11
BAB II
TINJAUAN PUSTAKA
2.1 Landasan Teori 2.1.1 Manajemen Operasi
Operasi merupakan satu dari tiga fungsi utama pada setiap organisasi. Operasi tidak dapat berdiri sendiri, melainkan harus selalu berhubungan dengan fungsi - fungsi bisnis lainnya. Setiap perusahaan memiliki fungsi operasi, oleh karena itu manajemen di dalam fungsi operasi sangat diperlukan dalam pelaksanaan, pengaturan dan pengawasan semua proses produksi agar organisasi dapat mencapai tujuan yang diinginkan. Terdapat beberapa pendapat menurut para ahli mengenai pengertian manajemen operasi, diantaranya :
Pengertian manajemen operasi menurut Heizer dan Render (2015:3), yaitu:
“Manajemen Operasi merupakan serangkaian aktivitas yang menghasilkan nilai dalam bentuk barang dan jasa dengan mengubah masukan menjadi hasil.”
Pengertian lainnya menurut Roger G. Schroeder (2011), yaitu:
“Operation management is defined as decisions with other function all operation can be viewed as a transformation system that converts inputs into outputs.”
Artinya :
“Manajemen operasi sebagai pembuat keputusan dengan semua fungsi operasi lainnya dapat dilihat sebagai sistem transformasi yang mengubah masukan-masukan menjadi keluaran.”
Sedangkan menurut Sofjan Assauri (2008:19), yaitu :
“Manajemen operasi adalah kegunaan untuk mengatur dan mengkoordinasikan penggunaan sumber-sumber daya yang berupa sumber daya manusia, sumber daya alat, dan sumber daya dana, serta bahan secara
efektif dan efisien untuk menciptakan dan menambah kegunaan (utility) suatu barang atau jasa.”
Berdasarkan beberapa pengertian para ahli diatas, maka dapat disimpulkan bahwa manajemen operasi adalah suatu aktivitas mengubah input menjadi output dengan mengatur dan mengkoordinasikan semua sumber daya yang dimiliki secara efektif dan efisien lalu diubah ke dalam bentuk berupa barang atau jasa.
2.1.2 Ruang Lingkup Manajemen Operasi
Secara umum, produksi adalah suatu proses penciptaan barang dan jasa
(Heizer dan Render, 2015:3). Pada awalnya hanya lingkungan manufaktur yang
seringkali menggunakan istilah produksi karena kegiatan lingkungan manufaktur addalah menghasilkan suatu keluaran atau output produk berupa barang. Namun semakin berkembangnya ilmu pengetahuan terjadi perluasan terhadap makna produksi. Dalam bukunya Sumayang (2003:4), menjelaskan istilah manajemen produksi berubah menjadi manajemen operasi seiring dengan pengembangan produk jasa yang jauh lebih mencolok bila dibandingkan dengan produk pabrikasi, sehingga orientasi menajamen operasi menjadi lebih luas bukan saja pada bidang pabrikasi tetapi juga pada pengelolaan produk pelayanan dan jasa.
Jadi dapat disimpulkan bahwa kegiatan produksi adalah salah satu bagian dari fungsi operasi di dalam suatu organisasi yang merupakan tugas dari manajemen operasi untuk mengaturnya. Menurut Heizer dan Render (2015:6), ruang lingkup manajemen operasi berkaitan dengan pengoperasian sistem operasi, pemilihan serta penyiapan sistem operasi yang meliputi sepuluh keputusan yaitu sebagai berikut :
1. Desain barang dan jasa: menjelaskan apa yang diperlukan dari kegiatan operasi pada masing-masing keputusan manajemen operasi. Misalkan, desain produk biasanya menentukan batas bawah dari biaya dan batas atas dari kualitas.
2. Pengelolaan kualitas: menentukan ekspektasi kualitas dari pelanggan dan membuat kebijakan serta prosedur untuk mengidentifikasikan dan mencapai kualitas tersebut
3. Desain proses dan kapasitas: menentukan seberapa baik barang dan jasa dihasilkan dan menjalankan manajemen terhadap teknologi, kualitas, SDM dan investasi modal yang spesifik yang menentukan struktur biaya dasar perusahaan.
4. Strategi lokasi: mentukan dimana lokasi perusahaan akan beroperasi dengan penilaian terkait kedekatan dengan pelanggan dan pemasok sementara mempertimbangkan mengenai biaya, infrastruktur, dan aturan pemerintah.
5. Strategi Tata Ruang : menentukan tata ruang fasilitas kerja yang dapat menunjang dan memperlancar proses kerja.
6. Sumber daya manusia dan desain pekerjaan: menentukan bagaimana cara untuk merekrut, memotivasi dan mempertahankan personel dengan bakat dan kemampuan yang dibutuhkan.
7. Manajemen rantai pasokan: menentukan bagaimana mengintegrasikan rantai pasokan ke dalam strategi perusahaan termasuk keputusan-keputusan yang menentukan apa yang dibeli, dari siapa dan dengan persyaratan apa.
8. Manajemen Persediaan: menetukan keputusan pemesanan dan penyediaan persediaan dengan mempertimbangkan kapabilitas pemasok dan jadwal produksi.
9. Penjadwalan: menentukan dan menerapkan jadwal jangka waktu menengah dan pendek yang secara efektif dan efisien baik karyawan maupun fasilitas, sementara memenuhi permintaan pelanggan.
10. Pemeliharaan: menentukan siapa yang dapat bertanggung jawab dalam melakukan pemiliharan agar kualitas tetap terjaga.
Sedangkan menurut Sofjan Assauri (2008:27), ruang lingkup manajemen produksi dan operasi akan mencakup dua hal yaitu perancangan atau penyiapan sistem produksi dan operasi serta pengoperasian dari sistem produksi dan operasi. Penjelasan dalam perancangan atau penyiapan sistem produksi dan operasi, meliputi:
Kegiatan produksi dan operasi merupakan kegiatan yang mencakup bidang yang luas, dimulai dari penganalisaan dan penetapan keputusan saat sebelum dimulainya kegiatan produksi dan operasi, yang umumnya bersifat keputusankeputusan jangka panjang, serta keputusan-keputusan pada waktu menyiapkan dan melaksanakan kegiatan produksi dan pengoprasiannya.
2. Seleksi dan perancangan proses dan peralatan
Setelah produk didesain, maka kegiatan yang harus dilakukan untuk merealisasikan usaha untuk menghasilkannya adalah menentukan jenis proses yang akan dipergunakan serta peralatannya. Kegiatan harus dimulai dari penyelesaian dan pemeliharaan akan jenis proses yang akan dipergunakan, yang tidak terlepas dengan produk yang akann dihasilkan. 3. Pemilihan lokasi dan site perusahaan dan unit produk
Kelancaran produksi dan operasi perusahaan sangat dipengaruhi oleh kelancaran mendapatkan sumber-sumber bahan masukan (input), serta ditentukan pula oleh kelancaran dan biaya penyampaian atau supply produk yang dihasilkan berupa barang jadi dan jasa kepasar. Oleh karena itu, untuk menjamin kelancaran maka sangat penting peranan dari pemilihan lokasi dan site perusahaan dan unit produksinya.
4. Rancangan tata letak (lay out) dan arus kerja atau proses
Kelancaran dalam proses produksi dan operasi ditentukan pula oleh salah satu factor yang terpenting didalam perusahaan atau unit produksi, yaitu rancangan tata letak (lay out) dan arus kerja atau proses, rancangan tata letak harus mempertimbankan berbagai faktor antara lain adalah kelancaran arus kerja, optimalisasi dari waktu pergerakan dalam proses, kemungkinan kerusakam yang terjadi karena pergerakan proses akan meminimalisasi biaya yang timbul dari pergerakan dalam proses atau material handling.
5. Rancangan tugas perusahaan
Rancangan tugas pekerjaan perupakan bagian yang integral dari rancangan sistem. Dalam melaksanakan fungsi produksi dan operasi, maka organisasi
kerja disusun, karena organisasi kerja sebagai dasar pelaksanaan tugas perkerjaan, merupakan alat atau wadah kegiatan yang hendaknya dapat membantu pencapaian tujuan perusahaan atau unit produksi organisasi tersebut.
6. Strategi produksi dan operasi serta pemilihan kapasitas
Rancangan sistem produksi dan operasi harus disusun dengan landasan strategi produksi operasi yang disiapkan terlebih dahulu. Dalam strategi produksi dan operasi harus terdapat pernyataan tentang maksud dan tujuan dari produksi dan operasi, serta misi dan kebijakan-kebijakan dasar atau kunci untuk lima bidang yaitu proses, kapasitas, persediaan, tenaga kerja, dan mutu atau kualitas.
Pembahasan dalam pengoprasian sistem produksi dan operasi menurut
Sofjan Assauri (2008:29), meliputi:
1. Penyusunan rencana produksi dan operasi
Kegiatan pengoprasian sistem produksi dan operasi harus dimulai dengan penyusunan rencana produksi dan operasi. Dalam rencana produksi dan operasi harus tercakup penetapan target produksi, scheduling, routing,
dispatching, dan follow-up. Perencanaan kegiatan produksi dan operasi
merupakan kegiatan awal dalam pengoprasian sistem produksi dan operasi.
2. Perencanaan dan pengendalian persediaan dan pengadaan bahan.
Kelancaran kegiatan produksi dan operasi sangat ditentukan oleh kelancaran tersedianya bahan atau masukan yang dibutuhkan bagi produksi dan operasi tersebut. Kelancaran tersedianya bahan atau masukan bagi produksi dan operasi ditentukan oleh baik tidaknya pengadaan bahan serta rencana dan pengendalian persediaan yang dilakukan.
3. Pemeliharaan atau perawatan (maintenance) mesin dan peralatan.
Mesin dan peralatan dipergunakan dalam proses produksi dan operasi harus selalu terjamin tetap tersedia untuk dapat digunakan, sehingga dibutuhkan adanya kegiatan pemeliharaan atau perawatan.
Terjaminnya hasil atau keluaran dari proses produksi dan operasi menentukan keberhasilan dan pengoperasian sistem produksi dan operasi. Dalam hal ini maka perlu di pelajari kegiatan pengendalian mutu antara lain adalah maksud dan tujuan kegiatan pengendalian mutu.
5. Manajemen Tenaga Kerja
Pelaksanaan pengoprasian system produksi dan operasi ditentukan oleh kemampuan dan keterampilan para tenaga kerja atau sumber daya manusia akan mencakup pengelolaan tenaga kerja dalam produksi dan operasi, desain tugas dan pekerjaan, dan pengukuran kerja (Work Measurement)
2.1.3 Peramalan (Forecasting)
Peramalan merupakan hal yang sangat penting bagi setiap organisasi bisnis dan setiap pengambilan keputusan di bidang manajemen. Mengetahui besarnya informasi jumlah atau permintaan sangat menentukan dalam jumlah hasil produk maupun jasa yang akan dihasilkan. Setiap pihak manajemen perusahaan selalu berupaya untuk membuat sebuah estimasi atau perkiraan yang sesuai dengan data aktual masing-masing produknya.
Pengertian Peramalan menurut Heizer dan Render (2015:113), yaitu : “Peramalan (forecasting) adalah suatu seni dan ilmu pengetahuan dalam memprediksi peristiwa pada masa mendatang.”
Menurut Sofjan Assauri (2008:49), pengertian peramalan yaitu :
“Penggunaan data atau informasi untuk menentukan kejadian pada masa depan, dalam bentuk perhitungan atau prakiraan dari data yang lalu dan informasi yang lainnya untuk penentuan terlebih dahulu atau prakiraan.” Sedangkan menurut Aulia Ishak (2010:104), yaitu:
“Peramalan adalah pemikiran suatu besaran, misalnya terhadap satu atau beberapa produk pada periode yang akan datang.”
Dari definisi yang dikemukakan para ahli diatas, maka dapat disimpulkan bahwa peramalan adalah suatu seni atau ilmu pengetahuan untuk menentukan suatu besaran satu atau beberapa produk pada periode yang akan datang melalui pengujian data atau infomasi di masa lalu.
2.1.3.1 Tujuan dan Fungsi Peramalan
Didalam produksi dan operasi suatu perusahaan, menentukan peramalan merupakan bagian awal dari suatu proses pengambilan suatu keputusan. Menurut
Heizer dan Render (2015:113), tujuan dan fungsi peramalan adalah untuk
mengkaji kebijakan perusahaan yang berlaku saat ini dan dimasa lalu serta melihat sejauh mana pengaruh di masa datang. Peramalan merupakan dasar penyusun bisnis pada suatu perusahaan sehingga dapat meningkatkan efektifitas suatu rencana bisnis. Sedangkan menurut Hendra Kusuma (2009:13), setiap pengambilan keputusan yang menyangkut proses produksi dan operasi di masa depan, maka pasti ada peramalan yang melandasi pengambilan keputusan tersebut. Jadi pengambilan keputusan operasi yang baik dan tepat diperlukan oleh semua perusahaan dalam menghadapi masa depan yang penuh ketidakpastian, serta meraih keberhasilannya.
Menurut Sofjan Assauri (2008:50), terdapat tiga kegiatan operasional yang dipengaruhi oleh fungsi peramalan dalam melakukan pengambilan keputusan produksi dan operasinya yaitu perencanaan sistem, penjadwalan sistem dan pengendalian sistem yang dapat dilihat pada gambar berikut:
Gambar 2.1 Penggunaan Peramalan dalam Produksi dan Operasi
2.1.3.2 Karakteristik Peramalan
Menurut Aulia Ishak (2010:105), Peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain akurasi, biaya, dan kemudahan. Penjelasan dari kriteria – kriteria tersebut adalah sebagai berikut:
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. Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan relative kecil.
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah item yang diramalkan, lamanya periode peramalan,
dan metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan siapa tenaga ahli yang diperbantukan.
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah percuma memakai metode yang canggih, tetapi tidak dapat diaplikasikan pada sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun peralatan teknologi.
2.1.3.3 Tahapan Peramalan
Terdapat sembilan langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi dari sistem peramalan dalam manajemen permintaan
(Gaspersz, 2012:137) yaitu sebagai berikut :
1. Menentukan tujuan yang dilakukannya peramalan.
2. Memilih item independent demand yang akan diramalkan. 3. Menentukan horizon waktu dari peramalan.
4. Memilih model – model peramalan.
5. Memperoleh data yang dibutuhkan untuk melakukan peramalan. 6. Membuat peramalan.
7. Validasi hasil peramalan. 8. Implementasi hasil peramalan. 9. Memantau keadaan hasil peramalan
2.1.3.4 Tipe dan Horizon Waktu Peramalan
Terdapat tiga tipe peramalan utama dalam merencanakan operasional di masa mendatang menurut Heizer dan Render (115:2015), sebagai berikut:
1. Peramalan ekonomi : membahas siklus bisnis dengan memprediksi tingkat inflasi, uang yang beredar, mulai pembangunan perumahan dan ,indikator perencanaan lainnya.
2. Peramalan teknologi : berkaitan dengan tingkat kemajuan teknologi maupun terciptanya produk baru,dimana hal tersebut memerlukan pabrik dan perlengkapan yang baru
3. Peramalan permintaan : berkaitan dengan proyeksi atas permintaan terhadap produk atau jasa dari perusahaan. Ramalan ini disebut juga ramalan penjualan, yang mengarahkan produksi, kapasitas dan siatem penjadualan perusahaan.
Setelah menemukan tipe peramalan yang akan dilakukan, Peramalan biasanya dapat diklasifikasikan berdasarkan horizon waktu sehingga dapat mengetahui rentang waktu dan tujuan dari masing masing peramalan. Horizon waktu dibagi tiga kategori sebagai berikut:
1. Peramalan jangka pendek
Peramalan ini memiliki rentang waktu sampai satu tahun tetapi umumnya kurang tiga bulan. Digunakan untuk rencana pembelian, penjadwalan kerja, jumlah tenaga kerja, dan tingkat produksi.
2. Peramalan jangka menengah
Peramalan ini memiliki rentang waktu antara tiga bulan hingga tiga tahun. Berguna untuk perencanaan penjualan, perencanaan dan penganggaran produksi serta menganalisis berbagai rencana operasi.
3. Peramalan jangka panjang
Peramalan ini memiliki rentang waktu antara tiga tahun atau lebih. Biasanya digunakan untuk merencanakan produk baru, penganggaran modal, pertimbangan perluasan lokasi tempat fasilitas, dan penelitian serta pengembangan.
2.1.3.5 Metode Peramalan
Untuk melakukan peramalan, para manajer operasional dibantu oleh beberapa metode-metode peramalan sehingga dapat memberikan hasil peramalan yang lebih nyata dan dapat dipercaya ketepatannya. Metode peramalan sangat bervariasi bentuknya dari yang sangat tradisional hingga metode yang cukup
canggih. Pemilihan metode mana yang akan digunakan tergantung dari data dan informasi yang akan diramal serta tujuan yang hendak dicapai oleh organisasi atau perusahaan. Metode peramalan yang baik adalah metode yang memberikan hasil peramalan yang tidak berbeda dengan kenyataan yang terjadi. Dalam prakteknya terdapat dua pendekatan atau metode untuk peramalan menurut Heizer dan
Render (2015:117), yaitu :
1. Metode Peramalan Kualitatif
Metode peramalan yang menggabungkan faktor faktor intuisi, emosi, pendapat, dan pengetahuan serta pengalaman dari penyusunnya, sehingga hasil peramalan yang diperoleh dari satu orang dengan orang lain dapat berbeda (Aulia Ishak, 2010:112). Ada beberapa sumber pendapat yang dapat digunakan sebagai dasar melakukan peramalan penjualan, antara lain pendapat salesman, pendapat manajer penjualan, pendapat para ahli, dan survei konsumen. Menurut Heizer dan Render (2015:118), terdapat empat metode peramalan kualitatif yang baik dan sering digunakan, yaitu:
Opini dari Dewan Eksekutif
Metode ini mengambil opini atau pendapat dari sekelompok kecil manajer puncak/top manager (pemasaran, produksi, teknik, keuangan dan logistik), yang seringkali dikombinasikan dengan model-model statistik untuk memperoleh estimasi permintaan.
Metode Delphi
Metode ini memakai kuesioner yang disebarkan kepada responden, yang jawabannya kemudian diringkas dan diberikan kepada para ahli untuk dibuat peramalannya. Metode ini banyak memakan waktu dan melibatkan banyak pihak, yaitu para staf, yang membuat kuesioner, mengirim, merangkum hasilnya untuk dipakai para ahli dalam menganalisisnya. Keuntungan metode ini hasilnya lebih akurat dan lebih profesional sehingga hasil peramalan diharapkan mendekati aktualnya.
Gabungan Tenaga Penjualan
Metode ini membuat setiap tenaga penjualnya meramalkan tingkat penjualan di daerahnya. Setelah ditinjau ulang untuk memastikan bahwa hasilnya realistis, kemudian digabung pada tingkat provinsi dan nasional untuk mencapai ramalan secara menyeluruh.
Survai Pasar (market survey)
Metode yang memakai masukan yang diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian pada periode yang diamati. Survai dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung.
2. Metode Peramalan Kuantitatif
Metode peramalan yang mendasarkan prakiraan atau peramalannya menggunakan data yang lalu, dengan menggunakan predictor untuk masa mendatang (Sofjan Assauri, 2008:51). Jadi dapat disimpulkan dengan mengolah data aktual produk yang lalu, maka dapat ditemukan suatu hasil prakiraan atau peramalan dengan menggunakan metode peramalan kuantitatif. Peramalan kuantitatif menggunakan bermacam-macam model matematika yang bergantung pada data historis dan atau variabel asosiatif untuk meramalkan permintaan (Heizer dan Render, 2015:117). Peramalan kuantitatif hanya dapat digunakan apabila terdapat kondisi sebagai berikut:
Tersedianya informasi tentang masa lalu.
Adanya informasi yang dapat dikuantifikasikan dalam bentuk data numerik.
Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.
Hasil peramalan yang dibuat sangat bergantung pada metode yang digunakan serta perbedaan atau penyimpangan antara hasil ramalan yang didapat dengan kenyataan yang terjadi. Terdapat dua jenis metode
peramalan kuantitatif yaitu metode deret waktu (time series) dan metode asosiatif (causal).
2.1.4 Metode Deret Waktu (Time Series)
Metode deret waktu adalah metode yang menganalisis serangkaian data dan menemukan pola variasi masa lalu yang dapat digunakan untuk memperkirakan nilai masa depan. Metode ini digunakan jika tujuannya untuk mencoba memprediksi masa depan menggunakan data di masa lalu (Jacobs dan
Chase, 2014:256). Data deret waktu merupakan data yang dikumpulkan, dicatat
atau diobservasi sepanjang waktu secara berurutan. Dengan menggunakan metode deret waktu maka dapat dilihat bagaimana hubungan permintaan suatu produk tertentu berpengaruh terhadap waktu. Periode waktu observasi dapat berbentuk tahun, kuartal, bulan, minggu dan dibeberapa kasus dapat juga hari atau jam. Contoh dari metode ini, antara lain metode naïve, metode pergerakan rata - rata (moving average) dan metode penghalusan eksponensial (exponential smoothing).
2.1.4.1 Pola Data
Prakiraan atau peramalan permintaan suatu barang atau jasa membutuhkan informasi tentang pola permintaan terhadap barang atau jasa tersebut (Sofjan
Assauri, 2008:50). Dengan mempertimbangkan jenis pola data yang terbentuk
maka dapat diketahui metode peramalan yang paling tepat dan cocok untuk digunakan. Terdapat empat jenis pola yang dapat dibedakan menurut Heizer dan
Render (2015:119-120), yaitu sebagai berikut:
1. Pola Trend (T)
Pola data trend terjadi ketika data pengamatan mengalami kenaikan atau penurunan selama periode jangka panjang. Suatu data pengamatan yang mempunyai trend disebut data nonstasioner. Bentuk pola trend ditunjukan seperti gambar berikut:
Biaya
Waktu Gambar 2.3 Pola Musiman
2. Pola Musiman atau seasonal (S)
Pola data musiman terjadi ketika suatu deret dipengaruhi oleh faktor musim yang berulang dari periode ke periode berikutnya. Misalnya pola yang berulang setiap hari tertentu, minggu tertentu, bulan tertentu, tahun tertentu atau pada kuartalan tertentu. Bentuk pola musiman ditunjukan seperti gambar berikut:
3. Pola Siklus atau Cycle (C)
Pola data siklus terjadi bila deret datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Pola ini biasanya diikat dengan siklus bisnis, seperti peristiwa politik dan kerusuhan yang terjadi setiap beberapa tahun. Bentuk pola siklus ditunjukan seperti gambar berikut:
Biaya
Waktu Gambar 2.2 Pola Trend
Biaya
Waktu Gambar 2.4 Pola Siklus
4. Pola Acak atau Random (R)
Pola data acak terjadi saat data observasi berfluktuasi di sekitar nilai rata-rata suatu nilai konstant atau mean. Pola yang tidak dapat dilihat membuat pola ini sulit untuk diprediksi, contohnya produk yang penjualannya tidak meningkat atau menurun. Bentuk pola acak ditunjukan seperti gambar berikut:
2.1.4.2 Pendekatan Awam (Naïve Method)
Menurut Heizer dan Render (2015:120), Metode Naive merupakan teknik peramalan yang mengasumsikan forecast permintaan periode berikutnya sama dengan permintaan pada periode sebelumnya, sehingga rumus metode Naïve dinyatakan dalam persamaan sebagai berikut:
- (2.1)
Keterangan:
Ft = Nilai peramalan untuk periode berikutnya At-1 = Nilai permintaan aktual periode sebelumnya
2.1.4.3 Pergerakan Rata-Rata (Moving Average)
Menurut Heizer dan Render (2015:120), Moving Average adalah sebuah metode peramalan yang menggunakan rata-rata dari data aktual periode sebelumnya untuk meramalkan periode selanjutnya. Metode ini disebut rata - rata bergerak karena setiap kali data aktual baru tersedia, maka data paling awal atau terdahulu diganti dengan data baru, lalu dihitung dan hasilnya digunakan sebagai
Biaya
Waktu Gambar 2.5 Pola acak
ramalan permintaan untuk periode yang akan datang. Tujuan utama dari penggunaan rata - rata bergerak adalah untuk menghilangkan atau mengurangi variasi acak permintaan dalam hubungannya dengan waktu.
Menurut Jacobs dan Chase (2014:257), apabila data aktual yang diperoleh memperlihatkan permintaan produk tersebut tidak mengalami peningkatan maupun penurunan serta tidak mempunyai karakteristik musiman, maka moving average berguna untuk menghilangkan fluktuasi acak pada peramalan tersebut. Rumus matematis moving average dinyatakan dalam persamaan sebagai berikut (Heizer dan Render, 2015:121) :
∑
( - - - )
(2.2) Dimana:
Ft = Nilai peramalan untuk periode berikutnya At-1 = nilai permintaan aktual periode sebelumnya n = jumlah periode yang digunakan
2.1.4.4 Pergerakan Rata-Rata Berbobot (Weighted Moving Average)
Weighted moving average merupakan metode peramalan yang dilakukan
dengan cara memberikan bobot pada data-data periode yang terbaru dari pada bobot pada periode yang sebelumnya. Metode ini memiliki bobot yang digunakan pada setiap perubahan harga dengan tujuan untuk mendapatkan tanggapan lebih cepat terhadap perubahan permintaan (Heizer dan Render, 2015:122). Perumusan metode weighted moving average dinyatakan dalam persamaan sebagai berikut: ∑ ) ) ∑ ∑ (2.3) Dimana:
Wi = nilai bobot
At-1 = nilai permintaan aktual periode sebelumnya n = jumlah periode yang digunakan
2.1.4.5 Penghalusan Eksponensial (Exponential Smoothing)
Exponential Smoothing atau penghalusan eksponensial adalah metode
peramalan pergerakan rata-rata bobot lainnya , dimana poin-poin data ditimbang oleh sebuah fungsi eksponensial (Heizer dan Render, 2015:124). Metode
Exponential Smoothing didasarkan pada perhitungan rata-rata pemulusan
data-data masa lalu secara eksponensial, yaitu dengan mengulang perhitungan secara terus menerus menggunakan data terbaru.
Setiap data akan diberi bobot atau penghalusan konstan (α), yang jumlahnya lebih besar dari atau sama dengan 0 dan kurang dari sama dengan 1. Penghalusan konstan (α), umumnya dalam kisaran 0.1 hingga 0.5. (Ostertagova
dan Ostertag, 2012, Heizer dan Render, 2015) Metode ini lebih cocok
digunakan untuk pola data yang tidak stabil atau terjadi perubahan data yang besar dan bergejolak. Rumus dari metode Exponential Smoothing adalah sebagai berikut
(Heizer dan Render, 2015:124):
Ft = Peramalan periode sebelumnya + α (Permintaan aktual periode sebelumnya - Peramalan periode sebelumnya )
)
(2.4) Dimana:Ft = Nilai peramalan yang baru
Ft-1 = nilai peramalan periode sebelumnya α = Konstanta pemulusan untuk data ( 0<α <1 ) At-1 = nilai permintaan aktual periode sebelumnya
2.1.5 Metode Asosiatif (Causal)
Metode asosiatif atau hubungan sebab akibat adalah metode peramalan dengan mempertimbangkan banyak variabel atau faktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan (Heizer dan Render,2015:143). Tujuan metode ini adalah menemukan bentuk hubungan dari
kedua nilai variabel dan menggunakan hasilnya untuk meramalkan nilai di masa yang akan datang. Rumus peramalan dengan metode ini yaitu sebagai berikut:
1. Analisis Regresi linear
Model peramalan asosiatif kuantitatif yang umum digunakan adalah analisis regresi linear. Menurut Heizer dan Render (2015:143), analisis regresi linear adalah sebuah model matematis garis lurus untuk menggambarkan hubungan fungsional antara variabel dependan dan independen. Model sistematis yang digunakan pada analisis regresi linear adalah dengan menggunakan metode kuadrat terkecil dari proyeksi tren yang dilakukan pada analisis regresi linear. Adapun variabel yang terikat untuk dapat melakukan peramalan yang akan tetap sama, yaitu ̂ dan variabel bebas adalah x. Analisis persamaan dari metode regresi linear dinyatakan sebagai berikut (Heizer dan Render, 2015:130-131), :.
̂ (2.5) ̅ ̅ (2.6)
̅
∑(2.7)
̅
∑ (2.8)∑ - ̅ ̅ ∑ - ̅ (2.9) Dimana:
̂ = nilai variabel terikat
x = variabel bebas yang mempengaruhi a = perpotongan dengan sumbu y b = kemiringan garis regresi
n = jumlah data atau pengamatan, ̅ = rata-rata nilai x,
̅ = rata-rata nilai y.
2.1.6 Ketepatan Peramalan
Suatu metode peralamalan tidak menjamin bahwa hasil permalan yang diperoleh pasti selalu akurat dan sesuai dengan keadaan yang sesungguhnya (data aktual) di masa depan. Oleh karena itu, penggunaan berbagai ketepatan metode peramalan dapat menjadi salah satu alat bantu dalam menemukan mana alat peramalan yang terbaik yang bisa digunakan. Ketepatan peramalan merupakan suatu cara untuk mengukur kesalahan peramalan dengan melihat kesesuaian antara data yang sudah ada dengan data peramalan. Menurut Heizer dan Render
(2015:126), jika Ft melambangkan peramalan pada periode t, dan At
melambangkan permintaan aktual pada periode t, maka kesalahan peramalan (forecast error) adalah sebagai berikut:
(2.10)
Menurut Heizer dan Render (2015:126-129), terdapat tiga cara perhitungan yang biasa digunakan untuk menghitung kesalahan peramalan yaitu sebagai berikut :
1. Mean Absolute Deviation (MAD)
Mean absolute deviation atau Rata-rata Deviasi Mutlak adalah ukuran
pertama kesalahan peramalan keseluruhan untuk sebuah model. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode data (n). Nilai MAD dihitung dengan rumus sebegai berikut:
∑( - )
(2.11) Dimana:
At = nilai aktual yang sebenarnya pada periode t Ft = Nilai peramalan pada periode-t
n = Jumlah periode peramalan yang digunakan 2. Mean Squared Error (MSE)
Mean Squared Error atau Rata-rata Kuadrat Kesalahan merupakan cara
kedua untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan diamati.Pada umumnya semakin kecil nilai MSE, maka ramalan semakin akurat. Nilai MSE dihitung dengan rumus sebagai berikut:
∑( - ) (2.12) Dimana:
At = nilai aktual yang sebenarnya pada periode t Ft = Nilai peramalan pada periode-t
n = Jumlah periode peramalan yang digunakan 3. Mean Absolute Percent Error (MAPE)
Mean Absolute Percent Error atau Rata-rata Persentase Kesalahan Absolut
adalah dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramalkan dan aktual, dinyatakan sebagai persentase nilai aktual. MAPE sangat efektif digunakan jika peramalan barang diukur dalam ribuan (Heizer dan Render,
2015:129). Nilai MAPE dihitung dengan rumus sebagai berikut:
∑ ( - )
(2.13) Dimana:
At = nilai aktual yang sebenarnya pada periode t Ft = Nilai peramalan pada periode-t
n = Jumlah periode peramalan yang digunakan
Dengan membandingkan nilai-nilai MAD, dan MSD, maka dapat kita tentukan mana metode peramalan yang terbaik, yaitu semakin rendah nilai MAD dan MSE, maka semakin mendekati data masa silam, yang artinya peramalan akan semakin baik (Hendra Kusuma, 2009:40). Membandingkan kesalahan
peramalan adalah suatu cara sederhana untuk menentukan apakah suatu teknik peramalan cocok di gunakan atau tidak.
2.2 Penelitian Terdahulu
Terdapat beberapa penelitian terdahulu yang menjadi referensi dalam penyusunan penelitian yang akan dilakukan. Tujuannya adalah untuk mengetahui hasil yang telah dilakukan oleh peneliti terdahulu, sehingga dapat dijadikan sebagai gambaran dan faktor pembanding untuk mendukung kegiatan penelitian berikutnya yang sejenis. Berikut ini adalah tabel perbandingan penelitian terdahulu yang mendukung penelitian ini yaitu sebagai berikut :
Tabel 2.1 Penelitian terdahulu
No. Peneliti Judul Penelitian Hasil Penelitian 1 M. Shofiana
(2015)
Penerapan Sales Forecasting untuk Efisiensi Pengendalian Persediaan Biji Kopi pada UD. Jaya Abadi di Kabupaten Tuban.
Metode sales forecasting
(peramalan penjualan) time series yang sesuai diterapkan pada UD. Jaya Abadi adalah metode Weighted
moving average karena metode ini
memiliki nilai MSE terkecil yang menjadikannya sebagai metode yang paling sesuai digunakan dengan data penjualan di masa lalu. Selain itu, UD. Jaya Abadi perlu menyediakan safety stock
(persediaan pengaman) untuk pengendalian persediaan yang lebih efisien karena seringnya terjadi kekurangan pada UD. Jaya abadi maka safety stock akan menjadi pengaman untuk penyeimbangban persediaan. 2 Jonnius J, Auzar Ali (2011) Analisis Forecasting Penjualan Produk Perusahaan (Studi Kasus di PT. Suka Fajar Ltd Bangkinang)
Metode peramalan (forecasting)
exponential smoothing membantu
perusahaan dalam meramalkan penjualan kendaraan niaga ada PT. Suka Fajar Ltd Bangkinang untuk lima tahun kedepan. Peningkatan yang relatif tinggi terjadi pada kendaraan tipe T120 SS PU. Tipe kendaraan L300 PU juga
mengalami peningkatan namun peningkatannya relatif lebih rendah. Sedangkan tipe FE 74 juga
mengalami peningkatan, namun ada kecendrungan stabil dari periode ke periode. Meskipun demikian, hasil ramalan penjualan tidak sepenuhnya digunakan dalam pengambilan keputusan mengenai banyaknya unit kendaraan niaga yang harus di stock, karena harus
dipertimbangkan lagi dengan
memperhatikan aspek-aspek lainnya yang mempengaruhi tingkat
penjualan. 3 W.Tulus Haryono (2012) Penerapan Metode Single Moving Average dan Metode Exponential
Smoothing Pada
Peramalan Permintaan Produk Kain Grey di PT. Iskandar Indah Printing Textile
Metode yang paling tepat digunakan dalam peramalan
permintaan pada PT.Iskandar Indah Printing Textile adalah metode
Single Moving Average 5 tahunan
karena mempunyai kesalahan terkecil dengan MSE sebesar 442.210.600. Dengan hasil tersebut maka perusahaan dapat melakukan peramalan permintaan produk kain grey untuk tahun 2011 yaitu sebesar 11.994.953 meter. 4 Haryanto Tanuwijaya (2010) Penerapan Metode Winter Exponential Smoothing dan Single Moving Average
dalam Sistem
Informasi Pengadaan Obat Rumah Sakit
Penggunaan metode peramalan membantu kepala rumah sakit dalam memprediksi kebutuhan pemakaian obat periode bulan mendatang untuk mendukung pengambilan keputusan pembelian obat yang tepat. Hasil peramalan menunjukkan bahwa 61,9% obat RS memiliki pola data bersifat stationer sehingga lebih tepat menggunakan metode Single Moving Average. Sedangkan 38,1% obat sisanya memiliki pola data bersifat musiman sehingga lebih tepat menggunakan metode Winter
Exponential Smoothing.
5 Zoran Rakicevic, Mirko
Focus Forecasting In Supply Chain: The Case Study Of Fast
Tujuan dari penelitian ini adalah mencari metode peramalan paling akurat untuk membantu
Vujosevic (2015) Moving Consumer Goods Company In Serbia kemungkinan pengambilan keputusan para manajer pada perusahaan-perusahaan besar yang memiliki perputaran produk cepat di Serbia. Hasil yang didapatkan dengan menggunakan semua metode peramalan adalah setiap metode peramalan penjualan pada produk yang di observasi
memberikan hasil yang berbeda beda dan tidak ada hasil yang paling terbaik atau memiliki forecasting
error terkecil. Oleh karena itu, hasil
peramalan penjualan suatu produk dapat berguna jika perusahaan selalu memonitor dan di mengevaluasi lebih lanjut serta diikuti dengan penggunaan sistem informasi yang modern.
6 Pradeep Kumar, Rajesh Kumar (2013) Demand Forecasting For Sales of Milk Product (Paneer) In Chhattisgarh
Metode single exponential
smoothing (α=0,3) merupakan
metode paling sederhana dengan tingkat akurasi paling tinggi untuk membantu peramalan penjualan produk susu (Paneer/keju india) di kota Chhattisgarh, India. Pemilihan metode single exponential
smoothing berdasarkan perolehan
nilai kesalahan terkecil kecil diantara metode lainnya seperti
single moving average (SMA), double moving average (DMA), semi average method (SAM) and Naϊve Method yaitu dengan nilai MAD 115,0489 dan MSE
25480,467. 7 Eva Ostertagova, Oskar Ostertag (2012) Forecasting Using Simple Exponential Smoothing Method
Tujuan penelitian ini adalah untuk mengevaluasi tingkat keakurasian peramalan dengan menggunakan metode peramalan single
exponential smoothing pada data
aktual produksi listrik di Slovakia. Metode exponential smoothing memberikan sebuah ide bahwa data pengamatan terbaru biasanya memberikan petunjuk terbaik
terhadap masa depan, oleh karena itu, kedua penulis menginginkan skema pembobotan semakin meniurun atau rendah untuk data observasi yang lalu.
Untuk mengukur nilai optimal pada konstan penghalusan, maka
peramalan menggunakan α=0,1 to α=0,9, dengan kenaikan 0.01. Pemilihan konstanta pemulusan penting dalam menentukan operasi karakteristik pada exponential
smoothing. Semakin kecil nilai α
maka semakin lambat responnya sedangkan semakin besar nilai α maka menyebabkan nilai
penghalusan semakin cepat bereaksi, tidak hanya terhadap perubahan nyata saja tetapi juga terhadap fluktuasi acak.
Metode Simple Exponential
Smoothing cocok digunakan untuk
data dengan pola tidak musiman dengan trend sekitar nol dan sebagai alat ukur peramalan jangka pendek karena jika kita
memperpanjang masa periode selanjutnya, maka nilai peramalan pada periode tersebut akan
digunakan sebagai pengganti pada permintaan aktual untuk setiap peramalan periode berikutnya. Akibatnya, tidak adanya
kemampuan untuk menambahkan informasi (permintaan aktual) dan nilai error tumbuh eksponensial.
2.3 Kerangka Pemikiran
Untuk memberikan gambaran yang lebih jelas terhadap penelitian ini, digambarkan kerangka pemikiran dalam model flowchart yaitu sebagai berikut:
Gambar 2.6 Kerangka Pemikiran
Volume Permintaan Produksi
Nilai kesalahan peramalan terkecil
1.MAD 2.MSE
1. Identifikasi Pola Data 2. Metode MA 3. Metode WMA
4. Metode ES Laporan Permintaan Kopi
Sangrai Svarga
Peramalan dan metodenya
Selesai Identifikasi Masalah
Mulai
Studi Literatur Pengumpulan Data
Pemilihan Metode Peramalan
Kesimpulan dan Saran Analisa Data
