L. 297
Lampiran 1 Diagram Alir Pemrosesan Pesanan Pelanggan
Mulai
Pembeli memesan produk dengan jumlah, waktu, dan harga yang diinginkan
Harga OK?
Ya
Tidak Bag. Pemasaran konfirmasi pada Direktur
Direktur Setuju ?
Ya
Tidak Bag. Pemasaran memberi penawaran pada pembeli
Pembeli Setuju ? Tidak Selesai
Ya
Bag. Pemasaran membuat Sales Order
A
L. 298 Lampiran 2 Diagram Alir Proses Produksi Berdasarkan Pesanan Pelanggan
Lampiran 3
L. 299 Peta Proses Operasi
L. 300
PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan
: : : :
General Tack Button Lubang Tengah Nickel Free 02 Devi Sagitaris 10 Oktober 2007
X
Usulan
Cap Logo
General
Paku Panjang
Brass Plate
Brass Plate
Brass Plate
0.84 s
Dicetak
O-3
Mesin Pounch Cap
1.00 s
Sekarang
Dicetak
0.84 s
O-2 Mesin Pounch General
Dicetak
O-1
Mesin Pounch Paku
Campuran kimia
0.131 s
Pencucian
O-4 Barrel Cuci
Campuran kimia
O-5 I-1
0.109 s
Plating Barrel Plating
Campuran kimia
0.103 s
O-6 I-2
Pemolesan Barrel Pemolesan
Pengeringan 0.046 s
O-7
0.047 s
O-8
0.070 s
O-9
0.043 s
O-10
Dryer
Vernis Mesin Laqer
Pengeringan Heat Dryer
Pendinginan Kipas
Washer Plastic Perakitan 1.26 s
O-11 Assembly Ambeng
Gudang
Kegiatan
Jumlah
Waktu
11
4.488 s
Inspeksi
2
-
Storage
1
-
14
4.488 s
Operasi
Total
L. 301
PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan
: : : :
Shake Tack Button Nickel Free 03 Devi Sagitaris 10 Oktober 2007
X
Sekarang Usulan
Cap Logo
Washer Flat
Cap Shake
Posh Shake
Paku Shake
Brass Plate
Alumunium Plate
Brass Plate
Brass Plate
Brass Plate
0.84 s
Dicetak
O-5
0.50 s
Mesin Pounch Cap
Dicetak
O-4
Mesin Pounch Washer
0.84 s
O-3
Dicetak Mesin Pounch Cap
0.84 s
Dicetak
0.84 s
O-2
Dicetak
O-1 Mesin Pounch Paku Shake
Mesin Pounch Posh Shake
Campuran kimia
0.164 s
Pencucian
O-6 Barrel Cuci
Campuran kimia
0.137 s
O-7 I-1
Plating Bak Plating
Campuran kimia
0.129 s
O-8 I-2
0.058 s
O-9
0.059 s
O-10
0.088 s
O-11
0.054 s
O-12
1.26 s
O-13
Pemolesan Tabung pemolesan
Pengeringan Dryer
Vernis Mesin Laqer
Pengeringan Heat Dryer
Pendinginan Kipas
Perakitan Mesin Assembly
Storage
Kegiatan
Jumlah
Waktu
Operasi
13
5.809 s
Inspeksi
2
-
Storage
1
-
Total
16
5.809 s
L. 302
PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan
: : : :
Shake Tack Button Lubang Tengah Nickel Free 04 Devi Sagitaris 10 Oktober 2007
X
Sekarang Usulan
Cap Logo
Cap Shake
Posh Shake
Paku Shake
Brass Plate
Brass Plate
Brass Plate
Brass Plate
0.84 s
Dicetak
O-4
Mesin Pounch Cap
0.84 s
O-3
Dicetak Mesin Pounch Cap
0.84 s
Dicetak
0.84 s
O-2
Dicetak
O-1 Mesin Pounch Paku Shake
Mesin Pounch Posh Shake
Campuran kimia
0.148 s
Pencucian
O-5 Barrel Cuci
Campuran kimia
0.124 s
O-6 I-1
Plating Bak Plating
Campuran kimia
0.117 s
O-7 I-2
0.052 s
O-8
0.053 s
O-9
0.040 s
O-10
0.048 s
O-11
1.26 s
O-12
Pemolesan Tabung pemolesan
Pengeringan Dryer
Vernis Mesin Laqer
Pengeringan Heat Dryer
Pendinginan Kipas
Perakitan Mesin Assembly
Storage
Kegiatan
Jumlah
Waktu
Operasi
12
5.242 s
Inspeksi
2
-
Storage
1
-
Total
15
5.242 s
L. 303
PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan
: : : :
Rivet Jamur Nickel Free 05 Devi Sagitaris 10 Oktober 2007
X
Sekarang Usulan
Cap Rivet
Rivet Jamur
Paku Rivet
Brass Plate
Brass Plate
Brass Plate
0.56 s
O-3
Dicetak Mesin Pounch Rivet Jamur
0.56 s
O-2
Dicetak
0.64 s
Dicetak
O-1
Mesin Pounch Rivet Jamur
Mesin Pounch Paku
Campuran kimia
0.038 s
Pencucian
O-4 Barrel Cuci
Campuran kimia
0.032 s
O-5 I-1
Plating Barrel Plating
Campuran kimia
0.030 s
O-6 I-1
Pemolesan Barrel pemolesan
Pengeringan 0.013 s
O-7
0.014 s
O-8
0.020 s
O-9
0.012 s
O-10
Dryer
Vernis Mesin Laqer
Pengeringan Heat Dryer
Pendinginan Kipas
Storage
Kegiatan
Jumlah
Waktu
Operasi
10
1.918 s
Inspeksi
2
-
Storage
1
-
Total
13
1.918 s
L. 304
PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan
: : : :
Rivet Finish Nickel Free 06 Devi Sagitaris 10 Oktober 2007
X
Sekarang Usulan
Rivet Finish
Paku Rivet
Brass Plate
Brass Plate
0.504 s
O-2
Dicetak
0.84 s
Dicetak
O-1
Mesin Pounch Rivet Finish
Mesin Pounch Paku
Campuran kimia
0.029 s
Pencucian
O-3 Barrel Cuci
Campuran kimia
0.024 s
O-4 I-1
Plating Barrel Plating
Campuran kimia
0.023 s
O-5 I-1
Pemolesan Barrel pemolesan
Pengeringan 0.010 s
O-6
0.010 s
O-7
0.016 s
O-8
0.010 s
O-9
Dryer
Vernis Mesin Laqer
Pengeringan Heat Dryer
Pendinginan Kipas
Storage
Kegiatan
Jumlah
Waktu
Operasi
9
1.467 s
Inspeksi
2
-
Storage
1
-
Total
12
1.467 s
L. 305
PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan
: : : :
Head Finish Nickel Free 07 Devi Sagitaris 10 Oktober 2007
X
Sekarang Usulan
Rivet Finish
Paku Rivet
Brass Plate
Brass Plate
0.504 s
O-2
Dicetak
0.84 s
Dicetak
O-1
Mesin Pounch Head Finish
Mesin Pounch Paku
Campuran kimia
0.026 s
Pencucian
O-3 Barrel Cuci
Campuran kimia
0.021 s
O-4 I-1
Plating Barrel Plating
Campuran kimia
0.020 s
O-5 I-1
Pemolesan Barrel pemolesan
Pengeringan 0.009 s
O-6
0.009 s
O-7
0.014 s
O-8
0.008 s
O-9
Dryer
Vernis Mesin Laqer
Pengeringan Heat Dryer
Pendinginan Kipas
Storage
Kegiatan
Jumlah
Waktu
Operasi
9
1.451 s
Inspeksi
2
-
Storage
1
-
Total
12
1.451 s
L. 306
PETA PROSES OPERASI Nama objek Nomor Peta Dipetakan Oleh Tanggal dipetakan
: : : :
Eyelet Nickel Free 08 Devi Sagitaris 10 Oktober 2007
X
Sekarang Usulan
Washer Eyelet
Posh Washer
Brass Plate
Brass Plate
0.504 s
O-2
Dicetak
0.84 s
Dicetak
O-1
Mesin Pounch Washer Eyelet
Mesin Pounch Posh Washer
Campuran kimia
0.026 s
Pencucian
O-3 Barrel Cuci
Campuran kimia
0.021 s
O-4 I-1
Plating Barrel Plating
Campuran kimia
0.020 s
O-5 I-1
Pemolesan Barrel pemolesan
Pengeringan 0.009 s
O-6
0.009 s
O-7
0.014 s
O-8
0.008 s
O-9
Dryer
Vernis Mesin Laqer
Pengeringan Heat Dryer
Pendinginan Kipas
Storage
Kegiatan
Jumlah
Waktu
Operasi
9
1.451 s
Inspeksi
2
-
Storage
1
-
Total
12
1.451 s
L. 307 Lampiran 4 Data Produksi untuk setiap produk periode tahun 2004 sampai dengan 2007
Data Produksi Tahun 2004 (dalam pieces) Produk GTB 14 -17 mm
September Oktober
November Desember
195,552
353,232
235,440
80,640
GTB 20 mm
80,064
0
18,000
48,240
GTB LT 14-17 mm
52,560
32,688
81,072
91,440
0
49,248
0
0
80,352
79,776
54,000
34,848
3,600
5,040
0
0
16,128
0
51,552
36,720
0
32,256
18,000
0
118,800
12,384
84,384
17,568
Rivet Jamur 9.5 mm
77,472
22,752
36,576
12,384
Rivet Finish 9.5 mm
199,440
95,760
76,032
37,008
Head Finish 9.5 mm
36,576
8,064
90,720
59,760
Eyelet 13 mm
76,608
73,728
65,088
19,440
Eyelet 14 mm
0
22,752
80,784
0
Eyelet 15 mm
50,976
0
18,000
36,864
Eyelet 5 mm
81,072
22,464
16,128
0
GTB LT 20 mm STB 14-17 mm STB 20 mm STB LT 14-17 mm STB LT 20 mm Rivet Jamur 9 mm
L. 308
L. 309
L. 310
L. 311 Lampiran 5 Data produk dan jenis bahan baku yang dibahas dalam penelitian Data jenis produk Jenis Produk
Diameter (mm)
Keterangan
General Tack Button
14, 15, 17, 20
GTB
General Tack Button Lubang Tengah
14, 15, 17, 20
GTB LT
Shake Tack Button
14, 15, 17, 20
STB
Shake Tack Button Lubang Tengah
14, 15, 17, 20
STB LT
Rivet Jamur
9, 9.5
Rivet Jamur
Rivet Finish
9.5
Rivet Finish
Head Finish
9.5
Head Finish
Eyelet
5, 13, 14, 15
Eyelet
Data jenis bahan baku Jenis Bahan Baku
Ketebalan (cm)
Kekerasan
Keterangan
Brass Plate
0.23
0
BP O = 0.23 x 0
Brass Plate
0.25
0
BP O = 0.25 x 0
Brass Plate
0.25
0.5
BP O = 0.25 x 0.5
Brass Plate
0.30
0.5
BP O = 0.30 x 0.5
Alumunium Plate
1.0
0
AL O = 1.0 x 0
∗ Kekerasan 0.5 berarti bahan baku cukup keras sehingga tidak mudah untuk dibentuk (ditekuk). Biasanya bahan baku dengan kekerasan 0.5 digunakan pada komponen cap, dengan tujuan agar bahan tidak mudah retak pada saat ditempa mold (cetakan untuk logo kancing pada bagian cap). ∗ Kekerasan 0 berarti bahan baku agak lunak, sehingga lebih mudah untuk ditekuk. Biasanya digunakan untuk komponen selain cap (paku, general, posh shake, dll).
L. 312 Lampiran 6 Gambar Struktur produk GTB dan rincian bahan bakunya
Struktur Produk GTB (General Tack Button) diameter 14mm, 15mm, 17mm, 20mm
Rincian bahan baku untuk produk GTB 14 mm General Tack Button (GTB) 14 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap
BP O = 0.3 x 0.5
0.774
1.267
Washer Flat
AL O = 1.0 x 0
0.339
0.552
General 14 mm
BP O = 0.25 x 0
0.570
1.273
Paku Panjang
BP O = 0.25 x 0
0.290
0.422
Rincian bahan baku untuk produk GTB 15 mm General Tack Button (GTB) 15 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap
BP O = 0.3 x 0.5
0.810
1.267
Washer Flat
AL O = 1.0 x 0
0.339
0.552
General 15 mm
BP O = 0.25 x 0
0.625
1.273
Paku Panjang
BP O = 0.25 x 0
0.290
0.422
L. 313 Rincian bahan baku untuk produk GTB 17 mm General Tack Button (GTB) 17 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap
BP O = 0.3 x 0.5
0.906
1.267
Washer Flat
AL O = 1.0 x 0
0.339
0.552
General 17 mm
BP O = 0.25 x 0
0.704
1.273
Paku Panjang
BP O = 0.25 x 0
0.290
0.422
Rincian bahan baku untuk produk GTB 20 mm General Tack Button (GTB) 20 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap
BP O = 0.3 x 0.5
1.023
1.428
Washer Flat
AL O = 1.0 x 0
0.339
0.552
General 20 mm
BP O = 0.25 x 0
0.875
1.601
Paku Panjang
BP O = 0.25 x 0
0.290
0.422
L. 314 Lampiran 7 Gambar Struktur produk GTB LT dan rincian bahan bakunya
Struktur Produk GTB LT diameter 14 mm, 15 mm, dan 17 mm
Rincian bahan baku untuk produk GTB LT 14 mm General Tack Button dengan Lubang Tengah (GTB LT) 14 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap Lubang
BP O = 0.3 x 0.5
0.796
1.314
General 14 mm
BP O = 0.25 x 0
0.570
1.273
Paku Panjang
BP O = 0.25 x 0
0.290
0.422
Rincian bahan baku untuk produk GTB LT 15 mm General Tack Button dengan Lubang Tengah (GTB LT) 15 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap Lubang
BP O = 0.3 x 0.5
0.854
1.314
General 15 mm
BP O = 0.25 x 0
0.625
1.273
Paku Panjang
BP O = 0.25 x 0
0.290
0.422
L. 315 Rincian bahan baku untuk produk GTB LT 17 mm General Tack Button dengan Lubang Tengah (GTB LT) 17 mm
Komponen
Berat Bersih
Berat Kotor
(gram)
(gram)
Jenis Bahan Baku
Cap Lubang
BP O = 0.3 x 0.5
0.960
1.314
General 17 mm
BP O = 0.25 x 0
0.704
1.273
Paku Panjang
BP O = 0.25 x 0
0.290
0.422
Struktur Produk GTB LT 20 mm
Rincian bahan baku untuk produk GTB LT 20 mm General Tack Button dengan Lubang Tengah (GTB LT) 20 mm
Komponen
Berat Bersih
Berat Kotor
(gram)
(gram)
Jenis Bahan Baku
Cap Lubang
BP O = 0.3 x 0.5
1.085
1.485
Poly washer
-
-
-
General 20 mm
BP O = 0.25 x 0
0.875
1.601
Paku Panjang
BP O = 0.25 x 0
0.290
0.422
L. 316 Lampiran 8 Gambar Struktur produk STB dan rincian bahan bakunya
Struktur Produk STB diameter 14mm, 15mm, 17mm, 20mm
Rincian bahan baku untuk produk STB 14 mm Shake Tack Button (STB) 14 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap
BP O = 0.3 x 0.5
0.774
1.267
Washer Flat
AL O = 1.0 x 0
0.339
0.552
Cap Shake
BP O = 0.23 x 0
0.660
1.288
Posh Shake
BP O = 0.23 x 0
0.288
0.421
Paku Shake
BP O = 0.25 x 0
0.220
0.398
L. 317 Rincian bahan baku untuk produk STB 15 mm Shake Tack Button (STB) 15 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap
BP O = 0.3 x 0.5
0.810
1.267
Washer Flat
AL O = 1.0 x 0
0.339
0.552
Cap Shake
BP O = 0.23 x 0
0.769
1.288
Posh Shake
BP O = 0.23 x 0
0.288
0.421
Paku Shake
BP O = 0.25 x 0
0.220
0.398
Rincian bahan baku untuk produk STB 17 mm Shake Tack Button (STB) 17 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap
BP O = 0.3 x 0.5
0.906
1.267
Washer Flat
AL O = 1.0 x 0
0.339
0.552
Cap Shake
BP O = 0.23 x 0
0.861
1.288
Posh Shake
BP O = 0.23 x 0
0.288
0.421
Paku Shake
BP O = 0.25 x 0
0.220
0.398
Rincian bahan baku untuk produk STB 20 mm Shake Tack Button (STB) 20 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap
BP O = 0.3 x 0.5
1.023
1.428
Washer Flat
AL O = 1.0 x 0
0.339
0.552
Cap Shake
BP O = 0.23 x 0
0.958
1.612
Posh Shake
BP O = 0.23 x 0
0.288
0.421
Paku Shake
BP O = 0.25 x 0
0.220
0.398
L. 318 Lampiran 9 Gambar Struktur produk STB LT dan rincian bahan bakunya
STB LT 1
1
6
A2 2
1
5
A1 3
1
Cap Shake
1
Paku Shake 1
Cap Lubang 4
1
Posh Shake
Struktur Produk STB LT 14 mm, 15 mm, dan 17 mm
Rincian bahan baku untuk produk STB LT 14 mm Shake Tack Button dengan Lubang Tengah (STB LT) 14 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap Lubang
BP O = 0.3 x 0.5
0.796
1.314
Cap Shake
BP O = 0.23 x 0
0.660
1.288
Posh Shake
BP O = 0.23 x 0
0.288
0.421
Paku Shake
BP O = 0.25 x 0
0.220
0.398
Rincian bahan baku untuk produk STB LT 15 mm Shake Tack Button dengan Lubang Tengah (STB LT) 15 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap Lubang
BP O = 0.3 x 0.5
0.854
1.314
Cap Shake
BP O = 0.23 x 0
0.769
1.288
Posh Shake
BP O = 0.23 x 0
0.288
0.421
Paku Shake
BP O = 0.25 x 0
0.220
0.398
L. 319 Rincian bahan baku untuk produk STB LT 17 mm Shake Tack Button dengan Lubang Tengah (STB LT) 17 mm
Komponen
Berat Bersih
Berat Kotor
(gram)
(gram)
Jenis Bahan Baku
Cap Lubang
BP O = 0.3 x 0.5
0.960
1.314
Cap Shake
BP O = 0.23 x 0
0.861
1.288
Posh Shake
BP O = 0.23 x 0
0.288
0.421
Paku Shake
BP O = 0.25 x 0
0.220
0.398
Struktur Produk STB LT 20 mm
Rincian bahan baku untuk produk STB LT 20 mm Shake Tack Button dengan Lubang Tengah (STB LT) 20 mm
Komponen
Berat Bersih
Berat Kotor
(gram)
(gram)
Jenis Bahan Baku
Cap Lubang
BP O = 0.3 x 0.5
0.960
1.314
Poly washer
-
-
-
Cap Shake
BP O = 0.23 x 0
0.861
1.288
Posh Shake
BP O = 0.23 x 0
0.288
0.421
Paku Shake
BP O = 0.25 x 0
0.220
0.398
L. 320 Lampiran 10 Gambar Struktur produk Rivet jamur dan rincian bahan bakunya
Struktur Produk Rivet Jamur
Rincian bahan baku untuk produk Rivet Jamur 9 mm Rivet Jamur 9 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap Rivet
BP O = 0.25 x 0.5
0.260
0.423
Posh Rivet
BP O = 0.23 x 0
0.200
0.336
Paku Rivet
BP O = 0.23 x 0
0.190
0.311
Rincian bahan baku untuk produk Rivet Jamur 9.5 mm Rivet Jamur 9.5 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Cap Rivet
BP O = 0.25 x 0.5
0.266
0.423
Posh Rivet
BP O = 0.23 x 0
0.200
0.336
Paku Rivet
BP O = 0.23 x 0
0.190
0.311
L. 321 Lampiran 11 Gambar Struktur produk Rivet finish dan rincian bahan bakunya
Struktur Produk Rivet Finish
Rincian bahan baku untuk produk Rivet Finish Rivet Finish
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Rivet Finish
BP O = 0.25 x 0.5
0.200
0.336
Paku Rivet
BP O = 0.23 x 0
0.190
0.311
L. 322 Lampiran 12 Gambar Struktur produk Head finish dan rincian bahan bakunya
Struktur Produk Head Finish
Rincian bahan baku untuk produk Head Finish Head Finish
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Head Finish
BP O = 0.25 x 0.5
0.250
0.478
Paku Rivet
BP O = 0.23 x 0
0.190
0.311
L. 323 Lampiran 13 Gambar Struktur produk Eyelet dan rincian bahan bakunya
Struktur Produk Eyelet
Rincian bahan baku untuk produk Eyelet 5 mm Eyelet 5 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Washer Eyelet
BP O = 0.23 x 0
0.216
0.348
Posh Washer
BP O = 0.23 x 0
0.098
0.122
Rincian bahan baku untuk produk Eyelet 13 mm Eyelet 13 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Washer Eyelet
BP O = 0.23 x 0
0.405
0.802
Posh Washer
BP O = 0.23 x 0
0.264
0.409
L. 324 Rincian bahan baku untuk produk Eyelet 14 mm Eyelet 14 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Washer Eyelet
BP O = 0.23 x 0
0.425
0.848
Posh Washer
BP O = 0.23 x 0
0.264
0.409
Rincian bahan baku untuk produk Eyelet 15 mm Eyelet 15 mm
Komponen
Jenis Bahan Baku
Berat Bersih
Berat Kotor
(gram)
(gram)
Washer Eyelet
BP O = 0.23 x 0
0.453
0.889
Posh Washer
BP O = 0.23 x 0
0.264
0.409
L. 325 Lampiran 14 Contoh perhitungan konversi data produksi menjadi data kebutuhan bahan baku untuk produk GTB 14 – 17 mm pada bulan Agustus 2007
Data produksi produk GTB 14 – 17 mm pada bulan Agustus 2007 = 147,456 pieces. Kebutuhan bahan baku untuk produk GTB 14 – 17 mm pada bulan Agustus 2007 adalah Komponen
Cap Washer Flat General 14-17 mm Paku Panjang
Jenis Bahan Baku
Berat Kotor (gram)
BP O = 0.3 x 0.5 AL O = 1.0 x 0 BP O = 0.25 x 0 BP O = 0.25 x 0
1.267 0.552 1.273 0.422
Kebutuhan Bahan Baku (Kg) 186.827 81.396 187.711 62.226
Kebutuhan bahan baku per komponen (Kg) = Data produksi x Berat Kotor per Komponen (Gram) / 1000
Untuk komponen Cap :
Kebutuhan bahan baku (BP O = 0.3 x 0.5) =
Untuk komponen Washer flat :
Kebutuhan bahan baku (AL O = 1.0 x 0) =
147,456 × 0.552 = 81.396 Kg 1000
Untuk komponen General :
Kebutuhan bahan baku (BP O = 0.25 x 0) =
147,456 × 1.267 = 186.827 Kg 1000
147,456 × 1.273 = 187.711 Kg 1000
Untuk komponen Paku panjang :
Kebutuhan bahan baku (BP O = 0.25 x 0) =
147,456 × 0.422 = 62.226 Kg 1000
L. 326 Lampiran 15
Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.23 x 0
Autokorelasi Data Historis Bahan Baku BP O = 0.23 x 0
Dari preview data historis di atas, probabilitas Ljung-Box p< 0.0001, nilai ini lebih kecil dari 0.05, maka data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Lag yang dilampirkan menjadi acuan penentuan unsur musiman dalam data historis. Lag yang tertera adalah 6, 1, dan 7. Dari lag tersebut, kemudian dilakukan perhitungan dengan memasukkan unsur musiman 6 dan 7. Nilai lag 1 tidak dapat digunakan karena unsur musiman menentukan pola data dengan siklus waktu, sedangkan untuk unsur musiman 1, tidak dapat dilihat siklus pola datanya, melainkan data berdiri sendiri pada periode waktu tersebut. Dari pernyataan manajemen, dikatakan bahwa unsur musiman dalam penggunaan bahan baku adalah sama dengan proses produksi. Musim ramai adalah bulan Maret sampai Agustus dan musim sepi adalah bulan September sampai Februari,
L. 327 dan hal tersebut selalu stabil setiap tahunnya. Begitupula yang tertera pada lag, dimana diidentifikasi adanya unsur musimana 6 bulanan. Berdasarkan hal tersebut, maka dilakukan perhitungan peramalan untuk seasonality = 6, dan diperoleh hasil sebagai berikut :
Peramalan Bahan Baku BP O = 0.23 x 0 dengan seasonality 6 periode
Hasil peramalan yang terbaik dalah Seasonal Multiplicative ( α = 0.884 dan
γ =0.001) dengan MAPE 40.874%. Bila dilihat dari plot data ternyata plot ramalan agak tertinggal dari data sebenarnya, sehingga hasil ramalan memiliki tingkat kesalahan yang cukup tinggi (40.874%). Bila ditinjau dari analisa test Durbin – Watson dengan nilai 1.915 (D-WC = 1.915) dimana apabila : D-WC < 1.41 maka terjadi autokorelasi positif. D-WC > 2.59 maka terjadi autokorelasi positif.
1.41 < D-WC disimpulkan.
< 1.52
atau
2.48 < D-WC
< 2.59 maka pengujian tidak dapat
L. 328 1.52 < D-WC < 2.48 maka tidak terjadi autokorelasi. Maka nilai D-WC menandakan bahwa tidak ada autokorelasi pada galat hasil peramalan. Nilai DW yang berada pada wilayah autokorelasi yang cenderung positif ataupun negatif mempengaruhi ketidakakuratan hasil peramalan, sehingga kurang bisa dipercaya hasil ramalannya. Sedangkan bila nilai DW berada dalam wilayah tidak berautokorelasi maka dalam galat (error) tidak ada sisa pola apapun, sehingga hasil peramalan dapat dipercaya. Sedangkan bila ditinjau dari analisa Theil’s U dengan nilai 1.003, jelas terlihat bahwa hasil ramalan lebih buruk daripada pendugaan naif, sehingga hasil peramalan secara formal tidak boleh digunakan. Dari analisa di atas, ternyata seasonality = 6, kurang memberikan hasil yang tepat dan akurat, sehingga perlu dilakukan perhitungan dengan seasonality lainnya. Dari probabilitas kemungkinan unsur musiman yang tertera pada lag, dinyatakan bahwa data historis kemungkinan mengandung unsur musiman = 7. Berikut ini adalah hasil perhitungannya :
Peramalan Bahan Baku BP O = 0.23 x 0 dengan seasonality 7 periode
L. 329 Dari hasil perhitungan yang dilakukan dengan CB Predictor, metode peramalan yang terbaik bila seasonality dimasukkan angka tujuh, adalah Holt-Winters’ Multiplicative ( α = 0.999
β = 0.040
γ = 0.001). Akan tetapi, metode tersebut
menghasilkan error yang cukup besar, yaitu 46.955%. Sehingga kurang bisa dipercaya hasil peramalannya. Dilihat dari Durbin – Watson test, nilai yang tertera adalah 2.644. Nilai tersebut berada dalam batas wilayah dimana tidak diketahui ada atau tidaknya autokorelasi dari galat, sehingga tidak dapat ditarik kesimpulan apakah hasil peramalan dapat dipercaya atau tidak. Bila dilihat dari statistik Theil’s U, nilai yang tertera adalah 0.916. Nilai tersebut sangat mendekati 1, sehingga hasil peramalan kurang lebih hampir sama dengan pendugaan naif, dimana metode peramalan tidak perlu diterapkan dan kebutuhan bahan baku dapat diperkirakan berdasarkan data pada periode sebelumnya. Sedangkan bila dicoba dengan menggunakan software Minitab 14, dengan menggunakan metode Dekomposisi, maka diperoleh hasil sebagai berikut.
Metode Dekomposisi dengan unsur musiman (multiplicative)
L. 330
Metode Dekomposisi dengan unsur musiman dan trend (multiplicative)
Metode Dekomposisi dengan unsur musiman saja (additive)
L. 331
Metode Dekomposisi dengan unsur musiman dan trend (additive)
Perbedaan model multiplicative dan additive adalah : Model Multiplicative Æ apabila jarak pada pola data musiman bergantung pada pola data atau dengan kata lain jarak pada pola data musiman meningkat apabila nilai data dinaikkan dan menurun bila nilai data diturunkan. Model Additive Æ digunakan apabila jarak pada pola data musiman tidak bergantung pada pola data atau dengan kata lain jarak pada pola data musiman tidak berubah apabila rangkaian data dinaikkan atau diturunkan. Tetapi, apabila kita tidak mengetahui pola data multiplicative atau additive maka dapat dilakukan trial and error dengan membandingkan nilai presentase dan memilih model dengan nilai error terkecil.
L. 332 Lampiran 16
Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.25 x 0
Autokorelasi Data Historis Bahan Baku BP O = 0.25 x 0
Dari hasil preview data historis di atas, diperoleh nilai probabilitas Ljung-Box p<0.0001 dan nilai tersebut lebih kecil dari 0.05, sehingga data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Dari ketiga lag yang dilampirkan, yang memiliki autokorelasi adalah lag 6, 1, dan 5, sehingga dapat diidentifikasi adanya unsur musiman 5 dan 6. Angka lag 1 tidak dapat dijadikan unsur musiman karena bila seasonality = 1 maka tidak akan ada siklus pola data musiman karena data dikatakan
berdiri sendiri, tidak saling terkait dan membentuk pola siklus. Bila dimasukkan dalam perhitungan dengan CB Predictor dengan seasonality = 5, maka akan diperoleh hasil sebagai berikut :
L. 333
Peramalan Bahan Baku BP O = 0.25 x 0 dengan seasonality 5 periode
Bila dilihat plot data hasil peramalan dengan seasonality = 5, hasil peramalan seperti tertinggal dari data historisnya, sehingga hal tersebut memperbesar nilai MAPE, yaitu 36.811%. Bila dianalisa dari sudut Durbin – Watson, nilai yang diperoleh adalah 2.085 dan berada dalam wilayah tidak terdapat autokorelasi, sehingga data masih dapat diterima. Memang pada hakekatnya nilai DW bukanlah nilai untuk mengukur ketepatan, melainkan untuk mengukur apakah masih terdapat sisa pola di dalam nilai galat. Tetapi dari hasil DW dapat disimpulkan apabila nilai DW masuk dalam autokorelasi positif ataupun negatif maka dapat dikatakan hasil peramalan kurang bisa dipercaya. Bila dilihat dari analisis Theil’s U, diperoleh nilai 1.023 dimana nilai tersebut menyatakan bahwa hasil ramalan lebih buruk dari pendugaan naif, sehingga metode peramalan formal tidak boleh diterapkan. Dari pernyataan manajemen yang menyatakan bahwa unsur musiman = 6 bulanan, dan didukung pula dari nilai lag yang dilampirkan di atas, maka dilakukan perhitungan peramalan dengan unsur musiman = 6 dan diperoleh hasil sebagai berikut :
L. 334
Peramalan Bahan Baku BP O = 0.25 x 0 dengan seasonality 6 periode
Hasil ramalan terbaik menggunakan metode Seasonal Multiplicative dengan α = 0.999 dan γ = 0.001 menghasilkan tingkat persentase error 34.273%. Hasil ramalan cenderung tertinggal dari data historis, sehingga menyebabkan tingkat kesalahan yang tinggi. Bila ditinjau dari nilai Durbin – Watson yang diperoleh adalah 1.977, dimana berada dalam wilayah tidak terdapat autokorelasi, maka nilai peramalan dapat dipercaya. Tetapi bila dilihat dari nilai Theil’s U = 0.952, nilai tersebut sangat dekat dengan 1, sehingga hasil peramalan dengan metode formal tidak akan memberikan penyelesaian yang baik dalam menentukan kebutuhan bahan baku dibandingkan dengan pendugaan naif. Sedangkan bila peramalan dilakukan dengan menggunakan software Minitab 14, maka diperoleh hasil sebagai berikut.
L. 335
Metode Dekomposisi dengan unsur musiman (multiplicative)
Metode Dekomposisi dengan unsur musiman dan trend (multiplicative)
L. 336
Metode Dekomposisi dengan unsur musiman (additive)
Metode Dekomposisi dengan unsur musiman dan trend (additive)
L. 337 Lampiran 17
Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.25 x 0.5
Autokorelasi Data Historis Bahan Baku BP O = 0.25 x 0.5
Dari hasil preview data historis di atas, diperoleh nilai probabilitas Ljung-Box p<0.0001 dan nilai tersebut lebih kecil dari 0.05, sehingga data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Dari ketiga lag yang dilampirkan, diindikasi mengandung unsur musiman 6, 1, dan 7. Akan tetapi, unsur musiman tidak dapat dimasukkan angka 1, karena angka 1 menunjukkan data untuk setiap periode sehingga tidak dapat menunjukkan unsur musiman dan pola siklus pada data. Sehingga indikasi unsur musiman yang tersisa adalah 6 dan 7. Dari hasil perhitungan dengan CB Predictor, dengan seasonality = 6, diperoleh hasil sebagai berikut :
L. 338
Peramalan Bahan Baku BP O = 0.25 x 0.5 dengan seasonality 6 periode
Setelah dimasukkan perhitungan dengan seasonality = 6, metode peramalan terbaik adalah Seasonal Multiplicative ( α = 0.999 dan γ = 0.001.), dengan tingkat kesalahan 53.690%. Peramalan dengan tingkat kesalahan yang begitu tinggi menyebabkan peramalan menjadi kurang akurat, didukung pula dengan penyimpangan dalam plot data ramalan dengan data historis. Nilai Durbin – Watson = 1.776 dimana berada dalam wilayah tidak terdapat autokorelasi yang berarti tidak ada pola apapun pada galat. Analisis DW memang tidak mendukung ketidakakuratan hasil peramalan, tetapi analisis Theil’s U sangat mendukung. Dengan nilai 0.964, angka yang mendekati 1, lebih memperkuat analisa bahwa hasil ramalan dengan seasonality = 6, kurang dapat dipercaya keakuratannya. Dari lag yang terlampir, ada indikasi unsur musiman = 7 bulanan, maka dilakukan perhitungan dengan hasil di bawah ini :
L. 339
Peramalan Bahan Baku BP O = 0.25 x 0.5 dengan seasonality 7 periode
Hasil peramalan yang dianggap terbaik yaitu dengan metode Single Exponential Smoothing dengan α = 0.999 dengan tingkat kesalahan 65.823%. Persentase kesalahan
dapat dikatakan cukup tinggi sehingga hasil peramalan menjadi kurang akurat. Tetapi nilai Durbin – Watson tidak mendukung, karena nilai DW = 2.345 berada dalam wilayah tidak terdapat autokorelasi, sehingga data masih dapat dipercaya. Sedangkan nilai Theil’s U = 1, memperkuat analisa bahwa metode peramalan ini sama baiknya dengan pendugaan secara naif, yang menganggap bahwa kebutuhan bahan baku bulan depan sama dengan kebutuhan bahan baku bulan sebelumnya, sehingga tidak perlu adanya metode peramalan formal. Sedangkan bila peramalan dilakukan dengan menggunakan software Minitab 14, maka diperoleh hasil sebagai berikut.
L. 340
Metode Dekomposisi dengan unsur musiman (multiplicative)
Metode Dekomposisi dengan unsur musiman dan trend (multiplicative)
L. 341
Metode Dekomposisi dengan unsur musiman (addtive)
Metode Dekomposisi dengan unsur musiman dan trend (addtive)
L. 342 Lampiran 18
Hasil trial and error perhitungan peramalan untuk bahan baku BP O = 0.30 x 0.5
Autokorelasi Data Historis Bahan Baku BP O = 0.3 x 0.5
Dari hasil preview data historis di atas, diperoleh nilai probabilitas Ljung-Box p<0.0001 dan nilai tersebut lebih kecil dari 0.05, sehingga data dapat dikatakan data acak dan memiliki autokorelasi yang signifikan. Dari ketiga lag yang dilampirkan, diindikasi adanya unsur musiman 1, 6, dan 7. Akan tetapi, tidak dapat dilakukan perhitungan dengan unsur musiman 1, karena tidak akan membentuk pola siklus data, sehingga tidak dapat dikatakan bahwa pola data mengandung unsur musiman. Sedangkan untuk unsur musiman 6 dan 7 akan dilakukan perhitungannya di bawah ini. Pernyataan manajemen yang menyatakan bahwa unsur musiman adalah = 6 bulanan diukur berdasarkan musim ramai dan musim sepi, mendukung indikasi lag di atas. Dari hasil perhitungan dengan CB Predictor, dengan seasonality = 6, diperoleh hasil sebagai berikut :
L. 343
Peramalan Bahan Baku BP O = 0.3 x 0.5 dengan seasonality 6 periode
Hasil peramalan dengan seasonality = 6 periode diperoleh metode terbaik adalah Seasonal Multiplicative dengan
α = 0.999 dan γ = 0.001 serta tingkat kesalahan
30.762%. Dilihat dari nilai Durbin – Watson = 2.007 yang berada dalam wilayah tidak terdapat autokorelasi, mendukung bahwa hasil peramalan masih layak untuk digunakan. Tetapi nilai Theil’s U = 0.989, berkebalikan dengan dengan analisis DW, nilai Theil’s U menyatakan bahwa hasil peramalan sama baiknya dengan pendugaan naif, sehingga tidak diperlukan metode peramalan secara formal, melainkan cukup dengan pendugaan naif saja. Sedangkan bila dimasukkan unsur musiman = 7 periode (diperoleh dari indikasi lag) ke dalam perhitungan, maka diperoleh hasil peramalan sebagai berikut :
L. 344
Peramalan Bahan Baku BP O = 0.3 x 0.5 dengan seasonality 7 periode
Ternyata hasil peramalan terbaik adalah metode Double Exponential Smoothing dengan α =0.990 dan β =0.001, dengan MAPE 35.329%. Dilihat dari MAPE, seasonality = 7 periode memiliki nilai MAPE yang lebih tinggi. Analsis lebih lanjut dari
sisi Durbin – Watson dan Theil’s U, masing-masing bernilai 2.007 dan 0.989. Kedua nilai tersebut saling bertentangan dimana Durbin – Watson menyatakan bahwa hasil ramalan tidak sepenuhnya kurang akurat karena berada dalam wilayah tidak autokorelasi, sedangkan Theil’s U menyatakan bahwa hasil ramalan tidaklah lebih baik dari pendugaan (karena nilainya sangat mendekati 1). Sehingga bila dilihat dari ketiga analisis serta plot data hasil ramalan dibandingkan dengan data historis yang banyak menyimpang, maka seasonality = 7 periode kurang dapat diterima keakuratannya. Sedangkan bila dilakukan uji coba dengan menggunakan metode dekomposisi yang terdapat pada software Minitab 14, maka diperoleh hasil sebagai berikut :
L. 345
Metode Dekomposisi dengan unsur musiman (multiplicative)
Metode Dekomposisi dengan unsur musiman dan trend (multiplicative)
L. 346
Metode Dekomposisi dengan unsur musiman (addtive)
Metode Dekomposisi dengan unsur musiman dan trend (addtive)
L. 347 Lampiran 19
Hasil trial and error perhitungan peramalan untuk bahan baku AL O = 1.0 x 0
Autokorelasi Data Historis Bahan Baku AL O = 1.0
Dari preview data historis di atas, nilai probabilitas Ljung-Box adalah p<0.0001. Nilai tersebut lebih kecil dari 0.05 sehingga data dikatakan memiliki autocorrelation yang signifikan. Dari ketiga lag yang dilampirkan, diindikasi pada pola data terdapat unsur musiman 1, 5, dan 6. Sama seperti sebelumnya, bahwa unsur musiman 1 tidak dapat dilakukan perhitungan karena unsur musiman 1 tidak dapat membentuk pola siklis pada data. Dari lag yang dilampirkan, dilakukanlah perhitungan dengan unsur musiman = 5, dan diperoleh hasil sebagai berikut :
L. 348
Peramalan Bahan Baku AL O = 1.0 dengan seasonality 5 periode
Dari hasil peramalan, diperoleh metode terbaik adalah Double Exponential Smoothing dengan α = 0.993 dan β = 0.001 serta tingkat kesalahan 45.743%. Dengan
tingkat kesalahan yang cukup tinggi, maka hasil peramalan dapat dikatakan kurang akurat. Bila ditinjau dari sudut analisa Durbin – Watson maupun Theil’s U, masingmasing memiliki nilai 2.327 dan 1.042. Kedua nilai test tersebut saling bertentangan dimana nilai DW menyatakan bahwa tidak terdapat autokorelasi pada galat, sedangkan nilai Theil’s U menyatakan bahwa hasil peramalan lebih buruk daripada pendugaan secara naif, sehingga model peramalan formal tidak layak untuk diterapkan. Sehingga peramalan ini dapat dikatakan kurang layak untuk digunakan dalam pengambilan keputusan mengenai kebutuhan bahan baku pada 12 periode mendatang. Dari pernyataan manajemen, dinyatakan bahwa unsur musiman untuk setiap periode ramai adalah 6 bulanan, begitupula dengan periode sepi, yaitu 6 bulanan. Begitupula dengan indikasi lag yang menyatakan ada kemungkinan bahwa data
L. 349 mengandung unsur musiman 6 bulanan. Dari pernyataan tersebut, dilakukanlah perhitungan seperti di bawah ini:
Peramalan Bahan Baku AL O = 1.0 dengan seasonality 6 periode
Hasil perhitungan peramalan ternyata memberikan tingkat kesalahan yang lebih rendah daripada perhitungan sebelumnya (seasonality = 5 periode). Metode terbaik adalah Seasonal Multiplicative dengan α = 0.999 dan γ = 0.001 serta MAPE 41.075%. Meskipun presentase MAPE lebih rendah, akan tetapi nilai 41.075% masih dapat dikatakan cukup tinggi sehingga hasil ramalan menjadi kurang dapat dipercaya. Dilihat dari hasil test Durbin – Watson dan Theil’s U yang masing-masing bernilai 2.23 dan 0.988, ternyata hasil dari test Theil’s U menyatakan bahwa peramalan tidaklah lebih baik dari pendugaan naif. Sedangkan test Durbin – Watson menyatakan bahwa peramalan masih layak untuk digunakan (tidak terjadi autokorelasi). Bila dilakukan uji coba dengan menggunakan bantuan software Minitab 14, dengan metode dekomposisi, maka diperoleh hasil sebagai berikut.
L. 350
Metode Dekomposisi dengan unsur musiman (multiplicative)
Metode Dekomposisi dengan unsur musiman dan trend (multiplicative)
L. 351
Metode Dekomposisi dengan unsur musiman (addtive)
Metode Dekomposisi dengan unsur musiman dan trend (addtive)
L. 352 Lampiran 20
Biaya – biaya persediaan
Biaya Pesan (A) per satu kali pesanan Biaya Pesan untuk bahan baku import (Brass Plate), yaitu : -
Biaya penerimaan dan bongkar muat : ∗ Biaya ekspedisi, dihitung berdasarkan satu kali angkut karena ekspedisi disewa secara khusus, dengan biaya Rp 5,000,000 untuk sekali angkut, berapapun beratnya. ∗ Biaya penebusan bahan baku di pelabuhan/bandara (pajak bea dan cukai), sebesar Rp 9,000,000.00 ∗ Biaya bongkar muat dengan forklift, yaitu sebesar Rp 175,000 dengan kapasitas angkut sebesar 25.6 ton, selama 4 jam. Biaya jasa penyewaan forklift dihitung per satu kali datang dengan maksimum jam kerja 4 jam dan kapasitas angkut 25.6 ton. Apabila waktu dan kapasitas angkut di bawah nilai di atas, maka perusahan tetap harus membayar biaya sesuai dengan tarif jasa penyewaan forklift. Sedangkan bila kapasitas angkut melampaui angka di atas, maka dikenakan biaya tambahan sebesar Rp 40,000 per jam, dengan kapasitas 6.4 ton. Kapasitas forklift satu kali angkut adalah 1.6 ton, selama 15 menit. Jadi kapasitas forklift selama satu jam adalah
60 × 1.6 ton = 6.4 ton. 15
L. 353 -
Biaya Telepon : Direktur menghubungi pemasok bahan baku melalui media telepon untuk membicarakan kuantitas bahan baku yang dipesan. Biaya telepon interlokal pada jam sibuk adalah Rp 1,500 per menitnya. Lama bicara yaitu selama 8 menit, sehingga biaya yang dikeluarkan untuk memesan bahan baku import adalah sebesar Rp 8 x 1,500 = Rp 12,000 untuk sekali pesan.
-
Biaya Karyawan : Untuk pemesanan bahan baku brass plate, dilakukan langsung oleh pemilik yang juga merangkap sebagai direktur, sehingga sulit untuk diuraikan biayanya, sehingga dapat diabaikan (tidak dibebankan secara langsung).
-
Biaya Administrasi : Adalah biaya yang digunakan untuk kertas dan tinta sebagai dasar pencatatan administrasi yang dibebankan kepada biaya pemesanan. Pembebanan biaya administrasi kepada biaya pemesanan karena dalam melakukan pemesanan, dibutuhkan kertas dan tinta untuk melakukan pencatatan bahan baku apa saja yang akan dipesan. Biaya ini dinilai sebesar Rp 1,000 berdasarkan kebijakan perusahaan.
Jadi total biaya pesan untuk bahan baku import adalah : •
Kapasitas 25.6 ton Æ Rp 5,000,000 + Rp 9,000,000 + Rp 175,000 + Rp 12,000 + Rp 1,000 = Rp 14,188,000
•
Kapasitas 32 ton Æ Rp 5,000,000 + Rp 9,000,000 + Rp 175,000 + Rp 40,000 + Rp 12,000 + Rp 1,000 = Rp 14,228,000
L. 354 Biaya Pesan untuk bahan baku lokal (Alumunium Plate), yaitu : -
Biaya penerimaan dan bongkar muat : Bila bahan baku yang dipesan kurang dari 3 ton maka dapat digunakan tenaga manusia dengan biaya Rp 50,000. Bila bahan baku yang dipesan lebih dari 3 ton, maka digunakan jasa penyewaan forklift dengan biaya Rp 175,000 sekali datang, dengan kapasitas pengangkutan
seberat 25.6 ton, selama 4 jam. Bila bahan baku lebih banyak dari 25.6 ton, maka dikenakan tambahan biaya sebesar Rp 40,000 per jam. Kapasitas pengangkutan forklift satu kali angkut adalah 1.6 ton, selama 15 menit. Jadi kapasitas pengangkutan forklift satu jam adalah -
60 × 1.6 ton = 6.4 ton. 15
Biaya telepon : Biaya telepon pada jam sibuk per menit adalah Rp 250 untuk 2 menit pertama, dan Rp 125 pada menit berikutnya. Dan biaya untuk satu kali mengirimkan fax adalah Rp 5,025. Untuk menghubungi pemasok, lama bicara adalah 3 menit, dan satu kali fax nota beli. Sehingga biaya telepon yang dikeluarkan untuk sekali pesan adalah adalah : Biaya telepon = Rp 2 x 250 + 125 = Rp 625 untuk sekali pesan. Biaya fax = Rp 5,025 untuk sekali fax. Total biaya pesan = Rp 5,650 untuk sekali pesan pada satu pemasok.
L. 355 -
Biaya karyawan : Gaji pokok manajer pembelian yang bertugas melakukan pemesanan bahan baku adalah Rp 1.200.000 per bulan. Ditambah dengan THR sebesar satu bulan gaji. Jumlah hari kerja per tahun adalah 300 hari kerja, dengan jam kerja 8 jam/hari dan 6 hari kerja/minggu. Setiap kali melakukan transaksi pemesanan, dibutuhkan waktu selama 3 menit ditambah 7 menit untuk konfirmasi ulang dari pemasok dan mengirim fax, sehingga sekali pemesanan dibutuhkan waktu selama 10 menit. Biaya karyawan yang dikeluarkan =
-
1.200.000 × 13 10 × = Rp 1,083.33 ≈ Rp 1,084. 300 × 8 60
Biaya administrasi : Adalah biaya yang digunakan untuk kertas dan tinta sebagai dasar pencatatan administrasi yang dibebankan kepada biaya pemesanan. Pembebanan biaya administrasi kepada biaya pemesanan karena dalam melakukan pemesanan, dibutuhkan kertas dan tinta untuk melakukan pencatatan bahan baku apa saja yang akan dipesan. Biaya ini dinilai sebesar Rp 1,000 berdasarkan kebijakan perusahaan.
(sumber data : PT. WKHK)
Jadi total biaya pesan untuk bahan baku lokal adalah : •
Kapasitas 3 ton Æ Rp 50,000 + Rp 5,650 + Rp 1,084 + Rp 1,000 = Rp 57,734
•
Kapasitas 25.6 ton Æ Rp 175,000 + Rp 5,650 + Rp 1,084 + Rp 1,000 = Rp 182,734
L. 356
Harga Bahan Baku Jenis Bahan Baku BP O=0.23 x 0 BP O=0.25 x 0 BP O=0.25 x 0.5 BP O=0.3 x 0.5 AL O=1.0
Harga / Kg ($) 8.10 8.40 8.75 9.25 -
Harga / Kg (Rp) 74,520 77,280 80,500 85,100 52,500
Keterangan Import Import Import Import Lokal
(sumber data : PT. WKHK)
Untuk bahan baku import, hasil konversi harga dalam Rupiah disesuaikan dengan kurs dolar saat pengolahan data dibuat, yaitu 1$ = Rp 9,200.00
Biaya Simpan (h) Berdasarkan kebijakan perusahaan, biaya simpan ditentukan sebesar 2% dari harga beli bahan baku, yaitu : Jenis Bahan Baku BP O=0.23 x 0 BP O=0.25 x 0 BP O=0.25 x 0.5 BP O=0.3 x 0.5 AL O=1.0 (sumber data : PT. WKHK)
Harga / Kg 74,520 77,280 80,500 85,100 52,500
Biaya Simpan / Kg 1,490.40 1,545.60 1,610.00 1,702.00 1,050.00
