BAB 2 LANDASAN TEORI
2.1
Pengertian Peramalan Permintaan (Forecast Demand) Peramalan permintaan atau forecast demand (FD) adalah peramalan kuantitas permintaan sesuatu (barang atau jasa) dimasa yang akan datang. Menurut Vincent Gaspersz didalam manajemen permintaan ada dua jenis permintaan yaitu : 1. Permintaan bebas (Independent Demand) 2. Permintaan tidak bebas (Dependent Demand) Berikut penjelasannya : 1. Permintaan bebas Permintaan bebas didefinisikan sebagai permintaan terhadap material, suku cadang atau produk yang bebas atau tidak terkait langsung dengan stuktur bill of material (BOM) untuk produk akhir atau item tertentu. Permintaan untuk produk akhir, suku cadang atau produk yang digunakan untuk percobaan pengajuan produk itu. 2. Permintaan tidak bebas Permintaan tidak bebas didefinisikan sebagai permintaan terhadap material, suku cadang atau produk yang terkait langsung dengan atau diturunkan dari struktur bill of material untuk produk akhir atau untuk item tertentu.
14
2.2
Pengertian Inventory Control (Pengendalian persediaan) Controlling adalah membandingkan rencana terhadap hasil yang diperoleh, dan melakukan tindakan perbaikan jika terjadi penyimpangan. Dengan adanya controlling ini diharapapkan semua proses yang terjadi sesuai dengan apa yang sudah direncanakan sebelumnya yang dikuti dengan adanya perbaikan pada proses-proses yang mengalami penyimpangan. Inventory control adalah mengatur persediaan barang atau produk jadi ada pada tingkat minimum. Barang yang disediakan adalah merupakan modal usaha yang harus dijaga pada tingkat minimum, karena modal usaha sangat berpengaruh terhadap operasional perusahaan.
2.3
Metode Peramalan Metode peramalan dipakai supaya peramalan kuantitas permintaan sesuatu (barang atau jasa) dimasa akan datang dapat direncanakan dan hasil yang diperoleh tidak jauh menyimpang dari actual yang terjadi. Metode peramalan secara umum dibagi menjadi dua yaitu : 2.3.1 Peramalan Kualitatif Peramalan
kualitatif
digunakan
untuk
meramalkan
lingkungan dan teknologi, karena kondisi tersebut berbeda dengan kondisi perekonomian dan pemasaran. Metode kualitatif sering disebut dengan Technological Forecasting.
15
2.3.2 Peramalan Kuantitatif Peramalan kuantitatif dapat diterapkan jika tersedia data masa lalu, informasi dapat dikuatifikasi (diwujudkan dalam bentuk angka) dan Asumsi beberapa aspek pola masa lalu akan terus berlanjut (assumption of continuity). Jenis peramalan kuantitatif meliputi : 2.3.2.1 Time Series Time series melakukan estimasi masa depan dilakukan berdasarkan nilai masa lalu dari suatu variabel dan atau kesalahan masa lalu. Berikut adalah beberapa metode time series yang yang dipakai untuk mencari forecast demand (peramalan permintaan) meliputi : 1. Moving Average Rumus : FD t +1 =
Dt + Dt −1 + Dt − 2 + Dt −( n −1) n
(Sumber : Gaspersz, Vincent, Production Planning and Inventory Control, 1998)
Keterangan : FD
= Forecast Demand
D
= Demand
n
= Jumlah data
t
= Bulan ke .. (1, 2 …,t)
16
Contoh : Permintaan material. 07000 – 12012 ORING
memiliki
data
sebagai
history
berikut : TAHUN 2000
2001
BLN Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun Jul Aug
D 34 30 37 36 20 23 40 36 25 48 32 29 32 34 38 37 36 41 39
FD
30,00 31,00 32,00 30,00 32,00 34,00 35,00 33,67 33,33 35,50 33,67 34,33 36,33 37,50
Tabel 2.1 Tabel contoh perhitungan moving average Dengan
jumlah
data
perhitungan
per
6
bulan
(ditetapkan), maka FD pada bulan agustus 2001, adalah (34+38+37+36+41+39)/6 = 37,5 Jika data mempunyai trend demand : a. Naik (up trend), A ≥ B, B > C, C > 0, C
B
A
Gambar 2.1 Grafik Up Trend
maka menggunakan rumus: FD = A/4 (Sumber : David bedworth, James E Bailey, Intergrated Production Control System, 1987)
17
b. Turun (down trend), C ≥ B, B > A, A > 0, C
B
A
Gambar 2.2 Grafik Down Trend
maka menggunakan rumus : FD = (A + B)/8 (Sumber : David bedworth, James E Bailey, Intergrated Production Control System, 1987)
A = Dt-1 + Dt-2 + Dt-3 + Dt-4
(Total Demand kuarter pertama)
B = Dt-5 + Dt-6 + Dt-7 + Dt-8
(Total Demand kuarter kedua)
C = Dt-9 + Dt-10+ Dt-11 + Dt-12 (Total Demand kuarter ketiga) Jika trend data tidak memenuhi kedua pola di atas, maka menggunakan metode Moving Average. 2. Double Moving Average FDt+p = at + btp at = 2Mt – M’t bt =
(
)
2 M t − M ' t , dimana n −1 Mt = Moving Averages Forecast selama t periode M’t = Moving Averages Forecast dari M’t =
M t + M t −1 + ...... + M 't − n +1 n
FD = Forecast Demand D = Demand Actual n = Jumlah data p = peramalan ke (1,2,....,p)
18
Contoh : Material 07000 – 12012 O-RING seperti contoh
data di atas, dengan perhitungan data per 6 bulanan, maka peramalannya adalah sebagai berikut : Thn 2000
2001
Bln Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun Jul Aug
D 34 30 37 36 20 23 40 36 25 48 32 29 32 34 38 37 36 41 39
Mt
M't
at
bt
30 31 32 30 32 34 35 33,67 33,33 35,5 33,67 34,33 36,33 37,5
31,5 32,33 32,78 33 33,92 34,19 34,25 34,47 35,11
36,5 37,67 64,56 33,67 37,08 33,14 34,42 38,19 39,89
1 1,07 0,36 0,13 0,63 -0,21 0,03 0,74 0,96
FD
37,5 38,73 34,91 33,8 37,72 32,93 34,45 38,94 40,84
Tabel 2.2 Tabel contoh perhitungan double moving average at = (2 x 37,50) – 35,11 = 39,89 bt =
2 (37,50 − 35,11) 6 −1
= 0,96
FDAgt2001 = 39,89 + 0,96 = 40,84 Jadi, perkiraan permintaan pada agustus 2001 adalah 40,84 pc.
19
Jika kita akan menghitung perkiraan permintaan di bulan September 2001, maka : FDSept2001 = 39,89 + 2 x 0,96 = 41,80 3. Exponential Smoothing
Pada metode ini apabila hasil forecast adalah positif, yang berarti nilai aktual permintaan lebih tinggi dibanding nilai ramalan (A-F > 0). Maka, model exponential smoothing akan secara otomatis meningkatkan ramalan.
Sebaliknya apabila hasil forecast adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A-F<0), maka model exponential smoothing akan otomatis menurunkan nilai ramalan sebagai berikut. Rumus : FD t = FD t −1 + α (A t −1 - FD t −1 ) ( Sumber : Vincent Gaspersz )
Keterangan : FD t
= Nilai ramalan untuk periode waktu ke-t
FD t −1
= Nilai ramalan untuk satu periode waktu yang lalu, t-1
A t −1
= Nilai aktual untuk satu periode waktu yang lalu, t-1
α
= Smoothing constant (0 < α < 1)
20
Contoh : Seperti data sebelumnya, dengan α ditentukan
0,1 maka : TAHUN 2000
2001
2001
BLN Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun Jul Aug
D 34 30 37 36 20 23 40 36 25 48 32 29 32 34 38 37 36 41 39
FD 34,00 33,60 33,94 34,15 32,73 31,76 32,58 32,92 32,13 33,72 33,55 33,09 32,98 33,08 33,58 33,92 34,13 34,81 35,23
Tabek 2.3 Tabel contoh perhitungan exponential smoothing FD pada agustus 2001 adalah FDagt2001 = 0,1.39 + (1 – 0,1).34,81 = 35,23 4. Seasonal
FD t +1 = S t I ( t −L +1 ) ( Sumber : Buffa, Modern Production / Operation Management, 1983)
Keterangan : S = α. (D t / I t − L )+ (1- α) S t −1 I t = γ+ (D t / S t ) + (1- γ )I t − L , dimana FD = Peramalan permintaan Α = Smoothing constant (0 < α < 1)
21
I t = Nilai indeks musiman Contoh : Dari data yang sama, jika α = 0,1 dan γ = 0,3.
Hitunglah FD pada Agt 2001! Perhitungan Indeks musiman bulan Jan – Des 2000 adalah sebagai berikut :
∑D
t
=
34 + 30 + ......+ 29 = 32,5 12
It jan2001 =
34 = 1,046 32,5
It feb2001 =
30 = 0,923 32,5
Metode peramalan yang disampaikan di atas merupakan sebagian dari sekian banyak metode peramalan yang ada, masih banyak metode peramalan lainnya.
2.3.2.2
Model Causal
Model causal mengasumsikan bahwa faktor yang diramalkan mewujudkan hubungan sebab akibat dengan satu atau lebih independent variabel.
22
Berikut contoh beberapa kondisi sebagai akibat dari adanya deviasi permintaan dan deviasi lead time pemesanan.
1. Demand Konstan dan Lead time Konstan Karena permintaan dan tenggang waktu pemesanan sudah tepat sesuai dengan yang diperkirakan, maka cadangan tidak perlu disediakan lagi.
Gambar 2.3 Diagram gergaji demand konstan dan LT konstan a. Garis vertical menunjukan pesanan datang. b. Garis putus-putus menunjukkan persediaan yang terjual. c. Periode pemesanan = 2 bulan ; LT = 2 bulan. d. FD : Forecast Demand e. SS : Safety Stock
23
2. Demand Tidak Konstan dan Lead time Konstan
Gambar 2.4 Diagram gergaji demand tidak konstan dan LT konstan a. Garis vertical menunjukan pesanan datang. b. Garis putus-putus menunjukkan persediaan yang terjual. c. Periode pemesanan = 2 bulan ; LT = 2 bulan. d. FD : Forecast Demand e. SS : Safety Stock .
24
3. Demand Tidak Konstan dan Lead time Konstan
Gambar 2.5 Diagram gergaji demand tidak konstan dan LT a. Garis vertical menunjukan pesanan datang. b. Garis putus-putus menunjukkan persediaan yang terjual. c. Periode pemesanan = 2 bulan ; LT = 2 bulan. d. FD : Forecast Demand e. SS : Safety Stock
25
4. Demand Tidak Konstan dan Lead time Tidak Konstan
Gambar 2.6 Diagram gergaji demand tidak konstan dan LT tidak konstan a. Garis vertical menunjukan pesanan datang. b. Garis putus-putus menunjukkan persediaan yang terjual. c. Periode pemesanan = 2 bulan ; LT = 2 bulan. d. FD : Forecast Demand e. SS : Safety Stock
2.4
Komponen Filter Pada Alat Berat
Filter pada Alat berat adalah bagian atau komponen dari Alat berat yang berfungsi untuk melakukan penyaringan terhadap sistem yang sedang bekerja. Sistem yang sedang bekerja ini bisa berupa sistem pembakaran bahan bakar, sistem pelumasan engine, sistem peyaringan air yang dipakai
26
dalam proses pendinginan engine. Masing-masing sistem tersebut memliki
filter yang berbeda seperti berikut : a. Fuel filter (filter bahan bakar)
Fuel filter berfungsi untuk menyaring kotoran yang terkandung di dalam bahan bakar. Supaya bahan bakar dapat tersaring dengan maksimal maka harus ada pembersihan secara berkala dan melakukan penggatian sesuai pada standar life time. Untuk fuel filter pada aplikasi alat berat life time adalah 250 HM. Jadi, setiap kelipatan 250 HM harus dilakukan penggatian supaya bahan bakar bebas dari kotoran yang akhirnya akan mendapatkan proses pembakaran yang sempurna.
Gambar 2.7 Gambar fuel system chart
27
Gambar 2.8 Gambar fuel filter b. Air Filter (filter udara)
Air filter pada alat berat berfungsi untuk pembersih udara sehingga debu dan kotoran dapat dipisahkan terlebih dahulu sebelum masuk ke ruang bakar. Supaya air filter dapat bekerja dengan sempurna maka harus dilakukan pembersihan berkala atau rutin. Dan untuk periode tertentu harus dilakukan penggatian yang mengacu pada standart life time yaitu 1000 HM.
28
Gambar 2.9 Gambar air system chart
Gambar 2.10 Gambar air filter
29
c. Oil Filter (filter oli)
Oil engine digunakan untuk pelumasan, pembersihan, dan pendinginan komponen-komponen dalam engine dan oli akan kembali ke tangki oli. Oli yang bersikulasi secara bertahap akan menjadi kotor karena membawa partikel-partikel komponen yang bergesekan. Sebagian oli yang bersikulasi akan melalui bagian yang mempunyai temperatur tinggi dan tekanan tinggi sehingga ada yang terbakar dan menjadi karbon. Jika kotoran tersebut ikut bersama oli ke komponen bagian dalam maka komponen bagian dalam tersebut akan cepat aus. Untuk menjaga hal tersebut di atas maka pada sistem tersebut diberi filter agak kotoran tersebut dapat disaring dan oil yang bersikulasi tetap bersih. Sapaya fungsi filter tetap maksimal maka harus dilakukan pembersihan dan jika sudah pada life time tertentu harus dilakukan penggantian. Mengacu pada standard lite
time oil filter maka setiap kelipatan 250 HM harus dilakukan penggantian.
30
Gambar 2.11 Gambar lubricating system chart
31
Gambar 2.12 Gambar oil filter d. Water filter (filter air) Proses pendinginan dengan memakai media sirkulasi air maka air harus dijaga supaya tetap dalam kondisi yang bebas dari kotoran. Air yang kotor akan mengakibatkan sistem pendingan tersumbat dan efeknya engine akan over heat. Dengan dipasang
water filter maka air yang bersirkulasi akan disaring supaya terbebas dari endapan dan karat yang menyebabkan saluran pendingin tersumbat. Seperti filter yang lainnya, water filter juga harus dilakukan pembersihan secara berkala dan penggantian jika sudah melewati life time. Water filter harus diganti sesuai standard life time adalah 1000 HM.
32
Gambar 2.13 Gambar cooling system
Gambar 2.14 Gambar water filter
33
2.5
Metode perhitungan menggunakan hour meter berdasarkan life time. Proses perhitungan pengisian stok (stock replenisment) fuel filter atau forecast demand (FD) bulananya adalah dengan menggunakan pengukuran standart life time yaitu dengan melakukan perhitungan berdasarkan jumlah populasi unit dikalikan dengan jumlah filter per unit dikalikan jumlah jam kerja satu tahun dibagi life time filter dibagai dengan dua belas atau bisa disederhanakan dengan pendekatan matematik seperti berikut :
⎛ ⎛ Σ Jam ker ja 1th ⎞ ⎞ ⎜⎜ (Σ P x (Q )) x ⎜ ⎟ ⎟⎟ L /T ⎝ ⎠⎠ ⎝ FD = 12 Jam kerja 1 tahun = (jam kerja 1 hari x hari kerja 1 bulan x 12) (Sumber : pengembangan rumus dari Buku Manajemen Persediaan, Agus Ristono, 2009)
Keterangan : FD = Forecast demand
ΣP
= Jumlah populasi unit
Q
= Quatity per unit
L/T = life time
