FORECASTING
Disusun sebagai salah satu syarat untuk kelulusan Praktikum Sistem Produksi
Disusun oleh : Kelompok X
LABORATORIUM SISTEM PRODUKSI PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS KRISNADWIPAYANA JAKARTA
2022
i Krisnadwipayana
Nama :
1. Diza Aziz Ilhamsyah (2070031002) 2. Heru Firmansyah (2070031010) 3. Ichwal Syafrudiansyah (2070031004)
4. Nasrul Hidayat (2070031022)
5. Ahmad Iksan (2070031041)
6. Sepdian Andiana (2070031030) 7. Ziyad Hanif Prasetyo (2070031096) 8. Muhammad Ferry Afandi (2070031039) Kelompok : X (Sepuluh)
Modul : I (Forecasting)
Jakarta, 22 Mei 2022 Menyetujui,
Kepala Laboratorium Asisten Laboratorium
Mesin Industri Sistem Produksi
Ir. Aries Abbas, ST., MM., MT Amallia Aindina Fitri
NIDN: 03290565505 NIM: 1970031040
Mengetahui, Kepala Program Studi
Teknik Industri
Ir. Florida Butarbutar, MT NIDN: 0310056507
ii
Puji syukur kami panjatkan kehadirat Allah SWT. Atas rahmat dan hidayah- Nya, sehingga akhirnya kami dapat menyelesaikan laporan tugas akhir praktikum
“SISTEM PRODUKSI MODUL I”. Penulisan laporan tugas akhir ini ditulis sebagai salah satu syarat untuk menyelesaikan Praktikum Sistem Produksi Jurusan Teknik Industri Fakultas Teknik Universitas Krisndwipayana. Dalam penyusunan laporan praktikum ini juga tidak lepas dari kerja sama semua pihak yang bekerja keras saling membantu sehingga laporan ini dapat diselesaikan dengan baik. Untuk itu kami mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyusunan laporan praktikum ini, khususnya kami mengucapkan terima kasih kepada ibu Ir. Florida Butar Butar, MT. dan kakak aslab yang membimbing kami dalam penyusunan laporan tugas akhir ini.
Penulis menyadari bahwa laporan ini masih banyak kekurangan, untuk itu saran dan kritik dari semua pihak sangat diharapkan demi kesempurnaan laporan ini. Penulis berharap semoga laporan ini dapat bermanfaat bagi pembaca.
Jakarta, 22 Mei 2022
Kelompok X
iii
Cover ...
Lembar Pengesahan ... i
Kata Pengantar ... ii
Daftar Isi... iii
Daftar Tabel ... vi
Daftar Gambar ... vii
BAB I PENDAHULUAN ... 1
1.1. Latar Belakang Masalah ... 1
1.2. Identifikasi Masalah ... 1
1.3. Perumusan Masalah ... 2
1.4. Maksud dan Tujuan ... 2
1.6. Metodeologi Penelitian ... 3
1.6.1. Flowchart Pemecahan Masalah ... 3
1.6.2. Filosofi Alur Pemecahan Masalah ... 4
1.7. Sistematika Penulisan ... 5
BAB II LANDASAN TEORI ... 6
2.1. Definsi Forecasting ... 6
2.2. Tujuan dan Fungsi Forecasting ... 6
2.3. Faktor-faktor yang mempengaruhi Forecasting ... 7
iv
2.5. Metode-metode Forecasting/Peramalan ... 10
2.6. Analisis Kesalahan Peramalan ... 12
2.7. Jadwal Induk Produksi ... 14
BAB III PENGUMPULAN DAN PENGOLAHAN DATA ... 16
3.1. Pengumpulan Data ... 16
3.1.1. Data Masa Lampau ... 16
3.1.2. Data Harga Barang ... 17
3.1.3. Tujuan Peramalan... 17
3.1.4. Identifikasi Pola Data ... 17
3.1.5. Gambar Produk PLC ... 18
3.2. Pengolahan Data ... 19
3.2.1. Hasil Perhitungan Metode Moving Average 4 Periode Dengan Menggunakan Ms. Excel ... 19
3.2.2. Hasil Perhitungan Metode Weight Moving Average 3 Periode dengan Menggunakan Ms. Excel ... 21
3.2.3. Hasil Perhitungan Metode Simple Expontial Smoothing Dengan Menggunakan Ms. Excel (Ket : 𝛼 = 0,5) ... 24
3.2.4. Perhitungan Menggunakan Windows for QM dengan Moving Average 4 Periode ... 27
3.2.5. Perhitungan 3 WMA menggunakan Windows for QM ... 31
v
Expontial Smoothing ... 36
3.2.7. Pemilihan Metode Terbaik Terdiri Dari MAD Terkecil ... 40
3.2.8. Verifikasi Hasil Peramalan ... 41
3.2.9. Perhitungan Ongkos Produksi Per Unit ... 43
3.2.10. Perhitungan Production Rate bulanan ... 44
3.2.11. Jadwal Induk Produksi ... 44
BAB IV ANALISIS ... 45
BAB V KESIMPULAN DAN SARAN ... 48
5.1. Kesimpulan ... 48
5.2. Saran ... 49
DAFTAR PUSTAKA ... 50
vi Tabel 3.1. Data Masa Lampau
Tabel 3.2. Data Harga Barang
Tabel 3.3. Hasil Data Perhitungan Metode Moving Average 4 Periode
Tabel 3.4. Hasil Perhitungan Metode Weight Moving Average 3 Periode
Tabel 3.5. Hasil Perhitungan Metode Simple Exponential Smoothing (Ket: α = 0,5)
Tabel 3.6. Nilai MAD Gabungan
Tabel 3.7. Data Hasil Forecasting
Tabel 3.8. Perhitungan Ongkos Produksi Per Unit
Tabel 3.9. Production Rate Bulanan
Tabel 3.10. Jadwal Induk Produksi
vii Gambar 3.1. Gambar Produk PLC
Gambar 3.2. Rumus Excel perhitungan Forecast by 4 MA
Gambar 3.3. Rumus Excel Perhitungan Forecast Error
Gambar 3.4. Rumus Excel Perhitungan ABS Error
Gambar 3.5. Rumus Excel Perhitungan MAD
Gambar 3.6. Rumus Excel Perhitungan Forecast by 3 WMA
Gambar 3.7. Rumus Excel Perhitungan Forecast Error
Gambar 3.8. Rumus Excel Perhitungan ABS Error
Gambar 3.9. Rumus Excel Perhitungan MAD
Gambar 3.10. Rumus Excel Perhitungan SES Bulan Februari
Gambar 3.11. Rumus Excel Perhitungan SES Bulan Maret sampai Desember dengan (Ket: α = 0,5)
Gambar 3.12. Rumus Excel Perhitungan ForecastError
Gambar 3.13 Rumus Excel ABS Error
Gambar 3.14. Rumus Perhitungan MAD
Gambar 3.15. Tampilan Awal Windows for QM
Gambar 3.16. Pilih Forecasting
viii Gambar 3.18. Input Jumlah Data
Gambar 3.19. Input Data Demand
Gambar 3.20. Pilih Metode Moving Average
Gambar 3.21. Data Result Windows for QM
Gambar 3.22. Control (Tracking Signal)
Gambar 3.23. Grafik
Gambar 3.24. Tampilan Awal Windows for QM
Gambar 3.25. Menu module pada Windows for QM
Gambar 3.26. Tampilan menu File
Gambar 3.27. Input Jumlah Data
Gambar 3.28. Input Data Demand
Gambar 3.29. Perhitungan 3 WMA dengan Windows for QM
Gambar 3.30. Data Result Windows for QM
Gambar 3.31. Control (Tracking Signal)
Gambar 3.32. Grafik
Gambar 3.33. Tampilan Awal Windows for QM
Gambar 3.34. Menu module pada Windows for QM
ix Gambar 3.36. Input jumlah Data
Gambar 3.37. Input Data Demand
Gambar 3.38. Perhitungan Simple Exponential Smoothing dengan Windows for QM
Gambar 3.39. Data Result Windows for QM
Gambar 3.40. Control (Tracking Signal)
Gambar 3.41. Grafik
Gambar 3.42. Hasil Metode Terbaik
Gambar 3.43. Nilai MAD metode 4 MA
Gambar 3.44. Nilai MAD metode 3 WMA
Gambar 3.45. Nilai MAD metode SES
Gambar 4.1. Diagram Scatter 4 MA
Gambar 4.2. Diagram Scatter 3 WMA
Gambar 4.3. Diagram Scatter SES
1
BAB I PENDAHULUAN
1.1. Latar Belakang Masalah
Dalam dunia usaha biasanya timbul persoalan-persoalan Intern yang rutin. Sehingga diperlukan suatu usaha untuk menelaah ke dalam dan menghubungkannya dengan lingkungan baik intern maupun ekstern.
Semua perusahaan industri dalam kegiatan produksinya dimulai dari tahap perencanaan jumlah produksi, dan untuk menyelesaikan persoalan yang dihadapi dalam menentukan jumlah produksinya sering digunakan metode peramalan.
Peramalan adalah bagian intern aktivitas pengambilan keputusan mengenai kebijakan-kebijakan umum, strategi, dan taktik yang akan diterapkan pada waktu yang akan datang, sehingga perusahaan sudah siap menghadapi persoalan lingkungan.
Kebutuhan untuk meramal meningkat seiring dengan usaha pihak manajemen perusahaan untuk mengurangi ketergantungan pada perubahan lingkungan.
1.2. Identifikasi Masalah
Menentukan rencana untuk produksi PLC di masa yang akan datang dengan menggunakan data pada masa lampau (tahun 2021) dengan metode Moving Average, Weight Moving Average, dan Simple Exponential Smoothing menggunakan Ms. Excel dan Windows for QM.
1.3. Perumusan Masalah
1. Bagaimana prosedur proses perencanaan produksi dan implementasinya?
2. Bagaimana teknik atau metode apa saja yang dipakai dalam peramalan perencanaan produksi?
3. Bagaimana cara menghitung kesalahan dalam peramalan?
4. Bagaimana cara membuat Jadwal Induk Produksi?
1.4. Maksud dan Tujuan
Tujuan yang ingin dicapai dalam penulisan laporan akhir ini:
1. Praktikan mampu mengetahui prosedur perencanaan produksi dan implementasinya.
2. Praktikan mengetahui dan memahami teknik atau metode apa yang dipakai dalam proses peramalan.
3. Praktikan mampu melakukan perhitungan Forecast menggunakan metode MA (Moving Average), WMA (Weight Moving Average), dan SES (Simple Exponential Smoothing).
4. Praktikan mampu membuat Jadwal Induk Produksi (JIP).
1.5. Batasan Masalah
Pada penulisan laporan akhir praktikum ini penulis membatasi permasalahan sebagai berikut :
- Menggunakan pola data horizontal.
- Menggunakan metode Moving Averages (MA), Weight Moving Averages (WMA), dan Simple Exponential Smoothing (SES).
- Menentukan JIP periode Mei – Juni 2022.
1.6. Metodeologi Penelitian
1.6.1. Flowchart Pemecahan Masalah
Studi Pustaka
Identifikasi Masalah
Perumusan Masalah
Maksud dan Tujuan
Pengolahan Data
Responsi
Selesai Start
No
Yes
1.6.2. Filosofi Alur Pemecahan Masalah 1. Mulai
2. Studi Pustaka = Pengumpulan data masa lampau bulan Januari- Desember 2021 untuk peramalan rencana produksi di tahun mendatang.
3. Identifikasi Masalah = Mendefinisikan permasalahan dalam perencanaan produksi PLC dengan menggunakan data masa lampau Januari-Desember 2021 menggunakan metode moving averages (MA), weight moving averages (WMA), dan simple exponential smoothing (SES) menggunakan Ms. Excel dan Windows for QM.
4. Perumusan Masalah = Praktikan menentukan masalah-masalah dalam proses peramalan perencanaan produksi PLC.
5. Maksud dan Tujuan = Praktikan mendefinisikan maksud dan tujuan dari perumusan masalah yang sudah dibuat.
6. Pengolahan Data = Mengolah data masa lampau periode Januari- Desember 2021 untuk peramalan produksi PLC di tahun mendatang menggunakan metode MA, WMA, dan SES menggunakan Ms. Excel dan Windows for QM.
7. Responsi = Merupakan ujian tertulis dari suatu penelitian, dilakukan setelah bab demi bab telah selesai dan telah menyelesaikan laporan penelitiannya.
8. Selesai.
1.7. Sistematika Penulisan
Sistematika yang digunakan penulis akan memuat uraian secara garis besar, yaitu sebagai berikut :
BAB I PENDAHULUAN
Bab ini menjelaskan latar belakang masalah yang terjadi, pengidentifikasian masalah, perumusan masalah, maksud dan tujuan, batasan masalah, dan metodeologi penelitian, serta sistematika penulisan.
BAB II LANDASAN TEORI
Bab ini menjelaskan teori-teori yang berkaitan dengan Forecasting.
BAB III PENGUMPULAN DAN PENGOLAHAN DATA
Bab ini berisikan data-data yang sudah diberikan selama praktikum dan pengolahan data untuk menentukan rencana produksi PLC dimasa mendatang.
BAB IV ANALISIS
Bab ini berisikan analisis terhadap data hasil perencanaan produksi yang sudah diolah.
BAB V KESIMPULAN DAN SARAN
Bab ini berisikan kesimpulan yang dapat diambil dari praktikum ini yang didasari oleh data-data yang telah diproses.
6
BAB II LANDASAN TEORI
2.1. Definsi Forecasting
Menurut Kushartini dan Almahdy (2016), Peramalan (Forecasting) adalah proses untuk memperkirakan berapa kebutuhan dimasa mendatang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa.
Peramalan merupakan suatu kegiatan memperkirakan atau memprediksikan kejadian dimasa yang akan datang tentunya dengan bantuan penyusunan rencana terlebih dahulu, dimana rencana ini dibuat berdasarkan kapasitas dan kemampuan permintaan/produksi yang telah dilakukan di perusahaan (Sofyan, 2013).
2.2. Tujuan dan Fungsi Forecasting
Tujuan forecasting menurut Heizer dan Render (2009:47) adalah sebagai berikut :
1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan pada masa lalu serta melihat sejauh mana pengaruh pada masa mendatang.
2. Peramalan diperlukan karena adanya time lag atau delay antara saat suatu kebijakan perusahaan ditetapkan dengan saat implementasi.
3. Peramalan merupakan dasar penyusutan bisnis pada suatu perusahaan, sehingga dapat meningkatkan efektivitas suatu rencana bisnis.
Selain itu, forecasting memiliki fungsi yang akan terlihat pada saat pengambilan keputusan. Keputusan yang baik ialah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan. Apabila kurang tepat ramalan yang kita susun, maka masalah peramalan juga merupakan masalah yang selalu kita hadapi (Ginting, 2007).
2.3. Faktor-faktor yang mempengaruhi Forecasting
Terdapat beberapa faktor yang mempengaruhi perhitungan dan hasil Forecasting. Faktor-faktor tersebut perlu diperhatikan oleh perusahaan agar perusahaan tidak salah dalam melakukan peramalan. Berikut faktor- faktor dan penjelasannya :
1. Sifat Produk
Umur dari sebuah produk sangatlah berpengaruh. Apakah produk sebuah perusahaan memiliki jangka waktu yang panjang atau pendek untuk bertahan di pasar. Selain itu, produksi dari produk itu sendiri juga dapat mempengaruhi peramalan.
2. Metode Distribusi
Kemampuan dari sebuah perusahaan untuk menjangkau konsumennya dalam pasar, merupakan salah satu faktor yang mempengaruhi peramalan. Oleh karena itu, metode distribusi produk suatu perusahaan dapat menggambarkan seberapa besar pasar yang dapat dijangkau oleh perusahaan.
3. Tingkat persaingan di dalam pasar
Tingkat persaingan dapat dilihat dari posisi perusahaan pada pasar, apakah perusahaan tersebut menjadi market leader, follower, atau nicher. Posisi perusahaan juga dapat dilihat dari peluang yang dimiliki perusahaan dan tantangan yang berasal dari pesaing.
4. Data Historis
Segala data kejadian yang berhubungan dengan perusahaan di masa lalu merupakan salah satu faktor yang sangat penting. Data historis menjadi acuan penting untuk perusahaan dalam melakukan forecasting.
2.4. Jenis-Jenis Forecasting
Tentunya, forecasting memiliki beberapa jenis berdasarkan parameter tertentu. Berikut penjelasan dari berbagai jenis peramalan :
- Berdasarkan waktu
Metode peramalan atau forecasting berdasarkan waktu peramalan terbagi menjadi tiga, yaitu:
a. Jangka panjang, yaitu forecasting yang menggunakan analisis dengan waktu yang lebih panjang biasanya berlangsung selama dua tahun lebih.
b. Dalam jangka menengah, dengan jangka waktu tiga bulan hingga dua tahun.
c. Jangka pendek, yaitu dengan jangka waktu nol hingga tiga bulan.
- Berdasarkan fungsi
Berdasarkan fungsinya, Menurut Heizer dan Render (2009:47), perencanaan operasi pada masa depan, peramalan atau forecasting terbagi menjadi tiga jenis yaitu:
a. Economic forecast (Peramalan ekonomi)
Fokus pada memprediksi tingkat inflasi ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya.
b. Technological forecast (Peramalan teknologi)
Memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik yang membutuhkan pabrik dan peralatan yang baru.
c. Demand forecast (Peramalan permintaan)
Peramalan yang bertujuan untuk mengetahui perkiraan permintaan dan kondisi pasar.
- Berdasarkan ketersediaan data
Ketersediaan data akan menentukan bagaimana forecasting bisa terjadi. Adapun jenis peramalan atau forecasting berdasarkan data adalah sebagai berikut :
a. Metode Kualitatif
Perusahaan atau organisasi tidak memiliki data yang cukup untuk dianalisis. Sehingga Hasil peramalan juga akan sangat
subyektif karena hasil analisis berbeda-beda. Contoh metode kualitatif: penyelidikan, wawancara, diskusi.
b. Metode Kuantitatif
Baik perusahaan atau organisasi memiliki data yang cukup, biasanya menggunakan metode kuantitatif. Yang mana dalam proses analisisnya menggunakan pendekatan data dan angka.
- Berdasarkan Sifat Penyusunannya
Peramalan berdasarkan sifat penyusunannya terbagi menjadi dua jenis (Ginting, 2007), yaitu:
a. Subjektif, yaitu peramalan yang berdasar pada perasaan atau intuisi dari orang yang menyusunnya.
b. Objektif, yaitu peramalan yang berdasar atas data yang relevan pada masa lalu dengan menggunakan teknik-teknik dan metode-metode dalam penganalisaan data tersebut.
2.5. Metode-metode Forecasting/Peramalan
Seperti yang telah kita pahami pada penjelasan sebelumnya, teradapat dua jenis forecasting berdasarkan ketersediaan datanya :
a. Metode Kualitatif
Biasanya metode ini digunakan apabila tingkat ketidakpastian cukup tinggi, sedangkan data – data aktual yang diperlukan sangat minim ketersediaanya. Unsur terpenting dalam metode ini adalah penggunaan intuisi dan pengalaman dari praktisi dan para expert yang telah mengetahui perilaku sistem yang akan di ramal.
b. Metode Kuantitatif
Metode ini biasa perusahaan atau organisasi gunakan saat mereka memiliki data yang cukup. Proses analisisnya menggunakan pendekatan data dan angka. Adapun berikut merupakan jenis metode peramalan kuantitatif :
1. Metode Moving Averages
Moving Averages menggunakan sejumlah data aktual yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa yang akan datang. Fungsi dari metode ini adalah meratakan gerakan pasar yang fluktuatif dan mengidentifikasikan arah pergerakan harga. Metode moving averages dapat dihitung menggunakan formula sebagai berikut :
MA = ∑(𝒑𝒆𝒓𝒎𝒊𝒏𝒕𝒂𝒂𝒏 𝒅𝒂𝒍𝒂𝒎 𝒏 − 𝒑𝒆𝒓𝒊𝒐𝒅𝒆 𝒕𝒆𝒓𝒅𝒂𝒉𝒖𝒍𝒖) 𝒏
2. Metode Weighted Moving Averages
Weighted moving averages merupakan metode peramalan yang lebih responsif terhadap perubahan. Hal ini karena data dari periode yang baru diberi bobot lebih besar. Weighted moving averages dapat dinyatakan dengan rumus sebagai berikut:
(Gasperz, 2008).
WMA = ∑(𝑷𝒆𝒎𝒃𝒐𝒃𝒐𝒕 𝒖𝒏𝒕𝒖𝒌 𝒑𝒆𝒓𝒊𝒐𝒅𝒆 𝒏) (𝑷𝒆𝒓𝒎𝒊𝒏𝒕𝒂𝒂𝒏 𝒂𝒌𝒕𝒖𝒂𝒍 𝒑𝒆𝒓𝒊𝒐𝒅𝒆 𝒏)
∑(𝒑𝒆𝒎𝒃𝒐𝒃𝒐𝒕)
3. Metode Exponential Smoothing
Model exponential smoothing bekerja dengan mendekatkan nilai peramalan ke nilai aktual. Apabila nilai error positif yang berarti nilai aktual permintaan lebih tinggi dari pada nilai ramalan (A-F > 0), maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalan. Sebaliknya, apabila nilai aktual permintaan lebih rendah dari pada nilai ramalan (A-F < 0), maka model akan secara otomatis menurunkan nilai ramalan.
Menghitung nilai ramalan berdasarkan metode exponential smoothing dengan mempertimbangkan kecenderungan. (Gasperz, 2008)
MSE =
∑
(𝑨𝒕 − 𝑭𝒕)𝟐𝒏
2.6. Analisis Kesalahan Peramalan
Peramalan pastinya tidak akan lepas dari kesalahan atau error karena tidak ada peramalan yang pasti akurat meskipun menggunakan berbagai macam metode peramalan. Dalam menggunakan berbagai macam metode peramalan maka kita harus memilih hasil atau metode yang mendekati akurat, hal ini bisa dilihat dengan menggunakan pengukuran kesalahan atau penghitungan eror. Nasution (2003) menyatakan bahwa ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan merupakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan yang
terjadi. Terdapat beberapa rumus yang dapat digunakan dalam penetapan standar perbedaan menurut Hartini (2011) antara lain :
1. MAD (Mean Absolute Deviation)
MAD adalah rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibanding kenyataannya, dengan kata lain MAD adalah rata-rata dari nilai absolut simpangan. Secara sistematis MAD dirumuskan sebagai berikut: (Hartini, 2011)
MAD =
∑ |
𝑨𝒕− 𝑭𝒕𝒏
|
2. MSE (Mean Square Error)
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. MSE dirumuskan sebagai berikut:
MSE =
∑
(𝑨𝒕− 𝑭𝒕)𝟐𝒏
3. MFE (Mean Forecast Error)
MFE merupakan rata-rata kesalahan dengan mengukur perbandingan jumlah error dibagi jumlah periode peramalan data. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan.
Secara sistematis MFE dinyatakan sebagai berikut: (Hartini, 2011) MFE =
∑
(𝑨𝒕− 𝑭𝒕)𝒏
4. MAPE (Mean Absolute Percentage Error)
Mean Absolute Percentage Error merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah, dengan kata lain MAPE merupakan rata-rata kesalahan mutlak selama periode tertentu yang kemudian dikalikan 100% agar mendapatkan hasil secara prosentase. Secara sistematis MAPE dirumuskan sebagai berikut:
(Hartini, 2011)
MAPE =
(
𝟏𝟎𝟎𝒏
) ∑ |𝑨
𝒕−
𝑭𝒕𝑨𝒕
|
2.7. Jadwal Induk Produksi
Jadwal induk produksi atau Master Production Schedule adalah suatu set perencanaan yang mengidentifikasi kuantitas dari item tertentu yang dapat dan akan dibuat oleh suatu perusahaan manufaktur (dalam satuan waktu). Jadwal induk produksi merupakan suatu pernyataan tentang produk akhir (termasuk parts pengganti dan suku cadang) dari suatu perusahaan industry manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas dan periode waktu (Gaspersz, 2004). Beberapa metode yang digunakan dalam perhitungan data yaitu metode tenaga kerja tetap, metode tenaga kerja berubah, metode mix strategy, dan metode transportasi.
Berikut teori pendukung yang menjelaskan metode-metode tersebut :
- Metode tenaga kerja tetap adalah metode perencanaan produksi agregat, dimana jumlah tenaga kerja tidak mengalami perubahan (tetap).
- Metode tenaga kerja berubah adalah metode perencanaan produksi agregat, dimana jumlah tenaga kerja mengalami perubahan.
- Metode mix strategy adalah metode perencanaan produksi agregat yang menggabungkan metode tenaga kerja tetap dengan metode tenaga kerja berubah. Metode mix strategy hanya menggabungkan hasil atau biaya yang didapat pada metode tenaga kerja tetap dan metode tenaga kerja berubah.
- Metode transportasi merupakan metode perencanaan produksi agregat yang berfungsi untuk menentukan rencana pengiriman barang dengan biaya minimal. Masalah transportasi membahas pendistribusian suatu komoditas dari sejumlah sumber (supply) ke sejumlah tujuan (demand) dengan tujuan untuk meminimumkan biaya yang terjadi dari kegiatan tersebut, karena ide dasar dari masalah transportasi adalah meminimasi biaya total transportasi.
16
BAB III PENGUMPULAN DAN PENGOLAHAN DATA
3.1. Pengumpulan Data
Pengumpulan data berisikan data masa lampau Januari – Desember 2021, data harga barang, tujuan peramalan, identifikasi pola data, dan gambar produk PLC.
3.1.1. Data Masa Lampau
Tabel 3.1. Data masa lampau
Data Masa Lampau Januari-Desember 2021 Kelompok 10
Januari 644
Februari 681
Maret 674
April 701
Mei 693
Juni 742
Juli 718
Agustus 763
September 726
Oktober 798
November 718
Desember 751
Periode
3.1.2. Data Harga Barang
Tabel 3.2. Data Harga Barang
3.1.3. Tujuan Peramalan
Tujuan dari peramalan adalah untuk membuat data jadwal induk produksi PLC pada masa yang akan datang dan menentukan biaya produksi.
3.1.4. Identifikasi Pola Data
Pola data yang kita dapatkan adalah horizontal dengan metode Moving Average, Weight Moving Average, dan Simple Exponential Smoothing.
Nomor Nama Komponen Kuantitas Harga
1 Engsel 2 Rp 10,000
2 Multiplek (122x244 - 6 mm) 1 Rp 77,000
3 Baut 18 Rp 130
4 Penahan Baut 4 Rp 15,000
5 Plat Rangka 2 Rp 300,000
6 Besi Siku 2 Rp 70,000
7 Besi Holo 2 Rp 30,000
8 Cat 1 Rp 20,000
9 Kuas 1 Rp 7,000
10 HPL 1 Rp 65,000
3.1.5. Gambar Produk PLC
Gambar 3.1. Gambar Produk PLC
3.2. Pengolahan Data
Pengolahan data berisikan data-data yang sudah dikumpulkan dan diolah untuk mengetahui rencana produksi PLC pada masa yang akan datang.
3.2.1. Hasil Perhitungan Metode Moving Average 4 Periode Dengan Menggunakan Ms. Excel
Tabel 3.3. Hasil Data Perhitungan Metode Moving Average 4 Periode.
3.2.1.1. Rumus Perhitungan Forecast by 4 MA.
Gambar 3.2. Rumus Excel perhitungan Forecast by 4 MA.
Periode Aktual Forecast by 4MA Forecast Error Abs Error MAD
Januari 644 - - - -
Februari 681 - - - -
Maret 674 - - - -
April 701 - - - -
Mei 693 675 18 18 29.41666667
Juni 742 687.25 54.75 54.75 35.125
Juli 718 702.5 15.5 15.5 15.5
Agustus 763 713.5 49.5 49.5 32.5
September 726 729 -3 3 22.66666667
Oktober 798 737.25 60.75 60.75 32.1875
November 718 751.25 -33.25 33.25 32.4
Desember 751 751.25 -0.25 0.25 27.04166667
3.2.1.2. Rumus Perhitungan Forecast Error
Gambar 3.3. Rumus Excel perhitungan Forecast Error.
3.2.1.3. Rumus Perhitungan ABS Error.
Gambar 3.4. Rumus Excel perhitungan ABS Error.
3.2.1.4. Rumus Perhitungan MAD.
Gambar 3.5. Rumus Excel perhitungan MAD.
3.2.2. Hasil Perhitungan Metode Weight Moving Average 3 Periode dengan Menggunakan Ms. Excel
Tabel 3.4. Hasil Perhitungan Metode Weight Moving Average 3 Periode.
Periode Aktual Forecast by 3WMA Forecast Error Abs Error MAD
Januari 644 - - - -
Februari 681 - - - -
Maret 674 - - - -
April 701 671.3333333 29.66666667 29.66666667 29.66666667
Mei 693 688.6666667 4.333333333 4.333333333 17
Juni 742 692.5 49.5 49.5 27.83333333
Juli 718 718.8333333 -0.833333333 0.833333333 21.08333333
Agustus 763 721.8333333 41.16666667 41.16666667 25.1
September 726 744.5 -18.5 18.5 24
Oktober 798 737 61 61 29.28571429
November 718 768.1666667 -50.16666667 50.16666667 31.89583333
Desember 751 746 5 5 28.90740741
Periode Bobot
T-1 3
T-2 2
T-3 1
Jumlah 6
3.2.2.1. Rumus Perhitungan Forecast by 3 WMA.
Gambar 3.6. Rumus Excel Perhitungan Forecast by 3WMA.
3.2.2.2 Rumus Perhitungan Forecast Error.
Gambar 3.7. Rumus Excel Perhitungan Forecasts Error.
3.2.2.3 Rumus Perhitungan ABS Error.
Gambar 3.8. Rumus Excel Perhitungan ABS Error.
3.2.2.4 Rumus Perhitungan MAD.
Gambar 3.9. Rumus Excel Perhitungan MAD.
3.2.3. Hasil Perhitungan Metode Simple Expontial Smoothing Dengan Menggunakan Ms. Excel (Ket : 𝜶 = 0,5)
Tabel 3.5. Hasil Perhitungan Metode Simple Expontial Smoothing (Ket : 𝛼 = 0,5).
3.2.3.1 Rumus Perhitungan Forecast by SES.
• Perhitungan untuk bulan Februari rumusnya adalah
Gambar 3.10. Rumus Excel Perhitungan SES Bulan Februari.
Periode Aktual Forecast by SES Forecast Error Abs Error MAD
Januari 644 - - - -
Februari 681 644 37 37 37
Maret 674 662.5 11.5 11.5 24.25
April 701 668.25 32.75 32.75 27.08333333
Mei 693 684.625 8.375 8.375 22.40625
Juni 742 688.8125 53.1875 53.1875 28.5625
Juli 718 715.40625 2.59375 2.59375 24.234375
Agustus 763 716.703125 46.296875 46.296875 27.38616071 September 726 739.8515625 -13.8515625 13.8515625 25.69433594 Oktober 798 732.9257813 65.07421875 65.07421875 30.06987847 November 718 765.4628906 -47.46289063 47.46289063 31.80917969 Desember 751 741.7314453 9.268554688 9.268554688 29.76003196
1 - = 0.5 = 0.5
• Perhitungan untuk bulan Maret sampai Desember.
Gambar 3.11. Rumus Excel Perhitungan SES Bulan Maret Sampai Desember dengan 𝛼 = 0,5.
3.2.3.2 Rumus Perhitungan Forecast Error.
Gambar 3.12. Rumus Excel Perhitungan Forecast Error.
3.2.3.3 Rumus Perhitungan ABS Error.
Gambar 3.13. Rumus Excel Perhitungan ABS Error.
3.2.3.4 Rumus Perhitungan MAD.
Gambar 3.14. Rumus Excel Perhitungan MAD.
3.2.4. Perhitungan Menggunakan Windows for QM dengan Moving Average 4 Periode
− Aktifkan Windows for QM.
Gambar 3.15. Tampilan Awal Windows for QM
− Klik menu module dan pilih Forecasting.
Gambar 3.16. Pilih Forecasting
− Klik menu file pilih new kemudian pilih Times Series Analiysis.
Gambar 3.17. Pilih Time Series Analiysis
− Masukan jumlah data yang ada yaitu dengan Number of past Periode yaitu 12 Bulan, lalu klik ok.
Gambar 3.18. Input jumlah data
− Masukan data demand kelompok 10.
Gambar 3.19. Input Data Demand.
− Pilih metode peramalan Moving Averange, pilih periode 4 lalu klik solve.
Gambar 3.20. Pemilihan Metode Moving Average
− Setelah klik solve, maka akan keluar data result yang berisi Error Measuares pada forecasting.
Gambar 3.21. Data Result Windows For QM.
− Klik solutions lalu Control (Tracking Signal). Akan muncul seperti di bawah ini.
Gambar 3.22. Control (Tracking Signal).
− Grafik.
Gambar 3.23. Grafik.
3.2.5. Perhitungan 3 WMA menggunakan Windows for QM
− Aktifkan Windows for QM.
Gambar 3.24. Tampilan Awal Windows For QM.
− Klik menu module dan pilih Forecasting.
Gambar 3.25. Menu module pada Windows For QM.
− Klik menu file pilih new kemudian pilih Times Series Analysis.
Gambar 3.26. Tampilan menu file.
− Masukan jumlah data yang ada yaitu dengan Number of past Periode yaitu 12 Bulan, lalu klik ok.
Gambar 3.27. Input jumlah data.
− Masukan data demand kelompok 10.
Gambar 3.28. Input Data demand
− Pilih metode Weight Moving Average.
Gambar 3.29. Perhitungan 3 WMA dengan Windows for QM.
− Setelah klik solve muncul data result error measure pada forecasting.
Gambar 3.30. Data Result Windows for QM.
− Klik solutions lalu pilih Control (Tracking Signal), muncul seperti ini.
Gambar 3.31. Control (Tracking Signal)
− Grafik.
Gambar 3.32. Grafik
3.2.6. Perhitungan Menggunakan Windows for QM dengan Simple Expontial Smoothing
− Aktifkan Windows for QM.
Gambar 3.33. Tampilan awal Windows For QM.
− Klik menu module dan pilih Forecasting.
Gambar 3.34. Menu module pada Windows For QM.
− Klik menu file pilih new kemudian pilih Times Series Analiysis.
Gambar 3.35. Menu file windows for QM
− Masukan jumlah data yang ada yaitu dengan Number of past Periode yaitu 12 Bulan, lalu klik ok.
Gambar 3.36. Input jumlah data
− Masukan data demand kelompok 10.
Gambar 3.37. Input Data Demand
− Pilih metode Expontial Smoothing, lalu gunakan angka 0,50 dan masukan ke dalam alpha for smoothing.
Gambar 3.38. Perhitungan Simple Expontial Smoothing dengan Windows for QM.
− Setelah klik solve muncul data result error measure pada forecasting.
Gambar 3.39. Data Result Windows for QM.
− Klik solutions lalu pilih Control (Tracking Signal), muncul seperti ini.
Gambar 3.40. Control (Tracking Signal)
− Grafik.
Gambar 3.41. Grafik.
3.2.7. Pemilihan Metode Terbaik Terdiri Dari MAD Terkecil
Dari hasil, ditemukan MAD terkecil terdapat pada metode 3 WMA.
Gambar 3.42. Hasil Metode Terbaik
3.2.8. Verifikasi Hasil Peramalan
Dari hasil analisa dari forecasting dengan metode 4 MA, 3 WMA, dan SES dengan menggunakan 𝛼 = 0,5. Diperoleh nilai MAD sebagai berikut:
- Metode 4 MA memperoleh nilai MAD sebesar 29,375.
Gambar 3.43. Nilai MAD Metode 4 MA.
- Metode 3 WMA memperoleh nilai MAD sebesar 28,907.
Gambar 3.44. Nilai MAD Metode 3 WMA
- Metode SES memperoleh nilai MAD sebesar 29,76 (𝛼 = 0,50)
Gambar 3.46. Nilai MAD Metode SES
Berdasarkan hasil rekapitulasi dari ketiga data perhitungan metode 4 MA, 3 WMA, dan SES di dapatkan nilai MAD yang terkecil adalah pada metode 3 WMA dengan hasil MAD sebesar 28,907. Oleh karena itu data produk yang di pakai adalah data tersebut.
Tabel 3.6. Nilai MAD Gabungan
No Metode Nilai MAD
1 4 MA 29,375
2 3 WMA 28,907
3 SES α = 0,50 29,76
Berikut hasil forecasting yang diperoleh :
Tabel 3.7. Data Hasil Forecasting
3.2.9. Perhitungan Ongkos Produksi Per Unit
Ongkos produksi adalah nilai harga total dari bahan baku yang di perlukan untuk membuat 1 produk menjadi PLC.
Tabel 3.8. Perhitungan Ongkos Produksi Per Unit Periode Data
Januari 644
Februari 681
Maret 674
April 672
Mei 689
Juni 693
Juli 719
Agustus 722
September 745
Oktober 737
November 769
Desember 746
Nomor Nama Komponen Kuantitas Harga Total Harga
1 Engsel 2 Rp 10,000 Rp 20,000
2 Multiplek (122x244 - 6 mm) 1 Rp 77,000 Rp 77,000
3 Baut 18 Rp 130 Rp 2,340
4 Penahan Baut 4 Rp 15,000 Rp 60,000
5 Plat Rangka 2 Rp 300,000 Rp 600,000
6 Besi Siku 2 Rp 70,000 Rp 140,000
7 Besi Holo 2 Rp 30,000 Rp 60,000
8 Cat 1 Rp 20,000 Rp 20,000
9 Kuas 1 Rp 7,000 Rp 7,000
10 HPL 1 Rp 65,000 Rp 65,000
1,051,340 Rp
JUMLAH
3.2.10. Perhitungan Production Rate bulanan
Production rate bulanan didapat dari jumlah hasil kali antar forecast dan cost per unit.
Tabel 3.9. Production Rate bulanan
3.2.11. Jadwal Induk Produksi
Tabel 3.10. Jadwal Induk Produksi
Periode Data Cost/ Unit Total Cost
Januari 644 Rp 1,051,340 Rp 677,062,960
Februari 681 Rp 1,051,340 Rp 715,962,540
Maret 674 Rp 1,051,340 Rp 708,603,160
April 672 Rp 1,051,340 Rp 706,500,480
Meil 689 Rp 1,051,340 Rp 724,373,260
Juni 693 Rp 1,051,340 Rp 728,578,620
Juli 719 Rp 1,051,340 Rp 755,913,460
Agustus 722 Rp 1,051,340 Rp 759,067,480
September 745 Rp 1,051,340 Rp 783,248,300
Oktober 737 Rp 1,051,340 Rp 774,837,580
November 769 Rp 1,051,340 Rp 808,480,460
Desember 746 Rp 1,051,340 Rp 784,299,640
8,926,927,940 JUMLAH Rp
Periode Januari Februari Maret April Mei Juni
Forecast 644 681 674 672 689 693
Periode Juli Agustus September Oktober November Desember
Forecast 719 722 745 737 769 746
JADWAL INDUK PRODUKSI
45
BAB IV ANALISIS
4.1. Analisis proses peramalan yang dilakukan mengenai prosedur yang harus diikuti dalam melakukan peramalan dan jelaskan masing-masing langkahnya.
Dalam proses peramalan yang dilakukan berdasarkan data permintaan masa lampau periode Januari – Desember 2021, untuk data kelompok 10 pola yang didapatkan menunjukan Pola data horizontal.
Setelah mengetahui bentuk pola datanya, selanjutnya dilakukan proses pengujian dengan menggunakan metode moving averages, weight moving average, dan simple exponential smoothing dan selanjutnya dilakukan pengujian dan didapatkan nilai MAD terkecil yaitu dengan metode Weight moving average dengan nilai 28,907.
Data hasil uji MAD tadi bisa dijadikan Forecast untuk Jadwal Induk Produksi (JIP). Dari data JIP dapat digunakan untuk menghitung Production rate bulanan.
4.2. Analisis mengenai hubungan antara jenis pola data yang akan diramalkan dengan jenis metode peramalan yang dipilih sesuai dengan pola data tersebut. Jelaskan dari segi persamaa matematis yang membangun model peramalan tersebut serta diagram scatter hasil peramalan.
Peramalan tersebut berdasarkan kuantitatif. Berdasarkan hasil antara diagram scatter dan pola data yang akan diramalkan terhadap beberapa metode yang dipilih terdapat persamaan secara matematis, dimana pola datanya meningkat konstan.
Gambar 4.1. Diagram scatter 4 MA
644
681 674 701
675 688
703 714
729 738
752 752
620 640 660 680 700 720 740 760
0 2 4 6 8 10 12 14
Diagram 4 MA
Gambar 4.2. Diagram scatter 3 WMA
Gambar 4.3. Diagram scatter SES
644
681 674 672
689 693
719 722
745 737 769
746
620 640 660 680 700 720 740 760 780
0 2 4 6 8 10 12 14
Diagram 3 WMA
644 644
663 669
685 689
716 717
740 733 767
742
620 640 660 680 700 720 740 760 780
0 2 4 6 8 10 12 14
Diagram SES
48
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan
Setiap jenis sistem produksi memerlukan proses peramalan dan pengendalian yang berbeda. Setiap jenis sistem manufaktur memiliki kekurangan dan kelebihan. Perencanaan dan pengendalian produksi bertujuan agar aktivitas produksi berjalan sesuai dengan yang sudah direncanakan. Agar sistem manufaktur mempunyai pengertian yang lebih luas daripada sistem produksi.
Dalam melakukan proses peramalan dilakukan berdasarkan data permintaan pada masa lampau periode Januari – Desember 2021. Setelah mendapat pola datanya, dilakukan proses pengujian menggunakan 3 metode yaitu moving averages, weight moving averages, dan simple exponential smoothing. Dari ketiga metode tersebut, selanjutnya ditentukan nilai MAD yang paling kecil yaitu dengan metode Weight moving averages 3 periode.
Setelah didapatkan hasil uji MAD, kemudian dijadikan forecast untuk membuat Jadwal Induk Produksi (JIP).
Dari data JIP, selanjutnya bisa digunakan untuk menghitung production rate bulanan dan ongkos produksi per unitnya. Berdasarkan perhitungan 3 metode yaitu weight moving averages, moving averages, dan simple exponential smoothing menggunakan aplikasi Ms. Excel dan Windows for QM didapatkan hasil yang berbeda dan mendapatkan nilai MAD terkecil yaitu 28,907 menggunakan metode weight moving averages.
5.2. Saran
- Lebih hati-hati dan lebih teliti dalam penulisan tugas dan laporan akhir.
- Modul fisik praktikum sebaiknya dibuat dalam bentuk hardcopy seperti praktikum sebelum-sebelumnya. Untuk mempermudah dalam proses praktikum.
50
DAFTAR PUSTAKA
1. Lusiana, Anna. Yuliarty, Popy (2020). Penerapan Metode Peramalan (Forecasting) Pada Permintaan Atap di PT. X.
2. Ardi Dharmesta, M. Susanto, Novie (2016). Peramalan Perencanaan Produksi Terak Dengan Metode Exponential Smoothing with Trend Pada PT. Semen Indonesia (PERSERO) Tbk.
3. Hashmicro, Businesstech. (2022). Forecasting adalah: Pengertian, Tujuan, Jenis, dan Metodenya. Diakses pada 24 Mei 2022.
https://www.hashmicro.com/id/blog/forecasting-
adalah/#:~:text=Tujuan%20dan%20Fungsi%20Forecasting%20Adalah&te xt=Untuk%20mengkaji%20kebijakan%20perusahaan%20yang,perusahaan
%20ditetapkan%20dengan%20saat%20implementasi
4. Pub, Adoc. (2020). Jadwal Induk Produksi. Diakses pada 25 Mei 2022.
https://adoc.pub/bab-iv-jadwal-induk-produksi.html
LAPORAN AKHIR PRAKTIKUM SISTEM PRODUKSI MODUL II
MATERIAL REQUIREMENT PLANNING (MRP)
Disusun sebagai salah satu syarat kelulusan Praktikum Sistem Produksi
Disusun Oleh:
Kelompok X
LABORATORIUM SISTEM PRODUKSI PROOGRAM STUDI TEKNIK INDUSTRI
UNIVERSITAS KRISNADWIPAYANA JAKARTA
2022
i
Laporan ini disusun sebagai salah satu syarat kelulusan Praktikum SistemProduksi program studi Teknik Industri Fakultas Teknik Universitas Krisnadwipayana
Nama :
1. Diza Aziz Ilhamsyah (2070031002) 2. Heru Firmansyah (2070031010) 3. Ichwal Syafrudiansyah (2070031004)
4. Nasrul Hidayat (2070031022)
5. Ahmad Iksan (2070031041)
6. Sepdian Andiana (2070031030) 7. Ziyad Hanif Prasetyo (2070031096) 8. Muhammad Ferry Afandi (2070031039) Kelompok : X
Modul : Materials Requirements Planing
Jakarta, 23 Mei 2022 Menyetujui,
Kepala Laboratorium Asisten Laboratorium
Mesin Industri Sistem Produksi
Ir. Aries Abbas, ST., MM.,MT Widitya Muhammad Sentosa
NIDN: 03290565505 NIM: 1870031075
Mengetahui, Kepala Program Studi
Teknik Industri
Ir. Florida Butarbutar, MT NIDN: 0310056507
ii
laporan ini yang berjudul “Laporan Akhir Praktikum Sistem Produksi”.
Laporan akhir ini disusun dalam memenuhi salah satu tugas dalam mata kuliah Sistem Produksi. Dalam penyusunan laporan ini tentunya tidak terlepas dari bantuan berbagai pihak sehingga dapat terlaksana dengan baik. Oleh karena itu dalam kesempatan ini dengan segala kerendahan hati, rasa hormat dan penghargaan serta ucapan terima kasih kami sampaikan kepada Dosen Mata Kuliah dan Asisten Laboratorium Sistem Produksi serta pihak – pihak terkait yang telah membantu proses penyelesaian laporan ini. Semoga Allah SWT. Meberikan imbalan bagi mereka sesuai dengan perbuatannya, Amin.
Kami menyadari bahwa dalam penyusunannya laporan ini kami rasakan masih jauh dari sempurna, maka dengan kerendahan hati kami harapkan saran dan kritik yang bersifat membangun demi untuk perbaikan pribadi dan pelaksanaan penelitian berikutnya. Akhirnya kami berharap semua tugas ini dapat bermanfaat bagi pihak – pihak yang membaca.
Bekasi, 23 Mei 2022
Kelompok X
iii
DAFTAR ISI
Cover ...
LEMBAR PENGESAHAN ... i KATA PENGANTAR ... ii DAFTAR ISI ... iii DAFTAR TABEL ... v DAFTAR GAMBAR ... vi BAB I PENDAHULUAN ... 1 1.1 Latar Belakang Masalah ... 1 1.2 Identifikasi Masalah ... 2 1.3 Perumusan Masalah ... 2 1.4 Maksud dan Tujuan ... 3 1.5 Batasan Masalah ... 3 1.6 Metodelogi Pemecahan Masalah ... 4 1.6.1 Flowchart pemecahan masalah ... 4 1.6.2 Filosofi Alur Pemecahan Masalah ... 5 1.7 Sistematika Penulisan ... 6 BAB II LANDASAN TEORI ... Error! Bookmark not defined.
2.1 Pengertian MRP ... 8 2.2 Inputan MRP ... 11 2.3 Bill Of Material (BOM) ... 13 2.4 Perhitungan MRP ... 15 2.8 Perhitungan MRP mengunakan QmforWindows ... 17 2.9 Output MRP ... 20 2.10 Geographical Information System ... 21 2.11 Arc View 3.1 ... 22 2.12 Arc/Info ... 23 2.13 Map Object 2.0 ... 23 BAB III PENGUMPULAN DAN PENGOLAHAN DATA ... 24
iv
4.2 Bandingkan hasil MRP pada perhitungan dengan menggunakan software Microsoft Excel dan software Windows For QM. ... 36 4.3 Berikan komentar anda mengenai penerapan MRP di perusahaan yang memproduksinya seperti bahan praktikum ini. ... 36 BAB V KESIMPULAN DAN SARAN ... 37 DAFTAR PUSTAKA ... 38
v
DAFTAR TABEL
Tabel 3.1. Jadwal Induk Produksi……….39 Tabel 3.2. Data Komponen………39 Tabel 3.3. Data Penerimaan………..40 Tabel 3.4. Data Persediaan………40 Tabel 3.5. Perhitungan penjadwalan komponen PLC dengan Ms. Excel………….41 Tabel 3.6. Perhitungan penjadwalan Kerangka PLC dengan Ms. Excel…………...41 Tabel 3.7. Perhitungan penjadwalan komponen Multiplek dengan Ms. Excel...41 Tabel 3.8. Perhitungan penjadwalan komponen Engsel dengan Ms. Excel………..42 Tabel 3.10. Perhitungan penjadwalan komponen Besi holo alas PLC dengan Ms.
Excel………..42 Tabel 3.11. Perhitungan penjadwalan Besi Siku rangka dengan Ms. Excel……….43 Tabel 3.12. Perhitungan penjadwalan komponen Plat rangka dengan Ms. Excel….43 Tabel 3.13. Perhitungan penjadwalan Penahan baut dengan Ms. Excel………43 Tabel 3.14. Perhitungan penjadwalan komponen HPL dengan Ms. Excel…………44
vi
Gambar 2.3 Langkah-langkah QM for Windows………..26 Gambar 2.4 Number of BOM lines………27 Gambar 2.5 Hasil data- data number of BOM lines………..28 Gambar 2.6 MRP solution ……….28 Gambar 3.1. Gambar Produk PLC……….34 Gambar 3.2 Bill of Material PLC……….35 Gambar 3.3. Tampilan awal Windows for QM……….40 Gambar 3.4. Tampilan menu module……….41 Gambar 3.5. Judul data yang akan diolah ………41 Gambar 3.6.. Pengisian data pada Windows for QM………..42 Gambar 3.7. Perhitungan PLC ………..42 Gambar 3.8. Perhitungan komponen Multiplek……….43 Gambar 3.9. Perhitungan komponen Engsel ……….43 Gambar 3.10. Perhitungan komponen Baut………43 Gambar 3.11. Perhitungan komponen Kerangka PLC………44 Gambar 3.12. Perhitungan komponen HPL………44 Gambar 3.13. Perhitungan komponen Besi Siku………44
vii
Gambar 14. Perhitungan komponen Penahan Baut………45 Gambar 15. Perhitungan komponen Besi Holo……….45
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Banyak operasi manufaktur terutama pada tingkat kecil dan menengah dimanajemeni secara kacau, persediaan menumpuk, suku cadang/persediaan dipercepat/diperbanyak agar pesanan keluar tepat pada waktunya. Untuk memperbaiki situasi ini diperlukan sistem perencanaan dan pengendalian terkomputerisasi yang disebut perencanaan kebutuhan bahan (materials requirement planning atau MRP)
Menurut Abdul (2002, 78) MRP tergantung pada 2 hal yaitu persediaan permintaan-bebas (independent inventory) dan persediaan permintaan tak bebas (depended inventory). Independent inventory adalah inventory yang tunduk pada kondisi pasar. Contoh dari independent inventory adalah barang jadi dan suku cadang didalam perusahaan manufaktur digunakan untuk memenuhi permintaan pelanggan akhir.
Inventory ini harus dimanajemeni oleh metode titik pesanan (order-point method). Sebaliknya, inventory permintaan tak bebas (depended inventory) tidak tunduk pada kondisi pasar. Inventory ini bergantung pada permintaan akan suku cadang dan komponen tingkat yang lebih tinggi hingga termasuk dalam jadwal produksi induk. Contoh dari depended inventory adalah bahan mentah dan inventory barang dalam proses yang
digunakan perusahaan manufaktur untuk mendukung proses manufaktur itu sendiri, inventory ini harus dimanajemeni dengan sistem MRP.
Belum ada perhitungan MRP secara praktek dilingkungan prodi industri, perlu diadakannya perhitungan MRP didalam penulisan laporan.
1.2 Identifikasi Masalah
Berdasarkan latar belakang tertulis, kami memberikan informasi berikut tentang masalah yang akan digunakan sebagai bahan penelitian.
• Belum adanya pengetahuan secara aktual di praktikum tentang metode perhitungan MRP.
• Membuat MRP dengan metode perhitungan MRP melalui Windows For QM .
1.3 Perumusan Masalah
Perumusan masalah pada sistem ini antara lain:
• Bagaimana langkah perhitungan Material Requirement Planing dengan Ms. Excel?
• Bagaimana langkah perhitungan Material Requirement Planing dengan Windows For QM?
• Bagaimana Bill of Material dipakai dalam pembuatan MRP?
1.4 Maksud dan Tujuan
Tujuan dari pembuatan sistem ini adalah sebagai berikut : 1. Praktikan mengetahui apa itu Material Requirement Planing . 2. Mampu mengimplementasikan konsep Material Requirement
Planning(MRP)
3. Praktikan mampu memhami perhitungan dengan Windows For QM 4. Praktikan memahami cara membuat Bill Of Material (BOM)
1.5 Batasan Masalah
Batasan masalah pada pembuatan sistem ini antara lain:
1. Kalkulasi MRP selain menghasilkan jumlah material yang dibutuhkan juga menghasilkan informasi waktu kapan material tersebut harus diorder ke supplier.
2. MRP yang dibuat menggunakan data JIP.
3. Praktikan melakukan penelitian di ruang Praktik Teknik Industri.
4. Hal-hal yang dibahas dalam perencanaan produksi adalah perencanaan kebutuhan bahan baku yang dituangkan pada MRP.
5. Praktikum dimulai tanggal 23 mei 2022 dilab Teknik Industri.
1.6 Metodelogi Pemecahan Masalah
Metedelogi pemecahan masalah adalah sebagai berikut:
1.6.1 Flowchart pemecahan masalah
1.6.2 Filosofi Alur Pemecahan Masalah 1. Mulai
2. Studi Pustaka = Pengumpulan data masa lampau bulan Januari- Desember 2021 untuk peramalan rencana produksi di tahun mendatang.
3. Identifikasi Masalah = Mendefinisikan permasalahan dalam perhitungan MRP menggunakan aplikasi Ms. Excel dan Windows for QM.
4. Perumusan Masalah = Praktikan menentukan masalah-masalah dalam proses peramalan perencanaan produksi PLC.
5. Maksud dan Tujuan = Praktikan mendefinisikan maksud dan tujuan dari perumusan masalah yang sudah dibuat.
6. Pengumpulan Data = mengumpulkan data PLC dari lembar pengamatan praktek yang sudah dibuat.
7. Pengolahan Data = Mengolah data masa lampau periode Januari- Desember 2021 untuk peramalan produksi PLC di tahun mendatang menggunakan metode MA, WMA, dan SES menggunakan Ms. Excel dan Windows for QM.
8. Asistensi = Asisten LAB membantu pengecekan laporan penelitian dari praktikan.
9. Responsi = Merupakan ujian tertulis dari suatu penelitian, dilakukan setelah bab demi bab telah selesai dan telah menyelesaikan laporan penelitiannya.
10. Selesai.
1.7 Sistematika Penulisan BAB I : PENDAHULUAN
Berisikan tentang pendahuluan yang terdiri dari latar belakang masalah, perumusan masalah, maksud dan tujuan, peralatan yang digunakan, Flowchart pemecahan masalah, langkah – langkah pemecahan masalah, sistematika penulisan.
BAB II : LANDASAN TEORI
Berisikan tentang keseluruhan landasan teori serta prinsip yang digunakan untuk membahas masalah dari modul yang dilaporkan dalam kegiatan praktikum Tentang Material Requirement Planning (MRP)
BAB III : PENGUMPULAN DAN PENGOLAHAN DATA
Berisikan tentang perhitungan Material Requirement Planing (MRP),Bill of Material (Bom) pada bulan Mei - Juni.
BAB IV : ANALISA
Bab ini berisikan analisis terhadap data hasil perencanaan produksi yang sudah diolah
BAB V : KESIMPULAN DAN SARAN
Bab ini berisikan kesimpulan yang dapat diambil dari praktikum ini yang didasari oleh data-data yang telah diproses.
8
BAB II
LANDASAN TEORI
2.1 Pengertian MRP
Material Requirement Planning (MRP) adalah suatu teknik yang digunakan untuk perencanaan dan pengendalian item barang (komponen) yang tergantung (dependent) pada item ditingkat (level) yang lebih tinggi. MRP pertama kali ditemukan oleh Joseph Orlicky dari J.I Case Company pada sekitar tahun 1960.
Metode MRP bersifat Computer Oriented Approach yang terdiri dari sekumpulan prosedur, aturan-aturan keputusan dan seperangkat mekanisme pencatatan yang dirancang untuk menjabarkan suatu Master Production Schedule (MPS)
MRP selalu berkembang sesuai dengan tuntutan perkembangan teknologi dan tututan terhadap sistem perusahaan. Sampai saat ini perkembangan MRP terjadi sampai dengan 4(empat) kali dan tidak tertutup untuk masa yang akan datang MRP akan berkembang terus.
Ke-empat perkembangan MRP tersebut adalah:
1. Material Requirement Planning (MRP) adalah suatu teknik atau set prosedur yang sistematis dalam penentuan kuantitas serta waktu dalam proses pengendalian bahan terhadap komponen-komponen permintaan yang saling bergantung (Dependent Demand Item
2. Material Requirement Planning II (MRP II) adalah perluasan dari MRP, lebih dari sekedar proses penentuan kebutuhan material. Fenomena ini melahirkan konsep baru yang disebut Perencanaan Sumberdaya Manufactur (MRP II)
3. Material Requirement Planning III (MRP III) adalah perluasan MRP dalam tingkat akurasi peramalan, permintaan, penggunaan secara tepat dan baik peramalan permintaan (Forecast Demand), sehingga dapat merubah Master Production Schedule (MPS).
4. Material Requirement Planning 9000 (MRP 9000) adalah perluasan MRP yang sudah merupakan tawaran yang benar-benar lengkap dan terintegrasi dengan sistem management manufacturing, termasuk juga inventory, penjualan, perencanaan, pembuatan, dan pembelian menggunakan buku besar.
MRP adalah lebih dari sekedar metode proyeksi kebutuhan-kebutuhan akan komponen individual dari suatu produk. Sistem MRP mempunyai tiga fungsi utama : kontrol tingkat persediaan, penugasan komponen berdasar prioritas, dan penentuan kebutuhan kapasitas (capacity requirement) pada tingkat yang lebih detail daripada proses perencanaan.
Ada 3 inputan yang dibutuhkan untuk membangun sistem MRP tersebut.
Inputan tersebut adalah :
1. Master Production Schedule (MPS) adalah merupakan suatu rencana produksi yang menggambarkan hubungan antara kuantitas setiap jenis produk akhir yang diinginkan dengan waktu penyediaannya. Master Production Schedule ini diperoleh dari hasil peramalan kebutuhan melalui tahapan perhitungan perencanaan produksi yang baik.
2. Bill Of Material (BOM) merupakan daftar dari semua material, parts dan subassemblies, serta kuantitas yang dibutuhkan untuk memproduksi satu unit produksi parent assembly.
3. Status Persediaan (Inventory Master File) adalah keadaan dari setiap komponen atau material yang ada dalam persedian yang meliputi jumlah persedian yang dimiliki pada setiap periode, jumlah barang yang sedang dipesan, waktu ancang-ancang.
Ketiga input tersebut membentuk arsip-arsip yang saling berhubungan dengan bagian produksi dan pembelian sehingga dapat menghasilkan informasi terbaru tentang pemesanan, penerimaan, dan pengeluaran komponen dari gudang.
Setelah ketiga Inputan tersebut tersedia maka MRP dapat melakukan proses perhitungan MRP yang sesuai dengan kebutuhan produksi.
Output dari perhitungan MRP adalah penentuan jumlah masing-masing dari item yang dibutuhkan bersamaan dengan tanggal dibutuhkannya. Informasi ini digunakan untuk merencanakan pelepasan pesanan (order release) untuk pembelian dan pembuatan sendiri komponen yang dibutuhkan.
Pada dasarnya sistem MRP menghasilkan 3 (tiga) jenis laporan, yaitu : 1. MRP Primary (Orders) Report
2. MRP Action Report 3. MRP Pegging Report
Output yang dihasilkan sistem MRP memberikan informasi yang berguna dan tepat waktu bagi manajer produksi dan persediaan. Tiga hal terpenting dalam penggunaan MRP yang dapat dirangkum dari kemampuan dan output yang dihasilkan adalah perencanaan dan pengendalian persediaan,
perencanaan kapasitas yang mendetail, dan perencanaan berdasarkan prioritas pada bengkel kerja.
Jadi MRP membantu manajer operasi dalam membuat keputusan mengenai penjadwalan kembali pesanan dan penundaaan atau pemberian skor terhadap pesanan pada MPS jika prioritas berubah .perencanaan kapasitas yang mendetail, dan perencanaan berdasarkan prioritas pada bengkel kerja.
Jadi MRP membantu manajer operasi dalam membuat keputusan mengenai penjadwalan kembali pesanan dan penundaaan atau pemberian skor terhadap pesanan pada MPS jika prioritas berubah
2.2 Inputan MRP
A. Master Production Schedule (MPS)
Master Production Schedule atau yang biasa juga disebut Jadwal Induk Produksi merupakan salah satu fungsi manajemen. Dalam MPS dapat di
tentukan langkah-langkah yang perlu diambil oleh pimpinan untuk mencapai tujuan perusahaan dengan mempertimbangkan masalah-masalah yang
mungkin timbul dimasa yang akan datang. Hasil dari MPS adalah sebuah rencana kerja dimana merupakan alternatif yang baik untuk mencapai tujuan yang ditetapkan.
MPS merupakan pernyataan akhir mengenai “berapa” banyak item- item akhir yang harus diproduksi dan “kapan” harus diproduksi. Biasanya MPS dikembangkan untuk periode waktu mingguan selama 6 (enam) sampai 12 (dua belas) kedepan.
Didalam menentukan Master Production Schedule yang baik maka diperlukan suatu hasil ramalan yang baik sehingga dapat didapat suatu rencana produksi yang sesuai dengan kebutuhan pasar.
