BAB 2 LANDASAN TEORI - library.binus.ac.idlibrary.binus.ac.id/eColls/eThesisdoc/Bab2/2008-2-00472-TI Bab 2.pdfkehidupan manusia, namun perhitungan-perhitungan dengan menggunakan analisa

31

BAB 2

LANDASAN TEORI

2.1 Pendahuluan

Setiap usaha yang dilakukan, baik oleh perseorangan maupun oleh

suatu perusahaan, mempunyai suatu “tujuan” tertentu. Sejak didirikan, suatu

organisasi sudah menggaris bawahi apa yang ingin dicapainya. Setiap orang

selalu dihadapkan pada situasi dimana suatu keputusan yang tepat harus

diambil. Meskipun unsur-unsur subyektifitas senantiasa selalu ada dalam

kehidupan manusia, namun perhitungan-perhitungan dengan menggunakan

analisa kuantitatif tidak boleh diabaikan. Masalah-masalah ini dan kebutuhan

untuk menemukan cara yang lebih baik dalam memecahkannya telah

menimbulkan kebutuhan akan teknik-teknik riset operasi (operation

research).

Arti riset operasi (operation research) telah banyak didefinisikan oleh

beberapa ahli. Morse dan kimball mendefinisikan riset operasi sebagai metode

ilmiah (scientific method) yang memungkinkan para manajer mengambil

keputusan mengenai kegiatan yang mereka tangani dengan dasar kuantitatif.

Sedangkan Churchman, Arkoff dan Arnoff mendefinisikan riset operasi

sebagai aplikasi metode-metode, teknik-teknik dan peralatan-peralatan ilmiah

dalam menghadapi masalah-masalah yang timbul dalam operasi perusahaan

32

dengan tujuan ditemukannya pemecahan yang optimum dari masalah-masalah

tersebut. Dua penulis lain, Miller dan M.K.Starr, mendefinisikan riset operasi

sebagai peralatan manajemen yang menyatukan ilmu pengetahuan,

matematika dan logika dalam kerangka pemecahan masalah-masalah yang

dihadapi sehari-hari, sehingga akhirnya permasalahan tersebut dapat

dipecahkan secara optimal.

Persoalan-persoalan yang dihadapi perusahaan pada umumnya adalah

bagaimana mengalokasikan secara tepat sumber-sumber (resources) yang

dimiliki agar dapat memaksimumkan keuntungan ataupun meminimumkan

biaya-biaya. Persoalan lain adalah bagaimana memanfaatkan kapasitas faktor-

faktor produksi seperti manusia, mesin, bahan baku, modal dan lainnya secara

optimal.

Keseluruhan dari faktor-faktor produksi tentunya memiliki batasan

kapasitasnya masing-masing, karena itulah segala kegiatan perusahaan selalu

dibatasi oleh beberapa pembatas. Lalu bagaimana memanfaatkan kapasitas

faktor-faktor produksi yang tersedia agar dapat dicapai suatu tujuan yang

optimal? Masalah maksimalisasi dan minimalisasi ini dikenal sebagai masalah

optimasi.

Masalah optimasi tentu saja dapat diselesaikan dengan perkiraan

langsung (direct estimate), tetapi hal ini terlalu riskan untuk dilakukan

terutama jika perusahaan diharuskan untuk mengambil suatu keputusan yang

tepat. Resiko yang dihadapi terutama berupa kesalahan dalam pengambilan

33

keputusan, terutama bila tidak ditunjang oleh pengalaman-pengalaman

sebelumnya.

Adapun salah satu cara kuantitatif yang dapat dilakukan dalam

penyelesaian masalah optimasi ini adalah metode linear programming, yang

akan dibahas lebih lanjut dalam pembahasan berikut ini.

2.2 Pengukuran Waktu

Dalam menyusun formula fungsi pembatas pada permasalahan linear

programming, maka dibutuhkanlah data-data yang nantinya akan digunakan

sebagai koefisien untuk masing-masing variabel pada fungsi pembatas

tersebut. Data-data yang dibutuhkan, seperti waktu proses produksi dapat

diperoleh dengan melakukan pengumpulan data.

Pengumpulan data tersebut dapat diperoleh dengan beberapa cara,

diantaranya yaitu melalui wawancara ataupun pengamatan langsung

(observasi lapangan). Pada pokok permasalahan kali ini, metode yang

digunakan untuk mengumpulkan data-data tersebut adalah melalui

pengamatan langsung (pengukuran waktu) terhadap obyek-obyek yang

diamati.

Sebagaimana halnya dengan berbagai kegiatan lain, tujuan melakukan

kegiatan pengukuran waktu juga harus ditetapkan terlebih dahulu. Misalnya

jika waktu baku yang akan diperoleh dimaksudkan untuk dipakai sebagai

dasar penentuan upah, maka tingkat ketelitian dan keyakinan mengenai hasil

34

pengukuran tersebut harus tinggi karena menyangkut prestasi dan pendapatan

buruh disamping keuntungan bagi perusahaan itu sendiri. Tetapi jika

pengukuran itu dilakukan dengan tujuan untuk memperkirakan secara kasar

mengenai suatu ukuran, maka tingkat ketelitian dan keyakinan yang

digunakan tidak perlu sebesar kasus sebelumnya.

Pengukuran waktu adalah pekerjaan mengamati dan mencatat waktu-

waktu kerjanya baik setiap elemen ataupun siklus dengan menggunakan alat-

alat yang telah disiapkan, misalnya stopwatch. Hal pertama yang dilakukan

adalah pengukuran pendahuluan. Tujuan melakukan pengukuran pendahuluan

ialah untuk mengetahui berapa kali pengukuran harus dilakukan untuk

memenuhi tingkat ketelitian dan keyakinan yang diinginkan.

Untuk mendapatkan hasil yang baik, yaitu yang dapat

dipertanggungjawabkan maka tidaklah cukup sekedar melakukan beberapa

kali pengukuran dengan menggunakan stopwatch. Banyak faktor yang harus

diperhatikan agar akhirnya dapat diperoleh waktu yang pantas untuk

pekerjaan yang bersangkutan seperti yang berhubungan dengan kondisi kerja,

cara pengukuran, jumlah pengukuran dan lain-lain.

2.2.1 Tingkat Ketelitian dan Tingkat Keyakinan

Dalam melakukan suatu pengukuran, maka idealnya adalah dengan

melakukan pengukuran yang sangat banyak, mungkin sampai dengan

pengukuran tak terhingga. Tetapi hal ini jelas tidak mungkin dilakukan karena

35

adanya keterbatasan waktu, tenaga dan tentunya biaya. Namun sebaliknya,

jika hanya dilakukan beberapa kali pengukuran saja, maka hasil yang

diperoleh juga diragukan ketepatannya.

Dengan tidak dilakukannya pengukuran dalam jumlah yang banyak,

maka pengukur akan kehilangan sebagian kepastian akan ketepatan rata-rata

waktu proses yang sebenarnya. Tingkat ketelitian dan tingkat keyakinan

adalah pencerminan tingkat kepastian yang diinginkan oleh pengukur

dikarenakan tidak akan melakukan pengukuran yang sangat banyak.

Tingkat ketelitian menunjukkan penyimpangan maksimum hasil

pengukuran dari waktu penyelesaian sebenarnya. Hal ini biasanya dinyatakan

dalam persen. Sedangkan tingkat keyakinan menunjukkan besarnya keyakinan

pengukur bahwa hasil yang diperoleh memenuhi syarat ketelitian tadi, yang

juga dinyatakan dalam persen.

2.2.2 Keseragaman Data

Pada kenyataannya dilapangan, pengukuran terhadap suatu sistem

biasanya menghasilkan waktu yang tidak selalu sama (berbeda-beda).

Memang perubahan adalah suatu yang wajar karena bagaimanapun juga

sistem kerja tidak dapat dipertahankan tetap terus-menerus pada keadaan yang

tetap sama. Keadaan sistem yang selalu berubah dapat diterima, asalkan

perubahannya adalah yang memang sepantasnya terjadi, yaitu harus dalam

batas kewajaran, dengan kata lain harus seragam.

36

Karena ketidakseragaman data dapat terjadi tanpa disadari, maka

diperlukan suatu metode yang dapat mendeteksi seragam atau tidaknya suatu

kumpulan data. Data yang dikatakan seragam menggambarkan bahwa data

tersebut berasal dari populasi atau sistem sebab yang sama, yaitu jika berada

diantara kedua batas kontrol (BKA/BKB). Dan data dikatakan tidak seragam

jika data berasal dari populasi atau sistem sebab yang berbeda, yaitu jika

berada diluar batas kontrol (BKA/BKB).

2.2.3 Kecukupan Data

Pengambilan sampel atau penarikan sampel bertujuan untuk

memperoleh keterangan mengenai suatu populasi dengan mengamati hanya

sebagaian saja dari populasi tersebut. Pengambilan sampel dilakukan karena

pengamatan terhadap seluruh populasi sering tidak mungkin untuk dilakukan

karena adanya keterbatasan waktu, tenaga dan biaya serta tidak praktis.

Uji kecukupan data dilakukan untuk mengetahui apakah jumlah

sampel yang diamati sudah mencukupi untuk dapat mewakilkan keterangan

populasi atau belum. Untuk melakukan pengujian ini biasanya dilakukan

pengambilan sampel minimal yang dianggap cukup untuk mewakili populasi,

yaitu 30 sampel, yang kemudian dari ke 30 sampel (N) yang diamati tersebut

dihitunglah rata-rata dan simpangan bakunya dan kemudian dihitung lagi

jumlah sampel yang seharusnya diamati ( 'N ).

37

2.2.4 Kenormalan Data

Uji kenormalan data adalah suatu uji yang dilakukan pada sampel

yang diamati untuk mengetahui apakah data-data sampel tersebut menyebar

mengikuti pola sebaran normal. Suatu kumpulan sampel data yang

berdistribusi normal, memiliki arti bahwa data-data atau sampel yang diamati

memiliki sebaran yang mendekati nilai rata-rata dan memiliki nilai simpangan

baku yang cukup kecil.

Sebaran normal dari data sampel yang diamati mengindikasikan

bahwa parameter atau ukuran karakteristik dari data sampel tersebut valid

untuk digunakan pada perhitungan yang nantinya diharapkan dapat mewakili

populasi.

Kurva normal digambarkan menyerupai bentuk lonceng atau genta

yang merupakan sebuah kurva yang simetris terhadap garis vertikal, yang

digambarkan seperti berikut:

Gambar 2.1 Kurva Normal

38

2.2.5 Waktu Normal

Setelah melakukan pengukuran, pengukur harus mengamati kewajaran

kerja yang ditunjukkan oleh operator. Ketidakwajaran dapat saja terjadi

misalnya bekerja tanpa kesungguhan ataupun kondisi ruangan yang buruk.

Sebab-sebab seperti ini mempengaruhi kecepatan kerja yang berakibat waktu

penyelesaiaan menjadi terlalu singkat ataupun terlalu lama. Hal ini jelas tidak

diinginkan karena waktu baku yang dicari adalah waktu yang diperoleh dari

kondisi dan cara kerja yang baku yang diselesaikan secara wajar. Jika

pengukur mendapatkan hasil yang diketahui diselesaikan dengan kecepatan

tidak wajar oleh operator, maka agar rata-rata tersebut menjadi wajar,

pengukur harus menormalkannya lagi dengan melakukan penyesuaian.

Untuk memudahkan pemilihan konsep wajar, seorang pengukur dapat

mempelajari bagaimana bekerjanya seorang operator yang dianggap normal,

yaitu jika seorang operator yang berpengalaman bekerja tanpa usaha-usaha

yang berlebihan sepanjang hari kerja, menguasai cara kerja yang ditetapkan,

dan menunjukkan kesungguhan dalam menjalankan pekerjaannya.

Disamping konsep diatas, terdapat juga konsep-konsep yang lebih

terperinci yang dikemukakan oleh Lawry Maynard dan Stegemarten melalui

cara penyesuaian Westinghouse. Mereka berpendapat bahwa ada empat faktor

yang menyebabkan kewajaran atau ketidakwajaran dalam bekerja, yaitu

keterampilan, usaha, kondisi kerja, dan konsistensi.

39

Keterampilan atau skill didefinisikan sebagai kemampuan mengikuti

cara kerja yang ditetapkan. Secara psikologis, keterampilan merupakan

aptitude untuk pekerjaan yang bersangkutan. Keterampilan juga dapat

menurun yaitu bila telah terlampau lama tidak menangani pekerjaan tersebut,

atau karena sebab-sebab lain seperti karena kesehatan yang terganggu, rasa

fatique yang berlebihan dan sebagainya.

Usaha atau effort adalah kesungguhan yang ditunjukkan operator

ketika melakukan pekerjaannya. Dalam prakteknya banyak terjadi pekerja

yang mempunyai keterampilan yang baik namun bekerja dengan usaha yang

kurang. Sebaliknya, seseorang yang memiliki keterampilan yang rendah

namun diimbangi dengan usaha yang sunguh-sunguh sehingga tampak

berlebihan namun tidak banyak menghasilkan.

Kondisi kerja pada cara westinghouse adalah kondisi fisik lingkungan

seperti keadaan pencahayaan, temperatur, dan kebisingan ruangan. Bila tiga

faktor lainnya yaitu keterampilan, usaha dan konsistensi merupakan apa yang

dicerminkan operator, maka kondisi kerja merupakan sesuatu diluar operator

yang diterima apa adanya oleh operator tanpa banyak kemampuan

merubahnya. Oleh sebab itu, faktor kondisi sering disebut sebagai faktor

manajemen, karena pihak inilah yang berhak dan mampu merubah atau

memperbaikinya.

Faktor konsistensi perlu diperhatikan karena kenyataan bahwa pada

setiap pengukuran waktu, angka-angka yang dicatat tidak akan sama. Waktu

40

penyelesaian yang ditunjukkan pekerja selalu berubah-ubah dari satu siklus ke

siklus lainnya. Selama masih dalam batas kewajaran masalah tidak timbul,

tetapi jika variabilitasnya tinggi maka hal tersebut harus diperhatikan.

2.2.6 Waktu Baku

Selain data yang seragam, jumlah pengukuran yang cukup dan

penyesuaian, satu hal yang juga penting dilakukan adalah menambahkan

faktor kelonggaran atas waktu normal yang telah diperoleh. Kelonggaran

diberikan untuk tiga hal yaitu untuk kebutuhan pribadi, menghilangkan rasa

fatique, dan hambatan-hambatan yang tidak dapat dihindarkan. Ketiganya ini

merupakan hal-hal yang secara nyata dibutuhkan oleh pekerja, namun selama

pengukuran tidak diamati, diukur, dicatat ataupun dihitung. Karenanya seusai

pengukuran dan setelah mendapatkan waktu normal, kelonggaran perlu

ditambahkan.

Yang termasuk dalam kebutuhan pribadi adalah hal-hal seperti minum,

ke kamar kecil, bercakap-cakap ataupun sekedar untuk menghilangkan

kejemuan dalam bekerja.

Rasa fatique tercermin antara lain dari menurunnya hasil produksi,

baik jumlah maupun kualitas. Jika rasa fatique datang dan pekerja harus

bekerja untuk menghasilkan performa normalnya, maka usaha yang

dikeluarkan akan lebih besar dari normal dan ini akan menambah rasa fatique

tersebut. Bila hal ini berlanjut terus, maka akan terjadi fatique total. Hal ini

41

jarang terjadi karena biasanya pekerja dapat mengatur kecepatan kerjanya

sedemikian rupa, sehingga lambatnya gerakan-gerakan kerja ditujukan untuk

menghasilkan rasa fatique tersebut.

Dalam melaksanakan pekerjaannya, pekerja tidak akan lepas dari

berbagai ”hambatan”. Ada hambatan yang bisa dihindarkan seperti mengobrol

ataupun menganggur dengan sengaja, namun ada pula hambatan yang tidak

dapat dihindarkan, seperti melakukan penyesuaian mesin, menerima petunjuk

dan lainnya. Bagi hambatan yang pertama jelas tidak ada pilihan lain selain

menghilangkannya, sedangkan hambatan yang terakhir walau diusahakan

serendah mungkin, hambatan akan tetap ada dan karenanya harus

diperhitungkan dalam perhitungan waktu baku.

Waktu siklus pengamatandata,1 ==∑=

i

n

ii

Xn

XWs

Waktu normal ( )npenyesuaia1+×=WsWn

Waktu baku nkelonggara100

100−

×=

WnWb

2.3 Peramalan

Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan

untuk suatu produk atau beberapa produk dalam periode waktu tertentu di

masa yang akan datang. Dapat dikatakan bahwa peramalan adalah suatu

42

taksiran yang ilmiah meskipun akan terdapat sedikit kesalahan yang

disebabkan adanya keterbatasan kemampuan manusia.

Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha

memperkirakan penjualan 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 variabel peramal, sering berdasarkan data deret waktu historis.

Dalam industri manufaktur dikenal adanya dua jenis permintaan yang

sering disebut dengan independent demand dan dependent demand, yang

merupakan salah satu konsep terpenting dalam master planning.

Pada dasarnya, dependent demand didefinisikan sebagai permintaan

terhadap material, parts, atau produk yang terkait langsung dengan atau

diturunkan dari struktur bill of material (BOM) untuk produk akhir atau untuk

item tertentu. Sebaliknya, independent demand didefinisikan sebagai

permintaan terhadap material, parts atau produk, yang bebas atau tidak terkait

langsung dengan struktur bill of material untuk produk akhir atau item

tertentu.

Produk-produk yang tergolong dalam dependent demand tidak boleh

diramalkan, tetapi harus direncanakan atau dihitung, sedangkan peramalan

hanya boleh dilakukan pada produk-produk yang tergolong dalam

independent demand.

43

2.4 Bill Of Materials (BOM)

Bill of materials (BOM) adalah daftar bahan, material atau komponen

yang dibutuhkan untuk dirakit menjadi produk akhir. BOM juga merupakan

jaringan yang menggunakan hubungan end item dengan komponennya, yang

diperoleh dari Struktur Produk.

Kebanyakan produk memiliki struktur standar (pyramid structure),

dimana lebih banyak subassemblies daripada produk akhir, dan lebih banyak

komponen dibandingkan dengan subassemblies.

Terdapat juga produk-produk seperti mobil dan komputer yang

memiliki struktur modular (hourglass structure), dimana lebih sedikit

subassemblies atau modules daripada produk akhir, dan lebih sedikit

subassemblies dibandingkan dengan komponen atau bahan baku.

Terakhir ada produk seperti: minyak dan kertas yang memiliki struktur

inverted, dimana lebih sedikit subassemblies dibandingkan produk akhir, dan

lebih sedikit komponen atau bahan baku dibandingkan dengan subassemblies.

Inverted bill of materials didasarkan pada asumsi bahwa persentase atau

komposisi penggunaan bahan baku relatif konstan dan dapat diperkirakan.

Perencanaan menggunakan inverted bills umum diterapkan dalam industri

proses.

Jenis BOM yang digunakan untuk keperluan perencanaan ini sering

disebut sebagai planning bill of materials (planning BOM) atau sering

disingkat dengan planning bill, yang dapat dibagi dalam dua jenis, yaitu:

44

Planning bills dengan item yang dijadwalkan merupakan komponen atau

subassemblies untuk pembuatan produk akhir (end items), dimana item

yang dijadwalkan itu secara fisik lebih kecil daripada produk akhir.

Termasuk dalam kategori ini adalah modular bill of materials dan inverted

bill of materials.

Planning bills dengan item yang dijadwalkan memiliki produk akhir

sebagai komponennya (super bills), dimana item yang dijadwalkan secara

fisik lebih besar daripada produk akhir (end item). Termasuk dalam

kategori ini adalah super bill of materials, super family bill of materials

dan super modular bill of materials.

2.5 Permasalahan Linear

Sebelumnya telah dijelaskan bahwa dalam teknik linear programming

ini senantiasa digunakan suatu asumsi linearitas (linearity asumption), yaitu

bahwa fungsi tujuan (objective function) dan fungsi-fungsi pembatas

(constraints) harus berbentuk ketidaksamaan linear.

Fungsi adalah suatu bentuk persamaan atau pertidaksamaan matematis

yang merupakan aturan-aturan yang menghubungkan beberapa variabel.

Adapun variabel yang terkait didalam suatu fungsi adalah variabel bebas

(independent variable) dan variabel terikat (dependent variable). Variabel

bebas artinya variabel yang besarnya (nilainya) tidak dipengaruhi oleh

variabel lain. Variabel ini dapat bernilai berapa saja tanpa pengaruh dari

45

variabel lain. Sedangkan variabel terikat artinya variabel yang besarnya

(nilainya) dipengaruhi oleh variabel lain. Variabel ini tidak dapat menentukan

sendiri nilainya, karena selalu ditentukan oleh nilai atau besarnya variabel

lain.

2.5.1 Pengertian Linear

Linear programming mulai dipergunakan untuk merencanakan dan

memecahkan masalah logistik pada Angkatan Udara Amerika Serikat (USAF).

Teknik ini kemudian berkembang pesat, dan saat ini linear programming

sudah banyak digunakan untuk memecahkan masalah-masalah produksi,

alokasi sumber daya, transportasi, machine loading, dan sebagainya.

Linear Programming adalah suatu teknik matematis dalam

menentukan alokasi sumber-sumber (resources) untuk mencapai suatu tujuan

tertentu. Jadi linear programming berhubungan dengan masalah-masalah

memaksimumkan atau meminimumkan suatu fungsi linear yang disajikan

dalam bentuk ketidaksamaan linear.

Pada dasarnya persamaan linear merupakan hubungan antara beberapa

variabel bebas dengan sebuah variabel terikat, dimana apabila dilakukan

penambahan di satu pihak, maka akan menimbulkan efek yang konstan bagi

pihak lainnya. Adapun pendapat praktis yang mengatakan bahwa persamaan

linear adalah suatu bentuk persamaan yang bila digambarkan pada grafik akan

berbentuk garis lurus.

46

Namun pada kondisi nyatanya banyak sekali permasalahan yang

sifatnya tidak linear (non-linear). Oleh karena itu, bila akan menggunakan

teknik linear programming, hubungan-hubungan yang non-linear akan

disubstitusikan potongan-potongannya (diasumsikan) sehingga menghasilkan

suatu hubungan yang linear.

2.5.2 Karakteristik Linear Programming

Sebelum menyusun permasalahan model linear programming, terlebih

dahulu dibicarakan beberapa karakteristik umum daripada linear

programming, yaitu:

1. Keseluruhan sistem permasalahan dapat dibagi menjadi satuan-satuan

aktivitas (activities), contoh:

12211 bXaXa ≥+ ;

dimana X1 dan X2 adalah activities.

2. Masing-masing activity harus dapat ditentukan dengan tepat, baik jenis

maupun letaknya dalam model linear programming.

3. Setiap activity harus dapat didefinisikan dengan jelas kuantitasnya,

sehingga dapat dibandingkan masing-masing nilainya.

47

2.5.3 Asumsi Dasar Linear Programming

Sebelum membangun suatu model linear programming, perlu

diperhatikan beberapa hal yang merupakan anggapan atau asumsi dasar dalam

penggunaan linear programming ini, yaitu:

1. Propotionality

Sebelum membuat suatu model linear programming perlu diketahui

bahwa dalam suatu sistem linear programming dikenal: inputs, activities

dan outputs. Sebelum activity dimulai, diperlukan beberapa input. Input

yang digunakan bertambah secara proposionil (sebanding) dengan

pertambahan activity.

Misal:

nn2211 XC...XCXCZ +++= ,

Setiap penambahan 1 unit X1 akan menaikkan Z dengan C1, demikian pula

setiap penambahan 1 unit X2 akan menaikkan Z dengan C2, dan

seterusnya.

1nn212111 bXa...XaXa ≤+++

Setiap penambahan 1 unit X1 akan menaikkan penggunaan

sumber/fasilitas 1 dengan a1. Demikian pula, setiap penambahan 1 unit X2

akan menaikkan penggunaan sumber/fasilitas 1 dengan a2, dan seterusnya.

48

2. Additivity

Asumsi ini berarti bahwa nilai tujuan tiap kegiatan tidak saling

mempengaruhi, atau dalam linear programming dianggap bahwa kenaikan

dari nilai tujuan (Z) yang diakibatkan oleh kenaikan suatu kegiatan dapat

ditambahkan tanpa mempengaruhi bagian nilai Z yang diperoleh dari

kegiatan lain.

Misal:

401030Zsehingga2;X10;Xdimana

5X3XZ

21

21

=+===

+=

Andaikata X1 bertambah 1 unit, maka sesuai dengan asumsi pertama, nilai

Z menjadi 40 + 3 = 43. Jadi, nilai 3 karena kenaikan X1 dapat langsung

ditambahkan pada nilai Z awal tanpa mengurangi bagian Z yang diperoleh

dari kegiatan X2. Dengan kata lain, tidak ada korelasi antara X1 dan X2.

3. Divisibility

Asumsi ini menyatakan bahwa keluaran (output) yang dihasilkan oleh

setiap kegiatan dapat berupa bilangan pecahan. Demikian pula dengan

nilai Z yang dihasilkan.

4. Deterministic

Asumsi ini menyatakan bahwa semua parameter yang terdapat dalam

model linear programming (aij, bi, Cj)dapat diperkirakan dengan pasti,

meskipun jarang dengan tepat.

49

5. Accountability

Sumber-sumber (resources) yang tersedia harus dapat dihitung sehingga

dapat dipastikan berapa bagian yang terpakai dan berapa bagian yang tak

terpakai.

6. Linearity

Fungsi tujuan (objective function) dan faktor-faktor pembatasnya

(constraints) harus dapat dinyatakan sebagai suatu fungsi linear.

Penyusunan model linear programming dapat dilakukan dengan

langkah-langkah sebagai berikut:

1. Menentukan activities.

2. Menentukan resources.

3. Menghitung kuantitas input dan output untuk setiap unit activity.

4. Menentukan batasan-batasan kapasitas.

5. Menyusun model.

2.5.4 Metode Simplex

Metode simplex merupakan suatu metode yang lazim digunakan untuk

menentukan kombinasi yang optimal lebih dari dua variabel. Objective

function dinyatakan sama seperti halnya pada metode grafik, yaitu:

nn XaXaXaZ +++= ...2211 . Namun tidak demikian halnya dengan

constraints yang berlaku. Dalam metode grafik, garis batas daripada solution

50

space langsung dapat digambar dengan merubah bentuk ketidaksamaan

menjadi bentuk persamaan begitu saja.

Dalam metode simplex, untuk merubah ketidaksamaan menjadi

persamaan perlu dimasukkan unsur slack variable atau surplus variable.

Disebelah kiri tanda harus ditambah dengan slack variable apabila tanda

ketidaksamaan berupa ≤ , sebaliknya bila tanda ketidaksamaan berupa ≥ ,

maka disebelah kiri tanda harus dikurangi dengan surplus variable. Baik slack

variable maupun surplus variable sama-sama diberi tanda S. Sehingga secara

umum constraints ditulis sebagai berikut:

mmnnmmm

nn

nn

bSXaXaXa

bSXaXaXabSXaXaXa

=++++

=++++=++++

.22.11.

22.222.211.2

11.122.111.1

.....................................................................

......

Dalam mencari kombinasi variabel sehingga optimal, akan disusun

tabel-tabel matrix setiap langkah. Bentuk umum tabel matrix metode simplex

adalah, sebagai berikut:

Tabel 2.1 Matrix Metode Simplex

Cj 0 0 0 CB

VB X1 X2 X3 S1 S2 S3 RHS RATIO

0 S1 0 S2 0 S3 Zj Cj-Zj

51

Keterangan:

1. Baris Cj (Objective Row):

Adalah baris yang merupakan transformasi daripada objective function.

2. Baris Variabel (Variable Row):

Adalah baris yang berisikan variabel-variabel yang dikombinasikan,

termasuk slack variable.

3. Baris Zj:

Adalah baris yang berisikan jumlah hasil kali antara objective dengan

seluruh baris diatasnya.

4. Baris Cj - Zj (Net Evaluation Row):

Merupakan baris yang berupa hasil pengurangan (selisih) antara baris Cj

dengan baris Zj.

5. Kolom Program:

Kolom yang berisi variabel-variabel yang akan dikombinasikan. Umpama:

variabel-variabel itu adalah X1, X2 dan X3 dengan slack variable S1, S2,

S3. Pada langkah pertama kolom ini diisi dengan S1, S2 dan S3, karena

variabel ini merupakan variabel semu sehingga harus dihilangkan terlebih

dahulu.

6. Kolom Objective:

Merupakan kolom yang berisi objective function. Pada langkah pertama,

karena program berisi S1, S2 dan S3 maka kolom objective berisi angka 0.

52

7. Kolom Quantity:

Kolom yang berisi batasan-batasan kapasitas yang ada pada constraints.

8. Main Body:

Bidang yang berisi koefisien-koefisien variabel dalam constraints.

9. Identity:

Bidang yang berisi koefisien-koefisien slack atau surplus variable.

Dalam penggunaan metode simplex, pada dasarnya dapat

menggunakan langkah-langkah sebagai berikut:

1. Tentukan objective function yang akan dicapai.

2. Identifikasi batasan-batasan (constraints) dalam bentuk ketidaksamaan.

3. Rubah bentuk ketidaksamaan menjadi bentuk persamaan dengan

memasukkan unsur slack maupun surplus variable.

4. Formulasikan objective function dan constraints ke dalam matrix.

5. Tentukan kolom kunci (key column). Kolom kunci ditentukan dengan

memilih nilai baris (Cj - Zj) yang positif terbesar.

6. Tentukan baris kunci (key row). Baris kunci ditentukan dengan memilih

nilai terendah daripada kolom nilai ganti (replacement column). Kolom

nilai ganti ini mulai ada pada langkah kedua.

7. Tentukan nomor kunci (key number). Nomor kunci ditentukan dengan

melihat perpotongan antara baris kunci dengan kolom kunci.

8. Mengadakan transformasi baris kunci, dengan membagi semua angka-

angka pada baris kunci dengan nomor kunci.

53

9. Mengadakan transformasi baris-baris lain, dengan cara mengurangi angka-

angka pada baris-baris lama dengan hasil kali antara angka-angka pada

baris kunci dengan fixed ratio.

kunciNomorkuncikolompadaangka

=RatioFixed

10. Apabila angka-angka pada baris (Cj - Zj) sudah tidak ada yang positif lagi,

maka kombinasi yang dicari sudah optimum.

Dalam penyelesaian linear programming dengan metode simplex

dibutuhkan adanya beberapa ketentuan tambahan. Masalah yang sering

dihadapi kadang-kadang dapat menghasilkan dua kolom kunci ataupun dua

baris kunci. Adapun ketentuan tambahan tersebut adalah:

1. Terdapat lebih dari satu kolom bernilai negatif dengan angka terbesar

Kalau pada baris fungsi tujuan terdapat lebih dari satu kolom yang

mempunyai nilai negatif yang angkanya terbesar, maka ada dua kolom

yang bisa terpilih menjadi kolom kunci. Untuk mengatasi hal ini bisa kita

pilih salah satu diantaranya secara sembarang, dan akan tetap

menghasilkan keputusan yang sama.

2. Dua baris atau lebih mempunyai indeks positif terkecil

Kalau ada dua baris atau lebih yang mempunyai nilai positif terkecil,

maka ada beberapa baris yang dapat terpilih sebagai baris kunci. Untuk

mengatasi masalah ini dapat dipilih baris kunci secara sembarang, dan

hasil keputusannya juga akan sama.

54

3. Kenaikan nilai Z tidak terbatas

Nilai Z (tujuan) suatu permasalahan dapat ditambah terus bila paling tidak

ada satu kegiatan yang tidak ada batasannya. Sehingga kalau didalam

linear programming ditemukan hal ini, maka perhitungan tidak perlu

dilanjutkan, cukup disebutkan bahwa kenaikan nilai Z tidak terbatas.

2.5.5 Integer Linear Programming

Pemrograman linier integer (Integer Linear Programming/ILP) pada

intinya berkaitan dengan program-program linier dimana beberapa atau semua

variabel memiliki nilai integer (bulat) atau diskrit. Sebuah ILP dikatakan

bersifat campuran atau murni bergantung pada apakah beberapa atau semua

variabel tersebut dibatasi pada nilai-nilai integer.

Permasalahan dari ILP adalah bagaimana memecahkan model tersebut

sebagai sebuah linear programming yang kontinu dan lalu membulatkan

pemecahan optimum ke nilai integer terdekat yang layak.

Adapun metode-metode yang digunakan untuk menghasilkan batasan-

batasan khusus yang akan memaksa pemecahan optimum dari masalah linear

programming yang dilonggarkan untuk bergerak kearah pemecahan integer

adalah metode branch and bound, dan bidang pemotong.

Dalam kedua metode ini, batasan yang ditambahkan secara efektif

menyingkirkan beberapa bagian dari ruang pemecahan yang dilonggarkan,

tetapi tidak pernah menyingkirkan satu pun titik integer yang layak.

55

2.5.6 Algoritma Branch And Bound

Algoritma branch and bound menuntut ”modifikasi” terhadap ruang

pemecahan linear programming ini dengan cara yang pada akhirnya

memungkinkan kita untuk mengidentifikasi pemecahan ILP optimum.

Pertama kita memilih salah satu variabel optimum yang dihasilkan dari

pemecahan linear programming (LP0) yang melanggar persyaratan integer.

Kemudian membuat dua batasan baru (bound) bagi variabel tersebut dengan

menyingkirkan bidang yang tidak menjanjikan pemecahan ini. Fakta bahwa

batasan tersebut berada disekitar pemecahan LP0 yang kontinu akan

meningkatkan peluang untuk menghasilkan pemecahan integer yang baik.

Batasan baru yang diberlakukan tidak dapat dipenuhi secara

bersamaan, sehingga harus ditangani sebagai dua program linier yang

berbeda. Konsep ini dinamakan percabangan (branch) dalam algoritma

branch and bound). Percabangan ini menunjukkan pemisahan ruang

pemecahan saat ini kedalam bagian yang terpisah. Variabel batasan baru ini

disebut sebagai variabel percabangan.

Setelah memperoleh batasan baru dari nilai optimum LP0, maka

selanjutnya batasan tersebut dijadikan batasan baru dalam permasalahan linier

pada fungsi tujuan yang sama dengan metode simplex, begitu selanjutnya

sampai solusi integer dengan fungsi tujuan yang optimal diperoleh.

Ringkasan langkah-langkah algoritma branch and bound dengan

asumsi masalah maksimasi adalah sebagai berikut:

56

Langkah 1: ukur/batasi (bound). Pilih LPi sebagai bagian masalah berikutnya

untuk diteliti. Pecahkan LPi dan coba ukur bagian masalah itu dengan

menggunakan kondisi yang sesuai.

a. Jika LPi terukur, perbarui batas bawah z jika ditemukan pemecahan ILP

yang lebih baik. Jika tidak, pilih bagian masalah baru i dan ulangi langkah

1. Jika semua bagian masalah telah diteliti, hentikan; ILP optimum

berkaitan dengan batas bawah z terakhir jika ada. Jika tidak,

b. Jika LP1 tidak terukur, lanjutkan ke langkah 2 untuk melakukan

percabangan LPi.

Langkah 2: percabangan (branch). Pilih satu variabel xj yang nilai

optimumnya dalam pemecahan LPi tidak memenuhi batasan integer.

Kemudian lanjutkan ke langkah 1.

2.6 Analisa Sensitivitas

Setelah ditemukan penyelesaian yang optimal dari suatu masalah

Integer linear programming, maka diperlukan suatu metode untuk menelaah

lebih jauh kemungkinan-kemungkinan yang terjadi sebagai akibat (sendainya)

terjadi perubahan pada koefisien-koefisien didalam model, pada saat tabel

optimal telah diselesaikan, yaitu metode analisa sensitivitas (sensitivity

analysis). Analisa sensitivitas pada dasarnya memanfaatkan kaidah-kaidah

primal-dual metode simpleks semaksimal mungkin. Karena analisa ini

dilakukan setelah dicapainya penyelesaian optimal, maka analisa ini sering

57

disebut dengan post optimality analysis. Jadi, tujuan analsia sensitivitas ini

adalah mengurangi perhitungan-perhitungan dan menghindari perhitungan

ulang bila terjadi perubahan satu atau beberapa koefisien model linear

programming pada saat penyelesaian optimal telah dicapai.

Pada dasarnya perubahan-perubahan yang mungkin terjadi setelah

dicapainya penyelesaian optimal terdiri dari:

1. Keterbatasan kapasitas sumber (nilai kanan fungsi pembatas).

Perubahan nilai kanan suatu fungsi batasan menunjukkan adanya

pengetatan ataupun pelonggaran batasan tersebut. Makin besar nilai kanan

suatu fungsi batasan berarti makin longgar, sebaliknya makin ketat

batasan tersebut bila nilai kanan fungsi batasan diperkecil.

2. Koefisien-koefisien fungsi tujuan.

Perubahan koefisien-koefisien fungsi tujuan menunjukkan adanya

perubahan kontribusi masing-masing produk terhadap tujuannya.

Perubahan koefisien-koefisien tersebut mempengarui ”optimality”

permasalahan tersebut.

3. Koefisien-koefisien teknis fungsi-fungsi pembatas.

Perubahan-perubahan yang dilakukan pada koefisien-koefisien teknis

fungsi tujuan akan mempengaruhi sisi kiri daripada dual-constraints

(fungsi batasan pada dual problem), sehingga akan mempengaruhi

penyelesaian optimal masalah yang bersangkutan.

58

4. Penambahan variabel-variabel baru.

Sebetulnya kasus ini seolah-olah merupakan gabungan antara kasus kedua

dengan kasus ketiga. Dalam hal ini dapat digunakan anggapan bahwa

variabel tambahan tersebut sudah ada dengan koefisien nol. Akibatnya,

penambahan variabel baru tersebut baru akan mempengaruhi penyelesaian

optimal apabila memperbaharui baris tujuan tabel optimal.

5. Penambahan batasan baru.

Penambahan batasan baru akan mempengaruhi penyelesaian optimal

apabila batasan tersebut aktif, artinya belum dicakup oleh batasan-batasan

yang telah ada. Apabila batasan baru tersebut tidak aktif (redundant) maka

tidak akan mempengaruhi penyelesaian optimal. Karena itu langkah

pertama yang harus dilakukan dalam hal ini adalah memeriksa apakah

batasan baru tersebut dipenuhi oleh jawaban optimal. Bila ternyata

jawaban optimal memenuhi batasan baru, maka tidak perlu diperhatikan.

Bila tidak, maka batasan baru harus dimasukkan kedalam masalah.

Secara umum, perubahan-perubahan tersebut diatas akan

mengakibatkan salah satu diantara:

1. Penyelesaian optimal tidak berubah, artinya baik variabel-variabel dasar

maupun nilai-nilainya tidak mengalami perubahan.

2. Variabel-variabel dasar mengalami perubahan, tetapi nilai-nilainya tidak

berubah.

3. Penyelesaian optimal sama sekali berubah.

59

2.7 Safety Stock

Safety stock didefinisikan sebagai stok tambahan dari item yang

direncanakan untuk berada dalam inventori yang dijadikan sebagai stok

pengaman guna mengatasi fluktuasi dalam ramalan penjualan, pesanan-

pesanan dalam waktu yang singkat, untuk pengisian kembali inventori setelah

penyerahan item dilakukan, dan lain-lain. Safety stock merupakan kebijakan

manjemen berkaitan dengan stabilisasi dari sistem manufakturing, dimana

apabila sistem manufaturing semakin stabil, kebijaksanaan stok pengaman ini

dapat diminimumkan.

Salah satu cara untuk mengatasi masalah ketidakpastian permintaan

adalah mengkombinasikan data yang menunjukkan rata-rata permintaan

selama suatu rata-rata lead time dan disesuiakan dengan probabilitas normal

untuk menentukan stok pengaman guna mencapai tingkat pelayanan yang

diinginkan, yaitu: szSS ×= α , dimana:

SS Safety stock untuk menghadapi ketidakpastian permintaan,

αz Nilai sebaran normal dari tingkat pelayanan yang diinginkan,

s Simpangan baku permintaan selama lead time.

60

2.8 Lot Sizing (Lotting)

Lotting adalah suatu proses untuk menentukan besarnya jumlah

pesanan optimal untuk setiap item secara individual didasarkan pada hasil

perhitungan kebutuhan bersih yang telah dilakukan. Ada banyak alternatif

metode untuk menentukan ukuran lot. Beberapa teknik diarahkan untuk

meminimalkan total biaya pemesanan dan biaya penyimpanan.

Teknik-teknik lotting dibedakan menjadi tiga tipe, yaitu teknik

sederhana (simple), teknik heuristic dan teknik optimasi.

Lot size adalah kuantitas dari item yang biasanya dipesan dari

pemasok. Sering disebut juga sebagai kuantitas pesanan (order quantity) atau

ukuran batch (batch size).

Teknik lotting dikembangkan untuk tipe demand yang independent

dengan berdasarkan beberapa asumsi, yaitu:

1. Tingkat permintaan (demand) diketahui secara pasti namun bervariasi dari

satu periode ke periode berikutnya.

2. Horizon (periode) perencanaan diketahui dengan pasti dan terdiri dari

beberapa periode waktu yang sama.

3. Seluruh kebutuhan pada awal periode perencanaan dapat tersedia. Tidak

diijinkan adanya kondisi stockout.

4. Biaya penyimpanan diaplikasikan hanya pada inventory akhir periode

ataupun inventory yang tertahan dari satu periode ke periode selanjutnya.

61

5. Seluruh item (bahan/barang) bersifat bebas (independent) antara satu

dengan lainnya.

6. Tidak diperhitungkan adanya potongan harga dari supplier (quantity

discount).

7. Segala biaya inventori (holding cost dan ordering cost) serta lead time

masing-masing bahan diketahui dengan pasti dan konstan untuk setiap

periode perencanaan.

Gambar 2.3 Klasifikasi Model Lot Sizing

Algoritma Wagner Whitin menghasilkan solusi yang optimal bagi

permasalahan pemesanan bagi demand yang deterministic pada periode

perencanaan yang diketahui. Algoritma Wagner Whitin adalah suatu

pendekatan dynamic programming yang digunakan untuk mendapatkan

kebijakan biaya minimum.

62

2.9 Material Requirement Planning (MRPI)

Perencanaan kebutuhan material (material requirements planning =

MRP) adalah metode penjadwalan untuk purchase planned orders dan

manufactured planned orders. Planned manufacturing orders kemudian

diajukan untuk analisis lanjutan berkenaan dengan ketersediaan kapasitas dan

keseimbangan menggunakan perencanaan kebutuhan kapasitas (capacity

requirements planning/CRP)

Metode MRP merupakan metode perencanaan dan pengendalian

pesanan dan inventori untuk item-item dependent demand. Item-item yang

termasuk dalam dependent demand adalah bahan baku (raw amterials), parts,

sub assemblies, dan assemblies, yang kesemuanya disebut manufacturing

inventories. Teknik-teknik MRP dan CRP paling cocok diterapkan dalam

lingkungan job shop manufacturing.

Moto dari MRP adalah memperoleh material yang tepat, dari sumber

yang tepat, untuk penempatan yang tepat, pada waktu yang tepat. Berdasarkan

kuantitas produk akhir yang dibutuhkan (gross requirement) yang diturunkan

dari rencana produksi, suatu sistem MRP mengindentifikasi item apa yang

harus dipesan, berapa banyak kuantitas item yang harus dipesan, dan bilamana

waktu memesan item itu.

Tujuan sistem MRP adalah untuk menghasilkan informasi yang tepat

untuk melakukan tindakan yang tepat (pembatalan pesanan, pesan ulang, dan

penjadwalan ulang). Tindakan ini juga merupakan dasar untuk membuat

63

keputusan baru mengenai pembelian atau produksi yang merupakan perbaikan

atas keputusan yang telah dibuat sebelumnya.

Empat tujuan utama sistem Material Requirement Planning (MRP)

adalah sebagai berikut:

1. Menentukan kebutuhan pada saat yang tepat

Menentukan secara tepat kapan suatu pekerjaan harus diselesaikan atau

material yang harus tersedia untuk memenuhi demand atas produk akhir

yang sudah direncanakan dalam jadwal induk produksi.

2. Menentukan kebutuhan minimal tiap item

Menentukan secara tepat sistem penjadwalan untuk memenuhi semua

kebutuhan minimal tiap item.

3. Menentukan pelaksanaan rencana pemesanan

Memberikan indikasi kapan pemesanan atau pembatalan pemesanan harus

dilakukan. Pemesanan perlu dilakukan lewat pembelian atau dibuat pada

pabrik sendiri.

4. Menentukan penjadwalan ulang

Apabila kapasitas yang ada tidak mampu memenuhi pesanan yang

dijadwalkan pada waktu yang diinginkan, maka sistem MRP dapat

memberikan indikasi melakukan rencana penjadwalan ulang (jika

mungkin) dengan menentukan prioritas pesanan realistik.

Adapun output dari sistem Material Requirement Planning (MRP)

adalah berupa rencana pemesanan atau rencana produksi yang dibuat atas lead

64

time. Lead time dari suatu item yang dibeli adalah rentang waktu sejak

pesanan dilakukan sampai barang diterima.

Rencana pemesanan dan rencana produksi dari output sistem MRP

selanjutnya akan memiliki fungsi-fungsi sebagai berikut:

1. Memberikan catatan tentang pesanan dan rencana yang harus dilakukan

baik dari pabrik sendiri atau pemasok.

2. Memberikan indikasi untuk penjadwalan ulang.

3. Memberikan indikasi untuk pembatalan pesanan.

4. Memberikan indikasi untuk keadaan persediaan.

Beberapa keuntungan dari penerapan sistem MRP adalah:

1. Peningkatan pelayanan dan kepuasan konsumen.

2. Peningkatan pemanfaatan fasilitas dan tenaga kerja.

3. Perencanaan dan penjadwalan persediaan yang lebih baik.

4. Tanggapan yang lebih cepat terhadap perubahan dan pergeseran pasar.

5. Tingkat persediaan menurun tanpa mengurangi pelayanan kepada

konsumen.

65

2.9.1 Field Pada Material Requirement Planning (MRP)

Berikut ini adalah penjelasan yang berkaitan dengan format tampilan

tabel MRP yang digunakan dalam perhitungan selanjutnya.

1. Part No menyatakan kode komponen atau material yang akan diproses.

2. BOM UOM menyatakan satuan komponen atau material yang akan

diproses.

3. Description menyatakan diskripsi material secara umum.

4. Lead Time menyatakan jangka waktu yang dibutuhkan sejak MRP

menyarankan suatu pesanan sampai item yang dipesan itu siap untuk

digunakan.

5. On Hand menyatakan inventori atau kuantitas dari item yang secara fisik

berada dalam stockroom.

6. Lot Size menyatakan kuantitas pesanan (order quantity) dari item yang

memberitahukan MRP berapa banyak kuantitas yang harus dipesan.

7. Order Policy menyatakan jenis pendekatan atau teknik lot sizing apa yang

digunakan untuk menentukan ukuran lot yang harus dipesan.

8. Safety Stock menyatakan stok pengaman yang ditetapkan oleh perencana

MRP untuk mengatasi fluktuasi dalam permintaan (demand). MRP

merencanakan untuk mempertahankan tingkat stok pada level ini pada

semua periode waktu.

9. Planning Horizon menyatakan banyaknya waktu kedepan yang tercakup

dalam perencanaan. Dalam praktek, horizon perencanaan harus ditetapkan

66

paling sedikit sepanjang waktu tunggu kumulatif dari sekumpulan item

yang terlibat dalam proses manufakturing.

10. Gross Requirement menyatakan total dari semua kebutuhan, termasuk

kebutuhan yang diantisipasi untuk setiap periode waktu. Gross

requirement juga dinyatakan sebagai jumlah yang akan diproduksi atau

dipakai pada setiap periode. Untuk komponen atau material bahan baku,

kuantitas gross requirement diturunkan dari Planned Order Release

induknya.

11. Scheduled Receipts menyatakan material yang dipesan dan akan diterima

pada periode tertentu.

12. Project Available Balance 1 (PAB1) menyatakan kuantitas material yang

ada ditangan sebagai persediaan pada awal periode. Project Available

Balance 1 dapat dihitung dengan menambahkan material on hand pada

periode sebelumnya dengan scheduled receipts pada periode itu dan

menguranginya dengan gross requirement pada periode yang sama.

ttt eceiptsScheduledRrementGrossRequiPABPAB +−= −121

13. Net Requirement menyatakan jumlah bersih (net) dari setiap komponen

yang harus disediakan untuk memenuhi induk komponennya. Net

requirement juga dinyatakan sebagai kekurangan material yang

diproyeksikan untuk periode tersebut, sehingga perlu diambil tindakan

67

kedalam perhitungan planned order receipts agar dapat menutupi

kekurangan material pada periode tersebut.

Jika StockSafetyPABReqNetStockSafetyPAB t +−=→< 1.1 , dan

Jika 0.1 =→≥ ReqNetStockSafetyPAB

14. Planned Order Receipts menyatakan kuantitas pesanan pengisian kembali

yang telah direncanakan oleh MRP untuk diterima pada periode tertentu

guna memenuhi kebutuhan bersih (net requirement). Jika planned order

dimodifikasi melalui kebijaksanaan lot sizing, maka planned orders dapat

melebihi net requirements.

15. Planned Order Releases menyatakan kuantitas planned orders yang

ditempatkan atau dikeluarkan dalam periode tertentu, agar item yang

dipesan itu akan tersedia pada saat dibutuhkan. Item yang tersedia pada

saat itu tidak lain adalah kuantitas planned order receipts yang ditetapkan

menggunakan lead time offset.

16. Project Available Balance 2 (PAB2) menyatakan kuantitas material yang

ada ditangan sebagai persediaan pada akhir periode. Project Available

Balance 2 dapat dihitung dengan cara menambahkan Project Available

Balance 1 dengan Planned Order Receipts.

ttt ReceiptsOrderPlannedPABPAB += 12

68

2.9.2 Faktor Scrap Pada MRP

Sebagaimana diketahui bahwa sering terjadi kehilangan material atau

parts karena proses produksi, sehingga harus diperhitungkan dalam proses

MRP. Apabila ada scrap yang mungkin dihasilkan dari proses produksi, atau

jika hasil dari suatu proses lebih kecil dari 100%, para praktisi biasanya secara

tradisional akan meningkatkan kuantitas material yang melalui proses tersebut

agar mampu menghasilkan end item yang sesuai dengan kebutuhan. MRP

akan secara otomatis meningkatkan planned order relases dengan jumlah

yang cukup apabila kita memasukkan faktor scrap kedalam proses

perhitungan MRP.

Perhitungan MRP dengan memasukkan faktor scrap diterapkan pada

planned order relases dan bukan pada gross requirements, sebab scrap

memperkirakan kehilangan material selama proses manufakturing (planned

order), dan bukan kehilangan material dalam stockroom. Namun ada juga

praktisi yang menerapkan pada perhitungan gross requirement dengan cara

memasukkan faktor penyesuaian scrap kedalam data BOM ketika melakukan

explosion process.