8. Capacity Requirement Planning
Rencana kebutuhan kapasitas yang dibutuhkan untuk merelealisasikan MPS di tiap periode dan tiap mesin. CRP lebih teliti dan lebih rinci dibanding RCCP,
karena disarkan pada planned order. Jika kapasitas tidak tersedia bisa ditambah dengan over time, merubah routing dan lain-lain. Jika tidak tercapai
MPS harus dirubah. 9.
Production Activity Control PAC Sering disebut distributor shop floor control SFC, aktivitas membuat produk
setelah bahan dibeli. PAC terdiri dari aktivitas awal-akhir suatu job berdasarkan urutan kedatangan job, lalu membebankan job ke work station,
dan melakukan pelaporan. Hasil laporan akan merupakan feedback bagi MPS. 10.
Purchasing Merupakan aktivitas memilih vendor, membuat order pembelian, dan
menjadwalkan vendor. 11.
Performance Measurement Evaluasi sistem untuk melihat seberapa jauh hasil yang diperoleh
dibandingkan dengan rencana yang telah ditetapkan. Sebagai bahan evaluasi pencapaian bisnis planning.
3.1.3. Karakteristik Peramalan yang Baik
Peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain akurasi, biaya, dan kemudahan. Penjelasan dari kriteria-kriteria tersebut
adalah sebagai berikut: 1.
Akurasi Akurasi dari suatu peramalan diukur dengan hasil kebiasaan dan konsistensi
peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau telalu rendah dibanding dengan kenyataan yang sebenarnya
terjadi. Hasil peramalan dikatakan konsisten jika besarnya kesalahan peramalan relatif kecil. Peramalan yang terlalu rendah akan mengakibatkan
kekurangan persediaan sehingga permintaan konsumen tidak dapat dipenuhi segera, akibatnya perusahaan kemungkinan kehilangan pelanggan dan
keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan barang persediaan, sehingga banyak modal tersia-
siakan. Keakuratan hasil peramalan berperan dalam menyeimbangkan persediaan ideal.
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan
yang digunakan. Ketiga faktor pemicu biaya tersebut akan mempengaruhi betapa banyak data yang diblutuhkan, bagaimana pengolahannya manual atau
komputerisasi, bagaimana penyimpanan datanya dan siapa data ahli yang diperbantukan. Pemilihan metode peramalan harus sesuai dengan dana yang
tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang
penting akan diramalkan dengan metode yang sederhana dan murah. Prinsip ini merupakan adopsi dari hukum Pareto Analisa ABC.
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah percuma
memakai metode yang canggih tetapi tidak dapat diaplikasikan pada sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun
peralatan teknologi.
3.1.4. Peramalan Kuantitatif
Metode peramalan ini didasarkan pada data kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang dipergunakan dalam
peramalan tersebut. Metode yang baik yaitu yang memberi nilai-nilai perbedaan atau penyimpangan yang mungkin. Peramalan kuantitatif hanya dapat digunakan
apabila terdapat tiga kondisi berikut: 1. Adanya informasi tentang keadaan yang lain.
2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan
datang. Ada dua kelompok besar metode kuantitatif, yaitu:
a. Metode Time Series
Metode time series dalah metode yang dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan
beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasarnya dapat diidentifikasi semata-mata atas dasar data historis dari serial itu.
Dengan metode deret waktu dapat ditunjukkan bagaimana permintaan terhadap suatu produk tertentu bervariasi terhadap waktu. Sifat dari perubahan permintaan
dari tahun ke tahun dirumuskan untuk meramalkan penjualan pada masa yang akan datang.
Ada empat komponen utama yang mempengaruhi analisis ini, yaitu : 1.
Pola siklis, jika penjualan produk memilki siklus yang berulang secara periodik
2. Pola musiman, jika pola penjualan berulang setiap periode
3. Pola horizontal, jika nilai data berfluktuasi di sekitar nilai rata-rata.
4. Pola trend, jika data memiliki kecenderungan untuk naik atau turun terus
menerus Dalam meramalkan biaya-biaya yang termasuk di dalam biaya operasi
dipergunakan pola trend karena biaya tersebut cenderung naik jika mesinperalatan semakin tua atau semakin lama jangka waktu pemakaiannya. Ada
beberapa trend yang digunakan di dalam penyelesaian masalah ini yaitu : 1.
Trend linier Bentuk persamaan umum :
Y = a + bt sedangkan peramalannya mempunyai bentuk persamaan
Yt = a + bt
∑ ∑ ∑ ∑ ∑
− −
−
2 2
t t
n Y
t tY
n b
t t
n t
b Y
a
t
∑ ∑
− =
2. Trend Eksponensial atau Pertumbuhan
Bentuk persamaan umum : Y = ae
bt
sedangkan peramalannya mempunyai bentuk persamaan : Yt = ae
bt
∑ ∑ ∑
∑ ∑
− −
=
2 2
ln ln
t t
n Y
t Y
t n
b
t t
n t
b Y
a
t
∑ ∑
− =
ln ln
3. Trend Logaritma
Y = a + b log t sedangkan bentuk peramalannya :
Yt = a + b log t
∑ ∑
∑ ∑ ∑
− −
=
2 2
log log
log log
t t
n Y
t tY
n b
t t
n t
b Y
a
t
∑ ∑
− =
log 4.
Trend Geometrik Bentuk persamaannya :
Y = at
b
sedangkan bentuk peramalannya : Yt = at
b
∑ ∑
∑ ∑ ∑
− −
=
2 2
log log
log log
log .
log t
t n
Y t
Y t
n b
t t
n t
b Y
a
t
∑ ∑
− =
log log
5. Trend Hyperbola
Bentuk persamaan umumnya adalah : Y =
t
b a
sedangkan peramalnnya : Yt =
t
b a
∑ ∑
∑ ∑ ∑
− −
=
2 2
log log
. log
t n
t Y
t Y
t n
b
t t
n t
b Y
a
t
∑ ∑
− =
log log
log Adapun metode peramalan yang termasuk model time series adalah :
1. Metode Penghalusan Smoothing
Metode ini digunakan untuk mengurangi ketidakteraturan musiman dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetan data masa lalu.
Ketepatan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang kurang akurat.
Metode ini terdiri dari: a. Metode rata-rata bergerak moving average
1. Single Moving Average Merupakan peramalan untuk satu periode ke depan dari periode rata-rata.
Rumus yang digunakan adalah:
N X
X X
F
t t
N t
t
+ +
+ =
+ +
− +
1 1
1
...
Dimana: X
i
: data pengamatan periode i. N
: jumlah deret waktu yang digunakan F
t+1
: nilai peramalan periode t+1 2. Linear Moving Avarage
Dasar dari metode ini adalah penggunaan moving average kedua untuk memperoleh penyesuaian bentuk pola trend.
3. Double Moving Avarage Notasi yang diberikan adalah MA M x N, artinya M – periode MA dan
N – periode NA 4. Weigthed Moving Average
Weighted moving average adalah metode perhitungan dengan cara mengalikan tiap-tiap periode dengan faktor bobot dan membagikannya
dengan hasil produk yang merupakan penjumlahan faktor bobot. Formula metode Weighted Moving Average adalah:
n t
n t
t t
A w
A w
A w
F
− −
−
+ +
+ =
...
2 2
1 1
dimana : w
1
: bobot yang diberikan pada periode t-1 w
2
: bobot yang diberikan pada periode t-2 w
n
: bobot yang diberikan pada periode t-n n
: jumlah periode b. Metode Eksponensial Smoothing
1. Single Eksponensial Smoothing
Pengertian dasar dari metode ini adalah: nilai ramalan pada periode t+1 merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang
berasal dari kesalahan nilai ramalan yang terjadi pada periode t tersebut. Secara matematis dapat dinyatakan:
1
ˆ 1
ˆ
−
− +
=
t t
t
f f
f α
α dimana :
t
fˆ
: perkirakan permintaan pada periode t α
: suatu nilai 0 α 1 yang ditentukan secara subjektif
t
f
: permintaan aktual pada periode t
1
ˆ
− t
f
: perkiraan permintaan pada periode t-1 2. Double Exponensial Smoothing
Formula Double Exponential Smoothing adalah : .
.m b
a f
t t
m t
+ =
+
sedangkan :
1
1
−
− +
=
t t
t
f X
f α
α
1
1
−
− +
=
t t
t
f f
f α
α dimana
t
f : single exponential smoothing
t
f : double exponential smoothing
2
t t
t t
t t
f f
f f
f −
= −
+ =
α
1
t t
t
f f
− −
= α
α β
2. Metode Proyeksi Kecenderungan dengan Regresi
Metode ini merupakan dasar garis kecenderungan untuk suatu persamaan, sehingga dengan dasar persamaan tersebut dapat di proyeksikan hal-hal yang
akan diteliti pada masa yang akan datang. Bentuk fungsi dari metode ini dapat berupa:
a. Konstan, dengan fungsi peramalan Yt: Yt = a, dimana
N Y
a
∑
=
1
dimana : Yt = nilai tambah N = jumlah periode
b. Linier, dengan fungsi peramalan: Yt = a + bt
dimana :
n bt
Y a
− =
∑ ∑ ∑ ∑ ∑
− −
− =
2 2
t t
n y
t ty
n b
c. Kuadratis, dengan fungsi peramalan : Yt = a + bt + ct
2
dimana :
n t
c t
b Y
a
∑ ∑ ∑
− −
=
2
;
∂ −
=
α θ
b c
;
2
α β
θα δ
− ∂
− ∂
= b
∑ ∑
− =
∂
4 2
2
t n
t
∑ ∑ ∑
− =
tY n
Y t
δ
∑ ∑ ∑
− =
Y t
n Y
t
2 2
θ
∑ ∑ ∑
− =
3 2
2
t n
t t
α
∑ ∑
− =
2 2
t n
t
β d. Eksponensial, dengan fungsi peramalan :
Yt = ae
bt
dimana :
n t
b Y
a
∑ ∑
− =
ln ln
2 2
ln ln
ln
∑ ∑
∑ ∑
∑
− −
= t
t n
Y t
Y t
n a
e. Siklis, dengan fungsi peramalan :
n t
c n
b a
Y
t
τ τ
2 cos
2 sin
ˆ +
+ =
dimana :
n t
c n
t b
na Y
τ τ
2 cos
2 sin
∑ ∑
+ +
=
n t
n t
c n
b n
t a
n t
Y
τ τ
τ τ
τ
2 cos
2 sin
2 sin
2 sin
2 sin
2
∑ ∑
∑
+ +
=
n t
n t
b n
c n
t a
n t
Y
τ τ
τ τ
τ
2 cos
2 sin
2 cos
2 cos
2 cos
2
∑ ∑
∑ ∑
+ +
=
3. Metode dekomposisi Metode peramalan yang ditentukan dengan kombinasi dari fungsi yang ada
sehingga tidak dapat diramalkan secara biasa. Model tersebut didekati dengan funsi linier atau siklis, kemudian bagi t atas kuartal sementara berdasarkan
pola data yang ada. Metode dekomposisi merupakan pendekatan peramalan yang tertua. Terdapat beberapa pendekatan alternatif umtuk
mendekomposisikan suatu deret berkala yang semuanya bertujuan memisahkan setiap komponen deret data seteliti mungkin.
b. Metode Kausal Peramalan dengan metode kausal mendasarkan hasil ramalan yang disusun
atas pola hubungan antara variabel yang dicari atau diramalkan dengan variabel- variabel yang mempengaruhinya yang bukan waktu. Dalam analisa ini,
diasumsikan bahwa faktor atau variabel yang menunjukkan suatu hubungan pengaruh sebab akibat dengan satu atau lebih variabel bebas. Sebagai contoh,
permintaan akan baju baru mungkin berhubungan dengan banyaknya populasi pendapatan masyarakat, jenis kelamin, budaya daerah, dan bualn-bulan khusus.
Jadi, maksud dari analisa metode kausal adalah untuk menemukan bentuk pola hubungan yang saling mempengaruhi antara variabel yang dicari dan
variabel-variabel yang mempengaruhinya, serta menggunakannya untuk meramalkan nilai-nilai dari variabel pada masa yang akan datang. Metode kausal
dapat dipergunakan dalam peramalan dengan keberhasilan yang lebih besar, sehingga sering dipergunakan untuk pengambilan keputusan. Metode kausal ini
terdiri dari : 1. Metode regresi dan korelasi
Metode regresi dan korelasi didasarkan pada penetapan suatu persamaan estimasi menggunakan teknik “least squares”. Ketepatan peramalan dengan
metode ini sangat baik untuk peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ternyata ketepatannya kurang begitu baik.
2. Model Ekonometri Metode ini didasarkan atas peramalan pada sistem persamaan regresi yang
diestimasikan secara simultan. Baik untuk peramalan jangka pendek maupun untuk jangka panjang, ketepatan peramalan dengan metode ini sangat baik.
Data yang dibutuhkan untuk penggunaan metode peramalan ini adalah data kuartalan beberapa tahun.
3. Model Output-Input
Metode ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka panjang. Model ini kurang baik ketepatannya untuk peramalan jangka pendek,
dan sangat baik ketepatannya untuk peramalan jangka panjang. Data yang digunakan untuk metode ini adalah data tahunan selama sekitar sepuluh
sampai lima belas tahun.
3.1.5. Kriteria Performance Peramalan