BAB 4 PENGUMPULAN DAN ANALISA DATA
4.1.
Pengumpulan dan Pengolahan Data
4.1.1. Data Permintaan Untuk menentukan metode peramalan yang akan dilakukan maka dibutuhkan data permintaan pada periode sebelumnya. Tabel 4.1 Jenis Produk No. 1.
Nama Part
No. Part
Tipe
Qty/Unit
22115-KPH -9001
125 cc
1
23112-GCE -9000-C1
100 cc
1
14451-035-0002
100 cc
2
3.
GUIDE,CLUTCH OUTER COLLAR, CENTER CLUTCH SHAFT ROCKER ARM
4.
GEAR SHIFT DRUM
24421-200-0002
100 cc
4
5.
PUMP PIVOT OIL
15384-178-0001
100 cc
1
6.
PIN PISTON
13111-087-0002
All Cub
1
7.
BOSS,DRIVE FACE
22105-KVB -9000
110 cc
1
8.
SHAFT COMP,OIL PUMP
15130-KVB -9000
110 cc
1
9.
BUSH,M STAND
11205-GBC -3000
110 cc
2
10.
SHAFT,IN ROCKER ARM
14451-KVB -9000
110 cc
1
2.
Berikut data permintaan aktual untuk sepuluh part tersebut adalah berdasarkan total permintaan/kebutuhan PT Astra Honda Motor dari periode Januari 2006 sampai dengan Desember 2006.
33
Tabel 4.2 Data Permintaan Aktual Periode Januari 2006 - Desember 2006 Item Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
GUIDE, CLUTCH OUTER
COLLAR, CENTER CLUTCH
SHAFT ROCKER ARM
GEAR SHIFT DRUM
PUMP PIVOT OIL
PIN PISTON
BOSS, DRIVE FACE
SHAFT COMP,OIL PUMP
BUSH,M STAND
SHAFT,IN ROCKER ARM
34,650
36,610
62,760
125,520
41,840
115,898
23,497
23,497
46,994
23,497
52,990
57,400
98,400
196,800
65,600
173,600
26,500
26,500
53,000
26,500
41,265
50,400
86,400
172,800
57,600
148,873
29,872
29,872
59,744
29,872
40,740
49,181
84,310
168,619
56,206
143,377
24,865
24,865
49,730
24,865
41,301
75,529
129,478
258,955
86,318
181,959
25,100
25,100
50,200
25,100
38,044
74,129
127,078
254,155
84,718
180,646
34,000
34,000
68,000
34,000
47,249
74,341
127,442
254,885
84,962
194,160
34,100
34,100
68,200
34,100
61,565
99,260
170,160
340,320
113,440
255,850
43,500
43,500
87,000
43,500
67,860
112,674
193,156
386,311
128,770
284,906
45,000
45,000
90,000
45,000
40,305
59,768
102,460
204,919
68,306
162,762
33,000
33,000
66,000
33,000
54,355
121,015
207,454
414,907
138,302
272,128
36,000
36,000
72,000
36,000
45,352
114,248
195,854
391,709
130,570
247,501
32,500
32,500
65,000
32,500
34
4.1.2. Data Jam kerja yang tersedia Berikut adalah data jam kerja reguler di PT Sparta Guna Jaya. •
Senin – Jumat
: 3 Shift (Shift Normal)
•
Sabtu
: 2 Shift ( Shift Pendek)
Pembagian shift normal : •
Shift 1
: Pkl 06.00 ~ 14.00 WIB
•
Shift 2
: Pkl 14.00 ~ 22.00 WIB
•
Shift 3
: Pkl 22.00 ~ 06.00 WIB
Pembagian shift pendek : •
Shift 1
: Pkl 06.00 ~ 11.00 WIB
•
Shfit 2
: Pkl 11.00 ~ 16.00 WIB
Jam istirahat kerja reguler di PT Sparta Guna Jaya. •
Senin – Jumat o Shift 1
: Pkl 09.00 ~ 09.10 WIB : Pkl 11.30 ~ 12.20 WIB : Total = 1 Jam = 3600 detik
o Shift 2
: Pkl 16.00 ~ 16.10 WIB : Pkl 18.00 ~ 18.50 WIB : Total = 1 Jam = 3600 detik
35
o Shift 3
: Pkl 00.00 ~ 00.30 WIB : Pkl 03.30 ~ 04.00 WIB : Total = 1 Jam = 3600 detik
4.1.3. Data Urutan proses produksi
Tabel 4.3
ITEM
No.
Proses
1 2 3 4 1 2 3 4 1 2 3 4 5 6 1 2 3
Turning Chamfering Grinding LCN or GSN Turning Chamfering Grinding LCN or GSN Turning Chamfering Tapping Grinding Carburizing Grinding Turning Carburizing Grinding
PIVOT OIL PUMP
1
Turning
PIN PISTON
1 2 3 4 5 6
Turning Chamfering Grinding Carburizing Grinding I Grinding II
GUIDE CLUTCH OUTER COLLAR CENTER CLUTCH
SHAFT ROCKER ARM
GEAR SHIFT DRUM
Urutan Proses
Tsugami MB 50 Syncro Chenfu Out Plant Tsugami M42 J Syncro Chenfu Out Plant Autolathe Syncro Syncro Palmary I Out Plant Palmary I Autolathe Out Plant Palmary II
Cycle Time 21 5 5 33 5 5 27 4 6 4 4 4 1
Nexus 100B
45
Autolathe Syncro Micron I Outplant Micron I Micron II
27 4 7 8 8
Mesin
36
1 2 3 4 5 6 7 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 6
BOSS DRIVE FACE
SHAFT COMP OIL PUMP
BUSH M STAND
SHAFT IN ROCKER ARM
Turning Chamfer Induction Grinding I Hard Chrome Turning I.D Grinding II Turning Milling + Drill LCN or GSN Assy1 Assy2 Turning Chamfering Hardening Grinding Zinc Plating Turning Milling Ulir Milling Alur Milling Radius Grinding LCN or GSN
Moriseiki Syncro Out Plant Palmary III Out Plant Nexus 100A Palmary III Tsugami M42 J UTC 6 A Out Plant Hidrolic Press Hidrolic Press QT 10 Syncro Out Plant Chenfu Out Plant CinCom A16 TC 227 B Brother Millet A Brother Millet B Palmary I Out Plant
60 8 6 44 5 48 95 6 5 46 8 7 60 35 32 30 5 -
Sebagian proses dari urutan pembuatan part-part tersebut merupakan proses yang dilakukan diluar perusahaan (sub kontrak). Adapun proses dan lead time (total waktu produksi) proses yang di sub kontrak adalah sebagai berikut
Tabel 4.4 No.
Nama Proses
Data proses Sub kontrak Sub Cont
Lead time
1.
LCN or GSN
PT Parker
3 hari
2.
Carburizing
PT Parker
4 hari
3.
Induction
PT Pindad
3 hari
37
4.
Hard chrome
5.
Hardening
6.
Zinc Plating
4.2.
PT Galvalindo
5 hari
PT Parker
2 hari
PT AA Jaya
3 hari
Analisis Data
4.2.1. Penentuan pola data Berdasarkan langkah-langkah dalam pembuatan suatu peramalan yang terdapat pada bab 2. Dimana tujuan peramalan adalah membuat peramalan permintaaan pelanggan untuk tahun 2007. Unsur yang akan dibuatkan peramalannya adalah 10 item part komponen sepeda motor yang diproduksi oleh PT Sparta Guna Jaya. Kemudian horizon waktu peramalan adalah peramalan untuk jangka pendek yaitu peramalan permintaan untuk jangka 3 bulan, tahun berikutnya. Langkah berikutnya adalah memilih metode peramalan. Namun sebelum dilakukan pemilihan metode peramalan, maka terlebih dahulu harus dilakukan penentuan pola data permintaan yang sudah ada. Yaitu data permintaan untuk ke-10 part tersebut pada tahun 2006 diplot kedalam sebuah grafik, sehingga dari grafik tersebut bisa diketahui pola data permintaan pelanggan. Berikut ini adalah pola data permintaan PT Astra Honda Motor untuk periode Januari sampai Desember 2006.
38
450,000 Guide Clutch Outer
400,000
Collar Center Clutch
350,000
Shaft Rocker Arm
Q u a n tity
300,000 250,000
Gear Shift Drum Pump Pivot Oil
200,000
Pin Piston
150,000
Boss Drive Face Shaft Comp Oil Pump
100,000
Bush M Stand
50,000
Shaft In Rocker Arm
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Aug
Sep
Okt
Nov Des
Bulan
Grafik 4.1 Pola Permintaan Aktual PT Astra Honda Motor Periode Januari - Desember 2006
39
Berdasarkan pola data pada grafik diatas, maka data permintaan dari PT Astra Honda Motor akan ditentukan apakah data tersebut tergolong pada pola Stationery, trend (kecendrungan) atau seasonal (musiman). Untuk menentukan metode peramalan yang tepat, maka data-data tersebut akan di uji dengan beberapa metode peramalan yang mewakili masing-masing pola data antara lain sebagai berikut : 1. Moving Averages, Weighted moving averages & Single Eksponential smoothing mewakili pola data stationery. 2. Eksponential smoothing adjusted with Trend Holts Method mewakili pola data Trend (kecendrungan). 3. Eksponential smoothing adjusted for trend & seasonal variation : Winters mode mewakili pola data musiman. Dari ketiga metode diatas akan diambil nilai MSE, MAD dan MAPE terkecil untuk menentukan metode peramalan selanjutnya. Hasil perhitungan dari metode peramalan tersebut hanya ditampilkan hasil peramalannya untuk tipe produk 1 saja, sedangkan yang lainnya ditampilkan pada lampiran.
40
4.2.2
Peramalan permintaan metode Moving Averages. Pada metode ini digunakan 3 macam periode yaitu 3, 4 dan 5 periode.
Tabel 4.5 Forecast Metode Moving Average (3 Periode) Part Guide Clutch Outer
Month
Forecast by periode
Actual Data
3
4
5
Januari
34,650
Februari
52,990
Maret
41,265
April
40,740
42,968
(34,650+52,990+41,265)/3 = 42,968
Mei
41,301
44,998
Juni
38,044
41,102
(52 990+41 265+40 740)/3 = 44 998
Juli
47,249
(41 265+40 740+41 301)/3 = 41 102
Tabel 4.6 Forecast Metode Moving Average (4 Periode) Part Guide Clutch Outer
Month
Actual Data
Forecast by periode 4
Januari
34,650
Februari
52,990
Maret
41,265
April
40,740
42,411
Mei
41,301
44,074
Juni
38,044
40,337
Juli
47,249
5
(34,650+52,990+41,265+40,740)/4 = 42,411 (52,990+41,265+40,740+41,301)/4 = 44,074
(41,265+40,740+41,301+38,044)/4 = 40,337
41
Tabel 4.7 Forecast Metode Moving Average (5 Periode) Part Guide Clutch Outer
Month
Actual Data
Forecast by periode 5
Januari
34,650
Februari
52,990
Maret
41,265
April
40,740
Mei
41,301
Juni
38,044
42,189
Juli
47,249
42,868
Agustus
61,565
41,720
(34,650+52,990+41,265+40,740+ 41,301)/5 = 42,189 (52,990+41,265+40,740+41,301+ 38,044)/5 = 42,868 (41,265+40,740+41,301+38,044+ 47,249)/5 = 41,720
Perhitungan peramalan dengan metode ini ditunjukkan pada tabel 4.8
Perhitungan peramalan dengan metode Moving Averages 1.
Perhitungan nilai peramalan periode-4 adalah sebagai berikut : Ŷ4 = (Y1 + Y2 + Y3)/3 = (34,650+52,990+41,265)/3 = 42,968 Unit
2.
Perhitungan error untuk data periode ke-4 adalah sebagai berikut :
e4 = Y4 – Ŷ4 = 40,740 – 42,968 = -2,228 Unit
42
3.
Perhitungan RSFE periode ke-4 (Ratio of running sum of forecast errors) RSFE (4) = RSFE (3) + e4 = 0 + (-2,228) = -2,228 RSFE (5) = RSFE (4) + e5 = (-2,228) + (-3,698) = -5,926
4.
Perhitungan persentase error periode ke-4 PE (4) = e4 / Y4 = -2,228 / 40,740 = -5,5%
Untuk perhitungan Mean Absolute Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part, dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan bisa dibandingkan. 5.
Perhitungan Mean Absolute Deviation (MAD)
MAD =
∑ ΙeΙ n
MAD = 84,109 / 11 MAD = 7,646
43
6.
Perhitungan Mean Square Error (MSE) n
MSE =
∑ (Y
t
t =1
− Yˆt )
n
MSE = Sum Square Error (Periode 6 – 12) / 7 = 1,222,271,125/ 7 = 174,610,161
7.
Perhitungan Mean Absolute Percentage Error (MAPE) | Yt − Yˆt | ∑ Y t MAPE = t =1 n n
MAPE = Sum Absolute Percentage Error (Periode 6 – 12) / 7 = 152,3/ 7 = 21,76 8.
Perhitungan Tracking Signal (TS)
TS = TS
RSFE (Periode 6) MAD(Periode 6) = -8,984 / 1,797 = -5
44
Tabel 4.8
Single Moving Average (3 Periode)
Single Moving Average (3 Periode) Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001)
Forecast tperiode
Error
Ratio of running sum of forecast errors
Cummulat Absolute Mean ive Percentag Square Error Percentag Absolute Absolute e Error e error Error Error
Month
Periode
Actual data
M Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
t 1 2 3 4 5 6 7 8 9 10 11 12
Yt 34,650 52,990 41,265 40,740 41,301 38,044 47,249 61,565 67,860 40,305 54,355 45,352
Ŷt
et
RSFE
Ie tI
Σ Ie I
e t2
e t/Yt
APE (%)
MAD
TS
42,968 44,998 41,102 40,028 42,198 48,952 58,891 56,577 54,173
-2,228 -3,698 -3,058 7,221 19,367 18,908 -18,586 -2,222 -8,821
-2,228 -5,926 -8,984 -1,764 17,604 36,511 17,925 15,704 6,882
2,228 3,698 3,058 7,221 19,367 18,908 18,586 2,222 8,821
2,228 5,926 8,984 16,205 35,572 54,480 73,066 75,288 84,109
4,965,469 13,672,492 9,353,199 52,135,620 375,094,892 357,501,119 345,436,918 4,936,395 77,812,981
-5.5 -9.0 -8.0 15.3 31.5 27.9 -46.1 -4.1 -19.5
5.5 9.0 8.0 15.3 31.5 27.9 46.1 4.1 19.5
743 1,481 1,797 2,701 5,082 6,810 8,118 7,529 7,646
-3.00 -4.00 -5.00 -0.65 3.46 5.36 2.21 2.09 0.90
436,771
429,888 Mean Square Error (MSE):
MAPE (%)
21.76
Sum
Absolute Error
174,610,161
Tracking Signal
45
4.2.3 Peramalan permintaan metode Weighted Moving Averages. Perhitungan peramalan dengan menggunakan metode Weighted Moving Average tidak jauh berbeda dengan metode Moving Average biasa. Hanya untuk perhitungan peramalan diberikan bobot yang bertujuan untuk memberikan penekanan yang lebih pada nilai terkini. Perhitungan peramalan dengan metode ini ditunjukkan pada lampiran 2. Berikut perhitungan peramalan dengan metode Weighted Moving Average : 1.
2.
Penentuan Bobot untuk 3 Periode : n-1
=3
n-2
=2
n-3
=1
Perhitungan nilai peramalan periode-4 adalah sebagai berikut : Ŷ4 = {(Y1x1) + (Y2x2) + (Y3x3)}/3 = {(34,650x1)+(52,990x2)+(41,265x3)}/3 = 44,071 Unit
3.
Perhitungan error untuk data periode ke-4 adalah sebagai berikut :
e4 = Y4 – Ŷ4 = 40,740 – 44,071 = -3,331 Unit
46
4.
Perhitungan RSFE periode ke-4 (Ratio of running sum of forecast errors) RSFE (4) = RSFE (3) + e4 = 0 + (-3,331) = -3,331 RSFE (5) = RSFE (4) + e5 = -3,331) + (-1,656) = -4,987
5.
Perhitungan persentase error periode ke-4 PE (4) = e4 / Y4 = -3,331 / 40,740 = -8,2%
Sama dengan metode Moving Average, untuk perhitungan Mean Absolute Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part, dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan bisa dibandingkan.
6.
Perhitungan Mean Absolute Deviation (MAD) MAD =
∑ ΙeΙ n
MAD = 78, 997 / 11 MAD = 7,182
47
7.
Perhitungan Mean Square Error (MSE) n
MSE =
∑ (Y
t
t =1
− Yˆt )
n
MSE = Sum Square Error (Periode 6 – 12) / 7 = 1,160,368,259 / 7 = 165,766,894 8.
Perhitungan Mean Absolute Percentage Error (MAPE) n
MAPE =
∑ t =1
| Yt − Yˆt | Yt n
MAPE = Sum Absolute Percentage Error (Periode 6 – 12) / 7 = 147,8 / 7 = 21,11 %
9.
Perhitungan Tracking Signal (TS)
TS = TS
RSFE (Periode 6 ) MAD(Periode 6) = -8,051 / 1,610 = -5
48
Tabel 4.9
Single Moving Average Weighted (3 Periode)
Single Moving Average Weighted (3 Periode) Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001)
Forecast tperiode
Error
Ratio of running sum of forecast errors
Absolute Error
Cummulat ive Absolute Error
Square Error
Absolute Mean Percentag Percentag Absolute e Error e error Error
Tracking Signal
Month
Periode
Actual data
M Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
t 1 2 3 4 5 6 7 8 9 10 11 12
Yt 34,650 52,990 41,265 40,740 41,301 38,044 47,249 61,565 67,860 40,305 54,355 45,352
Ŷt
et
RSFE
Ie tI
Σ Ie I
e t2
e t/Yt
APE (%)
MAD
TS
44,071 42,957 41,108 39,579 43,189 52,873 62,326 53,034 51,923
-3,331 -1,656 -3,064 7,670 18,376 14,987 -22,021 1,321 -6,570
-3,331 -4,987 -8,051 -381 17,995 32,982 10,961 12,283 5,712
3,331 1,656 3,064 7,670 18,376 14,987 22,021 1,321 6,570
3,331 4,987 8,051 15,721 34,097 49,084 71,106 72,427 78,997
11,094,451 2,742,226 9,389,628 58,827,366 337,679,214 224,624,157 484,932,515 1,746,318 43,169,061
-8.2 -4.0 -8.1 16.2 29.8 22.1 -54.6 2.4 -14.5
8.2 4.0 8.1 16.2 29.8 22.1 54.6 2.4 14.5
1,110 1,247 1,610 2,620 4,871 6,136 7,901 7,243 7,182
-3.00 -4.00 -5.00 -0.15 3.69 5.38 1.39 1.70 0.80
436,771
431,058 Mean Square Error (MSE):
MAPE (%)
21.11
Sum
165,766,894
49
4.2.4 Peramalan permintaan metode Single Eksponential Smoothing
Metode Single Smoothing Exponential memerlukan nilai α. Disini nilai α ditentukan 0,2. Menurut Makridakis (1999,p85), untuk menemukan nilai α yang optimal memerlukan beberapa percobaan. Hasil perhitungan peramalan dengan metode ini ditunjukkan pada lampiran 3. Disini diasumsikan bahwa Ŷ1 = Y1 karena nilai Ŷ1 belum dapat diketahui. Perhitungan peramalan dengan metode Single Exponential Smoothing adalah sebagai berikut : 1. Perhitungan nilai peramalan untuk periode ke-2 adalah sebagai berikut Yˆt = Yˆt −1 + α (Yt −1 − Yˆt −1 )
Ŷ2 = 34,650 + 0,2 (34,650-34,650) = 34,650 Perhitungan nilai peramalan untuk periode ke-3 sebagai berikut : Ŷ3 = 34,650 + 0.2 (52,990-34,650) = 38,318 2. Perhitungan error untuk data ke-3 sebagai berikut :
e3 = Y3 – Ŷ3 = 41,265 – 38,318 = 2,947 Unit
50
3. Perhitungan RSFE periode ke-3 (Ratio of running sum of forecast errors) RSFE (3) = RSFE (2) + e3 = 18,340 + 2,947 = 21,287 4. Perhitungan persentase error periode ke-3 PE (3) = e3 / Y3 = 2,947 / 41,265 = 7,1% Sama dengan metode Moving Average dan Weighted Moving Average untuk perhitungan Mean Absolute Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part, dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan bisa dibandingkan.
6.
Perhitungan Mean Absolute Deviation (MAD)
MAD =
∑ ΙeΙ n
MAD = 97, 950 / 11 MAD = 8,886
51
7.
Perhitungan Mean Square Error (MSE) n
MSE =
∑ (Y
t
t =1
− Yˆt )
n
MSE = Sum Square Error (Periode 6 – 12) / 7 = 1,154,851,142 / 7 = 164,978,735
8.
Perhitungan Mean Absolute Percentage Error (MAPE) n
MAPE =
∑ t =1
| Yt − Yˆt | Yt n
MAPE = Sum Absolute Percentage Error (Periode 6 – 12) / 7 = 131,6 / 7 = 18,8 % 9.
Perhitungan Tracking Signal (TS) TS =
TS
RSFE (Periode 6 ) MAD(Periode 6)
= 23,511 / 5,356 = 4,39
52
Tabel 4.10
Single Exponential Smoothing
Single Exponential Smoothing Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001) α: 0.2 Forecast tperiode
Error
Ratio of running sum of forecast errors
Absolute Error
Cummulati ve Absolute Error
Square Error
Absolute Mean Percentag Percentag Absolute e Error e error Error
Month
Periode
Actual data
M Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
t 1 2 3 4 5 6 7 8 9 10 11 12
Yt 34,650 52,990 41,265 40,740 41,301 38,044 47,249 61,565 67,860 40,305 54,355 45,352
Ŷt
et
RSFE
Ie tI
Σ Ie I
e t2
e t/Yt
APE (%)
MAD
TS
34,650 34,650 38,318 38,907 39,274 39,679 39,352 40,931 45,058 49,619 47,756 49,076
18,340 2,947 1,833 2,027 -1,636 7,896 20,634 22,802 -9,313 6,599 -3,723
18,340 21,287 23,120 25,146 23,511 31,407 52,041 74,843 65,529 72,129 68,405
18,340 2,947 1,833 2,027 1,636 7,896 20,634 22,802 9,313 6,599 3,723
18,340 21,287 23,120 25,146 26,782 34,679 55,312 78,114 87,427 94,026 97,750
336,355,600 8,684,809 3,358,423 4,107,837 2,675,436 62,354,068 425,744,102 519,929,101 86,736,381 43,548,259 13,863,794
34.6 7.1 4.5 4.9 -4.3 16.7 33.5 33.6 -23.1 12.1 -8.2
34.6 7.1 4.5 4.9 4.3 16.7 33.5 33.6 23.1 12.1 8.2
18,340 10,644 7,707 6,287 5,356 5,780 7,902 9,764 9,714 9,403 8,886
1.00 2.00 3.00 4.00 4.39 5.43 6.59 7.66 6.75 7.67 7.70
436,771
389,652 Sum Square Error :
MAPE (%)
18.80
Sum
1,154,851,142
Tracking Signal
53
4.2.5 Peramalan permintaan metode Eksponential Smoothing adjusted with Trend Holts Method Perhitungan peramalan dengan menggunakan metode Eksponential Smoothing adjusted with Trend Holts Method, menggunakan asumsi α = 0,2 dan
β = 0,5. Hasil perhitungan peramalan dengan metode ini ditunjukkan pada lampiran 4. Disini diasumsikan bahwa Ŷ1 = Y1 karena nilai Ŷ1 belum dapat diketahui. Nilai T1 diasumsikan 1000. Perhitungan peramalan dengan metode Eksponential Smoothing adjusted with Trend Holts Method adalah sebagai berikut
1. Peramalan dengan eksponensial yang dihaluskan
Yˆt = αYt −1 + (1 − α )(Yˆt −1 + Tt −1 ) Yˆ2 = (0,2 x 34,650) + (1-0,2) x ( 34,650+1000) = 35,450 Unit 2. Trend dengan eksponensial yang dihaluskan Tt = β (Yˆt − Yˆt −1 ) + (1 − β )Tt −1
T2 = 0,5 (35,450-34,650)+(1-0,5) x 1000 = 900 Unit 3. Peramalan dengan Trend untuk periode ke-2 adalah : FITt = Yˆt + Tt ) FIT2 = 35,450 + 900
= 36,350 Unit
54
3. Perhitungan error untuk data ke-2 sebagai berikut :
e2
= Y2 - FIT2 = 52,990 – 36,350 = 16,640 Unit
4. Perhitungan RSFE periode ke-2 (Ratio of running sum of forecast errors) RSFE (2) = RSFE (1) + e2 = 0 + 16,640 = 16,640 Perhitungan RSFE periode ke-3 RSFE (3) = RSFE (2) + e3 = 16,640 + (-1,097) = 15,543
5. Perhitungan persentase error periode ke-2 PE (2) = e2 / Y2 = 16,640 / 52,990 = 31,4% Perhitungan persentase error periode ke-3 PE (3) = e3 / Y3 = (-1,097) / 41,265 = -2,7%
55
Sama dengan metode Moving Average, Weighted Moving Average dan Single Exponential Smoothing, untuk perhitungan Mean Absolute Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part, dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan bisa dibandingkan.
6.
Perhitungan Mean Absolute Deviation (MAD) MAD =
∑ ΙeΙ n
MAD = 91, 374 / 11 MAD = 8,307
7.
Perhitungan Mean Square Error (MSE) n
MSE =
∑ (Y
t
t =1
− Yˆt )
n
MSE = Sum Square Error (Periode 6 – 12) / 7 = 945,624,397 / 7 = 135,089,200
8.
Perhitungan Mean Absolute Percentage Error (MAPE) n
MAPE =
∑ t =1
| Yt − Yˆt | Yt n
MAPE = Sum Absolute Percentage Error (Periode 6 – 12) / 7
56
= 138,3 / 7 = 19,76 %
9.
Perhitungan Tracking Signal (TS) TS = TS
RSFE (Periode 6 ) MAD(Periode 6) = 6,573 / 5,341 = 1,23
57
Tabel 4.11
Exponential Smoothing adjusted with Trend Holts Method
Eksponential Smoothing adjusted with Trend Holts Method Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001) α: β: 0.2 0.5
Error
Ratio of running sum of forecast errors
FITt
et
RSFE
1,000 900 2,604 1,853 1,314 1,024 479 1,134 2,714 3,704 975 1,190
35,650 36,350 42,362 42,712 42,950 43,392 42,783 45,227 51,101 56,786 52,301 53,922
16,640 -1,097 -1,972 -1,649 -5,349 4,466 16,338 16,759 -16,481 2,054 -8,570
16,640 15,543 13,571 11,922 6,573 11,039 27,377 44,136 27,655 29,709 21,139
14,388
431,175 Sum Square Error :
Forecast Forecast tTrend Include periode Adjusment Trend
Month
Periode
Actual data
M Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
t 1 2 3 4 5 6 7 8 9 10 11 12
Yt 34,650 52,990 41,265 40,740 41,301 38,044 47,249 61,565 67,860 40,305 54,355 45,352
Ŷt
Tt
34,650 35,450 39,758 40,859 41,636 42,369 42,304 44,093 48,387 53,082 51,326 52,732
436,771
416,787
Sum
Cummulati Absolute Mean Absolute ve Percentage Square Error Percentage Absolute Error Absolute Error error Error Error
Tracking Signal
Ie tI
Σ Ie I
e t2
e t/Yt
APE (%)
MAD
TS
16,640 1,097 1,972 1,649 5,349 4,466 16,338 16,759 16,481 2,054 8,570 63,095
16,640 17,737 19,709 21,358 26,707 31,173 47,511 64,270 80,750 82,804 91,374
276,889,600 1,203,409 3,889,178 2,719,960 28,608,367 19,942,202 266,938,142 280,854,243 271,618,030 4,218,948 73,444,467
31.4 -2.7 -4.8 -4.0 -14.1 9.5 26.5 24.7 -40.9 3.8 -18.9
31.4 2.7 4.8 4.0 14.1 9.5 26.5 24.7 40.9 3.8 18.9
16,640 8,869 6,570 5,340 5,341 5,195 6,787 8,034 8,972 8,280 8,307
1.00 1.75 2.07 2.23 1.23 2.12 4.03 5.49 3.08 3.59 2.54
945,624,397 MAPE (%)
19.76
58
4.2.6 Peramalan permintaan metode Eksponential Smoothing adjusted for Trend & Seasonal variation : Winters Model
Perhitungan dengan menggunakan metode Eksponential smoothing Adjusted for Trend & Seasonal variation : Winters Model, menggunakan asumsi
α = 0,2 dan β = 0,5 dan γ = 0,3. Hasil perhitungan peramlan dengan metode ini ditunjukkan pada lampiran 5. Disini diasumsikan bahwa Ŷ1 = Y1 karena nilai Ŷ1 belum dapat diketahui. Nilai T1 diasumsikan 1000, nilai initial smoothed adalah 1. Perhitungan untuk periode ke-2 dengan metode Eksponential smoothing Adjusted for Trend & Seasonal variation : Winters Model adalah sebagai berikut : 1.
Pemulusan Eksponential Y Yˆt = α t + (1 − α )(Yˆt −1 + Tt −1 ) St−L
52,990 Yˆ2 = 0,2 + (1 − 0,2)(34,650 + 1000) 1
Yˆ2 = 39,118
41,265 Yˆ3 = 0,2 + (1 − 0,2)(39,118 + 2,734) 1 Yˆ2 = 41,735 2.
Perkiraan kecendrungan Tt = β (Yˆt − Yˆt −1 ) + (1 − β )Tt −1
T2 = 0,5 (35,450-34,650)+(1-0,5) x 1000 = 900 Unit
59
T3 = 0,5 (39,118-34,650)+(1-0,5) x 1000 = 2,734 Unit
3.
Perkiraan nilai musiman S2 = γ
Yt + (1 − γ ) S t − L Yˆt
S 2 = 0,3
52,990 + (1 − 0,3)1 39,118
S 2 = 1,11
4.
Peramalan pada periode 3 adalah Yˆt + p = Yˆt + pTt ) S t − L+ p
Yˆ2+1 = 39,118 + 1(2,734)1
Yˆ2+1 = 41,852
Peramalan pada periode 4 adalah Yˆ3+1 = 41,735 + 1(2,675)1 Yˆ3+1 = 44,410
60
5.
Perhitungan error untuk data ke-2 sebagai berikut :
e2
= Yt - Yˆt + p = 52,990 – 35,650 = 17,340 Unit
6.
Perhitungan RSFE periode ke-2 (Ratio of running sum of forecast errors) RSFE (2) = RSFE (1) + e2 = 0 + 17,340 = 17,340 Perhitungan RSFE periode ke-3 RSFE (3) = RSFE (2) + e3 = 17,340 + (-587) = 16,753
7.
Perhitungan persentase error periode ke-2 PE (2) = e2 / Y2 = 17,340 / 52,990 = 32,7% Perhitungan persentase error periode ke-3 PE (3) = e3 / Y3 = -587 / 41,265 = -1,4 %
61
Sama dengan metode Moving Average, Weighted Moving Average, Single Exponential Smoothing dan Eksponential Smoothing adjusted with Trend Holts Method untuk perhitungan Mean Absolute Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part, dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan bisa dibandingkan.
8.
Perhitungan Mean Absolute Deviation (MAD) MAD =
∑ ΙeΙ n
MAD = 102, 199 / 11 MAD = 9,291
9.
Perhitungan Mean Square Error (MSE) n
MSE =
∑ (Y
t
t =1
− Yˆt )
n
MSE = Sum Square Error (Periode 6 – 12) / 7 = 1,084,827,113 / 7 = 154,975,302
10.
Perhitungan Mean Absolute Percentage Error (MAPE) n
MAPE =
∑ t =1
| Yt − Yˆt | Yt n
62
MAPE = Sum Absolute Percentage Error (Periode 6 – 12) / 7 = 155,8 / 7 = 22,26 %
11.
Perhitungan Tracking Signal (TS) TS = TS
RSFE (Periode 6 ) MAD(Periode 6) = -444 / 7,025 = -0.06
63
Tabel 4.12
Exponential Smoothing adjusted for Trend & Seasonal variation : Winters Model
Eksponential Smoothing adjusted for Trend & Seasonal variation : Winters Model Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001) α: β: 0.2 0.5 γ:
Month
Periode
Actual data
M Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
t 1 2 3 4 5 6 7 8 9 10 11 12
Yt 34,650 52,990 41,265 40,740 41,301 38,044 47,249 61,565 67,860 40,305 54,355 45,352
Sum
0.3
Forecast Forecast Trend Seasonal Include t-periode Adjusment value Trend
Error
Ratio of Cum running Absolute Absolute sum of Error Error forecast errors
Square Error
% Error
Mean Absolute Absolute % error Error
Tracking Signal
Ŷt
Tt
St
Ŷt+p
et
RSFE
Ie tI
Σ Ie I
e t2
e t/Yt
APE (%)
MAD
TS
34,650 39,118 41,735 43,676 45,048 45,119 46,309 50,219 55,740 55,858 57,207 56,201
1,000 2,734 2,675 2,308 1,840 956 1,073 2,491 4,006 2,062 1,706 350
1.00 1.11 1.00 0.98 0.98 0.95 1.01 1.07 1.07 0.92 0.99 0.94
34,650 35,650 41,852 44,410 45,984 46,887 46,074 47,382 52,710 59,746 57,920 58,913
17,340 -587 -3,670 -4,684 -8,844 1,174 14,183 15,150 -19,441 -3,565 -13,561
17,340 16,753 13,083 8,400 -444 730 14,913 30,063 10,622 7,057 -6,504
17,340 587 3,670 4,684 8,844 1,174 14,183 15,150 19,441 3,565 13,561
17,340 17,927 21,597 26,280 35,124 36,299 50,481 65,632 85,073 88,638 102,199
300,675,600 344,569 13,468,166 21,935,453 78,214,231 1,379,042 201,153,504 229,525,534 377,953,157 12,711,433 183,890,212
32.7 -1.4 -9.0 -11.3 -23.2 2.5 23.0 22.3 -48.2 -6.6 -29.9
32.7 1.4 9.0 11.3 23.2 2.5 23.0 22.3 48.2 6.6 29.9
17,340 8,964 7,199 6,570 7,025 6,050 7,212 8,204 9,453 8,864 9,291
1.00 1.87 1.82 1.28 -0.06 0.12 2.07 3.66 1.12 0.80 -0.70
436,771 455,376
16,792
460,028 Mean Square Error (MSE):
154,975,302 MAPE (% 22.26
64
4.2.
Perbandingan Uji Pola Data dengan 5 Metode Peramalan
Berdasarkan hasil perhitungan dengan lima metode peramalan tersebut, maka didapat nilai MAD, MAPE dan MSE untuk masing-masing data yang ditunjukkan pada tabel 4.13. Keterangan tabel : SMA 3
: Single Moving Average (3 Periode)
SMA 3 W
: Single Moving Average Weighted (3 Periode)
SMA 4
: Single Moving Average (4 Periode)
SMA 4 W
: Single Moving Average Weighted (4 Periode)
SMA 5
: Single Moving Average (5 Periode)
SMA 5 W
: Single Moving Average Weighted (5 Periode)
SES
: Single Exponential Smoothing
EST
: Exponential Smoothing adjusted with Trend Holts Method
ESTS
: Exponential Smoothing adjusted for Trend & Seasonal Variation : Winters Model
Nilai MAD terkecil, sebagian besar berada di metode Single Weighted Moving Averages 5 Periode. Nilai MAPE terkecil, sebagian besar berada di Exponential Smoothing adjusted for Trend & Seasonal variation : Winters Model. Sedangkan nilai MSE terkecil, sebagian besar juga berada di Exponential Smoothing adjusted for Trend & Seasonal variation : Winters Model. Sehingga dapat disimpulkan, pola data untuk kesepuluh part tersebut adalah pola kecendrungan (Trend).
65
Tabel 4.13 No Part Name
SMA 3
SMA 3 W
SMA 4
SMA 4 W
SMA 5
SMA 5 W
SES
EST
ESTS
MAD MAPE MSE MAD MAPE MSE MAD MAPE MSE MAD MAPE MSE MAD MAPE MSE MAD MAPE MSE MAD MAPE MSE MAD MAPE MSE MAD MAPE MSE
Perbandingan hasil uji pola data
1 2 3 5 COLLAR, GUIDE, SHAFT GEAR SHIFT CLUTCH CENTER ROCKER ARM DRUM OUTER CLUTCH 7,646 16,845 28,877 57,753 21.76 26.11 26.11 26.11 174,610,161 613,205,161 1,802,072,311 7,208,289,245 7,182 16,920 29,005 58,010 21.11 26.13 26.13 26.13 165,766,894 685,745,425 2,015,251,862 8,061,007,450 7,160 18,081 30,997 61,993 21.45 27.22 27.22 27.22 171,382,463 677,641,204 1,991,435,376 7,965,741,502 6,991 17,316 29,684 59,369 21.24 26.57 26.57 26.57 163,272,200 672,086,222 1,975,110,530 7,900,442,120 6,692 17,389 29,811 59,621 19.69 29.75 29.75 29.75 161,033,345 826,658,058 2,429,362,456 9,717,449,825 6,804 15,789 27,067 54,134 20.73 27.63 27.63 27.63 159,415,057 712,100,281 2,092,702,866 8,370,811,464 8,886 26,714 45,796 91,592 18.80 33.46 33.46 33.46 164,978,735 1,178,541,046 3,463,467,564 13,853,870,258 8,307 22,043 39,518 81,457 19.76 29.10 30.02 30.67 135,089,200 832,385,797 2,617,216,810 10,977,658,835 9,291 15,165 26,801 54,773 22.26 21.44 21.85 22.13 154,975,302 497,453,278 1,480,176,716 5,975,329,146
4
6
7
PUMP PIVOT OIL
PIN PISTON
BOSS,DRIVE FACE
19,251 26.11 800,921,027 19,337 26.13 895,667,494 20,664 27.22 885,082,389 19,790 26.57 877,826,902 19,874 29.75 1,079,716,647 18,045 27.63 930,090,163 30,531 33.46 1,539,318,918 25,538 29.37 1,109,413,812 17,477 21.56 652,103,531
31,804 20.96 2,843,713,161 33,351 21.59 3,081,827,531 33,241 20.85 3,021,829,043 32,857 21.29 2,999,189,417 32,988 22.53 3,480,776,277 30,862 21.70 3,105,375,502 52,438 26.49 4,707,227,282 45,700 24.04 3,710,825,214 34,666 18.97 2,568,357,506
5,031 19.83 59,963,187 4,626 17.97 51,933,729 4,989 20.34 70,433,632 4,617 18.92 57,516,244 4,704 19.27 72,022,768 4,558 19.03 60,728,887 5,367 18.13 78,991,090 4,973 16.50 44,552,589 5,962 20.56 63,448,902
8 SHAFT COMP,OIL PUMP 5,031 19.83 59,963,187 4,626 17.97 51,933,729 4,989 20.34 70,433,632 4,617 18.92 57,516,244 4,704 19.27 72,022,768 4,558 19.03 60,728,887 5,367 18.13 78,991,090 4,973 16.50 44,552,589 5,962 20.56 63,448,902
9 BUSH,M STAND 10,061 19.83 239,852,749 9,251 17.97 207,734,918 9,977 20.34 281,734,527 9,234 18.92 230,064,977 9,408 19.27 288,091,070 9,115 19.03 242,915,546 10,733 18.13 315,964,360 10,011 16.62 208,379,840 12,322 21.71 274,806,018
10 SHAFT,IN ROCKER ARM 5,031 19.83 59,963,187 4,626 17.97 51,933,729 4,989 20.34 70,433,632 4,617 18.92 57,516,244 4,704 19.27 72,022,768 4,558 19.03 60,728,887 5,367 18.13 78,991,090 4,973 16.50 44,552,589 5,962 20.56 63,448,902
66
4.3.
Penentuan Metode Peramalan
Berdasarkan tabel perbandingan hasil uji pola data diatas, dimana pola permintaan part dari PT Astra Honda Motor menunjukkan pola kecendrungan (Trend) dengan dasar nilai MSE dan MAPE terkecil sebagian besar berada di metode Exponential Smoothing adjusted for Trend & Seasonal variation : Winters Model. Mengacu pada tabel 2.1 terdapat beberapa metode peramalan untuk pola data kecendrungan. Dalam penilitian ini akan dibahas metode Exponential Smoothing adjusted for Trend & Seasonal variation : Winters Model, Brown’s Linear Eksponential Smoothing dan Linear Regression. Berdasarkan ketiga metode tersebut akan dipilih metode peramalan pola data trend yang paling efektif.
4.5
Perhitungan Metode Peramalan untuk Pola Data Kecendrungan
Untuk menentukan metode peramalan yang paling sesuai untuk data permintaan part dari PT Astra Honda Motor tersebut, maka dilakukan perhitungan untuk ketiga metode tersebut. Nilai MSE, MAD dan MAPE terkecil akan menjadi dasar pemilihan metode terbaik.
4.5.1 Linear Regression
Berikut ini perhitungan peramalan dengan metode Linear Regression . Pada sub bab ini hanya ditampilkan perhitungan untuk 1 part (Guide Clutch Outer) saja. Sedangkan perhitungan untuk part lainnya terdapat pada lampiran 12.
67
1. Perhitungan Slope dan intersep
b=
∑ t (Y ) − n(t − bar )(Y − bar ) ∑ t − n(t − bar )
b=
3,841,337 − 12(6.5)(47,140) 650 − 12(6.5) 2
t
t
2
2
b = 1,149.77
a = (Yt − bar ) − b(t − bar ) a = 47,140 – (1,149.77 x 6.5) a = 39,666.13
2. Nilai peramalan untuk periode t=2 (Februari 2006) adalah : Yˆt = a + bt
Yˆ2 = 39,666.13 + (1,149.77 × 2)
Yˆ2 = 41,966
3. Perhitungan error untuk periode t=2 (Februari 2006) adalah :
e2
= Yt - Yˆt + p = 52,990 – 41,966 = 11,024 Unit
68
4. Perhitungan Mean Absolute Deviation (MAD) MAD =
∑ ΙeΙ n
MAD = 87,225 / 12 MAD = 7,269
5. Perhitungan Mean Square Error (MSE) n
MSE =
∑ (Y
t
t =1
− Yˆt )
n
MSE = Sum Square Error/12 = 932,813,410 / 12 = 77,734,451 6. Perhitungan Mean Absolute Percentage Error (MAPE) n
MAPE =
∑ t =1
| Yt − Yˆt | Yt n
MAPE = Sum Absolute Percentage Error / 12 = 180.6/ 12 = 15 %
69
4.5.2 Brown’s Linear Eksponential Smoothing
Perhitungan
dengan
menggunakan
metode
Brown’s
Eksponential
Smoothing menggunakan asumsi α = 0.2. Pada sub bab ini hanya ditampilkan perhitungan untuk 1 part (Guide Clutch Outer) saja. Sedangkan perhitungan untuk part lainnya terdapat pada lampiran 13. Diasumsikan bahwa A1, A2 = Y1 Contoh perhitungan peramalan untuk periode ke-3. 1. Perhitungan Single smoothed statistic At1 = α (Yt ) + (1 − α ) At1−1 A21 = 0.2(52,990) + (1 − 0.2)34,650 A21 = 38,318
2. Perhitungan Double smoothed statistic At2 = α ( S t1 ) + (1 − α ) At2−1 A22 = 0.2(38,318) + (1 − 0.2)34,650 A22 = 35,384
3. Perhitungan perbedaan nilai pemulusan ( at ) at = 2 At1 − At2 a3 = 2(38,318) − 35,384 = 41,252
70
4. Perhitungan Slope (Adjustment Factor bt ) bt = bt =
α 1−α
( At1 − At2 )
0.2 (38,318 − 35,384) 1 − 0.2
= 733.6 5. Nilai peramalan untuk periode t=5 adalah : Yˆt + p = (a + bt T ) Yˆ4+1 = (341,822 + 637,1(1) Yˆ4+1 = 42,459
6. Perhitungan error untuk periode t=5 adalah :
e5
= Yt - Yˆt = 41,301 – 42,459 = -1,159 Unit
5. Perhitungan Mean Absolute Deviation (MAD) MAD =
∑ ΙeΙ n
MAD = 77,212 / 11 MAD = 7,019
71
6. Perhitungan Mean Square Error (MSE) n
MSE =
∑ (Y
t
t =1
− Yˆt )
n
MSE = Sum Square Error/12 = 1,091,261,132 / 12 = 109,126,113
7. Perhitungan Mean Absolute Percentage Error (MAPE) | Yt − Yˆt | ∑ Y t MAPE = t =1 n n
MAPE = Sum Absolute Percentage Error / 12 = 155.7/ 12 = 15.6 %
4.5.2 Eksponential Smoothing adjusted for Trend & Seasonal variation : Winters Model Perhitungan dengan menggunakan metode Eksponential smoothing Adjusted for Trend & Seasonal variation : Winters Model, menggunakan asumsi
α = 0,2 dan β = 0,5 dan γ = 0,3. Hasil perhitungan peramlan dengan metode ini ditunjukkan pada lampiran 13. Disini diasumsikan bahwa Ŷ1 = Y1 karena nilai Ŷ1 belum dapat diketahui. Nilai T1 diasumsikan 1000, nilai initial smoothed adalah 1. Perhitungan untuk periode ke-2 dengan metode Eksponential smoothing Adjusted for Trend & Seasonal variation : Winters Model adalah sebagai berikut :
72
1. Pemulusan Eksponential Y Yˆt = α t + (1 − α )(Yˆt −1 + Tt −1 ) St−L
52,990 Yˆ2 = 0,2 + (1 − 0,2)(34,650 + 1000) 1 Yˆ2 = 39,118
41,265 Yˆ3 = 0,2 + (1 − 0,2)(39,118 + 2,734) 1 Yˆ2 = 41,735
2. Perkiraan kecendrungan Tt = β (Yˆt − Yˆt −1 ) + (1 − β )Tt −1 T2 = 0,5 (35,450-34,650)+(1-0,5) x 1000 = 900 Unit
T3 = 0,5 (39,118-34,650)+(1-0,5) x 1000 = 2,734 Unit
3. Perkiraan nilai musiman S2 = γ
Yt + (1 − γ ) S t − L Yˆ t
S 2 = 0,3
52,990 + (1 − 0,3)1 39,118
S 2 = 1,11
73
4. Peramalan pada periode 3 adalah Yˆt + p = Yˆt + pTt ) S t − L+ p
Yˆ2+1 = 39,118 + 1(2,734)1 Yˆ2+1 = 41,852 Peramalan pada periode 4 adalah Yˆ3+1 = 41,735 + 1(2,675)1 Yˆ3+1 = 44,410 8. Perhitungan error untuk data ke-2 sebagai berikut :
e2
= Yt - Yˆt + p = 52,990 – 35,650 = 17,340 Unit
9. Perhitungan RSFE periode ke-2 (Ratio of running sum of forecast errors) RSFE (2) = RSFE (1) + e2 = 0 + 17,340 = 17,340 Perhitungan RSFE periode ke-3 RSFE (3) = RSFE (2) + e3 = 17,340 + (-587) = 16,753
74
10. Perhitungan persentase error periode ke-2 PE (2) = e2 / Y2 = 17,340 / 52,990 = 32,7% Perhitungan persentase error periode ke-3 PE (3) = e3 / Y3 = -587 / 41,265 = -1,4 %
11. Perhitungan Mean Absolute Deviation (MAD) MAD =
∑ ΙeΙ n
MAD = 102, 199 / 11 MAD = 9,291
12.
Perhitungan Mean Square Error (MSE) n
MSE =
∑ (Y t =1
t
− Yˆt )
n
MSE = Sum Square Error / = 1,421,250,902 / 12 = 129,204,627
75
13.
Perhitungan Mean Absolute Percentage Error (MAPE) | Yt − Yˆt | ∑ Y t MAPE = t =1 n n
MAPE = Sum Absolute Percentage Error / 12 = 210,3 / 12 = 19,12 %
4.6
Perbandingan Metode Peramalan untuk Pola Data Kecendrungan
Dari hasil perhitungan ketiga metode peramalan untuk pola data kecendrungan tersebut, yaitu Linear Regression, Brown’s Linear Eksponential Smoothing dan Eksponential Smoothing adjusted for Trend & Seasonal variation : Winters Model. Berikut adalah hasil perbandingan perhitungan ketiga metode peramalan tersebut :
75
Tabel 4.14
No
Part Name
1 GUIDE, CLUTCH OUTER
Perbandingan hasil peramalan Pola Kecendrungan
LINEAR
BLES
ESTS
MAD
MAPE
MSE
MAD
MAPE
MSE
MAD
MAPE
MSE
7,930
15.05
77,734,451
7,019
15.57
109,126,113
9,291
19.12
129,204,627
2 COLLAR, CENTER CLUTCH 11,928 15.72
226,552,523
16,838 22.54
503,219,654
15,165 20.59
402,177,795
3 SHAFT ROCKER ARM
20,448 15.72
665,787,007
28,866 22.54
1,478,849,595
26,801 21.27
1,211,808,023
5 GEAR SHIFT DRUM
40,896 15.72
2,663,148,028
57,731 22.54
5,915,398,381
54,773 21.78
4,936,030,945
4 PUMP PIVOT OIL
13,632 15.72
295,905,336
19,244 22.54
657,266,487
17,477 20.77
529,180,108
6 PIN PISTON
28,167 13.40
1,122,378,086
32,493 17.07
2,122,069,318
34,666 17.49
2,020,559,333
7 BOSS,DRIVE FACE
4,400
12.00
25,134,031
5,389
16.80
44,336,036
5,962
17.61
44,531,328
8 SHAFT COMP,OIL PUMP
4,400
12.00
25,134,031
5,389
16.80
44,336,036
5,962
17.61
44,531,328
9 BUSH,M STAND 10 SHAFT,IN ROCKER ARM
8,800
12.00
100,536,126
10,778 16.80
177,344,145
12,322 17.99
189,974,194
4,400
12.00
25,134,031
5,389
44,336,036
5,962
44,531,328
Keterangan : Linear BLES ESTS
16.80
: Linear Regression : Brown's Linear Ek sponential Regression : Ek sponential Smoothing Adjusted for Trend & Seasonal Variation : Winters
17.61
76
Berdasarkan perbandingan hasil metode peramalan untuk pola data kecendrungan. Didapat kesimpulan bahwa dari ketiga metode peramalan untuk pola data kecendrungan (Trend), yang mempunyai nilai MAD, MAPE dan MSE terkecil terpusat pada metode Linear Regression. Maka dari ketiga metode tersebut, metode yang paling sesuai untuk diaplikasikan adalah metode Linear Regression.
4.7
Perhitungan kapasitas produksi
Setelah peramalan permintaan dari PT Astra Honda Motor diketahui, maka langkah berikutnya yang harus dilakukan dalam pembuatan rencana produksi adalah penghitungan kapsitas produksi untuk masing-masing part. Perhitungan kapasitas produksi dilakukan dengan mencari jumlah produksi terkecil dari setiap process. Pada umumnya jumlah produksi terkecil terdapat pada proses yang memiliki waktu proses terlama (Bottleneck). Berikut data perhitungan kapasitas produksi per hari untuk setiap part
4.7.1 Perhitungan waktu kerja yang tersedia per hari
Total waktu kerja yang tersedia per hari adalah sebagai berikut : •
Senin – Jumat : 3 Shift (Shift Normal) o Shift 1
: Pkl 06.00 ~ 14.00 WIB : 8 Jam = 28,800 detik
o Shift 2
: Pkl 14.00 ~ 22.00 WIB : 8 Jam = 28,800 detik
77
o Shift 3
: Pkl 22.00 ~ 06.00 WIB : 8 Jam = 28,800 detik
Total waktu kerja yang tersedia per hari pada Senin sampai dengan Jumat (shift normal) adalah 86,400 detik. •
Sabtu o Shift 1
: 2 Shift ( Shift Pendek) : Pkl 06.00 ~ 11.00 WIB : 5 Jam = 18,000 detik
o Shfit 2
: Pkl 11.00 ~ 16.00 WIB : 5 Jam = 18,000 detik
Total waktu kerja yang tersedia per hari pada Sabtu (shift pendek) adalah 36,000 detik.
4.7.2 Perhitungan kapasitas produksi per proses
Dari data waktu kerja yang tersedia dan data urutan proses pembuatan part, maka dilakukan penghitungan hasil produksi untuk setiap proses. Pada penghitungan output produksi, ditetapkan efisiensi produksi per shift (Sisa waktu kerja yang terbuang) sebesar 85 % dan tidak ada kekurangan kapasitas untuk proses-proses yang disubkontrakkan. Berikut perhitungan hasil produksi untuk part Guide clutch outer. Sedangkan perhitungan untuk part lainnya terdapat pada lampiran 14.
78
Nama Part : Guide Clutch Outer Proses : 1. Turning Kapasitas Desain •
•
Kapasitas desain per shift (Senin-Jumat) : =
Total waktu kerja yang tersedia - Total jam istirahat Total waktu proses
=
28,800 - 3,600 = 1,200 pcs/shift 21
Kapasitas desain per hari (Senin-Jumat) : = Kapasitas desain per shift x Jumlah shift per hari = 1,200 x 3 = 3,600 pcs/hari
Kapasitas efektif •
Kapasitas efektif per shift (Senin-Jumat) : = Kapasitas desain x Efisiensi produksi = 1,200 x 0,85 = 1,020 pcs/shift
•
Kapasitas efektif per hari (Senin-Jumat) : = Kapasitas efektif per shift x Jumlah shift per hari = 1,020 x 3 = 3,060 pcs/shift
79
2. Chamfering Kapasitas Desain •
•
Kapasitas desain per shift (Senin-Jumat) : =
Total waktu kerja yang tersedia - Total jam istirahat Total waktu proses
=
28,800 - 3,600 = 5,040 pcs/ shift 5
Kapasitas desain per hari (Senin-Jumat) : = Kapasitas desain per shift x Jumlah shift per hari = 5,040 x 3 = 15,120 pcs/hari
Kapasitas efektif •
Kapasitas efektif per shift (Senin-Jumat) : = Kapasitas desain x Efisiensi produksi = 5,040 x 0,85 = 4,284 pcs/shift
•
Kapasitas efektif per hari (Senin-Jumat) : = Kapasitas efektif per shift x Jumlah shift per hari = 4,284 x 3 = 12,852 pcs/shift
3. Grinding Kapasitas Desain •
Kapasitas desain per shift (Senin-Jumat) : =
Total waktu kerja yang tersedia - Total jam istirahat Total waktu proses
80
= •
28,800 - 3,600 = 5,040 pcs/ shift 5
Kapasitas desain per hari (Senin-Jumat) : = Kapasitas desain per shift x Jumlah shift per hari = 5,040 x 3 = 15,120 pcs/hari
Kapasitas efektif •
Kapasitas efektif per shift (Senin-Jumat) : = Kapasitas desain x Efisiensi produksi = 5,040 x 0,85 = 4,284 pcs/shift
•
Kapasitas efektif per hari (Senin-Jumat) : = Kapasitas efektif per shift x Jumlah shift per hari = 4,284 x 3 = 12,852 pcs/shift
Dari hasil perhitungan kapasitas efektif untuk setiap proses untuk part Guide clutch outer, maka dapat disimpulkan bahwa output maksimal adalah output untuk proses terlama (bottleneck) yaitu sebanyak 3,060 pcs/hari. Berikut adalah data total kapasitas efektif untuk setiap part.
81
Tabel 4.15
Data Kapasitas Aktual CAPACITY Senin-Jumat
OP 1 2 3 4
1 2 3 4
PROCESS NAME GUIDE CLUTCH OUTER Turning Chamfering Grinding LCN or GSN SUBTOTAL COLLAR CENTER CLUTCH Turning Chamfering Grinding LCN or GSN SUBTOTAL
1 2 3 4 5 6
SHAFT ROCKER ARM Turning Chamfering Tapping Grinding Carburizing Grinding SUBTOTAL
1 2 3
GEAR SHIFT DRUM Turning Carburizing Grinding SUBTOTAL
1
PIVOT OIL PUMP Turning SUBTOTAL
1 2 3 4 5 6
PIN PISTON Turning Chamfering Grinding Carburizing Grinding I Grinding II SUBTOTAL
Sabtu
Total
Total
S1-2-3
S1-2
Per Minggu
Per Bulan
3,060 12,852 12,852
1,457 6,120 6,120
16,757 70,380 70,380
67,029 281,520 281,520
3,060
1,457
16,757
67,029
1,947 12,852 12,852
927 6,120 6,120
10,664 70,380 70,380
42,655 281,520 281,520
1,947
927
10,664
42,655
2,380 16,065 10,710 16,065
1,133 7,650 5,100 7,650
13,033 87,975 58,650 87,975
52,133 351,900 234,600 351,900
16,065 2,380
7,650 1,133
87,975 13,033
351,900 52,133
16,065
7,650
87,975
351,900
64,260 16,065
30,600 7,650
351,900 87,975
1,407,600 351,900
1,428 1,428
680 680
7,820 7,820
31,280 31,280
2,380 16,065 9,180
1,133 7,650 4,371
13,033 87,975 50,271
52,133 351,900 201,086
8,033 8,033 2,380
3,825 3,825 1,133
43,988 43,988 13,033
175,950 175,950 52,133
82
Tabel 4.15
Data Kapasitas Aktual (Cont..) CAPACITY Senin-Jumat
OP
PROCESS NAME
1 2 3 4 5 6 7
BOSS DRIVE FACE Turning Chamfer Induction Grinding awalan Hard Chrome Turning I.D Grinding SUBTOTAL
1 2 3 4 5
SHAFT COMP OIL PUMP Turning Milling + Drill LCN Assy1 (Shaft + Sprocket) Assy2 (Shaft + Roller) SUBTOTAL
1 2 3 4 5
BUSH M STAND Turning Chamfering Hardening Grinding Zinc Plating SUBTOTAL
1 2 3 4 5 6 1 2 3 4 5 6
SHAFT IN ROCKER ARM Turning Milling Ulir Milling Alur Milling Radius Grinding Hardening SUBTOTAL Turning Chamfering Grinding Carburizing Grinding I Grinding II SUBTOTAL
Sabtu
Total
Total
S1-2-3
S1-2
Per Minggu
Per Bulan
1,071 8,033
510 3,825
5,865 43,988
23,460 175,950
10,710
5,100
58,650
234,600
1,460 12,852 1,071
695 6,120 510
7,998 70,380 5,865
31,991 281,520 23,460
1,339 1,353
638 644
7,331 7,408
29,325 29,634
10,710 12,852 1,339
5,100 6,120 638
58,650 70,380 7,331
234,600 281,520 29,325
1,397 8,033
665 3,825
7,650 43,988
30,600 175,950
9,180
4,371
50,271
201,086
1,397
665
7,650
30,600
1,071 1,836 2,008 2,142 12,852
510 874 956 1,020 6,120
5,865 10,054 10,997 11,730 70,380
23,460 40,217 43,988 46,920 281,520
1,071 2,380 16,065 9,180
510 1,133 7,650 4,371
5,865 13,033 87,975 50,271
23,460 52,133 351,900 201,086
8,033 8,033 2,380
3,825 3,825 1,133
43,988 43,988 13,033
175,950 175,950 52,133
83
4.7.3 Perbandingan data kapasitas aktual vs Demand
Dari data kapasitas yang sudah diperoleh dari penghitungan kapasitas aktual. Kemudian data tersebut dibandingkan dengan permintaan pelanggan (demand). Hal ini bertujuan untuk mengetahui apakah kapasitas yang ada saat ini sudah mencukupi untuk pemenuhan permintaan pelanggan. Data ini merupakan acuan dalam pembuatan perencanaan produksi untuk masa yang akan datang, terutama dalam perencanaan kapasitas jangka panjang, maupun perencanaan investasi. Berikut perbandingan data kapasitas aktual terhadap permintaan pelanggan untuk part Guide Clutch Outer. Adapun data perbandingan kapasitas aktual terhadap permintaan pelanggan untuk part lainnya ditampilkan pada lampiran 16. Tabel 4.16 Perbandingan Kapasitas vs Demand Jan 34,650 67,028
Demand Kapasitas
Feb 52,990 67,028
Mar 41,265 67,028
Apr 40,740 67,028
GUIDE,CLUTCH OUTER May Jun Jul 41,301 38,044 47,249 67,028 67,028 67,028
Aug 61,565 67,028
Sep 67,860 67,028
Oct 40,305 67,028
Nov 54,355 67,028
Perbandingan Demand vs Kapasitas Guide Clutch Outer 80,000 70,000
Quantity
60,000 50,000 Demand
40,000
Kapasitas
30,000 20,000 10,000 1
2
3
4
5
6
7
8
9
10
11
12
Periode
Grafik 4.2 Perbandingan Kapasitas vs Demand
Dec 45,352 67,028
84
4.8
Perhitungan Master Production Schedule (MPS)
Berdasarkan hasil perhitungan metode peramalan untuk pola kecendrungan, dimana metode linear regression merupakan metode yang paling sesuai untuk pola data untuk kesepuluh part tersebut. Maka langkah berikutnya, metode tersebut digunakan untuk penghitungan peramalan permintaan untuk periode 2 bulan kedepan, yaitu Januari dan Februari 2007. Data tersebut akan digunakan untuk Master Production Schedule (MPS). Berikut perhitungan MPS untuk periode Januari dan Februari 2007 Berdasarkan persamaan hasil perhitungan dengan metode regresi linear pada pembahasan sebelumnya yaitu : Yˆt = a + bt
Dimana a = 39,666.13 dan b = 1,149.77
Sehingga : Yˆt = 39,666.13 + 1,149.77(t )
Peramalan permintaan untuk periode Januari 2007 (periode 13) adalah : Yˆt = 39,666.13 + 1,149.77(t )
Yˆ13 = 39,666.13 + 1,149.77(13) Yˆ13 = 54,164 Pcs
Peramalan permintaan untuk periode Januari 2007 (periode 13) adalah : Yˆt = 39,666.13 + 1,149.77(t ) Yˆ14 = 39,666.13 + 1,149.77(14) Yˆ14 = 55,763 Pcs
85
Berdasarkan perhitungan peramalan diatas, maka Master Production Schedule untuk periode bulan januari dan februari 2007 adalah sebagai berikut :
Tabel 4.17
No 1 2 3 5 4 6 7 8 9 10
Master Production Schedule Januari dan Februari 2007
Part No 22115-KPH -9001 23112-GCE -9000-C1 14451-035-0002 24421-200-0002 15384-178-0001 13111-087-0002 22105-KVB -9000 15130-KVB -9000 11205-GBC -3000 14451-KVB -9000
Part Name
a
b
Guide Clutch Outer Collar Center Clutch Shaft Rocker Arm Gear Shift Drum Pump Pivot Oil Pin Piston Boss Drive Face Shaft Comp Oil Pump Bush M Stand Shaft In Rocker Arm
39,665 34,296 58,793 117,587 39,196 120,113 24,091 24,091 48,183 24,091
1,150 6,577 11,275 22,550 7,517 11,799 1,267 1,267 2,534 1,267
2007 Jan Feb 13 14 54,614 55,764 119,796 126,373 205,365 216,640 410,730 433,280 136,910 144,427 273,497 285,295 40,564 41,831 40,564 41,831 81,129 83,663 40,564 41,831
Total 110,379 246,170 422,005 844,010 281,337 558,792 82,396 82,396 164,791 82,396