BAB II.Landasan Teori

BAB II

LANDASAN TEORI

2.1 Peramalan

2.1.1 Definisi

Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa

datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan

lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa.

Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang

stabil, karena perubahan permintaannya relatif kecil. Tetapi peramalan akan

sangat dibutuhkan bila kondisi permintaan pasar bersifat komplek dan dinamis.

Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi

bisnis yang berusaha memperkirakan permintaan dan penggunaan produk

sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan

demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan

datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret

waktu historis.

Langkah-langkah tersebut termasuk dalam manajemen permintaan yang

disebut juga sebagai konsep dasar sistem peramalan, yaitu (Gaspersz 2004):

a. Menentukan tujuan dari peramalan.

b. Memilih item independent demand yang akan diramalkan.

c. Menentukan horison waktu dari peramalan (jangka pendek, menengah,

dan panjang).

Bab II Landasan Teori

d. Memilih model-model peramalan.

e. Memperoleh data yang dibutuhkan untuk melakukan peramalan.

f. Validasi model peramalan.

g. Membuat peramalan.

h. Implementasi hasil-hasil peramalan.

i. Memantau keandalan hasil peramalan.

2.1.2 Jenis-Jenis Peramalan

Dalam membuat suatu keputusan bisnis, seorang manajer membutuhkan

informasi dari berbagai sisi yang berbeda. Oleh karena itu, seorang manajer perlu

melakukan peramalan pada beberapa bidang penting, antara lain peramalan

tentang perkembangan teknologi, peramalan tentang kondisi ekonomi dan

peramalan permintaan. Pada bidang Perencanaan dan Pengendalian Produksi

(PPC), bidang peramalan difokuskan adalah peramalan permintaan.

2.1.3 Faktor-Faktor yang Mempengaruhi Permintaan

Permintaan akan suatu produk pada suatu perusahaan merupakan resultan

dari berbagai faktor yang saling berinteraksi dalam pasar. Faktor-faktor ini hampir

selalu merupakan kekuatan yang berada di luar kendali perusahaan. Berbagai

faktor tersebut antara lain :

Siklus Bisnis. Penjualan produk akan dipengaruhi oleh permintaan akan

produk tersebut dan permintaan akan suatu produk akan dipengaruhi oleh kondisi

ekonomi yang membentuk siklus bisnis dengan fase-fase inflasi, resesi, depresi

dan masa pemulihan.

Laporan Tugas Akhir II-2


Siklus Hidup Produk. Siklus hidup suatu produk biasanya mengikuri

suatu pola yang biasa disebut kurva S. Kurva S menggambarkan besarnya

permintaan terhadap waktu, dimana siklus hidup suatu produk akan dibagi

menjadi fase pengenalan, fase pertumbuhan, fase kematangan dan akhirnya fase

penurunan. Untuk menjaga kelangsungan usaha, maka perlu dilakukan inovasi

produk pada saat yang tepat.

Faktor-faktor lain. Beberapa faktor lain yang mempengaruhi permintaan

adalah reaksi baik dari pesaing, perilaku konsumen yang berubah, dan usaha-

usaha yang dilakukan sendiri oleh perusahaan seperti peningkatan kualitas,

pelayanan, anggaran periklanan dan kebijaksanaan pembayaran secara kredit.

2.1.4 Karakteristik Peramalan yang Baik

Peramalan yang baik mempunyai beberapa kriteria yang penting, antara

lain akurasi, biaya dan kemudian. Penjelasan dari kriteria-kriteria tersebut adalah

sebagai berikut :

Akurasi. Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan

kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila

peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan

kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten. Bila

besarmya kesalahan peramalan relatif kecil. Peramalan yang terlalu rendah akan

mengakibatkan kekurangan persediaan, sehingga permintaan konsumen tidak

segera, akibatnya adalah perusahaan dimungkinkan kehilangan pelanggan dan

kehilangan keuntungan penjualan. Peramalan yang terlalu tinggi akan

mengakibatkan terjadinya penumpukan persediaan, sehingga banyak modal yang



terserap sia-sia. Keakuratan dari hasil peramalan ini berperan penting dalam

menyeimbangkan persediaan yang ideal (meminimasi penumpukan persediaan

dan memaksimasi tingkat pelayanan).

Biaya. Biaya yang diperlukan dalam pembuatan suatu peramalan adalah

tergantung dari jumlah item yang diramalkan, lamanya periode peramalan, dan

metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan

mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan

datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan siapa

tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus disesuaikan

dengan dana yang tersedia dan tingkat akurasi dan tingkat akurasi yang ingin

didapat, misalnya item-item yang penting yang diramalkan dengan metode yang

canggih dan mahal, sedangkan item-item yang kurang penting bisa diramalkan

dengan metode yang sederhana dan murah. Prinsip ini merupakan adopsi dari

Hukum Pareto (Analisa ABC).

Kemudahan. Penggunaan metode peramalan yang sederhana, mudah

dibuat dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.

Adalah percuma memakai metode yang canggih, tetapi tidak dapat diaplikasikan

pada sistem perusahaan karena keterbatasan dana, sumberdaya manusia, maupun

peralatan teknologi.

2.1.5 Metode Peramalan Yang Digunakan

Penyelesaian peramalan memiliki beberapa metode yang umum seperti

metode eksponential smoothing, double eksponential smoothing, holt-winters



additive algorithm (HWA) dan holt-winters multiplicative algorithm (HWM).

Berikut ini adalah penjelasan dari metode tersebut :

a) Metode Exponential Smoothing (ES)

Metode peramalan dengan pemulusan eksponensial biasanya digunakan untuk

pola data yang tidak stabil atau perubahannya besar dan bergejolak. Metode

permalan ini bekerja hampir serupa dengan alat thermostat. Apabila galat ramalan

(forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi

daripada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara

otomatis meningkatkan nilai ramalannya. Sebaliknya, apabila galat ramalan

(forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah

dari pada nilai ramalan (A – F < 0), maka metode pemulusan eksponensial akan

secara otomatis menurunkan nilai ramalan.

Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan

telah mencapai nol. Peramalan menggunakan metode pemulusan eksponensial

dilakukan berdasarkan formula seperti di bawah ini (Gaspersz, 2004).

Ft = Ft-1 + α (At-1 – Ft-1)

Keterangan :

Ft : nilai ramalan untuk periode waktu ke-t

Ft-1 : nilai ramalan untu satu periode waktu yang lalu, t-1

At-1 : nilai aktual untuk satu periode waktu yang lalu, t-1

α : konstanta pemulusan (smoothing constant)

Cara yang digunakan untuk mengetahui sejauh mana keandalan dari model

peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol



tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah

menggambarkan atau sesuai dengan pola historis dari data aktual permintaan

(Gaspersz, 2004).

b) Metode Holt-Winters Additive Algorithm

Metode Holt-Winters aditif (additive Holt-Winter’s method) yang cocok

untuk variasi musiman yang bersifat konstan. Karakteristik mendasar dari metode

Holt-Winters aditif adalah ukuran dari fluktuasi musiman bersifat tetap (steady

seasonal fluctuations) dan tergantung pada pemulusan keseluruhan (overall

smoothing) dari deret waktunya.

c) Metode Holt-Winters Multiplicative Algorithm

Metode Holt-Winters multiplikatif (multiplicative Holt-Winter’s method)

yang cocok untuk variasi data musiman yang mengalami peningkatan/penurunan

(fluktuasi). Karakteristik mendasar dari metode Holt-Winters multiplikatif adalah

ukuran dari fluktuasi musiman bersifat variasi dan tergantung pada pemulusan

keseluruhan (overall smoothing) dari deret waktunya.

2.1.7 Ukuran Akurasi Peramalan

Validasi metode peramalan terutama dengan menggunakan metode-metode di atas

tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan.

Bagaimanapun juga terdapat sejumlah indikator dalam pengukuran akurasi

peramalan, tetapi yang paling umum digunakan adalah mean absolute deviation,

mean absolute percentage error, dan mean squared error.

a. Mean Absolute Deviation (MAD)

Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute

percentage error, dan mean squared error semakin kecil. MAD merupakan nilai

total absolut dari forecast error dibagi dengan data. Atau yang lebih mudah


MAD =

MSE


adalah nilai kumulatif absolut error dibagi dengan periode. Jika diformulasikan

maka formula untuk menghitung MAD adalah sebagai berikut:

b. Mean Squared Error (MSE)

Menurut Gaspersz (2004), mean squared error biasa disebut juga galat peramalan.

Galat peramalan ini juga dapat berfungsi untuk menghitung nilai MAD yang telah

dibahas pada sub bab sebelumnya. Galat ramalan tidak dapat dihindari dalam

sistem peramalan, namun galat ramalan itu harus dikelola dengan benar.

Pengelolaan terhadap galat ramalan akan menjadi lebih efektif apabila peramal

mampu mengambil tindakan mengambil tindakan yang tepat berkaitan dengan

alasan-alasan terjadinya galat ramalan itu. Dalam sistem peramalan, penggunaan

berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan

derajat dari galat ramalan yang berbeda pula. Rata-rata kesalahan kuadrat

memperkuat pengaruh angka kesalahan besar, tetapi memperkecil angka

kesalahan prakiraan yang lebih kecil dari satu unit.


∑ (Absolut dari forecast error)

n

MAPE

Tracking Signal =


c. Mean Absolute Percentage Error (MAPE)

Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan

cara persentase kesalahan absolute. MAPE menunjukkan rata-rata kesalahan

absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya.

d. Tracking Signal

Menurut Gaspersz (2004), suatu ukuran bagaimana baiknya suatu ramalan

memperkirakan nilai-nilai aktual suatu ramalan diperbaharui setiap minggu, bulan

atau triwulan, sehingga data permintaan yang baru dibandingkan terhadap nilai-

nilai ramalan.

Tracking signal dihitung sebagai running sum of the forecast errors dibagi dengan

mean absolute deviation.

Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih

besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual permintaan

lebih kecil dari pada ramalan. Pada setiap peramalan, tracking signal terkadang

digunakan untuk melihat apakah nilai-nilai yang dihasilkan berada di dalam atau

di luar batas-batas pengendalian dimana nilai-nilai tracking signal itu bergerak

antara -4 sampai +4.


RSFE

MAD

MR


e. Moving Range (MR)

Moving range dibuat untuk membandingkan nilai-nilai observasi atau data aktual

dengan nilai peramalan dari kebutuhan yang sama. Dapat dikatakan bahwa

moving range adalah peta kontrol statistik yang digunakan pada pengendalian

kualitas. Peta moving range memiliki batasan-batasan yang terdiri dari batas

kontrol atas dan batas kontrol bawah. Jika ada sebuah titik atau data yang berada

di luar batas tersebut maka ada beberapa data yang harus dihilangkan atau

mencari metode peramalan yang lain.

Moving Range digunakan untuk mengetahui sejauh mana arah pergerakan (misal:

permintaan) bergerak. Perhitungan Moving Range menggunakan rumus:

2.2 Perencanaan Produksi

Perencanaan produksi sebagai suatu perencanaan taktis adalah bertujuan

memberikan keputusan yang optimum berdasarkan sumber daya yang dimiliki

perusahaan (kapasitas mesin, tenaga kerja, teknologi yang dimiliki dan lainnya)

dalam memenuhi permintaan akan produk yang dihasilkan.

Keterlibatan manajemen puncak pada tahap perencanaan produksi sangat

diperlukan khususnya perencanaan mengenai penentuan pabrikasi, pemasaran dan

keuangannya. Dari sudut pandang pabrikasi, perencanaan produksi membantu

dalam menentukan berapa peningkatan kapasitas yang dibutuhkan dan

penyesuaian-penyesuaian kapasitas apa saja yang dibutuhkan. Dari sudut pandang

pemasaran, perencanaan produksi menentukan “berapa” jumlah produk yang akan

disediakan untuk memenuhi permintaan. Dari sudut pandang keuangan,



perencanaan produksi mengidentifikasikan besarnya kebutuhan dana dan

memberikan dasar dalam pembuatan anggaran.

Perencanaan produksi akan mudah dibuat bila tingkat permintaan bersifat

konstan atau bila waktu produksi tidak menjadi kendala. Tetapi kedua kondisi ini

jarang terjadi dalam keadaan sebenarnya, dimana secara nyata tingkat permintaan

akan berfluktuasi dan perusahaan selalu dibatasi oleh tanggal waktu penyerahan

produk.

Perencanaan produksi yang tidak tepat dapat mengakibatkan

tingginya/rencahnya tingkat persediaan, sehingga mengakibatkan ongkos

simpan/ongkos kehabisan persediaan. Dan yang lebih fatal, hal tersebut dapat

mengurangi pelayanan kepada konsumen karena keterlambatan penyerahan

produk.

2.2.1 Perencanaan Agregat

Dalam suatu organisasi yang sehat, para perencana terus-menerus

merencanakan jadwal terinci aktivitas untuk beberapa periode mendatang,

merencanakan bagaimana kondisi optimal ketersediaan sunber daya dengan

ekspektasi permintaan produk, serta mengembangkan strategi penggunaan sumber

daya itu. Perencanaan agregat mencari kombinasi terbaik untuk meminimasi

ongkos atas beberapa pilihan yang dihadapi untuk memenuhi permintaan produk.

Tujuan perencanaan agregat ialah merencanakan jadwal induk produksi untuk

beberapa periode mendatang, merencanakan kondsisi optimal ketersediaan

sumber daya terhadap ekspektasi permintaan produk, serta pengembangan strategi

penggunaan sumber daya itu.



Perencanaan agregat membutuhkan masukan diantaranya :

1) Akurasi tingkat persediaan produk jadi

Akurasi tingkat persediaan produk jadi merupakan hal yang penting

dalam perencanaan produksi. Sebelum melakukan perencanaan

untuk menghasilkan jadwal induk produksi, tingkat persediaan

produk jadi perlu diketahui dengan tepat. Untuk itu dibutuhkan filing

system yang mencakup dokumentasi dan pengecekan data yang

teratur sehingga tingkat persediaan produk jadi diketahui dengan

tingkat akurasi yang tinggi. Maksud adanya persediaan produk jadi

adalah untuk meredam fluktuasi permintaan. Dalam hal tersebut

terjadi kekurangan pasokan produk jadi dipasaran akibat permintaan

tak terduga (karena pola musiman atau karena kejadian luar biasa)

maka untuk memenuhinya akan digunakan pasokan yang berasal

dari persediaan produk jadi yang disimpan perusahaan.

Jika persediaan produk jadi terlalu tinggi akan dapat mengakibatkan

perusahaan harus mengeluarkan dana yang cukup besar untuk modal

yang tertanam dalam persediaan produk jadi. Jika tingkat persediaan

produk jadi rendah maka perusahaan harus cepat merespon

permintaan fluktuatif pasar.

2) Kebijaksanaan manajemen dan data biaya-biaya

Maksud perencanaan produksi yang utama adalah menghaluskan

atau meredam gangguan produksi yang disebabkan fluktuasi

permintaan. Ini dilakukan dengan cara menjadwalkan pekerjaan



guna memenuhi pola permintaan masa depan selama beberapa

periode. Misalnya ketika permintaan rendah, manajer produksi

mengadakan pemberhentian pegawai atau mengurangi waktu kerja

dan ketika permintaan tinggi, manajer produksi merekrut karyawan,

menambah lembur, atau tidak memenuhi pesanan yang datang.

Reaksi jangka pendek semacam ini akan mengurangi moral kerja,

menurunkan produktivitas, serta menambah biaya tenaga kerja.

Pada dasarnya perencanaan produksi menggunakan kombinasi

empat masukan bagi proses produksi diantaranya srategi variasi

jumlah tenaga kerja, variasi jam kerja, variasi tingkat persediaan

produk jadi dan subkontrak.

3) Peramalan permintaan

Syarat mutlak penyusunan jadwal induk produksi ialah ketersediaan

peramalan. Peramalan permintaan yang diperlukan ialah peramalan

keseluruhan tingkatan produk dalam satu lintas produksi bukan

hanya produk tertentu.

4) Pengetahuan mengenai kapasitas

Kapasitas pabrik adalah jumlah produk yang dapat dibuat pada satu

periode waktu tertentu. Istilah kapasitas sendiri harus dilihat dari tiga

perspektif agar lebih jelas. Kapasitas desain adalah keluaran

maksimum pada kondisi ideal (tidak ada konflik pendajdwalan, tidak

ada produk rusak/cacat, maintencance hanya yang rutin, dan lain

sebagainya). Kapasitas efektif menunjukkan keluaran maksimum



pada tingkat operasi tertentu. Umumnya efektif lebih rendah dari

pada kapasitas desain. Kapasitas aktual menunjukkan keluaran nyata

yang dapat dihasilkan oleh fasilitas. Kapasitas aktual harus

diusahakan sama dengan kapasitas efektif.

Perencanaan kapasitas ditujukan untuk mengetahui jumlah sumber

daya yang dimiliki sehinggga mampu memenuhi permintaan pasar

yang diramalkan. Jika tidak maka harus diputuskan dengan

mempertinggi sumber daya yang dimiliki yaitu dengan

pembangunan pabrik baru, penambahan mesin dan perkakas baru

dan kebijaksanaan pemenuhan kebutuhan kapasitas jangka pendek.

5) Satuan agregat

Satuan agregat adalah satuan yang dapat mewakili berbagai macam

produk sehingga total kebutuhan untuk produk-produk tersebut dapat

dibandingkan dengan kapasitas fasilitas produksi yang tersedia.

Dalam penyusunan jadwal induk produksi perlu diingat bahwa

penggunaan satu fasilitas produksi memiliki dampak ongkos yang

sama dan sukar untuk dibebankan pada tiap produk yang

menggunakan fasilitas produksi tersebut. Adanya satuan agregat ini

diperlukan mengingat berbagai item produk membutuhkan jam

mesin dan waktu setup yang berlainan serta ongkos produksi yang

digunakan secara bersama-sama. Satuan agregat akan mewakili

agregasi seluruh item produk sehingga permintaan total untuk

kebutuhan selama satu kurun perencanaan dapat dihitung.



2.2.2 Metode Perencanaan Agregat

Ada beberapa metode yang dapat digunakan untuk menyelesaikan

permasalahan pada perencanaan produksi agregat. Beberapa diantaranya adalah

sebagai berikut:

Jumlah tenaga kerjanya tetap dan struktur biayanya linier

1) Trial and Error

2) Program Linier

3) Transportasi

4) Programa Dinamis

Jumlah tenaga kerjanya berubah-ubah dan struktur biayanya linier

1) Program Linier

Jumlah tenaga kerjanya berubah-ubah dan struktur biayanya non linier

1) Linier Decision Rule

2) Heuristic Search

Dari beberapa metode yang ada, model transportasi merupakan

model perencanaan produksi yang paling optimal dan praktis

diaplikasikan seperti yang diusulkan Biegel dengan menggunakan

teknik Transport Shipment Problem (TSP). Metode ini mengijinkan

penggunaan produksi reguler, overtime, inventori, backorder dan

subkontrak. Hasil perencanaan yang diperoleh dapat dijami optimal

dengan asumsi optimistik bahwa tingkat produksi (yang dipengaruhi

oleh hiring dan training pekerja) dapat dirubah dengan cepat.



Supaya metode ini dapat diaplikasikan, kita harus memformulasikan

persoalan perencanaan agregat sehingga:

1. Kapasitas tersedia (supply) dinyatakan dalam unit yang sama

dengan kebutuhan (demand).

2. Total kapasitas untuk horison perencanaan harus sama

dengan total peramalan kebutuhan. Bila tidak sama, kita

gunakan variabel bayangan (dummy) sebanyak jumlah selisih

tersebut dengan unit cost = 0.

3. Semua hubungan biaya merupakan hubungan linier.

2.2.3 Master Production Schedule (MPS)

Menurut Vincent Gaspersz (2004), pada dasarnya jadwal produksi induk

(master production schedule = MPS) merupakan suatu pernyataan tentang produk

akhir (termasuk parts pengganti dan suku cadang) dari suatu perusahaan industri

manufaktur yang merencanakan memproduksi output berkaitan dengan kuantitas

dan periode waktu. Aktifitas penjadwalan induk produksi (master production

schedulling, MPS) pada dasarnya berkaitan dengan bagaimana menyusun dan

memperbaharui jadwal produksi induk (master production schedule = MPS),

memproses transaksi dari MPS, memelihara catatan MPS, mengevaluasi

efektifitas dari MPS dan memberikan laporan evaluasi dalam periode waktu yang

teratur untuk keperluan umpan-balik dan tinjauan ulang. Penjadwalan induk

produksi pada dasarnya berkaitan dengan aktifitas melakukan empat fungsi utama

adalah sebagai berikut:



1. Menyediakan atau memberikan input utama kepada sistem perencanaan

kebutuhan material dan kapasitas material and capacity requirement

planning.

2. Menjadwalkan pesanan-pesanan produksi dan pembelian (production and

purchase orders) untuk item-item MPS.

3. Memberikan landasan untuk penentuan kebutuhan sumber daya dan

kapasitas.

4. Memberikan basis pembuatan janji tentang penyerahan produk kepada

pelanggan.

Sebagai suatu aktivitas proses, penjadwalan produksi induk (MPS)

membutuhkan lima input utama. Berikut ini adalah lima input utama dalam

penjadwalan induk produksi:

1. Data Permintaan Total merupakan salah satu sumber data bagi proses

penjadawalan produksi induk. Data permintaan total berkaitan dengan

ramalan penjualan (sales fore cast) dan pesanan-pesanan (orders).

2. Status Inventori berkaitan dengan informasi tentang on-hand inventory,stok

yang dialokasikan untuk penggunaan tertentu (allocated stock), pesanan-

pesanan produksi dan pembelian yang dikeluarkan (released production and

purchase orders), dan firm planned orders. MPS harus mengetahui secara

akurat berapa banyak inventori yang tersedia dan menentukan berapa banyak

yang harus dipesan.



3. Rencana Produksi memberikan sekumpulan batasan kepada MPS. MPS harus

menjumlahkannya untuk meningkatan tingkat produksi, inventori, dan

sumber-sumber daya lain dalam rencana produksi itu.

4. Data Perencanaan berkaitan dengan aturan-aturan tentang lot-sizing yang

harus digunakan, stock pengaman (safety stock), dan waktu tinggu (lead time)

dari masing-masing item yang biasanya tersedia dalam file induk dari item

(item Master file).

5. Informasi dari RCCP berupa kebutuhan kapasitas untuk mengimpletasikan

MPS menjadi salah satu input bagi MPS.

Terdapat juga beberapa kriteria-kriteria dasar pada JIP, yaitu sebagai berikut:

1. Jenis item tidak terlalu banyak

2. Kebutuhannya dapat diramalkan

3. Mempunyai BOM, sehingga kebutuhan komponen dapat dihitung

4. Dapat diperhitungkan dalam penentuan kapasitas

5. Menyatakan konfigurasi produk yang dapat dikirim.

2.4 Mengenal Software WinQSB Versi 2.0

Salah satu program komputer yang dirancang untuk menyelesaikan

masalah-masalah kuantitatif di bidang manajemen adalah WinQSB. Program ini

dibuat oleh Profesor Yih-Long Chan dari Georgia Institute of Technology,

Amerika Serikat. Program ini merupakan pengembangan dari program QSB

(Quantitative System for Business), QSB+, dan QS (Quantitative System) yang

sudah banyak digunakan pada akhir tahun 1980-an. Program WinQSB saat ini

sudah sampai pada versi 2.0. Disebut WinQSB karena merupakan perkembangan



dari program QSB yang dulu berbasis sistem operasi DOS, dan sekarang sudah

dapat dijalankan pada komputer berbasis Microsoft Windows.

Seperti program-program pendahulunya, WinQSB cukup banyak digunakan

oleh para pembuat keputusan dan para akademisi karena kemudahan dan

kecanggihannya. Di sisi lain, program inii tidak memerlukan konfigurasi

komputer yang berlebihan. Bahkan WinQSB dapat dijalankan pada sistem

komputer dengan sistem operasi MS. Windows 95 dengan memori RAM 36 MB

dan memakan kapasitas hardisk tidak lebih dari 10 MB.

Kelebihan WinQSB adalah adanya 19 modul terpisah yang memiliki ikon

dan fungsi tersendiri dalam memecahkan masalah kuantitatif dalam bidang

manajemen. Adapun fungsi utama dari 19 modul akan dijelaskan berikut ini:

No. Nama Modul Fungsi Utama

1

Linear Programming (LP) dan

Integer Linear Programming

(ILP)

Mencari nilai minimum atau maksimum dari suatu fungsi

tujuan linear dengan sejumlah batasan linear. Keluaran bisa

berupa grafik (bila hanya 2 variabel), solusi akhir, tabel

simpleks setiap langkah atau detail, hingga analisis

sensitivitas.

2

Linear Goal Programming (GP)

dan Integer Linear Goal

Programming (IGP)

Memecahkan masalah goal programming, yaitu masalah

dengan fungsi tujuan linear lebih dari satu dengan sejumlah

batasan linear.

3

Quadratic Programming (QP) dan

Integer Quadratic Programming

(IQP)

Memecahkan masalah optimalisasi (baik minimum

maupun maksimum) dengan fungsi tujuan kuadratik

(nonliear) dan batasan linear.

4 Network Modeling (NET) Memecahkan masalah-masalah jaringan seperti

transportasi, penugasan, aliran maksimum (maximum

flow), penyebaran [diagram] pohon minimal (minimum

spanning tree), jaringan terpendek dan perjalanan



pramuniaga. Model ini mencakup juga lingkaran (node)

dan sambungan (link atau connection)

5 Nonlinear Programming (NLP)

Memecahkan fungsi tujuan nonliear dengan batasan linear

maupun nonliear. Variabel keputusan bisa terbatas maupun

tak terbatas. NLP dapat digolongkan sebagai masalah

variabel tunggal tak terkendala serta masalah multivariabel

tak terkendala dan terkendala, dan memecahkan masalah

tersebut dengan teknik yang berbeda.

6 Dynamic Programming (DP)

Teknik matematis untuk membuat serangkaian kepurusan

yang saling berkaitan. Setiap masalah bersifat unik. Modul

ini mampu mengatasi tiga masalah pemrograman dinamis,

yaitu: knapsack, stagecoach dan production and inventory

scheduling.

7 PERT/CPM

Modul ini digunakan untuk memecahkan masalah

manajemen proyek, baik yang berupa PERT, CPM, atau

keduanya. Sebuah proyek terdiri atas aktivitas dan

pendahulu. Modul ini dapat menunjukkan kegiatan kritis,

slack yang tersedia untuk kegiatan lain dan kebutuhan

waktu untuk menyelesaikan proyek. Modul ini juga dapat

menampilkan diagram Gantt.

8 Queuing Analysis (QA)

Memecahkan sistem antrian satu tingkat (single stage

queuing line system) dengan memungkinkan pemakai

untuk memilih satu diantara 15 distribusi probabilitas,

termasuk simulasi Monte Carlo. Output menunjukkan

pengukuran kinerja sistem antrian, termasuk analisis cost-

benefit.

9 Queuing System Simulation (QSS) Menjalankan simulasi kejadian antrian tunggal dan

berganda. Kebutuhan inputnya adalah populasi kedatangan

customer, jumlah penyedia, antrian dan kolektor sisa

(costumer meninggalkan sistem sebelum jasanya).



Keluarannya menunjukkan kinerja sistem antrian, baik

dalam bentuk tabular maupun grafik.

10Inventory Theory and Systems

(ITS)

Memecahkan masalah dan mengevaluasi pengendalian

persediaan, termasuk model EOQ, model diskon kuantitas,

model persediaan stokastik, simulasi Monte Carlo dan

model periode tunggal.

11 Forecasting (FC)

Memberi sebelas model perkiraan (forecasting) yang

berbeda-beda. Keluarannya meliputi perkiraan,

penelusuran sinyal dan pengukuran residual. Output dapat

ditampilkan dalam format grafik.

12 Decision Analysis (DA)

Memecahkan empat masalah pembuatan keputusan: Bayes,

pohon keputusan, tabel payoff dan teori permainan jumlah

nol (game play dan simulasi Monte Carlo)

13 Markov Process (MKP)

Sebuah sistem yang muncul pada berbagai kondisi

(misalnya pemilihan merek produk oleh konsumen). Pada

akhirnya, sistem akan berganti dari satu kondisi ke kondisi

lainnya. Proses Markov akan memberi probabilitas

perpindahan dari satu kondisi ke kondisi lain. Contoh yang

umum adalah pergantian merek oleh customer. Modul ini

akan memecahkan masalah probabilitas kondisi stabil dan

menganalisis kos total atau imbalan hasilnya.

14 Quality Control Chart (QCC)

Menjalankan analisis statistika dan menyusun diagram

pengendalian kualitas. Modul ini mampu menyusun 21

diagram yang berbeda, termasuk diagram batang X,

diagram R, diagram P dan diagram C. Modul ini juga

menjalankan analisis proses kemampuan. Keluaran

ditampilkan dalam bentuk tabel maupun grafik.

15 Acceptance Sampling Analysis Mengembangkan dan menganalisis rencana penerimaan



(ASA)

sampling (acceptance sampling plan) untuk atribut dan

karakteristik kualitas variabel, seperti sampling tunggal,

sampling berganda dan sebagainya. Modul ini menyusun

OC, AOQ, ATI, kurva kos ASN dan dapat melakukan

analisis what-if.

16 Job Scheduling (JOB)

Memecahkan masalah penjadwalan untuk job shop

maupun flow shop. Ada 15 aturan prioritas yang tersedia

untuk penjadwalan job shop, termasuuk solusi terbaik

berdasarkan kriteria tertentu. Juga tersedia tujuh heuristic

umum untuk penjadwalan flow shop termasuk solusi

terbaik. Output berupa grafik dan tabel.

17 Agregate Planning (AP)

Berhubungan dengan perencanaan kapasitas dan jadwal

produksi untuk memenuhi kebutuhan permintaan atas

intermediate planning horizon. Keputusan yang umum

adalah produksi agregat, penjadwaln dan kebutuhan tenaga

kerja, tingkat persediaan, subkontrak, backorder dan/atau

penjualan rugi.

18

Facility Location and Layout

(FLL)

Mengevaluasi lokasi fasilitas untuk pola dua atau tiga

dimensi (pabrik dan/atau gudang), rancangan fasilitas

untuk rancangan fungsi (job shop) dan alur produksi (flow

shop). Lokasi fasilitas menemukan lokasi yang jaraknya

paling dekat. Rancangan fasilitas fungsional didasarkan

pada algoritma CRAFT modifikasian. Untuk rancangan

flow shop (line balancing) tersedia tiga algoritma yang

berbeda.

19 Material Requirement Planning

(MRP)

Memecahkan masalah yang berkaitan dengan MRP dalam

perencanaan produksi. Didasarkan pada kebutuhan

permintaan final, baik dalam jumlah maupun waktu produk

harus diantar ke customer, metode MRP akan menetukan

kebutuhan neto, jumlah direncanakan dan prediksi

persediaan atas material dan komponen. Modul ini akan



melakukan analisis kapasitas dan analisis kos.

2.5.1 Cara umum menjalankan Software WinQSB

Meskipun WinQSB memiliki 19 modul yang seolah-olah terpisah (karena

memang fungsinya berbeda-beda), namun sebenarnya masing-masing modul

memiliki kemiripan dalam penggunaannya. Langkah-langkah tersebut akan

diuraikan berikut ini:

Dalam seksi ini, akan diberikan contoh kasus untuk menunjukkan

bagaimana cara dalam memasukkan dan menyelesaikan masalah.

Contoh kasus :

Volume penjualan dari perusahaan untuk dua puluh empat bulan terakhir

ditunjukkan pada tabel 1. Dengan menggunakan single exponential smoothing

dengan constan smoothing , ramalkan penjualan 12 bulan kedepan.

Bulan Penjualan Bulan Penjualan Bulan Penjualan

1 398 9 430 17 487

2 395 10 460 18 500

3 290 11 465 19 530

4 400 12 473 20 500

5 410 13 480 21 505

6 425 14 465 22 550

7 450 15 435 23 555

8 440 16 470 24 580



Enter the Problem (Masukkan Permasalahan)

1. Jalankan salah satu modul WinQSB misalnya forecasting dengan klik

menu Start → Program → WinQSB → Forecasting.

2. Pilih atau klik new problem pada menu file.

3. Gambar 1 menunjukkan problem spesifikation (spesifikasi dari masalah).

Pilih time series forecasting.

4. Gambar 2 menunjukkan data historis selama 24 bulan terakhir.

Gambar 1 Spesifikasi permasalahan



Gambar 2 Data Historis

Solve Problem (Penyelesaian Masalah)

1. Pilih “Perform Forecasting” dari menu “solve and analyze”. Gambar 3

akan menampilkan model forecasting dan interaksinya. Klik option “single

exponential smoothing”. Program akan meminta parameter yang

dispesifikasikan, kemudian klik “OK”. Setelah beberapa detik, peramalan

dapat ditampilkan hasilnya. Gambar 4 dan gambar 5 akan menunjukkan

hasil dari peramalan.



Gambar 3 Metode Forecasting

Gambar 4 Hasil Forecasting



Gambar 5 Lanjutan Hasil Forecasting

2. Setelah peramalan dilakukan, pilih “show the forecasting detail” dari

menu “Result “ untuk menunjukkan hasil detail dari peramalan. Gambar 6

dan gambar 7 menunjukkan forecasting detail.



Gambar 6 Detail Peramalan

Gambar 7 Lanjutan Detail Peramalan



3. anda juga dapat memilih “show the forecasting in graph” dari menu

“Result” untuk memplotkan hasil dari peramalan. Gambar 8 menunjukkan

chart/grafik dari peramalan. Jika hasil dari plot lebih dari satu halaman,

gunakan panah kiri dan kanan untuk memilih halaman. Anda dapt

menekan “P” untuk mengeprint Chart/Grafik.

Gambar 8 Grafik Hasil Peramalan

Mencari Dengan Parameter Terbaik

Kita dapat mencoba parameter lain dan mengulang program peramalan

untuk mencapai hasil yang lain. TSFC menyediakan petunjuk pencarian untuk

menemukan parameter terbaik. Pada bagian ini akan dicoba mendemontrasikan

proses pencariam parameter terbaik.



1. Pilih “Perform Forecasting” dari menu “Solve and Analyze” dan pilih

single expenential smoothing. Program akan meminta parameter yang

dicari dan ukuran performance peramalan. Gambar 9 menunjukkan

spesifikasi dari parameter dan spesifikasi ukuran perfomance MAD.

Setelah interaksi beakhir, program akan mencaari parameter terbaik untuk

ukuran performance yang dispesifikasikan.

Gambar 9 Spesifikasi Parameter dan Ukuran Performance

2. Setelah pencarian/peramalan dilakukan, pilih “show the forecasting detail”

dari menu “Result” untuk menampilkan detail dari hasil peramalan.

Gambar 10 dan gambar 11 menunjukkan hasil detail dari peramalan. MAD

baru adalah 26.2609.



Gambar 10 Hasil Detail Peramalam Dengan Search The Best

Gambar 11 Lanjutan Hasil Detail Peramalam Dengan Search The Best



3. Anda dapat memilih “show the forecasting in chart” dari menu “Result”

untuk memplotkan hasil peramalan dalam bentuk grafik. Gambar 12

menunjukkan grafik hasil peramalan.

Gambar 12 Grafik Hasil Peramalan Dengan Search The Best


BAB II.Landasan Teori

Documents

Transcript of BAB II.Landasan Teori