3.1. Kajian Teori 3.1.1. Persediaan
Menurut Sofjan (2008), persediaan merupakan sejumlah bahan-bahan, parts yang disediakan dan bahan-bahan dalam proses yang terdapat dalam perusahaan untuk proses produksi, serta barang-barang jadi atau produk yang disediakan untuk memenuhi permintaan dari komponen atau pelanggan setiap waktu.
Secara sederhana persediaan dapat diartikan sebagai barang-barang yang disimpan untuk digunakan atau dijual pada masa atau periode yang akan datang. Persediaan terdiri dari persediaan bahan baku, persediaan bahan setengah jadi, dan persediaan barang jadi. Persediaan bahan baku dan bahan setengah jadi disimpan sebelum digunakan ke dalam proses produksi, sedangkan persediaan barang jadi atau barang dagangan disimpan sebelum dijual atau dipasarkan. Dengan demikian setiap perusahaan yang melakukan kegiatan usaha umumnya memiliki persediaan.
3.1.1.1. Penyebab Persediaan
Persediaan merupakan suatu hal yang tak terhindarkan. Menurut Baroto (2002) mengatakan bahwa penyebab timbulnya persediaan adalah sebagai berikut:
1. Mekanisme pemenuhan atas permintaan
Permintaan terhadap suatu barang tidak dapat dipenuhi seketika bila barang tersebut tidak tersedia sebelummya. Untuk menyiapkan barang ini
diperlukan waktu untuk pembuatan dan pengiriman, maka adanya persediaan merupakan hal yang sulit dihindarkan.
2. Keinginan untuk meredam ketidakpastian
Ketidakpastian terjadi akibat: permintaan yang bervariasi dan tidak pasti dalam jumlah maupun waktu kedatangan, waktu pembuatan yang cenderung tidak konstan antara satu produk dengan produk berikutnya, waktu tenggang (lead time) yang cenderung tidak pasti karena banyak faktor yang tidak dapat dikendalikan. Ketidakpastian ini dapat diredam dengan mengadakan persediaan.
3. Keinginan melakukan spekulasi yang bertujuan mendapatkan keuntungan besar dari kenaikan harga di masa mendatang.
3.1.1.2. Jenis-jenis Persediaan
Setiap jenis persediaan memiliki karakteristik tersendiri dan cara pengelolaan yang berbeda. Rangkuti (2004) memaparkan persediaan dapat dibedakan menjadi beberapa jenis, yaitu:
1. Persediaan bahan mentah (raw material) yaitu persediaan barang-barang berwujud, seperti besi, kayu, serta komponen-komponen lain yang digunakan dalam proses produksi.
2. Persediaan komponen-komponen rakitan (purchased parts/components), yaitu persediaan barang-barang yang terdiri dari komponen-komponen yang diperoleh dari perusahaan lain yang secara langsung dapat dirakit menjadi suatu produk.
3. Persediaan bahan pembantu atau penolong (supplies), yaitu persediaan barang-barang yang diperlukan dalam proses produksi, tetapi bukan merupakan bagian atau komponen barang jadi.
4. Persediaan barang dalam proses (work in process), yaitu persediaan barang-barang yang merupakan keluaran dari tiap-tiap bagian dalam proses produksi atau yang telah diolah menjadi suatu bentuk, tetapi masih perlu diproses lebih lanjut menjadi barang jadi.
5. Persediaaan barang jadi (finished goods), yaitu persediaan barang-barang yang telah selesai diproses atau diolah dalam pabrik dan siap dijual atau dikirim kepada pelanggan.
3.1.1.3. Fungsi Persediaan
Menurut Rangkuti (2004), fungsi-fungsi persediaan adalah sebagai berikut:
1. Fungsi Decoupling adalah persediaan yang memungkinkan perusahaan dapat memenuhi permintaan pelanggan tanpa tergantung pada supplier. Persediaan bahan mentah diadakan agar perusahaan tidak sepenuhnya tergantung pada pengadaannya dalam kuantitas dan waktu pengiriman. 2. Fungsi Economic Lot Sizing. Persediaan lot size ini perlu
mempertimbangkan penghematan atau potongan pembelian, biaya pengangkutan per unit menjadi lebih murah, dan lain sebagainya. Hal ini disebabkan perusahaan melakukan pembelian dalam kuantitas yang lebih besar dibandingkan biaya yang timbul karena besarnya persediaan (biaya sewa gudang, investasi, resiko, dan lain sebagainya).
3. Fungsi Antisipasi. Apabila perusahaan menghadapi fluktuasi permintaan yang dapat diperkirakan dan diramalkan berdasarkan pengalaman atau data-data masa lalu, yaitu permintaan musiman. Dalam hal ini perusahaan dapat mengadakan persediaan musiman (seasonal inventories). Di samping itu, perusahaan juga sering menghadapi ketidakpastian jika waktu pengiriman dan permintaan barang-barang selama periode tertentu. Dalam hal ini perusahaan memerlukan persediaan ekstra yang disebut persediaan pengaman (safety stock).
3.1.1.4. Biaya Yang Timbul dari Adanya Persediaan
Menurut Sofjan (2008) unsur-unsur biaya yang terdapat dalam persediaan dapat digolongkan menjadi 4 golongan, yaitu:
1. Biaya pemesanan (ordering costs), yaitu biaya-biaya yang dikeluarkan berkenaan dengan pemesanan barang-barang atau bahan-bahan dari penjual, sejak dari pesanan dibuat dan dikirim ke penjual, sampai barang-barang atau bahan-bahan tersebut dikirim dan diserahkan serta diinspeksi di gudang atau daerah pengolahan. Yang termasuk dalam biaya pemesanan ini adalah semua biaya yang dikeluarkan dalam rangka mengadakan pemesanan bahan tersebut, diantaranya biaya administrasi pembelian dan penempatan order (cost of placing order), biaya pengangkutan dan bongkar muat (shipping and handling costs), dan biaya penerimaan dan pemeriksaan.
2. Biaya yang terjadi dari adanya persediaan (inventory carrying costs), yaitu biaya-biaya diperlukan berkenaan dengan adanya persediaan yang
meliputi seluruh pengeluaran yang dikeluarkan perusahaan sebagai akibat adanya sejumlah persediaan. Biaya ini berhubungan dengan tingkat rata-rata persediaan yang selalu terdapat di gudang, sehingga besarnya biaya ini bervariasi yang tergantung dari besar kecilnya rata-rata persediaan yang ada. Yang termasuk dalam biaya ini ialah semua biaya yang timbul karena barang disimpan yaitu biaya pergudangan (storage costs) yang terdiri dari biaya sewa gedung, upah dan gaji pengawas dan pelaksana pergudangan, biaya peralatan material handling di gudang, biaya administrasi gudang, dan biaya-biaya lainnya. Biaya pergudangan ini tidak akan ada, jika tidak ada persediaan.
3. Biaya kekurangan persediaan (out of stock costs), yaitu biaya-biaya yang timbul sebagai akibat terjadinya persediaan yang lebih kecil daripada jumlah yang diperlukan, seperti kerugian atau biaya-biaya yang timbul akibat pengiriman kembali pesanan tersebut.
4. Biaya yang berhubungan dengan kapasitas (capacity associated costs), yaitu biaya-biaya terdiri atas biaya kerja lembur, biaya latihan, biaya pemberhentian kerja, dan biaya-biaya pengangguran. Biaya-biaya ini terjadi karena adanya penambahan atau pengurangan kapasitas, atau bila terlalu banyak atau terlalu sedikitnya kapasitas yang digunakan pada suatu waktu tertentu.
3.1.1.5. Tujuan Pengendalian Persediaan
Pengawasan persediaan yang dijalankan berguna untuk memelihara keseimbangan antara kerugian-kerugian serta penghematan dengan adanya suatu
tingkat persediaan tertentu dan besarnya biaya dan modal yang dibutuhkan untuk mengadakan persediaan tersebut. Tujuan persediaan secara terperinci menurut Sofjan (2008) dinyatakan sebagai usaha untuk:
1. menjaga jangan sampai perusahaan kehabisan persediaan sehingga dapat mengakibatkan terhentinya kegiatan produksi,
2. menjaga agar pembentukan persediaan oleh perusahaan tidak terlalu besar atau berlebih-lebihan, sehingga biaya-biaya yang timbul dari persediaan tidak terlalu besar,
3. menjaga agar pembelian secara kecil-kecilan dapat dihindari karena ini akan berakibat biaya pesanan menjadi besar.
Dari keterangan diatas dapat dikatakan bahwa tujuan dari pengendalian persediaan adalah untuk memperoleh kualitas dan jumlah yang tepat dari bahan-bahan barang yang tersedia pada waktu yang dibutuhkan dengan biaya-biaya yang minimum untuk keuntungan atau kepentingan perusahaan. Dengan kata lain pengendalian persediaan untuk menjamin terdapatnya persediaan pada tingkat yang optimal agar produksi dapat berjalan dengan lancar dan biaya persediaan adalah minimal.
3.1.2. Peramalan (Forecasting)
Menurut Hani Handoko (2000), peramalan atau forecasting adalah suatu permintaan akan produk dan jasa di waktu mendatang dan bagian-bagiannya adalah sangat penting dalam perencanaan dan pengawasan produksi. Menurut Prasetya dan Lukiastuti (2009), peramalan merupakan suatu usaha untuk meramalkan keadaan di masa yang akan datang melalui pengujian keadaan di
masa lalu. Menurut Heizer dan Render (2015), peramalan adalah suatu seni dan ilmu pengetahuan dalam memprediksi peristiwa pada masa mendatang. Hal ini dapat dilakukan dengan melibatkan pengambilan data historis (seperti penjualan tahun lalu) dan memproyeksikan ke masa yang akan datang dengan model matematika.
Dari ketiga pengertian di atas, maka yang dimaksud dengan peramalan atau forecasting adalah suatu usaha untuk meramalkan kejadian di masa yang akan datang dengan melibatkan pengambilan data di masa lalu dan menempatkannya di masa yang akan datang untuk mengetahui seberapa besar permintaan.
Meramal juga dapat didasarkan pada keahlian penilaian, yang pada gilirannya didasarkan pada data historis dan pengalaman. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Peramalan mempunyai peranan langsung pada peristiwa eksternal yang pada umumnya berada di luar kendali manajemen seperti: ekonomi, pelanggan, pesaing, pemerintah, dan lain sebagainya.
3.1.2.1. Pentingnya Peramalan
Menurut Heizer dan Render (2015), peramalan yang baik sangatlah penting dalam seluruh aspek bisnis. Peramalan hanya merupakan estimasi atas permintaan hingga permintaan aktual menjadi diketahui. Berikut ini akan dibahas dampak peramalan produk pada 3 aktivitas:
1. Manajemen Rantai Pasokan
Hubungan yang baik dengan pemasok dan menjamin keunggulan dalam inovasi produk, biaya, dan kecepatan pada pangsa pasar bergantung pada peramalan yang akurat.
2. Sumber Daya Manusia
Perekrutan, pelatihan, dan penempatan para pekerja semuanya bergantung pada permintaan yang diantisipasi. Jika departemen sumber daya manusia harus merekrut pekerja tambahan tanpa pemberitahuan, akibatnya jumlah pelatihan akan menurun dan kualitas para pekerja akan menurun pula.
3. Kapasitas
Ketika kapasitas tidak memadai, menghasilkan kekurangan yang dapat mengarahkan pada kehilangan para konsumen dan pangsa pasar.
3.1.2.2. Tujuan dan Fungsi Peramalan
Tujuan dan fungsi peramalan menurut Heizer dan Render (2015) adalah sebagai berikut:
1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan di masa lalu serta melihat sejauh mana pengaruh di masa datang.
2. Peramalan diperlukan karena adanya time lag atau delay antara saat suatu kebijakan perusahaan ditetapkan dengan saat implementasi.
3. Peramalan merupakan dasar penyusun bisnis pada suatu perusahaan sehingga dapat meningkatkan efektifitas suatu rencana bisnis.
3.1.2.3. Jenis Peramalan
Menurut Heizer dan Render (2015), organisasi menggunakan 3 tipe peramalan utama dalam merencanakan operasional untuk masa mendatang, yaitu:
1. Peramalan ekonomi (economic forecasts), menangani siklus bisnis dengan memprediksi tingkat inflasi, uang yang beredar, mulai pembangunan perumahan, dan indikator perencanaan lainnya.
2. Peramalan teknologi (technological forecasts), berkaitan dengan tingkat pengembangan teknologi, di mana dapat menghasilkan terciptanya produk baru yang lebih menarik, yang memerlukan pabrik, dan perlengkapan yang baru.
3. Peramalan permintaan (demand forecasts), adalah proyeksi permintaan untuk produk atau jasa dari perusahaan. Peramalan yang didorong oleh permintaan akan mendorong produksi, kapasitas, dan sistem penjadwalan perusahaan serta melayani sebagai input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.
Peramalan ekonomi dan teknologi merupakan teknik khusus yang akan berada di luar peranan manajer operasional.
3.1.2.4. Klasifikasi Peramalan Berdasarkan Waktu
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu pada masa mendatang yang melingkupinya. Heizer dan Render (2015) membagi horizon waktu peramalan menjadi 3 kategori:
1. Peramalan jangka pendek, peramalan ini memiliki rentang waktu sampai dengan satu tahun, tetapi umumnya kurang dari 3 bulan. Peramalan
jangka pendek digunakan untuk perencanaan pembelian, penjadwalan pekerjaan, level angkatan kerja, penugasan pekerjaan, dan level produksi. 2. Peramalan jangka menengah, peramalan umumnya berjangka waktu dari 3 bulan hingga 3 tahun. Peramalan ini berguna dalam perencanaan penjualan, perencanaan produksi dan penganggaran, penganggaran uang kas, dan analisis variasi rencana operasional.
3. Peramalan jangka panjang, umumnya 3 tahun atau lebih dalam rentang waktunya. Peramalan jangka panjang digunakan dalam perencanaan untuk produk baru, pengeluaran modal, lokasi tempat fasilitas atau perluasan, dan penelitian serta pengembangan.
Peramalan bukan merupakan rencana. Peramalan adalah tentang apa yang akan terjadi pada waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan dilakukan pada waktu yang akan datang. Peramalan penjualan menjadi suatu alat yang dapat mempengaruhi manajer dalam membuat perencanaan penjualan. Dalam rencana penjualan, perusahaan memasukkan keputusan manajemen berdasarkan hasil ramalan, masukan lain, dan kebijakan manajemen tentang hal-hal yang berkaitan (contoh: volume penjualan, harga, usaha penjualan, produksi, dan biaya-biaya).
Peramalan dibutuhkan karena semua organisasi beroperasi dalam lingkungan yang tidak jelas, tetapi keputusan yang dibuat hari ini akan mempengaruhi masa depan organisasi. Dalam area fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan untuk
merencanakan produk baru, kompensasi tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control).
3.1.2.5. Sifat Hasil Peramalan
Nasution (2006) menjabarkan beberapa sifat hasil peramalan, yakni: 1. Peramalan pasti mengandung kesalahan, artinya, bisa mengurangi
ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut.
2. Peramalan harus memberi informasi tentang berapa ukuran kesalahan, karena peramalan pasti mengandung kesalahan. Maka, penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi.
3. Peramalan jangka pendek lebih akurat dibandingkan dengan peramalan jangka panjang. Hal ini disebabkan faktor-faktor yang mempengaruhi peramalan relatif konstan. Sedangkan semakin panjang periode peramalan, maka semakin besar pula kemungkinan terjadinya perubahan faktor yang mempengaruhi permintaan.
3.1.2.6. Kriteria Peramalan
Menurut Nasution (2006), peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain akurasi, biaya, dan kemudahan. Penjelasan dari kriteria-kriteria tersebut adalah sebagai berikut:
1. Akurasi dari suatu hasil peramalan diukur dengan kebiasan dan kekonsistensian peramalan. Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau terlalu rendah dibanding dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil.
2. Biaya yang diperlukan untuk pembuatan suatu peramalan tergantung dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang dipakai.
3. Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.
3.1.2.7. Langkah Peramalan
Peramalan terdiri atas tujuh langkah dasar (Heizer dan Render, 2015). Tujuh langkah peramalan tersebut, adalah:
1. Menentukan penggunaan dari peramalan. 2. Memilih barang yang akan diramalkan. 3. Menentukan horizon waktu dari peramalan. 4. Memilih model peramalan.
5. Mengumpulkan data yang diperlukan untuk membuat peramalan. 6. Membuat peramalan.
3.1.2.8. Faktor Yang Mempengaruhi Peramalan
Organisasi selalu menentukan sasaran dan tujuan, berusaha menduga faktor-faktor lingkungan, lalu memilih tindakan yang diharapkan akan menghasilkan pencapaian sasaran dan tujuan tersebut. Permintaan suatu produk pada suatu perusahaan sangat dipengaruhi oleh berbagai faktor lingkungan yang saling berinteraksi dalam pasar yang berada di luar kendali perusahaan. Di mana faktor–faktor lingkungan tersebut juga akan mempengaruhi peramalan. Berikut ini merupakan beberapa faktor lingkungan yang mempengaruhi peramalan (Yamit, 2005), yaitu:
1. Kondisi umum bisnis dan ekonomi. 2. Reaksi dan tindakan pesaing. 3. Tindakan pemerintah.
4. Kecenderungan pasar. 5. Siklus hidup produk. 6. Gaya dan mode.
7. Perubahan permintaan konsumen.
3.1.3. Metode Peramalan
Metode peramalan digunakan agar peramalan jumlah permintaan suatu barang maupun jasa di masa yang akan datang dapat direncanakan dan hasil yang diperoleh tidak jauh menyimpang dari aktual yang terjadi. Menurut Heizer dan Render (2015) terdapat 2 metode peramalan berdasarkan metode yang digunakan, yaitu metode kuantitatif dan metode kualitatif.
1. Peramalan kualitatif menggabungkan faktor-faktor, misalnya intuisi dari pengambil keputusan, emosi, pengalaman pribadi, dan sistem nilai dalam mencapai peramalan.
2. Peramalan kuantitatif menggunakan bermacam-macam model matematika yang bergantung pada data historis dan/atau variabel asosiatif untuk meramalkan permintaan.
3.1.3.1. Metode Peramalan Kualitatif
Terdapat 4 teknik peramalan kualitatif yang dikemukakan oleh Heizer dan Render (2015), yaitu:
1. Opini dari Dewan Eksekutif (Jury of Executive Opinion)
Berdasarkan pada metode ini, opini dari sekelompok para ahli yang mumpuni atau manajer, sering kali dikombinasikan dengan model statistik, dikumpulkan untuk memperoleh sekumpulan estimasi permintaan.
2. Metode Delphi (Delphi Method)
Terdapat 3 jenis partisipan yang berbeda dalam metode ini: pengambil keputusan, staf personalia, dan para responden. Pengambil keputusan biasanya terdiri atas satu grup berisi 5 hingga 10 orang ahli yang akan membuat peramalan yang aktual. Staf personalia membantu dalam mengambil keputusan dengan mempersiapkan, mendistribusikan, mengumpulkan, dan membuat ringkasan dari serangkaian kuisioner dan hasil survei. Para responden adalah sekelompok orang yang sering kali bertempat tinggal dalam tempat yang berbeda-beda, di mana
pertimbangan mereka akan dinilai. Kelompok ini memberikan input bagi pengambil keputusan sebelum peramalan dibuat.
3. Gabungan Karyawan Bagian Penjualan (Sales Force Composite)
Dalam pendekatan ini, masing-masing karyawan bagian penjualan mengestimasi penjualan apa yang ada di dalam kawasan mereka. Peramalan ini kemudian ditinjau ulang untuk memastikan bahwa peramalan cukup realistis. Kemudian, peramalan tersebut dikombinasikan pada tingkat wilayah dan nasional untuk mencapai keseluruhan peramalan.
4. Survei Pasar (Market Survey)
Metode ini mengumpulkan input dari para konsumen atau konsumen potensial mengenai rencana pembelian pada masa mendatang. Hal ini dapat membantu bukan hanya dalam mempersiapkan peramalan, tetapi juga dalam meningkatkan desain produk dan perencanaan untuk produk baru.
3.1.3.2. Metode Peramalan Kuantitatif
Metode peramalan kuantitatif dibagi menjadi dua, yaitu: 1. Deret Berkala (Time Series)
Deret berkala (time series) adalah serangkaian pengamatan terhadap suatu peristiwa, kejadian, gejala atau peubah yang diambil dari waktu kewaktu, dicatat secara teliti menurut urut-urutan waktu terjadinya dan kemudian disusun sebagai data statistik (Hanke dan Wichern, 2008). Deret berkala digunakan untuk memperoleh gambaran dari keadaan atau
sifat variabel waktu yang lalu untuk peramalan dari nilai variabel itu pada periode yang akan datang. Adapun komponen-komponen deret berkala yang harus diperhatikan menurut Hanke dan Wichern (2008) adalah: a. Gerakan Horizontal
Gerakan horizontal adalah suatu pergerakan data yang berfluktuasi di sekitar nilai konstan atau rata-rata yang membentuk garis horizontal. Data ini juga disebut data stasioner. Contoh gerakan horizontal dapat dilihat pada Gambar 3.1. yaitu plot suatu penjualan.
Gambar 3.1. Gerakan Horizontal Sumber: Hanke dan Wichern (2008)
b. Gerakan Trend
Pola gerakan ini adalah jika suatu data bergerak pada jangka waktu tertentu dan cenderung menuju ke satu arah baik naik atau turun. Contoh pola gerakan trend dapat dilihat pada Gambar 3.2. yang merupakan plot data hasil penyewaan kaset film sebuah perusahaan di Denver, Colorado.
Gambar 3.2. Gerakan Trend Sumber: Hanke dan Wichern (2008)
c. Gerakan Siklis
Gerakan siklis adalah gerakan naik atau turun dalam jangka panjang di sekitar trend atau kondisi normal. Data yang sering mengalami gerakan siklis antara lain data perdagangan, industri, dan keuangan. Gambar 3.3. memperlihatkan pola data dengan gerakan siklis pada data pajak perusahaan Sears Roebuck dan Co.
Gambar 3.3. Gerakan Siklis Sumber: Hanke dan Wichern (2008)
d. Gerakan Musiman
Gerakan musiman merupakan gerakan yang berulang-ulang secara teratur selama kurang lebih satu tahun misalnya pola yang berulang
setiap minggu, bulan atau kuartalan. Pada kuartalan pengulangan terjadi setiap empat bulan. Contoh pola data musiman adalah pada data penjualan perusahaan Merine yang disajikan pada Gambar 3.4. Plot tersebut memperlihatkan bahwa pola yang berulang setiap periode 4 bulan.
Gambar 3.4. Gerakan Musiman Sumber: Hanke dan Wichern (2008)
2. Model Asosiatif (Hubungan Sebab Akibat)
Model asosiatif (hubungan sebab akibat), seperti regresi linear, menggabungkan banyak variabel atau faktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan. Dengan mengolah data yang sudah ada sebelumnya melalui deret waktu dan metode sebab akibat, maka akan diperoleh hasil peramalan.
Menurut Heizer dan Render (2015), metode-metode peramalan kuantitatif terdiri dari:
1. Pendekatan Naif (Naive Method)
Cara paling sederhana untuk mengasumsikan bahwa permintaan dalam periode selanjutnya akan setara dengan permintaan dalam periode yang
paling baru. Dengan kata lain, jika penjualan sebuah produk pada bulan Januari adalah 68 unit, maka dapat meramalkan bahwa penjualan pada bulan Februari juga akan sebesar 68 unit. Untuk beberapa jenis produk, pendekatan naif (naive method) merupakan model peramalan yang paling efektif dalam biaya dan tujuan yang efisien. Sedikitnya, pendekatan naif menyediakan poin permulaan untuk perbandingan dengan model lain yang lebih canggih.
2. Rata-rata Bergerak (Moving Average)
Peramalan rata-rata bergerak menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan. Rata-rata bergerak bermanfaat jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil selama bertahun-tahun. Secara matematis, rata-rata bergerak yang sederhana (yang berfungsi sebagai estimasi permintaan periode berikutnya) dicerminkan sebagai berikut:
MA =
∑ ... (3.1)di mana n adalah jumlah periode dalam rata-rata bergerak.
3. Rata-rata Bergerak dengan Pembobotan (Weighted Moving Average) Saat terdapat trend atau pola yang terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkan pembobotan. Oleh karena itu, pemutusan bobot yang digunakan membutuhkan pengalaman. Sebagai contoh, jika bulan atau periode terakhir diberi bobot yang terlalu berat, peramalan dapat
menggambarkan perubahan yang terlalu cepat yang tidak biasa pada permintaan atau pola penjualan. Rata-rata bergerak dengan pembobotan akan digambarkan secara sistematis sebagai berikut:
WMA =
∑(( ) (∑ )) ... (3.2)4. Penghalusan Eksponensial (Exponential Smoothing)
Penghalusan eksponensial merupakan metode peramalan rata-rata bergerak dengan pembobotan yang lainnya. Metode ini menggunakan pencatatan data masa lalu yang sangat sedikit dan mudah untuk digunakan secara wajar. Sebuah bobot atau penghalusan konstan (α) yang dipilih oleh peramal yang memiliki nilai lebih tinggi daripada atau setara dengan 0 dan kurang dari atau setara dengan 1. Persamaan rumus ditulis secara sistematis sebagai berikut:
Ft = Ft-1+ α (At-1– Ft-1) ... (3.3) di mana: Ft = Peramalan yang baru
Ft-1 = Peramalan periode sebelumnya
α = penghalusan (bobot) konstan (0 ≤ = α < = 1) At-1 = Permintaan aktual periode sebelumnya
3.1.4. Validasi Peramalan
Dengan berbagai macam metode peramalan tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan. Menurut Gaspersz (2004), bagaimanapun juga terdapat sejumlah indikator dalam pengukuran akurasi peramalan, tetapi yang paling umum digunakan adalah Mean Absolute Deviation (MAD), Mean Squared Error (MSE), dan Mean Absolute Percentage Error
(MAPE). Akurasi peramalan akan semakin tinggi apabila nilai-nilai MAD, MSE, dan MAPE semakin kecil (Gaspersz, 2004).
1. Mean Absolute Deviation (MAD)
Deviasi rata-rata yang absolut (Mean Absolute Deviation) dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan periode data (n), rumusnya adalah sebagai berikut:
MAD =
∑| |... (3.4)
2. Mean Squared Error (MSE)
Kesalahan rata-rata yang dikuadratkan (Mean Squared Error) merupakan rata-rata selisih kuardrat antara nilai yang diramalkan dan yang diamati. Kekurangan penggunaan MSE adalah bahwa MSE cenderung menonjolkan deviasi yang besar karena adanya pengkuadratan. Rumus untuk menghitung MSE adalah sebagai berikut:
MSE =
∑| | ... (3.5)3. Mean Absolute Percentage Error (MAPE)
Permasalahan baik MAD maupun MSE adalah bahwa nilai mereka bergantung pada besarnya nilai yang diramalkan. Jika nilai peramalan diukur dalam ribuan, maka nilai MAD dan MSE dapat menjadi sangat besar. Untuk mengatasi masalah ini, dapat menggunakan kesalahan persentase rata-rata yang absolut (Mean Absolute Percentage Error). MAPE dihitung sebagai perbedaan rata-rata yang absolut antara nilai
yang diramalkan dengan aktualnya, dicerminkan sebagai persentase nilai aktual. Rumusnya adalah sebagai berikut:
MAPE =
∑| |
%
... (3.6)
4. Tracking Signal
Tracking signal dihitung sebagai Running Sum of the Forecast Errors (RSFE) dibagi dengan Mean Absolute Deviation (MAD).
=
... (3.7)RSFE = ∑ Aktual − Peramalan
... (3.8)Tracking Signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Pada setiap peramalan, Tracking Signal terkadang digunakan untuk melihat apakah nilai-nilai yang dihasilkan berada di dalam atau di luar batas-batas pengendalian, dimana nilai-nilai Tracking Signal itu bergerak antara -4 sampai +4.
3.1.5. Neural Network
Jaringan Saraf Tiruan atau Neural Network dikemukakan pertama kali pada tahun 1943 oleh Warren McCulloch dan Walter Pits dalam paper yang berjudul “A logical calculus of the ideas immanent in nervous activity?”. Dalam makalah ini, McCulloch dan Pitts mencoba untuk memahami bagaimana otak bisa menghasilkan pola yang sangat kompleks dengan menggunakan banyak sel dasar yang terhubung bersama-sama. Dalam uraiannya mereka memperagakan Neural
Network yang sederhana dengan menggunakan rangkaian listrik, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.
Jaringan Saraf Tiruan (Neural Networks) atau disingkat JST adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel saraf biologis di dalam otak (Kristanto, 2004). Jaringan Saraf Tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut.
Istilah buatan di sini digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Kusumadewi, 2006). Model jaringan saraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi, dan asosiasi. Kemampuan yang dimiliki Jaringan Saraf Tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang digunakan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik input yang diberikan kepada Jaringan Saraf Tiruan.
Jaringan Saraf Tiruan terdiri dari beberapa neuron dan ada hubungan antar neuron-neuron seperti pada otak manusia. Neuron atau sel saraf adalah sebuah unit pemroses informasi yang merupakan dasar operasi Jaringan Saraf Tiruan. Jaringan Saraf Tiruan terdiri atas beberapa elemen penghitung nonlinier yang masing-masing dihubungkan melalui suatu pembobot dan tersusun secara paralel. Pembobot inilah yang nantinya akan berubah (beradaptasi) selama proses pelatihan (Hermawan, 2006). Neural Network dapat diaplikasikan di berbagai
bidang terutama pada analisis yang lebih komplek, masalah nonlinear atau suatu struktur paralel.
Pada bidang peramalan, Neural Network digunakan untuk menyelesaikan masalah peramalan termasuk pada pembentukan model (Hu & Hwang, 2001). Pada Neural Network, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut lapisan neuron (neuron layer).
Gambar 3.5. Lapisan Neuron
Sumber: http://adeakamamed.blogspot.co.id/2011/10/soal-1.html (Diakses tanggal 10 Oktober 2016)
Pada umumnya, Neural Network mempunyai tiga lapisan, yaitu (Yeung et. al, 2009):
1. Lapisan Input (Input Layer)
Node-node di dalam lapisan input disebut neuron-neuron input. Neuron-neuron input menerima input berupa gambaran suatu permasalahan dari luar.
2. Lapisan Tersembunyi (Hidden layer)
3. Lapisan Output (Output Layer)
Node-node di dalam lapisan output disebut neuron-neuron output. Keluaran dari lapisan ini merupakan hasil dari Neural Network terhadap suatu permasalahan.
3.1.6. Fuzzy
Fuzzy Logic adalah suatu cabang ilmu Artificial Intellegence, yaitu suatu pengetahuan yang membuat komputer dapat meniru kecerdasan manusia sehingga diharapkan komputer dapat melakukan hal-hal yang dikerjakan manusia yang memerlukan kecerdasan. Konsep Fuzzy Logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas California di Berkeley pada 1965 dan dipresentasikan bukan sebagai suatu metodologi kontrol, tetapi sebagai suatu cara pemrosesan data dengan memperkenankan penggunaan partial set membership dibanding crisp set membership atau non-membership. Pendekatan pada set teori ini tidak diaplikasikan pada sistem kontrol sampai tahun 70-an karena kemampuan komputer yang tidak cukup pada saat itu. Profesor Zadeh berpikir bahwa orang tidak membutuhkan kepastian, masukan informasi numerik, dan belum mampu terhadap kontrol adaptif yang tinggi.
Konsep Fuzzy Logic kemudian berhasil diaplikasikan dalam bidang kontrol oleh E.H. Mamdani. Sejak saat itu aplikasi Fuzzy berkembang kian pesat. Di tahun 1980-an negara Jepang dan negara-negara di Eropa secara agresif membangun produk nyata sehubungan dengan konsep Fuzzy Logic yang diintegrasikan dalam produk-produk kebutuhan rumah tangga seperti vacuum cleaner, microwave oven, dan kamera video.
Sementara pengusaha di Amerika Serikat tidak secepat itu mencakup teknologi ini. Fuzzy logic berkembang pesat selama beberapa tahun terakhir. Terdapat lebih dari dua ribu produk di pasaran yang menggunakan konsep Fuzzy Logic, mulai dari mesin cuci hingga kereta berkecepatan tinggi. Setiap aplikasi tentunya menyadari beberapa keuntungan dari Fuzzy Logic seperti performa, kesederhaan, biaya rendah, dan produktifitasnya. Konsep Fuzzy Logic adalah sebagai berikut:
1. Fuzzy Logic umumnya diterapkan pada masalah-masalah yang mengandung unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya.
2. Fuzzy Logic menjembatani bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada makna atau arti (significance).
3. Fuzzy Logic dikembangkan berdasarkan cara berfikir manusia. Contoh-contoh masalah yang mengandung ketidakpastian:
1. Seseorang dikatakan “tinggi” jika tinggi badannya lebih dari 1,7 meter. Bagaimana dengan orang yang mempunyai tinggi badan 1,6999 meter atau 1,65 meter, apakah termasuk kategori orang yang tinggi? Menurut persepsi manusia, orang yang mempunyai tinggi badan sekitar 1,7 meter dikatakan “kurang lebih tinggi” atau “agak tinggi”.
2. Kecepatan “pelan” didefinisikan di bawah 20 km/jam. Bagaimana dengan kecepatan 20,001 km/jam, apakah masih dapat dikatakan pelan? Manusia mungkin mengatakan bahwa kecepatan 20,001 km/jam itu “agak pelan”.
Logika Fuzzy dapat dianggap sebagai kotak hitam yang berhubungan antara ruang input menuju ruang output (Kusumadewi, 2006).
Gambar 3.6. Kotak Hitam Logika Fuzzy
Sumber: http://joinsucess.blogspot.co.id/2011/05/pengertian-dan-dasar-logika-fuzzy.html (Diakses tanggal 10 Oktober 2016)
Kotak hitam tersebut berisi cara atau metode yang dapat digunakan untuk mengolah data input menjadi output dalam bentuk informasi yang baik. Ada tiga proses utama jika ingin mengimplementasikan Fuzzy Logic pada suatu perangkat, yaitu fuzzifikasi, evaluasi aturan, dan defuzzifikasi.
1. Fuzzification merupakan suatu proses untuk mengubah suatu masukan dari bentuk tegas (crisp) menjadi Fuzzy yang biasanya disajikan dalam bentuk himpunan-himpunan Fuzzy dengan suatu fungsi kenggotaan masing-masing.
2. Fuzzy Inference System (Rule Evaluation) merupakan acuan untuk menjelaskan hubungan antara variabel-variabel masukan dan keluaran, yang mana variabel yang diproses dan dihasilkan berbentuk Fuzzy. Untuk menjelaskan hubungan antara masukan dan keluaran biasanya menggunakan “if-then”.
3. Defuzzification merupakan proses pengubahan variabel berbentuk Fuzzy tersebut menjadi data-data pasti (crisp) yang dapat dikirimkan ke peralatan pengendalian.
Gambar 3.7. Arsitektur Logika Fuzzy
Sumber: https://paninalone.files.wordpress.com/2014/11/ts3.png (Diakses tanggal 10 Oktober 2016)
3.2. Adaptive Neuro Fuzzy Inference System (ANFIS)
Neuro-Fuzzy adalah gabungan dari dua sistem yaitu sistem logika Fuzzy dan Jaringan Saraf Tiruan, di mana sistem inferensi Fuzzy dilatih menggunakan algoritma pembelajaran yang diturunkan dari sistem Jaringan Saraf Tiruan (Jang, 1997). Dengan demikian, sistem Neuro-Fuzzy memiliki semua kelebihan yang dimiliki oleh sistem inferensi Fuzzy dan sistem Jaringan Saraf Tiruan, dari kemampuannya untuk belajar maka sistem Neuro-Fuzzy sering disebut sebagai ANFIS (Adaptive Neuro Fuzzy Inference Systems) (Kusumadewi, 2006).
Dua metode tersebut memiliki karakteristik yang bertolak belakang akan tetapi apabila digabungkan akan menjadi suatu metode yang lebih baik. Jaringan Saraf Tiruan (JST) memiliki kemampuan learning, tetapi tidak bisa menjelaskan proses penalaran yang dilakukan karena pengetahuan yang dimilikinya hanya berupa bobot-bobot sinapsis yang biasanya bernilai real. JST tidak memiliki aturan-aturan if–then sama sekali. Sebaliknya sistem Fuzzy tidak memiliki
kemampuan learning, tetapi bisa menjelaskan proses penalaran yang dilakukannya berdasarkan aturan-aturan (rules) dalam basis pengetahuan yang dimilikinya. Perbandingan kedua metode tersebut dapat dilihat pada tabel berikut:
Tabel 3.1. Perbandingan Metode ANN dan Metode Fuzzy
Kriteria Neural Network
(NN)
Fuzzy Logic Systems
Memiliki kemampuan untuk menjelaskan
proses penalaran Tidak Ya
Memiliki kemampuan learning Ya Tidak
Sumber: Hasil Analisis Penelitian (2016)
ANFIS telah banyak dimanfaatkan sebagai metode untuk beragam aplikasi dalam berbagai bidang keilmuan salah satunya untuk membentuk model yang menjelaskan data masa lalu dan memprediksi perilaku data masa depan. Metode penggabungan ini dilandasi oleh pertimbangan bahwa pengatur logika Fuzzy mampu mengolah data dengan menghilangkan ketidakjelasan dan ketidakpastian, sedangkan Jaringan Saraf Tiruan mampu melakukan proses pelatihan berdasarkan kondisi yang diberikan oleh manusia. Dalam ANFIS, syarat-syarat untuk optimasi parameter sistem Fuzzy telah dihapus. Jaringan saraf secara otomatis mengatur parameter-parameter sistem Fuzzy.
Dengan penggabungan kemampuan pembelajaran jaringan saraf dan keuntungan dari sistem Fuzzy berbasis aturan, ANFIS dapat memperbaiki hasil dan mekanisme klasifikasi yang signifikan. Di bawah ini adalah gambar arsitektur jaringan ANFIS.
Gambar 3.8. Arsitektur Jaringan ANFIS
Sumber: http://indra-agustian.blogspot.co.id/2010/06/adaptive-neuro-fuzzy-inference-system.html (Diakses tanggal 10 Oktober 2016)
1. Lapisan ke 1: Setiap node pada lapisan ini adalah node yang bersifat adaptif dan merupakan derajat keanggotaan dari input ataupun pada himpunan Fuzzy (parameter premis).
2. Lapisan ke 2: setiap node pada lapisan ini adalah non adaptif. Output dari node ini adalah hasil perkalian dari masukan lapisan ke-1. Tiap node merepresentasikan firing strength dari tiap aturan.
3. Lapisan ke 3: setiap node pada lapisan ini juga non adaptif. Output dari node ini adalah rasio dari firing strength aturan ke-i dengan penjumlahan seluruh firing strength. Output dari lapisan ini disebut normalized firing strength.
4. Lapisan ke 4: setiap node pada lapisan ini adalah node yang bersifat adaptif dengan fungsi linier (parameter konsekuen).
5. Lapisan ke 5: node pada lapisan ini adalah node non adaptif. Output dari node ini adalah penjumlahan seluruh output dari lapisan ke 4.
Adaptive Neuro-Fuzzy Inference System (ANFIS) merupakan jaringan adaptif yang berbasis pada sistem kesimpulan Fuzzy (Fuzzy inference system). Dengan penggunaan suatu prosedur hybrid learning, ANFIS dapat membangun
suatu mapping input-output yang keduanya berdasarkan pada pengetahuan manusia (pada bentuk aturan Fuzzy if-then) dengan fungsi keanggotaan yang tepat.
Sistem kesimpulan Fuzzy yang memanfaatkan aturan Fuzzy if-then dapat memodelkan aspek pengetahuan manusia yang kualitatif dan memberi reasoning processes tanpa memanfaatkan analisa kuantitatif yang tepat. Ada beberapa aspek dasar dalam pendekatan ini yang membutuhkan pemahaman lebih baik, secara rinci:
1. Tidak ada metoda baku untuk men-transform pengetahuan atau pengalaman manusia ke dalam aturan dasar (rule base) dan database tentang Fuzzy Inference System.
2. Ada suatu kebutuhan bagi metoda efektif untuk mengatur fungsi keanggotaan untuk memperkecil ukuran kesalahan keluaran atau memaksimalkan indeks pencapaian.
ANFIS dapat bertindak sebagai suatu dasar untuk membangun satu kumpulan aturan Fuzzy if-then dengan fungsi keanggotaan yang tepat, yang berfungsi untuk menghasilkan pasangan input-output yang tepat.
3.3. Penelitian Terdahulu
Penelitian terdahulu ini akan memberikan referensi bagi penulis dalam melakukan penelitian mengenai peramalan penjualan. Penelitian tersebut diringkas sebagai berikut:
Tabel 3.2. Penelitian Terdahulu No. Nama Peneliti Tahun Penelitian Metode atau Topik Analisis Hasil Penelitian 1 Alekh Dwivedi, Maheshwari Niranjan, dan Kalicharan Sahu.
2013 ANFIS dan ANN
Melakukan peramalan penjualan bulanan di industri otomotif. Memasukkan hasil peramalan dari metode Moving Average dan Exponential Smoothing sebagai data
input metode ANFIS dan ANN. Hasilnya
adalah peramalan metode ANFIS lebih baik dari metode ANN.
2
Asli Aksoy, Nursel Ozturk, dan Eric Sucky.
2012 ANFIS dan ANN
Peramalan permintaan di industri pakaian. Data masukan adalah 400 data yang dibagi menjadi 5 kelompok data pelatihan dan 80 data untuk data validasi. Hasilnya adalah peramalan metode ANFIS lebih baik dari metode ANN. 3 Xi Jia dan Sha Pingba. 2014 Research on Optimization of Inventory Management Based on Demand Forecasting
Untuk melakukan manajemen persediaan, langkah pertama yang harus dilakukan adalah peramalan permintaan. Karena semakin akurat peramalan permintaan, perencanaan persediaan akan lebih akurat dan lebih menguntungkan untuk bisnis perusahaan. 4 Express Computer. 2010 Time is Money in Planning and Forecasting
Peramalan permintaan akurat secara signifikan mempengaruhi safety stock dan tingkat persediaan, biaya menyimpan persediaan, perencanaan produksi yang akurat dan pengiriman tepat waktu, mengurangi kerugian produksi dan meningkatkan tingkat layanan pelanggan. 5 Larry
Lapide. 2006
Evolution of The Forecasting
Function
Fungsi peramalan menjadi jauh lebih kompleks, lebih penting, dan lebih tergantung pada perangkat lunak peramalan yang canggih.
6 Sunil Lakhani dan Brian H. Kleiner. 2014 Improving Business Forecasting
Peramalan adalah metode untuk menerjemahkan pengalaman masa lalu dalam perkiraan masa depan untuk membantu manajer membuat keputusan terbaik tentang apa yang harus dilakukan selanjutnya.
7 Dave
Blanchard. 2007
Five Tips for Better Demand
Planning and Forecasting
1. Mendefinisikan peramalan 2. Memahami faktor ketidakpastian 3. Metode peramalan yang tepat 4. Mempersiapkan perubahan 5. Memiliki perencanaan alternatif
8 Joseph R. Muscatello dan Ronald L. Coccari. 2000 Savings with a formal forecasting system
Metode peramalan tidak harus sangat canggih. Bahkan metode yang sederhana akan cukup bermanfaat.
Tabel 3.2. Penelitian Terdahulu (Lanjutan) No. Nama Peneliti Tahun Penelitian Metode atau Topik Analisis Hasil Penelitian 9 Emillio J. Rodriguez. 2003 How to identify trend breaks in sales forecasting
Peramalan harus mengikuti semua perkembangan sehubungan dengan industri mereka dan ekonomi.
10 John G. Wacker dan Rhonda R. Lummus. 2002 Sales forecasting for strategic resource planning
Penggabungan antara peramalan yang telah dibuat dan Judgement forecasts yang dimiliki seorang manajer akan meningkatkan akurasi peramalan karena manusia mungkin lebih mampu untuk mendeteksi pola dalam data time series dan untuk mengintegrasikan informasi dari luar. 11 Raul Poler, Jorge E. Hernandez, Josefa Mula, dan Francisco C. Lario. 2008 Collaborative forecasting in networked manufacturing enterprises
Komunikasi rencana permintaan antara klien dan pemasok secara signifikan mengurangi tingkat safety stock dan meningkatkan layanan pelanggan.
12 Fikri Karaesmen, George Liberopoulos, dan Yves Dallery. 2004 The Value of Advance Demand Information in Production or Inventory Systems
Faktor-faktor yang berdampak pada tingkat pengurangan biaya yang dapat dicapai adalah kapasitas produksi dan pengiriman barang.
13 Amanda
Loudin. 2000
Forecasting the future
Manfaat peramalan yang baik tidak hanya dari persediaan, tapi juga pelanggan perusahaan. 14 Syed Shahabuddin. 2001 Taking the guesswork out of forecasting
Peramalan adalah perkiraan permintaan di masa mendatang. Ini membantu menentukan kebutuhan pasar. Sebuah ramalan memberikan masukan untuk jadwal produksi induk atau rencana kebutuhan distribusi untuk membantu jadwal produksi dan materi pembelian. Ini membantu untuk meminimalkan penggunaan sumber daya, menjaga tenggat waktu, dan meminimalkan biaya persediaan. 15 Chaman L. Jain. 2007 Benchmarking Forecasting Software and Systems
Dengan meningkatnya kesadaran tentang pentingnya peramalan, semakin banyak perusahaan mencari perangkat lunak dan sistem untuk meningkatkan proses peramalan. Peramalan perangkat lunak atau peramalan sistem perusahaan dapat membantu dalam membuat pilihan yang tepat.
3.4. Kerangka Pemikiran
Peramalan penjualan dilakukan dengan menggunakan metode Moving Average (3 bulan dan 4 bulan) dan metode Adaptive Neuro Fuzzy Inference System (ANFIS). Hasil peramalan diukur dengan metode MAD, MSE, dan MAPE, lalu hasil peramalan tersebut dipetakan dengan metode Tracking Signal agar dapat melihat hasil peramalan berada di dalam atau di luar batas.
Secara garis besar, gambaran lebih jelas mengenai kerangka penelitian dapat dilihat pada gambar berikut:
Gambar 3.9. Kerangka Pemikiran Sumber: Hasil Analisis Penelitian (2016)
