Pengaturan Kembali JIP dengan Mengoptimalkan Stasiun Kerja Bottleneck

Januari 5994936598 7770143303 -1775206704 77.1534882 Non bottleneck Februari 6120046535 7416954971 -1296908436 82.5142738 Non bottleneck Tabel 5.28. Rough Cut Capacity Report Periode April 2007 – Maret 2008 Lanjutan Stasiun Kerja Bulan Kapasitas dC Varians Persentase Beban Keterangan CR CA 3 Maret 5931451506 7770143303 -1838691797 76.3364493 Non bottleneck 4 April 29606889619 994123485 28612766134 2978.19034 Bottleneck Mei 26698633143 1039310916 25659322227 2568.87835 Bottleneck Juni 27314282538 994123485 26320159053 2747.57442 Bottleneck Juli 36003811954 1039310916 34964501038 3464.20031 Bottleneck Agustus 37366718820 994123485 36372595335 3758.76029 Bottleneck September 41198938688 994123485 40204815203 4144.2476 Bottleneck Oktober 44476279306 948936054 43527343252 4686.96274 Bottleneck Nopember 40028707818 1084498347 38944209470 3690.98837 Bottleneck Desember 39534502903 903748623 38630754280 4374.50215 Bottleneck Januari 34514781595 994123485 33520658110 3471.88072 Bottleneck Februari 35189985908 948936054 34241049854 3708.3622 Bottleneck Maret 34133992677 994123485 33139869192 3433.57673 Bottleneck Sumber: Hasil Pengolahan Data

5.4. Pengaturan Kembali JIP dengan Mengoptimalkan Stasiun Kerja Bottleneck

Dari tabel 5.25 terlihat bahwa ada beberapa stasiun kerja yang menjadi bottleneck. Dengan adanya stasiun kerja bottleneck berarti tidak semua jadwal induk produksi yang telah direncanakan dapat dilaksanakan. Untuk itu dilakukan pengaturan kembali terhadap JIP dengan mengoptimalkan stasiun kerja bottleneck dengan menggunakan prinsip perbaikan TOC. Penggunaan TOC dalam mengoptimalkan perencanaan produksi dalam hal ini jadwal induk produksi dengan menggunakan throughput sebagai ukuran operasionalnya adalah dengan cara sebagai berikut: Contoh perhitungan untuk bulan Oktober dengan menggunakan TOC: 1. Mengidentifikasi kendala constraints yang ada Kendala constraints dapat dilihat dari Tabel 5.25 merupakan stasiun kerja bottleneck yaitu stasiun kerja 3. 2. Memutuskan bagaimana mengatasi kendala yang ada. Untuk mengatasi stasiun kerja bottleneck dilakukan dengan melakukan pengaturan kembali jadwal induk produksi. Dengan menggunakan TOC dilakukan optimalisasi JIP sehingga menghasilkan throughput maksimal dengan menggunakan 100 kapasitas stasiun kerja bottleneck. Throughput masing-masing produk dapat dilihat pada Tabel 5.29. Tabel 5.29. Perhitungan Throughput Masing-Masing Produk No Produk Harga Jual Rp 1 Biaya Material Rp 2 Throughput Rp 1-2 1 Obat anti nyamuk bakar Coil Standar Lokal 335 150 185 2 Obat anti nyamuk bakar Coil Jumbo 350 175 175 Sumber: Hasil Pengolahan Data Dalam penerapan TOC untuk pengoptimalan JIP dengan menggunakan metode pendekatan linier programming, dimana maksimalisasi throughput sebagai fungsi sasaran dan sebagai fungsi kendala adalah kapasitas stasiun kerja bottleneck dan permintaan masing-masing produk. Secara umum dapat dirumuskan sebagai berikut: Maks : 185X 1 + 175X 2 s.t. : 228,08X 1 + 245,68X 2 ≤ 7416954971 X 1 ≤ 2657046 X 2 ≤ 29005412 X 1 , X 2 ≥ 0 3. Putuskan penggunaan operasi yang dapat mengoptimalkan kendala Melalui pendekatan linier programming untuk memaksimalisasi throughput sehingga didapat throughput sebesar Rp 736.646.085,- dimana kapasitas yang dibutuhkan untuk stasiun kerja 3 pada bulan oktober adalah: 2.657.046 x 228,08 + 1.400.529 x 245,68 = 950.101.016 dC Dapat dilihat bahwa hasil yang didapat setelah melakukan pengaturan kembali JIP pada stasiun kerja bottleneck memperlihatkan stasiun kerja tersebut tidak lagi menjadi kendala atau dalam hal ini berubah menjadi stasiun kerja non bottleneck. 4. Dari hasil yang diperoleh di atas bahwa stasiun kerja 3 pada periode oktober dapat dieliminasi menjadi stasiun kerja non bottleneck. Sesuai dengan lima prinsip TOC, jika kendala dapat dieliminasi maka kembali ke langkah pertama untuk pengoptimalan kembali JIP untuk periode berikutnya. Hasil perhitungan jadwal induk produksi optimal dapat dilihat pada Tabel 5.30: Tabel 5.30. Jadwal Induk Produksi Optimal Bulan Produk Produksi dC Bulan Produk Produksi dC April 2007 Obat anti nyamuk bakar Coil Standar Lokal 1.895.544 Oktober 2007 Obat anti nyamuk bakar Coil Standar Lokal 2.657.046 Obat anti nyamuk bakar Coil Jumbo 2.293.630 Obat anti nyamuk bakar Coil Jumbo 1.400.529 Throughput 7.520609E+08 Throughput 7.366461E+08 Mei 2007 Obat anti nyamuk bakar Coil Standar Lokal 3.401.444 Nopember 2007 Obat anti nyamuk bakar Coil Standar Lokal 2.076.963 Obat anti nyamuk 1.076.660 Obat anti nyamuk 2.493.677 bakar Coil Jumbo bakar Coil Jumbo Throughput 8.176826E+08 Throughput 8.206316E+08 Tabel 5.30. Jadwal Induk Produksi Optimal Lanjutan Bulan Produk Produksi dC Bulan Produk Produksi dC Juni 2007 Obat anti nyamuk bakar Coil Standar Lokal 2.475.586 Desember 2007 Obat anti nyamuk bakar Coil Standar Lokal 1.561.336 Obat anti nyamuk bakar Coil Jumbo 1.753.836 Obat anti nyamuk bakar Coil Jumbo 2.235.772 Throughput 7.649047E+08 Throughput 6.801071E+08 Juli 2007 Obat anti nyamuk bakar Coil Standar Lokal 4.558.381 Januari 2008 Obat anti nyamuk bakar Coil Standar Lokal 1.323.980 Obat anti nyamuk bakar Coil Jumbo - Obat anti nyamuk bakar Coil Jumbo 2.825.535 Throughput 8.433005E+08 Throughput 7.394049E+08 Agustus 2007 Obat anti nyamuk bakar Coil Standar Lokal 3.421.641 Februari 2008 Obat anti nyamuk bakar Coil Standar Lokal 2.423.569 Obat anti nyamuk bakar Coil Jumbo 873.425,8 Obat anti nyamuk bakar Coil Jumbo 1.617.805 Throughput 7.858531E+08 Throughput 7.314762E+08 September 2007 Obat anti nyamuk bakar Coil Standar Lokal 4.241.580 Maret 2008 Obat anti nyamuk bakar Coil Standar Lokal 1.673.304 Obat anti nyamuk bakar Coil Jumbo 110.380,5 Obat anti nyamuk bakar Coil Jumbo 2.500.450 Throughput 8.040089E+08 Throughput 7.471399E+08 Sumber: Hasil Pengolahan Data

BAB VI ANALISA DAN PEMBAHASAN

6.1. Analisa Peramalan Permintaan

Peramalan yang dilakukan berdasarkan trend data permintaan periode sebelumnya yaitu simple exponential smoothing dan trend corrected exponential smoothing. Hasil perhitungan verifikasi peramalan menunjukkan bahwa nilai rata- rata kesalahan kuadrat MSE dan nilai tengah galat persentase absolut MAPE yang terkecil adalah dengan menggunakan metode simple exponential smoothing, yaitu terlihat pada Tabel 6.1: Tabel 6.1. Kesalahan Estimasi Peramalan SES Metode Peramalan Produk MSE MAPE Simple Exponential Smoothing SES Obat Anti Nyamuk Bakar Coil Standar Lokal 5.253.838.200.345 81,05 Obat Anti Nyamuk Bakar Coil Jumbo 36.133.971.265.889 20,73 Sumber: Hasil Pengolahan Data Setelah di dapat bahwa metode peramalan yang sesuai untuk trend data permintaannya yaitu dengan metode simple exponential smoothing maka didapat data peramalan untuk periode April 2007 – Maret 2008 seperti yang terlihat pada Tabel 6.2: Tabel 6.3. Hasil Peramalan Permintaan dengan Metode Simple Exponential Smoothing Periode April 2007 – Maret 2008 Periode n Ft t Obat Anti Nyamuk Bakar Coil Standar Lokal dC Obat Anti Nyamuk Bakar Coil Jumbo dC 1 2.469.544 22.694.312 2 3.401.444 15.788.220 3 2.475.586 17.054.821 4 4.884.593 21.023.335