BAB I
ASPEK PEMASARAN
Pemasaran adalah proses sosial dan manajerial dimana seseorang atau kelompok memperoleh apa yang mereka inginkan atau butuhkan melalui penciptaan dan pertukaran produk atau nilai.
1.1 Operation Proses Chart
Peta Proses Operasi adalah suatu diagram yang menggambarkan urutan-urutan proses operasi yang dialami bahan sampai menjadi bahan jadi disertai pemeriksaannya.
Sejak dari awal sampai menjadi produk jadi utuh maupun sebagai komponen, dan juga memuat informasi-informasi yang diperlukan untuk analisa lebih lanjut, seperti : waktu yang dihabiskan, material yang digunakan, dan tempat atau alat atau mesin yang digunakan.
Kegunaan Peta Proses Operasi :
Dengan adanya informasi-informasi dari Peta Proses Operasi, kita bisa memperoleh banyak manfaat diantaranya :
1. Mengetahui kebutuhan akan mesin dan penganggarannya.
2. Memperkirakan kebutuhan akan bahan baku (dengan memperhitungkan efisiensi ditiap operasi/pemeriksaan)
3. Sebagai alat untuk menentukan tata letak pabrik
4. Sebagai alat untuk melakukan perbaikan cara kerja yang sedang dipakai
5. Sebagai alat untuk latihan kerja.
Lambang yang digunakan untuk membuat OPC adalah:
PROSES ASSEMBLING
F 
kegiatan dimana komponen mengalami perubahan karena dirakit dengan komponen lainnya.
PEMERIKSAAN
F kegiatan memeriksa benda atau objek baik dari segi kualitas maupun kuantitas.
AKTIVITAS GABUNGAN
F kegiatan dimana antara assembling dan pemeriksaan dilakukan bersamaan atau dalam selang waktu yang relatif singkat.
PENYIMPANAN
F seandainya benda kerja disimpan dalam waktu yang lama dan jika mau diambil kembali biasanya harus berdasarkan rekomendasi atas ijin terlebih dahulu.
1.2 Metoda Peramalan (Forecasting)
Ramalan adalah sesuatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang, objek yang diramalkan dapat meliputi apa saja. Jadi Peramalan adalah upaya untuk memperkirakan apa yang akan terjadi pada masa yang akan datang.
Analisa kebutuhan yang akan datang sering disebut Peramalan atau Forecasting. Tujuan dari Analisa kebutuhan adalah untuk melihat atau memperkirakan prospek ekonomi atau kegiatan usaha serta pengaruh lingkungan terhadap prospek tersebut.
Peramalan dilakukan untuk melihat pola tingkah laku dari urutan kejadian ekonomi dan kebijaksanaan pemerintah sehingga diperoleh informasi perkiraan mengenai:
1. Perencanaan skala produksi, pemasaran, anggaran dan biaya produksi serta cashflow.
2. Kebutuhan suatu kegiatan usaha di masa yang akan datang.
3. Waktu untuk mengambil keputusan yang berkaitan dengan skala produksi, pemasaran dan target produksi.
Karakteristik ramalan yang baik
1. Ketelitian
Terlalu besar ® Inventory tinggi
Terlalu kecil ® Lost sale/ profit/ konsumen
2. Ongkos
Model Simple ® Ongkos murah
Model Canggih ® Effort besar, Ongkos mahal
3. Response
Ramalan harus stabil, tidak mudah terpengaruh oleh fluktuasi demand
4. Simple
Teknik peramalan harus sederhana untuk menghindarkan salah intreprestasi
Prinsip - prinsip peramalan adalah sebagai berikut :
1. Ramalan akan selalu mengandung error
2. Kesalahan harus terukur
3. Ramalan satu famili produk lebih teliti dari pada end item
4. Ramalan jangka pendek lebih teliti dari pada ramalan jangka panjang
Ukuran kesalahan peramalan :
Kesalahan (error) adalah besarnya penyimpangan antara aktual dengan hasil ramalan.
et = Xt - Ft
Dua macam ukuran kesalahan yaitu :
1. Ukuran Statistik
2. Ukuran Relative
Empat macam cara menentukan ukuran kesalahan secara statistik, yaitu :
J 
MEAN ERROR/DEVIATION (ME / MD)
J 
MEAN ABSOLUTE ERROR/DEVIATION (MAE / MAD)
J SUM OF SQUARE ERROR (SSE)
J 
MEAN SQUARED ERROR (MSE)
J STANDARD DEVIATION OF ERROR (SDE)
J 
PERCENTAGE ERROR (PE)
J 
MEAN PERCENTAGE ERROR (MPE)
J 
MEAN ABSOLUTE PERCENTAGE ERROR (MAPE)
Dari segi teknis proyeksi peramalan, metode diklasifikasikan dalam dua cara :
1. Metode Kuantitatif
Metode kuantitatif dapat digunakan jika tersedia data masa lalu, dari data tersebut dicari pola hubungan yang ada. Metode ini cocok digunakan pada kondisi yang statis, jelas dan tidak memerlukan Human mind. Dengan metode ini, ketelitian ramalan dapat diprediksi sejak awal sebagai bahan pengambilan keputusan. Atas dasar tersebut metode kuantitaif lebih disukai.
Metode Kuantitatif dikelompokan menjadi dua yaitu :
a. Teknik secara Time Series
Metode ini digunakan untuk kondisi dimana kita tidak dapat menjelaskan faktor apa yang akan dapat menyebabkan terjadinya event yang diramalkan (Black Box), sehingga waktu yang dianggap sebagai variabel terjadinya event tersebut.
Metode Time Series dapat dikelompokkan menjadi:
1) Metode Avareging
(Mean Single / Double Exponential Smoothing)
ù Dipakai untuk kondisi dimana setiap data pada waktu yang berbeda mempunyai bobot yang sama sehingga fluktuasi random data dapat diredam dengan rata-ratanya
ù Apabila tidak semua data masa lalu dapat mewakili asumsi pola data berlanjut terus dimasa yang akan datang, maka dapat dipilih sejumlah periode tertentu saja (misal 6 periode)
ù Apabila ternyata periode yang relevan adalah N periode terakhir maka rata-rata dapat dihitung dengan N periode yang berbeda.
ù Hasil perataan ini disebut dengan moving average
ù Apabila ternyata datanya stationer, single moving average cukup baik untuk meramalkan keadaan
ù Jika ternyata data tidak stationer, mengandung pola trend , maka dilakukan moving average pada hasil average pada hasil single moving everage .
ù Hasil parataan disebut dengan double moving average
ù Biasa dipakai untuk peramalan jangka pendek
2). Metode Smoothing
(Single / Double / Triple Exponential Smoothing)
ù Dipakai pada kondisi dimana bobot data pada perioda yang satu berbeda dengan data pada perioda sebelumnya dan membentuk fungsi exponensial sehingga disebut exponensial smoothing
ù Apabila pola datanya stationer, single exponensial cukup baik untuk meramalkan keadaan
ù Apabila data tidak stationer, mengandung pola trend, maka dilakukan smoothing pada hasil single exponensial smoothing. Hasil smoothing ini disebut double exponensial smoothing
ù Apabila selain pola trend juga mengandung pola siklik, perlu dilakukan smoothing pada hasil double exponensial smoothing. Hasilnya disebut dengan triple exponensial smoothing
ù Baik untuk peramalan jangka pendek, dan banyak item yang harus diramalkan (karena mudahnya).
3).Metode Dekomposisi
(Ratio To Moving Avarage Sensus)
ù Pada metode average dan smoothing, perilaku pola data tidak diamati secara tersendiri, sebab yang dilakukan adalah menghaluskan randomnes data bukan polanya. Kekurangan ini diperbaiki pada metode dekomposisi
ù Cukup baik untuk jangka pendek dengan jumlah item sedikit
ù Cara ini lebih sulit dari cara terdahulu, tapi cakupannya lebih luas
4) Metode Simple Regresi
ù Pada dasarnya metode simple regresi berusaha mencari fungsi hubungan antara sebab (dalam hal waktu) dengan akibat
ù Diasumsikan waktu mempunyai hubungan linier dengan ramalan dan pola akan terus berlanjut, sehingga dari fungsi yang terbentuk dapat ditentukan ramalan dimasa datang dengan cara extrapolasi
ù Dapat dipakai untuk ramalan jangka panjang
5). Advanced Time Series
(Box Jenkin)
ù Disebut metode ARIMA (Auto Regresive Intregated Moving Average)
ù Pada dasarnya hampir sama dengan dekomposisi, hanya mengidentifikasikan perilaku pola datanya digunakan metode statistika canggih untuk meningkatkan ketelitian
ù Memerlukan keahlian khusus, dan cukup baik untuk peramalan jangka panjang
b.Teknik Secara Deterministik (Causal)
Metode ini dipakai untuk kondisi dimana variabel penyebab terjadinya item yang akan diramalkan , sudah diketahui. Hubungan sistem sebab-akibat dapat digambarkan sebagai berikut :
Model-model yang sering digunakan adalah :
ù Antisipation Surveys
ù Input-Output Model
ù Loading Indicator
ù Econometric Model
2. Metode Kualitatif
Digunakan jika tidak tersedia data masa lalu karena alasan sebagai berikut :
· Tidak tercatat
· Yang diramalkan adalah hal yang baru
· Situasi telah berubah
· Situasi yang memerlukan Human Mind
· Kesalahan peramalan tidak dapat diprediksi
Metoda Kualitatif dikelompokkan menjadi tiga yaitu :
ù Metode subjektif : Upaya untuk memperkirakan keadaan yang akan terjadi berdasarkan pendapat subjective yang dapat berasal dari individu, group, pimpinan atau market.
ù Metode exploratory : Upaya untuk menggali kondisi apa yang dapat terjadi setelah mendefinisikan batasan-batasan yang ada.
ù Metode normatif : Upaya menggambarkan apa yang mungkin terjadi berdasarkan norma yang berlaku.
Beberapa teknik kualitatif yang sering dipergunakan adalah :
ù Teknik Delphi Method
ù Teknik Market Research
ù Teknik Panel Consesus
ù Teknik Visiinary Analogne
ù Teknik Kurva S
ù Teknik Management Decision
Metode kualitatif biasanya dipakai untuk meramalkan lingkungan dan teknologi, karena kondisi tersebut berbeda dengan kondisi perekonomian dan pemasaran. Oleh karena itu metode kualitatif sering disebut dengan tecnological forcasting. Metode peramalan yang digunakan dalam praktikum Sistem Produksi ini adalah :
1) Double Exponensial Smoothing (Metoda Brown)
Dasar pemikiran dari pemulusan eksoponential linear 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 tungggal dan ganda dapat ditambah pada nilai pemulusan tunggal dan disesuaika untuk trend. Persamaan yang dipakai dalam implementasi pemulusan eksponential linear satu parameter dari Brown adalah sebagai berikut :
Ft+m = at + bt.m
S’t = a.Xt + (1 - a)S’t-1
S”t = a. S’t + (1 - a)S”t-1
at = 2S’t - S”t
bt = (a/1-a)( S’t - S”t)
Dimana :
St = nilai exponential smoothing tunggal
St” = nilai exponential smoothing ganda
m = jumlah periode kemuka yang diramalkan
F t+m = Ramalan m perioda kemuka
Pada periode pertama (t = 1) besar S’(t-1) dan S”(t-1) tidak diketahui, untuk itu ditetapkan besar S’(t-1) dan S”(t-1) sama dengan besar demand pada periode pertama (Xt), atau dengan menggunakan nilai rata-rata dari beberapa nilai demand pertama sebagai titik awal.
Jenis masalah inisialisasi ini muncul dalam setiap metoda pemulusan (smoothing) eksponential. Jika parameter pemulusan a tidak mendekati nol, pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu. Tetapi jika a mendekati nol, proses inisialisasi tersebut dapat memainkan peranan yang nyata selama perioda waktu kemuka yang panjang.
2). Metoda Simple Regresi
Peramalan dengan menggunakan simple regresi (regresi sederhana), yaitu setiap periode dan data demand (event) digambarkan sebagai suatu titik (X,Y). Dimana X sebagai variabel waktu (perioda), sedangkan Y adalah event yang akan diramalkan. Adapun persamaan metoda ini adalah :
Yt = a + b(t)
Dimana : Yt : Besar ramalan pada perioda ke t
a : Intercept
b : Kemiringan (Slope)
3) Double Exponential Smoothing Dua Parameter dari Holt
Metode pelumusan eksponensial linear dari Holt dalam prinsipnya serupa dengan Brown kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya, Holt Memuluskan nilai trend dengan parameter yang berbeda dengan parameter yang digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial linear Holt didapat dengan menggunakan dua konstanta pemulusan (dengan nilai antara 0 dan 1) dengan tiga persamaan yaitu :
St = a Xt + ((1-a) x (St-1 + bt-1))...........(1)
bt = g(St - St-1) + g(bt - 1).................(2)
Ft+m = St + (bt x m)...................(3)
Dimana :
St = Data Pemulusan pada periode t
bt = Trend Pemulusan pada periode t
Ft+m = Peramalan pada periode t + m
Persamaan (1) menyesuaikan St secara langsung untuk trend periode sebelumnya, yaitu b(t-1), dengan menambahkan nilai pemulusan yang terakhir yaitu S(t-1) . Hal ini membantu menghilangkan kelambatan dan menempatkan St ke dasar perkiraan nilai data saat ini.
Persamaan ke (2) meremajakan trend, yang ditunjukkan sebagai perbedaan antara dua nilai pemulusan terakhir. Hal ini tepat, karena jika terdapat kecenderumgan di dalam data, nilai yang baru akan lebih tinggi atau lebih rendah daripada nilai yang sebelumnya, mungkin masih terdapat sedikit kerandoman, maka hal ini dihilangkan oleh pemulusan dengan g (gamma) trend pada periode akhir St - St-1 dan menambahkannya dengan taksiran trend sebelumnya. dikalikan dengan (1- g). Terakhir, persamaan (3) digunakan untuk ramalan kemuka yang diramalkan (m), dan ditambahkan pada nilai dasar (St).
4) Metoda Kuadratik Satu Parameter dari Brown
Sebagaimana halnya dengan pemulusan eksponensial linear yang dapat digunakan untuk meramalkan data dengan suatu pola trend dasar, bentuk pemulusan yang lebih tinggi dapat digunakan apabila dasar pol datanya adalah kuadratik, kubik, atau orde yang lebih tinggi. Untuk berangkat dari pemulusan kuadratik, pendekatan dasarnya adalah memasukkan tingkat pemulusan tambahan (smoothing tripel) dan memberlakukan persamaan peramalan kuadratik.
Persamaan untuk pemulusan kuadratik yaitu :
S’t = aXt + (1-a)S’t-1 (Pemulusan Pertama)
S’’t = a S’ + (1-a)S’’t-1 (Pemulusan kedua)
S’’’t = a S’’ + (1-a)S’’’t-1 (Pemulusan Ketiga)
at = 3S’t - 3S’’t + S’’’t
bt = 
[(6-5a)S’t - (10 - 8a)S’’t + (4 - 3a)S’’’t]
ct = 
(S’t - 2S’’t + S’’’t)
Ft+m = at + btm + 
ctm2
Persamaan yang dibutuhkan untuk pemulusan kuadratik sangat lebih rumit dibanding persamaan untuk pemulusan tunggal dan linear. Walaupun demikian pendekatannya dalam mencoba menyesuaikan nilai ramalan sehingga ramalan tersebut dapat mengikuti perubahan trend kuadratik adalah sama.
5) Metode Kecenderungan dan Musiman Tiga Parameter dari Winter
Metode Winter didasarkan atas tiga persamaan pemulusan, yaitu satu untuk unsur stationer, satu untuk trend, dan satu untuk musiman. Hal ini serupa dengan metode Holt, dengan satu persamaan tambahan untuk mengatasi musiman.
Persamaan dasar untuk metode Winter yaitu sebagi berikut :
St = 
+ (1-a)(St-1 + bt-1 ) Pemulusan Keseluruhan
bt = g (St - St-1 ) + (1 - g) bt-1 Pemulusan Trend
It = 
+ (1 - b) It-1 Pemulusan Musiman
Ft+m = (St + btm) It-L+m Ramalan
dimana :
L : panjang musiman (misal jumlah bulan atau kuartal dalam satu tahun)
b : komponen trend
I : faktor penyesuaian musiman
Ft+m : Ramalan untuk m periode ke muka
Persamaan untuk pemulusan musiman dapat dibandingkan dengan indeks musiman yang merupakan ratio antara nilai sekarang dari deret data, Xt, dibagi dengan hasil pemulusan tunggal yang sekarang untuk deret data tersebut, St . Jika Xt lebih besar dari St maka ratio tersebut akan lebih besar dari 1, sedangkan jika Xt lebih kecil dari St maka ratio itu akan lebih kecil daripada 1.
Untuk memahami metode ini kita perlu menyadari bahwa St merupakan nilai pemulusan (rata-rata) dari deret data yang tidak termasuk unsur musiman. Dan juga bahwa Xt mencakup adanya kerandoman dalam deret data. Untuk menghaluskan kerandoman ini, persamaan pemulusan musiman membobot faktor musiman yang dihitung paling akhir dengan b dan angka musiman paling akhir pada musiman yang sama dengan (1-b). (Faktor musiman sebelum ini dihitung dari periode t - L, karena L adalah panjang musiman).
Persamaan pemulusan trend tepat sama dengan persamaan (2) dari metode Holt untuk pemulusan trend. Persamaan pemulusan keseluruhan berbeda sedikit dengan persamaan (1) metode Holt dimana unsur pertamanya dibagi dengan angka musiman It-L . Hal ini dilakukan untuk menghilangkan musiman. Penyesuai ini dapat digambarkan dengan memperhatikan kasus di mana It-L lebih besar dari 1, yang terjadi pada saat nilai periode t - L lebih besar dari rata-rata dalam musimannya. Membagi Xt dengan bilangan yang lebih besar dari 1 ini menghasilkan suatu nilai yang lebih kecil daripada nilai semula.
Salah satu masalah dalam menggunakan metode Winter yaitu dalam menentukan nilai-nilai untuk a, b, g tersebut yang akan meminimumkan MSE atau MAPE. Pendekatan untuk menentukan nilai ini biasanya secara coba salah (trial and error).
1.3 Pemasaran
Pasar adalah tempat dimana transaksi jual beli barang maupun jasa terjadi antara produsen dan konsumen. Pasar yang menjadi aspek yang berpengaruh terhadap kelangsungan perusahaan, dalam memasarkan hasil-hasil produksinya di masa yang akan datang, maka aspek yang perlu diteliti adalah kedudukan produk yang direncanakan pada saat ini, komposisi dan perkembangan permintaan produksi dari masa yang lampau hingga sekarang, proyeksi permintaaan di masa yang akan datang, sistem distribusi, rencana jumlah produksi market share, rencana penjualan dan peranan pemerintah dalam menunjang perkembangan pemasaran produksi. Dengan demikian dapat diatur jumlah produksi yang dapat diserap oleh pasar.
Plot Data
Plot data adalah langkah awal untuk mengetahui metoda peramalan yang akan digunakan dalam perhitungannya.
Macam - macam plot data sebagai berikut :
1. Plot data Stationer
2. Plot data yang membentuk linear
3. Plot data yang membentuk suatu trend dan siklik
Market Potensial
Market potensial adalah peluang yang tersedia dan potensial untuk dikuasai sebagai tempat untuk memasarkan produk.
Market Share
Market share adalah kondisi yang menunjukan seberapa besar pasar yang mungkin digunakan untuk memasarkan produk kita.
1.4 Routing Sheet
Routing sheet digunakan untuk menghitung jumlah mesin yang dibutuhkan dan juga untuk menghitung jumlah parts yang harus dipersiapkan dalam usaha memperoleh sejumlah produk jadi yang diinginkan.
Data yang dibutuhkan dalam routing sheet :
1. Kapasitas Mesin
2. Persentase Scrap
3. Effisiensi Mesin
Routing Sheet berisi tentang:
ù Nomor, Nama, dan Jumlah Part
ù Nomor dan urutan-urutan aktivitas
ù Mesin dan peralatan yang digunakan
ù Waktu dan jumlah produksi
Contoh tabel Routing Sheet:
| No. Opr. | Desripsi | Mesin/ Alat | Produk Mesin/ Jam | % Scrapt | Bahan Diminta | Bahan Disiapkan | Eff. Mesin (%) | Keb. Mesin Teoritir | Keb. Mesin Aktual |
| (1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) | (9) | (10) |
Cara pengisian Routing Sheet:
ù Untuk mengisi kolom (1) s.d. (5), menggunakan data yang ada dalam OPC yang telah dibuat.
ù Untuk mengisi kolom (6), terlebih dahulu mengisi jumlah produk akhir yang diinginkan pada setiap akhir aktivitas dengan KPT.
ù Kolom (7), diisi dengan jumlah produk yang harus disiapkan pada awal aktivitas dengan memperhitungkan %scrapt yang terbuang pada aktivitas yang bersangkutan
ù (7) = 
ù (8) =
ù (9) = 
ù Kolom (10) merupakan pembulatan ke atas dari kolom (9).
1.5 Multi Product Process Chart (MPPC)
Setelah kita memahami permasalahan OPC dan Routhing Sheet maka langkah selanjutnya adalah pengisian tabel MPPC, dimana dalam pengisian tabel ini terlebih dahulu harus mengetahui OPC dan Routhing Sheet.
Multi Product Process Chart (MPPC) adalah suatu diagram yang menunjukkan urutan-urutan proses untuk masing-masing komponen yang akan diproduksi. Informasi yang dapat diperoleh dari MPPC ini adalah jumlah mesin aktual yang dibutuhkan.
Contoh Tabel MPPC :
| Deskripsi Peralatan | Nomor Komponen | Jumlah | Jumlah |
| | 100 | 200 | 300 | Mesin Teoritis | Mesin Aktual |
| Receiving Meja Fabrikasi Mesin Penghalus Shipping | | | | | |
BAB I
ASPEK PEMASARAN
Pemasaran adalah proses sosial dan manajerial dimana seseorang atau kelompok memperoleh apa yang mereka inginkan atau butuhkan melalui penciptaan dan pertukaran produk atau nilai.
1.1 Operation Proses Chart
Peta Proses Operasi adalah suatu diagram yang menggambarkan urutan-urutan proses operasi yang dialami bahan sampai menjadi bahan jadi disertai pemeriksaannya.
Sejak dari awal sampai menjadi produk jadi utuh maupun sebagai komponen, dan juga memuat informasi-informasi yang diperlukan untuk analisa lebih lanjut, seperti : waktu yang dihabiskan, material yang digunakan, dan tempat atau alat atau mesin yang digunakan.
Kegunaan Peta Proses Operasi :
Dengan adanya informasi-informasi dari Peta Proses Operasi, kita bisa memperoleh banyak manfaat diantaranya :
1. Mengetahui kebutuhan akan mesin dan penganggarannya.
2. Memperkirakan kebutuhan akan bahan baku (dengan memperhitungkan efisiensi ditiap operasi/pemeriksaan)
3. Sebagai alat untuk menentukan tata letak pabrik
4. Sebagai alat untuk melakukan perbaikan cara kerja yang sedang dipakai
5. Sebagai alat untuk latihan kerja.
Lambang yang digunakan untuk membuat OPC adalah:
PROSES ASSEMBLING
F kegiatan dimana komponen mengalami perubahan karena dirakit dengan komponen lainnya.
PEMERIKSAAN
F kegiatan memeriksa benda atau objek baik dari segi kualitas maupun kuantitas.
AKTIVITAS GABUNGAN
F kegiatan dimana antara assembling dan pemeriksaan dilakukan bersamaan atau dalam selang waktu yang relatif singkat.
PENYIMPANAN
F seandainya benda kerja disimpan dalam waktu yang lama dan jika mau diambil kembali biasanya harus berdasarkan rekomendasi atas ijin terlebih dahulu.
1.2 Metoda Peramalan (Forecasting)
Ramalan adalah sesuatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang, objek yang diramalkan dapat meliputi apa saja. Jadi Peramalan adalah upaya untuk memperkirakan apa yang akan terjadi pada masa yang akan datang.
Analisa kebutuhan yang akan datang sering disebut Peramalan atau Forecasting. Tujuan dari Analisa kebutuhan adalah untuk melihat atau memperkirakan prospek ekonomi atau kegiatan usaha serta pengaruh lingkungan terhadap prospek tersebut.
Peramalan dilakukan untuk melihat pola tingkah laku dari urutan kejadian ekonomi dan kebijaksanaan pemerintah sehingga diperoleh informasi perkiraan mengenai:
1. Perencanaan skala produksi, pemasaran, anggaran dan biaya produksi serta cashflow.
2. Kebutuhan suatu kegiatan usaha di masa yang akan datang.
3. Waktu untuk mengambil keputusan yang berkaitan dengan skala produksi, pemasaran dan target produksi.
Karakteristik ramalan yang baik
1. Ketelitian
Terlalu besar ® Inventory tinggi
Terlalu kecil ® Lost sale/ profit/ konsumen
2. Ongkos
Model Simple ® Ongkos murah
Model Canggih ® Effort besar, Ongkos mahal
3. Response
Ramalan harus stabil, tidak mudah terpengaruh oleh fluktuasi demand
4. Simple
Teknik peramalan harus sederhana untuk menghindarkan salah intreprestasi
Prinsip - prinsip peramalan adalah sebagai berikut :
1. Ramalan akan selalu mengandung error
2. Kesalahan harus terukur
3. Ramalan satu famili produk lebih teliti dari pada end item
4. Ramalan jangka pendek lebih teliti dari pada ramalan jangka panjang
Ukuran kesalahan peramalan :
Kesalahan (error) adalah besarnya penyimpangan antara aktual dengan hasil ramalan.
et = Xt - Ft
Dua macam ukuran kesalahan yaitu :
1. Ukuran Statistik
2. Ukuran Relative
Empat macam cara menentukan ukuran kesalahan secara statistik, yaitu :
J MEAN ERROR/DEVIATION (ME / MD)
J MEAN ABSOLUTE ERROR/DEVIATION (MAE / MAD)
J SUM OF SQUARE ERROR (SSE)
J MEAN SQUARED ERROR (MSE)
J STANDARD DEVIATION OF ERROR (SDE)
J PERCENTAGE ERROR (PE)
J MEAN PERCENTAGE ERROR (MPE)
J MEAN ABSOLUTE PERCENTAGE ERROR (MAPE)
Dari segi teknis proyeksi peramalan, metode diklasifikasikan dalam dua cara :
1. Metode Kuantitatif
Metode kuantitatif dapat digunakan jika tersedia data masa lalu, dari data tersebut dicari pola hubungan yang ada. Metode ini cocok digunakan pada kondisi yang statis, jelas dan tidak memerlukan Human mind. Dengan metode ini, ketelitian ramalan dapat diprediksi sejak awal sebagai bahan pengambilan keputusan. Atas dasar tersebut metode kuantitaif lebih disukai.
Metode Kuantitatif dikelompokan menjadi dua yaitu :
a. Teknik secara Time Series
Metode ini digunakan untuk kondisi dimana kita tidak dapat menjelaskan faktor apa yang akan dapat menyebabkan terjadinya event yang diramalkan (Black Box), sehingga waktu yang dianggap sebagai variabel terjadinya event tersebut.
Metode Time Series dapat dikelompokkan menjadi:
1) Metode Avareging
(Mean Single / Double Exponential Smoothing)
ù Dipakai untuk kondisi dimana setiap data pada waktu yang berbeda mempunyai bobot yang sama sehingga fluktuasi random data dapat diredam dengan rata-ratanya
ù Apabila tidak semua data masa lalu dapat mewakili asumsi pola data berlanjut terus dimasa yang akan datang, maka dapat dipilih sejumlah periode tertentu saja (misal 6 periode)
ù Apabila ternyata periode yang relevan adalah N periode terakhir maka rata-rata dapat dihitung dengan N periode yang berbeda.
ù Hasil perataan ini disebut dengan moving average
ù Apabila ternyata datanya stationer, single moving average cukup baik untuk meramalkan keadaan
ù Jika ternyata data tidak stationer, mengandung pola trend , maka dilakukan moving average pada hasil average pada hasil single moving everage .
ù Hasil parataan disebut dengan double moving average
ù Biasa dipakai untuk peramalan jangka pendek
2). Metode Smoothing
(Single / Double / Triple Exponential Smoothing)
ù Dipakai pada kondisi dimana bobot data pada perioda yang satu berbeda dengan data pada perioda sebelumnya dan membentuk fungsi exponensial sehingga disebut exponensial smoothing
ù Apabila pola datanya stationer, single exponensial cukup baik untuk meramalkan keadaan
ù Apabila data tidak stationer, mengandung pola trend, maka dilakukan smoothing pada hasil single exponensial smoothing. Hasil smoothing ini disebut double exponensial smoothing
ù Apabila selain pola trend juga mengandung pola siklik, perlu dilakukan smoothing pada hasil double exponensial smoothing. Hasilnya disebut dengan triple exponensial smoothing
ù Baik untuk peramalan jangka pendek, dan banyak item yang harus diramalkan (karena mudahnya).
3).Metode Dekomposisi
(Ratio To Moving Avarage Sensus)
ù Pada metode average dan smoothing, perilaku pola data tidak diamati secara tersendiri, sebab yang dilakukan adalah menghaluskan randomnes data bukan polanya. Kekurangan ini diperbaiki pada metode dekomposisi
ù Cukup baik untuk jangka pendek dengan jumlah item sedikit
ù Cara ini lebih sulit dari cara terdahulu, tapi cakupannya lebih luas
4) Metode Simple Regresi
ù Pada dasarnya metode simple regresi berusaha mencari fungsi hubungan antara sebab (dalam hal waktu) dengan akibat
ù Diasumsikan waktu mempunyai hubungan linier dengan ramalan dan pola akan terus berlanjut, sehingga dari fungsi yang terbentuk dapat ditentukan ramalan dimasa datang dengan cara extrapolasi
ù Dapat dipakai untuk ramalan jangka panjang
5). Advanced Time Series
(Box Jenkin)
ù Disebut metode ARIMA (Auto Regresive Intregated Moving Average)
ù Pada dasarnya hampir sama dengan dekomposisi, hanya mengidentifikasikan perilaku pola datanya digunakan metode statistika canggih untuk meningkatkan ketelitian
ù Memerlukan keahlian khusus, dan cukup baik untuk peramalan jangka panjang
b.Teknik Secara Deterministik (Causal)
Metode ini dipakai untuk kondisi dimana variabel penyebab terjadinya item yang akan diramalkan , sudah diketahui. Hubungan sistem sebab-akibat dapat digambarkan sebagai berikut :
Model-model yang sering digunakan adalah :
ù Antisipation Surveys
ù Input-Output Model
ù Loading Indicator
ù Econometric Model
2. Metode Kualitatif
Digunakan jika tidak tersedia data masa lalu karena alasan sebagai berikut :
· Tidak tercatat
· Yang diramalkan adalah hal yang baru
· Situasi telah berubah
· Situasi yang memerlukan Human Mind
· Kesalahan peramalan tidak dapat diprediksi
Metoda Kualitatif dikelompokkan menjadi tiga yaitu :
ù Metode subjektif : Upaya untuk memperkirakan keadaan yang akan terjadi berdasarkan pendapat subjective yang dapat berasal dari individu, group, pimpinan atau market.
ù Metode exploratory : Upaya untuk menggali kondisi apa yang dapat terjadi setelah mendefinisikan batasan-batasan yang ada.
ù Metode normatif : Upaya menggambarkan apa yang mungkin terjadi berdasarkan norma yang berlaku.
Beberapa teknik kualitatif yang sering dipergunakan adalah :
ù Teknik Delphi Method
ù Teknik Market Research
ù Teknik Panel Consesus
ù Teknik Visiinary Analogne
ù Teknik Kurva S
ù Teknik Management Decision
Metode kualitatif biasanya dipakai untuk meramalkan lingkungan dan teknologi, karena kondisi tersebut berbeda dengan kondisi perekonomian dan pemasaran. Oleh karena itu metode kualitatif sering disebut dengan tecnological forcasting. Metode peramalan yang digunakan dalam praktikum Sistem Produksi ini adalah :
1) Double Exponensial Smoothing (Metoda Brown)
Dasar pemikiran dari pemulusan eksoponential linear 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 tungggal dan ganda dapat ditambah pada nilai pemulusan tunggal dan disesuaika untuk trend. Persamaan yang dipakai dalam implementasi pemulusan eksponential linear satu parameter dari Brown adalah sebagai berikut :
Ft+m = at + bt.m
S’t = a.Xt + (1 - a)S’t-1
S”t = a. S’t + (1 - a)S”t-1
at = 2S’t - S”t
bt = (a/1-a)( S’t - S”t)
Dimana :
St = nilai exponential smoothing tunggal
St” = nilai exponential smoothing ganda
m = jumlah periode kemuka yang diramalkan
F t+m = Ramalan m perioda kemuka
Pada periode pertama (t = 1) besar S’(t-1) dan S”(t-1) tidak diketahui, untuk itu ditetapkan besar S’(t-1) dan S”(t-1) sama dengan besar demand pada periode pertama (Xt), atau dengan menggunakan nilai rata-rata dari beberapa nilai demand pertama sebagai titik awal.
Jenis masalah inisialisasi ini muncul dalam setiap metoda pemulusan (smoothing) eksponential. Jika parameter pemulusan a tidak mendekati nol, pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu. Tetapi jika a mendekati nol, proses inisialisasi tersebut dapat memainkan peranan yang nyata selama perioda waktu kemuka yang panjang.
2). Metoda Simple Regresi
Peramalan dengan menggunakan simple regresi (regresi sederhana), yaitu setiap periode dan data demand (event) digambarkan sebagai suatu titik (X,Y). Dimana X sebagai variabel waktu (perioda), sedangkan Y adalah event yang akan diramalkan. Adapun persamaan metoda ini adalah :
Yt = a + b(t)
Dimana : Yt : Besar ramalan pada perioda ke t
a : Intercept
b : Kemiringan (Slope)
3) Double Exponential Smoothing Dua Parameter dari Holt
Metode pelumusan eksponensial linear dari Holt dalam prinsipnya serupa dengan Brown kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya, Holt Memuluskan nilai trend dengan parameter yang berbeda dengan parameter yang digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial linear Holt didapat dengan menggunakan dua konstanta pemulusan (dengan nilai antara 0 dan 1) dengan tiga persamaan yaitu :
St = a Xt + ((1-a) x (St-1 + bt-1))...........(1)
bt = g(St - St-1) + g(bt - 1).................(2)
Ft+m = St + (bt x m)...................(3)
Dimana :
St = Data Pemulusan pada periode t
bt = Trend Pemulusan pada periode t
Ft+m = Peramalan pada periode t + m
Persamaan (1) menyesuaikan St secara langsung untuk trend periode sebelumnya, yaitu b(t-1), dengan menambahkan nilai pemulusan yang terakhir yaitu S(t-1) . Hal ini membantu menghilangkan kelambatan dan menempatkan St ke dasar perkiraan nilai data saat ini.
Persamaan ke (2) meremajakan trend, yang ditunjukkan sebagai perbedaan antara dua nilai pemulusan terakhir. Hal ini tepat, karena jika terdapat kecenderumgan di dalam data, nilai yang baru akan lebih tinggi atau lebih rendah daripada nilai yang sebelumnya, mungkin masih terdapat sedikit kerandoman, maka hal ini dihilangkan oleh pemulusan dengan g (gamma) trend pada periode akhir St - St-1 dan menambahkannya dengan taksiran trend sebelumnya. dikalikan dengan (1- g). Terakhir, persamaan (3) digunakan untuk ramalan kemuka yang diramalkan (m), dan ditambahkan pada nilai dasar (St).
4) Metoda Kuadratik Satu Parameter dari Brown
Sebagaimana halnya dengan pemulusan eksponensial linear yang dapat digunakan untuk meramalkan data dengan suatu pola trend dasar, bentuk pemulusan yang lebih tinggi dapat digunakan apabila dasar pol datanya adalah kuadratik, kubik, atau orde yang lebih tinggi. Untuk berangkat dari pemulusan kuadratik, pendekatan dasarnya adalah memasukkan tingkat pemulusan tambahan (smoothing tripel) dan memberlakukan persamaan peramalan kuadratik.
Persamaan untuk pemulusan kuadratik yaitu :
S’t = aXt + (1-a)S’t-1 (Pemulusan Pertama)
S’’t = a S’ + (1-a)S’’t-1 (Pemulusan kedua)
S’’’t = a S’’ + (1-a)S’’’t-1 (Pemulusan Ketiga)
at = 3S’t - 3S’’t + S’’’t
bt = [(6-5a)S’t - (10 - 8a)S’’t + (4 - 3a)S’’’t]
ct = (S’t - 2S’’t + S’’’t)
Ft+m = at + btm + ctm2
Persamaan yang dibutuhkan untuk pemulusan kuadratik sangat lebih rumit dibanding persamaan untuk pemulusan tunggal dan linear. Walaupun demikian pendekatannya dalam mencoba menyesuaikan nilai ramalan sehingga ramalan tersebut dapat mengikuti perubahan trend kuadratik adalah sama.
5) Metode Kecenderungan dan Musiman Tiga Parameter dari Winter
Metode Winter didasarkan atas tiga persamaan pemulusan, yaitu satu untuk unsur stationer, satu untuk trend, dan satu untuk musiman. Hal ini serupa dengan metode Holt, dengan satu persamaan tambahan untuk mengatasi musiman.
Persamaan dasar untuk metode Winter yaitu sebagi berikut :
St = + (1-a)(St-1 + bt-1 ) Pemulusan Keseluruhan
bt = g (St - St-1 ) + (1 - g) bt-1 Pemulusan Trend
It = + (1 - b) It-1 Pemulusan Musiman
Ft+m = (St + btm) It-L+m Ramalan
dimana :
L : panjang musiman (misal jumlah bulan atau kuartal dalam satu tahun)
b : komponen trend
I : faktor penyesuaian musiman
Ft+m : Ramalan untuk m periode ke muka
Persamaan untuk pemulusan musiman dapat dibandingkan dengan indeks musiman yang merupakan ratio antara nilai sekarang dari deret data, Xt, dibagi dengan hasil pemulusan tunggal yang sekarang untuk deret data tersebut, St . Jika Xt lebih besar dari St maka ratio tersebut akan lebih besar dari 1, sedangkan jika Xt lebih kecil dari St maka ratio itu akan lebih kecil daripada 1.
Untuk memahami metode ini kita perlu menyadari bahwa St merupakan nilai pemulusan (rata-rata) dari deret data yang tidak termasuk unsur musiman. Dan juga bahwa Xt mencakup adanya kerandoman dalam deret data. Untuk menghaluskan kerandoman ini, persamaan pemulusan musiman membobot faktor musiman yang dihitung paling akhir dengan b dan angka musiman paling akhir pada musiman yang sama dengan (1-b). (Faktor musiman sebelum ini dihitung dari periode t - L, karena L adalah panjang musiman).
Persamaan pemulusan trend tepat sama dengan persamaan (2) dari metode Holt untuk pemulusan trend. Persamaan pemulusan keseluruhan berbeda sedikit dengan persamaan (1) metode Holt dimana unsur pertamanya dibagi dengan angka musiman It-L . Hal ini dilakukan untuk menghilangkan musiman. Penyesuai ini dapat digambarkan dengan memperhatikan kasus di mana It-L lebih besar dari 1, yang terjadi pada saat nilai periode t - L lebih besar dari rata-rata dalam musimannya. Membagi Xt dengan bilangan yang lebih besar dari 1 ini menghasilkan suatu nilai yang lebih kecil daripada nilai semula.
Salah satu masalah dalam menggunakan metode Winter yaitu dalam menentukan nilai-nilai untuk a, b, g tersebut yang akan meminimumkan MSE atau MAPE. Pendekatan untuk menentukan nilai ini biasanya secara coba salah (trial and error).
1.3 Pemasaran
Pasar adalah tempat dimana transaksi jual beli barang maupun jasa terjadi antara produsen dan konsumen. Pasar yang menjadi aspek yang berpengaruh terhadap kelangsungan perusahaan, dalam memasarkan hasil-hasil produksinya di masa yang akan datang, maka aspek yang perlu diteliti adalah kedudukan produk yang direncanakan pada saat ini, komposisi dan perkembangan permintaan produksi dari masa yang lampau hingga sekarang, proyeksi permintaaan di masa yang akan datang, sistem distribusi, rencana jumlah produksi market share, rencana penjualan dan peranan pemerintah dalam menunjang perkembangan pemasaran produksi. Dengan demikian dapat diatur jumlah produksi yang dapat diserap oleh pasar.
Plot Data
Plot data adalah langkah awal untuk mengetahui metoda peramalan yang akan digunakan dalam perhitungannya.
Macam - macam plot data sebagai berikut :
1. Plot data Stationer
2. Plot data yang membentuk linear
3. Plot data yang membentuk suatu trend dan siklik
Market Potensial
Market potensial adalah peluang yang tersedia dan potensial untuk dikuasai sebagai tempat untuk memasarkan produk.
Market Share
Market share adalah kondisi yang menunjukan seberapa besar pasar yang mungkin digunakan untuk memasarkan produk kita.
1.4 Routing Sheet
Routing sheet digunakan untuk menghitung jumlah mesin yang dibutuhkan dan juga untuk menghitung jumlah parts yang harus dipersiapkan dalam usaha memperoleh sejumlah produk jadi yang diinginkan.
Data yang dibutuhkan dalam routing sheet :
1. Kapasitas Mesin
2. Persentase Scrap
3. Effisiensi Mesin
Routing Sheet berisi tentang:
ù Nomor, Nama, dan Jumlah Part
ù Nomor dan urutan-urutan aktivitas
ù Mesin dan peralatan yang digunakan
ù Waktu dan jumlah produksi
Contoh tabel Routing Sheet:
| No. Opr. | Desripsi | Mesin/ Alat | Produk Mesin/ Jam | % Scrapt | Bahan Diminta | Bahan Disiapkan | Eff. Mesin (%) | Keb. Mesin Teoritir | Keb. Mesin Aktual |
| (1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) | (9) | (10) |
Cara pengisian Routing Sheet:
ù Untuk mengisi kolom (1) s.d. (5), menggunakan data yang ada dalam OPC yang telah dibuat.
ù Untuk mengisi kolom (6), terlebih dahulu mengisi jumlah produk akhir yang diinginkan pada setiap akhir aktivitas dengan KPT.
ù Kolom (7), diisi dengan jumlah produk yang harus disiapkan pada awal aktivitas dengan memperhitungkan %scrapt yang terbuang pada aktivitas yang bersangkutan
ù (7) =
ù (8) =
ù (9) =
ù Kolom (10) merupakan pembulatan ke atas dari kolom (9).
1.5 Multi Product Process Chart (MPPC)
Setelah kita memahami permasalahan OPC dan Routhing Sheet maka langkah selanjutnya adalah pengisian tabel MPPC, dimana dalam pengisian tabel ini terlebih dahulu harus mengetahui OPC dan Routhing Sheet.
Multi Product Process Chart (MPPC) adalah suatu diagram yang menunjukkan urutan-urutan proses untuk masing-masing komponen yang akan diproduksi. Informasi yang dapat diperoleh dari MPPC ini adalah jumlah mesin aktual yang dibutuhkan.
Contoh Tabel MPPC :
| Deskripsi Peralatan | Nomor Komponen | Jumlah | Jumlah |
| | 100 | 200 | 300 | Mesin Teoritis | Mesin Aktual |
| Receiving Meja Fabrikasi Mesin Penghalus Shipping | | | | | |
