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

Transkripsi

1 PERENCANAAN PERSEDIAAN BAHAN BAKU UNTUK PEMBUATAN SABUN DETERJEN RINSO ANTINODA 1 KG DENGAN METODE MRP-1 DI PT UNILEVER INDONESIA TBK TUGAS AKHIR Diajukan Untuk Memenuhi Persyaratan Ujian Akhir Program Sarjana Teknik Industri Disusun oleh : Bambang Yoga Samekta JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA

2 JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA LEMBAR PERNYATAAN Saya yang bertanda tangan dibawah ini : Nama : Bambang Yoga Samekta NIM : Jurusan : Teknik Industri Fakultas : Teknologi Industri Menyatakan dengan sebenarnya, bahwa Tugas Akhir ini adalah karya saya sendiri, kecuali pada bagian yang disebutkan sumbernya. Jakarta, Juli 2008 ( Bambang Yoga Samekta ) 2

3 JURUSAN TEHNIK INDUSTRI FAKULTAS TEHNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA Judul : LEMBAR PENGESAHAN PERENCANAAN PERSEDIAAN BAHAN BAKU UNTUK PEMBUATAN SABUN DETERJEN RINSO ANTINODA 1 KG DENGAN METODE MRP-1 DI PT UNILEVER INDONESIA TBK Nama : Bambang Yoga Samekta NIM : Jurusan : Teknik Industri Fakultas : Teknologi Industri Universitas : Mercu Buana Tugas Akhir ini telah diperiksa dan disyahkan Jakarta, Juli 2008 Pembimbing Tugas Akhir ( Ir. Muhammad Kholil MT ) 3

4 JURUSAN TEHNIK INDUSTRI FAKULTAS TEHNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA Judul : LEMBAR PERSETUJUAN PERENCANAAN PERSEDIAAN BAHAN BAKU UNTUK PEMBUATAN SABUN DETERJEN RINSO ANTINODA 1 KG DENGAN METODE MRP-1 DI PT UNILEVER INDONESIA TBK Nama : Bambang Yoga Samekta NIM : Jurusan : Teknik Industri Fakultas : Teknologi Industri Universitas : Mercu Buana Tugas Akhir ini telah disetujui Jakarta, Juli 2008 Koordinator Tugas Akhir dan Ketua Program Studi ( Ir. Muhammad Kholil MT ) 4

5 KATA PENGANTAR Dengan mengucap puji syukur dan panjatkan kehadirat ALLAH SWT, atas rahmat dan karunianya yang melimpahkan kepada saya sehingga saya dapat menyelesaikan TUGAS AKHIR ini. Tugas akhir ini merupakan mata kuliah terakhir yang harus diselesaikan oleh mahasiswa untuk mengaplikasikan ilmu yang didapat selama kuliah kedalam kenyataan sehari hari dan merupakan satu syarat untuk meraih gelar Sarjana - ( Strata 1 ). Penyusunan Tugas Akhir ini penulis lakukan berdasarkan pengamatan dilapangan dan studi literature baik yang ada di PT Unilever Indonesia maupun literature pendukung yang penulis dapatkan di bangku kuliah. Pada kesempatan ini pula penulis ingin menyampaikan terima kasih yang sebesarbesarnya atas kesempatan, bantuan, dan bimbingan yang telah diberikan sehingga tersusunnya Tuigas Akhir ini, kepada : 1. Bpk. Ir Muhammad Kholil,.Mt, sebagai dosen Pembimbing sekaligus Ketua Program Studi Tehnik Industri yang memberikan pengarahan dalam penulisan Tugas Akhir ini. 2. Seluruh Dosen pengajar yang telah memberikan pengajaran dan selalu memberikan motivasi untuk menyelesaikan Tugas Akhir ini. 3. Bpk Furqoon Asy Syadat ST..MBA, Production Manager NSD PT Unilever Indonesia tbk. Cikarang Bekasi. 4. Semua orang-orang terdekat yang sangat berarti dalam hidup penulis yaitu Ibunda tersayang, dan yang tersayang istriku Rosfidha Wahizar Bcs dan anak-anakku Aditya Yogesvara Rajavidya Satvika SE, Prajnya Paramita Paramesvari Satvika, Maharani Yogesvari Viriya Vinaya Satvika yang 5

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

7 BAB I P E N D A H U L U A N 1.1 Latar Belakang Masalah Persaingan bisnis di era globalisasi yang semakin ketat akan mendorong perusahaan berpacu menarik minat pelanggan dengan menjual produk yang memuaskan. Hal-hal yang dapat memuaskan pelanggan adalah Kualitas produk yang baik dan dengan harga yang sangat kompetitif serta dengan pengadaan dan pengiriman yang tepat waktu. Untuk menyebutkan hal-hal tersebut diatas setiap perusahaan manufaktur melakukan effektivitas dan efisiensi dari semua sumber daya, semua itu dilakukan agar supaya biaya yang dikeluarkan untuk memproduksi suatu produk dapat di-minimalisasi dan dengan kualitas yang tetap terjamin. Salah satu kegiatan yang dilakukan dalam rangka effisiensi sumber daya adalah dengan pengendalian persediaan, baik dalam bentuk raw material, barang setengah jadi ( Work in process WIP ), packing material maupun barang Jadi ( Finished Good ). Sebagai salah satu asset penting dalam perusahaan karena mempunyai nilai yang sangat 7

8 besar dan mempunyai pengaruh terhadap kecilnya biaya operasi, perencanaan dan pengendalian persediaan merupakan suatu kegiatan penting yang harus mendapat perhatian khusus dari management perusahaan. Pengendalian Persediaan barang yang tidak baik akan mengganggu proses produksi dan pemborosan sumber daya. Untuk itu suatu perusahaan harus mempunyai suatu system yang baik dalam pengendalian persediaan barang. Salah satu system yang banyak diperhatikan khususnya kepada perusahaan-perusahaan di Jepang yaitu Just in Time ( JiT ). System JiT dikembangkan berdasarkan ide bahwa persediaan adalah pemborosan, karena ia menutupi masalah-masalah kualitas dan biaya. Karena itu system JiT dikembangakan untuk menghilangkan ketergantungan pada persediaan. Eliminasi atau reduksi persediaan dalam system JiT akan mampu memberikan material Just in Time ke pelanggan dalam system JiT persediaan dapat ditekan seminimal mungkin yang diperlukan untuk tetap menjaga kelangsungan produksi Material yang diperlukan harus tersedia dalam jumlah yang relative cukup dan tersedia tepat saat diperlukan, serta dengan specifikasi dan kualitas yang sesuai dengan yang telah ditentukan. 1.2 Pokok Permasalahan Masalah yang dihadapi oleh pabrik Detergent PT Unilever Indonesia tbk khususnya dibagian persediaan adalah ketidak seimbangan antara bahan baku yang masuk dengan baham baku yang akan dipakai untuk proses produksi tidak seimbang, sehingga terjadi penumpukan persediaan dibagian gudang. Untuk mengatasi masalah 8

9 tersebut diatas, perusahaan melakukan perbaikan management persediaan dengan menggunakan system Economic Order Quantity ( EOQ ). Untuk itu penulis memberikan masukan dan perbaikan dalam management Persediaan (EOQ / JiT ) yang dapat dimanfaatkan untuk memperbaiki masalah ketersediaan material di perusahaan. 1.3 Pembatasan Masalah Penulis sadar bahwa banyak sekali aspek yang termasuk dalam unsur-unsur penting yang harus diperhatikan jika ingin melakukan suatu perubahan suatu system pada perusahaan yang berbasis system lama ( EOQ) ke system JiT. Penulis hanya membatasi pembahasan pada minimasi dengan target yang ingin dicapai oleh perusahaan dengan mengambil salah satu material packing dan pemesanan Chemical untuk keperluan rencana produksi selama 4 bulan ( 18 minggu ) sesuai dengan data yang didapat ( pengambilan data dari perusahaan dibatasi ), tersebut antara lain : 1. Obyek yang dianalisa adalah perncanaan kertersediaan bahan baku untuk packing dan chemical untuk pembuatan sabun detergent, yang khususnya untuk pembatasan masalah di fokuskan di kemasan Rinso Anti Noda 1 kg saja, karena untuk size yang lain tidak ada bedanya dalam pemesanannya.sedangakan untuk jenis chemical dibuat pemesanan secar utuh untuk semua jenis material untuk kebutuhan selama 1 kuartal (disesuaikan dari data yang didapat = 18 minggu ). 2. Untuk harga bahan baku tidak dapat disebutkan sesuai sebenarnya karena data harga sangat confidential(tidak diberikan oleh perusahaan), 9

10 3. Data-data tersebut valid yang diambil pada periode 2007, yang oleh perusahaan masih dipakai sebagai parameter Branch Outlook untuk tahun 2008 sehingga diberikan terbatas hanya 4 bulan (18 minggu). 4. Diasumsikan tidak ada pesanan tetap pada periode perencanaan. 1.4 Tujuan Penelitian Adapun tujuan dan manfaat yang diharapkan oleh penulis dari penelitian ini antara lain sebagai berikut : 1. Menentukan jumlah pemesanan material secara optimum berdasarkan ketentuan yang intinya memperlihatkan perbedaan yang nyata antara EOQ management persediaan dengan JiT/EOQ management persediaan, yakni dari total biaya tahunan. 2. Memberikan masukan kepada perusahaan untuk menentukan pilihan dalam menggunakan system yang akan mereka gunakan dalam implementasi dilapangan. 1.5 Metodologi Penelitian Metodologi penelitian yang dilakukan secara langsung dilapangan dengan maksud untuk mendapatkan informasi secara keseluruhan mengenai persediaan bahan baku. Informasi yang diperoleh akan digunakan peneliti dalam mengidentifikasikan 10

11 permasalahan. Metode pengumpulan data meliputi metode observasi, metode wawancara, metode dokumentasi. Langkah selanjutnya adalah mengolah dan menganalisa data-data yang telah dilukmpulkan tersebut dengan menggunakan landasan teori. Kerangka pengolahan dan analisa data adalah sebagai berikut : Peramalan Pengujian Peramalan, Sistem persediaan EOQ, system persediaan Just in Time dan titik pemesanan ulang. Adapun flow chart penelitian ini dapat dilihat seperti gambar berikut. START IDENTIFIKASI MASALAH STUDI LAPANGAN DAN LITERATUR PENGUMPULAN DATA PENGOLAHAN DATA ANALISA DATA DAN HASIL KESIMPULAN 11

12 SELESAI Gambar 1.1 Flow chart Metode Penelitian 1.6 Sistematika Penulisan Penulisan penelitian ini disusun berdasarkan suatu system penulisan yang secara garis besar-nya dapat digambarkan sebagai berikut : BAB I PENDAHULUAN Bab ini menguraikan latar belakang masalah, pokok permasalahan, tujuan penelitian, metodologi penelitian serta sistematika penulisannya. BAB II LANDASAN TEORI Bab ini menguraikan konsep-konsep, teor-teori dan rumusan yang menunjang dalam pemecahan masalah. BAB III METODOLOGI PEMECAHAN MASALAH Bab ini berisikan tentang bagaimana dan dalam bentuk apa data dikumpulkan, kemudian berisi langkah-langkah pemecahan masalah dari awal sampai akhir. BAB IV PENGUMPULAN DAN PENGOLAHAN DATA Berisi gambaran umum perusahaan dan proses produksi serta 12

13 menguraikan data-data yang dikumpulkan dan diolah menurut kegunaannya yang kemudian dianalisa serta dibuat langkah-langkah penyelesaiaannya BAB V HASIL DAN ANALISIS Pada Bab ini akan dilakukan pembahasan mengenai MRP ( Material Requirement Planning) dimana data yang diperoleh berdasarkan dari perusahaan serta pengolahan data yang telah dilakukan pada bab sebelumnya. BAB VI KESIMPULAN DAN SARAN Pada Bab terakhir ini merupakan kesimpulan dari hasil analisa, penelitian dan pengolahan data yang telah diperoleh pada bab sebelumnya disertai dengan saran-saran yang diusulkan penulis.kepada perusahaan PT Unilever Indonesia tbk. 13

14 BAB II LANDASAN TEORI 2.1 PERAMALAN PERMINTAAN Peramalan adalah suatu proses dalam menggunakan data histories yang telah dimiliki untuk diproyeksikan kedalam suatu model,dan model ini digunakan untuk memperkirakan kedaan masa datang. Dalam melakukan peramalan perlu 14

15 dilakukan batas- batas yaitu : Produk yang diminta telah teridentifikasikan dan jumlah yang diminta dapat dibuat produsen. Peramalan sendiri terbagi menjadi : 1. Peramalan kualitatif Peramalan yang melibatkan pendapat pribadi, pedapat ahli, metode Delphi, Penelitian pasar dan lain-lain. 2. Peramalan kuantitatif a. Model Time Series ( deret waktu ) Permintaan merupakan fungsi dari waktu,pola permintaan pada masa yang akan datang diperkirakan serupa bulan masa lalu. b. Model Causal Merupaka fungsi dari penyebab-penyebab.metode Peramalan time Series terbagi lagi menjadi beberapa bagian yaitu : regresi, Perataan,Pemulusan dan Siklis Peramalan dengan Metode Regresi Linier Salah satu peramalan yang paling sederhana adalah Regresi Linier, Dimana diasumsikan terdapat hubungan antara variable yang ingin diramalkan dengan variable lain. Peramalan didasrkan pada asumsi bahwa pola dari pertumbuhan data histories bersifat linier, yang dapat dijabarkan sebagai berikut : Y ( t ) = a + bt 15

16 Dimana Y merupakan fungsi terhadap waktu. Variabel a dan b adalh parameter yang akan ditentukan dalam perhitungan. Rumus yang akan menghitung a dan b adalah sebagai berikut : b N NtY ( t) Y ( t) t ti ti ti N N 2 2 N ti t N ti t N a 1 N N ti y( t) 1 b N N ti t Peramalan dengan Metode Regresi Kuadratis Regresi kuadratis ini didasarkan pad asumsi bahwa pola pertumbuhan data histories bersifat kuadratis, Pada dasarnya peramalan ini serupa dengan regresi linier hanya saja berbeda dalam hal asumsi data histories. Pola pertumbuhan ini didekatkan dengan suatu model yang menggambarkan hubungan-hubungan yang terkait dalam suatu keadaan. Model tersebut dapat dijabarkan sebagi berikut : Y ( t ) a bt 2 ct Demand Y merupakan fungsi terhadap waktu, Rumus-rumus dalam menghitung variable a, b dan c adalah : b 2 Dimana : 16

17 17 : N i T N I t N I t N I t N I t N I t N N I t N I t N I t N I t N I t N I t t N t t N t t t Y t t Y t t Y t N t Y t t N t ) ( ) ( ) ( Selanjutnya nilai a didapat dengan menggunakan nilai b dan c yang telah diperoleh sebelumnya melalui persamaan : N t c N t b N t Y a N t N I t N I t 1 2 ) ( Peramalan dengan Metode Double Moving Avarage Metode ini mampu mengurangi kesalahan sistematis yang terjadi, Dasar dari system ini adalah menghitung rata-rata bergerak yang kedua. Rata-rata bergerak ganda merupakan rata-rata bergerak dan disimbolkan sebagai MA ( M * N )yang berarti MA M periode dari MAN periode. Prosedur yang digunakan adalah sebagai berikut : 1. Cari x rata-rata dari x1 sampai xt dan nilai peramalan untuk periode S t +1 adalah x rata-rata tesebut. 2. Cari x rata-rata dari x2 sampai xt+1, dan nilai peramalan untuk

18 periode S t +2 adalah x rata-rata tesebut. 3. Ulangi kedua langkah diatas sampai semua X terhitung. Lanjutkan dengan cara yang sama untuk menghitung S hanya saja sekarang yang rata-rata bukan x melainkan S t. 4. Menghitung at dengan rumus at = 2 S t - S t 2 5. Menghitung bt dengan rumus bt = S' t S'' t N 1 6. Menghitung peramalan ( Ft+m ) dimana m merupakan jumlah Periode kemuka dari t rumus : F t+m = aa + bt*m Peramalan dengan Metode Double Exponential Smoothing atau Metode Linier Brown. Merupakan salah satu dari tehnik matematika yang secara langsung dapat diterapkan dalam system peramalan. Prosedure peramalan ini memiliki semua sifat dari tehnik moving average. Peramalan dengan metode ini tidak memerlukan data histories dalam jumlah besar tetapi memberikan hasil yang terbaik. Metode ini memberikan bobot yang semakin menurun. Dasar pemikiran dari metode Linier Brown adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemula dan eksponensial tunggal dan ganda 18

19 ketinggalan dari data yang sebenarnya bila mana terdapat unsure trend. Dalam metode ini dikenal konstanta kemulusan ( α ) Rumus untuk Metode Linier Brown adalah sebagai berikut : S ' t ( 1 ) S t 1 t S ' ' S ' t ( 1 ) S ' ' t 1 t 2 S ' t S ' ' t 1 b 1 1 S ' S ' ' t F t m a t b t m Dimana : S t ' pemulusanexponentialtunggal periode ke t S' ' tt pemulusanexponentialganda periode ke t kons tanta pemulusan Xt = data permintaan period eke t at = penyesuaian pemulusan exponential tunggal b t = taksiran kecenderungan antara periode F t+m = peramalan periode M = jumlah periodekedepan yang diramalkan Peramalan dengan periode Siklis Persamaan Matematis yang digunakan untuk data dengan pola Siklis ini adalah : Y '( t) a b sin 2 t 2 t c.cos n n 19

20 Dimana a, b dan c adalah konstanta yang didapat dari persamaan sebagai berikut : a Y ( t ) n b 2 Y 2 t ( t ) sin n n c 2 Y ( t ) cos n 2 t n Peramalan dengan metode seasonal Peramalan dengan metode Seasonal sangat baik jika digunakan untukmenghadapi data-data Seasonal. Peramalan kedepan dapat menggunakan cara regresi linier Nilai kesalahan Peramalan Dalam melakukan peramalan, hasil peramaln kita tidak mungkin benar-benar tepat. Selisih antara nilai sebenarnya dengan nilai peramalan dapat dikatakan sebagai error. Hal ini dapat diketahui dari perbandingan antara nilai-nilai kesalahan dari masing-masing metode, metode yang terbaik adalah metode yang paling sesuai dengan data yang dimiliki nilai peramalan kesalahan yang paling kecil. Perhitungan kesalahan dapat dijabarkan sebagai berikut : E i x i F ii Dimana : 20

21 Ei kesalahan pada periode ke i I ii x i Nilai sesungguhnya pada periodeke 1 Fi i nilaihasil peramalan pada periodeke 1 Jumlah keslahan peramalan hanya merupakan ukuran biasa atau selisih biasa yang dihasilkan. Beberapa alternative beberapa metode kesalahan peramalan yang banyak digunakan adalah sebagai berikut : 1. Mean Square Error ( MSE ) MSE N i 1 N e Mean Absolute Error ( MAE ) MAE N i 1 N e i 3. Mean Absolute Percent Error ( MAP ) MAP 100 N N i1 x e i i Theils U Merupakan suatu ukuran kesalahan peramalan yang mempertimbangkan ketidak seimbangan unsur kesalahan yang besar serta memberikan dasar perbandingan 21

22 relative dengan metode naif. Statitik ini mungkin suatu perbandingan relative antara metode peramalan formal dengan pendekatan naïf dan juga mengkuadratkan kesalahan yang terjadi sehingga kesalahan yang besar diberikan bobot yang besar dibandingkan dengan kesalahan yang kecil yang akan memberikan interprestasi yang intuitif. Secara matematis dapat didefinisikansebagai berikut : U Dimana : i 1 n1 n1 ( FPE i1 i1 ( APEi 1) APE 2 ) 2 i1 ( n1) ( n1) FPE i 1 F i 1 x x i i yang merupakan perubahan relatif yang diramalkan APE i 1 F i 1 x x i i yang merupakan perubahan relatif yang sebenarnya Jika kedua persamaan trsebut di subtitusikan maka : 22

23 U n1 n1 i1 F F i 1 x i 1 x x i x 1 1 i 2 2 ( n 1) ( n1) Nilai statistic yang dihasilkan akan memberikan nilai : - Nol jika FPE APE i hal ini terjadi jika semua hasil ramalan tepat FPE i hal ini Tracking Signal terjadi jika kesalahan dalam metode peramalan sama nilai kesalahan yang diperoleh dengan meramalkan nilai aktua > 1 jika FPE i 1 mempunyai arh yang berlawanan dengan APEi+1 karena pembilang akan lebih besar dari penyebut dengan ln ya Cara untuk mengontrol peramalan untuk memastikan bahwa metode peramalan yang digunakan akan menghasilkan peramalan yang baik, juga digunakan untuk mengetahui sebaik apakah metode permalan yang digunakan dalam memprediksikan data actual. Tracking Signal dihitung sebagai jumlah kesalahan peramalan dibandingkan dengan nilai MAE, yang dapat didefinikan sebagai berikut : RSFE Tracking Signal (TS ) = MAE 23

24 Dimana : MAE = kesalahan peramalan n n e i Nilai positif tracking signal menunjukan bahwa data actual masih lebih besar dibandingkan dengan data peramalan. Sedangkan Negatif Tracking Signal menunjukan bahwa data actual lebih kecil dibandingkan dengan data peramalannya. Tracking Signal yang baik adalah yang memiliki nilai RSFE yang kecil titik tengah tracking signal mendekati NOL. Nilai tracking signal yang dihitung dibandingkan dengan batas control yang telah ditentukan. Batas maximum MAE untuk jumlah persediaan yang besar dan data maximum 8 MAE untuk jumlah persediaan yang lebih rendah. Tracking signal berada diluar batas k t l + Upper control limit Tracking signal Daerah penerimaan Lower control limit periode Gambar 2.1 Tracking Signal 24

25 Verifikasi dan Pengendalian Peramalan Bentuk alat kontrol paling sederhana untuk mengamati vertifikasi peramalan adalah peta kontrol statistik yang digunakan dalam pengendalian kualitas. Salah satu peta control statistik adalah MRC. MRC dibuat untuk membandingkan nilai yang diamati atau nilai observasi atau data aktual dengan nilai peramalan atau perkiraan, yang dapat didefinisikan sebagai berikut: MR = d' 1 d t ) - (d t 1- d 1 t ) Sedangkan Moving Range didefinisikan sebagai berikut: MR = MR n 1 Batas kontrol Moving Range Chart didefinisikan sebagai berikut: UCL = MR LCL = MR Jika ada data yang berada diluar batas control yang telah ditentukan maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain, jika semua titik berada dalam batas yang ditentukan maka peramalan dinyatakan benar. - Daerah A merupakan daerah yang dibatasi 2 (2.66 MR ) = 1.77MR 3 - Daerah B merupakan daerah yang dibatasi 25 1 (2.66 MR ) = 0.89 MR 3 - Daerah C merupakan daerah di atas atau di bawah garis sumbu (central line) Kondisi tidak terkendali jika:

26 - 2 titik atau data yang beruntun, 2 atau lebih diantaranya berada di daerah A - 5 titik atau data yang beruntun, 4 atau lebih diantaranya berada di daerah B - 8 titik atau data yang beruntun berada pada salah satu sisi garis sumbu. Region A Upper control limit Region B d - d 0 Region C Region C Center line Region B Region A Gambar 2.2 Moving Range Chart (MRC) Lower control limit 2.2 PERENCANAAN PRODUKSI Pengertian perencanaan produksi adalah perencanaan mengenai tenaga kerja, bahan-bahan dan mesin peralatan lain serta modal yang diperlukan untuk memproduksi barang-barang pada periode tertentu dimasa mendatang sesuai dengan yang diperkirakan atau yang diramalkan. Tujuan dari perencanaan produksi adalah: 1. Dapat membuat produk atau jasa dengan harga yang murah. 2. Dapat menentukan harga pokok dan harga jual dengan harga yang rendah. 26

27 3. Dapat bersaing dengan kemampuan yang cukup. 4. Dapat menjual barang dalam jumlah yang banyak dan sekaligus menguasai bagian pasar yang luas dari pada penjualan barang atau jasa. Perencanaan produksi dibagi menjadi dua : 1. Perencanaan jangka pendek Adalah perencanaan dengan jangka waktu satu tahun atau kurang yang bertujuan untuk mengatur penggunaan tenaga kerja, persediaan barang dan fasilitas pabrik yang dimiliki perusahaan pabrik. 2. Perencanaan jangka panjang Adalah perencanaan dengan jangka waktu lebih dari satu tahun yang bertujuan untuk mengatur pertambahan kapasitas peralatan atau mesin, ekspansi pabrik dan pengembangan produk. Perencanaan agregat memberikan gambaran yang menyeluruh tentang permintaan konsumen terhadap produk yang dihasilkan dan berguna juga untuk mengevaluasi dampak perencanaan dan jadwal kapasitas dan mengevaluasi keefektifan dari perencanaan produksi yang ada. Perencanaan agregat juga mengelompokkan sumber daya yang tersedia untuk setiap periode dalam horizon waktu dan memutuskan alternatif yang terbaik untuk menggunakan kapasitas yanga ada yang bertujuan untuk: Fasibilitas dan Optimalitas. Metode perencanaan produksi agregat dibagi menjadi: 27

28 1. Pure Strategy - Changing Workforce level Adalah penambahan jumlah tenaga kerja jika diperlukan dan mengubah tenaga kerja dengan perekrutan tenaga kerja atau melakukan pemutusan huubungan kerja dengan tujuan untuk menyamakan tingkat produksi dengan jumlah permintaan setiap periodenya, sehingga tidak ada persediaan yang berlebihan. - Changing Inventory level Adalah penyamaan jumlah produksi berdasarkan rata-rata permintaan dan menutupi kekurangan produksi dengan persediaan yang berasal dari produksi periode terdahulu dan pada metode ini berusaha menghindarkan hire dan fire. - Subcontacting Adalah suatu kegiatan dimana perusahaan berusaha untuk mencukupi jumlah permintaan dengan melakukan subkontrak dengan perusahaan lain. - Mixed Strategy Adalah penggabungan dua atau lebih dari metode Pure Strategy dengan tujuan menghindari dampak negatif dari masing-masing metode yang ada. 2.3 DISAGREGAT Perencanaan Disagregat ( Disaggregat Planning ) merupakan langkah selanjutnya setelah perencanaan agregat, tujuan dari perencanaan disagregat ini adalah untuk memecah satuan produk agregat pada perencanaan agregat ke dalam setiap item produk serta 28

29 mengetahui item-item suatu produk apa saja yang akan diproduksi setiap periodenya dan berapa jumlah setiap item dari suatu produk tersebut akan diproduksi. Disagregasi akan dilakukan dengan pendekatan Hax and Bintran (Bedworth, 1982:164) Langkah-langkah dalam melakukan disagregasi item ini adalah sebagai berikut: 1. menentukan nilai expected quantity yaitu persediaan awal dikurangi permintaan ( I. Jika expected quantity bernilai negative, berarti item itu harus ij 1 D i j diproduksi, karena jumlah persediaan yang ada tidak mencukupi permintaan. 2. Menentukan nilai n, yaitu banyaknya ulangan permintaan yang akan dipenuhi oleh jumlah produksi persediaan yang ada sekarang ini dengan syarat-syarat: N Y i * Kij D ijn SS ij I ijt 1. ( 2.11 ) n 1 Y * i adalah jumlah produk yang diproduksi dari perencanaa agregat terbaik. Untuk Changing Workface Level :Y * i = Demand dalam satuan agregat. Untuk Changing Inventory Level : Y * i = Produk dalam satuan agregat. Untuk Subcontarcting : Y * i = Produk dalam satuan agregat. Untuk Mixed Strategy : Y * i = Wqktur regular waktu overtime x {Round Normal} Waktu siklus 3. Menghitung E (excess Demand) atau kelebihan permintaan / kebutuhan 29

30 N * dengan rumus : E1 K ij Dijn SSij I yt 1 Yi...(2.12) j i n1 4. Menentukan jumlah produksi untuk masing-masing item dengan rumus : N * Yi D 1 ( 1 ijn SSij Iijt EiDt D Y ijn i n 1 *. jei KijDijn...(2.13) Perintah produksi, jika : q Dan jika : q ij 1 I ij, l, Dimana q = expected quantity..(2.14) qq I ij1 S ij ij 1 dimana s = safety stock.(2.15) Catatan : Next Per-ending Inventory = Kuantitas produksi ExpectedQuant Kuantitas produksi angkanya harus bulat,apabila tidak bulat maka dibulatkan langsung. Kuantita produksi nilainya bulat, apabila tidak bulat maka dibulatkan normal Jadwal Induk Produksi / Master Production Schedulling (MPS) 30

31 Pada dasarnya jadwal induk produksi merupakan suatu pernyataan tentang produk akhir suatu perusahaan industri manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas dan periode waktu. MPS mendisagregasikan dan mengimplementasikan rencana produksi. Penjadwalan produksi induk, pada dasarnya berkaitan dengan aktivitas melakukan fungsi utama, berikut: a. Menyediakan atau memberikan input utama kepada system perencanaan kebutuhan material dan kapasitas, merupakan aktivitas perencanaan lebel 3 dalam meraraki perencanaan prioritas dan perencanaan kapasitas pada system MRP II b. Menjadwalan pesanan-pesanan produksi dan pembelian suatu item. c. Memberikan landasan untuk penentuan kebutuhan sumber daya dan kapasitas. d. Memberikan basis untuk pembuatan janji tentang penyerahan produk, kepada pelanggan. Sebagai suatu aktivitas proses, jadwal induk produksi (MPS) membutuhkan lima input utama yaitu sebagai berikut : a) Data permintaan total, yang berkaitan dengan ramalan penjualan (sales foreast) dan pesanan-pesanan (order) 31

32 b) Status inventori, berkaitan dengan informasi tentang on hand investory, stock yang dialokasikan untuk penggunaan tertentu, pesanan produksi dan pembelian yang dikeluarkan. c) Perencanaan produksi menentukan tingkat produksi, inventori, dan sumber daya lainnya. d) Data perencanaan, bekaitan dengan aturan-aturan tentang lot sizing, safety stock dan waktu tunggu (lead time), dari masing-masing item shrinkage factor Beberapa Pertimbangan Dalam Mendesain MPS Dalam mendesain MPS, beberapa factor utama yang menentukan proses penjadwalan produksi induk (MPS) adalah: 1. lingkungan manufacturing yang umumnya dipertimbangkan adalah make to stock, make to order dan assemble to order. 2. struktur produk atau Bill of Material (BOM). Struktur produk selalu ditampilkan dalam bentuk gambar (chart format). Struktur produk yaitu cara komponen-komponen bergabung ke dalam suatu produk selama proses manufacturing. 3. Horizon perencanaan, waktu tunggu produk dan production time fences. 32

33 a. Horizon perencanaan harus sama dengan banyak periode dikalikan panjang dari setiap periode (H = L x N, dimana H = Horizon, L= length of periode, N= Number of periode) b. Waktu tunggu produksi, yaitu lama waktu menunggu sejak menempatan pesanan sampai memperoleh pesanan tersebut. Waktu tunggu berkaitan dengan waktu menunggu diproses, bergerak / berpindah, antri, set up, dan run time untuk komponen yang diproduksi. c. Time fences yaitu sebagai suatu kebijakan atau petunjuk yang ditetapkan untuk mencatat dimana (dalam zona waktu) terdapat berbagai keterbatasan atau perubahan dalam proses operasi, manufacturing. Time fences yang paling umum dikenal adalah Demand Time Fencess (DTF) pada waktu final assembly dan Planning Time Fences (PTF) yang ditetapkan pada waktu tunggu kumulatif. 2.4 ROUGHT CUT CAPACITY PLANNING (RCCP) Definisi Rought Cut Capacity Planning (RCCP) RCCP didefinisikan sebagai proses mengkonversi MPS kedalam sumber daya yang dibutuhkan. Tahap pertama dalam RCCP adalah identifikasi sumber daya yang utama, seperti work center, tenaga kerja atau material kritis. Kemudian tentukan factor penggunaan sumber daya per unit untuk setiap item, dan diasumsikan bahwa sumber daya tersebut digunakan dalam periode yang sama 33

34 sesuai dengan jadwal pesanan yang telah disusun. Kemudian factor penggunaan tersebut dikalikan dengan jumlah rencana pemesanan untuk RCCP. Selanjutnya beban sumber dibangdingkan dengan kapasitas yang tersedia, apakah underload atau overload. Jika overload maka jadwal harus diubah atau kapasitas harus ditambah. Jika underload, kapasitas hatus dikurangi dan jadwal harus ditambah Teknik-Teknik Yang Digunakan Untuk Melakukan RCCP Teknik-tekik yang digunakan untuk melakukan RCCP adalah (Sheikh, 2002:441). 1. Capacity Planning Using Overall Factors (CROP) Metode ini merupakan metode yang cukup sederhana dalam pendekatan RCCP krena penggunaan perhitungannya paling sedikit. Input datanya berasal dari Jadwal Induk Produksi, waktu total yang diperlukan untuk memproduksi suatu produk dan proporsi waktu penggunaan sumber. Prosedur ini biasanya menggunakan factor perencanaan yang berasal dari data historic dari produk, sehingga pendekatan ini paling mudah terpengaruh jika terjadi perubahan dalam volume produk maupun jumlah waktu yang dibutuhkan untuk membuat suatu produk. Adapun rumus yang digunakan dalam metode ini adalah sebagai berikut : 34

35 H t N q p1 pj x xh p ; I wi H...(2.16 Dimana : H t total jamker ja yang dibutuhkan pada periode t q pj jumlahjam jamker jauntuk item P yang dibutuhkan pada periode t Hp = jumlah item P yang akan diproduksi Iwl =Beban kerja dalam 1 jam di bagian produksi Iw pada periode t r presentasi dari jam ker ja dibagian menda tan g produksi ws selama periode 2. Metode Capacity Bills (Bill Of Resources) Pada metode Capacity Bills, estimasi beban kerja pada setiap bagian produk untuk setiap periode Jadwal Induk Produksi dihitung dengan rumus : I wj n p 1 q pj xh pj.(2.17) Dimana: Iwl = Bebean kerja dalam 1 jam pada bagian produksi w pada periode t q pj jumlahjam jamker jauntuk item P yang dibutuhkan pada periode t Hp = jumlah item P yang akan diproduksi 35

36 N = jumlah produksi yang dibuat. 3. Resources Profile Approach Metode ini selain menggunakan data waktu standar, pendekatan ini juga membutuhkan data waktu senggang (Lead Time) untuk melakukan pekerjaan tersebut. Dalam penelitian tugas akhir ini pada perhitungan Rought Cut Capacity Planning menggunakan metode Bill Of Resources. 2.5 MRP Definisi MRP MRP merupakan salah satu teknik perencanaan dan pengendalian produksi dimana jadwal induk produksi digunakan untuk membuat atau membeli material/item yang bersifat Dependent Demand. Master Requirement Planning 36

37 yaitu suatu system untuk mengatur agar komponen-komponen yang diperlukan tersebut dapat tersedia pada waktu dan jumlah yang tepat. Sebuah produk terdiri dari Independent demand yaitu kebutuhan yang tidak berhubungan dengan produk lain dan Dependent Demand yaitu kebutuhan yang berkaitan dengan produk lain. Jika pada peramalan dam agregat kita berfokus pada independent demand maka pada MRP kita akan berfokus pada dependent demand BOM Metode BOM (Bill Of Material) adalah suatu cara untuk mempermudah kita dalam berfokus pada dependent demand. BOM merupakan suatu metode untuk memecahkan suatu independent demand menjadi dependent demand Lead Time Lead Time dibedakan menjadi dua jenis yaitu : 1. Lead Time pembelian 37

38 Adalah selang waktu antara pemesanan dengan waktu diterimanya pesanan tersebut. 2. Lead Time manufacturing Adalah waktu yang dibutuhkan untuk perakitan yang diukur dari waktu pemesanan sampai produk tersebut diterimanya pesanan tersebut Lot Sizing Lot sizing (lotting) merupakan suatu algoritma Heuristics yang mencoba untuk mencari jumlah pesanan yang optimal berdasarkan pertimbangan : o Biaya pembalian barang Adalah harga pembelian, jika barang dibeli atau biaya produksi, jika barang dibuat sendiri. Untuk barang yang dibeli, biaya total adalah harga barang ditambah biaya pengangkutan, pajak, bea, dan lain-lain. o Biaya pesan 38

39 Adalah biaya yang harus dikeluarkan setiap kali memesan barang ke supplier, atau biaya set up yang terjadi setiap kali ada pergantian proses produksi dari satu produk ke produk lainnya. o Biaya simpan Adalah biaya yang hars dikeluarkan bila menyimpan barang. Biaya-biaya yang termasuk kelompok ini misalnya : listrik, pajak premi asuransi, biaya tenaga kerja yang mengawasi persediaan dll. Metode ini sangat berguna untuk mencari biaya yang serendah mungkin dalam perhitungan untuk pemesanan barang. Beberapa metode Lot Sizing, adalah sebagai berikut : Metode Economic Order Quantity Metode pertama kali dicetuskan oleh Ford Harris pada tahun 1915, tetapi lebih dikenal dengan nama metode Wilson karena dikembangkan oleh Wilson pada tahun metode ini digunakan untuk menghitung minimasi total biaya persediaan berdasarkan persamaan tingkat atau titik equilibrium kurva biaya simpan dan biaya pesan. Rumusan untuk menentukan jumlah EOQ adalah: Q 2 DS H 39

40 Dimana : Q = Jumlah barang setiap pemesanan D = Jumlah permintaan dalam periode N S = biaya pesan H = biaya simpen pada perioda N Metode Period Order Quantity (POQ) Metode POQ sebenarnya adalah pengembangan dari metode EOQ. Jika pada metode EOQ, jumlah barang setiap pemesanan bersifat konstan, maka pada metode POQ ini interval periode pemesanannya yang bersifat konstan. Rumusan untuk menentukan jumlah dan periode POQ adalah: Q N d Dimana : N = jumlah periode pemesanan Q = jumlah barng secara EOQ Metode Lot for Lot (L - 4 -L) 40

41 Metode Lot for Lot merupakan metode paling sederhana dimana pada dasarnya metode ini mengadakan pemesanan persediaan setiap sub-periode. Tujuannya adalah untuk meminimasi biaya simpan, karena tidak adanya persediaan yang tersisa setiap pergantian sub-periode. Wagner-Within Prinsip : minimasi ongkos persediaan dengan mensyaratkan persediaan akhir horizon perencanaan sama dengan nol. Langkah-langkah: 1) Hitung matriks ongkos variable total dari setiap alternative pemesanan sepanjang N periode yang terdiri dari ongkos pesan / set up dan ongkos simpan. Z C hp ( Q Q ) ce e i c ce ci Keterangan : 1 1 c e N Z ce = Ongkos variable total periode c sampai e jika membuat pesanan di periode c untuk memenuhi kebutuhan periode c sampai e. 41

42 C = Ongkos Pesan / set up H = presentasi ongkos simpan. P = Ongkos pembelian per unit e Qce R 5 k c 2) Definisikan f e sebagai altenatif ongkos minimum untuk periode 1 sampai e, dimana persediaan di akhir periode e = 0. f Min e f c Ze 2.6. PEMBUATAN MRP Langkah-langkah pembuatan MRP, sebagai berikut : 1. Membuat Bill of Material 2. Menentukan Lead Time terbesar untuk menentukan batas terkecil periode dalam perhitungan. 3. Untuk elemen-elemen BOM yang berada di level terbesar (paling bawah letaknya) dihitung dengan Metode Lot Sizing untuk mencari biaya yang paling minimum. 4. membuat table-tabel MRP dengan memasukkan factor-faktor : 42

43 o Gross Requirement (GR) o Inventory (I) o Schedule Receipt (SR) Jika ada o Safety Stock (SS) o Net Requirement (NR) = GR I SR + SS o Planned Order Receipt o Planned Order Release Tujuan MRP Terdapat beberapa tujuan MRP I adalah sebagai berikut : 1. Meminimasi Persediaan Dengan ditentukan jumlah dan waktu suatu komponen yang diperlukan, maka pembelian hanya dilakukan sebatas yang diperlukan saja sehingga dapat diminimalkan biaya persediaan. 2. Mengurangi resiko keterlambatan pengiriman dan produksi 43

44 Dengan diperhatikan lead time untuk setiap komponen akan memperkecil resiko tidak tersedianya komponen yang akan diproses yang akan dapat mengganggu proses produksi. 3. Komitmen yang realistis, Dengan dapat dipenuhinya jadwal produksi sesuai waktunya, komitmen terhadap pengiriman barang akan lebih realistis sehingga akan meningkatkan kepuasan dan kepercayaan konsumen. 4. Meningkatkan efisiensi Dengan lebih baiknya perencanaan dalam hal jumlah persediaan, waktu produksi dan waktu pengiriman barang maka akan meningkatkan efisiensi dalam perusahaan. 44

45 BAB II LANDASAN TEORI 2.6 PERAMALAN PERMINTAAN Peramalan adalah suatu proses dalam menggunakan data histories yang telah dimiliki untuk diproyeksikan kedalam suatu model,dan model ini digunakan untuk memperkirakan kedaan masa datang. Dalam melakukan peramalan perlu dilakukan batas- batas yaitu : Produk yang diminta telah teridentifikasikan dan jumlah yang diminta dapat dibuat produsen. Peramalan sendiri terbagi menjadi : 3. Peramalan kualitatif Peramalan yang melibatkan pendapat pribadi, pedapat ahli, metode Delphi, Penelitian pasar dan lain-lain. 4. Peramalan kuantitatif 45

46 a. Model Time Series ( deret waktu ) Permintaan merupakan fungsi dari waktu,pola permintaan pada masa yang akan datang diperkirakan serupa bulan masa lalu. b. Model Causal Merupaka fungsi dari penyebab-penyebab.metode Peramalan time Series terbagi lagi menjadi beberapa bagian yaitu : regresi, Perataan,Pemulusan dan Siklis Peramalan dengan Metode Regresi Linier Salah satu peramalan yang paling sederhana adalah Regresi Linier, Dimana diasumsikan terdapat hubungan antara variable yang ingin diramalkan dengan variable lain. Peramalan didasrkan pada asumsi bahwa pola dari pertumbuhan data histories bersifat linier, yang dapat dijabarkan sebagai berikut : Y ( t ) = a + bt Dimana Y merupakan fungsi terhadap waktu. Variabel a dan b adalh parameter yang akan ditentukan dalam perhitungan. Rumus yang akan menghitung a dan b adalah sebagai berikut : b N NtY ( t) Y ( t) t ti ti ti N N 2 2 N ti t N ti t N 46

47 47 N I t N I t t b N t y N a 1 ) ( Peramalan dengan Metode Regresi Kuadratis Regresi kuadratis ini didasarkan pad asumsi bahwa pola pertumbuhan data histories bersifat kuadratis, Pada dasarnya peramalan ini serupa dengan regresi linier hanya saja berbeda dalam hal asumsi data histories. Pola pertumbuhan ini didekatkan dengan suatu model yang menggambarkan hubungan-hubungan yang terkait dalam suatu keadaan. Model tersebut dapat dijabarkan sebagi berikut : 2 ct bt a t ) ( Y Demand Y merupakan fungsi terhadap waktu, Rumus-rumus dalam menghitung variable a, b dan c adalah : 2 b Dimana : : N i T N I t N I t N I t N I t N I t N N I t N I t N I t N I t N I t N I t t N t t N t t t Y t t Y t t Y t N t Y t t N t ) ( ) ( ) (

48 Selanjutnya nilai a didapat dengan menggunakan nilai b dan c yang telah diperoleh sebelumnya melalui persamaan : a N ti Y ( t) N b N ti N t c N t1 t N Peramalan dengan Metode Double Moving Avarage Metode ini mampu mengurangi kesalahan sistematis yang terjadi, Dasar dari system ini adalah menghitung rata-rata bergerak yang kedua. Rata-rata bergerak ganda merupakan rata-rata bergerak dan disimbolkan sebagai MA ( M * N )yang berarti MA M periode dari MAN periode. Prosedur yang digunakan adalah sebagai berikut : 7. Cari x rata-rata dari x1 sampai xt dan nilai peramalan untuk periode S t +1 adalah x rata-rata tesebut. 8. Cari x rata-rata dari x2 sampai xt+1, dan nilai peramalan untuk periode S t +2 adalah x rata-rata tesebut. 9. Ulangi kedua langkah diatas sampai semua X terhitung. Lanjutkan dengan cara yang sama untuk menghitung S hanya saja sekarang yang rata-rata bukan x melainkan S t. 10. Menghitung at dengan rumus at = 2 S t - S t Menghitung bt dengan rumus bt = S' t S'' t N 1 48

49 12. Menghitung peramalan ( Ft+m ) dimana m merupakan jumlah Periode kemuka dari t rumus : F t+m = aa + bt*m Peramalan dengan Metode Double Exponential Smoothing atau Metode Linier Brown. Merupakan salah satu dari tehnik matematika yang secara langsung dapat diterapkan dalam system peramalan. Prosedure peramalan ini memiliki semua sifat dari tehnik moving average. Peramalan dengan metode ini tidak memerlukan data histories dalam jumlah besar tetapi memberikan hasil yang terbaik. Metode ini memberikan bobot yang semakin menurun. Dasar pemikiran dari metode Linier Brown adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemula dan eksponensial tunggal dan ganda ketinggalan dari data yang sebenarnya bila mana terdapat unsure trend. Dalam metode ini dikenal konstanta kemulusan ( α ) Rumus untuk Metode Linier Brown adalah sebagai berikut : 49

50 S ' t ( 1 ) S t 1 t S ' ' S ' t ( 1 ) S ' ' t 1 t 2 S ' t S ' ' t 1 b 1 1 S ' S ' ' t F t m a t b t m Dimana : S t ' pemulusanexponentialtunggal periode ke t S' ' tt pemulusanexponentialganda periode ke t kons tanta pemulusan Xt = data permintaan period eke t at = penyesuaian pemulusan exponential tunggal b t = taksiran kecenderungan antara periode F t+m = peramalan periode M = jumlah periodekedepan yang diramalkan Peramalan dengan periode Siklis Persamaan Matematis yang digunakan untuk data dengan pola Siklis ini adalah : Y '( t) a b sin 2 t 2 t c.cos n n Dimana a, b dan c adalah konstanta yang didapat dari persamaan sebagai berikut : 50

51 a Y ( t ) n b 2 Y 2 t ( t ) sin n n c 2 Y ( t ) cos n 2 t n Peramalan dengan metode seasonal Peramalan dengan metode Seasonal sangat baik jika digunakan untukmenghadapi data-data Seasonal. Peramalan kedepan dapat menggunakan cara regresi linier Nilai kesalahan Peramalan Dalam melakukan peramalan, hasil peramaln kita tidak mungkin benar-benar tepat. Selisih antara nilai sebenarnya dengan nilai peramalan dapat dikatakan sebagai error. Hal ini dapat diketahui dari perbandingan antara nilai-nilai kesalahan dari masing-masing metode, metode yang terbaik adalah metode yang paling sesuai dengan data yang dimiliki nilai peramalan kesalahan yang paling kecil. Perhitungan kesalahan dapat dijabarkan sebagai berikut : E i x i F ii Dimana : Ei kesalahan pada periode ke i I ii 51

52 x i Fi i Nilai sesungguhnya pada periodeke 1 nilaihasil peramalan pada periodeke 1 Jumlah keslahan peramalan hanya merupakan ukuran biasa atau selisih biasa yang dihasilkan. Beberapa alternative beberapa metode kesalahan peramalan yang banyak digunakan adalah sebagai berikut : 4. Mean Square Error ( MSE ) MSE N i 1 N e Mean Absolute Error ( MAE ) MAE N i 1 N e i 6. Mean Absolute Percent Error ( MAP ) MAP 100 N N i1 x e i i Theils U Merupakan suatu ukuran kesalahan peramalan yang mempertimbangkan ketidak seimbangan unsur kesalahan yang besar serta memberikan dasar perbandingan 52

53 relative dengan metode naif. Statitik ini mungkin suatu perbandingan relative antara metode peramalan formal dengan pendekatan naïf dan juga mengkuadratkan kesalahan yang terjadi sehingga kesalahan yang besar diberikan bobot yang besar dibandingkan dengan kesalahan yang kecil yang akan memberikan interprestasi yang intuitif. Secara matematis dapat didefinisikansebagai berikut : U Dimana : i 1 n1 n1 ( FPE i1 i1 ( APEi 1) APE 2 ) 2 i1 ( n1) ( n1) FPE i 1 F i 1 x x i i yang merupakan perubahan relatif yang diramalkan APE i 1 F i 1 x x i i yang merupakan perubahan relatif yang sebenarnya Jika kedua persamaan trsebut di subtitusikan maka : 53

54 U n1 n1 i1 F F i 1 x i 1 x x i x 1 1 i 2 2 ( n 1) ( n1) Nilai statistic yang dihasilkan akan memberikan nilai : - Nol jika FPE APE i hal ini terjadi jika semua hasil ramalan tepat FPE i hal ini Tracking Signal terjadi jika kesalahan dalam metode peramalan sama nilai kesalahan yang diperoleh dengan meramalkan nilai aktua > 1 jika FPE i 1 mempunyai arh yang berlawanan dengan APEi+1 karena pembilang akan lebih besar dari penyebut dengan ln ya Cara untuk mengontrol peramalan untuk memastikan bahwa metode peramalan yang digunakan akan menghasilkan peramalan yang baik, juga digunakan untuk mengetahui sebaik apakah metode permalan yang digunakan dalam memprediksikan data actual. Tracking Signal dihitung sebagai jumlah kesalahan peramalan dibandingkan dengan nilai MAE, yang dapat didefinikan sebagai berikut : RSFE Tracking Signal (TS ) = MAE 54

55 Dimana : MAE = kesalahan peramalan n n e i Nilai positif tracking signal menunjukan bahwa data actual masih lebih besar dibandingkan dengan data peramalan. Sedangkan Negatif Tracking Signal menunjukan bahwa data actual lebih kecil dibandingkan dengan data peramalannya. Tracking Signal yang baik adalah yang memiliki nilai RSFE yang kecil titik tengah tracking signal mendekati NOL. Nilai tracking signal yang dihitung dibandingkan dengan batas control yang telah ditentukan. Batas maximum MAE untuk jumlah persediaan yang besar dan data maximum 8 MAE untuk jumlah persediaan yang lebih rendah. Tracking signal berada diluar batas k t l Upper control limit Tracking signal 55

56 + Daerah penerimaan Lower control limit periode Gambar 2.1 Tracking Signal Verifikasi dan Pengendalian Peramalan Bentuk alat kontrol paling sederhana untuk mengamati vertifikasi peramalan adalah peta kontrol statistik yang digunakan dalam pengendalian kualitas. Salah satu peta control statistik adalah MRC. MRC dibuat untuk membandingkan nilai yang diamati atau nilai observasi atau data aktual dengan nilai peramalan atau perkiraan, yang dapat didefinisikan sebagai berikut: MR = d' 1 d t ) - (d t 1- d 1 t ) Sedangkan Moving Range didefinisikan sebagai berikut: MR = MR n 1 Batas kontrol Moving Range Chart didefinisikan sebagai berikut: UCL = MR 56

57 LCL = MR Jika ada data yang berada diluar batas control yang telah ditentukan maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain, jika semua titik berada dalam batas yang ditentukan maka peramalan dinyatakan benar. - Daerah A merupakan daerah yang dibatasi 2 (2.66 MR ) = 1.77MR 3 - Daerah B merupakan daerah yang dibatasi 1 (2.66 MR ) = 0.89 MR 3 - Daerah C merupakan daerah di atas atau di bawah garis sumbu (central line) Kondisi tidak terkendali jika: - 2 titik atau data yang beruntun, 2 atau lebih diantaranya berada di daerah A - 5 titik atau data yang beruntun, 4 atau lebih diantaranya berada di daerah B - 8 titik atau data yang beruntun berada pada salah satu sisi garis sumbu. Region A Upper control limit Region B d - d 0 Region C Region C Center line Region B Region A 57 Lower control limit

58 Gambar 2.2 Moving Range Chart (MRC) 2.7 PERENCANAAN PRODUKSI Pengertian perencanaan produksi adalah perencanaan mengenai tenaga kerja, bahan-bahan dan mesin peralatan lain serta modal yang diperlukan untuk memproduksi barang-barang pada periode tertentu dimasa mendatang sesuai dengan yang diperkirakan atau yang diramalkan. Tujuan dari perencanaan produksi adalah: 5. Dapat membuat produk atau jasa dengan harga yang murah. 6. Dapat menentukan harga pokok dan harga jual dengan harga yang rendah. 7. Dapat bersaing dengan kemampuan yang cukup. 8. Dapat menjual barang dalam jumlah yang banyak dan sekaligus menguasai bagian pasar yang luas dari pada penjualan barang atau jasa. Perencanaan produksi dibagi menjadi dua : 3. Perencanaan jangka pendek Adalah perencanaan dengan jangka waktu satu tahun atau kurang yang bertujuan untuk mengatur penggunaan tenaga kerja, persediaan barang dan fasilitas pabrik yang dimiliki perusahaan pabrik. 4. Perencanaan jangka panjang 58

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

60 - Subcontacting Adalah suatu kegiatan dimana perusahaan berusaha untuk mencukupi jumlah permintaan dengan melakukan subkontrak dengan perusahaan lain. - Mixed Strategy Adalah penggabungan dua atau lebih dari metode Pure Strategy dengan tujuan menghindari dampak negatif dari masing-masing metode yang ada. 2.8 DISAGREGAT Perencanaan Disagregat ( Disaggregat Planning ) merupakan langkah selanjutnya setelah perencanaan agregat, tujuan dari perencanaan disagregat ini adalah untuk memecah satuan produk agregat pada perencanaan agregat ke dalam setiap item produk serta mengetahui item-item suatu produk apa saja yang akan diproduksi setiap periodenya dan berapa jumlah setiap item dari suatu produk tersebut akan diproduksi. Disagregasi akan dilakukan dengan pendekatan Hax and Bintran (Bedworth, 1982:164) Langkah-langkah dalam melakukan disagregasi item ini adalah sebagai berikut: 5. menentukan nilai expected quantity yaitu persediaan awal dikurangi permintaan ( I. Jika expected quantity bernilai negative, berarti item itu harus ij 1 D i j diproduksi, karena jumlah persediaan yang ada tidak mencukupi permintaan. 6. Menentukan nilai n, yaitu banyaknya ulangan permintaan yang akan dipenuhi oleh jumlah produksi persediaan yang ada sekarang ini dengan syarat-syarat: 60

61 N Y i * Kij D ijn SS ij I ijt 1. ( 2.11 ) n 1 Y * i adalah jumlah produk yang diproduksi dari perencanaa agregat terbaik. Untuk Changing Workface Level :Y * i = Demand dalam satuan agregat. Untuk Changing Inventory Level : Y * i = Produk dalam satuan agregat. Untuk Subcontarcting : Y * i = Produk dalam satuan agregat. Untuk Mixed Strategy : Y * i = Wqktur regular waktu overtime x {Round Normal} Waktu siklus 7. Menghitung E (excess Demand) atau kelebihan permintaan / kebutuhan N * dengan rumus : E1 K ij Dijn SSij I yt 1 Yi...(2.12) j i n1 8. Menentukan jumlah produksi untuk masing-masing item dengan rumus : N * Yi D 1 ( 1 ijn SSij Iijt EiDt D Y ijn i n 1 *. jei KijDijn...(2.13) Perintah produksi, jika : q Dan jika : q ij 1 I ij, l, Dimana q = expected quantity..(2.14) qq I ij1 S ij ij 1 dimana s = safety stock.(2.15) 61

62 Catatan : Next Per-ending Inventory = Kuantitas produksi ExpectedQuant Kuantitas produksi angkanya harus bulat,apabila tidak bulat maka dibulatkan langsung. Kuantita produksi nilainya bulat, apabila tidak bulat maka dibulatkan normal Jadwal Induk Produksi / Master Production Schedulling (MPS) Pada dasarnya jadwal induk produksi merupakan suatu pernyataan tentang produk akhir suatu perusahaan industri manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas dan periode waktu. MPS mendisagregasikan dan mengimplementasikan rencana produksi. Penjadwalan produksi induk, pada dasarnya berkaitan dengan aktivitas melakukan fungsi utama, berikut: a. Menyediakan atau memberikan input utama kepada system perencanaan kebutuhan material dan kapasitas, merupakan aktivitas perencanaan lebel 3 dalam meraraki perencanaan prioritas dan perencanaan kapasitas pada system MRP II 62

63 b. Menjadwalan pesanan-pesanan produksi dan pembelian suatu item. c. Memberikan landasan untuk penentuan kebutuhan sumber daya dan kapasitas. d. Memberikan basis untuk pembuatan janji tentang penyerahan produk, kepada pelanggan. Sebagai suatu aktivitas proses, jadwal induk produksi (MPS) membutuhkan lima input utama yaitu sebagai berikut : a) Data permintaan total, yang berkaitan dengan ramalan penjualan (sales foreast) dan pesanan-pesanan (order) b) Status inventori, berkaitan dengan informasi tentang on hand investory, stock yang dialokasikan untuk penggunaan tertentu, pesanan produksi dan pembelian yang dikeluarkan. c) Perencanaan produksi menentukan tingkat produksi, inventori, dan sumber daya lainnya. d) Data perencanaan, bekaitan dengan aturan-aturan tentang lot sizing, safety stock dan waktu tunggu (lead time), dari masing-masing item shrinkage factor Beberapa Pertimbangan Dalam Mendesain MPS 63

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

65 assembly dan Planning Time Fences (PTF) yang ditetapkan pada waktu tunggu kumulatif. 2.9 ROUGHT CUT CAPACITY PLANNING (RCCP) Definisi Rought Cut Capacity Planning (RCCP) RCCP didefinisikan sebagai proses mengkonversi MPS kedalam sumber daya yang dibutuhkan. Tahap pertama dalam RCCP adalah identifikasi sumber daya yang utama, seperti work center, tenaga kerja atau material kritis. Kemudian tentukan factor penggunaan sumber daya per unit untuk setiap item, dan diasumsikan bahwa sumber daya tersebut digunakan dalam periode yang sama sesuai dengan jadwal pesanan yang telah disusun. Kemudian factor penggunaan tersebut dikalikan dengan jumlah rencana pemesanan untuk RCCP. Selanjutnya beban sumber dibangdingkan dengan kapasitas yang tersedia, apakah underload atau overload. Jika overload maka jadwal harus diubah atau kapasitas harus ditambah. Jika underload, kapasitas hatus dikurangi dan jadwal harus ditambah Teknik-Teknik Yang Digunakan Untuk Melakukan RCCP Teknik-tekik yang digunakan untuk melakukan RCCP adalah (Sheikh, 2002:441). 4. Capacity Planning Using Overall Factors (CROP) 65

66 Metode ini merupakan metode yang cukup sederhana dalam pendekatan RCCP krena penggunaan perhitungannya paling sedikit. Input datanya berasal dari Jadwal Induk Produksi, waktu total yang diperlukan untuk memproduksi suatu produk dan proporsi waktu penggunaan sumber. Prosedur ini biasanya menggunakan factor perencanaan yang berasal dari data historic dari produk, sehingga pendekatan ini paling mudah terpengaruh jika terjadi perubahan dalam volume produk maupun jumlah waktu yang dibutuhkan untuk membuat suatu produk. Adapun rumus yang digunakan dalam metode ini adalah sebagai berikut : H t N q p1 pj x xh p ; I wi H...(2.16 Dimana : H t total jamker ja yang dibutuhkan pada periode t q pj jumlahjam jamker ja untuk item P yang dibutuhkan pada periode t Hp = jumlah item P yang akan diproduksi Iwl =Beban kerja dalam 1 jam di bagian produksi Iw pada periode t r presentasi dari jam ker ja dibagian menda tan g produksi ws selama periode 5. Metode Capacity Bills (Bill Of Resources) 66

67 Pada metode Capacity Bills, estimasi beban kerja pada setiap bagian produk untuk setiap periode Jadwal Induk Produksi dihitung dengan rumus : I wj n p 1 q pj xh pj.(2.17) Dimana: Iwl = Bebean kerja dalam 1 jam pada bagian produksi w pada periode t q pj jumlahjam jamker ja untuk item P yang dibutuhkan pada periode t Hp = jumlah item P yang akan diproduksi N = jumlah produksi yang dibuat. 6. Resources Profile Approach 67

68 Metode ini selain menggunakan data waktu standar, pendekatan ini juga membutuhkan data waktu senggang (Lead Time) untuk melakukan pekerjaan tersebut. Dalam penelitian tugas akhir ini pada perhitungan Rought Cut Capacity Planning menggunakan metode Bill Of Resources MRP Definisi MRP MRP merupakan salah satu teknik perencanaan dan pengendalian produksi dimana jadwal induk produksi digunakan untuk membuat atau membeli material/item yang bersifat Dependent Demand. Master Requirement Planning yaitu suatu system untuk mengatur agar komponen-komponen yang diperlukan tersebut dapat tersedia pada waktu dan jumlah yang tepat. Sebuah produk terdiri dari Independent demand yaitu kebutuhan yang tidak berhubungan dengan produk lain dan Dependent Demand yaitu kebutuhan yang berkaitan dengan produk lain. Jika pada peramalan dam agregat kita berfokus pada independent demand maka pada MRP kita akan berfokus pada dependent demand. 68

69 BOM Metode BOM (Bill Of Material) adalah suatu cara untuk mempermudah kita dalam berfokus pada dependent demand. BOM merupakan suatu metode untuk memecahkan suatu independent demand menjadi dependent demand Lead Time Lead Time dibedakan menjadi dua jenis yaitu : 1. Lead Time pembelian Adalah selang waktu antara pemesanan dengan waktu diterimanya pesanan tersebut. 2. Lead Time manufacturing Adalah waktu yang dibutuhkan untuk perakitan yang diukur dari waktu pemesanan sampai produk tersebut diterimanya pesanan tersebut Lot Sizing 69

70 Lot sizing (lotting) merupakan suatu algoritma Heuristics yang mencoba untuk mencari jumlah pesanan yang optimal berdasarkan pertimbangan : o Biaya pembalian barang Adalah harga pembelian, jika barang dibeli atau biaya produksi, jika barang dibuat sendiri. Untuk barang yang dibeli, biaya total adalah harga barang ditambah biaya pengangkutan, pajak, bea, dan lain-lain. o Biaya pesan Adalah biaya yang harus dikeluarkan setiap kali memesan barang ke supplier, atau biaya set up yang terjadi setiap kali ada pergantian proses produksi dari satu produk ke produk lainnya. o Biaya simpan Adalah biaya yang hars dikeluarkan bila menyimpan barang. Biaya-biaya yang termasuk kelompok ini misalnya : listrik, pajak premi asuransi, biaya tenaga kerja yang mengawasi persediaan dll. Metode ini sangat berguna untuk mencari biaya yang serendah mungkin dalam perhitungan untuk pemesanan barang. Beberapa metode Lot Sizing, adalah sebagai berikut : 70

71 2.5.4 Metode Economic Order Quantity Metode pertama kali dicetuskan oleh Ford Harris pada tahun 1915, tetapi lebih dikenal dengan nama metode Wilson karena dikembangkan oleh Wilson pada tahun metode ini digunakan untuk menghitung minimasi total biaya persediaan berdasarkan persamaan tingkat atau titik equilibrium kurva biaya simpan dan biaya pesan. Rumusan untuk menentukan jumlah EOQ adalah: Q 2 DS H Dimana : Q = Jumlah barang setiap pemesanan D = Jumlah permintaan dalam periode N S = biaya pesan H = biaya simpen pada perioda N Metode Period Order Quantity (POQ) Metode POQ sebenarnya adalah pengembangan dari metode EOQ. Jika pada metode EOQ, jumlah barang setiap pemesanan bersifat konstan, maka pada metode 71

72 POQ ini interval periode pemesanannya yang bersifat konstan. Rumusan untuk menentukan jumlah dan periode POQ adalah: Q N d Dimana : N = jumlah periode pemesanan Q = jumlah barng secara EOQ Metode Lot for Lot (L - 4 -L) Metode Lot for Lot merupakan metode paling sederhana dimana pada dasarnya metode ini mengadakan pemesanan persediaan setiap sub-periode. Tujuannya adalah untuk meminimasi biaya simpan, karena tidak adanya persediaan yang tersisa setiap pergantian sub-periode. Wagner-Within Prinsip : minimasi ongkos persediaan dengan mensyaratkan persediaan akhir horizon perencanaan sama dengan nol. Langkah-langkah: 72

73 3) Hitung matriks ongkos variable total dari setiap alternative pemesanan sepanjang N periode yang terdiri dari ongkos pesan / set up dan ongkos simpan. Z C hp ( Q Q ) ce e ic ce ci Keterangan : 1 1 c e N Z ce = Ongkos variable total periode c sampai e jika membuat pesanan di periode c untuk memenuhi kebutuhan periode c sampai e. C = Ongkos Pesan / set up H = presentasi ongkos simpan. P = Ongkos pembelian per unit e Qce R 5 k c 4) Definisikan f e sebagai altenatif ongkos minimum untuk periode 1 sampai e, dimana persediaan di akhir periode e = 0. f Min e f c Ze 73

74 2.6. PEMBUATAN MRP Langkah-langkah pembuatan MRP, sebagai berikut : 5. Membuat Bill of Material 6. Menentukan Lead Time terbesar untuk menentukan batas terkecil periode dalam perhitungan. 7. Untuk elemen-elemen BOM yang berada di level terbesar (paling bawah letaknya) dihitung dengan Metode Lot Sizing untuk mencari biaya yang paling minimum. 8. membuat table-tabel MRP dengan memasukkan factor-faktor : o Gross Requirement (GR) o Inventory (I) o Schedule Receipt (SR) Jika ada o Safety Stock (SS) o Net Requirement (NR) = GR I SR + SS o Planned Order Receipt o Planned Order Release 74

75 2.6.2 Tujuan MRP Terdapat beberapa tujuan MRP I adalah sebagai berikut : 1. Meminimasi Persediaan Dengan ditentukan jumlah dan waktu suatu komponen yang diperlukan, maka pembelian hanya dilakukan sebatas yang diperlukan saja sehingga dapat diminimalkan biaya persediaan. 2. Mengurangi resiko keterlambatan pengiriman dan produksi Dengan diperhatikan lead time untuk setiap komponen akan memperkecil resiko tidak tersedianya komponen yang akan diproses yang akan dapat mengganggu proses produksi. 3. Komitmen yang realistis, Dengan dapat dipenuhinya jadwal produksi sesuai waktunya, komitmen terhadap pengiriman barang akan lebih realistis sehingga akan meningkatkan kepuasan dan kepercayaan konsumen. 4. Meningkatkan efisiensi 75

76 Dengan lebih baiknya perencanaan dalam hal jumlah persediaan, waktu produksi dan waktu pengiriman barang maka akan meningkatkan efisiensi dalam perusahaan. 76

77 BAB III METODOLOGI PEMECAHAN MASALAH 3.1 Indetifikasi Masalah Untuk mengindetifikasi masalah, maka kita perlu melakukan dengan data yang akan diteliti. Pokok masalah biasanya tercermin dalam judul atau topik suatu penelitian. Dalam hal ini pokok masalah adalah bertujuan untuk mengadakan suatu usulan perbaikan dalam mengelola pengadaan, penyimpanan serta pengadaan material untuk kebutuhan produksi ( inventory control system ) di unit kerja di perusahaan. 3.2 Tahapan Penelitian Tahapan-tahapan penelitian yang dilakukan oleh penulis adalah : 1. Identifikasi masalah 2. Penetapan tujuan 3. Pengumpulan data 4. Koordinasi data menurut bagian-bagiannya. 77

78 3.3 Metode Pengumpulan Data Pada tahap ini dilakukan pengumpulan data dengan cara melakukan pengamatan langsung, melihat catatan kegiatan perusahaan pada bagian persediaan,kebijaksanaan perusahaan menyangkut masalah yang berhubungan dengan persediaan, mencari data tambahan, dan lain-lain. Ilustrasi urutan metode analisisnya dapat dilihat di gambar 3.2 Jenis data yang terkumpul adalah data sekunder yang berupa : a. Data umum perusahaan b. Data produk yang dihasilkan c. Data umum produksi d. Data bahan baku e. Data pemasok f. Data kebijaksanaan Perusahaan yang berhubungan dengan masalah ini Metode pengumpulan data yang dilakukan untuk penyelesaian tugas akhir ini adalah : Obeservasi, yaitu pengamatan secara langsung pada obyek yang diteliti. Interview, yaitu mengadakan wawancara dilapangan tentang masalah yang dibahas. Pencarian data internal, yaitu data yang tersedia di perusahaan dimana penelitian ini dilakukan. 78

79 Pencarian data external, yaitu data yang didapat dari luar perusahaan, misalnya: informasi tehnis atau non tehnis dari pabrik atau vendor penyediaan material. 3.4 Metoda Pemecahan Masalah Setelah pengumpulan data dilakukan, maka dilakukan dengan pengolahan dan analisa sebagai langkah pemecahan masalah. Adapun langkah-langkah tersebut adalah : 1. Klasifikasi Barang dalam Persediaan Pengklasifikasian barang biasanya berdasarkan atas besarnya modal yang tertanam pada barang tersebut, yaitu dengan menghitung berapa kebutuhan barang yang diperlukan dikalikan dengan harga barang tersebut Dengan ini kita dapat memisahkan mana barang yang memerlukan pengotrolan dan pengawasan secara intensive dengan barang yang memerlukan pengontrolan dan pengawasan secara sederhana. 2. Penentuan Ramalan Ramalan ini untuk memperkirakan dan mengetahui jumlah material yang akan masuk ke bagian gudang sudah dapat diketahui. 3. Penentuan Model Persediaan Dalam pengendalian persediaan terdapat bermacam-macam model persediaan. Pemilihan model ini biasanya ditentukan oleh beberapa kendala antara lain sifat 79

80 perencanaan dan sifat kebutuhan untuk pemilihan model pengadaan ini ditekankan pada biaya yang seminimum mungkin Penarikan Kesimpulan dan Saran Setelah melakukan pemecahan masalah dengan metode tersebut maka dapat diraik kesimpulan dan saran untuk dijadikan masukan dimasa yang akan datang. Sehingga dengan penerapan hasil penelitian ini diharpkan dapat membantu management untuk melakukan pengendalian persediaan secara optimal.. 80

81 3.6 Tahapan Penelitian / Urutan Metode Analisis Studi Lapangan Indentifikasi masalah : Perusahaan menginginkan suatu sistem manajement inventory yang baru yang bisa membantu mereka dalam meminimasi total annual cost/ unit dalam inventory mereka sampai 30% Tujuan Penelitian : 1. Memperlihatkan perbedaan yang nyata antara EOQ management inventory dan JIT / EOQ management inventory, yakni dari total biaya tahunan. 2. Memberikan masukan kepada perusahaan untuk menentukan pilihan sistem yang akan mereka gunakan nantinya pada mangement inventory mereka. Pengumpulan data : 1. Data yang berhubungan dengan order cost 2. Data yang berhubungan dengan inventory cost 3. Data permintaan atas produk dalam 1 tahun 4. Data pembelian bahan atau penunjang produksi Menekan modal kerja ( working capital ) total annual cost hingga 30% : 1. Menghitung annual demand atas produk 2. Menghitung order cost 81

82 3. Menghitung besar delivery dalam EOQ dan total actual cost 4. Menghitung jumlah delivery dalam JIT/EOQ 5. Menghitung besar delivery dalam JIT/EOQ 6. Menghitung annual cost JIT/EOQ Analisa hasil Kesimpulan dan saran Gambar 3.1 Tahapan Penelitian /Urutan Metode Analisis 3.7 Pola Pikir Penelitian Data Order Data carrying Data annual Cost cost demand Keinginan Perusahaan Saving 30% dan total Annual cost Besar pengiriman pada sistem EOQ Jumlah pengiriman pada sistem JIT/EOQ Besarnya annual cost pada sistem EOQ 82

83 Besarnya pengiriman dan Sistem JIT / EOQ Besarnya total annual cost pada sistem JIT /EOQ Bandingkan Gambar 3.2 Pola Pikir Penelitian 3.8 Kerangka Pemecahan Masalah Identifikasi Masalah Studi Lapangan Studi Pustaka Pengumpulan Data : - Data material yang diperlukan - Data jumlah material yang direvisi Pengolahan Data : - Pengklasifikasian Material 83

84 - Penentuan Peramalan - Penentuan model persediaan Analisa Kesimpulan /saran Gambar 3.2 Kerangka Pemecahan Masalah BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 PENGUMPULAN DATA Data menurut pendapat Mc Leod (1995) dari fakta-fakta maupun angka-angka yang secara relatif tidak berarti bagi pengguna. Informasi adalah dari data-data yang diterima dan telah diolah untuk dapat memiliki arti bagi pengguna. Data-data yang terkumpul merupakan salah satu komponen untuk dilakukan riset, artinya tanpa data-data yang diperlukan tidak akan ada bisa dilakukan riset. Data dibedakan menjadi dua, yaitu 84

85 1. Primary Data, merupakan data yang didapat dari sumber pertama, baik dari individu atau perseorangan atau yang diperoleh dilapangan saat melakukan penelitian tanpa melalui perantara. seperti hasil dari wawancara atau hasil pengisian kuesioner. 2. Secondary Data, merupakan data-data primer yang telah diolah lebih lanjut atau data yang diperoleh dengan cara tidak langsung dan disajikan baik oleh pihak pengumpul data primer atau pihak lain misalnya melalui sumber data yang pada bagian produksi pemasaran. Misalnya dalam bentuk tabel atau diagram. Data sekunder ini digunakan peneliti untuk diproses lebih lanjut Data Permintaan Aktual sabun detergent Rinso Anti Noda 1 kg x 12 Peramalan yang dilakukan menggunakan metode kuantatif dengan penekanan pada metode time series yang berasal dari pola permintaan untuk waktu yang akan datang (peramalan) yang diperkirakan serupa/identik dengan pola data masa lalu. Kurun waktu perhitungan perkiraan dilakukan 24 bulan dengan rentang waktu pada Desember November Data permintaan tersebut dalam satuan dus (fibrate), satu dus (fibrate) berisi 12 pieces polybag 1 kg. 85

86 Tabel 4.1 Data Permintaan Bulan Permintaan Bulan Permintaan Data permintaan pejualan dalam ratusan ribu fib bulan Gambar 4.1 Plot data Pada gambar 4.1 adalah plot data yang berfungsi sebagai visualisasi pergerakan pola permintaan produk Rinso Polybag 1 kg x 12 pcs. Terbaca pergerakan penjualan yang tidak memiliki pola konstan karena memiliki fluktuasi turun atau naik Data Perencanaan produksi 86

87 Data perencanaan waktu produksi terdiri atas sistem kerja, data jumlah karyawan, data kapasitas produksi, data biaya produksi, data biaya pesan, data biaya simpan. 1. Sistem kerja Sistem kerja merupakan sangat penting bagi perusahaan sehingga harus sesuai dengan kebutuhan dan kemampuan perusahaan dan karyawan. Berikut sistem kerja di PT Unilever Indonesia Tbk pada produk Rinso Pbag 1 kg x 12 pcs. Jumlah hari kerja regular: 6 hari/minggu. Jam kerja regular: 24 jam/hari Tabel 4.2 Sistem kerja Sistem jam kerja Dinas malam jam s/d jam Dinas Pagi jam s/d jam Dinas Sore jam s/d jam Regular & Overtime sama Jika permintaan penjualan akan dilakukan overtime pada hari Minggu 2. Kapasitas Produksi Line Produksi yang dihitung adalah pengisian Powder kedalam polybag karena hitungan satu fibrate adalah 12 polybag maka jumlah line yang dihitung line ke-1, line ke-2, line ke-3 dan line ke-6 sampai ke Data dan waktu untuk memproduksi satu fibrate 87

88 Produksi aktual mesin GP : 30 Pcs / menit Efisiensi : 80 % Produksi 1 Shift =(8jam x 60mnt) x 30 Pcs/menit x 80% = Pcs / Shift 1 Fibrate = 12 Pcs 1 Shift menghasilkan = Pcs/shift / 12 = 960 fib / shift 1 Jam menghasilkan = 960 Fib/shift / 8 jam = 120 Fib 1 Fib diproduksi selama = 1 / 120 = 0,008 Jam 4. Upah regular dan upah over time 1 bulan ada 26 hari kerja, 1 hari kerja = 8 jam (1 shift), 1 bulan = 26 x 8 = 208 jam kerja. Upah 1 jam kerja = Rp. 1,082,865 / 208 jam kerja= Rp / jam. Jadi Upah Reguler: Rp / jam. Upah Over Time / jam = Gaji pokok / 173 jam kerja = Rp. 1,082,865 / 173 = Rp Jadi Upah Overtime: Rp / jam 5. Biaya bahan baku Untuk 1000 fb dikeluarkan biaya bahan bakunya sebesar : Rp Maka nilai 1 fb (isi 12 pcs), jadi untuk harga satuan adalah RP /12/1000 = Rp. 1348,-/pcs. 6. Data ongkos pesan 88

89 Ongkos pengiriman dan pengangkutan merupakan tanggung jawab pihak supplier, sehingga ongkos pesan hanya merupakan ongkos telepon, internet, fax dan fakturfaktur yang digunakan. Biaya ini sebesar Rp 5000,-/pesan dan dianggap sama untuk semua pesanan. 7. Data ongkos pesan merupakan biaya mempekerjakan satu karyawan yakni Biaya Hire : Rp Biaya Fired : Rp Biaya Inventory : Rp / fib Biaya Subkontrak, dikarenakan perusahaan tidak pernah melakukan subkontrak maka diasumsikan bila perusahaan mensubkontrak ke perusahaan lain bernilai Rp /fb Biaya Lost sales: Diasumsikan Rp Data ongkos simpan Ongkos simpan ditetapkan sebesar 10% dari harga produk per unit per periode, sehingga didapat tabel ongkos simpan sebagai berikut 89

90 Jadi total biaya simpan/pcs adalah Rp. 134,81. 90

91 4.1.3 Data Perencanaan Kebutuhan Material Data struktur Produk (Bill of Material) PRODUCT: RINSO 1 kg No Level Item Code Description Packing Materials Requirement / 1000 fib UoM 1 G Adhesive PVA Everlast 1.12 gr 2 G Tape 3"x100m UNILEVER 1.2 reel 3 F Premade Bag RAN 1kg 1000 pcs 4 F Outer RAN 1kg/12-Sp 83 pcs Chemical Materials 5 B Salt 17.5 kg 6 A Caustic Soda Liquid 20 kg 7 E Perf. Shotsplat UN 5.36 kg 8 C Tinopal CBSX 4.3 kg 9 C Soda Ash Dense 120 kg 10 A Sodium Sulphate Anhydrous 124 kg 11 A LAS / Neopelex-LS 290 kg 12 A STPP High TR 175 kg 13 B Calcite 76 kg 14 D Polarzyme 1.82 kg 15 D Neelikon Bright Blue 1.52 kg 16 B Sodium Silicate 140 kg 17 A Water 24.5 kg 91

92 92

93 Packing Plant 30 gr 60 gr 500 gr 1,5 kg 2 kg 1 kg FP Powder Packing Plant SPRAY POWDER MIXER MIXER A 2 B 1 C 1 D 1 E 1 F 1 F 2 G 1 G 2 A 3 B 2 C 2 D 2 A 1 A 4 B 3 Level 5 Level 4 Level 3 Level 2 Level 1 A 1 LAS B 1 Sodium Silicate E 1 Perfume ShotSplat G 1 Tape 3"x100 F 2 Outer RAN 1 kg B 2 Calcite D 1 Polarzyme G 2 Adhesive PVA F 1 Premade Bag RAN 1 kg B3 Salt D 2 Neelikon Bright Blue A 2 A 3 A 4 C 1 C 2 STPP Sod Sulphate Anh Caustik Soda Liq Soda Ash Dense Tinopal CBSX Gambar 5.1 Flowcard Proses Produksi RINSO POWDER 93

94 4.2 PENGOLAHAN DATA Perhitungan Peramalan Perhitungan peramalan terdapat beberapa metode peramalan yang pertama adalah metode peramalan regresi linear. Salah satu peramalan yang paling sederhana adalah regresi linier. Dalam aplikasi regresi linier diasumsikan bahwa terdapat hubungan antara variable yang ingin diramalkan dengan variable lain. Selanjutnya, peramalan ini didasarkan pada asumsi bahwa pola pertumbuhan dari data histories bersifat linier (tidak linier 100%). Berikut perhitunganya: Tabel 4.5 Perhitungan Peramalan Metode Regresi Linier t Permintaan Y(t) t.y(t) t b=4.97 Y(t)=a+b(t) a= Y(t)= (t) 94

95 Setelah mendapatkan nilai a dan b maka dimasukan periode mulai dari bulan 25 dengan nilai 1, bulan ke 26 dengan nilai 2 dan seterusnya kedalam rumus sesuai pada bab sebelumya dan hasil Y(t) untuk mendapatkan hasil peramalan untuk 12 bulan kedepan. Tabel 4.6 Hasil Peramalan 1 Tahun ke depan regresi linear Bulan Periode Peramalan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Perhitungan peramalan yang kedua adalah metode peramalan regresi kuadratis. Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Peramalan ini didasarkan pada asumsi bahwa pola pertumbuhan dari data histories bersifat kuadratis. Pada dasarnya, peramalan jenis ini serupa dengan regresi linier, hanya saja berbeda dalam hal asumsi data histories. Berikut hasil perhitunganya: 95

96 Tabel 4.7 Perhitungan Peramalan Metode Regresi Kuadratis T Permintaan Y(t) t.y(t) t 2 t 3 t 4 t 2 Y(t) Α b= Β c= a= Y(t) = (t) (t)^ Beriku hasil peramalan satu tahun atau 12 bulan kedepan. Setelah mendapatkan nilai α, β, maka dimasukan kedalam rumus sesuai pada bab sebelumya untuk mendapatkan hasil peramalan untuk 12 bulan kedepan. 96

97 Tabel 4.8 Hasil Peramalan 1 Tahun ke depan Bulan Periode Peramalan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Perhitungan peramalan yang ketiga adalah metode peramalan DMA (double moving average). Metode ini mampu mengurangi kesalahan sistematis yang terjadi apabila moving average (rata-rata bergerak) digunakan untuk data yang memiliki trend tertentu. Dasar dari metode ini adalah menghitung rata-rata bergerak dan disimbolkan sebagai MA (M 3 N) yang berarti MA M periode dari MA N periode. Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Berikut hasil perhitunganya: 97

98 Tabel 4.10 Hasil Peramalan 1 Tahun ke depan Tabel 4.9 Perhitungan Peramalan Metode DMA 5 x 5 t Permintaan Y(t) S't S''t a b a+bm Caranya adalah dengan memasukan nilai sesuai periode misalnya peramalan ke bulan 25 maka masukan nilai 1 misalkan peramalan ke-26 maka masukan nilai 2 begitu seterusnya. Sehingga didapat hasil peramalan yang telah dimasukan formula pada bab sebelumya dan untuk 12 bulan kedepan. Berikut hasil peramalan satu tahun kedepan: 98

99 Bulan Periode Peramalan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Perhitungan peramalan yang keempat adalah metode peramalan DES (double eksponetial smothing). Prosedur peramalan ini memiliki semua sifat dari teknik moving average, selain itu peramalan dengan exponential smoothing tidak memerlukan data histories dalam jumlah besar. Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Berikut hasil perhitunganya: 99

100 Tabel 4.11 Perhitungan Peramalan Metode DES t Permintaan Y(t) SES DES SES-DES A B a+bm F 24+m = m Berikut adalah hasil peramalan yang telah dimasukan formula pada bab sebelumya dan untuk 12 bulan kedepan: 100

101 Tabel 4.12 Hasil Peramalan 1 Tahun ke depan Bulan Periode Peramalan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Perhitungan peramalan yang kelima adalah metode peramalan Sikilis. Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Berikut hasil perhitunganya: 101

102 Tabel 4.13 Perhitungan Peramalan Metode Siklis t Permintaan Y(t) sin(2phi.t/n) cos(2phi.t/n) Y(t).sin(2phi.t/n) Y(t).cos(2phi.t/n) Y'(t) E E E E E E E E a= b= Y(t)= (sin2pi.t/n) (cos2pi.t/n) c=

103 Berikut adalah hasil peramalan yang telah dimasukan formula pada bab sebelumya dan untuk 12 bulan kedepan: Tabel 4.14 Hasil Peramalan 1 Tahun ke depan Bulan Periode Peramalan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Perhitungan peramalan yang berikunya adalah metode peramalan Seasonal (Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Peramalan dengan metode seasonal sangat baik jika digunakan untuk menghadapi data-data berbentuk seasonal. Mula-mula data selama 24 bulan dibagi menjadi 2 bagian masing-masing 12 periode. Data kemudian di total dan dicari rata-ratanya. Kemudian dilakukan pemberian indeks untuk setiap bulan dengan cara membagi rata-rata penjualan per bulan dengan total dari rata-rata penjualan. 103

104 Berikut hasil perhitunganya: Tabel 4.15 Perhitungan Peramalan Metode Seasonal T Tahun 1 Tahun 2 Total Average Index Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Total Year average Rata-rata/bulan = Tabel 4.16 Peramalan kedepan dengan bantuan metode regresi T Year average t.year average t2 b = a = Total Peramalan tahun ke

105 Berikut adalah hasil peramalan yang telah dimasukan formula pada bab sebelumya dan untuk 12 bulan kedepan: Tabel 4.17 Hasil Peramalan 1 Tahun ke depan Tahun 3 1 Index Peramalan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Perhitungan peramalan yang ketujuh adalah metode peramalan konstan. Rumus beserta cara penyelesaiannya berada pada bab sebelumya. Berikut hasil perhitunganya: 105

106 Tabel 4.18 Peramalan Metode Konstan Bulan Demand (sat.aggregat) Peramalan Rata-rata Bulan Periode Penjualan Peramalan (X i ) (F i ) Tabel 4.19 Validasi Metode Konstan e i =x i -F i RSFE e i Cumm. e i MAE TS January February March April May June July August September October November December

107 Dari hasil tracking signal diperoleh bahwa terdapat hasil peramalan yang melewati batas bawah sehingga tidak bisa melanjutkan ketahap selanjutnya, dan dinyatakan berhenti. Gambar 4.3 Tracking Signal Metode Konstan Perhitungan Validasi Peramalan dengan Tracking Signal Control Chart Validasi merupakan bagian dari tracking signal sebagai perhitungan mengenai sebaik apakah metode peramalan yang digunakan dalam pemprediksikan data aktualnya. Dengan diperbaharuinya peramalan secara terus-menerus setiap minggu, bulan atau kuarter mata data kebutuhan terbaru yang tersedia dibandingkan dengan nilai-nilai yang diperoleh dari peramalan. Nilai dari validasi ini nantinya diteruskan ke tracking signal dengan chart sebagi outputnya yang mempunyai syarat tertentu untuk lolos uji validasi atau tracking signal tersebut. Berikut adalah validasi dari regresi linear 107

108 Tabel 4.20 Validisi Regresi linear t Permintaan Peramalan ei=xi-fi RSFE ei Cumm ei MAE TS Gambar 4.4 Tracking Signal Regresi linear 108

109 Dari hasil tracking signal regresi linear diatas dinyatakan bahwa regresi linear dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL). Validasi regresi kuadratis yang pertama dilakukan mendapatkan hasil peramalan sesuai regresi kuadratis kemudian mencarai nilai kesalahan peramalan (ei) selanjutnya mencari RSFE yaitu (data aktual periode i) (data peramalan periode i). Setelah itu mencari nilai mutlak dari ei. Kemudian mendapatkan MAE (Mean Absolute Error) lalu mencari Tracking signal dengan rumus RSFE/MAE. Gambar 4.5 Tracking signal regresi kuadratis 109

110 Tabel 4.21 Validasi Regresi kuadratis t Permintaan Peramalan ei=xi-fi RSFE ei Cumm ei MAE TS Dari hasil tracking signal regresi kuadratis diatas dinyatakan bahwa regresi kuadratis dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL). 110

111 Tabel 4.22 Validasi metode DMA 5x5 T Permintaa n Peramala n ei=xi- Fi RSFE ei Cumm ei MAE TS Validasi DMA adalah yang pertama dilakukan mendapatkan hasil peramalan sesuai regresi kuadratis kemudian mencarai nilai kesalahan peramalan (ei) selanjutnya mencari RSFE yaitu (data aktual periode i) (data peramalan periode i). Setelah itu mencari nilai mutlak dari ei. Kemudian mendapatkan MAE (Mean Absolute Error) lalu mencari tracking signal dengan rumus RSFE/MAE 111

112 Gambar 4.6Tracking signal DMA Dari hasil tracking signal DMA diatas dinyatakan bahwa DMA dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL). Tabel 4.23 Validasi metode DES t Permintaan Peramalan ei=xi-fi RSFE ei Cumm ei MAE TS

113 Validasi DES adalah yang pertama dilakukan mendapatkan hasil peramalan sesuai regresi kuadratis kemudian mencarai nilai kesalahan peramalan (ei) selanjutnya mencari RSFE yaitu data aktual periode i data peramalan periode i. Setelah itu mencari nilai mutlak dari ei. Kemudian mendapatkan MAE (Mean Absolute Error) lalu mencari tracking signal dengan rumus RSFE/MAE Gambar 4.7 Tracking signal metode DES Dari hasil tracking signal DES diatas dinyatakan bahwa DES dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL). Gambar 4.8 Tracking signal siklis 113

114 Tabel 4.24 Validasi Siklis T Permintaan Peramalan ei=xi-fi RSFE ei Cumm ei MAE TS Validasi siklis adalah yang pertama dilakukan mendapatkan hasil peramalan sesuai regresi kuadratis kemudian mencarai nilai kesalahan peramalan (ei) selanjutnya mencari RSFE yaitu data aktual periode i data peramalan periode i. Setelah itu mencari nilai mutlak dari ei. Kemudian mendapatkan MAE (Mean Absolute Error) lalu mencari tracking signal dengan rumus RSFE/MAE Dari hasil tracking signal siklis diatas dinyatakan bahwa siklis dapat lanjut ke verifikasi karena tidak melewati batas atas (UCL) dan batas bawah (LCL). 114

115 Tabel 4.25 Validasi Seasonal T Permintaan Peramalan ei=xi-fi RSFE ei Cumm ei MAE TS Gambar 4.9 Tracking signal metode seasonal 115

116 Dari hasil tracking signal metode seasonal diatas dinyatakan bahwa metode seasonal tidak dapat lanjut ke verifikasi karena melewati batas atas (UCL) dan batas bawah (LCL) Perhitungan Verifikasi Peramalan dengan Moving Range Chart Salah satu peta kontrol statistik adalah moving Range Chart (MRC). MRC dibuat untuk membandingkan nilai yang diamati atau observasi atau data aktual dengan nilai peramalan atau perkiraan dari kebutuhan yang sama. Jika ada sebuah titik atau data yang berada diluar batas control yang telah ditentukan maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain. Jika semua titik atau data berada didalam batas yang telah ditentukan, dapat dikatakan bahwa metode peramalan yang digunakan adalah benar. Peta kendali (control chart) dibagi menjadi 6 area yang sama besarnya. Daerah A merupakan daerah yang dibatasi 2/3(2,66 MR) = 1,77 MR Daerah B merupakan daerah yang dibatasi 1/3(2,66 MR) = 0,89 MR Daerah C merupakan daerah di atas atau di bawah garis sumbu (central line) Kondisi tidak terkendali (out of control) terjadi jika: Tiga titik atau data yang berurutan, dua atau lebih diantaranya berada di daerah A Lima titik /data yang berurutan, empat atau lebih diantaranya berada di daerah B Delapan titik atau data yang berurutan berada pada salah satu sisi garis sumbu. 116

117 Tabel 4.26 Verifikasi Metode Regresi Linier t Y(t) d'-d MR Gambar 4.10 MRC regresi linear 117

118 Tabel 4.27 data untuk grafik d'-d UCL LCL A1 A2 B1 B Keputusan yang diperoleh dari MRC regresi linear diatas menyatakan bahwa out of control yang berdasarkan ada lima titik berada pada daerah B. 118

119 Gambar 4.11 MRC regresi kuadratis Tabel 4.28 verifikasi Metode Regresi Kuadratis t Y(t) d'-d MR

120 Tabel 4.29 Data untuk grafik MRC regresi kuadratis d'-d UCL LCL A1 A2 B1 B

121 control. Keputusan yang diperoleh dari MRC regresi kuadratis diatas menyatakan in Tabel 4.30 verifikasi DMA T Y(t) d'-d MR

122 Tabel 4.31 Data untuk grafik MRC metodedma d'-d UCL LCL A1 A2 B1 B Keputusan yang diperoleh dari MRC Metode DMA diatas menyatakan bahwa out of control yang berdasarkan pada titik ke-10 dan ke-19 melewati batas atas (UCL dan LCL) 122

123 Gambar 4.12 MRC metode DMA Gambar 4.13 MRC metode DES Gambar 4.13 MRC metode DES 123

124 Tabel 4.32 Verivikasi DES t Y(t) d'-d MR

125 Tabel 4.33 Data untuk grafik d'-d UCL LCL A1 A2 B1 B Keputusan yang diperoleh dari MRC metode DES diatas menyatakan bahwa in control. 125

126 Tabel 4.34 verifikasi Siklis T Y(t) d'-d MR

127 Tabel 4.35 Data untuk Grafik d'- d UCL LCL A 1 A 2 B 1 B Gambar 4.10 MRC Regresi Linier 127

128 Keputusan yang diperoleh dari MRC metode siklis diatas menyatakan in control tidak ada yang melewati batas dan sesuai dengan kaidah peta control. Tabel 4.36 Verifikasi Seasonal T Y(t) d'-d MR

129 Tabel 4.37 Data untuk grafik d'-d UCL LCL A1 A2 B1 B Gambar 4.15 MRC metode seasonal 129

130 Keputusan yang diperoleh dari MRC metode seasonal diatas menyatakan bahwa out of control yang berdasarkan ada delapan titik berada pada daerah B. Berdasarkan data peramalan yang terbaik maka data yang digunakan adalah forecasting (peramalan) dari metode Siklis Analisis Permintaan Analisis Pola Permintaan Aktual RINSO Anti Noda Polybag 1 kg x 12 pcs Dalam peramalan time series, perlu diketahui dulu pola time series. Pola permintaan dapat diketahui dengan membuat scatter diagram yaitu pemplotan data historis selama interval waktu tertentu. Dari scatter diagram ini secara visual akan dapat diketahui bagaimana hubungan antara waktu dengan permintaan. Pola permintaan adalah suatu pola pergerakan jangka panjang dari tampilan data-data scatter diagram permintaan Dari plot data diatas menunjukan bahwa permintaan tertinggi pada periode ke- 19 sebesar dan permintaan terendah pada periode ke-10 sebesar Plot data diatas tergolong pola data yang berfluktuasi, apabila dilihat pada rentang waktu / periodenya Analisis Metode Peramalan Menurut Teguh Baroto (2002), tahap pertama dalam perencanaan dan pengendalian produksi bila produksi bertipe make to stock adalah menentukan peramalan akurat dari permintaan untuk item yang diproduksi. Peramalan merupakan input bagi proses perencanaan dan pengambilan keputusan. Peramalan menunjukkan perkiraan yang akan terjadi pada suatu keadaan 130

131 tertentu. Sebaliknya, perencanaan menggunakan ramalan tersebut untuk membantu para pengambil keputusan dalam memilih alternatif terbaik. Dengan demikian, suatu ramalan mencoba untuk memperkirakan apa yang akan terjadi, sedangkan perencanaan adalah upaya para pengambil keputusan untuk dapat mempengaruh hasil yang akan terjadi melalui berbagai strategis, misalnya rencana promosi, distribusi. Time Series Patterns Stationer Trend Effect Seasonal Effect Cyclic Effect Nonseasonal Stationary models Nonseasonal Nonstationary models Seasonal and Multiplicative models Intervention models Gambar 4.16 Pola umum peramalan time series Peramalan itu sendiri dipengaruhi oleh demand yang terdapat beberapa variabel atribut demand tersebut yaitu: variasi random, rencana konsumen, daur hidup produk, pesaing, perilaku (sikap konsumen), waktu, siklus bisnis, iklan, sales effort, reputasi, desain produk, kebijaksanaan kredit, dan kualitas. Dalam peramalan terdapat konsiderasi yang yang harus dipertimbangkan misalnya: 131

132 1. Ongkos (biaya) Biaya Yang dikeluarkan perusahaan untuk membiayai riset dan metode peramalan produk adalah suatu hal yang nyata dan harus dipertimbangkan. Kemudian biaya kegiatan peramalan yang yang dikeluarkan merupakan aspek yang tidak dapat lepas karena kegiatan peramalan yang dilakukan merupakan suatu cost yang harus diperhitungkan oleh perusahaan. Selanjutnya biaya akibat kesalahan peramalan, peralamalan yang yang terbaik sebaiknya digunakan karena akan meminimasi kesalahan yang berakibat pada biaya yang dikeluarkan oleh perusahaan. 2. Manfaat Seberapa besar keuntungan yang didapat oleh peramalan yang telah dilakukan apakah dapat membawa kontribui postif dengan permintaan berikutnya. 3. Ketelitian Seberapa tepat peramalan yang dengan kondisi aktual Kesederhanaan perhitungan Pada kenyataannya perhitungan peramalan yang sederhana sangat berlawanan dengan ketelitian yang diperoleh. 5. Kemampuan dalam menyesuaikan dengan perubahan pasar Dalam hal ini faktor dari atribut variabel permintaan sangat mempengaruhi apakah peramalan yang digunakan sesuai dengan perubahan pasar. 132

133 Tabel 4.38 Analisis perbandingan metode peramalan Validasi Verifikasi METODE RESULT (Tracking Signal) (MRC) Regresi Linier X Regresi Kuadratis DMA (5 X 5) X DES (0,8) Seasonal X X Siklis Konstan X X Dalam peramalan terdapat cara untuk memberikan penguatan apakah peramalan yang digunakan sesuai atau tidak yaitu dengan menggunakan metode validasi, verifikasi dan yang terakhir adalah metode Theils U untuk mendapat metode dan nilai yang valid untuk hasil peramalan yang dikehendaki Berdasarkan nilai Theils s U diatas seharusnya metode Seasonal yang digunakan. Namun, kenyataannya metode seasonal berada pada kondisi Out of control. Dari hasil tabel diatas menunjukan bahwa metode regresi kuadratis, DES (0,8), dan Siklis berada pada kondisi In control. Untuk perhitungan berikutnya digunakan hasil dari peramalan siklis dikarenakan metode siklis memiliki nilai Theil s U terkecil dibandingkan ke-3 metode diatas 133

134 4.2.6 Analisis Hasil Peramalan Terbaik Hasil peramalan yang terbaik dari pengolahan data, diperoleh peramalan terbaik dengan metode siklis. Pola siklikal adalah bila fluktuasi permintaan secara jangka panjang membentuk pola gelombang atau siklus. Pola siklikal mirip dengan pola musiman. Pola musiman tidak harus berbentuk gelombang, bentuknya dapat bervariasi, namun waktunya akan berulang setiap tahun (umumnya). Pola siklikal bentuknya selalu mirip gelombang sinusoid. Gambar 4.17 Fluktuasi permintaan berpola siklis Dari gambar diatas menunjukan bahwa pola permintaan aktual menyerupai pola data siklis diatas. 134

135 PERENCANAAN PRODUKSI (Perhitungan AGREGAT) Tabel 4.39 Perhitungan Changing Workforce Levels Bulan Demand Demand waktu (sat.aggregat) (jam) reguler Overtime Hire Fire Pekerja Jumlah Rp 5,206 Biaya Reguler Rp Rp 6,259 Biaya Overtime Rp Rp 1,082,865 Biaya Hire Rp Rp 1,624,298 Biaya Fire Rp Rp 64,711 Biaya Bahan Baku Rp Total Biaya RP 35,983, ,717,708 15,690,864,436 15,801,566,

136 Tabel 4.40 Perhitungan Changing Inventory Level Bulan Demand (sat.aggregat) Demand (jam) Produksi (sat.agregat) Produksi (jam) Pekerja Inventory (sat.aggregat) Lost deman Jumlah Rp 5,206 Biaya Reguler Rp 35,983,872 Rp 1,082,865 Biaya Hire Rp Rp 1,624,298 Biaya Fire Rp 74,717,708 Rp 3,000 Biaya Inventory Rp 17,770,542,000 Rp 150,000 Biaya Lost Demand Rp Rp 64,711 Biaya Bahan Baku Rp 74,547,072,000 Total Biaya Rp 92,428,315,

137 Tabel 4.41 Perhitungan Subcontracting Demand Produksi (sat.agrega (sat.agrega Produksi Bulan t) t) (jam) Pekerja Subkontrak (unit) Jumlah Rp 5,206 Biaya Reguler Rp 7,184,280 Rp 1,082,865 Biaya Hire Rp Rp 1,624,298 Biaya Fire Rp 74,717,708 Rp 100,000 Biaya Subkontrak Rp 1,310,800,000 Rp 64,711 Biaya Bahan Baku Rp 14,842,632,648 Total Biaya Rp 16,235,334,

138 Tabel 4.42 Perhitungan Mixed Strategy Bulan Demand (jam) Reguler Inv. (unit) Subkont. (sat.agregat) Hire Overtime Pekerja Jumlah Rp 5,206 Biaya Reguler Rp Rp 1,082,865 Biaya Hire Rp Rp 1,624,298 Biaya Fire Rp Rp 3,000 Biaya Inventori Rp Rp 100,000 Biaya Subkontrak Rp Rp 6,259 Biaya Overtime Rp Rp 64,711 Biaya Bahan Baku Rp Total Biaya Rp 1,691,241, ,051,100,000, ,503,710,000,000 4,556,501,241,

139 Tabel 4.43 Hasil nilai Minimumnya Changing Workforce Level Rp 15,801,566,016 Changing Inventory Level Rp 92,428,315,580 Subcontracting Rp 16,235,334,636 Mixed Strategy Rp 4,556,500,581,984 Minimum Rp 15,801,566,016 Metode terbaik adalah Changing Workforce Level, sehingga diperoleh Y* dari demand satuan agregatnya. Tabel 4.44 Y* Periode Y*

140 4.4 PERHITUNGAN DISAGREGAT Input Disagregat Periode 1 Family Item code Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F Input Disagregat Periode 2 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F

141 Input Disagregat Periode 3 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F Input Disagregat Periode 4 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F

142 Input Disagregat Periode 5 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F Input Disagregat Periode 6 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F

143 Input Disagregat Periode 7 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F Input Disagregat Periode 8 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F

144 Input Disagregat Periode 9 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F Input Disagregat Periode 10 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F

145 Input Disagregat Periode 11 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F Input Disagregat Periode 12 Family Item Pers. Awal Permintaan F. Konversi Expected Quantity Jumlah Produk F 2 N = 1 Jumlah Ei = 0 Y* Produk A = Item Disaggregation Algorithm Y* Step 1 Step 2 Step 3 Kuant. Prod Konversi Next Inventory F

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

147 4.5 PERHITUNGAN RCCP Tabel 4.46 Tabel perhitungan RCCP Bulan Demand (sat.aggregat) Prod.(sat.agregat) Gambar 4.18 Gambar RCCP 147

148 Kapasitas yang tersedia lebih besar dari kapasitas yang dibutuhkan maka demand dari data JIP (Jadwal Induk Produksi) dapat digunakan. 4.6 ANALISIS PERENCANAAN PRODUKSI Perencanaan produksi adalah perencanaan mengenai tenaga kerja, bahan-bahan dan mesin dan peralatan lain serta modal yang diperlukan untuk memproduksi barangbarang pada periode tertentu dimasa mendatang sesuai dengan yang diperkirakan atau yang diramalkan. Tujuan perencanaan produksi bertujuan untuk mencapai suatu perencanaan yang fesible dan optimal. Terdapat dua klasifikasi perencanaan produksi yaitu perencanaan jangka pendek dan perencanaan jangka panjang, penjelasan selengkapnya terdapat pada bab sebelumnya. Metode perhitungan perencanaan produksi dibagi menjadi dua yaitu metode perencanaan agregat dan disagregat. Proses agregasi (aggregation) adalah proses pengelompokan beberapa jenis item menjadi product family. Proses disagregasi (disaggregation) adalah proses derivasi product family menjadi item. Untuk contoh proses agregat adalah IBM memproduksi komputer laptop, desktop, notebook dan mesin teknologi tinggi ainnya. Dalam hal ini proses agregasi adalah pengelompokan jenis-jenis komputer tersebut kedalam family product (misalnya famili komputer). Unit agregat yang biasa digunakan dalam proses agregasi: 1. Jam kerja buruh, mesin atau resource lainnya 2. Waktu standar 3. Harga jual, ongkos produksi 4. Satuan agregat dummy Contoh proses disagregat adalah nilai penjualan total perusahaan dikelompokan kedalam nilai penjualan masing-masing produk yang dibuat atau jam produksi total 148

149 dikelompokan kedalam jam produksi masing-masing produk. Nilai penjualan masingmasing produk tersebut dibagi dengan harga jual masing-masing sehingga diperoleh jumlah unit yang akan diproduksi. Tujuan perencanaan agregat adalah membangkitkan (generate) top level production planned : 1. Basis perencanaan agregat adalah hasil ramalan target produksi. Target produksi ditentukan oleh top level business plan yang memperhatikan kapasitas dan kapabilitas perusahaan 2. Analisis dilakukan dalam kelompok produk (product family) dengan unit agregat 3. Melibatkan pemilihan srategi manufaktur 4. Peran perencanaan agregat adalah sebagai interface antara perusahaan / system manufaktur dan pasar produknya Setelah proses agregat dalam hal ini dilanjutkan pada proses disagregat, yang output dari proses disagragat adalah Jadwal Induk Produksi. Demand satuan agregat didapat dari hasil peramalan terbaik 12 bulan kedepan yaitu metode peramalan siklis. Kemudian demand (jam) didapat dari hasil kali demand satuan agregat dengan cyle time yaitu Kemudian waktu regular didapat dari jumlah waktu kerja (dalam jam) dalam satu bulan. Dapat diketahui bahwa nilai cyle time yang sangat kecil yaitu dan jam kerja sebesar 576 diperoleh bahwa perusahaan dapat memproduksi sebanyak 576/0.006= Sehingga untuk memproduksi jumlah sesuai pada demand satuan agregat maka tidak memerlukan pekerja sebanyak 46 tetapi hanya memerlukan satu pekerja. Penyebabnya adalah kapasitas produksi mesin perusahaan dapat meng-handle dengan produksi yang efektif dan efisien. Output dari agregat adalah 149

150 Y* selanjutnya adalah metode perencanaan disagregat untuk mendapatkan Jadwal Induk Produksi (JIP). Untuk metode perencanaan disagregat pada kolom family merupakan induk dari jenis produk. Misalnya familynya adalah Detergent kemudian untuk itemnya adalah Rinso, Surf. Untuk persediaan awal produksi Rinso Anti Noda yang mana tidak ada persediaan awal. Faktor konversi ini adalah nilai pembanding bahwa apabila dalam iterasi disagregat tersebut terdapat dua produk atau lebih, maka dibuat nilai konversi tersebut. Kemudian nilai JIP diambil dari nilai kuntitas produksi setiap periode. Analisis RCCP merupakan proses mengkonversi MPS kedalam sumber daya yang dibutuhkan. Tahap pertama dalam RCCP adalah identifikasi sumber daya yang utama, seperti work center, tenaga kerja atau material kritis. Kemudian tentukan faktor penggunaan sumber daya per unit untuk setiap item, dan diasumsikan bahwa sumber daya tersebut digunakan dalam periode yang sama sesuai dengan jadwal pesanan yang telah disusun. Kemudian faktor penggunaan tersebut dikalikan dengan jumlah rencana pemesanan untuk RCCP. Dari hasil perhitungan RCCP dapat dianalisis bahwa kapasitas yang tersedia lebih besar dari kapasitas yang dibutuhkan maka demand dari data JIP (Jadwal Induk Produksi) dapat digunakan. 150

151 BAB V HASIL DAN ANALISIS Analisis pemecahan masalah yang akan dibahas adalah dimulai dari Proses pembuatan BoM hingga pengerjaan MRP dan semua keterkaitan yang harus dilakukan berikutnya. 5.1 ANALISIS BILL of MATERIALS ( BoM ). Analisis produk sabun Detergent terdiri atas satu Produk Jadi ( Finished Product ) dengan lima level yang dimulai dari level 0. Untuk level nol dinyatakan bahwa Produk Jadi adalah sabun Detergent. Untuk Level 1 s/d level 5 terdiri dari dua atau lebih jenis bahan baku, packing material dan jenis material chemical ( bahan-baku jenis -kimia, bentuk padat dan bentuk liquid ). Dalam proses produksi sabun detergent dalam pelaksanaan mixing dari beberapa material diatur dengan loadcell (timbangan) per 1 ton yang dalam beberapa kemasan dipakai kemasan Jumbo Bag kapasitas 1 ton, dan untuk penarikan Chemical bentuk Liquid dilakukan dengan cara Flowmeter ( takaran yang disesuaikan dengan kebutuhan setiap batch proses-nya ) atau dengan flow meter yang diatur dengan control Norbrovalve ( programnya disesuaikan dengan kebutuhan ). 151

152 Dari penanganan secara manual atau otomatis dari beberapa instrument, semua material dideteksi di ruang control yang mulai dari proses awal pengisian hopper dengan material yang ditetapkan untuk proses setiap batch-nya sampai dengan proses menjadi bentuk powder selesai diproduksi semua mengacu ke BoM yang sudah ditetapkan. Tabel 5.1 Isi Penjelasan BoM 152

153 5.2 MATERIALS REQUIREMENT PLANNING Mekanisme Proses MRP, dimulai dari Daftar Induk Rencana Produksi : Tabel 5.2 Master Production Schedule ( perhitungan Packing Material di fokuskan di produk Size 1 kg ) Data Rencana Produksi RINSO ANTI NODA 1 kg( dalam tonage ) Plan 30 gr 56 gr 500 gr 1 kg 2 kg produksi / 300 pcs / 120 pcs / 24pcs / 12 pcs / 6 pcs WEEK total Jan sub total Feb sub total Mar sub total Apr sub total Total ton ton 153

154 154

155 Focus : Rinso Anti Noda 1 kg Tabel 5. 3 FORM PLAN PRODUKSI Plan Production NSD WK IN TON Januari 2007 Februari 2007 Maret 2007 Apr-07 Mei 2007 roduct Cod Description Key Figure Week PC BARU ID39004 RINSO ANTI NODA 1KG/12 Forecast ID39004 RINSO ANTI NODA 1KG/12 Production Plan ID39004 RINSO ANTI NODA 1KG/12 Closing Stock ID39004 RINSO ANTI NODA 1KG/12 Weeks Cover ID39005 RINSO ANTI NODA 2KG/6 Forecast ID39005 RINSO ANTI NODA 2KG/6 Production Plan ID39005 RINSO ANTI NODA 2KG/6 Closing Stock ID39005 RINSO ANTI NODA 2KG/6 Weeks Cover ID39001 RINSO ANTI NODA 30G/300 Forecast ID39001 RINSO ANTI NODA 30G/300 Production Plan ID39001 RINSO ANTI NODA 30G/300 Closing Stock ID39001 RINSO ANTI NODA 30G/300 Weeks Cover ID39003 RINSO ANTI NODA 500GR/24 Forecast ID39003 RINSO ANTI NODA 500GR/24 Production Plan ID39003 RINSO ANTI NODA 500GR/24 Closing Stock ID39003 RINSO ANTI NODA 500GR/24 Weeks Cover RINSO ANTI NODA 56/120 Forecast RINSO ANTI NODA 56/120 Production Plan RINSO ANTI NODA 56/120 Closing Stock RINSO ANTI NODA 56/120 Weeks Cover Total Forecast TotalProduction Plan Total Closing Stock

156 Dalam tabel dibawah ini pemesanan material Packing di fokuskan hanya di kebutuhan produksi Rinso Anti Noda 1 kg, untuk kemasan : 30 gr,56 gr,500 gr dan 2 kg pola pemesanan sama dengan yang 1 kg, untuk Chemical diperhitungkan untuk dipesan selama 1 kuartal. Tabel 5.4 Material Requirement Planning. Tabel 5. 5 Penjelasan BoM dan proses MRP Contoh data Pemesanan Barang diambil dari data Permintaan dan Forcasting berdasarkan Brand Outlook th 2007 RAN 1 kg / 12 RAN 30 gr / 300 RAN 56 gr / 120 RAN 500 gr / 24 RAN 2 kg / 6 No kg/ fib Month in Ton Total / month Fiberites Conversion Polybag In Fifberites kg/ fib in Ton Total / month 1 12 Jan, , , , , , Feb , , , , Mar , , , , Apr , , , , Mei , In Fifberites kg/ fib in Ton Total / month In Fifberites kg/ fib in Ton Total / month In Fifberites kg/ fib in Ton Total / month 4255 th 4,254,660 pcs 156

157 Dari Tabel Pengelompokan Material per Level mulai dari level 1 ke level 5 adalah proses dalam pelaksanaan urutan produksi dengan keterangan sebagai berikut : - Level 1 : Gabungan antara 2 material yang saling terkait penggunaannya. - Level 2 : Gabungan antara 2 material yang saling terkait penggunaannya. - Level 3 : Proses Produksi Mixing dalam Post Doozing - Level 4 : Proses Produksi Mixing dalam Batching - Level 5 : Proses Produksi di plant yang terpisah yang hasil produk-nya sebagai bahan baku utama. 5.3 ANALISIS PEMESANAN MATERIAL. Dari sekian banyak material tersebut diatas, sebagai contoh untuk perhitungan pemesanan produk : Rinso Anti Noda 1 kg dipakai baik itu jenis packing maupun untuk jenis chemical-nya ditampilkan menggunakan : - Metode Fixed Order Quantity ( FOQ ) - Metode Economic Order Quantity ( EOQ ) - Metode Lot for Lot ( L for L ) Penggunaan semua metode tehnik menghitung tersebut diatas bertujuan untuk mencari ukuran pemesanan yang paling ekonomis, dalam hal ini dengan melakukan percobaan ukuran pesanan pada formulasi perhitungan yang telah dibuat dibawah ini dengan urutan penggunaan data-data : - Forecast Plan Produksi untuk produk Rinso Anti Noda 1 kg (PC:39004) dengan periode data selama 4 bulan (18 minggu) kedepan dan pembacaan 157

158 data dari jumlah Tonage Plan Produksi menjadi jumlah pieces atau kilogram dari semua jenis material yang akan dipesan (requirement). - Format perhitungan dengan 3 metode FOQ, EOQ dan Lot for Lot untuk menghitung semua kebutuhan bahan baku sebanyak target yang sudah ditentukan sebagai fixed plan dan long term plan selama 4 bulan (18 Minggu), yang pada perhitungan kebutuhan dengan ketiga metode akan mendapatkan hasil biaya Pemesanan dan biaya Penyimpanan. - Hasil perhitungan dapat langsung dipakai sebagai acuan untuk beberapa jenis material dan bisa dipesankan sesuai perhitungan yang ada, tetapi untuk beberapa material (import) yang dipesan dengan lead time dan pengadaannya harus dikirim via Sea Freight (menggunakan container dan tranportasi kapal laut) yang penguruannya melalui prosedur pabean harus diperhitungkan dengan lebih cermat dan membutuhkan penanganan khusus untuk jangan sampai terjadi pemblockiran yang disebabkan tidak lengkapnya dokumen. import. 158

159 Dengan menggunakan data Produksi (table 5.6) ini, data dalam jumlah Tonage kemudian di breakdown menjadi Requirement setiap Bahan baku yang akan digunakan sebagai data pemesanan untuk ketersediaan Material selama periode yang sudah direncanakan. Tabel 5. 6 DATA PERHITUNGAN MRP DARI FORECAST PLAN PRODUKSI Rinso 1 kg - PC % / Jan Feb Mar Apr 1000 Periode fib Forecast plan Prod Packing Materials 1 OPP Tape 3" x 100 mt"black" Outer Rinso 12 x 1 kg Polybag Rinso 1 kg Chemical Materials 1 SALT CAUSTIK SODA LIQ 6.3 1,575 1,071 1,197 1,449 1,197 1,197 1,449 1,197 1, ,197 1,197 1,449 1,134 1,134 1,386 3 TINOPAL CBSX SODIUM SILICATE SODIUM SULPHATE CALCITE STPP LAS PERF. SOLAR SPLATE SODA ASH DENSE NEELIKON BRIGHT BLUE

160 160

161 LOT for LOT Outer RAN 1kg item code : Lot Size : ( in Thousand ) Lead Time=3 day Min Stock: DESCRIPTION PERIODE Jan Feb Mar Apr total Periode Net Requirement pcs Project On Hand Planned Order Release pcs Planned Order Receipt pcs Biaya Simpan /unit Jumlah pemesanan 18 Jumlah Order Biaya Pemesanan 180,000 Biaya Order ,000 Biaya Simpan - Biaya simpan Total Biaya 180,000 Total = 180,000 Metode MRP Biaya Total Pilihan FOQ 3,743,731 EOQ 2,445,140 L for L 180,

162 LOTTING 2 Polybag Bag RAN 1kg ` Data Ongkos Biaya Pemesanan 5000 Biaya Simpan /unit Requirement (per tonin Polybag ) : FOQ ( Fixed Order Quantity) Polybag Bag RAN 1kg item code : Lot Size : ( in Thousand ) Lead Time=3 day Min Stock: DESCRIPTION PERIODE Jan Feb Mar Apr Periode total Net Requirement ,000 pcs Project On Hand Planned Order Release ,008 pcs Planned Order Receipt ,008 pcs x 12 D per year per month per week Biaya Simpan /unit Jumlah pemesanan 16 Jumlah Order Biaya Pemesanan 80,000 Biaya Order ,000 Total Biaya Simpan 53,590,210 Biaya simpan ,590,210 Total Biaya 53,670,210 Total = 53,670,210 EOQ ( Economic Order Quantity) Polybag Bag RAN 1kg item code : Lot Size : ( in Thousand ) Lead Time=3 day Min Stock: DESCRIPTION PERIODE Jan Feb Mar Apr Periode total Net Requirement ,000 pcs Project On Hand Planned Order Release ,040 pcs Planned Order Receipt ,040 pcs Q 2 D S h 2 x x Biaya Simpan /unit Jumlah pemesanan 70 Jumlah Order Biaya Pemesanan 349,805 Biaya Order Total Biaya Simpan 25,918,031 Biaya simpan ,918,031 Total Biaya 26,267,837 Total = 26,267,

163 LOT for LOT Polybag Bag RAN 1kg ` item code : Lot Size : ( in Thousand ) Lead Time=3 day Min Stock: DESCRIPTION PERIODE Jan Feb Mar Apr Periode total Net Requirement ,000 pcs Project On Hand Planned Order Release ,000 Planned Order Receipt ,000 Biaya Simpan /unit Jumlah pemesanan 18 Jumlah Order Biaya Pemesanan 90,000 Biaya Order 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 5,000 90,000 Total Biaya Simpan - Biaya simpan Total Biaya 90,000 Total = 90,000 Metode MRP Biaya Total Pilihan FOQ 53,670,210 EOQ 26,267,837 L for L 90,

164 CHEMICAL 164

165 165

166 166

167 167

168 168

169 - Untuk perhitungan beberapa material yang lain ditampilkan di halaman LAMPIRAN. 169

170 5.4 ANALISIS METODE MRP Dibawah ini adalah metode terbaik untuk metode perhitungan ( Material Requirement Planning ) yang selanjutnya dapat digunakan oleh perusahaan sehingga mendapatkan biaya-biaya yang dikeluarkan menjadi serendah mungkin untuk perhitungan biaya pemesanan dan biaya penyimpanan material bahan baku. Dari hasil perhitungan dengan ke tiga metode MRP tersebut terdapat total biaya yang termurah untuk setiap jenis material yang dibedakan dari beberapa kategori, all : 1. Dari mana material tersebut didapat : Lokal, Lokal-Import dan Import 2. Lead Time mulai dari pesan sampai dengan barang dijadwalkan tiba. 3. Lot size : minimal order, Jumlah kemasan, container. 4. Minimum stock cover untuk safety stock Berdasarkan biaya rata-rata untuk memperkirakan metode mana yang tepat dipakai untuk Pemesanan Material, sebelumnya harus memperhitungkan kemungkinan terjadi penyimpangan dari rencana dan sangat tidak diharapkan akan terjadi kegagalan kirim karena terjadi pengiriman barang yang tidak sesuai dengan specifikasi yang ditentukan (di reject ), sehingga material tidak cukup tersedia, akibatnya produksi tidak sesuai dengan rencana kerja. Untuk menghindari kemungkinan tersebut diatas terjadi, maka untuk pemesanan barang dengan memilih metode Lot for Lot yang terbaca sangat rendah biaya-nya tetapi dengan 170

171 berbagai resiko gagal produksi, maka harus dilakukan dengan selektif dan akurat dalam penggunaan metode Lot for Lot tersebut tidak dapat dilakukan untuk seluruh material, terutama untuk jenis material chemical karena dalam pemesanannya harus mengikuti jumlah lot size dari setiap jenis material tersebut.. Untuk mendapatkan pemilihan yang tepat dalam melakukan Pemesanan material, dengan segala kemungkinan terkecil akan gagal produksi, serta tetap mengikuti pembelanjaan sesuai Lot size, dan tetap menjaga stock cover dengan memasang batas minimal stock (jumlah ditentukan sesuai dengan Lead time ). Tabel 5.8 Analisis Biaya Pemesanan dan Penyimpanan 171