Pengertian LOT SIZING
Pada m MRP, dapat diketahui saat pemesanan material yang harus dilakukan. Namun dalam kenyataannya, saat melakukan pemesanan terdapat beberapa batasan yang perlu diperhatikan bekaitan dengan manajemen pemesanan.
Sebagai contoh, sebuah vendor menetapkan bahwa pemesanan hanya dapat dilakukan per pack yang berisi 10 material, dan perusahaan membutuhkan 15 unit material, maka perusahaan harus memesan material sebanyak 2 pack. Ukuran pack yang harus dipesan disebut lot (satuan pembulatan). Contoh lain, perusahaan akan memesan material sebanyak 18 unit, akan tetapi alat tranportasi hanya mampu mengangkut material sebanyak 10 unit. Maka perusahaan harus melakukan pemesanan sebanyak dua kali lot. Teknik pemesanan seperti ini bertujuan untuk meminimasi biaya pemesanan dan biaya simpan dari material. Dan teknik pemesanan ini dinamakan lot sizing.
Dalam perhitungan lot sizing, tersedia berbagai teknik yang terbagi dalam dua kelompok besar, yaitu model lot sizing dinamis dan statis. Penggunaannya tergantung dari kondisi permintaan / pengorderan (planned order release). Bila permintaan bersifat konstan maka model lot sizing statis yang digunakan. Namun apabila permintaan bersifat lumpy, maka model lot sizing dinamis yang harus digunakan.
Untuk menguji apakah permintaan bersifat kontinyu ataukah lumpy, salah seorang ahli mengemukakan sebuah aturan dengan menggunakan pengukuran variasi sebagai dasar penentuan jenis permintaan dengan formulasi sebagai berikut : V=((n) /
Bila V <>lot sizing statis EOQ (Economic Order Quantity), FOQ (Fixed Order Quantity) dan FOI (Fixed Order Interval) dengan permintaan rata-rata (D) sebagai pendekatan terhadap permintaan, lebih tepat dipergunakan. Sedang bila V > 0.25 maka permintaan dianggap lumpy, dan model lot sizing dinamis lebih tepat dipergunakan.
Keakuratan dan Kontrol Peramalan
Jika beberapa model peramalan cocok untuk kondisi tertentu maka perlu ditentukan model mana yang lebih baik (tidak bias) atau hanya terdapat satu model yang cocok, maka perlu model lain sebagai pembanding untuk melihat keefektifan model tersebut. Proses ini disebut dengan kesalahan peramalan.
Ada dua aspek ukuran keakuratan peramalan yang memiliki nilai signifikansi yang potensial pada saat dilakukan teknik peramalan. Pertama performansi kesalahan historis peramalan, dan kedua kemampuan peramalan untuk menanggapi adanya perubahan. Dua nilai keakuratan yang umum untuk menghitung jumlah kesalahan historis adalah MAD (mean absolute deviation) dan MSD (mean square deviation).
Formula yang digunakan adalah :
MAD = Σ ( Actual – forecast ) / n
MSD = Σ ( Actual – forecast )2 / n
Pengontrolan peramalan dapat dilakukan dengan menggunakan tracking signal atau peta control.
Pendekatan tracking signal memusatkan pada rasio anatra komulatif kesalahan peramalan dengan nilai MAD :
TS = Σ ( Actual – forecast ) / MAD
Teknik – Teknik Peramalan
Simple Average
Metode simple average merupakan metode yang sesuai digunakan jika data yang tersedia tidak mengandung unsur trend dan faktor musiman.
Secara sederhana metode ini menghitung rataan dari data yang tersedia sejumlah n, mengikuti persamaan berukut :
Fi+1 = ∑ At / N
Dimana, Fi+1 : peramalan untuk periode ke i + 1
At : nilai aktual tahun ke – 1
N : banyaknya data
Moving Average
Peramalan dengan teknik moving average melakukan perhitungan terhadap nilai data yang paling baru sedangkan data yang lama akan dihapus. Nilai rata-rata dihitung berdasarkan jumlah data yang angka rata-rata bergeraknya ditentukan dari harga I sampai N data yang dimiliki. Peramalan dengan teknik moving average dapat dihitung menggunakan persamaan berikut :
MAn = ∑ At / n
Dimana, i : banyak data
n : angka periode rata-rata bergerak
At : nilai actual tahun ke – 1
Weight Moving Average
Metode ini mirip dengan metode moving average, hanya saja diperlukan pembobotan untuk data paling baru dari deret berkala. Sebagai contoh data yang paling baru ditentukan bobotnya sebesar 0.4, dan terbaru berikutnya berbobot 0.3, kemudian berturut-turut 0.2 dan terakhir 0.1. dan perlu diingat bahwajumlah bobot yang diberikan harus sama dengan 1.00. dan bobot terberat diberikan pada data yang terbaru.
Centered Moving Average
Perhitungan yang digunakan pada metode ini sama dengan metode moving average. Hanya saja hasil perhitungannya diletakkan pada pertengahan periode yang digunakan untuk menghitung nilai rata-ratanya.
Eksponential Smoothing
Metode ini menggunakan prinsip yang sama dengan teknik moving average, hanya saja eksponensial smoothing memerlukan perhitungan yang lebih sedikit, tidak memerlukan data historis dalam jangka waktu yang lama melainkan hanya data terbaru yang dipakai untuk menghitung peramalannya.
Karakteristik smoothing dikendalikan dengan menggunakan faktor smoothing α, yang bernilai antara 0 sampai dengan 1. Fungsi faktor ini adalah untuk memberikan penekanan yang lebih terhadap data yang paling baru. Setiap peramalan yang baru berdasarkan pada hasil peramalan sebelumnya ditambah dengan suatu prosentase perbedaan antara peramalan dengan nilai actualnya pada saat tersebut. Dengan demikian :
Ft = Ft-1 + α ( At-1 – Ft-1 )
Dimana,
Ft : Peramalan periode ke-t
Ft-1 : Peramalan periode ke t-1
α : Konstanta smoothing
At-1 : Permintaan aktual atau penjualan untuk periode ke t-1
Winter’s
Metode winter’s merupakan metode peramalan yang sering dipilih untuk menangani data permintaan yang mengandung baik variasi musiman maupun unsur trend. Metode ini mengolah tiga asumsi untuk modelnya : unsur konstan, unsur trend dan unsur musiman.
Ketiga komponen diatas secara kontinyu diperbarui menggunakan konstanta smoothing yang diterapkan pada data terbaru dan estimasi yang paling akhir.
Metode winter’s menggunakan model Trend Hold, yang dimulai dengan estimasi trend yang biasa :
Tt = β ( Ft – Ft-1 ) + ( 1 – β ) Tt-1
Dimana : Tt : estimasi nilai trend pada periode t
β : konstanta smoothing unsur trend
Ft : rata-rata eksponensial pada periode t
Single Eksponential Smoothing
Peramalan single eksponensial smoothing dihitung berdasarkan hasil peramalan ditambah dengan peramalan periode sebelumnya. Jadi, kesalahan peramalan sebelumnya digunakan untuk mengoreksi peramalan berikutnya.
Persamaannya adalah :
Ft = αAt + ( 1-α ) F ( t-1 )
Eksponential Smoothing With Linear Trend
Persamaannya adalah :
Ft = αAt + ( 1-α ) F ( t-1 ) + T ( t-1 )
Pendekatan Teknik Peramalan
1.Pendekatan Kuantitatif
Pendekatan kuantitatif meliputi metode deret berkala (time series) dan metode kausal. Metode deret berkala merupakan data masa lalu untuk memprediksi data yang akan datang. Sedangkan metode kausal mengasumsikan faktor yang diramal memiliki hubungan sebab akibat terhadap beberapa variabel independen.
Pendekatan kuantitatif dapat diterapkan dengan syarat :
1. Tersedia informasi masa lalu
2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data numerik.
Peramalan berdasarkan data deret berkala
Deret berkala adalah suatu urutan waktu observasi yang diambil pada interfal waktu tertentu. Analisis terhadap deret berkala dilakukan untuk mengidentifikasi perilaku dasar dari deret tersebut. Jenis pola data yang umum dapat dilihat pada gambar 2.1 di bawah ini :
1.Pola Data Horisontal
2.Pola Data Musiman
3.Pola Data Siklus
4.Pola Data Tren
2.Pendekatan Kualitatif
Pendekatan kualitatif digunakan pada saat tidak tesedia sedikitpun data historis. Peramalan ini paling sesuai digunakan dalam perencanaan penjualan produk baru. Metode yang digunakan adalah metode delphi.
Pengetahuan dasar teknik industri.....
Penentuan tingkat produksi dari barang atau jasa untuk periode yang akan datang merupakan salah satu keputusan penting yang harus dilakukan perusahaan. Besarnya tingkat produksi yang juga merupakan suatu penawaran dipengaruhi oleh seberapa besar tingkat permintaan pasar yang nantinya akan dipenuhi perusahaan. Oleh karena itu, agar keputusan yang nantinya akan diambil mempunyai nilai yang optimal diperlukan suatu metode yang tepat, sistematis dan dapat dipertanggungjawabkan.
Salah satu metode yang diperlukan oleh perusahaan dalam proses pengambilan keputusan untuk menentukan besarnya jumlah produksi yakni metode peramalan ( Forecasting ). Peramalan (forecasting) adalah suatu perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang. Untuk membuat suatu peramalan banyak mempunyai arti, maka peramalan tersebut perlu direncanakan dan dijadwalkan sehingga akan diperlukan suatu periode waktu paling sedikit dalam periode waktu yang dibutuhkan untuk membuat suatu kebijaksanaan dan menetapkan beberapa hal yang mempengaruhi kebijakan tersebut.
Dengan menggunakan metode ini diharapkan perusahaan dapat menentukan seberapa besar tingkat produksi pada periode yang akan datang. Karena dengan cara ini perusahaan dapat menekan biaya produksi maupun biaya penyimpanan yang diakibatkan terjadinya kelebihan produksi ( Under Production ) serta perusahaan tidak akan kehilangan pelanggan yang dikarenakan perusahaan tidak dapat memenuhi permintaan yang ada.
Ada 5 metode yang digunakan dalam menggunakan keputusan peramalan yaitu :
Moving average, metode ini hanya melakukan perhitungan terhadap nilai data yang baru, dimana nilai rata – ratanya dihitung berdasarkan jumlah data yang rata – rata angka bergeraknya ditentukan dari harga I sampai N dari data yang dimiliki, metode kedua adalah weighted moving average, metode ini memerlukan pembobotan untuk data yang paling baru dari deret berkala. Sebagai contoh data yang paling baru ditentukan bobotnya sebesar 0,4 dan terbaru berikutnya 0,3 kemudian berturut – turut 0,2 dan terakhir 0,1. Perlu diingat bahwa jumlah bobot harus sama dengan 1,00. dan bobot yang terberat diberikan pada data yang terbaru. Selain itu dari kedua metode diatas kita bisa menggunakan metode eksponential smoothing. Metode ini hanya menggunakan perhitungan yang lebih sedikit, tidak memerlukan data historis dalam jangka waktu yang lama melainkan hanya data yan terbaru yang dipakai untuk perhitungan peramalannya. Karakteristik smoothing dikendalikan dengan menggunakan faktor smoothing yang bernilai 0 sampai dengan 1. Fungsi faktor ini adalah untuk memberikan penekanan yang lebih terhadap data yang paling baru. Setiap hasil peramalan yang baru berdasarkan pada hasil peramalan sebelumnya ditambah dengan suatu prosentase perbedaan antara peramalan dengan nilai aktualnya pada saat tersebut.
