manajemen produksi samuel azami ismail
DESCRIPTION
manproTRANSCRIPT
Studi Kasus
Sistem Manajemen Produksi
Kelompok 7:
Azami Indarabbi Zulfan / 1206237435
Abdul Fatah Ismail / 1206244125
Samuel Reynaldo Hendrawan / 1206243173
Dosen:
Ir. Henky Suskito Nugroho M.T.
Departemen Teknik Mesin
Universitas Indonesia
2015
CV Jati Makmur Furniture adalah perusahaan manufaktur yang memproduksi
kursi. CV Jati Makmur dikenal sebagai penghasil produk furniture berkualitas tinggi.
Untuk menonjolkan sisi keunikan CV Jati Makmur membuat desain furniture yang
elegan dan ergonomis, namun konsumen yang ingin memesan tidak dapat mendesain
kursi maupun meja yang diinginkan, sehingga produk CV Jati Makmur memanglah
memiliki ciri khas tersendiri. Untuk melakukan pemesanan, konsumen tidak perlu
mendatangi CV Jati Makmur Furniture, konsumen cukup berinteraksi di media online
dan membayar dan mentransfer. Produk yang sekarang dapat diproduksi adalah meja
bangku dan fungsi bangku. Berikut adalah data-data yang dapat dianalisa untuk dapat
dijadikan acuan perencanaan kedepannya.
Produk yang diproduksi oleh CV Jati Makmur Furniture antara lain:
1. Meja bangku dengan harga Rp 375.000,00/unit
2. Kursi bangku dengan harga Rp 425.000,00/unit
Dari dua produk yang dihasilkan terbuat dari komponen kayu, spons, cat plitur
dan paku. Berikut tabel kebutuhan komponen untuk membuat berbagai macam
produk:
Tabel 3.1 Komponen ProduksiBahan Meja Bangku Kursi Bangku
Kayu (meter) 4,5 4Spons (meter) - 1
Cat Plitur (kaleng) 1 1Paku 8 12
Kayu berukuran lebar 5 cm dan tebal 5 cm. Spons berukuran lebar 50 cm da tebal
7 cm. 1 kaleng cat plitur berisi 1 liter. Berikut adalah gambaran umum proses
produksi dari bahan baku hingga produk jadi. Ada 3 mesin utama yang memproses
kursi dan meja, mesin pemotong, mesin perakit dan mesin pengecat.
Gambar 3.1 Proses Produksi CV Jati MakmurKeseluruhan bahan baku yang digunakan dalam proses produksi, merupakan
bahan baku yang langsung digunakan untuk produk jadi tanpa diproses terlebih
dahulu. Harga bahan baku, nilai lead time rata-rata serta jumlah discount yang
diberikan adalah sebagai berikut.
Tabel 3.2 Bahan BakuBahan Lead
TimeHarga Diskon
Kayu (meter) 2 Minggu Rp 22.000,00/meter Tidak ada diskonSpons (meter) 1 Minggu Rp 11.000,00/meter Tidak ada diskon
Cat Plitur (kaleng)
1 Minggu Rp 12.000,00/kaleng 2% jika membeli lebih dari 100
Paku 1 Minggu Rp 15.000,00/100 biji
Tidak ada diskon
Pembayaran dilakukan pada akhir Minggu dimana bahan baku tersebut telah
dikirimkan. Jadwal pengiriman bisanya dilakukan pada awal Minggu. Biaya
tambahan sebesar Rp 27.500,00 diberikan untuk setiap pemesanan padaMinggu
dimana terjadi pemesanan.
Waktu proses mesin, sudah termasuk waktu setup, berkaitan dengan proses
pemotongan dan perakitan adalah sebagai berikut.
Tabel 3.3 PermesinanProduk Waktu Proses Mesin (Jam)
Mesin Potong Mesin Assembly
Mesin Spray (splitur)
Meja Bangku 0,50 1 1Kursi Bangku 0,75 1,5 1
CV Jati Makmur Furniture memiliki mesin assembly yang canggih yang dapat
membantu operator merakit komponen dengan lebih mudah. Biaya produksi setiap
mesin per jam rata-rata mesin. Dalam satu Minggu ada enam hari kerja, setiap harinya
delapan jam, dengan upah Rp 12.500,00 tiap jam nya. Upah lembur diberikan sebesar
Rp 10.000,00 untuk tiap jamnya. Jam lembur diberlakukan hingga 30 jam per
Minggu. Adapun biaya inventory sebesar Rp 15.000,00 per unit per tahun, setup cost
sebesar Rp 50.000,00 per Minggu.
Penambahan kapasitas dapat dilakukan jika ditentukan pada Minggu sebelum
dilakukan produksi, biasanya CV Jati Makmur melimpahkan pada CV Jati Subur
sebagai partner dari tahun ke tahun ketika kapasitasnya tidak mencukupi, dengan
biaya sebesar:
Tabel 3.4 Biaya Produksi CV Jati SuburProduk Meja
BangkuKursi
BangkuBiaya
(rupiah)37.000 37.500
Ketika penambahan kapasitas total keseluruhan perMintaan, maka perusahaan
memberikan kebijakan untuk melimpahkan kepada dua CV, yaitu CV Jati Subur dan
CV Jati Sukses, kebijakan ini dimaksudkan ini dimaksudkan agar perMintaan segera
terpenuhi. Jumlah penambahan kapasitas untuk kedua CV adalah sama, berikut adalah
biaya produksi pada CV Jati Sukses.
Tabel 3.5 CV Jati SuksesProduk Meja
BangkuKursi
BangkuBiaya
(rupiah)45.000 40.000
Biaya overhead yang ditetapkan sebesar Rp 1.250.000,00 tiap Minggu untuk
biaya adMinistrasi dan overhead proses manufaktur. Biaya untuk carrying cost (biaya
pengangkutan dan penyimpanan) per tahun sebesar Rp 15.000,00 per unit per tahun.
Stock pada posisi awal, pada Minggu ke 0 (setelah penjualan Mingu ke-4 bulan
ke-12) adalah sebagai berikut.
Tabel 3.6 Stock AwalBahan Baku StockKayu (meter) 4 meterSpons (meter) 4 meter
Cat Plitur (kaleng)
2
Paku 200Berikut ini adalah data penjualan produk dari CV Jati Makmur.
Tabel 3.7 Stock AwalTahun Bulan Meja
BangkuKursi
Bangku
2013
JUL 50 21AGS 61 23SEP 65 20OKT 67 19NOV 65 16DES 72 20
2014
JAN 70 18FEB 74 12MAR 75 19APR 80 25MEI 81 21JUN 82 27
Karena terkenal akan kehandalan kayunya CV Jati Makmur juga menerima
perMintaan khusus Kayu Jati PX10 dari berbagai pihak, salah satnya CV Jati Surya.
Berikut adalah data perMintaan dari CV Jati Surya dalam 1 tahun terakhir.
Tabel 3.8 Demand Komponen 12 Bulan TerakhirJenis Kayu
Meter/BulanPeriode Waktu (Bulan)
1 2 3 4 5 6 7 8 9 10 11 12Kayu Jati
PX10 PX10160 175 153 168 170 184 178 187 190 188 193 195
Dengan banyaknya perMintaan tiap bulannya sehingga CV Jati Makmur harus
memenuhi perMintaan tersebut dengan mempertimbangkan berbagai aspek biaya.
Untuk menghasilkan Kayu Jati PX10 yang berkualitas maka diperlukan proses detail
yang meliputi perendaman kayu hingga pengeringan dan menghasilkan Kayu Jati
PX10 yang berkualtias. Berikut adalah beberapa biaya yang dipertimbangkan.
Tabel 3.9 Data Biaya Harga dan Produk IndependenItem Biaya Pesan Biaya Simpan/
Meter/TahunHarga Tingkat
ProduksiKayu Jati
PX10 PX10Rp 210.000 15% dari Harga Rp 470.000 10 meter/hari
BAB IVANALISIS DAN PEMBAHASAN
4.1 Peramalan Meja Bangku
Sebelum melakukan peramalan, hal yang perlu dilakukan pertama kali yaitu
mengidentifikasi pola historis data aktualnya.Tujuan dari identifikasi pola historis
data aktual yaitu untuk mengetahui bagaimana pola kecenderungan penjualannya.
Dengan mengetahui pola data tersebut, metode-metode apa saja yang akan digunakan
untuk peramalan dapat ditentukan. Berikut adalah grafik dari data penjualan meja
bangku CV Jati Makmur Furniture. Berikut adalah grafik dari data penjualan meja
bangku.
Grafik Penjualan Meja Bangku
Meja Bangku
Gambar 4.1 Grafik Penjualan Meja Bangku
Berdasarkan grafik diatas, dapat dilihat jika pola data cenderung memiliki trend
keatas dari waktu ke waktu, sehingga dari kondisi di atas metode yang sesuai yaitu
metode Double Exponential Smoothing.
4.1.1 Metode Double Exponential Smoothing
Berikut adalah perhitungan peramalan dengan menggunakan metode double
exponential smoothing dengan trial and error alfa dan beta pada range 0,1-0,5
Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential SmoothingERRO
Ra=0.1, b=0.1
a=0.1, b=0.2
a=0.1, b=0.3
a=0.1, b=0.4
a=0.1, b=0.5
MAD 12,55 11,00 9,00 7,73 6,55MSE 160,00 124,00 90,45 75,91 61,64MFE 12,55 11,00 9,00 7,73 6,18MAPE 17,51 15,67 12,89 11,25 9,64TS Max 11,00 11,00 11,00 11,00 10,39
TS Min 0,00 1,00 1,00 1,00 1,00Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing
(Lanjutan)ERROR R1 R2 R3 R4 R5
MAD 7,82 5,73 4,91 4,55 5,18MSE 68,91 47,36 42,18 36,18 38,27MFE 7,82 5,55 4,18 2,73 1,73
MAPE 11,20 8,42 7,29 6,73 7,53TS Max 11,00 10,65 9,61 7,74 5,67TS Min 1,00 1,00 1,00 1,00 1,00
Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)
ERROR
R6 R7 R8 R9 R10
MAD 5,27 4,00 3,91 4,18 4,27MSE 40,91 32,36 28,45 28,73 28,64MFE 5,27 3,45 1,91 1,27 0,64
MAPE 7,73 5,99 5,80 6,18 6,30TS Max 11,00 9,52 6,16 4,68 4,31TS Min 1,00 1,00 1,00 1,00 1,00
Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)
ERROR
R16 R17 R18 R19 R20
MAD 3,91 3,64 3,82 3,82 3,82MSE 29,91 24,73 24,73 23,82 24,91MFE 3,91 2,18 1,45 0,73 0,36
MAPE 5,82 5,42 5,69 5,69 5,70TS Max 11,00 6,84 4,50 3,57 3,15TS Min 1,00 1,00 1,00 1,00 1,00
Tabel 4.1 Forecasting Meja Bangku Metode Double Exponential Smoothing (Lanjutan)
ERROR
R21 R22 R23 R24 R25
MAD 3,45 3,55 3,45 3,55 3,27MSE 22,91 21,91 20,55 22,45 22,18MFE 2,91 1,55 0,91 0,45 0,18
MAPE 5,15 5,29 5,17 5,30 4,92TS Max 9,26 5,14 3,52 3,00 3,00TS Min 1,00 1,00 1,00 1,00 0,50
Keterangan:
Tabel 4.2 Keterangan Replikasi Forecast Metode Double Exponential Smoothing
Replikasi Alfa (α) Beta (β) Replikasi Alfa (α) Beta (β)
R1 0,1 0,1 R14 0,30 0,4R2 0,1 0,2 R15 0,30 0,5R3 0,1 0,3 R16 0,40 0,1R4 0,1 0,4 R17 0,40 0,2R5 0,1 0,5 R18 0,40 0,3R6 0,2 0,1 R19 0,40 0,4
Tabel 4.2 Keterangan Replikasi Forecast Metode Double Exponential Smoothing (Lanjutan)
Replikasi Alfa (α) Beta (β) Replikasi Alfa (α) Beta (β)
R7 0,2 0,2 R20 0,40 0,5R8 0,2 0,3 R21 0,50 0,1R9 0,2 0,4 R22 0,50 0,2R10 0,2 0,5 R23 0,50 0,3R11 0,3 0,1 R24 0,50 0,4R12 0,3 0,2 R25 0,50 0,5R13 0,3 0,3
Berdasarkan tabel 4.1, dapat dilihat bahwa variasi nilai tracking signal, MAD,
MSE, MFE, dan MAPE terkecil adalah forecasting menggunakan metode double
exponential smoothing dengan α=0,4 β=0,4 ; α=0,4 β=0,5 ; α=0,5 β=0,3 ; α=0,5 β=0,4
; dan α=0,5 β=0,5. Dari hasil perhitungan error terkecil diatas, maka dapat
dibandingkan kembali pada tabel berikut.
Tabel 4.3 Tabel Perbandingan Error Terkecil Metode Double Exponential Smoothing
ERROR
α=0,4 β=0,4
α=0,4 β=0,5
α=0,5 β=0,3
α=0,5 β=0,4
α=0,5 β=0,5
MAD 3,82 3,82 3,45 3,55 3,27MSE 23,82 24,91 20,55 22,45 22,18MFE 0,73 0,36 0,91 0,45 0,18
MAPE 5,69 5,7 5,17 5,3 4,92TS Max 3,57 3,15 3,52 3 3TS Min 1 1 1 1 0,5
Berdasarkan tabel perbandinga error terkecil diatas, maka metode terpilih adalah
double exponential smoothing dengan α=0,5 dan β=0,5. Karena memiliki rata-rata
nilai error terkecil dibanding dengan menggunakan alfa dan beta lainnya. Selain itu
sebaran tracking signal masih dalam batasan yaitu diantara -4 sampai 4.
4.1.2 Metode Terpilih
Metode Terpilih merupakan metode double exponential smoothing dengan α=0,5
dan β=0,5 yang memiliki sebaran tracking signal yang masih dalam batasan yaitu
antara 0,5 sampai dengan 3. Selain itu, metode ini juga memiliki rata-rata error
terkecil dibanding dengan metode double exponential smoothing dengan alfa dan beta
lainnya.
TS DES (0,5 ; 0,5)
LCL CL TS UCL
Gambar 4.2 Tracking Signal Metode Terpilih untuk Produk Meja Bangku
Berdasarkan grafik tracking signalnya, dapat dilihat bahwa persebaran datanya terletak diantara LCL dan UCL sehingga dapat disimpulkan bahwa hasil forecastnya memiliki tingkat keakuratan yang tinggi.
Aktual dan Forecast
Aktual Forecast
Gambar 4.3 Perbandingan Data Aktual dan Forecast Produk Meja Bangku
Tabel 4.4 Forecast Horizon 6 Bulan Metode TerpilihPeriode Aktual
Forecast
1 50 502 61 503 65 594 67 675 65 72
6 72 727 70 758 74 759 75 77
10 80 7811 81 8112 82 84
Tabel 4.4 Forecast Horizon 6 Bulan Metode Terpilih (Lanjutan)Periode Forecast
13 8514 8715 8816 8917 9018 91
Berdasarkan gambar 4.3, dapat dilihat bahwa terdapat kemiripan bentuk grafik
dari hasil forecast dengan data aktualnya. Hal ini membuktikan bahwa hasil forecast
kurang lebih sesuai dengan kondisi real pasar, sehingga dapat disimpulkan bahwa
metode DES dengan α=0,5 dan β=0,5 merupakan metode terbaik untuk forecast
produk Meja Bangku.
4.2 Peramalan Kursi Bangku
Berikut adalah grafik dari data penjualan kursi bangku.
Grafik Data Penjualan Kursi Bangku
Aktual
Gambar 4.4 Grafik data penjualan kursi bangkuBerdasarkan grafik diatas, dapat dilihat jika pola data cenderung fluktuatif dari
waktu ke waktu, sehingga dari kondisi di atas metode yang sesuai yaitu metode
moving average, weight moving average, dan exponential smoothing.
4.2.1 Metode Moving Average
Berikut merupakan hasil perhitungan error forecasting dari metode moving
average untuk n= 3, n= 4, n=5, dan n= 6.
Tabel 4.5 Perbandingan Error Kursi Bangku dengan Metode Moving Average
Error MA 3 MA 4 MA 5 MA 6MAD 3.67 3.88 4.14 4.50MSE 18.78 22.63 27.00 28.50MFE 0.33 0.63 1.57 1.17
MAPE 19.80 21.14 21.59 24.42TS max 0.82 1.29 0.86 1.56TS min -4.38 -4.00 -3.00 -2.45
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di
antara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang
dipilih dari data di atas adalah forecasting dari metode moving average untuk n=0
dengan nilai MAD, MSE, MFE, dan MAPE sebesar 3.88 ; 22.63 ; 0.63; dan 21.14.
Berikut merupakan grafik tracking signal masing-masing forecast dengan metode
moving average dengan n=3, n=4, n=5, n=6.
TS MA (3)
LCL CL TS UCL
Gambar 4.5 Tracking Signal Forecast Kursi Metode Moving Average n=3
TS MA (4)
LCL CL TS UCL
Gambar 4.6 Tracking Signal Forecast Kursi Metode Moving Average n=4
TS MA (5)
LCL CL TS UCL
Gambar 4.7 Tracking Signal Forecast Kursi Metode Moving Average n=5
TS MA (6)
LCL CL TS UCL
Gambar 4.8 Tracking Signal Forecast Kursi Metode Moving Average n=6
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada
nilai tracking signal metode moving average dengan n=4 berada diantara batas
kontrol sehingga dapat disimpulkan hasil forecasting dari metode moving average
untuk n= 4 memiliki tingkat keakuratan yang tinggi.
4.2.2 Metode Weighted Moving Average
Berikut merupakan hasil perhitungan error forecasting dari metode weighted
moving average untuk n= 3, n= 4, n=5, dan n= 6.
Tabel 4.6 Perbandingan error kursi bangkuError WMA 3 WMA 4 WMA 5 WMA 6MAD 3.67 4.0 0 3.71 4.33MSE 19.67 23.25 22.29 28.00MFE 0.33 0.75 1.43 1.67
MAPE 20.11 21.86 19.77 22.85TS max 0.82 1.50 2.69 2.31TS min -3.82 -3.43 -2.33 -2.00
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di
antara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang
dipilih dari data diatas adalah forecasting dari metode weighted moving average
untuk n= 3 dengan nilai MAD, MSE, MFE, dan MAPE sebesar 3.67 ; 19.67 ; 0.33 ;
dan 20.11.
TS WMA (3)
LCL CL TS UCL
Gambar 4.9 Grafik tracking signal pada weighted moving average n=3
TS WMA (4)
LCL CL TS UCL
Gambar 4.10 Grafik tracking signal pada weighted moving average n=4
TS WMA (5)
LCL CL TS UCL
Gambar 4.11 Grafik tracking signal pada weighted moving average n=5
TS WMA (6)
LCL CL TS UCL
Gambar 4.12 Grafik tracking signal pada weighted moving average n=6
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada
nilai tracking signal dengan metode weighted exponential smoothing dengan n=3
berada diantara batas kontrol sehingga dapat disimpulkan hasil forecasting dari
metode weighted moving average untuk n= 3 memiliki tingkat keakuratan yang tinggi.
4.2.3 Metode Exponential Smoothing
Berikut merupakan perbandingan error dari forecasting kursi bangku dengan
metode exponential smoothing untuk α=0.1, α=0.2, α=0.3, α=0.4, α=0.5, α=0.6,
α=0.7, α=0.8, dan α=0.9.
Tabel 4.7 Perbandingan error kursi bangku
Error ES(0,1)
ES(0,2)
ES(0,3)
ES(0,4)
ES(0,5)
ES(0,6)
ES(0,7)
ES(0,8)
ES(0,9)
MAD 3.42 3.17 3.17 3.17 3.00 3.50 3.33 3.58 3.67MSE 18.25 17.17 18.00 16.67 13.83 16.50 15.33 16.92 17.33MFE -1.58 -1.00 -0.83 -0.17 0.17 -0.17 0.00 0.08 0.00
MAPE 19.78 18.01 17.91 17.44 16.27 18.94 17.98 19.23 19.73TS
max 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00
TS min -7.84 -7.67 -7.62 -5.91 -4.80 -5.33 -5.09 -4.52 -4.52
Berdasarkan data diatas akan dipilih dilihat dari nilai persebaran nilai tracking
signal di antara UCL dan LCL, dan nilai error yang paling kecil. Metode yang dipilih
dari data di atas adalah forecasting dari metode exponential smoothing untuk α=0,5
dengan nilai sebaran tracking signal yang paling kecil dan dengan nilai MAD, MSE,
MFE, dan MAPE sebesar 3.00 ; 13.83 ; 0.17 ; dan 16,27.
TS ES (0,2)
LCL CL TS UCL
Gambar 4.13 Grafik tracking signal ES 0.2
1 2 3 4 5 6 7 8 9 10 11 12
-6.00
-4.00
-2.00
0.00
2.00
4.00
6.00
Grafik Tracking Signal ES 0.5
TS BKA BKB CL
Gambar 4.14 Grafik tracking signal ES 0.8
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada
nilai tracking signal tidak berada di antara batas kontrol sehingga dapat disimpulkan
hasil forecasting dari metode exponential smoothing untuk α=0,5 memiliki tingkat
keakuratan yang rendah.
4.2.4 Metode Terpilih
Berikut merupakan hasil perhitungan forecasting dari metode yang dipilih dari
masing-masing metode forecasting yang telah dilakukan.
Tabel 4.8 Hasil forecasting kursi bangku metode terpilih
Bulan Aktual MA(4) WMA(3)
ES(0.5)
1 21.00 21.002 23.00 21.003 20.00 22.004 19.00 22 21.005 16.00 21 20 20.006 20.00 20 18 18.007 18.00 19 19 19.008 12.00 19 19 19.009 19.00 17 16 16.0010 25.00 18 17 18.0011 21.00 19 21 22.0012 27.00 20 22 22.00
Perbandingan Aktual dan MA, WMA, ES
Aktual MA (4) WMA (3) ES (0,8)
Gambar 4.15 Grafik Perbandingan data aktual dengan MA, WMA, dan ES Metode Terpilih
Dari peramalan pada tabel 4.8 dan grafik 4.15, dapat disimpulkan bahwa metode
weighted moving average untuk n=3 adalah metode yang peramalannya paling
mendekati data aktualnya.
Tabel 4.8 Perbandingan error kursi bangkuError MA 4 WMA 3 ES (0,5)MAD 3.88 3.67 3.00MSE 22.63 19.67 13.83MFE 0.63 0.33 0.17
MAPE 21.14 20.11 16.27TS Max 1.29 0.82 2.00TS Min -4.00 -3.82 -4.80
Berdasarkan data diatas akan dipilih nilai persebaran dari nilai tracking signal
diantara UCL dan LCL, namun dalam hal ini tracking signal metode terpilih yaitu
weighted moving average untuk n= 3 memiliki tracking signal yang berada pada
batas sehingga dapat dipercaya keakuratannya. Selain itu juga memperhatikan nilai
error yang terkecil, pada pola penjualan kursi bangku merupakan produk yang pola
data penjualannya cenderung fluktuatif, sehingga metode WMA adalah metode
terbaik yang dapat digunakan untuk produk ini. Metode yang dipilih dari data di atas
adalah forecasting dari metode weighted moving average untuk n= 3 dengan nilai
MAD, MSE, MFE, dan MAPE sebesar 3.67 ; 19.67 ; 0.33 ; dan 20.11.
TS WMA (3)
LCL CL TS UCL
Gambar 4.16 Grafik tracking signal pada WMA (3)
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada
nilai tracking signal berada di luar batas kontrol sehingga dapat disimpulkan hasil
forecasting dari metode moving average untuk n= 3 memiliki tingkat keakuratan yang
cukup tinggi.
1 2 3 4 5 6 7 8 9 10 11 120.00
5.00
10.00
15.00
20.00
25.00
30.00
Perbandingan Aktual dengan Metode Terpilih
Aktual Forecasting
Gambar 4.17 Perbandingan Data Aktual dan Forecast Metode Terpilih
Tabel 4.9 Forecast Horizon 6 Bulan Metode TerpilihPeriod
e Aktual Forecast
1 21.002 23.003 20.004 19.00 3.005 16.00 4.006 20.00 5.007 18.00 6.008 12.00 7.009 19.00 8.0010 25.00 9.0011 21.00 10.0012 27.00 11.0013 2514 2415 2516 2417 2518 25
Berdasarkan gambar 4.10, dapat dilihat bahwa terdapat kemiripan bentuk grafik
dari hasil forecast dengan data aktualnya. Hal ini membuktikan bahwa hasil forecast
kurang lebih sesuai dengan kondisi real pasar, sehingga dapat disimpulkan bahwa
metode weighted moving average untuk n= 3 merupakan metode terbaik untuk
forecast produk Meja Bangku.
4.3 Peramalan Kayu Jati PX10
Berikut adalah grafik dari data penjualan Kayu Jati PX10.
Data Penjualan Kayu Jati
Data Penjualan Kayu Jati
Gambar 4.18 Grafik data penjualan Kayu Jati PX10
Berdasarkan grafik di atas, dapat dilihat jika pola data cenderung fluktuatif dari waktu ke waktu, sehingga dari kondisi di atas metode yang sesuai yaitu metode moving average, weighted moving average, dan exponential smoothing.
4.3.1 Metode Moving Average
Berikut merupakan hasil perhitungan error forecasting dari metode moving
average untuk n =3, n =4, n=5, dan n =6.
Tabel 4.10 Perbandingan error Kayu Jati PX10Error MA 3 MA 4 MA 5 MA 6MAD 6,67 8,63 10,57 11MSE 69,78 91,63 131,71 131,67MFE 6,67 8,63 10,57 11,00
MAPE 3,63 4,66 5,65 5,84TS Max 9,00 8,00 7,00 6,00TS Min 1,00 1,00 1,00 1,00
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di
antara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode yang
dipilih dari data di atas adalah forecasting dari metode moving average untuk n =3
dengan nilai MAD, MSE, MFE, dan MAPE sebesar 6,67 ; 69,78 ; 6,67 ; dan 3,63
TS MA (3)
LCL CL TS UCL
Gambar 4.19 Grafik tracking signal pada moving average n = 3
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada
nilai tracking signal berada di luar batas kontrol sehingga dapat disimpulkan hasil
forecasting dari metode moving average untuk n = 3 memiliki tingkat keakuratan
yang rendah.
4.3.2 Metode Weighted Moving Average
Berikut merupakan hasil perhitungan error forecasting dari metode weighted
moving average untuk n =3, n = 4, n=5, dan n = 6.
Tabel 4.11 Perbandingan error Kayu Jati PX10Error WMA 3 WMA 4 WMA 5 WMA 6MAD 5,78 8,00 8,14 7,83MSE 53,78 64,63 87,00 71,17MFE 5,78 6,63 8,14 7,83
MAPE 3,16 3,58 4,35 4,16TS
Max 9,00 8,00 7,00 6,00
TS Min 1,00 1,00 1,00 1,00Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal
diantara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Metode
yang dipilih dari data di atas adalah forecasting dari metode moving average untuk n
=3 dengan nilai MAD, MSE, MFE, dan MAPE sebesar 5,78 ; 53,78 ; 5,78 ; dan 3,16.
TS WMA (3)
LCL CL TS UCL
Gambar 4.20 Grafik tracking signal pada weighted moving average n =3
WMA (4)
TS BKA BKB CL
Gambar 4.21 Grafik tracking signal pada weighted moving average n =4
TS WMA (5)
TS BKA BKB CL
Gambar 4.22 Grafik tracking signal pada weighted moving average n =5
TS WMA (6)
TS BKA BKB CL
Gambar 4.23 Grafik tracking signal pada weighted moving average n =6
Berdasarkan grafik tracking signal di atas, dapat dilihat jika persebaran data
pada nilai tracking signal berada di luar batas kontrol sehingga dapat disimpulkan
hasil forecasting dari metode weighted moving average untuk n =3 memiliki tingkat
keakuratan yang rendah.
4.3.3 Metode Exponential Smoothing
Berikut merupakan hasil perbandingan error forecasting dari metode exponential
smoothing untuk α=0.1, α=0.2, α=0.3, α=0.4, α=0.5, α=0.6, α=0.7, α=0.8, dan α=0.9.
Tabel 4.12 Perbandingan error Kayu Jati PX10
Error ES (0,1)
ES (0,2)
ES (0,3)
ES (0,4)
ES (0,5)
ES (0,6)
ES (0,7)
ES (0,8)
ES (0,9)
MAD 9,92 9,17 8,50 8,25 8,50 8,00 8,25 8,58 8,83
MSE 137,75
125,33
117,67
109,08
109,67
104,83
106,92
111,25
120,17
MFE -0,25 1,00 1,50 1,58 2,00 1,50 1,25 1,08 1,00MAP
E 5,73 5,28 4,90 4,79 4,94 4,69 4,84 5,04 5,20
TS Max 1,00 1,31 2,12 2,30 2,82 2,25 1,82 1,51 1,36
TS -5,20 -5,00 -4,55 -3,33 -2,37 -2,09 -1,88 -1,68 -1,53
MinBerdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal di
antara BKA dan BKB, serta nilai dari perbandingan error yang terkecil. Metode yang
dipilih dari data di atas adalah forecasting dari metode exponential smoothing untuk
α=0.6 dengan nilai MAD, MSE, MFE, dan MAPE sebesar 8,30 ; 104,83 ; 1,5 ; dan
4,69.
TS ES (0,4)
TS BKA BKB CL
Gambar 4.24 Tracking Signal dengan ES 0.4
TS ES (0,6)
LCL CL TS UCL
Gambar 4.25 Tracking Signal dengan ES 0.6
Berdasarkan grafik tracking signal di atas, dapat dilihat jika persebaran data
pada nilai tracking signal berada di antara batas kontrol sehingga dapat disimpulkan
hasil forecasting dari metode exponential smoothing untuk α=0.6 memiliki tingkat
keakuratan yang tinggi.
4.3.4 Metode Terpilih
Berikut merupakan hasil perhitungan forecasting dari metode yang dipilih dari
masing-masing metode forecasting yang telah dilakukan.
Tabel 4.13 Hasil forecasting Kayu Jati PX10 metode terpilih
Aktual MA(3)
WMA (3)
ES (0.6)
160 179175 168153 173168 163 162 161170 166 165 166184 164 167 169178 174 177 178187 178 179 178190 183 184 184188 185 187 188193 189 189 188195 191 191 191
Perbandingan Aktual, MA (3), WMA (3), ES (0,6)
demand MA (3) WMA (3) ES (0.6)
Gambar 4.26 Grafik Perbandingan data aktual dengan MA, WMA, dan ES
Dari peramalan pada tabel 4.14 dan grafik 4.15, dapat disimpulkan bahwa metode
exponential smoothing untuk α=0,6 adalah metode yang peramalannya paling
mendekati data aktualnya.
Tabel 4.14 Perbandingan error Kayu Jati PX10Error MA 3 WMA 3 ES (0,6)MAD 6,67 5,78 8MSE 69,78 53,78 104,83MFE 6,67 5,78 1,5
MAPE 3,63 3,16 4,69
TS Max 9 9 2,25TS Min 1 1 -2,09
Berdasarkan data di atas akan dipilih nilai persebaran dari nilai tracking signal
diantara UCL dan LCL, serta nilai dari perbandingan error yang terkecil. Selain itu
juga memperhatikan nilai error yang terkecil, pada pola penjualan Kayu Jati PX10
merupakan produk yang pola data penjualannya cenderung fluktuatif, sehingga
metode ES adalah metode terbaik yang dapat digunakan untuk produk ini. Metode
yang dipilih dari data di atas adalah forecasting dari metode exponential smoothing
untuk α=0.6 dengan nilai MAD, MSE, MAPE, dan MFE sebesar 8.30, 105.44, 4.84,
2.08.
TS ES (0,6)
LCL CL TS UCL
Gambar 4.27 Grafik Tracking Signal pada ES 0,6
Berdasarkan grafik tracking signal diatas, dapat dilihat jika persebaran data pada
nilai tracking signal berada di antara batas kontrol sehingga dapat disimpulkan hasil
forecasting dari metode ES 0,6 memiliki tingkat keakuratan yang tinggi.
Perbandingan Aktual dan Forecast Terpilih
Aktual ES (0,6)
Gambar 4.28 Perbandingan Data Aktual dengan forecasing metode tepilihTabel 4.15 Forecast Horizon 6 Bulan Metode Terpilih
Periode
Forecast
13 19414 19315 19416 19417 19418 194
Berdasarkan gambar 4.18, dapat dilihat bahwa terdapat kemiripan bentuk grafik
dari hasil forecast dengan data aktualnya. Hal ini membuktikan bahwa hasil forecast
kurang lebih sesuai dengan kondisi real pasar, sehingga dapat disimpulkan bahwa
metode ES dengan α=0.6 merupakan metode terbaik untuk forecast produk Meja
Bangku.
4.2 Perencanaan Agregat
Setelah dilakukan perhitungan peramalan penjualan untuk tiap-tiap produk
dengan metode yang paling optimal, selanjutnya akan dilakukan perencanaan agregat.
Perencanaan agregat yang dilakukan akan membandingkan antara tiga metode yaitu
metode chase, level, dan level dengan rata-rata tengah. Dimana selanjutnya akan
dipilih metode yang paling optimal dengan membandingkan total biaya yang
dikeluarkan untuk masing-masing metode. Berdasarkan data-data yang telah
dijabarkan pada bab 3, dapat dihitung :
1. Hari kerja per bulan = 24 hari
2. Jam kerja reguler per bulan = 8 jam (per hari) x 24 = 192 jam per bulan
3. Jam lembur per bulan = 30 jam (per minggu) x 4 = 120 jam per bulan
4. Upah kerja reguler per jam = Rp 12.500,-
5. Upah lembur per jam = Rp 10.000
6. Biaya mesin per jam = Rp 10.000
7. Biaya subkontrak :
Pada CV. Jati Subur : Meja= 37000, Kursi = 37500
Pada CV. Jati Makmur : Meja= 45000, Kursi = 4000
Berikut adalah data peramalan, proporsi tiap produk per periode :
Tabel 4.16 Peramalan Permintaan Produk CV Jati Makmur FurniturePeriode Meja Kursi
13 85 2514 87 2415 88 2516 89 24
17 90 2518 91 25
Data peramalan di atas diperoleh dari hasil forecasting yang kemudian akan
digunakan dalam pengolahan data pada metode chase, level, dan level dengan rata-
rata tengah.
Tabel 4.17 Kecepatan Produksi CV Jati Makmur Furniture
ProdukWaktu Proses Permesinan (jam)
Kecepatan Produksi (jam/unit)
Mesin Potong Mesin Assembly Mesin Spray
(splitur)Meja Bangku 0.5 1 1 2.5
Kursi Bangku 0.75 1.5 1 3.25
Data kecepatan produksi digunakan untuk mengetahui proporsi pada permesinan
dan jumlah produk yang dihasilkan per harinya sehingga dapat diketahui juga jumlah
produk yang dihasilkan tiap bulannya.
Tabel 4.18 Proporsi Kecepatan ProduksiProporsi
Meja Kursi0.435 0.5650.435 0.5650.435 0.5650.435 0.5650.435 0.5650.435 0.565
Perhitungan proporsi untuk meja pada periode yang akan kemudian digunakan
untuk semua periode :
Proporsi Meja= Kecepatan produksimejaTotal kecepatan produksi
= 2,55,75
=0,435
Dengan cara yang sama, perhitungan proporsi untuk meja pada periode yang akan
kemudian digunakan untuk semua periode :
Proporsi Meja= Kecepatan produksikursiTotal kecepatan produksi
=3,255,75
=0,565
4.2.1 Chase Strategy
Berikut adalah tabel perhitungan untuk perencanaan agregat CV Jati Makmur
Furniture dengan metode chase.
Tabel 4.19 Chase Strategy CV Jati Makmur Furniture
Periode Proporsi Jam Kerjayang dibutuhkan
Total Jam
Kerja
Regular Time Over Time Subkontrak
Meja Kursi Meja Kursi13 0.435 0.565 212.5 81.25 293.75 192 101.75 014 0.435 0.565 217.5 78 295.5 192 103.5 015 0.435 0.565 220 81.25 301.25 192 109.25 016 0.435 0.565 222.5 78 300.5 192 108.5 017 0.435 0.565 225 81.25 306.25 192 114.25 018 0.435 0.565 227.5 81.25 308.75 192 116.75 0
Langkah-langkah pengerjaan metode chase strategy:
1. Menentukan jam kerja yang dibutuhkan
Perhitungan meja untuk periode ke-13:
Jamkerja yangdibutuhkan meja=Demand meja13× Kecepatan produksimeja
¿85×0,435=212,5 jam
Perhitungan kursi untuk periode ke-13:
Jamkerja yang dibutuhkan kursi=Demand kursi13× Kecepatan produksi kursi
¿25 ×0,565=81,25 jam
Dengan cara yang sama, didapatkan nilai jam kerja yang dibutuhkan untuk
masing-masing produk di tiap periode.
2. Mencari total jam kerja tiap periode
Setelah didapat jam kerja yang dibutuhkan untuk masing-masing produk,
kemudian jam kerja untuk keempat produk dijumlahkan.
Total jam kerja bulanke−13=212,5+81,25=293,75 jam
3. Menentukan regular time
Penentuan regular time disesuaikan dengan total jam kerja yang dibutuhkan
karena pada strategi, produksi dilakukan sesuai dengan permintaan pelanggan.
Tetapi, untuk bulan ke-13, karena total jam kerja yang dibutuhkan melebihi batas
standar jam kerja, maka regular time-nya sesuai dengan standar kerja maksimal
yaitu 192 jam. Kebutuhan jam kerja yang belum terakomodasi, akan dialokasikan
ke waktu lembur.
4. Menentukan over time
Untuk menentukan lamanya waktu lembur pada periode ke-13, kebutuhan
jam kerja yang belum terakomodasi harus diketahui terlebih dahulu.
Jamkerja yangbelum terakomodasi=293,75−192=101,75 jam
5. Menggunakan subkontrak
Untuk tetap bisa memenuhi permintaan pelanggan secara tepat waktu, maka
digunakanlah subkontrak. Subkontrak peride ke 13 digunakan karena pada CV
Jati Makmur Furniture penggunaan jam lembur masih belum bisa
mengakomodasi permintaan.
Subkontrak ke13=Total jam kerja−waktureguler−waktu lembur
¿293,5−192−101,75=0 jam
Berdasarkan hasil perhitungan pada tabel 4.19, diketahui bahwa hasil
subkontrak sama dengan 0 untuk semua periode yang menunjukkan bahwa
alokasi jam reguler dan overtime sudah memenuhi total jam kerja yang
dibutuhkan sehingga tidak dibutuhkan adanya subkontrak.
6. Menghitung total biaya keseluruhan
Total biaya keseluruhan didapat dari penjumlahan biaya-biaya produksi yang
terlibat. Berikut adalah perhitungan untuk mencari jumlah masing-masing biaya.
1) Biaya mesin
Biaya mesin = (total jam kerja – jam subkontrak) x biaya mesin
= (1806 – 0) x 10.000 = Rp 18.060.000,00
2) Biaya regular time
Biaya reguler = total regular time x upah standar x jumlah operator
= 1152 x 12500 x 6= Rp 86.400.000,00
3) Biaya over time
Biaya over time = waktu lembur x biaya lembur x jumlah operator
= 654 x 10.000 x 6 = Rp 39.240.000,00
4) Biaya subkontrak
Biaya subkontrak per produk didapat dari jumlah unit per produk
dikalikan harga subkontrak per unit produk. Dikarenakan tidak ada
subkontrak yang dilakukan pada produk CV Jati Makmur Furniture maka
biaya subkontrak sama dengan Rp 0,00
Masing-masing biaya tersebut kemudian ditotal untuk mendapatkan total
biaya keseluruhan.
Tabel 4.20 Total Biaya Chase StrategyBiaya Jumlah (Rp)Biaya mesin Rp 18.060.000,00Biaya reguler Rp 86.400.000,00Biaya over time Rp 39.240.000,00Biaya Rp 0,00
subcontract
Total biayaRp
143.700.000,00
Jadi, dapat diambil kesimpulan bahwa total biaya dengan chase strategy
sebesar Rp 143.700.000,00
4.2.2 Level Strategy
Berikut adalah tabel perhitungan untuk perencanaan agregat CV Jati Makmur
Furniture dengan metode level.
Tabel 4.21 Level Strategy CV Jati Makmur Furniture
Periode
Proporsi Jam Kerja yang dibutuhkan
Total Jam
Kerja Level Regular time Overtime Inventor
yMeja Kursi Meja Kursi Meja
13 0.4348 0.5652 212.5 81.25 293.75 308.75 192 116.75 1514 0.4348 0.5652 217.5 78 295.5 308.75 192 116.75 13.2515 0.4348 0.5652 220 81.25 301.25 308.75 192 116.75 7.516 0.4348 0.5652 222.5 78 300.5 308.75 192 116.75 8.2517 0.4348 0.5652 225 81.25 306.25 308.75 192 116.75 2.518 0.4348 0.5652 227.5 81.25 308.75 308.75 192 116.75 0
Langkah-langkah pengerjaan metode level strategy:
1. Menentukan jam kerja yang dibutuhkan
Penentuan jam kerja yang dibutuhkan pada level strategy memiliki perhitungan
yang sama dengan chase strategy.
Perhitungan meja untuk periode ke-13:
Jamkerja yang dibutuhkan meja=Demand meja13× Kecepatan produksimeja
¿85 ×0,435=212,5 jam
Perhitungan kursi untuk periode ke-13:
Jamkerja yang dibutuhkan kursi=Demand kursi13× Kecepatan produksi kursi
¿25 ×0,565=81,25 jam
Dengan cara yang sama, didapatkan nilai jam kerja yang dibutuhkan untuk
masing-masing produk di tiap periode.
2. Mencari total jam kerja tiap periode
Setelah didapat jam kerja yang dibutuhkan untuk masing-masing produk,
kemudian jam kerja untuk keempat produk dijumlahkan.
Total jam kerja bulanke−13=212,5+81,25=293,75 jam
3. Menentukan level produksi
Level = Nilai Maximal dari total jam kerja = 308,75 jam
4. Menghitung Inventory
Karena level produksi memiliki nilai yang lebih besar daripada
permintaannya, maka akan muncul inventory. Inventory ini nantinya akan
digunakan apabila ada kekurangan produksi pada periode selanjutnya. Berikut
adalah perhitungan untuk inventory.
Inventory periode-13 = Level – Total jam kerja periode = 308,75 – 293,75 =
15 jam
Dengan cara yang sama, inventory periode 14 sampai dengan 18 dapat diketahui.
Tabel 4.22 Perhitungan Inventory untuk Level Strategy
Periode Inventory (jam)
Jam Inventory Unit
Meja Kursi Meja Kursi13 15 6.522 8.478 3 214 13.25 5.761 7.489 5 215 7.5 3.261 4.239 4 116 8.25 3.587 4.663 3 117 2.5 1.087 1.413 2 018 0 0.000 0.000 2 0
Pada CV Jati Makmur Furniture, biaya inventory dikenakan per unitnya,
sehingga inventory yang berupa jam kerja perlu dikonversikan ke dalam bentuk
produk atau unit terlebih dahulu.
Inventoryperiodeke-13
¿inventory13× proporsi mejakecepatan produksimeja
=15 × 0,435 jam2,5 jam /unit
= 6,522 jam2,5 jam/unit
=3 unit
Dengan cara yang sama, didapatkan jumlah unit tiap produknya pada setiap
periode. Kemudian, masing-masing produk pada setiap periode dijumlahkan.
Inventory periode ke-13 = 3+2 = 5 unit
5. Menghitung total biaya keseluruhan
Total biaya keseluruhan didapat dari penjumlahan biaya-biaya produksi yang
terlibat. Berikut adalah perhitungan untuk mencari jumlah masing-masing biaya.
1) Biaya mesin
Biaya mesin = total jam kerja x biaya mesin
= 1852,5 x 10.000 = Rp 18.525.000,00
2) Biaya regular time
Biaya reguler = total regular time x upah standar x jumlah operator
= 1152 x 12500 x 6= Rp 86.400.000,00
3) Biaya over time
Biaya over time = waktu lembur x biaya lembur x jumlah operator
= 700,5 x 10.000 x 6 = Rp 42.030.000,00
4) Biaya inventory
Biaya inventory didapat dari total produk dikalikan dengan biaya
inventory per bulannya. Biaya inventory diketahui Rp 15.000/unit per
tahun, sehingga biaya inventory per bulannya adalah Rp 1.250/unit.
Perhitungan biaya inventory dapat dilihat pada tabel 4.23.
Tabel 4.23 Perhitungan Biaya Inventory untuk Level Strategy
Periode Total Inventory
Biaya Inventory /
Bulan
Biaya Inventory
13 5 1250 625014 7 1250 875015 5 1250 625016 4 1250 500017 2 1250 250018 2 1250 2500
Total Biaya Inventory 31250
Total biaya inventory yang dikeluarkan CV Jati Makmur sebesar Rp 31.250,00. Masing-masing biaya tersebut kemudian ditotal untuk mendapatkan total biaya keseluruhan. Perhitungan dapat dilihat pada tabel 4.33.
Tabel 4.24 Total Biaya Level StrategyBiaya Jumlah (Rp)
Biaya mesin Rp 18.525.000,00Biaya reguler Rp 86.400.000,00
Biaya over time Rp 42.030.000,00Biaya
inventory Rp 31.250,00Total biaya Rp 146.986.250.000,00
Jadi, dapat diambil kesimpulan bahwa total biaya dengan level strategy
sebesar Rp 146.986.250.000,00
4.2.1
4.2.2
4.2.3
Tabel 4.25 Compromised Strategy untuk CV Jati Makmur
Periode
Proporsi Jam Kerja yang
Dibutuhkan
Total Jam
Kerja
Level
Regular Time
Overtime
Inventory
Cumulatif Inventor
yMeja Kursi
Meja
Kursi
13 0,4348
0,565
212,5
81,25 293,75 301 192 109 7,25 7,25
14 0,4348
0,565
217,5 78 295,5 301 192 109 5,50 12,75
15 0,4348
0,565 220 81,2
5 301,25 301 192 109 -0,25 12,50
16 0,4348
0,565
222,5 78 300,5 301 192 109 0,50 13,00
17 0,4348
0,565 225 81,2
5 306,25 301 192 109 -5,250 7,75
18 0,4348
0,565
227,5
81,25 308,75 301 192 109 -7,75 0
1806 1806 1152 654
Langkah-langkah pengerjaan metode compromised strategy:
1. Menentukan jam kerja masing-masing produk
Penentuan jam kerja untuk masing-masing produk adalah dengan mengalikan
demand produk dengan kecepatan produksi produk tersebut. Berikut merupakan
perhitungan jam kerja meja bangku periode ke-13:
Jamkerja meja bangku=Demand meja × kecepatan produksimeja=85×2,5=293,75 jam
Dengan cara yang sama, didapatkan nilai jam kerja masing-masing produk yang
dibutuhkan di tiap periode.
2. Menentukan total jam kerja yang dibutuhkan
Penentuan jam kerja yang dibutuhkan pada compromised strategy memiliki
perhitungan yang sama dengan chase dan level strategy. Perhitungan untuk periode
ke-13:
Total Jam Kerja= jam kerja yang dibutuhkanmeja+ jam kerja yangdibutuhkan kursi=212,5+81,25=293,75 jam
Dengan cara yang sama, didapatkan nilai total jam kerja yang dibutuhkan di tiap
periode.
3. Menentukan level
Penentuan level didapatkan dari rata-rata jumlah total jam kerja dari tiap periode
selama 6 bulan. Perhitungan level adalah sebagai berikut:
Level =293,75+295,5+301,25+300,5+306,25+308,756
=308,75
4. Menentukan regular time
Penentuan regular time didapatkan dari total jam kerja selama 1 periode dengan
perhitungan sebagai berikut:
Regular Time = 8 jam × 6 hari/minggu × 4 minggu/bulan = 192 jam
5. Menghitung inventory
Penentuan jam inventory didapatkan dari pengurangan waktu level dengan total
jam kerja tiap periode. Berikut merupakan contoh perhitungan jam inventory periode
ke-13:
Inventory = level – total jam kerja = 301-293,75 = 7,25
Dari jam inventory masing-masing periode dapat diketahui jam inventory masing-
masing produk yang didapatkan dari perhitungan kumulatif inventory masing-masing
periode dikali dengan proporsi produk. Berikut merupakan contoh perhitungan jam
inventory untuk produk meja pada periode ke-13:
Jam Inventory Meja = 7,25×0,4348 = 3,152174
Dengan diketahui jam inventory masing-masing produk di masing-masing
periode maka dapat dihitung unit inventory masing-masing produk, total inventory,
dan biaya inventory yang dikeluarkan tiap periode. Untuk rincian unit inventory
masing-masing produk, total inventory, dan biaya inventory yang dikeluarkan tiap
periode dapat dilihat pada Tabel 4.26
Tabel 4.26 Perhitungan Biaya Inventory CV Jati MakmurJam Inventory Unit Inventory
Total Inventory
Biaya Inventory /
BulanBiaya
InventoryMeja Kursi Meja Kursi
3.152 4.098 2 1 3 1250 37505.543 7.207 3 2 5 1250 62505.652 7.348 3 2 5 1250 62505.435 7.065 3 2 5 1250 62507.717 10.033 4 3 7 1250 875011.087 14.413 5 4 9 1250 11250
Total biaya inventory 425006. Menghitung total biaya keseluruhan
Total biaya keseluruhan didapat dari penjumlahan biaya-biaya produksi yang
terlibat. Berikut adalah perhitungan untuk mencari jumlah masing-masing biaya.
1) Biaya mesin
Biaya mesin = total waktu level x biaya mesin
= 1806 x 10.000 = Rp 18.060.000
2) Biaya Tenaga Kerja
Biaya tenaga kerja regular = Regular time x 6 orang x 6 bulan x upah
reguler
= 192 x 6 x 6 x 12500 = Rp 86.400.000
Biaya tenaga kerja overtime = Overtime x 6 orang x 6 bulan x upah over
= 109 x 6 x 6 x 10000 = Rp 39.240.000
3) Biaya Inventory
Biaya Inventory = 3750+6250+6250+6250+8750+11250
= Rp 42.500
Total biaya yang dikeluarkan dengan metode Compromised strategy adalah sebagai
berikut:
Total biaya = Rp 18.060.000 + Rp 86.400.000 + Rp 39.240.000 + Rp 42.500
= Rp 143.742.500,00
4.2.4 Metode Terpilih
Berikut adalah total biaya dari masing-masing metode.
Tabel 4.27 Total Biaya Masing-Masing MetodeMetode Total BiayaChase
strategyRp.
143.700.000.000
Lavel strategy Rp. 146.986.250,000
Mix strategy Rp. 143.742.500,000
Berdasarkan tabel 4.27, dapat dilihat bahwa biaya minimal didapatkan dari
perhitungan dengan metode chase strategy, sehingga dapat disimpulkan bahwa
metode terbaik untuk perencanaan agregat CV Jati Makmur Furniture adalah dengan
metode chase strategy.