BAB I
PENDAHULUAN
1.1
Latar Belakang Masalah
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan
kejadian dimasa depan. Hal ini dapatdilakukan dengan melibatkan pengambilan data
historisdan memproyeksikannya ke masa mendatang dengan suatu bentuk model
matematis. Hal ini bisa juga merupakan prediksi intuisi yang bersifatsubjektif.
Hal inipun dapat dilakukan dengan menggunakan kombinasi model matematis yang
disesuaikan dengan pertimbangan yang baik dari seorang manajer.
Sesuatu yang berjalan dengan baik di suatu perusahaan pada suatu
set kondisi tertentu mungkin bisa menjadi bencana bagi organisasi lain, bahkan
pada departemenyang berbeda di perusahaan yang sama. Selain itu, anda akan
melihat keterbatasan dari apa yang dapat anda harapkan dari suatu peramalan.
Peramalan sangat jarang memberikan hasil yang sempurna. Peramalan juga
menghabiskan banyak biaya dan waktu dan
waktu untuk dipersiapkan dan diawasi.
Hanya sedikit bisnis yang dapat menghindari proses peramalan dan
hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan.
Perencanaan yang efektif baik untuk jangka panjang maupun pendek bergantung
pada peramalan permintaan untuk produk perusahaan tersebut.
BAB II
PEMBAHASAN
Konsep
Dasar Peramalan
Menurut Gasperz terdapat sembilan langkah yang harus diperhatikan
untuk menjamin efektivitas dan efisiensi dari sistem peramalan dalam manajemen
permintaan yaitu:
1.
Menentukan tujuan dari peramalan
2.
Memilih item independent demand yang akan diramalkan
3. Menentukan horizon waktu dari peramalan (jangka pendek, menengah
atau panjang)
4.
Memilih model-model peramalan
5.
Memperoleh data yang dibutuhkan untuk melakukan peramalan
6.
Validasi model peramalan
7.
Membuat peramalan
8.
Implementasi hasil-hasil peramalan
9.
Memantau keandalan hasil peramalan
Pengertian
Peramalan
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan
kejadian di masa depan, dimana hal ini dilakukan dengan melibatkan pengambilan data di masa lalu dan menempatkannya ke masa yang akan datang dengan
suatu bentuk model matematis atau bisa juga merupakan prediksi intuisi yang
bersifat subjektif atau bisa juga dengan menggunakan kombinasi model matematika
yang disesuaikan dengan pertimbangan yang baik dari seorang manajer. Peramalan
adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada
perencanaan produksi.
Peran
Peramalan dalam Proses Produksi
Peranan peramalan dalam perencanaan proses produksi adalah sebagai
berikut:
1.Business
Planning
Berisi rencana pendanaan, pembiayaan dan keuangan perusahaan
sebagai dasar untuk membuat rencana pemasaran.
2.
Marketing Planning
Rencana tentang produk yang akan dibuat, penjualan dan pemasaran,
sebagai dasar untuk membuat production planning.
3.
Master Production Schdule (MPS)
Rencana produk akhir yang harus dibuat pada tiap periode selama 1-5
tahun. Produk akhir, merupakan dekomposisi dari production planning.
4.
Resource Planning
Rencana kapasitas yang diperlukan untuk memenuhi production plan,
dapat dinyatakan dalam jam-orang atau jam-mesin. Merupakan bahan pertimbanagn
untuk ekspansi orang, mesin, pabrik, dan lain-lain, yang ditetapkan berdasarkan
kapasitas yang tersedia.
5.
Rought Cut Capacity Planning (RCPP)
Rencana untuk menentukan kapasitas yang diperlukan untuk memenuhi
MPS. Hasilnya berupa jenis orang / mesin yang diperlukan untuk tiap work centre
pada setiap periode. Merupakan bahan pertimbangan untuk penambahan jam kerja
atau sub kontrak.
6.
Demand Management
Aktivitas memprediksi kebutuhan di masa datang dikaitkan dengan
kapasitas. Terdiri dari aktivitas forecasting, distribution requirement
planning, order entry, shipment, dan service part requirement.
7.
Material Requirement Planning (MRP)
Menetapkan rencana kebutuhan material untuk melaksanakan MPS.
Output MRP adalah purchasing dan PAC (Production Activity Control), dan MRP
menghasilkan rencana pembelian meliputi jumlah due date, release date.
8.
Capacity Requirement Planning (CRP)
Rencana kebutuhan kapasitas yang dibutuhkan untuk merelealisasikan
MPS di tiap periode dan tiap mesin. CRP lebih teliti dan lebih rinci dibanding
RCCP, karena disarkan pada planned order. Jika kapasitas tidak tersedia bisa
ditambah dengan over time, merubah routing dan lain-lain. Jika tidak tercapai
MPS harus dirubah.
9.
Production Activity Control (PAC)
Sering disebut distributor shop floor control (SFC), aktivitas
membuat produk setelah bahan dibeli. PAC terdiri dari aktivitas awal-akhir
suatu job berdasarkan urutan kedatangan job, lalu membebankan job ke work
station, dan melakukan pelaporan. Hasil laporan akan merupakan feedback bagi
MPS.
10.
Purchasing
Merupakan aktivitas memilih vendor, membuat order pembelian, dan
menjadwalkan vendor.
11.
Performance Measurement
Evaluasi sistem untuk melihat seberapa jauh hasil yang diperoleh
dibandingkan dengan rencana yang telah ditetapkan. Sebagai bahan evaluasi
pencapaian bisnis planning.
Komponen
dari proses peramalan tingkat permintaan produk/jasa
a.
Meramal
Horizon Waktu (time frame)
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa
depan yang dicakupnya. Horizon waktu terbagi kedalam beberapa kategori, yaitu :
1. Peramalan
jangka pendek. Peramalan ini mencakup jangka waktu hingga 1 tahun tetapi
umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk merencanakan
pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat
produksi.
2.
Peramalan
jangka menengah. Peramalan jangka menengah atau intermediate, umumnya mencakup
hitungan bulanan hingga 3 tahun. Peramalan ini berguna untuk merencanakan
penjualan, perencanaan dan anggaran produksi, anggaran kas, dan menganalisis
bermacam-macam rencana operasi.
3.
Peramalan
jangka panjang. Umumnya untuk perencanaan masa 3 tahun atau lebih. Peramlan
jangka panjang digunakan untuk merencanakan produk baru, pembelanjaan, modal,
lokasi atau pembangunan fasilitas, serta penelitian dan pengembangan (litbang).
Peramalan jangka menengah dan jangka panjang dapat dibedakan dari
peramalan jangka pendek dengan melihat tiga hal berikut :
1.
Peramalan
jangka menengah dan jangka panjang berkaitan dengan permasalahan yang lebih
menyeluruh dan mendukung keputusan manajemen yang berkaitan dengan perencanaan
produk, pabrik dan proses.
2.
Peramalan
jangka pendek biasanya menerapkan metodologi yang berbeda dibandingkan dengan
peramlan jangka panjang. Teknik matematika, seperti rata-rata bergerak,
penghalusan eksponensial , dan ekstrapolasi tren yang umumnya dikenal untuk
peramalan jangka pendek. Lebih sedikit metode kuantitatif yang berguna untuk
meramalkan suatu permasalahan.
3.
Sebagaimana
yang mungkin diperkirakan, peramalan jangka pendek cenderung lebih tepat
dibandingkan peramalan jangka panjang. Faktor-faktor yang mempengaruhi
perubahan permintaan berubah setiap hari. Dengan demikian, sejalan dengan
semakin panjangnya horizon waktu, semakin tipis pula ketepatan peramalan
seseorang. Peramalan penjualan harus diperbaharui secara berkala untuk menjaga
nilai integritasnya. Peramalan harus selalu dikaji ulang dan direvisi pada
setiap akhir periode penjualan.
b.
Pola
Data Metode Time Series (Deret Berkala)
Terdapat
beberapa pola permintaan dalan peramlan, yaitu:
1.
Pola
horizontal (constant), terjadi bilamana data berfluktuasi disekitar nilai
rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau
menurun selama waktu tertentu termasuk jenis ini.
2.
Pola
musiman (seasonal), terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu
tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan
bakar pemanas ruang semuanya menunjukkan jenis pola ini.
3.
Pola
siklis (cycle), terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan
produk seperti mobil, baja, dan peralatan utama lainnya.
4.
Pola
trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang
dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai indikator
bisnis atau ekonomi lainnya.
Peramalan
Kuantitatif Time Series (Deret Berkala)
1.
Pendekatan Naif
Pendekatan naif (naive approach) ini merupakan model peramalan
objektif yang paling efektif dan efisien dari segi biaya. Paling tidak
pendekatan naif memberikan titik awal untuk perbandingan dengan model lain yang
lebih canggih. Contoh, jika penjualan produk (misalnya ponsel Nokia) adalah 50
unit pada bulan Januari, dapat diramalkan bahwa penjualan pada bulan Februari
akan sama yaitu sebanyak 50 unit.
2.
Rata-rata Bergerak
Peramalan rata-rata bergerak
(moving average) menggunakan sejumlah data aktual masa lalu untuk menghasilkan
peramalan.
3.
Penghalusan Eksponensial dengan Penyesuaian Tren
Penghalusan eksponensial yang sederhana gagal memberikan respons
terhadap tren yang terjadi. Untuk itu, penghalusan eksponensial harus diubah
saat ada tren. Untuk memperbaiki peramalan kita, berikut akan diilustrasikan
model penghalusan eksponensial yang lebih rumit, yang dapat menyesuaikan diri
pada tren yang ada. Rumus barunya adalah:
Peramalan
dengan tren (FITt) = peramalan penghalusan eksponensial
(Ft)
+ tren penghalusan eksponensial (Tt)
Sedangkan untuk menghitung rata-rata dan tren untuk setiap periode
menggunakan dua konstanta penghalusan, α untuk rata-rata dan β untuk
tren.rumusnya sebagai berikut.
Ft =
α(permintaan aktual periode terakhir) + (1-α)(peramalan periode terakhir
+
estimasi tren periode terakhir) atau Ft
= α(At-1) + (1-α) (Ft-1 + Tt-1)
Tt =
β(peramalan periode ini – peramalan periode terakhir) + (1-β) (estimasi
tren
periode terakhir) atau Tt = β(Ft – Ft-1) + (1-β) Tt-1
dimana:
Ft = peramalan dengan eksponensial yang
dihaluskan dari data berseri pada
periode t
Tt = tren dengan eksponensial yang dihaluskan
pada periode t
At = permintaan aktual pada periode t
α = konstanta penghalusan untuk rata-rata (0
≤ α ≤ 1)
β = konstanta penghalusan untuk tren (0 ≤ β ≤
1
Dapat disimpulkan, tiga langkah menghitung peramalan dengan yang
disesuaikan dengan tren adalah:
Langkah 1: menghitung Ft, peramalan
eksponensial yang dihaluskan untuk
periode
t.
Langkah 2: menghitung tren yang dihaluskan,
Tt
Langkah 3: menghitung peramalan dengan
tren, FITt, dengan formula
FITt
= Ft + Tt
4.
Proyeksi Tren
Jika membuat garis tren lurus dengan metode statistik, kita dapat
menerapkan metode kuadrat terkecil. Pendekatan ini menghasilkan sebuah garis
lurus yang meminimalkan jumlah kuadrat dari deviasi vertikal garis pada setiap
hasil pengamatan aktual.
5.
Analisis Regresi
analisis regresi merupakan suatu teknik matematis yang
menghubungkan variabel independent dengan variabel dependent. Dalam analisis regresi ini juga mempelajari
hubungan yang ada diantara variabel-variabel sehingga dari hubungan yang
diperoleh kita dapat menaksir variabel yang satu apabila harga variabel lainnya
diketahui. Akan lebih jelasnya kami akan memberikan 2 contoh sebagai berikut :
Contoh
5
Dari
data yang tertera dapat dicari hubungan yang anatara pengunjung dan yang
belanja. Jika pada suatu hari ada 370 pengunjung, dari hubungan yang diperoleh
kita dapat memperkirakan ada berapa yang akan belanja di took itu. Selain
daripada itu,juga kita dapat menentukan berapa kuat jumlah pembeli ditentukan
oleh adanya pengunjung.
kita
ketahui bahwa produk nasional kotor ditentukan oleh produk-produk lainnya,
antara lain jasa. Jika data selama jangka waktu tertentu diketahui,hubungan
antara produk nasional kotor dan jasa dapat dihitung. Dari hubungan ini,produk
nasional kotor dapat diperkirakan jika jasa dapat diketahui.
Dari kedua contoh diatas dapat digunakan analisis regresi untuk
memperkirakan atau meramalkan.
Dalam menyusun ramalan pada dasarnya ada 2 macam analisis yang
dapat digunakan yaitu :
·
Analisi
deret waktu(Time series), merupakan analisis antaravariabel yang dicari dengan
variabel waktu.
·
Analisis
Cross Section atau sebab akibat (Causal method), merupakan analisis variabel
yang dicari dengan variabel bebas atau yang mempengaruhi.
a.
Jenis Analisis Regresi
Dalam model kausalitas ini digunakan analisis regresi untuk
meramalkan sesuatu demi kelangsungan proses produksi/operasi. Dalam analisis
regresi ini terdapat 2 jenis yakni sebagai berikut :
1)
Analisis Regresi Linier sederhana
Analisis regresi linier sederhana ini merupakan model dua variable,
dimana salah satu variable bebas sudah diketahui dan dianggap memberi akibat
terhadap variable yang lainnya yang merupakan variable terikat. Persamaan
liniernya adalha sebagai berikut :
Y =
a + bX
Y = Subjek dalam variabel dependen yang
diprediksi
a =
Harga Y bila x = 0
b
=Angka arah atau koefisien regresi yang menunjukan peningkatan atau penurunan
variabel dependen yang didasarkan pada variabel independen
x =
Subjek pada variabel independen
2) Analisis Regresi Linier Berganda
Regresi berganda adalah lanjutan praktis dari model regresi
sederhana. Regresi berganda merupakan metode peramalan sebab akibat dengan
lebih dari satu variabel bebas. Dengan persamaannya adalah sebagai berikut :
Y =
a + bX1 + bX2
Tingkat
Akurasi Dalam Metode Peramalan
Dalam pengukuran akurasi pada
metode peramalan ini kita harus memepelajari kesalahan standar dari suatu
estimasi dan kesalahan taksir dalam suatu peramalan yang akan dibahas berikut
ini:
1.
Kesalahan
Standar dari suatu Estimasi
Titik prediksi adalah rata-rata(mean) atau nilai harapan (expected
value) dari suatu distribusi penjualan yang mungkin. Untuk menghitung
keakuratan regresi yang diperkirakan, kita harus menghitung kesalahan standar
estimasi (standard error of the estimate),
perhitungan ini disebut deviasi standar regresi (standard deviation of
the regression) yang menghitung kesalahan dari variable terikat terhadap garis regresi dan bukan terhadap
rata-rata.
Dimana:
=
Nilai untuk setiap titik data
=
Nilai terhitung variable terikat, dari persamaan regresi
=
Jumlah data
2.
Kesalahan
taksir dalam peramalan
Perusahaan perlu menetapkan keputusan atas perbedaan yang
signifikan dengan yang diramalkan melalui variable yang dievaluasi. Satu cara
untuk mengawasi peramalan berjalan dengan baik adalah dengan menggunakan sebuah
sinyal penelusuran (tracking signal). Sinyal penelusuran adalah sebuah
perhitungan seberapa baik peramala memprediksi nilai actual.
KESIMPULAN
Peramalan adalah bagian terpenting dari fungsi manajer operasi.
Peramalan permintaan mengarahkan produksi,kapasitas,dan
sistem pendjadwalan perusahaan,serta memengaruhi fungsi keuangan,pemasaran,dan
perencanaan karyawan. Ada beberapa teknik peramalan kualitatif dan kuantitatif.
Pendekatan kualitatif menggunakan penilaian,pengamalan,perasaan,dan faktor lian
yang sulit diukur. Peramalan kuantitatif menggunakan data masa
lalu,sebab-akibat,atau asosiatif untuk diproyeksikan pada permintaan masa
datang. Perhitungan peramalan jarang dilaksanakan secara manual. Hampir semua
manajer operasi menggunakan paket piranti lunak,seperti Forecast, PRO, SAP, txMetrix,
AFS, SAS, SPSS, atau Exel.
Daftar pustaka:
·
http://www.slideshare.net/bianjee/manajemen-operaasional-31264965
·
http://softspaces.blogspot.co.id/2013/10/forecasting-peramalan-dalam-manajemen.html
·
http://zonainfosemua.blogspot.co.id/2011/01/pengertian-metode-penelitian-kualitatif.html
·
https://vebyenandes.wordpress.com/2013/03/27/manajemen-industri-metode-peramalan-forecasting/
·
Wiliam
J.Stevenson.Sum chee Chuong-manajemen operasi perspektif asia edisi 9 buku
1,penerbit salemba empat.
Tidak ada komentar:
Posting Komentar