Tindt 2012 Lina Gozali

TEMU ILMIAH NASIONAL DOSEN TEKNIK X-2012
Peran Perguruan Tinggi Dalam Pengembangan Teknologi Berwawasan Lingkungan

FAKULTAS TEKNIK UNIVERSITAS TARUMANAGARA
Jakarta, 29 Maret 2012
PERENCANAAN KEBUTUHAN MATERIAL MESIN CUCI

WM-ADS-86 DAN WM-ADS-96 DENGAN MENGGUNAKAN
METODE LOT SIZING TERBAIK PADA PT. XYZ
Lina Gozali1, I Wayan Sukania2, Sendy3
1,2
)Staff Pengajar Program Studi Teknik Industri Universitas Tarumanagara, Jakarta
3
)Mahasiswa Program Studi Teknik Industri, Universitas Tarumanagara, Jakarta
e-mail: ligoz@tarumanagara.ac.id
Abstract: PT. XYZ is a company that specialized in the electronics field. One of the resulting
products is a washing machine. To fulfill the market demand, the company must have good
material requirements planning so that production can proceed smoothly and the company can
determine the optimal amount of raw material and make a profit by minimizing the costs
necessary for the purchase of raw material. In this paper, the studied product is the washing
machine WM-ADS-86 and WM-ADS-96. To overcome these problems, the first step to do is to
forecast production for a period of 12 months by using the forecasting methods that fit the
pattern of past sales data. The best forecasting method for both types of washing machines is
the Linear Regression method. After the method is validated with a Tracking Signal and
verified with the Moving Range Chart (MRC), obtained that the forecasting results by the
method of Linear Regression fit for use for a Master Production Schedule (MPS). From the
Master Production Schedule is then becomes the input for the material requirements planning.
Material requirements planning is done by calculating of lot sizing method with the method of
Economic Order Quantity (EOQ), the method of Lot for Lot (LFL), the method of Least Unit
Cost (LUC), and the method of Period of Supply (POS). The method chosen was a method that
gives a total cost of inventory at a minimum. The calculation result shows that the best method
for material requirements planning is a method of Lot for Lot (LFL).
Keywords: forecasting, material requirements planning, minimum inventory costs.
PENDAHULUAN
Setiap produk yang dihasilkan perusahaan harus sesuai dengan permintaan pasar.
Untuk itu diperlukan suatu perencanaan sebelum melakukan proses produksi. Perencanaan
produksi ini dibuat agar perusahaan dapat memproduksi barang/jasa dengan efektif dan
efisien, memberikan kepuasan kepada pelanggan, serta memperoleh keuntungan yang
tinggi.
Suatu perencanaan bukan hanya meliputi perencanaan produk jadi tetapi juga
perencanaan kebutuhan material. Persediaan material berpengaruh terhadap jalannya
produksi sehingga dengan adanya perencanaan kebutuhan material maka perusahaan dapat
memperkirakan berapa kebutuhan material setiap periodenya agar dapat memproduksi
produk sesuai dengan permintaan pasar. Perencanaan kebutuhan material dan produk jadi
juga dapat menghindari terjadinya kekurangan atau kelebihan akan material. Apabila
terjadi kelebihan atau kekurangan baik material maupun produk jadi dapat merugikan
pihak perusahaan dan juga konsumen.
PT. XYZ merupakan perusahaan yang bergerak pada bidang elektronik. Perusahaan
ini memproduksi berbagai alat elektronik seperti Televisi, Air Conditioner (AC), Kulkas,
dan Mesin Cuci. PT. XYZ memiliki ciri khas serta nilai tambah yang berbeda
dibandingkan dengan produk elektronik lain sehingga konsumen setia dan percaya akan
produk elektronik PT. XYZ. Untuk Divisi Washing Machine, PT. XYZ memiliki standar
yang sudah ditentukan mulai dari perencanaan material yang akan digunakan, proses
produksi, hingga menjadi barang jadi (finished goods). Namun perencanaan kebutuhan
TI-1
material untuk produksi belum berjalan dengan baik sehingga ketersediaan material kurang
dan cukup mengganggu kelancaran produksi.
Oleh karena itu perlu dibuat suatu sistem perencanaan material yang dapat
merencanakan penggunaan bahan untuk pembuatan suatu produk. Diharapkan sistem ini
dapat menentukan jumlah material yang optimal dan menghemat biaya pembelian material
sehingga keuntungan yang didapat perusahaan meningkat.
DASAR TEORI
Peramalan (forecasting) adalah upaya untuk memperkirakan apa yang akan terjadi
di masa yang akan datang, dan objek yang diramalkan dapat meliputi apa saja. Analisa
kebutuhan bertujuan untuk melihat atau memperkirakan prospek ekonomi atau kegiatan
usaha serta pengaruh lingkungan terhadap prospek tersebut. Usaha-usaha untuk
mengantisipasi apa yang akan terjadi dimasa yang akan datang tidak akan terlepas dari
kegiatan peramalan (forecasting) (Gaspersz, 2002).
Karakteristik Peramalan yang Baik

Karakteristik peramalan yang baik harus memenuhi beberapa kriteria yaitu terdiri
dari hal-hal sebagai berikut:
1. Ketelitian
Ramalan harus memiliki tingkat ketelitian yang cukup, karena apabila terlalu besar
akan menyebabkan inventory yang berlebihan dan biaya operasi tambahan, sedangkan
apabila terlalu kecil akan menyebabkan kekurangan inventory, back order, perusahaan
kehilangan pelanggan dan profit.
2. Biaya
Biaya untuk mengembangkan model peramalan dan melakukan peramalan akan
menjadi signifikan jika jumlah produk dan data lainnya semakin besar. Mengusahakan
melakukan peramalan jangan sampai menimbulkan ongkos yang terlalu besar ataupun
terlalu kecil.
3. Response
Ramalan yang dilakukan harus stabil dan tidak terpengaruh oleh fluktuasi demand.
4. Simpel
Keuntungan utama menggunakan peramalan yang sederhana yaitu kemudahan untuk
melakukan peramalan. Jika kesulitan terjadi pada metode sederhana, diagnosa lebih
mudah dilakukan. Secara umum, lebih baik menggunakan metode paling sederhana
yang sesuai dengan kebutuhan peramalan.
Prinsip-prinsip Peramalan
Prinsip-prinsip peramalan yang perlu dipertimbangkan antara lain:
1. Peramalan melibatkan kesalahan (error)
Peramalan hanya megurangi ketidakpastian tetapi tidak menghilangkannya, ini
memungkinkan adanya kesalahan peramalan.
2. Peramalan sebaiknya memakai tolak ukur kesalahan peramalan
Besar kesalahan dapat dinyatakan dalam satuan unit atau persentase permintaan aktual
akan jatuh dalam interval peramalan.
3. Peramalan family produk lebih akurat dari peramalan produk individu (item)

TI-2
Jika suatu family produk tertentu diramal sebagi suatu kesatuan, persentase kesalahan
cenderung lebih kecil daripada persentase kesalahan peramalan produk-produk
individu penyusun family.
4. Peramalan jangka pendek lebih akurat daripada peramalan jangka panjang
Dalam waktu jangka pendek, kondisi yang mempengaruhi permintaan cenderung tetap
atau berubah lambat, sehingga peramalan jangka pendek cenderung lebih akurat.
Metode Peramalan (Makridakis et.al., 1993)

1. Simple Average (SA) atau Simple Moving Average (rata-rata bergerak sederhana)
Dasar pemikiran metode ini yaitu menghitung nilai tengah untuk setiap waktu dengan
cara menjumlahkan seluruh nilai observasi sebelumnya dibagi jumlah data.
Penurunan rumus dari metode ini adalah:
X 1 + X 2 + X 3 + .... + X n
Fn =
n
2. Single Exponential Smoothing (SES) (Pemulusan eksponensial tunggal)
Dasar pemikiran metode ini yaitu menunjukkan pembobotan menurun secara
eksponensial terhadap nilai observasi yang lebih tua, sehingga ramalan yang dihasilkan
merupakan ramalan yang lalu ditambah suatu penyesuaian untuk kesalahan yang terjadi
pada ramalan terakhir.
Penurunan rumus dari metode ini adalah:
Ft +1 = Ft + α * ( X t − Ft )
3. Regresi Linier
Dasar pemikiran metode ini yaitu peramalan diperoleh dari ekstrapolasi yang
dihasilkan oleh suatu persamaan garis linier dari kejadian plot data masa lalu.
Penurunan rumus untuk metode peramalan linier regresi adalah sebagai berikut:
Ft = a + b.t
4. Siklis
Persamaan matematika yang digunakan untuk data dengan pola siklik. Penurunan
rumus dari metode ini adalah:
Y’(t) = a + b sin(2πt/n) + c cos(2πt/n)
Kesalahan Peramalan
Ukuran kesalahan (error) adalah besarnya penyimpangan antara aktual demand
dengan hasil ramalan. Terdapat beberapa besaran kesalahan peramalan:
1. Mean Absolute Error (MAE)
n
∑t =1
ΙetΙ
MAE =
n
2. Mean Square Error (MSE)
n
∑
2
et
t =1
MSE =
n
TI-3
3. Mean Absolute Percentage Error (MAPE)

n
∑ ΙPE Ι t
MAPE = t =1
n
Validasi Peramalan
Langkah selanjutnya yang dilakukan setelah peramalan yaitu untuk validasi
peramalan, yaitu untuk memvalidasikan bahwa data tersebut dapat dianggap layak sebagai
ramalan yang akan datang.
Berkaitan dengan validasi peramalan, kita dapat menggunakan tracking signal.
Dengan rumus sebagai berikut:
RSFE
Tracking signal =
MAD
Verifikasi Peramalan
Peramalan diverifikasi dengan peta rentang bergerak (moving range chart), peta ini
dirancang untuk membandingkan nilai yang diamati dengan yang diramalkan dari suatu
permintaan. Rumus untuk menghitung verifikasi peramalan dengan menggunakan moving
range chart adalah sebagai berikut:
MR = | (d’t – dt ) – (d’t1 – dt-1 ) |
Batas kontrol Moving Range Chart didefinisikan sebagai berikut:
UCL = + 2.66 MR dan LCL = - 2.66 MR
Daerah A merupakan daerah yang dibatasi ± 2/3 (2.66MR) = ± 1.77MR
Daerah B merupakan daerah yang dibatasi ± 1/3 (2.66MR) = ± 0.89 MR
Daerah C merupakan daerah diatas atau dibawah garis sumbu (central line).
Jadwal Induk Produksi

Jadwal Induk Produksi (JIP) adalah rencana tertulis yang menyajikan rencana
produksi detail untuk setiap produk akhir, dan merupakan rencana induk yang akan
dijadikan pedoman utama dalam pengerjaan, kebijakan persediaan, kebijakan financial,
pembebanan tenaga kerja, penjadwalan mesin, kebijakan alternatif produksi: regular,
lembur, subkontrak, dan lain-lain.
Fungsi dari Jadwal Induk Produksi (JIP) adalah:
1. Menjadwalkan produksi dan order pembelian untuk item-item Jadwal Induk Produksi
(JIP)
2. Memberikan input dasar bagi sistem MRP
3. Menjadi dasar bagi penentu kebutuhan sumber daya (tenaga kerja, jam mesin, dan lain-
lain) melalui RCCP
4. Menjadi dasar dalam membuat janji pengiriman (Delivery Promises) pada konsumen
Material Requirement Planning (MRP)

Perencanaan kebutuhan material (MRP) merupakan suatu teknik perencanaan dan
pengendalian produksi dimana Jadwal Induk Produksi (JIP) digunakan untuk membuat
atau membeli material yang bersifat dependent demand. Material yang termasuk dalam
dependent demand adalah bahan baku, parts, subassemblies, dan assemblies yang
TI-4
semuanya disebut manufacturing inventories. MRP memberikan peningkatan efisiensi

karena jumlah persediaan, waktu produksi dan waktu pengiriman barang dapat
direncanakan lebih baik, karena adanya keterpaduan dalam kegiatan yang didasarkan pada
Jadwal Induk Produksi (JIP). Ini berarti pengadaan dapat dilakukan terhadap barang atau
komponen yang diperlukan saja, jumlah persediaan yang berlebihan dapat dihindari, serta
pengadaan dan pengiriman barang dapat dilakukan sesuai dengan rencana. Dengan kata
lain, dapat dicapainya tepat barang, tepat jumlah dan tepat waktu. (Plossl, 1994).
Teknik Lot Sizing

Lot Sizing merupakan suatu teknik yang digunakan untuk menentukan jumlah
pesanan yang harus dipesan dengan meminimalkan biaya yang dikeluarkan. Biaya-biaya
yang berkaitan dengan lot sizing adalah biaya pesan, dan biaya simpan.
Metode lot sizing yang digunakan dalam penulisan paper ini adalah:
1. Economic Order Quantity (EOQ)
Metode lot sizing EOQ ini digunakan apabila permintaan produk bersifat kontinyu dan
konstan dengan varian permintaannya kecil. Metode EOQ dapat dirumuskan sebagai
berikut:
ଶ஽ௌ
‫ ܱܳܧ‬ൌ ට
௛
dimana:
EOQ = Jumlah pemesanan ekonomis
D = Jumlah kebutuhan bersih di setiap periode
S = Biaya pesan
h = Biaya simpan dalam periode N
2. Lot for Lot (LFL)

Lot for lot adalah teknik lot sizing yang melakukan order atau produksi sebesar jumlah
yang dibutuhkan pada periode tertentu sesuai kebutuhan untuk tiap periode. Jadi, tidak
ada item yang ditinggalkan dari periode satu ke periode berikutnya. Metode ini sesuai
untuk item yang biaya penyimpanannya besar dan biaya pesan yang kecil, seperti item
yang sangat mahal atau item dengan kebutuhan yang sedikit.
3. Least Unit Cost (LUC)

Metode LUC memperhitungkan sejumlah periode permintaan dengan
memperhitungkan total biaya per unit minimum. Apabila suatu order datang pada awal
periode pertama dan mampu memenuhi kebutuhan sampai akhir periode T maka:
Total biaya per unit = (biaya order + biaya holding sampai akhir periode T)/kumulatif
permintaan sampai akhir periode T.
4. Period of Supply (POS)

Metode ini bertujuan untuk menentukan besarnya pesanan berdasarkan periode waktu
tertentu saja. Jumlah pemesanan berdasarkan kebutuhan bersih pada periode yang akan
datang. Dalam perhitungan tugas akhir ini digunakan 2 periode pemesanan.
TI-5
PENGOLAHAN DATA
Langkah pertama yang dilakukan adalah membuat plot data historis penjualan
kedua jenis mesin cuci selama periode 1 tahun yang lalu. Plot data penjualan kedua mesin
cuci dapat dilihat pada gambar 1 dan gambar 2.
Data Penjualan WM-ADS-86

860
840
820
800
780
760
740
1 2 3 4 5 6 7 8 9 10 11 12
Gambar 1. Plot Data Penjualan Mesin Cuci WM-ADS-86
Data Penjualan WM-ADS-96

600
550
500
450
400
1 2 3 4 5 6 7 8 9 10 11 12
Gambar 2. Plot Data Penjualan Mesin Cuci WM-ADS-96
Dari plot data penjualan kedua mesin cuci, dapat dilihat bahwa plot data penjualan
produk kedua mesin cuci memiliki grafik yang cenderung naik dengan membentuk linier
dan siklis. Dengan demikian metode peramalan yang dapat digunakan untuk meramalkan
permintaan produk-produk tersebut di masa mendatang adalah metode Double Moving
Average, Double Exponential Smoothing, Regresi Linier, dan Siklis yang selanjutnya
dilakukan untuk melakukan perhitungan peramalan permintaan produk untuk 12 bulan
mendatang.
Perhitungan Paramater Kesalahan Peramalan

Perhitungan parameter kesalahan ini untuk membantu pemilihan metode peramalan
yang terbaik yang berdasarkan pada nilai dari parameter kesalahan yang paling kecil
diantara seluruh metode peramalan. Nilai dari parameter kesalahan setiap metode dari
kedua jenis produk mesin cuci dapat dilihat pada tabel 1 dan tabel 2.
TI-6
Tabel 1. Parameter Kesalahan Mesin Cuci WM-ADS-86

No. Metode MAD MSE MAPE
1 DMA (2x2) 9,56 169 1,17
2 DMA (3x3) 10,62 151,964 1,304
3 DMA (4x4) 9,85 142,74 1,2
4 DMA (5x5) 15,453 274,113 1,87
5 DES (α = 0,2) 10,00 129,22 1,23
6 DES (α = 0,4) 7,156 73,37 0,882
7 DES (α = 0,6) 6,95 94,02 0,85
8 DES (α = 0,8) 7,74 119,39 0,95
9 Regresi Linier 3,37 23,43 0,42
10 Siklis 9,822 162,64 1,22
Tabel 2. Parameter Kesalahan Mesin Cuci WM-ADS-96

No. Metode MAD MSE MAPE
1 DMA (2x2) 20,75 590,77 3,85
2 DMA (3x3) 15,99 518,975 2,924
3 DMA (4x4) 22,988 760,43 4,196
4 DMA (5x5) 30,03 924,27 5,35
5 DES (α = 0,2) 15,5 367,01 2,85
6 DES (α = 0,4) 12,89 265,66 2,41
7 DES (α = 0,6) 14,301 323,88 2,685
8 DES (α = 0,8) 18,666 435,58 3,502
9 Regresi Linier 8,67 97,00 1,65
10 Siklis 14,302 303,25 2,69
Dari semua jenis peramalan yang dipakai untuk meramalkan permintaan dimasa
mendatang, yang terpilih adalah tipe peramalan Regresi Linier yang mempunya nilai
kesalahan yang paling kecil.
Validasi Peramalan
Salah satu cara untuk mengontrol peramalan untuk memastikan bahwa metode
peramalan yang digunakan akan menghasilkan peramalan yang baik adalah dengan
menggunakan tracking signal. Dengan tracking signal maka dapat diketahui sebaik apakah
metode peramalan yang digunakan dalam memprediksi data aktualnya. Hasil dari proses
validasi dengan menggunakan tracking signal dapat dilihat pada gambar 3 dan gambar 4.
TI-7
6.00
4.00
2.00 Tracking Signal
0.00 UCL
1 2 3 4 5 6 7 8 9 10 11 12
-2.00 LCL
-4.00
-6.00
Gambar 3. Tracking Signal Regresi Linier Produk Mesin Cuci WM-ADS-86
6.00
4.00
2.00 Tracking Signal

0.00 UCL
1 2 3 4 5 6 7 8 9 10 11 12
-2.00 LCL
-4.00
-6.00
Gambar 4. Tracking Signal Regresi Linier Produk Mesin Cuci WM-ADS-96
Dari hasil tracking signal dapat diketahui bahwa metode peramalan yang
digunakan terdapat dalam batas kontrol.
Verifikasi Peramalan
Setelah melakukan proses validasi dengan menggunakan tracking signal, maka
metode yang terpilih harus melalui proses verifikasi apakah metode peramalan tersebut
merupakan metode terbaik atau tidak. Proses verifikasi dilakukan dengan menggunakan
peta rentang bergerak/kendali (Moving Range Chart). Gambar Moving Range Chart dapat
dilihat pada gambar 5 dan gambar 6.
20
15 MR
10 Batas Daerah A (Atas)
5 Batas Daerah A (Bawah)
0 Batas Daerah B (Atas)
-5 1 2 3 4 5 6 7 8 9 10 11 12 Batas Daerah B (Bawah)
-10 UCL
-15 LCL
-20
Gambar 5. Moving Range Chart Regresi Linier Produk Mesin Cuci WM-ADS-86
TI-8
40
30
MR
20 Batas Daerah A (Atas)
10 Batas Daerah A (Bawah)
0 Batas Daerah B (Atas)
1 2 3 4 5 6 7 8 9 10 11 12 Batas Daerah B (Bawah)
-10
UCL
-20
LCL
-30
-40
Gambar 6. Moving Range Chart Regresi Linier Produk Mesin Cuci WM-ADS-96
Dari gambar di atas dapat dilihat bahwa peta kendali berada dalam batas kendali (in
control), karena tidak ada data yang melewati batas yang telah ditentukan, sehingga dapat
disimpulkan bahwa metode Regresi Linier adalah metode peramalan terbaik untuk kedua
produk.
Jadwal Induk Produksi

Jadwal Induk Produksi (JIP) merupakan bagian yang terpenting karena merupakan
rencana induk yang akan dijadikan pedoman utama dalam rencana pengerjaan produk
sehingga didapat rincian jumlah produk yang harus diproduksi per periode sesuai dengan
keadaan, memenuhi permintaan pasar, dan meminimasi total biaya produksi. Jadwal Induk
Produksi (JIP) menjadi input bagi perencanaan kebutuhan material (Material Requirement
Planning) yang menjadi rencana pembelian material sehingga dapat diketahui kapan dan
berapa material harus dipesan ke masing-masing pemasok material. Untuk Jadwal Induk
Produksi (JIP) kedua mesin cuci dapat dilihat pada tabel 3 dan tabel 4.
Tabel 3. JIP Mesin Cuci WM-ADS-86

Periode Kuantitas Produk (unit)
November 2011 841
Desember 2011 847
Januari 2012 852
Februari 2012 858
Maret 2012 863
April 2012 868
Mei 2012 874
Juni 2012 879
Juli 2012 885
Agustus 2012 890
September 2012 895
Oktober 2012 901
TI-9
Tabel 4. JIP Mesin Cuci WM-ADS-96

Periode Kuantitas Produk (unit)
November 2011 580
Desember 2011 587
Januari 2012 595
Februari 2012 603
Maret 2012 611
April 2012 619
Mei 2012 627
Juni 2012 634
Juli 2012 642
Agustus 2012 650
September 2012 658
Oktober 2012 666
Perencanaan Kebutuhan Material (MRP)

Perhitungan MRP untuk kebutuhan material kedua jenis mesin cuci menggunakan
teknik lot sizing Economic Order Quantity (EOQ), Lot for Lot (LFL), Least Unit Cost
(LUC), dan Period of Supply (POS). Teknik lot sizing yang terbaik adalah yang
memberikan hasil biaya persediaan yang paling rendah. Untuk perbandingan hasil
perbandingan total biaya yang dihasilkan oleh masing-masing metode untuk seluruh
material dapat dilihat pada Tabel 5.
Tabel 5. Perbandingan Total Biaya Persediaan Material

EOQ LFL LUC POS
Material
(Rp) (Rp) (Rp) (Rp)
Stand pipe 454.158.875 444.697.875 446.579.375 445.766.125
Drain hose 900.184.650 889.540.800 893.144.800 891.679.400
Valve 2.712.454.450 2.669.374.650 2.679.391.650 2.675.787.450
Motor spin 4.523.651.200 4.448.212.900 4.465.702.900 4.458.900.200
Motor wash 3.973.316.600 3.914.204.900 3.929.829.300 3.923.611.500
Motor pulley 3.600.647.600 3.559.556.200 3.572.488.200 3.568.110.600
Panel dan Knob 2.249.055.175 2.223.602.350 2.232.877.350 2.228.949.300
Switch timer 901.496.575 891.232.900 893.034.900 893.371.200
Spin-dry lid 801.975.020 784.157.980 785.883.660 786.037.500
Inner-lid 629.739.955 622.538.960 625.210.160 624.036.130
Spin tube 86 2.098.871.400 2.073.765.800 2.083.305.800 2.078.748.400
Spin tube 96 1.316.439.425 1.297.628.850 1.303.193.850 1.300.754.175
V-belt 539.769.375 533.724.300 535.886.700 535.007.550
Capacitor 1.082.945.100 1.067.569.800 1.071.767.400 1.070.135.400
Wire 454.162.125 444.648.125 446.582.625 445.716.375
TI-10
Dari tabel dapat dilihat bahwa metode Lot for Lot yang memberikan total biaya
persediaan yang paling rendah.
KESIMPULAN
1. Metode peramalan yang digunakan untuk meramalkan permintaan kedua jenis mesin
cuci untuk periode 12 bulan mendatang adalah metode Regresi Linier karena memiliki
nilai kesalahan terkecil dari metode lainnya. Untuk Regresi Linier WM-ADS-86; Nilai
MAD = 3,37, MSE = 23,43, MAPE = 0,42. Untuk Regresi Linier WM-ADS-96; Nilai
MAD = 8,67, MSE = 97,00, MAPE = 1,65.
2. Metode Regresi Linier yang telah dipilih kemudian melalui proses validasi
menggunakan tracking signal dan melalui proses verifikasi dengan menggunakan
Moving Range Chart (MRC) yang hasilnya dapat dilihat pada Gambar 3, Gambar 4,
Gambar 5, dan Gambar 6 yang menunjukkan data peramalan tersebut dalam batas
kontrol. Sehingga metode ini layak dijadikan Jadwal Induk Produksi (JIP) yang
merupakan input untuk menentukan perencanaan kebutuhan material untuk produksi
kedua jenis mesin cuci tersebut.
3. Perencanaan kebutuhan material dibuat dengan metode lot sizing. Dari perhitungan
yang telah dilakukan dapat dilihat bahwa metode Lot for Lot (LFL) merupakan teknik
lot sizing terbaik yang tepat untuk menentukan jumlah pemesanan material yang
optimal. Karena metode ini menghasilkan biaya persediaan yang minimum
dibandingkan dengan metode lot sizing yang lainnya yang dapat dilihat pada Tabel 5.
DAFTAR PUSTAKA
Gaspersz, Vincent, Production Planning and Inventory Control. Jakarta: PT. Gramedia
Pustaka Utama, 2002.
Makridakis, S., Stevan C. Wheelwright., and Victor E. McGee., Forecasting Methods and
Application, 2nd Edition. New York: John Willey and Sons, 1993.
Plossl, George W., Material Requirement Planning. New York: Mc. Graw-Hill, Inc, 1994.
TI-11

Tindt 2012 Lina Gozali

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tindt 2012 Lina Gozali

Uploaded by

Copyright:

Available Formats

TEMU ILMIAH NASIONAL DOSEN TEKNIK X-2012

Peran Perguruan Tinggi Dalam Pengembangan Teknologi Berwawasan Lingkungan

PERENCANAAN KEBUTUHAN MATERIAL MESIN CUCI

Keywords: forecasting, material requirements planning, minimum inventory costs.

Karakteristik Peramalan yang Baik

Metode Peramalan (Makridakis et.al., 1993)

3. Mean Absolute Percentage Error (MAPE)

Jadwal Induk Produksi

Material Requirement Planning (MRP)

semuanya disebut manufacturing inventories. MRP memberikan peningkatan efisiensi

Teknik Lot Sizing

2. Lot for Lot (LFL)

3. Least Unit Cost (LUC)

4. Period of Supply (POS)

Data Penjualan WM-ADS-86

Gambar 1. Plot Data Penjualan Mesin Cuci WM-ADS-86

Data Penjualan WM-ADS-96

Gambar 2. Plot Data Penjualan Mesin Cuci WM-ADS-96

Perhitungan Paramater Kesalahan Peramalan

Tabel 1. Parameter Kesalahan Mesin Cuci WM-ADS-86

Tabel 2. Parameter Kesalahan Mesin Cuci WM-ADS-96

Gambar 3. Tracking Signal Regresi Linier Produk Mesin Cuci WM-ADS-86

2.00 Tracking Signal

Gambar 4. Tracking Signal Regresi Linier Produk Mesin Cuci WM-ADS-96

Jadwal Induk Produksi

Tabel 3. JIP Mesin Cuci WM-ADS-86

Tabel 4. JIP Mesin Cuci WM-ADS-96

Perencanaan Kebutuhan Material (MRP)

Tabel 5. Perbandingan Total Biaya Persediaan Material

You might also like