BAB II LANDASAN TEORI

Transkripsi

1 BAB II LANDASAN TEORI Dalam perencanaan suau proses produksi dapa menggunakan meode perencanaan aggrega. Yaiu proses perencanaan suau sisem produksi mencakup beberapa aspek-aspek yang erliba dalam kegiaan produksi ersebu. Aspek aspek ersebu diunjukkan oleh bagan beriku : Operasional - Kapasias yang ersedia saa ini. - Perencanaan kapasias unuk masa depan - Kapasias enaga kerja - Jumlah saff yang ersedia saa ini Markeing/Pemasaran - Kebuuhan pelanggan - Peramalan perminaan - Budaya persaingan Maerial/bahan baku - Kemampuan suplier - Kapasias persediaan - Keersediaan maerial /bahan baku Perencanaan Aggrega Finansial - Daa biaya - Kondisi finansial perusahaan Engineering - Produk baru - Perubahan rancangan produk - Sandar proses Personalia - Kondisi keenagakerjaan - Kapasias pelaihan Gambar 2.1 Perencanaan Aggrega

2 Peramalan Peramalan adalah suau proses dalam memprediksi aau memperkirakan apa yang akan erjadi dimasa yang akan daing (Sofjan Assauri, 1984:1). Kegiaan peramalan pada suau bisnis anara lain: peramalan penjualan produk yang sedang berjalan, peramalan pola perminaan pelanggan unuk produk baru, peramalan kebuuhan dan keersediaan bahan baku, peramalan perkembangan keahlian pekerja, peramalan nilai ukar maa uang, peramalan kebuuhan kapasias dan peramalan perkembangan poliik yang bisa mempengaruhi bisnis ersebu. Pada umumnya, bagian yang sering menggunakan meode peramalan dalam pekerjaannya adalah bagian pemasaran (markeing) dan produksi. Bagian pemasaran biasanya membua peramalan penjualan unuk produk yang sudah ada dan produk baru yang akan dikembangkan. Dari peramalan yang dibua oleh bagian markeing maka bagian produksi akan membua peramalan produksi unuk memenuhi perminaan dari bagian pemasaran ersebu. Peramalan dibagi 3 berdasarkan waku menjadi : 1. Peramalan jangka pendek. Yaiu peramalan unuk per hari sampai per minggu. Biasanya digunakan dalam peramalan kebuuhan persediaan sera peramalan kebuuhan sumber daya yang biasanya dirumuskan berdasarkan maerial requiremens planning. 2. Peramalan jangka menengah. Yaiu peramalan unuk per minggu sampai per bulan. Biasanya digunakan dalam peramalan pola penjualan produk yang sejenis, peramalan kebuuhan

3 9 dan keersediaan pekerja dan peramalan kebuuhan sumber daya pada manajemen operasional. 3. Peramalan jangka panjang. Yaiu peramalan secara oal mengenai sraegi suau perusahaan. Peramalan yang ermasuk pada kelompok ini anara lain : peramalan jangka panjang unuk kebuuhan kapasias unuk menganisipasi kenaikan perminaan dimasa yang akan daang Fakor-Fakor Perimbangan Dalam Peramalan Kuaniaif Pada dasarnya meode peramalan kuaniaif ini dapa dibedakan aas: 1) Meode peramalan yang didasarkan aas penggunaan analisis pola hubungan anara variabel yang akan diperkirakan dengan variabel waku, yang merupakan dere waku, aau ime series. 2) Meode peramalan yang didasarkan aas penggunaan analisis pola hubungan anara variabel yang akan diperkirakan dengan variabel yang lain yang mempengaruhinya, yang bukan waku, yang disebu meode korelasi aau sebab akiba causal mehods (Sofjan Assauri,1984:9). Peramalan kuaniaif hanya dapa digunakan apabila erdapa iga kondisi sebagai beriku: 1. Adanya informasi enang keadaan yang lain. 2. Informasi ersebu dapa dikuanifikasikan dalam benuk daa.

4 10 3. Dapa diasumsikan bahwa pola yang lalu akan berkelanjuan pada masa yang akan daang (Sofjan Assauri,1984:5) Ada empa jenis pola daa, anara lain: 1. Pola horizonal aau saionary, bila nilai-nilai dari daa observasi berflukuasi disekiar nilai konsan raa-raa. Dengan demikian dapa dikaakan pola ini sebagai saionary pada raa-raa hiungnya (means ). 2. Pola seasonal aau musiman, bila suau dere waku dipengaruhi oleh fakor musim (seperi kuaralan, bulanan, mingguan dan harian). 3. Pola cyclical aau siklus bila daa observasi dipengaruhi oleh flukuasi ekonomi jangka panjang yang berkaian aau bergabung dengan siklus usaha (business cycle). 4. Pola rend bila ada perambahan aau kenaikan aau penurunan dari daa obserfasi unuk jangka panjang. Pola ini erliaha pada penjualan produk dari banyak perusahaan. Pendapaan Domesik Nasional Bruo (GDP/GNP) dan indikaor ekonomi (Sofjan Assauri,1984:5) Langkah-langkah dasar sisem peramalan. 1. Meneapkan ujuan peramalan 2. Memilih unsur apa yang akan diramalkan 3. Menenukan horizon waku peramalan (jangka pendek, menengah aau jangka panjang) 4. Memilih ipe model peramalan

5 11 5. Mengumpulkan daa yang diperlukan unuk melakukan peramalan. 6. Membua peramalan 7. memvalidasi dan menerapkan hasil peramalan Tabel 2.1 Teknik Pemilihan Meode Peramalan Mehod Paern of Daa Time Horizon Type of Model Minimal Daa Non Seasonal Seasonal Naïve ST, T, S S TS 1 Simple Averages ST S TS 30 Moving Averages ST S TS 4-20 Exponenial Smoohing ST S TS 2 Linear Exponenial Smoohing T S TS 3 Quadraic Exponenial Smoohing T S TS 4 Seasonal Exponenial Smoohing S S TS 2*L Adapive Filering S S TS 2*L Simple Regression T I C 10 Muliple Regression C, S I C 10*v Classical Decomposiion S S TS 5*L Exponenial Trend Models T I, L TS 10 S-Curve Fiing T I, L TS 10 Comperz Models T I, L TS 10 Growh Curves T I, L TS 10 Census II S S TS 6*L Box-Jenkins ST, T, C, S S TS 24 3*L Leading Indicaor C, S S C 24 Economic Model C, S S C 30 Time Series Muliple Regression T, S I, L C 6*L Paern of Daa Time Horizon Type of Model Seasonal : ST = Saionery, T = Trend, S = Seasonal, C = Cyclical : S =Shor Term (Less han 3 Monhs), I = Inermediae, : TS = Time Series, C = Causal : L Lengh of Seasonaliy Sumber : Business Forecasing

6 Model Peramalan Moving Averages Meode moving averages diperoleh melalui penjumlahan dan pencarian nilai raaraa dari sejumlah periode erenu, seiap kali menghilangkan nilai erlama dan menambah nilai baru. Y Y + Y 1 + Y 2 + Y n 1 = (2-1) n ˆ Keerangan: Y ˆ +1 = Nilai peramalan pada periode berikunya Yˆ = Nilai akual perinaan periode sebelumnya n = Periode dalam raa-raa bergerak Dengan ambahan bahwa sau nilai Y digani seiap periode. Perhiungan raa-raa dilakukan dengan bergerak ke depan unuk memperkirakan periode yang akan daang dan dicaa dalam posisi erpusa pada raa-raanya. Moving Averages secara efekif meraakan dan menghaluskan flukuasi pola daa yang ada. Tenu saja semakin panjang periodenya, semakin raa kurvanya. Kebaikan lainnya adalah bahwa meode Moving Averages dapa dierapkan pada daa apapun juga, apakah daa sesuai dengan kurva maemaik aau pun idak. Kelemahan meode ini adalah idak mempunyai persamaan unuk peramalan. Sebagai ganinya digunakan raa-raa bergerak erahir sebagai ramalan periode berikunya. (T. Hani Handoko, 1984:276).

7 Model Peramalan Weighed Moving Averages Pada saa ada rend aau pola yang erdeeksi. Maka meode peramalan Weighed moving average bisa dierapkan. Yaiu dengan cara pemberian bobo unuk menempakan penekanan yang lebih pada nilai erkini. Meode ini membua peramalan lebih anggap erhadap perubahan karena periode yang lebih deka mendapakan pemboboan yang lebih bera. Pemilihan bobo merupakan hal yang idak pasi karena idak ada rumus unuk meneapkan bobo ersebu. Oleh karena iu, pemuusan bobo yang mana yang digunakan, membuuhkan pengalaman. Sebagai conoh jika bulan aau periode erakhir diberi bobo yang erlalu bera, peramalan dapa menggambarkan perubahan yang erlalu cepa yang idak biasa pada perminaan aau penjualan. Weighed moving average (Raa-raa bergerak) dengan pemboboan dapa digambarkan secara maemais beriku : Weighed moving average = ( Bobo pada periode n)( Permiaan pada periode n) Bobo (2-2) Model Peramalan Single Eksponenial Smoohing Penghalusan eksponensial (Eksponenial Smooing) merupakan meode peramalan raa-raa bergerak dengan pemboboan yang cangih, namun masih mudah digunakan. Meode ini menggunakan sanga sediki pencaaan masa lalu. Rumus Exponenial smoohing dapa diunjukkan sebagai beriku :

8 14 Peramalan baru = Peramalan periode lalu + α (Perminaan akual periode lalu Peramalan periode lalu) Dimana α adalah sebuah bobo aau konsana penghalusan (smoohing consan), yang dipilih oleh pembua peramalan yang mempunyai nilai anara 0 dan 1. Persamaan ersebu dapa juga diulis secara maemais sebagai beriku : Yˆ Yˆ + α ( Y Yˆ ) (2-3) = Keerangan : Ŷ = Peramalan Pada Periode Ŷ -1 = Peramalan Pada Periode -1 α = Konsana Pemulusan Y -1 = Daa Perminaan Akual pada Periode Model Eksponenial Smoohing adjused wih Trend Hols Mehod Meode peramalan ini digunakan unuk peramalan pola daa kecendrungan (rend) dengan mengunkan dua parameer. Pada meode Brown pemulusan hanya menggunakan sau parameer sehingga perkiraan nilai pemulusan sanga sensiif erhadap pengaruh acak (John E. Hanke, 1982). Persamaan yang digunakan unuk meode ini adalah sebagai beriku :

9 15 Peramalan dengan Trend (FIT ) = Peramalan Pemulusan eksponensial ( Yˆ ) 1. Peramalan Pemulusan Eksponensial + Trend Pemulusan eksponensial ( T ) Yˆ α Y + (1 α)( Yˆ T ) (2-4) = Perkiraan kecenderungan (rend) T β ˆ ˆ (2-5) = ( Y Y 1 ) + (1 β ) T 1 3. Peramalan pada periode adalah sebagai beriku : Dimana : FIT = Yˆ + T ) (2-6) Yˆ = Nilai pemulusan baru α = Konsana Pemulusan (0<α,1) Y = Nilai peramalan acual pada periode β = Konsana pemulusan rend (0< β <1 T = Nilai perkiraan rend FIT = Nilai peramalan dengan rend Persamaan yang perama hampir sama dengan meode pemulusan eksponensial unggal, eapi kemudian diambah dengan nilai perkiraan rend ( T ). Nilai rend ersebu diperoleh dari selisih anara nilai pemulusan ( Y ˆ Y ˆ 1). Konsana pemulusan kedua β digunakan unuk perkiraan nilai rend yaiu dengan mengalikan

10 16 nilai ( Y ˆ Y ˆ 1) dengan nilai β kemudian diambah dengan perkalian ( 1 β ). Perkiraan nilai rend adalah pemulusan unuk nilai rend bukan pemulusan erhadap akual daa Model Peramalan Linear Regression Model analisis garis kecenderungan dipergunakan sebagai peramalan apabila pola hioris daa acual perminaan menunjukan adanya suau kecenderungan naik dari waku ke waku. Model analisis garis kecenderungan yang paling sederhana adalah menggunakan persamaan garis lurus (sraigh line equaion), sebagai beriku: 1. Perhiungan slope b ( Y ) n( bar)( Y = 2 2 n( bar) bar) (2-7) 2. Perhiungan inersep a = ( Y bar) b( bar) (2-8) 3. Nilai ramalan ramalan perminaan periode Yˆ = a + b (2-9) Keerangan: Yˆ a b = Nilai ramalan pada periode = inersep = Slope dari garis kecenderunga (rend line), merupakan ingka perubahan dalam perminaan

11 17 n -bar Y = Indeks waku = Banyaknya periode = nilai raa-raa dari = Variable perminaan (daa akual) Y bar = Nilai raa-raa perminaan per periode waku Model peramalan Hol-Winers Addiive Algorihm Meode ini digunakan unuk pola daa musiman (seasonal). Meode ini merupakan lanjuan dari meode Hol dua parameer. Perbedaannya hanya pada penambahan sau parameer unuk nilai musiman (seasonaliy). Nilai musiman ini diperoleh dari perkalian anara seasonal indeks (Y /A ) dengan konsana musiman γ kemudian diambahkan dengan perkalian nilai musiman sebelumnya (S -L ) dengan (1-γ). Persamaan yang digunakan adalah sebagai beriku: 1. Pemulusan eksponenial A Y α + ( 1 α)( A 1 + T 1 ) (2-10) S = L 2. Perkiraan kecenderungan T β A A T (2-11) = ( 1 ) + (1 β ) 1 3. Perkiraan nilai musiman S Y γ S (2-12) 4 = + (1 γ ) A L

12 18 4. Peramalan pada perioda 5 adalah sebagai beriku: ˆ (2-13) Y + p = ( A + pt ) S L+ p Keerangan : A = Nilai Pemulusan baru α = Konsana pemulusan (0<α<1) Y = Nilai Peramalan Akual pada periode β = Konsana pemulusan rend (0<β<1) T 1 = Nilai perkiraan rend γ = Konsana pemulusan seasonal S = Nilai seasonal perkiraan p L = periode peramalan = Panjang Musiman ˆ = Nilai peramalan pada periode berikunya Y + p Sau masalah dalam meode Winers adalah menenukan nilai-nilai unuk α,β, dan γ ersebu yang akan meminimumkan MSE aau MAPE. Pendekaan unuk menenukan nilai ini biasanya secara coba dan salah (rial & eror), walaupun mungkin juga digunakan alogarima opimasi non-linear unuk mendapakan nilai parameer opimal. Karena ke dua pendekaan ersebu memakan banyak waku dan mahal,

13 19 maka meode ini jarang digunakan. Meode ini dipakai jika banyak himpunan daa yang harus diangani Analisis Kesalahan Peramalan Secara umum perhiungan kesalahan dapa dijabarkan sebagai beriku : e = Y Yˆ (2-14) dimana : e Y = Kesalahan pada periode ke- = Nilai sesungguhya pada periode ke- Yˆ = Nilai hasil peramalan pada periode ke- Beberapa alernaif analisis kesalahan peramalan yang digunakan adalah: 1) Mean Squared Eror (MSE) : 2) Mean Absolue Percenage Error (MAPE) 3) Mean Absolue deviaion (MAD) Keerangan: Nilai Tengah Kesalahan Kuadra (Mean Squared Error) n ( Y Yˆ ) = MSE = 1 n (2-15)

14 20 Nilai Tengah Kesalahan Persenase Absolu (Mean Absolue Percenage Error) MAPE n = = 1 Y Yˆ Y n (2-16) Simpangan baku kesalahan absolu (Mean Absolue Deviaion) Y Yˆ = MAPE = 1 n n (2-17) Dua ukuran ersebu, merupakan ala evaluasi eknik-eknik peramalan unuk berbagai macam parameer. Semakin rendah nilai MAPE dan MSE, peramalan semakin baik (mendekai daa masa lalu). Teapi nilai errendah (kecuali nol) idak memberikan indikasi seberapa baik meode peramalan yang digunakan dibandingkan dengan meode lainnya (Hendra Kusuma, 199:38) Verifikasi dan Pengendalian Peramalan Langkah pening seelah peramalan adalah verifikasi peramalan sedemikian rupa sehingga dapa mencerminkan daa masa lalu dan sisem sebab-akiba yang mendasari perminaan iu. Jika proses verifikasi diemukan keraguan aas validias peramalan maka harus dicari meode yang lebih cocok. Validias harus dienukan dengan uji saisika yang sesuai. Peramalan harus selalu dibandingkan dengan perminaan akual secara eraur. Pada suau saa harus diambil indakan revisi erhadap peramalan ersebu apabila diemukan buki yang meyakinkan adanya

15 21 perubahan pola perminaan. Selain iu penyebab perubahan pola perminaan pun harus dikeahui. Penyesuaian meode peramalan dilakukan segera perubahan pola perminaan dikeahui (Hendra Kusuma, 1999:40). Terdapa banyak cara yang digunakan unuk memverifikasi peramalan dan mendeeksi perubahan sisem sebab akiba yang melaar belakangi perubahan pola perminaan. Teapi benuk yang paling sederhana diusulkan oleh Bigel adalah pea kendali peramalan, mirip pea kendali kualias. Tracking signal adalah suau ukuran bagaimana baiknya suau ramalan memperkirakan nilai-nilai akual. Tracking signal dihiung sebagai running sum of he forcas errors (RSFE) dibagi dengan mean absolu deviaion (MAD), sebagai beriku: Tracking Signal = RSFE MAD MAD = = (acual demand in period i forecas demand in period i) MAD ( absolu dari forecas eror) (2-18) MAD Tracking signal yang posiif yang menunjukkan bahwa nilai akual perminaan lebih besar dari peramalan, sedangkan racking signal yang negaif berari nilai akual perminaan lebih kecil dari pada ramalan. Suau racking signal disebu baik apabila memiliki RSFE yang rendah, dan mempunyai posiife eror yang sama banyak aau seimbang dengan negaife eror, sehingga pusa dari racking signal mendekai nol.

16 22 Apabila racking signal elah dihiung kia dapa membangun pea konrol signal sebagaimana halnya dengan pea-pea konrol dalam pengendalin proses saisical (saisical proses conrol = SPC) yang memiliki baas konrol aas (upper conrol limi) dan baas conrol bawah (lower conrol limi). Beberapa ahli dalam sisem peramalan seperi George Plossl dan Oliver Wigh, dua pakar Producion Planning and Invenory Conrol, menyarankan unuk menngunakan racking signal maksimum ±4, sebagai baas-baas pengendalian unuk racking signal. Dengan demikian apabila racking signal elah berada diluar baasbaas pengendalian, model peramalan perlu diinjau kembali, karena akurasi peramalan idak adapa dierima (Vincen Gaspersz, 2002:81). 2.2 Perencanaan Kapasias Kapasias adalah hasil produksi (hroughpu), aau jumlah uni yang dapa diahan, dierima, disimpan, aau diproduksi oleh suau fasilias dalam periode waku erenu. Kapasias mempengaruhi sebagian besar biaya eap. Kapasias juga menenukan apakah perminaan dapa dipenuhi, aau apakah fasilias yang ada akan berlebih. Apabila fasilias erlalu besar, sebagian fasilias akan menganggur dan akan erdapa biaya ambahan yang dibebankan pada produksi yang ada aau pelanggan. Jika fasilias yang ada erlalu kecil, pelanggan dan bahkan pasar secara keseluruhan akan hilang. Oleh karena iu, peneapan ukuran fasilias, dengan ujuan pencapaian ingka uilias inggi dan ingka pengembalian invesasi yang inggi sanga menenukan.

17 23 Table 2.2 Jenis perencanaan kapasias berdasarkan horizon waku Perencanaan jangka Panjang Perencanaan jangka Menengah Perencanaan jangka Pendek : Menambah Fasilias : Menambah peralaan yang memiliki lead ime panjang : Subkonrak : Menambah peralaan : Menambah shif Mengubah kapasias : Menambah karyawan : Membua aau menggunakan persediaan : Penjadwalan ugas : Penjadwalan karyawan : Pengalokasian mesin Menggunakan kapasias Kepuusan perencanaan kapasias Dalam memuuskan suau perencanaan kapasias, harusnya melibakan beberapa akivias beriku : 1. Penilaian erhadap kapasias yang ada 2. Peramalan/esimasi kapasias yang akan dibuuhkan pada masa yang akan daang 3. Idenifikasi alernaif-alernaif unuk merubah kapasias 4. Evaluasi finansial, ekonomi dan eknologi unuk seiap alernaif 5. Penenuan alernaif unuk perubahan kapasias.

18 Kapasias desain dan kapasias efekif Kapasias desain adalah oupu maksimum sisem secara eoriis dalam suau periode waku erenu. Pengukuran kinerja kapasias desain yaiu dengan uilisasi. Uilisasi adalah persenase kapasias desain yang sesungguhnya elah dicapai. Kapasias efekif adalah kapasias yang diharapkan dicapai oleh sebuah perusahaan dengan keerbaasan operasi yang ada. Pengukuran kinerja kapasias efekif yaiu dengan efisiensi. Efisiensi adalah persenase kapasias efekif yang sesungguhnya elah dicapai. 2.3 Maser Producion Schedule Maser Producion Schedule merupakan induk dari semua perencanaan dalam proses perencanaan dan pengendalian produksi. Pada MPS erdapa rencana produksi dari seiap proses produksi dari masing-masing par dan sub par. MPS merupakan suau media unuk membua kesepakaan anara bagian pemasaran dan bagian produksi. MPS pada dasarnya berkaian dengan akivias melakukan empa fungsi uama beriku : 1. Menyediakan aau memberikan inpu uama kepada sisem perencanaan kebuuhan maerial dan kapasias. 2. Menjadwalkan pesanan-pesanan produksi dan pembelian (Producion and Purchase Order) unuk iem-iem MPS. 3. Memberikan acuan unuk penenuan sumber daya dan kapasias.

19 25 4. Memberikan dasar penjaminan keepaan pengiriman produk ke konsumen baik dari segi jumlah maupun keepaan waku pengiriman. Sebagai suau akivias proses, MPS membuuhkan lima inpu uama seperi yang diunjukkan pada Gambar 2.2. Rough Cu Capaciy Planning (RCCP) INPUT : 1. Daa perminaan 2. Saus Persediaan 3. Rencana Produksi 4. Daa Perencanaan 5. Informasi RCCP PROSES : Penjadwalan Produksi Induk OUTPUT : Jadwal Produksi Induk (MPS) Gambar 2.2 Proses MPS Sumber : Producion Planning and Invenory Conrol Lima Inpu uama MPS : 1. Daa perminaan (Demand) oal merupakan salah sau sumber daa bagi proses MPS. Daa demand oal berkaian dengan peramalan penjualan (sales forecas) dan perminaan pembelian.

20 26 2. Saus invenori berkaian dengan informasi enang on-hand invenory, sok yang dialokasikan unuk penggunaan erenu (allocaed sock), jumlah produk yang akan diproduksi dan perminaan pembelian (released producion and purchase orders), dan firm planned orders. MPS harus mengeahui secara akura berapa banyak invenori yang ersedia dan menenukan berapa banyak yang harus diorder. 3. Rencana produksi memberikan beberapa baasan pada MPS. MPS harus menjumlahkannya unuk menenukan ingka produksi, invenori dan sumber daya lain dalam rencana produksi. 4. Daa perencanaan berkaian dengan auran enang lo-sizing yang harus digunakan, shrinkage facor, safey sock sera waku unggu (lead ime) dari seiap par. 5. Informasi dari Rough Cu Capaciy Planning (RCCP) berupa kebuuhan kapasias unuk mengimplemenasikan MPS.