OPTIMASI PRODUKSI DENGAN PERENCANAAN PRO
OPTIMASI PRODUKSI DENGAN PERENCANAAN
PRODUKSI (AGGREGATE PLANNING) MENGGUNAKAN
METODE TRANSPORTASI (TABULAR) DI INDUSTRI
AUTOMOTIF
Marsudi1, Hery Hamdi Azwir2
Fakultas Teknik, Teknik Industri, President University
Jl. Ki Hajar Dewantara
Kota Jababeka, Cikarang, Bekasi – Indonesia 17550
Email : [email protected], [email protected]
ABSTRAK
Penerapan strategi perencanaan dan pengendalian produksi yang tepat dengan menjaga konsistensi produk yang
berkualitas sehingga perusahaan dapat bersaing dan berkembang adalah mutlak diperlukan. Untuk mencapai hal
tersebut perencanaan produksi kurang optimal, oleh karena itu perlu dilakukan perbaikan untuk memperoleh
biaya produksi yang lebih kecil. Perencanaan produksi yang dilakukan adalah dengan melakukan peramalan
produksi yang lebih akurat, sebagai dasar perencanaan produksi agregat.
Setelah dilakukan perhitungan peramalan produksi dengan metode Last period demand, Arithmetic average
(average methods), Single moving average (SMA), Weighted moving average (WMA), Single exponential
smoothing (SES dengan nilai α = 0.1, α = 0.5, α = 0.9). Diperoleh metode peramalan yang memberikan nilai
yang lebih akurat, yaitu dengan nilai presentase kesalahan yang terkecil yaitu 11.60% artinya tingkat akurasi
88.40 % dengan metode Single exponential smoothing (SES dengan α = 0.9).
Sedangkan dari hasil perhitungan aggregate planning dengan metode transportasi (tabular) diperoleh total biaya
/ cost produksi dalam setahun sebesar Rp 2,789,659,000 dengan perhitungan maksimal overtime, dengan cost
over time sebesar Rp 1,426,748,000. Dengan menurunkan downtime mesin sebesar 18.91% dengan cara
melakukan preventive maintenance , maka diperoleh saving cost overtime sebesar 45.08%.
Kata kunci : Forecasting, Aggregate Planning, Arithmetic average, Last period demand, Single exponential
smoothing, Single moving average, Weighted moving average, Tracking signal-Brown.
1.
Pendahuluan
Kemajuan teknologi industri dan perkembangan strategi perekonomian menyebabkan semakin pesatnya
persaingan antar perusahaan. Salah satunya adalah perkembangan strategi perencanaan dan pengendalian
produksi yang tepat, dengan menjaga konsistensi produk yang berkualitas sehingga suatu perusahaan dapat
berkembang dan mampu bersaing dengan perusahaan lainnya. PT. XY adalah salah satu perusahaan yang
menerapkan perencanaan dan pengendalian produksi dalam proses manufaktur.
PT. XY yang berdiri sejak tahun 1978 berlokasi di Kawasan Industri Jababeka I. Merupakan perusahaan joint
venture antara PT. Y (Astra Internasional) dengan X Corporation Japan. PT. XY adalah salah satu perusahaan
yang bergerak dibidang otomotif. Perusahaan ini memproduksi shock absorber, steering steem dan power
steering. Dengan proses utama assembling, machining, metal forming, welding, aluminium gravity casting, heat
treatment, surface treatment, painting dan plating.
Salah satu departemen dari PT. XY adalah Aluminium product department merupakan bagian produksi 2W
(roda dua), yang mempunyai sub departemen yaitu Casting, Machining, Buffing dan painting Al. Pada Sub
Departemen Casting khususnya yang memproduksi produk U/B, Gear Housing dan D/C.
Permasalahan yang terjadi adalah bagaimana mengoptimasi biaya produksi produk U/B yang terdiri dari
beberapa tipe, yaitu KY, K1, K2, K3 dan K4. Sehingga dapat bersaing dengan kompetitor lain. Hal ini
dikarenakan untuk menurunkan tingginya biaya produksi. Dengan tujuan profit yang lebih tinggi dan dapat
bersaing dengan kompetitor, sehingga perlu dilakukan perbaikan untuk mendukung tujuan bisnis perusahaan.
Maka perlu peramalan (forecasting) yang tepat dan dapat dipertanggungjawabkan sebagai dasar perencanaan
produksi (aggregate planning ) produk U/B lebih tepatnya berdasarkan rata – rata proporsi jumlah produksi
untuk masing – masing tipe tiap periodenya, sehingga dapat memberikan hasil produksi yang maksimal. Upaya
melakukan optimasi peramalan dan perencanaan produksi yang lebih tepat merupakan tuntutan mutlak dalam
proses produksi manufaktur untuk mendapatkan nilai keuntungan yang sebesar - besarnya.
2.
Metode
2.1 Observasi Awal
Pada tahap ini dilakukan kegiatan pengumpulan informasi tentang kegiatan – kegiatan yang dilakukan oleh
perusahaan secara menyeluruh. Pengumpulan informasi – informasi dilakukan dengan cara wawancara dengan
pihak perusahaan yang berkaitan langsung dengan proses produksi. Langkah observasi awal Dilakukan dengan
melakukan pengamatan langsung di lapangan untuk mengetahui keadaan fisik maupun cara kerja.
2.2 Identifikasi Masalah
Setelah melakukan tahapan wawancara dan pengumpulan informasi, kemudian dilakukan pengidentifikasian
masalah yang dihadapi oleh perusahaan saat ini. Dalam tahap ini berisi rumusan masalah, batasan masalah dan
tujuan. Dengan tujuan melakukan optimasi rencana produksi dengan melakukan peramalan (forecasting) dan
perencanaan produksi (aggregate planning), yaitu dengan metode forecasting yang tepat dan metode transportasi
(tabular) untuk mendapatkan perencanaan produksi (aggregate planning) yang maksimal sesuai dengan proporsi
masing – masing tipe produk.
2.2.1 Tujuan
Memilih model peramalan dengan nilai MAD (mean absolute deviation ) terkecil sebagai dasar perencanaan
produksi. Serta melakukan optimasi perencanaan produksi (aggregate planning ) produk U/B yang terdiri dari
beberapa tipe, yaitu KY, K1, K2, K3 dan K4 lebih tepat, sehingga dapat membantu dalam menentukan jumlah
produk yang harus diproduksi sesuai dengan permintaan (demand).
2.2.2 Batasan Masalah
Pada penelitian ini permasalahan yang diambil pada bagian subdepartment aluminium product,
khususnya untuk produk U/B dengan tipe KY, K1, K2, K3 dan K4.
Metode penyelesaian peramalan produksi berdasarkan ploting data histori dan penyelesaian perencanaan
produksi dengan metode transportasi (tabular).
Biaya yang digunakan dalam perhitungan hanya biaya tenaga kerja saja.
Data yang digunakan adalah data pada tahun 2012 dan 2013.
Tidak ada perubahan terhadap proses produksi, jumlah operator dan mesin serta fasilitas produksi.
2.3 Studi Pustaka
Pada langkah ini dilakukan pencarian teori – teori dasar yang digunakan dalam penyelesaian optimasi peramalan
dan perencanaan produksi, sehingga dapat memberikan tahapan atau langkah – langkah penyelesaian serta
memberikan solusi yang maksimal dan tepat.
2.4 Pengumpulan Data
Pada tahap ini dilakukan pengumpulan data untuk mendukung dalam perhitungan pada penelitian. Data – data
tersebut dikumpulkan melalui pengamata secara langsung maupun secara wawancara dengan pihak – pihak yang
terkait dengan permasalahan ini.
2.5 Perhitungan dan Analisis Data
Proses pengolahan data dilakukan dengan dua tahapan yang harus dilakukan. Yaitu, melakukan perhitungan
peramalan produksi (forecasting) dan perhitungan perencanaan agregat (aggregate planning ). Setelah dilakukan
kedua tahapan perhitungan tersebut maka diperoleh jadwal induksi produksi serta besarnya biaya produksi yang
dibutuhkan.
2.5.1 Peramalan produksi (Forecasting)
Setelah melakukan pengumpulan dan perhitungan dari data histori permintaan, maka dilakukan validasi data
untuk menentukan tipe data, yang kemudian sebagai penentu metode peramalan yang akan digunakan. Dengan
menggunakan formula (Daniel sipper, Robert L. bulfin, JR 1997) :
Dimana :
Dt : peramalan permintaan
n : jumlah periode
V : variability coefficient
Maka diperoleh hasil perhitungan sebagai berikut :
2.5.2 Perencanaan produksi (Aggergate Planning)
Metode peramalan yang tepat sebagai dasar perhitungan perencanaan agregat. Dalam perhitungan ini
menggunakan metode transportasi (tabular) untuk menentukan jadwal induk produksi serta besarnya biaya
produksinya.
2.6 Kesimpulan dan Saran
Setelah melakukan analisis dari pengolahan data, kemudian dari hasil tersebut disimpulkan untuk menjawab dari
tujuan penelitian tesis ini. Sehingga manfaat – manfaat yang diterima untuk perusahaan maupun bagian yang
terkait sesuai dengan ekspektasi awal, sehingga dapat diimplementasikan dengan saran – saran perbaikan.
3. Data dan Analisis
3.1 Peramalan Produksi (Forecasting)
Dari pengolahan data histori doperoleh nilai v = 0.021 maka, data tersebut adalaha data konstan karena nilai v <
0.25. Sehingga metode peramalan yang digunakan adalah :Last period demand, Arithmetic average, Single
moving average, Weighted moving average dan Single exponential smoothing. Berikut data permintaan
produksi 2012 dan 2013.
PERIODE (Bulan)
Tabel 1. Perbandingan nilai MAD
TAHUN 2012 (unit KY)
TAHUN 2013 (unit KY)
1
21,237
19,111
2
21,237
20,012
3
20,175
20,012
4
23,361
21,125
5
23,361
20,012
6
20,175
22,925
7
24,422
22,925
8
15,928
22,005
9
22,299
27,678
10
29,924
25,917
11
27,086
25,917
12
27,561
27,678
RATA-RATA
22,830
22,465
TOTAL
276,766
275,317
3.1.1 Last Period Demand
Formulanya adalah :
dt' = dt-1
di mana :
dt' : forecast untuk periode t
dt-1 : aktual permintaan pada periode sebelumnya (periode t-1)
3.1.2 Arithmetic Average
Metode arithmetic average merupakan metode yang sederhana juga, yaitu dengan menhitung semua rata – rata
permintaan sebelumnya pada periode yang diramalkan, formulanya adalah sebagai berikut :
+
�´ =
Dimana :
dt´ = peramalan permintaan untuk periode t
dt = actual permintaan pada periode t
n = jumlah periode
∑��=1 �
+⋯+ �
=
�
�
3.1.3 Single Moving Average
Formulanya adalah :
� �
=
�´
�− + �−
=
+⋯+ � −
Dimana :
dt´ = peramalan permintaan pada periode t
dt-i = actual permintaan pada t-i
N = jumlah periode yang masuk dalam moving average
=
∑��=1 � − �
3.1.4 Weighted Moving Average
Formulanya adalah :
� �
di mana C adalah pembobotan.
= �´ =
�−
�−
+ �−
�−
∑
+⋯+ � −
�−
=
∑�
�=1 � − � � − �
∑
3.1.5 Single Exponential Smoothing
Dengan formula :
dt´ = α.dt-1 + (1-α).dt-1´
Dimana :
α = koefisien smoothing / pemulusan (0 < α < 1)
pada model ini biasanya menggunakan nilai koefisien (α) adalah (0.1), (0.5) dan (0.9).
Dari metode – metode peramalan data konstan dengan formulasinya maka, dapat dilihat dari tabel hasil
perhitungan peramalan produksi setiap metode.
Tabel 2. Hasil perbandingan nilai peramalan
SINGLE
ARITHMETIC
WMA
PERIOD
MOVING
AVERAGE
C=4
DEMAND
AVERAGE
(unit)
(unit)
(unit)
2 (unit)
LAST
SES
SES
SES
α=0.1
α=0.5
α=0.9
(unit)
(unit)
(unit)
-
-
-
-
-
-
21,237
21,237
21,237
21,237
21,237
-
21,237
21,237
21,237
20,175
20,883
20,706
-
21,131
20,706
20,281
23,361
21,503
21,768
22,830
21,354
22,034
23,053
PERIODE
DEMAND
(bulan)
(unit)
1
21,237
-
-
-
2
21,237
21,237
-
3
20,175
21,237
4
23,361
5
23,361
6
20,175
23,361
21,874
23,361
24,423
21,555
22,697
23,330
7
24,422
20,175
21,591
21,768
21,768
21,417
21,436
20,491
8
15,928
24,422
21,995
22,299
22,829
21,717
22,929
24,029
9
22,299
15,928
21,237
20,175
16,458
21,138
19,429
16,738
10
29,924
22,299
21,355
19,114
20,176
21,254
20,864
21,743
11
27,086
29,924
22,212
26,112
28,863
22,121
25,394
29,106
12
27,561
27,086
22,655
28,505
34,084
22,618
26,240
27,288
13
19,111
27,561
23,064
27,324
29,955
23,112
26,900
27,534
14
20,012
19,111
22,760
23,336
17,930
22,712
23,006
19,953
15
20,012
20,012
22,564
19,562
16,025
22,442
21,509
20,006
16
21,125
20,012
22,393
20,012
16,238
22,199
20,760
20,011
17
20,012
21,125
22,314
20,569
21,576
22,092
20,943
21,014
18
22,925
20,012
22,179
20,569
20,569
21,884
20,477
20,112
19
22,925
22,925
22,220
21,469
22,925
21,988
21,701
22,644
20
22,005
22,925
22,257
22,925
23,825
22,081
22,313
22,897
21
27,678
22,005
22,245
22,465
23,462
22,074
22,159
22,094
22
25,917
27,678
22,503
24,842
27,218
22,634
24,919
27,120
23
25,917
25,917
22,659
26,799
28,294
22,963
25,418
26,037
24
27,678
25,917
22,800
25,917
27,873
23,258
25,667
25,929
27,678
23,003
26,799
26,798
23,258
25,667
25,929
25
Dengan nilai MAD (mean absolute deviation) dan nilai uji validasi sebagai berikut :
Tabel 3. Perbandingan nilai MAD
METODE PERAMALAN
MAD
(Mean Absolute Deviation )
Last Period Demand
2,959.13
Arithmetic Average
2,909.41
Single Moving Average
2,713.32
Weighted Moving Average
3,692.63
Single Exponential Smoothing α = 0.1
2,861.44
Single Exponential Smoothing α = 0.5
2,568.69
Single Exponential Smoothing α = 0.9
2,561.58
Tabel 4. Perbandingan uji validasi dengan tracking signal
METODE PERAMALAN
Nilai Tracking Signal
Last Period Demand
Arithmetic Average
-2.0 s/d 7.9
Single Moving Average
-1.2 s/d 3.2
Weighted Moving Average
-2.1 s/d 1.5
Single Exponential Smoothing α = 0.1
-2.0 s/d 8.6
Single Exponential Smoothing α = 0.5
-2.0 s/d 4.2
Single Exponential Smoothing α = 0.9
-2.0 s/d 2.7
Dari perhitungan nilai MAD dan nilai tracking signal (tabel 3 dan 4) maka, diperoleh metode single exponential smoothing α
= 0.9 dengan nilai MAD yang terkecil yaitu 2,561.58 dan nilai uji tracking signal -2.0 s/d 2.7. Maka ini yang paling tepat
untuk dijadikan dasar perencanaan produksi dengan nilai error 11.60 % dengan akurasi 88.40 %.
3.2 Perencanaan produksi (Aggergate Planning)
3.2.1 Kapasitas produksi
Berdasarkan aktual permintaan produksi, maka diperoleh perincian kapasitas produksi setiap periode dengan
perincian sebagai berikut :
Jumlah tenaga kerja adalah 35 orang (aktual data).
Upah rata-rata tenaga kerja adalah Rp 2,450,000 / orang.
Jumlah persediaan awal adalah 1,000 pcs (data aktual).
Jumlah persediaan akhir yang diinginkan adalah 6,129 pcs (safety stok) dengan perhitungan (SS)= Zα *
S√L = 6,129 unit.
Standard deviasi 5% dari total permintaan (kebijakan perusahaan).
Biaya jam normal (regular time) adalah Rp 5,000.
Biaya jam over time (OT) adalah Rp 19,000.
Biaya subkontrak adalah Rp 22,000.
Biaya persediaan adalah Rp 2,500 (20% dari harga produk).
Kapasitas jam normal aktual adalah kapasitas dikali jumlah hari kerja (kapasitas tiap hari adalah 900
unit).
Kapasitas regular time dengan satuan agregat adalah 788 unit KY.
Kapasitas jam lembur max 50% dari kapasitas jam normal.
Kapasitas subkontrak adalah 25% dari total kapasitas jam normal dan kapasitas jam lembur.
Perhitungan kapasitas jam normal per tipe berdasarkan total waktu baku atau waktu proses, maka diperoleh hasil
kapasitas produksi regular time, overtime dan kapasitas sub-kontrak tiap periode.
Tabel 5. Kapasitas jam normal satuan unit KY
waktu proses
jam kerja
kapasitas
equivalen
(menit)
(3 shift)
(unit KY)
coefficient
KY
8.57
24
168
1.00
K1
7.50
24
148
0.88
K2
8.57
24
168
1.00
K3
7.50
24
148
0.88
K4
8.00
24
156
0.93
Tipe
Total
Periode
(bulan)
∑ hari kerja
788
Tabel 6. Kapasitas produksi
kapasitas RT
kapasitas OT
kapasitas SC
(unit KY)
(unit KY)
(unit KY)
1
20
15,760
7,880
5,910
2
20
15,760
7,880
5,910
3
19
14,972
7,486
5,615
4
22
17,336
8,668
6,501
5
22
17,336
8,668
6,501
6
19
14,972
7,486
5,615
7
23
18,124
9,062
6,797
8
15
11,820
5,910
4,433
9
21
16,548
8,274
6,206
10
22
17,336
8,668
6,501
11
20
15,760
7,880
5,910
12
17
13,396
6,698
5,024
189,120
94,560
70,920
TOTAL
Kapasitas Produksi
kapasitas (unit KY)
40000
35000
30000
25000
kapasitas SC
20000
kapasitas OT
15000
kapasitas RT
10000
5000
0
1 2 3 4 5 6 7 8 9 10 11 12
periode (bulan)
Gambar 1. Kapasitas produksi
Gambar 1 menunjukkan kapasitas produksi masing – masing periode berbeda, hal ini dikarenakan beberapa faktor, yaitu
jumlah hari kerja efektif pada masing – masing periode tidak sama sehingga berakibat perbedaan pada hasil perhitungan
kapasitas jam lembur maupun kapasitas sub-kontrak.
3.2.2 Perhitungan Dengan Metode Transportasi (Tabular)
Setelah selesai melakukan perhitungan terhadap kapasitas produksi, maka langkah selanjutnya adalah
melakukan perhitungan perencaan produksi (aggregate planning). Dalam perhitungan perencanaan produksi
dengan menggunakan metode transportasi (tabular) maksimal overtime dengan tujuan pengalokasian produksi
dengan biaya minimal. Biaya- biaya yang dipertimbangkan adalah biaya regular time, biaya overtime, biaya
sub-kontrak dan biaya inventori atau biaya simpan, dalam kondisi jumlah persediaan awal 1,000 unit dan jumlah
persediaan akhir (safety stock) 6,129 unit. Dalam perhitunga ini maupun perhitungan peramalan menggunakan
alat bantu software WinQSB.
Tabel 7. Tabel transportasi (bulan Januari – Maret)
Maka diperoleh jadwal imduk produksinya dengan satuan unit KY sesuai dengan coefficient equivalent , yaitu :
Tabel 8. Jadwal induk produksi
Periode
Demand
(bulan)
(unit)
Kapasitas
Sisa
reguler
kapasitas
tersedia
reguler
Rencana produksi
Total
produksi
Regular Time
Over
Time
(unit)
Subcontrac
Persediaan
akhir
1,000
Initial
1
27,534
15,760
0
15,760
7,880
2,894
26,534
0
2
19,953
15,760
0
15,760
4,193
0
19,953
0
3
20,006
14,972
0
14,972
5,034
0
20,006
0
4
20,011
17,336
0
17,336
2,675
0
20,011
0
5
21,014
17,336
0
17,336
3,678
0
21,014
0
6
20,112
14,972
0
14,972
5,140
0
20,112
0
7
22,644
18,124
0
18,124
9,062
0
27,186
4,542
8
22,897
11,820
0
11,820
5,910
625
18,355
0
9
22,094
16,548
0
16,548
8,274
0
24,822
2,728
10
27,120
17,336
0
17,336
8,668
1,815
27,819
3,427
11
26,037
15,760
0
15,760
7,880
5,910
29,550
6,940
12
25,929
13,396
0
13,396
6,698
5,024
25,118
6,129
TOTAL
275,351
189,120
0
189,120
16,268
280,480
23,766
75,092
3.2.3 Perhitungan biaya produksi
Tabel 9. Biaya produksi dengan metode transportasi
Dari perhitungan biaya produksi pada tabel 4.32 maka diperoleh total biaya produksi sebesar Rp 2,789,659,000.
Biaya overtime masih terlalu tinggi dibandingkan dengan biaya regular time. Oleh karena itu, perlu dilakukan
analisa untuk menurunkan biaya overtime. Langkah selanjutnya adalah mencari potensi yang dapat
menyebabkan kehilangan waktu untuk produksi, yaitu menurunkan downtime mesin sebesar 18.91 % dari data.
BULAN
Tabel 10. Data downtime mesin
mesin
kerusakan mesin
jumlah hari
normal
kerja
jam
%
(jam)
Januari
20
480
183.17
38.16
Februari
20
480
48.58
10.12
Maret
19
456
104.88
23.00
April
22
528
105.60
20.00
Mei
22
528
82.47
15.62
Juni
19
456
50.39
11.05
Juli
23
552
104.82
18.99
Agustus
15
360
72.00
20.00
September
21
504
83.41
16.55
Oktober
22
528
116.16
22.00
November
20
480
82.85
17.26
Desember
17
408
57.65
14.13
480
91.00
18.91
RATA-RATA
Langkah yang dilakukan untuk menurunkan downtime tersebut adalah dengan cara mengefektifkan kembali
kegiatan preventive maintenance, yaitu melakukan perawatan berkala maintenance ( service), perawatan harian
maintenance (inspection), perawatan berkala maintenance penggantian oli (oil replacement) dan perawatan
berkala maintenance (part replacement). Berikut perincian biaya yang diperlukan dalam melakukan preventive
maintenance. Tentu saja membutuhkan biaya untuk melakukan kegiatan tersebut (tabel 11).
Tabel 11. Total biaya preventive maintenance
preventive maintenance
cost (Rp)
oil replacement
11,102,075.00
flushing oil
7,507,500.00
part replacement
85,497,808.00
total
104,107,383.00
Dengan melakukan preventive maintenance untuk menurunkan downtime mesin sebesar 18.91 %, sehingga
diperoleh saving cost overtime (tabel 12).
kapasitas
aggregat (unit)
Regular Time
Over Time
Tabel 12. Saving cost overtime
kapasitas setelah
biaya agregat
perbaikan (unit)
(Rp)
biaya setelah
biaya preventive
perbaikan (Rp)
maintenance (Rp)
189120
224883
945,600,000.00
945,600,000.00
75092
39329
1,426,748,000.00
679,489,248.00
Saving Cost Overtime (Rp)
643,151,369.00
Saving Cost Overtime (%)
45.08
104,107,383.00
Sebagai kesimpulan setelah menurunkan downtime mesin sebesar 18.91 % dengan langkah preventive
maintenance, maka diperoleh saving cost overtime sebesar 45.08 % (sebesar Rp 643,151,369 setelah dikurangi
dengan biaya yang diperlukan untuk melakukan preventive maintenance).
4. Kesimpulan
Kesimpulkan yang diperoleh setelah melakukan analisis adalah :
Dengan melakukan ploting data histori dan melakukan perhitungan ulang peramalan produksi (forecasting)
dengan menggunakan metode Last period demand, Arithmetic average (average methods), Single moving
average (SMA), Weighted moving average (WMA), Single exponential smoothing (SES dengan nilai α =
0.1, α = 0.5, α = 0.9). Dari metode tersebut di peroleh hasil perhitungan peramalan produksi dengan
menggunakan metode Single exponential smoothing (SES dengan α = 0.9) dengan nilai pesentase kesalahan
yang terkecil yaitu 11.60% dengan tingkat akurasi 88.40%.
Hasil perhitungan aggregate planning dengan metode transportasi (tabular) diperoleh total biaya / cost
produksi dalam setahun sebesar Rp 2,789,659,000 (perhitungan dengan maksimal overtime), dengan biaya
overtime sebesar Rp 1,426,748,000. Dengan menurunkan downtime mesin sebesar 18.91% dengan cara
melakukan preventive maintenance, maka diperoleh saving cost overtime sebesar 45.08%.
Daftar Pustaka
Baroto, T. 2002. Perencanaan dan Pengendalian Produksi. Ghalia Indonesia. Jakarta.
Bedworth, DD & Bailey, JE. Integrated Production Control System. John Wiley & Sons. Singapore. 1987.
Kusuma, H. 2004. Managemen Produksi : Perencanaan dan Pengendalian Produksi. Andi Offset, Yogyakarta.
Makridakis, Spyros; Steven C Wheelwright; Victor E McGee. (1999). Metode dan Aplikasi Peramalan. Jilid I,
Binarupa Aksara, Jakarta.
Narasimhan, S. (1995). Production Planning and Inventory Control. Second edition. Prentice-Hall International,
Inc. New Jersey.
Nasution, Arman Hakim. (2003). Perencanaan dan Pengendalian Produksi. Edisi Pertama Cetakan Ke-dua.
Guna Widya. Surabaya.
Render, Barry; Ralph M. Stair, Jr; Michael E. Hanna. (2006). Quantitative Analysis for Management. 9th
edition. Prentice Hall, Inc., New Jersey.
Sipper, Daniel. Robert L. Bulfin, JR. PRODUCTION : planning, Control, and Integration. McGraw-Hill. USA.
1997.
Smith, Spencer B. (1989). Computer-based Production and Inventory Control. Prentice-Hall International Inch.
USA.
Taylo III, Bernard W. 2005. Introduction to Management Science. Salemba Empat: Jakarta.
Tersine, Richard J. (1994). Principles of Inventory and Material Management. 4th edition. Prentice Hall, Inc.,
New Jersey.
T.Hani Handoko, 1984, edisi ke-1, Dasar – Dasar ManagemenProduksi dan Operasi, Yogyakarta ;
BPFE_Yogyakarta.
Lampiran
PRODUKSI (AGGREGATE PLANNING) MENGGUNAKAN
METODE TRANSPORTASI (TABULAR) DI INDUSTRI
AUTOMOTIF
Marsudi1, Hery Hamdi Azwir2
Fakultas Teknik, Teknik Industri, President University
Jl. Ki Hajar Dewantara
Kota Jababeka, Cikarang, Bekasi – Indonesia 17550
Email : [email protected], [email protected]
ABSTRAK
Penerapan strategi perencanaan dan pengendalian produksi yang tepat dengan menjaga konsistensi produk yang
berkualitas sehingga perusahaan dapat bersaing dan berkembang adalah mutlak diperlukan. Untuk mencapai hal
tersebut perencanaan produksi kurang optimal, oleh karena itu perlu dilakukan perbaikan untuk memperoleh
biaya produksi yang lebih kecil. Perencanaan produksi yang dilakukan adalah dengan melakukan peramalan
produksi yang lebih akurat, sebagai dasar perencanaan produksi agregat.
Setelah dilakukan perhitungan peramalan produksi dengan metode Last period demand, Arithmetic average
(average methods), Single moving average (SMA), Weighted moving average (WMA), Single exponential
smoothing (SES dengan nilai α = 0.1, α = 0.5, α = 0.9). Diperoleh metode peramalan yang memberikan nilai
yang lebih akurat, yaitu dengan nilai presentase kesalahan yang terkecil yaitu 11.60% artinya tingkat akurasi
88.40 % dengan metode Single exponential smoothing (SES dengan α = 0.9).
Sedangkan dari hasil perhitungan aggregate planning dengan metode transportasi (tabular) diperoleh total biaya
/ cost produksi dalam setahun sebesar Rp 2,789,659,000 dengan perhitungan maksimal overtime, dengan cost
over time sebesar Rp 1,426,748,000. Dengan menurunkan downtime mesin sebesar 18.91% dengan cara
melakukan preventive maintenance , maka diperoleh saving cost overtime sebesar 45.08%.
Kata kunci : Forecasting, Aggregate Planning, Arithmetic average, Last period demand, Single exponential
smoothing, Single moving average, Weighted moving average, Tracking signal-Brown.
1.
Pendahuluan
Kemajuan teknologi industri dan perkembangan strategi perekonomian menyebabkan semakin pesatnya
persaingan antar perusahaan. Salah satunya adalah perkembangan strategi perencanaan dan pengendalian
produksi yang tepat, dengan menjaga konsistensi produk yang berkualitas sehingga suatu perusahaan dapat
berkembang dan mampu bersaing dengan perusahaan lainnya. PT. XY adalah salah satu perusahaan yang
menerapkan perencanaan dan pengendalian produksi dalam proses manufaktur.
PT. XY yang berdiri sejak tahun 1978 berlokasi di Kawasan Industri Jababeka I. Merupakan perusahaan joint
venture antara PT. Y (Astra Internasional) dengan X Corporation Japan. PT. XY adalah salah satu perusahaan
yang bergerak dibidang otomotif. Perusahaan ini memproduksi shock absorber, steering steem dan power
steering. Dengan proses utama assembling, machining, metal forming, welding, aluminium gravity casting, heat
treatment, surface treatment, painting dan plating.
Salah satu departemen dari PT. XY adalah Aluminium product department merupakan bagian produksi 2W
(roda dua), yang mempunyai sub departemen yaitu Casting, Machining, Buffing dan painting Al. Pada Sub
Departemen Casting khususnya yang memproduksi produk U/B, Gear Housing dan D/C.
Permasalahan yang terjadi adalah bagaimana mengoptimasi biaya produksi produk U/B yang terdiri dari
beberapa tipe, yaitu KY, K1, K2, K3 dan K4. Sehingga dapat bersaing dengan kompetitor lain. Hal ini
dikarenakan untuk menurunkan tingginya biaya produksi. Dengan tujuan profit yang lebih tinggi dan dapat
bersaing dengan kompetitor, sehingga perlu dilakukan perbaikan untuk mendukung tujuan bisnis perusahaan.
Maka perlu peramalan (forecasting) yang tepat dan dapat dipertanggungjawabkan sebagai dasar perencanaan
produksi (aggregate planning ) produk U/B lebih tepatnya berdasarkan rata – rata proporsi jumlah produksi
untuk masing – masing tipe tiap periodenya, sehingga dapat memberikan hasil produksi yang maksimal. Upaya
melakukan optimasi peramalan dan perencanaan produksi yang lebih tepat merupakan tuntutan mutlak dalam
proses produksi manufaktur untuk mendapatkan nilai keuntungan yang sebesar - besarnya.
2.
Metode
2.1 Observasi Awal
Pada tahap ini dilakukan kegiatan pengumpulan informasi tentang kegiatan – kegiatan yang dilakukan oleh
perusahaan secara menyeluruh. Pengumpulan informasi – informasi dilakukan dengan cara wawancara dengan
pihak perusahaan yang berkaitan langsung dengan proses produksi. Langkah observasi awal Dilakukan dengan
melakukan pengamatan langsung di lapangan untuk mengetahui keadaan fisik maupun cara kerja.
2.2 Identifikasi Masalah
Setelah melakukan tahapan wawancara dan pengumpulan informasi, kemudian dilakukan pengidentifikasian
masalah yang dihadapi oleh perusahaan saat ini. Dalam tahap ini berisi rumusan masalah, batasan masalah dan
tujuan. Dengan tujuan melakukan optimasi rencana produksi dengan melakukan peramalan (forecasting) dan
perencanaan produksi (aggregate planning), yaitu dengan metode forecasting yang tepat dan metode transportasi
(tabular) untuk mendapatkan perencanaan produksi (aggregate planning) yang maksimal sesuai dengan proporsi
masing – masing tipe produk.
2.2.1 Tujuan
Memilih model peramalan dengan nilai MAD (mean absolute deviation ) terkecil sebagai dasar perencanaan
produksi. Serta melakukan optimasi perencanaan produksi (aggregate planning ) produk U/B yang terdiri dari
beberapa tipe, yaitu KY, K1, K2, K3 dan K4 lebih tepat, sehingga dapat membantu dalam menentukan jumlah
produk yang harus diproduksi sesuai dengan permintaan (demand).
2.2.2 Batasan Masalah
Pada penelitian ini permasalahan yang diambil pada bagian subdepartment aluminium product,
khususnya untuk produk U/B dengan tipe KY, K1, K2, K3 dan K4.
Metode penyelesaian peramalan produksi berdasarkan ploting data histori dan penyelesaian perencanaan
produksi dengan metode transportasi (tabular).
Biaya yang digunakan dalam perhitungan hanya biaya tenaga kerja saja.
Data yang digunakan adalah data pada tahun 2012 dan 2013.
Tidak ada perubahan terhadap proses produksi, jumlah operator dan mesin serta fasilitas produksi.
2.3 Studi Pustaka
Pada langkah ini dilakukan pencarian teori – teori dasar yang digunakan dalam penyelesaian optimasi peramalan
dan perencanaan produksi, sehingga dapat memberikan tahapan atau langkah – langkah penyelesaian serta
memberikan solusi yang maksimal dan tepat.
2.4 Pengumpulan Data
Pada tahap ini dilakukan pengumpulan data untuk mendukung dalam perhitungan pada penelitian. Data – data
tersebut dikumpulkan melalui pengamata secara langsung maupun secara wawancara dengan pihak – pihak yang
terkait dengan permasalahan ini.
2.5 Perhitungan dan Analisis Data
Proses pengolahan data dilakukan dengan dua tahapan yang harus dilakukan. Yaitu, melakukan perhitungan
peramalan produksi (forecasting) dan perhitungan perencanaan agregat (aggregate planning ). Setelah dilakukan
kedua tahapan perhitungan tersebut maka diperoleh jadwal induksi produksi serta besarnya biaya produksi yang
dibutuhkan.
2.5.1 Peramalan produksi (Forecasting)
Setelah melakukan pengumpulan dan perhitungan dari data histori permintaan, maka dilakukan validasi data
untuk menentukan tipe data, yang kemudian sebagai penentu metode peramalan yang akan digunakan. Dengan
menggunakan formula (Daniel sipper, Robert L. bulfin, JR 1997) :
Dimana :
Dt : peramalan permintaan
n : jumlah periode
V : variability coefficient
Maka diperoleh hasil perhitungan sebagai berikut :
2.5.2 Perencanaan produksi (Aggergate Planning)
Metode peramalan yang tepat sebagai dasar perhitungan perencanaan agregat. Dalam perhitungan ini
menggunakan metode transportasi (tabular) untuk menentukan jadwal induk produksi serta besarnya biaya
produksinya.
2.6 Kesimpulan dan Saran
Setelah melakukan analisis dari pengolahan data, kemudian dari hasil tersebut disimpulkan untuk menjawab dari
tujuan penelitian tesis ini. Sehingga manfaat – manfaat yang diterima untuk perusahaan maupun bagian yang
terkait sesuai dengan ekspektasi awal, sehingga dapat diimplementasikan dengan saran – saran perbaikan.
3. Data dan Analisis
3.1 Peramalan Produksi (Forecasting)
Dari pengolahan data histori doperoleh nilai v = 0.021 maka, data tersebut adalaha data konstan karena nilai v <
0.25. Sehingga metode peramalan yang digunakan adalah :Last period demand, Arithmetic average, Single
moving average, Weighted moving average dan Single exponential smoothing. Berikut data permintaan
produksi 2012 dan 2013.
PERIODE (Bulan)
Tabel 1. Perbandingan nilai MAD
TAHUN 2012 (unit KY)
TAHUN 2013 (unit KY)
1
21,237
19,111
2
21,237
20,012
3
20,175
20,012
4
23,361
21,125
5
23,361
20,012
6
20,175
22,925
7
24,422
22,925
8
15,928
22,005
9
22,299
27,678
10
29,924
25,917
11
27,086
25,917
12
27,561
27,678
RATA-RATA
22,830
22,465
TOTAL
276,766
275,317
3.1.1 Last Period Demand
Formulanya adalah :
dt' = dt-1
di mana :
dt' : forecast untuk periode t
dt-1 : aktual permintaan pada periode sebelumnya (periode t-1)
3.1.2 Arithmetic Average
Metode arithmetic average merupakan metode yang sederhana juga, yaitu dengan menhitung semua rata – rata
permintaan sebelumnya pada periode yang diramalkan, formulanya adalah sebagai berikut :
+
�´ =
Dimana :
dt´ = peramalan permintaan untuk periode t
dt = actual permintaan pada periode t
n = jumlah periode
∑��=1 �
+⋯+ �
=
�
�
3.1.3 Single Moving Average
Formulanya adalah :
� �
=
�´
�− + �−
=
+⋯+ � −
Dimana :
dt´ = peramalan permintaan pada periode t
dt-i = actual permintaan pada t-i
N = jumlah periode yang masuk dalam moving average
=
∑��=1 � − �
3.1.4 Weighted Moving Average
Formulanya adalah :
� �
di mana C adalah pembobotan.
= �´ =
�−
�−
+ �−
�−
∑
+⋯+ � −
�−
=
∑�
�=1 � − � � − �
∑
3.1.5 Single Exponential Smoothing
Dengan formula :
dt´ = α.dt-1 + (1-α).dt-1´
Dimana :
α = koefisien smoothing / pemulusan (0 < α < 1)
pada model ini biasanya menggunakan nilai koefisien (α) adalah (0.1), (0.5) dan (0.9).
Dari metode – metode peramalan data konstan dengan formulasinya maka, dapat dilihat dari tabel hasil
perhitungan peramalan produksi setiap metode.
Tabel 2. Hasil perbandingan nilai peramalan
SINGLE
ARITHMETIC
WMA
PERIOD
MOVING
AVERAGE
C=4
DEMAND
AVERAGE
(unit)
(unit)
(unit)
2 (unit)
LAST
SES
SES
SES
α=0.1
α=0.5
α=0.9
(unit)
(unit)
(unit)
-
-
-
-
-
-
21,237
21,237
21,237
21,237
21,237
-
21,237
21,237
21,237
20,175
20,883
20,706
-
21,131
20,706
20,281
23,361
21,503
21,768
22,830
21,354
22,034
23,053
PERIODE
DEMAND
(bulan)
(unit)
1
21,237
-
-
-
2
21,237
21,237
-
3
20,175
21,237
4
23,361
5
23,361
6
20,175
23,361
21,874
23,361
24,423
21,555
22,697
23,330
7
24,422
20,175
21,591
21,768
21,768
21,417
21,436
20,491
8
15,928
24,422
21,995
22,299
22,829
21,717
22,929
24,029
9
22,299
15,928
21,237
20,175
16,458
21,138
19,429
16,738
10
29,924
22,299
21,355
19,114
20,176
21,254
20,864
21,743
11
27,086
29,924
22,212
26,112
28,863
22,121
25,394
29,106
12
27,561
27,086
22,655
28,505
34,084
22,618
26,240
27,288
13
19,111
27,561
23,064
27,324
29,955
23,112
26,900
27,534
14
20,012
19,111
22,760
23,336
17,930
22,712
23,006
19,953
15
20,012
20,012
22,564
19,562
16,025
22,442
21,509
20,006
16
21,125
20,012
22,393
20,012
16,238
22,199
20,760
20,011
17
20,012
21,125
22,314
20,569
21,576
22,092
20,943
21,014
18
22,925
20,012
22,179
20,569
20,569
21,884
20,477
20,112
19
22,925
22,925
22,220
21,469
22,925
21,988
21,701
22,644
20
22,005
22,925
22,257
22,925
23,825
22,081
22,313
22,897
21
27,678
22,005
22,245
22,465
23,462
22,074
22,159
22,094
22
25,917
27,678
22,503
24,842
27,218
22,634
24,919
27,120
23
25,917
25,917
22,659
26,799
28,294
22,963
25,418
26,037
24
27,678
25,917
22,800
25,917
27,873
23,258
25,667
25,929
27,678
23,003
26,799
26,798
23,258
25,667
25,929
25
Dengan nilai MAD (mean absolute deviation) dan nilai uji validasi sebagai berikut :
Tabel 3. Perbandingan nilai MAD
METODE PERAMALAN
MAD
(Mean Absolute Deviation )
Last Period Demand
2,959.13
Arithmetic Average
2,909.41
Single Moving Average
2,713.32
Weighted Moving Average
3,692.63
Single Exponential Smoothing α = 0.1
2,861.44
Single Exponential Smoothing α = 0.5
2,568.69
Single Exponential Smoothing α = 0.9
2,561.58
Tabel 4. Perbandingan uji validasi dengan tracking signal
METODE PERAMALAN
Nilai Tracking Signal
Last Period Demand
Arithmetic Average
-2.0 s/d 7.9
Single Moving Average
-1.2 s/d 3.2
Weighted Moving Average
-2.1 s/d 1.5
Single Exponential Smoothing α = 0.1
-2.0 s/d 8.6
Single Exponential Smoothing α = 0.5
-2.0 s/d 4.2
Single Exponential Smoothing α = 0.9
-2.0 s/d 2.7
Dari perhitungan nilai MAD dan nilai tracking signal (tabel 3 dan 4) maka, diperoleh metode single exponential smoothing α
= 0.9 dengan nilai MAD yang terkecil yaitu 2,561.58 dan nilai uji tracking signal -2.0 s/d 2.7. Maka ini yang paling tepat
untuk dijadikan dasar perencanaan produksi dengan nilai error 11.60 % dengan akurasi 88.40 %.
3.2 Perencanaan produksi (Aggergate Planning)
3.2.1 Kapasitas produksi
Berdasarkan aktual permintaan produksi, maka diperoleh perincian kapasitas produksi setiap periode dengan
perincian sebagai berikut :
Jumlah tenaga kerja adalah 35 orang (aktual data).
Upah rata-rata tenaga kerja adalah Rp 2,450,000 / orang.
Jumlah persediaan awal adalah 1,000 pcs (data aktual).
Jumlah persediaan akhir yang diinginkan adalah 6,129 pcs (safety stok) dengan perhitungan (SS)= Zα *
S√L = 6,129 unit.
Standard deviasi 5% dari total permintaan (kebijakan perusahaan).
Biaya jam normal (regular time) adalah Rp 5,000.
Biaya jam over time (OT) adalah Rp 19,000.
Biaya subkontrak adalah Rp 22,000.
Biaya persediaan adalah Rp 2,500 (20% dari harga produk).
Kapasitas jam normal aktual adalah kapasitas dikali jumlah hari kerja (kapasitas tiap hari adalah 900
unit).
Kapasitas regular time dengan satuan agregat adalah 788 unit KY.
Kapasitas jam lembur max 50% dari kapasitas jam normal.
Kapasitas subkontrak adalah 25% dari total kapasitas jam normal dan kapasitas jam lembur.
Perhitungan kapasitas jam normal per tipe berdasarkan total waktu baku atau waktu proses, maka diperoleh hasil
kapasitas produksi regular time, overtime dan kapasitas sub-kontrak tiap periode.
Tabel 5. Kapasitas jam normal satuan unit KY
waktu proses
jam kerja
kapasitas
equivalen
(menit)
(3 shift)
(unit KY)
coefficient
KY
8.57
24
168
1.00
K1
7.50
24
148
0.88
K2
8.57
24
168
1.00
K3
7.50
24
148
0.88
K4
8.00
24
156
0.93
Tipe
Total
Periode
(bulan)
∑ hari kerja
788
Tabel 6. Kapasitas produksi
kapasitas RT
kapasitas OT
kapasitas SC
(unit KY)
(unit KY)
(unit KY)
1
20
15,760
7,880
5,910
2
20
15,760
7,880
5,910
3
19
14,972
7,486
5,615
4
22
17,336
8,668
6,501
5
22
17,336
8,668
6,501
6
19
14,972
7,486
5,615
7
23
18,124
9,062
6,797
8
15
11,820
5,910
4,433
9
21
16,548
8,274
6,206
10
22
17,336
8,668
6,501
11
20
15,760
7,880
5,910
12
17
13,396
6,698
5,024
189,120
94,560
70,920
TOTAL
Kapasitas Produksi
kapasitas (unit KY)
40000
35000
30000
25000
kapasitas SC
20000
kapasitas OT
15000
kapasitas RT
10000
5000
0
1 2 3 4 5 6 7 8 9 10 11 12
periode (bulan)
Gambar 1. Kapasitas produksi
Gambar 1 menunjukkan kapasitas produksi masing – masing periode berbeda, hal ini dikarenakan beberapa faktor, yaitu
jumlah hari kerja efektif pada masing – masing periode tidak sama sehingga berakibat perbedaan pada hasil perhitungan
kapasitas jam lembur maupun kapasitas sub-kontrak.
3.2.2 Perhitungan Dengan Metode Transportasi (Tabular)
Setelah selesai melakukan perhitungan terhadap kapasitas produksi, maka langkah selanjutnya adalah
melakukan perhitungan perencaan produksi (aggregate planning). Dalam perhitungan perencanaan produksi
dengan menggunakan metode transportasi (tabular) maksimal overtime dengan tujuan pengalokasian produksi
dengan biaya minimal. Biaya- biaya yang dipertimbangkan adalah biaya regular time, biaya overtime, biaya
sub-kontrak dan biaya inventori atau biaya simpan, dalam kondisi jumlah persediaan awal 1,000 unit dan jumlah
persediaan akhir (safety stock) 6,129 unit. Dalam perhitunga ini maupun perhitungan peramalan menggunakan
alat bantu software WinQSB.
Tabel 7. Tabel transportasi (bulan Januari – Maret)
Maka diperoleh jadwal imduk produksinya dengan satuan unit KY sesuai dengan coefficient equivalent , yaitu :
Tabel 8. Jadwal induk produksi
Periode
Demand
(bulan)
(unit)
Kapasitas
Sisa
reguler
kapasitas
tersedia
reguler
Rencana produksi
Total
produksi
Regular Time
Over
Time
(unit)
Subcontrac
Persediaan
akhir
1,000
Initial
1
27,534
15,760
0
15,760
7,880
2,894
26,534
0
2
19,953
15,760
0
15,760
4,193
0
19,953
0
3
20,006
14,972
0
14,972
5,034
0
20,006
0
4
20,011
17,336
0
17,336
2,675
0
20,011
0
5
21,014
17,336
0
17,336
3,678
0
21,014
0
6
20,112
14,972
0
14,972
5,140
0
20,112
0
7
22,644
18,124
0
18,124
9,062
0
27,186
4,542
8
22,897
11,820
0
11,820
5,910
625
18,355
0
9
22,094
16,548
0
16,548
8,274
0
24,822
2,728
10
27,120
17,336
0
17,336
8,668
1,815
27,819
3,427
11
26,037
15,760
0
15,760
7,880
5,910
29,550
6,940
12
25,929
13,396
0
13,396
6,698
5,024
25,118
6,129
TOTAL
275,351
189,120
0
189,120
16,268
280,480
23,766
75,092
3.2.3 Perhitungan biaya produksi
Tabel 9. Biaya produksi dengan metode transportasi
Dari perhitungan biaya produksi pada tabel 4.32 maka diperoleh total biaya produksi sebesar Rp 2,789,659,000.
Biaya overtime masih terlalu tinggi dibandingkan dengan biaya regular time. Oleh karena itu, perlu dilakukan
analisa untuk menurunkan biaya overtime. Langkah selanjutnya adalah mencari potensi yang dapat
menyebabkan kehilangan waktu untuk produksi, yaitu menurunkan downtime mesin sebesar 18.91 % dari data.
BULAN
Tabel 10. Data downtime mesin
mesin
kerusakan mesin
jumlah hari
normal
kerja
jam
%
(jam)
Januari
20
480
183.17
38.16
Februari
20
480
48.58
10.12
Maret
19
456
104.88
23.00
April
22
528
105.60
20.00
Mei
22
528
82.47
15.62
Juni
19
456
50.39
11.05
Juli
23
552
104.82
18.99
Agustus
15
360
72.00
20.00
September
21
504
83.41
16.55
Oktober
22
528
116.16
22.00
November
20
480
82.85
17.26
Desember
17
408
57.65
14.13
480
91.00
18.91
RATA-RATA
Langkah yang dilakukan untuk menurunkan downtime tersebut adalah dengan cara mengefektifkan kembali
kegiatan preventive maintenance, yaitu melakukan perawatan berkala maintenance ( service), perawatan harian
maintenance (inspection), perawatan berkala maintenance penggantian oli (oil replacement) dan perawatan
berkala maintenance (part replacement). Berikut perincian biaya yang diperlukan dalam melakukan preventive
maintenance. Tentu saja membutuhkan biaya untuk melakukan kegiatan tersebut (tabel 11).
Tabel 11. Total biaya preventive maintenance
preventive maintenance
cost (Rp)
oil replacement
11,102,075.00
flushing oil
7,507,500.00
part replacement
85,497,808.00
total
104,107,383.00
Dengan melakukan preventive maintenance untuk menurunkan downtime mesin sebesar 18.91 %, sehingga
diperoleh saving cost overtime (tabel 12).
kapasitas
aggregat (unit)
Regular Time
Over Time
Tabel 12. Saving cost overtime
kapasitas setelah
biaya agregat
perbaikan (unit)
(Rp)
biaya setelah
biaya preventive
perbaikan (Rp)
maintenance (Rp)
189120
224883
945,600,000.00
945,600,000.00
75092
39329
1,426,748,000.00
679,489,248.00
Saving Cost Overtime (Rp)
643,151,369.00
Saving Cost Overtime (%)
45.08
104,107,383.00
Sebagai kesimpulan setelah menurunkan downtime mesin sebesar 18.91 % dengan langkah preventive
maintenance, maka diperoleh saving cost overtime sebesar 45.08 % (sebesar Rp 643,151,369 setelah dikurangi
dengan biaya yang diperlukan untuk melakukan preventive maintenance).
4. Kesimpulan
Kesimpulkan yang diperoleh setelah melakukan analisis adalah :
Dengan melakukan ploting data histori dan melakukan perhitungan ulang peramalan produksi (forecasting)
dengan menggunakan metode Last period demand, Arithmetic average (average methods), Single moving
average (SMA), Weighted moving average (WMA), Single exponential smoothing (SES dengan nilai α =
0.1, α = 0.5, α = 0.9). Dari metode tersebut di peroleh hasil perhitungan peramalan produksi dengan
menggunakan metode Single exponential smoothing (SES dengan α = 0.9) dengan nilai pesentase kesalahan
yang terkecil yaitu 11.60% dengan tingkat akurasi 88.40%.
Hasil perhitungan aggregate planning dengan metode transportasi (tabular) diperoleh total biaya / cost
produksi dalam setahun sebesar Rp 2,789,659,000 (perhitungan dengan maksimal overtime), dengan biaya
overtime sebesar Rp 1,426,748,000. Dengan menurunkan downtime mesin sebesar 18.91% dengan cara
melakukan preventive maintenance, maka diperoleh saving cost overtime sebesar 45.08%.
Daftar Pustaka
Baroto, T. 2002. Perencanaan dan Pengendalian Produksi. Ghalia Indonesia. Jakarta.
Bedworth, DD & Bailey, JE. Integrated Production Control System. John Wiley & Sons. Singapore. 1987.
Kusuma, H. 2004. Managemen Produksi : Perencanaan dan Pengendalian Produksi. Andi Offset, Yogyakarta.
Makridakis, Spyros; Steven C Wheelwright; Victor E McGee. (1999). Metode dan Aplikasi Peramalan. Jilid I,
Binarupa Aksara, Jakarta.
Narasimhan, S. (1995). Production Planning and Inventory Control. Second edition. Prentice-Hall International,
Inc. New Jersey.
Nasution, Arman Hakim. (2003). Perencanaan dan Pengendalian Produksi. Edisi Pertama Cetakan Ke-dua.
Guna Widya. Surabaya.
Render, Barry; Ralph M. Stair, Jr; Michael E. Hanna. (2006). Quantitative Analysis for Management. 9th
edition. Prentice Hall, Inc., New Jersey.
Sipper, Daniel. Robert L. Bulfin, JR. PRODUCTION : planning, Control, and Integration. McGraw-Hill. USA.
1997.
Smith, Spencer B. (1989). Computer-based Production and Inventory Control. Prentice-Hall International Inch.
USA.
Taylo III, Bernard W. 2005. Introduction to Management Science. Salemba Empat: Jakarta.
Tersine, Richard J. (1994). Principles of Inventory and Material Management. 4th edition. Prentice Hall, Inc.,
New Jersey.
T.Hani Handoko, 1984, edisi ke-1, Dasar – Dasar ManagemenProduksi dan Operasi, Yogyakarta ;
BPFE_Yogyakarta.
Lampiran