Perencanaan dan Pengendalian Produksi Peramalan

BAB III LANDASAN TEORI

3.1. Perencanaan dan Pengendalian Produksi

The American Production and Inventory Control Society Sukaria, 2009 mendefinisikan perencanaan dan pengendalian produksi sebagai berikut: 1. Perencanaan produksi ialah suatu kegiatan yang berkenaan dengan penentuan apa yang harus diproduksi, berapa banyak diproduksi, kapan diproduksi dan apa sumber daya yang dibutuhkan untuk mendapatkan produk yang telah ditetapkan. 2. Pengendalian produksi ialah fungsi yang mengarahkan atau mengatur pergerakan material bahan, partkomponensubassembly dan produk melalui seluruh siklus manufacturing mulai dari permintaan bahan baku sampai pada pengiriman produk akhir kepada pelanggan. Ada tiga sasaran pokok yang sekaligus menjadi barometer keberhasilan perencanaan dan pengendalian produksi yaitu: 1. Tercapainya kepuasan pelanggan yang diukur dari terpenuhinya order terhadap produk tepat waktu, tepat jumlah dan tepat mutu. 2. Tercapainya tingkat utilitas sumber daya produksi yang maksimum melalui minimisasi waktu setup, transportasi, waktu menunggu dan waktu untuk pengerjaan ulang rework. 3. Terhindarnya acara pengadaan yang bersifat rush order dan persediaan yang berlebihan. Universitas Sumatera Utara

3.2. Peramalan

Peramalan Douglas, 2008 adalah sebuah prediksi dari beberapa kejadian masa depan. Peramalan adalah bagian penting dalam berbagai bidang seperti bisnis dan industri, pemerintahan, ekonomi, lingkungan ilmu pengetahuan, obat- obatan, ilmu sosial, politik, dan finansial. Permasalahan peramalan sering diklasifikasikan pada peramalan jangka pendek, jangka menengah dan jangka panjang. Peramalan jangka pendek digunakan untuk memprediksi kejadian hanya untuk periode waktu yang sedikit hari, minggu, bulan di masa mendatang. Peramalan jangka menengah berlanjut dari satu hingga dua tahun mendatang, dan peramalan jangka panjang dapat digunakan untuk lebih banyak tahun lagi. peramalan jangka pendek dan jangka menengah dibutuhkan untuk aktivitas ddari manajemen operasi untuk anggaran dan pemilihan research and development produk baru. Peramalan jangka panjang digunakan untuk perencanaan stategis. Permalan jangka pendek dan jangka menengah adalah tipikal yang didasarkan pada pengidentifikasian, permodelan dan diluar model yang ditemukan pada data historis. Peramalan yang paling sering digunakan adalah time series data. Time series berdasarkan pada orientasi waktu atau urutan kronologi dari observasi pada variabel. Tingkat variabel dikumpulkan sesuai dengan periode waktu sebagai tipikal time series dan aplikasi peramalan. Banyak aplikasi bisnis untuk peramalan dengan memanfaatkan data harian, mingguan, bulanan, kuarter, atau annual data. Teknik peramalan kuantitatif digunakan pada data historis dan model peramalan. Model menunjukkan pola data dan menunjukkan hubungan statistik Universitas Sumatera Utara antara sebelum dan nilai variabel yang sedang berlaku, kemudian model digunakan untuk mengetahui pola data dimasa mendatang. Terdapat tiga jenis peramalan kuantitatif yang paling sering digunakan yaitu model regresi, model smoothing, dan model umum time series. Model regresi dengan penggunaan hubungan antara variabel yang berhubungan, terkadang model regresi disebut dengan juga dengan model kausal, karena variabel yang digunakan telah diasumsikan dapat menunjukkan nilai dari data yang diamati. Smoothing models biasanya menggunakan fungsi sederhana dari observasi sebelumnya untuk memberikan perkiraan dari variabel. Metode ini mungkin memiliki basis perhitungan statistik, tetapi sering digunakan dengan heuristik karena mudah digunakan dan hasil yang lebih memuaskan. Model time series menggunakan karakteristik statistik dari data historis untuk menentukan model dan mengestimasi parameter yang tidak diketahui dari model yang biasanya. Proses dari time series Douglas, 2008 adalah untuk menghubungkan kegiatan transformasi satu atau lebih input menjadi satu atau lebih output. Urutan proses peramalan ditunjukkan pada Gambar 3.1. Gambar 3.1. Proses Peramalan Sumber: Douglas C. Montgomery, dkk, 2008 1. Pendefenisian masalah meliputi pengembangan pemahaman bagaimana peramalan akan digunakan agar sesuai dengan yang diharapkan. Universitas Sumatera Utara 2. Pengumpulan data terdiri dari data historis yang relevan dari variabel yang akan diramalkan, termasuk informasi pada variabel prediksi yang potensial. Pada fase ini juga berguna untuk memulai perencanaan bagaimana pengumpulan data dan permasalahan dimasa mendatang yang akan ditangani seingga kehandalan dan integritas data akan diperoleh. 3. Analisis data adalah bagian yang penting untuk pemilihan model peramalan yang digunakan. Plot time series dari data seharusnya dibangun dan divisualisasikan untuk pengenalan pola seperti trend dan musiman atau komponen yang berhubungan. Informasi ini akan menunjukkan tipe metode peamalan kuantitatif dan model yang akan dikembangkan. 4. Pemilihan model terdiri dari pemilihan satu atau lebih model peramalan dan menyesuaikan dengan model data. 5. Validasi model terdiri dari evaluasi dari model peramalan untuk mendefenisikan bagaimana kemungkinan kinerja pada aplikasi yang dimaksudkan. 6. Penyebaran model peramalan meliputi pemilihan model dan hasil peramalan yang digunakan, hal ini penting untuk memastikan pemahaman pengguna bagaimana untuk menggunakan model dan mengembangkan peramalan dari model menjadi penerapan yang terus dilakukan. 7. Pemeriksaan kinerja model peramalan adalah kegiatan berkelanjutan setelah model dikembangkan untuk memastikan model masih memiliki kinerja yang memuaskan. Peta kontrol dari error hasil peramalan adalah alat sederhana tetapi efektif untuk secara rutin mengontrol kinerja dari model peramalan. Universitas Sumatera Utara

3.2.1. Evaluasi Model Peramalan

Mempertimbangkan bagaimana untuk mengevaluasi kinerja dari teknik peramalan Douglas, 2008 untuk sebuah waktu tertentu, penting untuk secara teliti mendefenisikan arti dari kinerja. Pengukuran pada umumnya adalah untuk melihat akurasi peramalan, salah satu metodenya adalah average error atau mean error �� = 1 � � � � 1 � �=1 Mean absolute deviation mean absolute error ��� = 1 � � | � � 1| � �=1 Mean squared error ��� = 1 � � [ � � 1] 2 � �=1 Defenisi relative forecast error adalah ��1 = � � � − ŷ � � − 1 � � � 100 Metode ini sering disebut percent forecast error. Mean percent error dirumuskan sebagai berikut ��� = 1 � � �� � 1 � �=1 Dan mean absolute percent error adalah ���� = 1 � � | �� � 1| � �=1 Universitas Sumatera Utara

3.3. Goal Programming