Bab Iv.pdf

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

4.1

Pengumpulan Data

4.1.1 Profil Perusahaan CV. RIAU PALLET merupakansebuah perusahaan industri manufaktur yang memproduksi pallet, Perusahaan ini mengolah bahan baku dasar adalah kayu gelondongan dan mahang dengan membeli lahan hutan masyarakat dari wilayah kabupaten siak. Perusahaan ini telah lama berdiri tapi mendapat izin usaha industri primer hasil hutan kayu dari dinas kehutanan pada tahun 2012 yang beralamat di jalan kubang Jaya No. 87 Kecamatan Siak Hulu Kampar-Pekanbaru

4.1.2 Struktur Organisasi Merupakan sistem yang mengatur masalah penetapan dan pembagian perkerjaan yang harus dilakukan sesuai dengan tugas dan tanggung jawab yang di bebankan serta mnetapkan hubungan antara unsur-unsur organisasi sehingga di peroleh suatu bentuk kerjasama yang efektif untuk mencapai tujuan yang di harapkan oleh perussahaan.

Gambar 4.1 Struktur Organisasi CV Riau Pallet

IV-129

4.1.3 Sumber Daya Manusia (SDM) SumberDaya Manusia merupakan salah satu faktor yang harus dimilkiperusahaan.Sumberdaya di sini adalah tenaga kerja yang digunakan perusahaandalam melaksanakan usahanya.Tenaga kerja yang ada pada Perusahaan CV Riau Pallet terdiri dari dua macam tenaga kerja produksi dan tenaga kerja non produksi.Tenaga

kerja

produksi

adalah

tenaga

kerja

yang

melakukan

prosesproduksi Pallet, sedangkan tenaga kerja non produksi adalah tenaga kerja yangmenangani masalah Administari. 4.1.4 Proses Produksi Secara umum aliran proses produksi Palletdiperlihatkan pada gambar 4.2

Gambar 4.2 Aliran Proses Produksi Pallet 1.

Bahan Baku. Bahan baku utama pembuatan pallet kayu adalah Kayu Bulat Non Hutan

Alam (Hutan Rakyat) yang diperoleh dari Kabupaten Siak dengan jenis kayunya adalah Kayu Meranti, Kayu Rimba Campuran, Kayu Indah, Kayu Mewah dan Kayu Mahang. Bahan baku didatangkan perusahaan setiap hari dengan rata-rata kuantitasnya 25 m3 dengan panjang setiap gelondongannya 230 cm dan standar minimal diameter kayu bulatnya adalah 15 cm. 2.

Mesin Sawmill Mesin Sawmill adalah mesin yang digunakan untuk membelah kayu bulat

menjadi kepingan papan dan balok. Ukuran dimensi papan yang dibuat pada proses ini adalah (230 x 9 x 2) cm dan ukuran dimensi baloknya adalah (230 x 9 x 8) cm.

Kapasitas Mesin Sawmill ini adalah dapat mengolah bahan baku 15

m3/hari.

IV-108

3.

Mesin Potong Papan Mesin Potong Papan adalah mesin yang digunakan untuk memotong

papan yang telah dihasilkan dari mesin sawmill. Tujuan proses pemotongan ini adalah untuk memotong-motong papan sesuai dengan ukuran yang dibutuhkan untuk membuat pallet. Ukuran potongan papan yang dibuat pada proses ini adalah 71, 101, 89, 120, 67, 102, 81, 111, 94, 113, 72 cm Kapasitas Mesin Potong Papan ini dapat mencapai 12 m3/hari. 4.

Mesin Ketam Papan Mesin Ketam Papan digunakan untuk menghaluskan permukaan papan

yang telah dihasilkan oleh Mesin Potong Papan. 5

Assembly Daun Pallet Assembly Daun Pallet adalah proses perakitan Daun Pallet dengan cara

menyilangkan papan dengan papan yang sudah dihaluskan permukaan papannya di Stasiun Pengetaman Papan. Dimensi Daun Pallet yang dirakit adalah bervariasi sesuai dengan ukuran pallet yang dibutuhkan yaitu: (71 x 101), (72 x 116), (89 x 120), (67 x 102), (81 x 111),dan (94 x 113), 6.

Mesin Ketam Balok Mesin Ketam Balok adalah mesin yang digunakan untuk meratakan

permukaan balok sebelum masuk ke proses Mesin Potong Balok. 7.

Mesin Potong Balok Mesin Potong Balok adalah mesin yang digunakan untuk memotong-

motong balok yang sudah dihaluskan permukaannya (dari proses pengetaman). Tujuan proses potong balok ini adalah untuk membuat kaki pallet. Ukuran potongan balok yang dibuat pada proses ini adalah (9 x 9 x 8) dan (25 x 9 x 8) cm. Kapasitas Mesin Potong Balok ini dapat mencapai 32 m3/hari. 8.

Assembly Kaki Pallet Assembly Kaki Pallet adalah proses penyatuan papan dengan potongan

balok untuk pembuatan penyangga pallet (Kaki Pallet). Proses assembly ini dilakukan manual dengan menggunakan bantuan air gun. Bentuk dan model kaki pallet yang di hasilkan dari proses assembly ini adalah bervariasi sesuai dengan ukuran pallet yang dibutuhkan.

IV-109

9.

Assembly Pallet Assembly Pallet adalah proses penyatuan antara Kaki Pallet dengan Daun

Pallet. Hasil dari proses AssemblyPallet adalah produk pallet setengah jadi (Pallet Basah). Proses assembly ini di lakukan manual dengan menggunakan alat bantuair gun. 10. Proses Oven Proses terakhir dalam produksi pallet adalah penggovenan. Proses ini bertujuan untuk mengurangi kadar air dalam pallet agar pallet yang dihasilkan lebih tahan lama (tahan terhadap jamur dan membunuh kutu kayu yang hidup dalam pallet). 4.1.5 Data Jumlah Mesin Dan Operator Data jumlah mesin diperoleh berdasarkan jumlah mesin yang tersedia di lantai produksi yang digunakan untuk proses produksi Pallet dari awal proses hingga akhir proses. Seluruh produk Pallet melewati proses yang sama, yang membedakan jenis Pallet yang satu dengan yang lainnya hanya waktu proses produksinya. Hal ini dikarenakan adanya perbedaan spesifikasi dan jumlah balok dan papan yang akan dirakit pada proses produksi Pallet tersebut. Adapun jumlah mesin dan operator yang terdapat pada lantai produksi dapat dilihat pada Tabel 4.1 berikut: Tabel 4.1 Jumlah Mesin yang terdapat di Lantai Produksi No

Jenis Proses

Nama Mesin

Jumlah (unit/)

Jumlah Operator Perunit (Orang)

1

Produksi Balok dan Papan

Mesin Sawmill

2

3

2

Pemotongan Papan

Mesin Cutting Papann

1

1

3

Pengetaman Papan

Mesin Ketam Papan

1

1

4

Pengetaman Balok

Mesin Ketam Balok

1

1

5

Pemotongan Balok

Mesin Cutting Balok

1

1

6

Assembly Daun Pallet

Manual oleh operator

2

5

7

Assembly Kaki Pallet

Mesin Air Gun

1

2

8

Assembly Pallet

Mesin Air Gun

1

2

(Sumber : CV Riau Pallet Tahun 2014)

IV-110

4.1.6 Data Permintaan Dan Produksi Berikut adalah data mengenai permintaan pallet selama 12 bulan/periode yang diperoleh dari CV Riau Pallet: Table 4.2 Data Permintaan pallet Jenis Ukuran Permintaan PALLET (Pcs) No

Bulan

Total 71 × 101

63 × 88

89 × 120

67 × 102

81 × 111

94 × 113

97 × 114

1

Juni

4500

4400

1200

1600

1450

3550

2080

25.250 Pcs

2

Juli

3500

3750

1500

1350

1570

3550

1500

24.970 Pcs

3

Agustus

3250

3550

1500

1350

1770

4650

2900

23.470 Pcs

4

September

3750

4200

1540

1550

1850

4550

2100

19540 Pcs

5

Oktober

4100

4410

1100

1600

1200

3850

2100

18360 Pcs

6

November

4100

4620

1850

1400

1600

3500

2080

19150 Pcs

7

Desember

4250

4550

2100

1400

1420

3100

2180

19000 Pcs

8

Januari 2014

4125

4620

1694

1705

2035

5005

2310

21494 Pcs

9

Februari

4510

4851

1210

1760

1320

4235

2310

20196 Pcs

10

Maret

4510

5082

2035

1540

1760

3850

2288

21065 Pcs

11

April

4675

5005

2310

1540

1562

3410

2398

20900 Pcs

12

mei

4769

5105

2356

1571

1593

3478

2446

21318 Pcs

50039

54143

20395

18366

19130

46728

26692

235493 Pcs

Total

(Sumber : CV Riau Pallet Tahun 2013 dan 2014)

Table 4.3 Data Produksi Pallet Jenis Ukuran Produksi PALLET (Pcs) No

Bulan

Total 71 × 101

63 × 88

89 × 120

67 × 102

81 × 111

94 × 113

97 × 114

1

Juni

4570

4320

1100

1050

1250

3430

2300

18.020 Pcs

2

Juli

3200

3500

1760

1200

1100

4200

1500

16.460 Pcs

3

Agustus

3000

3800

1580

1400

1350

4550

1750

17.430 Pcs

4

September

3900

4320

1760

1400

1350

4550

1850

19130 Pcs

5

Oktober

4100

4450

1100

1200

1210

4100

1900

18060 Pcs

6

November

3800

4600

1580

1400

1470

3500

1850

18200 Pcs

7

Desember

4400

4550

2100

1420

1450

3210

2100

19230 Pcs

8

Januari 2014

4290

4752

1936

1540

1485

5005

2035

21043 Pcs

9

Februari

4510

4895

1210

1320

1331

4510

2090

19866 Pcs

10

Maret

4180

5060

1738

1500

1617

3850

2035

19980 Pcs

11

April

4600

4930

2423

1562

1595

3121

2310

20541 Pcs

12

Mei

4600

5000

2450

1571

1600

3200

2350

20771 Pcs

49150

54177

20737

16563

16808

47226

24070

228731 Pcs

Total

(Sumber : CV Riau Pallet Tahun 2013 dan 2014)

IV-111

4.1.7 Data Siklus Produksi Pallet Waktu siklus masing-masing ukuran pallet berbeda-beda tiap ukurannya, waktu siklus tersebut dihitung berdasarkan peta proses operasi yang dapat dilihat pada lampiranA. Adapun rekapitulasi waktu siklus masing-masing pallet dapat dilihat pada tabel dibawah ini : Tabel 4.4 Data Siklus Produksi Pallet No Ukuran Waktu Pallet Siklus Produksi (detik) 1 71 × 101 201 2 63 × 88 195 3 89 × 120 214 4 67 × 102 198 5 97 × 114 207 6 81 × 111 205 7 94 × 113 207 (Sumber : CV Riau Pallet Tahun 2014) 4.1.8 Data Biaya Produksi Biaya Produksi meliputi biaya material(biaya bahan bakar,biaya kayu,baya paku) serta biaya tenaga kerja.masing-masing ukuran pallet memilki biaya berbeda-beda tiap ukurannya yang dapat dilihat pada table dibawah ini:

Tabel 4.5 Data Biaya Produksi BIAYA/unit Upah pekerja Biaya material

71 × 101 20463 10710

63 × 88 20333 9920

Jenis Ukuran Produksi PALLET (Cm) 89 × 120 67 × 102 81 × 111 94 × 113 20706.45 20435.85 20595.9 20713.05 12180 10540 11510 12220

97 × 114 20742.75 12400

(Sumber : CV Riau Pallet Tahun 2014)

IV-112

4.1.9 Plot Data Untuk melakukan peramalan sebelum nya kita melakukan plot data untuk semua ukuran pallet sehingga kita dapat mengetahui pola data permintaan dan metode apa yang sesuai dengan tingkat error terkecil. Hasil plot data nya dapat dilihat dari grafik berikut ini. A. Plot Data pallet ukuran 71x101

Gambar 4.3 Plot data Permintaan Pallet Ukuran 71x101 Berdasarkan plot data permintaan diatas pallet ukuran 71x101 dapat kita ketahui pola data yang sesuai yaitu menggunakan pola data yang berbentuk horizontal karena nilai data fluktuasi sekitar nilai rata-rata . B. Plot Data pallet ukuran 63x88

Gambar 4.4 Plot data Permintaan Pallet Ukuran 63x88

IV-113

Berdasarkan plot data permintaan diatas pallet ukuran 63x88 dapat kita ketahui pola data yang sesuai yaitu menggunakan pola data yang berbentuk horizontal karena nilai data fluktuasi sekitar nilai rata-rata . C. Plot Data pallet ukuran 89x120

Gambar 4.5 Plot data Permintaan Pallet Ukuran 89x120 Berdasarkan plot data permintaan diatas pallet ukuran 89x120 dapat kita ketahui pola data yang sesuai yaitu menggunakan pola data yang berbentuk trend karena nilai data mengalami kecendrungan naik dari waktu kewaktu . D. Plot Data pallet ukuran 67x102

Gambar 4.6 Plot data Permintaan pallet ukuran 67x102

IV-114

Berdasarkan plot data permintaan diatas pallet ukuran 67x102 dapat kita ketahui pola data yang sesuai yaitu menggunakan pola data yang berbentuk horizontal karena nilai data mengalami fluktuasi disekitar nilai rata-rata . E. Plot Data pallet ukuran 94x113

Gambar 4.7 Plot data Permintaan pallet ukuran 94x113 Berdasarkan plot data permintaan diatas pallet ukuran 94x113 dapat kita ketahui pola data yang sesuai yaitu menggunakan pola data yang berbentuk horizontal karena nilai data mengalami fluktuasi disekitar nilai rata-rata . F. Plot Data pallet ukuran 97x114

Gambar 4.8 Plot data Permintaan pallet ukuran 97x114

IV-115

Berdasarkan plot data permintaan diatas pallet ukuran 97x114 dapat kita ketahui pola data yang sesuai yaitu menggunakan pola data yang berbentuk horizontal karena nilai data fluktuasi sekitar nilai rata-rata. G. Plot Data pallet ukuran 81x111

Gambar 4.9 Plot data Permintaan pallet ukuran 81x111 Berdasarkan plot data permintaan diatas pallet ukuran 81x111 dapat kita ketahui pola data yang sesuai yaitu menggunakan pola data yang berbentuk Horizontal karena nilai data mengalami fluktuasi disekitar nilai rata-rata

4.2 Pengolahan Data Berdasarkan data permintaan terhadap permintaan pallet dapat dilihat plot datanya sudah diketahui,selanjutnya melakukan melakukan pengolahan data dengan software QM For Windows 2.1 4.2.1 Peramalan Pada ini akan dilakukan peramalan terhadap data permintaan pallet dengan menggunakan 3 metode peramalan yaitu Moving Average, metode Exponential Smoothing,metode Linier Regression untuk plot data horizontal serta Trend Analisys untuk plot data trend . Pengolahan data tersebut dilakuakan secara manual dan menggunakan program Software QM for Windows 2.1.

IV-116

1. Pengolahan Data Untuk Ukuran Pallet 71x101 Berdasarkan Plot data menunjukan pola data untuk ukuran pallet 71x101 adalah horizontal serta metode peramalan yang digunakan adalah adalah Moving Average, metode Exponential Smoothing,metode Linier Regression sebagai berikut:

Table 4.6 Data Permintaan Pallet No

Bulan

1

Juni 2013

Permintaan Pallet Ukuran 71x101 4500

2

Juli 2013

3500

3

Agustus 2013

3250

4

September 2013

3750

5

Oktober 2013

4100

6

November 2013

4100

7

Desember 2013

4250

8

Januari 2014

4125

9

Februari 2014

4510

10

Maret 2014

4510

11

April 2014

4675

12

Mei 2014

4769

(Sumber : CV Riau Pallet Tahun 2013 dan 2014) A. Metode Moving Average Dalam metode rata-rata bergerak sederhana ini menggunakan data masa lalu dimana nilai tengah sebagai peramalan dengan cara menentukan dari awal jumlah nilai pengamatan masa lalu yang akan dimasukkan untuk menghitung nilai tengah. a. Metode Moving Average Periode I (Pertama) 1. Hasil Forecast Secara Manual Perhitungan nilai-nilai akurasi peramalan : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

IV-117

MAD =

1  (3500  4500)  .....  (4769  4675) 11

MAD =

3019 11

MAD = 274,46

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MSE =

1  11

MSE =

1000000 11

( (3500  4500)  .....  (4769  4675) 2 ) 2

MSE = 150.673,7

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 11



(3500  4500)  .....  (4769  4675)

269 BIAS 11  24,46 

IV-118

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (3500  4500)

Standard Error

t

 Ft ) 2

n f 2

 .....  (4769  4675) 2

11  2

1657411 9  429,13 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Jangka waktu Moving Average periode 1

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.1 di lampiran O, sedangkan untuk perhitungan bulan juli adalah sebagai berikut : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

4500 1  4500 

Nilai Error

= At - Ft = 3500 – 4500 = -1000

IV-119

= At - Ft

Nilai Error Mutlak

= │3500 – 4500│ = 1000 = (At – Ft) 2

Nilai Error Kuadrat

=(3500 -4500) 2 = 1.000.000 b. Metode Moving Average Periode II (Kedua) a. Hasil forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average



MAD =

1 10

MAD =

2956.5 10

(3250  3500 )  .....  ( 4769  4675)

MAD = 295,6

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

 ( (3250  3500)  .....  (4769  4675) )²

MSE =

1 10

MSE =

1318190 10

IV-120

MSE = 131.819

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 10



(3250  3500)  .....  (4769  4675)

1356,5 BIAS 10  135,65 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (3250  35000)

Standard Error

t

 Ft ) 2

n f 2

 .....  (4769  4675) 2

10  2

1.318.190 8  131.819 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

Data pada periode ke I

:

IV-121

T

:

Exponentially smoothed trend pada periode t

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.2 di lampiran O, sedangkan untuk perhitungan bulan Agustus adalah sebagai berikut : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

=

4500  3500 2

= 4000 Nilai Error

= At – Ft = 3250 – 4000 = -750

Nilai Error Mutlak

= At - Ft = 3250 – 4000 = 750

Nilai Error Kuadrat

= (At – Ft) 2 = (3250 – 4000) 2 = 562.500

B. Metode Exponential Smoothing (Pemulusan) Pemulusan Exponential, terdapat satu atau lebih parameter pemulusan yang ditentukan secara emplisit dan hasil pemilihan ini menentukan bobot yang dikenakan pada nilai observasi. Persamaan umum yang digunakan dalam peramalan metode Exponential Smoothing adalah :

Ft 1  At  (1   ) Ft Keterangan : Ft+1

:

Forecast baru

Ft

:

Forecast periode yang lalu

α

:

Konstanta Smoothing (0 ≤α ≤1)

At

:

Permintaan aktual periode lalu

IV-122

a. Pengolahan Data Metode Exponential Smoothing untuk nilai α = 1 Nilai peramalan dengan menggunakan metode Exponential Smoothing dengan nilai α = 1,nilai α diperoleh berdasarkan nilai eror yang terkecil a. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MAD =

1  (3500  4500)  .....  (4769  4675) 11

MAD =

3019 11

MAD = 274,45 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu exponential smothing

MSE =

1  11

MSE =

1.657.411 11

( (3500  4500)  .....  (4769  4675) )²

MSE = 150.673,7 Dengan menggunakan Bias : BIAS =

1 n



( At  Ft )

IV-123

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu exponential smothing

BIAS =

1 11



(3500  4500)  .....  (4769  4675 )

269 BIAS 11  24,45 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu exponential smothing

Standard Error =

(A

Standard Error =

 (3500  4500)

Standard Error

t

 Ft ) 2

n f 2

 .....  (4769  4675) 2

11  2

1.657.411 9  429,13 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Exponentially smoothed trend pada periode t

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.3 di lampiran O, sedangkan untuk perhitungan bulan juli adalah sebagai berikut : IV-124

T

Nilai Forecast

= Ft 1  x   Xi / T i 1

= 1((4500)+(1-1)3500 = 4500 Nilai Error

= At - Ft = 3500-4500 = -200 = At - Ft

Nilai Error Mutlak

= 4500-4700  = 200 = (At – Ft) 2

Nilai Error Kuadrat

= (3500-4500) 2 = 1.000.000 C. Metode Peramalan dengan Linier Regression Metode ini ini dijelaskan dengan menggunakan Metode Linier Regression yang dapat dijelaskan dengan dua parameter yaitu a dan b dalam bentuk : Y = a + bt Nilai a dan b yang meminimumkan MSE dapat digunakan dengan menggunakan persamaan sebagai berikut :

b

 XY  N ( X )( Y  X  N ( X )

b

338,443  12(6,5)(28.203) 650  12(6,5) 2

2

)

2

b  92,34

a a

Y  b  X N

N

50.039 78  92,34 12 12

a  3570,39

IV-125

Sehingga Y = a + bt menjadi : Y = 3570,39+ 92,34t Untuk bulan juni : Y = 3570,39+ 92,34 (1) = 3662,628 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.4 di lampiran O.

a. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression



MAD =

1 12

MAD =

2496,714 12

( 4500  3662 )  .....  ( 4769  4677 )

MAD = 208,05 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft ) 2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

MSE = =

1 12

 ( (4500  3662)  .....  (4769  4677) )

2

1.227.327 12

= 102.227,7

IV-126

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regresson

BIAS =

1 11



(4500  3662)  .....  (4769  4677)

BIAS = 0,0001 Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

Standard Error =

(A

Standard Error =

 (4500  3662)

Standard Error

t

 Ft ) 2

n f 2

 .....  (4769  4677) 2

12  2

1.223.327 10  350,323 

Tabel 4.7 Rekapitulasi Hasil Peramalan Metode Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing alpa 1 Linear Regression

MAD

MSE

274,45 295,65 274,46 208,05

150.673,7 131.819 150.673,7 102.227,3

BIAS (MEAN ERROR) 24,45 135,65 24,45 0,0001

Standar Error 429,13 405,92 429,13 350,33

(Sumber : Pengolahan Data Tahun 2014)

IV-127

Tabel 4.8 Rangking Hasil Peramalan Metode Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 1 Linear Regression

MAD

MSE

2 4 3 1

3 2 4 1

BIAS (MEAN ERROR) 2 4 3 1

standart error 3 2 4 1

Jumlah 10 12 14 4

(Sumber : Pengolahan Data Tahun 2014) Setelah melakukan pengujian terhadap ketiga metode serta dilakukan perbandingan rangking pada MAD,MSE,BIAS dan Standard Error dari ketiga metode tersebut yang memiliki akumulasi terkcil yakni metode Linear Regression

D. Verifikasi Metode Peramalan dengan Moving Range Untuk membandingkan data peramalan dengan permintaan actual maka digunakan peta Moving Range dengan rumus sebagai berikut : MR = ( yˆ t  yt )  ( yˆ t 1  yt 1 )

Adapun rumus rata-rata Moving Range adalah sebagai berikut : MR  

MR n 1

Garis tengah pada peta Moving Range adalah pada titik nol. Batas Kontrol Atas (BKA) dan Batas Kontrol Bawah (BKB) pada peta Moving Range adalah : BKA = +2.66 MR BKB = -2.66 MR Hasil perhitungan Moving Range dapat dilihat pada tabel P.1 di lampiran P

Nilai rata-rata Moving Range adalah sebagai berikut MR  

MR n 1

= 2926 12  1 = 266

IV-128

Penentuan batas kontrol 1. Batas Kontrol Atas (BKA) BKA = +2,66 x MR Rata-Rata = 2,66 x 266 = 648,597 2. Batas Kontrol Bawah (BKB) BKB = -2,66 x MR Rata-Rata = -2,66 x 266 = -648,597 3. Region A Batas Region A

= (2/3 x 2,66) x MR Rata-Rata = 1.77 x 266 = 470,82

Batas Region –A = (2.33x-2,66)x MR Rata-Rata = -1.77x 266 =- 470,82 4. Region B Batas Region B

= (1/3 x 2,66) x MR Rata-Rata = 0.89 x 266

= 236,74 Batas Region –B =(1/3x-2.66)x MR Rata-Rata = -0,89 x 266 = -236,74 Untuk grafik Moving Range dapat dilihat pada Gambar Q.1 di lampiran Q

IV-129

2. Pengolahan Data Untuk Ukuran Pallet 63 x 88 Berdasarkan Plot data menunjukan pola data untuk ukuran pallet 63 x 88 adalah horizontal serta metode peramalan yang digunakan adalah adalah Moving Average, metode Exponential Smoothing,metode Linier Regression sebagai berikut:

Table 4.9 Data Permintaan Pallet No

Bulan

Permintaan Pallet Ukuran 63 x 88

1

Juni 2013

4400

2

Juli 2013

3750

3

Agustus 2013

3550

4

September 2013

4200

5

Oktober 2013

4410

6

November 2013

4620

7

Desember 2013

4550

8

Januari 2014

4620

9

Februari 2014

4851

10

Maret 2014

5082

11

April 2014

5005

12

Mei 2014

5105

(Sumber : CV Riau Pallet Tahun 2013 dan 2014) A. Metode Moving Average Dalam metode rata-rata bergerak sederhana ini menggunakan data masa lalu dimana nilai tengah sebagai peramalan dengan cara menentukan dari awal jumlah nilai pengamatan masa lalu yang akan dimasukkan untuk menghitung nilai tengah. a. Metode Moving Average Periode I (Pertama) 1.

Hasil Forecast Secara Manual

Perhitungan nilai-nilai akurasi peramalan : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

IV-130

MAD =

1  (3750  4400)  .....  (5105  5005) 11

MAD =

2.699 11

MAD = 245,36

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MSE =

1  11

MSE =

1.105.651 11

( (3750  4400)  .....  (5105  5005) 2 ) 2

MSE = 100.513,7

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 11



(3750  4400)  .....  (5105  5005)

705 BIAS 11  64,09 

IV-131

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (3750  4400)

Standard Error

t

 Ft ) 2

n f 2

 .....  (5105  5005) 2

11  2

1.105.651 9  350,49 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Jangka waktu Moving Average periode 1

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.5 di lampiran O,Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

4400 1  4400 

Nilai Error

= At - Ft = 3750 – 4400 = -650

IV-132

= At - Ft

Nilai Error Mutlak

= │3750 – 4400│ = 650 = (At – Ft) 2

Nilai Error Kuadrat

=(3750 – 4400) 2 = 422.500 b. Metode Moving Average Periode II (Kedua) 1. Hasil forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average



MAD =

1 10

MAD =

2707 ,5 10

(3550  4075)  .....  (5105  5044 )

MAD = 270,75

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

 ( (3550  4075)  .....  (5105  5044) )²

MSE =

1 10

MSE =

1.162.108 10

IV-133

MSE = 116.210,8

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 10



(3550  4075)  .....  (5105  5044)

1.657,5 BIAS 10  165,75 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (3550  4075)

Standard Error

t

 Ft ) 2

n f 2

 .....  (5105  5044) 2

10  2

1.162.108 8  116.210,8 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

IV-134

Xi

:

Data pada periode ke I

T

:

Exponentially smoothed trend pada periode t

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.6 di lampiran O, sedangkan untuk perhitungan bulan Agustus adalah sebagai berikut : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

=

4400  3750 2

= 4075 Nilai Error

= At – Ft = 3550 – 4075 = -525

Nilai Error Mutlak

= At - Ft = 3550 – 4075 = 525

Nilai Error Kuadrat

= (At – Ft) 2 = (3550 – 4075) 2 = 275.625

B. Metode Exponential Smoothing (Pemulusan) Pemulusan Exponential, terdapat satu atau lebih parameter pemulusan yang ditentukan secara emplisit dan hasil pemilihan ini menentukan bobot yang dikenakan pada nilai observasi. Persamaan umum yang digunakan dalam peramalan metode Exponential Smoothing adalah :

Ft 1  At  (1   ) Ft Keterangan : Ft+1

:

Forecast baru

Ft

:

Forecast periode yang lalu

α

:

Konstanta Smoothing (0 ≤α ≤1)

At

:

Permintaan aktual periode lalu

IV-135

Untuk mencari nilai peramalan dengan menggunakan metode Exponential Smoothing dengan nilai α = 1(nilai α diperoleh berdasarkan nilai eror yang terkecil) adalah sebagai berikut :

a. Hasil Forecast Secara Manual Perhitungan nilai-nilai akurasi peramalan : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MAD =

1  (3750  4400)  .....  (5105  5005) 11

MAD =

2.699 11

MAD = 245,36

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MSE =

1  11

MSE =

1.105.651 11

( (3750  4400)  .....  (5105  5005) 2 ) 2

MSE = 100.513,7 Dengan menggunakan Bias : BIAS =

1 n



( At  Ft )

IV-136

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 11



(3750  4400)  .....  (5105  5005)

705 BIAS 11  64,09 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (3750  4400)

Standard Error

t

 Ft ) 2

n f 2

 .....  (5105  5005) 2

11  2

1.105.651 9  350,49 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Jangka waktu

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.7 di lampiran O, sedangkan untuk perhitungan bulan Juli adalah sebagai berikut : IV-137

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Exponentially smoothed trend pada periode t

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

= 1(4400)+(1-1)3750 = 4400 Nilai Error

= At - Ft = 3750-4400 = -650 = At - Ft

Nilai Error Mutlak

= 3750-4400  = 650 = (At – Ft) 2

Nilai Error Kuadrat

= (3750-4400) 2 = 422.500. C. Metode Peramalan dengan Linier Regression Metode ini ini dijelaskan dengan menggunakan Metode Linier Regression yang dapat dijelaskan dengan dua parameter yaitu a dan b dalam bentuk : Y = a + bt Nilai a dan b yang meminimumkan MSE dapat digunakan dengan menggunakan persamaan sebagai berikut :

b

 XY  N ( X )( Y  X  N ( X )

b

368,724  12(6,5)(30.727) 650  12(6,5) 2

2

)

2

b  117 ,441

a

Y  b  X N

N

IV-138

a

54.143 78  117,441 12 12

a  3748,53 Sehingga Y = a + bt menjadi : Y = 3748,53 + 117,441t Untuk bulan juni : Y = 3748,53 + 117,441 (1) = 3866 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.8 di lampiran O. a. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression



MAD =

1 12

MAD =

1.959.166 12

( 4400  3866 )  .....  (5105  5158)

MAD = 163,27 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft ) 2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

MSE = =

1 12

 ( (4400  3866)  .....  (5105  5158) )

2

713.256,8 12

IV-139

= 54.438,06

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regresson

BIAS =

1 11



(4400  3866)  .....  (5105  5158)

BIAS = 0,0003 Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

Standard Error =

(A

Standard Error =

 (4400  3866)

t

 Ft ) 2

n f 2

 .....  (5105  5158) 2

12  2

713.256 Standard Error 10  267,06 

IV-140

Tabel 4.10 Rekapitulasi Hasil Peramalan Metode Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 1 Linear Regression

MAD

MSE

245,36 270,75 245,36 163,26

100.513,7 116.210 100.513,7 59.438,1

BIAS (MEAN ERROR) 64,09 165,75 64,09 0,0003

Standar Error 350,49 381,13 350,49 267,06

(Sumber : Pengolahan Data Tahun 2014) Tabel 4.11 Rangking Hasil Peramalan Metode

MAD

MSE

2 4 3 1

2 4 3 1

Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 1 Linear Regression

BIAS (MEAN ERROR) 2 4 3 1

standart error 2 4 3 1

Jumlah 8 16 12 4

(Sumber : Pengolahan Data Tahun 2014) Setelah melakukan pengujian terhadap ketiga metode serta dilakukan perbandingan rangking pada MAD,MSE,BIAS dan Standard Error dari ketiga metode tersebut yang memiliki akumulasi terkcil yakni metode Linear Regression

D. Verifikasi Metode Peramalan dengan Moving Range Untuk membandingkan data peramalan dengan permintaan actual maka digunakan peta Moving Range dengan rumus sebagai berikut : MR = ( yˆ t  yt )  ( yˆ t 1  yt 1 ) Adapun rumus rata-rata Moving Range adalah sebagai berikut : MR  

MR n 1

Garis tengah pada peta Moving Range adalah pada titik nol. Batas Kontrol Atas (BKA) dan Batas Kontrol Bawah (BKB) pada peta Moving Range adalah : BKA = +2.66 MR BKB = -2.66 MR Hasil perhitungan Moving Range dapat dilihat pada tabel P.2 di lampiran P Nilai rata-rata Moving Range adalah sebagai berikut MR  

MR n 1

= 2746 12  1

IV-141

= 206,37 Penentuan batas kontrol Batas Kontrol Atas (BKA) BKA = +2,66 x MR Rata-Rata = 2,66 x 206,37 = 548,9449 Batas Kontrol Bawah (BKB) BKB = -2,66 x MR Rata-Rata = -2,66 x 206,37 = - 548,9449 Region A Batas Region A

= (2/3 x 2,66) x MR Rata-Rata = 1.77 x 206,37 = 365,2753

Batas Region –A = (2.33x-2,66)x MR Rata-Rata = -1.77x 206,37 =- 365,2753 Region B Batas Region B

= (1/3 x 2,66) x MR Rata-Rata = 0.89 x 206,37

= 183,6695 Batas Region –B =(1/3x-2.66)x MR Rata-Rata = -0,89 x 206,37 = - 183,6695 Untuk grafik Moving Range dapat dilihat pada Gambar Q.2 di lampiran Q

IV-142

3. Pengolahan Data Untuk Ukuran Pallet 67 x 102 Berdasarkan Plot data menunjukan pola data untuk ukuran pallet 67 x 102 adalah horizontal serta metode peramalan yang digunakan adalah adalah Moving Average, metode Exponential Smoothing,metode Linier Regression sebagai berikut: Table 4.12 Data Permintaan Pallet No

Bulan

1 2 3 4 5 6 7 8 9 10 11 12

Juni 2013 Juli 2013 Agustus 2013 September 2013 Oktober 2013 November 2013 Desember 2013 Januari 2014 Februari 2014 Maret 2014 April 2014 Mei 2014

Permintaan Pallet Ukuran 67 x 102 1600 1350 1350 1550 1600 1400 1400 1705 1760 1540 1540 1571

(Sumber : CV Riau Pallet Tahun 2013 dan 2014)

A. Metode Moving Average Dalam metode rata-rata bergerak sederhana ini menggunakan data masa lalu dimana nilai tengah sebagai peramalan dengan cara menentukan dari awal jumlah nilai pengamatan masa lalu yang akan dimasukkan untuk menghitung nilai tengah. a. Metode Moving Average Periode I (Pertama) 1. Hasil Forecast Secara Manual Perhitungan nilai-nilai akurasi peramalan : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

IV-143

MAD =

1  (1350  1600)  .....  (1571  1540) 11

MAD =

1311 11

MAD = 119,18 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MSE =

1  11

MSE =

290.411 11

( (1350  1600)  .....  (1571  1540) ) 2

MSE = 26.401 Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

BIAS

1 11



(1350  1600)  .....  (1571  1540)

 29 11  2.63 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

IV-144

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (1350  1600)

t

 Ft ) 2

n f 2

 .....  (1571  1540) 2

11  2

290.411 Standard Error 9  179,63 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Jangka waktu Moving Average periode 1

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

1600 1  1600 

Nilai Error

= At - Ft = 1350 – 1600 = -250

Nilai Error Mutlak

= At - Ft = │1350 – 1600│ = 250

Nilai Error Kuadrat

= (At – Ft) 2 =(1350 – 1600) 2 = 62.500

IV-145

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.9 di lampiran O. b. Metode Moving Average Periode II (Kedua) 1. Hasil forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average



MAD =

1 10

MAD =

1596 10

(1350  1475)  .....  (1571  1540 )

MAD = 159,6

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

 ( (1350  1475)  .....  (1571  1540) )²

MSE =

1 10

MSE =

304.948,5 10

MSE = 30.494,85

Dengan menggunakan Bias : BIAS =

1 n



( At  Ft )

IV-146

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =



1 10

(1350  1475)  .....  (1571  1540)

191 BIAS 10  19,1 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (1350  1475)

Standard Error

t

 Ft ) 2

n f 2

 .....  (1571  1540) 2

10  2

304.948,5 8  30.494,85 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Moving Average pada periode t

Untuk Bulan Agustus adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

IV-147

=

1600  1350 2

= 1475 Nilai Error

= At – Ft = 1350 – 1475 = -125

Nilai Error Mutlak

= At - Ft = 1350 – 1475 = 125

Nilai Error Kuadrat

= (At – Ft) 2 = (1350 – 1475) 2 = 15.625

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.10 di lampiran O. B. Metode Exponential Smoothing (Pemulusan) Pemulusan Exponential, terdapat satu atau lebih parameter pemulusan yang ditentukan secara emplisit dan hasil pemilihan ini menentukan bobot yang dikenakan pada nilai observasi. Persamaan umum yang digunakan dalam peramalan metode Exponential Smoothing adalah :

Ft 1  At  (1   ) Ft Keterangan : Ft+1

:

Forecast baru

Ft

:

Forecast periode yang lalu

α

:

Konstanta Smoothing (0 ≤α ≤1)

At

:

Permintaan aktual periode lalu

Untuk mencari nilai peramalan dengan menggunakan metode Exponential Smoothing dengan nilai α = 0.09 (nilai α diperoleh berdasarkan nilai eror yang terkecil ) adalah sebagai berikut :

IV-148

1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

MAD =

1  (1350  1600)  .....  (1571  1563) 11

MAD =

1.278,87 11

MAD = 116,26 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

MSE =

1  11

MSE =

239.127,4 11

( (1350  1600)  .....  (1571  1563) )²

MSE = 21.738,86 Dengan menggunakan Bias : BIAS =

1 n



( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

IV-149

BIAS =

1 11



(1350  1600)  .....  (1571  1563)

 406,9 BIAS 11  36,99 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

Standard Error =

(A

Standard Error =

 (1350  1600)

Standard Error

t

 Ft ) 2

n f 2

 .....  (1571  1563) 2

11  2

239.127,4 9  163 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Exponentially smoothed trend pada periode t

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

= 0,09((1600)+(1-0,09)1350 = 1600 Nilai Error

= At - Ft = 1350-1600

IV-150

= -250 = At - Ft

Nilai Error Mutlak

= 1350-1600  = 250 = (At – Ft) 2

Nilai Error Kuadrat

= (1350-1600) 2 = 62.500 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.11 di lampiran O. C. Metode Peramalan dengan Linier Regression Metode ini ini dijelaskan dengan menggunakan Metode Linier Regression yang dapat dijelaskan dengan dua parameter yaitu a dan b dalam bentuk : Y = a + bt Nilai a dan b yang meminimumkan MSE dapat digunakan dengan menggunakan persamaan sebagai berikut :

b

 XY  N ( X )( Y  X  N ( X )

b

121.422  12(6,5)(10.118,5) 650  12(6,5) 2

2

)

2

b  14,28

a a

Y  b  X N

N

18.366 78  14,28 12 12

a  1.437,63 Sehingga Y = a + bt menjadi : Y = 1.437,63+ 14,28t Untuk bulan juni : Y = 1.437,63+ 14,28 (1) = 1452 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.12 di lampiran O.

IV-151

1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression



MAD =

1 12

MAD =

1.282,154 12

(1600  1452 )  .....  (1571  1610 )

MAD = 106,84 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft ) 2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

MSE = =

 ( (1600  1452)  .....  (1571  1610) )

1 12

2

165.015,2 12

= 13.751,27 Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regresson

BIAS =

1 11



(1600  1452)  .....  (1571  1610)

IV-152

BIAS = 0 Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

Standard Error =

(A

Standard Error =

 (1600  1452)

t

 Ft ) 2

n f 2

 .....  (1571  1610) 2

12  2

165.015,2 Standard Error 10  128,45 

Tabel 4.13 Rekapitulasi Hasil Peramalan Metode

MAD

MSE

Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,09 Linear Regression

119,18 159,6 116,26 106,84

26.401 30.494,85 21.738,86 13.751,27

BIAS (MEAN ERROR) -2,63 19,1 -36,99 0

Standar Error 179,63 195,23 163 128,45

(Sumber : Pengolahan Data Tahun 2014) Tabel 4.14 Rangking Hasil Peramalan Metode Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,09 Linear Regression

MAD

MSE

2 4 3 1

3 4 2 1

BIAS (MEAN ERROR) 2 4 1 3

standart error 3 4 2 1

Jumlah 10 16 8 6

(Sumber : Pengolahan Data Tahun 2014) Setelah melakukan pengujian terhadap ketiga metode serta dilakukan perbandingan rangking pada MAD,MSE,BIAS dan Standard Error dari ketiga metode tersebut yang memiliki akumulasi terkecil yakni metode Linear Regression

IV-153

D. Verifikasi Metode Peramalan dengan Moving Range Hasil Peramalan Dengan Metode Linear Regresi Untuk membandingkan data peramalan dengan permintaan actual maka digunakan peta Moving Range dengan rumus sebagai berikut : MR = ( yˆ t  yt )  ( yˆ t 1  yt 1 ) Adapun rumus rata-rata Moving Range adalah sebagai berikut : MR  

MR n 1

Garis tengah pada peta Moving Range adalah pada titik nol. Batas Kontrol Atas (BKA) dan Batas Kontrol Bawah (BKB) pada peta Moving Range adalah : BKA = +2.66 MR BKB = -2.66 MR Hasil perhitungan Moving Range dapat dilihat pada tabel P.3 di lampiran P Nilai rata-rata Moving Range adalah sebagai berikut MR  

MR n 1

= 1325,29 12  1 = 110,441 Penentuan batas kontrol Batas Kontrol Atas (BKA) BKA = +2,66 x MR Rata-Rata = 2,66 x 110,441 = 293,7717

Batas Kontrol Bawah (BKB) BKB = -2,66 x MR Rata-Rata = -2,66 x 110,441 = - 293,7717 Region A Batas Region A

= (2/3 x 2,66) x MR Rata-Rata

IV-154

= 1.77 x 110,441 = 195,48 Batas Region –A = (2.33x-2,66)x MR Rata-Rata = -1.77x 110,441 =- 195,48 Region B Batas Region B

= (1/3 x 2,66) x MR Rata-Rata = 0.89 x 110,441

= 98,29 Batas Region –B =(1/3x-2.66)x MR Rata-Rata = -0,89 x 110,441 = - 98,29 Untuk grafik Moving Range dapat dilihat pada Gambar Q.3 di lampiran Q

4. Pengolahan Data Untuk Ukuran Pallet 81 x 111 Berdasarkan Plot data menunjukan pola data untuk ukuran pallet 81 x 111 adalah horizontal serta metode peramalan yang digunakan adalah adalah Moving Average, metode Exponential Smoothing,metode Linier Regression sebagai berikut:

Table 4.15 Data Permintaan Pallet No

Bulan

Permintaan Pallet Ukuran 81 x 111

1

Juni 2013

1450

2

Juli 2013

1570

3

Agustus 2013

1770

4

September 2013

1850

5

Oktober 2013

1200

6

November 2013

1600

7

Desember 2013

1420

8

Januari 2014

2035

9

Februari 2014

1320

10

Maret 2014

1760

11

April 2014

1562

12

Mei 2014

1593

(Sumber : CV Riau Pallet Tahun 2013 dan 2014)

IV-155

A. Metode Moving Average Dalam metode rata-rata bergerak sederhana ini menggunakan data masa lalu dimana nilai tengah sebagai peramalan dengan cara menentukan dari awal jumlah nilai pengamatan masa lalu yang akan dimasukkan untuk menghitung nilai tengah. a. Metode Moving Average Periode I (Pertama) 1. Hasil Forecast Secara Manual Perhitungan nilai-nilai akurasi peramalan : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MAD =

1  (1570  1450)  .....  (1593  1562) 11

MAD =

3629 11

MAD = 329,90

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MSE =

1  11

MSE =

1.798.915 11

( (1570  1450)  .....  (1593  1562) ) 2

MSE = 163.537,7

IV-156

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 11



(1570  1450)  .....  (1593  1562)

143 BIAS 11  13 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (1570  1450)

Standard Error

t

 Ft ) 2

n f 2

 .....  (1593  1562) 2

11  2

1.798.915 9  447,07 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Jangka waktu Moving Average periode 1

IV-157

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

1450 1  1450 

Nilai Error

= At - Ft = 1570 – 1450 = 120

Nilai Error Mutlak

= At - Ft = │1570 – 1450│ = 120

Nilai Error Kuadrat

= (At – Ft) 2 =(1570 – 1450) 2 = 14.400

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.13 di lampiran O. b. Metode Moving Average Periode II (Kedua) 1. Hasil forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average



MAD =

1 10

MAD =

2250 10

(1770  1510 )  .....  (1593  1661)

MAD = 225

IV-158

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

 ( (1770  1510)  .....  (1593  1661) )²

MSE =

1 10

MSE =

931.720,5 10

MSE = 93.172,05

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 10



(1770  1510)  .....  (1593  1661)

79 BIAS 10  7,9 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

IV-159

Standard Error =

(A

Standard Error =

 (1770  1510)

t

 Ft ) 2

n f 2

 .....  (1593  1661) 2

10  2

931.720,5 Standard Error 8  93.172,05 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Moving Average pada periode t

Untuk Bulan Agustus adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

=

1450  1570 2

= 1510 Nilai Error

= At – Ft = 1770 – 1510 = 260

Nilai Error Mutlak

= At - Ft = 1770 – 1510 = 260

Nilai Error Kuadrat

= (At – Ft) 2 = (1770 – 1510) 2 = 67.600

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.14 di lampiran O.

IV-160

B. Metode Exponential Smoothing (Pemulusan) Pemulusan Exponential, terdapat satu atau lebih parameter pemulusan yang ditentukan secara emplisit dan hasil pemilihan ini menentukan bobot yang dikenakan pada nilai observasi. Persamaan umum yang digunakan dalam peramalan metode Exponential Smoothing adalah :

Ft 1  At  (1   ) Ft Keterangan : Ft+1

:

Forecast baru

Ft

:

Forecast periode yang lalu

α

:

Konstanta Smoothing (0 ≤α ≤1)

At

:

Permintaan aktual periode lalu

Untuk mencari nilai peramalan dengan menggunakan metode Exponential Smoothing dengan nilai α = 0.25 (nilai α diperoleh berdasarkan nilai eror yang terkecil) adalah sebagai berikut : 1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

MAD =

1  (1570  1450)  .....  (1593  1599) 11

MAD =

2.347,19 11

MAD = 213,38 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

IV-161

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

MSE =

1  11

MSE =

760.403,3 11

( (1570  1450)  .....  (1593  1599) )²

MSE = 69.127,57 Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

BIAS =

BIAS

1 11



(1570  1450)  .....  (1593  1599)

1017 11  92,53 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

Standard Error =

(A

Standard Error =

 (1570  1450)

t

 Ft ) 2

n f 2

 .....  (1593  1599) 2

11  2 IV-162

760.403,3 Standard Error 9  290,67 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Exponentially smoothed trend pada periode t

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

= 0,11(1450)+(1-0,11)1450 = 1450 Nilai Error

= At - Ft = 1570-1450 = 120

Nilai Error Mutlak

= At - Ft = 1570-1450  = 120

Nilai Error Kuadrat

= (At – Ft) 2 = (1570-1450) 2 = 14.400

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.15 di lampiran O.

C. Metode Peramalan dengan Linier Regression Metode ini ini dijelaskan dengan menggunakan Metode Linier Regression yang dapat dijelaskan dengan dua parameter yaitu a dan b dalam bentuk : Y = a + bt Nilai a dan b yang meminimumkan MSE dapat digunakan dengan menggunakan persamaan sebagai berikut :

IV-163

b

 XY  N ( X )( Y  X  N ( X )

b

124.898  12(6,5)(10.408,17) 650  12(6,5) 2

2

)

2

b  3,8

Y  b  X

a a

N

N

19.130 78  3,8 12 12

a  1569,03

Sehingga Y = a + bt menjadi : Y = 1569,03 + 3,8t Untuk bulan juni : Y = 1569,03+ 3,8 (1) = 1573 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.16 di lampiran O. 1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression



MAD =

1 12

MAD =

599.371,2 12

(1450  1573)  .....  (1593  1616 )

MAD = 174,99 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft ) 2

IV-164

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

MSE = =

 ( (1450  1573)  .....  (1593  1616) )

1 12

2

599.371,2 12

= 244,82

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regresson

BIAS =

1 11



(1450  1573)  .....  (1593  1616)

BIAS = 0 Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

Standard Error =

(A

Standard Error =

 (1450  1573)

t

 Ft ) 2

n f 2

 .....  (1593  1615) 2

12  2

IV-165

599.371,2 Standard Error 10  244,82 

Tabel 4.16 Rekapitulasi Hasil Peramalan Metode

MAD

MSE

Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,11 Linear Regression

329,9 225 213,38 174,99

163.537,7 93.172,05 69.127,57 49.497,6

BIAS (MEAN ERROR) 13 7,9 92,53 0

Standar Error 447,07 341,26 290,67 244,82

(Sumber : Pengolahan Data Tahun 2014) Tabel 4.17 Rangking Hasil Peramalan Metode

MAD

MSE

4 3 2 1

4 3 2 1

Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,11 Linear Regression

BIAS (MEAN ERROR) 3 2 4 1

standart error 4 3 2 1

Jumlah 15 11 10 4

(Sumber : Pengolahan Data Tahun 2014) Setelah melakukan pengujian terhadap ketiga metode serta dilakukan perbandingan rangking pada MAD,MSE,BIAS dan Standard Error dari ketiga metode tersebut yang memiliki akumulasi terkecil yakni metode Linear Regression

D. Verifikasi Metode Peramalan dengan Moving Range Hasil Peramalan Dengan Metode Linear Regresi Untuk membandingkan data peramalan dengan permintaan actual maka digunakan peta Moving Range dengan rumus sebagai berikut : MR = ( yˆ t  yt )  ( yˆ t 1  yt 1 )

Adapun rumus rata-rata Moving Range adalah sebagai berikut : MR  

MR n 1

Garis tengah pada peta Moving Range adalah pada titik nol. Batas Kontrol Atas (BKA) dan Batas Kontrol Bawah (BKB) pada peta Moving Range adalah : BKA = +2.66 MR BKB = -2.66 MR Hasil perhitungan Moving Range dapat dilihat pada tabel P.4 di lampiran P

IV-166

Nilai rata-rata Moving Range adalah sebagai berikut MR  

MR n 1

= 3617,40 12  1 = 301,45

Penentuan batas kontrol Batas Kontrol Atas (BKA) BKA = +2,66 x MR Rata-Rata = 2,66 x 301,45 = 802 Batas Kontrol Bawah (BKB) BKB = -2,66 x MR Rata-Rata = -2,66 x 301,45 = - 802 Region A Batas Region A

= (2/3 x 2,66) x MR Rata-Rata = 1.77 x 301,45 = 534

Batas Region –A = (2.33x-2,66)x MR Rata-Rata = -1.77x 301,45 =- 534 Region B Batas Region B

= (1/3 x 2,66) x MR Rata-Rata = 0.89 x 301,45

= 268 Batas Region –B =(1/3x-2.66)x MR Rata-Rata = -0,89 x 301,45 = - 268

Untuk grafik Moving Range dapat dilihat pada Gambar Q.4 di lampiran Q

IV-167

5. Pengolahan Data Untuk Ukuran Pallet 89 x 120 Berdasarkan Plot data menunjukan pola data untuk ukuran pallet 89 x 120 adalah horizontal serta metode peramalan yang digunakan adalah adalah Moving Average, metode Exponential Smoothing,metode Linier Regression sebagai berikut:

Table 4.18 Data Permintaan Pallet No

Bulan

Permintaan Pallet Ukuran 89 x 120

1

Juni 2013

1200

2

Juli 2013

1500

3

Agustus 2013

1500

4

September 2013

1540

5

Oktober 2013

1100

6

November 2013

1850

7

Desember 2013

2100

8

Januari 2014

1694

9

Februari 2014

1210

10

Maret 2014

2035

11

April 2014

2310

12

Mei 2014

2356

(Sumber : CV Riau Pallet Tahun 2013 dan 2014) A. Metode Moving Average Dalam metode rata-rata bergerak sederhana ini menggunakan data masa lalu dimana nilai tengah sebagai peramalan dengan cara menentukan dari awal jumlah nilai pengamatan masa lalu yang akan dimasukkan untuk menghitung nilai tengah. a. Metode Moving Average Periode I (Pertama) 1. Hasil Forecast Secara Manual Perhitungan nilai-nilai akurasi peramalan : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

IV-168

MAD =

1  (1500  1200)  .....  (2356  2310) 11

MAD =

3816 11

MAD = 346,90

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MSE =

1  11

MSE =

2.067 .658 11

( (1500  1200)  .....  (2356  2310) ) 2

MSE = 187.968

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 11



(1500  1200)  .....  (2356  2310)

1156 BIAS 11  105,09 

IV-169

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (1500  1200)

Standard Error

t

 Ft ) 2

n f 2

 .....  (2356  2310) 2

11  2

2.067.658 9  479,31 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Jangka waktu Moving Average periode 1

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

1200 1  1200 

Nilai Error

= At - Ft = 1500 – 1200 = 300

Nilai Error Mutlak

= At - Ft = │1500 – 1200│

IV-170

= 300 = (At – Ft) 2

Nilai Error Kuadrat

=(1500 – 1200) 2 = 90.000 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.17 di lampiran O. b. Metode Moving Average Periode II (Kedua) 1. Hasil forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average



MAD =

1 10

MAD =

4187 10

(1500  1350 )  .....  ( 2356  2173)

MAD = 418,7

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

 ( (1500  1350)  .....  (2356  2173) )²

MSE =

1 10

MSE =

2.269.173 10

IV-171

MSE = 226.917,3

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 10



(1500  1350)  .....  (2356  2173)

1411 BIAS 10  141,1 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (1500  1350)

Standard Error

t

 Ft ) 2

n f 2

 .....  (2356  2172) 2

10  2

2.269.173 8  532,58 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

IV-172

Xi

:

Data pada periode ke I

T

:

Moving Average pada periode t

Untuk Bulan Agustus adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

=

1200  1500 2

= 1350 Nilai Error

= At – Ft = 1500 – 1350 = 150

Nilai Error Mutlak

= At - Ft = 1500 – 1350 = 150

Nilai Error Kuadrat

= (At – Ft) 2 = (1500 – 1350) 2 = 22.500

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.18 di lampiran O. B. Metode Exponential Smoothing (Pemulusan) Pemulusan Exponential, terdapat satu atau lebih parameter pemulusan yang ditentukan secara emplisit dan hasil pemilihan ini menentukan bobot yang dikenakan pada nilai observasi. Persamaan umum yang digunakan dalam peramalan metode Exponential Smoothing adalah :

Ft 1  At  (1   ) Ft Keterangan : Ft+1

:

Forecast baru

Ft

:

Forecast periode yang lalu

α

:

Konstanta Smoothing (0 ≤α ≤1)

At

:

Permintaan aktual periode lalu

IV-173

Untuk mencari nilai peramalan dengan menggunakan metode Exponential Smoothing dengan nilai α = 0.5 (nilai α diperoleh berdasarkan nilai eror yang terkecil) adalah sebagai berikut : 1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

MAD =

1  (1500  1200)  .....  (2356  2036) 11

MAD =

4148,52 11

MAD = 377,13 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

MSE =

1  11

( (1500  1200)  .....  (2356  2036) )²

1.895.917 . 11 MSE = 172.356

MSE =

Dengan menggunakan Bias : BIAS =

1 n



( At  Ft )

IV-174

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

BIAS =

1 11



(1500  1200)  .....  (2356  2036)

1.991,58 BIAS 11  181,05 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

Standard Error =

(A

Standard Error =

 (1500  1200)

Standard Error

t

 Ft ) 2

n f 2

 .....  (2356  2036) 2

11  2

1.895.917 9  172.356 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Exponentially smoothed trend pada periode t

IV-175

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

= 0,5(1200)+(1-0,5)1200 = 1200 Nilai Error

= At - Ft = 1500-1200 = 300 = At - Ft

Nilai Error Mutlak

= 1500-1200  = 300 = (At – Ft) 2

Nilai Error Kuadrat

= (1500-1200) 2 = 90.000 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.19 di lampiran O. C. Metode Peramalan dengan Linier Regression Metode ini ini dijelaskan dengan menggunakan Metode Linier Regression yang dapat dijelaskan dengan dua parameter yaitu a dan b dalam bentuk : Y = a + bt Nilai a dan b yang meminimumkan MSE dapat digunakan dengan menggunakan persamaan sebagai berikut :

b

 XY  N ( X )( Y  X  N ( X )

b

144.634  12(6,5)(12.053) 650  12(6,5) 2

2

)

2

b  85

a a

Y  b  X N

N

20.395 78  8,5 12 12

a  1.152

IV-176

Sehingga Y = a + bt menjadi : Y = 1152 + 85t Untuk bulan juni : Y = 1152 + 85 (1) = 1236 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.20 di lampiran O.

1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression



MAD =

1 12

MAD =

2.682,38 12

(1200  1236)  .....  ( 2356  2164)

MAD = 223,5 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft ) 2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

MSE = =

1 12

 ( (1200  1236)  .....  (2356  2164) )

2

1.034.710 12

= 86.225,83

IV-177

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regresson

BIAS =

1 11



(1200  1236)  .....  (2356  2164)

BIAS = 0 Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

Standard Error =

(A

Standard Error =

 (1200  1236)

Standard Error

t

 Ft ) 2

n f 2

 .....  (2356  2164) 2

12  2

1.034.710 10  321,66 

Tabel 4.19 Rekapitulasi Hasil Peramalan Metode Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,5 Linear Regression

MAD

MSE

346,9 418,7 377,13 223,53

187.968,9 226.917,3 172.356 86.225,83

BIAS (MEAN ERROR) 105,09 141,1 181,05 0

Standar Error 479,31 532,58 458,97 321,66

(Sumber : Pengolahan Data Tahun 2014)

IV-178

Tabel 4.20 Rangking Hasil Peramalan Metode

MAD

MSE

2 4 3 1

3 4 2 1

Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,5 Linear Regression

BIAS (MEAN ERROR) 2 3 4 1

standart error 3 4 2 1

Jumlah 10 15 11 4

(Sumber : Pengolahan Data Tahun 2014) Setelah melakukan pengujian terhadap ketiga metode serta dilakukan perbandingan rangking pada MAD,MSE,BIAS dan Standard Error dari ketiga metode tersebut yang memiliki akumulasi terkecil yakni metode Linear Regression

D. Verifikasi Metode Peramalan dengan Moving Range Untuk membandingkan data peramalan dengan permintaan actual maka digunakan peta Moving Range dengan rumus sebagai berikut : MR = ( yˆ t  yt )  ( yˆ t 1  yt 1 )

Adapun rumus rata-rata Moving Range adalah sebagai berikut : MR  

MR n 1

Garis tengah pada peta Moving Range adalah pada titik nol. Batas Kontrol Atas (BKA) dan Batas Kontrol Bawah (BKB) pada peta Moving Range adalah : BKA = +2.66 MR BKB = -2.66 MR Hasil perhitungan Moving Range dapat dilihat pada tabel P.5 di lampiran P Nilai rata-rata Moving Range adalah sebagai berikut MR  

MR n 1

= 3728,38 12  1 = 311 Penentuan batas kontrol Batas Kontrol Atas (BKA) BKA = +2,66 x MR Rata-Rata = 2,66 x 311 IV-179

= 826 Batas Kontrol Bawah (BKB) BKB = -2,66 x MR Rata-Rata = -2,66 x 311 = - 826 Region A Batas Region A

= (2/3 x 2,66) x MR Rata-Rata = 1.77 x 311 = 550

Batas Region –A = (2.33x-2,66)x MR Rata-Rata = -1.77x 311 =- 550 Region B Batas Region B

= (1/3 x 2,66) x MR Rata-Rata = 0.89 x 311

= 227 Batas Region –B =(1/3x-2.66)x MR Rata-Rata = -0,89 x 311 = - 227 Untuk grafik Moving Range dapat dilihat pada Gambar Q.5 di lampiran Q 6. Pengolahan Data Untuk Ukuran Pallet 94 x 113 Berdasarkan Plot data menunjukan pola data untuk ukuran pallet 94 x 113 adalah horizontal serta metode peramalan yang digunakan adalah adalah Moving Average, metode Exponential Smoothing,metode Linier Regression sebagai berikut: Table 4.21 Data Permintaan Pallet No

Bulan

Permintaan Pallet Ukuran 94 x 113

1

Juni 2013

3550

2

Juli 2013

3550

3

Agustus 2013

4650

4

September 2013

4550

5

Oktober 2013

3850

(Sumber : CV Riau Pallet Tahun 2013 dan 2014)

IV-180

Table 4.21 Data Permintaan Pallet (Lanjutan) No

Bulan

Permintaan Pallet Ukuran 94 x 113

6

November 2013

3500

7

Desember 2013

3100

8

Januari 2014

5005

9

Februari 2014

4235

10

Maret 2014

3850

11

April 2014

3410

12

Mei 2014

3478

(Sumber : CV Riau Pallet Tahun 2013 dan 2014)

A. Metode Moving Average Dalam metode rata-rata bergerak sederhana ini menggunakan data masa lalu dimana nilai tengah sebagai peramalan dengan cara menentukan dari awal jumlah nilai pengamatan masa lalu yang akan dimasukkan untuk menghitung nilai tengah. b. Metode Moving Average Periode I (Pertama) 1. Hasil Forecast Secara Manual Perhitungan nilai-nilai akurasi peramalan : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MAD =

1  (3550  3550)  .....  (3478  3410) 11

MAD =

6218 11

MAD = 565,27

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)2

Keterangan : IV-181

Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MSE =

1  11

MSE =

6.560 .874 11

( (3550  3550)  .....  (3478  3410) ) 2

MSE = 596.443

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

BIAS

1 11



(3550  3550)  .....  (3478  3410)

 72 11  6,54 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (3550  3550)

t

 Ft ) 2

n f 2

 .....  (3478  3410) 2

11  2

IV-182

6.560.874 Standard Error 9  853,8 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Jangka waktu Moving Average periode 1

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

3550 1  3550 

Nilai Error

= At - Ft = 3550 – 3550 =0

Nilai Error Mutlak

= At - Ft = │3550 – 3550│ =0

Nilai Error Kuadrat

= (At – Ft) 2 =(3550 – 3550) 2 =0

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.21 di lampiran O. b. Metode Moving Average Periode II (Kedua) 1. Hasil forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =

1 n



At  Ft

IV-183

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average



MAD =

1 10

MAD =

7017 10

( 4650  3550 )  .....  (3478  3630 )

MAD = 701,7

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

 ( (4650  3550)  .....  (3478  3630) )²

MSE =

1 10

MSE =

6.752.016 10

MSE = 675.201,6

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 10



(4650  3550)  .....  (3478  3630)

IV-184

 142 BIAS 10  14,2 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (4650  3550)

Standard Error

t

 Ft ) 2

n f 2

 .....  (3478  3630) 2

10  2

6.752.016 8  675.201,6 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Moving Average pada periode t

Untuk Bulan Agustus adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

=

3550  3550 2

= 3550 Nilai Error

= At – Ft = 4650 – 3550 = 1.100

IV-185

Nilai Error Mutlak

= At - Ft = 4650 – 3550 = 1100

Nilai Error Kuadrat

= (At – Ft) 2 = (4650 – 3550) 2 = 1.210.000

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.22 di lampiran O. B. Metode Exponential Smoothing (Pemulusan) Pemulusan Exponential, terdapat satu atau lebih parameter pemulusan yang ditentukan secara emplisit dan hasil pemilihan ini menentukan bobot yang dikenakan pada nilai observasi. Persamaan umum yang digunakan dalam peramalan metode Exponential Smoothing adalah :

Ft 1  At  (1   ) Ft Keterangan : Ft+1

:

Forecast baru

Ft

:

Forecast periode yang lalu

α

:

Konstanta Smoothing (0 ≤α ≤1)

At

:

Permintaan aktual periode lalu

Untuk mencari nilai peramalan dengan menggunakan metode Exponential Smoothing dengan nilai α = 0.11 (nilai α diperoleh berdasarkan nilai eror yang terkecil) adalah sebagai berikut : 1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

IV-186

MAD =

1  (3550  3550)  .....  (3478  3815) 11

MAD =

5537 11

MAD = 504 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

MSE =

1  11

MSE =

4.744 .056 11

( (3550  3550)  .....  (3478  3815) )²

MSE = 431.277,8 Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

BIAS =

1 11



(3550  3550)  .....  (3478  3815)

2073 BIAS 11  188 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

IV-187

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

Standard Error =

(A

Standard Error =

 (3550  3550)

t

 Ft ) 2

n f 2

 .....  (3478  3815) 2

11  2

4.744.056 Standard Error 9  726,02 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Exponentially smoothed trend pada periode t

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

= 0,11(3550)+(1-0,11)3550 = 3550 Nilai Error

= At - Ft = 3550-3550 =0

Nilai Error Mutlak

= At - Ft = 3550-3550  =0

Nilai Error Kuadrat

= (At – Ft) 2 = (3550-3550) 2 =0

IV-188

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.23 di lampiran O. C. Metode Peramalan dengan Linier Regression Metode ini ini dijelaskan dengan menggunakan Metode Linier Regression yang dapat dijelaskan dengan dua parameter yaitu a dan b dalam bentuk : Y = a + bt Nilai a dan b yang meminimumkan MSE dapat digunakan dengan menggunakan persamaan sebagai berikut :

b

 XY  N ( X )( Y  X  N ( X )

b

300.651  12(6,5)(25.054,25) 650  12(6,5) 2

2

)

2

b  21

a a

Y  b  X N

N

46.728 78  21 12 12

a  4.034,04 Sehingga Y = a + bt menjadi : Y = 4.034,04 + -21,54t Untuk bulan juni : Y = 4.034,04 -21,54 (1) = 4013 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.24 di lampiran O.

1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu IV-189

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression



MAD =

1 12

MAD =

5.704,63 12

(3550  4013)  .....  (3478  3776)

MAD = 475,38 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft ) 2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

MSE = =

 ( (3550  4013)  .....  (3478  3776) )

1 12

2

3.719.621 12

= 309.968,4 Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regresson

BIAS =

1 11



(3550  4013)  .....  (3478  3776)

BIAS = 0 Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan :

IV-190

Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

Standard Error =

(A

Standard Error =

 (3550  4013)

Standard Error

t

 Ft ) 2

n f 2

 .....  (3478  3776) 2

12  2

3.719.621 10  609,88 

Tabel 4.22 Rekapitulasi Hasil Peramalan Metode

MAD

MSE

Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,11 Linear Regression

565,27 701,7 503,34 475,38

596.443,1 675.201,6 431.277,8 309.968,4

BIAS (MEAN ERROR) -6,54 -14,2 188,402 0

Standar Error 853,8 918,69 726,02 609,887

(Sumber : Pengolahan Data Tahun 2014) Tabel 4.23 Rangking Hasil Peramalan Metode Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,25 Linear Regression

MAD

MSE

3 4 2 1

3 4 2 1

BIAS (MEAN ERROR) 2 1 4 3

standart error 3 4 2 1

Jumlah 11 13 10 6

(Sumber : Pengolahan Data Tahun 2014) Setelah melakukan pengujian terhadap ketiga metode serta dilakukan perbandingan rangking pada MAD,MSE,BIAS dan Standard Error dari ketiga metode tersebut yang memiliki akumulasi terkecil yakni metode Linear Regression

D. Verifikasi Metode Peramalan dengan Moving Range Untuk membandingkan data peramalan dengan permintaan actual maka digunakan peta Moving Range dengan rumus sebagai berikut : MR = ( yˆ t  yt )  ( yˆ t 1  yt 1 )

IV-191

Adapun rumus rata-rata Moving Range adalah sebagai berikut : MR  

MR n 1

Garis tengah pada peta Moving Range adalah pada titik nol. Batas Kontrol Atas (BKA) dan Batas Kontrol Bawah (BKB) pada peta Moving Range adalah : BKA = +2.66 MR BKB = -2.66 MR Hasil perhitungan Moving Range dapat dilihat pada tabel P.6 di lampiran P Nilai rata-rata Moving Range adalah sebagai berikut MR  

MR n 1

= 6153 12  1 = 513 Penentuan batas kontrol Batas Kontrol Atas (BKA) BKA = +2,66 x MR Rata-Rata = 2,66 x 513 = 1364 Batas Kontrol Bawah (BKB) BKB = -2,66 x MR Rata-Rata = -2,66 x 513 = - 1364 Region A Batas Region A

= (2/3 x 2,66) x MR Rata-Rata = 1.77 x 513 = 908

Batas Region –A = (2.33x-2,66)x MR Rata-Rata = -1.77x 513 =- 908 Region B Batas Region B

= (1/3 x 2,66) x MR Rata-Rata

IV-192

= 0.89 x 513 = 456 Batas Region –B =(1/3x-2.66)x MR Rata-Rata = -0,89 x 513 = - 456 Untuk grafik Moving Range dapat dilihat pada Gambar Q.6 di lampiran Q 7. Pengolahan Data Untuk Ukuran Pallet 97 x 114 Berdasarkan Plot data menunjukan pola data untuk ukuran pallet 97 x 114 adalah horizontal serta metode peramalan yang digunakan adalah adalah Moving Average, metode Exponential Smoothing,metode Linier Regression sebagai berikut: Table 4.24 Data Permintaan Pallet No

Bulan

Permintaan Pallet Ukuran 97 x 114

1

Juni 2013

2080

2

Juli 2013

1500

3

Agustus 2013

2900

4

September 2013

2100

5

Oktober 2013

2100

6

November 2013

2080

7

Desember 2013

2180

8

Januari 2014

2310

9

Februari 2014

2310

10

Maret 2014

2288

11

April 2014

2398

12

Mei 2014

2446

(Sumber : CV Riau Pallet Tahun 2013 dan 2014)

A. Metode Moving Average Dalam metode rata-rata bergerak sederhana ini menggunakan data masa lalu dimana nilai tengah sebagai peramalan dengan cara menentukan dari awal jumlah nilai pengamatan masa lalu yang akan dimasukkan untuk menghitung nilai tengah.

IV-193

b. Metode Moving Average Periode I (Pertama) 1. Hasil Forecast Secara Manual Perhitungan nilai-nilai akurasi peramalan : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MAD =

1  (1500  2080)  .....  (2446  2398) 11

MAD =

3210 11

MAD = 291,81

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

MSE =

1  11

MSE =

2.978 .588 11

( (1500  2080)  .....  (2446  2398) ) 2

MSE = 270.780

Dengan menggunakan Bias : BIAS =

1 n



( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

IV-194

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 11



(1500  2080)  .....  (2446  2398)

366 BIAS 11  33,27 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (1500  2080)

t

 Ft ) 2

n f 2

 .....  (2446  2398) 2

11  2

2.978.588 Standard Error 9  270.780,7 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Jangka waktu Moving Average periode 1

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

IV-195

2080 1  2080 

Nilai Error

= At - Ft = 1500 – 2080 =- 580 = At - Ft

Nilai Error Mutlak

= │1500 – 2080│ = 580 = (At – Ft) 2

Nilai Error Kuadrat

=(1500 – 2080) 2 = 336.400 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.25 di lampiran O. b. Metode Moving Average Periode II (Kedua) 1. Hasil forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average



MAD =

1 10

MAD =

2189 10

( 2900  1790 )  .....  ( 2446  2343)

MAD = 218,9

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

IV-196

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

 ( (2900  1790)  .....  (2446  2343) )²

MSE =

1 10

MSE =

1.468.119 10

MSE = 146.811,9

Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

BIAS =

1 10



(2900  1790)  .....  (2446  2343)

1105 BIAS 10  110,5 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Moving Average

Standard Error =

(A

Standard Error =

 (2900  1790)

t

 Ft ) 2

n f 2

 .....  (2446  2343) 2

10  2 IV-197

1.468.119 Standard Error 8  4428,38 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Moving Average pada periode t

Untuk Bulan Agustus adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

=

2080  1500 2

= 1790 Nilai Error

= At – Ft = 2900 – 1790 = 1110

Nilai Error Mutlak

= At - Ft = 2900 – 1790 = 1110

Nilai Error Kuadrat

= (At – Ft) 2 = (2900 – 1790) 2 = 1.232.100

Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.26 di lampiran O. B. Metode Exponential Smoothing (Pemulusan) Pemulusan Exponential, terdapat satu atau lebih parameter pemulusan yang ditentukan secara emplisit dan hasil pemilihan ini menentukan bobot yang dikenakan pada nilai observasi. Persamaan umum yang digunakan dalam peramalan metode Exponential Smoothing adalah :

Ft 1  At  (1   ) Ft

IV-198

Keterangan : Ft+1

:

Forecast baru

Ft

:

Forecast periode yang lalu

α

:

Konstanta Smoothing (0 ≤α ≤1)

At

:

Permintaan aktual periode lalu

Untuk mencari nilai peramalan dengan menggunakan metode Exponential Smoothing dengan nilai α = 0.11 (nilai α diperoleh berdasarkan nilai eror yang terkecil) adalah sebagai berikut : 1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =

1 n



At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

MAD =

1  (1500  2080)  .....  (2446  2195) 11

MAD =

2571,2 11

MAD = 233,74 Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft

2

)²

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

MSE =

1  11

( (1500  2080)  .....  (2446  2195) )²

IV-199

MSE =

1.324 .187 11

MSE = 120.380,6 Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

BIAS =

1 11



(1500  2080)  .....  (2446  2195)

1.299,22 BIAS 11  118,11 

Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Exponential Smothing

Standard Error =

(A

Standard Error =

 (1500  2080)

t

 Ft ) 2

n f 2

 .....  (2446  2195) 2

11  2

1.324.187 Standard Error 9  383,57 

T

Persamaan yang digunakan adalah Ft 1  x   Xi / T i 1

IV-200

Keterangan : Ft+1 :

Forecast baru

Xi

:

Data pada periode ke I

T

:

Exponentially smoothed trend pada periode t

Untuk Bulan juli adalah : T

Nilai Forecast

= Ft 1  x   Xi / T i 1

= 0,11(2080)+(1-0,11)2080 = 2080 Nilai Error

= At - Ft = 1500-2080 = -580 = At - Ft

Nilai Error Mutlak

= 1500-2080  = 580 = (At – Ft) 2

Nilai Error Kuadrat

= (1500-2080) 2 = 336.400 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.27 di lampiran O. C. Metode Peramalan dengan Linier Regression Metode ini ini dijelaskan dengan menggunakan Metode Linier Regression yang dapat dijelaskan dengan dua parameter yaitu a dan b dalam bentuk : Y = a + bt Nilai a dan b yang meminimumkan MSE dapat digunakan dengan menggunakan persamaan sebagai berikut :

b

 XY  N ( X )( Y  X  N ( X )

b

178.300  12(6,5)(14.853,33) 650  12(6,5) 2

2

)

2

b  33,58

IV-201

a a

Y  b  X N

N

26.692 78  33,58 12 12

a  2006,06 Sehingga Y = a + bt menjadi : Y = 2006,06 + 33,58t Untuk bulan juni : Y = 2006,06 + 33,58 (1) = 2040 Untuk data 12 bulan yang akan datang dapat dilihat pada tabel O.28 di lampiran O.

1. Hasil Forecast Secara Manual Dengan menggunakan MAD (Mean Absolute Deviation) : MAD =



1 n

At  Ft

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression



MAD =

1 12

MAD =

1860.196 12

( 2080  2040)  .....  ( 2446  2409)

MAD = 155,016

Dengan menggunakan MSE (Mean Square Error) : MSE =

1 n

 (A

t

 Ft ) 2

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

IV-202

n :

Jangka waktu Linear Regression

MSE = =

 ( (2080  2040)  .....  (2446  2409) )

1 12

2

992.505,6 12

= 82.708 Dengan menggunakan Bias : BIAS =



1 n

( At  Ft )

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regresson

BIAS =

1 11



(2080  2040)  .....  (2446  2409)

BIAS = 0 Dengan menggunakan Standard Error : Standard Error =

(A

t

 Ft ) 2

n f

Keterangan : Ft :

Forecast periode yang lalu

At :

Permintaan aktual periode lalu

n :

Jangka waktu Linear Regression

Standard Error =

(A

Standard Error =

 (2080  2039)

t

 Ft ) 2

n f 2

 .....  (2446  2409) 2

12  2

992.505,6 Standard Error 10  315.04 

IV-203

Tabel 4.25 Rekapitulasi Hasil Peramalan Metode

MAD

MSE

Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,11 Linear Regression

291,81 218,9 233,74 155,01

270.780 146.811,9 120.380,6 82.708,8

BIAS (MEAN ERROR) 33,27 110,5 118,11 0

Standar Error 575,28 428,38 383,577 315,04

(Sumber : Pengolahan Data Tahun 2014) Tabel 4.26 Rangking Hasil Peramalan Metode

MAD

MSE

4 2 3 1

4 3 2 1

Moving Average Periode 1 Moving Average Periode 2 Exponential Smoothing 0,11 Linear Regression

BIAS (MEAN ERROR) 2 3 4 1

standart error 4 3 2 1

Jumlah 14 11 11 4

(Sumber : Pengolahan Data Tahun 2014) Setelah melakukan pengujian terhadap ketiga metode serta dilakukan perbandingan rangking pada MAD,MSE,BIAS dan Standard Error dari ketiga metode tersebut yang memiliki akumulasi terkecil yakni metode Linear Regression

D. Verifikasi Metode Peramalan dengan Moving Range Untuk membandingkan data peramalan dengan permintaan actual maka digunakan peta Moving Range dengan rumus sebagai berikut : MR = ( yˆ t  yt )  ( yˆ t 1  yt 1 )

Adapun rumus rata-rata Moving Range adalah sebagai berikut : MR  

MR n 1

Garis tengah pada peta Moving Range adalah pada titik nol. Batas Kontrol Atas (BKA) dan Batas Kontrol Bawah (BKB) pada peta Moving Range adalah : BKA = +2.66 MR BKB = -2.66 MR Hasil perhitungan Moving Range dapat dilihat pada tabel P.7 di lampiran P Nilai rata-rata Moving Range adalah sebagai berikut MR  

MR n 1

IV-204

= 3244 12  1 = 270 Penentuan batas kontrol Batas Kontrol Atas (BKA) BKA = +2,66 x MR Rata-Rata = 2,66 x 270 = 719 Batas Kontrol Bawah (BKB) BKB = -2,66 x MR Rata-Rata = -2,66 x 270 = - 719 Region A Batas Region A

= (2/3 x 2,66) x MR Rata-Rata = 1.77 x 270 = 478

Batas Region –A = (2.33x-2,66)x MR Rata-Rata = -1.77x 513 =- 478 Region B Batas Region B

= (1/3 x 2,66) x MR Rata-Rata = 0.89 x 270

= 241 Batas Region –B =(1/3x-2.66)x MR Rata-Rata = -0,89 x 270 = - 241 Untuk grafik Moving Range dapat dilihat pada Gambar Q.7 di lampiran Q

IV-205

Tabel 4.27 Hasil Peramalan Untuk 12 Bulan Yang Akan Datang Jenis Ukuran Permintaan PALLET (Pcs) No

Bulan 71 × 101

63 × 88

89 × 120

67 × 102

81 × 111

94 × 113

97 × 114

1

Juni 2014

3663

3866

1235

1452

1573

3550

2080

2

Juli 2014

3755

3983

1320

1466

1577

3550

1500

3

Agustus 2014

3848

4101

1404

1480

1581

4650

2900

4

September 2014

3940

4218

1489

1495

1584

4550

2100

5

Oktober 2014

4032

4336

1573

1509

1588

3850

2100

6

November 2014

4124

4453

1657

1523

1592

3500

2080

7

Desember 2014

4217

4571

1742

1538

1596

3100

2180

8

Januari 2015

4309

4688

1826

1552

1600

5005

2310

9

Februari 2015

4401

4806

1911

1566

1604

4235

2310

10

Maret 2015

4493

4923

1995

1581

1608

3850

2288

11

April 2015

4585

5040

2079

1595

1612

3410

2398

12

Mei 2015

4678

5158

2164

1609

1615

3478

2446

(Sumber : Pengolahan Data Tahun 2014) 4.2.2 Aggregate Planning 1. Perhitungan Kapasitas Lantai Produksi Kapasitas lantai produksi menggambarkan kemampuan perusahaan untuk memenuhi permintaan yang datang. Kapasitas bisa didefinisikan sebagai jumlah output (produk) maksimum yang dapat dihasilkan suatu fasilitas produksi dalam suatu selang waktu tertentu. a. Perhitungan Kapasitas Reguler Time tiap Periode Kapasitas reguler time yang tersedia pada lantai produksi CV Riau Pallet untuk tiap periode berbeda-beda, sedangkan untuk kapasitas overtime, perusahaan tidak menetapkan batasan. Hal ini berarti jika kapasitas reguler time belum mampu memenuhi permintaan yang ada, maka dilakukan overtime sampai permintaan terpenuhi. Overtime dilakukan dengan menambah waktu kerja, bahkan jika belum memenuhi maka dilakukan penambahan hari kerja. Perusahaan tidak pernah mensubkontrakkan pekerjaan kepada perusahaan lain.

IV-206

Tabel 4.28 Waktu siklus per Unit Produk No Ukuran Waktu Pallet Produksi (detik) 1 71 × 101 201 2 63 × 88 195 3 89 × 120 214 4 67 × 102 198 5 97 × 114 207 6 81 × 111 205 7 94 × 113 207 (Sumber : CV Riau Pallet Tahun 2014) Waktu tiap unit produk diperoleh dari masing-masing stasiun kerja dibagi dengan jumlah mesin yang tersedia pada stasiun kerja tersebut. Contoh perhitungan untuk ukuran 71 x 101 Waktu Siklus

= 201 detik

Jam kerja sehari

= 8 jam

Jumlah shift

=1

= 28800 detik

Hari kerja juni 2014 = 27 hari Jumlah lintasan

=1

Kapasitas produksi pallet ukuran 71 x 101 bulan Juni 2014 = ( hari kerja x shift x jam kerja x jumlah lintasan ) Waktu silkus = 27 x 1 x 28800 x 1 201 = 3869 unit / bulan

IV-207

Tabel 4.29 Kapasitas Reguler Time Tiap Periode Kapasitas Produksi PALLET (Pcs) No

Bulan

Hari

Total 71 × 101

63 × 88

89 × 120

67 × 102

81 × 111

94 × 113

97 × 114

1

Juni

27

3869

3988

3634

3928

3792

3757

3757

26724

2

Juli

24

3439

3545

3230

3491

3372

3340

3340

23755

3

Agustus

27

3869

3988

3634

3928

3794

3757

3757

26724

4

September

27

3869

3988

3634

3928

3794

3757

3757

26724

5

Oktober

25

3583

3693

3365

3637

3513

3479

3479

24744

6

November

27

3869

3988

3634

3928

3793

3757

3757

26724

7

Desember

26

3726

3840

3500

3782

3653

3618

3618

25734

8

Januari '14

26

3726

3840

3500

3782

3653

3618

3618

25734

9

Februari

27

3867

3988

3634

3928

3794

3757

3757

26724

10

Maret

24

3439

3545

3230

3491

3372

3340

3340

23755

11

April

26

3726

3840

3500

3782

3653

3618

3618

25734

12

Mei

26

3726

3840

3500

3782

3653

3618

3618

25734

b. Perhitungan Kapasitas Over Time tiap Periode Contoh perhitungan untuk ukuran 71 x 101 Waktu Siklus

= 201 detik

Jam kerja sehari

= 4 jam

Jumlah shift

=1

Hari kerja juni 2014

= 27 hari

Jumlah lintasan

=1

= 144 00 detik

Kapasitas produksi pallet ukuran 71 x 101 bulan Juni 2014 = ( hari kerja x shift x jam kerja x jumlah lintasan ) Waktu siklus

= 27 x 1 x 14400 x 1 201 = 1935 unit / bulan

IV-208

Tabel 4.30 Kapasitas over Time Tiap Periode No

Bulan

Hari

1

Juni

2

Kapasitas Produksi PALLET (Pcs)

Total

71 × 101

63 × 88

89 × 120

67 × 102

81 × 111

94 × 113

97 × 114

27

1935

1994

1817

1964

1896

1879

1879

13363

Juli

24

1720

1773

1615

1746

1686

1670

1670

11879

3

Agustus

27

1935

1994

1817

1964

1897

1879

1879

13364

4

September

27

1935

1994

1817

1964

1897

1879

1879

13364

5

Oktober

25

1792

1847

1683

1819

1757

1740

1740

12375

6

November

27

1935

1994

1817

1964

1897

1879

1879

13363

7

Desember

26

1863

1920

1750

1891

1827

1809

1809

12869

8

Januari '14

26

1863

1920

1750

1891

1827

1809

1809

12869

9

Februari

27

1934

1994

1817

1964

1897

1879

1879

13363

10

Maret

24

1720

1773

1615

1746

1686

1670

1670

11879

11

April

26

1863

1920

1750

1891

1827

1809

1809

12869

12

Mei

26

1863

1920

1750

1891

1827

1809

1809

12869

c. Perhitungan Biaya Reguler Time, biaya Overtime dan biaya Inventory 1. Perhitungan biaya Pallet Ukuran 71 x 101 Biaya Produksi Per unit Biaya pekerja

= Rp 20.463/unit

Biaya material

= Rp 10.710/unit

Biaya Produksi Per Unit

= Biaya pekerja + Biaya material

Biaya Produksi Per Unit

= Rp 20.463/unit + Rp 10.710/unit = Rp.31.173/ unit

Biaya overtime

= 120% ( Biaya pekerja + Biaya material) = Rp.37.408/ unit

Biaya Inventory

= 2% x biaya regular time = 2% x Rp.31.173/ unit =Rp 623

2. Perhitungan biaya Produksi Pallet Ukuran 63 x 88 Biaya Produksi Per unit Biaya pekerja

= Rp 20.333/unit

Biaya material

= Rp 9.920/unit

IV-209

Biaya Produksi Per Unit

= Biaya pekerja + Biaya material

Biaya Produksi Per Unit

= Rp 20.333/unit + Rp 9.920/unit = Rp.30.253/ unit

Ongkos overtime

= 120% ( Biaya pekerja + Biaya material) = Rp.36.304/ unit

Biaya Inventory

= 2% x biaya regular time = 2% x Rp.30.253/ unit =Rp 605

3.

Perhitungan biaya Produksi Pallet Ukuran 67 x 102 Biaya Produksi Per unit Biaya pekerja

= Rp 20.435/unit

Biaya material

= Rp 10.540/unit

Biaya Produksi Per Unit

= Biaya pekerja + Biaya material

Biaya Produksi Per Unit

= Rp 20.435/unit + Rp 10.540/unit = Rp.30.975/ unit.

Ongkos overtime

= 120% ( Biaya pekerja + Biaya material) = Rp.37.170/ unit

Biaya Inventory

= 2% x biaya regular time = 2% x Rp.30.975/ unit = Rp. 620

4.

Perhitungan biaya Produksi Pallet Ukuran 89 x 120 Biaya Produksi Per unit Biaya pekerja

= Rp 20.706/unit

Biaya material

= Rp 12.180/unit

Biaya Produksi Per Unit

= Biaya pekerja + Biaya material

Biaya Produksi Per Unit

= Rp 20.706/unit + Rp 12.180/unit = Rp.32.886/ unit

Biaya overtime

= 120% ( Biaya pekerja + Biaya material) = Rp.39.463/ unit

Biaya Inventory

= 2% x biaya regular time

IV-210

= 2% x Rp.32.886/ unit = Rp. 657 5.

Perhitungan biaya Produksi Pallet Ukuran 97 x 114 Biaya Produksi Per unit Biaya pekerja

= Rp 20.742/unit

Biaya material

= Rp 12.400/unit

Biaya Produksi Per Unit

= Biaya pekerja + Biaya material

Biaya Produksi Per Unit

= Rp 20.742/unit + Rp 12.400/unit = Rp.33.142/ unit

Biaya overtime

= 120% ( Biaya pekerja + Biaya material) = Rp.39.770/ unit

Biaya Inventory

= 2% x biaya regular time = 2% x Rp.33.142/ unit = Rp. 662

6.

Perhitungan biaya Produksi Pallet Ukuran 81 x 111 Biaya Produksi Per unit Biaya pekerja

= Rp 20.595/unit

Biaya material

= Rp 11.510/unit

Biaya Produksi Per Unit

= Biaya pekerja + Biaya material

Biaya Produksi Per Unit

= Rp 20.595/unit + Rp 11.510/unit = Rp.32.105/ unit

Biaya overtime

=120% ( Biaya pekerja + Biaya material) = Rp.38.526/ unit

Biaya Inventory

= 2% x biaya regular time = 2% x Rp.32.105/ unit = Rp. 642

7.

Perhitungan biaya Produksi Pallet Ukuran 94 x 113 Biaya Produksi Per unit Biaya pekerja

= Rp 20.713/unit

Biaya material

= Rp 12.220/unit

IV-211

Biaya Produksi Per Unit

= Biaya pekerja + Biaya material

Biaya Produksi Per Unit

= Rp 20.713/unit + Rp 12.220/unit = Rp.32.993/ unit

Biaya overtime

= 120% ( Biaya pekerja + Biaya material) = Rp.39.591/ unit

Biaya Inventory

= 2% x biaya regular time = 2% x Rp.32.993/ unit = Rp. 658

2. Perhitungan Perencanaaan Produksi dengan Metode Transportasi Perhitungan perencanaaan produksi agregat dengan metode transportasi mengalokasikan pekerjaan tiap-tiap periode. Perhitungan perencanaaan produksi agregat dengan metode transportasi dengan menggunakan sotware winqsb, dapat dilihat pada lampiran F. 4.2.3 Perhitungan Jadwal Induk Produksi Dari hasil peramalan dengan metode terpilih diperoleh perkiraan jumlah permintaan untuk 12 periode ke depan mulai bulan Mei 2013 sampai April 2014. Kemudian dihitung total biaya yang dikeluarkan pada tiap periode. Tabel perhitungan jadwal induk produksi dapat pada lampiran G dengan menggunakan software win qsb

IV-212

4.2.4 Material Requirement Planning (MRP) 1.

Data Pallet ukuran 63 x 88 Data inventory per item merupakan salah input dalam pengolahan data

Material Requirement Planning (MRP), adapun data-data yang dikumpulkan dari pembuatan produk Pallet ukuran 63 x 88 adalah sebagai berikut :

Gambar 4.10 Assembly Char Pallet 63 x 88 cm Ket : KD = Kayu daun (papan) KB = Kayu Balok

Tabel 4.31 Rekapitulasi Data Inventory per Item No 1 2 3 4 5 6 7 8 9 10

Nama Komponen Pallet Kaki Pallet paku Kd 10 x 1,5 x 63 Kd 10 x 1,5 x 88 Paku Daun Pallet KB 5 x 8 x 9 Kd 10 x 1,5 x 88 Paku

Quantity (Unit) 1 3 40 10 3 60 1 9 3 18

(Sumber : CV Riau Pallet Tahun 2014)

IV-213

A. Pengolahan Data MRP Bagian-bagian penyusun MRP adalah : 1. Item adalah unit apa yang ingin kita butuhkan untuk dipesan. 2. Lot Size adalah berapa besar ukuran pemesanan yang diizinkan atau diperbolehkan. Lot Size bisa berbentuk Lot for Lot atau ditentukan jumlah kelipatan pemesanannya. 3. LTL (Low Level Code) adalah level paling rendah suatu item ditemukan dalam suatu struktur produk. 4. Gross Requirement adalah permintaan suatu item pada periode tertentu 5. Scheduled Receipt adalah jumlah barang yang sudah dipesan pada masa lampau (on order & receipt date) 6. Projected on Hand adalah jumlah safety stock yang dimiliki. 7. Net Requirement adalah jumlah item yang kita butuhkan dikurangi dengan barang yang datang dan safety stock yang kita miliki. gross requirenment – scheduled receipt – projected on hand. 8. Planned Order Receipt adalah periode dimana pesanan yang kita kirim akan datang. 9.

Planned Order Release adalah periode dimana kita memesan barang yang kita inginkan dikurangi dengan lead time. Adapun pengolahan data Material Requirement Planning (MRP) yang

menggunakan software QM. for Windows V4 dapat dilihat pada lampiran H,Berikut adalah perhitungan secara manual : a. Perhitungan Secara Manual Perhitungan secara manual dapat dilakukan dengan langkah-langkah sebagai berikut : 1. Pallet (0) .

a. Tot Req pd1

= Total berdasarkan MPS = 3988 unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 3988 – 0 = 3988 unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1

IV-214

= 3988 – 3988 =0 2.

Daun Pallet (1) a. Tot Req pd1

= Total berdasarkan MPS = 3861 unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 3861 – 0 = 3861 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 3861 – 3861 =0

3. Paku (2)

a. Tot Req pd1

= Total berdasarkan MPS = 231.660 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 231.660 – 0 = 231.660 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 240.000 – 231.660 = 8340 Unit

IV-215

2. Data Pallet ukuran 67 x 102 Data inventory per item merupakan salah input dalam pengolahan data Material Requirement Planning (MRP), adapun data-data yang dikumpulkan dari pembuatan produk Pallet ukuran 67 x 102 adalah sebagai berikut :

Gambar 4.11 Assembly Char Pallet 67 x 102 cm Ket : KD = Kayu daun (papan) KB = Kayu Balok Tabel 4.32 Rekapitulasi Data Inventory per Item No 1 2 3 4 5 6 7 8 9 10

Nama Komponen Pallet Kaki Pallet paku Kd 10 x 1,5 x 67 Kd 10 x 1,5 x 102 Paku Daun Pallet KB 5 x 8 x 9 Kd 10 x 1,5 x 102 Paku

Quantity (Unit) 1 3 60 10 3 60 1 9 3 18

(Sumber : CV Riau Pallet Tahun 2014) A. Pengolahan Data MRP Adapun pengolahan data Material Requirement Planning (MRP) yang menggunakan software QM. for Windows V4

dapat dilihat pada lampiran

I,Berikut adalah perhitungan secara manual : a. Perhitungan Secara Manual Perhitungan secara manual dapat dilakukan dengan langkah-langkah sebagai berikut :

IV-216

1. Pallet (0) .

a. Tot Req pd1

= Total berdasarkan MPS = 1452 Unit

c. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 1452 – 0 = 3988 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 1452 – 1452 =0

2. Daun Pallet (1) a. Tot Req pd4

= Total berdasarkan MPS = 1480 Unit

c. Net Req pd4

= Tot Req pd1 – On Hand pd1 = 1480 – 0 = 1480 Unit

c. On Hand pd5

= Plan Req pd1 – Net Req pd1 = 1480 – 1480 =0

3. Paku (2)

a. Tot Req pd1

= Total berdasarkan MPS = 259.230 Unit

c. Net Req pd4

= Tot Req pd1 – On Hand pd1 = 259.230 – 0 = 259.230 Unit

c. On Hand pd5

= Plan Req pd4 – Net Req pd4 = 300.000 – 259.230 = 40.770 Unit

IV-217

3.

Data Pallet ukuran 71 x 101 Data inventory per item merupakan salah input dalam pengolahan data

Material Requirement Planning (MRP), adapun data-data yang dikumpulkan dari pembuatan produk Pallet ukuran 71 x 101 adalah sebagai berikut :

Gambar 4.12 Assembly Char Pallet 71 x 101 cm Ket : KD = Kayu daun (papan) KB = Kayu Balok Tabel 4.33 Rekapitulasi Data Inventory per Item No 1 2 3 4 5 6 7 8 9 10

Nama Komponen Pallet Kaki Pallet paku Kd 10 x 1,5 x 71 Kd 10 x 1,5 x 101 Paku Daun Pallet KB 5 x 8 x 9 Kd 10 x 1,5 x 101 Paku

Quantity (Unit) 1 3 60 10 3 60 1 9 3 18

(Sumber : CV Riau Pallet Tahun 2014) A. Pengolahan Data MRP Adapun pengolahan data Material Requirement Planning (MRP) yang dilakukan secara manual dan menggunakan software QM. for Windows v4 V4 dapat dilihat pada lampiran J, berikut ini adalah pengo;ahan data secara manual: a. Perhitungan Secara Manual Perhitungan secara manual dapat dilakukan dengan langkah-langkah sebagai berikut :

IV-129

1. Pallet (0) .

a. Tot Req pd1

= Total berdasarkan MPS = 3869 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 3869 – 0 = 3869 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 3869 – 3869 =0

2.

Daun Pallet (1) a. Tot Req pd1

= Total berdasarkan MPS = 3519 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 3519 – 0 = 3519 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 3519 – 3519 =0

3. Paku (2)

a. Tot Req pd1

= Total berdasarkan MPS = 211.140 Unit

b. Net Req pd2

= Tot Req pd1 – On Hand pd1 = 211.140 – 0 = 211.140

c. On Hand pd5

Unit

= Plan Req pd4 – Net Req pd4 = 240.000 – 211.140 =28.860 Unit

IV-219

4. Data Pallet ukuran 81 x 111 Data inventory per item merupakan salah input dalam pengolahan data Material Requirement Planning (MRP), adapun data-data yang dikumpulkan dari pembuatan produk Pallet ukuran 81 x 111 adalah sebagai berikut :

Gambar 4.13 Assembly Char Pallet 81 x 111 cm Ket : KD = Kayu daun (papan) KB = Kayu Balok Tabel 4.34 Rekapitulasi Data Inventory per Item No 1 2 3 4 5 6 7 8 9 10

Nama Komponen Pallet Kaki Pallet paku Kd 10 x 1,5 x 81 Kd 10 x 1,5 x 111 Paku Daun Pallet KB 5 x 8 x 9 Kd 10 x 1,5 x 111 Paku

Quantity (Unit) 1 3 60 10 3 60 1 9 3 18

(Sumber : CV Riau Pallet Tahun 2014)

A. Pengolahan Data MRP Adapun pengolahan data Material Requirement Planning (MRP) yang dilakukan secara manual dan menggunakan software QM. for Windows v4 dapat dilihat pada lampiran K,Berikut adalah perhitungan secara manual :

IV-220

a. Perhitungan Secara Manual Perhitungan secara manual dapat dilakukan dengan langkah-langkah sebagai berikut : 1. Pallet (0) .

a. Tot Req pd1

= Total berdasarkan MPS = 1566 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 1566 – 0 = 1566 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 1566 – 1566 =0

2. Daun Pallet (1) a. Tot Req pd1

= Total berdasarkan MPS = 1577 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 1577 – 0 = 1577 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 1577 – 1577 =0

3. Paku (2)

a. Tot Req pd1

= Total berdasarkan MPS = 274.854 Unit

b. Net Req pd2

= Tot Req pd1 – On Hand pd1 = 274.854 – 0 = 274.854 Unit

c. On Hand pd5

= Plan Req pd4 – Net Req pd4 = 300.000 – 274.854 = 25.146 Unit

IV-221

5. Data Pallet ukuran 89 x 120 Data inventory per item merupakan salah input dalam pengolahan data Material Requirement Planning (MRP), adapun data-data yang dikumpulkan dari pembuatan produk Pallet ukuran 89 x 120 adalah sebagai berikut :

Gambar 4.14 Assembly Char Pallet 89 x 120 cm Ket : KD = Kayu daun (papan) KB = Kayu Balok Tabel 4.35 Rekapitulasi Data Inventory per Item No 1 2 3 4 5 6 7 8 9 10

Nama Komponen Pallet Kaki Pallet paku Kd 10 x 1,5 x 89 Kd 10 x 1,5 x 120 Paku Daun Pallet KB 5 x 8 x 9 Kd 10 x 1,5 x 120 Paku

Quantity (Unit) 1 3 60 10 3 60 1 9 3 18

(Sumber : CV Riau Pallet Tahun 2014) A. Pengolahan Data MRP Adapun pengolahan data Material Requirement Planning (MRP) yang dilakukan secara manual dan menggunakan software QM. for Windows v4 dapat dilihat pada lampiran L,Berikut adalah perhitungan secara manual : a. Perhitungan Secara Manual Perhitungan secara manual dapat dilakukan dengan langkah-langkah sebagai berikut :

IV-222

1. Pallet (0) .

a. Tot Req pd1

= Total berdasarkan MPS = 1141 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 1141 – 0 = 1141 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 1141 – 1141 =0

2.

Daun Pallet (1) a. Tot Req pd4

= Total berdasarkan MPS = 1404 Unit

b. Net Req pd4

= Tot Req pd4 – On Hand pd3 = 1404 – 0 = 1404 Unit

c. On Hand pd5

= Plan Req pd4 – Net Req pd4 = 1404 – 1404 =0

3. Paku (2)

a. Tot Req pd4

= Total berdasarkan MPS = 253.986 Unit

b. Net Req pd4

c. On Hand pd5

= Tot Req pd4 – On Hand pd3 = 253.986

–0

= 253.986

Unit

= Plan Req pd4 – Net Req pd4 = 300.000 – 253.986 = 46.104 Unit

IV-223

6. Data Pallet ukuran 94 x 113 Data inventory per item merupakan salah input dalam pengolahan data Material Requirement Planning (MRP), adapun data-data yang dikumpulkan dari pembuatan produk Pallet ukuran 94 x 113 adalah sebagai berikut :

Gambar 4.15 Assembly Char Pallet 94 x 113 cm Ket : KD = Kayu daun (papan) KB = Kayu Balok Tabel 4.36 Rekapitulasi Data Inventory per Item No 1 2 3 4 5 6 7 8 9 10

Nama Komponen Pallet Kaki Pallet Paku Kd 10 x 1,5 x 94 Kd 10 x 1,5 x 113 Paku Daun Pallet KB 5 x 8 x 9 Kd 10 x 1,5 x 113 Paku

Quantity (Unit) 1 3 60 10 3 60 1 9 3 18

(Sumber : CV Riau Pallet Tahun 2014) A. Pengolahan Data MRP Adapun pengolahan data Material Requirement Planning (MRP) yang dilakukan secara manual dan menggunakan software QM. for Windows v4 dapat dilihat pada lampiran M,Berikut adalah perhitungan secara manual : a. Perhitungan Secara Manual Perhitungan secara manual dapat dilakukan dengan langkah-langkah sebagai berikut :

IV-224

1. Pallet (0) .

a. Tot Req pd1

= Total berdasarkan MPS = 3757 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 3757 – 0 = 3757 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 3757 – 3757 =0

2.

Daun Pallet (1) a. Tot Req pd1

= Total berdasarkan MPS = 3343 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 3343 – 0 = 3343 Unit

c. On Hand pd1

= Plan Req pd1 – Net Req pd1 = 3343 – 3343 =0

3. Paku (2)

a. Tot Req pd1

= Total berdasarkan MPS = 200.580 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 200.580

–0

= 200.580 Unit c. On Hand pd5

= Plan Req pd4 – Net Req pd4 = 240.000 – 200.580 = 39.420 Unit

IV-225

7. Data Pallet ukuran 97 x 114 Data inventory per item merupakan salah input dalam pengolahan data Material Requirement Planning (MRP), adapun data-data yang dikumpulkan dari pembuatan produk Pallet ukuran 97 x 114 adalah sebagai berikut :

Gambar 4.16 Assembly Char Pallet 97 x 114 cm Ket : KD = Kayu daun (papan) KB = Kayu Balok Tabel 4.37 Rekapitulasi Data Inventory per Item No 1 2 3 4 5 6 7 8 9 10

Nama Komponen Pallet Kaki Pallet Paku Kd 10 x 1,5 x 97 Kd 10 x 1,5 x 114 Paku Daun Pallet KB 5 x 8 x 9 Kd 10 x 1,5 x 114 Paku

Quantity (Unit) 1 3 60 10 3 60 1 9 3 18

(Sumber : CV Riau Pallet Tahun 2014) A. Pengolahan Data MRP Adapun pengolahan data Material Requirement Planning (MRP) yang dilakukan secara manual dan menggunakan software QM. for Windows v4 dapat dilihat pada lampiran N,Berikut adalah perhitungan secara manual : a. Perhitungan Secara Manual Perhitungan secara manual dapat dilakukan dengan langkah-langkah sebagai berikut :

IV-226

1. .

Pallet (0) a. Tot Req pd1

= Total berdasarkan MPS = 2080 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 2080 – 0 = 2080 Unit

c. On Hand pd2

= Plan Req pd1 – Net Req pd1 = 2080 – 2080 =0

2.

Daun Pallet (1) a. Tot Req pd1

= Total berdasarkan MPS = 1500 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 1500 – 0 = 1500 Unit

c. On Hand pd1

= Plan Req pd1 – Net Req pd1 = 1500 – 1500 =0

3. Paku (2)

a. Tot Req pd1

= Total berdasarkan MPS = 90.000 Unit

b. Net Req pd1

= Tot Req pd1 – On Hand pd1 = 90.000

–0

= 90.000 Unit c. On Hand pd5

= Plan Req pd4 – Net Req pd4 = 120.000 – 90.000 = 30.000 Unit

IV-227

4.2.5 Capacity Requirement Planning (CRP) a. Rekap Routing File Berdasarkan Capacity Requirement Routing file ini menunjukkan waktu yang digunakan untuk menyelesaikan item penyusun produk pada masing-masing stasiun kerja. Tabel 4.38 Routing File Produk pallet Produk

Nama Kegiatan

Pallet ukuran 63 x 88

kayu daun 63x10x1,5

kayu daun 88x10x1,5

kayu Balok 5x8x9 Paku Paku Paku

Pallet ukuran 67 x 102

kayu daun 67x10x1,5

kayu daun 102x10x1,5

kayu Balok 5x8x9 Paku Paku Paku

Pallet ukuran 81 x 111

kayu daun 81x10x1,5

kayu daun 111x10x1,5

kayu Balok 5x8x9 Paku Paku Paku

Pallet ukuran 89 x 120

kayu daun 89x10x1,5

kayu daun 120x10x1,5

kayu Balok 5x8x9 Paku Paku Paku

Proses

waktu proses per part

sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak

8 5 3 30 10 5 54 9 90 92 22 16.9 8 5.433333333 3 37 13 5 54 9 90 93 25 20 10 6 3 40 17 6.8 54 9 90 113 28 24 12 6 3 40 20 10 54 9 90 111 36.8 25

jmlh part yg dibutuhkan 10

6

9 60 18 40 10

6

9 60 18 40 10

6

9

60 18 40 10

6

9

60 18 40

(Sumber : Pengolahan Data Tahun 2014)

IV-228

Tabel 4.38 Routing File Produk pallet (Lanjutan) Produk

Nama Kegiatan

Pallet ukuran 71 x 101

kayu daun 71x10x1,5

kayu daun 101x10x1,5

kayu Balok 5x8x9 Paku Paku Paku

Pallet ukuran 94 x 113

kayu daun 94x10x1,5

kayu daun 113x10x1,5

kayu Balok 5x8x9 Paku Paku Paku

Pallet ukuran 97 x 114

kayu daun 97x10x1,5

kayu daun 114x10x1,5

kayu Balok 5x8x9 Paku Paku Paku

Stasiun kerja

waktu proses per part

sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak

10 5 3 37 14.98 7 54 9 90 109 26 22 16 6 3 42 15 5 54 9 90 124 30 24 16 6 3 42 15 5 54 9 90 124 30 24

jmlh part yg dibutuhkan 10

6

9 60 18 40 10

6

9 60 18 40 10

6

9 60 18 40

(Sumber : Pengolahan Data Tahun 2014)

IV-229

b. Rekapitulasi Kapasitas dibutuhkan Rekapitulasi kapasitas yang dibutuhkan berisi waktu proses yang dibutuhkan untuk menyelesaikan tiap item per periode pada tiap stasiun kerja kemudian diakumulasikan Tabel 4.39 Kapasitas Dibutuhkan Untuk Masing Masing Pallet Produk

Nama Kegiatan

Pallet ukuran 63 x 88

kayu daun 63x10x1,5 kayu daun 88x10x1,5 kayu Balok 5x8x9 Paku Paku Paku

Pallet ukuran 67 x 102

kayu daun 67x10x1,5 kayu daun 102x10x1,5 kayu Balok 5x8x9 Paku Paku Paku

Proses sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak

waktu proses per part 8 5 3 30 10 5 54 9 90 92

jmlh part yg dibutuhkan

PERIODE WAKTU Perdetik

9 60

1 610376 381485 228891 2288910 762970 381485 411966 68661 686610 1196000

7416036 1236006 12360060 1196000

5 610376 381485 228891 686670 228890 114445 6180030 1030005 10300050 1196000

6 610376 381485 228891 686670 228890 114445 7416036 1236006 12360060 1288000

22

18

953333.33

953333.33

953333.33

16.9 8 5.4333333 3 37 13 5 54 9 90 93

40

329550

329550

9 60

3355344 559224 5592240 465000

372000

3355344 559224 5592240 465000

329550 552320 375117.33 207120 746364 262236 100860 3355344 559224 5592240 372000

25

18

416666.7

333333.33

416666.67

333333.33

20

40

150000

120000

150000

120000

10

6

2

6180030 1030005 10300050 1196000

3 610376 381485 228891 2288910 762970 381485 1412.907 8477.444 847.7444 1196000

953333.33

953333.33

329550

10

6

4

7

7416036 1236006 12360060 1288000

8 610376 381485 228891 686670 228890 114445 7416036 1236006 12360060 1380000

9

10

1380000

460000

1026666.7

1026666.7

1100000

1100000

366666.67

329550

354900

354900

380250

126750

465000

3355344 559224 5592240 372000

3355344 559224 5592240 465000

380250 552320 375117.33 207120 746364 262236 100860 3355344 559224 5592240 372000

465000

930000

416666.67

333333.33

416666.67

333333.33

416666.67

833333.33

150000

120000

150000

120000

150000

300000

11

(Sumber : Pengolahan Data Tahun 2014)

IV-230

12

Tabel 4.39 Kapasitas Dibutuhkan Untuk Masing Masing Palet (Lanjutan)

Produk

Nama Kegiatan

Pallet ukuran 81 x 111

kayu daun 81x10x1,5 kayu daun 111x10x1,5 kayu Balok 5x8x9 Paku

Paku

Paku

Pallet ukuran 89 x 120

kayu daun 89x10x1,5 kayu daun 120x10x1,5 kayu Balok 5x8x9 Paku

Paku

Paku

Proses sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak

waktu proses per part 10 6 3 40 17 6.8 54 9 90 113

PERIODE WAKTU Perdetik jmlh part yg dibutuhkan

1

2

4

5

6

2920698 486783 4867830 452000

3 600960 60096 60096 721160 306493 122597.2 2920698 486783 4867830 565000

9 60

2920698 486783 4867830 565000

2920698 486783 4867830 565000

2920698 486783 4867830 452000

28

18

466666.7

373333.3

466666.7

466666.7

24 12 6 3 40 20 10 54 9 90 111

40

180000

144000

180000

2920698 486783 4867830 555000

180000 661932 330966 165483 661920 330960 165480 2920698 486783 4867830 555000

2920698 486783 4867830 555000

10

6

10

6

8

9

10

2920698 486783 4867830 565000

7 60096 60096 60096 721160 306493 122597.2 2920698 486783 4867830 452000

2920698 486783 4867830 565000

565000

113000

373333.3

466666.7

373333.3

466666.7

466666.7

93333.33

144000

180000 661932 330966 165483 661920 330960 165480 2920698 486783 4867830 666000

144000

180000

180000

36000

2920698 486783 4867830 555000

2920698 486783 4867830 666000

666000

333000

9 60

2920698 486783 4867830 555000

444000

36.8

18

613333.3

490666.67

613333.33

613333.33

613333.33

736000

613333.33

736000

736000

368000

25

40

187500

150000

187500

187500

187500

225000

187500

225000

225000

112500

11

(Sumber : Pengolahan Data Tahun 2014)

IV-231

12

Tabel 4.39 Kapasitas Dibutuhkan Untuk Masing Masing Palet (Lanjutan)

Produk

Nama Kegiatan

Pallet ukuran 71 x 101

kayu daun 71x10x1,5

kayu daun 101x10x1,5 kayu Balok 5x8x9 Paku

Paku

Paku

Pallet ukuran 94 x 113

kayu daun 94x10x1,5

kayu daun 113x10x1,5 kayu Balok 5x8x9 Paku

Paku

Paku

Proses sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak sawmill Cross Cut ketam sawmill Cross Cut ketam sawmill Cross Cut ketam manual Mesin paku tembak Mesin paku tembak

waktu proses per part 10 5 3 37

PERIODE WAKTU Perdetik jmlh part yg dibutuhkan

10

1 587470 293735 176241 652088

2 587470 293735 176241 652088 264007.5 123368 5711796 951966 9519660 1308000

3

4

5

6

7

8

587470 293735 176241 652088

587470 293735 176241 652088

5711796 951966 9519660 1308000

264007.52 123368 5711796 951966 9519660 1308000

264007.52 123368 5711796 951966 9519660 1308000

264007.52 123368 8565264 1427544 14275440 1417000

5711796 951966 9519660 1417000

264007.52 123368 5711796 951966 9519660 1417000

1526000

436000

1126666.7

1126666.7

1126666.7

1213333.3

346666.67

462000

132000

1364000

496000

9 60

264007.5 123368 5711796 951966 9519660 1199000

26

18

953333.3

1040000

1040000

1040000

1040000

22 16 6 3 42

40

363000 878256 329346 164673 691614

396000 878256 329346 164673 691614

396000

396000

396000 28104192 3952152 988038 1383228

429000 878256 329346 164673 691614

247005 82335 5296536 882756 8827560 1488000

1364000

1364000

494010 164670 5296536 882756 8827560 1364000

247005 82335 5296536 882756 8827560 1488000

1364000

247005 82335 5296536 882756 8827560 1364000

10

10

587470 293735 176241 652088

14.98 7 54 9 90 109

6

9

587470 293735 176241 652088

429000

429000 878256 329346 164673 691614

15 5 54 9 90 124

9 60

247005 82335 5296536 882756 8827560 1612000

30

18

1300000

1200000

1100000

1100000

1100000

1200000

1100000

1100000

1100000

400000

24

40

468000

432000

396000

396000

396000

432000

396000

396000

396000

144000

6

11

(Sumber : Pengolahan Data Tahun 2014)

IV-232

12

Tabel 4.39 Kapasitas Dibutuhkan Untuk Masing Masing Palet (Lanjutan) Produk

Nama Kegiatan

Pallet ukuran 97 x 114

kayu daun 97x10x1,5

kayu daun 114x10x1,5

kayu Balok 5x8x9 Paku Paku Paku

Proses

waktu proses per part

jmlh part yg dibutuhkan

PERIODE WAKTU Perdetik 1

2

3

4

5

6

Sawmill

16

850752

850752

850752

Cross Cut

6

319032

319032

319032

Ketam

3

159516

159516

159516

sawmill

42

676788

676788

676788

Cross Cut

15

241710

241710

241710

10

6

80570

80570

7

8

9

10

Ketam

5

sawmill

54

2610414

2610414

2610414

2707096

2610414

2610414

5220828

Cross Cut

9

435069

435069

435069

531751

435069

435069

870138

Ketam

90

9

4350690

4350690

4350690

4447372

4350690

4350690

8701380

Manual Mesin paku tembak Mesin paku tembak

124

60

868000

744000

744000

744000

868000

868000

744000

868000

868000

248000

30

18

700000

600000

600000

600000

700000

700000

600000

700000

700000

200000

24

40

252000

216000

216000

216000

252000

252000

216000

252000

252000

72000

11

80570

(Sumber : Pengolahan Data Tahun 2014)

IV-233

12

Tabel 4.40 Total Kapasitas Dibutuhkan (Menit) Periode Stasiun kerja

1

2

3

4

5

6

7

8

sawmill

482269.43

450940.7

318855.92

479951.33

988140.3

641921.93

454063.03

637451.57

Cross Cut

102496.51

87328.408

66737.957

100214.22

175751.1

126493.33

84719.367

130924.63

ketam papan

21941.817

13111.717

13217.82

15642.533

33928.983

20348.6

7046.32

19965.55

ketam balok

645207

631096.5

414140.13

692638.5

713838.37

919027.5

692638.5

912276

9

10

11

manual

107666.67

100066.67

103283.33

6104000

103466.67

111066.67

104750

110533.33

113900

50266.667

Mesin paku tembak

90055.555

83177.777

86500

85111.112

86611.11

93155.557

87611.112

92711.112

95544.445

43466.667

Mesin paku tembak

32167.5

29792.5

30917.5

30417.5

30917.5

33215

24690

33037.5

34087.5

15387.5

(Sumber : Pengolahan Data Tahun 2014)

IV-234

12

2. Rekapitulasi Kapasitas Yang tersedia Tahapan pertama yang perlu dilakukan pada proses Capacity Requerment Planning menghitung nilai efisiensi dan utilisasi pemesinan setelah itu baru membuat laporan beban CRP yang selanjutnya hasil laporan tersebut dianalisa Tabel 4.41 Downtime Dan Setup time No

Mesin

1 2 3 4 5 6 7

Saw Mill Cross Cut Ketam Press papan Ketam Press balok Perakitan kaki Perakitan akhir Oven

Downtime DT (Menit) 60 7 10 5 5 5 60

Setup Tipe ST (Menit) 10 5 7 2 2 2 20

(Sumber : Pengolahan Data Tahun 2014)

Tabel 4.42 Efesiensi Permesin Sawmill

Cross Cut Papan

Ketam Papan

Ketam Balok

Perakitan kaki

Perakitan kaki

Perakitan manual

Oven

0,85

0,97

0,96

0,99

0,99

0,99

0,99

0,83

(Sumber : Pengolahan Data Tahun 2014) 1. Saw miil

Efisiensi (E) 

D  ST H  (1  T ) D D

Efisiensi (E)  (1 

60  10 ) 8 x 60

Efisiensi (E)  (1 

70 ) 480

Efisiensi (E) = 0,85 2. Cross Cut

Efisiensi (E) 

D  ST H  (1  T ) D D

Efisiensi (E)  (1 

75 ) 480

Efisiensi (E)  0,97

IV-235

3. Ketam Press papan D  ST H Efisiensi (E)   (1  T ) D D 10  7 Efisiensi (E)  (1  ) 480 Efisiensi (E)  0,96

4. Ketam Press balok

Efisiensi (E) 

D  ST H  (1  T ) D D

Efisiensi (E)  (1 

52 ) 480

Efisiensi (E)  0,99

5. Perakitan kaki

Efisiensi (E) 

D  ST H  (1  T ) D D

52 ) 480 Efisiensi (E)  0,99

Efisiensi (E)  (1 

6. Perakitan Akhir

Efisiensi (E) 

D  ST H  (1  T ) D D

52 ) 480 Efisiensi (E)  0,99

Efisiensi (E)  (1 

7.

Oven

Efisiensi (E) 

D  ST H  (1  T ) D D

Efisiensi (E)  (1 

60  20 ) 8 x 60

Efisiensi (E)  0,83

IV-236

Utilisasi 1. Mesin Sawmill

Utilisasi (U) 

Jam aktual yang digunakan untuk produksi jam yang tersedia menurut jadwal

Utilisasi (U) 

479 480

= 0,99 2. Mesin Cross Cut Papan

Utilisasi (U) 

Jam aktual yang digunakan untuk produksi jam yang tersedia menurut jadwal

Utilisasi (U) 

479 480

= 0,99 3. Ketam Press papan Jam aktual yang digunakan untuk produksi Utilisasi (U)  jam yang tersedia menurut jadwal

Utilisasi (U) 

479 480

= 0,99 4. Ketam Press Balok Jam aktual yang digunakan untuk produksi Utilisasi (U)  jam yang tersedia menurut jadwal

Utilisasi (U) 

480 480

= 1 5. Perakitan kaki

Utilisasi (U) 

Jam aktual yang digunakan untuk produksi jam yang tersedia menurut jadwal

Utilisasi (U) 

479 480

= 0,99

IV-237

6. Perakitan Akhir

Utilisasi (U) 

Jam aktual yang digunakan untuk produksi jam yang tersedia menurut jadwal

Utilisasi (U) 

479 480

= 0,99 7. Oven

Utilisasi (U) 

Jam aktual yang digunakan untuk produksi jam yang tersedia menurut jadwal

Utilisasi (U) 

420 720

= 1 8. Perakitan manual

Utilisasi (U) 

Jam aktual yang digunakan untuk produksi jam yang tersedia menurut jadwal

Utilisasi (U) 

478 480

= 0,99 Tabel 4.43 Utilisasi Permesin Sawmill

Cross Cut

Ketam Papan

Ketam Balok

Perakitan kaki

Perakitan manual

Perakitan akhir

Oven

0,99

0,99

1

1

0,99

0,99

0,99

1

(Sumber : Pengolahan Data Tahun 2014)

IV-238

Rekapitulasi waktu tersedia ini merupakan total waktu yang tersediaasarkan jumlah hari kerja dikalikan dengan jumlah jam regular dan overtime Tabel 4.44 Waktu Tersedia (menit) periode kapasitas yangtersedia 1 2 3 4 5 6 7 8 9 10 11 12 sawmill 388800 345600 388800 388800 360000 388800 374400 374400 388800 345600 374400 374400 cross cut 388800 345600 388800 388800 360000 388800 374400 374400 388800 345600 374400 374400 ketam papan 194400 172800 194400 194400 180000 194400 187200 187200 194400 172800 187200 187200 ketam balok 194400 172800 194400 194400 180000 194400 187200 187200 194400 172800 187200 187200 manual 1944000 1728000 1944000 1944000 1800000 1944000 1872000 1872000 1944000 1728000 1872000 1872000 perakitan 388800 345600 388800 388800 360000 388800 374400 374400 388800 345600 374400 374400 kaki perakitan 388800 345600 388800 388800 360000 388800 374400 374400 388800 345600 374400 374400 akhir

(Sumber : Pengolahan Data Tahun 2014) langkah selanjutnya mencari kapasitas yang tersedia dengan cara mengalikan waktu yang tersedia dengan nilai utilisasi dan nilai efisiensi

IV-239

Tabel 4.45 Kapasitas Tersedia (menit) Kapasitas Yang Tersedia

periode 1

2

3

4

5

6

7

8

9

10

11

12

sawmill

327175.2 290822.4 327175.2 327175.2

302940

327175.2 315057.6 315057.6 327175.2 290822.4 315057.6 315057.6

cross cut ketam papan

373364.6 331879.7 373364.6 373364.6

345708

373364.6 359536.3 359536.3 373364.6 331879.7 359536.3 359536.3

186624

165888

186624

186624

172800

194400

179712

179712

186624

165888

179712

179712

ketam balok

192456

171072

192456

192456

178200

192456

185328

185328

192456

171072

185328

185328

manual perakitan kaki perakitan akhir

1866240

1693613

1924560

1905314

1764180

1944000

1872000

1872000

1944000

1728000

1872000

1872000

381062.9 338722.6 381062.9 381062.9

352836

381062.9 366949.4

374400

388800

345600

374400

374400

381062.9 338722.6

360000

374400

388800

345600

374400

374400

388800

388800

388800

374400

(Sumber : Pengolahan Data Tahun 2014)

IV-240

3. Kapasitas Tersisa Tabel 4.46 Kapasitas Tersisa (menit) kapasitas yangtersedia

periode 2

3

sawmill

1 155094.23

8319.28

4 152776.13

-160118.3

cross cut

270868.13

244551.27

306626.68

ketam papan

164682.18

152776.28

ketam balok

-452751

-460024.5

173406.18 221684.13

manual perakitan kaki perakitan akhir

78957.33

69294.61

1821276.7

-500182.5 5913468.6

291007.33

255544.78

294562.88

348895.38

308930.06

357882.5

5

7 139005.43

8 322393.97

9

10

11

12

-685200.3

6 314746.73

327175.2

290822.4

315057.6

315057.6

273150.42

169956.9

246871.31

274816.95

228611.69

373364.64

331879.68

359536.32

359536.32

170981.47

138871.02 535638.37

174051.4

172665.68

159746.45

186624

165888

179712

179712

-726571.5

-507310.5

-726948

192456

171072

185328

185328

72951.33

83333.33

82450

76666.67

80500

122533.33

187200

187200

295951.77

266224.89

287907.32

279338.33

281688.89

293255.56

302133.33

374400

374400

358382.5

329082.5

355585

349710

341362.5

354712.5

330212.5

374400

374400

Sumber : Pengolahan Data Tahun 2014) Perhitungan manual: Kapasitas tersisa = Total kapasitas yang tersedia - Total kapasitas yang dibutuhkan Stasiun sawmill untuk periode 1 = 327175 – 482269 = -155094.23

IV-241

Gambar 4.17 Grafik Perbandingan Kapasitas yang Tersedia dan Kapasitas yang dibutuhkan Stasiun Sawmill

Gambar 4.18 Grafik Perbandingan Kapasitas yang Tersedia dan Kapasitas yang dibutuhkan Stasiun CrossCut

IV-129

Gambar 4.19 Grafik Perbandingan Kapasitas yang Tersedia dan Kapasitas yang dibutuhkan Stasiun Ketam Papan

Gambar 4.20 Grafik Perbandingan Kapasitas yang Tersedia dan Kapasitas yang dibutuhkan Stasiun Ketam balok

IV-243

Gambar 4.21 Grafik Perbandingan Kapasitas yang Tersedia dan Kapasitas yang dibutuhkan Stasiun Perakitan kaki

Gambar 4.22 Grafik Perbandingan Kapasitas yang Tersedia dan Kapasitas yang dibutuhkan Stasiun Perakitan manual

IV-244

Gambar 4.23 Grafik Perbandingan Kapasitas yang Tersedia dan Kapasitas yang dibutuhkan Stasiun Perakitan akhir

IV-245