perencanaan produksi
DESCRIPTION
PERENCANAAN PRODUKSI. PERENCANAAN PRODUKSI. Lingkup : - Penentuan jenis dan volume produksi - Pengaturan tenaga kerja - Pengaturan mesin dan peralatan - Pengaturan material PENENTUAN JENIS DAN VOLUME PRODUKSI Peramalan : Proses untuk memperkirakan jumlah permintaan - PowerPoint PPT PresentationTRANSCRIPT
PERENCANAAN PERENCANAAN PRODUKSIPRODUKSI
PERENCANAAN PRODUKSI
Lingkup : - Penentuan jenis dan volume produksi - Pengaturan tenaga kerja - Pengaturan mesin dan peralatan - Pengaturan material
PENENTUAN JENIS DAN VOLUME PRODUKSI
Peramalan : Proses untuk memperkirakan jumlah permintaan (demand) produk yang diminta oleh konsumen dimasa yang akan datang.
merupakan langkah awal dari proses perencanaan dan pengendalian produksi secara keseluruhan.
MODEL KWALITATIFMODEL KWALITATIFIndividual Opinion : Opini peramalan berasal dari pribadi
(Individu) → pakar/expert dalam bidangnya yaitu : - Konsultan : Ilmiah / non Ilmiah - Manajer pemasaran / produksi - Individu yang banyak bergerak pada masalah tersebut.
Kebaikan : cepatKelemahan : Subyektif
Group Opinion : Opini peramalan diperoleh dari beberapa orang dengan mencoba merata-ratakan hasil peramalan yang lebih obyektif (rasional)
Kebaikan : lebih obyektif (unsur subyektifitas dapat dihilangkan) mis : dengan merata-ratakan hasil.
Contoh : Delphy method → peramalan dibentuk melalui beberapa tahapan untuk mencari
hasil yang lebih obyektif.Pada metode ini kepada expertnya diberikan informasi tambahan sehingga keputusan hasil ramalan dapatberubah karena informasi tersebut.
Secara umum metode kwalitatif lebih mudah dibuat tetapi mempunyai unsur subyektifitas yang tinggi.
MODEL KWANTITATIF : unsur obyektifitas lebih tinggi karena menggunakan pendekatan teknis (Mathematical Approach)
Time Series : Meramalkan titik-titik permintaan (mencari – sesuatu fungsi yang representatif) terhadap
data ataupun fakta yang ada → demand hanya dipengaruhi oleh waktu → dt = f(t).
Kausal : Meramalkan permintaan dengan tidak hanya memperhatikan waktu. Sebenarnya demand juga dipengaruhi oleh faktor-faktor lain, seperti :
- harga produk- saluran distribusi- promosi- pendapatan- jumlah penduduk, dll
dt = f (faktor penyebab demand)Pada metode ini diperlukan : - identifikasi variabel yang relevan
- mecari fungsi yang cocokKebaikan : - mempunyai ketepatan hasil yang tinggi
- dapat digunakan untuk peramalan jangka panjang Kelemahan : - tidak praktis, membutuhkan banyak jenis data
- waktu lama - mahal
Peramalan : upaya memperkecil resiko yang mungkin timbul akibat pengambilan keputusan dalam suatu perencanaan produksi Namun, upaya memperkecil resiko dibatasi oleh biaya
Biaya totalBiaya peramalan
Biaya Biaya
resiko
Upaya Upaya
peramalanperamalan
Metode peramalan
Model kwalitatif
Model kwantitatif
Timeseries
kausal
smoothing
regresi
ekonomimetri
Regresi multivariate
Movingaverage
Exponentialsmoothing
Faktor-faktor yang harus dipertimbangkan dalam pemilihan metode peramalan :
- tujuan peramalan- jangkauan peramalan- tingkat ketelitian- ketersediaan data- bentuk pola data- biaya
Hal-hal yang harus dilakukan :- definisikan tujuan peramalan- buat diagram pencar- pilih beberapa metode peramalan- hitung ramalan dan kesalahannya- pilih metode dengan kesalahan terkecil
JENIS POLA DATA :- Konstan
- Trend (linier)
- Musiman (seasional)
- Cyclic (siklis) Fungsi peramalan :
- Konstan : dt = a- Trend (linier) : dt = a + bt- Kwadratis : dt = a + bt + ct2
- Eksponential : dt = a.ebt
- Cyclic (siklis) : dt = a + b sin cos
Kriteria Performansi peramalan :1. Mean square error (MSE)
Xt = data aktual pada periode t
Ft = data ramalan pada periode t n = banyaknya periode
2. Presentase kesalahan ( PEt )
3. Mean Absolute Percentage error (MAPE)
n
t
tt
n
FXMSE
1
2
%100.
t
ttt X
FXPe
n
t
t
n
PEMAPE
1
4. Standar Error Of Estimate (SEE)
f = derajat bebas1 = untuk data konstan2 = untuk data linier3 = untuk data kwadratisContoh :Dari12 bulan terkahir ini dicatat penjualan produk “x” sbb :
Bagaimana ramalan permintaan produk “x” untuk 12 bulanmendatang ?
BulanBulan JJ FF MM AA MM JJ JJ AA SS OO NN DD
PenjualaPenjualann
3300
2200
4455
3355
3300
6600
4400
5500
4455
6655
5500
3355
n
t
t
fn
FXSEE
1
2
METODE REGRESI LINIER SEDERHANA
dt = f(t)
Konstan :
→ a = 30 + 20 + …. + 50 + 35 = 42
dt ’ = 42
n
dta
andt
adt
n
t
n
t
n
t
n
t
1
1
1 1
.
dt = y(t)dt = y(t) Ramalan Ramalan (dt(dt’’))
e = dt – dte = dt – dt’’ ee22 = (dt- = (dt-dtdt’’))22
1.1. 30302.2. 20203.3. 45454.4. 35355.5. 30306.6. 60607.7. 40408.8. 50509.9. 454510.10. 656511.11. 505012.12. 3535
424242424242424242424242424242424242424242424242
-1212-222233-77
- 12121818-228833
232388
- 7- 7
144144484484
994949
144144324324
44646499
52952964644949
JumlahJumlah 18731873
MENCARI SEE :
n
t fn
dtdt
1
2)'(SEE
05,1327,170
112
1873
REGRESI LINIER ~ TRENDREGRESI LINIER ~ TRENDdt’ = a + btdt’ = a + bt
→→
2
11
2
1 1 1
.
..
n
t
n
t
n
t
n
t
n
t
ttN
ttytytNb
2
1 1
2
1 1 1
.
..
n
t
n
t
n
t
n
t
n
t
ttN
tdtdttNb
N
t
bN
dta
n
t
n
t
11
btdtaN
t
bN
dta
n
t
n
t
11
TT dt = y(t)dt = y(t) t.dtt.dt tt2 2 dtdt’’
dt-dtdt-dt’’ (dt-dt’)(dt-dt’)22
1.1.2.2.3.3.4.4.5.5.6.6.7.7.8.8.9.9.
10.10.11.11.12.12.
303020204545353530306060404050504545656550503535
30304040
135135140140150150360360280280400400405405650650550550420420
114499
161625253636494964648181
100100121121144144
313133333535373739394141434345454747494951515353
-1-1-13-131010-2-2-9-91919-3-355-2-21616-1-1
-18-18
11169169100100
448181
36136199
252544
25625611
324324
∑ ∑ = 78= 78
= 6,5= 6,5
505505
= 42= 4235603560 650650 ∑ ∑ = 1335= 1335
b = 12.(3560) – 505.78 12(650) – 782= 3330 = 1,94 1716
= 42 – 1,94 (6,5)= 42 – 12,61= 29,39
→ dt’ = 29,39 + 1,94t ~ dt’ = 29 + 2t
55,11
5,133212
1335
1
SEE
SEE
fn
dtdtSEE
n
t
i
Untuk regresi konstan : dtUntuk regresi konstan : dt’’ = 42 = 42
SEE = 13SEE = 13 Untuk regresi linierUntuk regresi linier : dt: dt’’ = 29 + 2t = 29 + 2t
SEE = 11SEE = 11
METODE SMOOTHINGMETODE SMOOTHING
Pada metode smoothing, data digunakan periode per periode Pada metode smoothing, data digunakan periode per periode terdiri dari 2 kelompok, yaitu :terdiri dari 2 kelompok, yaitu :
metode rata-rata dan metode exponential smoothing metode rata-rata dan metode exponential smoothing
a)a) Single Moving AverageSingle Moving Average
atau rata-rata bergerakatau rata-rata bergerak
Moving average pada suatu periode merupakan peramalanMoving average pada suatu periode merupakan peramalan
untuk satu periode ke depan dari periode rata-rata tersebut.untuk satu periode ke depan dari periode rata-rata tersebut.
ContohContoh : Data Penjualan suatu produk 12 bulan terakhir : : Data Penjualan suatu produk 12 bulan terakhir :
ttData penjualan Data penjualan
(Unit)(Unit) MA (3)MA (3) RamalanRamalan KesalahanKesalahan
112233445566778899
1010111112121313
101018182929151530301212161688
2222141415152727??
191920,720,724,724,719,019,019,319,312,012,015,315,314,714,717,017,018,718,7
191920,720,724,724,71919
19,319,31212
15,315,314,714,71717
18,718,7
b. Linier Moving Averageb. Linier Moving Average
Jika pola data menunjukan “Pola Trend” maka single movingJika pola data menunjukan “Pola Trend” maka single moving
average tidak tepat. Yang lebih tepat adalah linier moving average tidak tepat. Yang lebih tepat adalah linier moving average.average.
Dasarnya : Penggunaan moving average kedua untuk Dasarnya : Penggunaan moving average kedua untuk memperolehmemperoleh
penyesuaian pola trendpenyesuaian pola trend
1.1. Hitung single moving average dari data dengan periodeHitung single moving average dari data dengan periode
perata-rataan tertentu; hasilnya notasikan St’perata-rataan tertentu; hasilnya notasikan St’
2.2. Hitung moving average kedua, yaitu moving average dari Hitung moving average kedua, yaitu moving average dari
St’ dengan periode perata-rataan yang sama, hasilnya St’ dengan periode perata-rataan yang sama, hasilnya
notasikan dengan St’’notasikan dengan St’’
3.3. Hitung komponen at dengan rumus :Hitung komponen at dengan rumus :
at = St’ + (St’ - St’’)at = St’ + (St’ - St’’)
4.4. Hitung komponen trend bt dengan rumus :Hitung komponen trend bt dengan rumus :
bt = bt = 22 (st’ – st‘’) (st’ – st‘’) N-1N-1
5.5. Peramalan m periode ke depan setelah t adalah sbb :Peramalan m periode ke depan setelah t adalah sbb :
Ft+m = at + bt.m,Ft+m = at + bt.m, Contoh :Contoh :
tt PenjualaPenjualan (unit)n (unit)
MA (4)MA (4)(st(st’’))
MA (4)MA (4)(st(st’’’’)) atat btbt at+bt.m at+bt.m
(m=1)(m=1)112233445566778899
10101111121213131414
140140159159136136157157173173131131177177188188154154179179180180160160
????
148148156,25156,25149,25149,25159,50159,50167,25167,25162,50162,50174,50174,50175,25175,25178,50178,50
153,25153,25158,06158,06159,62159,62165,93165,93169,87169,87170,12170,12
165,75165,75176,43176,43165,37165,37183,06183,06180,62180,62166,37166,37
4,174,176,136,131,921,925,715,713,583,58-1,25-1,25
169,91169,91182,56182,56167,29167,29188,77188,77184,20184,20165,12165,12163,85163,85
Single Exponential SmoothingSingle Exponential Smoothing
Dipakai untuk peramalan jangka pendek.Dipakai untuk peramalan jangka pendek.
Dasar pemikiran :Dasar pemikiran :
Nilai ramalan pada periode t + 1 merupakan nilai aktual Nilai ramalan pada periode t + 1 merupakan nilai aktual padapada
periode t ditambah dengan penyesuaian yang berasal dariperiode t ditambah dengan penyesuaian yang berasal dari
kesalahan nilai ramalan yang terjadi pada periode tersebut.kesalahan nilai ramalan yang terjadi pada periode tersebut.
Ft + 1 = Ft + α (Xt – Ft)Ft + 1 = Ft + α (Xt – Ft)
Permasalahan : Permasalahan : Inisialisasi !!!Inisialisasi !!!- Nilai awal F1?Nilai awal F1?- Harga α (parameter / koefisien smoothing)Harga α (parameter / koefisien smoothing)
F1 F1 → Nilai X1 atau→ Nilai X1 atau
Nilai rata-rata 4 s/d 5 (Xt) pertamaNilai rata-rata 4 s/d 5 (Xt) pertama
αα → 0 < → 0 < αα < 1 < 1
Modifikasi :Modifikasi :
ddt+1’t+1’ = = αα dt + (1- dt + (1- αα ) dt’ ) dt’
tt 11 22 33 44 55 66 77 88 99 1010 1111 1212
dtdt 3030 2020 4545 3535 3030 6060 4400
5050 4545 6565 5050 3535
Jika αα = 0,1
d1’ = d1 = 30, maka
d2’ = 0,1 (30) + 0,9(30) = 30
d3’ = 0,1(d2) + 0,9 (d2’)
0,1(20) + 0,9 (30) = 29
d4’ = 0,1(45) + 0,9 (29) = 30,6
dst
PROSEDUR PERAMALANPROSEDUR PERAMALAN
1.1. Definisikan tujuan peramalan yang akan dilakukanDefinisikan tujuan peramalan yang akan dilakukan
2.2. Buat diagram pencar dari dataBuat diagram pencar dari data
3.3. Pilih paling tidak 2 metode yang dapat Pilih paling tidak 2 metode yang dapat mengakomodasikan tujuan tersebut dan mendekati mengakomodasikan tujuan tersebut dan mendekati pola data yang tergambar dari langkah 2pola data yang tergambar dari langkah 2
4.4. Hitung kesalahan peramalan yang terjadiHitung kesalahan peramalan yang terjadi
5.5. Pilih metode peramalan yang terbaik, yaitu :Pilih metode peramalan yang terbaik, yaitu :
- yang memberikan kesalahan terkecil atau- yang memberikan kesalahan terkecil atau
- kalau ingin menguji lebih halus lagi gunakan tes - kalau ingin menguji lebih halus lagi gunakan tes variansivariansi
ContohContoh
Dari 12 bulan terakhir, tercatat penjualan produk “x” Dari 12 bulan terakhir, tercatat penjualan produk “x” sebagaisebagai
berikut :berikut :
BulanBulan JJ FF MM AA MM JJ JJ AA SS OO NN DD
PenjualanPenjualan 3030 2020 4545 3535 3300
6600
4400
5500
4455
6655
5500
3355
Bagaimana ramalan permintaan produk “x” untuk 12 Bagaimana ramalan permintaan produk “x” untuk 12 bulan bulan
mendatang?mendatang? Penggambaran diagram pencarPenggambaran diagram pencar
Berdasarkan gambar diagram pencar tersebut akan Berdasarkan gambar diagram pencar tersebut akan dicoba 2 bentuk pola data, yaitu konstan dan trend. dicoba 2 bentuk pola data, yaitu konstan dan trend. Untuk konstan diambil metode moving average 4 Untuk konstan diambil metode moving average 4 periode dan untuk trend digunakan metode linear periode dan untuk trend digunakan metode linear moving average 4 periode.moving average 4 periode.
0
10
20
30
40
50
60
70
0 1 2 3 4 5 6 7 8 9 10 11 12
DataData MA(4)MA(4) Ramalan Ramalan ee ee22
303020204545353530306060404050504545656550503535
32,5032,5032,5032,5042,5042,5041,2541,2545,0045,0048,7548,7550,0050,0052,5052,5048,7548,75
32,5032,5032,5032,5042,5042,5041,2541,2545,0045,0048,7548,7550,0050,0052,5052,5048,7548,75
-2,50-2,5027,5027,50-2,50-2,508,758,75
0016,2516,25
0017,5017,50
6,256,25756,25756,25
6,256,2576,5676,56
00264,06264,06
00306,25306,25
1415,621415,62
Moving Average 4 Periode :
DatDataa
MA(4MA(4))
St’St’
M4(4x4M4(4x4))
St”St”atat btbt FFt + mt + m ee ee22
303020204545353530306060404050504545656550503535
32,5032,5032,5032,5042,5042,5041,2541,2545,0045,0048,7548,7550,0050,0052,5052,5048,7548,75
37,1437,1430,3130,3134,3834,3846,2546,2549,0649,0652,5052,50
45,3645,3656,6956,6963,1263,1253,7553,7555,9455,9445,0045,00
0,750,752,672,672,612,610,680,680,630,630,680,68
46,1146,1159,3659,3665,7365,7354,4354,4356,5756,5744,3244,32
3,893,89-14,36-14,36-0,73-0,73-4,43-4,4321,5721,57
15,1315,13206,21206,21
0,530,5319,6219,62
456,26456,26
706,75706,75
Linear Moving Average 4 Periode :
SEE data berpola trend “lebih kecil”, sehingga ramalan SEE data berpola trend “lebih kecil”, sehingga ramalan permintaan untuk 12 bulan mendatang sebagai berikut permintaan untuk 12 bulan mendatang sebagai berikut ::
Ft + m = 45,00 – 0,68mFt + m = 45,00 – 0,68m
Bulan 13 Bulan 13 Ft = 44,32 Ft = 44,32
Bulan 14 Bulan 14 Ft = 43,64 Ft = 43,64
Bulan 15 Bulan 15 Ft = 42,96 Ft = 42,96
Bulan 16 Bulan 16 Ft = 42,28 Ft = 42,28
Bulan 17 Bulan 17 Ft = 41,60 Ft = 41,60
Bulan 18 Bulan 18 Ft = 40,92 Ft = 40,92
Bulan 19 Bulan 19 Ft = 40,24 Ft = 40,24
Bulan 20 Bulan 20 Ft = 39,56 Ft = 39,56
Bulan 21 Bulan 21 Ft = 38,88 Ft = 38,88
Bulan 22 Bulan 22 Ft = 38,20 Ft = 38,20
Bulan 23 Bulan 23 Ft = 37,52 Ft = 37,52
Bulan 24 Bulan 24 Ft = 36,84 Ft = 36,84
Untuk menguji apakah fungsi cukup representatif pola datanya, Untuk menguji apakah fungsi cukup representatif pola datanya,
digunakan proses verifikasi digunakan proses verifikasi digunakan digunakan Moving Range ChartMoving Range Chart
(Peta sebaran bergerak)(Peta sebaran bergerak)
CL = Central Line = 0CL = Central Line = 0
= = eett - - eet - 1t - 1
Dari data yang lalu : dt’ = 29 + 2t. Dari data yang lalu : dt’ = 29 + 2t. Regresi Linier Regresi Linier
1-N
MRtMR 2
n
t
MR 2,66 UCLBA
MR 2,66- LCL BB
)'()'(MRt 11 tttt dddd
Dari data yang lalu : dt’ = 29 + 2t. (Regresi Linier)Dari data yang lalu : dt’ = 29 + 2t. (Regresi Linier)
tt dtdt dt’dt’ dt – dt’ dt – dt’ MRtMRt
112233445566778899101011111212
303020204545353530306060404050504545656550503535
313133333535373739394141434345454747494951515353
-1-1-13-131010-2-2-9-91919-3-355-2-21616-1-1-18-18
12122323121277282822228877181817171717171171
BA A B C
t
BB A B C
41,32
27,48
13,74
0
-13,74
-27,48
-41,23
KONDISI – KONDISI OUT OF CONTROLKONDISI – KONDISI OUT OF CONTROL- Bila ada titik sebaran (dt-dt’) diluar batas kontrol Bila ada titik sebaran (dt-dt’) diluar batas kontrol
(>BA ; <BB)(>BA ; <BB)
Jika semua titik sebaran berada pada batas kontrol, Jika semua titik sebaran berada pada batas kontrol, apakah dijamin bahwa fungsi tersebut representatif ? apakah dijamin bahwa fungsi tersebut representatif ? Belum tentu !! Belum tentu !!
Cek, ikuti aturan berikutCek, ikuti aturan berikut : :- Aturan 3 titikAturan 3 titik : bila ada tiga buah titik secara berurutan : bila ada tiga buah titik secara berurutan
yang ada pada salah satu sisi, daerah Ayang ada pada salah satu sisi, daerah A- Aturan 5 titikAturan 5 titik : bila terdapat lima buah titik secara : bila terdapat lima buah titik secara
berurutan berada pada salah satu sisi, daerah Bberurutan berada pada salah satu sisi, daerah B- Aturan 8 titikAturan 8 titik : bila terdapat 8 buah titik secara : bila terdapat 8 buah titik secara
berurutan berada pada salah satu sisi, daerah Cberurutan berada pada salah satu sisi, daerah C
MRC
OUT OF CONTROL
Gunakan Fungsiyang
Diperoleh untuk meramal
Gejala tsb bukanBersifat randomSehingga dataMenyimpang
(≠ tidak mengikutihk. Statistika)
FungsiPenyebabnya
diketahui
Ganti denganFungsi baru
Ulangikembali
Mengitung kembali Fungsi tsb dengan
Menghilangkan titik-titik out of control
sehingga diperolehFungsi baru
(jumlah data berkurang)
tidak
ya
ya
tidak
Mis: pada titik tsb ada pesanan khusus