Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

PERENCANAAN PRODUKSI. Lingkup : - Penentuan jenis dan volume produksi - Pengaturan tenaga kerja - Pengaturan mesin dan peralatan - Pengaturan material.

Presentasi serupa


Presentasi berjudul: "PERENCANAAN PRODUKSI. Lingkup : - Penentuan jenis dan volume produksi - Pengaturan tenaga kerja - Pengaturan mesin dan peralatan - Pengaturan material."— Transcript presentasi:

1 PERENCANAAN PRODUKSI

2 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 total Biaya peramalan Biaya resiko Upayaperamalan

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

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 + ct 2 - Eksponential : dt = a.e bt - Cyclic (siklis) : dt = a + b sin cos

10 Kriteria Performansi peramalan : 1.Mean square error (MSE) X t = data aktual pada periode t F t = data ramalan pada periode t n = banyaknya periode 2. Presentase kesalahan ( PE t ) 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 ? BulanJFMAMJJASOND Penjualan

12 METODE REGRESI LINIER SEDERHANA dt = f(t) Konstan : → a = … = 42 dt ’ = 42

13 dt = y(t) Ramalan (dt ’ ) e = dt – dt ’ e 2 = (dt-dt ’ ) Jumlah1873 MENCARI SEE :

14      n t fn dt 1 2 )'( SEE

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

16

17 T dt = y(t) t.dt t2t2t2t2 dt ’ dt-dt ’ (dt-dt’) ∑ = 78 = 6,5 = 6,5505 = 42 = ∑ = 1335 ∑ = 1335

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

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

20 Contoh : Data Penjualan suatu produk 12 bulan terakhir : t Data penjualan (Unit) MA (3) RamalanKesalahan ?1920,724,719,019,312,015,314,717,018,71920,724,71919,31215,314,71718,7

21 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 penyesuaian pola trend 1. Hitung single moving average dari data dengan periode perata-rataan tertentu; hasilnya notasikan St’ 2. Hitung moving average kedua, yaitu moving average dari St’ dengan periode perata-rataan yang sama, hasilnya notasikan dengan St’’ notasikan dengan St’’ 3. Hitung komponen at dengan rumus : at = St’ + (St’ - St’’) 4. Hitung komponen trend bt dengan rumus : bt = 2 (st’ – st‘’) bt = 2 (st’ – st‘’) N-1 N-1

22 5. Peramalan m periode ke depan setelah t adalah sbb : Ft+m = at + bt.m, Contoh : t Penjuala n (unit) MA (4) (st ’ ) MA (4) (st ’’ ) atbt at+bt.m (m=1) ??148156,25149,25159,50167,25162,50174,50175,25178,50153,25158,06159,62165,93169,87170,12165,75176,43165,37183,06180,62166,374,176,131,925,713,58-1,25169,91182,56167,29188,77184,20165,12163,85

23 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 Nilai rata-rata 4 s/d 5 (Xt) pertama α → 0 < α < 1 α → 0 < α < 1 Modifikasi : d t+1’ = α dt + (1- α ) dt’

24 t dt α Jika α = 0,1 d 1 ’ = d 1 = 30, maka d 2 ’ = 0,1 (30) + 0,9(30) = 30 d 3 ’ = 0,1(d 2 ) + 0,9 (d 2 ’) 0,1(20) + 0,9 (30) = 29 d 4 ’ = 0,1(45) + 0,9 (29) = 30,6 dst

25 PROSEDUR PERAMALAN 1. Definisikan tujuan peramalan yang akan dilakukan 2. Buat diagram pencar dari data 3. Pilih paling tidak 2 metode yang dapat mengakomodasikan tujuan tersebut dan mendekati pola data yang tergambar dari langkah 2 4. Hitung kesalahan peramalan yang terjadi 5. 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 : BulanJFMAMJJASOND Penjualan

26 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. 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.

27 DataMA(4)Ramalane e2e2e2e ,5032,5042,5041,2545,0048,7550,0052,5048,7532,5032,5042,5041,2545,0048,7550,0052,5048,75-2,5027,50-2,508,75016,25017,506,25756,256,2576,560264,060306, ,62 Moving Average 4 Periode :

28 DataMA(4)St’M4(4x4)St”atbt F t + m e e2e2e2e ,5032,5042,5041,2545,0048,7550,0052,5048,7537,1430,3134,3846,2549,0652,5045,3656,6963,1253,7555,9445,000,752,672,610,680,630,6846,1159,3665,7354,4356,5744,323,89-14,36-0,73-4,4321,5715,13206,210,5319,62456,26 706,75 Linear Moving Average 4 Periode :

29  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

30 Untuk menguji apakah fungsi cukup representatif pola datanya, digunakan proses verifikasi  digunakan Moving Range Chart (Peta sebaran bergerak) CL = Central Line = 0 CL = Central Line = 0 = e t - e t - 1 = e t - e t - 1 Dari data yang lalu : dt’ = t.  Regresi Linier 1-N MRt MR 2    n t 2,66 UCLBA  MR 2,66- LCL BB  )'()'(MRt 11   tttt dddd

31 Dari data yang lalu : dt’ = t. (Regresi Linier) Dari data yang lalu : dt’ = t. (Regresi Linier)tdtdt’ dt – dt’ MRt

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

33 KONDISI – KONDISI OUT OF CONTROL - Bila ada titik sebaran (dt-dt’) diluar batas kontrol (>BA ; BA ;

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


Download ppt "PERENCANAAN PRODUKSI. Lingkup : - Penentuan jenis dan volume produksi - Pengaturan tenaga kerja - Pengaturan mesin dan peralatan - Pengaturan material."

Presentasi serupa


Iklan oleh Google