BAB 2
LANDASAN TEORI
2.1
Perencanaan Produksi
2.1.1 Pengertian Perencanaan Produksi Perencanaan produksi dapat diartikan sebagai proses penentuan sumber-sumber yang diperlukan untuk melaksanakan operasi manufaktur dan mengalokasikannya sehingga menghasilkan produk dalam jumlah dan kualitas yang diharapkan dengan mengeluarkan biaya atau ongkos yang lebih rendah. Menurut Nasution (1999), perencanaan produksi adalah suatu perencanaan taktis yang bertujuan untuk memberikan keputusan yang optimum berdasarkan sumber daya yang dimiliki oleh perusahaan dalam memenuhi permintaan produk yang akan dihasilkan. Sementara menurut Ginting (2007), perencanaan produksi merupakan pernyataan rencana produksi ke dalam bentuk agregat yang biasanya dijadikan sebagai pegangan untuk merancang jadwal induk produksi.
2.1.2 Fungsi dan Tujuan Perencanaan Produksi Menurut Ginting (2007), beberapa fungsi dari perencanaan produksi adalah: 7.
Menjamin rencana penjualan dan rencana produksi konsisten terhadap rencana strategis perusahaan.
8.
Sebagai alat ukur performansi proses produksi.
9.
Menjamin kemampuan produksi konsisten terhadap rencana produksi.
10.
Memonitor hasil produksi aktual terhadap rencana produksi dan membuat penyesuaian.
11.
Mengatur persediaan produk jadi untuk mencapai target produksi dan rencana strategis.
12.
Mengarahkan penyusunan dan pelaksanaan jadwal induk produksi.
Universitas Sumatera Utara
10
Menurut Assauri (1998), tujuan dari perencanaan produksi antara lain: 6.
Mencapai tingkat keuntungan (profit) tertentu.
7.
Menguasai pasar sehingga output perusahaan tetap mempunyai pangsa pasar (market share) tertentu.
8.
Mengusahakan agar perusahaan dapat bekerja pada tingkat efisiensi tertentu.
9.
Mengusahakan dan mempertahankan supaya pekerjaan dan kesempatan kerja yang sudah ada tetap pada tingkatannya maupun berkembang.
10.
Menggunakan sebaik-baiknya fasilitas yang sudah ada pada perusahaan yang bersangkutan.
2.2
Peramalan
2.2.1 Pengertian dan Konsep Peramalan Peramalan diartikan sebagai bentuk pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau beberapa produk pada periode yang akan datang. Peramalan dapat dikatakan sebagai perkiraan yang ilmiah (educated guess) (Ginting, 2007). Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah permintaan terhadap suatu produk dan merupakan langkah awal dari proses perencanaan dan pengendalian produksi. Tujuan peramalan dalam kegiatan produksi adalah untuk meredam ketidakpastian, sehingga diperoleh suatu perkiraan yang mendekati keadaan yang sebenarnya.
2.2.2 Klasifikasi Teknik Peramalan dan Metode Peramalan Berdasarkan sifatnya, peramalan dibedakan atas dua (2) macam, yaitu peramalan kualitatif dan peramalan kuantitatif. 1.
Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan ditentukan berdasarkan pemikiran yang bersifat intuisi, judgement atau pendapat, pengetahuan serta pengalaman dari penyusunnya.
Universitas Sumatera Utara
11
2.
Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan ditentukan oleh jenis metode yang digunakan dalam peramalan. Metode yang paling baik adalah metode yang memberikan nilai-nilai penyimpangan yang paling kecil.
2.2.3 Metode Peramalan Kuantitatif (Statistical Method) Metode peramalan kuantitatif dibedakan menjadi dua (2) bagian, yakni metode kausal dan metode time series. 1.
Metode kausal adalah metode yang mengasumsikan bahwa faktor yang diperkirakan atau diramalkan menunjukkan hubungan sebab akibat dengan satu atau beberapa variabel bebas atau independen.
2.
Metode time series adalah metode yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu yang merupakan deret waktu. Dengan kata lain, metode ini digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Terdapat empat (4) pola data yang mempengaruhi analisis ini, antara lain: 1. Pola siklis (cycle), yaitu nilai data memiliki dipengaruhi oleh pola pergerakan aktivitas ekonomi. 2. Pola musiman (seasonal), yaitu nilai data dipengaruhi oleh musim. 3. Pola horizontal, yaitu nilai data berfluktuasi di sekitar nilai rata-rata. 4. Pola trend, yaitu nilai data memiliki kecenderungan untuk naik atau turun terus-menerus.
2.2.4
Metode Proyeksi Kecenderungan dengan Regresi
Metode kecenderungan dengan regresi merupakan dasar garis kecenderungan untuk suatu persamaan, sehingga dengan dasar persamaan tersebut dapat diproyeksikan hal-hal yang akan diteliti pada masa yang akan datang. Untuk peramalan jangka pendek dan jangka panjang, ketepatan peramalan dengan metode ini sangat baik.
Universitas Sumatera Utara
12
Bentuk fungsi dari metode proyeksi kecenderungan dengan regresi antara lain sebagai berikut: 1.
Konstan Fungsi peramalan dituliskan: π π=1 ππ
π=
, dengan:
π
π = nilai ramalan π = jumlah periode 2.
Linier Fungsi peramalan dituliskan: π = π + ππ , dengan: πβπ
π= π=
π
π
= π β ππ
π
ππβ π
π
π2β
π π 2
π = nilai ramalan π = jumlah periode 3.
Kuadratis Fungsi peramalan dituliskan: π = π + ππ + ππ 2 , dengan: ππΏ βππΌ
π = ππ½ βπΌ 2 π= π= π=
πβππΌ π πβπ
πβπ
π2
π
π2
2
βπ
π4
πβπ
ππ
πΏ=
π
π=
π2
πβπ
π2π
πΌ=
π
π2 β π
π3
π½=
π
2
βπ
π2
π = nilai ramalan π = jumlah periode
Universitas Sumatera Utara
13
4.
Eksponensial Fungsi peramalan dituliskan: π = ππ ππ , dengan: π=
π
π ln πβ π π2β
π
ln π =
ln πβπ
ln π π 2 π
π
π = nilai ramalan π = jumlah periode 5.
Siklis Fungsi peramalan dituliskan: π = π + π sin
2π π
π = ππ + π π sin π cos
2.3
2π π 2π π
π + π cos
sin
2π π
2π π
π , dengan:
π+π 2π
π=π
sin
π=π
cos
π
π+π
2π π
cos
2π π
π
sin
π+π
2π
cos
π
π
2π π
π
2
+π
2
+π
sin
2π π
sin
π cos
2π π
2π π
π cos
π
2π π
π
Goal Programming
2.3.1 Konsep dan Bentuk Umum dari Goal Programming Goal Programming merupakan pengembangan dari model pemrograman linear yang mulai dipopulerkan oleh A. Charnes dan W.M. Cooper pada tahun 1961. Model Goal Programming mampu menyelesaikan kasus-kasus pemrograman linear yang memiliki lebih dari satu sasaran yang hendak dicapai, dengan kehadiran sepasang variabel deviasional yang akan muncul di fungsi tujuan dan di fungsi-fungsi kendala (Siswanto, 2006). (Eiselt & Sandblom, 2007) Bentuk umum dari Goal Programming adalah: Minimumkan: π = Kendala:
π π=1
π π =1 π΄ππ ππ π π =1 πππ
ππ + + ππ β β ππ + + ππ β = ππ
ππ β€ πΆπ atau
π π =1 πππ
ππ β₯ πΆπ
Universitas Sumatera Utara
14
dengan: π = 1, 2, β¦ , π π = 1, 2, β¦ , π π = 1, 2, β¦ , π ππ + = deviasi/ penyimpangan positif ππ β = deviasi/ penyimpangan negatif π΄ππ = koefisien fungsi kendala tujuan ππ = variabel keputusan ππ = tujuan atau target yang hendak dicapai πππ = koefisien fungsi kendala sistem πΆπ = sumber daya yang tersedia ππ +, ππ β, ππ β₯ 0
2.3.2 Komponen Goal Programming Model Goal Programming sedikitnya terdiri dari tiga (3) komponen, yakni fungsi tujuan, kendala tujuan, dan kendala non-negatif. 1.
Fungsi Sasaran atau Tujuan
Ciri khas yang menandai model Goal Programming adalah kehadiran variabel deviasional di dalam fungsi tujuan yang harus diminimumkan. Hal ini merupakan konsekuensi logis dari tujuan kehadiran variabel deviasional di dalam fungsi kendala sasaran. Masing-masing deviasi positif dan deviasi negatif harus diminimumkan di dalam fungsi tujuan, sehingga fungsi tujuan dari model Goal Programming adalah: Minimumkan:
π π=1
ππ + + ππ β
dengan: π = 1, 2, β¦ , π ππ + = deviasi/ penyimpangan positif ππ β = deviasi/ penyimpangan negatif ππ +, ππ β β₯ 0
Universitas Sumatera Utara
15
2.
Kendala Sasaran atau Kendala Tujuan
Untuk mewujudkan sasaran pada interval nilai tertentu yang dibatasi oleh π΄π dan ππ , maka hasil penyelesaian yang diharapkan adalah berada di antara interval tersebut, sehingga bentuk persamaan kendala tujuan secara umum dituliskan: ππ β€
π π =1 π΄ππ ππ
β€ ππ
dengan: π = 1, 2, β¦ , π π = 1, 2, β¦ , π ππ = batas bawah interval ππ = batas atas interval π΄ππ = koefisien fungsi kendala tujuan ππ = variabel keputusan ππ β₯ 0 Kemungkinan
penyimpangan-penyimpangan
harus
diminimumkan,
sehingga dihadirkan deviasi positif guna membatasi penyimpangan di atas ππ dan deviasi negatif guna membatasi penyimpangan di bawah ππ , maka dapat dituliskan sebagai berikut: π π β ππ β β€ π π =1 π΄ππ ππ
3.
π π =1 π΄ππ ππ
β€ ππ + ππ +, yang setara dengan:
+ ππ β β₯ ππ dan
π π =1 π΄ππ ππ
β ππ + β€ ππ
Kendala Non-Negatif
Variabel-variabel dalam model Goal Programming, yang terdiri atas variabel keputusan dan variabel deviasi bernilai lebih besar atau sama dengan nol. Pernyataan ketidaknegatifan dapat dituliskan: ππ , ππ +, ππ β β₯ 0
2.3.3 Perumusan Masalah Goal Programming Langkah-langkah perumusan masalah Goal Programming adalah sebagai berikut: 1.
Menentukan variabel keputusan.
Variabel keputusan merupakan dasar dalam pembuatan model. Semakin tepat definisi variabel keputusan, semakin mudah pekerjaan permodelan yang lain.
Universitas Sumatera Utara
16
2.
Menentukan dan merumuskan fungsi kendala tujuan.
3.
Menentukan prioritas utama.
Pada langkah ini, dibuat urutan dari tujuan-tujuan yang hendak dicapai oleh perusahaan, yang bergantung pada keinginan dari pengambil keputusan dan keterbatasan sumber daya yang tersedia. 4.
Menentukan pembobotan.
5.
Menentukan fungsi tujuan.
Kunci dalam tahapan ini adalah memilih variabel deviasi yang benar serta menambahkan prioritas dan pembobotan yang tepat jika diperlukan. 6.
Menyatakan persamaaan non-negatif.
Langkah ini merupakan bagian yang resmi dalam perumusan masalah Goal Programming.
2.4
Linear Interactive Discrete Optimizer (LINDO)
LINDO adalah sebuah program yang dirancang untuk menyelesaikan kasus-kasus pemrograman linear. Sebuah kasus harus diubah terlebih dahulu ke dalam sebuah model matematis pemrograman linear dengan format tertentu agar dapat diolah oleh program LINDO. 1.
Input LINDO
Program ini menghendaki input sebuah program matematika dengan struktur tertentu. Contoh: MIN DA1 + DB1 + DA2 + DB2 + DB3 + DB4 SUBJECT TO -DA1 + DB1 + 5X1 + 6X2 = 60 -DA2 + DB2 + X1 + 2X2 = 16 DB3 + X1 = 10 DB4 + X2 = 6 END
Universitas Sumatera Utara
17
2.
Output LINDO
Output atau hasil olahan LINDO pada dasarnya dapat dipisahkan menjadi dua (2) bagian, yakni: a.
Optimal Solution atau Penyelesaian Optimal
Bagian ini memuat lima (5) macam informasi utama, yaitu: 1.
Nilai fungsi tujuan atau Objective Function Value.
2.
Nilai optimal variabel keputusan.
3.
Sensitivitas πΆπ bila ππ = 0, di bawah kolom Reduced Cost.
4.
Slack variable atau surplus variable.
5.
Dual Price. Selain itu, bagian penyelesaian optimal juga memuat informasi tambahan,
yakni jumlah iterasi yang diperlukan untuk menemukan penyelesaian optimal.
b.
Analisis Sensitivitas (Sensitivity Analysis)
Bagian ini memuat informasi mengenai dua (2) macam analisis sensitivitas, yakni: 1.
Analisis sensitivitas koefisien fungsi tujuan (πΆπ )
2.
Analisis sensitivitas Nilai Ruas Kanan (RHS)
Universitas Sumatera Utara
