1 / 34

PERENCANAAN PRODUKSI

PERENCANAAN PRODUKSI. PERENCANAAN PRODUKSI. Lingkup : - Penentuan jenis dan volume produksi - Pengaturan tenaga kerja - Pengaturan mesin dan peralatan - Pengaturan material PENENTUAN JENIS DAN VOLUME PRODUKSI Peramalan :  Proses untuk memperkirakan jumlah permintaan

severino-trejo
Download Presentation

PERENCANAAN PRODUKSI

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. PERENCANAAN PRODUKSI

  2. PERENCANAAN PRODUKSI • Lingkup : - Penentuan jenis dan volume produksi • - Pengaturan tenaga kerja • - Pengaturan mesin dan peralatan • - Pengaturan material • PENENTUAN JENIS DAN VOLUME PRODUKSI Peramalan :  Proses untuk memperkirakan jumlah permintaan (demand) produk yang diminta oleh konsumen dimasa yang akan datang.  merupakan langkah awal dari proses perencanaan dan pengendalian produksi secara keseluruhan.

  3. MODEL KWALITATIF Individual Opinion:Opini peramalan berasal dari pribadi (Individu) → pakar/expert dalam bidangnya yaitu : - Konsultan : Ilmiah / non Ilmiah - Manajer pemasaran / produksi - Individu yang banyak bergerak pada masalah tersebut. Kebaikan : cepat Kelemahan : Subyektif Group Opinion:Opini peramalan diperoleh dari beberapa orang dengan mencoba merata-ratakan hasil peramalan yang lebih obyektif (rasional) Kebaikan : lebih obyektif (unsur subyektifitas dapat dihilangkan) mis : dengan merata-ratakan hasil.

  4. Contoh : Delphy method → peramalan dibentuk • melalui beberapa tahapan untuk mencari • hasil yang lebih obyektif. • Pada metode ini kepada expertnya diberikan informasi • tambahan sehingga keputusan hasil ramalan dapat • berubah karena informasi tersebut. • Secara umum metode kwalitatif lebih mudah dibuat tetapi • mempunyai unsur subyektifitas yang tinggi. • MODEL KWANTITATIF: unsur obyektifitas lebih tinggi karena • menggunakan pendekatan teknis • (Mathematical Approach) • Time Series : Meramalkan titik-titik permintaan (mencari – sesuatu fungsi yang representatif) terhadap data ataupun fakta yang ada → demand hanya dipengaruhi oleh waktu → dt = f(t).

  5. Kausal : Meramalkan permintaan dengan tidak hanya • memperhatikan waktu. Sebenarnya demand • juga dipengaruhi oleh faktor-faktor lain, seperti : • - harga produk • - saluran distribusi • - promosi • - pendapatan • - jumlah penduduk, dll • dt = f (faktor penyebab demand) • Pada metode ini diperlukan : - identifikasi variabel yang relevan • - mecari fungsi yang cocok • Kebaikan : - mempunyai ketepatan hasil yang tinggi • - dapat digunakan untuk peramalan jangka panjang • Kelemahan : - tidak praktis, membutuhkan banyak jenis data • - waktu lama • - mahal

  6. Peramalan:upaya memperkecil resiko yang mungkin timbul akibat pengambilan keputusan dalam suatu perencanaan produksi Namun, upaya memperkecil resiko dibatasi oleh biaya Biaya Biaya total Biaya peramalan resiko Upaya peramalan

  7. Model kwalitatif regresi Moving average Metode peramalan Time series smoothing Exponential smoothing Model kwantitatif ekonomimetri kausal Regresi multivariate

  8. Faktor-faktor yang harus dipertimbangkan dalam pemilihan metode peramalan : - tujuan peramalan - jangkauan peramalan - tingkat ketelitian - ketersediaan data - bentuk pola data - biaya Hal-hal yang harus dilakukan : - definisikan tujuan peramalan - buat diagram pencar - pilih beberapa metode peramalan - hitung ramalan dan kesalahannya - pilih metode dengan kesalahan terkecil

  9. JENIS POLA DATA : - Konstan - Trend (linier ) - Musiman (seasional) - Cyclic (siklis) Fungsi peramalan : - Konstan : dt = a - Trend (linier ) : dt = a + bt - Kwadratis : dt = a + bt + ct2 - Eksponential : dt = a.ebt - Cyclic (siklis) : dt = a + b sin cos

  10. Kriteria Performansi peramalan : • Mean square error (MSE) • Xt = data aktual pada periode t • Ft = data ramalan pada periode t • n = banyaknya periode • 2. Presentase kesalahan ( PEt ) • 3. Mean Absolute Percentage error (MAPE)

  11. 4. Standar Error Of Estimate (SEE) f = derajat bebas 1 = untuk data konstan 2 = untuk data linier 3 = untuk data kwadratis Contoh : Dari12 bulan terkahir ini dicatat penjualan produk “x” sbb : Bagaimana ramalan permintaan produk “x” untuk 12 bulan mendatang ?

  12. METODE REGRESI LINIER SEDERHANA dt = f(t) Konstan : → a = 30 + 20 + …. + 50 + 35 = 42 dt ’ = 42

  13. MENCARI SEE :

  14. - 2 n ( dt dt ' ) å = SEE - n f = 1 t

  15. REGRESI LINIER ~ TREND dt’ = a + bt →

  16. b = 12.(3560) – 505.78 12(650) – 782 = 3330 = 1,94 1716 = 42 – 1,94 (6,5) = 42 – 12,61 = 29,39 → dt’ = 29,39 + 1,94t ~ dt’ = 29 + 2t

  17. Untuk regresi konstan : dt’ = 42 SEE = 13 • Untuk regresi linier : dt’ = 29 + 2t SEE = 11 METODE SMOOTHING Pada metode smoothing, data digunakan periode per periode terdiri dari 2 kelompok, yaitu : metode rata-rata dan metode exponential smoothing • Single Moving Average atau rata-rata bergerak Moving average pada suatu periode merupakan peramalan untuk satu periode ke depan dari periode rata-rata tersebut.

  18. Contoh : Data Penjualan suatu produk 12 bulan terakhir :

  19. b. Linier Moving Average Jika pola data menunjukan “Pola Trend” maka single moving average tidak tepat. Yang lebih tepat adalah linier moving average. Dasarnya : Penggunaan moving average kedua untuk memperoleh penyesuaian pola trend • Hitung single moving average dari data dengan periode perata-rataan tertentu; hasilnya notasikan St’ • Hitung moving average kedua, yaitu moving average dari St’ dengan periode perata-rataan yang sama, hasilnya notasikan dengan St’’ • Hitung komponen at dengan rumus : at = St’ + (St’ - St’’) • Hitung komponen trend bt dengan rumus : bt = 2 (st’ – st‘’) N-1

  20. Peramalan m periode ke depan setelah t adalah sbb : Ft+m = at + bt.m,Contoh :

  21. Single Exponential Smoothing Dipakai untuk peramalan jangka pendek. Dasar pemikiran : Nilai ramalan pada periode t + 1 merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang berasal dari kesalahan nilai ramalan yang terjadi pada periode tersebut. Ft + 1 = Ft + α (Xt – Ft) Permasalahan : Inisialisasi !!! • Nilai awal F1? • Harga α (parameter / koefisien smoothing) F1 → Nilai X1 atau Nilai rata-rata 4 s/d 5 (Xt) pertama α → 0 < α < 1 Modifikasi : dt+1’ = α dt + (1- α ) dt’

  22. Jika α = 0,1 d1’ = d1 = 30, maka d2’ = 0,1 (30) + 0,9(30) = 30 d3’ = 0,1(d2) + 0,9 (d2’) 0,1(20) + 0,9 (30) = 29 d4’ = 0,1(45) + 0,9 (29) = 30,6 dst

  23. PROSEDUR PERAMALAN • Definisikan tujuan peramalan yang akan dilakukan • Buat diagram pencar dari data • Pilih paling tidak 2 metode yang dapat mengakomodasikan tujuan tersebut dan mendekati pola data yang tergambar dari langkah 2 • Hitung kesalahan peramalan yang terjadi • Pilih metode peramalan yang terbaik, yaitu : - yang memberikan kesalahan terkecil atau - kalau ingin menguji lebih halus lagi gunakan tes variansi Contoh Dari 12 bulan terakhir, tercatat penjualan produk “x” sebagai berikut :

  24. Bagaimana ramalan permintaan produk “x” untuk 12 bulan mendatang? • Penggambaran diagram pencar Berdasarkan gambar diagram pencar tersebut akan dicoba 2 bentuk pola data, yaitu konstan dan trend. Untuk konstan diambil metode moving average 4 periode dan untuk trend digunakan metode linear moving average 4 periode.

  25. Moving Average 4 Periode :

  26. Linear Moving Average 4 Periode :

  27. SEE data berpola trend “lebih kecil”, sehingga ramalan permintaan untuk 12 bulan mendatang sebagai berikut : Ft + m = 45,00 – 0,68m Bulan 13  Ft = 44,32 Bulan 14  Ft = 43,64 Bulan 15  Ft = 42,96 Bulan 16  Ft = 42,28 Bulan 17  Ft = 41,60 Bulan 18  Ft = 40,92 Bulan 19  Ft = 40,24 Bulan 20  Ft = 39,56 Bulan 21  Ft = 38,88 Bulan 22  Ft = 38,20 Bulan 23  Ft = 37,52 Bulan 24  Ft = 36,84

  28. Untuk menguji apakah fungsi cukup representatif pola datanya, digunakan proses verifikasi  digunakan Moving Range Chart (Peta sebaran bergerak) CL = Central Line = 0 = et -et - 1 Dari data yang lalu : dt’ = 29 + 2t.  Regresi Linier n = = å BA UCL 2,66 MR MRt = = 2 t MR N - 1 = = BB LCL - 2,66 MR = - - - MRt ( d d ' ) ( d d ' ) - - 1 1 t t t t

  29. Dari data yang lalu : dt’ = 29 + 2t. (Regresi Linier)

  30. BA A B C t BB A B C 41,32 27,48 13,74 0 -13,74 -27,48 -41,23

  31. KONDISI – KONDISI OUT OF CONTROL • Bila ada titik sebaran (dt-dt’) diluar batas kontrol (>BA ; <BB) Jika semua titik sebaran berada pada batas kontrol, apakah dijamin bahwa fungsi tersebut representatif ? Belum tentu !! Cek, ikuti aturan berikut : • Aturan 3 titik : bila ada tiga buah titik secara berurutan yang ada pada salah satu sisi, daerah A • Aturan 5 titik : bila terdapat lima buah titik secara berurutan berada pada salah satu sisi, daerah B • Aturan 8 titik : bila terdapat 8 buah titik secara berurutan berada pada salah satu sisi, daerah C

  32. MRC Gunakan Fungsi yang Diperoleh untuk meramal OUT OF CONTROL tidak ya Gejala tsb bukan Bersifat random Sehingga data Menyimpang (≠ tidak mengikuti hk. Statistika) Fungsi Penyebabnya diketahui ya Mis: pada titik tsb ada pesanan khusus tidak Ganti dengan Fungsi baru Mengitung kembali Fungsi tsb dengan Menghilangkan titik- titik out of control sehingga diperoleh Fungsi baru (jumlah data berkurang) Ulangi kembali

More Related