05 September 2009

Peramalan, Rencana Produksi Agregat , Master Production Scheduling (MPS)

Peramalan produksi

Dalam pengambilan keputusan kita seringkali membutuhkan jenis peramalan tertentu, seperti seorang akuntan membutuhkan peramalan akan biaya dan pendapatan untuk perencanaan pajak, dan manager personalia membutuhkan peramalan dalam perekrutan karyawan. Begitu pula dengan bagian produksi membutuhkan tekinik-teknik peramalan untuk perencanaan kapasitas, tingkat inventory dan kegiatan shop floor planning. Peramalan produksi juga dapat mengukur perubahan demand menjelang lead time sehingga dapat membantu menentukan jumlah safety stock dan menekan biaya inventory.
Peramalan selalu salah, sehingga meramalkan produksi dengan metode apapun akan selalu mengandung error. Oleh sebab itu, kita menggunakan beberapa metode dan teknik peramalan dalam peramalan produksi untuk memperoleh nilai error terkecil yang menunjukkan keakuratan peramalan kita lebih tinggi .


Rencana produksi agregat
Sebelum produksi akan membutuhkan suatu perencanaan agar sumber daya yang tersedia selalu mampu untuk memenuhi kebutuhan. Tanpa suatu perencanaan yang matang, perusahaan tidak akan mampu menyerap fluktuasi demand yang terjadi sehingga cenderung terjadi penumpukan di gudang atau lost sales yang merugikan perusahaan.
Untuk menghindari membuat rencana item per item yang banyak memakan waktu, maka setiap item dari family yang sama diagregasikan terlebih dahulu untuk menyusun rencana produksi agregatnya. Suatu rencana produksi agregat akan menentukan tingkat tenaga kerja yang dibutuhkan, overtime, dan tingkat inventory dengan fungsi objektif untuk meminimasi biaya produksi.

Disagregasi dan Master Production Scheduling (MPS)
Suatu rencana produksi agregat yang sudah dibuat akan diimplementasikan sehingga dibutuhkan penjadwalan yang berupa jadwal induk produksi (Master Production Schedule).
Jumlah yang harus diproduksi merupakan jumlah untuk setiap item atau produk spesifik tertentu, maka hasil rencana produksi agregat harus didisagregasikan kembali untuk menyusun MPS dari masing-masing item.


Pengertian peramalan
Peramalan kebutuhan ini bertujuan untuk melihat atau memperkirakan prospek ekonomi atau kegiatan usaha serta pengaruh lingkungan terhadap prospek tersebut. Analisis kebutuhan di masa yang akan dating sering disebut sebagai peramalan. Setiap kebijakan ekonomi maupun kebijakan perusahaan tidak akan terlepas dari usaha untuk meningkatkan kesejahteraan masyarakat atau meningkatkan keberhasilan perusahaan untuk mencapai tujuannya pada masa yang akan datang dimana kebijakan tersebut dilaksanakan. Usaha untuk melihat dan mengkaji situasi dan kondisi tersebut tidak terlepas dari kegiatan peramalan.

Peramalan dibutuhkan karena adanya perbedaan waktu antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu kebijakan tersebut. Maka dalam menentukan kebijaksanaan, perlu diperkirakan kesempatan ataupun peluang yang ada, dan ancaman yang mungkin menghalang. Dalam sistem manufaktur peramalan merupakan langkah awal dari Production and Inventory Management, Manufacturing Planning and Control atau Manufacturing Resources Planning. Obyek yang diramalkan adalah kebutuhan.

Pada Make to Stock, peramalan merupakan input utama yang menjadi dasar penetapan produksi, perencanaan kapasitas, dan perencanaan material. Pada Make to Order, peramalan hanya merupakan bahan pertimbangan untuk menentukan kebutuhan mesin.
Secara garis besar, metoda time series dapat dikelompokkan menjadi:

1. Metoda Averaging
Dipakai untuk kondisi dimana setiap data pada waktu yang berbeda mampunyai bobot yang sama sehingga fluktuasi random data dapat diredam dengan rata-ratanya, biasanya dipakai untuk peramalan jangka pendek.
Double Moving Average Pada data yang memiliki kecenderungan suatu deret yang meningkat (trend) tanpa kesalahan random yang menghasilkan trend linear meningkat. Dengan menggnakan single moving average akan terjadi kesalahan sistematis (error) akibat trend. Untuk mengurangi kesalahan akibat trend yang terjadi bila rata-rata bergerak dipakai (moving average), maka dikembangkan metoda linear moving average.
Dengan metoda ini adalah menghitung rata-rata bergerak kedua. Rata-rata bergerak kedua (double moving average) merupakan rata-rata bergerak dari rata-rata bergerak dan menurut simbol dituliskan sebagai MA (M x N) artinya adalah MA (M periode) dari MA (N periode).

2. Metoda Smoothing
Dipakai pada kondisi dimana bobot data pada periode yang satu berbeda dengan data pada periode sebelumnya dan membentuk fungsi eksponential yang biasa disebut eksponential smoothing. Contoh: single exponential smoothing, double and triple exponential smoothing Double Exponential Smoothing Dua Parameter dari Holt’s

Dasar pemikiran dari smoothing (pemulusan) linear dari Holt’s adalah karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data yang sebenarnya, bilamana terdapat unsur trend, maka Holt’s memuluskan nilai trend dengan parameter yang berbeda dari parameter yang digunakan pada deret yang asli. Proses inisialisasi Holt’s membutuhkan dua nilai estimasi, pertama nilai smoothing S1 dan berikutnya nilai trend b1

Double Exponential Smoothing Satu Parameter dari Brown
Dasar pemikiran dari pemulusan eksponential linier dari Brown adalah serupa dengan rata-rata bergerak linear, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data yang sebenarnya bilamana terdapat unsur trend. Perbedaan antara nilai pemulusan tunggal dan pemulusan ganda dapat ditambah pada nilai pemulusan tunggal dan disesuaikan untuk trend.

3. Metoda Dekomposisi

Metoda ini merupakan perbaikan dari metoda sebelumnya, karena pada metoda averaging maupun smoothing, prilaku pola datanya tidak diamati secara tersendiri hanya menghaluskan randomness data dan bukan polanya. Contoh: Ratio to moving average, sensus

4. Metoda Simple Regresi
Pada dasarnya metoda ini berusaha mencari fungsi hubungan antara sebab (dalam hal ini waktu) dengan akibat. Metoda ini dapat dipakai untuk jangka panjang. Regresi Linear Regresi linear digunakan untuk peramalan apabila set data yang ada linear. Artinya hubungan antara variable waktu dan demand berbentuk garis lurus (linear), metoda regresi linear didasarkan atas perhitungan least square error yaitu dengan memperhitungkan jarak terkecil ke suatu titik pada data untuk ditarik garis. Dengan metoda ini dapat diperoleh suatu ramalan dengan didasarkan atas persamaan yang dihasilkan. Faktor intersep dan slope pada peramalan dihitung dari data masa lalu dan digunakan untuk melakukan peramalan dengan variabel waktu yang berubah.

5. Advanced Time Series Disebut model ARIMA ( Auto Regresive Integrated Moving Average )
Pada dasarnya hampir sama dengan dekomposisi, hanya mengidentifikasikan prilaku pola datanya digunakan metoda statistika canggih untuk meningkatkan ketelitian. Contoh : Metoda Box Jenkin

6. Metoda Winter
Kelompok metoda MA dan exponential smoothing yang telah dibahas digunakan untuk data stationer maupun non-stasioner sepanjang data tersebut tidak mengandung factor musiman. Pola kesalahan data musiman ditunjukkan dengan nilai positif kecuali nilai negative pada setiap pengulangan suatu periode. Jelas data tersebut akan dihilangkan. Metoda itu adalah pemulusan trend dan musiman dan Winters. Metoda Winters didasarkan atas tiga persamaan pemulusan (smoothing), yaitu untuk unsur stasioner, trend, dan musiman. Penggunaan metoda musiman pola kesalahan sistematis tersebut akan dihilangkan.




File Download Disini




Related Posts :



Widget by Hoctro | Jack Book

Komentar :

ada 1
santri tulen mengatakan...
pada hari 

terimah kasih
bagus banget artikel kamu

Poskan Komentar

Silahkan Tinggalkan Komentar apabila Anda merasa puas/tidak puas dengan judul postingan ini. Terima Kasih. Berkunjung lagi di lain waktu

KumpulBlogger

Ayat Hari Ini

Reader Community

My PageRank

Mari Tukaran Links

 
This Blog is proudly powered by Blogger.com | Template by Angga Leo Putra