat 1x18 Watt Philips 68000
2
13036
14165
68000
92000
1
1,352941176
13036
19164,41176
32200,412
3
13694
14674
68000
92000
1
1,352941176
13694
19853,05882
33547,059
4
13212
14556
68000
92000
1
1,352941176
13212
19693,41176
32905,412
5
13418
14795
68000
92000
1
1,352941176
13418
20016,76471
33434,765
6
13120
14788
68000
92000
1
1,352941176
13120
20007,29412
33127,294
7
13600
14791
68000
92000
1
1,352941176
13600
20011,35294
33611,353
8
13816
14388
68000
92000
1
1,352941176
13816
19466,11765
33282,118
9
13137
14934
68000
92000
1
1,352941176
13137
20204,82353
33341,824
10
13549
14359
68000
92000
1
1,352941176
13549
19426,88235
32975,882
11
13293
14204
68000
92000
1
1,352941176
13293
19217,17647
32510,176
12
13614
14479
68000
92000
1
1,352941176
13614
19589,23529
33203,235
1
13708
14096
68000
92000
1
1,352941176
13708
19071,05882
32779,059
Periode
Data Historis
TL Simbat 1x36 Watt Philips
TL Simbat 1x18 Watt Philips
TL Simbat 1x36 Watt Philips
92000
TL Simbat 1x18 Watt Philips 1
1,352941176
13547
19541,88235
33088,882
TL Simbat 1x36 Watt Philips
26
Jumlah
2
13345
14694
68000
92000
1
1,352941176
13345
19880,11765
33225,118
3
13358
14493
68000
92000
1
1,352941176
13358
19608,17647
32966,176
4
13009
14696
68000
92000
1
1,352941176
13009
19882,82353
32891,824
5
13276
14218
68000
92000
1
1,352941176
13276
19236,11765
32512,118
6
13267
14945
68000
92000
1
1,352941176
13267
20219,70588
33486,706
7
13237
14920
68000
92000
1
1,352941176
13237
20185,88235
33422,882
8
13141
14991
68000
92000
1
1,352941176
13141
20281,94118
33422,941
9
13568
14397
68000
92000
1
1,352941176
13568
19478,29412
33046,294
10
13293
14863
68000
92000
1
1,352941176
13293
20108,76471
33401,765
11
13842
14327
68000
92000
1
1,352941176
13842
19383,58824
33225,588
12
13148
14477
68000
92000
1
1,352941176
13148
19586,52941
32734,529
Tabel 3.2. Permintaan produk lampu TL Period (t)
Aktual Demand
1
33088,88
2
32200,41
3
33547,06
4
32905,41
5
33434,76
6
33127,29
7
33611,35
8
33282,12
9
33341,82
10
32975,88
11
32510,18
12
33203,24
13
32779,06
14
33225,12
15
32966,18
16
32891,82
17
32512,12
18
33486,71
19
33422,88
20
33422,94
21
33046,29
22
33401,76
23
33225,59
24
32734,53
27
Grafik 34000.000 33500.000 33000.000 i a l i 32500.000 N 32000.000 31500.000 31000.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 Periode
Gambar 3.1. Grafik permintaan produk 3.2
Pengolahan Data 3.2.1
Dekomposisi
Mencari seasonal faktor dalam permintaan produksi terlebih dahulu. Berikut tabel seasonal factor. Tabel 3.3. Seasonal Factor
Quarter
Periode
Actual Amount
Fom Trend equation
Ratio of
T= 32000 - (15,4066 . X)
actual : trend
Seasonal Factor ( average of same quarters in both years)
1
1
33088,88
31984,60
1,03
1,04
2
2
32200,41
31969,20
1,01
1,04
3
3
33547,06
31953,80
1,05
1,04
4
4
32905,41
31938,40
1,03
1,04
1
5
33434,76
31923,00
1,05
2
6
33127,29
31907,60
1,04
3
7
33611,35
31892,20
1,05
4
8
33282,12
31876,79
1,04
1
9
33341,82
31861,39
1,05
2
10
32975,88
31845,99
1,04
28
3
11
32510,18
31830,59
1,02
4
12
33203,24
31815,19
1,04
1
13
32779,06
31799,79
1,03
2
14
33225,12
31784,39
1,05
3
15
32966,18
31768,99
1,04
4
16
32891,82
31753,59
1,04
1
17
32512,12
31738,19
1,02
2
18
33486,71
31722,79
1,06
3
19
33422,88
31707,39
1,05
4
20
33422,94
31691,99
1,05
1
21
33046,29
31676,59
1,04
2
22
33401,76
31661,19
1,05
3
23
33225,59
31645,78
1,05
4
24
32734,53
31630,38
1,03
29
Setelah seasonal factor didapatkan, lalu seasonal factor dimasukkan pada tabel berikut ini : Tabel 3.3. Peghitungan Peramalan Dekomposisi Aktual Demand
Average
Seasonal Factor
Deseasonalized Demand
periode
Quarter
1
1
33088,88
33033,82
1,04
31883,85
x2 1,00
31883,85
x+y
2
2
32200,41
33069,53
1,04
30977,59
4,00
61955,19
3
3
33547,06
33213,87
1,04
32118,71
9,00
96356,12
4
4
32905,41
33073,34
1,04
31622,77
16,00
126491,09
5
1
33434,76
1,04
32028,74
25,00
160143,70
6
2
33127,29
1,05
31693,83
36,00
190163,00
7
3
33611,35
1,05
32116,10
49,00
224812,67
8
4
33282,12
1,05
31761,16
64,00
254089,26
9
1
33341,82
1,05
31777,82
81,00
286000,35
10
2
32975,88
1,05
31389,27
100,00
313892,67
11
3
32510,18
1,05
30906,85
121,00
339975,39
12
4
33203,24
1,05
31525,89
144,00
378310,63
13
1
32779,06
1,05
31083,90
169,00
404090,69
14
2
33225,12
1,06
31467,22
196,00
440541,05
15
3
32966,18
1,06
31182,71
225,00
467740,68
16
4
32891,82
1,06
31073,30
256,00
497172,87
17
1
32512,12
1,06
30676,06
289,00
521493,06
18
2
33486,71
1,06
31556,03
324,00
568008,50
19
3
33422,88
1,06
31456,47
361,00
597673,00
20
4
33422,94
1,06
31417,22
400,00
628344,33
21
1
33046,29
1,07
31024,40
441,00
651512,41
30
22
2
33401,76
1,07
31319,03
484,00
689018,67
23
3
33225,59
1,07
31115,05
529,00
715646,17
24
4
32734,53
1,07
30617,06
576,00
734809,55
25,29
753791,03
4900,00
9380124,91
300
60
794343,41
Dari penghitungan tabel di atas kita dapatkan: ẋ
=
12.5
ӯ
=
31407,95975
b
=
-36,75
a
=
32200,41
132390,57
22
2
33401,76
1,07
31319,03
484,00
689018,67
23
3
33225,59
1,07
31115,05
529,00
715646,17
24
4
32734,53
1,07
30617,06
576,00
734809,55
25,29
753791,03
4900,00
9380124,91
300
60
794343,41
132390,57
Dari penghitungan tabel di atas kita dapatkan: ẋ
=
12.5
ӯ
=
31407,95975
b
=
-36,75
a
=
32200,41
31
Y= a + bx = 32200,41 + (-36,75)x
Tabel 3.4. Peghitungan Peramalan Dekomposisi Periode
Quarter
Y from regression line
Seasonal factor
Forcast
1
1
32163,66
1,04
33379,27
2
2
32126,91
1,04
33395,10
3
3
32090,16
1,04
33517,24
4
4
32053,41
1,04
33353,52
5
1
32016,66
1,04
33422,16
6
2
31979,91
1,05
33426,31
7
3
31943,16
1,05
33430,37
8
4
31906,41
1,05
33434,33
9
1
31869,66
1,05
33438,19
10
2
31832,91
1,05
33441,95
11
3
31796,16
1,05
33445,62
12
4
31759,41
1,05
33449,18
13
1
31722,66
1,05
33452,65
14
2
31685,91
1,06
33456,03
15
3
31649,16
1,06
33459,30
16
4
31612,41
1,06
33462,48
17
1
31575,66
1,06
33465,56
18
2
31538,91
1,06
33468,54
19
3
31502,16
1,06
33471,42
20
4
31465,41
1,06
33474,21
21
1
31428,66
1,07
33476,90
22
2
31391,91
1,07
33479,49
23
3
31355,16
1,07
33481,98
24
4
31318,41
1,07
33484,38
Didapatkan peramalan (forecast) dari metode peramalan Dekomposisi.
33
3.2.2
Metode Peramalan Regresi Linear
Tabel 3.4. Peghitungan Peramalan Regresi Linear 2 Period (t)
Aktual Demand
PERIOD*DEMAND
Y2
1
33088,88
33088,88
1
1094874135,37
2
32200,41
64400,82
4
1036866517,82
3
33547,06
100641,18
9
1125405155,71
4
32905,41
131621,65
16
1082766123,40
5
33434,76
167173,82
25
1117883490,94
6
33127,29
198763,76
36
1097417615,56
///////7
33611,35
235279,47
49
1129723046,54
8
33282,12
266256,94
64
1107699355,07
9
33341,82
300076,41
81
1111677196,27
10
32975,88
329758,82
100
1087408816,96
11
32510,18
357611,94
121
1056911574,15
12
33203,24
398438,82
144
1102454834,00
13
32779,06
426127,76
169
1074466697,36
14
33225,12
465151,65
196
1103908442,66
15
32966,18
494492,65
225
1086768791,09
16
32891,82
526269,18
256
1081872055,09
17
32512,12
552706,00
289
1057037793,90
18
33486,71
602760,71
324
1121359470,85
19
33422,88
635034,76
361
1117089064,78
20
33422,94
668458,82
400
1117092996,89
21
33046,29
693972,18
441
1092057554,91
22
33401,76
734838,82
484
1115677885,47
23
33225,59
764188,53
529
1103939713,58
24
32734,53
785628,71
576
1071549415,81
794343,41
9932742,29
4900
26293907744,15
300
Dari tabel diperoleh dengan perhitungan sbb:
= − =
∑ − . ∑ 2 − .
2
= + 34
X rata-rata
=
12.5
ӯ
=
33097,64
b
=
-0,04
a
=
33098,15
Y
=
51712,73 – (-0,04)x
Tabel 3.5. Peramalan Metode Regresi Linear PERIODE
FORECAST
1
33098,11
2
33098,07
3
33098,03
4
33097,99
5
33097,95
6
33097,91
7
33097,87
8
33097,82
9
33097,78
10
33097,74
11
33097,70
12
33097,66
13
33097,62
14
33097,58
15
33097,54
16
33097,50
17
33097,46
18
33097,42
19
33097,38
20
33097,34
21
33097,30
22
33097,26
23
33097,22
24
33097,18
35
3.2.3
Metode Exponential Smoothing Holt’s – Winter
Rumus : St=Dt+(1-)(St-1+bt-1)…………………………………..II-6 bt=(S – t St-1)+(1-)bt-1…………………………………….II-7 Ft+m=St+btm……………………………………………II-8 Dimana St
= Komponen Pemulusan umum pada periode ke t
bt
= Komponen trend
Ft+m = Peramalan untuk m periode ke depan
Diberi Nilai terlebih dahulu dengan : α=
0.2
δ=
0.3
Tabel 3.6. Peramalan Metode Exponential Holt’s - Winter
Periode
Aktual Demand
At
1
33088,88
33088,88
-888,47
32200,41
2
32200,41
32200,41
-888,47
31311,94
3
33547,06
31048,19
-967,596
32579,46
4
32905,41
31870,58
-430,601
32474,81
5
33434,76
32322,32
-165,898
33268,87
6
33127,29
33107,83
119,5261
33246,82
7
33611,35
33415,35
175,9222
33787,28
8
33282,12
33826,98
246,6356
33528,75
9
33341,82
33688,68
131,1533
33472,98
10
32975,88
33478,48
28,74873
33004,63
11
32510,18
32928,74
-144,798
32365,38
12
33203,24
32417,11
-254,847
32948,39
13
32779,06
32710,64
-90,3331
32688,73
14
33225,12
32723,74
-59,3052
33165,81
36
Tt
Forecast
3.3
15
32966,18
33078,44
64,89744
33031,07
16
32891,82
33055,14
38,43839
32930,26
17
32512,12
32877,38
-26,4205
32485,70
18
33486,71
32664,76
-82,2808
33404,43
19
33422,88
33342,29
145,6623
33568,54
20
33422,94
33655,95
196,0622
33619,00
21
33046,29
33661,31
138,8508
33185,14
22
33401,76
33339,55
0,666986
33402,43
23
33225,59
33367,6
8,881034
33234,47
24
32734,53
33141,59
-61,5864
32672,94
Verifikasi Peramalan
Memverifikasi peramalan dengan mencari nilai dari MAD Mean Absolute Deviation dengan rumus: n
MAD
error peramalan
n
Dt F t
i 1
n
………………………..II-14
dimana : Dt = Data ke t Ft = Peramalan periode ke t n = Jumlah data
3.3.1
Verifikasi Metode Dekomposisi
Tabel 3.7. Perhitungan Error Dekomposisi Period (t)
Demand (At)
Forecast (Ft)
Error (At-Ft)
Absolute
1
33088,88
33379,27
-290,39
290,39
2
32200,41
33395,10
-1194,68
1194,68
3
33547,06
33517,24
29,82
29,82
4
32905,41
33353,52
-448,10
448,10
5
33434,76
33422,16
12,61
12,61
6
33127,29
33426,31
-299,02
229,02
7
33611,35
33430,37
180,99
180,99
8
33282,12
33434,33
-152,21
152,21
9
33341,82
33438,19
-96,36
96,36
10
32975,88
33441,95
-466,07
446,07
37
11
32510,18
33445,62
-935,44
935,44
12
33203,24
33449,18
-245,95
245,94
13
32779,06
33452,65
-673,60
673,60
14
33225,12
33456,03
-230,91
230,91
15
32966,18
33459,30
-493,13
493,13
16
32891,82
33462,48
-570,66
570,66
17
32512,12
33465,56
-953,44
953,44
18
33486,71
33468,54
18,17
18,17
19
33422,88
33471,42
-48,54
48,54
20
33422,94
33474,21
-51,27
51,27
21
33046,29
33476,90
-430,61
430,61
22
33401,76
33479,49
-77,73
77,73
23
33225,59
33481,98
-256,40
256,40
24
32734,53
33484,38
-749,85
749,85 8815,94
Dengan nilai MAD : Mean absolute deviation
3.3.2
= 367,33
Verifikasi Metode Regresi Linear
Tabel 3.8. Perhitungan Error Regresi Linear PERIODE (X)
DEMAND(At)
forecast
error
1
33088,88
31756,84
1332,04
2
32200,41
31792,86
407,55
3
33547,06
31738,27
1808,79
4
32905,41
31764,28
1141,13
5
33434,76
31742,82
1691,94
6
33127,29
31755,29
1372,01
7
33611,35
31735,67
1875,69
8
33282,12
31749,01
1533,11
9
33341,82
31746,59
1595,23
10
32975,88
31761,43
1214,46
11
32510,18
31780,30
729,87
12
33203,24
31752,21
1451,03
13
32779,06
31769,40
1009,65
14
33225,12
31751,32
1473,80
15
32966,18
31761,82
1204,36
16
32891,82
31764,83
1126,99
17
32512,12
31780,22
731,89
38
18
33486,71
31740,72
1745,99
19
33422,88
31743,31
1679,58
20
33422,94
31743,30
1679,64
21
33046,29
31758,57
1287,72
22
33401,76
31744,16
1657,60
23
33225,59
31751,30
1474,28
24
32734,53
31771,21
963,32 32187,66
Mean Absolute Deviation
= 1341,152331
3.9. Perhitungan Error Exponential Smoothing Holt’s-winter PERIODE
Aktual Demand
Forecast
Error
Absolute error
1
33088,88
32672,94
415,94
415,94
2
32200,41
32672,94
-472,53
472,53
3
33547,06
32672,94
874,12
874,12
4
32905,41
32672,94
232,47
232,47
5
33434,76
32672,94
761,82
761,82
6
33127,29
32672,94
454,35
454,35
7
33611,35
32672,94
938,41
938,41
8
33282,12
32672,94
609,17
609,17
9
33341,82
32672,94
668,88
668,88
10
32975,88
32672,94
302,94
302,94
11
32510,18
32672,94
-162,77
162,77
12
33203,24
32672,94
530,29
530,29
13
32779,06
32672,94
106,12
106,12
14
33225,12
32672,94
552,17
552,17
15
32966,18
32672,94
293,23
293,23
16
32891,82
32672,94
218,88
218,88
17
32512,12
32672,94
-160,83
160,83
18
33486,71
32672,94
813,76
813,76
19
33422,88
32672,94
749,94
749,94
20
33422,94
32672,94
750,00
750,00
21
33046,29
32672,94
373,35
373,35
22
33401,76
32672,94
728,82
728,82
23
33225,59
32672,94
552,65
552,65
24
32734,53
32672,94
61,59
61,59 11785,03
Mean absolute deviation =
491,0428
39
Setelah melakukan verifikasi dari setiap metode peramalan, didapatkanlah MAD terkecil yaitu oleh metode Dekomposisi dengan nilai MAD sebesar 653.85. 3.4
Bill Of Material dan OPC Lampu TL
3.10 tabel Bill Of Material level 0----1----2 — --2 — -1----2 — ---3---3---3---3--2 — --2 — ---3---3---3--2 — --2---2 — --2 — ---3---3-
item lampu TL UTOM
kuantitas 1
satuan Pieces
lampu kemasan (dus lampu) bohlam
1 1
Pieces Pieces
1
Pieces
dudukan lampu piting cashing penutup piting lempengan tembaga cashing piting
1 2 2
Pieces Pieces Pieces
4
inches
2
pieces
pengunci cashing baut secreng dudukan secreng tembaga tutup dudukan secreng cashing penutup kabel cashing ballast mur soket
2 2 1 1 2 1
pieces pieces pieces pieces inches pieces
1 2 1 1 6 1
pieces inches pieces pieces pieces pieces
40
Gambar 3.1. Tingkatan komponen Lampu TL
lampu TL UTOM
dudukan lampu
lampu
kemasan (dus lampu)
bohlam
cashingpiting Q/P = 2
piting
baut
Q/P = 2
lempengan tembaga Q/P =4
cashing penutup Q/P =2
secreng
pengunci cahsing Q/P = 2
dudukan secreng
41
tembaga Q/P =2
kabel Q/P = 2
tutup dudukan secreng
cashing penutup
cashing
ballasts
mur Q/P = 6
bocket
42
PETA PROSES OPERASI NAMA OBYEK NOMOR PETA DIPETAKAN OLEH TANGGAL DIPETAKAN
O-12
0,5' O-13
Rumah Pins Holder (1)
Rumah Pins Holder (2)
Starter Switch 0,5'
: PERAKITAN LAMPU TL :1 : ALFADILA & DIDIN SAEPUDIN : 10/06/17
Pasang Tembaga (Obeng)
Tutup Starter Switch (Obeng)
0,5'
Pasang Kabel (Obeng)
0,5'
Pasang Tembaga (Obeng)
1'
Pasang Penjepit Pins (Obeng)
0,5'
Tutup Pins Holder (Obeng)
0,5'
O-7
1' O-8
0,5' O-9
0,5' O-10
0,5'
O-3
O-4
Rumah Body Pasang Kabel (Obeng)
0,5'
Pasang Tembaga (Obeng)
1,5'
O-5
Pasang Penjepit Pins (Obeng)
O-6
Tutup Pins Holder (Obeng)
O-1
Pasang Ballast Lampu (Obeng)
O-2
Pasang baud dan mur (Obeng)
Pasang Pelindung Kabel (Obeng)
O-11
8,5'
O-14 I-1
0,5' O-15
0,5' O-16
1' O-17
Ringkasan KEGIATAN
JUMLAH
WAKTU (MENIT)
OPERASI
17
18,5
PEMERIKSAAN
1
0,5
TOTAL
18
19
43
Perakitan (Obeng)
Tutup Rumah Body (Obeng)
Pasang Ball Lampu
Pasang Kemasan
3.5
Simulasi Work Station
Work
Work
Work
Work
Station 5
Work
Station 4
Station 3
Station 2
Station 1
Penjelasan Work Station 1 : Pemasangan trafo ke casing Work Station 2 : Pemasangan Fitting ke Casing Work Station 3 : Pemasangan Tabung ke Casing Work Station 4 : Pemasangan Lampu ke Casing Work Station 5 : Quality Control
45
3.5
Simulasi Work Station
Work
Work
Work
Work
Station 5
Work
Station 4
Station 3
Station 2
Station 1
Penjelasan Work Station 1 : Pemasangan trafo ke casing Work Station 2 : Pemasangan Fitting ke Casing Work Station 3 : Pemasangan Tabung ke Casing Work Station 4 : Pemasangan Lampu ke Casing Work Station 5 : Quality Control
45
