630 likes | 822 Views
FACILITY DESIGN. NURUL UMMI, ST MT. PERENCANAAN FASILITAS. Beberapa pertanyaan yang harus dijawab sebelum rencana alternative fasilitas dikembangkan : Apa yang akan diproduksi ? Desain produk Bagaimana produk diproduksi ? Desain Proses Kapan produk diproduksi ?
E N D
FACILITY DESIGN NURUL UMMI, ST MT
PERENCANAAN FASILITAS Beberapapertanyaan yang harusdijawabsebelumrencana alternative fasilitasdikembangkan : • Apa yang akandiproduksi ? Desainproduk • Bagaimanaprodukdiproduksi ? DesainProses • Kapanprodukdiproduksi ? Schedule desain • Berapabanyakmasing-masingprodukakandiproduksi ? Schedule desain (peramalanpermintaanproduk) • Berapa lama produktersebutakandiproduksi ? Schedule desain • Dimanaakandiproduksi ? Penentuanlokasipabrik
HubunganDesainproduk, Desainproses & Schedule desain Desainproses, desainproduk, danschedule design tidakdilakukanterpisahtetapidilakukandenganmelihatpermasalahansecaramenyeluruh. Hubungan Product, Process, dan Schedle Design dengan Perencanaan Fasilitas Sumber : Thompkins , 2003
DesainProduk • Kegiataninimenentukanproduk yang akandiproduksidandesaindetildariproduktersebut.
DesainProses • Kegiataninimenentukanbagaimanaprodukdanmasing-masingkomponennyadiproduksi, dibeliatau sub kontrak.
Definisikan elemen operasi Identifikasi alternative prosesuntuksetiapoperasi Analisis alternative operasi Standarisasi proses Evaluasi alternative proses Pilih proses Bill of Material (BOM) PadatahapiniakandihasilkanStrukturProdukdanBill of Material (BOM) yang berisiinformasitentang level perakitanproduk, komponen yang dibutuhkandanjumlahnyasertasumberdarisetiapkomponendibuatataudibeli ProsedurMenyeleksiProses Sumber : Thompkins : Facilities Planning, 2003
Schedule Design • Schedule Design untukmenjawabpertanyaankapanharusdibuatdanberapabanyak. Berapabanyak yang harusdiproduksiberdasarkanperamalanterhadappermintaan. • Dalammerencanakanfasilitaspabriksebaiknyakapasitasproduksi yang akandibangundilakukanberdasarkanperamalanjangkapanjangyaitu lima sampaisepuluhtahun, karenadengansegerakelebihanfasilitasakandipakailebihcepatdariperkiraan
DesainFasilitas • ProsedurpengembangantataletakdikembangkanolehMuther (Tompkins, 2003) yang dikenalsebagai Systematic Layout Planning (SLP). • Langkah-langkah dalam SLP dapat diterjemahkan dalam 10 langkah tugas besar perencanaan lay out pabrik sebagai berikut : • Forecasting • Merencanakanurutanproses (OPC, MPPC) • Membuat Routing Sheet • Merencanakanluaslantaiproduksi • Menentukanluasgudang, organisasiperusahaandanluaslantaipenunjangproduksi • Membuat From to Chart • Menghitungongkos material handling • Membuat ARC • Membuat ARD dan AAD • MembuatTemplete
Input data dan kegiatan 1. Analisis aliran Operasi 2.An. Keterkaitan Kegiatan 3. Diagram Keterk. Kegiatan 4. Luas lantai yg dibutuhkan 5. Luas lantai yg tersedia 6. Diagram keterk. ruangan 7. Pertimbangan modifikasi 8. Pembatasan praktis 9. Pengembangan alternative lay out 10. Evaluasi
Peramalan • :“If we can predict what the future will be like we can modify our behaviour now to be in a better position, than we otherwise would have been, when the future arrives.” • Artinya, jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan datang
Model PeramalanKuantitatif • Deret Berkala (Time Series)Metode ini menggunakan riwayat permintaan masa lalu dalam membuat ramalan untuk masa depan Metode Rata-rata Bergerak (Moving Average Method) CONTOH
450 — 430 — 410 — 390 — 370 — Patient arrivals Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
450 — 430 — 410 — 390 — 370 — Patient arrivals Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
450 — 430 — 410 — 390 — 370 — Patient Week Arrivals 1 400 2 380 3 411 Patient arrivals Actual patient arrivals Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
450 — 430 — 410 — 390 — 370 — Patient Week Arrivals 1 400 2 380 3 411 Patient arrivals Actual patient arrivals Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
450 — 430 — 410 — 390 — 370 — Patient Week Arrivals 1 400 2 380 3 411 Patient arrivals 411 + 380 + 400 3 F4 = Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
450 — 430 — 410 — 390 — 370 — Patient Week Arrivals 1 400 2 380 3 411 Patient arrivals F4 = 397.0 Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
450 — 430 — 410 — 390 — 370 — Patient Week Arrivals 1 400 2 380 3 411 Patient arrivals F4 = 397.0 Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
450 — 430 — 410 — 390 — 370 — Patient Week Arrivals 2 380 3 411 4 415 Patient arrivals 415 + 411 + 380 3 F5 = Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
450 — 430 — 410 — 390 — 370 — Patient Week Arrivals 2 380 3 411 4 415 Patient arrivals F5 = 402.0 Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
450 — 430 — 410 — 390 — 370 — 3-week MA forecast Patient arrivals Actual patient arrivals | | | | | | 0 5 10 15 20 25 30 Week Time-Series MethodsMoving Averages
Metode Pemulusan Exponensial (Exponential Smoothing Method) Keterangan : Ft= nilai ramalan untuk periode waktu ke-t Ft-1= nilai ramalan untuk satu periode waktu yang lalu, t-1 At-1= nilai aktual untuk satu periode waktu yang lalu, t-1 α = konstanta pemulusan (Smoothing Constant) (0 < < 1)
Exponential Smoothing Equations • Ft= Ft-1 + (At-1 - Ft-1) Ft = Forecast value At = Actual value = Smoothing constant CONTOH
Exponential Smoothing Example IF = .10. and The first period forecast was 175..Period Actual 1 180 2 168 3 159 4 175 5 190 6 205 7 180 8 182 9 ? Find the forecast for the 9th Period.
175.00 + Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Period Actual α ( = .10) 1 180 175.00 (Given) 2 168 3 159 4 175 5 190 205 6
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Period Actual α ( = .10) 1 180 175.00 (Given) 2 168 175.00 + .10( 3 159 4 175 5 190 6 205
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Period Actual α ( = .10) 1 180 175.00 (Given) 2 168 175.00 + .10(180 - 3 159 4 175 5 190 6 205
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Actual Period α ( = .10) 1 180 175.00 (Given) 2 168 175.00 + .10(180 - 175.00) 3 159 4 175 5 190 6 205
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Period Actual α ( = .10) 1 180 175.00 (Given) 2 168 175.00 +.10(180 - 175.00) = 175.50 3 159 4 175 5 190 6 205
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Period Actual α ( = .10) 1 180 175.00 (Given) 2 168 175.00 + .10(180 - 175.00) = 175.50 3 159 175.50+.10(168 -175.50)= 174.75 4 175 5 190 6 205
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Actual Period α ( = .10) 1995 180 175.00 (Given) 1996 168 175.00 + .10(180 - 175.00) = 175.50 1997 159 175.50 + .10(168 - 175.50) = 174.75 1998 175 174.75+.10(159- 174.75)= 173.18 1999 190 2000 205
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Actual Period α ( = .10) 1 180 175.00 (Given) 2 168 175.00 + .10(180 - 175.00) = 175.50 3 159 175.50 + .10(168 - 175.50) = 174.75 4 175 174.75 + .10(159 - 174.75) = 173.18 5 190 173.18 + .10(175 - 173.18) = 173.36 6 205
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Period Actual α ( = .10) 1 180 175.00 (Given) 2 168 175.00 + .10(180 - 175.00) = 175.50 3 159 175.50 + .10(168 - 175.50) = 174.75 4 175 174.75 + .10(159 - 174.75) = 173.18 5 190 173.18 + .10(175 - 173.18) = 173.36 6 205 173.36 + .10(190 - 173.36) = 175.02
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Period Actual α ( = .10) 4 175 174.75 + .10(159 - 174.75) = 173.18 5 190 173.18 + .10(175 - 173.18) = 173.36 6 205 173.36 + .10(190 - 173.36) = 175.02 7 180 175.02 + .10(205 - 175.02) = 178.02 8 9
Exponential Smoothing Ft = Ft-1 + 0.1(At-1 - Ft-1) Forecast, F t Actual Period α ( = .10) 4 175 174.75 + .10(159 - 174.75) = 173.18 5 190 173.18 + .10(175 - 173.18) = 173.36 6 205 173.36 + .10(190 - 173.36) = 175.02 7 180 175.02 + .10(205 - 175.02) = 178.02 178.02 + .10(180 - 178.02) = 178.22 8 182 ? 178.22 + .10(182 - 178.22) = 178.58 9
Metode Analisis Garis Kecenderungan (Trend Line Analysis Method) Keterangan : F t = Nilai Ramalan untuk Periode Waktu Ke-t a = Intercep b = Slope dari Garis Kecenderungan (Trend Line) t = Indeks Waktu (t = 1, 2, 3,....., n)
Keterangan : b = Slope dari Persamaan Garis Lurus a = Intercep dari Persamaan Garis Lurus t = Indeks Waktu (t = 1, 2, 3,....., n) A = Data Aktual Permintaan tA = Indeks Waktu x Data Aktual Permintaan n = Jumlah Data t_bar = Nilai rata-rata dari t A_bar = Nilai Rata-Rata Permintaan Per Periode Waktu (Rata-Rata dari A) Slope dan Intersep dari persamaan garis lurus dihitung dengan menggunakan formula sebagai berikut :
VALLIDASI PERAMALAN • Perhitungan Akurasi Peramalan 1.MAD (Mean Absolute Deviation = Rata- rata Penyimpangan Absolut). Keterangan : |E | = Absolute Error n = Jumlah Data
2.MSE (Mean Square Error = Rata-rata Kuadrat Kesalahan) Keterangan : E2 = Nilai Error yang Dikuadratkan n = Jumlah Data
3. MAPE ( Mean Absolute Procentage Error = Rata-rata Persentase kesalahan Absolut) Keterangan : |PE | = Persentase Absolute Error n = Jumlah Data CONTOH
Forecast Error Equations • Mean Square Error (MSE) • Mean Absolute Deviation (MAD) • Mean Absolute Percent Error (MAPE)
Selecting Forecasting Model Example How to calculate the accuracy of forecast? Example Actual Exponential SmoothingYearSales Forecast (.9) 1998 1 1.0 1999 1 1.0 2000 2 1.9 2001 2 2.0 2002 4 3.8
Exponential Smoothing Methode Evaluation |Error| ^ Y Y Year Error Error2 |Error| Actual i i 1998 1 1.0 0.0 0.00 0.0 0.00 0.00 1999 1 1.0 0.0 0.00 0.0 2000 2 1.9 0.1 0.01 0.1 0.05 0.00 0.0 2001 2 2.0 0.0 0.00 0.05 2002 4 3.8 0.2 0.04 0.2 0.10 Total 0.3 0.05 0.3 MSE = Σ Error2 / n = 0.05 / 5 = 0.01 MAD = Σ |Error| / n = 0.3 / 5 = 0.06 MAPE = 100 Σ |Absolute percent errors|/n = 0.10/5 = 0.02
Exponential Smoothing Methode Evaluation Exponential Smoothing Model: MSE = Σ Error2 / n = 0.05 / 5 = 0.01 MAD = Σ |Error| / n = 0.3 / 5 = 0.06 MAPE = 100 Σ |Absolute percent errors|/n = 0.10/5 = 0.02
Tracking Signal merupakan suatu ukuran untuk menentukan seberapa baiknya suatu ramalan dalam memperkirakan nilai-nilai aktual Keterangan : RSFE = Jumlah Berjalan dari Nilai kesalahan Peramalan (Nilai Kumulatif Error) MAD = Rata-rata Kesalahan Absolut CONTOH
No Fcst Act Error RSFE Abs Cum MAD TS |Error| Error 1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140 Tracking Signal Computation
No Forc Act Error RSFE Abs Cum MAD TS Error |Error| 1 100 90 -10 2 100 95 3 100 115 Error = Actual - Forecast = 90 - 100 = -10 4 100 100 5 100 125 6 100 140 Tracking Signal Computation
No Forc Act Error RSFE Abs Cum MAD TS Error |Error| 1 100 90 -10 -10 2 100 95 3 100 115 RSFE = Errors = NA + (-10) = -10 4 100 100 5 100 125 6 100 140 Tracking Signal Computation