PERENCANAAN PERSEDIAAN BAHAN BAKU UNTUK PEMBUATAN SABUN DETERJEN RINSO ANTINODA 1 KG DENGAN METODE MRP-1 DI PT UNILEVER INDONESIA TBK

PERENCANAAN PERSEDIAAN BAHAN BAKU UNTUK PEMBUATAN SABUN DETERJEN RINSO ANTINODA 1 KG DENGAN METODE MRP-1 DI PT UNILEVER INDONESIA TBK

TUGAS AKHIR Diajukan Untuk Memenuhi Persyaratan Ujian Akhir Program Sarjana Teknik Industri

Disusun oleh : Bambang Yoga Samekta 0160312 – 039

JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA 2008 1

JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA

LEMBAR PERNYATAAN

Saya yang bertanda tangan dibawah ini : Nama

: Bambang Yoga Samekta

NIM

: 0160312 – 039

Jurusan

: Teknik Industri

Fakultas

: Teknologi Industri

Menyatakan dengan sebenarnya , bahwa Tugas Akhir ini adalah karya saya sendiri , kecuali pada bagian yang disebutkan sumbernya . Jakarta , Juli 2008

( Bambang Yoga Samekta )

2

JURUSAN TEHNIK INDUSTRI FAKULTAS TEHNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA LEMBAR PENGESAHAN Judul : PERENCANAAN PERSEDIAAN BAHAN BAKU UNTUK PEMBUATAN SABUN DETERJEN RINSO ANTINODA 1 KG DENGAN METODE MRP-1 DI PT UNILEVER INDONESIA TBK

Nama

: Bambang Yoga Samekta

NIM

: 0160312 – 039

Jurusan

: Teknik Industri

Fakultas

: Teknologi Industri

Universitas

: Mercu Buana

Tugas Akhir ini telah diperiksa dan disyahkan Jakarta , Juli 2008

Pembimbing Tugas Akhir

( Ir. Muhammad Kholil MT )

3

JURUSAN TEHNIK INDUSTRI FAKULTAS TEHNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA LEMBAR PERSETUJUAN Judul : PERENCANAAN PERSEDIAAN BAHAN BAKU UNTUK PEMBUATAN SABUN DETERJEN RINSO ANTINODA 1 KG DENGAN METODE MRP-1 DI PT UNILEVER INDONESIA TBK

Nama

: Bambang Yoga Samekta

NIM

: 0160312 – 039

Jurusan

: Teknik Industri

Fakultas

: Teknologi Industri

Universitas

: Mercu Buana

Tugas Akhir ini telah disetujui Jakarta , Juli 2008

Koordinator Tugas Akhir dan Ketua Program Studi

( Ir. Muhammad Kholil MT )

4

KATA PENGANTAR

Dengan mengucap puji syukur dan panjatkan kehadirat ALLAH SWT , atas rahmat dan karunianya yang melimpahkan kepada saya sehingga saya dapat menyelesaikan TUGAS AKHIR ini . Tugas akhir ini merupakan mata kuliah terakhir yang harus diselesaikan oleh mahasiswa untuk mengaplikasikan ilmu yang didapat selama kuliah kedalam kenyataan sehari–hari dan merupakan satu syarat untuk meraih gelar Sarjana -

( Strata 1 ) .

Penyusunan Tugas Akhir ini penulis lakukan berdasarkan

pengamatan

dilapangan dan studi literature baik yang ada di PT Unilever Indonesia maupun literature pendukung yang penulis dapatkan di bangku kuliah . Pada kesempatan ini pula penulis ingin menyampaikan terima kasih yang sebesarbesarnya atas kesempatan , bantuan , dan bimbingan yang telah diberikan sehingga tersusunnya Tuigas Akhir ini , kepada : 1. Bpk . Ir Muhammad Kholil,.Mt , sebagai dosen Pembimbing sekaligus Ketua Program Studi Tehnik Industri yang memberikan

pengarahan dalam

penulisan Tugas Akhir ini . 2. Seluruh Dosen pengajar yang telah memberikan pengajaran dan selalu memberikan motivasi untuk menyelesaikan Tugas Akhir ini . 3. Bpk Furqoon Asy Syadat ST..MBA , Production Manager NSD PT Unilever Indonesia tbk. Cikarang – Bekasi . 4. Semua orang-orang terdekat yang sangat berarti dalam hidup penulis yaitu Ibunda tersayang , dan yang tersayang istriku Rosfidha Wahizar Bcs dan anak-anakku Aditya Yogesvara Rajavidya Satvika SE , Prajnya Paramita Paramesvari Satvika , Maharani Yogesvari Viriya Vinaya Satvika 5

yang

senantiasa mencurahkan kasih sayang , perhatian , bantuan , dukungan dan tentunya doa yang dipanjatkan kepada-NYA untuk penulis . 5. Semua karyawan pabrik NSD Cikarang yang telah membantu saya dalam mendapatkan data2 yang diperlukan dalam pembuatan Tugas Akhir ini . 6. Rekan-rekan mahasiswa seangkatan dan seperjuangan ( angkatan 2004 ) yang selalu sejalan berniat semua dapat menyelesaikan Tugas Akhir , all: Pak Alex, pak Budi , Indri ,Heri, Helmy, Djoko, Miftahul , Andis 7. Dan semua pihak yang tidak dapat penulis sebutkan satu persatu . Saya menyadari bahwa masih banyak ketidak sempurnaan dalam penyusunan Tugas Akhir ini , oleh karena itu , saya menerima dengan tangan terbuka kritik maupun saran yang diberikan oleh pembaca demi perbaikan dan menyempurnakan dikemudian hari . Meskipun demikian besar harapan penulis semoga Tugas Akhir ini dapat memberikan manfaat bagi PT Unilever Indonesia tbk dan menambah wawasan bagi mereka yang membaca . Jakarta , Juli 2008

Penulis

6

BAB I PENDAHULUAN

1.1

Latar Belakang Masalah Persaingan bisnis di era globalisasi yang semakin ketat akan mendorong

perusahaan berpacu menarik minat pelanggan dengan menjual produk yang memuaskan . Hal-hal yang dapat memuaskan pelanggan adalah Kualitas produk yang baik dan dengan harga yang sangat kompetitif serta dengan pengadaan dan pengiriman yang tepat waktu . Untuk menyebutkan hal-hal tersebut diatas setiap perusahaan manufaktur melakukan effektivitas dan efisiensi dari semua sumber daya , semua itu dilakukan agar supaya biaya yang dikeluarkan untuk memproduksi suatu produk dapat di-minimalisasi dan dengan kualitas yang tetap terjamin . Salah satu kegiatan yang dilakukan dalam rangka effisiensi sumber daya adalah dengan pengendalian persediaan , baik dalam bentuk raw material , barang setengah jadi ( Work in process – WIP ) , packing material maupun barang Jadi ( Finished Good ) . Sebagai salah satu asset penting dalam perusahaan karena mempunyai nilai yang sangat

7

besar dan mempunyai pengaruh terhadap kecilnya biaya operasi , perencanaan dan pengendalian persediaan merupakan suatu kegiatan penting yang harus mendapat perhatian khusus dari management perusahaan . Pengendalian Persediaan barang yang tidak baik akan mengganggu proses produksi dan pemborosan sumber daya . Untuk itu suatu perusahaan harus mempunyai suatu system yang baik dalam pengendalian persediaan barang .

Salah satu system yang banyak diperhatikan

khususnya kepada perusahaan-perusahaan di Jepang yaitu Just in Time ( JiT ) . System JiT dikembangkan berdasarkan ide bahwa persediaan adalah pemborosan , karena ia menutupi masalah-masalah kualitas dan biaya . Karena itu system JiT dikembangakan untuk menghilangkan ketergantungan pada persediaan . Eliminasi atau reduksi persediaan dalam system JiT akan mampu memberikan material Just in Time ke pelanggan dalam system JiT persediaan dapat ditekan seminimal mungkin yang diperlukan untuk tetap menjaga kelangsungan produksi Material yang diperlukan harus tersedia dalam jumlah yang relative cukup dan tersedia tepat saat diperlukan , serta dengan specifikasi dan kualitas yang sesuai dengan yang telah ditentukan .

1.2

Pokok Permasalahan Masalah yang dihadapi oleh pabrik Detergent PT Unilever Indonesia tbk

khususnya dibagian persediaan adalah ketidak seimbangan antara bahan baku yang masuk dengan baham baku yang akan dipakai untuk proses produksi tidak seimbang , sehingga terjadi penumpukan persediaan dibagian gudang . Untuk mengatasi masalah 8

tersebut diatas , perusahaan melakukan perbaikan management persediaan dengan menggunakan system Economic Order Quantity ( EOQ ) . Untuk itu penulis memberikan masukan dan perbaikan dalam management Persediaan (EOQ / JiT ) yang dapat dimanfaatkan untuk memperbaiki

masalah

ketersediaan

material di perusahaan . 1.3

Pembatasan Masalah Penulis sadar bahwa banyak sekali aspek yang termasuk dalam unsur-unsur

penting yang harus diperhatikan jika ingin melakukan suatu perubahan suatu system pada perusahaan yang berbasis system lama ( EOQ) ke system JiT . Penulis hanya membatasi pembahasan pada minimasi dengan target yang ingin dicapai oleh perusahaan dengan mengambil salah satu material packing dan pemesanan Chemical untuk keperluan rencana produksi selama 4 bulan ( 18 minggu ) sesuai dengan data yang didapat ( pengambilan data dari perusahaan dibatasi ) , tersebut antara lain : 1. Obyek yang dianalisa adalah perncanaan kertersediaan bahan baku untuk packing dan chemical untuk pembuatan sabun detergent , yang khususnya untuk pembatasan masalah di fokuskan di kemasan Rinso Anti Noda 1 kg saja , karena untuk size yang lain tidak ada bedanya dalam pemesanannya .Sedangakan untuk jenis chemical dibuat pemesanan secar utuh untuk semua jenis material untuk kebutuhan selama 1 kuartal (disesuaikan dari data yang didapat = 18 minggu ). 2. Untuk harga bahan baku tidak dapat disebutkan sesuai sebenarnya karena data harga sangat confidential(tidak diberikan oleh perusahaan) , 9

3. Data-data tersebut valid yang diambil pada periode 2007 , yang oleh perusahaan masih dipakai sebagai parameter Branch Outlook untuk tahun 2008 sehingga diberikan terbatas hanya 4 bulan (18 minggu) . 4. Diasumsikan tidak ada pesanan tetap pada periode perencanaan .

1.4

Tujuan Penelitian Adapun tujuan dan manfaat yang diharapkan oleh penulis dari penelitian

ini antara lain sebagai berikut : 1. Menentukan jumlah pemesanan material secara optimum berdasarkan ketentuan yang intinya memperlihatkan perbedaan yang nyata antara EOQ management persediaan dengan JiT/EOQ management persediaan , yakni dari total biaya tahunan . 2. Memberikan masukan kepada perusahaan untuk menentukan pilihan dalam menggunakan system yang akan mereka gunakan dalam implementasi dilapangan .

1.5

Metodologi Penelitian Metodologi penelitian yang dilakukan secara langsung dilapangan dengan

maksud untuk mendapatkan informasi secara keseluruhan mengenai persediaan bahan baku . Informasi yang diperoleh akan digunakan peneliti dalam mengidentifikasikan

10

permasalahan . Metode pengumpulan data meliputi metode observasi , metode wawancara , metode dokumentasi . Langkah selanjutnya adalah mengolah dan menganalisa data-data yang telah dilukmpulkan tersebut dengan menggunakan landasan teori . Kerangka pengolahan dan analisa data adalah sebagai berikut : Peramalan Pengujian Peramalan , Sistem persediaan EOQ , system persediaan Just in Time dan titik pemesanan ulang . Adapun flow chart penelitian ini dapat dilihat seperti gambar berikut .

START

IDENTIFIKASI MASALAH

STUDI LAPANGAN DAN LITERATUR

PENGUMPULAN DATA

PENGOLAHAN DATA

ANALISA DATA DAN HASIL

KESIMPULAN 11

SELESAI Gambar 1.1 Flow chart Metode Penelitian 1.6

Sistematika Penulisan Penulisan penelitian ini disusun berdasarkan suatu system penulisan yang

secara garis besar-nya dapat digambarkan sebagai berikut :

BAB I

PENDAHULUAN Bab ini menguraikan latar belakang masalah , pokok permasalahan , tujuan penelitian , metodologi penelitian serta sistematika penulisannya .

BAB II

LANDASAN TEORI Bab ini menguraikan konsep-konsep , teor-teori dan rumusan yang menunjang dalam pemecahan masalah .

BAB III

METODOLOGI PEMECAHAN MASALAH Bab ini berisikan tentang bagaimana dan dalam bentuk apa data dikumpulkan , kemudian berisi langkah-langkah pemecahan masalah dari awal sampai akhir .

BAB IV

PENGUMPULAN DAN PENGOLAHAN DATA Berisi gambaran umum perusahaan dan proses produksi serta

12

menguraikan

data-data

yang

dikumpulkan

dan

diolah

menurut

kegunaannya yang kemudian dianalisa serta dibuat langkah-langkah penyelesaiaannya BAB V

HASIL DAN ANALISIS Pada Bab ini akan dilakukan pembahasan mengenai MRP ( Material Requirement Planning) dimana data yang diperoleh berdasarkan dari perusahaan serta pengolahan data yang telah dilakukan pada bab sebelumnya .

BAB VI

KESIMPULAN DAN SARAN Pada Bab terakhir ini merupakan kesimpulan dari hasil analisa , penelitian dan pengolahan data yang telah diperoleh pada bab sebelumnya disertai dengan

saran-saran

yang diusulkan penulis .kepada perusahaan

Unilever Indonesia tbk.

13

PT

BAB II LANDASAN TEORI 2.1

PERAMALAN PERMINTAAN Peramalan adalah suatu proses dalam menggunakan data histories yang telah dimiliki untuk diproyeksikan kedalam suatu model,dan model ini digunakan untuk memperkirakan kedaan masa datang . Dalam melakukan peramalan perlu

14

dilakukan batas- batas yaitu : Produk yang diminta telah teridentifikasikan dan jumlah yang diminta dapat dibuat produsen . Peramalan sendiri terbagi menjadi : 1. Peramalan kualitatif Peramalan yang melibatkan pendapat pribadi , pedapat ahli, metode Delphi, Penelitian pasar dan lain-lain. 2. Peramalan kuantitatif a. Model Time Series ( deret waktu ) Permintaan merupakan fungsi dari waktu ,pola permintaan pada masa yang akan datang diperkirakan serupa bulan masa lalu . b. Model Causal Merupaka fungsi dari penyebab-penyebab .Metode Peramalan time Series terbagi lagi menjadi beberapa bagian yaitu : regresi, Perataan ,Pemulusan dan Siklis . 2.1.1

Peramalan dengan Metode Regresi Linier Salah satu peramalan yang paling sederhana adalah Regresi Linier , Dimana diasumsikan terdapat hubungan antara variable yang ingin diramalkan dengan variable lain . Peramalan didasrkan pada asumsi bahwa pola dari pertumbuhan data histories bersifat linier , yang dapat dijabarkan sebagai berikut : Y ( t ) = a + bt

15

Dimana Y merupakan fungsi terhadap waktu . Variabel a dan b adalh parameter yang akan ditentukan dalam perhitungan . Rumus yang akan menghitung a dan b adalah sebagai berikut :

N

b 

N  tY (t )  tI

2.1.2

N

 Y (t ) t t I

  Nt 2  t  t I  tI  N

a

N

1 N

N

 y(t )  tI

N

t I 2

1 N b t N tI

Peramalan dengan Metode Regresi Kuadratis

Regresi kuadratis ini didasarkan pad asumsi bahwa pola pertumbuhan data histories bersifat kuadratis , Pada dasarnya peramalan ini serupa dengan regresi linier hanya saja berbeda dalam hal asumsi data histories . Pola pertumbuhan ini didekatkan dengan suatu model yang menggambarkan hubungan-hubungan yang terkait dalam suatu keadaan . Model tersebut dapat dijabarkan sebagi berikut : Y ( t )  a  bt  ct 2 Demand Y merupakan fungsi terhadap waktu , Rumus-rumus dalam menghitung variable a , b dan c adalah : b

      2

Dimana :

16

2

N  N    t 2   Nt 4 tI  tI  N

N

tI

tI

N

   t  Y (t )  N  t Y t   

:

N

tI

N

N

 t  Y (t )   t Y (t ) 2

tI

2

tI

N

N

N

t I

tI

tI

  t t 2  Nt3 

N



2

N

  t   Nt 2  t I 

T i

Selanjutnya nilai a didapat dengan menggunakan nilai b dan c yang telah diperoleh sebelumnya melalui persamaan : N

a 2.1.3

 Y (t ) t I

N

N

b

t tI

N

N

 c

t

2

t 1

N

Peramalan dengan Metode Double Moving Avarage

Metode ini mampu mengurangi kesalahan sistematis yang terjadi , Dasar dari system ini adalah menghitung rata-rata bergerak yang kedua . Rata-rata bergerak ganda merupakan rata-rata bergerak dan disimbolkan sebagai MA ( M * N )yang berarti MA M periode dari MAN periode . Prosedur yang digunakan adalah sebagai berikut : 1. Cari x rata-rata dari x1 sampai xt dan nilai peramalan untuk periode S’ t +1 adalah x rata-rata tesebut . 2. Cari x rata-rata dari x2 sampai xt+1 , dan nilai peramalan untuk

17

periode S’ t +2 adalah x rata-rata tesebut . 3. Ulangi kedua langkah diatas sampai semua X terhitung . Lanjutkan dengan cara yang sama untuk menghitung S’’ hanya saja sekarang yang rata-rata bukan x melainkan S’t . 4. Menghitung at dengan rumus at = 2 S’t - S’’t

5. Menghitung bt dengan rumus bt =

2 S 't  S ' ' t N 1

6. Menghitung peramalan ( Ft+m ) dimana m merupakan jumlah Periode kemuka dari t rumus : F t+m = aa + bt*m

2.1.4

Peramalan dengan Metode Double Exponential Smoothing atau Metode Linier Brown .

Merupakan salah satu dari tehnik matematika yang secara langsung dapat diterapkan dalam system peramalan . Prosedure peramalan ini memiliki semua sifat dari tehnik moving average . Peramalan dengan metode ini tidak memerlukan data histories dalam jumlah besar tetapi memberikan hasil yang terbaik . Metode ini memberikan bobot yang semakin menurun . Dasar pemikiran dari metode Linier Brown adalah serupa dengan rata-rata bergerak linier , karena kedua nilai pemula dan eksponensial tunggal dan ganda

18

ketinggalan dari data yang sebenarnya bila mana terdapat unsure trend. Dalam metode ini dikenal konstanta kemulusan ( α ) Rumus untuk Metode Linier Brown adalah sebagai berikut :

S '   t

 (1   ) S

S ' '   S 't

t 1 t

 (1   ) S ''

t 1

 t  2 S 't  S ' 't 1 b

1





1  

Ft m  at

S '

 S ' 't



 bt m

Dimana : S 't  pemulusan exp onentialtunggal periode ke t S ' 't t  pemulusan exp onential ganda periode ke t   kons tan ta pemulusan Xt = data permintaan period eke t at = penyesuaian pemulusan exponential tunggal b t = taksiran kecenderungan antara periode F t+m = peramalan periode M = jumlah periodekedepan yang diramalkan 2.1.5

Peramalan dengan periode Siklis

Persamaan Matematis yang digunakan untuk data dengan pola Siklis ini adalah :

Y ' (t )  a  b sin

2 t 2t  c. cos n n 19

Dimana a, b dan c adalah konstanta yang didapat dari persamaan sebagai berikut : a

b

c

2.1.6

Y ( t ) n 2 Y ( t ) sin

2 t n

n 2 Y ( t ) cos

2 t n

n

Peramalan dengan metode seasonal

Peramalan dengan metode Seasonal sangat baik jika digunakan untukmenghadapi data-data Seasonal . Peramalan kedepan dapat menggunakan cara regresi linier . 2.1.7

Nilai kesalahan Peramalan

Dalam melakukan peramalan , hasil peramaln kita tidak mungkin benar-benar tepat . Selisih antara nilai sebenarnya dengan nilai peramalan dapat dikatakan sebagai ‘error’ . Hal ini dapat diketahui dari perbandingan antara nilai-nilai kesalahan dari masing-masing metode , metode yang terbaik adalah metode yang paling sesuai dengan data yang dimiliki nilai peramalan kesalahan yang paling kecil . Perhitungan kesalahan dapat dijabarkan sebagai berikut : Ei

 xi  Fi i

Dimana :

20

Eii  kesalahan pada periode ke I i i

xi Fii

 Nilai sesungguhnya pada periode ke 1  nilaihasil peramalan pada periode ke 1

Jumlah keslahan peramalan hanya merupakan ukuran biasa atau selisih biasa yang dihasilkan . Beberapa alternative beberapa metode kesalahan peramalan yang banyak digunakan adalah sebagai berikut :

1. Mean Square Error ( MSE ) N

MSE 

e

2 1

i 1

N

2. Mean Absolute Error ( MAE ) N

MAE 

e i 1

i

N

3. Mean Absolute Percent Error ( MAP )

MAP 

2.1.8

100 N ei  N i 1 xi

Theils – U

Merupakan suatu ukuran kesalahan peramalan yang mempertimbangkan ketidak seimbangan unsur kesalahan yang besar serta memberikan dasar perbandingan

21

relative dengan metode naif . Statitik ini mungkin suatu perbandingan relative antara metode peramalan formal dengan pendekatan naïf dan juga mengkuadratkan kesalahan yang terjadi sehingga kesalahan yang besar diberikan bobot yang besar dibandingkan dengan kesalahan yang kecil yang akan memberikan interprestasi yang intuitif. Secara matematis dapat didefinisikansebagai berikut :

n1

U

i 1(FPEi1  APEi1 )2 n1

(APEi 1)

2

i 1

(n 1)

(n1)

Dimana :

FPEi

1



APEi 1 

Fi

 1

 xi

xi F i 1  x i xi

yang merupakan perubahan relatif yang diramalkan

yang merupakan perubahan relatif yang sebenarnya

Jika kedua persamaan trsebut di subtitusikan maka :

22

2

 Fi 1  xi   x  (n 1) i   U  2 n 1 F  i 1  x1     x1  ( n 1) i 1  n 1

Nilai statistic yang dihasilkan akan memberikan nilai : -

Nol jika FPE i 1  APE 1  1 hal ini terjadi jika semua hasil ramalan tepat

FPE

i 1

 011

hal ini terjadi jika kesalahan dalam metode peramalan sama dengan nilai kesalahan yang diperoleh dengan meramalkan nilai aktua ln ya > 1 jika FPEi 1 mempunyai arh yang berlawanan dengan APEi+1 karena pembilang akan lebih besar dari penyebut 2.1.9

Tracking Signal

Cara untuk mengontrol peramalan untuk memastikan bahwa metode peramalan yang digunakan akan menghasilkan peramalan yang baik , juga digunakan untuk mengetahui sebaik apakah metode permalan yang digunakan dalam memprediksikan data actual . Tracking Signal dihitung sebagai jumlah kesalahan peramalan dibandingkan dengan nilai MAE, yang dapat didefinikan sebagai berikut : Tracking Signal (TS ) =

RSFE MAE

23

Dimana : MAE =

 kesalahan peramalan   e

i

n

n

Nilai positif tracking signal menunjukan bahwa data actual masih lebih besar dibandingkan dengan data peramalan . Sedangkan Negatif Tracking Signal menunjukan bahwa data actual lebih kecil dibandingkan dengan data peramalannya . Tracking Signal yang baik adalah yang memiliki nilai RSFE yang kecil titik tengah tracking signal mendekati NOL . Nilai tracking signal yang dihitung dibandingkan dengan batas control yang telah ditentukan . Batas maximum  MAE untuk jumlah persediaan yang besar dan data maximum

 8 MAE untuk jumlah persediaan yang lebih rendah .

+

Tracking signal berada diluar batas k t l Upper control limit

Tracking signal

Daerah penerimaan

Lower control limit

periode Gambar 2.1 Tracking Signal

24

2.1.10 Verifikasi dan Pengendalian Peramalan

Bentuk alat kontrol paling sederhana untuk mengamati vertifikasi peramalan adalah peta kontrol statistik yang digunakan dalam pengendalian kualitas. Salah satu peta control statistik adalah MRC. MRC dibuat untuk membandingkan nilai yang diamati atau nilai observasi atau data aktual dengan nilai peramalan atau perkiraan, yang dapat didefinisikan sebagai berikut: MR =

d '1  dt ) - (d’ t 1 - d t 1 )

Sedangkan Moving Range didefinisikan sebagai berikut:

MR =

 MR n 1

Batas kontrol Moving Range Chart didefinisikan sebagai berikut: UCL = + 2.66 MR LCL = -2.66 MR Jika ada data yang berada diluar batas control yang telah ditentukan maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain, jika semua titik berada dalam batas yang ditentukan maka peramalan dinyatakan benar. - Daerah A merupakan daerah yang dibatasi 

2 (2.66 MR ) =  1.77 MR 3

1 - Daerah B merupakan daerah yang dibatasi  (2.66 MR) =  0.89 MR 3 - Daerah C merupakan daerah di atas atau di bawah garis sumbu (central line) Kondisi tidak terkendali jika:

25

- 2 titik atau data yang beruntun, 2 atau lebih diantaranya berada di daerah A - 5 titik atau data yang beruntun, 4 atau lebih diantaranya berada di daerah B - 8 titik atau data yang beruntun berada pada salah satu sisi garis sumbu.

Upper control limit Region A

d’ - d

Region B Region C Center line

0 Region C Region B Region A

Gambar 2.2 Moving Range Chart (MRC) 2.2

Lower control limit

PERENCANAAN PRODUKSI

Pengertian perencanaan produksi adalah perencanaan mengenai tenaga kerja, bahan-bahan dan mesin peralatan lain serta modal yang diperlukan untuk memproduksi barang-barang pada periode tertentu dimasa mendatang sesuai dengan yang diperkirakan atau yang diramalkan. Tujuan dari perencanaan produksi adalah: 1. Dapat membuat produk atau jasa dengan harga yang murah. 2. Dapat menentukan harga pokok dan harga jual dengan harga yang rendah. 26

3. Dapat bersaing dengan kemampuan yang cukup. 4. Dapat menjual barang dalam jumlah yang banyak dan sekaligus menguasai bagian pasar yang luas dari pada penjualan barang atau jasa. Perencanaan produksi dibagi menjadi dua : 1. Perencanaan jangka pendek Adalah perencanaan dengan jangka waktu satu tahun atau kurang yang bertujuan untuk mengatur penggunaan tenaga kerja, persediaan barang dan fasilitas pabrik yang dimiliki perusahaan pabrik. 2. Perencanaan jangka panjang Adalah perencanaan dengan jangka waktu lebih dari satu tahun yang bertujuan untuk mengatur pertambahan kapasitas peralatan atau mesin, ekspansi pabrik dan pengembangan produk. Perencanaan agregat memberikan gambaran yang menyeluruh tentang permintaan konsumen terhadap produk yang dihasilkan dan berguna juga untuk mengevaluasi dampak perencanaan dan jadwal kapasitas dan mengevaluasi keefektifan dari perencanaan produksi yang ada. Perencanaan agregat juga mengelompokkan sumber daya yang tersedia untuk setiap periode dalam horizon waktu dan memutuskan alternatif yang terbaik untuk menggunakan kapasitas yanga ada yang bertujuan untuk: Fasibilitas dan Optimalitas. Metode perencanaan produksi agregat dibagi menjadi:

27

1. Pure Strategy - Changing Workforce level Adalah penambahan jumlah tenaga kerja jika diperlukan dan mengubah tenaga kerja dengan perekrutan tenaga kerja atau melakukan pemutusan huubungan kerja dengan tujuan untuk menyamakan tingkat produksi dengan jumlah permintaan setiap periodenya, sehingga tidak ada persediaan yang berlebihan. - Changing Inventory level Adalah penyamaan jumlah produksi berdasarkan rata-rata permintaan dan menutupi kekurangan produksi dengan persediaan yang berasal dari produksi periode terdahulu dan pada metode ini berusaha menghindarkan hire dan fire. - Subcontacting Adalah suatu kegiatan dimana perusahaan berusaha untuk mencukupi jumlah permintaan dengan melakukan subkontrak dengan perusahaan lain. - Mixed Strategy Adalah penggabungan dua atau lebih dari metode Pure Strategy dengan tujuan menghindari dampak negatif dari masing-masing metode yang ada.

2.3

DISAGREGAT

Perencanaan Disagregat ( Disaggregat Planning ) merupakan langkah selanjutnya setelah perencanaan agregat, tujuan dari perencanaan disagregat ini adalah untuk memecah satuan produk agregat pada perencanaan agregat ke dalam setiap item produk serta 28

mengetahui item-item suatu produk apa saja yang akan diproduksi setiap periodenya dan berapa jumlah setiap item dari suatu produk tersebut akan diproduksi. Disagregasi akan dilakukan dengan pendekatan Hax and Bintran (Bedworth, 1982:164) Langkah-langkah dalam melakukan disagregasi item ini adalah sebagai berikut: 1. menentukan nilai expected quantity yaitu persediaan awal dikurangi permintaan

( I ij 1  Di j . Jika expected quantity bernilai negative, berarti item itu harus diproduksi, karena jumlah persediaan yang ada tidak mencukupi permintaan. 2. Menentukan nilai n, yaitu  banyaknya ulangan permintaan yang akan dipenuhi oleh jumlah produksi persediaan yang ada sekarang ini dengan syarat-syarat:  N  Yi *   K ij   D ijn  SS ij  I ijt  1  …………………. ( 2.11 )    n 1  Y *i adalah jumlah produk yang diproduksi dari perencanaa agregat terbaik. Untuk Changing Workface Level :Y *i = Demand dalam satuan agregat. Untuk Changing Inventory Level : Y *i = Produk dalam satuan agregat. Untuk Subcontarcting : Y *i = Produk dalam satuan agregat. Untuk Mixed Strategy : Y *i =

Wqktur regular  waktu overtime x {Round Normal} Waktu siklus

3. Menghitung E (excess Demand) atau kelebihan permintaan / kebutuhan

29

dengan rumus :

E1 

N  * K  ij  Dijn  SS ij  I yt  1   Yi ........( 2.12)  j i  n 1 

4. Menentukan jumlah produksi untuk masing-masing item dengan rumus :

N

Yi *1   Dijn  SSij  I ijt  1  (Ei Dt D ijn  Yi * . n 1

 KijDijn............(2.13) jei

Perintah produksi , jika : q qij ,1 I ij ,l

Dimana q = expected quantity………..(2.14)

Dan jika : q qij1  I

 Sij  ij1 dimana s = safety stock ……….(2.15)

Catatan : 

Next Per-ending Inventory = Kuantitas produksi – ExpectedQuant



Kuantitas produksi angkanya harus bulat ,apabila tidak bulat maka dibulatkan langsung .



Kuantita produksi nilainya bulat , apabila tidak bulat maka dibulatkan normal

2.3.1

Jadwal Induk Produksi / Master Production Schedulling (MPS)

30

Pada dasarnya jadwal induk produksi merupakan suatu pernyataan tentang produk akhir suatu perusahaan industri manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas dan periode waktu. MPS mendisagregasikan dan mengimplementasikan rencana produksi. Penjadwalan produksi induk, pada dasarnya berkaitan dengan aktivitas melakukan fungsi utama, berikut: a. Menyediakan atau memberikan input utama kepada system perencanaan kebutuhan material dan kapasitas, merupakan aktivitas perencanaan lebel 3 dalam meraraki perencanaan prioritas dan perencanaan kapasitas pada system MRP II b. Menjadwalan pesanan-pesanan produksi dan pembelian suatu item. c. Memberikan landasan untuk penentuan kebutuhan sumber daya dan kapasitas. d. Memberikan basis untuk pembuatan janji tentang penyerahan produk, kepada pelanggan. Sebagai

suatu

aktivitas

proses,

jadwal

induk

produksi

(MPS)

membutuhkan lima input utama yaitu sebagai berikut : a) Data permintaan total, yang berkaitan dengan ramalan penjualan (sales foreast) dan pesanan-pesanan (order)

31

b) Status inventori, berkaitan dengan informasi tentang on hand investory, stock yang dialokasikan untuk penggunaan tertentu, pesanan produksi dan pembelian yang dikeluarkan. c) Perencanaan produksi menentukan tingkat produksi, inventori, dan sumber daya lainnya. d) Data perencanaan, bekaitan dengan aturan-aturan tentang lot sizing, safety stock dan waktu tunggu (lead time), dari masing-masing item shrinkage factor. 2.3.2

Beberapa Pertimbangan Dalam Mendesain MPS

Dalam mendesain MPS , beberapa factor utama yang menentukan proses penjadwalan produksi induk (MPS) adalah: 1. lingkungan manufacturing yang umumnya dipertimbangkan adalah make to stock, make to order dan assemble to order. 2. struktur produk atau Bill of Material (BOM). Struktur produk selalu ditampilkan dalam bentuk gambar (chart format). Struktur produk yaitu cara komponen-komponen bergabung ke dalam suatu produk selama proses manufacturing. 3. Horizon perencanaan, waktu tunggu produk dan production time fences.

32

a. Horizon perencanaan harus sama dengan banyak periode dikalikan panjang dari setiap periode (H = L x N, dimana H = Horizon, L= length of periode, N= Number of periode) b. Waktu tunggu produksi, yaitu lama waktu menunggu sejak menempatan pesanan sampai memperoleh pesanan tersebut. Waktu tunggu berkaitan dengan waktu menunggu diproses, bergerak / berpindah, antri , set up, dan run time untuk komponen yang diproduksi. c. Time fences yaitu sebagai suatu kebijakan atau petunjuk yang ditetapkan untuk mencatat dimana (dalam zona waktu) terdapat berbagai keterbatasan atau perubahan dalam proses operasi, manufacturing. Time fences yang paling umum dikenal adalah Demand Time Fencess (DTF) pada waktu final assembly dan Planning Time Fences (PTF) yang ditetapkan pada waktu tunggu kumulatif.

2.4

ROUGHT CUT CAPACITY PLANNING (RCCP)

2.4.1

Definisi Rought Cut Capacity Planning (RCCP)

RCCP didefinisikan sebagai proses mengkonversi MPS kedalam sumber daya yang dibutuhkan. Tahap pertama dalam RCCP adalah identifikasi sumber daya yang utama, seperti work center, tenaga kerja atau material kritis. Kemudian tentukan factor penggunaan sumber daya per unit untuk setiap item, dan diasumsikan bahwa sumber daya tersebut digunakan dalam periode yang sama 33

sesuai dengan jadwal pesanan yang telah disusun. Kemudian factor penggunaan tersebut dikalikan dengan jumlah rencana pemesanan untuk RCCP. Selanjutnya beban sumber dibangdingkan dengan kapasitas yang tersedia, apakah underload atau overload. Jika overload maka jadwal harus diubah atau kapasitas harus ditambah. Jika underload, kapasitas hatus dikurangi dan jadwal harus ditambah.

2.4.2 Teknik-Teknik Yang Digunakan Untuk Melakukan RCCP Teknik-tekik yang digunakan untuk melakukan RCCP adalah (Sheikh, 2002:441). 1. Capacity Planning Using Overall Factors (CROP) Metode ini merupakan metode yang cukup sederhana dalam pendekatan RCCP krena penggunaan perhitungannya paling sedikit. Input datanya berasal dari Jadwal Induk Produksi, waktu total yang diperlukan untuk memproduksi suatu produk dan proporsi waktu penggunaan sumber. Prosedur ini biasanya menggunakan factor perencanaan yang berasal dari data historic dari produk, sehingga pendekatan ini paling mudah terpengaruh jika terjadi perubahan dalam volume produk maupun jumlah waktu yang dibutuhkan untuk membuat suatu produk. Adapun rumus yang digunakan dalam metode ini adalah sebagai berikut :

34

N

; I wI  H ..............(2.16

H t   q pj x xhp p 1



Dimana : H t  total jam ker ja yang dibutuhkan pada periode t q pj  jumlahjam jam ker ja untuk item P yang dibutuhkan pada periode t Hp = jumlah item P yang akan diproduksi Iwl =Beban kerja dalam 1 jam di bagian produksi Iw pada periode t r  presentasi dari jam ker ja dibagian produksi ws selama periode menda tan g 2. Metode Capacity Bills (Bill Of Resources) Pada metode Capacity Bills , estimasi beban kerja pada setiap bagian produk untuk setiap periode Jadwal Induk Produksi dihitung dengan rumus :

I wj 

n

q p 1

pj xh pj

……………………………….(2.17)

Dimana: Iwl = Bebean kerja dalam 1 jam pada bagian produksi w pada periode t q pj  jumlahjam jam ker ja untuk item P yang dibutuhkan pada periode t Hp = jumlah item P yang akan diproduksi 35

N = jumlah produksi yang dibuat .

3. Resources Profile Approach Metode ini selain menggunakan data waktu standar, pendekatan ini juga membutuhkan data waktu senggang (Lead Time) untuk melakukan pekerjaan tersebut. Dalam penelitian tugas akhir ini pada perhitungan Rought Cut Capacity Planning menggunakan metode Bill Of Resources.

2.5

MRP

2.5.1

Definisi MRP

MRP merupakan salah satu teknik perencanaan dan pengendalian produksi dimana jadwal induk produksi digunakan untuk membuat atau membeli material/item yang bersifat “Dependent Demand” . Master Requirement Planning

36

yaitu suatu system untuk mengatur agar komponen-komponen yang diperlukan tersebut dapat tersedia pada waktu dan jumlah yang tepat. Sebuah produk terdiri dari” Independent demand” yaitu kebutuhan yang tidak berhubungan dengan produk lain dan “Dependent Demand” yaitu kebutuhan yang berkaitan dengan produk lain. Jika pada peramalan dam agregat kita berfokus pada independent demand maka pada MRP kita akan berfokus pada dependent demand.

2.5.2 BOM Metode BOM (Bill Of Material) adalah suatu cara untuk mempermudah kita dalam berfokus pada dependent demand. BOM merupakan suatu metode untuk memecahkan suatu independent demand menjadi dependent demand.

2.5.3 Lead Time Lead Time dibedakan menjadi dua jenis yaitu : 1. Lead Time pembelian

37

Adalah selang waktu antara pemesanan dengan waktu diterimanya pesanan tersebut. 2. Lead Time manufacturing Adalah waktu yang dibutuhkan untuk perakitan yang diukur dari waktu pemesanan sampai produk tersebut diterimanya pesanan tersebut.

2.5.4 Lot Sizing Lot sizing (lotting) merupakan suatu algoritma Heuristics yang mencoba untuk mencari jumlah pesanan yang optimal berdasarkan pertimbangan :

o Biaya pembalian barang

Adalah harga pembelian, jika barang dibeli atau biaya produksi, jika barang dibuat sendiri. Untuk barang yang dibeli, biaya total adalah harga barang ditambah biaya pengangkutan, pajak, bea, dan lain-lain. o Biaya pesan

38

Adalah biaya yang harus dikeluarkan setiap kali memesan barang ke supplier, atau biaya set up yang terjadi setiap kali ada pergantian proses produksi dari satu produk ke produk lainnya. o Biaya simpan

Adalah biaya yang hars dikeluarkan bila menyimpan barang. Biaya-biaya yang termasuk kelompok ini misalnya : listrik, pajak premi asuransi, biaya tenaga kerja yang mengawasi persediaan dll. Metode ini sangat berguna untuk mencari biaya yang serendah mungkin dalam perhitungan untuk pemesanan barang. Beberapa metode Lot Sizing, adalah sebagai berikut :

2.5.4

Metode Economic Order Quantity

Metode 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 

2 DS H

39

Dimana : Q = Jumlah barang setiap pemesanan D = Jumlah permintaan dalam periode N S = biaya pesan H = biaya simpen pada perioda N

2.5.5

Metode Period Order Quantity (POQ)

Metode POQ sebenarnya adalah pengembangan dari metode EOQ. Jika pada metode EOQ , jumlah barang setiap pemesanan bersifat konstan, maka pada metode POQ ini interval periode pemesanannya yang bersifat konstan. Rumusan untuk menentukan jumlah dan periode POQ adalah:

N 

Q d

Dimana : N = jumlah periode pemesanan Q = jumlah barng secara EOQ

Metode Lot for Lot (L - 4 -L)

40

Metode Lot for Lot merupakan metode paling sederhana dimana pada dasarnya metode ini mengadakan pemesanan persediaan setiap sub-periode. Tujuannya adalah untuk meminimasi biaya simpan, karena tidak adanya persediaan yang tersisa setiap pergantian sub-periode.

Wagner-Within Prinsip : minimasi ongkos persediaan dengan mensyaratkan persediaan akhir horizon perencanaan sama dengan nol. Langkah-langkah: 1) Hitung matriks ongkos variable total dari setiap alternative pemesanan sepanjang N periode yang terdiri dari ongkos pesan / set up dan ongkos simpan. e

Z ce  C  hp  ( Qce  Qci ) i c

Keterangan : 1 1  c  e  N Z ce = Ongkos variable total periode c sampai e jika membuat pesanan di periode c untuk memenuhi kebutuhan periode c sampai e .

41

C

= Ongkos Pesan / set up

H = presentasi ongkos simpan . e

P = Ongkos pembelian per unit Qce   R 5 k c

2) Definisikan f e sebagai altenatif ongkos minimum untuk periode 1 sampai e, dimana persediaan di akhir periode e = 0. f e  Min Ze  f c 

2.6.

PEMBUATAN MRP

Langkah-langkah pembuatan MRP, sebagai berikut : 1. Membuat Bill of Material 2. Menentukan Lead Time terbesar untuk menentukan batas terkecil periode dalam perhitungan. 3. Untuk elemen-elemen BOM yang berada di level terbesar (paling bawah letaknya) dihitung dengan Metode Lot Sizing untuk mencari biaya yang paling minimum. 4. membuat table-tabel MRP dengan memasukkan factor-faktor : 42

o Gross Requirement (GR) o Inventory (I) o Schedule Receipt (SR)

Jika ada

o Safety Stock (SS) o Net Requirement (NR) = GR – I – SR + SS o Planned Order Receipt o Planned Order Release

2.6.1 Tujuan MRP Terdapat beberapa tujuan MRP I adalah sebagai berikut : 1. Meminimasi Persediaan Dengan ditentukan jumlah dan waktu suatu komponen yang diperlukan, maka pembelian hanya dilakukan sebatas yang diperlukan saja sehingga dapat diminimalkan biaya persediaan . 2. Mengurangi resiko keterlambatan pengiriman dan produksi

43

Dengan diperhatikan lead time untuk setiap komponen akan memperkecil resiko tidak tersedianya komponen yang akan diproses yang akan dapat mengganggu proses produksi. 3. Komitmen yang realistis , Dengan dapat dipenuhinya jadwal produksi sesuai waktunya, komitmen terhadap pengiriman barang akan lebih realistis sehingga akan meningkatkan kepuasan dan kepercayaan konsumen. 4.

Meningkatkan efisiensi Dengan lebih baiknya perencanaan dalam hal jumlah persediaan, waktu produksi dan waktu pengiriman barang maka akan meningkatkan efisiensi dalam perusahaan.

44

BAB II LANDASAN TEORI 2.6

PERAMALAN PERMINTAAN

Peramalan adalah suatu proses dalam menggunakan data histories yang telah dimiliki untuk diproyeksikan kedalam suatu model,dan model ini digunakan untuk memperkirakan kedaan masa datang . Dalam melakukan peramalan perlu dilakukan batas- batas yaitu : Produk yang diminta telah teridentifikasikan dan jumlah yang diminta dapat dibuat produsen . Peramalan sendiri terbagi menjadi : 3. Peramalan kualitatif Peramalan yang melibatkan pendapat pribadi , pedapat ahli, metode Delphi, Penelitian pasar dan lain-lain. 4. Peramalan kuantitatif

45

a. Model Time Series ( deret waktu ) Permintaan merupakan fungsi dari waktu ,pola permintaan pada masa yang akan datang diperkirakan serupa bulan masa lalu . b. Model Causal Merupaka fungsi dari penyebab-penyebab .Metode Peramalan time Series terbagi lagi menjadi beberapa bagian yaitu : regresi, Perataan ,Pemulusan dan Siklis . 2.6.1

Peramalan dengan Metode Regresi Linier

Salah satu peramalan yang paling sederhana adalah Regresi Linier , Dimana diasumsikan terdapat hubungan antara variable yang ingin diramalkan dengan variable lain . Peramalan didasrkan pada asumsi bahwa pola dari pertumbuhan data histories bersifat linier , yang dapat dijabarkan sebagai berikut : Y ( t ) = a + bt Dimana Y merupakan fungsi terhadap waktu . Variabel a dan b adalh parameter yang akan ditentukan dalam perhitungan . Rumus yang akan menghitung a dan b adalah sebagai berikut :

N

b 

N  tY (t )  tI

N

N

t I

t I 2

 Y (t ) t

N  N  Nt 2  t  t I  tI 

46

1 N

a 2.6.2

N

 y(t )  tI

1 N b t N tI

Peramalan dengan Metode Regresi Kuadratis

Regresi kuadratis ini didasarkan pad asumsi bahwa pola pertumbuhan data histories bersifat kuadratis , Pada dasarnya peramalan ini serupa dengan regresi linier hanya saja berbeda dalam hal asumsi data histories . Pola pertumbuhan ini didekatkan dengan suatu model yang menggambarkan hubungan-hubungan yang terkait dalam suatu keadaan . Model tersebut dapat dijabarkan sebagi berikut : Y ( t )  a  bt  ct 2 Demand Y merupakan fungsi terhadap waktu , Rumus-rumus dalam menghitung variable a , b dan c adalah : b

      2

Dimana : 



N

2

N

  t 2   Nt 4  tI

  :

 



N

N

tI

tI

tI

N

 t  Y (t )  N  t Y t  N

tI

N

N

 t  Y (t )   t Y (t ) 2

tI

 

tI

N

N

t I

tI

t t 

N



2

2

N

 Nt3 tI

N

  t   Nt 2  t I 

T i

47

2

Selanjutnya nilai a didapat dengan menggunakan nilai b dan c yang telah diperoleh sebelumnya melalui persamaan : N

a 2.6.3

 Y (t ) t I

N

N

b

t tI

N

N

 c

t

2

t 1

N

Peramalan dengan Metode Double Moving Avarage

Metode ini mampu mengurangi kesalahan sistematis yang terjadi , Dasar dari system ini adalah menghitung rata-rata bergerak yang kedua . Rata-rata bergerak ganda merupakan rata-rata bergerak dan disimbolkan sebagai MA ( M * N )yang berarti MA M periode dari MAN periode . Prosedur yang digunakan adalah sebagai berikut : 7. Cari x rata-rata dari x1 sampai xt dan nilai peramalan untuk periode S’ t +1 adalah x rata-rata tesebut . 8. Cari x rata-rata dari x2 sampai xt+1 , dan nilai peramalan untuk periode S’ t +2 adalah x rata-rata tesebut . 9. Ulangi kedua langkah diatas sampai semua X terhitung . Lanjutkan dengan cara yang sama untuk menghitung S’’ hanya saja sekarang yang rata-rata bukan x melainkan S’t . 10. Menghitung at dengan rumus at = 2 S’t - S’’t

11. Menghitung bt dengan rumus bt =

48

2 S 't  S ' ' t N 1

12. Menghitung peramalan ( Ft+m ) dimana m merupakan jumlah Periode kemuka dari t rumus : F t+m = aa + bt*m

2.6.4

Peramalan dengan Metode Double Exponential Smoothing atau Metode Linier Brown .

Merupakan salah satu dari tehnik matematika yang secara langsung dapat diterapkan dalam system peramalan . Prosedure peramalan ini memiliki semua sifat dari tehnik moving average . Peramalan dengan metode ini tidak memerlukan data histories dalam jumlah besar tetapi memberikan hasil yang terbaik . Metode ini memberikan bobot yang semakin menurun . Dasar pemikiran dari metode Linier Brown adalah serupa dengan rata-rata bergerak linier , karena kedua nilai pemula dan eksponensial tunggal dan ganda ketinggalan dari data yang sebenarnya bila mana terdapat unsure trend. Dalam metode ini dikenal konstanta kemulusan ( α ) Rumus untuk Metode Linier Brown adalah sebagai berikut :

49

S '   t

 (1   ) S

S ' '   S 't

t 1 t

 (1   ) S ''

t 1

 t  2 S 't  S ' 't 1 b

1





1  

Ft m  at

S '

 S ' 't



 bt m

Dimana : S 't  pemulusan exp onentialtunggal periode ke t S ' 't t  pemulusan exp onential ganda periode ke t   kons tan ta pemulusan Xt = data permintaan period eke t at = penyesuaian pemulusan exponential tunggal b t = taksiran kecenderungan antara periode F t+m = peramalan periode = jumlah periodekedepan yang diramalkan M 2.6.5

Peramalan dengan periode Siklis

Persamaan Matematis yang digunakan untuk data dengan pola Siklis ini adalah : Y ' (t )  a  b sin

2 t 2t  c. cos n n

Dimana a, b dan c adalah konstanta yang didapat dari persamaan sebagai berikut :

50

a

b

c

2.6.6

Y ( t ) n 2 Y ( t ) sin

2 t n

n 2 Y ( t ) cos

2 t n

n

Peramalan dengan metode seasonal

Peramalan dengan metode Seasonal sangat baik jika digunakan untukmenghadapi data-data Seasonal . Peramalan kedepan dapat menggunakan cara regresi linier . 2.6.7

Nilai kesalahan Peramalan

Dalam melakukan peramalan , hasil peramaln kita tidak mungkin benar-benar tepat . Selisih antara nilai sebenarnya dengan nilai peramalan dapat dikatakan sebagai ‘error’ . Hal ini dapat diketahui dari perbandingan antara nilai-nilai kesalahan dari masing-masing metode , metode yang terbaik adalah metode yang paling sesuai dengan data yang dimiliki nilai peramalan kesalahan yang paling kecil . Perhitungan kesalahan dapat dijabarkan sebagai berikut : Ei

 xi  Fi i

Dimana : Eii  kesalahan pada periode ke I i i

51

xi Fii

 Nilai sesungguhnya pada periode ke 1  nilaihasil peramalan pada periode ke 1

Jumlah keslahan peramalan hanya merupakan ukuran biasa atau selisih biasa yang dihasilkan . Beberapa alternative beberapa metode kesalahan peramalan yang banyak digunakan adalah sebagai berikut :

4. Mean Square Error ( MSE ) N

MSE 

e

2 1

i 1

N

5. Mean Absolute Error ( MAE ) N

MAE 

e i 1

i

N

6. Mean Absolute Percent Error ( MAP )

MAP 

2.6.8

100 N ei  N i 1 xi

Theils – U

Merupakan suatu ukuran kesalahan peramalan yang mempertimbangkan ketidak seimbangan unsur kesalahan yang besar serta memberikan dasar perbandingan

52

relative dengan metode naif . Statitik ini mungkin suatu perbandingan relative antara metode peramalan formal dengan pendekatan naïf dan juga mengkuadratkan kesalahan yang terjadi sehingga kesalahan yang besar diberikan bobot yang besar dibandingkan dengan kesalahan yang kecil yang akan memberikan interprestasi yang intuitif. Secara matematis dapat didefinisikansebagai berikut :

n1

U

i 1(FPEi1  APEi1 )2 n1

(APEi 1)

2

i 1

(n 1)

(n1)

Dimana :

FPEi

1



APEi 1 

Fi

 1

 xi

xi F i 1  x i xi

yang merupakan perubahan relatif yang diramalkan

yang merupakan perubahan relatif yang sebenarnya

Jika kedua persamaan trsebut di subtitusikan maka :

53

2

 Fi 1  xi   x  (n 1) i   U  2 n 1 F  i 1  x1     x1  ( n 1) i 1  n 1

Nilai statistic yang dihasilkan akan memberikan nilai : -

Nol jika FPE i 1  APE 1  1 hal ini terjadi jika semua hasil ramalan tepat

FPE

i 1

 011

hal ini terjadi jika kesalahan dalam metode peramalan sama dengan nilai kesalahan yang diperoleh dengan meramalkan nilai aktua ln ya > 1 jika FPEi 1 mempunyai arh yang berlawanan dengan APEi+1 karena pembilang akan lebih besar dari penyebut 2.6.9

Tracking Signal

Cara untuk mengontrol peramalan untuk memastikan bahwa metode peramalan yang digunakan akan menghasilkan peramalan yang baik , juga digunakan untuk mengetahui sebaik apakah metode permalan yang digunakan dalam memprediksikan data actual . Tracking Signal dihitung sebagai jumlah kesalahan peramalan dibandingkan dengan nilai MAE, yang dapat didefinikan sebagai berikut : Tracking Signal (TS ) =

RSFE MAE 54

Dimana : MAE =

 kesalahan peramalan   e

i

n

n

Nilai positif tracking signal menunjukan bahwa data actual masih lebih besar dibandingkan dengan data peramalan . Sedangkan Negatif Tracking Signal menunjukan bahwa data actual lebih kecil dibandingkan dengan data peramalannya . Tracking Signal yang baik adalah yang memiliki nilai RSFE yang kecil titik tengah tracking signal mendekati NOL . Nilai tracking signal yang dihitung dibandingkan dengan batas control yang telah ditentukan . Batas maximum  MAE untuk jumlah persediaan yang besar dan data maximum

 8 MAE untuk jumlah persediaan yang lebih rendah .

Tracking signal berada diluar batas k t l Upper control limit

55

Tracking signal

+ Daerah penerimaan

Lower control limit

periode Gambar 2.1 Tracking Signal

2.1.10 Verifikasi dan Pengendalian Peramalan

Bentuk alat kontrol paling sederhana untuk mengamati vertifikasi peramalan adalah peta kontrol statistik yang digunakan dalam pengendalian kualitas. Salah satu peta control statistik adalah MRC. MRC dibuat untuk membandingkan nilai yang diamati atau nilai observasi atau data aktual dengan nilai peramalan atau perkiraan, yang dapat didefinisikan sebagai berikut: MR =

d '1  dt ) - (d’ t 1 - d t 1 )

Sedangkan Moving Range didefinisikan sebagai berikut: MR =

 MR n 1

Batas kontrol Moving Range Chart didefinisikan sebagai berikut: UCL = + 2.66 MR 56

LCL = -2.66 MR Jika ada data yang berada diluar batas control yang telah ditentukan maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain, jika semua titik berada dalam batas yang ditentukan maka peramalan dinyatakan benar. - Daerah A merupakan daerah yang dibatasi 

2 (2.66 MR ) =  1.77 MR 3

1 - Daerah B merupakan daerah yang dibatasi  (2.66 MR) =  0.89 MR 3 - Daerah C merupakan daerah di atas atau di bawah garis sumbu (central line) Kondisi tidak terkendali jika: - 2 titik atau data yang beruntun, 2 atau lebih diantaranya berada di daerah A - 5 titik atau data yang beruntun, 4 atau lebih diantaranya berada di daerah B - 8 titik atau data yang beruntun berada pada salah satu sisi garis sumbu.

Upper control limit Region A

d’ - d

Region B Region C Center line

0 Region C Region B Region A

57

Lower control limit

Gambar 2.2 Moving Range Chart (MRC) 2.7

PERENCANAAN PRODUKSI

Pengertian perencanaan produksi adalah perencanaan mengenai tenaga kerja, bahan-bahan dan mesin peralatan lain serta modal yang diperlukan untuk memproduksi barang-barang pada periode tertentu dimasa mendatang sesuai dengan yang diperkirakan atau yang diramalkan. Tujuan dari perencanaan produksi adalah: 5. Dapat membuat produk atau jasa dengan harga yang murah. 6. Dapat menentukan harga pokok dan harga jual dengan harga yang rendah. 7. Dapat bersaing dengan kemampuan yang cukup. 8. Dapat menjual barang dalam jumlah yang banyak dan sekaligus menguasai bagian pasar yang luas dari pada penjualan barang atau jasa. Perencanaan produksi dibagi menjadi dua : 3. Perencanaan jangka pendek Adalah perencanaan dengan jangka waktu satu tahun atau kurang yang bertujuan untuk mengatur penggunaan tenaga kerja, persediaan barang dan fasilitas pabrik yang dimiliki perusahaan pabrik. 4. Perencanaan jangka panjang

58

Adalah perencanaan dengan jangka waktu lebih dari satu tahun yang bertujuan untuk mengatur pertambahan kapasitas peralatan atau mesin, ekspansi pabrik dan pengembangan produk. Perencanaan agregat memberikan gambaran yang menyeluruh tentang permintaan konsumen terhadap produk yang dihasilkan dan berguna juga untuk mengevaluasi dampak perencanaan dan jadwal kapasitas dan mengevaluasi keefektifan dari perencanaan produksi yang ada. Perencanaan agregat juga mengelompokkan sumber daya yang tersedia untuk setiap periode dalam horizon waktu dan memutuskan alternatif yang terbaik untuk menggunakan kapasitas yanga ada yang bertujuan untuk: Fasibilitas dan Optimalitas. Metode perencanaan produksi agregat dibagi menjadi: 2. Pure Strategy - Changing Workforce level Adalah penambahan jumlah tenaga kerja jika diperlukan dan mengubah tenaga kerja dengan perekrutan tenaga kerja atau melakukan pemutusan huubungan kerja dengan tujuan untuk menyamakan tingkat produksi dengan jumlah permintaan setiap periodenya, sehingga tidak ada persediaan yang berlebihan. - Changing Inventory level Adalah penyamaan jumlah produksi berdasarkan rata-rata permintaan dan menutupi kekurangan produksi dengan persediaan yang berasal dari produksi periode terdahulu dan pada metode ini berusaha menghindarkan hire dan fire. 59

- Subcontacting Adalah suatu kegiatan dimana perusahaan berusaha untuk mencukupi jumlah permintaan dengan melakukan subkontrak dengan perusahaan lain. - Mixed Strategy Adalah penggabungan dua atau lebih dari metode Pure Strategy dengan tujuan menghindari dampak negatif dari masing-masing metode yang ada.

2.8

DISAGREGAT

Perencanaan Disagregat ( Disaggregat Planning ) merupakan langkah selanjutnya setelah perencanaan agregat, tujuan dari perencanaan disagregat ini adalah untuk memecah satuan produk agregat pada perencanaan agregat ke dalam setiap item produk serta mengetahui item-item suatu produk apa saja yang akan diproduksi setiap periodenya dan berapa jumlah setiap item dari suatu produk tersebut akan diproduksi. Disagregasi akan dilakukan dengan pendekatan Hax and Bintran (Bedworth, 1982:164) Langkah-langkah dalam melakukan disagregasi item ini adalah sebagai berikut: 5. menentukan nilai expected quantity yaitu persediaan awal dikurangi permintaan ( I ij 1  Di j . Jika expected quantity bernilai negative, berarti item itu harus diproduksi, karena jumlah persediaan yang ada tidak mencukupi permintaan. 6. Menentukan nilai n, yaitu  banyaknya ulangan permintaan yang akan dipenuhi oleh jumlah produksi persediaan yang ada sekarang ini dengan syarat-syarat:

60

 N  Yi *   K ij   D ijn  SS ij  I ijt  1  …………………. ( 2.11 )    n 1  Y *i adalah jumlah produk yang diproduksi dari perencanaa agregat terbaik. Untuk Changing Workface Level :Y *i = Demand dalam satuan agregat. Untuk Changing Inventory Level : Y *i = Produk dalam satuan agregat. Untuk Subcontarcting : Y *i = Produk dalam satuan agregat. Untuk Mixed Strategy : Y *i =

Wqktur regular  waktu overtime x {Round Normal} Waktu siklus

7. Menghitung E (excess Demand) atau kelebihan permintaan / kebutuhan

dengan rumus :

E1 

N  * K  ij  Dijn  SS ij  I yt  1   Yi ........( 2.12)  j i  n 1 

8. Menentukan jumlah produksi untuk masing-masing item dengan rumus :

* i 1

Y

N

  Dijn  SSij  I ijt  1  (Ei Dt D ijn  Yi * . n 1

 KijDijn............(2.13) jei

Perintah produksi , jika : q qij ,1 I ij ,l

Dimana q = expected quantity………..(2.14)

Dan jika : q qij1  I

 Sij  ij1 dimana s = safety stock ……….(2.15)

61

Catatan : 

Next Per-ending Inventory = Kuantitas produksi – ExpectedQuant



Kuantitas produksi angkanya harus bulat ,apabila tidak bulat maka dibulatkan langsung .



Kuantita produksi nilainya bulat , apabila tidak bulat maka dibulatkan normal

2.8.1

Jadwal Induk Produksi / Master Production Schedulling (MPS)

Pada dasarnya jadwal induk produksi merupakan suatu pernyataan tentang produk akhir suatu perusahaan industri manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas dan periode waktu. MPS mendisagregasikan dan mengimplementasikan rencana produksi. Penjadwalan produksi induk, pada dasarnya berkaitan dengan aktivitas melakukan fungsi utama, berikut: a. Menyediakan atau memberikan input utama kepada system perencanaan kebutuhan material dan kapasitas, merupakan aktivitas perencanaan lebel 3 dalam meraraki perencanaan prioritas dan perencanaan kapasitas pada system MRP II 62

b. Menjadwalan pesanan-pesanan produksi dan pembelian suatu item. c. Memberikan landasan untuk penentuan kebutuhan sumber daya dan kapasitas. d. Memberikan basis untuk pembuatan janji tentang penyerahan produk, kepada pelanggan. Sebagai

suatu

aktivitas

proses,

jadwal

induk

produksi

(MPS)

membutuhkan lima input utama yaitu sebagai berikut : a) Data permintaan total, yang berkaitan dengan ramalan penjualan (sales foreast) dan pesanan-pesanan (order) b) Status inventori, berkaitan dengan informasi tentang on hand investory, stock yang dialokasikan untuk penggunaan tertentu, pesanan produksi dan pembelian yang dikeluarkan. c) Perencanaan produksi menentukan tingkat produksi, inventori, dan sumber daya lainnya. d) Data perencanaan, bekaitan dengan aturan-aturan tentang lot sizing, safety stock dan waktu tunggu (lead time), dari masing-masing item shrinkage factor. 2.8.2

Beberapa Pertimbangan Dalam Mendesain MPS

63

Dalam mendesain MPS , beberapa factor utama yang menentukan proses penjadwalan produksi induk (MPS) adalah: 4. lingkungan manufacturing yang umumnya dipertimbangkan adalah make to stock, make to order dan assemble to order. 5. struktur produk atau Bill of Material (BOM). Struktur produk selalu ditampilkan dalam bentuk gambar (chart format). Struktur produk yaitu cara komponen-komponen bergabung ke dalam suatu produk selama proses manufacturing. 6. Horizon perencanaan, waktu tunggu produk dan production time fences. d. Horizon perencanaan harus sama dengan banyak periode dikalikan panjang dari setiap periode (H = L x N, dimana H = Horizon, L= length of periode, N= Number of periode) e. Waktu tunggu produksi, yaitu lama waktu menunggu sejak menempatan pesanan sampai memperoleh pesanan tersebut. Waktu tunggu berkaitan dengan waktu menunggu diproses, bergerak / berpindah, antri , set up, dan run time untuk komponen yang diproduksi. f. Time fences yaitu sebagai suatu kebijakan atau petunjuk yang ditetapkan untuk mencatat dimana (dalam zona waktu) terdapat berbagai keterbatasan atau perubahan dalam proses operasi, manufacturing. Time fences yang paling umum dikenal adalah Demand Time Fencess (DTF) pada waktu final 64

assembly dan Planning Time Fences (PTF) yang ditetapkan pada waktu tunggu kumulatif.

2.9

ROUGHT CUT CAPACITY PLANNING (RCCP)

2.9.1

Definisi Rought Cut Capacity Planning (RCCP)

RCCP didefinisikan sebagai proses mengkonversi MPS kedalam sumber daya yang dibutuhkan. Tahap pertama dalam RCCP adalah identifikasi sumber daya yang utama, seperti work center, tenaga kerja atau material kritis. Kemudian tentukan factor penggunaan sumber daya per unit untuk setiap item, dan diasumsikan bahwa sumber daya tersebut digunakan dalam periode yang sama sesuai dengan jadwal pesanan yang telah disusun. Kemudian factor penggunaan tersebut dikalikan dengan jumlah rencana pemesanan untuk RCCP. Selanjutnya beban sumber dibangdingkan dengan kapasitas yang tersedia, apakah underload atau overload. Jika overload maka jadwal harus diubah atau kapasitas harus ditambah. Jika underload, kapasitas hatus dikurangi dan jadwal harus ditambah.

2.9.2 Teknik-Teknik Yang Digunakan Untuk Melakukan RCCP Teknik-tekik yang digunakan untuk melakukan RCCP adalah (Sheikh, 2002:441). 4. Capacity Planning Using Overall Factors (CROP)

65

Metode ini merupakan metode yang cukup sederhana dalam pendekatan RCCP krena penggunaan perhitungannya paling sedikit. Input datanya berasal dari Jadwal Induk Produksi, waktu total yang diperlukan untuk memproduksi suatu produk dan proporsi waktu penggunaan sumber. Prosedur ini biasanya menggunakan factor perencanaan yang berasal dari data historic dari produk, sehingga pendekatan ini paling mudah terpengaruh jika terjadi perubahan dalam volume produk maupun jumlah waktu yang dibutuhkan untuk membuat suatu produk. Adapun rumus yang digunakan dalam metode ini adalah sebagai berikut : N

; I wI  H ..............(2.16

H t   q pj x xhp p 1



Dimana : H t  total jam ker ja yang dibutuhkan pada periode t q pj  jumlahjam jam ker ja untuk item P yang dibutuhkan pada periode t Hp = jumlah item P yang akan diproduksi Iwl =Beban kerja dalam 1 jam di bagian produksi Iw pada periode t r  presentasi dari jam ker ja dibagian produksi ws selama periode menda tan g 5. Metode Capacity Bills (Bill Of Resources)

66

Pada metode Capacity Bills , estimasi beban kerja pada setiap bagian produk untuk setiap periode Jadwal Induk Produksi dihitung dengan rumus :

I wj 

n

q p 1

pj xh pj

……………………………….(2.17)

Dimana: Iwl = Bebean kerja dalam 1 jam pada bagian produksi w pada periode t q pj  jumlahjam jam ker ja untuk item P yang dibutuhkan pada periode t Hp = jumlah item P yang akan diproduksi N = jumlah produksi yang dibuat .

6. Resources Profile Approach

67

Metode ini selain menggunakan data waktu standar, pendekatan ini juga membutuhkan data waktu senggang (Lead Time) untuk melakukan pekerjaan tersebut. Dalam penelitian tugas akhir ini pada perhitungan Rought Cut Capacity Planning menggunakan metode Bill Of Resources.

2.10 MRP 2.10.1 Definisi MRP

MRP merupakan salah satu teknik perencanaan dan pengendalian produksi dimana jadwal induk produksi digunakan untuk membuat atau membeli material/item yang bersifat “Dependent Demand” . Master Requirement Planning yaitu suatu system untuk mengatur agar komponen-komponen yang diperlukan tersebut dapat tersedia pada waktu dan jumlah yang tepat. Sebuah produk terdiri dari” Independent demand” yaitu kebutuhan yang tidak berhubungan dengan produk lain dan “Dependent Demand” yaitu kebutuhan yang berkaitan dengan produk lain. Jika pada peramalan dam agregat kita berfokus pada independent demand maka pada MRP kita akan berfokus pada dependent demand.

68

2.10.2 BOM Metode BOM (Bill Of Material) adalah suatu cara untuk mempermudah kita dalam berfokus pada dependent demand. BOM merupakan suatu metode untuk memecahkan suatu independent demand menjadi dependent demand.

2.10.3 Lead Time Lead Time dibedakan menjadi dua jenis yaitu : 1. Lead Time pembelian Adalah selang waktu antara pemesanan dengan waktu diterimanya pesanan tersebut. 2. Lead Time manufacturing Adalah waktu yang dibutuhkan untuk perakitan yang diukur dari waktu pemesanan sampai produk tersebut diterimanya pesanan tersebut.

2.10.4 Lot Sizing

69

Lot sizing (lotting) merupakan suatu algoritma Heuristics yang mencoba untuk mencari jumlah pesanan yang optimal berdasarkan pertimbangan :

o Biaya pembalian barang

Adalah harga pembelian, jika barang dibeli atau biaya produksi, jika barang dibuat sendiri. Untuk barang yang dibeli, biaya total adalah harga barang ditambah biaya pengangkutan, pajak, bea, dan lain-lain. o Biaya pesan

Adalah biaya yang harus dikeluarkan setiap kali memesan barang ke supplier, atau biaya set up yang terjadi setiap kali ada pergantian proses produksi dari satu produk ke produk lainnya. o Biaya simpan

Adalah biaya yang hars dikeluarkan bila menyimpan barang. Biaya-biaya yang termasuk kelompok ini misalnya : listrik, pajak premi asuransi, biaya tenaga kerja yang mengawasi persediaan dll. Metode ini sangat berguna untuk mencari biaya yang serendah mungkin dalam perhitungan untuk pemesanan barang. Beberapa metode Lot Sizing, adalah sebagai berikut : 70

2.5.4

Metode Economic Order Quantity

Metode 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 

2 DS H

Dimana : Q = Jumlah barang setiap pemesanan D = Jumlah permintaan dalam periode N S = biaya pesan H = biaya simpen pada perioda N

2.5.5

Metode Period Order Quantity (POQ)

Metode POQ sebenarnya adalah pengembangan dari metode EOQ. Jika pada metode EOQ , jumlah barang setiap pemesanan bersifat konstan, maka pada metode

71

POQ ini interval periode pemesanannya yang bersifat konstan. Rumusan untuk menentukan jumlah dan periode POQ adalah:

N 

Q d

Dimana : N = jumlah periode pemesanan Q = jumlah barng secara EOQ

Metode Lot for Lot (L - 4 -L) Metode Lot for Lot merupakan metode paling sederhana dimana pada dasarnya metode ini mengadakan pemesanan persediaan setiap sub-periode. Tujuannya adalah untuk meminimasi biaya simpan, karena tidak adanya persediaan yang tersisa setiap pergantian sub-periode.

Wagner-Within Prinsip : minimasi ongkos persediaan dengan mensyaratkan persediaan akhir horizon perencanaan sama dengan nol. Langkah-langkah:

72

3) Hitung matriks ongkos variable total dari setiap alternative pemesanan sepanjang N periode yang terdiri dari ongkos pesan / set up dan ongkos simpan. e

Z ce  C  hp  ( Qce  Qci ) i c

Keterangan : 1 1  c  e  N Z ce = Ongkos variable total periode c sampai e jika membuat pesanan di periode c untuk memenuhi kebutuhan periode c sampai e . C

= Ongkos Pesan / set up

H = presentasi ongkos simpan . e

P = Ongkos pembelian per unit Qce   R 5 k c

4) Definisikan f e sebagai altenatif ongkos minimum untuk periode 1 sampai e, dimana persediaan di akhir periode e = 0. f e  Min Ze  f c 

73

2.6.

PEMBUATAN MRP

Langkah-langkah pembuatan MRP, sebagai berikut : 5. Membuat Bill of Material 6. Menentukan Lead Time terbesar untuk menentukan batas terkecil periode dalam perhitungan. 7. Untuk elemen-elemen BOM yang berada di level terbesar (paling bawah letaknya) dihitung dengan Metode Lot Sizing untuk mencari biaya yang paling minimum. 8. membuat table-tabel MRP dengan memasukkan factor-faktor : o Gross Requirement (GR) o Inventory (I) o Schedule Receipt (SR)

Jika ada

o Safety Stock (SS) o Net Requirement (NR) = GR – I – SR + SS o Planned Order Receipt o Planned Order Release

74

2.6.2 Tujuan MRP Terdapat beberapa tujuan MRP I adalah sebagai berikut : 1. Meminimasi Persediaan Dengan ditentukan jumlah dan waktu suatu komponen yang diperlukan, maka pembelian hanya dilakukan sebatas yang diperlukan saja sehingga dapat diminimalkan biaya persediaan . 2. Mengurangi resiko keterlambatan pengiriman dan produksi Dengan diperhatikan lead time untuk setiap komponen akan memperkecil resiko tidak tersedianya komponen yang akan diproses yang akan dapat mengganggu proses produksi. 3. Komitmen yang realistis , Dengan dapat dipenuhinya jadwal produksi sesuai waktunya, komitmen terhadap pengiriman barang akan lebih realistis sehingga akan meningkatkan kepuasan dan kepercayaan konsumen. 4.

Meningkatkan efisiensi

75

Dengan lebih baiknya perencanaan dalam hal jumlah persediaan, waktu produksi dan waktu pengiriman barang maka akan meningkatkan efisiensi dalam perusahaan.

76

BAB III METODOLOGI PEMECAHAN MASALAH 3.1 Indetifikasi Masalah

Untuk mengindetifikasi masalah , maka kita perlu melakukan dengan data yang akan diteliti . Pokok masalah biasanya tercermin dalam judul atau topik suatu penelitian . Dalam hal ini pokok masalah adalah bertujuan untuk mengadakan suatu usulan perbaikan dalam mengelola pengadaan , penyimpanan serta pengadaan material untuk kebutuhan produksi ( inventory control system ) di unit kerja di perusahaan .

3.2 Tahapan Penelitian

Tahapan-tahapan penelitian yang dilakukan oleh penulis adalah : 1. Identifikasi masalah 2. Penetapan tujuan 3. Pengumpulan data 4. Koordinasi data menurut bagian-bagiannya .

77

3.3 Metode Pengumpulan Data

Pada tahap ini dilakukan pengumpulan data dengan cara melakukan pengamatan langsung , melihat catatan kegiatan perusahaan pada bagian persediaan ,kebijaksanaan perusahaan menyangkut masalah yang berhubungan dengan persediaan , mencari data tambahan , dan lain-lain . Ilustrasi urutan metode analisisnya dapat dilihat di gambar 3.2

Jenis data yang terkumpul adalah data sekunder yang berupa : a. Data umum perusahaan b. Data produk yang dihasilkan c. Data umum produksi d. Data bahan baku e. Data pemasok f. Data kebijaksanaan Perusahaan yang berhubungan dengan masalah ini

Metode pengumpulan data yang dilakukan untuk penyelesaian tugas akhir ini adalah : 

Obeservasi , yaitu pengamatan secara langsung pada obyek yang diteliti.



Interview , yaitu mengadakan wawancara dilapangan tentang masalah yang dibahas .



Pencarian data internal , yaitu data yang tersedia di perusahaan dimana penelitian ini dilakukan . 78



Pencarian data external , yaitu data yang didapat dari luar perusahaan , misalnya: informasi tehnis atau non tehnis dari pabrik atau vendor penyediaan material .

3.4 Metoda Pemecahan Masalah

Setelah pengumpulan data dilakukan , maka dilakukan dengan pengolahan dan analisa sebagai langkah pemecahan masalah . Adapun langkah-langkah tersebut adalah : 1. Klasifikasi Barang dalam Persediaan Pengklasifikasian barang biasanya berdasarkan atas besarnya modal yang tertanam pada barang tersebut , yaitu dengan menghitung berapa kebutuhan barang yang diperlukan dikalikan dengan harga barang tersebut Dengan ini kita dapat memisahkan mana barang yang memerlukan pengotrolan dan pengawasan secara intensive dengan barang yang memerlukan pengontrolan dan pengawasan secara sederhana . 2. Penentuan Ramalan Ramalan ini untuk memperkirakan dan mengetahui jumlah material yang akan masuk ke bagian gudang sudah dapat diketahui . 3. Penentuan Model Persediaan Dalam pengendalian persediaan terdapat bermacam-macam model persediaan . Pemilihan model ini biasanya ditentukan oleh beberapa kendala antara lain sifat

79

perencanaan dan sifat kebutuhan untuk pemilihan model pengadaan ini ditekankan pada biaya yang seminimum mungkin .

3.5. Penarikan Kesimpulan dan Saran

Setelah melakukan pemecahan masalah dengan metode tersebut maka dapat diraik kesimpulan dan saran untuk dijadikan masukan dimasa yang akan datang . Sehingga dengan penerapan hasil penelitian ini diharpkan dapat membantu management untuk melakukan pengendalian persediaan secara optimal ..

80

3.6 Tahapan Penelitian / Urutan Metode Analisis

Studi Lapangan Indentifikasi masalah : Perusahaan menginginkan suatu sistem manajement inventory yang baru yang bisa membantu mereka dalam meminimasi total annual cost/ unit dalam inventory mereka sampai 30% Tujuan Penelitian : 1. Memperlihatkan perbedaan yang nyata antara EOQ management inventory dan JIT / EOQ management inventory, yakni dari total biaya tahunan . 2. Memberikan masukan kepada perusahaan untuk menentukan pilihan sistem yang akan mereka gunakan nantinya pada mangement inventory mereka . Pengumpulan data : 1. Data yang berhubungan dengan order cost ’ 2. Data yang berhubungan dengan inventory cost 3. Data permintaan atas produk dalam 1 tahun 4. Data pembelian bahan atau penunjang produksi Menekan modal kerja ( working capital ) total annual cost hingga 30% : 1. Menghitung annual demand atas produk 2. Menghitung order cost

81

3. 4. 5. 6.

Menghitung besar delivery dalam EOQ dan total actual cost Menghitung jumlah delivery dalam JIT/EOQ Menghitung besar delivery dalam JIT/EOQ Menghitung annual cost JIT/EOQ Analisa hasil

Kesimpulan dan saran

Gambar 3.1 Tahapan Penelitian /Urutan Metode Analisis

3.7 Pola Pikir Penelitian

Data Order Cost

Data carrying cost

Data annual demand

Keinginan Perusahaan

Besar pengiriman

Saving 30% dan total

pada sistem EOQ

Annual cost

Jumlah pengiriman

Besarnya annual cost

pada sistem JIT/EOQ

pada sistem EOQ

82

Besarnya pengiriman dan Sistem JIT / EOQ

Besarnya total annual cost pada sistem JIT /EOQ Gambar 3.2 Pola Pikir Penelitian

3.8 Kerangka Pemecahan Masalah

Identifikasi Masalah Studi Lapangan

Studi Pustaka

Pengumpulan Data :

-

Data material yang diperlukan

-

Data jumlah material yang direvisi

Pengolahan Data :

-

Pengklasifikasian Material

83

Bandingkan

-

Penentuan Peramalan

-

Penentuan model persediaan

Analisa

Kesimpulan /saran

Gambar 3.2 Kerangka Pemecahan Masalah

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 PENGUMPULAN DATA

Data menurut pendapat Mc Leod (1995) dari fakta-fakta maupun angka-angka yang secara relatif tidak berarti bagi pengguna. Informasi adalah dari data-data yang diterima dan telah diolah untuk dapat memiliki arti bagi pengguna. Data-data yang terkumpul merupakan salah satu komponen untuk dilakukan riset, artinya tanpa data-data yang diperlukan tidak akan ada bisa dilakukan riset. Data dibedakan menjadi dua, yaitu 84

1. Primary Data, merupakan data yang didapat dari sumber pertama, baik dari individu atau perseorangan atau yang diperoleh dilapangan saat melakukan penelitian tanpa melalui perantara. seperti hasil dari wawancara atau

hasil

pengisian kuesioner. 2. Secondary Data, merupakan data-data primer yang telah diolah lebih lanjut atau data yang diperoleh dengan cara tidak langsung dan disajikan baik oleh pihak pengumpul data primer atau pihak lain misalnya melalui sumber data yang pada bagian produksi pemasaran. Misalnya dalam bentuk tabel atau diagram. Data sekunder ini digunakan peneliti untuk diproses lebih lanjut.

4.1.1 Data Permintaan Aktual sabun detergent Rinso Anti Noda 1 kg x 12

Peramalan yang dilakukan menggunakan metode kuantatif dengan penekanan pada metode time series yang berasal dari pola permintaan untuk waktu yang akan datang (peramalan) yang diperkirakan serupa/identik dengan pola data masa lalu. Kurun waktu perhitungan perkiraan dilakukan 24 bulan dengan rentang waktu pada Desember 2006 - November 2007. Data permintaan tersebut dalam satuan dus (fibrate) , satu dus (fibrate) berisi 12 pieces polybag 1 kg .

85

Tabel 4.1 Data Permintaan Bulan 1 2 3 4 5 6 7 8 9 10 11 12

Permintaan 29167 33333 25000 37500 43750 37500 39583 31250 45833 52083 41667 43750

Bulan 13 14 15 16 17 18 19 20 21 22 23 24

Permintaan 39583 31250 41667 45833 39583 37500 37500 47917 43750 45833 33333 41667

pejualan dalam ratusan ribu fib

Data permintaan 60000 50000 40000 30000 20000 10000 0 1

3

5

7

9

11

13

15

17

19

21

23

bulan

Gambar 4.1 Plot data Pada gambar 4.1 adalah plot data yang berfungsi sebagai visualisasi pergerakan pola permintaan produk Rinso Polybag 1 kg x 12 pcs. Terbaca pergerakan penjualan yang tidak memiliki pola konstan karena memiliki fluktuasi turun atau naik.

4.1.2 Data Perencanaan produksi

86

Data perencanaan waktu produksi terdiri atas sistem kerja, data jumlah karyawan, data kapasitas produksi, data biaya produksi, data biaya pesan, data biaya simpan. 1. Sistem kerja Sistem kerja merupakan sangat penting bagi perusahaan sehingga harus sesuai dengan kebutuhan dan kemampuan perusahaan dan karyawan. Berikut sistem kerja di PT Unilever Indonesia Tbk pada produk Rinso Pbag 1 kg x 12 pcs . Jumlah hari kerja regular: 6 hari/minggu. Jam kerja regular: 24 jam/hari Tabel 4.2 Sistem kerja Sistem jam kerja

Dinas malam

jam. 22.00 s/d jam 06.00

Dinas Pagi

jam. 06.00 s/d jam 14.00

Dinas Sore

jam. 14.00 s/d jam 22.00

Regular & Overtime sama Jika permintaan penjualan akan dilakukan overtime pada hari Minggu

2. Kapasitas Produksi Line Produksi yang dihitung adalah pengisian Powder kedalam polybag

karena

hitungan satu fibrate adalah 12 polybag maka jumlah line yang dihitung line ke-1, line ke-2, line ke-3 dan line ke-6 sampai ke 12

3.

Data dan waktu untuk memproduksi satu fibrate 87

Produksi aktual mesin GP : 30 Pcs / menit Efisiensi

: 80 %

Produksi 1 Shift

=(8jam x 60mnt) x 30 Pcs/menit x 80% = 11.520 Pcs / Shift

1 Fibrate

= 12 Pcs

1 Shift menghasilkan = 11.520 Pcs/shift / 12 = 960 fib / shift 1 Jam menghasilkan

= 960 Fib/shift / 8 jam = 120 Fib

1 Fib diproduksi selama = 1 / 120 = 0,008 Jam 4. Upah regular dan upah over time 1 bulan ada 26 hari kerja, 1 hari kerja = 8 jam (1 shift), 1 bulan = 26 x 8 = 208 jam kerja. Upah 1 jam kerja = Rp. 1,082,865 / 208 jam kerja= Rp. 5206 / jam. Jadi Upah Reguler: Rp. 5206 / jam. Upah Over Time / jam = Gaji pokok / 173 jam kerja = Rp. 1,082,865 / 173 = Rp. 6259.33 Jadi Upah Overtime: Rp. 6259 / jam

5. Biaya bahan baku Untuk 1000 fb dikeluarkan biaya bahan bakunya sebesar : Rp. 16.177.200 Maka nilai 1 fb (isi 12 pcs) , jadi untuk harga satuan adalah RP16.177.200/12/1000 = Rp. 1348,-/pcs. 6. Data ongkos pesan 88

Ongkos pengiriman dan pengangkutan merupakan tanggung jawab pihak supplier, sehingga ongkos pesan hanya merupakan ongkos telepon, internet, fax dan fakturfaktur yang digunakan. Biaya ini sebesar Rp 5000,-/pesan dan dianggap sama untuk semua pesanan. 7. Data ongkos pesan merupakan biaya mempekerjakan satu karyawan yakni Biaya Hire

: Rp. 1.082.865

Biaya Fired

: Rp. 1.624.298

Biaya Inventory : Rp. 3000 / fib Biaya Subkontrak, dikarenakan perusahaan tidak pernah melakukan subkontrak maka diasumsikan bila perusahaan mensubkontrak ke perusahaan lain bernilai Rp. 100.000/fb Biaya Lost sales: Diasumsikan Rp. 150.000 8. Data ongkos simpan Ongkos simpan ditetapkan sebesar 10% dari harga produk per unit per periode, sehingga didapat tabel ongkos simpan sebagai berikut

89

Jadi total biaya simpan/pcs adalah Rp. 134,81.

90

4.1.3 Data Perencanaan Kebutuhan Material

Data struktur Produk (Bill of Material) PRODUCT: RINSO 1 kg No

Level

Item Code

Description

Requirement / 1000 fib

UoM

1.12

gr

1.2

reel

Packing Materials 1

G1

38001

Adhesive PVA Everlast

2

G2

38097

Tape 3"x100m UNILEVER

3

F1

36359

Premade Bag RAN 1kg

1000

pcs

4

F2

36360

Outer RAN 1kg/12-Sp

83

pcs

17.5

kg

20

kg

5.36

kg

Chemical Materials 5

B3

00301

Salt

6

A4

30005

Caustic Soda Liquid

7

E1

31199

Perf. Shotsplat UN

8

C2

32043

Tinopal CBSX

4.3

kg

9

C1

33024

Soda Ash Dense

120

kg

10

A3

33090

Sodium Sulphate Anhydrous

124

kg

11

A1

33144

LAS / Neopelex-LS

290

kg

12

A2

33187

STPP High TR

175

kg

13

B 2

33192

Calcite

76

kg

14

D1

33248

Polarzyme

1.82

kg

15

D2

33253

Neelikon Bright Blue

1.52

kg

16

B 1

33028

Sodium Silicate

140

kg

17

A6

00302

Water

24.5

kg

91

92

Packing Plant 30 gr

60 gr

500 gr

1,5 kg

2 kg

FP Powder

1 kg

Packing Plant

SPRAY POWDER

MIXER

MIXER

A1

A2

B1

C1

D1

A3

B2

C2

D2

A4

B3

E1

F1

F2

G1

G2

Level 5

Level 4

Level 3

Level 2

Level 1

A1

B1

Sodium Silicate

E1

Perfume ShotSplat

G1

Tape 3"x100

F2

Outer RAN 1 kg

B2

Calcite

D1

Polarzyme

G2

Adhesive PVA

F1

Premade Bag RAN 1 kg

B3

Salt

D2

Neelikon Bright Blue

A2

STPP

A3

Sod Sulphate Anh

A4

Caustik Soda Liq

C1

Soda Ash Dense

C2

Tinopal CBSX

LAS

Gambar 5 .1

Flowcard Proses Produksi RINSO POWDER

93

4.2 PENGOLAHAN DATA

4.2.1

Perhitungan Peramalan Perhitungan peramalan terdapat beberapa metode peramalan yang pertama

adalah metode peramalan regresi linear. Salah satu peramalan yang paling sederhana adalah regresi linier. Dalam aplikasi regresi linier diasumsikan bahwa terdapat hubungan antara variable yang ingin diramalkan dengan variable lain. Selanjutnya, peramalan ini didasarkan pada asumsi bahwa pola pertumbuhan dari data histories bersifat linier (tidak linier 100%). Berikut perhitunganya: Tabel 4.5 Perhitungan Peramalan Metode Regresi Linier t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 300

Permintaan Y(t) 25268 17400 18933 23072 18933 18933 23072 18933 26443 10202 18933 18933 23000 17500 18000 22000 17500 17500 26671 24397 19808 16514 22706 20287 484938 b=4.97

t.Y(t)

t2

25268 34800 56799 92288 94665 113598 161504 151464 237987 102020 208263 227196 299000 245000 270000 352000 297500 315000 506749 487940 415968 363308 522238 486888 6067443

1 4 9 16 25 36 49 64 81 100 121 144 169 196 225 256 289 324 361 400 441 484 529 576 4900 Y(t)=a+b(t)

a=20143.63

Y(t)=20143.63 + 4.97 (t)

94

Setelah mendapatkan nilai a dan b maka dimasukan periode mulai dari bulan 25 dengan nilai 1, bulan ke 26 dengan nilai 2 dan seterusnya kedalam rumus sesuai pada bab sebelumya dan hasil Y(t) untuk mendapatkan hasil peramalan untuk 12 bulan kedepan. Tabel 4.6 Hasil Peramalan 1 Tahun ke depan regresi linear Bulan

Periode

Peramalan

25 26 27 28 29 30 31 32 33 34 35 36

20268 20273 20278 20283 20288 20293 20298 20303 20308 20313 20318 20323

Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember

Perhitungan peramalan yang kedua adalah metode peramalan regresi kuadratis. Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Peramalan ini didasarkan pada asumsi bahwa pola pertumbuhan dari data histories bersifat kuadratis. Pada dasarnya, peramalan jenis ini serupa dengan regresi linier, hanya saja berbeda dalam hal asumsi data histories.

Berikut hasil perhitunganya:

95

Tabel 4.7 Perhitungan Peramalan Metode Regresi Kuadratis T

Permintaan Y(t)

t.Y(t)

t2

t3

t4

t2Y(t)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 300

25268 17400 18933 23072 18933 18933 23072 18933 26443 10202 18933 18933 23000 17500 18000 22000 17500 17500 26671 24397 19808 16514 22706 20287 484938

25268 34800 56799 92288 94665 113598 161504 151464 237987 102020 208263 227196 299000 245000 270000 352000 297500 315000 506749 487940 415968 363308 522238 486888 6067443

1 4 9 16 25 36 49 64 81 100 121 144 169 196 225 256 289 324 361 400 441 484 529 576 4900

1 8 27 64 125 216 343 512 729 1000 1331 1728 2197 2744 3375 4096 4913 5832 6859 8000 9261 10648 12167 13824 90000

1 16 81 256 625 1296 2401 4096 6561 10000 14641 20736 28561 38416 50625 65536 83521 104976 130321 160000 194481 234256 279841 331776 1763020

25268 69600 170397 369152 473325 681588 1130528 1211712 2141883 1020200 2290893 2726352 3887000 3430000 4050000 5632000 5057500 5670000 9628231 9758800 8735328 7992776 12011474 11685312 99849319

Α Β

-690000 -27600 -18302480 -137232 -20187456

b= c= a= Y(t) =

  

-393.06 15.92 21868.67 21868.67 + -393.06 (t) 15.92 (t)^2

Beriku hasil peramalan satu tahun atau 12 bulan

kedepan. Setelah

mendapatkan nilai α, β,  maka dimasukan kedalam rumus sesuai pada bab sebelumya untuk mendapatkan hasil peramalan untuk 12 bulan kedepan.

96

Tabel 4.8 Hasil Peramalan 1 Tahun ke depan Bulan

Periode

Peramalan

Januari

25

21993

Februari

26

22412

Maret

27

22862

April

28

23345

Mei

29

23859

Juni

30

24405

Juli

31

24983

Agustus

32

25593

September

33

26235

Oktober

34

26909

Nopember

35

27614

Desember

36

28351

Perhitungan peramalan yang ketiga adalah metode peramalan DMA (double moving average). Metode ini mampu mengurangi kesalahan sistematis yang terjadi apabila moving average (rata-rata bergerak) digunakan untuk data yang memiliki trend tertentu. Dasar dari metode ini adalah menghitung rata-rata bergerak dan disimbolkan sebagai MA (M 3 N) yang berarti MA M periode dari MA N periode. Rumus beserta cara penyelesaiannya berada pada bab sebelumya.

Berikut hasil perhitunganya:

97

Tabel 4.10 Hasil Peramalan 1 Tahun ke depan Tabel 4.9

Perhitungan Peramalan Metode DMA 5

x

5

t

Permintaan Y(t)

S't

S''t

a

b

a+bm

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

25268 17400 18933 23072 18933 18933 23072 18933 26443 10202 18933 18933 23000 17500 18000 22000 17500 17500 26671 24397 19808 16514 22706 20287

20721.2 19454.2 20588.6 20588.6 21262.8 19516.6 19516.6 18688.8 19502.2 17713.6 19273.2 19886.6 19600 18500 20334.2 21613.6 21175.2 20978 22019.2 20742.4

20523.08 20282.16 20294.64 19914.68 19697.40 18987.56 18938.88 19012.88 19195.12 18994.68 19518.80 19986.88 20244.60 20520.20 21224.04 21305.68

22002.52 18751.04 18738.56 17462.92 19307.00 16439.64 19607.52 20760.32 20004.88 18005.32 21149.60 23240.32 22105.80 21435.80 22814.36 20179.00

369.86 -382.78 -389.02 -612.94 -97.60 -636.98 167.16 436.86 202.44 -247.34 407.70 813.36 465.30 228.90 397.58 -281.64

22372.38 18368.26 18349.54 16849.98 19209.4 15802.66 19774.68 21197.18 20207.32 17757.98 21557.3 24053.68 22571.1 21664.7 23211.94

Caranya adalah dengan memasukan nilai sesuai periode misalnya peramalan ke bulan 25 maka masukan nilai 1 misalkan peramalan ke-26 maka masukan nilai 2 begitu seterusnya. Sehingga didapat hasil peramalan yang telah dimasukan formula pada bab sebelumya dan untuk 12 bulan kedepan. Berikut hasil peramalan satu tahun kedepan:

98

Bulan

Periode

Peramalan

Januari

25

19898

Februari

26

19616

Maret

27

19335

April

28

19053

Mei

29

18771

Juni

30

18490

Juli

31

18208

Agustus

32

17926

September

33

17645

Oktober

34

17363

Nopember

35

17081

Desember

36

16800

Perhitungan peramalan yang keempat adalah metode peramalan DES (double eksponetial smothing). Prosedur peramalan ini memiliki semua sifat dari teknik moving average, selain itu peramalan dengan exponential smoothing tidak memerlukan data histories dalam jumlah besar. Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Berikut hasil perhitunganya:

99

Tabel 4.11 Perhitungan Peramalan Metode DES t

Permintaan Y(t)

SES

DES

SES-DES

1

25268

25268

25268

0

2

17400

18973.6

20232.48

3

18933

18941.12 19199.392

4

23072

5

18933

19595.56 20003.759 -408.1946

6

A

B

-1258.88

17714.72

-5035.52

-258.272

18682.848 -1033.088

12680

22245.82 21636.538 609.2864

22855.11 2437.1456

17650

19187.37

-1632.778

25293

18933

19065.51 19253.162 -187.6493 18877.864 -750.5971

17555

7

23072

22270.7

18128

8

18933

19600.54 20013.871 -413.3308

-1653.323

25289

9

26443

25074.51 24062.381 1012.1274 26086.636 4048.5094

17534

10

10202

13176.5

15353.677 -2177.176 10999.326 -8708.703

30136

11

18933

17781.7

17296.096 485.60458 18267.305 1942.4183

22910

12

18933

18702.74 18421.411 281.32886 18984.069 1125.3155

20210

13

23000

22140.55 21396.721 743.82736 22884.375 2975.3094

20110

14

17500

18428.11 19021.832 -593.7222 17834.387 -2374.889

25860

15

18000

18085.62 18272.864

-748.9679

15460

21667.195 603.50807 22874.211 2414.0323

-187.242

19187.21

17898.38

a+bm

16

22000

21217.12 20628.272 588.8521 21805.977 2355.4084

17150

17

17500

18243.42 18720.394 -476.9695 17766.455 -1907.878

24162

18

17500

17648.68 17863.027 -214.3419 17434.343 -857.3675

15859

19

26671

24866.54 23465.835 1400.702 26267.239 5602.8081

16577

20

24397

24490.91 24285.893 205.01449 24695.922 820.05795

31871

21

19808

20744.58 21452.844 -708.2623 20036.319 -2833.049

25516

22

16514

17360.12 18178.662 -818.5455 16541.571 -3274.182

17204

23

22706

21636.82 20945.191 691.63229 22328.456 2766.5292

13268

24

20287

20556.96

25095

20634.61

-77.64526

20479.32

-310.58

F24+m= 20479.32 + -310.58 m

Berikut adalah hasil peramalan yang telah dimasukan formula pada bab sebelumya dan untuk 12 bulan kedepan:

100

Tabel 4.12 Hasil Peramalan 1 Tahun ke depan Bulan

Periode

Peramalan

Januari

25

20169

Februari

26

19859

Maret

27

19548

April

28

19237

Mei

29

18927

Juni

30

18616

Juli

31

18306

Agustus

32

17995

September

33

17685

Oktober

34

17374

Nopember

35

17063

Desember

36

16753

Perhitungan peramalan yang kelima adalah metode peramalan Sikilis. Rumus beserta cara penyelesaiannya berada pada bab sebelumya. perhitunganya:

101

Berikut hasil

Tabel 4.13 Perhitungan Peramalan Metode Siklis Permintaan t

Y(t)

sin(2phi.t/n)

cos(2phi.t/n)

Y(t).sin(2phi.t/n)

Y(t).cos(2phi.t/n)

Y'(t)

1

25268

0.258819

0.965925826

6539.83963

24407.0138

21203

2

17400

0.5

0.866025404

8700

15068.842

21039

3

18933

0.707107

0.707106781

13387.6527

13387.6527

20819

4

23072

0.866025

0.5

19980.9381

11536

20557

5

18933

0.965926

0.258819045

18287.8737

4900.22098

20271

6

18933

1

6.12574E-17

18933

1.1598E-12

19981

7

23072

0.965926

-0.258819045

22285.8407

-5971.473

19706

8

18933

0.866025

-0.5

16396.459

-9466.5

19465

9

26443

0.707107

-0.707106781

18698.0246

-18698.025

19274

10

10202

0.5

-0.866025404

5101

-8835.1912

19148

11

18933

0.258819

-0.965925826

4900.22098

-18287.874

19093

12

18933

1.23E-16

-1

2.3196E-12

-18933

19114

13

23000

-0.25882

-0.965925826

-5952.83804

-22216.294

19210

14

17500

-0.5

-0.866025404

-8750

-15155.445

19373

15

18000

-0.70711

-0.707106781

-12727.9221

-12727.922

19593

16

22000

-0.86603

-0.5

-19052.5589

-11000

19855

17

17500

-0.96593

-0.258819045

-16903.702

-4529.3333

20141

18

17500

-1

-1.83772E-16

-17500

-3.216E-12

20432

19

26671

-0.96593

0.258819045

-25762.2077

6902.96275

20707

20

24397

-0.86603

0.5

-21128.4218

12198.5

20948

21

19808

-0.70711

0.707106781

-14006.3711

14006.3711

21138

22

16514

-0.5

0.866025404

-8257

14301.5435

21265

23

22706

-0.25882

0.965925826

-5876.74524

21932.3118

21320

24

20287

-2.5E-16

1

-4.9709E-12

20287

21299

300

484938

-2706.91746

13107.3623

a=20205.75

Y(t)=20205.75 + -225.58 (sin2pi.t/n) + 1092.29 (cos2pi.t/n)

b=-225.58 c=1092.29

102

Berikut adalah hasil peramalan yang telah dimasukan formula pada bab sebelumya dan untuk 12 bulan kedepan: Tabel 4.14 Hasil Peramalan 1 Tahun ke depan Bulan

Periode

Peramalan

Januari

25

21039

Februari

26

20557

Maret

27

19981

April

28

19465

Mei

29

19148

Juni

30

19114

Juli

31

19373

Agustus

32

19855

September

33

20432

Oktober

34

20948

Nopember

35

21265

Desember

36

21299

Perhitungan peramalan yang berikunya adalah metode peramalan Seasonal (Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Peramalan dengan metode seasonal sangat baik jika digunakan untuk menghadapi data-data berbentuk seasonal. Mula-mula data selama 24 bulan dibagi menjadi 2 bagian masing-masing 12 periode. Data kemudian di total dan dicari rata-ratanya. Kemudian dilakukan pemberian indeks untuk setiap bulan dengan cara membagi rata-rata penjualan per bulan dengan total dari rata-rata penjualan.

103

Berikut hasil perhitunganya: Tabel 4.15 Perhitungan Peramalan Metode Seasonal T

Tahun 1

Tahun 2

Total

Average

Index

Jan

25268

23000

48268

24134

1.194

Feb

17400

17500

34900

17450

0.864

Mar

18933

18000

36933

18466.5

0.914

Apr

23072

22000

45072

22536

1.115

May

18933

17500

36433

18216.5

0.902

Jun

18933

17500

36433

18216.5

0.902

Jul

23072

26671

49743

24871.5

1.231

Aug

18933

24397

43330

21665

1.072

Sep

26443

19808

46251

23125.5

1.144

Oct

10202

16514

26716

13358

0.661

18933 18933 239055

22706 20287 245883

41639 39220 484938

20819.5 19610 242469

1.03 0.971

Nov Dec Total Year average

Tabel 4.16

19922

20491 Rata-rata/bulan =

20206

Peramalan kedepan dengan bantuan metode regresi

Year t.year average average 1 19922 19922 2 20491 40982 Total 3 40413 60904 Peramalan tahun ke 3 21060 T

104

t2 1 4 5

b= a=

569 19353

Berikut adalah hasil peramalan yang telah dimasukan formula pada bab sebelumya dan untuk 12 bulan kedepan: Tabel 4.17 Hasil Peramalan 1 Tahun ke depan Tahun 3

1

Index

Peramalan

Januari

21060

1.194

25146

Februari

21060

0.864

18196

Maret

21060

0.914

19249

April

21060

1.115

23482

Mei

21060

0.902

18997

Juni

21060

0.902

18997

Juli

21060

1.231

25925

Agustus

21060

1.072

22577

September

21060

1.144

24093

Oktober

21060

0.661

13921

Nopember

21060

1.03

21692

Desember

21060

0.971

20450

Perhitungan peramalan yang ketujuh adalah metode peramalan konstan. Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Berikut hasil perhitunganya:

105

Tabel 4.18 Peramalan Metode Konstan Bulan

Demand (sat.aggregat)

Peramalan

1

21039

20206

2

20557

20206

3

19981

20206

4

19465

20206

5

19148

20206

6

19114

20206

7

19373

20206

8

19855

20206

9

20432

20206

10

20948

20206

11

21265

20206

12

21299

20206

Rata-rata

20206

Tabel 4.19 Validasi Metode Konstan Bulan

Periode

Penjualan Peramalan ei=xi-Fi (Xi) (Fi) 833.00 21039 20206

RSFE

|ei|

Cumm.|ei| MAE

TS

833.00

833

833

833

1

January

1

February

2

20557

20206

351.00 1184.00

351

1184

592

2

March

3

19981

20206

-225.00 959.00

225

1409

469.6667

2.04

April

4

19465

20206

-741.00 218.00

741

2150

537.5

0.41

May

5

19148

20206

-1058.00 -840.00

1058

3208

641.6

-1.31

June

6

19114

20206

-1092.00 -1932.00

1092

4300

716.6667

-2.7

July

7

19373

20206

-833.00 -2765.00

833

5133

733.2857 -3.77

August

8

19855

20206

-351.00 -3116.00

351

5484

September

9

20432

20206

226.00 -2890.00

226

5710

October

10

20948

20206

742.00 -2148.00

742

6452

November

11

21265

20206

1059.00 -1089.00

1059

7511

December

12

21299

20206

1093.00

1093

8604

4.00

106

685.5

-4.55

634.4444 -4.56 645.2

-3.33

682.8182 -1.59 717

0.01

Dari hasil tracking signal diperoleh bahwa terdapat hasil peramalan yang melewati batas bawah sehingga tidak bisa melanjutkan ketahap selanjutnya, dan dinyatakan berhenti.

Gambar 4.3 Tracking Signal Metode Konstan

4.2.2 Perhitungan Validasi Peramalan dengan Tracking Signal Control Chart Validasi merupakan bagian dari tracking signal sebagai perhitungan mengenai sebaik apakah metode peramalan yang digunakan dalam pemprediksikan data aktualnya. Dengan diperbaharuinya peramalan secara terus-menerus setiap minggu, bulan atau kuarter mata data kebutuhan terbaru yang tersedia dibandingkan dengan nilai-nilai yang diperoleh dari peramalan. Nilai dari validasi ini nantinya diteruskan ke tracking signal dengan chart sebagi outputnya yang mempunyai syarat tertentu untuk lolos uji validasi atau tracking signal tersebut. Berikut adalah validasi dari regresi linear

107

Tabel 4.20 Validisi Regresi linear t

Permintaan

Peramalan

ei=xi-Fi

RSFE

|ei|

Cumm |ei|

MAE

TS

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

25268 17400 18933 23072 18933 18933 23072 18933 26443 10202 18933 18933 23000 17500 18000 22000 17500 17500 26671 24397 19808 16514 22706

20149 20154 20159 20164 20169 20174 20179 20184 20189 20194 20199 20204 20209 20214 20219 20224 20229 20234 20239 20244 20248 20253 20258

5119 -2754 -1226 2908 -1236 -1241 2893 -1251 6254 -9992 -1266 -1271 2791 -2714 -2219 1776 -2729 -2734 6432 4153 -440 -3739 2448

5119 2365 1139 4047 2811 1570 4463 3212 9466 -526 -1792 -3063 -272 -2986 -5205 -3429 -6158 -8892 -2460 1693 1253 -2486 -38

5119 2754 1226 2908 1236 1241 2893 1251 6254 9992 1266 1271 2791 2714 2219 1776 2729 2734 6432 4153 440 3739 2448

5119 7873 9099 12007 13243 14484 17377 18628 24882 34874 36140 37411 40202 42916 45135 46911 49640 52374 58806 62959 63399 67138 69586

5119 3936.5 3033 3001.75 2648.6 2414 2482.429 2328.5 2764.667 3487.4 3285.455 3117.583 3092.462 3065.429 3009 2931.938 2920 2909.667 3095.053 3147.95 3019 3051.727 3025.478

1 0.6 0.38 1.35 1.06 0.65 1.8 1.38 3.42 -0.15 -0.55 -0.98 -0.09 -0.97 -1.73 -1.17 -2.11 -3.06 -0.79 0.54 0.42 -0.81 -0.01

24

20287

20263

24

-14

24

69610

2900.417

0

Gambar 4.4 Tracking Signal Regresi linear

108

Dari hasil tracking signal regresi linear diatas dinyatakan bahwa regresi linear dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL). Validasi regresi kuadratis yang pertama dilakukan mendapatkan hasil peramalan sesuai regresi kuadratis kemudian mencarai nilai kesalahan peramalan (ei) selanjutnya mencari RSFE yaitu (data aktual periode i) – (data peramalan periode i). Setelah itu mencari nilai mutlak dari ei. Kemudian mendapatkan MAE (Mean Absolute Error) lalu mencari Tracking signal dengan rumus RSFE/MAE.

Gambar 4.5 Tracking signal regresi kuadratis

109

Tabel 4.21 Validasi Regresi kuadratis t

Permintaan

Peramalan

ei=xi-Fi

RSFE

|ei|

Cumm |ei|

MAE

TS

1

25268

21492

3776

3776

3776

3776

3776

1

2

17400

21147

-3747

29

3747

7523

3761.5

0.01

3

18933

20833

-1900

-1871

1900

9423

3141

-0.6

4

23072

20552

2520

649

2520

11943

2985.75

0.22

5

18933

20302

-1369

-720

1369

13312

2662.4

-0.27

6

18933

20084

-1151

-1871

1151

14463

2410.5

-0.78

7

23072

19898

3174

1303

3174

17637

2519.571

0.52

8

18933

19744

-811

492

811

18448

2306

0.21

9

26443

19621

6822

7314

6822

25270

2807.778

2.6

10

10202

19531

-9329

-2015

9329

34599

3459.9

-0.58

11

18933

19472

-539

-2554

539

35138

3194.364

-0.8

12

18933

19445

-512

-3066

512

35650

2970.833

-1.03

13

23000

19450

3550

484

3550

39200

3015.385

0.16

14

17500

19487

-1987

-1503

1987

41187

2941.929

-0.51

15

18000

19555

-1555

-3058

1555

42742

2849.467

-1.07

16

22000

19656

2344

-714

2344

45086

2817.875

-0.25

17

17500

19788

-2288

-3002

2288

47374

2786.706

-1.08

18

17500

19952

-2452

-5454

2452

49826

2768.111

-1.97

19

26671

20148

6523

1069

6523

56349

2965.737

0.36

20

24397

20376

4021

5090

4021

60370

3018.5

1.69

21

19808

20636

-828

4262

828

61198

2914.19

1.46

22

16514

20927

-4413

-151

4413

65611

2982.318

-0.05

23

22706

21250

1456

1305

1456

67067

2915.957

0.45

24

20287

21606

-1319

-14

1319

68386

2849.417

0

Dari hasil tracking signal regresi kuadratis diatas dinyatakan bahwa regresi kuadratis dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL).

110

Tabel 4.22 Validasi metode DMA 5x5

T

Permintaa n

Peramala n

ei=xiFi

RSFE

|ei|

Cumm |ei|

MAE

TS

1 2 3 4

0

5

0

6

0

7

0

8

0

9

0

10

10202

22372.38

-2170.4

-12170.4

12170.38

12170.38

12170.38

-1

11

18933

18368.26

564.74

-11605.6

564.74

12735.12

6367.56

-1.82

12

18933

18349.54

583.46

-11022.2

583.46

13318.58

4439.527

-2.48

13

23000

16849.98

6150.02

-4872.16

6150.02

19468.6

4867.15

-1

14

17500

19209.4

-1709.4

-6581.56

1709.4

21178

4235.6

-1.55

15

18000

15802.66

2197.34

-4384.22

2197.34

23375.34

3895.89

-1.13

16

22000

19774.68

2225

-2159.22

2225

25600.34

3657.191

-0.59

17

17500

21197.18

-3697

-5856.22

3697

29297.34

3662.168

-1.6

18

17500

20207.32

-2707

-8563.22

2707

32004.34

3556.038

-2.41

19

26671

17757.98

8913

349.78

8913

40917.34

4091.734

0.09

20

24397

21557.3

2840

3189.78

2840

43757.34

3977.94

0.8

21

19808

24053.68

-4246

-1056.22

4246

48003.34

4000.278

-0.26

22

16514

22571.1

-6057

-7113.22

6057

54060.34

4158.488

-1.71

23

22706

21664.7

1041

-6072.22

1041

55101.34

3935.81

-1.54

24

20287

23211.94

-2925

-8997.22

2925

58026.34

3868.423

-2.33

Validasi DMA adalah yang pertama dilakukan mendapatkan hasil peramalan sesuai regresi kuadratis kemudian mencarai nilai kesalahan peramalan (ei) selanjutnya mencari RSFE yaitu (data aktual periode i) – (data peramalan periode i). Setelah itu mencari nilai mutlak dari ei. Kemudian mendapatkan MAE (Mean Absolute Error) lalu mencari tracking signal dengan rumus RSFE/MAE

111

Gambar 4.6Tracking signal DMA Dari hasil tracking signal DMA diatas dinyatakan bahwa DMA dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL). Tabel 4.23 Validasi metode DES t

Permintaan

Peramalan

ei=xi-Fi

RSFE

|ei|

Cumm |ei|

MAE

TS

3

18933

12680

6253

6253

6253

6253

6253

4

23072

17650

5422

11675

5422

11675

5837.5

2

5

18933

25293

-6360

5315

6360

18035

6011.667

0.88

6

18933

17555

1378

6693

1378

19413

4853.25

1.38

7

23072

18128

4944

11637

4944

24357

4871.4

2.39

8

18933

25289

-6356

5281

6356

30713

5118.833

1.03

9

26443

17534

8909

14190

8909

39622

5660.286

2.51

10

10202

30136

-19934

-5744

19934

59556

7444.5

-0.77

11

18933

2291

16642

10898

16642

76198

8466.444

1.29

12

18933

20210

-1277

9621

1277

77475

7747.5

1.24

13

23000

20110

2890

12511

2890

80365

7305.909

1.71

14

17500

25860

-8360

4151

8360

88725

7393.75

0.56

15

18000

15460

2540

6691

2540

91265

7020.385

0.95

16

22000

17150

4850

11541

4850

96115

6865.357

1.68

17

17500

24162

-6662

4879

6662

102777

6851.8

0.71

18

17500

15859

1641

6520

1641

104418

6526.125

1

19

26671

16577

10094

16614

10094

114512

6736

2.47

20

24397

31871

-7474

9140

7474

121986

6777

1.35

21

19808

25516

-5708

3432

5708

127694

6720.737

0.51

22

16514

17204

-690

2742

690

128384

6419.2

0.43

23

22706

13268

9438

12180

9438

137822

6562.952

1.86

24

20287

25095

-4808

7372

4808

142630

6483.182

1.14

1 2

0

112

1

Validasi DES adalah yang pertama dilakukan mendapatkan hasil peramalan sesuai regresi kuadratis kemudian mencarai nilai kesalahan peramalan (ei) selanjutnya mencari RSFE yaitu data aktual periode i – data peramalan periode i. Setelah itu mencari nilai mutlak dari ei. Kemudian mendapatkan MAE (Mean Absolute Error) lalu mencari tracking signal dengan rumus RSFE/MAE

Gambar 4.7 Tracking signal metode DES

Dari hasil tracking signal DES diatas dinyatakan bahwa DES dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL).

Gambar 4.8 Tracking signal siklis

113

Tabel 4.24 Validasi Siklis T

Permintaan

Peramalan

ei=xi-Fi

RSFE

|ei|

Cumm |ei|

MAE

TS

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

25268 17400 18933 23072 18933 18933 23072 18933 26443 10202 18933 18933 23000 17500 18000 22000 17500 17500 26671 24397 19808 16514 22706

21203 21039 20819 20557 20271 19981 19706 19465 19274 19148 19093 19114 19210 19373 19593 19855 20141 20432 20707 20948 21138 21265 21320

4065 -3639 -1886 2515 -1338 -1048 3366 -532 7169 -8946 -160 -181 3790 -1873 -1593 2145 -2641 -2932 5964 3449 -1330 -4751 1386

4065 426 -1460 1055 -283 -1331 2035 1503 8672 -274 -434 -615 3175 1302 -291 1854 -787 -3719 2245 5694 4364 -387 999

4065 3639 1886 2515 1338 1048 3366 532 7169 8946 160 181 3790 1873 1593 2145 2641 2932 5964 3449 1330 4751 1386

4065 7704 9590 12105 13443 14491 17857 18389 25558 34504 34664 34845 38635 40508 42101 44246 46887 49819 55783 59232 60562 65313 66699

4065 3852 3196.667 3026.25 2688.6 2415.167 2551 2298.625 2839.778 3450.4 3151.273 2903.75 2971.923 2893.429 2806.733 2765.375 2758.059 2767.722 2935.947 2961.6 2883.905 2968.773 2899.957

1 0.11 -0.46 0.35 -0.11 -0.55 0.8 0.65 3.05 -0.08 -0.14 -0.21 1.07 0.45 -0.1 0.67 -0.29 -1.34 0.76 1.92 1.51 -0.13 0.34

24

20287

21299

-1012

-13

1012

67711

2821.292

0

Validasi siklis adalah yang pertama dilakukan mendapatkan hasil peramalan sesuai regresi kuadratis kemudian mencarai nilai kesalahan peramalan (ei) selanjutnya mencari RSFE yaitu data aktual periode i – data peramalan periode i. Setelah itu mencari nilai mutlak dari ei. Kemudian mendapatkan MAE (Mean Absolute Error) lalu mencari tracking signal dengan rumus RSFE/MAE Dari hasil tracking signal siklis diatas dinyatakan bahwa siklis dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL).

114

Tabel 4.25 Validasi Seasonal T

Permintaan

Peramalan

ei=xi-Fi

RSFE

|ei|

Cumm |ei|

MAE

TS

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

25268 17400 18933 23072 18933 18933 23072 18933 26443 10202 18933 18933 23000 17500 18000 22000 17500 17500 26671 24397 19808 16514 22706

23787 17213 18209 22214 17970 17970 24524 21357 22791 13169 20520 19345 24467 17705 18729 22848 18483 18483 25225 21967 23442 13545 21106

1481 187 724 858 963 963 -1452 -2424 3652 -2967 -1587 -412 -1467 -205 -729 -848 -983 -983 1446 2430 -3634 2969 1600

1481 1668 2392 3250 4213 5176 3724 1300 4952 1985 398 -14 -1481 -1686 -2415 -3263 -4246 -5229 -3783 -1353 -4987 -2018 -418

1481 187 724 858 963 963 1452 2424 3652 2967 1587 412 1467 205 729 848 983 983 1446 2430 3634 2969 1600

1481 1668 2392 3250 4213 5176 6628 9052 12704 15671 17258 17670 19137 19342 20071 20919 21902 22885 24331 26761 30395 33364 34964

1481 834 797.3333 812.5 842.6 862.6667 946.8571 1131.5 1411.556 1567.1 1568.909 1472.5 1472.077 1381.571 1338.067 1307.438 1288.353 1271.389 1280.579 1338.05 1447.381 1516.545 1520.174

1 2 3 4 5 6 3.93 1.15 3.51 1.27 0.25 -0.01 -1.01 -1.22 -1.8 -2.5 -3.3 -4.11 -2.95 -1.01 -3.45 -1.33 -0.27

24

20287

19897

390

-28

390

35354

1473.083

-0.02

Gambar 4.9 Tracking signal metode seasonal

115

Dari hasil tracking signal metode seasonal diatas dinyatakan bahwa metode seasonal tidak dapat lanjut ke verifikasi karena melewati batas atas (UCL) dan batas bawah (LCL). 4.2.3 Perhitungan Verifikasi Peramalan dengan Moving Range Chart Salah satu peta kontrol statistik adalah moving Range Chart (MRC). MRC dibuat untuk membandingkan nilai yang diamati atau observasi atau data aktual dengan nilai peramalan atau perkiraan dari kebutuhan yang sama. Jika ada sebuah titik atau data yang berada diluar batas control yang telah ditentukan maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain. Jika semua titik atau data berada didalam batas yang telah ditentukan, dapat dikatakan bahwa metode peramalan yang digunakan adalah benar.

Peta kendali (control chart) dibagi menjadi 6 area yang sama besarnya. 

Daerah A merupakan daerah yang dibatasi  2/3(2,66 MR) =  1,77 MR



Daerah B merupakan daerah yang dibatasi  1/3(2,66 MR) =  0,89 MR



Daerah C merupakan daerah di atas atau di bawah garis sumbu (central line) Kondisi tidak terkendali (out of control) terjadi jika:



Tiga titik atau data yang berurutan, dua atau lebih diantaranya berada di daerah A



Lima titik /data yang berurutan, empat atau lebih diantaranya berada di daerah B



Delapan titik atau data yang berurutan berada pada salah satu sisi garis sumbu.

116

Tabel 4.26 Verifikasi Metode Regresi Linier t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 300

Y(t) 25268 17400 18933 23072 18933 18933 23072 18933 26443 10202 18933 18933 23000 17500 18000 22000 17500 17500 26671 24397 19808 16514 22706 20287

d'-d -5119 2754 1226 -2908 1236 1241 -2893 1251 -6254 9992 1266 1271 -2791 2714 2219 -1776 2729 2734 -6432 -4153 440 3739 -2448 -24

484938

MR 7873 1528 4134 4144 5 4134 4144 7505 16246 8726 5 4062 5505 495 3995 4505 5 9166 2279 4593 3299 6187 2424

104959

Gambar 4.10 MRC regresi linear 117

Tabel 4.27 data untuk grafik d'-d

UCL

LCL

A1

A2

B1

B2

-5119 2754 1226 -2908 1236 1241 -2893 1251 -6254 9992 1266 1271 -2791 2714 2219 -1776 2729 2734 -6432 -4153 440 3739 -2448

12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74 12138.74

-12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74 -12138.74

8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28 8077.28

-8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28 -8077.28

4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46 4061.46

-4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46 -4061.46

-24

12138.74

-12138.74

8077.28

-8077.28

4061.46

-4061.46

Keputusan yang diperoleh dari MRC regresi linear diatas menyatakan bahwa out of control yang berdasarkan ada lima titik berada pada daerah B.

118

Gambar 4.11 MRC regresi kuadratis Tabel 4.28 verifikasi Metode Regresi Kuadratis t

Y(t)

d'-d

1

25268

-3776

2

17400

3747

7523

3

18933

1900

1847

4

23072

-2520

4420

5

18933

1369

3889

6

18933

1151

218

7

23072

-3174

4325

8

18933

811

3985

9

26443

-6822

7633

10

10202

9329

16151

11

18933

539

8790

12

18933

512

27

13

23000

-3550

4062

14

17500

1987

5537

15

18000

1555

432

16

22000

-2344

3899

17

17500

2288

4632

18

17500

2452

164

19

26671

-6523

8975

20

24397

-4021

2502

21

19808

828

4849

22

16514

4413

3585

23

22706

-1456

5869

24

20287

1319

2775

300

484938

119

MR

106089

Tabel 4.29 Data untuk grafik MRC regresi kuadratis d'-d

UCL

LCL

A1

A2

B1

B2

-3776

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

3747

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

1900

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

-2520

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

1369

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

1151

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

-3174

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

811

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

-6822

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

9329

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

539

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

512

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

-3550

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

1987

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

1555

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

-2344

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

2288

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

2452

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

-6523

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

-4021

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

828

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

4413

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

-1456

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

1319

12269.42

-12269.42

8164.24

-8164.24

4105.18

-4105.18

120

Keputusan yang diperoleh dari MRC regresi kuadratis diatas menyatakan in control. Tabel 4.30 verifikasi DMA T 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 300

Y(t)

d'-d

10202 18933 18933 23000 17500 18000 22000 17500 17500 26671 24397 19808 16514 22706 20287 293951

12170.38 -564.74 -583.46 -6150.02 1709.4 -2197.34 -2225 3697 2707 -8913 -2840 4246 6057 -1041 2925

121

MR

12735.12 18.72 5566.56 7859.42 3906.74 27.66 5922 990 11620 6073 7086 1811 7098 3966 74680.22

Tabel 4.31 Data untuk grafik MRC metodeDMA UCL

LCL

A1

A2

B1

B2

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

0

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

0

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

0

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

0

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

0

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

0

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

12170.4

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

-564.74

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

-583.46

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

-6150

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

1709.4

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

-2197.3

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

-2225

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

3697

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

2707

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

-8913

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

-2840

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

4246

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

6057

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

-1041

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

2925

8636.93

-8636.93

5747.13

-5747.13

2889.8

-2889.8

d'-d

Keputusan yang diperoleh dari MRC Metode DMA diatas menyatakan bahwa out of control yang berdasarkan pada titik ke-10 dan ke-19 melewati batas atas (UCL dan LCL)

122

Gambar 4.12 MRC metode DMA

Gambar 4.13 MRC metode DES

Gambar 4.13 MRC metode DES

123

Tabel 4.32 Verivikasi DES t

Y(t)

d'-d

MR

3

18933

-6253

4

23072

-5422

831

5

18933

6360

11782

6

18933

-1378

7738

7

23072

-4944

3566

8

18933

6356

11300

9

26443

-8909

15265

10

10202

19934

28843

11

18933

-16642

36576

12

18933

1277

17919

13

23000

-2890

4167

14

17500

8360

11250

15

18000

-2540

10900

16

22000

-4850

2310

17

17500

6662

11512

18

17500

-1641

8303

19

26671

-10094

8453

20

24397

7474

17568

21

19808

5708

1766

22

16514

690

5018

23

22706

-9438

10128

24

20287

4808

14246

300

442270

1 2

124

239441

Tabel 4.33 Data untuk grafik d'-d

UCL

LCL

A1

A2

B1

B2

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

0

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-6253

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-5422

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

6360

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-1378

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-4944

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

6356

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-8909

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

19934

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-16642

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

1277

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-2890

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

8360

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-2540

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-4850

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

6662

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-1641

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-10094

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

7474

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

5708

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

690

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

-9438

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

4808

27691.87

-27691.87

18426.55

-18426.55

9265.33

-9265.33

Keputusan yang diperoleh dari MRC metode DES diatas menyatakan bahwa in control.

125

Tabel 4.34 verifikasi Siklis T

Y(t)

d'-d

MR

1

25268

-4065

2

17400

3639

7704

3

18933

1886

1753

4

23072

-2515

4401

5

18933

1338

3853

6

18933

1048

290

7

23072

-3366

4414

8

18933

532

3898

9

26443

-7169

7701

10

10202

8946

16115

11

18933

160

8786

12

18933

181

21

13

23000

-3790

3971

14

17500

1873

5663

15

18000

1593

280

16

22000

-2145

3738

17

17500

2641

4786

18

17500

2932

291

19

26671

-5964

8896

20

24397

-3449

2515

21

19808

1330

4779

22

16514

4751

3421

23

22706

-1386

6137

24

20287

1012

2398

300

484938

126

105811

Tabel 4.35 Data untuk Grafik d'- d -4065 3639 1886 -2515 1338 1048 -3366 532 -7169 8946 160 181 -3790 1873 1593 -2145 2641 2932 -5964 -3449 1330 4751 -1386 1012

UCL 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27 12237.27

LCL -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27 -12237.27

A1 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85 8142.85

A2 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85 -8142.85

Gambar 4.10 MRC Regresi Linier

127

B1 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43 4094.43

B2 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43 -4094.43

Keputusan yang diperoleh dari MRC metode siklis diatas menyatakan in control tidak ada yang melewati batas dan sesuai dengan kaidah peta control. Tabel 4.36 Verifikasi Seasonal T 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 300

Y(t) 25268 17400 18933 23072 18933 18933 23072 18933 26443 10202 18933 18933 23000 17500 18000 22000 17500 17500 26671 24397 19808 16514 22706 20287 484938

d'-d -1481 -187 -724 -858 -963 -963 1452 2424 -3652 2967 1587 412 1467 205 729 848 983 983 -1446 -2430 3634 -2969 -1600 -390

128

MR 1294 537 134 105 0 2415 972 6076 6619 1380 1175 1055 1262 524 119 135 0 2429 984 6064 6603 1369 1210 42461

Tabel 4.37 Data untuk grafik d'-d -1481 -187 -724 -858 -963 -963 1452 2424 -3652 2967 1587 412 1467 205 729 848 983 983 -1446 -2430 3634 -2969 -1600 -390

UCL 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71 4910.71

LCL -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71 -4910.71

A1 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65 3267.65

A2 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65 -3267.65

Gambar 4.15 MRC metode seasonal 129

B1 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06 1643.06

B2 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06 -1643.06

Keputusan yang diperoleh dari MRC metode seasonal diatas menyatakan bahwa out of control yang berdasarkan ada delapan titik berada pada daerah B. Berdasarkan data peramalan yang terbaik maka data yang digunakan adalah forecasting (peramalan) dari metode Siklis.

4.2.4 Analisis Permintaan 4.2.4.1 Analisis Pola Permintaan Aktual RINSO Anti Noda Polybag 1 kg x 12 pcs Dalam peramalan time series, perlu diketahui dulu pola time series. Pola permintaan dapat diketahui dengan membuat scatter diagram yaitu pemplotan data historis selama interval waktu tertentu. Dari scatter diagram ini secara visual akan dapat diketahui bagaimana hubungan antara waktu dengan permintaan. Pola permintaan adalah suatu pola pergerakan jangka panjang dari tampilan data-data scatter diagram permintaan Dari plot data diatas menunjukan bahwa permintaan tertinggi pada periode ke19 sebesar 26671 dan permintaan terendah pada periode ke-10 sebesar 10202. Plot data diatas tergolong pola data yang berfluktuasi, apabila dilihat pada rentang waktu / periodenya.

4.2.5 Analisis Metode Peramalan Menurut Teguh Baroto (2002), tahap pertama dalam perencanaan dan pengendalian produksi bila produksi bertipe make to stock adalah menentukan peramalan akurat dari permintaan untuk item yang diproduksi. Peramalan merupakan input bagi proses perencanaan dan pengambilan keputusan. Peramalan menunjukkan perkiraan yang akan terjadi pada suatu keadaan 130

tertentu. Sebaliknya, perencanaan menggunakan ramalan tersebut untuk membantu para pengambil keputusan dalam memilih alternatif terbaik. Dengan demikian, suatu ramalan mencoba untuk memperkirakan apa yang akan terjadi, sedangkan perencanaan adalah upaya para pengambil keputusan untuk dapat mempengaruh hasil yang akan terjadi melalui berbagai strategis, misalnya rencana promosi, distribusi.

Time Series Patterns Stationer

Nonseasonal Stationary models

Trend Effect

 Nonseasonal Nonstationary models

Seasonal Effect

Cyclic Effect

 Seasonal and Multiplicative models

Intervention models

Gambar 4.16 Pola umum peramalan time series Peramalan itu sendiri dipengaruhi oleh demand yang terdapat beberapa variabel atribut demand tersebut yaitu: variasi random, rencana konsumen, daur hidup produk, pesaing, perilaku (sikap konsumen), waktu, siklus bisnis, iklan, sales effort, reputasi, desain produk, kebijaksanaan kredit, dan kualitas. Dalam peramalan terdapat konsiderasi yang yang harus dipertimbangkan misalnya:

131

1. Ongkos (biaya) Biaya Yang dikeluarkan perusahaan untuk membiayai riset dan metode peramalan produk adalah suatu hal yang nyata dan harus dipertimbangkan. Kemudian biaya kegiatan peramalan yang yang dikeluarkan merupakan aspek yang tidak dapat lepas karena kegiatan peramalan yang dilakukan merupakan suatu cost yang harus diperhitungkan oleh perusahaan. Selanjutnya biaya akibat kesalahan peramalan, peralamalan yang yang terbaik sebaiknya digunakan karena akan meminimasi kesalahan yang berakibat pada biaya yang dikeluarkan oleh perusahaan. 2. Manfaat Seberapa besar keuntungan yang didapat oleh peramalan yang telah dilakukan apakah dapat membawa kontribui postif dengan permintaan berikutnya. 3. Ketelitian Seberapa tepat peramalan yang dengan kondisi aktual Kesederhanaan perhitungan Pada kenyataannya perhitungan peramalan yang sederhana sangat berlawanan dengan ketelitian yang diperoleh. 5. Kemampuan dalam menyesuaikan dengan perubahan pasar Dalam hal ini faktor dari atribut variabel permintaan sangat mempengaruhi apakah peramalan yang digunakan sesuai dengan perubahan pasar.

132

Tabel 4.38 Analisis perbandingan metode peramalan Validasi

Verifikasi

RESULT

(Tracking Signal)

(MRC)

Regresi Linier

0.5465

√

X

Regresi Kuadratis

0.5479

√

√

DMA (5 X 5)

0.6561

√

X

DES (0,8)

1.5285

√

√

Seasonal

0.2879

X

X

Siklis

0.5451

√

√

Konstan

0.5459

X

X

METODE

Dalam peramalan terdapat cara untuk memberikan penguatan apakah peramalan yang digunakan sesuai atau tidak yaitu dengan menggunakan metode validasi, verifikasi dan yang terakhir adalah metode Theils U untuk mendapat metode dan nilai yang valid untuk hasil peramalan yang dikehendaki Berdasarkan nilai Theils’s U diatas seharusnya metode Seasonal yang digunakan. Namun, kenyataannya metode seasonal berada pada kondisi Out of control. Dari hasil tabel diatas menunjukan bahwa metode regresi kuadratis, DES (0,8), dan Siklis berada pada kondisi In control. Untuk perhitungan berikutnya digunakan hasil dari peramalan siklis dikarenakan metode siklis memiliki nilai Theil’s U terkecil dibandingkan ke-3 metode diatas

133

4.2.6 Analisis Hasil Peramalan Terbaik Hasil peramalan yang terbaik dari pengolahan data, diperoleh peramalan terbaik dengan metode siklis. Pola siklikal adalah bila fluktuasi permintaan secara jangka panjang membentuk pola gelombang atau siklus. Pola siklikal mirip dengan pola musiman. Pola musiman tidak harus berbentuk gelombang, bentuknya dapat bervariasi, namun waktunya akan berulang setiap tahun (umumnya). Pola siklikal bentuknya selalu mirip gelombang sinusoid.

Gambar 4.17 Fluktuasi permintaan berpola siklis

Dari gambar diatas menunjukan bahwa pola permintaan aktual menyerupai pola data siklis diatas.

134

PERENCANAAN PRODUKSI (Perhitungan AGREGAT) Tabel 4.39 Perhitungan Changing Workforce Levels

Demand Demand waktu Overtime (sat.aggregat) (jam) reguler 1 21039 127 576 0 2 20557 124 576 0 3 19981 120 576 0 4 19465 117 576 0 5 19148 115 576 0 6 19114 115 576 0 7 19373 117 576 0 8 19855 120 576 0 9 20432 123 576 0 10 20948 126 576 0 11 21265 128 576 0 12 21299 128 576 0 Jumlah 242476 6912 0 Bulan

Rp

5,206

Rp

6,259

Rp

1,082,865

Rp

1,624,298

Rp

64,711

Biaya Reguler Biaya Overtime Biaya Hire Biaya Fire Biaya Bahan Baku Total Biaya

Rp Rp Rp Rp Rp RP

135

Hire

Fire

Pekerja

0 0 0 0 0 0 0 0 0 0 0 0 0

46 0 0 0 0 0 0 0 0 0 0 0 46

1 1 1 1 1 1 1 1 1 1 1 1

35,983,872 74,717,708 15,690,864,436 15,801,566,016

Tabel 4.40 Perhitungan Changing Inventory Level

Bulan

Demand Demand Produksi (sat.aggregat) (jam) (sat.agregat)

Pekerja

Inventory Lost (sat.aggregat) deman

1

21039

127

96000

576

1

74961

0

2

20557

124

96000

576

1

150404

0

3

19981

120

96000

576

1

226423

0

4

19465

117

96000

576

1

302958

0

5

19148

115

96000

576

1

379810

0

6

19114

115

96000

576

1

456696

0

7

19373

117

96000

576

1

533323

0

8

19855

120

96000

576

1

609468

0

9

20432

123

96000

576

1

685036

0

10

20948

126

96000

576

1

760088

0

11

21265

128

96000

576

1

834823

0

12

21299

128

96000

576

1

909524

0

Jumlah

242476

1460

1152000

6912

5923514

0

Biaya Reguler Rp 1,082,865 Biaya Hire Rp 1,624,298 Biaya Fire 3,000 Biaya Inventory Rp Rp 150,000 Biaya Lost Demand Rp 64,711 Biaya Bahan Baku Rp

Produksi (jam)

Rp 35,983,872 Rp Rp 74,717,708 Rp 17,770,542,000 Rp Rp 74,547,072,000 Rp 92,428,315,580

5,206

Total Biaya

136

Tabel 4.41 Perhitungan Subcontracting

Bulan

Demand Produksi (sat.agrega (sat.agrega Produksi t) t) (jam)

Pekerja Subkontrak (unit)

1

21039

19114

115

1

1925

2

20557

19114

115

1

1443

3

19981

19114

115

1

867

4

19465

19114

115

1

351

5

19148

19114

115

1

34

6

19114

19114

115

1

0

7

19373

19114

115

1

259

8

19855

19114

115

1

741

9

20432

19114

115

1

1318

10

20948

19114

115

1

1834

11

21265

19114

115

1

2151

12

21299

19114

115

1

2185

Jumlah

242476

Rp

5,206

Rp

1,082,865

Rp

1,624,298

Rp

100,000

Rp

64,711

1380

Biaya Reguler Biaya Hire Biaya Fire Biaya Subkontrak Biaya Bahan Baku Total Biaya

137

13108

Rp 7,184,280 Rp Rp 74,717,708 Rp 1,310,800,000 Rp 14,842,632,648 Rp 16,235,334,636

Tabel 4.42 Perhitungan Mixed Strategy

Bulan 1 2 3 4 5 6 7 8 9 10 11 12 Jumlah

Rp Rp Rp

Rp Rp Rp Rp

Demand Reguler (jam) 127 124 120 117 115 115 117 120 123 126 128 128

27072 27072 27072 27072 27072 27072 27072 27072 27072 27072 27072 27072 324864

Biaya Reguler 1,082,865 Biaya Hire 1,624,298 Biaya Fire 3,000 Biaya Inventori 100,000 Biaya Subkontrak 6,259 Biaya Overtime 64,711 Biaya Bahan Baku Total Biaya 5,206

Inv. (unit)

Subkont. (sat.agregat)

Hire

4490833 8982166 13474166 17966666 22459499 26952332 31444832 35936832 40428332 44919332 49409998 53900664 350365652

0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0

Rp Rp Rp Rp Rp Rp Rp Rp

138

1,691,241,984 0 1,051,100,000,000 0 0 3,503,710,000,000 4,556,501,241,984

Overtime Pekerja 0 0 0 0 0 0 0 0 0 0 0 0 0

47 47 47 47 47 47 47 47 47 47 47 47

Tabel 4.43 Hasil nilai Minimumnya Changing Workforce Level

Rp

15,801,566,016

Changing Inventory Level

Rp

92,428,315,580

Subcontracting

Rp

16,235,334,636

Mixed Strategy

Rp 4,556,500,581,984 Minimum

Rp

15,801,566,016

Metode terbaik adalah Changing Workforce Level, sehingga diperoleh Y* dari demand satuan agregatnya. Tabel 4.44 Y* Periode

Y*

1

21039

2

20557

3

19981

4

19465

5

19148

6

19114

7

19373

8

19855

9

20432

10

20948

11

21265

12

21299

139

4.4 PERHITUNGAN DISAGREGAT Input Disagregat Periode 1 Family

Item code

Pers. 0

36360

Produk

Awal

Permintaan

F. Konversi

Expected Quantity

Jumlah

21039

1

-21039

21039

Jumlah

21039

F2

N=

1

21039

21039

Ei =

0

Y* Produk A =

21039

Item Disaggregation Algorithm Y*

Step 1

Step 2

F2 21039

21039

Step 3

Kuant. Prod

Konversi

Next Inventory

21039

21039

21039

0

21039

21039

0

0

Input Disagregat Periode 2 Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Expected Quantity

Jumlah

36360

0

20557

1

-20557

20557

Jumlah

20557

F2

N=

1

20557 Ei =

20557 0

Y* Produk A =

20557

Item Disaggregation Algorithm Y*

Step 1

Step 2

F2 20557

20557

Step 3

Kuant. Prod

Konversi

Next Inventory

20557

20557

20557

0

20557

20557

0

0

140

Input Disagregat Periode 3 Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Expected Quantity

Jumlah

36360

0

19981

1

-19981

19981

Jumlah

19981

F2

N=

1

19981 Ei =

19981 0

Y* Produk A =

19981

Item Disaggregation Algorithm Y*

Step 1

Step 2

F2 19981

19981

Step 3

Kuant. Prod

Konversi

Next Inventory

19981

19981

19981

0

19981

19981

0

0

Input Disagregat Periode 4 Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Expected Quantity

Jumlah

36360

0

19465

1

-19465

19465

Jumlah

19465

F2

N=

1

19465 Ei =

19465 0

Y* Produk A =

19465

Item Disaggregation Algorithm Y*

Step 1

Step 2

F2 19465

19465

Step 3

Kuant. Prod

Konversi

Next Inventory

19465

19465

19465

0

19465

19465

0

0

141

Input Disagregat Periode 5 Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Expected Quantity

Jumlah

36360

0

19148

1

-19148

19148

Jumlah

19148

F2

N=

1

19148

19148

Ei =

0

Y* Produk A =

19148

Item Disaggregation Algorithm Y*

Step 1

Step 2

F2 19148

19148

Step 3

Kuant. Prod

Konversi

Next Inventory

19148

19148

19148

0

19148

19148

0

0

Input Disagregat Periode 6 Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Expected Quantity

Jumlah

36360

0

19114

1

-19114

19114

Jumlah

19114

F2

N=

1

19114 Ei =

19114 0

Y* Produk A =

19114

Item Disaggregation Algorithm Y*

Step 1

Step 2

F2 19114

19114

Step 3

Kuant. Prod

Konversi

Next Inventory

19114

19114

19114

0

19114

19114

0

0

142

Input Disagregat Periode 7 Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Expected Quantity

Jumlah

36360

0

19373

1

-19373

19373

Jumlah

19373

F2

N=

1

19373

19373

Ei =

0

Y* Produk A =

19373 Item Disaggregation Algorithm

Y*

Step 1

Step 2

F2 19373

19373

Step 3

Kuant. Prod

Konversi

Next Inventory

19373

19373

19373

0

19373

19373

0

0

Input Disagregat Periode 8 Family Produk

Item 36360

Pers. Awal

Permintaan

F. Konversi

Expected Quantity

Jumlah

0

19855

1

-19855

19855

Jumlah

19855

F2

N=

1

19855 Ei = 0 Y* Produk A =

19855 19855

Item Disaggregation Algorithm Y*

Step 1

Step 2

F2 19855

19855

Step 3

Kuant. Prod

Konversi

Next Inventory

19855

19855

19855

0

19855

19855

0

0

143

Input Disagregat Periode 9 Expected Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Quantity

Jumlah

36360

0

20432

1

-20432

20432

Jumlah

20432

F2

N=

1

20432 Ei =

20432 0

Y* Produk A =

20432

Item Disaggregation Algorithm Y*

Step 1

Step 2

F2 20432

20432

Step 3

Kuant. Prod

Konversi

Next Inventory

20432

20432

20432

0

20432

20432

0

0

Input Disagregat Periode 10 Expected Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Quantity

Jumlah

36360

0

20948

1

-20948

20948

Jumlah

20948

F2

N=

1

20948 Ei =

20948 0

Y* Produk A =

20948 Item Disaggregation Algorithm

Y*

Step 1

Step 2

F2 20948

20948

0

Step 3

Kuant. Prod

Konversi

Next Inventory

20948

20948

20948

0

20948

20948

0

144

Input Disagregat Periode 11 Expected Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Quantity

Jumlah

36360

0

21265

1

-21265

21265

Jumlah

21265

F2

N=

1

21265 Ei =

21265 0

Y* Produk A =

21265 Item Disaggregation Algorithm

Y*

Step 1

Step 2

F2 21265

21265

Step 3

Kuant. Prod

Konversi

Next Inventory

21265

21265

21265

0

21265

21265

0

0

Input Disagregat Periode 12 Expected Family Produk

Item

Pers. Awal

Permintaan

F. Konversi

Quantity

Jumlah

36360

0

21299

1

-21299

21299

Jumlah

21299

F2

N=

1

21299 Ei =

21299 0

Y* Produk A =

21299 Item Disaggregation Algorithm

Y*

Step 1

Step 2

F2 21299

21299

0

Step 3

Kuant. Prod

Konversi

Next Inventory

21299

21299

21299

0

21299

21299

0

145

Tabel 4.45 Jadwal Induk Produksi Jadwal Induk Produksi Periode RINSO Anti Noda Polybag 1 kg x 12 pcs

1

21039

2

20557

3

19981

4

19465

5

19148

6

19114

7

19373

8

19855

9

20432

10

20948

11

21265

12

21299

146

4.5 PERHITUNGAN RCCP

Tabel 4.46 Tabel perhitungan RCCP Bulan

Demand (sat.aggregat)

Prod.(sat.agregat)

1

21039

96000

2

20557

96000

3

19981

96000

4

19465

96000

5

19148

96000

6

19114

96000

7

19373

96000

8

19855

96000

9

20432

96000

10

20948

96000

11

21265

96000

12

21299

96000

Gambar 4.18 Gambar RCCP

147

Kapasitas yang tersedia lebih besar dari kapasitas yang dibutuhkan maka demand dari data JIP (Jadwal Induk Produksi) dapat digunakan. 4.6 ANALISIS PERENCANAAN PRODUKSI

Perencanaan produksi adalah perencanaan mengenai tenaga kerja, bahan-bahan dan mesin dan peralatan lain serta modal yang diperlukan untuk memproduksi barangbarang pada periode tertentu dimasa mendatang sesuai dengan yang diperkirakan atau yang diramalkan. Tujuan perencanaan produksi bertujuan untuk mencapai suatu perencanaan yang fesible dan optimal. Terdapat dua klasifikasi perencanaan produksi yaitu perencanaan jangka pendek dan perencanaan jangka panjang, penjelasan selengkapnya terdapat pada bab sebelumnya. Metode perhitungan perencanaan produksi dibagi menjadi dua yaitu metode perencanaan agregat dan disagregat. Proses agregasi (aggregation) adalah proses pengelompokan beberapa jenis item menjadi product family. Proses disagregasi (disaggregation) adalah proses derivasi product family menjadi item. Untuk contoh proses agregat adalah IBM memproduksi komputer laptop, desktop, notebook dan mesin teknologi tinggi ainnya. Dalam hal ini proses agregasi adalah pengelompokan jenis-jenis komputer tersebut kedalam family product (misalnya famili komputer). Unit agregat yang biasa digunakan dalam proses agregasi: 1. Jam kerja buruh, mesin atau resource lainnya 2. Waktu standar 3. Harga jual, ongkos produksi 4. Satuan agregat dummy Contoh proses disagregat adalah nilai penjualan total perusahaan dikelompokan kedalam nilai penjualan masing-masing produk yang dibuat atau jam produksi total

148

dikelompokan kedalam jam produksi masing-masing produk. Nilai penjualan masingmasing produk tersebut dibagi dengan harga jual masing-masing sehingga diperoleh jumlah unit yang akan diproduksi. Tujuan perencanaan agregat adalah membangkitkan (generate) top level production planned : 1. Basis perencanaan agregat adalah hasil ramalan target produksi. Target produksi ditentukan oleh top level business plan yang memperhatikan kapasitas dan kapabilitas perusahaan 2. Analisis dilakukan dalam kelompok produk (product family) dengan unit agregat 3. Melibatkan pemilihan srategi manufaktur 4. Peran perencanaan agregat adalah sebagai interface antara perusahaan / system manufaktur dan pasar produknya Setelah proses agregat dalam hal ini dilanjutkan pada proses disagregat, yang output dari proses disagragat adalah Jadwal Induk Produksi. Demand satuan agregat didapat dari hasil peramalan terbaik 12 bulan kedepan yaitu metode peramalan siklis. Kemudian demand (jam) didapat dari hasil kali demand satuan agregat dengan cyle time yaitu 0.006. Kemudian waktu regular didapat dari jumlah waktu kerja (dalam jam) dalam satu bulan. Dapat diketahui bahwa nilai cyle time yang sangat kecil yaitu 0.006 dan jam kerja sebesar 576 diperoleh bahwa perusahaan dapat memproduksi sebanyak 576/0.006= 96000. Sehingga untuk memproduksi jumlah sesuai pada demand satuan agregat maka tidak memerlukan pekerja sebanyak 46 tetapi hanya memerlukan satu pekerja. Penyebabnya adalah kapasitas produksi mesin perusahaan dapat meng-handle dengan produksi yang efektif dan efisien. Output dari agregat adalah

149

Y* selanjutnya adalah metode perencanaan disagregat untuk mendapatkan Jadwal Induk Produksi (JIP). Untuk metode perencanaan disagregat pada kolom family merupakan induk dari jenis produk. Misalnya familynya adalah Detergent kemudian untuk itemnya adalah Rinso , Surf . Untuk persediaan awal produksi Rinso Anti Noda yang mana tidak ada persediaan awal. Faktor konversi ini adalah nilai pembanding bahwa apabila dalam iterasi disagregat tersebut terdapat dua produk atau lebih, maka dibuat nilai konversi tersebut. Kemudian nilai JIP diambil dari nilai kuntitas produksi setiap periode. Analisis RCCP merupakan proses mengkonversi MPS kedalam sumber daya yang dibutuhkan. Tahap pertama dalam RCCP adalah identifikasi sumber daya yang utama, seperti work center, tenaga kerja atau material kritis. Kemudian tentukan faktor penggunaan sumber daya per unit untuk setiap item, dan diasumsikan bahwa sumber daya tersebut digunakan dalam periode yang sama sesuai dengan jadwal pesanan yang telah disusun. Kemudian faktor penggunaan tersebut dikalikan dengan jumlah rencana pemesanan untuk RCCP. Dari hasil perhitungan RCCP dapat dianalisis bahwa kapasitas yang tersedia lebih besar dari kapasitas yang dibutuhkan maka demand dari data JIP (Jadwal Induk Produksi) dapat digunakan.

150

BAB V HASIL DAN ANALISIS

Analisis pemecahan masalah yang akan dibahas adalah dimulai dari Proses pembuatan BoM hingga pengerjaan MRP dan semua keterkaitan yang harus dilakukan berikutnya .

5.1

ANALISIS BILL of MATERIALS ( BoM ).

Analisis produk sabun Detergent terdiri atas satu Produk Jadi ( Finished Product ) dengan lima level yang dimulai dari level 0. Untuk level nol dinyatakan bahwa Produk Jadi adalah sabun Detergent . Untuk Level 1 s/d level 5 terdiri dari dua atau lebih jenis bahan baku , packing material dan jenis material chemical ( bahan-baku jenis -kimia , bentuk padat dan bentuk liquid ). Dalam proses produksi sabun detergent dalam pelaksanaan mixing dari beberapa material diatur dengan loadcell (timbangan) per 1 ton yang dalam beberapa kemasan dipakai kemasan Jumbo Bag kapasitas 1 ton , dan untuk penarikan Chemical bentuk Liquid dilakukan dengan cara Flowmeter ( takaran yang disesuaikan dengan kebutuhan setiap batch proses-nya ) atau dengan flow meter yang diatur dengan control Norbrovalve ( programnya disesuaikan dengan kebutuhan ) .

151

Dari penanganan secara manual atau otomatis dari beberapa instrument , semua material dideteksi di ruang control yang mulai dari proses awal pengisian hopper dengan material yang ditetapkan untuk proses setiap batch-nya sampai dengan proses menjadi bentuk powder selesai diproduksi semua mengacu ke BoM yang sudah ditetapkan .

Tabel 5.1 Isi Penjelasan BoM

152

5.2

MATERIALS REQUIREMENT PLANNING

Mekanisme Proses MRP , dimulai dari Daftar Induk Rencana Produksi : Tabel 5.2 Master Production Schedule ( perhitungan Packing Material di fokuskan di produk Size 1 kg )

Data Rencana Produksi RINSO ANTI NODA 1 kg( dalam tonage )

Jan

Plan produksi WEEK 1 2

Feb

Mar

Apr

30 gr / 300 pcs

56 gr / 120 pcs

500 gr / 24pcs

1 kg / 12 pcs

2 kg / 6 pcs

total

324

261

167

303

59

1114

333

267

147

209

76

1032

3

333

255

153

227

81

1050

4

356

260

153

277

77

1124

5

347

269

160

227

77

1080

sub total

1693

1313

780

1243

371

5400

6

360

262

153

227

80

1083

7

349

262

160

277

80

1128

8

349

268

160

227

81

1085

9

350

262

160

317

81

1171

sub total

1408

1054

633

1049

323

4466

10

351

269

160

122

73

975

11

351

261

160

227

73

1072

12

359

261

167

227

73

1087

13

351

261

167

276

73

1128

sub total

1412

1051

653

853

293

4262

14

350

242

173

210

76

1051

15

358

249

160

216

76

1059

16

342

249

167

264

81

1103

17

349

266

167

210

81

1073

18

360

259

167

210

81

1077

sub total

1409

1022

660

1110

320

4311

Total ton

5921

4441

2727

4255

1307

18650

153

ton

154

Focus : Rinso Anti Noda 1 kg

Tabel 5. 3 FORM PLAN PRODUKSI

Plan Production NSD WK 01 - 2007 IN TON

Januari 2007

roduct Cod

Description

Key Figure

Week

1

2

Februari 2007

3

4

5

6

Maret 2007

7

8

9

10

11

Apr-07

Mei 2007

12

13

14

15

16

17

18

19

20

21

PC BARU ID39004 RINSO ANTI NODA 1KG/12 ID39004 RINSO ANTI NODA 1KG/12 ID39004 RINSO ANTI NODA 1KG/12 ID39004 RINSO ANTI NODA 1KG/12

Forecast Production Plan Closing Stock Weeks Cover

0 0 1838.6 2.8

324 303 1847.8 2.8

333 209 1819.9 3

333 227 1855.5 3.2

356 277 1882.8 3.3

347 227 1700.3 2.9

360 227 1617.7 2.8

349 277 1585 2.7

349 227 1594.8 2.8

350 317 1699.9 2.9

351 122 1662.6 2.8

351 227 1885 2.8

359 227 1894.7 2.9

351 276 1811.2 3.3

351 210 1595.5 3.2

358 216 1436.5 2.9

342 264 1612.5 2.9

349 210 1763.6 3.1

360 210 1618.6 2.9

324 303 1645.6 2.8

333 209 1830.6 2.9

356 227 1783.7 2.9

ID39005 ID39005 ID39005 ID39005

RINSO ANTI NODA 2KG/6 RINSO ANTI NODA 2KG/6 RINSO ANTI NODA 2KG/6 RINSO ANTI NODA 2KG/6

Forecast Production Plan Closing Stock Weeks Cover

0 0 151.7 3.6

59 59 156.1 3.8

73 76 171.5 4.4

73 81 191 5

73 77 210 5.5

73 77 174.5 4.5

73 80 184.9 3.5

76 80 193.1 4

76 81 156 3

81 81 168.5 3.1

81 73 171.8 2.9

81 73 191.7 2.7

81 73 198 2.7

59 73 190.9 3

76 76 172.5 3

81 76 159 2.7

77 81 172.1 2.7

77 81 182.6 3

80 81 170.8 2.7

80 59 173 2.7

81 76 187.1 2.7

73 81 182.1 2.8

ID39001 ID39001 ID39001 ID39001

RINSO ANTI NODA 30G/300 RINSO ANTI NODA 30G/300 RINSO ANTI NODA 30G/300 RINSO ANTI NODA 30G/300

Forecast Production Plan Closing Stock Weeks Cover

0 0 1605.3 2.2

360 324 1665.3 2.4

349 333 1685 2.5

342 333 1773.6 2.7

358 356 1853.1 2.7

350 347 1664.1 2.4

351 360 1437.2 2.1

359 349 1395.1 2.2

351 349 1403.1 2.3

351 350 1612.8 2.7

349 351 1679.8 2.8

360 351 2006.9 2.9

347 359 2121 3.1

356 351 2020.5 3.5

333 350 1765.4 3.4

333 358 1603.6 3.1

324 342 1808 3.2

350 349 1947.1 3.3

356 360 1779.6 3

342 349 1837.7 3

349 349 2018.4 3.1

350 350 1958.3 3.1

ID39003 ID39003 ID39003 ID39003

RINSO ANTI NODA 500GR/24 RINSO ANTI NODA 500GR/24 RINSO ANTI NODA 500GR/24 RINSO ANTI NODA 500GR/24

Forecast Production Plan Closing Stock Weeks Cover

0 0 654.6 3.3

167 167 698.7 3.6

147 147 731.7 3.9

153 153 783.8 4

153 160 833.4 4.3

160 160 648.8 3.3

160 160 621.3 3.1

160 160 594.1 2.9

160 167 581.4 3

160 167 573.6 2.9

160 173 577.6 2.9

167 160 669.5 3

167 167 689.4 3.3

173 167 653.8 3.7

160 160 564.6 3.4

167 167 515.4 3.1

173 173 596.4 3.2

170 167 644.6 3.3

175 167 584 3

180 167 612.9 3.1

165 167 663.3 3.2

167 167 635.6 3.2

Forecast Production Plan Closing Stock Weeks Cover

262 261 218.8 2.2

262 267 186.7 2.4

268 255 177.5 2.6

269 260 182 2.8

261 269 191.8 3

261 262 213.5 2.5

242 262 217.7 2.4

249 268 253.9 2.5

249 262 218.8 2.7

266 269 186.7 2.9

259 261 177.5 3.1

261 261 182 3.3

267 261 191.8 4

255 242 213.5 4.2

260 249 217.7 3.9

269 249 253.9 3.6

242 266 218.8 3.8

249 259 186.7 3.7

269 261 177.5 3.5

262 267 182 3.6

268 255 191.8 3.7

0 260 213.5 3.7

Total Forecast TotalProduction Plan Total Closing Stock

262 261 6369

1770 1793 6529

1803 1695 6603

1744 1729 6904

1783 1814 7182

1721 1109 6119

1747 1542 5688

1787 1703 5605

1738 1655 5554

1702 1762 5926

1820 1558 5911

1609 1650 6766

1800 1665 6925

1874 1718 6649

1837 1515 5888

1784 1483 5382

1554 1664 5963

1627 1642 6425

1850 1565 5906

1741 1699 6028

1635 1669 6641

1580 1668 6472

40007 RINSO ANTI NODA 56/120 40007 RINSO ANTI NODA 56/120 40007 RINSO ANTI NODA 56/120 40007 RINSO ANTI NODA 56/120

155

Dalam tabel dibawah ini pemesanan material Packing di fokuskan hanya di kebutuhan produksi Rinso Anti Noda 1 kg , untuk kemasan : 30 gr,56 gr,500 gr dan 2 kg pola pemesanan sama dengan yang 1 kg , untuk Chemical diperhitungkan untuk dipesan selama 1 kuartal . Tabel 5.4 Material Requirement Planning.

Tabel 5. 5 Penjelasan BoM dan proses MRP

Contoh data Pemesanan Barang diambil dari data Permintaan dan Forcasting berdasarkan Brand Outlook th 2007

RAN 1 kg / 12

RAN 30 gr / 300

Month

1

12

Jan ,

303

25268

2

12

209

17400

3

12

227

4

12

277

5

12

227

6

12

7 8

in Ton

Total / month

RAN 500 gr / 24

RAN 2 kg / 6

Conversion

kg/ fib

No

RAN 56 gr / 120

In Fifberites

kg/ fib

in Ton

303,216

36000

9

208,800

37000

9

18933

227,196

37000

23072

276,864

18933

227

12 12

9

12

317

10

12

11 12

In Fifberites

kg/ fib

in Ton

324

38887

6.72

261

13889

12

167

4889

12

59

333

39786

6.72

267

12222

12

147

6333

12

76

9

333

37990

6.72

255

12778

12

153

6778

12

81

39550

9

356

38760

6.72

260

12778

12

153

6444

12

77

227,196

38575

9

347

39998

6.72

269

13333

12

160

6444

12

77

18933

227,196

39990

9

360

39000

6.72

262

12778

12

153

6667

12

80

277

23072

276,864

38765

9

349

39000

6.72

262

13333

12

160

6667

12

80

227

18933

227,196

38765

9

349

39875

6.72

268

13333

12

160

6778

12

81

26443

317,316

38880

9

350

38997

6.72

262

13333

12

160

6778

12

81

122

10202

122,424

39000

9

351

39990

6.72

269

13333

12

160

6111

12

73

12

227

18933

227,196

39000

9

351

38765

6.72

261

13333

12

160

6111

12

73

12

227

18933

227,196

39875

9

359

38765

6.72

261

13889

12

167

6111

12

73

13

12

276

23000

276,000

38997

9

351

38880

6.72

261

13889

12

167

6111

12

73

14

12

210

17500

210,000

38887

9

350

36000

6.72

242

14444

12

173

6333

12

76

15

12

216

18000

216,000

39786

9

358

37000

6.72

249

13333

12

160

6333

12

76

16

12

264

22000

264,000

37990

9

342

37000

6.72

249

13889

12

167

6778

12

81

17

12

210

17500

210,000

38760

9

349

39550

6.72

266

13889

12

167

6778

12

81

18

12

17500

210,000

39998

9

360

38575

6.72

259

13889

12

167

6778

12

81

Feb

Mar

Apr

Mei

210

1243

1049

853

1110

4255 th

Fiberites

Polybag

4,254,660 pcs

156

Total / month

1693

1408

1412

1759

Total / month

1313

1054

1051

1264

In kg/ in Ton Fifberites fib

Total / month

780

633

653

833

In kg/ in Ton Fifberites fib

Total / month

371

323

293

396

Dari Tabel Pengelompokan Material per Level mulai dari level 1 ke level 5 adalah proses dalam pelaksanaan urutan produksi dengan keterangan sebagai berikut : - Level 1 : Gabungan antara 2 material yang saling terkait penggunaannya . - Level 2 : Gabungan antara 2 material yang saling terkait penggunaannya . - Level 3 : Proses Produksi Mixing dalam Post Doozing - Level 4 : Proses Produksi Mixing dalam Batching - Level 5 : Proses Produksi di plant yang terpisah yang hasil produk-nya sebagai bahan baku utama .

5.3

ANALISIS PEMESANAN MATERIAL . Dari sekian banyak material tersebut diatas , sebagai contoh untuk

perhitungan pemesanan produk : Rinso Anti Noda 1 kg dipakai baik itu jenis packing maupun untuk jenis chemical-nya ditampilkan menggunakan : -

Metode Fixed Order Quantity

( FOQ )

-

Metode Economic Order Quantity ( EOQ )

-

Metode Lot for Lot

( L for L )

Penggunaan semua metode tehnik menghitung tersebut diatas bertujuan untuk mencari ukuran pemesanan yang paling ekonomis , dalam hal ini dengan melakukan percobaan ukuran pesanan pada formulasi perhitungan yang telah dibuat dibawah ini dengan urutan penggunaan data-data : -

Forecast Plan Produksi untuk produk Rinso Anti Noda 1 kg (PC:39004) dengan periode data selama 4 bulan (18 minggu) kedepan dan pembacaan 157

data dari jumlah Tonage Plan Produksi menjadi jumlah pieces atau kilogram dari semua jenis material yang akan dipesan (requirement) . -

Format perhitungan dengan 3 metode FOQ , EOQ dan Lot for Lot untuk menghitung semua kebutuhan bahan baku sebanyak target yang sudah ditentukan sebagai fixed plan dan long term plan selama 4 bulan (18 Minggu), yang pada perhitungan kebutuhan dengan ketiga metode akan mendapatkan hasil biaya Pemesanan dan biaya Penyimpanan .

-

Hasil perhitungan dapat langsung dipakai sebagai acuan untuk beberapa jenis material dan bisa dipesankan sesuai perhitungan yang ada, tetapi untuk beberapa material (import) yang dipesan dengan lead time dan pengadaannya harus dikirim via Sea Freight (menggunakan container dan tranportasi kapal laut) yang penguruannya melalui prosedur pabean harus diperhitungkan dengan lebih cermat dan membutuhkan penanganan khusus untuk jangan sampai terjadi pemblockiran yang disebabkan tidak lengkapnya dokumen. import .

158

Dengan menggunakan data Produksi (table 5.6) ini , data dalam jumlah Tonage kemudian di breakdown menjadi Requirement setiap Bahan baku yang akan digunakan sebagai data pemesanan untuk ketersediaan Material selama periode yang sudah direncanakan .

Tabel 5. 6 DATA PERHITUNGAN MRP DARI FORECAST PLAN PRODUKSI Rinso 1 kg - PC 39004 Periode

%/ 1000 fib

Forecast plan Prod.

Jan

Feb

Mar

Apr

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

25

17

19

23

19

19

23

19

26

10

19

19

23

18

18

22

1 2 3

Packing Materials OPP Tape 3" x 100 mt"Black" Outer Rinso 12 x 1 kg Polybag Rinso 1 kg

1.2 84 1010

25 2083 25000

17 1417 17000

19 1596 19190

23 1932 23230

19 1596 19190

19 1596 19190

23 1932 23230

19 1596 19190

26 2184 26260

10 840 10100

19 1596 19190

19 30324 364610

23 1932 23230

18 1512 18180

18 1512 18180

22 1848 22220

1 2 3 4 5 6 7 8 9 10 11

Chemical Materials SALT CAUSTIK SODA LIQ TINOPAL CBSX SODIUM SILICATE SODIUM SULPHATE CALCITE STPP LAS PERF. SOLAR SPLATE SODA ASH DENSE NEELIKON BRIGHT BLUE

2.4 6.3 0.3 18.3 19.1 2.0 15.8 23.0 0.4 16.9 0.1

603 1,575 80 458 478 50 395 575 10 423 3

410 1,071 54 542 325 34 269 391 7 287 2

458 1,197 61 606 363 38 300 437 8 321 2

554 1,449 74 734 439 46 363 529 9 389 2

458 1,197 61 606 363 38 300 437 8 321 2

458 1,197 61 606 363 38 300 437 8 321 2

554 1,449 74 734 439 46 363 529 9 389 2

458 1,197 61 606 363 38 300 437 8 321 2

627 1,638 83 829 497 52 411 598 10 439 3

241 630 32 319 191 20 158 230 4 169 1

458 1,197 61 606 363 38 300 437 8 321 2

458 1,197 61 606 363 38 300 437 8 321 2

554 1,449 74 734 439 46 363 529 9 389 2

434 1,134 58 574 344 36 284 414 7 304 2

434 1,134 58 574 344 36 284 414 7 304 2

530 1,386 70 702 420 44 348 506 9 372 2

159

160

LOT for LOT

134.81

Outer RAN 1kg item code : 38001

Net Requirement Project On Hand Planned Order Release Planned Order Receipt

Metode MRP FOQ EOQ L for L

134.81

134.81

134.81

Jan -1

134.81

134.81

134.81

134.81

8

9

10

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

18 180,000 -

0

Mar 11

12

13

14

15

16

17

18

3,743,731 2,445,140 180,000

Apr

total

2

3

4

5

6

2083 0 2083 2083

1417 0 1417 1417

1583 0 1583 1583

1917 0 1917 1917

1583 0 1583 1583

1583 0 1583 1583

1917 0 1917 1917

1583 0 1583 1583

2167 0 2167 2167

833 0 833 833

1583 0 1583 1583

1583 0 1583 1583

1917 0 1917 1917

1500 0 1500 1500

1500 0 1500 1500

1833 0 1833 1833

1500 0 1500 1500

1500 0 1500 1500

Biaya Simpan /unit Jumlah Order

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

10000 134.81 1

18

Biaya Order Biaya simpan

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

10000 -

180,000 -

180,000

Biaya Total

Feb 7

1

2083

Jumlah pemesanan

Total Biaya

134.81

134.81

Lot Size : ( in Thousand ) Lead Time=3 day Min Stock: DESCRIPTION PERIODE Periode -4 -3 -2

Biaya Pemesanan Biaya Simpan

134.81

Total =

Pilihan

√

161

29583

pcs

29583 29583

pcs pcs

180,000

LOTTING

2

Polybag Bag RAN 1kg

`

Data Ongkos Biaya Pemesanan 5000 Biaya Simpan /unit 134.81

Requirement (per tonin Polybag ) :

25000 134.81

17000 134.81

19000 134.81

23000 134.81

19000 134.81

19000 134.81

23000 134.81

19000 134.81

26000 134.81

10000 134.81

19000 134.81

19000 134.81

23000 134.81

18000 134.81

18000 134.81

22000 134.81

18000 134.81

18000 134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

8

9

10

26000 31880

10000 21880 22188

FOQ ( Fixed Order Quantity) 134.81 Polybag Bag RAN 1kg item code : 36359

Lot Size : ( in Thousand ) Lead Time=3 day Min Stock: DESCRIPTION PERIODE Periode -4 -3 -2 Net Requirement Project On Hand Planned Order Release Planned Order Receipt

Jan -1

0 22188

22188 22188 22188

D

16

Biaya Pemesanan Total Biaya Simpan

80,000 53,590,210

Total Biaya

53,670,210

2

3

4

5

6

25000 19376 22188 22188

17000 24564 22188 22188

19000 27752 22188 22188

23000 26940 22188 22188

19000 30128 22188 22188

19000 33316 22188 22188

23000 32504 22188 22188

19000 35692 22188 22188

22188

Mar 11 19000 25068

Apr 12

13

14

15

16

17

18

19000 6068 22188

23000 5256 22188 22188

18000 9444 22188 22188

18000 13632 22188 22188

22000 13820 22188 22188

18000 18008

18000 8

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

5000 708561

5000 1273146

5000 1837730

5000 1863074

5000 2427658

22188

total 355,000 pcs 355,008 pcs 355,008 pcs

22188

355000 x 12 4260000   1065000 per year 4 4  88750 per month 

Jumlah pemesanan

Feb 7

1

Biaya Simpan /unit Jumlah Order Biaya Order Biaya simpan

22188 per week

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

5000 2991164

5000 2612079

5000 3311473

5000 3741247

5000 3631781

5000 4061556

5000 4491330

5000 4381864

5000 4811639

5000 4297743

134.81

2949643

134.81 1 5000 3379417

134.81

818027

134.81 16

1078 Total =

80,000 53,590,210 53,670,210

EOQ ( Economic Order Quantity) 134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

8

9

10

19000 5356 25660 20528

26000 5016 20528 25660

10000 15544 20528 20528

134.81

134.81

134.81

134.81

134.81

134.81

134.81

134.81

Polybag Bag RAN 1kg item code : 36359

Lot Size : ( in Thousand ) Lead Time=3 day Min Stock: DESCRIPTION PERIODE Periode -4 -3 -2 Net Requirement Project On Hand Planned Order Release Planned Order Receipt

5132 20528 20528 5132 Q

Jumlah pemesanan

Jan -1

70

Biaya Pemesanan Total Biaya Simpan

349,805 25,918,031

Total Biaya

26,267,837

2DS h



Biaya Simpan /unit Jumlah Order Biaya Order Biaya simpan

0

1

2

3

4

5

6

25660

25000 21188

17000 4188 20528

20528

20528

19000 5716 20528 20528

23000 3244 20528 20528

19000 4772 20528 20528

19000 6300 20528 20528

2 x 355000 x 5000  134. 81

5132 134.81 5 25000 3459225

5132 134.81 4 20000 2856354

3550000000  134. 81

5132 134.81

564584

23000 3828 20528 20528

Mar 11 19000 17072 20528 20528

Apr 12

13

14

15

16

17

18

19000 18600 20528 20528

23000 16128 20528 20528

18000 18656

18000 656 25660

22000 4316 25660 25660

18000 11976 10064 25660

18000 4040

20528

10064

total 355,000 pcs 359,040 pcs 359,040 pcs

26333358  5132

5132 134.81 4 20000 770574

Feb 7

5132 134.81 4 20000 437324

5132 134.81 4 20000 643313

5132 134.81 4 20000 849303

162

5132 134.81 4 20000 516053

5132 134.81 4 20000 722042

5132 134.81 5 25000 676207

5132 134.81 4 20000 2095487

5132 134.81 4 20000 2301476

5132 134.81 4 20000 2507466

5132 134.81 4 20000 2174216

5132 134.81 4 20000 2515015

5132 134.81

88435

5132 134.81 5 25000 581840

5132 134.81 5 25000 1614485

5132 134.81 2

70

9805.14419 544632

349805 25,918,031

Total =

26,267,837

LOT for LOT Polybag Bag RAN 1kg item code : 36359

134.81

Lot Size : ( in Thousand ) Lead Time=3 day Min Stock: DESCRIPTION PERIODE Periode -4 -3 -2 Net Requirement Project On Hand Planned Order Release Planned Order Receipt

18

Biaya Pemesanan Total Biaya Simpan

90,000 -

Total Biaya

90,000

Metode MRP FOQ EOQ L for L

Biaya Total 53,670,210 26,267,837 90,000

134.81

134.81

134.81

134.81

Jan -1

25000

Jumlah pemesanan

134.81

Biaya Simpan /unit Jumlah Order Biaya Order Biaya simpan

0

134.81

Feb 7

134.81

134.81

134.81

8

9

10

134.81

134.81

134.81

134.81

134.81

Mar 11

12

13

14

15

134.81 `

134.81

Apr

1

2

3

4

5

6

16

17

18

25000 0 25000 25000

17000 0 17000 17000

19000 0 19000 19000

23000 0 23000 23000

19000 0 19000 19000

19000 0 19000 19000

23000 0 23000 23000

19000 0 19000 19000

26000 0 26000 26000

10000 0 10000 10000

19000 0 19000 19000

19000 0 19000 19000

23000 0 23000 23000

18000 0 18000 18000

18000 0 18000 18000

22000 0 22000 22000

18000 0 18000 18000

18000 0 18000 18000

355,000 355,000

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

134.81 1

18

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0

5,000 0 Total =

Pilihan

√

163

total 355,000 pcs

90,000 90,000

CHEMICAL

164

165

166

167

168

- Untuk perhitungan beberapa material yang lain ditampilkan di halaman LAMPIRAN.

169

5.4

ANALISIS METODE MRP Dibawah ini adalah metode terbaik untuk metode perhitungan

( Material

Requirement Planning ) yang selanjutnya dapat digunakan oleh perusahaan sehingga mendapatkan biaya-biaya yang dikeluarkan menjadi serendah mungkin untuk perhitungan biaya pemesanan dan biaya penyimpanan material bahan baku .

Dari hasil perhitungan dengan ke tiga metode MRP tersebut terdapat total biaya yang termurah untuk setiap jenis material yang dibedakan dari beberapa kategori , all : 1. Dari mana material tersebut didapat : Lokal , Lokal-Import dan Import 2. Lead Time mulai dari pesan sampai dengan barang dijadwalkan tiba . 3. Lot size : minimal order , Jumlah kemasan , container . 4. Minimum stock cover untuk safety stock

Berdasarkan biaya rata-rata untuk memperkirakan metode mana yang tepat dipakai untuk Pemesanan Material , sebelumnya harus memperhitungkan kemungkinan terjadi penyimpangan dari rencana dan sangat tidak diharapkan akan terjadi kegagalan kirim karena terjadi pengiriman barang yang tidak sesuai dengan specifikasi yang ditentukan (di –reject ) , sehingga material tidak cukup tersedia , akibatnya produksi tidak sesuai dengan rencana kerja . Untuk menghindari kemungkinan tersebut diatas terjadi , maka untuk pemesanan barang dengan memilih metode Lot for Lot yang terbaca sangat rendah biaya-nya tetapi dengan 170

berbagai resiko gagal produksi , maka harus dilakukan dengan selektif dan akurat dalam penggunaan metode Lot for Lot tersebut tidak dapat dilakukan untuk seluruh material , terutama untuk jenis material chemical karena dalam pemesanannya harus mengikuti jumlah lot size dari setiap jenis material tersebut.. Untuk mendapatkan pemilihan yang tepat dalam melakukan Pemesanan material

,

dengan segala kemungkinan terkecil akan gagal produksi , serta tetap mengikuti pembelanjaan sesuai Lot size , dan tetap menjaga stock cover dengan memasang batas minimal stock (jumlah ditentukan sesuai dengan Lead time ) .

Tabel 5.8

Analisis Biaya Pemesanan dan Penyimpanan

171

Dari tabel 5.8 Analisis MRP : Analisa Biaya Pemesanan-Penyimpanan dengan Metode FOQ , EOQ , Lot for Lot , didapat perbedaan dari masing-masing metode untuk pemesanan jenis material Packing dan material Chemical , adalah sebagai berikut :

o Metode FOQ : - Total biaya Pemesanan-Penyimpanan : Rp 21.783.752 ,-

- Perbedaan rata-rata penggunaan biaya :

37.4%

- Efisiensi berdasarkan pembiayaan

62.54%

:

o Metode EOQ : - Total biaya Pemesanan-Penyimpanan : Rp 24..935.643 ,-

- Perbedaan rata-rata penggunaan biaya :

42.88%

- Efisiensi berdasarkan pembiayaan

57.12%

:

o Metode L for L : - Total biaya Pemesanan-Penyimpanan : Rp 11.430.000,-

- Perbedaan rata-rata penggunaan biaya : - Efisiensi berdasarkan pembiayaan

:

19.66% 80.34%

Dengan membandingkan dari semua data hasil perhitungan tersebut diatas dan dengan memperhitungkan secara teori dalam pelaksanaan sebenarnya serta untuk menjaga dan memastikan bahwa perhitungan untuk ketersediaan Material Packing dan Chemical akan sangat kecil kemungkinannya menggagalkan rencana produksi yang sudah diatur sebelumnya , disarankan untuk menggunakan metode : Penggabungan Metode FOQ , EOQ , L for L dalam Pemesanan-Penyimpanan-nya . 172

Dalam pelaksanaan MRP , perusahaan memperhitungkan keberadaan material untuk suatu produksi yang terus-menerus

berkesinambungan sudah ditetapkan akan

mengambil resiko untuk tidak membatasi ketersediaan Bahan Baku dari beberapa jenis material yang dalam pengadaannya harus melalui Lead Time yang cukup panjang (ex Lokal Import dan ex Import ). Diharapkan tidak terjadi shortage (kehabisan ) bahan baku yang mengakibatkan stop produksi .

Analisa beberapa kelemahan dan keunggulan Metode MRP adalah sebagai berikut : -

Kelemahan Metode MRP : 1. MRP adalah yang selalu di prioritaskan , sementara kapasitas menjadi yang berikutnya

. Pada umumnya suatu produsen yang sebelumnya tidak

melakukan suatu rencana produksi dan pengaturan keberadaan material

tidak membuat

rencana dalam

maka dilakukan menentukan kapasitas-nya

terlebih dahulu . 2. MRP , Assumes lead tima are fixedand known , tetapi dalam yang dalam kenyataannya beban kerja dan Penjadwal material akan saling bergantung 3. MRP cenderung menentukan Lead Times lebih panjang yang estimasi konservatif (safe ) inventori stock-nya menjadi tinggi . 4. Tranfer Lot yang lebih kecil dari pada setiap production lots sebaiknya di hindarkan padahal cara ini sangat membantu perusahaan karena cara ini akan menurunkan WIP (Work in Process) dan Lead Times . 5. Masih membutuhkan System Pelaporan yang berlebihan . 173

Beberapa prospek MRP : 1. Keakurasian hasil perhitungan kebutuhan ketersediaan Material . 2. Menjalin kepercayaan antar bagian departemen untuk menjadi team work yang solid . 3. Mempermudah untuk merencanakan cash flow dan memperkirakan proyeksi cost dan Profit dari suatu rencana kerja berikutnya . Analisis penggunaan MRP adalah untuk mewujudkan keinginan perusahaan dapat melakukan suatu rencana kerja produksi yang optimum , efisien dan efektif dalam pengaturan kebutuhan bahan baku dan tidak terjadi pemborosan dalam pelaksanaan produksinya dengan harapan dapat meningkatkan profit perusahaan ..

174

BAB VI KESIMPULAN DAN SARAN Kesimpulan

Setelah melakukan pengolahan data dan analisa , didapat kesimpulan sebagai berikut : 1. Dilakukan perhitungan perkiraan biaya pemesanan dan penyimpanan ketersediaan bahan baku dengan menggunakan beberapa metode yang sudah ada dan dipilih adalah dengan metode FOQ , EOQ dan LOT for LOT , 2. Dari hasil perhitungan tersebut sangat jelas dari metode mana biaya pemesanan dan penyimpanan kebutuhan ketersediaan lebih murah . 3. Pembiayaan yang paling tinggi adalah perhitungan dengan metoda FOQ mencapai Rp 21.783.752 ,175

Dan yang paling rendah adalah perhitungan dengan menggunakan metode LOT for LOT sekitar Rp 11.430.000 ,Dengan demikian perusahaan perlu meninjau kembali kebijaksanaan dalam pembelanjaan ketersediaan Bahan Baku untuk menggunakan metode LOT for LOT . 4. Perlu memperhitungkan lagi peramalan Rencana Produksi lebih hati-hati , karena sering terjadi perubahan rencana produksi pada periode yang sangat pendek yang mengakibatkan perubahan penjadwalan harus disesuaikan dengan rencana kerja, disisi lain akan merusak perencanaan kesiapan dari Supplier dalam hal kesiapan material pendukungnya.

SARAN 1.

Dengan produktivitas dan utilisasi mesin yang sangat baik diharapkan perusahaan berani untuk meningkatkan produksi dengan kapasitas output mesin .

semaximal mungkin sesuai

Dengan peningkatan output produksi , akan

juga menambah keuntungan bagi perusahaan , seperti dalam teorinya , Produksi mendapat hasil output yang sangat optimal sesuai kapasitas maximal dari mesin , sementara untuk penggunaan energy dan pemakaian tenaga kerja tetap akan mendapatkan efficiency dibanyak bagian sehingga perusahaan akan mendapat keuntungan yang lebih baik . 2. Perusahaan disarankan menggunakanm Metode Penggabungan ketiga 176

metode FOQ , EOQ dan L for L dalam perencanaan kebutuhan dan ketersediaan bahan bakunya

, dimana

pada metode tersebut interval dengan periode

pemesanannya yang bersifat konstan dan diharapkan dapat meminimasi biaya yang akan dikeluarkan oleh perusahaan . 3. Perusahaan disarankan untuk tetap memperhatikan tanggung jawab sosial (Corporate Social Responsibility ) baik terhadap karyawan perusahaan sendiri dalam lingkungan perusahaan dan juga terhadap dampak proses produksi dan Finished Product-nya terhadap lingkungan hidup , dan dengan semua itu diharapkan perusahaan mempunyai performance dan kepercayaan dari konsumen .

Contoh Jenis Produk : Rinso Anti Noda 1 kg

177

178

DAFTAR PUSTAKA

1. Gasperz , Vincent , “Production Planning and Inventory Control , Jakarta , PT Gramedia Pustka Utama , September 1998 . 2. Makridakis , S . Steven C Wheelwright , Forecasting Methods for Management , 5 edition , New York , Jon Wiley and sons , 1992 3. Makridakis , S . Steven C Wheelwright and Victor E.Mc Gee , Forecasting Methods Application ,2 Edition ,New York , Jhon Wiley and Sons , 1993. 4. Oden HW ,Langewater G.A Lucier R.A , Hand book of Material and Capacity Requirement Planning , Mc Graw Hill , 1991 . 5. Sipper & Bulfin Jr., Production Planning , Control and Integrations , Mc Graw Hill , 1997 6. Biegel , Jhon E ,1992 , Pengendalian Produksi , Akademika Pressindo ,Jakarta .

179

DATA UMUM PERUSAHAAN

Sejarah dan Perkembangan Unilever Indonesia merupakan salah satu perusahaan multinasional UNILEVER GROUP yang menghasilkan product konsumsi terbesar di dunia . UNILEVER GROUP merupakan gabungan antara perusahaan Belanda , MargarineUnie dan perusahaan Inggris , Lever Brother’s . Nama Unilever sendiri diambil dari kedua perusahaan tersebut . Unilever Group ber kantor Pusat di London dan Rotterdam ., dan beroperasi di 75 negara di dunia .

Pada akhir tahun 1933 , Unilever Indonesia yang saat itu masih bernama Lever’s Zeepfabrieken NV , mulai memproduksi sabun batangan ber merk Tjap Tangan . Lokasi pabrik di Jl Tubagoes Angke Jakarta Utara . Produksi margarine dan minyak goreng pada tahun 1936 dengan mendirikan Pabrik Van Den Bergh’s Fabrieken NV di lokasi yang sama . Sehubungan dengan dilakukan diversivikasi terhadap product Dental Care dan Personal Care lainnya , maka pada Bulan November 1941 didirikan pabrik Maatschappij ter Expoitatie de Colibri Fabrieken NV di Surabaya .

Akibat perang dunia ke II , aktivitas produksi Unilever terhenti selama 2 tahun ( th 1942 s/d 1946 ) . Pada tahun 1948 NV Oliefabriek Archa dibeli oleh Unilever untuk mendukung stock minyak murni dalam produksi sabun , margarine , dan minyak goreng . Setelah tahun 1967 , situasi Indonesia mulai membaik dan menjadi awal perkembangan kehidupan politik , ekonomi dan sosial nasional . 180

Pemerintah Indoneisa mulai membangun kembali setiap sektor

, terutama sektor

ekonomi . Pemerintah Indonesia mengajak perusahaan-perusahaan swasta untuk bekerja sama dalam mengembangkan ekonomi . Hal ini di ikuti dengan kebijaksanaan pemerintah dengan mengeluarkan Undang-Undang Penanaman Modal Asing No: 1 tahun 1967 , sehingga investor swasta nasional dan asing dapat menanamkan modalnya . Pada tahun 1970 , Unilever Indonesia mengembangkan produksinya ke Divisi Home Care dengan memproduksi RINSO .

Unilever Indonesia akhirnya menjadi sebuah

Perusahaan Go Public pada th 1980 dan resmi bernama PT UNILEVER INDONESIA tbk . Selanjutnya seluruh aset perusahaan yang meliputi 4 perusahaan tersebut dilebur kedalam LEVER”S ZEEPFABRIEKEN dan 3 perusahaan lainnya di likuidasi dan berkantor pusat di Graha Unilever , Jl Jend. Gatot Subroto Kav 15 Jakarta Selatan . Sejak tahun 1981 PT Unilever Indonesia Tbk menjadi sebuah perseroan terbatas yang 85% sahamnya dimiliki oleh pihak swasta asing dan 15% dimiliki oleh pihak dalam negeri . Saat ini perusahaan terbagi menjadi 4 Divisi yg mengelola pemasaran produk-nya. Setiap Divisi memproduksi product masing-masing dan bertanggung jawab terhadap proses pemasarannya . Divisi-divisi tersebut meliputi : 1. Divisi FOOD’S yang meliputi Tea Based Bavarages (Tea Sari Wangidan Lipton) , Culinary ( Royco ) dan Spread Cooking Category ( margarine Blue Band ) . 2. Divisi

HOME CARE

Produksi Detergent adalah merupakan produksi

terbesar dan menghasilkan angka penjualan yang tertinggi bagi Unilever 181

Unilever Indonesia adalah sebagai produsen detergent pertama di Indonesia dan menjadi yang nomor satu . Product-product pembersih yang lainnya all : Sunlight Liquid , Molto Pelembut dan pewangi pakaian , Sunclin sebagai pemutih pakaian , serta product Personal Wash seperti Lux , Lifebuoy , Dove dll . 3. Divisi Ice Cream : WALL’S 4. Divisi Personal Care : -

Dental : Pepsodent , Close Up

-

Skin

: Rexona , Citra , Vaseline , Dove , Ponds

-

Hair

: Sunsilk , Clear

Pada tahun 1995 , pabrik NSD mulai membangun pabrik baru di daerah Cikarang , dan memulai konstruksi yang melibatkan : Konstruksi Sipil , Mekanik , Instrumen , dan Sulphonation Plant dan selesai dibangun 1996 dan tahun 1997 mulai berproduksi penuh 2500 ton / week . Mulai dari tahun 1997 s/d 2006 telah terjadi pengembangan kapasitas produksi sudah dapat mencapai 3500 ton / week .

Visi dan Misi PT Unilever Indonesia . a. Visi PT Unilever Indonesia PT Unilever Indonesia Vision: “ To be the first choice of customer and consumer” (Menjadi Pilihan Utama bagi para pelanggan dan konsumen ) . b. Misi PT Unilever Indonesia 182

PT Unilever Indonesia Mission: 1. Be the first and Best in meeting the needs and aspiration of customers (Menjadi yang Utama dan yang Terbaik di kelasnya dalam memenuhi kebutuhan dan aspirasi konsumen )

2. Be the closest in the market to customer and suppliers ( Menjadi yang terdekat dipasar bagi para konsumen dan supplier ) 3 Remove and Value–added activities from all process ( Menghilangkan seluruh kegiatan yang tidak berguna dari seluruh aliran proses ) 4 Gain job satisfaction for all ( Mencapai kepuasan kerja , baik untuk kepuasan karyawan maupun kepuasan konsumen secara menyeluruh ) 5. Aim for stretching targets for profitable growth and secure above average rewards for employees and shareholders ( Bertujuan untuk memperpanjang target pertumbuhan dan menjamin penghargaan terhadap tenaga kerja dan pemegang saham ) 6. Earn respect for integrity , care for comunity and enviroment -

(

Menghargai Integritas , peduli tehadap komunitas dan lingkungan ).

PT Unilever Indonesia tbk . juga menerapkan sistem manajemen ISO 9000 dan ISO 14000 . Sistem manajemen menunjuk kepada struktur organisasi dalam mengatur proses atau aktivitas yang mentransformasi input atau sumber daya menjadi product yang mememenuhi tujuan perusahaan , seperti memenuhi customer’s quality requirements , regulasi dan sejalan dengan lingkungan hidup . 183

ISO

merupakan sesuatu yang sifatnya Generic , yaitu standard yang sama dapat

diterapkan oleh : * setiap organisasi besar atau kecil * product barang dan jasa * dalam segala macam sektor * business enterprise , public administration bahkan pemerintah sehingga menjadi standard international yang sudah di implementasikan di seluruh dunia . ISO 9000 menjadi refensi dalam hal quality management dimana perusahaan harus memenuhi : * customer’s quality requirements dan * applicable regulatory requirements , untuk mencapai * customer satisfaction , dan * continual improvement . Sedangkan ISO 14000 berisi Sistem Managemant Kualitas Lingkungan yang menjadi referensi dalam memperlakukan lingkungan hidup , dimana perusahaan Ataupun organisasi harus memenuhi : * meminimasi dampak terhadap lingkungan akibat aktivitas organisasi * continual improvement Didalam bisnis saat ini bukan hanya sekedar menjual product kepada Customer , dalam era pasar bebas seperti sekarang dengan memiliki seperangkat peraturan adalah sangat penting guna memfasilitasi perdagangan . Selain merupakan kebutuhan menerapkan sistemmanajemen tersebut juga dibuktikan telah memberikan finansial , marketing , maupun regulatory .

184

keuntungan dari segi

Dengan berpedoman pada TPM , ISO 9000 dan ISO 14000 , PT Unilever Indonesia tbk berharap dapat memmenuhi visi , misi dan tujuan perusahaan , serta optimalisasi kerja seperti yang ditetapkan sebelumnya . Kebijaksanaan Perusahaan Kebijaksanaan yang diterapkan oleh PT Unilever Indonesia Tbk adalah sebagai berikut : 1. Memproduksi product berkualitas tinggi yang mampu bersaing secara lokal maupun global . 2. Meningkatkan pelayanan pelanggan dengan peningkatan flexibilitas Produksi . 3 Pengoperasian Perusahaan dengan standard kinerja dan produktivitas tertentu . 4

Mempertahankan pertumbuhan produksi yang menguntungkan dan terus berkembang .

Struktur Organisasi PT Unilever Indonesia Tbk , bersifat matriks yang terdiri dari beberapa Driving Forces ( Pengendalian Bisnis / Departemen Fungsional )

yaitu

Departemen Brand Development , Departemen Personal Care , Departemen Foods , Departemen Ice Cream , Departemen Home Care dan Customer Service serta enablers ( depatemen pendukung ) seperti Departemen Keuangan , Depertemen Human Resources (HRD ) , Pemasaran dan Penjualan . Departemen Human Resources Development ( HRD ) terdiri dari : 1. Industrial Relations Department 2. Learning Department 3. Organization Developtment Department 4. Medical Service Department 5. Remunaration Departement 7. Management Developtment Departement 185

. Kesejahteraan Karyawan PT Unilever Indonesia Tbk , sangat memperhatikan kesejahteraan dan keselamatan kerja dari seluruh karyawan . Hal ini diwujudkan dalam bentuk memberikan fasilitas-fasilitas jaminan sosial dan tunjangan-tunjangan yang diberikan kepada karyawannya , dimana perincian mengenai hal tersebut tertuang dalam “ Kesepakatan Kerja Bersama “ ( KKB ) yang dibuat oleh Serikat Pekerja (SPSI) unit PT Unilever Indonesia Tbk dan pihak perusahaan PT Unilever Indonesia Tbk . SPSI unit kerja PT Unilever Indonesia sudah berdiri sejak tahun 1970 dan bergabung menjadi anggota SPSI pada tahun 1982 . Dalam pelaksaan masalah Keselamatan Keja bagi seluruh karyawan PT Unilever Indonesia Tbk , dilakukan training bagi seluruh karyawan untuk mengikuti metode yang diterapkan dalam DUPONT SYSTEM .

Bahan Baku dan Produk PT Unilever Indonesia Tbk , khususnya pabrik NSD Cikarang memproduksi 2 – macam product family Non Soapy Detergent yaitu Rinso dan Surf dengan masingmasing product dan item size-nya . Jenis-jenis Rinso :

- Rinso Anti Noda 32 gr , 72 gr , 500 gr , 1 kg , 2 kg - Rinso Warna

30 gr , 1 kg , 2 kg

- Rinso Excel

1 kg

- Rinso Matic

1 kg , 3 kg 186

Jenis-Jenis Surf:

- Surf Clean Fresh 90 gr , 1 kg , 2 kg - Surf Lime Fresh

40 gr , 90 gr , 1 kg , 2 kg

Yang menjadi bahan utama untuk pembuatan sabun detergent adalah dipakai material bahan aktif yang disebut : Linier Alkyl Benzene Sulphonates ( LAS ) LAS tersebut sudah terukur tidak merusak / menimbulkan kerusakan lingkungan karena LAS adalah bahan aktif yang biodegradable ( zat yang mudah terurai -secara alami dan tidak menimbulkan pencemaran ) . Bahan-bahan dasar lain pembuatan Detergent all : 1.

Sodium Tripoly Phospate ( STPP ) , Fungsi : Memindahkan kotoran minyak dan kotoran lainnya secara efektif

2.

Soda Ash Dense ( SAD – Sodium Carbonat ), Fungsi : Menetralisir Acid slurry dan menjaga pencucian tetap dalam keadaan basa .

3.

Sodium Silicate , Fungsi : Mencegah korosi dan memiliki sifat emulsif yang dapat mengendapkan kotoran

4.

Tinopal ,Fungsi : sebagai optical whitening agent yang dapat menghilangkan Warna kekuningan pada kain dan memberi warna yang lebih cerah

5.

Parfume , Fungsi : Menutupi bau tajam detergent dan sebagai doedorizer serta membuat kain menjadi wangi .

Deskripsi Proses NSD Tahapan Proses yang dilakukan dalam pembuatan Non Soapy Detergent , 187

adalah sebagai berikut : 1. Pembuatan LAS ACID di Sulphonation Plant LAS ACID merupakan bahan dasar pembuatan detergent bubuk . Bahan ini diperoleh dari pencampuran

SO3 dan LAB . Gas SO3 diperoleh dari

pembakaran Sulphur yang mendapatkan gas SO2 kemudian direaksikan lagi dengan proses O2 untuk menjadi gas SO3 . 2. Pencampuran bahan-bahan baku Bahan baku yang digunakan dalam pembuatan bubuk detergent dikelompokkan menjadi 2 jenis , yaitu :- Bahan baku padat dan cair . Jenis material padat all : Sodium Tripoly Phospate ,Sodium Sulphate , Calcite , Soda Ash Dense . Jenis material cair all : Sodium Silicate , Caustik , LAS Acid , Perfume . Pencampuran dilakukan dalam tanki mixer dengan sistem batch . 3. Pembuatan bubuk detergent Hasil dari pencampuran beberapa bahan baku dalam tangki mixer kemudian dialirkan ke holding tank yang mengatur proses batching menjadi proses kontinyu , dan diteruskan ke dalam deaerator untuk dipompakan dengan tekanan tinggi masuk ke Spray dryer . Dengan udara panas (air heater) dialirkan juga ke spray dryer dari arah berlawanan sehingga terjadi proses pengeringan semburan butir-butir lembab tersebut menjadi bubuk kering ( sebagai base powder ) . 4. Penangkapan debu detergent dari udara . 188

Debu detergent yang terbawa oleh udara dalam spray dryer ditangkap dengan alat dry cyclone dan kemudian diteruskan ke alat wet cyclone . Usaha penangkapan debu tersebut dilakukan untuk mencegah pencemaran udara luar oleh debu-debu detergent . 5. Post Dozing Bubuk detergent yang dihasilkan disebut sebagai Base Powder yang pada tahap berikutnya untuk menjadi Finished Product Powder Detergent masih harus melalui proses mixing dengan beberapa material yang sudah diatur komposisi-nya sesuai formula yang ditentukan antara lain : Soda Ash Dense , Enzym dan Perfume yang kemudian di lewatkan ke alat Fluidizer , sebagai alat untuk mempertahankan sifat bubuk detergentnya Sesuai specifikasi yang ditentukan . 6. Packing Setelah melalui proses Fluidisasi , powder detergent tersebut dialirkan ke Silo yang kemudian dikirim kebagian mesin-mesin Packing (pengepackan) Mesin-mesin pack yang digunakan adalah jenis HAMAC dengan menggunakan packing Reel Sachet dan jenis General Packer yang menggunakan packing Polybag ( kantong ) . Raw Material Store ( RMS ) Keberadaan Raw Material di RMS dibedakan dalam beberapa kategori : 1. Chemical Material 2. Packing Material , terdiri dari : Outer , Sachet , Polybag . 189

190

RIWAYAT HIDUP

Nama

: Bambang Yoga Samekta

NIM

:0160312–039

Tempat & Tgl lahir

: Yogyakarta , 14 Juli 1954

Alamat

: Komplex Unilever A6 / 15 Meruya Selatan – Jakarta Barat 11650

Telepon

: 0 2 1- 5 8 5 0 4 8 1 08129941345

Hobby

: Tenis Lapangan , Tenis Meja , Renang

191