BAB 2 LANDASAN TEORI 2.1 Forecasting (Peramalan) Peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan. Peramalan memerlukan pengambilan data historis dan memproyeksikannya ke masa depan dengan beberapa bentuk model matematis. Tujuan utama peramalan adalah membuat estimasi yang terbaik di tengah ketidakpastian. Ramalan yang baik sangat penting dalam seluruh aspek bisnis; ramalan hanyalah ekspetasi permintaan produk sampai permintaan aktual diketahui. Ramalan permintaan mengarahkan keputusan dalam banyak bidang. Ramalan produk berpengaruh terhadap tiga fungsi: a. Sumber Daya Manusia Jumlah karyawan yang akan dipekerjakan, diberhentikan, dan dilatih bergantung pada permintaan produk yang akan diantisipasi. b. Kapasitas Kapasitas dipersiapkan sesuai perkiraan ramalan. c. Manajemen Rantai-Suplai Hubungan dengan pemasok yang baik dan keunggulan kerja yang terjamin untuk bahan baku dan suku cadang tergantung pada ramalan yang akurat.
42
Embed
BAB 2 LANDASAN TEORIlibrary.binus.ac.id/eColls/eThesisdoc/Bab2/2007-3-00437... · 2008-07-21 · BAB 2 LANDASAN TEORI 2.1 Forecasting (Peramalan) Peramalan adalah seni dan ilmu memprediksi
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
BAB 2
LANDASAN TEORI
2.1 Forecasting (Peramalan)
Peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan.
Peramalan memerlukan pengambilan data historis dan memproyeksikannya ke
masa depan dengan beberapa bentuk model matematis. Tujuan utama peramalan
adalah membuat estimasi yang terbaik di tengah ketidakpastian. Ramalan yang
baik sangat penting dalam seluruh aspek bisnis; ramalan hanyalah ekspetasi
permintaan produk sampai permintaan aktual diketahui. Ramalan permintaan
mengarahkan keputusan dalam banyak bidang. Ramalan produk berpengaruh
terhadap tiga fungsi:
a. Sumber Daya Manusia
Jumlah karyawan yang akan dipekerjakan, diberhentikan, dan dilatih
bergantung pada permintaan produk yang akan diantisipasi.
b. Kapasitas
Kapasitas dipersiapkan sesuai perkiraan ramalan.
c. Manajemen Rantai-Suplai
Hubungan dengan pemasok yang baik dan keunggulan kerja yang
terjamin untuk bahan baku dan suku cadang tergantung pada ramalan yang
akurat.
16
Metode peramalan kuantitatif model seri waktu memprediksi berdasarkan
asumsi bahwa masa depan adalah fungsi dari masa lalu. Metode peramalan
kuantitatif model seri kausal: Regresi linear dan model kausal bergabung menjadi
model variabel atau hubungan yang bisa mempengaruhi jumlah yang sedang
diramal.
Delapan tahap sistem peramalan:
1. Menentukan penggunaan peramlan itu.
2. Memilih hal-hal yang akan diramalkan.
3. Menetukan horizon waktunya.
4. Memilih model permalannya.
5. Mengumpulkan data yang dibutuhkan.
6. Menentukan model peramalan yang tepat.
7. Membuat ramalan.
8. Menentukan hasilnya.
Kriteria peramalan yang baik adalah:
1. Akurasi
Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan
kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila
peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan
kenyataan yang sebenarnya terjadi.
17
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah
tergantung dari jumlah item yang diramalkan, lamanya periode
peramalan,dan metode peramalan yang dipakai.
3. Kemudahan
Pengguna metode peramalan yang sederhana, mudah dibuat, dan
mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.
Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka ada
beberapa hal yang harus dipertimbangkan, yaitu:
1. Peramalan pasti mengandung kesalahan,artinya peramal hanya bisa
mengrangi ketidak pastian yang akan terjadi tetapi tidak dapat menghilangkan
ketidak pastian tersebut.
2. Peramalan seharusnya memberikan informasi tentang berapa ukuran
kesalahan.artinya karena peramalan pasti mengandung kesalahan, maka
adalah penting bagi peramal untuk menginformasikan seberapa besar kesalaha
yang mungkin terjadi.
3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka
panjang
18
Ada 4 ukuran akurasi yang biasa digunakan , yaitu :
1. Rata rata deviasi mutlak (MAD)
MAD merupakan rata rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil
dibandingkan kenyataannya.
2. Rata rata kuadrat kesalahan (MSE)
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan
pada setiap periode dan membaginya dengan jumlah periode peramalan.
3. Rata rata kesalahan peramalan (MFE)
MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan
selama periode tertentu terlalu tinggi atau terlalu rendah.
4. Rata rata persentase kesalahan absolut (MAPE)
MAPE merupakan ukuran kesalahan relatif peramalan.
2.1.1 Pola Data
Pola data dapat dibedakan menjadi empat jenis siklis dan trend,
diantaranya:
1. Pola horisontal (H) terjadi bilamana nilai data berfluktuasi di
sekitar nilai rata-rata yang konstan. (Deret seperti itu ”stasioner”
terhadap nilai rata-ratanya.) Suatu produk yang penjualannya tidak
meningkat atau menurun selama waktu tertentu termasuk jenis ini.
Demikian pula, suatu keadaan pengendalian mutu yang
19
menyangkut pengambilan contoh dari suatu proses produksi
berkelanjutan yang secara teoritis tidak mengalami perubahan juga
termasuk jenis ini.
2. Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh
faktor musiman (misalnya kuartalan tahun tertentu, bulanan, atau
hari-hari pada mingu tertentu). Penjualan dari produk seperti
minuman ringan, es krim, dan bahan bakar pemanas ruangan
semuanya menunjukkan jenis pola ini.
3. Pola siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus
bisnis. Penjualan produk seperti mobil, baja, dan peralatan utama
lainnya menunjukkan jenis pola ini.
4. Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan
sekuler jangka panjang dalam data. Penjualan banyak perusahaan,
produk bruto nasional (GNP) dan berbagai indikator bisnis atau
ekonomi lainnya mengikuti suatu pola trend selama perubahannya
sepanjang waktu.
2.1.2 Metode Pemulusan (Smoothing) Eksponensial
Dalam penjelasan berikut diberikan tiga metode pemulusan
eksponensial yang terdiri atas tunggal, tunggal dengan pendekatan adaptif
dan ganda. Metode pemulusan eksponensial merupakan metode yang
20
menunjukkan pembobotan menurun secara eksponensial terhadap nilai
pengamatan yang lebih tua.
2.1.2.1 Pemulusan Eksponensial Tunggal
Kasus yang paling sederhana dari pemulusan (smoothing)
eksponensial tunggal (SES) memiliki persamaan sebagai berikut:
ttt FXF )1(1 αα −+=+
Persamaan ini merupakan bentuk umum yang digunakan dalam
menghitunga ramalan dengan metode pemulusan eksponensial.
Metode ini banyak mengurangi masalah penyimpanan data, karena
tidak perlu lagi menyimpan semua data historis atau sebagian
daripadanya (seperti dalam kasus rata-rata bergerak). Agaknya hanya
pengamatan terakhir, ramalan terakhir, dan suatu nilai α yang harus
disimpan. Secara sederhana persamaan diatas dapat dituliskan
menjadi:
( )tttt FXFF −+=+ α1
atau
( )ttt eFF α+=+1
Dimana, et adalah kesalahan ramalan (nilai sebenarnya
dikurangi ramalan) untuk periode t. Dari dua bentuk 1+tF ini dapat
dilihat bahwa ramalan yang dihasilkan dari SES secara sederhana
21
merupakan ramalan yang lalu ditambah suatu penyesuaian untuk galat
yang terjadi pada ramalan terakhir. Dalam bentuk ini terbukti bahwa
jika α mempunyai nilai mendekati 1, maka ramalan yang baru akan
mencakup penyesuaian kesalahan yang besar pada ramalan
sebelumnya. Sebaliknya jika α mendekati 0, maka ramalan yang baru
akan mencakup penyesuaian yang sangat kecil.Jadi, pengaruh besar
kecilnya α benar-benar analog (dalam arah yang berlawanan) dengan
pengaruh memasukkan jumlah pengamatan yang kecil atau besar pada
perhitungan rata-rata bergerak.Perlu juga diperhatikan bahwa
pemulusan eksponensial tunggal akan selalu mengikuti setiap trend
dalam data yang sebenarnya, karena yang dapat dilakukannya tidak
lebih darimengatur ramalan mendatang dengan suatu presentase dari
kesalahan yang terakhir.
Persamaan diatas mengandung prinsip dasar dari umpan balik
(feedback) yang negatif, karena persamaan ini berperan sebagai proses
kontrol yang dilakukan oleh alat otomatis seperti termostat, pilot
otomatis, dan sebagainya. Galat ramalan masa lalu dipakai untuk
mengoreksi ramalan mendatang pada arah yang berlawanan dengan
kesalahan tersebut. Penyesuaian tersebut tetap berlangsung sampai
kesalahannya dikoreksi. Prinsip ini sama dengan prinsip alat
pengendali otomatis yang mengarah kepada kesetimbangan begitu
22
terjadi penyimpangan (galat). Prinsip ini, yang tampaknya sederhana,
memainkan peranan yang sangat penting dalam peramalan. Jika
digunakan secara tepat, prinsip ini dapat digunakan untuk
mengembangkan suatu proses mengatur diri sendiri (self-adjusting
process) yang dapat mengoreksi kesalahan peramalan secara otomatis.
Walaupun pemulusan eksponensial ini sederhana, namun
metode ini pun mempunyai masalah. Salah satunya adalah dalam
menemukan nilai α yang optimal.
2.1.2.2 Pemulusan Eksponensial Adaptif
Pemulusan eksponensial adaptif adalah suatu metode yang
mirip dengan pemulusan eksponensial tunggal dimana terdapat sedikit
perbedaan dengan metode eksponensial dasar. Pada eksponensial
adaptif, ada perubahan nilai α (alpha) mengikuti deret waktu untuk
mengadaptasikan dengan karakteristik data. Meskipun demikian, ada
beberapa kendala dalam menggunakan metode ini untuk data-data
yang bersifat teoritis. Dikarenakan metode ini sangat cocok untuk jenis
peramalan dimana data tersebar secara acak, ataupun untuk data yang
memiliki siklus dalam periode yang pendek.
Rumus dari pemulusan eksponensial adaptif adalah :
ttttt fyf )1(1 αα −+=+
23
Dimana nilai 1+tf adalah hasil peramalan untuk perode t+1 dan
nilai αt adalah parameter untuk adaptif yang berubah setiap waktu.
Sedangkan rumus untuk nilai parameter adaptif adalah :
t
tt M
A=α
( )( ) 1
1
11
−
−
−+=
−+=
ttt
ttt
MeMAeAφφ
φφ
et adalah hasil error peramalan pada periode t (et = yt - ft), dan
φ adalah suatu konstanta dimana nilainya sebesar 0.2 untuk pilihan
yang paling tepat.
2.1.2.3 Double Exponential Smoothing
Dasar pemikiran dari pemulusan eksponensial linear dari
Brown adalah serupa dengan rata-rata bergerak linier. Persamaan yang
dipakai ialah :
)1()1(. −−+=′ ttt SXS αα
)1()1('. −′′−+=′′ ttt SSS αα
ttt SSa ′′−′= .2
24
)(1
ttt SSb ′′−′−
=α
α
mbaF ttmt .+=+
Dengan inisialisasi awal : 1XSS tt =′′=′
2.1.3 Linear Regression
Model asosiatif bergantung kepada pengenalan variabel yang dapat
dikaitkan dan dapat digunakan untuk meramalkan nilai variabel yang menjadi
perhatian kita. Metode utama yang dikenal dan digunakan secara luas dalam
metode ini adalah regresi. Berikut adalah rumus-rumus regresi linear
sederhana tt bay += dengan :
22 )( ttnyttynb
Σ−ΣΣΣ−Σ
=
tbya −=
Di mana : y = nilai peramalan
a = konstanta y
b = nilai kemiringan
n = jumlah data
t = indeks penunjuk waktu (dimulai dari 1
dan terus berlanjut untuk periode yang diramalkan)
25
2.2 Konsep Manajemen
Pengelolaan suatu badan usaha dilaksanakan oleh sejumlah personel yang
tergabung dalam salah satu dari tiga kelompok:
1. Kelompok manajemen operasi, yang terdirid dari para mandor dan penyelia
(supervisor);
2. Kelompok manajemen menengah, yang meliputi kepala bagian, manajer
divisi, dan manajer cabang;
3. Kelompok manajemen eksekutif, yang mencakup direktur utama, wakil
dirut eksekutif, dan para eksekutif yang menangani berbagai fungsi seperti