OPTIMALISASI PERENCANAAN AGREGAT DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING (Studi Kasus : PT. RIAU CRUMB RUBBER FACTORY)
TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Teknik Pada Jurusan Teknik Industri
Oleh : AGUNG PRIANGGONO 10452025580
FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU PEKANBARU 2011
OPTIMALISASI PERENCANAAN AGREGAT DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING (Studi Kasus : PT. RIAU CRUMB RUBBER FACTORY) AGUNG PRIANGGONO NIM : 10452025580 Tanggal Sidang : 30 Juni 2011 Periode Wisuda : Oktober 2011
Jurusan Teknik Industri Fakultas Sains Dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Jl. Soebrantas No. 155 Pekanbaru
ABSTRAK Perusahaan PT. RICRY merupakan perusahaan bergerak dibidang karet, dengan produk crumb rubber . namun dalam melalukan kegiatan proses produksi perusahaan sering mengalami kesulitan dalam memenuhi kebutuhan konsumen. Untuk mencapai tingkat produksi yang optimal diperlukan perencanaan agregat yang tepat. Perencanaan agregat yang tepat dilakukan dengan menggunakan forecasting yang baik sehingga permintaan akan produk yang berfluktuatif dapat diatasi. Penelitian ini membahas tentang perencanaan agregat dengan menggunakan metode goal programming. Dari hasil perhitungan yang dilakukan diperoleh permintaan paling optimal terletak pada bulan Desember sebesar1.117.757 kg untuk SIR 10 dan 1.071.316 kg untuk SIR 20. Selain itu juga dari perhitungan didapat bahwa ada kendala sasaran yang tidak tercapai yaitu pada kecepatan mesin produksi. Kata kunci : Forecasting, Goal Programming dan Perencanaan Agregat.
vii
Daftar Isi
Halaman HALAMAN JUDUL ................................................................................... i LEMBAR PERSETUJUAN ........................................................................ ii LEMBAR PENGESAHAN .........................................................................iii LEMBARAN HAK ATAS KEKAYAAN INTELEKTUAL .................... iv LEMBARAN PERNYATAAN ................................................................... v PERSEMBAHAN.........................................................................................vi ABSTRAK ....................................................................................................vii ABSTRACT ...................................................................................................viii KATA PENGANTAR..................................................................................ix DAFTAR ISI.................................................................................................xi DAFTAR GAMBAR....................................................................................xvi DAFTAR TABEL ........................................................................................xviii DAFTAR RUMUS .......................................................................................xxi DAFTAR LAMPIRAN ................................................................................xxii Bab I
Bab II
Pendahuluan 1.1
Latar Belakang ......................................................................I-1
1.2
Rumusan Masalah .................................................................I-4
1.3
Batasan Masalah....................................................................I-4
1.4
Tujuan Penelitian Dan Manfaat Penelitian ...........................I-4 1.4.1
Tujuan Penelitian ......................................................I-4
1.4.2
Manfaat Penelitian ....................................................I-5
1.5
Posisi Penelitian ....................................................................I-5
1.6
Sistematika Penulisan............................................................I-6
Landasan Teori 2.1 Perencanaan Produksi ..............................................................II -1 2.1.1 Pengertian Perencanaan Produksi ..............................II -1
xi
2.1.2 Karakteristik Perencaan Produksi ..............................II -2 2.1.3 Jenis Perencanaan Produksi .......................................II -2 2.1.4 Langkah-Langkah Perencanaan Produksi ..................II -3 2.2
Perencanaan Agregat.............................................................II -4 2.2.1 Pengertian Perencanaan Agregat................................II -4 2.2.2 Biaya-Biaya Perencanaan Agregat.............................II-9 2.2.3 Strategi Perencanaan Agregat ....................................II-11 2.2.3.1 Strategi Perencanaan Agregat Secara Murni ..II-11 2.2.3.2 Strategi Perencanaan Agregat Secara Gabungan .......................................................II-12 2.2.4 Proses Perencanaan Agregat ......................................II-13
2.3 Definisi Peramalan .................................................................II -14 2.3.1 Karakteristik Peramalan Yang Baik ..........................II -15 2.3.2 Beberapa Sifat Hasil Peramalan.................................II -16 2.3.3 Karakteristik Performance Peramalan........................II -17 2.3.4 Ukuran Akurasi Hasil Peramalan...............................II -17 2.3.5 Metode-Metode Yang Biasa Digunakan Dalam Perencanaan Agregat .................................................II-19 2.4 Perbandingan Metode Yang Digunakan Dalam Perencanaan Agregat...................................................................................II-20 2.5 Metode peramalan yang digunakan pada penelitian ini.........II- 23 2.6
Pengertian Goal Programming..............................................II -25 2.6.1 Konsep Dasar Goal Programming ............................II -26 2.6.2 Perumusan Goal Programming ..................................II -29 2.6.3 Model Umum Goal Programming .............................II -29
Bab III Metodologi Penelitian 3.1
Pengamatan Pendahuluan......................................................III-1
3.2
Studi Pustaka.........................................................................III-1
3.3
Identifikasi Masalah ..............................................................III-2
3.4
Perumusan Masalah ..............................................................III-2
xii
3.5
Menetapkan Tujuan Penelitian..............................................III-2
3.6
Pengumpulan Data ................................................................III-2 3.6.1 Pengumpulan Data Primer..........................................III-3 3.6.2 Pengumpulan Data Sekunder......................................III-3
3.7
Pengolahan Data....................................................................III-3
3.8
Analisa ..................................................................................III-3
3.9
Kesimpulan Dan Saran..........................................................III-3
Bab IV Pengumpulan Dan Pengolahan Data 4.1
Pengumpulan Data ...............................................................IV-1 4.1.1 ............................................................................ Sejara h Singkat Pt. Riau Crumb Rubber Factory...............IV-1 4.1.2 ............................................................................ Struktu r Organisasi ..............................................................IV-2 4.1.3 ............................................................................ Proses Produksi....................................................................IV-3 4.1.3.1 ............................................................... Proses Produksi Basah...........................................IV-3 4.1.3.2 ............................................................... Proses Produksi Kering .........................................IV-3
4.2 Data Harga Pokok Dan Harga Penjualan ..............................IV-4 4.3 Waktu Penyelesaian Produk..................................................IV-4 4.4 Pengolahan Data....................................................................IV-5 4.5 Peramalan .............................................................................IV-5 4.5.1 Menggunakan Metode Moving Average ....................IV-6 4.5.1.1 ................................................................. Periode 1 Untuk SIR 10 ..................................IV-6 4.5.1.2 ................................................................. Periode 2 Untuk SIR 10 ..................................IV-10 4.5.1.3 ................................................................. Periode 1 Untuk SIR 20 ..................................IV-14
xiii
4.5.1.4 ................................................................. Periode 2 Untuk SIR 20 .................................IV-17 4.5.2 Menggunakan Metode Eksponential Smoothing........IV-22 4.5.2.1 ................................................................. Ekspo ntial Smoothing SIR 10 (0,25) .......................IV-22 4.5.2.2 ................................................................. Ekspo ntial Smoothing SIR 10 (0,5) .........................IV-25 4.5.2.3 ................................................................. Ekspo ntial Smoothing SIR 10 (0,75)........................IV-28 4.5.2.4 ................................................................. Ekspo ntial Smoothing SIR 20 (0,25)........................IV-31 4.5.2.5 ................................................................. Ekspo ntial Smoothing SIR 20 (0,5)..........................IV-34 4.5.2.6 ................................................................. Ekspontial Smoothing SIR 20 (0,75)..............IV-37 4.5.3 Menggunakan Trend Analisis...................................IV-42 4.5.3.1 ................................................................. Trend Analisis Untuk SIR 10 ...................................IV-40 4.5.3.2 ................................................................. Trend Analisis Untuk SIR 20 ....................................IV-44 4.6........................................................................................ Hasil Peramalan Terpilih ...............................................................IV-49 4.7........................................................................................ Verifik asi Peramalan .......................................................................IV-50 4.8........................................................................................ Hasil Peramalan.............................................................................IV-52 4.9........................................................................................ Data Jam Kerja Yang Tersedia .....................................................IV-53 4.10...................................................................................... Formul asi Goal Programming..........................................................IV-53
xiv
4.10.1......................................................................... Formul asi Waktu Kecepatan Produksi ..............................IV-53 4.10.2......................................................................... Formul asi Fungsi Tujuan ..................................................IV-54 4.10.3......................................................................... Mema ksimalkan Keuntangan...........................................IV-54 4.10.4......................................................................... Pemak aian Dan Ketersedian Bahan Baku ........................IV-55 4.11...................................................................................... Memfo rmulasikan Fungsi Pencapaian Untuk Goal Programming........................................................................IV-56 Bab V
Analisa 5.1 ...........................................................................................Analis a Pengumpulan Data...........................................................V-1 5.2
Analisa Hasil Pengolahan Data ...............................V-1
5.3
Analisa Peramalan ..................................................V-2 5.3.1 Analisa Dengan Metode Moving Average ...............V-2 5.3.2 Analisa Metode Ekspontial Smoothing ....................V-2 5.3.3 Analisa Metode Trend Analisis ................................V-3
5.4
Metode Yang Terpilih...............................................V-4
5.5
Analisa Hasil Verifikasi Peramalan..........................V-5
5.6
Analisa Goal Programming ......................................V-6 5.6.1........................................................................... Analis a Waktu Kecepatan Produksi ...................................V-6 5.6.2 Analisa Fungsi Tujuan Dan Sasaran.........................V-7 5.6.3 Analisa Memaksimalkan Keuntungan ......................V-8 5.6.4 Analisa Pemakaian Persedian Bahan Baku ..............V-8 5.6.5 Analisa Memformulasikan Goal Programming........V-9 5.6.6 Analisa Software Lingo 10 .......................................V-9
xv
5.6.6.1 ............................................................... Bulan Januari ........................................................V-9 5.6.6.2 ............................................................... Bulan Februari ......................................................V-10 5.6.6.3 ............................................................... Bulan Maret ..........................................................V-11 5.6.6.4 ............................................................... Bulan April ...........................................................V-11 5.6.6.5 ............................................................... Bulan Mei .............................................................V-11 5.6.6.6 ............................................................... Bulan Jun ..............................................................V-12 5.6.6.7 ............................................................... Bulan Juli ..............................................................V-12 5.6.6.8 ............................................................... Bulan Agustus.......................................................V-13 5.6.6.9 ............................................................... Bulan September...................................................V-13 5.6.6.10 ............................................................. Bulan Oktober.......................................................V-14 5.6.6.11 ............................................................. Bulan November...................................................V-14 5.6.6.12 ............................................................. Bulan Desember....................................................V-15 Bab VI Penutup 6.1
Kesimpulan ...........................................................................VI-1
6.2
Saran......................................................................................VI-3
Daftar Pustaka Lampiran Daftar Riwayat Hidup
xvi
xvii
Daftar Tabel Tabel
Halaman
1.1
Data Permintaan Crumb Rubber Sir 10 Dan Sir 20..................................... I-3
1.2
Posisi Penelitian........................................................................................... I-5
4.1
Data Harga Pokok Dan Penjualan ............................................................... IV-4
4.2
Data Waktu Penyelesaian Produk................................................................ IV-4
4.3
Hasil Output Software Moving Average Periode 1 Sir 10 .......................... IV-8
4.4
Hasil Output Software Moving Average Periode 1 Sir 10 (Lanjutan) ........ IV-9
4.5
Hasil Output Software Moving Average Periode 1 Sir 10 (Lanjutan) ........ IV-9
4.6
Hasil Output Software Moving Average Periode 1 Sir 10 (Lanjutan) ........ IV-9
4.7
Hasil Output Software Moving Average Periode 2 Sir 10 .......................... IV-12
4.8
Hasil Output Software Moving Average Periode 2 Sir 10 (Lanjutan) ........ IV-13
4.9
Hasil Output Software Moving Average Periode 2 Sir 10 (Lanjutan) ........ IV-13
4.10 Hasil Output Software Moving Average Periode 2 Sir 10 (Lanjutan) ........ IV-13 4.11 Hasil Output Software Moving Average Periode 1 Sir 20 .......................... IV-16 4.12 Hasil Output Software Moving Average Periode 1 Sir 20 (Lanjutan) ........ IV-17 4.13 Hasil Output Software Moving Average Periode 1 Sir 20 (Lanjutan) ........ IV-17 4.14 Hasil Output Software Moving Average Periode 1 Sir 20 (Lanjutan) ........ IV-17 4.16 Hasil Output Software Moving Average Periode 2 Sir 20 .......................... IV-20 4.17 Hasil Output Software Moving Average Periode 2 Sir 20 (Lanjutan) ........ IV-21 4.18 Hasil Output Software Moving Average Periode 2 Sir 20 (Lanjutan) ........ IV-21 4.19 Hasil Output Software Moving Average Periode 2 Sir 20 (Lanjutan) ........ IV-21 4.20 Hasil Output Software Exponential Smoothing (Α=0,25) Sir 10 ................ IV-23 4.21 Hasil Output Software Exponential Smoothing (Α=0,25) Sir 10 (Lanjutan).......................................................................................... IV-24 4.22 Hasil Output Software Exponential Smoothing (Α=0,25) Sir 10 (Lanjutan).......................................................................................... IV-24
xviii
4.23 Hasil Output Software Exponential Smoothing (Α=0,25) Sir 10 (Lanjutan).......................................................................................... IV-24 4.24 Hasil Output Software Exponential Smoothing (Α=0,5) Sir 10 ................. IV-26 4.25 Hasil Output Software Exponential Smoothing (Α=0,5) Sir 10 (Lanjutan)......................................................................................... IV-27 4.26 Hasil Output Software Exponential Smoothing (Α=0,5) Sir 10 (Lanjutan) ......................................................................................... IV-27 4.27 Hasil Output Software Exponential Smoothing (Α=0,5) Sir 10 (Lanjutan)......................................................................................... IV-28 4.28 Hasil Output Software Exponential Smoothing (Α=0,75) Sir 10 ............... IV-30 4.29 Hasil Output Software Exponential Smoothing (Α=0,75) Sir 10 (Lanjutan).......................................................................................... IV-30 4.30 Hasil Output Software Exponential Smoothing (Α=0,75) Sir 10 (Lanjutan) ......................................................................................... IV-31 4.31 Hasil Output Software Exponential Smoothing (Α=0,75) Sir 10 (Lanjutan)........................................................................................ IV-32 4.32 Hasil Output Software Exponential Smoothing (Α=0,25) Sir 20 ............... IV-33 4.33 Hasil Output Software Exponential Smoothing (Α=0,25) Sir 20 (Lanjutan)......................................................................................... IV-34 4.34 Hasil Output Software Exponential Smoothing (Α=0,25) Sir 20 (Lanjutan).......................................................................................... IV-34 4.35 Hasil Output Software Exponential Smoothing (Α=0,5) Sir 20 (Lanjutan) ......................................................................................... IV-34 4.36 Hasil Output Software Exponential Smoothing (Α=0,5) Sir 20 .................. IV-36 4.37 Hasil Output Software Exponential Smoothing (Α=0,5) Sir 20 (Lanjutan).......................................................................................... IV-37 4.38 Hasil Output Software Exponential Smoothing (Α=0,5) Sir 20 (Lanjutan).......................................................................................... IV-37 4.39 Hasil Output Software Exponential Smoothing (Α=0,5)
xix
Sir 20 (Lanjutan).......................................................................................... IV-37 4.40 Hasil Output Software Exponential Smoothing (Α=0,75) Sir 20 ........................................................................................................... IV-39 4.41 Hasil Output Software Exponential Smoothing (Α=0,75) (Lanjutan) Sir 20.......................................................................................... IV-40 4.42 Hasil Output Software Exponential Smoothing (Α=0,75) Sir 20 (Lanjutan) ........................................................................................ IV-40 4.43 Hasil Output Software Exponential Smoothing (Α=0,75) Sir 20 (Lanjutan).......................................................................................... IV-40 4.44 Data Perhitungan Manual Sir 10 ................................................................. IV-41 4.45 Data Perhitungan Manual Sir 10 (Sambungan) ........................................... IV-42 4.46 Hasil Output Software Trend Analisis Sir 10 .............................................. IV-44 4.47 Hasil Output Software Trend Analisis Sir 10 (Sambungan) ....................... IV-45 4.48 Hasil Output Software Trend Analisis Sir 10 (Sambungan) ....................... IV-45 4.49 Hasil Output Software Trend Analisis Sir 10 (Sambungan) ....................... IV-45 4.50 Data Perhitungan Manual Sir 20.................................................................. IV-46 4.51 Data Perhitungan Manual Sir 20 (Sambungan) ........................................... IV-47 4.52 Hasil Output Software Trend Analisis Sir 10 .............................................. IV-49 4.53 Hasil Output Software Trend Analisis Sir 10 (Sambungan) ....................... IV-49 4.54 Hasil Output Software Trend Analisis Sir 10 (Sambungan) ....................... IV-50 4.55 Hasil Output Software Trend Analisis Sir 10 (Sambungan) ....................... IV-50 4.56 Rekapitulasi Hasil Peramalan Karet Sir 10 ................................................. IV-50 4.57 Rekapitulasi Hasil Peramalan Karet Sir 20 ................................................. IV-50 4.58 Verifikasi Peramalan Sir 10......................................................................... IV-52 4.59 Verifikasi Peramalan Sir 20......................................................................... IV-53 4.60 Verifikasi Peramalan Sir 20......................................................................... IV-54 4.61 Data Jam Kerja ............................................................................................ IV-54 4.62 Data Waktu Kecepatan Produksi ................................................................. IV-55 4.63 Data Keuntungan Produk Sir ....................................................................... IV-57
xx
BAB I PENDAHULUAN
1.1
Latar Belakang Masalah Indonesia merupakan negara agraris yang mengandalkan produk-produk hasil
perkebunan sebagai salah satu komoditas untuk mendukung perekonomian bagi sebagian penduduknya. Salah satu hasil perkebunan yang dihasilkan oleh penduduk indonesia adalah perkebunan karet. Selain proses penanaman mudah juga harga karet yang semakin lama semakin tinggi membuat masrakat atau penduduk berlombalomba dalam melakukan penanaman karet. Hasil karet dari perkebunan ini dipergunakan sebagai bahan baku pembuatan ban. Perencanaan produksi merupakan bagian terpenting dalam perusahaan manufaktur. Perencanaan produksi berhubungan dengan penentuan volume, ketepatan waktu penyelesaian, utilisasi kapasitas, dan pemerataan beban. Di dalam praktek, manajer produksi harus membuat keputusan mengenai rencana produksi yang tepat untuk periode yang akan datang agar diperoleh biaya yang paling minimum sehingga keuntungan yang akan didaaptkan bias semaksimal mungkin. Perencanaan agregat merupakan salah satu metode dalam perencanan produksi. Dengan menggunakan perencanaan agregat maka perencanaan produksi dapat dilakukan dengan menggunakan satuan produk pengganti sehingga keluaran dari perencanaan produksi tidak dinyatakan dalam tiap jenis produk (Ginting, 2007). Perencanaan agregat berhubungan dengan penentuan jumlah dan waktu produksi untuk jangka waktu menengah. Manajer operasi harus menentukan jalan terbaik agar memenuhi perkiraan permintaan dengan cara menyesuaikan rata-rata produksi, tingkat penggunaan tenaga kerja, tingkat persediaan, lembur, kerjasama (subkontrak) atau variabel lain yang dapat dikendalikan (Herjanto,2007).
I-1
Dalam sistem produksi dilakukan perencanaan dan pengendalian produksi yang tujuannya adalah merencanakan dan mengendalikan
produksi sehingga
memperoleh biaya produksi optimal untuk mencapai tujuan perusahaan atau organisasi sedangkan pengendalian produksi dimaksudkan untuk mendayagunakan sumber daya prooduksi yang terbatas secara tepat terutama dalam usaha memenuhi permintaan konsumen dan menciptakan keuntungan bagi perusahaan. PT. Riau Crumb Rubber Factory (RICRY) merupakan perusahaan yang bergerak dalam pengolahan karet mentah menjadi barang setengah jadi (crumb rubber) yang kemudian di ekspor ke luar negeri. Perusahaan ini didirikan pada tahun 1969 dan merupakan perusahaan PMDN (Penanaman Modal Dalam Negeri). Jenis produk yang dihasilkan yaitu crumb rubber SIR-10 (Standard Indonesia Rubber) dan SIR-20. Perbedaan dari dua jenis ini adalah SIR-10 menggunakan bahan baku yaitu 85% bokar (bongkahan karet) A dan 15% bokar(bongkahan karet) B, sedangkan untuk jenis sir 20 yang memiliki kualitas dibawah SIR-10 yaitu dengan komposisi bokar(bongkahan karet) A sebanyak 40% dan bokar (bongkahan karet) B adalah sebanyak 60.
Sumber : PT. Riau Crumb Rubber Factory (2011) Gambar 1.1 SIR 10 dan SIR 20
I-2
Adapun latar belakang masalah yang terjadi pada perusahaan PT RICRY dalam melakukan perencanaan produksi diantaranya: 1. Ingin mengetahui produksi perusahaan sudah optimal atau belum dengan pendekatan Goal Programming. 2. Permintaan produk yang tidak menentu (berfluktuasi)
membuat
perusahaan sulit untuk mengendalikan produksi yang tepat sehingga diperlukan perencanaan produksi untuk Meminimumkan kekurangan produksi. 3. Dengan dilakukan perhitungan Goal Programming diharapkan dapat melihat kendala-kendala apa yang dapat tercapai dan tidak tercapai. perencanaan agregat, masih belum terencana dengan baik yang ditunjukkan dengan adanya perbedaan antara jumlah produksi pada data permintaan produk tiap tahunnya. Oleh karena itu dalam penelitian ini memberikan suatu masukan kepada PT.RICRY dalam melakukan perencanaan agregat. Oleh karena itu, penulis mengajukan judul skripsi: ”perencanaan agregat dengan menggunakan metode Goal Programming”. Tabel 1.1 Data Permintaan Crumb Rubber SIR 10& SIR 20 (Kg) Bulan Januari Februari Maret April Mei June Juli Augustus September Oktober November Desember Total
2008 1.106.830 1.351.520 1.723.275 1.796.115 1.297.771 908.340 1.430.555 2.486.070 1.406.952 1.646.430 1.968.645 2.237.100 19.359.603
2009 1.273.404 2.061.155 1.355.580 1.227.833 2.273.792 1.308.002 1.808.047 2.226.578 1.827.195 2.505.284 1.103.255 1.100.133 20.070.258
2010 1.589.292 1.514.190 1.370.755 1.421.355 2.325.779 1.970.960 2.200.810 1.499.045 1.920.030 1.667.436 2.747.100 2.432.363 22.659.115
Sumber : PT. Riau Crumb Rubber Factory (2011)
I-3
Pada penelitian ini, permasalahan akan dipecahkan dengan menggunakan beberapa metode. Peramalan dilakukan dengan membandingkan antara metode exponential smoothing with trend adjustment dengan metode trend line analisis dan perencaaan agregat dilakukan dengan menggunakan metode Goal Programming . 1.2
Rumusan masalah. Berdasarkan
dari
latar belakang diatas
maka penulis
merumuskan
permasalahan yaitu: 1.
bagaimana menentukan
perencanaan agregat yang tepat dengan Goal
Programming? 2.
Bagaimana menentukan biaya yang optimal dalam melakukan perencanaan agregat dapat optimal dengan Goal Programming?
1.3
Batasan Masalah Diperlukan ruang lingkup atau batasan yang jelas dalam melakukan penelitian
agar pembahasan dapat lebih terarah dan jelas. Adapun batasan hambatan penelitian ini adalah sebagai berikut: 1.
Data yang digunakan adalah data permintaan karet pada bulan Januari 2008 s/d bulan Desember 2010.
2.
Perencanaan agregat di buat untuk jangka waktu 12 bulan.
3.
Harga karet tetap dari bulan januari 2008 s/d bulan Desember 2010.
4.
Hanya membahas tentang perencanaan produksi/ agregat planning.
1.4
Tujuan dan Manfaat Penelitian
1.4.1
Tujuan Penelitian Berdasarkan latar belakang dan perumusan yang telah dikemukakan, maka
penelitian ini dilakukan dengan tujuan yaitu: 1.
Menentukan jumlah produksi yang optimal pada periode perencanaan dengan menggunakan Goal Programming
I-4
2.
Permintaan produk yang tidak menentu (berfluktuasi) membuat perusahaan sulit untuk mengendalikan produksi yang tepat sehingga diperlukan perencanaan produksi untuk Meminimumkan kekurangan produksi.
1.4.2
Manfaat Penelitian Diharapkan dengan melakukan penelitian ini dapat diambil beberapa manfaat
sebagai berikut: 1.
Memberikan contoh perhitungan bagi perusahaan tentang perencanaan produksi dengan menggunakan metode Goal Programming.
2.
Dapat memberikan gambaran yang jelas tentang strategi yang dilakukan untuk memenuhi permintaan produksi.
3.
Dapat memberikan gambaran yang jelas tentang pengaturan produksi agar biaya produksi dapat optimal.
1.5
Posisi Penelitian Penelitian mengenai metode Goal Programming telah ada yang melakukan
sebelumnya, baik penelitian dilakukan oleh ahli dalam metode Goal Programming maupun penelitian yang dilakukan untuk keperluan tugas akhir dan tesis. Agar dalam penelitian ini tidak terjadi penyimpangan dan penyalinan ulang maka perlu ditampilkan posisi penelitian, berikut adalah tampilan posisi penelitian: Tabel 1.2 Posisi Penelitian No
Nama
1
Engki Irawan
2
Ridha Vera Hartati
3
Hifzi Ersyad
4
Agung prianggono
Judul
Metode
Perencanaan Jumlah Tenaga Kerja Dengan Menggunakan Aggregate Planning Pendekatan Dengan Metode Fuzzy Goal Programming Dalam Penetapan Pembobotan Dari Metode Analitical Perencanaan Aggregat Lamberzering
Metode Transportasi
Perencanaan Agregat Dengan Metode Goal Programming
Fuzzy Goal Programming
Metode Trial And Error Metode Goal Programming
Objek penelitian PT. Asia Forestama Raya Matematic
CV. Budi Agung Pekanbaru PT. RICRY
tahun 2007 2009
2009 2010
I-5
1.6
Sistematika Penulisan Dalam laporan tugas akhir ini sistematika penulisannya terdiri dari enam bab
yang masing-masing bab sudah dirancang untuk tujuan tertentu. Adapun sistematika penulisan laporannya adalah sebagai berikut: BAB I
PENDAHULUAN Berisi tentang latar belakang, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian dan sistematika penulisan.
BAB II
LANDASAN TEORI Bab ini berisikan tentang teori-teori yang digunakan untuk melakukan penelitian dan penganalisaan terhadap permasalahan yang terjadi
dan
sebagai bahan pendukung dalam msenggunakan metode penelitian pada penelitian yang dilakukan. BAB III
METODOLOGI PENELITIAN Metodologi penelitian menjelaskan mengenai langkah-langkah yang digunakan dalam proses penelitian yang dilakukan dalam perlaksanaan tugas akhir
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA Pengumpulan dan pengolahan data berisikan tentang objek tugas akhir, pengumpulan data-data yang akan digunakan didalam penelitian dan melakukan pengolahan data berdasarkan hasil pengumpulan data berdasarkan metode yang telah ditetapkan.
BAB V
ANALISA DATA Bab ini berisikan tentang proses penganalisaan dari hasil pengumpulan dan pengolahan data yang dilakukan pada bab IV (empat).
BAB VI
PENUTUP Pada bab ini berisikan tentang kesimpulan dari hasil analisa yang dilakukan berdasarkan tujuan yang kita inginkan dan saran untuk perusahaan ataupun pada peneliti selanjutnya.
I-6
BAB II LANDASAN TEORI 2.1
Perencanaan Produksi
2.1.1 Pengertian Perencanaan Produksi Perencanaan produksi adalah pernyataan rencana produksi kedalam bentuk agregat. Perencanaan produksi ini merupakan alat komunikasi antara manajemen teras (top management) dan manufaktur. Selain itu juga perencanaan produksi dapat diartikana sebagai suatu perencanaan taktis yang bertujuan memberikan keputusan yang optimum berdasarkan sumber daya yang dimiliki perusahaan dalam memenuhi permintaan akan produksi yang dihasilkan. Sumber daya
yang dimiliki adalah
kapasitas mesin, tenaga kerja, teknologi yang dimiliki dan lainnya. Beberapa fungsi lain perencanaan produksi adalah: 1. Menjamin rencana penjualan dan rencana produksi konsisten terhadap rencana strategis perusahaan. 2. Sebagai alat ukur performansi proses perencanaan produksi 3. Menjamin kemampuan produksi konsisten terhadap rencana produksi 4. Memonitor hasil produksi actual terhadap
rencana produksi dan membuat
penyesuaian. 5. Mengatur persediaan produk jadi untuk mencapai target produksi dan rencaan strategis. 6. Mengarahkan penyusunan dan pelaksanaan jadwal induksi produksi (Ginting, 2007). Dalam menjalankan fungsi-fungsi
dari perencanaan produksi
diperlukan
keterlibatan manajeman puncak sehingga dalam perencanaan produksi menjadi terarah sesuai dengan yang diharapkan. Peran manajeman puncak dapat dilihat dari perencanaan mengenai penentuan pabrikasi, pemasaran dan keuangaanya.
Jika
dipandang dari sudut pabrikasi, perencanaan produksi membantu menentukan berapa
II-1
peningkatan kapasitas yang dibutuhkan dan penyesuaian-penyesuaian kapasitas apa saja yang sangat diperlukan dan akan dilakukan. Dari sudut pandang pemasaran, perencanaan produksi menentukan berapa jumlah produk yang akan disediakan untuk memenuhi permintaan. Dan jika dipandang dari keuangan, perencanaan produksi mengidentifikasikan besarnyas kebutuhan dana dan memberikan dasr dalam pembuatan anggaran. Perencanaan produksi yang tidak tepat akan mengakibatkan tinggi rendahnya tingkat persediaan, sehingga mengakibatkan peningkatan ongkos simpan, ongkos kehabisan persediaan. Dan yang lebih fatal, hal tersebut dapat
mengurangi
pelayanan kepada konsumen karena keterlambatan penyerahan produk (Hakim,2008). 2.1.2 Karakteristik Perencanaan Produksi Perencanaan produksi mempunyai waktu perencanaan yang cukup panjang, biasanya 5 tahun. Rencana ini digunakan untuk perencanaan sumber daya seperti ekspansi, pembelian mesin. Proses peramalan telah memberikan informasi mengenai besarnya permintaan akan produk yang direncanakan. Setelah melakukan proses peramalan selanjutnya dilakukan perencanaan produksi itu sendiri. 2.1.3 Jenis-Jenis Perencanaan Produksi Perencanaan produksi dilihat dari penggunaanya dapat dibagi menjadi tiga jenis yaitu : 1. Perencanaan Produksi Jangka Panjang. Perencanaan produksi jangka panjang biasanya melihat 5 tahun atau lebih kedepan. Jangka waktu pendeknya adalah ditentukan oleh berapa lama waktu yang dibutuhkan dalam menyelesaikan desain dari bangunan dan peralatan pabrik yang baru, konstruksinya, instalasinya dan hal-hal lainnya sampai fasilitas baru siap dioperasikan 2. Perencanaan Produksi Jangka Menengah (Perencanaan Agregat) Perencanaan agregat mempunyai horizon perencanaan antara 1 sampai 12 bulan, dan dikembangkan berdasarkan kerangka yang telah ditetapkan pada perencanaan
II-2
produksi jangka panjang. Perncanaan agregat di dasarkan pada peramalan permintaan tahunan dari bulan dan didasarkan pada peramlan permintaan tahunan darib ulan dan sumber daya produktif yang ada (jumlah tenaga kerja, tingkat persediaan, biaya produks, jumlah supplier dan subkontraktor), dengan asumsi kapasitas produksi relatif tetap. 3. Perencanaan Produksi Jangka Pendek Perencanaan produks jangka pendek mempunyai horizon kurang dari 1 bulan dan bentuk perencannanya adalah berupa jadwal produksi. Tujuan dari jadwal produksi adlah menyeimbangkan permintaa aktual (yang dinyatakan dengan jumlah pesanan yang diterima) dengan sumber daya yang tersedia (jumlah departemen, waktu shift yang tersedia, banyak operator, tingkat persediaan yang dimiliki, dan peralatan yang ada), sesuai batasan-bataasa yang ditetapkan pada perencanaan agregat (Hakim, 2008) 2.1.4 Langkah-Langkah Perencanaan Produksi Pada dasarnya proses perencanaan produksi dapat dikemukakan melalui empat langkah utama, sebagai berikut: 1. Langkah 1 Mengumpulkan data yang relevan dengan perencanaan produksi. 2. Langkah 2 Mengembangkan data yang relevan menjadi informasi yang teratur 3. Langkah 3 Menentukan kapabilitas produksi, berkaitan dengan sumber-sumber yang ada 4. Langkah 4 Melakukan partnership meeting yang dihadiri oleh manager umum, manager produksi, manager pemasaran, manager keuangan, manager rekayasa dan manager-manager yang relevan. (Gaspersz,2004).
II-3
2.2
Perencanaan Agregat
2.2.1 Pengertian Perencanaan Agregat Perencanaan agregat merupakan salah satu metode dalam perencanaan produksi. Jika kapasitas produksi tetap berdasarkan perencanaan jangka panjang yang telah dipesan, adalah kewajiban dari prencanaan produks agregat untuk menetapkan kebijaksanaan yang dapat digunakan utnuk mengatisipasi fluktuasi permintaan dengan biaya yang minimum. Dengan kata lain, perencanaan agregat dibuat untuk menyesuaikan kemapuan produksi dalam menghadapi permintaan pasar yang tidak pasti dengan mengoptimumkan penggunaan tenaga kerja dan peralatan produksi yang tersedia sehingga ongkos total produksi dapat ditekan seminimun mungkin. Jika pesanan yang diterima bersigat tetap dalam jangka waktu yang panjan, maka perencanaan produksi tidak akan mengalami kesulitan dalam menetapkan rencana produksi bulanan. Akan tetapi kenyataan yang dilapangan berbeda, pola permintaan seringkali menunjukkan permintaan yang dinamis dari pola statis, sehingga menyulitkan dalam menetapkan rencana produksi bulanan. Disinilah peranan rencana metode perencanaan agregat mengatasi kesulitan tersebut. Kata agregat tersebut menyatakan bahwa rencana dibuat pada tingkat kasar untuk memenuhi total kebutuhan semua produk yang akan dihasilkan (bukan perindividu produk) denagan menggunakan sumber daya yang ada. Dalam system manufaktur, faktor-faktor Yang dipertimbangkan dalam pembuatan perencanaan agregat adalah semua submer daya yang berupa kapasitas mesin yang tersedia, penjadwalannya sebagai gambaran perencanaan agregat perencanaan disuatu pabrik cat akan dinyatakan dalam beberapa liter cara yang akan diproduksi meskipun permintaan produksi cat tersebut berdasarkan warna, kualitas dan ukuran kaleng yang berbeda. Demikian juga perencanaan agregat kebutuhan tenaga kerja, agregatnya akan dinyatakan beberapa jumlah total tenaga kerja yang akan dibutuhkan, tanpa harus merinci jenis keterampilan tenaga kerja apa yang dibutuhkan (tinggi, sedang
II-4
ataupun rendah). Dengan demikian perencanaan agregat akan diproduksi (unit grup produk, ton, liter dan sebagainya (Hakim, 2008). Tujuan perencanaan agregat ialah menggunakan sumber daya manusia dan peralatan secara produktif. Penggunaan kata agregat menunjukkan bahwa perencanaan dilakukan ditingkat kasar dan dimaksudkan untuk memenuhi kebutuhan toatal seluruh produk dengan menggunakan seluruh sumber daya manusia dan peralatan yang ada pada fasilitas produksi tersebut. Sebagai tambahan, rencana tersebut akan melibatkan banyak tenaga kerja dengan keahlian yang bermacammacam. Perlu disadari pula bahwa permintaan dari satu periode ke periode lainnya berfluktuasi untuk lintas produksi tersebut. Ada banyak pilihan rencana bagi seorang perencana agregat. Pilihan yang sederhana ialah menghasilkan baragn diatas kebutuhan pada saat permintaan rendah dan menyimpan kelebihannya sampai produk tersebut dibutuhkan. Pendekatan ini menghasilkan laju produksi relatif konstan walaupun memakan biaya persediaan yang tinggi. Pendekatan lainnya ialah dengan merekrut tenaga kerja pada saat permintaan tinggi dan memberhetikannya pada saat permintaan rendah. Seluruh shift kerja dapat ditambah atau dihilangkan sesusai kebutuhan. Pada pilihan ini ongkos persediaan ditekan sampai tingkat terendah tetapi ongkos merekrut, melatih, dan memberhentikan pegawai menjadi relatif tinggi. Lembur juga merupakan pilihan yang sering digunakan oleh perencana agregat, namun dengan cara ini ada keterbatasan jumlah kapasitas yang dapat divariasikan. Pilihan yang lain ialah dengan subkotrak sebagian pekerjaan pada saat sibuk dengan konsekuensi adanya tambahan ongkos. Suatu perusahaan mungkin saja gagal untuk memenuhi seluruh permintaan pada saat sibuk dan berharap konsumen akan memaafkan keterlambatan yang terjadi. Akhirnya perusahaan seringkali menetapkan kapasitas tetap orang dan peralatan yang akan digunakan penuh pada saat permintaan tinggi. Biasanya perencana produksi menggunakan beberapa kombinasi pada saat membuat rencana agregat, (Hendra, 2001).
II-5
Perencanaan agregat biasa dilakukan minimal dalam jangka 12 bulan. Hal ini dilakukan agar hasil perencanaan agregat tidak lari dari perkiraan peramalan. Dalam perencanaan agregat ini data yang yang diambil bukan data tunggal melainkan data keseluruhan produksi untuk setiap periode bulan. Dengan adanya data produksi setiap periode bulan maka dapat mengantisipasi fluktuasi permintaan yang terjadi sehingga biaya produksi dapat menjadi minimum. Dengan kata lain perencanaan agregat dibuat untuk mengantisipasi permintaan pasar yang tidak pasti dengan mengoptimalkan tenaga kerja dan peralatan produksi sehingga total ongkos produksi dapat ditekan seminimum mungkin. Jika pemesanan produk dalam jangka panjang tetap maka tidak perlu dilakukan perencanaan agregat untuk memenuhi permintaan dipasaran. Namun pada kenyataan pemesanan produksi mengalami perubahan yang dinamis dari pola statis, sehingga hal ini menyulitkan dalam menentukan rencana produksi bulanan. Disinilah peranan rencana metode perencanaan agregat dalam mengatasi masalah tersebut. Dalam perencanaan agregat tidak dihasilkan rencana dalam bentuk individual produk melainkan dalam bentuk agregat produk. Penggunaan satuan agregat ini dilakukan mengingat keuntungan-keuntungan yang dapat diperoleh antara lain: a.
Kemudahan dalam pengolahan data
b.
Ketelitian hasil yang didapatkan
c.
Kemudahan untuk melihat ddan memahami mekanisme system produksi yang terjadi dalam implementasi rencana. Komponen kecenderungan (trend) menyatakan kenaikan dan penurunan rata-
rata untuk jangka waktu yang panjang. Komponen siklus bisnis mengindentifikasikan penyimpangan yang cukup besar dari permintaan terahdap musiman juga dapat mempengaruhi atau menyebabkan naik atau turun tingkat permintaan, bila dibandingkan dengan siklus bisnis yang sulit diprediksi kapan mulai dan beakhirnya, maka komponen musiman selalu mengikuti pola yang tetap setiap tahunnya,
II-6
sedangkan faktor yang terkhir adalah random yang bias dianggap sebagai noise dari pola permintaan. Pada umumnya, ada empat jenis strategi yang dapat dipilih dalam membuat perencanaan
agregat.
Pemilihan
kebijaksanaan perusahaan,
rencana
strategi
tersebut
keterbatasan perusahaan dalam
tergantung
dari
prakteknya, dan
pertimbangan biaya. Keempat strategi tersebut adalah sebagai berikut: 1.
Memproduksi banyak barang pada saat permintaan akan barang tersebut rendah dan menyimpan kelebihannya sampai saat yang dibutuhkan. Altternatif ini akan menghasilkan tingkat produksi relatif konstan, tetapi dapat menyebabkan ongkos persediaan tinggi.
2.
Merekut (menambah) tenaga kerja pada saat permintaan tinggi dan memberhentikannya (mengurangi) pada saat permintaan rendah. Penambahan tenaga kerja memerlupan biaya rekruitmen dan pelatihan. Biaya kompensasi dan reorganisasi akan selalu dibutuhkan atau dikeluarkan jika dilakukan pengurangan tenaga kerja. Biaya ini akan diikuti oleh biaya-biaya yang tak tampak seperti: kemerosotan moral pekerja dan turn over tenaga kerja yang tinggi. Karena kapasitas fasilitas produksi tetap, maka penurunan produktivitas mungkin akan terjadi jika penambahan tenaga kerja tidak diikuti dengan penambahan peralataan produksi (mesin-mesin).
3.
Melemburkan pekerja. Altternatif ini selalu dipakai dalam perencanaan produksi, tetapi ada keterbatasannya dalma menjadwalkan kapasitas mesin dan tenaga kerja yang ada. Jika permintaan naik maka kapasitas produksi dapat dinaikkna dengan melemburkan tenaga kerja, tetapi penggunaan lembur hanya dapat dilakukan dalam batas-batas maksimum kerja lembur yang diijinkan. Biasanya pemerintah mengatur pembatasan kerja lembur yang ibsa dilakukan oleh sebuah perusahaan, misalnya pemerintah mengatur kerja lembur tidak boleh melebihi 25% dari waktu total kerja regular. Kenaikkan kapasitas produksi melebihi aturan tersebut hanya dapat dilakukan dengan penambahan tenaga kerja. Alternatif lembur akan
II-7
menyebabkan biaya tambahan karena biasanya tarif upah lembur adalah 150% dari tarif upah regular. Jika permintaan turun, maka kapasitas produksi dapat disesuaikan dengan mengganggurkan pekerja
(undertime). Undertime ini akan
mengakibatkan biaya tetap yang harus dibayar meskipun tenaga kerja kita mengganggur, seperti mengadakan pemiliharaan mesin dan lain-lain. 4.
Mensubkontrakkan sebagian pekerja pada saat-saat sibuk. Alternatif ini akan mangakibatkan tambahan ongkos karena subkontrak dan ongkos kekecewaan konsumen
bila
terjadi
keterlambatan
penyerahan
dari
barang
yang
disubkonrakkan. Masing-masing alternatif tersebut akan mempunyai dampak yang berpengaruh secara psikologis maupun non psikologis. Sebagai contoh, perusahaan yang menaikkan tingkat produksi dengan cara lembur pada saat permintaan tinggi ada kemungkinan akan mengalami penurunan semangat pekerja pada saat lembur di tiadakan. Biasanya bagian perencanaan produksi akan membuat perencanaan produksi dengan mengkombinasikan altternatif-alternatif yang diatas sehingga fluktuasi permintaan akan dapat dikendalikan dan biaya total produksi yang direncanakan dapat ditekan seminim mungkin (Hakim,2008). Satu faktor yang selalu menjadi pertimbangan perencanaan produksi adalah kestabilan kemampuan kerja, para pekerja yang memiliki keahlian yang lebih tinggi dapat menjadi suatu kemampuan
kerja yang stabil. Terdapat
industri-industri
musiman tertentu yang dapt menerima hal-hal yang demikian. Salah satu contohnya adalah penanaman dan pengolahan buah-buahan dan sayur-sayuran dalam iklim yang lebih dingin. Terdapat sekali hasil pannen setiap tahun yang harus diolah dalam beberapa minggu sedangkan sisa waktunya setelah panen tersebut tidak ada kegiatan (Biegel, 1992).
II-8
2.2.2 Biaya-Biaya Perencanaan Agregat
Sumber: Ginting, 2007 Gambar 2.1
Biaya Agregat
Dari keterangan gambar diatas Ongkos-ongkos yang terlibat dalam perencanaan produksi adalah: 1. Hiring Cost (ongkos penambahan tenaga kerja). Penambahan tenaga kerja menimbulkan ongkos-ongkos training merupakan ongkos yang besar apabila tenaga kerja yang direkrut adalah tenaga kerja yang belum berpengalaman karena kita harus melatih dan mentraining mereka dulu. 2. Firing Cost (ongkos pemberhentian tenaga kerja). Pemberhentian tenaga kerja biasanya terjadi karena semakin rendahnya akan produksi yang dihasilkan oleh suatu perusahaan, sehingga tingkat produksi menurun dengan drastic. Pemberhentian ini maka perusahaan harus mengeluarkan uang pesangon bagi
II-9
karyawan yang akan diPHK, menurunya moral kerja dan produktivitas karyawan yang masih bekerja dan tekanan yang bersifat social. Kesemua akibat ini dianggap sebagi ongkos pemberhentian tenaga kerja yang akan ditanggung perusahaan. 3. Overtime Cost Dan Undertime Cost (ongkos lembur dan ongkos menganggur). Penggunaan waktu lembur bertujuan untuk meningkatkan output produksi, tetapi konsekuensinya perusahaan harus mengeluarkan ongkos tambahan lembur yang biasanya 150% dari ongkos kerja reguler. Disamping ongkos tersebut, adanya lembur akan memperbesar tingkat absen karyawan karena capek. Kebalikan dari perusahaan
mempunyai
kelebihan
kondisi
tenaga
diatas
adalah
bila
kerja dibandingkan dengan
jumlah tenaga kerja yang dibutuhkan untuk kegiatan produksi. Tenaga kerja berlebih ini kadang-kadang bisa dialokasikan untuk kegiatan lain yang produktif meskipun tidak selamanya efektif. Bila tidak dapat dilakukan alokasi yang efektif, maka perusahaan dianggap menanggung ongkos menganggur yang besarnya merupakan perkalian antara jumlah jam kerja yang tidak terpakai dengan tingkat upah dan tunjangan lainnya. 4. Inventory Cost Dan Backorder Cost (Ongkos Persediaan Dan Ongkos Kehabisan
Persediaan)
Persediaan
mempunyai
fungsi
mengantisipasi
timbulnya kenaikan permintaan pada saat-saat tertentu. Konsekwensi dari kebijaksanaan persediaan bagi perusahaan adalah timbulnya ongkos penyimpanan (inventory cost/ holding cost) yang berupa ongkos tertahannya modal, pajak, asuransi, kerusakan bahan, dan ongkos sewa gudang. Kebalikan dari kondisi diatas, kebijaksanaan tidak mengadakan persediaan seolah-olah menguntungkan, tetapi sebenarnya dapat menimbulkan kerugian dalam bentuk ongkos kehabisan persediaan. Ongkos kehabisan persediaan ini dihitung berdasarkan berapa permintaan yang datang tetapi tidak dapat dilayani karena barang yang diminta tidak tersedia. Kondisi ini pada sistem MTO (Make TO Order = Memproduksi Berdasarkan Pesanan) akan
II-10
mengakibatkan jadwal penyerahan order terlambat, sedangkan pada sistem MTS (Make To Stock = Memproduksi Untuk Memenuhi Persediaan) akan mengakibatkan beralihnya pelanggan pada produk lain. Kekecewaan pelanggan
karena
tidak
tersedianya
barang
yang
diingikan
akan
diperhitungkan sebagai kerugian bagi perusahaan, dimana kerugian tersebut akan dikelompokkan sebagai ongkos kehabisan persediaan. Ongkos kehabisan persediaan ini sama nilainya dengan ongkos pemesanan kembali bila konsumen masih bersedia menunggu. 5. Subcontract Cost (Ongkos Subkontrak) Pada saat permintaan melebihi kemampuan
kapasitas
reguler,
biasanya perusahaan mensubkontrakkan
kelebihan permintaan yang tidak bisa ditanganinya sendiri kepada perusahaan lain. Konsekuensi dari kebijaksanaan ini adalah timbulnya ongkos subkontrak, dimana biasanya ongkos mensubkontrakkan ini lebih mahal dibandingkan memproduksi sendiri dan adanya resiko terjadinya kelambatan penyerahan dari kontraktor (Hakim,2008). 2.2.3 Strategi Perencanaan Agregat Ada beberapa strategi yang dapat dilakukan untuk melakukan perencanaan yaitu dengan melakukan manipulasi persediaan, laju produksi, jumlah tenaga kerja, kapasitas atau variable terkendali lainnya. Jika perubahan dilakukan terhadap suatu variable sehingga terjadi perubahan laju produksi disebut sebagai strategi murni (pure strategy). Sebaliknya, strategi gabungan (mixed strategy), merupakan gabungan perubahan dua atau lebih strategi murni sehingga diperoleh perencanaan produksi fleksibel, (Ginting,2007). 2.2.3.1 Strategi Perencanaan Agregat Secaraa Murni Dikatakan pure strategi atau strategi murni. Jika perubuahan dilakukan terhadap suatu variable sehingga terjadi perubahan laju produksi. Disamping itu strategi murni dilakukan dengan menggunakan satu strategi dalam mempengaruhi laju produksi untuk memenuhi permintaan produksi.
II-11
Beberapa strategi murni yaitu (Ginting, 2007).: a. Mengendalikan jumlah persediaan. Persediaan dapat dilakuakan pada saat kapasitas produksi dibawah permintaan (demand). Persediaan ini selanjutnya dapat digunakan pada saat permintaan berada didatas kapasitas produksi. b. Mengendalikan jumlah tenaga kerja. Manajer dapat melakukan perubahan jumlah tenaga kerja dengan menambah atau mengurangi tenaga kerja sesuai dengan laju produksi yang diinginkan. Tindakan lain yang dapat dilakukan yaitu dengan melakukan jam lembur c. Subkontrak. Subkontrak dapat dilakukan untuk menaikkan kapasitas perusahaan pada saat perusahaan sibuk sehingga permintaan dapat dipenuhi. d. Mempegaruhi demand karena perubahan permintaan merupakan faktor utama dalam masalah perencanaan agregat, maka pihak manajeman dapat melakukan tindakan, yaitu dengan memperngaruhi pola permintaan itu sendiri. Sebagai contoh PT.Telkom memberi potongan jasa pulsa telpon pada malam hari, potongan harga supermarket pada 10 hari pertama awal bulan, dan lain-lain. 2.2.3.2 Strategi perencanaan agregat secara gabungan Setiap pure strategy akan melibatkan biaya yang besar dan sering pure strategy
menjadi tidak layak, oleh karena itu kombinasi dari pure strategy ini
menjadi mixed strategy lebih sering digunakan. Ketika sutau perusahaan mempertimbangkan kemungkinanan dari pencampuran strategi yang bervariasi dengan tidak terbatasnya rasio untuk melakukan strategi yang bervariasi tersebut, maka perusahaan baru akan menyadari tantangan yang sedang dihadapinya. Bagian pengendalian produksi dan bagian permasaran harus manghasilkan master schedule yang mencakup beberapa kebijakasanaan perubahaan dan prosedur pengoperasian.
II-12
Karena masalah yang kompleks ini, maka dalam pengendalian keputusan diperlukan diskusi tentang aturan-aturan pengambilan keputusan, (Ginting, 2007). 2.2.4 Proses Perencanaan Agregat Perencanaan produksi dimulai dengan meramalkan permintaan secara tepat sebagai input utamanya. Perencanaan agregat kemudian dikembangkan
untuk
merencanakan kebutuhan produksi bulanan atau triwulanan bagi kelompok-kelompok produk yang telah diperkirakan dalam peramalan permintaan. Setelah perencanaan agregat dibuat maka hasilnya akan disegresikan kedalam kebutuhan-kebutuhan berdasarkan tahapan waktu untuk masing-masing jenis produk. Perencanaan agregat berhubungan dengan penentuan jumlah dan waktu produksi untuk jangka waktu menengah. Manajer operasi harus menentukan jalan terbaik agar memenuhi prakiraan permintaan dengan cara menyesuaikan rata-rata produksi, tingkat penggunaan tenaga kerja, tingkat persediaan, kerjasama, lembur atau variable lain yang dapat dikendalikan. Berdasarkan prakiraan permintaan dan masukan lain yang berhubungan, manajer operasi harus menentukan strategi yang hendak dipakai untuk memperoleh
suatu perencanaan agregat yang fisibel dan
optimal. Kegiatan perencanaan agregat tidak saja dilakukan untuk industri pengolahan, tetapi juga untuk industri jasa, seperti rumah sakit, bank atau lembaga pendidikan keterampilan. Misalnya, suatu perusahaan jasa yang menyelenggarakan jasa spreadsheet dan berbagai subyek lain, serta mempekerjakan sejumlah instruktur untuk memenuhi permintaan dari umum atau kalangan insatansi pemerintah. Menjelang hari libur panjang, seperti lebaran atau akhir tahun. Untuk memenuhi fluktuasi permintaan yang berbeda, perusahaan dapat melakukan pengurangan instruktur atau melakukan kegiatan promosi tambahan untuk mendorong permintaan pada musim paermintaan rendah atau melakukan penambahan instruktur atau subkontrak pada lembaga lain jika terjadi permintaan tinggi, ( Herjanto, 2006).
II-13
2.3
Definisi Peramalan (Forecasting) Forecasting adalah suatu usaha untuk meramalkan keadaan dimasa
mendatang melalui pengujian keadaan di masa lalu (Handoko, 1984). Dalam kehidupan sosial segala sesuatu itu serba tidak pasti, sukar untuk diperkirakan secara tepat. Dalam hal ini perlu diadakan forecast. Dengan kata lain forecasting bertujuan mendapatkan forecast yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanyadiukur dengan mean squared error, mean absolute error, dan sebagainya (Subagyo, 1986). Forecasting yang dibuat selalu diupayakan agar dapat meminimumkan pengaruh ketidakpastian ini terhadap perusahaan. Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa yang akan dilakukan pada waktu yang akan datang (Subagyo, 1986). Dengan sendirinya terjadi perbedaan antara forecast dengan rencana. Forecast adalah peramalan apa yang akan terjadi, tetapi belum tentu bias dilaksanakan oleh perusahaan. Peramalan adalah mengenai sesuatu yang belum terjadi atau meramalkan apa yang terjadi pada masa yang akan datang. Didalam suatu peramalan bertujuan agar peramalan yang dibuat biasa meminimumkan pengaruh ketidakpastian ini terhadap suatu perusahaan. Dengan kata lain peramalan bertujuan mendapatkan peramalan yang bisa meminimimkan kesalahan meramal atau forecast error yang biasanya diukur dengan mean squared error, mean absolute error (Gazperz, 1998). Menurut Gaspersz (2004), dalam peramalan terdapat dua teknik peramalan diantaranya adalah teknik peramalan secara kualitatif yaitu peramalan yang melibatkan pendapat pribadi, pendapat ahli, metode Delphi, penelitian pasar dan lainlain. Bertujuan untuk menggabungkan seluruh informasi yang diperoleh secara logika dan sistematis yang dihubungkan dengan faktor kepentingan si pengambil keputusan. Sedangkan teknik peramalan secara kuantitatif yaitu peramalan yang digunakan pada saat data masa lalu cukup tersedia. Beberapa teknik kuantitatif yang sering
II-14
dipergunakan adalah seperti metode pemulusan eksponensial, rata-rata bergerak, regresi linier dan masih banyak lainnya. Menurut Handoko proses peramalan biasanya terdiri dari langkah-langkah sebagai berikut: Analisis membicarakan dengan para pembuat keputusan dalam perusahaan untuk mengetahui apa kebutuhan-kebutuhan mereka dan menentukan: 1) variabel-variabel apa yang akan diestimasi, 2) siapa yang akan menggunakan hasil peramalan, 3) untuk tujuan-tujuan apa hasil peramalan akan digunakan, 4) estimasi jangka panjang atau jangka pendek yang diinginkan, 5) derajat ketepatan estimasi yang diinginkan, 6) kapan estimasi dibutuhkan, 7) bagian-bagian peramalan yang diinginkan, seperti peramalan untuk kelompok pembeli, kelompok produk atau daerah geografis. 2.3.1
karakteristik peramalan yang baik Peramalan yang baik mempunyai beberapa criteria yang penting, antara lain
akurasi, biaya, dan kemudahan. Penjelasan dari kriteria-kriteria tersebut adalah sebagai berikut: 1. Akurasi Akurasi dari suatu hasil peraman diukur dengan hasil kebiasaan dan kekonsistensian peramalan tersebut terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil permalan dikatakan konsisten biala besarnya kesalahan peramaln relatif kecil. Peramalan yang terlalu rendah akan mengakibatkan kekkurangan persediaan, sehingga permintaan konsumen tidak dapat dipenuhi segera. Akibatnya perusahaan dimungkinkan kehilangan pelanggan dan kehilangan keuntungan penjualan. Peramalan yang terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil relatif kecil. Peramalan yang terlalu rendah akan mengakibatkan kekurangan persediaan,
II-15
sehingga permintaan konsumen tidak dapat dipenuhi segera akibatnya perusahaan dimungkinkan kehilangan pelanggan dan kehilangan keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga banyak modal yang terserap sia-sia. Keakuratan dari hasil permalan ini berperan penting dalam menyeimbangkan persediaan yang ideal. 2. Biaya Biaya yang diperlukan dalam pembuatan suatu peramlan adalah tergantung dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramlan yang dipakai. Ketiga faktor pemicu biaya tersebut akan mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolohan datanya (manual atau komputerisasi), bagaimana penyimpangan datanya dan siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus disesuaikan dengan dana yang tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang penting akan diramalkan dengan metode yang sederhana dan murah. 3. Kemudahan Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah percuma memakai metode yang canggih, tetapi tidak dapat diaplikasikan pada sistem perusahaan karena keterangan batasan dana, sumber daya manusia, maupun peralatan teknologi. 2.3.2
Beberapa sifat hasil peramalan Dalam membuat peramalan atau menerapkan suatu peramalan maka ada
bebearpa hal yang harus dipertimbangkan yaitu: 1.
Ramalan pasti mengandung kesalahan, artinya peramal hanya bisa mengurangi ketidakpastian
yang
akan
terjadi,
tetapi
tidak
dapat
menghilangkan
ketidakpastian tersebut. 2.
Perramalan seharusnya memberikan informasi tentang beberapa ukuran kesalahank, artinya karena peramalan pasti mengandung kesalahan, maka adalah
II-16
penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi. 3.
Peramalan jangka pendek lebih akurat dibandingkan peramalan pendek, faktorfaktor yang mempengaruhi permintaan relatif masih konstan sedangkan masih panjang periode peramalan, maka semakin besar pula kemungkinana terjadinya perubahaan faktor-faktor yang mempengaruhi permintaan.
2.3.3
Kriteria performance peramalan Seorang perencana tentu menginginkan hasil perkiraan ramalan yang tepat
atau paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana yang dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian inilah yang menjadi kriteria performance suatu metode peramalan. Ketepatan atau ketelitian tersebut dapat dinyatakan sebagai kesalahan dalam peramalan. Kesalahan yang kecil memberikan arti ketelitian peramalan yang tinggi, dengan kata lain keakuratan hasil peramalan tinggi, begitu pula sebaliknya (Ginting,2007). 2.3.4
Ukuran Akurasi Hasil Peramalan Ukuran akurasi yang merupakan ukuran kesalahan peramalan merupakan
ukuran tingkat perbedaaan antara hasil peramlan dengan permintaan yang sebenarnya terjadi. Ada 4 ukuran yang biasa digunakan yaitu: 1. Standard error (SE) SE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan yang dikurangi dengan derajat kebebasan peramalan lalu di akarkan. Derajat kebebasan dalam penggunaan rumus standard error ini berbeda, diantaranya perbedaan itu adalah: f = dejarat kebebasan Untuk data konstan, f = 1 Untuk data linier, f=2 Untuk data kwadratis, f=3
II-17
Untuk data siklis,f = 3 N
SE =
(X t 1
t
Ft ) 2
Nf
……………………………………..(2.1)
Dimana Xt = data actual periode t Ft = nilai ramalan periode t N = Banyaknya periode 2. Rata-rata deviasi mutlak (Mean Absolute Deviation =MAD) MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramlan lebih besar atau lebih kecil dibandingkan kenyataanya. MAD didapat dari harga mutlak jumlah deviasi absolute penjualan aktual dikurangi peramalan dibagi dengan banyaknya data. Secara matematis MAD dirumuskan sebagai berikut: MAD=
At ft n ………………………………………....(2.2)
dimana A t = permintaan aktual pada periode –t F t = peramalan permintaan pada periode-t n
= jumlah periode peramalan yang terlibat
3. Rata-rata kuadrat kesalahan (Mean Square Error = MSE), MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. MSE =
(A t Ft ) 2 n ……………………………………(2.3)
4. Bias Bias merupakan perhitungan yang dilakukan untuk melihat selisih rata-rata antara permintaan dengan peramalan. Dimana dalam perhitungannya nilai permintaan dikurangi nilai peramalan dan dibagi dengan jumlah data.
II-18
Bias =
( Dt Ft) n
………………………………………….(2.4)
2.3.5 Metode-Metode Yang Biasa Digunakan Dalam Peramalan Dalam lingkungan industri, perencanaan agregat yang baik adalah
dasar
untuk mencapai keberhasilan. Bagian pengendalian produksi harus menjadwalkan produksi untuk memenuhi permintaan produk. Untuk itu diperlukan metode yang cocok sesuai dengan kondisi perusahaan. Pemilihan metode yang tepat 1. Trial And Error Metode trial and error sangat terkenal karena mudah dipahami dan digunakan. Metode trial and error biasa juga dikenal dengan teknik grafik dan diagram. Metode trial and error merupakan metode yang menggunakan bantuan grafik dalam proses menemukan penyelesaian. Dalam metode ini , fungsi-fungsi kendala digambarkan dalam grafik dua dimensi pada diagram cartesius, dimana sumbu harisontal dan vertical masing-masing menunjukkang variabel keputusan X1 dan X2, misanya, dengan demikian, titik-titik
dalam diagram akan menunjukkan
berbagai kombinasi tertentu X1 dan X2 dari Kemudahan metode ini sangat jelas terlihat dari banyaknya karyawan administrasi yang dapat melakukannya. 2. Linear Programming Model linear programming, seperti telah kita ketahui. linear programming adalah sebuah model yang digunakan untuk menemukan nilai variabel keputusan yang akan memaksimumkan atau memimumkan nilai fungsi tujuan dan dibatasi oleh beberapa
kendala.
Jumlah
tujuan
yang
hendak
dimaksimumkan
atau
diminimumkan. 3. Transportasi Kasus transportasi timbul ketika kita mencoba menentukan cara
pengiriman
(distribusi) suatu jenis barang (item) dari beberapa sumber (lokasi penawaran) ke
II-19
beberapa tujuan (lokasi permintaan) yang dapat meminimumkan biaya. Biasanya jumlah barang yang dapat disalurkan dari setiap lokasi penawaran adalah tetap atau tidak terbatas, namun jumlah permintaan rute pengiriman yang berbeda akan menghasilkan biaya kirim yang berbeda, maka tujuan dari pemecahan kasus transportasi ini biasanya adalah menentukan berapa banyak unit barang yang harus dikirim dari setiap sumber ke setiap tujuan sehingga permintaan dari setiap tujuan terpenuhi dan total biaya kirim minimum (Agustina & Rahmadi,2004). 4. Goal Programming Model Goal Programming merupakan perluasan dari model pemrograman linier, oleh karena itu asumsi, notoasi, formulasi model matematik, prosedur perumusan model dan penyelesaiannya tidak berbeda, kecuali tambahan satu jenis variabel baru yaitu deviational variable atau variabel deviasional. Variabel ini digunakan oleh Charnes dan Cooper untuk memanipulasi model permrograman linier agar kita bisa memasukkan beberapa tujuan yang hendak dicapai ke dalam formulasi model pemrograman linier. 5. Simulasi Simulasi (simulation) merupakan sebuah usaha untuk menyalin fitur, tampilan dan karakteristik sebuah system nyata. (Heizer dan Render, 2004). Metode simulasi juga digunakan sebagai bagian dari studi operational riset, simulasi biasanya di dahului
dan diakhiri dengan tahap yang serupa dalam perancangan pesawat
terbang. Secara khusus, beberapa analisis ppendahuluan dilakukan terlebih dahulu (mugkin dengan model matematis perkiraan) untuk membentuk rancangan kasar sistem. 2.4
Perbandingan Metode-Metode Yang Digunakan Dalam Perencanaan Agregat Dalam perencanaan agregat terdapat banyak metode yang biasa digunakan.
Namun setiap metode memiliki fungsi dan juga keterbatasaan masing-masing dalam
II-20
melakukan perencanaan produksi. Selain itu juga masing-masing metode memiliki kelemahan dan kelebihan. Untuk itu diperlukan analisa yang kuat dalam menggunakan metode sesuai dengan kondisi yang ada. Adapun letak perbandingan atau perbedaan dari masing-masing metode diantaranya : 1. Trial And Error Metode ini merupakan metode yang mudah dipahami dan digunakan. Sistem kerja metode ini adalah dengan melakukan percobaan dalam artian memberikan banyak solusi, kemudian solusi itu dipilih yang mana paling maksimal dan memiliki error terkecil. Namun terkadang solusi yang terpilih mungkin belum optimal. 2. Linear Programming Metode linear programming bisa dilakukan hanya dengan satu tujuan, tidak bisa untuk menyelesaikan persoalan dengan lebih dari satu tujuan (multi tujuan) dengan waktu bersamaan. Hal ini seringkali membatasi penerapan model pemrograman linier di dalam seringkali membatasi penerapan model pemrograman linier didalam kasus-kasus nyata. Di dalam realita, manajemen kerap kali dihadapkan kepada suatu situasi dimana beberapa tujuan harus dicapai secara bersamaan. Sebagai contoh, manajemen ingin menginvestasikan dananya pada beberapa saham yang memiliki return atau kembalian maksimum dan resiko minimum. Model pemrograman linier biasa, tentua saja, tidak mugkin untuk menyelesaikan kasus semacam ini oleh karena itu model harus dikembangkan agar kasus aneka tujuan semacam itu bisa ditangani(Siswanto,1990). 3. Transportasi Metode transportasi untuk perencanaan produksi aggregate merupakan model yang sangat sederhana dan mudah untuk digunakan. Tetapi kelemahan model ini ialah bahwa variabel yang dimasukkan kedalam perencanaan produksi (metode produksi dan ongkos) tetap dihitung dengan asumsi linearitas. Selain itu metode ini juga tidak memungkinkan perhitungan dampak atas efek perubahan jumlah
II-21
tenaga kerja ( biaya pemecatan dan rekrut) terhadapa kapasitas maupun ongkos. Oleh sebab itu model ini hanya dapt digunkan dengan asumsi bahwa variasi tenaga kerja diabaikan (ongkos total tidak mengadung biaya rekrut dan pemecatan) disamping juga mengabaikan keterkaitan variasi tenaga kerja dengan kapasitas. Walaupun memiliki beberapa kelemahan, namun kesederhanaan
teknik ini
memungkinkannya untuk menjadi teknik perencanaan agregat yang paling populer 4. Simulasi Permasalahan yang ditangani oleh simulasi mencakup permasalahan mulai dari yang sangat sederhana hingga permasalahan yang sangat kompleks, mulai dari antrian pada ban hingga sebuah analisis ekonomi Amerika Serikat. Walaupun simulasi kecil dapat dilakukan dengan menggunakan tangan, untuk dapat menggunakan teknik simulasi
secara efektif
diperlukan computer. Model
berskala besar, yang mensimulasikan mungkin keputusan bisnis selama beberapa tahun ke depan, hampir seluruhnya ditangani oleh komputer. Metode simulasi memiliki
kelebihan dan juga kekurangan diantaranya
adalah: a. Kelebihan 1. Simulasi secara relatif sederhana dan fleksibel 2. Simulasi dapt digunakan untuk menganalisis situasi dunia nyata yang besar dan kompleks yang tidak bisa dipecahkan oleh model manajemen operasi konvensional. 3. Kerumitan dunia nyata dapat dimasukkan, dimana kerumitan tersebut tidak dapt diatasi oleh sebagian besar model MO lain. Sebagai contoh, simulasi dapat diatasi oleh sebagian besar model MO lain. Sebagai contoh, simulasi dapat menggunakan distribusi probabilitas manapun yang diinginkan oleh pengguna dan tidak memerlukan distribusi standar.
II-22
4. Memungkin adanya faktor pemadatan waktu efek kebijakn MO selama bertahuntahun atau berbulan-bulan dapat diperoleh dengan simulasi komputer dalam waktu singkat. 5. Simulasi memungkinkan pertanyaan bagaimana akibatnya jika. Para manajer ingin mengetahui terlebih dahulu pilihan mana yang menjadi pilihan yang paling menarik. Dengan sebuah model yang terkomputerisasi, seseorang manajer dapt mencoba beberapa keputusan kebijakan dalam waktu hanya beberapa menit. 6. Simulasi tidak bertentangan dengan system dunia nyata. Sebagai contoh, mungkin akan sangat mengganggu, untuk mengadakan percobaan kebijakan atau gagasan baru secara fisik dalam rumah sakit atau bangunan pabrik. 7. Simulasi dapat meneliti efek interaksi antara komponen individu atau variabel untuk menentukana komponen atau variabel yang penting. b. Kekurangan 1. Model
simulasi
yang
baik
bisa
jadi
sangat
mahal
karena
untuk
mengembangkannya dibutuhkan waktu berbulan-bulan. 2. Simulasi merupakan sebuah pendekatan trial and error yang dpat menghasilkan solusi berbeda jika diulangi. Simulasi tidak menghasilkan solusi optimal permasalahan 3. Para manajer harus menetapkan semua kondisi dan kendala untuk solusi yang ingin mereka uji. Model simulasi tidak menghasilkan jawaban tanpa adanya input yang cukup realistis 4. Setiap model simulasi bersifat unik. Solusi sebuah model dan kesimpulannya pada umumnya tidak dapat diterapkan pada persoalan lain, (Heizer & Render, 2004). 2.5
Metode Peramalan Yang Digunakan Dalam Penelitian Ini Metode peramalan dilakukan untuk mengurangi ketidakpastian dalam
memenuhi permintaan produk. Metode yang dipakai diantaranya:
II-23
1. Moving Average Moving average pada suatu periode merupakan peramalan
untuk satu
periode ke depan dari periode rata-rata tersebut. Secara matematis, rumus fungsi peramalan ini adalah:
FT 1 x =
T
X i 1
i
/ T ,…………………………………….(2.5)
Di mana: F = peramalan T = jumlah data Xi = data pengamatan periode i X = nilai rata-rata
2. Exponential Smoothing Pengertian dasar dari metode ini adalah: nilai ramalan pada periode t + 1 merupakan nilai actual pada periode t ditambah dengan penyesuaian yang berasal dari kesalahan nilai ramalan yang terjadi pada periode t tersebut. Nilai peramalan dapat dicari dengan menggunakan rumus berikut: Ft+1 = α.Xt + (1-α).Ft ………………………………………(2.6) Di mana: Xt = data permintaan pada periode t Α = faktor / konstanta pemulusan Ft+1 = peramalan untuk periode t 3. Trend Analisis Bentuk persamaan umum dari rumus trend analisis:
y = a + bx ....................................................................(2.7)
II-24
Dimana :
y = nilai ramalan pada periode ke-t t = waktu /periode dengan menggunakan metode kuadat terkecil (least square method) maka harga konstanta a dan b diperoleh dari persamaan a
2.6
y bX N
N
b=
N XY X . Y N X 2 X
2
…………(2.8)
Pengertian Goal Programming Model Goal Programming merupakan perluasan dari model pemrograman
linear, sehingga seluruh asumsi, notasi, formulasi model matematis, prosedur perumusan model dan penyelesaiannya tidak berbeda. Perbedaan hanya terletak pada kehadiran sepasang variabel deviasional yang akan muncul di fungsi tujuan dan fungsi-fungsi kendala. Program tujuan ganda yang dalam bahasa asingnya dikenal sebagai Goal Programming atau multi objective
Goal Programming (MOGP) merupakan
modifikasi atau variasi khusus dari program linier yang sudah kita kenal. Goal Programming bertujuan untuk meminumkan jarak antara atau deviasi terhadap tujuan, target atau sasaran yang telah ditetapkan dengan usaha yang dapat ditempuh untuk mencapai target atau tujuan tersebut secara memuaskan sesuai dengan syarat ikatan yang ada, yang membatasinya sumber daya yang tersedia, teknologi yang ada, kendala tujuan dan sebagainya. Variabel deviasional berfungsi untuk menampung penyimpangan atau deviasi yang akan terjadi pada nilai ruas kiri suatu persamaan kendala terhadap nilai ruas kanannya. Variabel deviasional terbagi menjadi dua : 1. Variabel deviasional untuk menampung deviasi yang berada di bawah sasaran yang dikehendaki
II-25
2. Variabel deviasional untuk menampung deviasi yang berada di atas sasaran yang dikehendaki. MOGP adalah salah satu model matematis (empiris) yang dipakai sebagai dasar dalam dalam mengambil keputusan karena pendekatan disebut pendekatan kualitatif (Soekartawi,1995) didalam MOGP dipakai untuk menjawab persoalan dalam menyelesaikan berbagai masalah. Didalam MOGP di tuntut untuk berpikir rasional untuk memudahkan perumusan atau formulasi model. Dalam halnya model matematis memang memerlukan kejelasan berpikir rasional agar model yang diformulasikan dapat jelas diikuti. Dalam keadaan seseorang pengambil keputusan dihadapkan kepada persoalan yang mengandung beberapa tujuan di dalamnya. Maka program linier tidak dapat membantu untuk memberikan solusi. Karena pada dasar program linier hanya digunakan untuk satu tujuan saja. (single objective function). Untuk itu diperlukan suatu metode yang bisa memberikan solusi tujuan/tujuan ganda. Goal Programming merupakan untuk meminimumkan
dalam menghadapi beberapa suatu metode yang berusaha
deviasi berbagai tujuan sasaran dan target yang telah
ditetapkan. 2.6.1 Konsep Dasar Goal Programming Goal programming merupakan perluasan dari model linier programming. Oleh karena itu terlebih dahulu dijelaskan tentang linier programming. Linier programming merupakan suatu cara untuk meyelesaikan persoalan pengalokasian sumber-sumber yang terbatas seperti tenaga kerja, bahan baku, jam kerja mesin dan sebaginya dengan cara terbaik yang mungkin dilakukan sehingga diperoleh maksimasi yang dapat berupa maksimasi keuntungan atau maksimasi yang dapat berupa minimasi biaya
Goal Programming memiliki kesamaan dengan programming linier dimana Programan linier adalah sebuah metode matematis yang berkarakterisktik linier untuk menentukan
suatu penyelesaian optimal dengan cara memaksimumkan atau
meminimunkan fungsi tujuan terhadap satu kendala susunan. Model pemrograman
II-26
linier mempunyai tiga unsur utama yaitu variable keputusan, fungsi tujuan dan fungsi kendala. Nasendi dan Affendi (1985) menuliskan bahwa GP dikenalkan pertama kali oleh Charnes dan Cooper. Goal Programming bertujuan untuk meminimumkan jarak antara atau deviasi terhadap tujuan, target atau sasaran yang telah ditetapkan dengan usaha yang dapat ditempuh untuk mencapai target atau tujuan tersebut secara memuaskan sesuai dengan syarat ikatan yang ada, kendala tujuan dan sebagainya. Boppana Chowdary & Jannes Slomp (2002), dalam paper “Production Planning Under Dynamic Product Enviroment : A Multi-objective Goal Programming Approach”, memaparkan bahwa Goal Programming dapat diterapkan secara efektif dalam perencanaan produksi, karena metode Goal Programming potensial untuk menyelesaikan aspek-aspek yang bertentangan antara elemen-elemen dalam perencanaan produksi, yaitu konsumen, produk, dan proses manufaktur.
Sedangkan Buongiorno dan Gilles (1987) menuliskan bahwa dunia nyata penuh dengan berbagai tujuan sebagai target dan sasaran, dengan analisis GP maka kita mencoba untuk memuaskan atau memenuhi target (paling tidak mendekati target) yang telah kita tentukan menurut skala prioritasnya masing-masing. Pada GP selain kendala nyata (real constrain) setiap sasaran diformulasikan ke dalam model sebagai kendala kesamaan yang mengandung peubah simpangan (deviation variable). Model umum dari GP tanpa faktor prioritas di dalam strukturnya adalah sebagai berikut (Nasendi dan Effendi, 1985) Ada beberapa istilah yang digunakan dalam Goal Programming, yaitu: a. Variaabel keputusan (decision variables), adalah seperangkat variable yang tidak diketahui yang berada dibawah control pengambilan keputusan yang berpengaruh, terhadap solusi
permasalahan dan keputusany ang akan diambil biasanya
dilambangkan dengan Xj (j=1,2,3…,n)
II-27
b. Nilai sisi kanan (right hand sides values) merupakan nilai-nilai yang bisanya menunjukkna ketersediaan sumber daya (dilambangkan dengan b 1) yang aan ditentukan kekurangan atau kelebhihan penggunaannya. c. Koefisien teknologi (technology coeffcient) merupakan niali-nilai numeric yang dilambangkan dengan aij yang akan dikombinasikan dengan variables keputusan, dimana akan menunjukkan penggunaan terhadap pemunuhan nilai kanan. d. Variable
deviasional (penyimnbangan) adalah variable yang menunjukkan
kemungkinana penyimpangan-pnenyimpangan negative dan positif dari nilai sisi kanan fungsi tujuan. Varibel penyimpangan positif berfungsi untuk menampung penyimpangan yang berada diatas sasaran. Dalam model Goal Programming dilambangkan dengan di- untuk penyeimpangan negative dan di + dilambangkan dengan di- untuk
untuk
penyimpangan negative dan di + untuk
penyimpangan positif dari nilai sisi kanan tujuan. e. Fungsi tujuan, adalah fungsi matematis dari varibael variabael keputusan yang menunjukkan hubungan dengan nilai sisi kanannya. Dalam goal programming, fungsi tujuan adalah meminimunkan variabel deviasional. f. Fungsi pencapaian, adalah fungsi matematis dari variabel-variabel simpangan yang menyatakan kombinasi sebuah objektif. g. Fungsi tujuan mutlak, merupakan tujuan yang tidak boleh dilanggar dengan pengertian mempunyai penyimpangan positif dan atau negative bernilai nol. Prioritas pencapaian dari fungsi tujuan ini berada pada urutan pertama, solusi yangdapat dihasilakn adalah terpenuhi atau tidak terpenuhi. h. Prioritas, adalah suatu system urutan dari banyaknya tujuan pada model yang memungkinkan tujuan-tujuan tersebut disusun secara ordinal dalam Goal Programming. System urutan
tersebut. Menempatkan tujuan-tujuan tersebut
dalam sususnan dengan hubungan seri. i. Pembobotan merupakan timbangan matematis yang dinyatakan dengan angka ordinal yang digunakan untuk membedakan variabel simpangan I dalam suatu tingkat prioritas.
II-28
2.6.2
Perumusan Masalah Goal Programming Beberapa langkah perumusan permasalahan Goal Programming adalah
sebagai berikut: 1. Penentuan vvariabel keputusan, merupakan dasar dalam pembuatan model keputusan untuk mendapatkan solusi yang dicari. Makin tepat penetuan variabel keputusan akan mempermudah pengambilan keputusan yang dicari. 2. Penentuan fungsi tujuan, yaitu tujuan-tujuan yang ingin dicapai oleh perusahaan. 3. Perumusan fungsi sasaran, dimana setiap tujuan pada sisis kirinya ditambahkan dengan variabel simpangan, baik simpangan positif maupun simpangan negative. Dengan ditambahkannya variabel simpangan, maka bentuk dari fungsi sasaran menjadi fi(xi)+dI - di+=bi. 4. Penentuan prioritas utama. Pada langkah ini dibuat urutan dari tujuan-tujuan. Penentuan tujuan ini tergantung pada hal-hal berikut: a. Keinginana dari pengambil keputusan b. Keterbatasan sumber-sumber yang ada. 5. Penentuan pembobotan. Pada taha ini merupakan kunci dalam mennetukan urutan dalam suatu tujuan dibandingkan dengan tujuan yang lain. 6. Penentuan fungsi pencapaian.
Dalam hal ini yang menjadi kuncinya adalah
memilih varibael simpangan
yang benar untuk dimasukkan dalam fungsi
pencapaian dalam memformulasikan
fungsi pencapaian adalah menggabungkan
setiap tujuan yang berbentuk menimasi beriabel penyimpangan sesuai dengan prioritasnya. 7. Penyelesaian model Goal Programming dengan Metodologi solusi. 2.6.3 Model Umum Goal Programming Misalnya dalam perusahaan teredapat keadaan, Z
= C1X1 + C2X2 + C3X3 + …….CiXi\
ST
= a1X1 + a2X2 + a3X3+…….. aiXi ≤ Yi
II-29
b1X1 + b2X2 + b3X3+…….. biXi ≤ Di…………………………… (2.1) dimana : Z
: Fungsi tujuan
ST
: Jumlah produk I yang diproduksi
Xi
: Jumlah tenaga kerja yang tersedia
Yi
: Jumlah tenaga kerja yang tersedia.
Di
: Jumlah bahan baku yang tersedia.
Maka hal ini dapat diselsesaikan dengan model Goal Programming sebagai berikut: Min Z= P1(d1++ d1-) +P1(d1++ d1-)+…..+ Pi(di++ di-) ST: n
aiXi+ d1++ d1- ≤ Yi
i 1
n
biXi + d1++ d1- ≤ Di………………………………………….(2.2)
i 1
Dimana : Pi
= Tujuan-tujuan yang ingin dicapai
d1 +
= Penyimpangan negative
d1 -
= Penyimpangan positif.
II-30
BAB III METODOLOGI PENELITIAN
Gambar 3.1 Flow Chart Metodologi Penelitian
Pada bab ini akan diuraikan metodologi penelitian atau tahap-tahap penelitian yang akan dilalui dari awal sampai akhir. Metodologi penelitian perlu
III-1
ditentukan terlebih dahulu, Setiap penelitian dapat dikatakan signifikan apabila langkah-langkah yang ditempuh dapat dikategorikan tepat. Selain itu, untuk mendapatkan hasil penelitian yang baik, diperlukan urutan tahapan penelitian yang tepat dan jelas. Langkah-langkah penelitian yang dilakukan mulai dari observasi awal (pengamatan pendahuluan) sampai dengan penarikan kesimpulan dan saran yang diterangkan melalui sub-sub bab di bawah ini : 3.1
Pengamatan Pendahuluan Pengamatan pendahuluan dilakukan melalui pengamatan terhadap situasi
dan kondisi dari PT. Riau Crumb Rubber Factory-Rumbai. Pengamatan dilakukan untuk memperoleh informasi-informasi mengenai perencanaan produksi yang diterapkan oleh perusahaan. Dari hasil pengamatan pendahuluan tersebut, penulis menemukan fenomena permasalahan, dimana terdapat permintaan yang berfluktuatif, dengan kondisi berfluktuatif ini perusahaan mengalami kesulitan dalam melakukan perencanaan produksi yang tepat. Setelah penulis menemukan fenomena permasalahan, maka selanjutnya penulis membuat judul penelitian yaitu “Optimalisasi Perencanaan
produksi dengan menggunakan metode Goal
Programming pada PT. Riau Crumb Rubber Factory.” 3.2
Studi Pustaka Studi Pustaka dilakukan dengan tujuan untuk memperoleh teori-teori yang
sesuai dengan permasalahan yang diteliti, sehingga mencapai tujuan penulisan. Secara umum fungsi studi kepustakaan adalah untuk mempertajam permasalahan, mencari dukungan fakta, informasi atau teori-teori dalam menentukan landasan teori atau kerangka berpikir. Penulis menjadikan skripsi/tugas akhir, jurnal ilmiah dan buku-buku literatur sebagai bahan untuk studi pustaka. Teori-teori yang mendukung perencanaan agregat dan tentang goal programming. 3.3
Identifikasi Masalah Tahap ini merupakan suatu kegiatan berupa mencari sebanyak-banyaknya
masalah yang sekiranya dapat dicarikan jawabannya melalui penelitian. Pencarian masalah-masalah ini tertumpu pada masalah pokok yang tercermin pada bagian latar belakang masalah di atas.
III-2
Dari hasil pengamatan pendahuluan yang dilakukan, peneliti menemukan adanya masalah yang terjadi pada PT. Riau Crumb Rubber Factory terutama berkaitan dengan perencanaan produksi. Untuk itu perlu dilakukan penelitian mengenai perencanaan agregat dengan menggunakan metode goal programming pada PT. Riau Crumb Rubber Factory. 3.4
Perumusan Masalah Kriteria penelitian yang baik menghendaki rumusan masalah atau
pertanyaan penelitian yang jelas dan tidak ambiguitas. Agar memudahkan peneliti dalam menentukan konsep-konsep teoritis yang ditelaah dan memilih metode penguji data yang tepat, masalah penelitian sebaiknya dinyatakan dalam bentuk pertanyaan yang mengekspresikan secara jelas hubungan antara dua variabel atau lebih. Berdasarkan identifikasi masalah yang ada, maka dapat dirumuskan permasalahan pada penelitian ini adalah bagaimana menentukan produksi yang tepat
untuk
mengatasi
permintaaan
yang
berfluktuasi
dan
bagaimana
mengoptimalkan biaya produksi? 3.5
Menetapkan Tujuan Penelitian Setelah merumuskan masalah yang didapat dari hasil identifikasi masalah
maka dapat ditentukan tujuan yang akan dilakukan untuk menjawab masalahmasalah yang telah dirumuskan yaitu ádalah melakukan perencanaan produksi tepat untuk mengatasi permintaan yang berfluktuasi dan juga melakukan perencanaan produksi yang efektif dan efisien. 3.6
Pengumpulan Data Data merupakan salah satu komponen penelitian yang penting, data yang
akan digunakan dalam riset haruslah data yang akurat karena data yang tidak akurat akan menghasilkan informasi yang salah. Dalam penelitian ini data yang dibutuhkan adalah data primer dan data sekunder. 3.6.1 Pengumpulan Data Primer Data primer dalam penelitian ini adalah Data jam kerja reguler, biaya tenaga kerja, dan data tentang proses produksi.
III-3
3.6.2 Pengumpulan Data Sekunder Data sekunder : Profil Perusahaan, data permintaan produk dan data bahan baku. 3.7
Pengolahan Data Berdasarkan data-data
yang telah dikumpulkan dari perusahaan,
selanjutnya penulis melakukan pengolahan data. Pengolahan data dalam penelitian ini mengikuti tahap-tahap berikut : 1.
Forecasting
2. Metode peramalan: trend analisis,moving average, dan exponential smoothing 3. Verifikasi Peramalan 4. Perhitungan MAD, MSE, Bias, Standar Error dan SEE 5. Perhitungan goal programming dengan menggunanakan software Lingo 3.8
Analisa Setelah pengolahan data dilakukan, maka tahap selanjutnya adalah
dilakukan analisa terhadap hasil pengolahan data. Analisa dilakukan terhadap perencanaan produksi yang menggunakan metode goal programming. 3.9
Kesimpulan dan Saran Tahap akhir penelitian adalah membuat kesimpulan dari hasil penelitian
berdasarkan tujuan yang ingin dicapai. Pada penelitian ini akan diketahui perencanaan produksi
yang tempat setelah menggunakan metode goal
programming
III-4
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1.
Pengumpulan data
4.1.1
Sejarah Singkat Perusahaan PT. RIAU CRUMB RUBBER FACTOY (RICRY) adalah perusahaan yang
bergerak dalam pengolahan awal karet mentah (ojol) menjadi barang setengah jadi (crumb rubber/karet remah) yang kemudian diekspor ke luar negeri. Perusahaan ini didirikan pada tahun 1969 dan merupakan perusahaan PMDN (Penanaman Modal Dalam Negeri). PT. beralamat di Jl. Yos Sudarso, rumbai, pekanbaru. Jenis produk yang dihasilkan yaitu crumb rubber SIR-10 dan SIR-20 (Standard Indonesia Rubber). Yang membedakan antara kedua SIR ini adalah kadar air yang berbeda. Hal ini sesuai dengan permintaan perusahaan tujuan ekspor. Kapasitas mesin adalah 1.500 ton per bulan sedangkan hasil produksi rata-rata 900 ton per bulan. Mesin yang digunakan beroperasi dengan menggunakan pembangkit energi PLN 1.250 KVA. Adapun data jumlah karyawan PT. RICRY adalah sebagai berikut: 1. Bagian penerimaan bahan baku karet
: 25
orang
2. Gudang bahan
:6
orang
3. Produksi proses basah
: 66
orang
4. Produksi proses kering
: 80
orang
5. Gudang barang jadi/ekspor
:8
orang:
6. Laboraorium
:8
orang
7. Satpam
: 10
orang
8. Perawatan/mekanik
: 20
orang
9. Tata usaha/administrasi
: 40
orang
10.Tenaga harian (lain-lain)
: 80
orang
343
orang
IV-1
4.1.2
Struktur Organisasi Struktur organisasi PT. RICRY adalah sebagai berikut: Direktur
Staf keuangan dan Pembukuan Staff Administrasi Ekspor
Manajer Pabrik/ Wakil Manajemen
Kabag. Gudang Ekspor
Direktur Pembelian
Kabag. Personalia
Petugas Administrasi
Kabag. Produksi Ka. Mandor Basah Petugas Limbah
Proses
Petugas Sortir
Kabag. Lab/Assisten wak. Manajemen
Pengelolahan
Ka. Mandor Proses Pengeringan Udara Ka. (Wakil mandor) Pengeringan Dryer
Kabag. Gudang Bahan Penolong
Petugas K3
Kabag. Gudang Basah & Timbang Kabag. Bengkel
Ka. Pengawas Pengemasan
Petugas Operator Bagian Listrik Petugas Ruang listrik
Sumber : PT. Riau Crumb Rubber Factory (2011) Gambar 4.1 Struktur Organisasi
IV-2
4.1.3
Proses Produksi
4.1.3.1 Proses Produksi Basah Adapun proses produksi yang terjadi adalah sebagai berikut: 1. Dari gudang bahan baku, karet di koyak dan dicuci dengan menggunakan pre breaker yang berjumlah 3 unit. 2. kemudian karet dihancurkan menjadi kepingan kecil dengan menggunakan hammermill. Alat ini berjumlah 6 unit. Disini karet dicuci lebih bersih lagi. 3. Setelah karet dihancurkan, kemudian karet dibuat
memanjang dalam bentuk
lembaran-lembaran dan dibersihkan tahap akhir dengan mnggunakan creaper dengan cara digiling. 4. Karet yang telah digiling tadi lembarannya digantung di ruang gantungan (ruang pengeringan udara) selama 20 hari. 5. Setelah lembaran karet kering, kemudian lembaran karet tersebut dipotong dan dihancurkan menjadi butiran kecil seperti butiran jagung menggunakan Hi-Speed Cutter. 4.1.3.2 Proses Produksi Kering Setelah proses basah selesai, kemudian dilakukan proses produksi kering, adapun proses yang terjadi dalam proses produksi kering adalah saebagai berikut: Karet yang telah dihancurkan oleh Cutter dimasukkan kedryer dengan diisi kedalam troly dan dimasak selama 2,5 jam s/d 3 jam dengan suhu 140 0C. Karet yang telah dimasak dipress dengan masing-masing bal seberat 35 Kg, ukuran bal panjang 710 mm x lebar 360 mm x tinggi 160 mm. setelah dipress dimasukkan ke dalam kantong plastik, dan dimasukkan lagi ke dalam peti sebanyak 36 bal untuk satu peti = 1260 Kg (barang jadi ready for export).
IV-3
4.2. Data harga pokok dan harga penjualan Tabel 4.1 Harga Pokok dan Harga Penjualan Jenis sir 10 sir 20
Harga Harga Pokok Penjualan Keuntungan Rp2.2000,00 Rp25.000,00 Rp3.000,00 Rp22.500,00 Rp24.500,00 Rp2.000,00
Sumber : PT. Riau Crumb Rubber Factory (2011) 4.3.
Waktu Penyelesaian Produk Tabel 4.2 Waktu Penyelesaian Produk Jenis Produk SIR 10 SIR 20
Sumber
Produk Yang Dikerjakan (Kg) 2000 3000
Waktu 60 60
: PT. Riau Crumb Rubber Factory (2011)
4.4.
Pengolahan data Dalam melakukan pengolahan data ini, dimulai dari peramalan permintaan
(forecasting). Dalam tahap ini peramalan dilakukan dengan menggunakan tiga metode Moving average, Eksponential smoothing dan Trend Analisis. Dengan langkah-langkah peramalan yang dapat dilakukan untuk meramalkan produk, diantaranya: 1. Menentukan tujuan peramalan Tujuan peramalan adalah untuk meramalkan jumlah permintaan tiap produk pada periode 2011 2. Membuat diagram pencar Bertujuan untuk melihat trend data masa lalu sebagai acuan utnuk memilih metode peramalan. Diagram penjualan crumb rubber untuk tiap jenis produk pada periode 2008-2010. 3. Memilih metode peramalan
IV-4
Pemilihan metode peramalan dilakukan setelah diperoleh model pola data. Dari model pola data penjualan crumb rubber adalah metode moving average eksponential smoothing dan trend analisis. 4. Menghitung parameter peramalan 4.5.
Peramalan Data permintaan merupakan data yang beridsi permintaan pada masa yang
lalu yangakan digunkaan utnuk meramakan permintaan yang akan datang. Sebelum melukukan peramalan, data yang ada diplot terluebih dahulu untuk melihat fluktuasi dari permintfaan dan untuk menentukan meotde peramalan yang aman yang cocok berdasarkan kecendurungan dari data yang telah diplot. Berikut adalah plot datanya:
Gambar 4.2 Plot Data SIR 10
IV-5
Gambar 4.3 Plot Data SIR 20 4.5.1
Menggunakan Metode Moving Average
4.5.1.1 Periode 1 Untuk Sir 10 a.
Secara Manual
(A F ) t
1. Standar error =
t
2
n2
Standard Error =
(678,195 583,875)
2
..... (1,423,413 1317850) 2 35 2
= 437.199.5911 2. MAD
= =
At Ft n
12.191.282 35
= 348.322 3. MSE
=
At Ft 2 n
IV-6
=
6.307.734.920.204 35
= 180.220.997.720 4. Bias
= =
( Dt Ft ) n
839,538 35
= 23.987 Dengan menggunakan rumus ini :
FT 1 x =
T
X i 1
i
/ T , maka didapat :
a. Untuk bulan Februari adalah : Nilai forecast
=
D 583.875 = T 1
= 583.875 Nilai error
= (D – F) =678.195-583.875= 94.320
Nilai error
= 94.320
Nilai error2
= 8.896.262.400
b. Untuk bulan Maret adalah : Nilai forecast
=
D 678,195 = T 1
= 678,195 Nilai error
= (D – F) = 1.170.945-678.195 = 492.750
Nilai error
= 492.750
Nilai error2
= 242.802.562.500
IV-7
c. Untuk bulan April adalah : Nilai forecast
=
D 1,170,945 = T 1
= 1,170,945 Nilai error
= (D – F) = 678.195-1.170.945 = -492.750
Nilai error
= 492.750
Nilai error2
= 242.802.562.500
b. Secara Software Q.M Windows 2.1 Tabel 4.3 Hasil Output Software
IV-8
Tabel 4.4 Hasil Output Software (lanjutan)
Tabel 4.5 Hasil Output Software (lanjutan)
Tabel 4.6 Hasil Output Software bias, mad, mse dan se
IV-9
Gambar 4.4 Grafik Peramalaan Software QM For Windows 4.5.1.2 periode 2 untuk sir 10 a.
Secara Manual
(A F ) t
Standar error
=
Standard Error
=
(1,170,945 631035)
t
2
n2
2
..... (1,423,413 1055203) 2 34 2
= 358.963,2873 1. MAD = =
At Ft n
9.686.949 34
= 284.910 2. MSE = =
2 At Ft
n
4.123.348.531,149 34
= 121.274.956.798 3. Bias =
( Dt Ft ) n
IV-10
=
1.112.206 34
= 32.712 Dengan menggunakan rumus ini :
FT 1 x =
T
X i 1
i
/ T , maka didapat :
1. Untuk bulan Maret adalah : Nilai forecast
=
D 583,875 678,195 = T 2
= 631.035 Nilai error
= (D – F) = 1,170,945-631035 = 539.910
Nilai error
= 539.910
Nilai error2
= 291.502.808.100
2. Untuk bulan april adalah : Nilai forecast
=
D 678.195 1.170.945 = T 2
= 924.570 Nilai error
= (D – F) = 678.195-924.570 = -246.375
Nilai error
= 246.375
Nilai error2
= 60.700.640.625
3. Untuk bulan mei adalah : Nilai forecast
=
D 1.170.945 678.195 = T 2
= 924.570 Nilai error = (D – F) = 792,556-924570
IV-11
= -132.014 Nilai error
= 132.014
Nilai error2
= 17.427.696.196
b. Secara Software Q.M Windows 2.1 Tabel 4.7 Hasil Output Software
IV-12
Tabel 4.8 Hasil Output Software (lanjutan)
Tabel 4.9 Hasil Output Software (lanjutan)
Tabel 4.10 Hasil Output Software bias, mad, mse dan se
IV-13
Gambar 4.5 Grafik Peramalaan Software QM For Windows 4.5.1.3 Periode 1 Untuk SIR 20 a. Secara Manual
(A F ) t
t
2
n2
1. Standar error = Standard Error =
(673.325 522.955)
2
..... (1.008.950 1429.250) 2 35 2
= 357.271,2163 2. MAD = =
At Ft n
10.106.979 35
= 288.771 3. MSE = =
At Ft 2 n
4.212.209. 826.453 35
= 120.348.852.184 4. Bias =
( Dt Ft ) n
IV-14
=
485.995 35
= 13.886 Dengan menggunakan rumus ini :
FT 1 x =
T
X i 1
i
/ T , maka didapat :
a. Untuk bulan Februari adalah : Nilai forecast
=
D 522.955 = T 1
= 522.955 Nilai error
= (D – F) = 673.325- 522.955 = 150.370
Nilai error
= 150.370
Nilai error2
= 22.611.136.900
b. Untuk bulan Maret adalah : Nilai forecast
=
D 673325 = T 1
= 673325 Nilai error
= (D – F) = 673325- 522955 = -120,995
Nilai error
= 120,995
Nilai error2
= 14,639,790,025
Untuk bulan April adalah : Nilai forecast
=
D 522955 = T 1
= 522955 Nilai error = (D – F) = 1,117,920 -552330 = 565,590
IV-15
Nilai error
= 565,590
Nilai error2
= 319,892,048,100
b. Secara Software Q.M Windows 2.1 Tabel 4.11 Hasil Output Software
Tabel 4.12 Hasil Output Software (lanjutan)
IV-16
Tabel 4.13 Hasil Output Software (lanjutan)
Tabel 4.14 Hasil Output Software bias, mad, mse dan se
Gambar 4.6 Grafik Peramalaan Software QM For Windows 4.5.1.4 Periode 2 untuk SIR 20 a. Secara Manual 1. Standar error =
(A
t
Ft ) 2
n f
IV-17
Standard Error =
(552.330 598.140)
2
..... (1.008.950 1.152.065) 2 34 2
= 339.181.3622 2. MAD
At Ft n
= =
9.633.030 34
= 283.324 3. MSE
= =
At Ft 2 n
3,681,407, 887,175 34
= 108.276.702.564 4. Bias
= =
( Dt Ft ) n
788.773 34
= 23.199 Dengan menggunakan rumus ini :
FT 1 x =
T
X i 1
i
/ T , maka didapat :
1. Untuk bulan Maret adalah : Nilai forecast
=
D 522.,955 673.325 = T 2
= 1.180.635 Nilai error
= (D – F) = 1.177.717- 1.180.635 = -45,810
IV-18
Nilai
error
Nilai error2
= -45.810
= 8.514.724
2. Untuk bulan april adalah : Nilai forecast
=
D 673,325 552,330 = T 2
= 1.232.831 Nilai error
= (D – F) = 1.239.440-1.232.831 = 505,093
Nilai error
= 505,093
Nilai error2
= 255.118.433.556
3. Untuk bulan mei adalah : Nilai forecast
=
D 552,330 1,117,920 = T 2
= 835.125 Nilai error
= (D – F) = 505.215-835.125 = -329.910
Nilai error
= 329.910
Nilai error2
= 108.840.608.100
IV-19
b. Secara Software Q.M Windows 2.1 Tabel 4.16 Hasil Output Software
Tabel 4.17 Hasil Output Software (lanjutan)
IV-20
Tabel 4.18 Hasil Output Software (lanjutan)
Tabel 4.19 Hasil Output Software bias, mad, mse dan se
Gambar 4.7 Grafik Peramalaan Software QM For Windows
IV-21
4.5.2 Peramalan Menggunakan Metode Metode Exponential Smoothing 4.5.2.1 Penggolahan dengan Menggunakan Metode Exponential Smoothing ( = 0,25) untuk sir 10 a.
Secara manual 1. Standar error
(A
t
=
Standard Error
Ft ) 2
n f
=
(678.195 583.875)
2
..... (1.423.413 1033019.377) 2 34 2
= 331.267,9123 MAD
At Ft n
= =
9029591.735 35
= 257.988,3353 MSE
= =
At Ft 2 n
3,621,368,181,947 35
= 103.467.662.341 Bias
= =
( Dt Ft ) n
2.186.971 35
= 62.485
Periode bulan Februari FT-1
= Ft + ( Xt – Ft) = 583.875+ 0,25 (583.875– 583.875) = 1.328.235
IV-22
Nilai error (bias)
= 678.195– 583.875 = 94.320
Nilai error mutlak
= 94.320
Nilai error kuadrat
= 8.896.262.400
b. Secara Software Q.M Windows 2.1 Tabel 4.20 Hasil Output Software
IV-23
Tabel 4.21 Hasil Output Software (lanjutan)
Tabel 4.22 Hasil Output Software (lanjutan)
Tabel 4.23 Hasil Output Software bias, mad, mse dan se
IV-24
Gambar 4.8 Grafik Peramalaan Software QM For Windows 4.5.2.2 Penggolahan dengan Menggunakan Metode Exponential Smoothing ( = 0,5) untuk sir 10 a. Secara manual
(A
t
Ft ) 2
n f
1. Standar error = Standard Error =
(678,195 583875)
2
..... (1,423,413 1127027.4) 2 35 2
= 350.970.572 2.
MAD =
=
At Ft n
9617098.285 35
= 274.774,2367 3.
MSE =
=
2 At Ft
n
3.500.149. 110.994 35
= 100.004.260.314,13
IV-25
4.
Bias = =
( Dt Ft ) n
1.382.690 35
= 39.505
Periode bulan Februari FT-1
= Ft + ( Xt – Ft) = 583.875+ 0.5 (583.875-583.875) = 583.875
Nilai error (bias)
= 678.195- 583.875 = 94.320
Nilai error mutlak
= 94,320
Nilai error kuadrat
= 8.896.262.400
Tabel 4.24 Hasil Output Software
IV-26
Tabel 4.25 Hasil Output Software (lanjutan)
Tabel 4.26 Hasil Output Software (lanjutan)
Tabel 4.27 Hasil Output Software bias, mad, mse dan se
IV-27
Gambar 4.9 Grafik Peramalaan Software QM For Windows 4.5.2.3 Penggolahan dengan Menggunakan Metode Exponential Smoothing ( = 0,75) untuk sir 10 a.
Secara manual
(A
t
1. Standar error =
Ft ) 2
n f
Standard Error =
(678,195 583875)
2
..... (1,423,413 1208129.34) 2 35 2
= 384.761,2064 2. MAD = =
At Ft n
10.534.170,06 35
= 300.976,2875 3. MSE
= =
At Ft 2 n
4,885,359,137,314 35
= 139,581,689,638
IV-28
4. Bias
=
=
( Dt Ft ) n
- 1,047,623 = 29,932 35
Periode bulan maret FT-1 = Ft + ( Xt – Ft) = 583.875+ 0,75 (678.195-583.875) = 607.455
Nilai error (bias)
= 1.170.945- 607455 = 563.490
Nilai error mutlak
= 563.490
Nilai error kuadrat
= 317.520.980.100
Tabel 4.28 Hasil Output Software
IV-29
Tabel 4.29 Hasil Output Software (lanjutan)
Tabel 4.30 Hasil Output Software (lanjutan)
Tabel 4.31 Hasil Output Software bias, mad, mse dan se
IV-30
Gambar 4.10 Grafik Peramalaan Software QM For Windows 4.5.2.4 Penggolahan dengan Menggunakan Metode Exponential Smoothing ( = 0,25) untuk sir 20 a. Secara manual
( A F ) t
1. Standar error =
t
2
n f
Standard Error =
(673.325 522.955)
2
..... (1.008.950 989.145,5329) 2 35 2
= 276.758,2928 2. MAD
At Ft n
= =
7.271.857. 817 35
= 207.767,3662 3. MSE
= =
At Ft 2 n
2.527.640.037.078 35
= 72.218.286.774 4. Bias
=
( Dt Ft ) n
IV-31
=
1,884,567 35
= 53.845
Periode bulan maret FT-1
= Ft + ( Xt – Ft) = 522.955+ 0,25 (1.073.325– 522.955) = 560.547.5 Nilai error (bias)
= 1287945– 1073325 = -8.218
Nilai error mutlak = 8.218 Nilai error kuadrat = 46.061.744.400 b. Secara Software Q.M Windows 2.1 Tabel 4.32 Hasil Output Software
IV-32
Tabel 4.33 Hasil Output Software (lanjutan)
Tabel 4.34 Hasil Output Software (lanjutan)
Tabel 4.35 Hasil Output Software bias, mad, mse dan se
IV-33
Gambar 4.11 Grafik Peramalaan Software QM For Windows 4.5.2.5 Penggolahan dengan Menggunakan Metode Exponential Smoothing ( = 0,5) untuk sir 20 a. Secara manual
( A F ) t
1. Standar error =
t
2
n f
Standard Error =
(673,325 522955)
2
..... (1,008,950 1125973.252) 2 35 2
= 299186.6909 2. MAD = =
At Ft n
8471309.697 35
= 242037.4199 3. MSE= =
At Ft 2 n
2,953,918,307,854 35
= 84.397.665.938,69
IV-34
4. Bias =
=
( Dt Ft ) n
1.089.013 35
= 31.115
Periode bulan Maret FT-1
= Ft + ( Xt – Ft) = 522.955+ 0.25 (673.325– 522.955) = 598.140
Nilai error (bias)
= 552,330– 560547.5 = -8.218
Nilai error mutlak = 8.218 Nilai error kuadrat = 67.527.306 b. Secara Software Q.M Windows 2.1 Tabel 4.36 Hasil Output Software
IV-35
Tabel 4.37 Hasil Output Software (lanjutan)
Tabel 4.38 Hasil Output Software (lanjutan)
Tabel 4.39 Hasil Output Software bias, mad, mse dan se
IV-36
Gambar 4.12 Grafik Peramalaan Software QM For Windows
4.5.2.6 Penggolahan dengan Menggunakan Metode Exponential Smoothing ( = 0,75) untuk sir 20 a. Secara manual
( A F ) t
1. Standar error =
t
2
n f
Standard Error =
(673,325 522955)
2
..... (1,008,950 1280811.874) 2 35 2
= 326.819.032 2. MAD = =
At Ft n
9.360.672. 186 35
= 267.447,7767 3. MSE=
2 At Ft
n
=
3.524.752. 429.523 35
= 100.707.212.272 4. Bias =
( Dt Ft ) n
IV-37
=
738.614 35
= 21.103
Periode bulan Februari FT-1
= Ft + ( Xt – Ft) = 522.955+ 0,25 (673.325– 522.955) = 635.732.5
Nilai error (bias)
= 1287.945– 1073.325 = -83.403
Nilai error mutlak
= 83.403
Nilai error kuadrat
= 6.955.977.006
b. Secara Software Q.M Windows 2.1 Tabel 4.40 Hasil Output Software
IV-38
Tabel 4.41 Hasil Output Software (lanjutan)
Tabel 4.42 Hasil Output Software (lanjutan)
Tabel 4.43 Hasil Output Software Bias, MAD, MSE dan SE
IV-39
Gambar 4.13 Grafik Peramalaan Software QM For Windows 4.5.3 Peramalan Menggunakan Metode Trend Analisis Metode Linear Regression menggunakan parameter dependent (y) dan independent (x). Bulan sebagai parameter independent dan permintaan sebagai parameter dependent. 4.5.3.1 Hasil Forecast Secara Manual Untuk SIR 10
y = a + bx
Dimana : a
y b X N
b=
N
N XY X . Y N X 2 X
2
Tabel 4.44 Data Perhitungan Manual SIR 10 x
Y
x.y
x2
1
583.875
583.875
1
2
678.195
1.356.390
4
3
1.170.945
3.512.835
9
4
678.195
2.712.780
16
5
792.556
3.962.780
25
6
503.155
3.018.930
36
7
683.725
4.786.075
49
8
1.217.850
9.742.800
64
9
828.235
7.454.115
81
10
918.485
9184.85 100
IV-40
Tabel 4.45 Data Perhitungan Manual sir 10
Diketahui :
X Y
x
Y
x.y
11
934.75
10.282.250
121
12
1.424.415
17.092.980
144
13
586.195
7.620.535
169
14
724.165
10.138.310
196
15
587.62
8.814.300
225
16
583.875
9.342.000
256
17
1.291.460
21.954.820
289
18
597.135
10.748.430
324
19
717.155
13.625.945
361
20
1.337.130
26.742.600
400
21
891.76
18.726.960
441
22
1.402.692
30.859.224
484
23
514.175
11.826.025
529
24
527.228
12.653.472
576
25
728.235
18.205.875
625
26
574.75
14.943.500
676
27
727.15
19.633.050
729
28
703.155
19.688.340
784
29
1.218.485
35.336.065
841
30
767.27
23.018.100
900
31
1.270.945
39.399.295
961
32
824.165
26.373.280 1.024
33
1.214.465
40.077.345 1.089
34
792,556
26.946.904 1.156
35
1.317.850
46.124.750 1.225
36
1.423.413
51.242.868 1.296
31.737.410
617.732.653 16.21
= 666 = 31.737.410
x2
X = 16.206 XY = 617.732.653 2
IV-41
X
2
Y
= 443.556
X
= 18,5
= 7.222.123
N
= 36
Sehingga diperoleh persamaan sebagai berikut: b=
36(617.732.65 3) (666)(31.737.410 ) = 7874,02 36(16.206) 443.556
a=
25996428 666 = 735.925.352 (4332,36) 36 36
yˆ a + b(x) = 735.925.352+ 7.874.02 (x) 1. Untuk Bulan Januari adalah : Nilai Forecast = 735925.352+ 7874.02 (1) = 797.939,3 2. Untuk Bulan Februari adalah : Nilai Forecast = 735.925.352+ 7.874.02 (2) = 793.606,9 3. Untuk Bulan Maret adalah : Nilai Forecast = 735 .925.352+ 7.874.02 (3) = 789.274,58 Perhitungan nilai-nilai akurasi peramalan :
(A
t
1. Standar error =
Ft ) 2
n f
Standard Error =
(1.328.235 797.939.3)
2
..... (703.155 646.306.7) 2
36 2
= 296025.6 2. MAD
=
MAD
=
MSE
=
At Ft n
9024342 = 250.676.16 36
( At Ft ) 2 n
IV-42
=
MSE
( At Ft ) 2 2979459.13 2.350 = n 36
= 82.762.753.676,38 3. BIAS
=
BIAS =
( At Ft ) n
(1.328.235 797.939,3 ) ..... (703.155 646.306.7 ) 36
= -0,019 Tabel 4.46 Hasil Output Software Trend Analisis
Tabel 4.47 Hasil Output Software Trend Analisis SIR 10 (lanjutan)
IV-43
Tabel 4.48 Hasil Output Software Trend Analisis SIR 10 (lanjutan)
Tabel 4.49 Hasil Output Software Trend Analisis SIR 10 (lanjutan)
Gambar 4.14 Grafik Peramalaan Software QM For Windows
4.5.3.2 Hasil Forecast Secara Manual Untuk SIR 20
y = a + bx
IV-44
Dimana : a
y b X N
b=
N
N XY X . Y N X 2 X
2
Tabel 4.50 Perhitungan Manual Untuk SIR 20 x
Y
x.y
1
522.955
673.325
1
2
673.325
1.455.890
4
3
552.33
4
1.117.920
3.757.760
16
5
505.215
3.436.045
25
6
405.185
2.431.110
36
7
746.83
5.227.810
49
8
1.268.220
10.695.920
64
9
578.717
11.413.980
81
10
727.945
6.436.050
100
11
1.033.895
12.297.120
121
12
812.685
6.874.860
144
13
687.209
6.567.795
169
14
1.336.990
16338.63
196
15
767.96
12.915.855
225
16
643,958
100.889.040
256
17
982.332
16.699.644
289
18
710.867
11.591.244
324
19
1.090.892
20.726.948
361
20
889.448
17.788.960
400
21
935.435
19.644.135
441
22
1.102.592
22.745.690
484
23
589.08
12.027.965
529
24
572,905
19.504.440
576
25
861.057
19.199.000
625
26
939.44
37.160.500
676
27
1.203.690
19.193.409
729
1.736.151
x2
9
IV-45
Tabel 4.51 data perhitungan (sambungan) x
Y
x.y
x2
28
718.2
15.465.240
784
29
1.107.294
32.111.526
841
30
643.605
36.110.700
900
31
929.865
18.261.480
961
32
674.88
27.996.160
1024
33
705.565
23.700.600
1089
34
874.88
37.488.128
1156
35
1.429.250
32.545.275
1225
36
1.008.950
36.322.200
1296
30.351.566 679.430.585 16206
Diketahui :
X Y X Y
= 30.351.566
X = 16206 XY = 679.430.585
= 443.556
X
= 18,5
= 1.257.850.417
N
= 36
2
= 666
2
Sehingga diperoleh persamaan sebagai berikut: b=
36(815.644.22 9) (666)( 45.282.615 ) = -5684.46551 36(16.206) 443.556
a=
25.996.428 666 = 45.387.777.61 (77546,0774) 36 36
yˆ a + b(x) Nilai Forecast
= 45.387.777.61+ -5684,46551 (x)
1. Untuk Bulan Januari adalah : Nilai Forecast = 45.387.777.61+ -5684,46551(1) = 45.382.093.14
IV-46
2. Untuk Bulan Februari adalah : Nilai Forecast = 45387777.61+ -5684.46551 (2) = 45376408.68 3. Untuk Bulan Maret adalah : Nilai Forecast = 45387777.61+ -5684.46551 (3) = 45370724.21 Perhitungan nilai-nilai akurasi peramalan :
(A
t
1. Standar error =
Ft ) 2
n f
Standard Error =
(1073325 1357328.564)
2
..... (1008950 1158372.272) 2
36 2
= 241,690 2. MAD = MAD = 3. MSE = MSE =
At Ft n
11524770 = 189,108.1 36
( At Ft ) 2 n
( At Ft ) 2 6,547.318.818.449 = 36 n
= 55,168,820,000 4.
BIAS =
( At Ft ) n
BIAS =
(1073325 1357328.56 4) ..... (1008950 1158372.27 2) 36
= 0.1563
IV-47
Tabel 4.52 Hasil Output Software
Tabel 4.53 Hasil Output Software (lanjutan)
Tabel 4.54 Hasil Output Software (lanjutan)
IV-48
Tabel 4.55 Hasil Output Software bias, MAD, MSE dan SE
Gambar 4.14 Grafik Peramalaan Software QM For Windows 4.6
Hasil Peramalan Terpilih Setelah dilakukan peramalan permintaaan, maka akan dipilih peramalan yang
terbaik yaitu yang lebih akurat. Peramalan dikatakan baik apabila nilai-nilai MAD,MSE,Bias dan SE mendekati nol. Berikut rekapitulasi hasil peramalan. Tabel 4.56 Rekapitulasi Hasil Peramalan Karet Sir 10 Peramalan sir10 bias MAD MSE SE
Moving Average (I bulan)
23.986.80
Moving Average (2 bulan)
32.711.93
eksponential smoothing Alpha 0,25
62.484.96
Eksponential Smoothing Alpha 0,5
eksponential smoothing Alpha 0,75
39.505.44
Trend Analisis
29,932
-0.0191
348.322.30
284,909
257.987.70
274.771.80
300.973.50
250.676.20
180.220.400.000
121.273.100.000
103.466.400.000
116.140.300.000
139.580.700.000
82.762.760.000
437.199
358.960.60
331.266
350.968.80
384.759.90
296,025.60
IV-49
Tabel 4.57 Rekapitulasi Hasil Peramalan Karet Sir 20 Peramalan Moving Average (I bulan)
sir20
bias MAD MSE SE
Moving Average (2 bulan)
13,885.57
eksponential smoothing Alpha 0,25
23,199.19
Eksponential Smoothing Alpha 0,5
53,844.77
Trend Analisis
eksponential smoothing Alpha 0,75
31,114.67
21,103.26
0.1563
288,770.8
283,324.4
207,767.4
242,037.4
267,447.8
189,108.1
120,348,900,000
108,276,700,000
72,218,290,000
84,397,650,000
100,707,200,000
55,168,820,000
357,271.2
339,181.4
276,758.3
299,186.7
326,819
241,690
Kesimpulan ; Dari hasil rekapitulasi dapat dilihat bahwa metode yang terpilih adalah trend analysis. 4.7
Verifikasi peramalan Tujuan dilakukannya proses verifikasi adalah untuk mengetahui apakah fungsi
yang telah ditentukan dapat mewakili data yang akan diramalkan. Proses verifikasi dilakukan dengan menggunakan metode peta moving range. Peta moving range merupakan peta yang digunakan untuk memnbandingkan permintaan actual dengan nilai peramalan. Peta ini juga digunakan untuk menguji kestabilan sistem akibat yang mempengaruhi permintaan. Tabel 4.58 Verifikasi Peramalan SIR 10 Bln
Aktual
Forecast
Jan
632,768
1027267
Feb
1,069,858
Mar
777,772
Apr May Jun Jul Augt
[MR]
MR
394,499
291,050
1035142
-34,716
151375
-34716
1043016
265,244
135376
265244
663,073
1050890
387,817
244740
387817
1,100,834
1058764
-42,070
198,356
-42,070
622,520
1066638
444,118
274623
444118
701,345
1074512
373,167
190463
373167
1,126,382
1082386
-43,996
239908
-43996
799,297
1090260
290,963
81,742
290,963
1,037,911
1098134
60,223
162,107
60,233
Sept Oct
F-A
394,499
Nov
922,258
1113883
191,625
51789
191625
Dec
1,025,019
978370.9
-46,648
259551
-46648
total rata-rata
UCL 496585,64 496585,64 496585,64 496585,64 496585,64 496585,64 496585,64 496585,64 496585,64 496585,64 496585,64 496585,64
LCL
Region
Region
Region
Region
Region
A
(-A)
B
(-B)
C
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
-496585,64
331056.5
-331057
165528,3
165528,3
0
186,686 15,557
IV-50
Gambar 4.15 Peta Control Verifikasi SIR 10 Tabel 4.59 Verifikasi Peramalan SIR 20 Bln
Aktual
Forecast
F-A
[MR]
MR
UCL
LCL
Region A
(-A)
Jan
690,407
988726.8
298.320
298.320
298.320
502533.62
-502533.62
335021.7
-335021.7
Feb
983,252
996598.5
13.347
13.347
13.347
502533.62
-502533.62
335021.7
-335021.7
Mar
654,632
1004470
349.838
349838
349.838
502533.62
-502533.62
335021.7
-335021.7
Apr
826,693
1012342
185.649
185649
185.649
502533.62
-502533.62
335021.7
May
864,947
1020214
155.267
155,267
155.267
502533.62
-502533.62
335021.7
Jun
773,247
1028086
254.839
254839
254.839
502533.62
-502533.62
Jul
922,529
1035957
113.428
113428
113.428
502533.62
-502533.62
Augt
944,183
1043829
99,646
99646
99.646
502533.62
Sept
739,906
1051701
311,795
311,795
311.795
502533.62
Oct
901,806
1059573
157,767
157,767
157.767
Nov
1,017,408
1067445
50,037
50037
50.037
Dec
798,180
1075316
277,136
277136
277136
Total rata-rata
Region
Region
Region
Region
B
(-B)
C
167511
-167510.8
0
167511
-167510.8
0
167511
-167510.8
0
-335021.7
167511
-167510.8
0
-335021.7
167511
-167510.8
0
335021.7
-335021.7
167511
-167510.8
0
335021.7
-335021.7
167511
-167510.8
0
-502533.62
335021.7
-335021.7
167511
-167510.8
0
-502533.62
335021.7
-335021.7
167511
-167510.8
0
502533.62
-502533.62
335021.7
-335021.7
167511
-167510.8
0
502533.62
-502533.62
335021.7
-335021.7
167511
-167510.8
0
502533.62
-502533.62
335021.7
-335021.7
167511
-167510.8
0
188,922 15,744
IV-51
Gambar 4.16 Peta Control Verfikasi SIR 20 4.8
Hasil peramalan Dari hasil perhitungan dengan menggunakan tiga metode didapatkan
hasil
peramalan sebagai berikut: Tabel 4.60 Hasil Peramalan SIR 10 periode
SIR 20 2010
Periode
2010
Jan
1.027.267
Jan
988.726.8
Feb
1.035.142
Feb
9965.98.5
Mar
1.043.016
Mar
1.004.470
Apr
1.050.890
Apr
1.012.342
May
1.058.764
May
1.020.214
Jun
1.066.638
Jun
1.028.086
Jul
1.074.512
Jul
1.035.957
Augt
1.082.386
Augt
1.043.829
Sept
1.090.260
Sept
1.051.701
Oct
1.098.134
Oct
1.059.573
Nov
1.113.883
Nov
1.067.445
Dec
1.121.757
Dec
1.075.316
IV-52
4.9
Data Jam Kerja Tersedia PT RICRY memiliki system tenaga kerja yang terbagi atas 3 shift. 1shift
memiliki 8 jam kerja, yang mana 7 jam kerja adalah 7 jam aktif bekerja dan 1 jam kerja adalah waktu istrahat. Tabel 4.61 Data Jam Kerja
4.10
Bulan
jumlah kerja
jan feb mar april mei jun jul agus sep okt nov des
25 22 26 25 25 24 25 23 17 24 25 25
jam kerja tersedia (jam) 525 462 546 525 525 504 525 483 357 504 525 525
jam kerja tersedia (menit) 31.500 27.720 32.760 31.500 31.500 30.240 31.500 28.920 21.420 30.240 31.500 31.500
Formulasi Goal Programming Setelah melakukan peramalan dengan 3 metode yang digunakan yaitu:
Moving Average, Exponential Smoothing Dan Trend Analisis. Dimana metode yang terpilih adalah Trend Analisis. Selanjutnya menentukan formulasi yang akan digunakan dalam melakukan perhitungan Goal Programming. 4.10.1 Formulasikan Waktu Kecepatan Produk Kecepatan mesin produk sebagai fungsi kendala, merupakan sesuatu hal yang sangat penting dan perlu diperhatikan. kecepatan mesin produksi dapat dilihat pada table berikut: Tabel 4.62 Waktu Kecepatan Produksi Karet SIR 10 SIR 20
produk (ton) 2 3
waktu yang dibutuhkan (menit) 60 60
waktu yang dibutuhkan untuk 1 ton produk (menit) 30 20
IV-53
Berdasarkan data tabel diatas, maka fungsi pembatas kecepatan produksi adalah: A1X1+ A1X1 ≤ JKJanuari 30X1 + 20X2 ≤ 31500 Untuk kecepatan mesin produksi ini, diharapkan deviasi positif (kekurangan jam kerja/lembur) di usahakan nol. Dengan formulasi Goal Programming sebagai berikut: 30X1 + 20X2 - DB = 31.500 4.10.2 Memformulasikan Fungsi Tujuan Sasaran Dari hasil peramalan untuk jumlah produksi masing-masing maka, persamaannya adalah: X1 Januari ≥ 1.027.267 X2 Januari ≥ 988.726.8 Dalam hal ini, sasaran perusahaan adalah untuk memaksimalkan volume produksi, maka deviasi negative ( kekurangan jumlah produksi) di usahakan nol. Dan untuk peningkatan jumlah produksi diharapkan tidak terlalu tinggi, sehingga deviasi negative dan deviasi positif sama-sama diminimumkan. Untuk itu, model goal programming untuk fungsi ini adalah X1 Januari + DA11-DB12 = 1.027.267 X2 Januari + DA21-DB22 = 988.726.8 Max Z=P1 (DA11+DB12+ DA21+DB22) 4.10.3 Memaksimalkan Keuntungan Perusahaan karet memiliki 2 jenis karet, yaitu SIR 10 dan SIR 20, dimana masing-masing keuntungannya adalah sebagai berikut: 1. Karet SIR 10
= Rp 3000
2. Karet SIR 20
= Rp 2000
Dengan melalukan perhitungan jumlah produk karet sir dalam peramalan. Maka dapat di hitung dengan menggunakan proyeksi keuntungan. Proyeksi keuntungan dari masing-masing produk adalah sebagai berikut:
IV-54
Proyeksi keuntungan (PK) = Dimana : U = keuntungan untuk penjualan 1 kg produk X = jumlah permintaan karet I = jenis karet Misalnya, proyeksi Keuntungan untuk Januari: PKJanuari = (3000 X 1027267)+( 2000 X 988726.8 ) PKJanuari = (3081801000)+(1977453600) Berikut hasil rekapitulasi perhitungan proyeksi keuntungan untuk tahun 2010 dapat dilihat pada tabel: Tabel 4.63 Data Keuntungan Produk SIR Bulan jan feb mar ap mei jun jul agus sep okt nov des
SIR 10 1.027.267 1.035.142 1.043.016 1.050.890 1.058.764 1.066.638 1.074.512 1.082.386 1.090.260 1.098.134 1.113.883 1.121.757
Keuntungan 3081801000 3105.426.000 3129.048.000 3152.670.000 3176.292.000 3199.914.000 3223.536.000 3247.158.000 3270.780.000 3294.402.000 3341.649.000 3365.271.000
SIR 20 988.726.8 996.598.5 1004.470 1.012.342 1.020.214 1.028.086 1.035.957 1.043.829 1.051.701 1.059.573 1.067.445 1.075.316
Keuntungan 1977.453.600 1..993.197.000 2.008.940.000 2.024.684.000 2.040.428.000 2.056.172.000 2.071.914.000 2.087..658.000 2.103.402.000 2.119.146.000 2.134.890.000 2.150.632.000
Total
5059.254.600 5.098.623.000 5.137.988.000 5.177.354.000 5.216.720.000 5.256.086.000 5.295.450.000 5.334.816.000 5.374.182.000 5.413.548.000 5.476.539.000 5.515.903.000
Berdasarkan data table diatas, maka dapat diformulasikan kedalam bentuk
persamaan goal programming seperti berikut ini: 3000XJanuari + 2000XJanuari ≥ 5059254600 4.10.4 Perhitungan Pemakaian dan Ketersediaan Bahan Baku Dalam pemakaian dan Ketersediaan bahan baku sebagai fungsi kendala adalah melihat hubungan antara pemakaian dan ketersedian bahan baku dengan jumlah produk yang dihasilkan. Berikut keterangan dalam menggunakan bahan baku pada masing-masing SIR.
IV-55
Tabel 4.66 Data Ketersedian Bahan Baku Produk SIR 10 SIR 20
Bokar A 0,85 0,4
Bokar B 0,15 0,6
kapasitas (ton) 40000 40000
Jadi formulasi fungsi kendala dari table diatas adalah 0,85X1 + 0,15X2 ≤ 4000 0,4 X1 + 0,6X2 ≤ 4000 4.11
Memformulasikan Fungsi Pencapaian Untuk Goal Programming Setelah semua kendala-kendala sudah diformulasikan kedalam goal
programming, maka formulasi pencapaian untuk permasalahan Goal Programming adalah: 1. Bulan Januari Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Januari + DA1-DB1 = 1027267 X2 Januari + DA2-DB2 = 988726.8 3000XJanuari + 2000XJanuari DA3-DB3 =5059254600 30X1 + 20X2 - DB4 = 31500 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
IV-56
Gambar 4.17 Input Software Lingo
Gambar 4.18 Output Software Lingo
IV-57
2. Bulan Februari Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Februari + DA1-DB1 = 1035142 X2 Februari + DA2-DB2 = 996598.5 3000XFebruari + 2000XFebruari DA3-DB3 =5098623000 30X1 + 20X2 - DB4 = 27720 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
Gambar 4.19 Input Software Lingo
IV-58
Gambar 4.20 Output Software Lingo 3. Bulan maret Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Maret + DA1-DB1 = 1043016 X2 Maret + DA2-DB2 = 1004470 3000XMaret + 2000XMaret DA3-DB3 = 5137988000 30X1 + 20X2 - DB4 = 32760 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
IV-59
Gambar 4.21 Input Software
Lingo Gambar 4.22 Output Software Lingo 4. Bulan April Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 April + DA1-DB1 = 1050890 X2 April + DA2-DB2 = 1012342 3000XApril + 2000XApril DA3-DB3 = 5177354000
IV-60
30X1 + 20X2 - DB4 = 31500 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
Gambar 4.23 Input Software Lingo
Gambar 4.24 Output Software Lingo
IV-61
5. Bulan Mei Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Mei + DA1-DB1 = 1058764 X2 Mei + DA2-DB2 = 1020214 3000XMei + 2000XMei DA3-DB3 = 5216720000 30X1 + 20X2 - DB4 = 31500 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
Gambar 4.25 Input Software Lingo
IV-62
Gambar 4.26 Input Software Lingo 6. Bulan Juni Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Jun + DA1-DB1 = 1066638 X2 Jun + DA2-DB2 = 1028086 3000XJun + 2000XJun DA3-DB3 = 5256086000 30X1 + 20X2 - DB4 = 30240 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
IV-63
Gambar 4.27 Input Software Lingo
Gambar 4.28 Output Software Lingo
IV-64
7. Bulan Juli Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Jul + DA1-DB1 = 1074512 X2 Jul + DA2-DB2 = 1035957 3000XJul + 2000XJul DA3-DB3 = 5295450000 30X1 + 20X2 - DB4 = 31500 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
Gambar 4.29 Input Software Lingo
IV-65
Gambar 4.30 Output Software Lingo 8. Bulan Agustus Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Agus + DA1-DB1 = 1082386 X2 Agus + DA2-DB2 = 1043829 3000XAgus+ 2000XAgusDA3-DB3 = 5334816000 30X1 + 20X2 - DB4 = 28920 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
IV-66
Gambar 4.31 Input Software Lingo
Gambar 4.32 Output Software Lingo
IV-67
9. Bulan September Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Sep + DA1-DB1 = 1090260 X2 Sep + DA2-DB2 = 1051701 3000XSep+ 2000XSepDA3-DB3 = 5374182000 30X1 + 20X2 - DB4 = 21420 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
Gambar 4.33 Input Software Lingo
IV-68
Gambar 4.34 Input Software Lingo 10.
Bulan Oktober Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Okt + DA1-DB1 = 1098134 X2 Okt + DA2-DB2 = 1059573 3000XOkt+ 2000XOktDA3-DB3 = 5413548000 30X1 + 20X2 - DB4 = 30240 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
IV-69
Gambar 4.35 Input Software Lingo
Gambar 4.36 Input Software Lingo
IV-70
11.
Bulan November
Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Sep + DA1-DB1 = 1113883 X2 Sep + DA2-DB2 = 1067445 3000XSep+ 2000XSepDA3-DB3 = 5476539000 30X1 + 20X2 - DB4 = 31500 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
Gambar 4.37 Input Software Lingo
IV-71
Gambar 4.38 Input Software Lingo 12.
Bulan Desember
Max Z = P1(DA1+DA2)+P2(DA3) ST: X1 Des + DA1-DB1 = 1121757 X2 Des + DA2-DB2 = 1075316 3000XDes+ 2000XDesDA3-DB3 = 5515903000 30X1 + 20X2 - DB4 = 31500 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000
IV-72
Gambar 4.39 Input Software Lingo
Gambar 4.40 Output Software Lingo
IV-73
BAB V ANALISA 5.1
Analisa Pengumpulan Data Pada penelitian ini terdapat beberapa data yang digunakan diantaranya:
sejarah perusahaan, total keselurahan karyawan, struktur organisasi, proses produksi, data permintaan crumb rubber, data harga pokok dan penjualan dan waktu penyelesaian produk. Data permintaan crumb rubber merupakan data permintaan pada masa lalu dan data yang diambil dari tahun 2008-2010. Data ini digunakan untuk melakukan peramalan dimasa akan data dan peramalan dilakukan yaitu satu tahun kedepan (2011). Data yang dikumpulkan terdiri dari dua macam data permintaan yaitu data SIR 10 (standar Indonesia rubber) dan sir 20. Pada peramalan ini dilakukan dengan tiga metode, diantaranya adalah Moving Average, Exponential Smoothing, dan Trend Analisis. Dari metode yang ada maka akan ditentukan metode yang terpilih dimana metode yang terpilih adalah metode yang memiliki MAD, MSE, bias dan SE terkecil. Dimana MAD (mead absolute demand) merupakan rata-rata kesalahan mutlak selama periode tertentu. MSE merupakan rata-rata kuadrat kesalahan. MSE dihitung dengan menjumlahkan kuadrat kesalahan peramalan pada tiap periode. Bias adalah nilai total dari kesalahan permalan dari tiap periode dan membaginya dengan jumlah periode yang digunakan dan SE adalah Standar Error dari kesalahan peramalan. 5.2
Analisa Hasil Pengolahan Data Pengolahan data dimulai dari melakukan plot dari data permintaan actual, hal
ini bertujuan untuk mengetahui pola aliran data, apakah data cenderung naik turun, bersifat acak atau memiliki siklus yang berulang secara periodic. Plot data ini akan memudahkan dalam melakukan peramalan. Berdasarkan plot data dari permintaan
V-1
aktual dapat dilihat bahwa data berdistribusi trend. Hal ini dikarenakan data cenderung mengalami kenaikan. 5.3
Analisa Peramalan
5.3.1 Analisa Metode Moving Average Untuk dapat membandingkan peramalan, penulis menggunakan moving average dengan dua periode, yaitu periode 1 dan periode 2. Periode 1 merupakan peramalan yang dilakukan dengan menggunakan 1 periode data tahun lalu untuk periode yang yang akan data. Sedangkan pada periode 2 merupakan peramalan yang dilakukan dengan menggunakan 2 periode data tahun lalu dan dibagi dengan jumlah periode yang digunakan untuk satu periode yang akan data. Berdasarkan hasil peramalan pada sir 10 untuk periode satu peramalanya adalah 583.875 hal ini berarti perusahan harus memproduksi sebanyak 583.875 sedangkan untuk periode 2 adalah 631.035. Hal ini juga berarti perusahaan harus memproduksi sebanyak 631.035. Untuk sir 20 periode satu
peramalanya adalah 522.955 hal ini berarti perusahan harus memproduksi
sebanyak 522.955 sedangkan untuk periode 2 adalah 598.140. Hal ini juga berarti perusahaan harus memproduksi sebanyak 598140. Untuk sir 10 periode 1 nilai MAD 348.322. MSE 180,220.997.720.Bias 23,987 SE 437199.5911. Untuk sir 10 periode 2 nilai MAD 284.910, MSE 121.274.956.798 Bias 32.712 SE 358963.2873. Untuk sir 20 periode 1 nilai MAD 288.771. MSE 120,348,852,184 Bias 13,886 SE 357271.2163. Untuk sir 20 periode 2 nilai MAD 283.324. MSE 108.276.702.564 Bias 23.199 SE 339181.3622. 5.3.2 Analisa Metode Eksponential Smoothing Metode in imenggunakan konstanta pemulusan (α). Nilai konstanta pemulusan (α) dapat dipilih diantara nilai 0 dan 1. Apabila pola historis dari data actual permintaan sangat beregejolak atau tidak stabil dari waktu ke waktu, maka dipilih nilai (α) yang mendekati satu. Nilai-nilai (α) yang mendekati satu diantaranya adalah 0,8 dan 0,99 dan lain-lain tergantung
pada sejauh aman gejolak dari data itu.
V-2
Semakin bergejolak, makan (α) yang diplih ahrus semakin tinggi menuju nilai satu. Namun apabila pola historis dari data actual permintaan tidak berfluatuasi atau relative stabil dari waktu ke waktu, maka
dipilih(α) yang mendekati nol. Pada
penelitian ini penulis menggunakan (α) yang bernilai diantara: 0,25 ,0,5 dan 0,75. Hasil pengolahan data dengan menggunakan (α) = 0,25 untuk sir 10 adalah 583.875 kg. hal ini berarti untuk periode ke 37 perusahaan harus memproduksi sebanyak 583,875. Nilai sir 10 (α) = 0,25
nilai MAD 257.988,3353 MSE
103.467.662.341 Bias 62.485 SE 331267.9123. Hasil pengolahan data dengan menggunakan (α) = 0,5 untuk sir 10 adalah 583,875 kg. hal ini berarti untuk periode ke 37 perusahaan harus memproduksi sebanyak 583,875. Nilai sir 10 (α) = 0,5
nilai MAD 274.774,2367 MSE
116141465685.77 Bias 39,505 SE 350970.572. Hasil pengolahan data dengan menggunakan (α) = 0,75 untuk sir 10 adalah 583,875 kg. hal ini berarti untuk periode ke 37 perusahaan harus memproduksi sebanyak 583.875. Nilai sir 10 (α) = 0,75
nilai MAD 300.976,2875 MSE
139.581.689.638 Bias 29.932 SE 38.4761,2064. Hasil pengolahan data dengan menggunakan (α) = 0,25 untuk sir 20 adalah 522,955 kg. hal ini berarti untuk periode ke 37 perusahaan harus memproduksi sebanyak 522,955. Nilai sir 10 (α) = 0,25
nilai MAD 207.767,3662MSE
72.218.286.774 Bias 53,845 SE 276.758,2928. Hasil pengolahan data dengan menggunakan (α) = 0,5 untuk sir 20 adalah 522.955kg. hal ini berarti untuk periode ke 37 perusahaan harus memproduksi sebanyak 522.955. Nilai sir 10 (α) = 0,5
nilai MAD 242.037,4199 MSE
84.397.665.938.69 Bias 31,115 SE 299.186,6909. Hasil pengolahan data dengan menggunakan (α) = 0,75 untuk sir 20 adalah 522.955 kg. hal ini berarti untuk periode ke 37 perusahaan harus memproduksi
V-3
sebanyak 522,955. Nilai sir 10 (α) = 0,75
nilai MAD 267.447,7767 MSE
100.707.212.272 Bias 21,103 SE 326.819,032. 5.3.3 Analisa Metode Trend Analisis Model trend analisis merupakan
model pereamalan
yang menunjukkan
adanya kecenderungan dari data permintaan actual yang naik dari waktu ke waktu. Dilihatg dari grafil peramalannya, hasil permalan cenderung meningkat dan membentuk garisf liniear. Hal ini dapat diartikan metode trend analysis dapat digunakan sebagai pedoman untuk menentukan apakah peramalan yang dilakukan dapat dipercaya dan mendekati data permintaan actual. Dari hasil pengolahan data Untuk sir 10 peramalanya adalah 743.799,5 hal ini berarti perusahan harus memproduksi sebanyak 743799.5 untuk Untuk sir 10 periode 1 nilai MAD 250.676,2, MSE 82.762.760.000, Bias -0.02SE 296.025,6 Dari hasil pengolahan data Untuk sir 20 peramalanya adalah 705.342.8hal ini berarti perusahan harus memproduksi sebanyak 705.342.8 untuk Untuk sir 10 periode 1 nilai MAD 189.108.1 MSE 55.168.820.000.00, Bias 0.15625 SE 241690. 5.4
Metode Yang Terpilih Dari hasil perhitungan dengan menggunakan 3 metode peramalan diantaranya
Moving Average, Ekspontial Smoothing dan Trend Analisis. Metode yang terpilih adalah metode yang memiliki nilai MAD, MSE, bias dan SE
terkecil. Dengan
perhitungan peramalan yang menggunakan software QM maka dapat dilihat bahwa metode yang terpilih adalah Trend Analisis. Berikut adalah rincian nilai MAD, MSE, bias dan SE dari beberapa metode yang digunakan.
V-4
Tabel 5.1 Rekapitulasi hasil peramalan karet sir 10 Peramalan sir10
Moving Average (I bulan)
eksponential smoothing Alpha 0,25
eksponential smoothing Alpha 0,5
Trend Analisis
Eksponential Smoothing Alpha 0,75
23.986,80
32.711,93
62.484.96
39,505.44
29.932
-0.0191
348.322,30
284.909
257.987.70
274,771.80
300.973.50
250,676.20
180.220.400.000
121.273.100.000
103.466.400.000
116.140.300.000
139.580.700.000
82.762.760.000
437.199
358.960,60
331.266
350.968,80
384.759,90
296.025,60
bias MAD MSE
Moving Average (2 bulan)
SE
Tabel 5.2 Rekapitulasi hasil peramalan karet sir 20 Peramalan sir20
Moving Average (I bulan)
Moving Average (2 bulan)
eksponential smoothing Alpha 0,25
Eksponential Smoothing Alpha 0,5
eksponential smoothing Alpha 0,75
Trend Analisis
bias
13.885.57
23.199.19
53.844.77
31.114.67
21.103.26
0.1563
MAD
288.770.8
283.324.4
207.767.4
242.037.4
267.447.8
189,108.1
MSE
120.348.900.00 0
108.276.700.,00 0
72.218.290,00 0
84,397.650.00 0
357.271,2
339.181,4
276.758,3
299.186,7
SE
5.5
100.707.200.00 0
55.168,820,00 0
326.819
241.690
Analisa verifikasi hasil peramalan Setelah peramalan di buat langkah selanjutnya adalah melakukan verifiaksi
peramalan. Tujuannya agar hasil peramalan tersebut benar-benar mencerminkan data masa lalu dan sitem seba akibat yang memperngaruhi permintaan tersebut. Alat yang akan digunakan untuk memverifikasi permalan dan mendeteksi perubahan system sebab akibat yang melatar belakangi menggunakan
peta
moving
range.
perubahan pola permintaan adalah dengan Peta
moving
range
dirancang
untuk
membandingkan nilai permintaan actual dengan nilai peramalan. Peta moving range yang berfungsi untuk memeriksa apakah model permlaan yang digunakan benar-benar dapat diandalkan dan utnuk menguji kestabilan system
V-5
sebab akibat yang mempengaruhi permintaan. Dalam pengjujian ini dengan cara membagi peta kendali kedalam enam bagian dengan selang yang sama. Jika suatu titik ditemukan berada diluar batas kendali pada saaat peramalan verifikasi, maka data tersebut dapat digunakan dalam peramaan permintaan untuk SIR10 dan SIR20. 5.6
Analisa Goal Programming Data yang diperlukan dalam goal programming berupa data hasil peramalan
dari metode terpilih. Sebelumnya telah dijelaskan bahwa metode yang terpilih adalah trend
analisis, sehingga data yang digunakan adalah data peramalan dengan
menggunakan metode trend analisi untuk peramalan 2011. Data yang diperlukan agar dapat melakukan perhitungan goal programming diantaranya adalah: data waktu kecepatan produk, data peramalan 2011, keuntungan produk dan pemakaian ketersedian bahan baku. Tabel 5.3 Data Ketersedian Bahan Baku
Kendala Sasaran I II III IV V
Keterangan data peramalan SIR 10 data peramalan SIR 20 Keuntungan produk kecepatan mesin produksi pemakaian bahan baku
5.6.1 Analisa Waktu Kecepatan Produksi Waktu kecepatan produksi adalah waktu yang dibutuhkan mesin dalam memproduksi
karet. Waktu disini merupakan waktu keseluruhan operasi mesin
produksi. Dari waktu ini diperoleh untuk sir 10 untuk 1 ton karet dapat memakan waktu sebanyak 30 menit sebanyak 20 menit.
dan sir 20 untuk 1 ton karet dapat memakan waktu
Terjadi perbedaan waktu
hal ini dikarenakan pada proses
pengeringan dengan menggunakan mesin dryer pada sir 10 memakan waktu lebih lama karena pada sir 10 memiliki kualitas yang bagus sehingga karet ini bias dipanaskan dengan waktu yang cukup lama. Sesuai dengan ketetapana yang telah V-6
ditentukan perusahaan. Pada waktu kecepatan produksi ini data yang digunakan dan dirubah dalam bentuk goal programming
yaitu menggunakan tanda ≤. Dengan
adanya tanda ini untuk ditambahkan DB (deviasiasi goal programming bawah). 5.6.2 Analisa Fungsi Tujuan Dan Sasaran Data yang digunakan disini merupakan data peramalan 2011 yang didapat dari perhitungan dengan menggunakan metode terpilih yaitu trend analisis. Data dalam bentuk umum X1 Januari ≥ 1027.267 X2 Januari ≥ 988.726.8 Tanda ≥ berarti bahwa perusahaan menginginkan produksi harus lebih tinggi dari nilai peramalan. Sehingga dalam goal programming akan berubah menjadi:
X1 Januari + DA1-DB1 = 1.027.267 X2 Januari + DA2-DB2 = 988.726.8
Dimana ini merupakan fungsi tujuan yang akan digunakan dalam perhitungan goal programming dengan software lingo 10. 5.6.3 Analisa Memaksimalkan Keuntungan Data keuntungan ini hanya menjelaskan keuntungan dari suatu produk karet. Pada data ini diperlukan untuk melakukan proses perhitungan goal programming. Produk yang pertama adalah SIR 10 yang memiliki kualitas bagus, memiliki keuntungan sebesar 3000/kg. produk yang kedu adalah SIR 20 yang memiliki kualias standar, memiliki keuntungan 2000/kg. Selanjutnya data ini dirubah kedalam bentuk umum yaitu: 3000XJanuari + 2000XJanuari ≥ 5059254600
V-7
Nilai 5059254600 merupakan nilai dari total keuntungan dari SIR 10 dan SIR 20. Dimana nilai ini didapat dari hasil perkalian keuntungan dengan peramalan permintaan dan selanjutnya dijumlahkan SIR 10 dan SIR 20. Persamaan diatas tersebut dirubah kedalam bentuk goal programming 3000XJanuari + 2000XJanuari DA3-DB3 =5.059.254.600 Disini dapat dilihat bahwa tanda ≥ memiliki pengertian b ahwa terdapat DA (deviasi atas) dan DB (deviasi bawah) tanda ini dipergunakan melihat keuntungan sudah maksimal atau belum.
5.6.4 Analisa Pemakaian Persedian Bahan Baku Dalam pemakaian persediaan bahan baku, perusahaan RICRY memiliki kapasitas yang terbatas yaitu sebesar 4000 kg.
Dari terbatasan kapasitas di
perusahaan tersebut dapat dibuat dalam persamaan umum: 0,85X1 + 0,15X2 ≤ 4000 0,4 X1 + 0,6X2 ≤ 4000 Dengan persamaan ini terlihat jelas ada tanda ≤ yang berarti perusahaan tidak bias memiliki kapasitas lebih dari 4000. Hal ini di karenakan keterbatasan gudang sebagai tempat penyimpanan. Dengan demikian persamaan umum ini dapat dirubah kedalam bentuk goal programming, yaitu: 0,85X1 + 0,15X2 -DB5 ≤ 4000 0,4 X1 + 0,6X2 -DB6 ≤ 4000 Pada persamaan ini terdapat symbol DB (deviasi bawah) symbol ini digunakan untuk tanda ≤. Dengan adanya symbol ini berarti kapasitas tidak boleh melebih dari 4000.
V-8
5.6.5 Analisa Memformulasikan Goal Programming Dalam memformulasikan kedalam goal programming terlihat jelas adanya penambahan
symbol
yang
digunakan
untuk
melakukan
perhitungan
goal
programming. Diantaranya adalah DA (deviasi atas) dan DB (deviasi bawah) symbol ini memiliki arti : jika DA= DB= 0 maka sasaran dapat dikatakan sasaran tepat terpenuhi. Jika DA=0 dan DB>0 maka sasaran dapat dikatakan tidak tercapai atau tida terpenuhi. Jika DA>0 dan DB=0 maka sasaran dapat dikatakan terlampau atau dengan kata lain terpunuhi namun terlalu melewati dari sasaran yang ingin dicapai. 5.6.6
Analisa Dari Hasil Software Lingo 10
5.6.6.1 Bulan Januari Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1023267 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 984.726 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5039255 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :168.500 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai.
V-9
5.6.6.2 Bulan Februari Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1.031.142 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 992.598.5 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5078623 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :172.280 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai. 5.6.6.3 Bulan Maret Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1039016 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.000.470 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5117988 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :167.240 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai. V-10
5.6.6.4 Bulan April Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1.046.890 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.008.342 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5157354 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :168.500 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai. 5.6.6.5 Bulan Mei Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1057764 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.016.214 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5197720 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :168.500 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai. V-11
5.6.6.6 Bulan Juni Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1062638 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.024.086 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5236086 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :169.760 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai. 5.6.6.7 Bulan Juli Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1.070.512 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.031.957 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,52754250 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :168.500 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai.
V-12
5.6.6.8 Bulan Agustus Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1078386 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.039.829 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5314816 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :168.500 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai. 5.6.6.9 Bulan September Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1086260 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.047.701 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5354182 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :178.580 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai. V-13
5.6.6.10 Bulan Oktober Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1094134 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.055.573 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5393548 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :169.760 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai. 5.6.6.11 Bulan November Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1.109.883 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.063.445 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5456539 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :168.500 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai. V-14
5.6.6.12 Bulan Desember Hasil perhitungan dengan menggunakan software lingo 10 dapat dilihat kendala sasaran I dimana SIR 10 pada bulan januari (DA1 dan DB1), DA bernilai 1.117.757 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Hal ini dilhat dari DA >0 yang menyatakan nilai melebih dari target. Kendala Sasaran II (DA2 dan DB2) yang juga merupakan fungsi sasaran, dimana DA bernilai 1.071.316 yang berarti nilai DA>0 dan DB bernilai 0. Ini berarti nilai sasaran terpenuhi walau terlampau. Kendala sasaran III pada bulan januari (DA3 dan DB3), DA bernilai 0,5495903 yang berarti nilai DA >0 dan DB bernilai 0. Dari kedua nilai tersebut dapat disimpulkan bahwa nilai sasaran terpenuhi walau terlampau. Kendala sasaran IV pada hasil output lingo terlilhat bahwa nilai DB>0 yaitu :168.500 ini berarti bahwa pada kendala sasaran IV tidak tercapai. Kendala sasaran V pada DB5 dan DB6 terlihat jelas dari hasil Output, bahwa DB5 dan DB6 =0 ini berarti kendala sasaran V tercapai.
V-15
BAB VI PENUTUP 6.1
Kesimpulan Dari hasil penelitian dapat disimpulkan bahwa: 1. Jumlah produksi yang optimal pada periode perencanaan produksi adalah sebagai berikut: Tabel 6.3 jumlah produksi optimal periode SIR 10 SIR 20 jan 1.023.267 984.726 feb 1.031.142 992.598.5 mar 1.039.016 1.000.470 ap 1.046.890 1.008.342 mei 1.057.764 1.016.214 jun 1.062.638 1.024.086 jul 1.070.512 1.031.957 agus 1.078.386 1.039.829 sep 1.086.260 1.047.701 okt 1.094.134 1.055.573 nov 1.109.883 1.063.445 des 1.117.757 1.071.316 Dari Tabel diatas dapat dilihat nilai produksi optimal untuk SIR 10 dan SIR 20 dan yang paling optimal dari keselurahan periode ini terletak pada bulan Desember. Artinya diakhir tahun terjadi peningkatan pesanan Crumb Rubber.
VI-1
2. Dari hasil peramalan yang dilakukan dapat disimpulkan data peramalan untuk tahun selanjutnya adalah sebagai berikut: periode jan feb mar ap mei jun jul agus sep okt nov des
SIR 10 1.023.267 1.031.142 1.039.016 1.046.890 1.057.764 1.062.638 1.070.512 1.078.386 1.086.260 1.094.134 1.109.883 1.117.757
Dengan andanya data
SIR 20 984.726 992.598.5 1.000.470 1.008.342 1.016.214 1.024.086 1.031.957 1.039.829 1.047.701 1.055.573 1.063.445 1.071.316
pada tabel diatas maka perusahaan dapat
melakukan perencanaan agregat dengan baik sehingga kekurangan permintaan produk dapat diatasi. 3. Dengan dilakukan perhitungan menggunakan goal programming dapat disimbulkan bahwa
kendala sasaran yang tercapai diantaranya: data
peramalan SIR 10, data peramalan SIR 20, Keuntungan produk, kecepatan pemakaian bahan baku, sedangkan pada kendala sasaran 4 tidak terpenuh yaitu kecepatan mesin produksi.
6.2
Saran Saran yang
yang diberikan kepada perusahaan dan peneliti selanjutnya
adalah: 1. Perusahaan dapat melakukan peramalan dengan menggunakan program QM for windows
dengan memakai tiga metode peramalan dalam
penelitian ini diantara moving average, ekspontial smoothing dan trend analisis.
VI-2
2. Perusahaan dapat menggunakan metode goal programming untuk mengetahui sasaran Kendala apa yang bisa tercapai dan juga dapat melakukan perencanaan produksi untuk menentukan produksi optimal. 3. Untuk penelitian selanjutnya sebaiknya menggunakan metode lain seperti line balancing agar penelitian tentang perencanaan produksi dapat terlihat jelas dari keseimbangan lintasan (line balancing). 4. Penelitian ini bertujuan untuk membantu perusahaan dalam memecahkan persoalan yang berhubungan tentang perencanaan produksi.
VI-3
DAFTAR PUSTAKA Agustini D.H. & Rahmadi Y.E. “Riset Operational” PT. Rineka Cipta, Jakarta 2004. Biegel, John E. “pengendalian produksi” suatu pendekatan kuantitatif, edisi pertama,Akademika pressindo, Jakarta,1992. Cahyono D.D Perencanaan Produksi Disagregasi Dengan Pendekatan Reguler Knapsack Method Pada Produk Mini Boom ZX 25 YYZX22B Dan Mini Boom ZX 30 YYZX30B.http://www.gunadarma.ac.id. Gaspersz, Vincent. “production Planning and Inventory Control, cetakan kedua, PT. Gramedia Pustaka Utama, Jakarta Februari 2001. Ginting, Romani “Sistem Produksi”. Edisi pertama. PT.Graha Ilmu, Yogjakarta. 2007. Haming Murdifin &Nurnajamuddin Mahfud. Manajeman Produksi Modern. Bumi Aksara, Jakarta 2007. Heizer J. & Render Barry.”operations Management”. Penerbit Salemba Empat, Jakarta.2005. Kusuma, Hendra, “Perencanaan dan Pengendalian Produksi” Penerbit Andi, Yogjakarta. 2001. Nasution, Arman Hakim. “Perencanaan dan pengendalian produksi”. Andi offset. Yogyakarta. 2008. Siswanto. “Sistem Komputer Manajeman lindo”. PT Elek Media Komputindo. Jakarta.1990.