LAPORAN PRAKTIKUM SISTEM PRODUKSI
MODUL 1 FORECASTING
Kelompok III
LABORATORIUM SISTEM PRODUKSI PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS KRISNADWIPAYANA JAKARTA
2022
LEMBAR RPENGESAHAN
Laporan ini disusun sebagai salah satu syarat kelulusan Praktikum Sistem Produksi program studi Teknik Industri Fakultas Teknik Universitas Krisnadwipayana
Nama :
1. ALVI SHIVA NUGRAHA
Kelompok : 3
Modul : 1 Forecasting
Jakarta, 27 MEI 2022 Menyetujui,
Kepala Laboratorium Mesin Industri
Asisten Laboratorium Sistem Produksi
Ir. Arries Abbas, ST MM, MT
ALYA NIDN: 03290565505 NIM: 1970031040
Mengetahui, Kepala Program Studi Teknik Industri
Ir. Florida Butar Butar, M.T
NIDN:
KATA PENGANTAR
Puji syukur dengan karuniaNya sehingga penulis dapat menyelesaikan modul ajar yang berjudul Praktikum Sistem Produksi.
Modul ini disusun dengan tujuan untuk meningkatkan pemahaman praktikan tentang Sistem Produksi.
Struktur modul ini terdiri dari tujuan praktikum, uraian materi yang ada didalam praktikum, dan pengaplikasian materi yang ada didalam praktikum tersebut. Tujuan pembelajaran digunakan untuk mengetahui arah atau tujuan mempelajari materi tertentu. Uraian materi digunakan untuk pemberian informasi/ pengetahuan kepada praktikan.
Uraian materi tersebut meliputi Forecasting, Material Requirement Planning (MRP), dan Line Balancing.
Apa yang telah dituangkan dalam tulisan ini tidak luput dari kesalahan baik disengaja ataupun tidak disengaja, sehingga penulis menerima kritik dan saran yang bersifat membangun yang diberikan untuk evaluasi penulisan modul praktikum ini. Besar harapan penulis agar hasil dari penulisan modul praktikum Sistem Produksi ini dapat bermanfaat.
Jakarta, 27 Mei 2022
Tim Penyusun Modul
DAFTAR ISI
UNIVERSITAS KRISNADWIPAYANA JAKARTA ... i
LEMBAR RPENGESAHAN ... 2
KATA PENGANTAR ... 4
DAFTAR ISI ... 5
DAFTAR ISI ... Error! Bookmark not defined. BAB I PENDAHULUAN ... 1
1.1. Latar Belakang Masalah... 2
1.2. Identifikasi masalah ... 4
1.3. Perumusan masalah ... 5
1.4. Maksud dan tujuan ... 5
1.5. Batasan masalah ... 5
1.6. Metodologi penelitian ... 5
BAB II LANDASAN TEORI ... 8
2.1. Peramalan (Forecasting) ... 8
2.1.2. Jenis Jenis peramalan ... 9
2.1.3. Karakteristik peramalan yang baik... 10
2.1.4. Sifat sifat peramalan ... 12
2.2. Peramalan permintaan ... 13
2.2.1. Faktor faktor yang mempengaruhi peramalan permintaan ... 13
1
1
BAB I
PENDAHULUAN
Dalam dunia usaha biasanya timbul persoalan – persoalan intern yang rutin.
Sehingga diperlukan suatu usaha untuk menelaah kedalam 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 kebutuhan.
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 perubahan lingkungan.
Kebutuhan untuk meramal meningkat seiring dengan usaha pihak manajemen perusahaan untuk mengurangi ketergantungan pada perubahan lingkungan.
2
1.1. Latar Belakang Masalah
Peramalan (forecasting) merupakan suatu kegiatan untuk mengetahui apa yang akan terjadi di masa yang akan datang menggunakan dan mempertimbangkan data dari masa lampau. Ketepatan secara mutlak dalam memprediksi suatu peristiwa adalah tidak mungkin dicapai. Oleh karena itu, ketika tidak dapat melihat kejadian yang akan datang secara pasti, diperlukan waktu dan biaya yang besar agar mereka dapat memiliki kekuatan dalam menghadapi masa yang akan datang.
Peramalan merupakan alat bantu yang penting dalam sebuah perencanaan yang efektif. Dalam lingkungan perusahaan, peramalan kebanyakan digunakan untuk mengestimasi dan memprediksi permintaan yang akan datang guna memperkirakan jumlah dan jenis apa saja yang diproduksi oleh perusahaan.
Banyak jenis metode peramalan yang tersedia. Namun, yang lebih penting adalah bagaimana memahami karakteristik suatu metode peramalan agar sesuai dengan situasi pengambilan keputusan. Situasi peramalan sangat beragam, faktor yang menentukan hasil sebenarnya, tipe pola data, dan berbagai aspek lain. Untuk menghadapi penggunaan yang luas seperti itu, beberapa metode telah dikembangkan. Berdasarkan jenisnya, metode peramalan dapat dibagi menjadi dua, yaitu metode peramalan kualitatif dan kuantitatif.
3
sehingga hasil yang diperoleh sangat subjektif. Metode ini digunakan ketika data di waktu lampau sulit diperoleh, memerlukan waktu yang banyak, dan biaya yang digunakan sangat mahal.
Sedangkan metode peramalan kuantitatif sangat beragam dan setiap metodememiliki sifat, ketepatan, dan biaya tertentu yang harus dipertimbangkan dalam memilih metode tertentu. Metode ini formal didasarkan atas prinsip statistik yang memiliki ketepatan tinggi atau dapat meminimumkan kesalahan, lebih sistematis, dan lebih populer dalam penggunaan. Untuk menggunakan metode ini terdapat tiga kondisi yang harus dipenuhi, yaitu tersedia informasi tentang masa lampau, informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik, dan dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang. Metode kuantitatif ini dapat dikelompokkan menjadi dua macam, yaitu metode kausal dan model deret berkala.
Metode kausal merupakan metode yang melibatkan identifikasi dari variable lain yang berhubungan dengan variabel yang diperkirakan. Metode- metode yang termasuk kelompok metode ini adalah metode ekonometrika, regresi multipel dari suatu runtun waktu, dan lain-lain. Sedangkan model deret berkala memperkirakan nilai yang akan datang hanya berdasarkan nilai di waktu lampau dari suatu data runtun waktu. Ketika model ini digunakan, data di waktu lampau dianalisis untuk mengidentifikasi pola data. Kemudian, asumsikan bahwa pola data tersebut akan berulang di waktu yang akan datang, pola data tersebut di ekstrapolasi untuk menghasilkan suatu pola
4
peramalan. Adapun metode-metode peramalan yang termasuk kelompok model deret berkala adalah Proses Rata-rata Bergerak Sederhana, Proses Rata-rata Bergerak Terpusat, Proses Rata-rata Bergerak Tertimbang, Model Penghalusan Eksponensial, Proses rata-rata Bergerak Ganda, dan lain-lain
Kelemahan metode-metode peramalan deret berkala di atas tidak dapat meramalkan suatu data runtun waktu yang mempunyai efek kecendrungan (trend) dan musiman (seasonal). Untuk mengatasi hal tersebut muncullah metode dekomposisi. Metode ini didasarkan pada kenyataan bahwa apa yang telah terjadi akan berulang kembali dengan pola yang sama. Perubahan suatu hal itu biasanya mempunyai pola yang agak kompleks, misalnya ada unsur trend, musiman, siklus, maupun perubahan-perubahan yang bersifat acak.
Analisis maupun peramalan secara sekaligus biasanya tidak mudah, sehingga menurut Luthfia (Subagyo, 1989) diadakan dekomposisi (pemecahan) kedalam empat pola perubahan sebagai berikut.
1.Kecendrungan (trend)
2. Fluktuasi Musiman (seasonal) 3. Fluktuasi Siklus (Cyclikal)
4. Perubahan-perubahan yang bersifat acak (Irregular) 1.2. Identifikasi masalah
Masalah pada bab 1 forecasting yaitu meramalkan suatu data dengan
5
dengan metode Moving Average (MA), Weighted Moving Average (WMA), Simple Exponential Smoothing
1.3. Perumusan masalah
Praktikan akan melakukan proses peramalan untuk meramalkan demand dimasa yang akan datang. Terdapat beberapa metode yang akan digunakanuntuk melakukan proses peramalan tersebut. Metode yang memiliki error terkecil adalah metode terpilih yang akan digunakan dalam meramalkan demand masa depan.!etelah dibuat peramalan dengan begitu perusahaan dapat menentukan penjadwalan produksi dimasa depan.
1.4. Maksud dan tujuan
a. Mampu mengetahui manfaat dan posisi forecasting dalam sistem industri b. Mampu memahami metode metode dan teknik dalam forecasting.
c. Mampu mengimplementasikan metode dan teknik forecasting dalam bidang industri.
1.5. Batasan masalah
Peramalan atau forecasting yang dilakukan pada praktikum menggunakan data hostoris permintaan dari masa lampau untuk meramalkan produksi yang akan datang yaitu demand PLC.
Metode yang digunakan dalam melakukan peramalan adalah Moving Average (MA), Weighted Moving Average (WMA), Simple Exponential Smoothing.
1.6. Metodologi penelitian
Proses untuk mendapatkan data yg akan digunakan untuk keperluan
6
penelitian yaitu:
1. BAB 1. Pendahuluan berisi tentang latar belakang, identifikasi masalah, rumusan masalah, tujuan, ruang lingkup, dan sistematika pembahasan
2. BAB II, Landasan teori , memuat teori teori yang menjadi dasar pengetahuan yang digunak an untuk meramalkan suatu data masa lampau untuk di pakai sebagai data di masa yang akan datang 3. BAB III, Pengumpulan Dan Pengolahan Data, bab ini menjelaskan variabel penelitian, metode pengumpulan dan pengolahan data.
4. BAB IV, Analisis, bagian ini beisi analisis dari hasil pengolahan data yg telah terhitung.
5. .BAB V, Kesimpulan dan Saran, berisi tentang kesimpulan dan saran dari hasil laporan praktikum yg telah disusun.
7
1.6.1 Flowchart Pemecahan Masalah
Penelitian Pendahuluan
Identifikasi Masalah
Perumusan Masalah
Batasan Masalah
Pengolahan Data
Analisis Data
Kesimpulan dan Saran
Selesai
8
BAB II
LANDASAN TEORI
2.1. Peramalan (Forecasting)
Dalam dunia usaha khususnya yang berhubungan dengan produksi sangat penting untuk memperkirakan hal-hal yang akan terjadi dimasa depan sebagai dasar untuk pengambilan keputusan.
Menurut Arman Hakim Nasution dan Yudha Prasetyawan dalam buku nya yang berjudul perencanaan dan pengendalian produksi.
Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang maupun jasa.
Render dan Heizer (2007) mendefinisikan peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan.
Hal ini serupa dengan pendapat Subagyo (2000) Forecasting adalah memperkirakan sesuatu yang akan terjadi
Menurut Handoko (1999) Peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu.
Menurut Gaspersz (2005) Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan
9
Menurut Taylor (2004) Peramalan yaitu sebuah prediksi mengenai apa yang akan terjadi di masa depan. Sebuah perusahaan yang menghasilkan barang hasil produksi memerlukan bahan baku, seperti halnya CV.NGEREMBOKO memerlukan bahan baku dalam proses produksi. Dalam memenuhi kebutuhan bahan baku diperlukan peramalan.
Dari pengertian para ahli diatas, maka dapat ditarik suatu kesimpulan bahwa Peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan dengan melakukan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola yang sistematis
2.1.2. Jenis Jenis peramalan
Menurut Render dan Heizer (2004) pada jenis peramalan dapat dibedakan menjadi beberapa tipe. Dilihat dari perencanaan operasi di masa depan, maka peramalan dibagi menjadi 3 macam yaitu:
1) Peramalan ekonomi (economic forecast) menjelaskan siklus bisnisdengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator
perencanaan lainnya.
2) Peramalan teknologi (technological forecast) memperhatikan tingkatkemajuan tehnologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru
3) Peramalan permintaan (demand forecast) adalah prediksi dari proyeksi permintaan untuk produk atau layanan suatu perusahaan.
10
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang dicakupnya. Menurut Taylor (2004) dalam hubungannya dengan horizon waktu peramalan terbagi atas beberapa
kategori, yaitu:
1) Peramalan jangka panjang, umumnya peramalan dilakukan untuk meramalkan 2 sampai 10 tahun yang akan datang. Peramalan ini digunakan untuk perencanaan produk dan perencanaan sumber daya.
2) Peramalan jangka menengah, umumnya peramalan dilakukan untuk meramalkan 1 sampai 24 bulan yang akan datang. Peramalan ini lebih mengkhusus dibangdingkan peramalan jangka panjang, biasanya digunakan untuk menentukan aliran kas, perencanaan produksi, dan
penentuan anggaran.
3) Peramalan jangka pendek umumnya peramalan dilakukan untuk meramalkan 1 sampai 5 minggu ke depan. Peramalan ini biasanya digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan lain-lain keputusan kontrol jangka pendek
2.1.3. Karakteristik peramalan yang baik
Peramalan yang baik mempunyai beberapa kriteria yang penting,
antara lain akurasi, biaya,dan kemudahan. Penjelasan dari kriteria-
11
1) Akurasi
Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil. Peramalan yang terlalu rendah akan mengakibatkan kekurangan persediaan, sehingga permintaan konsumen tidak dapat dipenuhi segera akibatnya perusahaan dimungkinkan kehilangan pelanggan dan kehilangan keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga banyak modal yang terserap sia-sia. Keakuratan dari hasil peramalan ini berperan penting dalam menyeimbangkan persediaan
yang ideal.
2)Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus disesuaikan dengan dana yang tersedia dan tingkat akurasi yang ingin
12
didapat, misalnya item-item yang penting akan diramalkan dengan metode yang sederhana dan murah. Prinsip ini merupakan adopsi dari hukum Pareto ( Analisa ABC ).
3) Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Percuma memakai metode yang canggih, tetapi tidak dapat diaplikasikan pada sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun peralatan teknolog
2.1.4. Sifat sifat peramalan
Peramalan yang baik adalah peramalan yang dilakukan dengan
mengikuti langkah-langkah atau prosedur penyusunan yang baik.
Menurut Gaspersz (2005) terdapat 9 langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi dari sistem peramalan, yaitu:
1. Menentukan tujuan dari peramalan
2. Memilih item independent demand yang akan diramalkan 3. Menentukan horison waktu dari peramalan (jangka pendek, menengah, atau panjang)
4. Memilih model-model peramalan
5. Memperoleh data yang dibutuhkan untuk melakukan
13
7. Membuat peramalan
8. Implementasi hasil-hasil peramalan 9. Memantau keandalan hasil peramalan
2.2. Peramalan permintaan
Peramalan permintaan (forecasting Demand) merupakan suatu usaha memprediksi tingkat permintaan produk – produk yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang.
Menurut Vincers Gapers didalam Management permintaan ada dua jenis permintaan, yaitu :
a) Permintaan bebas ( Independent Demand)
Merupakan permintaan terhadap material, suku cadang atau produk yang bebas atau tidak terkait langsung dengan struktur bill of material (BOM) untuk produk akhir atau item teretentu.
b) Permintaan tidak bebas( Dependent Demand)
Merupakan permintaan terhadap material , suku cadang atau produk yang terkait langsung dengan atau diturunkan dari struktur bill of material untuk produk akhir atau item tertentu
2.2.1. Faktor faktor yang mempengaruhi peramalan permintaan Permintaan suatu produk pada suatu perusahaan sangat
dipengaruhioleh berbagai faktor lingkungan yang saling berinteraksi dalam pasaryang berada di luar kendali perusahaan. Dimana faktor – faktorlingkungan tersebut juga akan mempengaruhi peramalan.
14
Berikut inimerupakan beberapa faktor lingkungan yang mempengaruhi peramalan :
Kondisi umum bisnis dan ekonomi
Reaksi dan tindakan pesaing
Tindakan pemerintah
Kecenderungan pasar
Siklus hidup produk
Gaya dan mode
Perubahan permintaan konsumen
Inovasi teknolog 2.3. Metode peramalan permintaan
Banyak jenis metode peramalan yang tersedia untuk digunakan, namun yang lebih penting adalah bagaimana memahami karakteristik suatu metode peramalan agar cocok untuk diterapkan pada kasus yang diteliti berdasarkan data–data yang telah terjadi sebelumnya.
Secara umum metode peramalan dapat dibagi dalam dua ketegori utama, yaitu metode kuantitatif dan metode kualitatif.
Metode kuantitatif dapat dibagi ke dalam deret berkala atau kurun waktu (time series) dan metode kausal, sedangkan metode kualitatif dapat dibagi menjadi metode eksploratoris dan normative
Metode kuantitatif sangat beragam dan setiap teknik memiliki sifat,
15
yang harus dipenuhi, yaitu:
Tersedia informasi tentang masa lalu
Informasi tersebut dapat dikuantitatifkan dalam bentuk numeric
Diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut Peramalan permintaan (forecasting demand) merupakan tingkat permintaan produk-produk yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang. Menurut Render dan Heizer dkk (2014), terdapat tujuh tahap dasar dalam melakukan peramalan permintaan :
1. Menentukan penggunaan dari peramalan
2. Memilih item atau kuantitas yang akan di ramalkan 3. Menentukan horizon dari peramalan
4. Memilih model peramalan
5. Mengumpulkan data yang di perlukan untuk memperoleh peramalan 6. Melakukan peramalan
7. Memvalidasi peramalan dan mengimplementasikan hasil peramalan
2.3.1. Metode peramalan permintaan time series
Analisa deret waktu didasarkan pada asumsi bahwa deret waktu tersebut terdiri dari komponen komponen Trend/kecenderungan (T), Siklus/cycle (C), Pola Musiman/Season (S), dan variasi acak/Random (R) yang akan menunjukan suatu pola tertentu.Penjelasan komponen – komponen tersebut adalah sebagai berikut:
a) Trend (T) merupakan sifat dari permintaan masa lalu terhadap waktu terjadinya apakah permintaan tersebut cenderung naik, turun atau konstan.
16
b) Cycle (C) merupakan sifat dari permintaan dalam satu periode apakah mengalami permintaan dengan jumlah yang sama atau tidak.
c) Season (S) merupakan Fluktuasi permintaan suatu produk yang dapat mengalami kenaikan atau penurunan pada saat saat musim tertentu. Pola ini biasanya disebabkan oleh factor cuaca, musim libur panjang, hari raya keagamaanyang akan berulang secara periodic tiap tahunnya.
d) Random (R) permintaan suatu produk dapat berubah secara tiba- tiba yang disebabkan oleh faktor tertentu. Contoh bencana alam,promosi
khusus, perusahaan pesaing, dimana faktor- faktor ini tidak dapat diperkirakan dan tidak mempunyai pola tertentu.
Dalam metode time series ada beberapa teknik yang biasa digunakan tergantung pola permintaan yang terjadi. Dibawah ini merupakan
penjelasannya :
1. Metode naive (naif)
Teknik peramalan yang mengasumsikan permintaan periode berikutnya sama dengan permintaan pada periode terakhir. Metode naif digambarkan secara matematis berikut :
Permintaan periode mendatang = permintaan periode terakhir 2. Moving Average
Peramalan moving average (rataan bergerak) menggunakan sejumlah
17
keterangan :
At = Permintaan aktual pada periode t
N = Jumlah data permintaan yang dilibatkan dalam perhitungan 3. Weighted Moving Average
Saat terdapat tren atau pola yang terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Moving average dengan pembobotan disebut juga Weighted Moving Average. Weighted Moving Average dapat digambarkan secara matematik
sebagai berikut:
WMA = ∑ Wt – At persamaan (2)
Keterangan :
Wt = bobot permintaan aktual pada periode t At = permintaan aktual pada periode t 4. Exponential Smoothing
Exponential smoothing (penghalusan eksponensial) merupakan metode peramalan rataan bergerak dengan pembobotan di mana titik- titik data dibobotkan oleh fungsi eksponensial.
Single Exponential Smoothing dapat digambarkan secara matematis berikut:
Ft = Ft-1 + α (At-1 - Ft-1 ) Persamaan (3) keterangan:
18
Ft = peramalan baru
Ft-1 = peramalan sebelumnya
α = konstanta penghalusan (0 ≤ α ≤ 1) At-1 = permintaan aktual periode lalu
Single Exponential Smoothing yang telah disesuaikan dengan adanya
tren disebut Double Exponential Smoothing. Double Exponential Smoothing dapat digambarkan secara matematis sebagai berikut:
F(0) = F1 (0) = A(1) Persamaan (4) F(t) = α A(t) + (1 - α ) F(t - 1) Persamaan (5) 1 F (t) = α F(t) + (1 - α ) F1 (t - 1) Persamaan (6) f(t + τ ) = F1 (t) Persamaan (7) α = konstanta penghalusan (0 ≤ α ≤ 1)
2.3.2. Ukuran akurasi peramalan
Ukuran akurasi hasil peramalan yang merupakan ukuran tentang tingkat perbedaan atau kesalahan hasil peramalan dengan permintaan yang sebenarnya
19
Mean Absolute Deviation ( MAD ) merupakan rata – rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil jika dibandingkan dengan kenyataannya. Secara sistematis, MAD dirumuskan sebagai berikut :
MAD = ( 𝐴𝑡−𝐹𝑡
𝑛 ) persamaan (10)
At = Permintaan aktual pada periode t Ft = Peramalan permintaan pada periode t n = Jumlah periode peramalan yang terlibat
2. Rata - rata kuadrat kesalahan ( Mean Square Error = MSE ) Mean Square Error ( MSE ) dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Secara matematis, MSE dirumuskan sebagai berikut :
MSE = ∑ (𝐴𝑡−𝐹𝑡)
2
𝑛 Persamaan (11)
keterangan :
At = Permintaan aktual pada periode t Ft = Peramalan permintaan pada periode t n = Jumlah periode peramalan yang terlibat
3. Rata – rata kesalahan peramalan ( Mean Forecast Error = MFE ) Mean Forecast Error MFE ) sangat efektif untuk mengetahui apakah suatu hasil
peramalan selama periode tertentu terlalu tinggi atau rendah. Bila hasil peramalan tidak bias, maka nilai MFE akan mendekati not. MSE dihitung dengan
20
menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. Secara sistematis dirumuskan sebagai berikut
MFE = ∑ (𝐴𝑡−𝐹𝑡)
𝑛 persamaan (12)
At = Permintaan aktual pada periode t Ft = Peramalan permintaan pada periode t n = Jumlah periode peramalan yang terlibat
4. Rata – rata persentase kesalahan mutlak ( Mean Absolute Percentage Error = MAPE )
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 telalu tinggi atau rendah. Secara sistematis dirumuskan sebagai berikut :
MAPE = (100
𝑛 ) ∑ │At-𝐹𝑡
𝐴𝑡│ persamaan (13)
keterangan :
At = Permintaan aktual pada periode t Ft = Peramalan permintaan pada periode t n = Jumlah periode peramalan yang terlibat
21
BAB III 3.1. Pengumpulan data
3.1.1. Rekapitulasi data
Tabel 3.1 rekapitulsi data
3.1.2. Data harga barang
Tabel 3.2
daftar harga
barang
3.1.3 Tujuan peramalan
Untuk mengetahui peramalan di masa yang akan datang pada suatu produksi dengan menggunakan data lampau
Dengan menggunakan perhitungan Ms Excel dan Software QM For Windows
Periode Aktual
JANUARI 744
FEBRUARI 757
MARET 697
APRIL 709
MEI 688
JUNI 723
JULI 714
AGUSTUS 745
SEPTEMBER 722
OCTOBER 756
NOVEMBER 739
DESEMBER 780
MATERIAL ESTIMASI BIAYA
Besi Hollo 4X2 112000
Besi Siku 2X3 32500
Besi plat 305000
Kayu papan multiplek 10 mm 156000 kayu papan multiplek 6 mm 132000
Baut 23000
Amplas Kayu 2500
Lem Aibon 72000
HPL 300000
22
3.1.4 Identifikasi pola data
Pola data yang kita pakai pada praktikum sistem produksi ini yaitu menggunakan pola data horizontal, Karena melihat dari data yang ada mengalami naik turun atau fluktuatif
Metode yang di gunakan pada praktikum ini yaitu dengan metode : Moving Average, Weighted Moving Average, Exponential Smoothing
3.2 Pengolahan Data
3.2.1. Perhitungan peramalan menggunakan Ms Excel dengan metode Moving Average
Tabel 3.3 MA Periode Aktual Forecast by
4 MA
Forecast Error
Abs
Error MAD
JANUARI 744
FEBRUARI 757
MARET 697
APRIL 709
MEI 688 726.75 -38.75 38.75 38.75
JUNI 723 712.75 10.25 10.25 24.5
JULI 714 704.25 9.75 9.75 19.583
AGUSTUS 745 708.5 36.5 36.5 23.813
SEPTEMBER 722 717.5 4.5 4.5 19.95
OCTOBER 756 726 30 30 21.625
NOVEMBER 739 734.25 4.75 4.75 19.214
DESEMBER 780 740.5 39.5 39.5 21.75
23
- Perhitungan Forecast by 4 MA
Gambar 3.1 forecast by 4 WMA
- Perhitungan Forecast Error
Gambar 3.2 forecase error MA
24
- Perhitungan ABS Error
Gambar 3.3 ABS error MA - Perhitugan MAD
Gambar 3.4 MAD error MA
25
3.2.2. Menghitung peramalan menggunakan Ms. Excel Dengan Metode Weight Moving Average
Tabel 3.4 WMA Periode Aktual Forecast by
3 WMA
Forecast Error
Abs
Error MAD
JANUARI 744
FEBRUARI 757
MARET 697
APRIL 709 724.833 -15.833 15.833 15.833
MEI 688 713.000 -25.000 25.000 20.417
JUNI 723 696.500 26.500 26.500 22.444
JULI 714 709.000 5.000 5.000 18.083
AGUSTUS 745 712.667 32.333 32.333 20.933
SEPTEMBER 722 731.000 -9.000 9.000 18.944
OCTOBER 756 728.333 27.667 27.667 20.190
NOVEMBER 739 742.833 -3.833 3.833 18.146
DESEMBER 780 741.833 38.167 38.167 20.370
Periode bobot
T-1 3
T-2 2
T-3 1
Jumlah bobot 6
- Perhitungan Forecast by 3 WMA
Gambar 3.5 forecase by 3 WM
26
- Perhitungan forecast Error
Gambar 3.6 forecaste erro WMA
27
- Perhirungan ABS Error
Gambar 3.7 ABS error WMA
- Perhitungan MAD Error
Gambar 3.8 MAD error WMA
28
3.2.3. Menggunakan Ms. Excel Dengan Metode Simple Exponential Smoothing
Tabel 3.5 SES
Periode Aktual Forecast by SES Forecast Error Abs Error MAD
JANUARI 744
FEBRUARI 757 744 -13 13 13
MARET 697 745.3 48.3 48.3 30.65
APRIL 709 740.47 31.47 31.47 30.923
MEI 688 737.323 49.323 49.323 35.523
JUNI 723 732.391 9.3907 9.391 30.297
JULI 714 731.452 17.452 17.452 28.156
AGUSTUS 745 729.706 -15.294 15.294 26.318
SEPTEMBER 722 731.236 9.236 9.236 24.183
OCTOBER 756 730.312 -25.688 25.688 24.350
NOVEMBER 739 732.881 -6.119 6.119 22.527
DESEMBER 780 733.493 -46.507 46.507 24.707
1- 0.9
0.1
29
- Perhitungan Forecast by SES
Gambar 3.9 forecaste error
- Peritungan Forecast Error
Gambar 3.10 forecast error SES
30
- Perhitungan ABS Error
Gambar 3.11 ABS error SES
- Perhitungan MAD Error
Gambar 3.12 MAD error SES
31
Windows For QM
1. Aktifkan program Windows For QM.
Gambar 3.13 langkah 1 MA
2. Pilih menu module lalu klik Forecasting
Gambar 3.14 langkah 2 MA
32
3. Klik menu File, pilih New dan kemudian pilih Times Series Analysis
Gambar 3.15 langkah 3 MA
4. Masukan jumlah data yang ada yaitu dengan Number Of Past Periode yaitu 12 bulan, lalu klik OK.
33
Gambar 3.16 langkah 4 MA 5. Masukan Data Demand yang diberikan asisten lab
Gambar 3.17 langkah 6 MA
6. Pilih metode Moving Average lalu masukan periods to average yang sudah di tentukan yaitu 4
34
Gambar 3.18 langkah 7 MA
7. Setelah di klik Solve, maka akan keluar tampilan data results yang berisi Error Measures pada forecasting.
35
8. Klik Solutions Control (Tracking Signal), setelah itu akan keluar
tampilan pada layar. Jadwal induk produksi yang diambil yaitu dari hasil Forecast.
Gambar 3.20 tracking signal MA
9. Klik Solutions lalu pilih Graph setelah itu akan keluar tampilan grapik pada Forcasting
36
Gambar 3.21 grafik MA
3.2.5. Perhitungan metode 4 WMA menggunkan software QM For Windows
1. Aktifkan program QM For Windows
Gambar 3.22 langkah 1 WMA 2. Pilih menu module lalu klik Forecasting
37
3.
Klik menu File, pilih New dan kemudian pilih Times Series AnalysisGambar 3.24 langkah 3 WMA
38
4. Masukan jumlah data yang ada yaitu dengan Number Of Past Periode yaitu 12 bulan, lalu klik OK.
Gambar 3.25 langkah 5 WMA 5. Masukan Data Demand yang diberikan asisten lab
Gambar 3.26 langkah 6 WMA
39
6. Pilih metode Weighted Moving Average, lalu masukan period to average yang sudah di tentukan
Gambar 3.27 langkah 7 WMA
7. Setelah di klik Solve, maka akan keluar tampilan data results yang berisi Error Measures pada forecasting
Gambar 3.28 data result WMA
8. Klik Solutions Control (Tracking Signal), setelah itu akan keluar tampilan pada layar. Jadwal induk produksi yang diambil yaitu dari hasil Forecast.
40
Gambar 3.29 tracking signal WMA
9. Lalu pilih solution kembali, kemudian klik graph untuk melihat data grafik pada model Weighted Moving Average
Gambar 3.30 grafik WMA
41
3.2.6. Perhitungan metode SES menggunakan software QM For Windows Langkah-langkah Perhitungan peramalan dengan menggunakan
Windows For QM
1. Aktifkan program Windows For QM.
Gambar 2.31 langkah 1 SES
2.
Klik menu File, pilih New dan kemudian pilih Times Series AnalysisGambar 2.32 langkah 2 SES
42
3. Masukan jumlah data yang ada yaitu dengan Number Of Past Periode yaitu 12 bulan, lalu klik OK.
Gambar 3.33 langkah 3 SES 4. Masukan Data Demand yang diberikan asisten lab
43
5. Selanjutnya jika akan merubah metode peramalan, klik edit data kemudian pilih model peramalan Exponential Smoothing lalu masukan alpha yg telah di tentukan yaitu 0.1
gambar 3.26 langkah 5 SES
44
6. Kemudian klik solutions, maka akan keluar tampilan data result yang berisi Error Measures pada forecasting
Gambar 3.27 data result SES
7. Lalu pilih solution kemudia klik Control (Tracking Signal) setelah itu akan keluar tampilan pada layar. Jadwal induk produksi yang diambil yaitu dari hasil Forecast.
45
8. Kemudian pilih solution kembali lalu klik graph untuk melihat grafik dari data peramalan Exponential Smoothing
Gambar 3.29 grafik SES
3.2. pengolahan data
3.2.1. Pemilihan metode
Dari hasi perhitugan melalui perhitungan Ms Excel dan QM for Windows maka metode yang paling effektif adalah metode Weighted Moving Average karna metode tersebut memliki MAD terkecil
3.2.2. Verifikasi hasil peramalam
Tabel 3.6 verifikasi hasilperamalan Error/Metode Moving Average Weighted
Moving Average
Exponential Smoothing
MAD 21.75 20.4 24.707
MSE 692.125 551.8 863.378
MAPE 2.95% 2.80% 3.41%
46
3.2.3. perhitungan ongkos produksi perunit
Tabel 3.7 daftar harga produksi PLC
Amplas Kayu Estimasi Biaya NOTES
Besi Hollo 4X2 112000 215cm + 202cm
Besi Siku 2X3 32500 82cm x 2
Besi plat 305000 5cm x 4
Kayu papan multiplek 10 mm 156000 71cm x 33cm +71.5cm x 57cm
kayu papan multiplek 6 mm 132000 64.5cm x 82cm
Baut 23000 100 pcs
Amplas Kayu 25000 10 lembar
Lem Aibon 72000 1 kg
HPL 300000 71.5cmx57cm+64.5cmx82cm
GRAND TOTAL 1157500
Dari estimasi harga di atas untuk ongkos perhitungan biaya produksi di dapatkan Rp.
1.157.500 per 1 unit 3.2.4. Penyusunan JIP
Tabel 3.8 penyusunan JIP
3.2.5. Production rate
Tabel 3.9 production rate
PERIODE DATA BIAYA PER UNIT BIAYA
JANUARI 744 1157500 Rp 861,180,000
FEBRUARI 757 1157500 Rp 876,227,500
MARET 697 1157500 Rp 806,777,500
APRIL 725 1157500 Rp 839,187,500
MEI 713 1157500 Rp 825,297,500
JUNI 696 1157500 Rp 805,620,000
JULI 709 1157500 Rp 820,667,500
AGUSTUS 713 1157500 Rp 825,297,500
SEPTEMBER 731 1157500 Rp 846,132,500
Periode JAN FEB MARET APRIL MEI JUNI JULI AGUSTUS SEP OKT NOV DES
DATA 744 757 697 725 713 697 709 713 731 729 743 742
47
BAB IV ANALISIS
Berdasarkan hasil perhitungan menggunakan Ms Excel dan software QM For Windows di dapatkan metode terbaik yaitu menggunakan metode WMA (Weight Moving Average) karna WMA mempunyai MAD terkecil dari metode yg lain
Pola data perlu diketahui dikarenakan dalam meramalkan data yang akan kita lakukan adalah melakukan proyeksi data masa lalu ke masa depan. Pola yang terjadi pada data masa lalu akan sangat berpengaruh pada nilai data yang kita coba ramalkan pada masa yang akan datang.
Diagram Scatter Moving Average
Gambar 3.30 diagram scatter MA
744 757
697 709
727
713
705 709 718
726 735
741
690 700 710 720 730 740 750 760
0 2 4 6 8 10 12 14
DIAGRAM SCATTER MA
48
Diagram Scatter Weighted Moving Average
Gambar 3.31 diagram scatter WMA
Diagram Scatter Simple Exponential Smoothing
744 757
697 709
727
713
705 709 718
726 735
741
690 700 710 720 730 740 750 760
0 2 4 6 8 10 12 14
DIAGRAM SCATTER 3 WMA
732 734 736 738 740 742 744 746 748
DIAGRAM SCATTER SES
49
BAB V
KESIMPULAN DAN SARAN 5.1. KESIMPULAN
Berdasarkan hasil pembahasan di bab sebelumnya maka dapat disimpulkan adalahsebagai berikut :
Manafaat forecasting dalam sistem industri adalah berkaitan mengenai persediaan yang akan dilakukan oleh perusahaan yaitu sebagai acuan dalam melakukan proses produksinya. dengan melakukan forecasting, perusahaan dapat meramalkan permintaan konsumen dimasa yang akan datang berdasarkan permintaan pada periode sebelumnya terhadap produk perusahaannya. Posisi forecasting dalam system industry sangatlah penting dalam mengoptimalkan kinerja produksi perusahaan tersebut
sehingga dapat memenuhi permintaan konsumen dengan tepatserta sebagai langkah dalam pengambilan keputusan penentuan jumlah produksiyang akan dilakukan pada periode
selanjutnya sehingga tidak terjadi kekurangan atau kelebihan persediaan yang menyebabkan kerugian bagi perusahaan tersebut.
50
5.2. SARAN
S a r a n u n t u k p r a k t i k u m P e r a n c a n g a n T e k n i k I n d u s t r i m o d u l 3 F o r e c a s t i n g selanjutnya adalah : 1. Praktikan sebaiknya lebih teliti dalam melakukan pengolahan
data manual Forecasting sehingga didapatkan hasil sesuai dengan yang diinginkan.
2. Praktikan sebaiknya memahami materi forecasting lebih baik sehingga mudahdalam melakukan pembahasan materi forecasting
51
DAFTAR PUSTAKA
Heizer, Jay dan Render, Barry. 2009. Manajemen Operasi, Buku 1 Edisi 9. Jakarta: Salemba Empat.
http://eprints.ums.ac.id
https://jurnal.unigal.ac.id
52
LAPORAN PRAKTIKUM SISTEM PRODUKSI
MODUL II
MATERIAL REQUIREMENT PLANNING
Kelompok III
ABDILLAH NUR ALAMSYAH 2070031021
ICHSAN AGUNG P 2070031042
IRVAN SOFIAN 2070031005
MIFTAHKUL HUDA 2070031033
ALVI SHIVA NUGRAHA 2070031013
KHARISMA ILHAM SAPUTRA 2070031028
MUHAMMAD DIMAS 2070031015
LABORATORIUM SISTEM PRODUKSI PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS KRISNADWIPAYANA
53
LEMBAR PENGESAHAN
Laporan praktikum ini telah dibuat oleh :
Nama Miftahkul Huda
Fakultas/Universitas : Teknik/Universitas
Krisnadwipayana
Waktu pelaksanaan : 21 Mei 2022
Judul : MRP
Telah diperiksa dan disetujui untuk diberikan penilaian yang sebagaimana
mestinya Mengetahui,
Kepala Laboratorium Asisten Laboratorium
(Ir. Aries Abbas, ST., MM., MT.) Widitya
Muhammad Sentos 03290565505 1870031075
54
DAFTAR ISI
KATA PENGANTAR ... 53 DAFTAR ISI ... 54
1.1. Latar Belakang Masalah 56 1.2. Identifikasi Masalah 57
1.3. Perumusan Masalah 57 1.4. Maksud dan Tujuan 57 1.5 Batasan Masalah 58
BAB II LANDASAN TEORI ... 59 2.1. Material Requirement Planning (MRP) 59
2.2. INPUT SISTEM MRP 62 2.3. Output sistem MRP 64
2.4. Istilah – istilah Yang Digunakan Dalam Sistem MRP 66 2.5 Syarat – syarat Sistem MRP 68
2.6. Langkah – langkah Dasar Pengolahan MRP 68 2.7. Rumus Dalam Sistem MRP 69
BAB III PENGUMPULAN DAN PENGOLAHAN DATA ... 72 3.1. Pengumpulan Data 72
3.2. Pengolahan Data Error! Bookmark not defined.
BAB IV ANALISIS ... 77 4.1. Tentukan faktor – faktor yang mempengaruhi akurasi MRP. 79
4.2. Bandingkan hasil MRP pada perhitungan dengan menggunakan software Microsoft Excel dan software Windows For QM. 79
4.3. Berikan komentar anda mengenai penerapan MRP di perusahaan yang memproduksinya seperti bahan praktikum ini. 79
BAB V KESIMPULAN DAN SARAN ... 80 4.1. Kesimpulan 80
4.2. Saran 81
55
KATA PENGANTAR
Inayah, Taufik dan Hidayahnya sehingga kami dapat menyelesaikan penyusunan laporan ini dalam bentuk maupun isinya yang sangat sederhana. Semoga laporan ini dapat dipergunakan sebagai salah satu acuan dari Tugas Praktikum nanti nya.
Harapan kami semoga laporan ini membantu menambah pengetahuan dan
pengalaman bagi para pembaca, sehingga kami dapat memperbaiki bentuk maupun isi laporan ini sehingga kedepannya dapat
Puji syukur kehadirat Tuhan Yang Maha Kuasa atas segala limpahan Rahmat lebih baik.
Laporan ini kami akui masih banyak kekurangan karena pengalaman yang saya miliki sangat kurang. Oleh kerena itu kami harapkan kepada para pembaca untuk memberikan masukan-masukan yang bersifat membangun untuk
kesempurnaan laporan ini.
Jakarta, 28 Mei 2022
Tim Penyusun Modul
Praktikum
BAB I PENDAHULUAN
1.1. Latar Belakang Masalah
Memasuki perkembangan zaman seperti saat ini, industri manufaktur dituntut untuk selalu meningkatkan daya beli masyarakat melalui pemasaran yang baik, selain itu harus juga menghasilkan produk secara massal dan murah dengan kualitas terbaik serta sesuai dengan keinginan konsumen.
Melalui perencanaan produksi terencana, keinginan konsumen ini akan terpenuhi. Namun demikian, tidak mungkin sebuah perencanaan produksi akan berjalan baik jika tidak ditunjang dengan persediaan bahan baku yang cukup.
Sedangkan persediaan bahan baku juga memberikan kontribusi biaya yang cukup besar dalam sebuah industri manufaktur, sehingga komponen biaya ini juga perlu untuk dikendalikan. Dengan demikian fungsi perencanaan produksi dan pengendalian persediaan perlu dikelola secara baik dan efisien untuk memperoleh hasil yang optimal sesuai rencana perusahaan. Agar pemahaman tentang kegiatan sistem produksi termasuk di dalamnya perencanaan produksi dan pengendalian persediaan, memerlukan penerapan secara nyata dalam bentuk praktik langsung mengenai masalah-masalah atau kasus-kasus yang berkaitan dengan sistem produksi.
Kasus-kasus tersebut salah satunya adalah dengan menggunakan metode peramalan yaitu mencoba melakukan teknik peramalan untuk
57
menentukan kebutuhan pasar secara periodik sebagai dasar penyusunan rencana produksi. Sebuah metode untuk menetapkan apa, kapan, dan berapa komponen dan material yang dibutuhkan untuk mencukupi rencana produksi untuk menyelesaikan produk sampai batas akhir waktu yaitu MRP (Material Requirements Plannring).
MRP mempunyai keuntungan yaitu dapat meningkatkan pelayanan dan kepuasan konsumen, peningkatan pemanfaatan fasilitas dan tenaga kerja, perencanaan dan penjadwalan persediaan yang lebih baik, tanggapan yang lebih cepat terhadap perubahan dan pergeseran pasar, tingkat persediaan menurun tanpa mengurangi pelayanan terhadap konsumen.
1.2. Identifikasi Masalah 1.3. Perumusan Masalah
Untuk mengatasi permasalahan-permasalahan yang mengemuka dari penjelasan diatas, maka diperlukan :
1. Bagaimana mengetahui jumlah perkiraan produk dari produk yang dihasilkan agar dapat diserap oleh pasar?
2. Bagaimana perencanaan komponen bahan baku serta penjadwalan produksi agar mendapatkan hasil yang optimal?
3. Apa Metode yang digunakan untuk mendapatkan efisiensi terbaik pada industri.
1.4. Maksud dan Tujuan
Adapun maksud dan tujuan laporan praktikum ini adalah :
1. Mengenal elemen-elemen penyusun dari MRP (Material Requirements
58
Planning).
2. Dapat menentukan perencanaan kebutuhan kapasitas untuk memprediksi kebutuhan sumber yang diperlukan dalam proses produksi.
3. Melakukan perencanaan kebutuhan material (Material Requirements Planning) melalui perencanaan produksi yang baik dan efisien.
1.5 Batasan Masalah
Pada penulisan laporan ini, penulis memberikan batasan masalah adalah sebagai berikut :
1. Perencanaan yang dilakukan hanya untuk horizon waktu 12 periode.
2. Pengolahan data menggunakan Software WinQSB.
3. Data yang digunakan adalah Item Master File, Master Production Schedule, Bill Of Material, Inventory On Hand dan Purchase Order File.
4. Metode perencanaan yang digunakan yaitu metode Lot for Lot (LFL).
BAB II
LANDASAN TEORI
2.1. Material Requirement Planning (MRP)
Menurut Gasperz (2004), Material Requirement Planning (MRP) adalah metode penjadwalan untuk purchased planned orders dan manufactured planned orders, kemudian diajukan untuk analisis lanjutan berkenaan dengan persediaan kapasitas dan keseimbangan menggunakan perencanaan kebutuhan kapasitas. Sistem MRP mengkoordinasikan pemasaran, manufacturing, pembelian, rekayasa melalui pengadopsian rencana produksi serta melalui penggunaan satu data base terintegrasi guna merencanakan, dan memperbaharui aktivitas dalam sistem industri modern secara keseluruhan. Salah satu alasan mengapa MRP digunakan secara cepat dan meluas sebagai teknik manajemen produksi, yaitu karena MRP menggunakan kemampuan komputer untuk menyimpan dan mengelola data yang berguna dalam menjalankan kegiatan perusahaan.
MRP dapat mengkoordinasikan kegiatan dari berbagai fungsi dalam perusahaan manufaktur, seperti teknik, produksi, dan pengadaan. Oleh karena itu, hal yang menarik dari MRP tidak hanya fungsinya sebagai penunjang dalam pengambilan keputusan, melainkan keseluruhan peranannya dalam kegiatan perusahaan. MRP sangat bermanfaat bagi perencanaan kebutuhan material untuk komponen yang jumlah kebutuhannya dipengaruhi oleh
komponen lain (dependent demand). MRP memberikan peningkatan efisiensi karena jumlah persediaan, waktu produksi, dan waktu pengiriman barang dapat direncanakan dengan lebih baik, karena ada keterpaduan dalam kegiatan yang didasarkan pada jadwal induk. Moto dari MRP adalah memperoleh material yang tepat, dari sumber yang tepat, untuk penempatan yang tepat, dan pada waktu yang tepat (Gasperz, 2004).
Material Requirement Planning System (sistem MRP) dikembangkan untuk mengelola persediaan barang yang permintaannya memiliki ketegantungan (dependent demand) maksudnya adanya hubungan antara suatu permintaan barang dengan barang lainya yang kedudukannya Iebih tinggi. Misalnya permintaan bahan mentah atau produk setengah jadi tergantung dari besarnya permintaan produk jadinya.
Sistem-sistem MRP dimaksudkan untuk memberikan :
a. Kebutuhan-kebutuhan persediaan yang berkurang Dengan MRP dapat ditentukan berapa banyaknya komponen yang diperlukan dan waktu pemenuhan terhadap jadwal induknya. Hai ini memungkinkan untuk menyediakan komponen pada waktu diperlukan, sehingga menghindarkan biaya-biaya karena penyimpanannya secara kontinu dan persediaan penyangga yang berlebihan di gudang.
b. Waktu tenggang (lead time) poduksi dan waktu tenggang penyerahan yang dikurangi kepada para pelanggan Adanya MRP dapat diidentifikasikan bahan dan komponen yang diperlukan (jumlah dan
memenuhi batas waktu penyerahan. Pengkoordinasian keputusan - keputusan hal-hal diatas membantu menghindarkan keterlambatan (penundaan) dalam produksi.
c. Komitmen penyerahan
Dengan MRP bagian produksi dapat memberikan kepada bagian pemasaran informasi yang tepat waktu mengenai kemungkinan waktu penyerahan kepada calon pelanggan. Dengan berbagai elemen-elemen dari MRP dapat memberikan informasi mengenai beban total yang direvisi dapat ditangani dangan kapasitas yang ada. Hasilnya dapat memberikan data yang lebih realistis.
d. Efisiensi operasi yang meningkat
Pada MRP dapat terjadi pengkoordinasian berbagai departemen dan pusat-pusat kerja ketika pembuatan produksi berlangsung melalui departemen pusat kerja tersebut. Akibatnya, produksi dapat berjalan dengan personil lebih sedikit tidak langsung seperti ekspeditor bahan, dan terjadi gangguan produksi yang tidak direncanakan lebih kecil karena MRP memusatkan pada tersedianya seluruh komponen pada waktu yang dijadwalkan secara tepat. Informasi yang diberikan oleh MRP mendorong dan mendukung efisiensi produksi.
Agar MRP dapat dioperasikan secara aktif maka perlu diperhatikan asumsi berikut :
1. Lead time seluruh item diketahui atau dapat diperkirakan.
2. Setiap item persediaan selalu dalam kontrol, maksudnya semua
transaksi yang terjadi harus dicatat, karena menyebabkan perubahan pada jumlah transaksi.
3. Semua komponen untuk suatu perakitan harus tersedia pada saat suatu pesanan untuk perakitan tersebut dilakukan, sehingga jumlah dan waktu kebutuhan kotor dari suatu perakitan dapat ditentukan.
4. Pengadaan dan pemakaian terhadap persediaan bersifat diskrit, misalnya ingin dibuat 50 unit items, maka MRP mampu membuat rencana agar ke 50 items tersebut dapat tersedia dalam jumlah yang tepat.
5. Proses pembuatan suatu item.
2.2. INPUT SISTEM MRP
Ada tiga input yang dibutuhkan oleh sistem MRP, yaitu:
a. Jadwal Induk Produksi
Merupakan suatu jadwal kegiatan produksi yang akan dilakukan selama satu interval. Perencanaannya pada umumnya selama satu tahun.
b. Status Inventory
Suatu catatan yang menjelaskan mengenai keadaan persediaan dari bahan serta komponennya, berapa jumlahnya, berapa yang sedang dalam pemesanan, dan kapan pesanan tiba di gudang.
c. Struktur Produk (BOM)
Menjelasakan sesuatu susunan secara sistematis secara hierarkis mengenai keterkaitan antara bahan dan pembentuk suatu produk.
akhir yang akan dibuat. Hasil peramalan (sebagai perencanaan jangka panjang) dipakai untuk membuat rencana produksi aggregate (perencanaan jangka sedang), yang pada akhirnya dibuat rencana detail (jangka pendek) yang menentukan jumlah produksi yang dibutuhkan untuk setiap produk akhir beserta periode waktunya untuk suatu jangka perencanaan. JIP merupakan perencanaan jangka pendek (merupakan proses alokasi untuk membuat sejumlah produk yang diinginkan dengan memperhatikan kapasitas yang dimiliki pekerja, mesin, dan bahan).
Perencanaan atas suatu JIP dilakukan dalam dua tahap. Pertama menentukan besarnya kapasitas atau kecepatan operasi yang diinginkan.
Perencanaan ini dilakukan pada tingkat aggregate (dengan optimasi keuntungan untuk bermacam – macam produk dengan berbagai sifat sesuai dengan kapasitas yang dimiliki). Rencana kapasitas secara aggregate terutama diarahkan pada semua Titik Kritis atau Potensi Bottleneck.
Tahap kedua, dari perencanaan ini adalah menentukan jumlah tenaga kerja yang dibutuhkan dan jumlah mesin serta shift yang diperlukan untuk penjadwalan Disini juga dilakukan perencanaan atas sejumlah persediaan aggregate. Perencanaan aggregate ini dapat dilengkapi juga dengan perencanaan kebutuhan akan persediaan pengaman untuk memelihara service kepada konsumen.
Hal penting dalam JIP adalah penentuan panjangnya horison perencanaan yaitu, jumlah produk yang dibutuhkan untuk penjadwalan.
Horison perencanaan minimal merupakan jumlah periode produksi (termasuk
perakitan) ditambah lead time pembelian atas bahan untuk setiap produk akhir yang akan dibuat.
2.3. Output sistem MRP
Rencana pemesanan merupakan output dari MRP yang dibuat atas dasar lead time dari setiap komponen. Lead time dari suatu item yang dibeli merupakan periode antara pesanan dilakukan sampai barang diterima (on- hand), sedangkan untuk produk yang dibuat di pabrik sendiri, merupakan periode antara perintah item harus dibuat sampai dengan selesai diproses.
Ada dua tujuan yang dicapai dengan adanya rencana pemesanan yaitu, 1. Menentukan kebutuhan bahan pada tingkat lebih bawah
2. Memproyeksikan kebutuhan kapasitas
Pada dasarnya sistem MRP menghasilkan tiga jenis keluaran (output), dimana biasanya keluaran atau hasil dari sistem MRP ini berupa laporan – laporan. Laporan ini biasanya berfungsi untuk memberikan informasi, laporan-laporan tersebut, yaitu (Gasperz, 2004):
1. MRP Primary Report
Merupakan laporan utama MRP yang sering disebut secara singkat sebagai laporan MRP.
2. MRP Action Report
Sering disebut juga sebagai MRP Exception Report yang memberikan informasi kepada perencana tentang item yang perlu mendapat perhatian segera, dan merekomendasikan tindakan-
3. MRP Pegging Report
Untuk memudahkan menelusuri sumber dari kebutuhan kotor untuk suatu item. menggunakan Pegging Reports, perencana menentukan kebutuhan-kebutuhan yang diakibatkan oleh adanya pesanan.
Ukuran lot merupakan suatu proses menentukan ukuran atau jumlah pemesanan, dimana pemesanan ini sudah harus tersedia di awal periode produksi. Ukuran jumlah barang yang dipesan (lot size) akan berhubungan dengan biaya pemesanan (setup) ataupun biaya penyimpanan barang.
Semakin rendah ukuran lot, berarti semakin sering melakukan pemesanan barang, akan menurunkan biaya penyimpanan, tetapi menambah biaya pemesanan. Sebaliknya, semakin tinggi ukuran lot akan mengurangi frekuensi pemesanan, tetapi mengakibatkan meningkatnya biaya penyimpanan. Mencari ukuran lot yang tepat yang dapat meminimalkan biaya total persediaan. Terdapat beberapa metode dalam menentukan ukuran lot (lot size), yaitu antar lain metode Lot For Lot (LFL), Part Period Balancing (PPB), Economic Order Quantity (EOQ), dan Period Order Quantity (POQ).
Metode Lot For Lot atau teknik penetapan ukuran lot dilakukan atas dasar pesanan diskrit, selain itu metode persediaan minimal berdasarkan pada ide menyediakan persediaan (memproduksi) sesuai dengan yang diperlukan saja, jumlah persediaan diusahakan seminimal mungkin. Jika pesanan dapat dilakukan dalam jumlah beberapa saja, pesanan sesuai dengan jumlah yang sesungguhnya diperlukan (Lot For Lot) menghasilkan tidak adanya persediaan. Metode ini mengandung resiko yang tinggi. Apabila terjadi
keterlambatan dalam pengiriman barang, mengakibatkan terhentinya produksi jika persediaan itu berupa bahan baku, atau tidak terpenuhinya permintaan pelanggan apabila persediaan itu berupa barang jadi. Namun, bagi perusahaan tertentu seperti yang menjual barang – barang yang tidak tahan lama (perishble products), metode ini merupakan satu – satunya pilihan yang terbaik (Baroto, 2002).
2.4. Istilah – istilah Yang Digunakan Dalam Sistem MRP
Sebelum memasuki lebih lanjut mengenai perencanaan kebutuhan material, terlebih dahulu menjelaskan tentang pengertian dari tabel untuk perhitungan MRP. Berikut ini dijelaskan tentang istilah-istilah yang biasa digunakan, yaitu: (Gasperz, 2004)
1. Gross Requirement (GR, kebutuhan kasar).
Adalah total dari semua kebutuhan, termasuk kebutuhan yang diantisipasi untuk setiap periode waktu. Berdasarkan pengertian tersebut gross requirement merupakan bagian dari keseluruhan jumlah item (komponen) yang diperlukan pada suatu periode.
2. Schedule Receipts (SR, penerimaan yang dijadwalkan).
Merupakan jumlah item yang akan diterima pada suatu periode tertentu berdasarkan pesanan yang dibuat.
3. Begin Inventory (BI, inventori awal).
Merupakan jumlah inventori di awal periode.
4. Net Requirement (NR, kebutuhan bersih).
diproduksi dalam periode bersangkutan.
5. Planned Order Receipt (PORt, penerimaan pemesanan yang direncanakan).
Adalah jumlah item yang diterima atau diproduksi oleh perusahaan manufaktur pada periode waktu terakhir.
6. Planned Ending Inventory (PEI, rencana persediaan akhir periode).
Merupakan suatu perencanaan terhadap persediaan pada akhir periode.
7. Planned Order Releases (PORel, pelepasan pemesanan yang direncanakan).
Adalah jumlah item yang direncanakan untuk dipesan agar memenuhi perencanaan pada masa yang akan datang atau order produksi yang dapat dilepas untuk dimanufaktur.
8. Lead Time.
Adalah waktu tenggang yang diperlukan untuk memesan (membuat) suatu barang sejak saat pesanan (pembuatan) dilakukan sampai barang itu diterima (selesai dibuat).
9. Lot Size (ukuran lot).
Merupakan kuantitas pesanan dari item yang memberitahukan MRP berapa banyak kuantitas yang dipesan, serta lot sizing apa yang dipakai.
10. Safety Stock (stok pengaman).
Merupakan stok pengaman yang ditetapkan oleh perencana MRP
