ANALISIS PERAMALAN TERHADAP PERMINTAAN BENANG ACRYLIC RAW WHITE YARN PT. HANIL INDONESIA BOYOLALI

perpustakaan.uns.ac.id

digilib.uns.ac.id

ANALISIS PERAMALAN TERHADAP PERMINTAAN BENANG ACRYLIC RAW WHITE YARN PT. HANIL INDONESIA BOYOLALI

TUGAS AKHIR Diajukan Untuk Melengkapi Syarat-Syarat Mencapai Sebutan Gelar Ahli Madya Manajemen Bisnis Oleh: INDRA IBRAHIM F3509038

PROGRAM STUDI DIPLOMA III MANAJEMEN BISNIS FAKULTAS EKONOMI UNIVERSITAS SEBELAS MARET SURAKARTA 2012

commit to user


digilib.uns.ac.id

commit to user ii


digilib.uns.ac.id

commit to user iii


digilib.uns.ac.id

MOTTO Cintailah pasanganmu seperti engkau mencintai hidupmu karena sesungguhnya pasanganmu adalah jiwa yang mengalir didalam hidupmu (Khalil Gibran) “Jangan terlalu berlarut-larut atas kesedihan dan kekecewaan di masa lalu, karena itu hanyalah suatu kebodohan yang teramat besar. Bangkit dan percayalah bahwa hari esok masih ada sejuta kebahagiaan. Asal kita berusaha, kita akan menikmatinya” (Aditya Khusharyanto) Sukses- gagal, jatuh- bangun, susah- senang, puas- kecewa, adalah nuansa kehidupan yang justru bisa membuat kita semakin indah dan artistik, serta menjadikan jiwa kita semakin kaya pengalaman. Jadilah diri sendiri, dengan ini dapat membentuk kepribadian yang sesungguhnya (Muhammad Fauzi)

Karya ini dipersembahkan kepada: -

Bapak dan Ibu tercinta

-

Kakak dan Adik tersayang

-

commit to user iv

Almameter


digilib.uns.ac.id

PERSEMBAHAN Karya sederhana ini saya persembahkan untuk: 1.

Allah SWT yang telah memberikan saya nikmat iman, serta nikmat sehat sehingga saya mampu menyelesaikan tugas akhir ini.

2.

Ayah dan Ibu yang telah menghidupi saya selama ini. Terima kasih atas semua yang telah kalian berikan. Kalianlah orang tua terbaik.

3.

Keluarga tercinta yang telah memberikan semangat hidup bagi saya selama ini.

4.

Teman-teman Manajemen Industri angkatan ’09, terima kasih atas kebersamaan, keceriaan dan kekompakannya selama ini, kalian adalah yang terbaik.

5.

Untuk teman- teman d’brother dan purwogendeng semangat terus agar kita bisa meraih apa yang kita cita- citakan. Kalian merupakan teman- teman yang seru.

commit to user v


digilib.uns.ac.id

KATA PENGANTAR Puji syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat dan karunianya sehingga laporan tugas akhir dengan judul ANALISIS PERAMALAN TERHADAP PERMINTAAN BENANG ACRYLIC RAW WHITE YARN PT. HANIL INDONESIA BOYOLALI, ini dapat diselesaikan dengan baik. Tugas akhir ini disusun untuk memenuhi syarat- syarat mencapai gelar Ahli Madya pada program D3 Manajemen Bisnis Fakultas Ekonomi Universitas Sebelas Maret Surakarta. Dalam kesempatan ini penulis sampaikan ucapan trimakasih kepada pihakpihak yang membantu penyusunan laporan tugas akhir ini: 1.

Bapak prof. Dr. wisnu untoro, MS selaku dekan Fakultas Ekonomi Universitas Sebelas Maret

2.

Ibu Arum Setyowati selaku pembimbing tugas akhir yang telah memberikan pengarahan selama penyusunan tugas akhir.

3.

Ibu Sinto Sunaryo, SE, MSI selaku ketua Program Studi Diploma 3 Manajemen Bisnis Universitas Sebelas Maret.

4.

Bapak Budi Utomo selaku Kepala Produksi di PT. Hanil Indonesia, terima kasih atas segala bantuan dalam mengatasi berbagai kesulitan di magang kerja.

commit to user vi


5.

digilib.uns.ac.id

Bapak Edy selaku Manajer HRD di PT. Hanil Indonesia yang telah memberikan izin kepada kami untuk melakukan magang kerja dan telah banyak membantu dalam proses magang.

6.

Seluruh Staff dan Karyawan PT. Hanil Indonesia yang telah memberikan bantuan selama penelitian.

7.

Bapak dan Ibu Dosen serta segenap karyawan Fakultas Ekonomi UNS

8.

Teman- temanku seperjuangan di Manajemen Bisnis. Terimakasih semuanya.

9.

Semua pihak yang tidak mungkin disebutkan satu persatu yang secara langsung maupun tidak langsung yang telah banyak membantu penulis dalam menyelesaikan tugas akhir ini.

Penulis menyadari sepenuhnya atas kekurangan dalam penulisan tugas akhir ini. Untuk itu penulis mengharapkan kritik dan saran yang membangun. Namun demikian, karya sederhana ini diharapkan dapat bermanfaat bagi pihakpuhak yang membutuhkan.

Surakarta,

Penulis

commit to user vii


digilib.uns.ac.id

DAFTAR ISI ABSTRAK ............................................................................................................... i ABSTRACT............................................................................................................. ii HALAMAN PERSETUJUAN ............................................................................... iii HALAMAN PENGESAHAN ............................................................................... iv HALAMAN MOTTO ............................................................................................. v HALAMAN PERSEMBAHAN ............................................................................. vi KATA PENGANTAR............................................................................................. vii DAFTAR ISI............................................................................................................ ix DAFTAR TABEL ................................................................................................... xiii DAFTAR GAMBAR .............................................................................................. xiv DAFTAR LAMPIRAN ........................................................................................... xv BAB I PENDAHULUAN .................................................................................... 1 A.

Latar Belakang ................................................................................ 1

B.

Rumusan Masalah ........................................................................... 3

C.

Tujuan Penelitian ............................................................................ 3

D.

Manfaat Penelitian .......................................................................... 5

E.

Metode penelitian............................................................................ 5 1. Objek penelitian .............................................................................. 5 2. Desain penelitian ............................................................................. 5 3. Sumber data ..................................................................................... 6 4. Teknik pengumpulan data .............................................................. 6 5. Teknik analisis data ........................................................................ 7 a.

Single moving average ......................................................... 7 commit to user viii


digilib.uns.ac.id

b. Weighted moving average .................................................... 8 c.

Exponential smoothing ......................................................... 9

d. Pengukuran hasil akurasi peramalan.................................... 10 6. Alat analisis data ............................................................................. 11 F.

Kerangka Pemikiran ....................................................................... 13

BAB II TINJAUAN PUSTAKA ........................................................................... 15 A.

Pengertian Peramalan ..................................................................... 15

B.

Tujuan Peramalan ........................................................................... 16

C.

Jenis Peramalan ............................................................................... 16

D.

Peramalan menurut horizon waktu ................................................ 17

E.

Karakteristik Peramalan ................................................................. 18

F.

Metode Peramalan .......................................................................... 18 1. Jenis pendekatan peramalan ........................................................... 18 a. Teknik Kualitatif ................................................................... 18 b. Teknik Kuantitatif ................................................................. 19 1)

Time series ................................................................... 19

2)

Asosiatif ....................................................................... 23

2. Pengukuran hasil akurasi peramalan ............................................. 25 BAB III PEMBAHASAN ....................................................................................... 28 A.

Gambaran umum perusahaan ......................................................... 28 1. Sejarah Perusahaan ......................................................................... 28 2. Permodalan usaha ........................................................................... 29 3. Lokasi perusahaan........................................................................... 29 commit to user 4. Struktur Organisasi Perusahaan ..................................................... 31 ix


digilib.uns.ac.id

5. Aspek Personalia ............................................................................. 34 B.

Proses Produksi ............................................................................... 37 1. Proses spinning ............................................................................... 38 2. Proses dyeing .................................................................................. 43

C.

Laporan Magang Kerja ................................................................... 46 1. Pengertian magang kerja ................................................................ 46 2. Tempat dan waktu pelaksanaan magang ....................................... 46 3. Manfaat magang kerja .................................................................... 46 4. Kegiatan magang kerja ................................................................... 47

D.

Pembahasan ..................................................................................... 48 1. Metode single moving average ...................................................... 50 a.

Single moving average 3 bulanan ........................................ 50

b. Single moving average 4 bulanan ........................................ 51 2. Metode weighted moving average ................................................. 52 a.

weighted moving average 3 bulan terbobot......................... 52

b. weighted moving average 4 bulan terbobot......................... 53 3. Metode exponential smoothing ...................................................... 53 a.

Metode exponential smoothing α = 0,5 ............................... 54

b. Metode exponential smootihng α = 0,9 ............................... 55 1)

Hasil Peramalan bulan april ........................................ 56

2)

Tingkat kesalahan bulan april..................................... 57

BAB IV PENUTUP ................................................................................................ 58 A.

Kesimpulan...................................................................................... 58

B.

commit to user Saran ................................................................................................ 58 x


digilib.uns.ac.id

DAFTAR PUSTAKA LAMPIRAN

commit to user xi


digilib.uns.ac.id

DAFTAR TABEL Tabel 3.2 jumlah karyawan .....................................................................................

33

Tabel 3.21 pembagian jam kerja.............................................................................

33

Tabel 3.22 aktivitas selama magang.......................................................................

46

Tabel 3.23 data produksi benang ............................................................................

47

Tabel 3.24 single moving average 3 bulanan ........................................................

48

Tabel 3.25 single moving average 4 bulanan ........................................................

49

Tabel 3.26 weighted moving average 3 bulan terbobot ........................................

50

Tabel 3.27 weighted moving average 4 bulan terbobot ........................................

51

Tabel 3.28 exponential smoothing α = 0.5.............................................................

52

Tabel 3.29 exponential smoothing α = 0.9.............................................................

53

Tabel 3.30 hasil peramalan bulan April .................................................................

53

Tabel 3.31 tingkat kesalahan...................................................................................

54

Tabel 3.32 hasil peramalan bulan April .................................................................

55

Tabel 3.33 tingkat kesalahan...................................................................................

56

commit to user xii


digilib.uns.ac.id

DAFTAR GAMBAR Gambar 2.1 kerangka pemikiran ............................................................................

5

Gambar 3.1 struktur organisasi ...............................................................................

30

Gambar 3.11 proses spinning..................................................................................

36

Gambar 3.12 proses dyeing.....................................................................................

41

commit to user xiii


digilib.uns.ac.id

DAFTAR LAMPIRAN Lampiran 1 POM windows single moving average 3 bulanan Lampiran 2 POM windows single moving average 4 bulanan Lampiran 3 POM windows weighted moving average 3 bulan terbobot Lampiran 4 POM windows weighted moving average 4 bulan terbobot Lampiran 5 POM windows exponential smoothing α = 0.5 Lampiran 6 POM windows exponential smoothing α = 0.9 Lampiran 7 acrylic staple fiber (bahan baku serat pendek) Lampiran 8 acrylic tow (bahan baku serat panjang) Lampiran 9 hasil produksi acrylic dyed yarn (hank) Lampiran 10 hasil produksi acrylic dyed dan raw white yarn (cone) Lampiran 11 surat keterangan magang Lampiran 12 surat keterangan blanko nilai magang Lampiran 13 surat pernyataan tugas akhir

commit to user xiv


digilib.uns.ac.id

BAB I PENDAHULUAN A. LATAR BELAKANG Di zaman peradaban dunia yang semakin modern ini, perekonomian mengalami kemajuan yang sangat pesat dan persaingan pelaku ekonomi juga semakin ketat. Sehingga perusahaan harus mampu bersaing dengan perusahaan lainnya agar tetap pada jalur dunia bisnis. Yaitu dengan cara berusaha menciptakan atau menghasilkan produk baru yang berkualitas untuk memenuhi kepuasan konsumen. Persaingan yang terjadi diantaranya adalah persaingan yang berkaitan dengan kualitas produk, kemampuan perusahaan dalam memenuhi target waktu sesuai pesanan, kemampuan pemesanan serta kemampuan persaingan harga produk. Hal tersebut mengharuskan setiap perusahaan untuk melakukan pengelolaan sesuai harapan yang telah ditentukan oleh perusahaan, dan perusahaan akan mampu berkembang secara wajar sesuai dengan target- target yang diharapkan. Penjualan produk perusahaan dipengaruhi oleh adanya pemasaran dan distributor. Dengan adanya fungsi pemasaran dan distributor maka produk dapat sampai ketangan konsumen, sehingga dapat diketahui tingkat penjualan pada produk perusahaan. Untuk menentukan besarnya penjualan yang dapat menunjukan peningkatan atau penurunan penjualan tersebut,

commit to user 1


digilib.uns.ac.id

maka diperlukan peramalan penjualan untuk masa yang akan datang dengan melihat data penjualan produk di masa lalu. Masalah peramalan menjadi sangat penting karena adanya keinginan untuk mendapatkan sebuah hasil yang optimal, sementara terdapat selang waktu antara keinginan dengan kejadian yang akan terjadi di masa yang akan datang. Dalam proses pengambilan keputusan, peramalan memegang peranan yang sangat penting agar keputusan yang diambil sekarang memberikan hasil yang optimal untuk masa yang akan datang. Menurut Subagyo (2002) forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi. Dalam hal ilmu pengetahuan sosial segala sesuatu itu belum pasti, lain halnya dengan ilmu eksakta. Jumlah penduduk, pendapatan perkapita, volume penjualan, konsumsi dan lain sebagainya itu selalu berubah- ubah, dalam hal ini perlu adanya data untuk mengadakan forecast. Kegiatan untuk mengetahui atau memperkirakan apa yang akan terjadi pada masa yang akan datang disebut dengan peramalan (forecasting). Fungsi peramalan sebagai perencanaan perusahaan akan masa depan dan menemukan alternative- alternative arah langkah yang terbuka dan yang paling utama dari fungsi peramalan adalah untuk pengambilan keputusan. PT. HANIL INDONESIA merupakan perusahaan yang bergerak dalam bidang tekstil (benang). Hasil produksi berupa Acrylic Raw White Yarn dan Acrylic Dyed Yarn. Dari data – data sebelumnya Acrylic Raw White Yarn lebih diminati atau lebih banyak diproduksi dibanding dengan

commit to user 2


digilib.uns.ac.id

Acrylic Dyed Yarn. Untuk memenuhi kebutuhan pasar maka perusahaan harus mengetahui berapa peramalan penjualan yang akan datang sehingga perusahaan dapat memproduksi barang sesuai dengan penjualan yang telah diramalkan. Berdasarkan uraian diatas maka penulis mengambil judul:

ANALISIS

PERAMALAN

TERHADAP

PERMINTAAN

BENANG ACRYLIC RAW WHITE YARN PT. HANIL INDONESIA. B. RUMUSAN MASALAH Berdasarkan latar belakang di atas, maka dapat dirumuskan bahwa pokok permasalahan yang akan dibahas dalam penelitian ini adalah: 1. Berapakah peramalan permintaan produk benang Acylic Raw White Yarn bulan April 2012 dengan metode single moving average (3 bulanan dan 4 bulanan), weighted moving average (3 bulan terbobot dan 4 bulan terbobot) dan exponential smoothing (α= 0.5, α= 0.9)? 2. Berapakah forecast error dari hasil peramalan dengan ketiga metode single moving average (3 bulanan dan 4 bulanan), weighted moving average (3 bulan terbobot dan 4 bulan terbobot) dan exponential smoothing (α= 0.5, α= 0.9)? 3. Metode peramalan apa yang paling tepat untuk menentukan permintaan produk benang Acrylic Raw White Yarn? C. TUJUAN PENELITIAN Adapun tujuan penelitian ini adalah: 1. Untuk mengetahui peramalan permintaan produk benang acylic raw white yarn bulan April 2012 dengan metode single moving average (3

commit to user 3


digilib.uns.ac.id

bulanan dan 4 bulanan), weighted moving average (3 bulan terbobot dan 4 bulan terbobot) dan exponential smoothing (α= 0.5, α= 0.9) 2. Untuk mengetahui forecast error dari hasil peramalan dengan ketiga metode single moving average (3 bulanan dan 4 bulanan), weighted moving average (3 bulan terbobot dan 4 bulan terbobot) dan exponential smoothing (α= 0.5, α= 0.9) 3. Untuk mengetahui Metode peramalan apa yang paling tepat untuk menentukan permintaan produk benang Acrylic Raw White Yarn D. MANFAAT PENELITIAN Manfaat yang dapat diambil dari penelitian ini adalah: 1. Bagi penulis a. menambah pengetahuan dan pengalaman dengan menerapkan ilmu pengetahuan yang diperoleh pada perkuliahan khususnya untuk peramalan. b. Menambah wawasan berfikir mengenai masalah peramalan PT. HANIL INDONESIA dan mencoba untuk mencari solusinya. 2. Bagi perusahaan a. Sebagai bahan masukan bagi manajemen perusahaan dalam pengambilan kebijakan yang tepat. b. Dapat

membantu

perusahaan

dalam

menentukan

metode

peramalan yang tepat c. dan untuk mengetahui tingkat penjualan sehinggan dapat membuat rencana produksi yang sesuai pada periode yang akan datang.

commit to user 4


digilib.uns.ac.id

3. Bagi pihak lain a. Penelitian ini diharapkan dapat dijadikan sabagai bahan masukan untuk melakukan penelitian dengan permasalahan peramalan pada khususnya. b. Dapat

menambah

pengetahuan dan pemahaman

mengenai

penelitian- penelitian yang berkaitan dengan peramalan. E. METODE PENELITIAN. 1. Objek penelitian Tempat yang menjadi objek penelitian adalah PT. HANIL INDONESIA yang berlokasi di Nepen, Teras, Boyolali, PO BOX 142 Telp. (0276) 321252, 321478 Fax. (0276) 321378. 2. Desain Penelitian Penulisan ini menggunakan desain penelitian deskriptif. Penelitian deskriptif adalah memperoleh jawaban dari pertanyaan tentang siapa, kapan, dimana dari suatu topik penelitian (Sumarni dan Wahyuni, 2006). Penelitian ini merupakan deskriptif, karena dilakukan untuk menjawab pertanyaan bagaimana yang menjadi permasalahan utama penelitian dengan keharusan membuat deskriptif atau analisis yang terbatas pada kasus tertentu untuk menjawab permasalahan tersebut. Dalam penelitian ini, kasus yang diteliti yaitu mengenai peramalan penjualan benang di PT. HANIL INDONESIA. 3. Sumber data Sumber data dalam penelitian ini adalah sebagai berikut:

commit to user 5


digilib.uns.ac.id

Data sekunder Yaitu data yang diperoleh secara tidak langsung dari perusahaan. Data yang diperoleh dari catatan- catatan, studi pustaka yang relevan dengan tujuan penelitian. a. Data permintaan produksi b. Sejarah perusahaan c. Aspek personalia 4. Teknik pengumpulan data a. Metode observasi Metode observasi merupakan prosedur yang sistematis dan standar dalam pengumpulan data. Dalam penelitian ini, peneliti melakukan pengamatan dan pencatatan langsung kegiatan produksi benang. b. Metode interview Metode wawancara merupakan komunikasi atau pembicaraan dua arah yang dilakukan oleh pewawancara dan responden untuk menggali informasi yang relevan dengan tujuan penelitian. Dalam penelitian ini peneliti melakukan wawancara dengan pemimpin dan karyawan PT. HANIL INDONESIA. c. Metode studi pustaka Metode studi pustaka adalah teknik untuk memperoleh informasi dengan menulusuri literature yang ada, dan menggali

commit to user 6


digilib.uns.ac.id

teori- teori yang telah berkembang. Dalam penelitian ini penulis mempelajari literature yang berkaitan dengan peramalan. 5. Teknik analisis data Apabila data aktual permintaan tidak membentuk kecenderungan (trend line), maka model – model peramalan yang mempertimbangkan kecenderungan (trend) tidak perlu dipertimbangkan. Karena pola data tidak membentuk kecenderungan maka kita dapat mempertimbangkan model peramalan rata – rata bergerak atau pemulusan eksponensial. Metode ini yang digunakan dalam peramalan penjualan produk dalam penelitian ini adalah: a. Single moving average Metode ini menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang. Metode ini akan efektif diterapkan apabila kita dapat mengasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu, Gaspersz (2005). Bila permintaan berubah secara signifikan dari waktu kewaktu, ramalan harus cukup agresif dalam mengantisipasi perubahan tersebut, sehingga nilai n yang kecil akan lebih cocok dipakai, Nasution (2005). secara sistematis, penulisan persamaan single moving average adalah:

commit to user 7


digilib.uns.ac.id

Rata- rata bergerak n- periode= ∑(permintaan dalam n- periode terdahulu) n dimana n adalah banyaknya periode dalam rata- rata bergerak. Permasalahan umum dalam menggunakan metode rata – rata bergerak adalah bagaimana memilih n-periode yang diperkirakan tepat (n = 3, 4, 5, 6, dst). Dalam hal ini kita dapat menggunakan beberapa nilai n-periode, kemudian memilih dan membandingkan n-periode yang memiliki MAD (Mean Absolute deviation) terkecil, Gasperz (2005). b. Metode weighted moving average Model rata- rata bergerak berbobot ini lebih responsive terhadap perubahan, karena data dari periode yang baru biasanya diberi bobot lebih besar. (Gaspersz, 2005). secara sistematis, persamaan penulisan rumus weighted moving average adalah sebagai berikut (render dan heizer, 2005): Rata- rata bergerak dengan pembobotan=

∑ bobot Keterangan: (pembobot

yang

digunakan

penulis

dalam penilitian

ini

adalah 3-bulan terbobot dan 4-bulan terbobot).

commit to user 8


digilib.uns.ac.id

Pemberian bobot weighted moving average 3 bulan terbobot Periode (bulan) 1 bulan (periode) yang lalu 2 bulan (periode) yang lalu 3 bulan (periode) yang lalu jumlah

Koefisien pembobot 3 2 1 6

Pemberian bobot weighted moving average 4 bulan terbobot Periode (bulan) 1 bulan (periode) yang lalu 2 bulan (periode) yang lalu 3 bulan (periode) yang lalu 4 bulan (periode) yang lalu jumlah

Koefisien pembobot 4 3 2 1 10

Teknik ini lebih responsif terhadap perubahan karena periode yang lebih dekat mendapat bobot yang lebih berat. Periode yang mendekati n dinilai paling berpengaruh untuk membuat peramalan pada bulan n daripada periode sebelumnya. Untuk itu pada metode weighted moving average 3 bulan terbobot, 1 bulan periode yang lalu diberi bobot 3, 2 bulan yang lalu diberi 2 dan seterusnya. Sama halnya dengan weighted moving average 3 bulan terbobot, weighted moving average 4 bulan terbobot, 1 bulan yang lalu diberi bobot 4 dan seterusnya. c. Metode exponential smoothing Subagyo (2002) mengemukakan bahwa metode ini adalah suatu prosedur yang mengulang perhitungan secara terus-menerus yang menggunakan data terbaru. Setiap data diberi bobot, dimana bobot yang digunakan disimbolkan dengan α. Simbol α bisa ditentukan secara bebas, yang bisa mengurangi forecast error.

commit to user 9


digilib.uns.ac.id

Nilai konstanta pemulusan (α) dapat dipilih diantara 0 dan 1. Render dan Heizer (2005) mengemukakan merupakan metode peramalan dengan pembobotan yang canggih tetapi masih mudah untuk digunakan. Metode ini sedikit menggunakan data masa lalu. Herjanto

(2008)

mengemukakan

secara

sistematis

rumus

exponential smoothing dapat ditunjukkan sebagai berikut:

= peramalan baru = peramalan sebelumnya α

= konstanta = permintaan aktual periode lalu Apabila pola historis dari data aktual permintaan sangat

bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai α yang mendekati satu. Biasanya dipilih α = 0,9; namun dapat mencoba nilai – nilai α yang lain yang mendekati 1. Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relatife stabil dari waktu ke waktu, kita memilih nilai α yang mendekati 0. Biasanya dipilih nilai α = 0.1 (Gasperz, 2005) d. Pengukuran hasil akurasi peramalan

commit to user 10


digilib.uns.ac.id

Nasution (2005) Salah satu cara mengevaluasi teknik peramalan adalah dengan menggunakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan penjualan yang sebenarnya terjadi. Ada 2 ukuran yang biasanya digunakan, yaitu: 1. Rata - rata deviasi mutlak (mean absolute deviation) Merupakan rata- rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau kecil disbanding kenyataannya. Secara sistematis, MAD dirumuskan sebagai berikut:

MAD = Keterangan: At

= permintaatn aktual pada periode –t

Ft

= peramalan permintaan (forecast) pada periode –t

N

= jumlah periode peramalan yang terlibat

2. Rata- rata kuadrat kesalahan (mean square error= MSE) MSE dihitung dengan menjumlah kuadrat semua kesalahan peramalan pada setiap periode peramalan. Secara sistematis, MSE dirumuskan sebagai berikut

MSE = Keterangan: At

= permintaatn aktual pada periode –t

commit to user 11


digilib.uns.ac.id

Ft

= peramalan permintaan (forecast) pada periode –t

N

= jumlah periode peramalan yang terlibat

6. Alat analisis data POM Windows POM Windows merupakan program aplikasi yang secara khusus digunakan untuk membuat solusi optimal untuk masalah – masalah dalam bidang manajemen operasi. Program aplikasi POM Windows ini merupakan program yang digunakan untuk membuat estimasi / peramalan tentang hal – hal yang bersifat kuantitatif. Ada 2 metode peramalan yang dapat digunakan dengan program aplikasi POM For Windows, yaitu Time Series dan associative. Analisis Time Series merupakan teknik peramalan yang menggunakan asumsi bahwa kondisi di masa depan merupakan fungsi dari kondisi masa lalu. Teknik peramalan ini mengharuskan kita untuk mengumpulkan data deret waktu pada suatu periode di masa lalu, dan menggunakannya untuk membuat proyeksi / ramalan di masa depan. Model ini menggunakan beberapa teknik seperti moving average, exponential smoothing, weighted moving average dan lain – lain untuk membuat ramalan.

commit to user 12


digilib.uns.ac.id

Contoh peramalan model Time Series adalah penggunaan data penjualan suatu produk selama beberapa bulan yang lalu untuk memprediksi penjualan pada bulan berikutnya

F. Kerangka pemikiran Data historis

Penentuan metode peramalan yang tepat

Data permintaan produk

Dipilih tingkat error terkecil Metode peramalan Single moving average,

Ramalan yang akan

Exponential smoothing,

datang

dan weigthed moving

Penjualan produk yang

average

akan datang

Penentuan error Pengambilan keputusan

Mencari tingkat kesalahan dari masing- masing metode peramalan

Gambar 2.1 Keterangan :

commit to user 13


digilib.uns.ac.id

Pada tahap awal analisis peramalan penjualan produk dalam penelitian ini adalah mengumpulkan data penjualan produk pada tahun sebelumnya dari perusahaan. Selanjutnya melakukan peramalan dengan metode peramalan yang dipilih. Setelah melakukan peramalan kemudian melakukan perhitungan kesalahan peramalan dengan membandingkan hasil peramalan dengan hasil permintaan produksi yang terjadi. Dan bila dapat diambil keputusan metode manakah yang sesuai untuk meramalkan periode selanjutnya

commit to user 14


digilib.uns.ac.id

BAB II TINJAUAN PUSTAKA A. PENGERTIAN PERAMALAN Peramalan merupakan gambaran keadaan perusahaan pada masa yang akan datang. Gambaran tersebut sangat penting bagi menajemen perusahaan, karena dengan gambaran tersebut maka perusahaan dapat memprediksi langkah – langkah apa saja yang diambil dalam memenuhi permintaan konsumen. Berikut pengertian peramalan menurut pendapat dari beberapa ahli: 1. Peramalan adalah sebuah prediksi mengenai apa yang terjadi di masa yang akan datang (Taylor, 2001) 2. Peramalan adalah seni dan ilmu untuk memperkirakan kejadian di masa depan (Render dan Heizer, 2009) 3. Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa yang akan datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi kebutuhan barang dan jasa (Nasution, 2005)

commit to user 15


digilib.uns.ac.id

4. Forecasting adalah memperkirakan sesuatu pada waktu yang akan datang berdasarkan waktu lampau yang telah disusun dalam laporanlaporan statistik (Djarwanto, 2001)

B. TUJUAN PERAMALAN Menurut subagyo (2002) tujuan peramalan adalah mendapatkan peramalan yang bisa meminimumkan kesalahan meramal (forecast error) yang biasa diukur dengan mean absolute error (MAD) dan mean squer error (MSE). Sehingga dengan adanya peramalan produksi manajemen perusahaan akan mendapatkan gambaran keadaan produksi dimasa yang akan datang, dan akan memberikan kemudahan manajemen perusahaan dalam menentukan kebijakan yang akan dibuat oleh perusahaan. Menurut (Gaspersz, 2005) tujuan peramalan adalah untuk meramalkan permintaan dari item- item independent demand dimasa yang akan datang. C. JENIS – JENIS PERAMALAN Menurut Render dan Heizer (2009) peramalan dapat dibedakan menjadi 3 jenis yaitu: 1. Peramalan ekonomi Menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana, yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya. 2. Peramalan teknologi

commit to user 16


digilib.uns.ac.id

Memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, membutuhkan pabrik, dan peralatan baru.

3. Peramalan permintaan Proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan ini juga disebut peramalan penjualan, yang mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran dan sumber daya manusia. D. PERAMALAN MENURUT HORIZON WAKTU Peramalan dapat dibedakan menjadi 3 kelompok yaitu: 1. Peramalan jangka panjang, yaitu peramalan yang umumnya dua sampai sepuluh tahun. Peramalan ini digunakan untuk perencanaan produk dan perencanaan sumberdaya. 2. Peramalan jangka menengah, yaitu peramalan yang umumnya satu sampai dua tahun. Peramalan ini lebih mengkhususkan dibandingkan peramalan jangka panjang,

biasanya

digunakan

untuk

menentukan

aliran

kas,

perencanaan produksi, dan penentuan anggaran. 3. Peramalan jangka pendek,

commit to user 17


digilib.uns.ac.id

yaitu peramalan yang umunnya satu sampai lima minggu. Peramalan ini digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja dan lain- lain, nasution (2005).

E. KARAKTERISTIK PERAMALAN Karakteristik peramalan yang baik menurut ishak (2010) 1. Akurasi Diukur dengan kebiasaan dan kekonsistenan peramalan tersebut. 2. Biaya Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah item yang diramalkan, lama periode, dan metode peramalan yang dipakai. 3. Kemudahan Penggunaan metode peramalan yang sederhana, mudah dibuat dan mudah diaplikasikan akan membuat keuntungan bagi perusahaan F. METODE PERAMALAN 1. Jenis pendekatan peramalan Menurut Render dan Heizer (2009) ada dua jenis pendekatan dalam peramalan: a. Teknik Kualitatif

commit to user 18


digilib.uns.ac.id

Yaitu peramalan yang menggabungkan faktor- faktor penting seperti pengambilan keputusan, pengalaman pribadi, emosi, dan sistem nilai. 1) Keputusan dari pendapat juri eksekutif Teknik peramalan yang meminta pendapat segolongan kecil manajer tingkat tinggi dan menghasilkan prediksi permintaan kelompok. Sebagai contoh, Bristol – mayers squibb menggunakan 220 ilmuwan terkenal sebagai pendapat juri eksekutif untuk mendapatkan tren masa depan dibidang penelitian medis. 2) Metode Delphi Teknik peramalan yang menggunakan proses kelompok dimana para pakar melakukan peramalan. Sebagai contoh, Negara bagian alaska menggunakan metode Delphi untuk meramalkan ekonomi jangka panjangnya. 3) Komposit tenaga penjualan Teknik

peramalan

berdasarkan

prediksi

tenaga

penjualan akan penjualan yang diharapkan. 4) Survei pasar konsumen Metode peramalan yang meminta input dari konsumen mengenai rencana pembelian mereka dimasa depan. b. Teknik Kuantitatif

commit to user 19


digilib.uns.ac.id

Metode ini menggunakan berbagai model matematis yang menggunakan data historis dan variabel kausal untuk meramalkan penjualan. 1) Model Time Series: Membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi dari masa lalu.

a. Single moving average Metode

ini

menggunakan

sejumlah data aktual

permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang. Metode ini akan efektif diterapkan apabila kita dapat mengasumsikan bahwa permintaan pasar tehadap produk akan tetap stabil sepanjang waktu, Gaspersz (2005). Bila permintaan berubah secara signifikan dari waktu kewaktu, ramalan harus cukup agresif dalam mengantisipasi perubahan tersebut, sehingga nilai n yang kecil akan lebih cocok dipakai, Nasution (2005) . secara sistematis, penulisan persamaan single moving average adalah: Rata- rata bergerak n- periode=

commit to user 20


digilib.uns.ac.id

dimana n adalah banyaknya periode dalam rata- rata bergerak.

Permasalahan

umum dalam

menggunakan

metode rata – rata bergerak adalah bagaimana memilih nperiode yang diperkirakan tepat (n = 3, 4, 5, 6, dst). Dalam hal ini kita dapat menggunakan beberapa nilai n-periode, kemudian memilih dan membandingkan n-periode yang memiliki MAD (Mean Absolute deviation) terkecil, Gasperz (2005). b. Metode weighted moving average Model rata- rata bergerak berbobot ini lebih responsive terhadap perubahan, karena data dari periode yang baru biasanya diberi bobot lebih besar. (Gaspersz, 2005).Secara sistematis, persamaan penulisan rumus weighted moving average adalah sebagai berikut (Render dan Heizer, 2005): Rata- rata bergerak dengan pembobotan=

∑ bobot Keterangan: (pembobot yang digunakan

penulis dalam penilitian

ini adalah 3-bulan terbobot dan 4-bulan terbobot). Pemberian bobot weighted moving average 3 bulan terbobot Periode (bulan)

Koefisien pembobot

commit to user 21


digilib.uns.ac.id

1 bulan (periode) yang lalu 2 bulan (periode) yang lalu 3 bulan (periode) yang lalu Jumlah

3 2 1 6

Pemberian bobot weighted moving average 4 bulan terbobot Periode (bulan) 1 bulan (periode) yang lalu 2 bulan (periode) yang lalu 3 bulan (periode) yang lalu 4 bulan (periode) yang lalu Jumlah

Koefisien pembobot 4 3 2 1 10

Teknik ini lebih responsif terhadap perubahan karena periode yang lebih dekat mendapat bobot yang lebih berat. Periode yang mendekati n dinilai paling berpengaruh untuk membuat peramalan pada bulan n daripada periode sebelumnya. Untuk itu pada metode weighted moving average 3 bulan terbobot, 1 bulan periode yang lalu diberi bobot 3, 2 bulan yang lalu diberi 2 dan seterusnya. Sama halnya dengan weighted moving average 3 bulan terbobot, weighted moving average 4 bulan terbobot, 1 bulan yang lalu diberi bobot 4 dan seterusnya. c. Metode exponential smoothing Subagyo (2002) mengemukakan bahwa metode ini adalah suatu prosedur yang mengulang perhitungan secara terus-menerus yang menggunakan data terbaru. Setiap data

commit to user 22


digilib.uns.ac.id

diberi bobot, dimana bobot yang digunakan disimbolkan dengan α. Simbol α bisa ditentukan secara bebas, yang bisa mengurangi forecast error. Nilai konstanta pemulusan (α) dapat dipilih diantara 0 dan 1. Render dan Heizer (2005) mengemukakan merupakan metode peramalan dengan pembobotan yang canggih tetapi masih mudah untuk digunakan. Metode ini sedikit menggunakan data masa lalu. Herjanto (2008) mengemukakan secara sistematis rumus exponential smoothing dapat ditunjukkan sebagai berikut:

Ft

= peramalan baru = peramalan sebelumnya

α

= konstanta = permintaan aktual periode lalu Apabila pola historis dari data aktual permintaan sangat

bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai α yang mendekati satu. Biasanya dipilih α = 0,9; namun dapat mencoba nilai – nilai α yang lain yang mendekati 1.

commit to user 23


digilib.uns.ac.id

Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relatife stabil dari waktu ke waktu, kita memilih nilai α yang mendekati 0. Biasanya dipilih nilai α = 0.1 (Gasperz, 2005) 2) Model asosiatif Hubungan

sebab

–

akibat,

seperti

regresi

linier,

menggabungkan banyak variabel atau faktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan.

a. Analisis regresi linier Model matematis yang sama kita gunakan pada metode kuadrat terkecil dari proyeksi tren untuk melakukan analisis regresi linier. Variabel terikat yang kita inginkan akan tetap sama yaitu . Namun, sekarang variable bebas adalah x, tidak lagi waktu. Persamaan yang digunakan adalah :

Dimana: γ

= nilai variabel terikat

a

= perpotongsn sumbu γ

b = kemiringan garis regresi

commit to user 24


digilib.uns.ac.id

x = variabel bebas b. Analisis regresi majemuk Regresi

majemuk

dapat

kita

gunakan

untuk

menciptakan sebuah model dengan beberapa variabel bebas. Sebagai contoh, jika nodel ingin memasukkan tingkat bunga tahunan rata – rata dalam model peramalan penjualannya, maka persamaannya adalah: + Dimana: γ

= variabel terikat, penjualan

a

= sebuah konstanta = nilai dua variabel bebas berturut – turut = koefisien dari dua variabel bebas Apabila data aktual permintaan tidak membentuk

kecenderungan (trend line), maka model – model peramalan yang mempertimbangkan kecenderungan (trend) tidak perlu dipertimbangkan. Karena pola data tidak membentuk

kecenderungan

maka

kita

dapat

mempertimbangkan model peramalan rata – rata bergerak atau pemulusan eksponensial. 2. Pengukuran hasil akurasi peramalan

commit to user 25


digilib.uns.ac.id

Salah satu cara mengevaluasi teknik peramalan adalah dengan menggunakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan penjualan yang sebenarnya terjadi. Ada 4 ukuran yang biasanya digunakan, yaitu: a. Rata- rata deviasi mutlak (mean absolute deviation) MAD merupakan rata- rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau kecil dibanding kenyataannya. Secara sistematis, MAD dirumuskan sebagai berikut: MAD=

Keterangan: At = permintaatn aktual pada periode –t Ft = peramalan permintaan (forecast) pada periode –t N = jumlah periode peramalan yang terlibat b. Rata- rata kuadrat kesalahan (mean square error= MSE) MSE dihitung dengan menjumlah kuadrat semua kesalahan peramalan pada setiap periode peramalan. Secara sistematis, MSE dirumuskan sebagai berikut MSE= Keterangan:

commit to user 26


digilib.uns.ac.id

At = permintaatn aktual pada periode –t Ft = peramalan permintaan (forecast) pada periode –t N = jumlah periode peramalan yang terlibat (Nasution, 2005) c. Rata- rata kesalahan peramalan (mean forecast error = MFE) MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau rendah. Bila hasil peramalan tidak bias, maka nilai MFE akan mendekati nol. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. Secara matematis, MFE dinyatakan sebagai berikut: MFE= Keterangan: At = permintaatn aktual pada periode –t Ft = peramalan permintaan (forecast) pada periode –t N = jumlah periode peramalan yang terlibat d. Rata- rata presentase

kesalahan absolute (mean absolute

percentage error = MAPE) MAPE merupakan ukuran kesalahan relative. MAPE biasanya lebih berarti dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi

commit to user 27


digilib.uns.ac.id

persentase kesalahan terlalu tinggi atau rendah. Secara sistematis dinyatakan sebagai berikut: MAPE=

∑At-

At = permintaatn aktual pada periode –t Ft = peramalan permintaan (forecast) pada periode –t

BAB III PEMBAHASAN A. GAMBARAN UMUM PERUSAHAAN 1. SEJARAH PERUSAHAAN Berdasarkan akta notaris no. 25 tahun 1990 PT. Hanil Indonesia pertama kali terdaftar pada tanggal 12 Nopember 1990 dengan nama PT. Hanil Adetex, yang modalnya merupakan kerjasama antara Hanil Synthetic Fiber Co., LTD (Korea) yang merupakan pemegang saham 95% dengan Adetex (Indonesia) sebesar 5%.

commit to user 28


digilib.uns.ac.id

Pada bulan Maret tahun 1991 dimulai pembangunannya dilokasi Desa Mojolegi, Kec. Teras, Kab. Boyolali Jawa Tengah, dengan luas area sebesar 53.023 m2 yang selanjutnya disebut Pabrik I. Pada bulan nopember 1991 dimulai uji coba produksi dengan kapasitas mesin terpasang sebanyak 20.000 spindel. Pada bulan Januari tahun 1992 diadakan perluasan dengan mengambil lokasi Desa Nepen, Kec. Teras, Kab. Boyolali sebagai Pabrik II, dengan luas area sebesar 136.286 m2 dan dimulai proses produksi pada bulan Agustus 1992 dengan kapasitas mesin terpasang 40.000 spindle sehingga total mesin terpasang untuk kedua pabrik tersebut diatas sebanyak 60.000 spindle. Pada

bulan

Oktober

1992

mulai

dioperasikan

mesin

pencelupan (dyeing) yang berkapasitas 20 ton perhari. Pada bulan desember tahun 1995 diadakan penambahan kapasitas spinning 1600 spindle di Pabrik I Mojolegi, dan 3200 spindle di Pabrik II Nepen. Sejalan dengan perkembangan perusahaan pada bulan Mei tahun 2000 terjadi perubahan pemilikan Saham dan perubahan nama yang semula saham 5% dimiliki PT. Adetex dibeli oleh Hanil Synthetic Fiber Co., LTD sehingga merupakan 100% perusahaan PMA dan nama yang semula PT. Hanil Adetex dirubah menjadi PT. Hanil Indonesia. 2. PERMODALAN a. Pada tahun 1999 – 2000 :

commit to user 29


digilib.uns.ac.id

Jumlah modal US$ 11.552.000, terdiri dari: 1. Hanil Synthetic Fiber CO., LTD (Korea) sebesar US$ 10.974.000 (95%) 2. PT. Adetex (Indonesia) sebesar US$ 578.000 (5%) b. Tahun 2000 – sekarang : Jumlah modal US$ 11.552.000 dimiliki oleh Hanil Synthetic Fiber CO., LTD (Korea) 3. LOKASI PERUSAHAAN a. Adapun faktor pemilihan lokasi perusahaan Hanil Indonesia sebagai berikut :

1. Harga tanah Karena harga tanah yang cukup murah yang terletak dipinggir kota dibandingkan di dalam kota sehingga menjadi prioritas perusahaan untuk pemilihan lokasi 2. Tenaga kerja Disekitar lokasi perusahaan tersedia tenaga kerja yang dibutuhkan oleh perusahaan 3. Transportasi

commit to user 30


digilib.uns.ac.id

Lokasi perusahaan yang cukup strategis tidak jauh dari jalan raya dapat mempermudah jalur akses pengangkutan. 4. Fasilitas Tersedianya listrik dan air menjadikan kegiatan produksi berjalan lancar. b. Jarak lokasi perusahaan dengan kegiatan lain : 1. Sebelah utara Pabrik nepen berbatasan dengan sungai gandul dengan jarak +7 meter dan pemukiman masyarakat Desa Butuh Kecamatan Mojosongo berjarak + 35 meter 2. Sebelah timur Pabrik Nepen berbatasan langsung dengan Jalan raya Randusari – Klaten dan pemukiman masyarakat Dukuh Kembang, Desa Nepen, Kecamatan Teras yang berjarak + 12 meter 3. Sebelah selatan Pabrik Nepen berbatasan langsung dengan pemukiman masyarakat Dukuh Hendrokilo Desa Nepen Kecamatan Teras dan berdampingan dengan kegiatan SD Nepen II yang berjarak + 300 meter serta kegiatan Balai Desa Nepen dengan jarak + 700 meter. 4. Sebelah barat

commit to user 31


digilib.uns.ac.id

Pabrik Nepen berbatasan langsung dengan tanah lading / tegalan wilayah Desa Kemiri Kecamatan Mojosongo Boyolali. 4. STRUKTUR PERUSAHAAN Struktur organisasi perusahaan dibuat untuk mengetahui sistem pengorganisasian perusahaan, menjalankan tugas, wewenang dan tanggung jawab masing - masing bagian. Fungsi pengorganisasian dalam perusahaan adalah mengatur jalannya perusahaan secara bersama sehingga dapat mencapai sasaran perusahaan. Struktur organisasi akan menggambarkan secara skematis tentang bagian- bagian tugas dan tanggung jawab serta hubungan antar bagian atau antar departemen yang ada. Dengan demikian perusahaan memiliki garis komando yang jelas untuk seluruh karyawan.

commit to user 32

STRUKTUR ORGANISASI PT. HANIL INDONESIA PRESIDEN DIREKTUR

SOLO FACT.

JAKARTA

DIREKTUR

MARKETING

SPINNING

GENERAL AFFAIRS

ACCOUNT.

SUPPLY

PLANNING

PABRIK I

PABRIK II

UTILITY

DYEING

PABRIK III

DYEING

REWINDING

WWT

UTILITY

GENERAL

EKSPORT IMPORT

WORK SHOP

gambar 3.1

33


digilib.uns.ac.id

Berdasarkan gambar di atas dapat diuraikan tugas dan tanggung jawab dari tiap kegiatan dalam struktur organisasi a. Presiden direktur 1. Memegang jabatan tertinggi dalam suatu perusahaan 2. Menggariskan kebijaksanaan perusahaan 3. Mengangkat dan memberhentikan direktur b. Direktur 1. Memimpin serta mengadakan pengawasan terhadap seluruh aktivitas perusahaan 2. Mengurus dan bertanggung jawab atas kekayaan perusahaan 3. Member otoritas terhadap dokumen – dokumen perusahaan\ c. Marketing 1. Koordinator staff pemasaran dan tenaga pemasaran 2. Bertanggung jawab kepada general manager atas seluruh kegiatan pemasaran 3. Mencari gagasan dan inovasi untuk meningkatkan omset dan pendapatan perusahaan 4. Mengontrol, mengawasi dan menyutujui perkiraan harga jual setiap job order d. General affairs 1. Memberikan solusi terhadap masalah yang berasal dari manajemen dibawahnya

commit to user 34


digilib.uns.ac.id

2. Membuat

kebijaksanaan

yang

menyangkutnproses

kerja

dibidangnya e. Accounting Tugas dan wewenang adalah memasukkan dan mengolah data keuangan perusahaan f. Supply Bertanggung jawab atas pemesanan bahan baku dari luar negeri g. Planning Bertanggung jawab atas perencanaan produksi sampai eksport produk h. Spinning Mengkoordinasi bagian pabrik 1, pabrik 2, dan pabrik 3 i. Dyeing Bertanggung jawab atas pewarnaan produk dan mengkoordinasi bagian dyeing, rewinding dan WWT j. Utility Bertanggung jawab atas kebutuhan perlengkapan dan pemeliharaan peralatan dalam kegiatan produksi 5. PERSONALIA Keberhasilan yang diperoleh suatu perusahaan tidak terlepas dari sumber daya manusia yang ada diperusahaan. Sehingga masalah tenaga kerja juga harus diperhatikan oleh perusahaan. PT. Hanil Indonesia telah merekrut tenaga kerja penduduk Solo sekitarnya

commit to user 35


digilib.uns.ac.id

khususnya Boyolali. Secara langsung telah ikut berparitsipasi dalam mengurangi pengangguran masyarakat Solo khususnya Boyolali karena adanya penyerapan tenaga kerja. a. Jumlah karyawan Tabel 3.2 Jumlah karyawan Karyawan laki – laki Perempuan Jumlah

jumlah karyawan 435 orang 1814 orang 2249 orang

b. Pembagian jam kerja Tabel 3.21 Pembagian Jam Kerja Shift day

jam kerja

senin - jum'at Sabtu

pagi


siang


malam


08.00 16.00 08.00 13.00 06.00 14.00 06.00 14.00 14.00 22.00 14.00 22.01 22.00 06.00 22.00 06.01

overtime rutin

istirahat

2 jam

keterangan

1 jam

(libur pekerja day shift jatuh pada hari minggu)

1 jam

(masing - masing shift libur pada hari minggu dan pergantian jadwal kerja mulai hari senin)

1 jam 1 jam

2 jam

1 jam 1 jam

2 jam

(pelaksanaan istirahat untuk pekerja shift diatur oleh bagian masing masing secara bergiliran)

1 jam

c. Pembebasan dari kewajiban bekerja 1. Istirahat haid bagi karyawati yaitu 2 hari 2. Istirahat hamil bagi karyawati yaitu selama 1,5 bulan.

commit to user 36


digilib.uns.ac.id

3. Hari raya resmi, sesuai yang ditetapkan pemerintah sebagai hari libur nasional d. Pengupahan Upah pekerja baik berstatus pekerja bulanan maupun berstatus harian dibayarkan bulanan yaitu dibayar sebulan sekali dan dilaksanakan setiap tanggal 10 untuk bulan sebelumnya. Jikalau tanggal 10 jatuh pada hari minggu atau hari raya resmi, tanggal pembayaran diajukan. e. Keselamatan dan kesehatan kerja Perusahaan wajib menyediakan alat keselamatan dan kesehatan kerja perorangan untuk dipakai pekerja sesuai dengan tugas atau sifat pekerjaan masing – masing antara lain sepatu khusus, sarung tangan khusus, masker atau pelindung pernapasan dan pelindung telinga. f. Jaminan sosial dan kesejahteraan PT.

Hanil

Indonesia

meningkatkan

kesejahteraan

dan

memberikan motivasi kerja, serta memberikan jaminan sosial dan failitas kerja diantaranya sebagai berikut: 1. Tempat ibadah Perusahaan menyediakan tempat ibadah seperti masjid dan memberikan kebebasan untuk melaksanakan ibadah sesuai dengan kepercayaan masing – masing.

commit to user 37


digilib.uns.ac.id

2. Pakaian kerja Perusahaan memberikan semua karyawan berupa pakaian kerja untuk keefektifan dalam bekerja 3. Asuransi tenaga kerja Setiap karyawan mendapatkan asuransi. Hal ini untuk mengantisipasi bila karyawan mengalami saat kerja. 4. Tunjangan kesehatan Tunjangan

ini

diberikan

untuk

karyawan

yang

memerlukan, seluruh biaya pengobatan ditanggung oleh perusahaan. 5. Bus karyawan Perusahaan menyediakan bus karyawan untuk antar jemput karyawan B. PROSES PRODUKSI PT. Hanil Indonesia merupakan perusahaan yang bergerak dibidang tekstil (pemintalan benang). Bahan baku yang digunakan dalam pembnuatan benag adalah acrylic tow (serat panjang) dan acrylic staple fibre (serat pendek). Proses pembuatan benang ada 2 yaitu melalui spinning yang berupa acrylic raw white yarn dan deying berupa acrylic dyed yarn.

commit to user 38


digilib.uns.ac.id

1. Proses spinning Diagram proses produksi Peta Proses

S.F

Mesin Proses Opener

TOW

Open

BIN

T

Kamar Binsil

O

CARD

P

ACD

B/M B/M Re B/M

M A K I G

A/L

Re-B/M Pre-A/L

H/G

D R A W I N G

B/C R/V

S P I N

S/P

N I N G

S/T

A/L H/G B/C R/V

S/P

S/T

A/C

A/C

D/B

D/T

BOX

B/M

N

P-A/L

CHEESE

A.C.D

HANK

BALE

F I N I S H I N G

D/B

D/T R/L

Keterangan -

Bahan Baku S.F (Staple Fibre) Mengurai Serat S.F Pemindahan Serat S.F ke kamar Binsil Tempat Penyimpanan Serat, Sebelum Serat dimasukan ke dalam Mesin Card - Mengurai dan Penyisiran Serat ( Lapisan Tipis ) - Menghilangkan kotoran pada serat - Perangkapan Web - Pemberian Draft - Penyisiran Serat - Acrylic Filament ( Tow ) di Draft dgn diberi Panas ( Heating ) - Serat Panjang dipotong( Draft ) - Memberi Penyusutan dgn pendinginan ( Cooling ) - Pemutusan kembali sliver yang belum terpotong - Pencampuran C/C & T/T Sliver - Pemberian Drafting - Penyisiran Sliver - Perangkapan Sliver - Penyisiran Sliver - Pemberian Drafting -

Pemberian Puntiran Pemberian Draft Penggulungan ke Bobbin Roving Pemberian Puntiran Pemberian Drafting Membuat Benang Single Penggulungan ke Bobbin Spinning Memberi Uap Panas (Menetapkan putiran / mencegah puntiran bertentangan ) - Benang Single yg cacat dihilangkan - Penggulungan ke Tube - Perangkapan Benang Single - Pemberian Tekanan pada benangsingle dgn sama besar - Penggulungan ke Tube - Pemberian puntiran benang double - Pemberian kekuatan benang double - Penggulungan ke tube/paper cone - Merubah bentuk gulungan cheese menjadi untaian benang

Hasil

Keterangan

Produk S.F

C/C SLIVER C/C SLIVER TOW

- Kelembaban/kadar air ( MOISTURIZED ) dalam Bahan Baku dan Benang berbeda-beda Moisture Content - Bahan : ± 2.0 % - Benang : ± 0.5 %

Nama mesin : -BIN -Card -ACD

: : : SLIVER -B/M : T/T -Re-B/M : SLIVER -P-A/L : -A/L : T/C -H/G : SLIVER -B/C : -R/V : SLIVER -S/P : -S/T : -A/C : -D/B : ROVING -D/T : -R/L : -A/P : -B/P : T/T

COP

Binsil Carder After Card Draft Breaking Machine Re-Breaking Machine

Pre Auto Levelizer

Auto Levelizer High Gill Bicoler Rover Spinning Steamer Auto Coner Doubler Double Twister Reeling Auto Packer Bale Pressure

SETTING COP

CHEESE SINGLE CHEESE DOUBLE CHEESE ( D/T ) HANK

PEMERIKSA - Memeriksa keadaan benang dan berat

A/P

- Pengepakan hank kedalam plastik

CAKE

B/P

- Pembungkusan dan pengepresan cake dengan karung - Pembungkusan cheese dgn carton box

BALE

KELUAR

BOX

Sumber : Dept. Planning

Gambar 3.11

commit to user 39


digilib.uns.ac.id

Adapun diagram proses spinning di atas dapat diuraikan sebagai berikut: a. Opener Bahan baku staple fibre (serat pendek) dalam bale dibuka dulu pembungkusnya / karung + 2 jam sebelum proses sebanyak 5 bale, agar kelembaban bahan berkurang (panjang serat 76 – 127 mm). kemudian memasukkan bahan sedikit – sedikit kedalam mesin opener dengan cara dicampur dari 5 bale yang sudah disiapkan tadi (material feeding). Lalu bahan diurai (material stripping) dengan tujuan untuk membuka dan meluruskan serat akibat bahan dipress / bale (material hook dan raise). b. Binsil Setelah bahan diurai menjadi ringan lalu diangkat (sanding) dengan fan motor (dihisap) disalurkan kekamar binsil untuk siap proses dimesin carder. c. CARD Bahan yang sudah diurai dimesin opener kemudian diurai kembali menjadi lebih lurus dengan cara menyisir serat menjadi lapisan yang tipis (WEB) tujuannya adalah untuk menghilangkan kotoran pada serat. d. ACD Serat yang tipis (WEB) dibuat rangkap double lalu dimasukkan ke mesin ACD. Serat rangkap tersebut direnggangkan / ditarik lalu diluruskan lagi (penyisiran serat) C/C sliver.

commit to user 40


digilib.uns.ac.id

e. B/M Bahan baku tow proses di B/M ditarik ujungnya dimasukkan kemesin (lebar feeding + 210 mm) lalu ditarik masuk healting plate, diberi panas dengan suhu + 160° C, kemudian (didraft) dipotong / renggang berulang – ulang lalu didinginkan untuk member penyusutan bahan f. Re-B/M Sliver dari mesin B/M didraft kembali secara berulang- ulang untuk menyempurnakan proses B/M dan membuat sliver rangkap (doubling) T/T sliver. g. Pre-A/L Sliver dari mesin ACD (CC Sliver) dan sliver dari mesin ReB/M (T/T Sliver)dicampur kemudian didraft, didoubling kemudian diluruskan lagi, T/C Sliver. h. A/L, H/G, B/C Sliver dari Pre-A/L dilakukan proses antara lain perangkapan, pelurusan serat dan didraft prosesnya dari mesin A/L kemesin H/G kemudian kemesin B/C. tujuan prosesnya untuk membuat sliver menjadi lebih baik, Sliver. i.

R/V Sliver dari mesin B/C didraft lagi dengan member puntiran (twisting) kemudian menggulung pada bobbin roving, roving.

commit to user 41


j.

digilib.uns.ac.id

S/P Roving dari mesin rover didraft kembali dimesin spinner dengan member puntiran kemudian membuat benang single dan menggulung ke bobbin spinning, cop.

k. S/T Khusus proses benang single, cop masuk mesin steamer/ setter dengan member uap panas kemudian divaccum agar kandungan airnya hilang. Tujuannya untuk menetapkan puntiran dan mencegah puntiran yang bertentangan, cop setting. l.

A/C Cop dan cop setting proses di auto coner / winder untuk menghilangkan benang single yang cacat kemudian yang bagus digulung ketube, cheede single.

m. D/B Untuk proses benang double, cheese single dari auto coner diproses dimesin double dengan cara merangkap cheese single dengan

member

tekanan

yang

sama

beratnya

kemudian

menggulung benang double ketube, cheese double. n. D/T Cheese double dari mesin doubler diproses dimesin double twister yang tujuannya memberikan kekuatan benang dengan cara member puntiran (twister) kemudian menggulung benang twister ke tube / cone, cheese double twister.

commit to user 42


digilib.uns.ac.id

o. R/L Cheese double twister dan cheese single yang setting cop, digulung menjadi untaian benang, hank. p. PEMERIKSA Memeriksa keadaan benang (puntiran benang dan cacat benang) dan beratnya q. A/P Mengepak hank kedalam plastik, cake. r. B/P Mengepres cake dan membungkus karung dengan pengikat kawat, bale Membungkus cheese dengan karton box, box

commit to user 43


digilib.uns.ac.id

2.

Proses dyeing Diagram Proses Bagian Dyeing ( Pencelupan )

R.W.H

-Menyiapkan benang sesuai resep Dyeing

JUMBI ( PERSIAPAN )

MC.DYEING ( SPRAYER )

-Memasukkan benang ke Spindle M/C Dyeing

-Melarutkan Dyestuff & Agent

PROCON

Proses pewarnaan benang RWH

-Mengatur proses Dyeing sesuai Heating Graph Control

Mengeluarkan benang dari mesin ke kereta

Mengeringkan benang, sesuai Temperature ST

GEMSA ( PEMERIKSAAN )

REWINDER

Mengepak benang cone ke dalam Box

-Menimbang Dyestuff & Agent sesuai resep Dyeing

M/C TALSO

M/C DRYER

Cek kondisi benang agar kwalitas ok

BALANCING

PROSES DYEING ( PENCELUPAN )

JUMBI ( PERSIAPAN )

Memeras benang untuk persiapan Dry

OPERATOR

Menggulung hank menjadi bentuk Cones ( 9º & 11" )

PACKING BOX

DELIVERY

Mengirim benang ke Buyer

Gambar 3.12

commit to user 44


digilib.uns.ac.id

Tahapan proses bagian dyeing adalah sebagai berikut : a.

Persiapan 1.

Benang raw white hank disiapkan sesuai dengan resep dyeing (jobang).

2.

Benang dimaskkan kespindle machine dyeing.

3.

Dyestuf dan agent (balancing) ditimbang sesuai dengan resep dyeing.

4.

Dyestuff

dan

agent

dilarutkan,

kemudian

dilakukan persiapan air proses (3000 lt, 4500 lt) sesuai dengan jobang b.

Procon Proses dyeing diatur sesuai heating graph control.

c.

Proses dyeing Merupakan proses pewarnaan benang raw white hank dengan waktu dan suhu tertentu sampai selesei. Dalam proses ini juga ditambahkan softener untuk melembutkan benang

d.

Jumbi (persiapan) Merupakan proses untuk mengeluarkan benang dari mesin dyeing kedalam kereta untuk siap masuk mesin talso (peremas).

e.

M/C talso Benang diremas untuk persiapan dryer (pengering). Dilakukan selama 5-6 menit dengan putaran 850-930 RPM.

commit to user 45


digilib.uns.ac.id

f.

M/C Dryer Mengeringkan benang sesuai dengan temperature steam.

g.

Gemsa (pemeriksa) Pemeriksaan benang dari dry agar kualitas bagus untuk proses berikutnya, produk berupa dyed hank. Pada bagian gemsa ini ada bebrapa hal lain yang dilakukan, yaitu : 1.

A/P Merupakan proses pembungkus dengan plastik menjadi cake.

2.

B/P Cake dibungkus dalam bentuk segiempat kedalam karung menjadi dyed hank bale dan siap untuk dikrim

3.

Benang dyed hank yang tidak dibale masuk gudang mutasi untuk persiapan Re-winding.

h.

Re-winding Hank digulung menjadi bentuk cones

i.

Packing box Benang dyed cone dipak kedalam box

j.

Delivery Benang dikirim ke buyer sesuai dengan delivery order.

commit to user 46


C.

digilib.uns.ac.id

LAPORAN MAGANG KERJA 1.

Pengertian magang kerja Magang kerja meruapakan kegiatan penunjang perkuliahan yang wajib dilakukan oleh mahasiswa dengan cara diterjunkan secara langsung kedunia kerja dan sebagai pesyaratan untuk menyelesaikan pendidikan D III Manajemen Industri, Fakultas Ekonomi, Universitas Sebelas Maret Surakarta. Dalam pelaksanaan magang kerja, mahasiswa diharapkan dapat menerapkan ilmu yang telah diperoleh selama berada dibangku perkuliahan dan dapat memperoleh pengalaman untuk menghadapi dunia kerja yang sesungguhnya.

2.

Tempat dan waktu pelaksanaan magang Kegiatan magang dilakukan di PT. Hanil Indonesia yang berlokasi di Nepen, Teras, Boyolali, PO BOX 142 Telp. (0276) 321252, 321478 Fax. (0276) 321378. Magang kerja dilaksanakan + satu bulan dimulai tanggal 24 januari 18 februari 2011. Magang kerja dilaksanakan setiap hari senin – sabtu pukul 08.00 – 16.00 WIB, kecuali pada hari sabtu jam kerja dilaksanakan mulai pukul 08.00 – 13.00 WIB.

3.

Manfaat magang kerja Magang kerja dapat memberi manfaat antara lain:

commit to user 47


a.

digilib.uns.ac.id

Untuk pembelajaran dan menambah pengalaman secara langsung dalam dunia kerja.

b.

Melatih dalam memecahkan masalah yang menjadi objek penelitian.

c.

Media bersosialisasi pada dunia kerja secara nyata

d.

Memeperkenalkan tentang dunia kerja secara nyata pada lembaga yang nantinya akan menjadi tempat kerja masa depan

4.

Kegiatan magang kerja Selama kegiatan magang kerja berlangsung, mahasiswa diwajibkan untuk mengikuti tata tertib yang telah ditentukan oleh perusahaan diantaranya sebagai berikut: a.

Memakai pakaian hitam putih, sepatu hitam dan id chard

b.

Datang dan pulang sesuai dengan jam kerja perusahaan

c.

Apabila meninggalkan perusahaan harus ijin satpam

d.

Mahasiswa

harus

menaati

segala

bentuk

peraturan yang ada di PT. Hanil Indonesia Selama + 1 bulan pelaksanaan magang kerja, penulis ditempatkan pada dua bagian yaitu gudang dan bagian produksi, dengan rincian sebagai berikut:

commit to user 48


digilib.uns.ac.id

Tabel 3.22 Aktivitas yang Dilakukan Selama Pelaksanaan Magang Kerja No. Minggu Ke

Aktivitas

1.

·

2.

I

II

· · ·

Permintaan ijin untuk mengawali pelaksanaan magang dan pemberian arah oleh kepala bagian Perkenalan dengan staff personalia Pengenalan pada lingkungan kerja Penjelasan job description

· · · · ·

Survei gudang bahan baku Penempatan ke bagian gudang Mengecek stock bahan baku dalam gudang Pengkodean/ penulisan tanggal kadaluarsa Pengenalan mesin produksi

· Penempatan ke bagian spinning · Pengenalan mesin produksi · Mencatat data yang diperlukan · Mengamati Mesin spinning 4. IV · Mengumpulkan data-data yang dibutuhkan · Mempelajari data-data yang sudah didapat · Perpisahan dengan staf dan karyawan diperusahaan Sumber : Laporan Pelaksanaan Magang Kerja Mahasiswa, Tahun 2012 3.

III

D. PEMBAHASAN PT. Hanil Indonesia merupakan perusahaan yang bergerak dibidang tekstil pemintalan benang (spinning). Produk benang yang dihasilkan adalah acrylic raw white yarn dan acrylic dyed yarn. Permintaan produksi

commit to user 49


digilib.uns.ac.id

benang pada PT. Hanil Indonesia dari bulan ke bulan tidak tetap kadang ada kenaikan dan juga ada penurunan. PT. Hanil Indonesia dalam melakukan peramalan belum menggunakan sebuah

metode.

Melainkan hanya

menggunakan

perkiraan

yang

disesuaikan dengan data produksi pada periode sebelumnya. Untuk melakukan peramalan permintaan produksi, harus tersedia data yang digunakan untuk menghitung peramalan yaitu data permintaan produksi pada periode sebelumnya. Dengan memilih metode – metode peramalan yang akan digunakan, dalam hal ini metode yang digunakan ada 3 yaitu : metode single moving average (3 bulanan dan 4 bulanan), weighted moving average (3 bulan terbobot dan 4 bulan terbobot) dan exponential smoothing (α= 0.5, α= 0.9)? Dengan membandingkan hasil peramalan dari ketiga metode tersebut, dan memperoleh tingkat kesalahan atau error terkecil, sehingga digunakan sebagai pedoman dalam melakukan produksi pada periode salanjutnya. Tabel 3.23 Data produksi benang pada periode April’09 – Maret’12 Bulan

produksi (kg)

bulan

produksi (kg)

bulan

produksi (kg)

April’ 9

1,218,866

April’ 10

1,250,067

April’ 11

1,298,264

Mei’ 9

1,234,719

Mei’ 10

1,164,881

Mei’ 11

1,312,454

Juni’ 9

1,274,539

Juni’ 10

1,290,056

Juni’ 11

1,224,080

Juli’ 9

1,289,947

Juli’ 10

1,283,189

Juli’ 11

1,276,940

Agustus’ 9

1,248,322

Agustus’ 10

1,198,684

Agustus’ 11

1,173,749

September’ 9

1,140,257

September’ 10

1,309,206

September’ 11

1,151,057

Oktober’ 9

1,372,629

Oktober’ 10

1,309,553

Oktober’ 11

1,296,827

November’ 9

1,190,394

November’ 10

1,233,843

November’ 11

1,273,890

commit to user 50


digilib.uns.ac.id

Desember’ 9

1,341,545

Desember’ 10

1,286,772

Desember’ 11

1,336,353

Januari’ 10

1,288,402

Januari’ 11

1,233,698

Januari’ 12

1,295,151

Februari’ 10

1,164,901

Februari’ 11

1,137,657

Februari’ 12

1,256,116

Maret’ 10

1,341,278

Maret’ 11

1,304,254

Maret’ 12

1,393,083

Berdasarkan Tabel 3.23 dapat dilihat bahwa data permintaan benang Acrylic Raw White Yarn berfluktuasi atau acak, untuk itu model yang sesuai digunakan adalah model time series, karena model time series lebih cocok untuk data yang bersifat acak dan model time series lebih sesuai karena model ini sesuai untuk data yang terjadi selama kurun waktu tertentu dan data yang bersifat masa lalu atau lampau. 1. Metode single moving average Dengan rumus sebagai berikut :

Keterangan : n= jumlah periode (3 bulanan dan 4 bulanan) Bila permintaan berubah secara signifikan dari waktu kewaktu nilai n yang kecil akan lebih cocok dipakai, Nasution (2005). Kita dapat menggunakan beberapa nilai n-periode (n = 3, 4, 5, 6, dst), kemudian memilih dan membandingkan n-periode yang memiliki MAD terkecil, Gasperz (2005). Untuk itu penulis mengambil nilai n

commit to user 51


digilib.uns.ac.id

yaitu 3 dan 4 bulanan karena melihat apa yang dikemukakan oleh Gasperz diasumsikan nilai n dimulai dari 3, 4, 5, dst. Dan menurut Nasution diambil nilai n yang terkecil. a. Single moving average 3 bulanan Perhitungan peramalan dengan single moving average 3 bulanan adalah sebagai berikut : Tabel 3.24 Peramalan single moving average 3 bulanan dengan menggunakan POM Windows ramal solution Demand(y) TOTALS AVERAGE Next period forecast

Forecast

Error

|Error|

Error^2

|Pct Error|

45395620

158237

2128162

1.82098E+11

1.7

1260990

4795.06

64489.74

5518116000

0.05

(Bias)

(MAD)

(MSE)

(MAPE)

Std err

76642.83

1314783

Created by POM-QM for Windows

Hasil peramalan permintaan benang Acrylic Raw White Yarn pada bulan april 2012 menggunakan POM Windows dengan menggunakan metode single moving average 3 bulanan yaitu 1.314.783 kg dengan tingkat kesalahan MAD 64.489,74 dan MSE 5.518.116.000. b. Single moving average 4 bulanan Perhitungan peramalan dengan single moving average 4 bulanan adalah sebagai berikut : Tabel 3.25 Peramalan single moving average 4 bulanan dengan menggunakan POM Windows commit to user 52


digilib.uns.ac.id

ramal solution Demand(y) TOTALS AVERAGE Next period forecast

Forecast

Error

|Error|

Error^2

|Pct Error|

45395620

148906.5

2197327

1.94738E+11

1.76

1260990

4653.33

68666.47

6085561000

0.05

(Bias)

(MAD)

(MSE)

(MAPE)

Std err

80568.39

1320176


Hasil peramalan permintaan benang Acrylic Raw White Yarn pada bulan april 2012 menggunakan POM Windows dengan menggunakan metode single moving average 4 bulanan yaitu 1.320.176 kg dengan tingkat kesalahan MAD 68.666,47 dan MSE 6.085.561.000. 2. Metode weighted moving average Dengan rumus sebagai berikut :

Keterangan : Pembobot yang digunakan adalah 3 bulan terbobot dan 4 bulan terbobot a. Weighted moving average 3 bulan terbobot Perhitungan peramalan dengan menggunakan weighted moving average 3 bulan terbobot adalah sebagai berikut : Tabel 3.26 Peramalan weighted moving average 3 bulan dengan menggunakan POM Windows ramal solution Demand(y) TOTALS

45395620

Forecast

commit to user

Error

|Error|

Error^2

|Pct Error|

141956.5

2291788

2.10235E+11

1.83

53


digilib.uns.ac.id

AVERAGE

1260990

Next period forecast

1331105

4301.71

69448.13

6370758000

0.06

(Bias)

(MAD)

(MSE)

(MAPE)

Std err

82351.53


Hasil peramalan permintaan benang Acrylic Raw White Yarn pada bulan april 2012 menggunakan POM Windows dengan menggunakan metode weighted moving average 3 bulan terbobot yaitu 1.331.105 kg dengan tingkat kesalahan MAD 69.448,13 dan MSE 6.370.758.000. b. Weighted moving average 4 bulan terbobot Perhitungan peramalan dengan menggunakan weighted moving average 4 bulan tebobot adalah sebagai berikut : Tabel 3.27 Peramalan weighted moving average 4 bulan dengan menggunakan POM Windows ramal solution Demand(y) TOTALS AVERAGE Next period forecast

Forecast

Error

|Error|

Error^2

|Pct Error|

45395620

121960.4

2198889

1.99739E+11

1.76

1260990

3811.26

68715.28

6241844000

0.05

(Bias)

(MAD)

(MSE)

(MAPE)

Std err

81596.37

1326734


Hasil peramalan permintaan benang Acrylic Raw White Yarn pada bulan april 2012 menggunakan POM Windows dengan menggunakan metode weighted moving average 4 bulan terbobot yaitu 1.326.734 kg dengan tingkat kesalahan MAD 68.715,28 dan MSE 6.241.844.000.

commit to user 54


digilib.uns.ac.id

3. Exponential smoothing Dengan rumus sebagai berikut :

Keterangan : = peramalan baru = peramalan sebelumnya α

= konstanta = permintaan aktual periode lalu

Diterapkan pada persamaan exponential smoothing (α= 0.5, α= 0.9) Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai α yang mendekati satu. Biasanya dipilih α = 0,9; namun dapat mencoba nilai – nilai α yang lain yang mendekati 1 (α = 0.5, 0.6, 0.7, 0.8, 0.9), (Gasperz, 2005). a. Exponential smoothing (α= 0.5) Perhitungan peramalan dengan menggunakan exponential smoothing α= 0.5 adalah sebagai berikut : Tabel 3.28 Peramalan exponential smoothing α= 0.5 dengan menggunakan POM Windows ramal solution Demand(y) TOTALS AVERAGE Next period forecast

Forecast

Error

|Error|

Error^2

|Pct Error|

45395620

231444.5

2345356

2.15217E+11

1.87

1260990

6612.7

67010.17

6149065000

0.05

(Bias)

(MAD)

(MSE)

(MAPE)

1334589

commit to user

55


digilib.uns.ac.id

Std err

80757.27


Hasil peramalan permintaan benang Acrylic Raw White Yarn pada bulan april 2012 menggunakan POM Windows dengan menggunakan metode exponential smoothing α= 0.5 yaitu 1.334.589 kg dengan tingkat kesalahan MAD 67.010,17 dan MSE 6.149.065.000. b. Exponential smoothing (α= 0.9) Perhitungan peramalan dengan menggunakan exponential smoothing α= 0.9 adalah sebagai berikut. Tabel 3.29 Peramalan exponential smoothing α= 0.9 dengan menggunakan POM Windows ramal solution Demand(y) TOTALS AVERAGE

Error

|Error|

Error^2

|Pct Error|

45395620

178828.4

2696846

3.09264E+11

2.14

1260990

5109.38

77052.74

8836118000

0.06

(Bias)

(MAD)

(MSE)

(MAPE)

Std err

96807.23


Forecast

1379812


Hasil peramalan permintaan benang Acrylic Raw White Yarn pada bulan april 2012 menggunakan POM Windows dengan menggunakan metode exponential smoothing α= 0.9 yaitu 1.379.812 kg dengan tingkat kesalahan MAD 77.052,74 dan MSE 8.836.118.000.

commit to user 56


digilib.uns.ac.id

Dari pembahasan di atas dapat diketahui peramalan dan tingkat kesalahan bulan april adalah sebagai berikut:

1. Peramalan Tabel 3.30 Hasil Peramalan Permintaan produksi benang Acrilyc Raw White Yarn bulan April 2012 dengan 3 Metode Peramalan no 1 2 3

Metode single moving average weighted moving average exponential smoothing

3 bulanan 4 bulanan 3 bulan terbobot 4 bulan terbobot α5 α9

peramalan (kg) 1,314,783 1,320,176 1,331,105 1,326,734 1,334,600 1,379,812

Dari data diatas dapat diketahui bahwa untuk peramalan pada bulan april 2012 dengan metode single moving average 3 bulanan adalah 1,314,783, dan 4 bulanan, 1,320,176, metode weighted moving average 3 bulan terbobot adalah 1,331,105 dan 4 bulan terbobot, 1,326,734, dan metode exponential smoothing α5, 1,334,600 dan α9 yaitu 1,379,812.

commit to user 57


digilib.uns.ac.id

2. Tingkat kesalahan Tabel 3.31 Pengukuran Kesalahan (error) Peramalan Permintaan produksi benang Acrilyc Raw White Yarn dengan Tiga Metode Peramalan No

1

2

3

Metode Peramalan

Single Moving Average Weighted Moving Average

Exponential Smoothing

pengukuran kesalahan (error) MAD

MSE

3 bulanan

64.489,74

5.518.116.000

4 bulanan

68.666,47

6.085.561.000

3 bulan terbobot 4 bulan terbobot

69.448,13

6.370.758.000

68.715,28

6.241.844.000

α= 0.5

67.010,17

6.149.065.000

α= 0.9

77.052,74

8.836.118.000

Dari data di atas dapat diketahui bahwa forecast error terkecil ada pada metode single moving average 3 bulanan yaitu MAD 64.489,74, MSE 5.518.116.000, sedangkan untuk metode single moving average 4 bulanan MAD 68.666,47, MSE 6.085.561.000, metode weighted moving average 3 bulan commit to user 58


digilib.uns.ac.id

terbobot MAD 69.448,13, MSE 6.370.758.000, weighted moving average 4 bulan terbobot, MAD 68.715,28, MSE 6.241.844.000 metode Exponential Smoothing α= 0.5 MAD 67.010,17, MSE 6.149.065.000, Exponential Smoothing α= 0.9 MAD 77.052,74, MSE 8.836.118.000.

BAB IV KESIMPULAN DAN SARAN A. KESIMPULAN Berdasarkan analisis dan pembahasan pada bab III, dapat diambil kesimpulan sebagai berikut : Bahwa dapat diketahui forecast error terkecil ada pada metode single moving average

3

bulanan yaitu MAD

64.489,74,

dan MSE

5.518.116.000. Oleh karena itu, metode yang sesuai dan tepat digunakan pada PT. Hanil Indonesia untuk produk Acrylic Raw White Yarn adalah metode Single Moving Average 3 bulanan, karena memiliki tingkat error yang terkecil dibandingkan metode lainnya. B. SARAN PT. Hanil Indonesia sebaiknya menerapkan metode Single Moving Average 3 bulanan dalam meramalkan permintaan produk benang Acrylic Raw White Yarn untuk periode mendatang. Karena metode Single Moving

commit to user 59


digilib.uns.ac.id

Average 3 bulanan memiliki tingkat kesalahan terkecil dibanding metode lainnya

commit to user 60


digilib.uns.ac.id

DAFTAR PUSTAKA Gasperz, Vincent. 2005. Production Planning and Inventory Control. Jakarta: Gramedia Pustaka Umum Herjanto, Eddy. 2008. Manajemen Operasi. Edisi Ketiga. Jakarta: Grasindo. Ishak, Aulia. 2010. Manajemen Operasi. Edisi Pertama. Yogyakarta: Graha Ilmu. Nasution, Arman H. 2005. Perencanaan dan Pengendalian Produksi. Surabaya: Guna Widya. Render, Barry and Heizer, Jay. 2009. Prinsip – Prinsip Manajemen Operasi. Jakarta: Salemba Empat. Subagyo, Pangestu. 2002. Forecasting Konsep dan Aplikasi. Yogyakarta: BPFE. Taylor, Bernard W. 2004. Managemen Science. Jakarta: Salemba Empat. .

commit to user


digilib.uns.ac.id

Lampiran 1 POM windows single moving average 3 bulanan ramal solution Demand(y)

Forecast

Error

|Error|

Error^2

|Pct Error|

1242708

47239

47239

2231523000

.04

18079.75 18079.75

326877400

.01

April

1218866

May

1234719

June

1274539

July

1289947

August

1248322 1266402.0

September

1140257

130679

17077000000

.11

October

1372629 1226175.0 146453.6 146453.6

21448670000

.11

November

1190394

63342

4012209000

.05

December

1341545 1234427.0 107118.4 107118.4

11474350000

.08

January

1288402 1301523.0

13120.63 13120.63

172150800

.01

February

1164901

108546

11782230000

.09

March

1341278 1264949.0 76328.63 76328.63

5826059000

.06

April

1250067 1264860.0

14793.38 14793.38

218843900

.01

May

1164881

87201

7604015000

.07

June

1290056 1252075.0 37980.75 37980.75

1442537000

.03

July

1283189 1235001.0 48187.75 48187.75

2322059000

.04

1270936

1253736

1273447

1252082

-130679

-63342

-108546

-87201

commit to user


digilib.uns.ac.id

August

1198684

1246042

47358

2242780000

.04

September

1309206 1257310.0 51896.38 51896.38

2693234000

.04

October

1309553

1263693

45860

45860

2103140000

.04

November

1233843

1272481

-38638

38638

1492895000

.03

December

1286772 1284201.0

2571.25

2571.25

6611327.0

0

January

1233698 1276723.0

43024.63 43024.63

1851118000

.03

February

1137657 1251438.0

113780.6 113780.6

12946030000

.1

March

1304254 1219376.0 84878.25 84878.25

7204317000

.07

April

1298264

1225203

73061

73061

5337910000

.06

May

1312454

1246725

65729

65729

4320302000

.05

June

1224080 1304991.0

80910.63 80910.63

6546529000

.07

July

1276940

1278266

-1326

1326

1758276

0

August

1173749

1271158

-97409

97409

9488513000

.08

September

1151057

1224923

-73866

73866

5456186000

.06

October

1296827

1200582

96245

96245

9263100000

.07

November

1273890

1207211

66679

66679

4446089000

.05

December

1336353 1240591.0 95761.63 95761.63

9170289000

.07

January

1295151 1302357.0 -7205.63

7205.63

51921030

0

February

1256116

45682

2086845000

.04

March

1393083 1295873.0 97209.63 97209.63

9449712000

.07

1301798

-47358

-45682

commit to user


digilib.uns.ac.id

TOTALS

45395620

158237 2128162.0 182097800000

1.7

AVERAGE

1260990.0

4795.06 64489.74

.05


1314783.0

(Bias)

(MAD) Std err


commit to user

5518116000

(MSE) (MAPE) 76642.83


digilib.uns.ac.id

Lampiran 2 POM windows single moving average 4 bulanan ramal solution Demand(y)

Forecast

Error

|Error|

Error^2

|Pct Error|

6195.75

38387320

0

April

1218866

May

1234719

June

1274539

July

1289947

August

1248322 1254518.0 -6195.75

September

1140257 1261882.0

121624.8 14792580000 121624.8

.11

October

1372629 1238266.0 134362.8 134362.8 18053350000

.1

November

1190394 1262789.0

5241000000

.06

December

1341545 1237901.0 103644.5 103644.5 10742180000

.08

January

1288402 1261206.0 27195.75 27195.75

739608800

.02

February

1164901 1298243.0

133341.5 17779960000 133341.5

.11

March

1341278 1246311.0

94967.5

94967.5

9018826000

.07

April

1250067 1284032.0 -33964.5

33964.5

1153587000

.03

May

1164881

96281

9270031000

.08

June

1290056 1230282.0 59774.25 59774.25

3572961000

.05

July

1283189 1261571.0

467359600

.02

1261162

72394.75 72394.75

-96281

21618.5

commit to user

21618.5


digilib.uns.ac.id

August

1198684 1247048.0

September

1309206 1234203.0

48364.25 48364.25

2339101000

.04

75003.5

5625525000

.06

October

1309553 1270284.0 39269.25 39269.25

1542074000

.03

November

1233843

1275158

-41315

41315

1706929000

.03

December

1286772 1262822.0

23950.5

23950.5

573626400

.02

January

1233698 1284844.0 -51145.5

51145.5

2615862000

.04

February

1137657 1265967.0

128309.5 16463330000 128309.5

.11

March

1304254 1222993.0

81261.5

6603431000

.06

April

1298264 1240595.0 57668.75 57668.75

3325685000

.04

May

1312454 1243468.0 68985.75 68985.75

4759034000

.05

June

1224080 1263157.0

39077.25 39077.25

1527031000

.03

July

1276940

61199330

0

August

1173749 1277935.0

104185.5 10854620000 104185.5

.09

September

1151057 1246806.0

95748.75 95748.75

9167823000

.08

October

1296827 1206457.0

90370.5

8166828000

.07

November

1273890 1224643.0 49246.75 49246.75

2425242000

.04

December

1336353 1223881.0 112472.3 112472.3 12650010000

.08

January

1295151 1264532.0 30619.25 30619.25

937538500

.02

February

1256116 1300555.0

1974847000

.04

1284763

75003.5

81261.5

-7823

90370.5

7823

- 44439.25

commit to user


digilib.uns.ac.id

44439.25 March

1393083 1290378.0 102705.5 102705.5 10548420000

TOTALS

45395620

AVERAGE

1260990.0


148906.5 2197327 194738000000 4653.33 68666.47 1320176.0

(Bias)

(MAD) Std err


commit to user

6085561000

.07 1.76 .05

(MSE) (MAPE) 80568.39


digilib.uns.ac.id

Lampiran 3 POM windows weighted moving average 3 bulan terbobot ramal solution Demand(y)

Forecast

Error

|Error|

Error^2

|Pct Error|

April

1218866

May

1234719

June

1274539

July

1289947 1251987.0 37960.13 37960.13

1440971000

.03

August

1248322 1275606.0

27284.38 27284.38

744437100

.02

September

1140257 1266567.0

126309.5 15954090000 126309.5

.11

October

1372629

November

1190394 1274454.0

84059.75 84059.75

7066041000

.07

December

1341545 1242783.0 98762.13 98762.13

9753957000

.07

January

1288402

63043600

0

February

1164901 1289782.0

124880.6 15595170000 124880.6

.11

March

1341278 1235509.0 105769.4 105769.4 11187160000

.08

April

1250067

557243300

.02

May

1164881 1266276.0

101395.3 10281000000 101395.3

.09

June

1290056 1222676.0 67380.13 67380.13

4540081000

.05

July

1283189 1241666.0 41522.75 41522.75

1724139000

.03

1201227

1296342

1273673

171402

-7940

-23606

commit to user

171402 29378650000

7940

23606

.12


digilib.uns.ac.id

August

1198684

1265760

-67076

67076

4499190000

.06

September

1309206

1242081

67125

67125

4505765000

.05

October

1309553 1268029.0 41523.75 41523.75

1724222000

.03

November

1233843 1290959.0

57116.13 57116.13

3262252000

.05

December

1286772 1271640.0 15131.88 15131.88

228973600

.01

January

1233698 1272926.0

39227.88 39227.88

1538826000

.03

February

1137657 1251414.0

113756.5 12940540000 113756.5

.1

March

1304254 1194523.0 109730.8 109730.8 12040840000

.08

April

1298264 1236962.0 61301.63 61301.63

3757889000

.05

May

1312454 1273493.0 38961.13 38961.13

1517969000

.03

June

1224080 1306357.0

82277.25 82277.25

6769546000

.07

July

1276940

1265902

11038

11038

121837400

0

August

1173749

1265239

-91490

91490

8370420000

.08

September

1151057 1216535.0 -65477.5

65477.5

4287303000

.06

October

1296827 1179602.0 117225.5 117225.5 13741820000

.09

November

1273890

1227724

46166

46166

2131300000

.04

December

1336353 1261064.0

75289.5

75289.5

5668509000

.06

January

1295151 1308944.0

13793.38 13793.38

190257200

.01

February

1256116 1305342.0 -49225.5

2423150000

.04

commit to user

49225.5


March

1393083 1282501.0 110582.5 110582.5 12228490000

TOTALS

45395620

AVERAGE

1260990.0


digilib.uns.ac.id

141956.5 2291788 210235000000 4301.71 69448.13 1331105.0

(Bias)

(MAD) Std err


commit to user

6370758000

.08 1.83 .06

(MSE) (MAPE) 82351.53


digilib.uns.ac.id

Lampiran 4 POM windows weighted moving average 4 bulan terbobot ramal solution Demand(y)

Forecast

Error

|Error|

Error^2

|Pct Error|

April

1218866

May

1234719

June

1274539

July

1289947

August

1248322 1267171.0

18848.88 18848.88

355280100

.02

September

1140257 1264693.0

124435.6 15484220000 124435.6

.11

October

1372629 1216043.0 156586.3 156586.3 24519250000

.11

November

1190394 1269788.0

December

1341545

1240830

January

79393.88 79393.88

6303387000

.07

100715

100715 10143510000

.08

1288402 1282288.0

6114.25

6114.25

37384050

0

February

1164901

-128265

128265 16451910000

.11

March

1341278 1239829.0 101448.6 101448.6 10291820000

.08

April

1250067 1277816.0

27749.38 27749.38

770027800

.02

May

1164881 1264231.0

99349.63 99349.63

9870348000

.09

June

1290056 1225718.0 64337.75 64337.75

4139346000

.05

July

1283189 1249628.0 33561.13 33561.13

1126349000

.03

1293166

commit to user


digilib.uns.ac.id

August

1198684 1258275.0

59591.38 59591.38

3551132000

.05

September

1309206 1238930.0 70276.38 70276.38

4938769000

.05

October

1309553

40622

1650147000

.03

November

1233843 1284639.0

50795.63 50795.63

2580196000

.04

December

1286772 1268113.0 18659.38 18659.38

348172300

.01

January

1233698 1277693.0

43994.88 43994.88

1935549000

.04

February

1137657 1257235.0

119577.6 14298810000 119577.6

.11

March

1304254 1205911.0 98343.13 98343.13

9671370000

.08

April

1298264 1238416.0

May

1312454

June

1224080 1289077.0

July

1276940 1273446.0

August

1173749 1270317.0

September

1151057

1268931

40622

59848.5

59848.5

3581843000

.05

50971

50971

2598043000

.04

64997.38 64997.38

4224659000

.05

3493.63

12205420

0

96568.13 96568.13

9325403000

.08

6019588000

.07

October

1296827 1190344.0 106483.5 106483.5 11338740000

.08

November

1273890 1226492.0 47398.25 47398.25

2246594000

.04

December

1336353 1246190.0 90162.63 90162.63

8129299000

.07

January

1295151 1291179.0

15773810

0

1261483

1228643

3493.63

-77586

3971.63

commit to user

77586

3971.63


digilib.uns.ac.id

February

1256116

2238331000

.04

March

1393083 1285651.0 107431.8 107431.8 11541580000

.08

TOTALS

45395620

AVERAGE

1260990.0


1303427

-47311

47311

121960.4 2198889 199739000000 3811.26 68715.28 1326734.0

(Bias)

(MAD) Std err


commit to user

6241844000

1.76 .05

(MSE) (MAPE) 81596.37


digilib.uns.ac.id

Lampiran 5 POM windows exponential smoothing α = 0.5 ramal solution Demand(y)

Forecast

Error

|Error|

Error^2

|Pct Error|

April

1218866

May

1234719

1218866

15853

15853

251317600

.01

June

1274539 1226793.0

47746.5

47746.5

2279728000

.04

July

1289947 1250666.0 39281.25 39281.25

1543017000

.03

August

1248322 1270306.0

21984.38 21984.38

483312700

.02

September

1140257 1259314.0

119057.3 14174630000 119057.3

.1

October

1372629 1199786.0 172843.4 172843.4 29874830000

.13

November

1190394 1286207.0

9180178000

.08

December

1341545 1238301.0 103244.4 103244.4 10659400000

.08

January

1288402 1289923.0 -1520.75

February

1164901 1289162.0

95813.25 95813.25

1520.75

2312681.0

0

124261.4 15440890000 124261.4

.11

March

1341278 1227032.0 114246.3 114246.3 13052210000

.09

April

1250067 1284155.0

May

1164881

1267111

-102230

June

1290056

1215996

74060

74060

5484883000

.06

July

1283189

1253026

30163

30163

909806600

.02

34087.88 34087.88

commit to user

1161983000

.03

102230 10450970000

.09


digilib.uns.ac.id

August

1198684 1268108.0 -69423.5

69423.5

4819622000

.06

September

1309206 1233396.0 75810.25 75810.25

5747194000

.06

October

1309553 1271301.0 38252.13 38252.13

1463225000

.03

November

1233843

1290427

-56584

56584

3201749000

.05

December

1286772

1262135

24637

24637

606981800

.02

January

1233698 1274454.0 -40755.5

40755.5

1661011000

.03

February

1137657 1254076.0

116418.8 13553330000 116418.8

.1

March

1304254 1195866.0 108387.6 108387.6 11747880000

.08

April

1298264 1250060.0 48203.75 48203.75

2323601000

.04

May

1312454 1274162.0 38291.88 38291.88

1466268000

.03

June

1224080

1293308

-69228

69228

4792516000

.06

July

1276940

1258694

18246

18246

332916500

.01

August

1173749

1267817

-94068

94068

8848788000

.08

September

1151057

1220783

-69726

69726

4861715000

.06

October

1296827

1185920

110907

110907 12300360000

.09

November

1273890 1241374.0

32516.5

32516.5

1057323000

.03

December

1336353 1257632.0 78721.25 78721.25

6197035000

.06

January

1295151 1296992.0 -1841.38

1841.38

3390662

0

February

1256116 1296072.0

39955.75 39955.75

1596462000

.03

March

1393083 1276094.0 116989.1 116989.1 13686460000

.08

commit to user


TOTALS

45395620

AVERAGE

1260990.0


digilib.uns.ac.id

231444.5 2345356 215217300000 6612.7 67010.17 1334589.0

(Bias)

(MAD) Std err


commit to user

6149065000

1.87 .05

(MSE) (MAPE) 80757.27


digilib.uns.ac.id

Lampiran 6 POM windows exponential smoothing α = 0.9 ramal solution Demand(y)

Forecast

Error

|Error|

Error^2

|Pct Error|

1218866

15853

April

1218866

May

1234719

15853

251317600

.01

June

1274539 1233134.0 41405.25 41405.25

1714395000

.03

July

1289947 1270399.0

19548.5

382143800

.02

August

1248322 1287992.0

39670.13 39670.13

1573719000

.03

September

1140257

112032 12551170000

.1

October

1372629 1151460.0 221168.8 221168.8 48915620000

.16

November

1190394 1350512.0

160118.1 25637810000 160118.1

.13

December

1341545 1206406.0 135139.1 135139.1 18262580000

.1

January

1288402 1328031.0

39629.13 39629.13

1570468000

.03

February

1164901 1292365.0

127463.9 16247040000 127463.9

.11

March

1341278 1177647.0 163630.6 163630.6 26774980000

.12

April

1250067 1324915.0

74847.88 74847.88

5602204000

.06

May

1164881 1257552.0

92670.75 92670.75

8587868000

.08

June

1290056 1174148.0 115907.9 115907.9 13434640000

.09

1252289

19548.5

-112032

commit to user


digilib.uns.ac.id

July

1283189 1278465.0

August

1198684 1282717.0

4723.75

22313810

0

84032.63 84032.63

7061482000

.07

September

1309206 1207087.0 102118.8 102118.8 10428240000

.08

October

1309553 1298994.0 10558.88 10558.88

111489800

0

November

1233843 1308497.0

74654.13 74654.13

5573238000

.06

December

1286772 1241308.0 45463.63 45463.63

2066941000

.04

January

1233698 1282226.0

48527.63 48527.63

2354930000

.04

February

1137657 1238551.0

100893.8 10179550000 100893.8

.09

March

1304254 1147746.0 156507.6 156507.6 24494640000

.12

April

1298264 1288603.0

9660.75

93330090

0

May

1312454 1297298.0 15156.13 15156.13

229708100

.01

June

1224080 1310938.0

86858.38 86858.38

7544377000

.07

July

1276940 1232766.0 44174.13 44174.13

1951353000

.03

August

1173749 1272523.0

98773.63 98773.63

9756229000

.08

September

1151057 1183626.0

32569.38 32569.38

1060764000

.03

October

1296827

142513 20309950000

.11

November

1273890 1282576.0 -8685.75

8685.75

75442260

0

December

1336353 1274759.0 61594.38 61594.38

3793867000

.05

1154314

4723.75

9660.75

142513

commit to user


digilib.uns.ac.id

January

1295151 1330194.0 -35042.5

35042.5

1227977000

.03

February

1256116 1298655.0

42539.25 42539.25

1809588000

.03

March

1393083 1260370.0 132713.1 132713.1 17612770000

.1

TOTALS

45395620

AVERAGE

1260990.0


178828.4 2696846 309264100000 5109.38 77052.74 1379812.0

(Bias)

(MAD) Std err


commit to user

8836118000

2.14 .06

(MSE) (MAPE) 96807.23


digilib.uns.ac.id

Lampiran 7 acrylic staple fiber (bahan baku serat pendek)

Lampiran 8 acrylic tow (bahan baku serat panjang)

commit to user


digilib.uns.ac.id

Lampiran 9 hasil produksi acrylic dyed yarn (hank)

Lampiran 10 hasil produksi acrylic dyed dan raw white yarn (cone)

commit to user


digilib.uns.ac.id

Lampiran surat keterangan magang

commit to user


digilib.uns.ac.id

Lampiran surat pernyataan tugas akhir

commit to user


digilib.uns.ac.id

Lampiran surat keterangan blanko nilai magang

commit to user


digilib.uns.ac.id

commit to user

ANALISIS PERAMALAN TERHADAP PERMINTAAN BENANG ACRYLIC RAW WHITE YARN PT. HANIL INDONESIA BOYOLALI

Recommend Documents