CATATAN KULIAH SISTEM PERENCANAAN & PENGENDALIAN MANUFAKTUR Dosen : Ir. Witantyo, M.Sc.

Eng 16 Feb 2010 Operation Management Manager marketing  menangani masalah pemasaran saja Manager operation  bertanggung jawab terhadap semua proses added value (PPC, material, proses, distribusi dll) .... sehingga tanggung jawabnya lebih luas. Melakukan improvement .... why?  karena tuntutan pasar First step  1. Merancang (customer driven)..... design + prosesnya 2. Material  kesalahan suplier berpengaruh pada penentuan harga jual shg diperlukan material yang memiliki mutu yang baik namun harga yang murah. Untuk itu pola penentuan pemesanan material harus dilakukan material yang berada di daerah/lokal terlebih dahulu shg mempunyai harga yg murah... kalau terpaksa baru lakukan/cari yang jauh. 3. Supplier harus disertakan dalam perancangan produk sehingga mereka dapat memberikan masukan dan bila terjadi masalah, supplier segera diinformasikan & ditunjukkan kesalahan desain atau yang lainnya agar mereka dapat segera mengambil langkah untuk memperbaiki apa yang kurang pada material mereka (bila memang material mempengaruhi atas terjadinya kesalahan). Hal ini menunjukkan hubungan yang baik antara supplier dan industri. Agar harga murah namun kualitas tetap baik harus dilakukan improvement seperti melakukan introduction to new technology. Bagaimana dikatakan bahwa kualitas kita baik?  Harus sesuai keinginan konsumen dan dapat terukur (kongkritnya dengan melakukan QC... atau melakukan pengukuran terhadap produk kita) 1. Production Planning Control - Untuk memenuhi market yang fluktuatif, dibutuhkan inventory sebagai suspensinya.

Inventory Control Raw Material Sistem Produksi Added Value Process

Inventory Produk

Forcast Market Fluktuatif

Untuk mengatasi fluktuasi harga supply raw material, dibutuhkan inventory sbg tempat penyimpanan stock/cadangan material.

Forcast Konvensional Aggregate Planning Inventory Control PPC Management Project MRP

Modern
MRP II ERP

2. Quality Improvement 3. Perancangan Pabrik Forcasting  berdasarkan : 1. Average (permintaan yang lalu) 2. Trend (kecenderungan naik atau turun) 3. Seasonal (kecenderungan tinggi/rendah berdasarkan siklus ttt) 4. Random  tidak bisa diramal Forcast berdasar average  ramalan ini sangat tertinggal karena tidak ada faktor trend dan seasonal Seasonal  misalnya musim hujan... penjualan es menurun... payung & jas hujan naik dll sifatnya musim/siklus tertentu Metode forecast : 1. Permintaan yang akan datang tidak akan berbeda terlalu signifikan terhadap saat ini  time series / extrapolasi 2. Berdasarkan causal (sebab-akibat)  pembangunan perumahan tergantung perekonomian (semakin baik perekonomian suatu daerah, maka kecenderungan untuk membeli rumah semakin tinggi karena rumah digunakan sebagai asset/investasi) 3. Subjektif  berdasarkan pendapat orang lain (ahli, konsultan, pengamat, sales lapangan, panel konsensus dll) Time Series Analysis : - Moving average (MA)  demand yang diramalkan tertinggal terhadap demand aktual - Weighted MA  untuk antisipasi tertinggalnya ramalan maka diberikan bobot tertentu - Exponential Smoothing  memanfaatkan error (selisih peramalan dg data aktual) untuk mengkoreksi peramalan berikutnya - Exponential smoothing with trend  untuk menghindari ketertinggalan dimasukkan komponen trend

1. Moving Average Ft = 𝐴𝑡
−1 𝐴𝑡−2 𝐴𝑡−3 … 𝐴𝑡−𝑛 𝑛

Ft = Ft = 2. Weighted MA

= 1067  3 week = 1367  9 week

3. Exponential Smoothing Ft = Ft-1 + α (At-1 – Ft-1) Ft = Forcast periode tertentu Ft-1 = Forcast periode tertentu dikurang 1 periode

At-1 = Actual periode tertentu dikurang 1 periode α = smoothing constant 4. Exponential Smootihing with trend FITt = Ft + Tt Ft = FITt-1 + α (At-1 – FITt-1) Tt = Tt-1 + δ (Ft – FITt-1)

Ft Tt FITt FITt-1 At-1 α, δ

= The exponentially smoothed forecast for period t = The exponentially smoothed trend for period t = The forecast including trend for period t = The forcast including trend made for the prior period = The actual demand for the prior period = Smoothing constant

Example: Assume an initial starting Ft of 100 unit, a trend of 10 units, an alpha of 0.20, an a delta of 0.30. If Actual demand turned out to be 115 rather than the forecast 100, calculate the forecast for the next period. Solution: Ft = 100; δ = 0.3; Tt = 10; α = 0.2

At-1 = 115;

Ft-1 = 100

Menjumlahkan starting forcast dengan trend: FITt-1 = Starting Forcast + Trend = 100 + 10 = 110 Ft = FITt-1 + α (At-1 – FITt-1) = 110 + 0.2 (115 – 110 ) = 111 Tt = Tt-1 + δ (Ft – FITt-1) = 10 + 0.3 (111 – 110) = 10.3

FITt = Ft + Tt = 111 + 10.3 = 121.3 MEASUREMENT OF ERROR Beberapa istilah umum yang digunakan untuk menjelaskan tentang derajat error adalah : standard error mean squared error (or variance) Mean absolute deviation (MAD)

Mean Absolute Deviation (MAD) adalah rata-rata error dalam forecast yang menggunakan nilai absolute.

MAD = 𝑛

𝑖=0 𝐴𝑡

−𝐹𝑡 𝑛

1 MAD ≈ 0,8 standard deviasi 1 standard deviasi ≈ 1,25 MAD Semakin besar nilai MAD, semakin tidak akurat model yang dibuat.

5. Linier Regression Analysis (LRA) Didefinisikan sebagai suatu hubungan fungsional antara dua atau lebih variabel yang saling berhubungan. LRA ini digunakan untuk memperkirakan satu variabel yang diberikan oleh variabel lainnya. Hubungan variabel ini dikembangkan dari data hasil observasi. Bentuk umum LRA  Y = a + bx Y = dependent variable computed by the equation y = the actual dependent variable data point (used below) a = y intercept b = slope x = independent variable (in time series analysis, x is units of time) Sxy = The standard error of estimate a = 𝑦 - b𝑥 b= 𝑥𝑦
−𝑛𝑥.𝑦 𝑥 2 −𝑛𝑥 2 𝑛
(𝑦 −𝑌 )2 𝑖 𝑛=1 𝑖

Sxy = 𝑛

−2

b= b=
2


2−

.
2

.2

− 2 − 2

2
2

b = 359,62  a= = = -b
. 2

 2779,17

2

 6,50

a = 2779,17 - (359,62 x 6,50) a = 441,67

Maka untuk tahun ke-13 dst menggunakan rumus  Y = 441,67 + 359,6 x Y13 = 441,67 + 359,6 (13)  5.116,4 Y14 = 441,67 + 359,6 (14)  5.476,0 Y15 = 441,67 + 359,6 (15)  5.835,6 6. Decomposition of a time series Dekomposisi  untuk meramalkan masing-masing komponen ......... (AV, trend,seasonal) dan kemudian digabungkan lagi.... Additive seasonal variation  mengasumsikan bahwa jumlah musiman konstant.

Forecast include trend and seasonal = Trend + Seasonal Multiplicative seasonal variation  Forecast include trend and seasonal = Trend x Seasonal factor

Forecast Including Trend and Seasonal factors (FITS) FITSt = Trend x Seasonal Factor I – 2008 FITS9 = [170 + 55(9)] x 1,25 = 832 II - 2008 FITS10 = [170 + 55(10)] x 0,78 = 560 III - 2008 FITS11 = [170 + 55(11)] x 0,69 = 534 IV - 2008 FITS12 = [170 + 55(12)] x 1,25 = 1040 DECOMPOSITION USING LEAST SQUARES REGRESSION More formally, the process is: 1. Decompose the time series into its components. a. Find Seasonal component b. Deseasonalize the demand c. Find trend component 2. Forecast future values of each component. a. Project trend component into the future b. Multiply trend component by seasonal component

Regresi menggunakan data deseasonalize: b=
(2 (2 )−( )( )−( )( )( )2 )

= 39,64

a= -b a = 679 – 39,64(4,5) = 500,6 sehingga deseasonalized regression-nya adalah :

CONTOH: Symple Decomposition Hal. 489 (Operation & Supply Management)

300 200 220 Q1 Q2 Q3 Average th I : Average th II :
2

530 Q4
2 2 22

520 Q5

420 Q6

400 Q7

700 Q8

Q9

Q10

= 312,5 = 510

Forecast untuk average tahun III adalah : Mean th II + Selisih tahun II dg tahun I Maka  510 + ( 510 – 312,5 ) = 707,5  2(510) – 312,5 = 707,5 Jadi Forecast average th II : 797,5
300

Index Q1 & Q5 = 312 52
200

520 510

= 0,99

Index Q2 & Q6 = 312 52
220

420 510

= 0,73

Index Q3 & Q7 = 312 5
520

400 510

2
00 510

= 0,74

Index Q4 & Q8 = 312 5

2

= 1,53

Sehingga untuk forcast Q9 , Q10 , Q11 , Q12 adalah sbb: Q9 = 707,5 x 0,99 = 700,425  700 Q10 = 707,5 x 0,73 = 517,72  518 Q11 = 707,5 x 0,74 = 526,49  526 Q12 = 707,5 x 1,53 = 1085,49  1085

7. FOCUS FORCASTING Data diplot (Scatter Diagram) untuk memperkirakan bentuk termasuk siklus/periode pengulangan kemudian meramalkan dengan membangun rumusan sederhana. CONTOH: Langkah : Data diplot dg scatter diagram. Lihat siklusnya!

Diperkirakan data berulang setiap 12 bulan sehingga data 6 bulan pertama tahun I  data 6 bulan pertama tahun 2. Forcast untuk 6 bulan kedua dapat dilakukan dengan menggunakan data 6 bulan tahun I dan II. Maka : Mean data 6 bulan pertama tahun I = 153 Mean data 6 bulan pertama tahun II = 163 − Besar kenaikannya adalah: = 0,05978  5,9% Kenaikan < 10%  tidak signifikan

Untuk bulan ke 19 adalah : (Actual bulan ke-7 tahun I x kenaikan) + Actual bulan ke-7 tahun I Bulan 19  150 x 5,9% + 150 = 158,85 Atau Bulan 19  150 x 105,9% = 158,85 Bulan 20  140 x 105,9% = 148,26 Dst.......

Contoh Soal No. 26 (Hal.511)

Cara Penyelesaian: Data berulang dari puncak ke puncak. (Data berulang setiap 7 periode  data ke-8 akan setara dengan data ke-1; data ke-9 setara dengan data ke-2, dst....) Mean data 4 tahun pertama periode I (1997-2000) = 5294,425 Mean data 4 tahun pertama periode II (2004-2007) = 5564,575 − 2 2 Besar kenaikannya adalah: = 0,051  5,1% 2 2 Sehingga Forcast untuk : o Tahun 2008 = 5497,7 x 105,1%  5778,1 o Tahun 2009 =

Menurut Methodology of Focus Forecasting hal.496, the simple forecasting rules could include: 1. Berapapun yang dijual pada 3 bulan yang lalu, mungkin akan kita jual pada 3 bulan yang akan datang 2. Apapun yang dijual pada periode 3 bulanan yang sama pada tahun lalu, mungkin akan kita jual pada periode 3 bulanan tahun ini. 3. Kita mungkin menjual 10% lebih tinggi pada 3 bulan yang akan datang dibandingkan dengan 3 bulan yang lalu 4. Kita mungkin menjual 50% lebih tinggi pada 3 bulan yang akan datang dibanding 3 bulan yang sama pada tahun lalu 5. Berapapun perubahan prosentase pada 3 bulan yang lalu tahun ini dibandingkan dengan 3 bulan yang sama pada tahun lalu kemungkinan sama perubahan prosentasenya dengan 3 bulan yang akan datang tahun ini.

Soal Quiz I Tgl. 3 Maret 2010 No. 5 - Hal. 509

-

Data berulang dari puncak ke puncak. (Data berulang setiap 6 periode  data ke-7 akan setara dengan data ke-1; data ke-8 setara dengan data ke-2, dst....)

-

Mean data 3 periode pertama periode I (Jan-Jun) = 121 Mean data 3 periode pertama periode II (Jan-Jun) = 129 2 − 2 Besar kenaikannya adalah: = 0,062  6,2% 2 Sehingga Forecast next year untuk : o Jan-Feb = 115 x 106,2%  122,13 o Mar-Apr = 112 x 106,2%  118,94 o Mei-Jun = 159 x 106,2%  168,86 Mean data 3 periode kedua periode I (Jul-Des) = 130 Mean data 3 periode kedua periode II (Jul-Des) = 138 − Besar kenaikannya adalah: = 0,058  5,8% Sehingga Forecast next year untuk : o Jul-Ags = 182 x 105,8%  192,56 o Sep-Okt = 126 x 105,8%  133,31 o Nov-Des = 106 x 105,8%  112,15

-

Example 15.6 ???????

CHAPTER 16 AGGREGATE SALES AND OPERATIONS PLANNING