BAB II LANDASAN TEORI

BAB II LANDASAN TEORI

2.1

Konsep Sistem Industri Manufaktur Dr. William Edward Deming, seorang guru manajemen kualitas dari Amerika

Serikat, pada bulan Agustus 1950 dalam suatu konferensi dengan manajemen puncak di hotel deYama, Mount Hakone, Jepang memperkenalkan suatu diagram yang memandang industri sebagai suatu system dan selanjutnya populer dengan nama Roda Deming (Deming’s Wheel). Dari roda deming dalam Gbr. 2.1 tampak bahwa berdasarkan informasi tentang keinginan konsumen (pasar) yang diperoleh dari riset pasar yang komprehensif, selanjutnya didesign produk sesuai dengan keinginan pasar tersebut. Design yang telah menghasilkan model dan spesifikasi itu selanjutnya di buat dalam proses produksi. Bagian produksi harus meningkatkan efisiensi dari proses dan kualitas produk, agar diperoleh produk-produk yang berkualitas sesuai dengan design yang telah ditetapkan berdasarkan keinginan pasar, dengan biaya serendah mungkin. Hal ini dapat dicapai dengan menghilangkan pemborosan (waste) yang terjadi dalam proses produksi, melalui perencanaan dan pengendalian proses produksi. Produk yang berkualitas serta sudah sesuai dengan spesifikasi desain tersebut kemudian di distribusikan melalui bagian pemasaran dengan harga yang kompetitif dan selanjutnya bagian pemasaran bertanggung jawab langsung kepada konsumen.

10

Tahap Kedua : Design Produk sesuai keinginan pasar (konsumen)

Tahap Pertama: Riset pasar untuk mengetahui keinginan pasar (konsumen)

Tahap Ketiga : Proses Produksi secara efektif & efisien sesuai design produk Tahap Keempat : Pemasaran Produk dgn pelayanan purna jual yg baik

Gbr 2.1 Roda Deming

System MRP II berawal dari perencanaan strategik bisnis yang terkait dengan peramalan permintaan (demand forecasting), perencanaan keuangan dan pemasaran. Selanjutnya bagian pemasaran, keuangan, dan produksi melalui suatu tim kerja sama akan mengembangkan rencana produksi dan jadwal produksi induk (Master Production Schedule= MPS) yang memenuhi permintaan pasar dengan menggunakan semua sumberdaya yang tersedia dalam perusahaan itu. Tim kerjasama ini harus mempertimbangkan sumber-sumber daya keuangan, pemasaran, dan manufacturing, ketika mengembangkan rencana produksi dan jadwal produksi induk. Berikutnya dilakukan beberapa perencanaan, yaitu: perencanaan produksi dan kebutuhan sumber daya (RRP), jadwal produksi induk (MPS), rough-cut capacity planning (RCCP),

11

perencanaan kebutuhan material (MRP), perencanaan kebutuhan kapasitas (CRP), dan pengendalian aktifitas produksi (PAC) 2.2

Konsep Dasar Sistem Produksi Produksi merupakan fungsi pokok dalam setiap organisasi, yang mencakup

aktifitas yang bertanggung jawab untuk menciptakan nilai tambah produk yang merupakan output dari setiap organisasi industri itu. Produksi adalah bidang yang terus berkembang selaras dengan perkembangan teknologi, dimana produksi memiliki suatu jalinan hubungan timbal balik (dua arah) yang sangat erat dengan teknologi. Produksi dalam sebuah organisasi pabrik merupakan inti yang paling dalam, spesifik serta berbeda dengan bidang fungsional lain seperti: keuangan, personalia dll. Sistem produksi memiliki komponen atau elemen struktural dan fungsional yang berperan penting dalam menunjang kontinuitas operasional sistem produksi itu. Komponen atau elemen struktural yang membentuk sistem produksi terdiri dari : bahan (material), mesin dan peralatan, tenaga kerja, modal, energi, informasi, tanah dan lain-lain. Sedangkan komponen atau elemen fungsional terdiri dari: supervisi, perencanaan, pengendalian, koordinasi, dan kepemimpinan, yang kesemuanya berkaitan dengan manajemen organisasi. Suatu sistem produksi selalu berada dalam lingkungan, sehingga aspek-aspek lingkungan seperti perkembangan teknologi, sosial, dan ekonomi, serta kebijakan pemerintah akan sangat mempengaruhi keberadaan sistem produksi itu. Seperti yang terlihat dalam Gambar 2.2 Skema Sistem Produksi di bawah ini.

12

LINGKUNGAN

PROSES

INPUT - Tenaga Kerja - Modal - Energi - Tanah - Informasi - Manajerial

OUTPUT

PROSES TRANSFORMASI NILAI TAMBAH

Produk barang dan/atau Jasa

Umpan Balik untuk pengendalian input, Proses, dan Teknologi

Gambar 2.2 Skema Sistem Produksi

2.3

Manajemen Permintaan Manajemen permintaan (demand management) didefinisikan sebagai suatu

fungsi pengelolaan dari semua permintaan produk untuk menjamin bahwa penyusun jadwal induk (master scheduler) mengetahui dan menyadari semua permintaan produk itu. Manajemen permintaan akan menjaring informasi yang berkaitan dengan peramalan (forecasting) order entry, order promissing, branch warehouse requirement, pesanan antar pabrik (inetrplant orders), dan kebutuhan untuk service part, seperti : suku cadang untuk pemeliharaan peralatan, keperluan-keperluan untuk bagian riset dan pengembangan produk, dll. Secara garis besar aktivitas-aktivitas dalam manajemen permintaan dapat dikategorikan ke dalam dua aktivitas utama,

13

yaitu: (1) pelayanan pesanan (order service) yang bersifat pasti, dan (2) peramalan (forecasting) yang bersifat tidak pasti. Pada dasarnya pelayanan pesanan (order service) merupakan suatu proses yang mencakup aktivitas-aktivitas penerimaan pesanan, pemasukan pesanan (order entry), serta membuat janji kepada pelanggan (order promissing) berkaitan dengan produk dari perusahaan. Proses pelayanan pesanan termasuk pula penerjemahan apa yang diinginkan oleh pelanggan kedalam bentu-bentuk yang digunakan oleh pihak pembuat produk (manufacturer). Atau pihak distributor. Pelayanan pesanan pada dasarnya bertanggung jawab untuk menaggapi kebutuhan pelanggan dan berinteraksi dengan penyusun jadwal induk guna menjamin ketersediaan produk. Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalam merupakan suatu dugaan terhadap permintaan yang akan datang berdasrkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis. Peramalan dapat menggunakan teknik-teknik peramalan yang bersifat formal maupun informal. Aktivitas peramalan ini sering disebut sebagai “ramalan penjualan (sales forecasting)”. Berdasarkan uraian diatas maka kita mengenal dua sumber utama yang berkaitan dengan informasi permintaan produki, yaitu: ramalan terhadap produk independent demand

yang bersifat tidak pasti (uncertain) dan pesanan-pesanan

(orders) yang bersifat pasti (certain). Pesanan-pesanan yang bersifat pasti ini antara lain: pesanan pelanggan, alokasi tertentu untuk area geografis (geographic area

14

allocation), service or spare parts and samples, distribution centre demands (or branch warehouse demands) dan lain-lain. Bagian penjualan bisanya melakukan perencanaan berdasarkan hasil-hasil ramalan penjualan, sehingga informasi yang dikirimkan dari bagian penjualan ke bagian production planning and inventory control (PPIC) seyogianya memisahkan antara permintaan yang dikembangkan berdasarkan rencana penjualan yang umumnya masih bersifat tidak pasti dan pesanan-pesanan yang bersifat pasti. Dengan demikian nantinya akan terdapat dua ketegori utama dalam manajemen permintaan, yaitu:

permintaan berdasarkan rencana penjualan atau ramalan penjualan yang

bersifat tidak pasti dan pesanan-pesanan yang bersifat pasti. Hal yang sangat penting untuk diperhatikan dalam manajemen permintaan adalah “Tidak Boleh mencoba meramalkan hasil-hasil yang dapat direncanakan atau dihitung”!. Dalam industri manufaktur dikenal adanya dua jenis permintaan yang sering disebut sebagai : (1) independent demand yaitu permintaan terhadap material, parts, atau produk, yang bebas atau tidak terkait langsung dengan struktur bill of material (BOM) untuk produk akhir atau item tertentu, (2) dependent demand yaitu permintaan terhadap material, parts, atau produk yang terkait langsung dengan atau diturunkan dari struktur bill of material untuk produk akhir atau item tertentu. Oleh ksrena itu aktivitas permalan hanya boleh dilakukan terhadap material atau item yang tergolong independent demand sedangkan untuk material atau item yang tergolong dalam dependent demand harus dihitung tidak boleh di ramalkan. Sehingga

15

timbul sebuah aturan dalam manajemen permintaan yaitu “Tidak boleh meramalkan apapun yang tergolong dalam Dependent demand”. Dalam sistem peramalan berlaku aturan bahwa semakin jauh periode di masa mendatang yang akan diramalkan dengan asumsi faktor-faktor yang lain tetap maka hasil ramalan akan semakin kurang akurat. Sehingga dalam melakukan peramalan haruslah

menggunakan

data

historis

sebanyak-banyaknya

untuk

megetahui

kencenderungan dari data tersebut serta meramalkan periode yang akan diramal sependek-pendeknya agar didapat tingkat akurasi yang baik. Dalam industri manufaktur pemilihan interval waktu mingguan dimaksudkan untuk peramalan jangka pendek, sedangkan interval waktu bulanan untuk peramalan jangka menengah dan interval waktu triwulan untuk peramalan jangka panjang Peramalan jangka panjang berkaitan dengan perencanaan bisnis, analisis fasilitas, proyek-proyek jangka panjang, produk-produk atau pasar-pasar baru, investasi modal dll. Karakteristik dari peramalan jangka panjang adalah : dilakukan analisis satu kali (one-time analysis), lebih banyak berdasarkan pertimbangan manajemen puncak, lebih bnayak menggunakan data eksternal (triwulan atau tahun), dilakukan oleh manajemen puncak (top management), dan dilakukan terhadap beberapa produk atau famili dari produk. Peramalan jangka menengah berkaitan dengan perencanaan angggaran, produksi, pembelian menggunakan blanket purchase oredr (BPO) dan lain-lain. Karakteristik dari peramalan jangka menengah adalah bersifat periodikal (data bulanan atau triwulanan), menggunakan teknik kuantitatif dan kualitatif, dilakukan

16

oleh managemen menengah dan dilakukan terhadap kelompok produk atau famili dari produk. Peramalan jangka pendek berkaitan dengan perencanaan distribusi inventori, perencanaan material, dan lain-lain. Karakteristik dari peramalan jangka pendek adalah: dilakukan secara teratur berulang, menggunakan data internal (harian atau mingguan), menggunakan teknik kuantitatif, dan dilakukan secara terperinci untuk banyak item atau stockkeeping units (SKUs). 2.3.1

Konsep Dasar Sistem Peramalan dalam Manajemen Permintaan Pada dasarnya terdapat sembilan langkah yang harus diperhatikan untuk

menjamin efektivitas dan efisiensi dari sisrem permalan dalam manajemen permintaan, yaitu: 1. Menentukan tujuan dari sistem peramalan. 2. Memilih item independent demand yang akan diramalkan. 3. Menentukan Horizon waktu dari peramalan (jangka pendek menengah atau panjang). 4. Memilih model-model peramalan. 5. Memperoleh data yang dibutuhkan untuk melakukan peramalan. 6. Validasi model peramalan. 7. Membuat peramalan. 8. Implementasi hasil peramalan. 9. Memantau keandalan hasil peramalan.

17

Tujuan dari metoda peramalan dalam manajemen permintaan adalah untuk meramalkan permintaan dari item-item independent demand di masa yang akan datang. Independent demand adalah item-item yang bebas atau tidak terkait langsuang dengan struktur bill of material (BOM) untuk produk akhir yang akan dibuat oleh industri manufaktur. Secara umum, metode peramalan dibagi ke dalam dua bagian besar yaitu : 1. Kualitatif. Metode ini tidak memerlukan data yang serupa dengan metode peramalan kuantitatif. Input yang dibutuhkan tergantung pada metode tertentu dan biasanya merupakan hasil dari pemikiran intuitif, perkiraan (judgement), dan pengetahuan yang telah didapat. Pendekatan ini seringkali memerlukan input dari sejumlah orang yang terlatih secara khusus. 2. Kuantitatif. Peramalan ini dapat diterapkan apabila tersedia informasi tentang masa lalu, data dalam bentuk numerik, dan diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa datang (assumption of continuity). Metode ini dibagi menjadi dua metode utama yaitu metode regresi (kausal) yang mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu hubungan sebab akibat dengan satu atau lebih variabel bebas dan metode deret waktu (time series) yang menduga masa depan berdasarkan nilai masa lalu dari suatu variable dan atau kesalahan masa lalu. Dalam penelitian ini, akan dibahas secara mendalam metode peramalan kuantitatif deret waktu.

18

Selanjutnya, untuk menentukan metode peramalan deret waktu yang tepat, perlu mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola data dapat dibedakan menjadi empat : 1. Pola horisontal (H) terjadi bilamana nilai data berfluktuasi di sekitar nilai ratarata yang konstan. (Deret seperti itu adalah “stasioner” terhadap nilai rataratanya.) Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Demikian pula, suatu keadaan pengendalian kualitas yang menyangkut pengambilan contoh dari suatu proses produksi kontinyu yang secara teoritis tidak mengalami perubahan juga termasuk jenis ini. 2. Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misal kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan dari produk seperti minuman ringan dan es krim menunjukkan pola ini. 3. Pola siklis ( C ) terjadi apabila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Penjualan produk seperti mobil, baja, dan peralatan utama lainnya menunjukkan jenis pola ini. 4. Pola tren (T) terjadi apabila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Penjualan banyak perusahaan, Produk domestik bruto, dan berbagai indikator bisnis atau ekonomi lainnya mengikuti suatu pola tren selama perubahannya sepanjang waktu.

19

Wa k t u

Pola Data Horisontal

Wa k t u

Pola Data Siklis

S

S

F

W

S

S

F

W

S

S

F

S

Wa k t u

Pola Data Musiman

Wa k t u

Pola Data Tren

Gambar 2.3 Ragam Pola Data Deret Berkala Sumber : Metode dan Aplikasi Peramalan

Teknik metode peramalan untuk masing-masing data menurut John E. Hanke tahun 1982 dalam buku Bussines Forecasting ditunjukan pada tabel 2.1.

20

Tabel 2. 1Teknik Pemilihan Metode Peramalan

METHOD

PATERN OF TIME TYPE OF DATA HORIZON MODEL

MINIMAL DATA REQUIREMENT NON SESONAL SEASONAL 1 30 4-20 2 3 4 2*L 5*L 10 10*V 5*L 10 10 10 10 6*L 24 3*L 24 30 6*L

Naïve ST,T, S S TS Simple Averages ST S TS Moving Averages ST S TS Exponential Smoothing ST S TS Linear Exponential Smoothing T S TS Quadratic Exponential Smoothing T S TS Seasonal Exponential Smoothing S S TS Adaptive Filtering S S TS Simple Regression T I C Multiple Regression C,S I C Clasiccal Decomposition S S TS Exponential trend Models T I, L TS S-curve fitting T I, L TS Gompertz models T I, L TS Growth Curves T I, L TS Census II S S TS Box-Jenkins ST, T, C, S S TS Leading Indicator C S C Econometric Model C S C Time Series Multiple Regression T, S I, L C Pattern of data: ST= Stationery, T= Trend, S= Seasonal, C= Cyclical Time Horizon: S= Short Term (Less than 3 months), I=Intermediate, L=Long Term Type of model: TS= Time Series, C=Causal Seasonal: L=Length of Seasonality

Sumber:Business Forecasting

2.3.2

Ketepatan Metode Peramalan Terdapat pertanyaan mendasar, bagaimana mengukur kesesuaian suatu

metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Dalam banyak situasi peramalan, ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode peramalan (Makridakis 1988, p39). Dalam banyak hal, kata “ketepatan (accuracy)” menunjuk ke “kebaikan suai”, yang pada akhirnya

21

penunjukan seberapa jauh model peramalan tersebut mampu memproduksi data yang telah diketahui. Dalam pemodelan deret berkala, sebagian data yang diketahui dapat digunakan untuk meramalkan sisa data berikutnya sehingga memungkinkan orang untuk mempelajari ketepatan ramalan secara lebih langsung. Bagi pemakai ramalan, ketepatan ramalan yang akan datang adalah yang paling penting. Bagi pembuat model, kebaikan suai model untuk fakta yang diketahui harus diperhatikan. Macam pertanyaan yang sering diajukan adalah : 1. Berapa ketepatan tambahan yang dapat dicapai dalam situasi tertentu melalui penggunaan teknik peramalan formal? 2. Untuk situasi yang diketahui, berapa banyak perbaikan dapat diperoleh dalam bentuk ketepatan ramalan? 3. Jika kesempatan untuk pencapai ketepatan yang lebih tinggi dalam situasi tertentu telah dipahami, bagaimana pengetahuan ini dapat membantu dalam pemilihan teknik peramalan yang tepat? Secara umum perhitungan kesalahan peramalan dapat dijabarkan sebagai berikut : et = Yt − Yˆt

dimana : et

= kesalahan pada periode ke-t

Yt

= nilai sesungguhnya pada periode ke-t

Yˆt

= nilai hasil peramalan pada periode ke-t

(2-1)

22

Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, maka akan terdapat n buah kesalahan dan ukuran statistik standar berikut dapat didefinisikan : Nilai Tengah Kesalahan Kuadrat (Mean Squared Error) n

∑ (Y − Yˆ

MSE =

t

t =1

t

(2-2)

n

Nilai Tengah Kesalahan Persentase Absolut (Mean Absolute Percentage Error) | Yt − Yˆt | ∑ Y t MAPE = t =1 n n

(2-3)

Simpangan Baku Kesalahan Absolut (Mean Absolute deviation) n

MAD = 2.3.3

∑ | Y − Yˆ | t =1

t

t

n

(2-4)

Metoda peramalan Terdapat banyak metode yang dapat digunakan untuk meramalkan kejadian

dimasa datang, antara lain adalah regresi linear, rata-rata bergerak, dan pemulusan eksponensial. 2.3.3.1 Metode Rata-Rata Bergerak (Moving Average) Model rata-rata bergerak 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

23

permintaan pasar terhadap produk akan tetap stabil sepanjang waktu. Metode rata-rata bergerak n periode menggunakan persamaan dibawah ini: Y + Yt −1 + Yt − 2 + Yt − n +1 Yˆt +1 = t n

(2-5)

Yˆt +1

= Nilai peramalan pada periode berikutnya

Yˆt

= Nilai aktual perintaan periode sebelumnya

n

= Periode dalam rata-rata bergerak

2.3.3.2 Metode Regresi Linear (Linear Regression) Model analisis garis kecenderungan dipergunakan sebagai peramalan apabila pola hitoris data actual permintaan menunjukan adanya suatu kecenderungan naik dari waktu ke waktu. Model analisis garis kecenderungan yang paling sederhana adalah menggunakan persamaan garis lurus (straight line equation), sebagai berikut: 1. Perhitungan slope b=

∑ t (Y ) − n(t − bar )(Y − bar ) ∑ t − n(t − bar ) t

t

2

2

(2-6)

2. Perhitungan intersep a = (Yt − bar ) − b(t − bar )

(2-7)

3. Nilai ramalan ramalan permintaan periode t Yˆt = a + bt

Dimana:

(2-8)

24

Yˆt

= Nilai ramalan pada periode t

a

= intersep

b

= Slope dari garis kecenderunga (trend line), merupakan tingkat perubahan dalam permintaan

t

= Indeks waktu

n

= Banyaknya periode

t-bar

= nilai rata-rata dari t

Yt

= Variable permintaan (data aktual)

Yt − bar = Nilai rata-rata permintaan per periode waktu 2.3.3.2 Metode Pemulusan Eksponensial Metode pemulusan eksponensial adalah metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai permintaan sebelumnya. Oleh karena itu, metode ini disebut sebagai prosedur pemulusan (smoothing) eksponensial. Metode ini terdiri dari tunggal, ganda, dan metode yang lebih sulit lainnya. Semua mempunyai sifat yang sama, yaitu nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding nilai permintaan sebelumnya. Dalam pemulusan (smoothing) eksponensial, terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil pilihan ini menentukan bobot yang dikenakan pada nilai observasi.

25

2.3.3.2.1

Single Exponential Smoothing

Metoda ini berdasarkan rata-rata (pemulusan) nilai ramalan sebelumnya dengan cara pembobotan. Pembobotan yang digunakan adalah nilai α dan 1- α. Nilai pembobotan α diberikan pada nilai observasi yang baru sedangkan 1- α dibobotkan pada nilai ramalan sebelumnya. Nilai α berada pada pada rentang 0 sampai dengan 1 (0< α<1). Metode ini cocok untuk peramalan dengan pola data stasioner. Pemulusan eksponensial tunggal menggunakan persamaan dibawah: Yˆt +1 = αY1 + (1 − α )Yˆt

(2-9)

Dimana: Yˆt +1

= Nilai peramalan pada periode berikutnya

α

= Konstanta pemulusan

Y1

= Nilai permintaan aktual

Yˆt

= Nilai peramalan yang dmuluskan pada periode sebelumnya

2.3.3.2.2

Brown’s Linear Exponential Smoothing

Peramalan dengan metode pemulusan tunggal (single Exponential smoothing) akan megakibatkan nilai ramalan cenderung tertinggal dari permintaan aktual untuk pola data dengan kecenderungan linier. Metode pemulusan eksponensial linier metode Brown akan menghasilkan nilai peramalan yang lebih baik untuk data dengan kecenderungan linier baik negatif maupun positif (Dale G. Bails, 1993). Pada dasarnya metode ini adalah menambahkan selisih antara nilai pemulusan pertama dan kedua. Persamaan untuk metode tersebut adalah:

26

Yˆt + p = (a t + bt T )

(2-10)

at = 2 At1 − At2

(2-11)

α ( At1 − At2 ) 1−α

(2-12)

At1 = α (Yt ) + (1 − α ) At1−1

(2-13)

At2 = α ( S t1 ) + (1 − α ) At2−1

(2-14)

bt =

Dimana: Yˆt + p

= Nilai peramalan pada periode berikutnya

at

= Selisih pemulusan pertama dan kedua

bt

= slope (adjusment factor)

T

= periode peramalan

2.3.3.2.3

Exponential smoothing Adjusted with Trend Holts Method

Metode peramalan ini digunakan untuk peramalan pola data kecenderungan (trend) dengan menggunakan dua parameter. Pada metode Brown pemulusan hanya menggunakan satu parameter sehingga perkiraan nilai pemulusan sangant sensistive terhadap pengaruh acak (John E. Hanke, 1982). Persamaan yang digunakan untuk metode ini adalah sebagai berikut: 1. Pemulusan Exponential At = αYt + (1 − α )( At −1 + Tt −1 ) 2. Perkiraan Kecenderungan (trend)

(2-15)

27

Tt = β ( At − At −1 ) + (1 − β )Tt −1

(2-16)

3. Peramalan pada perioda t+p adalah sebagai berikut: Yˆt + p = At + pTt

(2-17)

Dimana: At

= Nilai Pemulusan baru

α

= Konstanta pemulusan (0<α<1)

Yt

= Nilai Peramalan Aktual pada periode t

β

= Konstanta pemulusan trend (0<β<1)

T1

= Nilai perkiraan trend

p

= periode peramalan

Yˆt + p

= Nilai peramalan pada periode berikutnya Persamaan yang pertama hampir sama dengan metode pemulusan

eksponensial tunggal, tetapi kemudian ditambah dengan nilai perkiraan trend (Tt). Nilai trend terseut diperoleh dari selisih antara nilai pemulusan (At-At-1). Konstanta pemulusan kedua β digunakan untuk perkiraan nilai trend yaitu dengan mengalikan nilai (At-At-1) dengan niliai β kemudian ditambahkan dengan perkalian (1- β). Perkiraan nilai trend adalah pemulusan untuk nilai trend bukan pemulusan terhadap aktual data.

28

2.3.3.2.4

Exponential Smoothing Adjusted for Trend & Seasonal variation :

Winters Model.

Metode ini digunakan untuk pola data musiman (seasonal). Metode ini merupakan lanjutan dari metode Holt dua parameter. Perbedaannya hanya pada penambahan satu parameter untuk nilai musiman (seasonality). Nilai musiman ini diperoleh dari perkalian antara seasonal indeks (Yt/At) dengan konstanta musiman γ kemudian ditambahkan dengan perkalian nilai musiman sebelumnya (St-L) dengan (1-γ). Persamaan yang digunakan adala sebagai berikut: 1. Pemulusan Exponential At = α

Yt + (1 − α )( At −1 + Tt −1 ) St −L

(2-18)

2. Perkiraan kecenderungan Tt = β ( At − At −1 ) + (1 − β )Tt −1

(2-19)

3. Perkiraan nilai musiman S4 = γ

Yt + (1 − γ ) S t − L At

(2-20)

4. Peramalan pada perioda 5 adalah sebagai berikut: Yˆt + p = ( At + pTt ) S t − L + p Dimana : At

= Nilai Pemulusan baru

α

= Konstanta pemulusan (0<α<1)

(2-21)

29

Yt

= Nilai Peramalan Aktual pada periode t

β

= Konstanta pemulusan trend (0<β<1)

T1

= Nilai perkiraan trend

γ

= Konstanta pemulusan seasonal

St

= Nilai seasonal perkiraan

p

= periode peramalan

L

= Panjang Musiman

Yˆt + p

= Nilai peramalan pada periode berikutnya

2.4

Material Requirement Planning (MRP)

Perencanaan kebutuhan material (MRP) adalah metode penadwalan untuk purchased planned order dan manufactured lanned order. (Vincent Gaspersz, 2004). Terdapat dua hal yang sekaligus ingin dicapai oleh MRP, yaitu ingin memenuhi penjadwalan produksi dan pengendalian persediaan. MRP akan menjamin secara tepat sistem prioritas yang harus diperhatikan dalam merancang produksi dan dengan cepat memberikan informasi apabila diperlukan peninjauan kembali terhadap penjadwalan karena adanya perubahan-perubahan yang tidak terduga. 2.4.1

Format MRP

Terdapat bermacam-macam format MRP. Intinya, format MRP harus memberikan informasi yang dibutuhkan secara tepat. Tabel 2.2 menunjukkan contoh format MRP yang akan digunakan dalam penelitian ini.

30

Tabel 2.2 Format MRP Bulan

Juni 2005

Periode

0

1

2

3

Juli 2005 4

5

6

7

Agustus 2005 8

9

10

11

12

Net Requirement Projected On Hand Planned Order Receipt Planned Order Release

Sumber : Line Balancing Trisakti

Dimana : 1. Bulan

: Nama bulan yang akan dihitung MRP-nya.

2. Periode

: Pemecahan waktu perhitungan (dalam hal ini bulan dipecah dalam minggu).

3. Net Requrement

: Permintaan yang akan terjadi.

4. Projected On Hand

: Stok yang direncanakan.

5. Planned Order Receipt

: Rencana penerimaan barang yang diorder.

6. Planned Order Release

: Rencana Pelemparan order.

2.5

Sistem pemesanan

Salah satu alasan utama mengapa perusahaan mempunyai persediaan adalah agar perusahaan dapat membeli atau membuat item dalam jumlah yang paling ekonomis. Informasi yang diperlukan untuk menentukan kebijakn persediaan optimum adalah parameter sebagai berikut: 1. Permintaan 2. Biaya persediaan

31

3. Tenggang waktu Pertanyaan mendasar yang harus dijawab dalam sstem persediaan adalah “berapa banyak” dan “kapan” melakukan pemesanan. 2.5.1

Lot Sizing

Lot sizing (lotting) merupakan suatu algoritma Heuristics yang mencoba untuk mencari jumlah pesanan yang optimal berdasarkan pertimbangan : 1. Biaya pesan Biaya yang harus dikeluarkan setiap kali memesan barang ke supplier, atau biaya setup yang terjadi setiap kali ada pergantian proses produksi dari satu produk ke produk lainnya. 2. Biaya simpan Adalah biaya yang harus dikeluarkan karena harus menyimpan barang. Biayabiaya yang termasuk kelompok ini misalnya listrik, pajak, premi asuransi, biaya tenaga kerja yang mengawasi persediaan, dan lain-lain. Metode ini sangat berguna untuk mencari biaya yang serendah mungkin dalam perhitungan untuk pemesanan barang. Penting untuk diingat bahwa dalam mencari metode lot sizing yang terbaik digunakan perbandingan total biaya yang terdiri dari biaya simpan dan biaya pesan. Sedangkan biaya pembelian tidak dapat digunakan sebagai perbandingan dalam mencari metode terbaik. Tetapi apabila metode terbaik sudah diperoleh, maka dalam total biaya dapat dimasukkan biaya pembelian.

32

Dalam penelitian ini akan menggunakan tiga metode lot sizing. Dimana ketiga metode ini sudah sangat umum digunakan karena mudah dan cepat dalam penggunaannya. 2.5.1.1 Metode Economic Order Quantity (EOQ)

Metode ini pertama kali dicetuskan oleh Ford Harris pada tahun 1915, tetapi lebih dikenal dengan nama metode Wilson, karena dikembangkan oleh Wilson pada tahun 1934. Metode ini digunakan untuk menghitung minimasi total biaya persediaan berdasarkan persamaan tingkat atau titik equilibrium kurva biaya simpan dan biaya pesan. Rumusan untuk menentukan jumlah EOQ adalah : Q* =

2CR H

(2-22)

Dimana: Q*

= Nilai EOQ (jumlah pesanan)

C

= Biaya setiap kali pesan

R

= Jumlah kebutuhan (demand)

H

= Biaya simpan per unit

Gambar 2.4 menunjukkan model persediaan untuk metode EOQ. Order dilakukan apabila stok sudah mencapai titik reordering point.

persediaan

33

reordering point

a

b

c

d

e

f

waktu

Gambar 2.4 Model Sistem Persediaan Metode EOQ

Pada saat stok telah mencapai reorder point (a, c, dan e), maka langsung dilakukan order dengan jumlah Q*. Sehingga pada saat stok habis (b, d, dan f) barang yang diorder sudah diterima. Pemesanan kembali (reorder point) ditentukan berdasarkan kebutuhan selama tenggang waktu pemesanan. Persamaan berikut dapt digunakan untuk menentukan kapan melakukan pesanan apabila tenggang waktu pemesanan L ditentukan dalam bulan dan atau minggu. B=

RL = reorder point dalam bulan 12

(2-23)

B=

RL = reorder point dalam minggu 52

(2-24)

Jika jumlah pemesanan kembali (B) lebih kecil dari jumlah pesanan (Q) maka tidak akan terjadi kekurangan stok, dan jika pemesanan kembali(B) lebih besar dari jumlah pesanan (Q) maka akan terjadi kekurangan persediaan. Total biaya persediaan minimum dapat ditentukan dengan persamaan:

TC = PR + HQ * Dimana:

(2-25)

34

TC

= Total biaya persediaan

2.5.1.2 Metode Period Order Quantity (POQ)

Periodic order quantity (POQ) menentukan jumlah periode permintaan. POQ menggunakan logika yang sama dengan EOQ, tetepi POQ mengubah jumlah pesanan menjadi jumlah periode pesanan. Hasilnya adalah interval pemesanan tetap atau jumlah interval pemesanan teteap dengan jumlah interval pemesanan tetap dengan bilangan bulat (Integer) Untuk menentukan jumlah pesanan sistem POQ cukup dengan memproyeksikan jumlah kebutuhan setiap periode. Interval pemesanan ekonomis (EOI) dapat dihitung dengan persamaan berikut: EOI =

EOQ r

(2-26)

Dimana: EOI

= Economic Order Interval atau

EOQ = Jumlah permintaan ekonomis r

= rata-rata demand

Gambar 2.5 menunjukkan model persediaan untuk metode POQ. Order dilakukan mengikuti periode waktu yang telah ditentukan.

persediaan

35

a

b

c

d

e

f

g

h

i

waktu

= waktu order

Gambar 2.5 Model Persediaan Metode POQ

2.5.1.3 Metode Lot for Lot (L-4-L)

Metode lot for lot adalah pendekatan sederhana dalam menentukan jadwal pemesanan untuk setiap periode. Dalam membeli item jumlah yang dibutuhkan dapat ditentukan secara pasti untuk setiap periode, Dengan demikian item diperoleh dari periode ke periode. Pendekatan ini menghilangkan biaya penyimpanan, karena persediaan nol dalan setiap periode. Dalam LFL biaya pemesanan atau persiapan dianggap berbeda untuk setiap jumlah pemesanan. Anggapan ini cocok dengan item yang biaya simpannya besar dan biaya pemesanan kecil, seperti harga item yang tinggi atau item yang dibutuhkan hanya bersifat kadang. 2.6

Penjadwalan Produksi Induk (Master Production Schedule = MPS)

Master Production Schedule (MPS) adalah merupakan suatu pernyataan tentang produk akhir dari suatu perusahaan industri manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas dan periode waktu (Gaspersz

36

2002,p141). Aktivitas MPS pada dasarnya berkaitan dengan bagaimana menyusun dan memperbaharui MPS, memproses transaksi dari MPS, memelihara catatancatatan MPS, mengevaluasi efektivitas dari MPS, dan memberikan laporan evaluasi dalam periode waktu yang teratur untuk keperluan umpan-balik dan tinjauan ulang. MPS pada dasarnya berkaitan dengan aktivitas melakukan empat fungsi utama berikut : 1. Menyediakan atau memberikan input utama kepada sistem perancanaan kebutuhan material dan kapasitas. 2. Menjadwalkan pesanan-pesanan produksi dan pembelian (production and purchase order) untuk item-item MPS. 3. Memberikan landasan untuk penentuan kebutuhan sumber daya dan kapasitas. 4. Memberikan basis untuk pembuatan janji tentang penyerahan produk (delivery promise) kepada konsumen. Sebagai suatu aktivitas proses, MPS membutuhkan lima input utama, seperti yang ditunjukkan pada gambar 2.6 : 1. Data demand total merupakan salah satu sumber data bagi proses MPS. Data demand total berkaitan dengan ramalan penjualan (sales forecasts) dan pesanan-pesanan. 2. Status inventori berkaitan dengan informasi tentang on-hand inventory, stok yang dialokasikan untuk penggunaan tertentu (allocated stock), pesananpesanan produksi dan pembelian yang dikeluarkan (released production and purchase orders), dan firm planned orders. MPS harus mengetahui secara

37

akurat berapa banyak inventori yang tersedia dan menentukan berapa banyak yang harus diorder. 3. Rencana produksi memberikan sekumpulan batasan kepada MPS. MPS harus menjumlahkannya untuk menentukan tingkat produksi, inventori, dan sumbersumber daya lain dalam rencana produksi itu. 4. Data perencanaan berkaitan dengan aturan-aturan tentang lot-sizing yang harus digunakan, shrinkage factor, stok pengaman (safety stock), dan waktu tunggu (leadtime) dari masing-masing item yang biasanya tersedia dalam file induk dari item. 5. Informasi dari RCCP (Rough Cut Capacity Planning) berupa kebutuhan kapasitas untuk mengimplementasikan MPS menjadi salah satu input bagi MPS. Rough Cut Capacity Planning (RCCP ) INPUT: 1. Data Perimtaan Total 2. Status Inventori 3. Rencana Produksi 4. Data Perencanaan 5. Informasi dari RCCP

PROSES : Penjadwalan Produksi Induk (MPS )

Umpan Balik

Gambar 2.6 Proses MPS Sumber : Production Planning and Inventory Control

OUTPUT: Jadwal Produksi Induk (MPS )