Professional Documents
Culture Documents
Demas Emirbuwono Basuki1, Zikra Zizo Alfieta2, Ratna Agil Apriani3, Dwi Handayani4
1,2,3,4
Teknik Industri, Universitas Islam Indonesia
222916004@students.uii.ac.id
ABSTRACT
With the development and advancement of technology, various industries have expanded to multiple countries or domestic
areas in Indonesia. PT. Bakrie Autoparts is a company that produces multiple kinds of transport vehicle components. The
main product produced by PT. Bakrie Autoparts is BT. 1883 or Rear Drum Brakes. Requests for Brake Drum Rear during
PPKM (Imposition of Restrictions on Community Activities) have increased and PT. Bakrie Autoparts is one of the companies
that produces the most Brake Drum Rear, which is 42% of the national Brake Drum Rear production. This is a major concern
to meet the achievement of the need for an even distribution of Brake Drum Rear. Therefore, research was carried out using
forecasting methods and master production schedules to analyze production schedules for six months starting from February
to July 2022. From the forecasting results it is known that the best method is Linear Regression with a MAPE value of 28%.
Based on the results of data processing with the master production schedule, it can be analyzed production scheduling and
the number of Brake Drum Rear units at PT. Bakrie Autoparts in the next six months.
Keywords: Forecasting; Master Production Schedule; Production Scheduling; Brake Drum Rear
ABSTRAK
Dengan perkembangan serta kemajuan teknologi, berbagai industri melakukan banyak ekspansi ke berbagai negara atau
wilayah-wilayah domestik di Indonesia. PT. Bakrie Autoparts adalah sebuah perusahaan yang menghasilkan berbagai macam
komponen kendaraan pengangkut. Produk utama yang dihasilkan PT. Bakrie Autoparts salah satunya adalah BT. 1883 atau
Brake Drum Rear. Permintaan Brake Drum Rear selama PPKM (Pemberlakukan Pembatasan Kegiatan Masyarakat)
mengalami peningkatan dan PT. Bakrie Autoparts merupakan salah satu perusahaan yang memproduksi Brake Drum Rear
paling banyak yaitu sebesar 42% dari produksi Brake Drum Rear nasional. Hal tersebut menjadi perhatian utama untuk
memenuhi tercapainya kebutuhan Brake Drum Rear yang merata. Oleh karena itu dilakukan penelitian dengan menggunakan
metode peramalan dan jadwal induk produksi untuk menganalisis penjadwalan produksi selama enam bulan mulai dari bulan
Februari sampai Juli 2022. Dari hasil peramalan diketahui bahwa metode terbaik yaitu Linear Regression dengan nilai MAPE
sebesar 28%. Berdasarkan hasil pengolahan data dengan jadwal induk produksi dapat dianalisis penjadwalan produksi serta
jumlah unit Brake Drum Rear pada PT. Bakrie Autoparts pada enam bulan kedepan.
Kata Kunci: Peramalan; Jadwal Induk Produksi; Penjadwalan produksi; Brake Drum Rear
746
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
747
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
748
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
data dengan menggunakan Forecasting secara terus menerus dalam periode tertentu
dengan menggunakan 8 metode (tahun, bulan, minggu, dan sebagainya).
Forecasting. Setelah mendapatkan metode Proses analisis data deret waktu dilakukan
Forecasting terbaik, selanjutnya dilakukan untuk menemukan pola varians masa lalu
penjadwalan produksi dengan Jadwal Induk yang digunakan untuk melakukan prediksi
Produksi. pola di masa depan, karena melihat data
mengungkapkan bahwa terdapat empat
Forecasting komponen yang mempengaruhi pola data
Peramalan (Forecasting) merupakan masa lalu dan masa kini yang cenderung
ilmu yang memperkirakan kejadian masa berulang di masa mendatang (Pujiati,
depan dengan mengambil data historis Yuniarti, & Goejantoro, 2017). Beberapa
(masa lalu) dan menerapkannya ke masa metode peramalan digunakan dalam
depan menggunakan beberapa bentuk penelitian ini. Salah satunya adalah Simple
pemodelan matematika (Barry & Heizer, Moving Average yang dihitung dengan
2001). Forecasting dilakukan untuk merata-ratakan permintaan selama tiga
memperkirakan permintaan masa depan periode sebelumnya. Berikut adalah rumus
untuk suatu produk atau jasa berdasarkan perhitungannya:
kuantitas, kualitas, waktu, dan lokasi 𝐴𝑖
𝐹𝑖 + 1 = ∑
permintaan untuk produk atau jasa yang 𝑁
relevan (2021). Hal terpenting dalam Ketentuan:
perhitungan peramalan atau Forecasting Fi+1 : Forcast periode ke i + 1
adalah memahami karakteristik beberapa Ai : Nilai aktual tahun ke – i
metode yang akan digunakan dalam N : Jumlah data
peramalan untuk mengambil keputusan. Selain itu, terdapat Center Moving
Ramalan permintaan produk biasa Average dimana perhitungan dari rata-rata
digunakan untuk meramalkan sebuah penjualan atau permintaannya terdapat pada
permintaan produk yang berdiri sendiri pertengahan periode. Berikut ini rumus
seperti meramalkan produk akhir (finished persamaan untuk metode Center Moving
good product) (Kumila, Sholihah, Evizia, Average:
Safitri, & Fitri, 2019). Terdapat dua teknik 𝐴𝑖
𝐹𝑖 + 1 = ∑
permalan yang dikenal saat ini, ialah 𝑁
metode peramalan subjektif dan objektif. Ketentuan:
Metode prediksi subjektif memiliki model Fi+1 : Forcast periode ke i + 1
kualitatif sedangkan untuk metode prediksi Ai : Nilai aktual tahun ke – i
objektif memiliki dua model yaitu deret N : Jumlah data
waktu dan kausal. Model kualitatif Selanjutnya terdapat Weight moving
melakukan input elemen subyektif dalam average membutuhkan pembobotan untuk data
model prediktifnya. Model ini akan terbaru dalam seri yang tersedia. Berikut ini
berguna jika data kuantitatif tidak valid atau rumus persamaaan untuk Weighted Moving
tidak akurat (Makridakis & Steven, 1999). Average:
Umumnya model atau metode ∑(Dt x bobot)
𝑊𝑀𝐴 =
peramalan time series (deret waktu) yang ∑bobot
sering digunakan adalah Moving Averages, Ketentuan:
Exponential Smoothing, dan Trend Dt : Actual data pada periode t
Projection. Sedangkan untuk model regresi Bobot : Nilai Pembobotan
merupakan model atau metode kuantitatif Selanjutnya Exponential Smoothing,
eksternal yang sering digunakan (Gaspersz, dimana pada Exponential Smoothing terdapat
1998). Model deret waktu adalah kumpulan pembobotan dengan menggunakan nilai α dan
data yang diambil berdasarakan 1-α. Berikut ini rumus persamaaan untuk
pengumpulan maupun pengamatan data Exponential Smoothing:
749
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
750
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
3000
April-21 1088 1128 1891.17 949.33 1128 1001.83
0
Agustus-21 2344 896 1891.17 1037.33 1696 1049.6 1053.33 1102.74 1792.35
September-
1848 2344 1891.17 1608 2013.33 1757.6 2326.22 1226.87 1989.98
1 2 3 4 5 6 7 8 9 10 11 12 13
21
Demand Naive Constant
Oktober-21 1848 1848 1891.17 1696 2250.67 1806.4 2193.78 1288.99 2187.61
SMA CMA WMA
November-21 3056 1848 1891.17 2013.33 2570 1947.2 2495.11 1344.87 2385.24 DMA SES RL
Desember-21 2806 3056 1891.17 2250.67 3007.33 2452 2778.67 1515.99 2582.87
Gambar 3. Grafik Forecasting
Januari-22 3160 2806 1891.17 2570 2756.67 2689.4 3154 1644.99 2780.50
Hal ini dijelaskan pada grafik Linear
Februari-22 2304 3160 1891.17 3007.33 2756.67 3033 3803.33 1796.49 2978.13
751
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
produk akhir, yaitu produk jadi (Ayustinaa, Dari hasil tersebut, dilakukan
Nurdini, & Lazuardy, 2023). Dalam Jadwal perkalian nilai forecasting atau jumlah
Induk Produksi, beberapa data harus permintaan pelanggan, lalu dibagi dengan
diperhatikan. Data-data tersebut adalah data total hasil forecasting, kemudian akan
lead time, safety stock, order policy, didapatkan ramalan untuk setiap hari dalam
quantity on hand, dan perusahaan tersebut sebulan. Selanjutnya, dilakukan perkalian
melakukan available to promise (ATP) atau antara jumlah hari kerja dan hasil ramalan
tidak. Berikut merupakan data kebutuhan perharinya. Jumlah hari per minggu
dalam perhitungan Master Production tergantung pada jumlah hari dalam
Schedule (MPS): seminggu. Bulan Maret dan Agustus
Tabel 4. Keterangan MPS memiliki total 23 hari kerja, jadi dalam
Keterangan Jumlah sebulan ada 5 minggu. Terdapat 22 hari
Lead Time 1 week kerja untuk bulan Mei dan Juni. Juga
Safety Stock 10/day terdapat 21 hari kerja pada bulan April dan
Order Policy LFL Juli. Setelah itu dilakukan perhitungan
752
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
Days in Week
Forcast
1
4
553
2
5
276
3
5
414
4
5
552
5
4
553
1
1
163
2
5
803
3
5
803
4
5
802
5
5
802
1
5
811
2
5
812
3
5
812
4
5
812
5
2
324
Oleh karena itu, stok Februari yang ada
Customer Order
Project on hand
inventory
0
40
0
50
0
50
0
50
0
40
0
10
0
60
0
110
0
160
0
210
0
50
0
100
0
150
0
200
0
220
dianggap ada, tetapi stok pengaman tetap
MPS Quantity 593 326 464 602 593 173 853 853 852 852 861 862 862 862 344
MPS Start 326 464 602 593 853 853 852 852 862 862 862 344
sepanjang periode. Dengan demikian
perhitungan MPS Quantity tetap dilakukan
Tabel 8. MPS Juni Hingga Agustus 2022
1 2
Juni 2022
3 4 5 1 2
Juli 2022
3 4 5 1 2
Agustus 2022
3 4 5
berdasarkan besaran demand berdasarkan
Days in Week
Forcast
Customer Order
3
515
0
5
856
0
5
856
0
5
856
0
4
686
0
1
192
0
5
944
0
5
944
0
5
943
0
5
943
0
5
905
0
5
905
0
5
905
0
5
905
0
3
544
0
hasil Forecasting. Waktu pengiriman untuk
April 2022 masih 1 minggu. Dari grafik
Project on hand
30 80 130 180 220 10 60 110 160 210 50 100 150 200 230
inventory
MPS Quantity 545 906 906 906 726 202 994 994 993 993 955 955 955 955 574
MPS Start 906 906 906 726 994 994 993 993 955 955 955 574
800
Juni 2022
600
1000
400
800
200 600
0 400
1 2 3 4 5 200
0
April 2022 1 2 3 4 5
753
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
periode ke 5 lebih sedikit dari pada periode Percentage Error (MAPE) maka dapat
sebelumnya. dikatakan hasil prediksi baik yaitu 28%.
Juli 2022
Sehingga hasil ramalan pada 6 bulan
mendatang pada bulan Maret hingga
1500
Agustus 2022 secara berturut-turut adalah:
1000 3176; 3373; 3571; 3769; 3966; dan 4164
unit. Selain itu pada MPS Start usulan atau
500
mulai produksi yang diusulkan pada bulan
0 Maret 2022 (mulai dari periode 0 sampai
1 2 3 4 5 dengan periode 4) secara berturut-turut
sebesar: 553; 276; 414; 552; dan 553 unit
Agustus 2022
Brake Drum, untuk bulan April 2022 (mulai
1500 dari periode 0 sampai dengan periode 4)
1000
secara berturut-turut sebesar: 163; 803;
803; 802; dan 802 unit Brake Drum, bulan
500 Mei 2022 (mulai dari periode 0 sampai
0
dengan periode 4) secara berturut-turut
1 2 3 4 5 sebesar: 812; 812; 812; 812; dan 324 unit
Gambar 6. Grafik MPS Start Juli dan Brake Drum, sedangkan bulan Juni 2022
Agustus (mulai dari periode 0 sampai dengan
Terlihat dari grafik bahwa bulan Juli periode 4) secara berturut-turut sebesar:
2022 hampir sama dengan bulan April 515; 856; 856; 856; dan 686 unit Brake
2022, yaitu jumlah yang di produksi Drum, bulan Juli 2022 (mulai dari periode
cenderung rata. pada Hal tersebut 0 sampai dengan periode 4) secara berturut-
dikarenakan pada Juli 2022 jumlah hari turut sebesar: 192; 944; 944; 943; dan 943
kerja pada setiap periodenya adalah 5 hari unit Brake Drum, dan bulan Agustus 2022
kerja, dapat dikatakan semuanya sama. (mulai dari periode 0 sampai dengan
Selanjutnya untuk bulan Agustus 2022, periode 4) secara berturut-turut sebesar:
dilakukan perhitungan dan analisis yang 905; 905; 905; 905; dan 544 unit Brake
sama. Sedangkan dapat dilihat pada grafik, Drum. Berdasarkan penelitian yang
produksi berbeda dikarenakan setiap dilakukan harapan kedepannya peneliti
periodenya pada bulan Agustus 2022 selanjutnya dapat melakukan penelitian
memiliki jumlah hari kerja yang berbeda. dengan memperhitungkan lot size sehingga
didapatkan nilai lot size yang sesuai dengan
SIMPULAN keuntungan agar tetap ada kelipatan dalam
Berdasarkan hasil penelitian dan penggunaan order policy, serta
diskusi yang dilakukan untuk produksi mempertimbangkan aspek biaya yang
produk Brake Drum Rear di PT. Bakrie dikeluarkan dalam produksi sehingga dapat
Autoparts, maka didapatkan prediksi menghitung penghematan pada biaya
peramalan terbaik menggunakan Linear produksi.
Regression. Hal tersebut dikarenakan nilai
error untuk beberapa pengukuran akurasi DAFTAR PUSTAKA
yaitu Mean Absolute Deviation (MAD)
dengan nilai 403.65, Mean Square Error Ahmad, F. (2020). Penentuan Metode
(MSE) dengan nilai 207951.34 dan MAPE Peramalan Pada Produksi Part New
lebih kecil daripada metode peramalan Granada Bowl ST di PT.X. JISI:
lainnya. Serta tracking signal pada model JURNAL INTEGRASI SISTEM
regresi linier ditemukan konsisten atau INDUSTRI, 31-39.
tidak melebihi UCL dan LCL yaitu 4 dan - Ahyari, A. (1987). Manajemen Produksi.
4 dengan kriteria Mean Absolute Yogyakarta: BPFE-Yogyakarta.
754
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
Ayustinaa, B., Nurdini, A., & Lazuardy, A. Pujiati, E., Yuniarti, D., & Goejantoro, R.
(2023). Perencanaan Jadwal Induk (2017). Peramalan Dengan
Produksi Pada Produk Tempe di Menggunakan Metode Double
Rumah Tempe Indonesia. Jurnal Exponential Smoothing Dari Brown.
Ilmiah Teknik (JUIT), 60-75. Jurnal Eksponensial, 7(1), 33-40.
Badan Pusat Statistik. (2019). Badan Pusat Pulungan, I. G. (2018). Perencanaan Bahan
Statistik. Retrieved from Baku Sebagai Dasar Penjadwalan
https://www.bps.go.id/ Produksi Makaroni Di Ud. Berkah
Barry, R., & Heizer, J. (2001). Prinsip- Pakis–Malang. Jurnal Valtech, 1(2),
prinsip Manajemen Operasi : 163-170.
Operations Managements. Jakarta: Puspita, R. N. (2022). Perbandingan
Salemba Empat. Metode Double Exponential
Gaspersz, V. (1998). Production Planning Smoothing Dan Triple Exponential
and Inventory Control. Jakarta: PT. Smoothing Pada Peramalan Nilai
Sun. Ekspor Di Indonesia. Jambura
Handokoe, S., & Santoso, I. B. (2018). Journal of Probability and Statistics,
Optimasi Penyewaan Dump Truck 3(2), 141-150.
Pada Proyek X di Wilayah Jakarta. Rais, A. N., Rousyati, Thira, I. J., Kholifah,
Jurnal Mitra Teknik Sipil, 72-81. D. N., Purwati, N., & Kristania, Y. M.
Hasbullah, H., & Santoso, Y. (2020). (2020). Evaluasi Metode Forecasting
Overstock Improvement by Pada Data Kunjungan Wisatawan
Combining Forecasting, EOQ, and Mancanegara ke Indonesia. Jurnal
ROP. Jurnal Penelitian dan Aplikasi Sains dan Manajemen , 8(2), 104-
Sistem & Teknik Industri (PASTI), 115.
230-242. Rasbina, A., Sinulingga, S., & Siregar, I.
Hayuningtyas, R., & Sari, R. (2021). (2013). Perencanaan Jadwal Induk
Aplikasi Peramalan Alat Kesehatan Produksi Pada PT. XYZ. e-Jurnal
Menggunakan Single Moving Teknik Industri FT USU, 54-57.
Average. jurnal Infortech. Ros, B. J. (2021). Usulan Perencanaan
Kumila, A., Sholihah, B., Evizia, E., Safitri, Material Pada Produk Botol Minyak
N., & Fitri, S. (2019). Perbandingan Telon 60 ml dengan Metode Silver
metode moving average dan metode Meal di PT. Jaya Tama. SIJIE
naïve dalam peramalan data Scientific Journal of Industrial
kemiskinan. JTAM (Jurnal Teori dan Engineering, 2(2), 67-69.
Aplikasi Matematika), 3(1), 65-73. Rusnadi, A. R., & Herwanto, D. (2021).
Kusumaningrum, A., Rachmadita, R. N., & Perencanaan Jadwal Induk Produksi
Sandora, R. (2018). Perencanaan Komponen Band Komp Battery di
Jadwal Induk Produksi pada Produk PT. Mada Wikri Tunggal. STRING
Nas Shoes dengan Menggunakan (Satuan Tulisan Riset dan Inovasi
Metode Perencanaan Agregat di Teknologi), 5(3), 299-306.
Perusahaan Furniture., (pp. 257-262). Sanjaya, I., & Punawati, N. (2021). Analisis
Lestari, S. I., & Winarno. (2021). Analisis Kinerja Manajemen Persediaan
Penjadwalan Produksi Dengan Produk Ud. Sinar Jaya Karangasem.
Metode MPS di PT. XYZ. Jurnal E-Jurnal Manajemen.
Teknik, 10-18. Simanjuntak, H. P. (2017). Penerapan
Makridakis, S., & Steven, C. W. (1999). Metode Disagregat Dalam
Metode dan Aplikasi Peramalan. Penyusunan Jadwal Induk Produksi
Edisi Kedua. Jilid 1. Jakarta: Pada Pabrik Kopi Cenderawasih
Binarupa Aksara. Nabire. Jurnal FATEKSA: Jurnal
Teknologi dan Rekayasa, 2(2), 22-23.
755
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 746-756
756