commit to user BAB I
PENDAHULUAN
A. Latar Belakang
Pada jaman globalisasi yang semakin maju ini, persaingan usaha dalam
sektor perindustrian semakin ketat.Perusahaan-perusahaan beroperasi dan
saling berlomba untuk dapat meningkatkan produktivitas perusahaan.Tidak
hanya perusahaan-perusahaan besar, perusahaan kecil dan menengah pun
mengalaminya.Diantara persaingan-persaingan antara perusahaan yaitu
persaingan untuk memberikan kualitas produk yang baik, persaingan untuk
mendapatkan loyalitas dari konsumen, persaingan dalam memberikan
pelayanan yang baik kepada konsumen (tepat waktu dan tepat jumlah), dan
persaingan untuk mendapatkan pangsa pasar yang banyak.
Begitu pula dengan industri tekstil, keberadaan suatu perusahaan untuk
bertahan hidup sangat bergantung kepada pangsa pasar yang dimiliki. Begitu
pentingnya peran dari pangsa pasar yang dimiliki, perusahaan akan berusaha
untuk dapat mempertahankan loyalitas pangsa pasar. Diantaranya dengan
memberikan pelayanan dengan baik.Pelayanan yang baik dapat berupa
tersedianya produk perusahaan yang merupakan permintaan dari konsumen.
Permintaan akan produk dari konsumen merupakan salah satu faktor
keberadaan suatu perusahaan. Ketersediaan suatu produk merupakan hal yang
sangat penting untuk dapat menarik pasar agar tidak berpaling dari
commit to user
Permintaan produk dari suatu konsumen sangat sulit untuk ditebak.
Mulai dari jenis produk yang akan dipesan sampai pada jumlah permintaan
produk. Dalam hal ini suatu perusahaan harus mempunyai perkiraan atau
prediksi jumlah produksi yang dapat memudahkan perusahaan dalam hal
rencana produksi.
Peramalan adalah sebuah prediksi mengenai apa yang akan terjadi di
masa yang akan datang (Bernard W.Taylor III. 2001: 476). Dengan peramalan
produksi, perusahaan akan lebih mudah untuk mengetahui berapa jumlah
produksi untuk periode berikutnya. Sehingga permintaan dari konsumen dapat
teratasi dan tidak membuat konsumen menjadi kecewa.
Perkiraan atau peramalan jumlah produksi dapat mempermudah
perusahaan dalam mengendalikan produksi agar tidak mengalami kekosongan
produk dan menghindari lamanya penjualan produk.Peramalan dapat
mengarahkan keputusan dalam berbagai bidang. Dalam bidang kapasitas,
apabila kapasitas suatu barang tidak tepat, akan muncul masalah-masalah
seperti pengiriman yang tidak terjamin, kehilangan pelanggan, dan kehilangan
pangsa pasar (Heizer Render. 2001:48). Dalam bidang sumber daya manusia,
memperkerjakan, melatih, dan memberhentikan para pekerja tergantung pada
permintaan produk yang diantisipasi. Jika departemen sumber daya manusia
harus menambah pekerja tanpa ada pembatasan, jumlah pelatihan menurun
dan mutu angkatan kerja merosot (Heizer Render. 2001:48).
PT Sinar Surya Indah Lestari belum melakukan peramalan dalam hal
commit to user
grey perusahaan tersebut karena melihat faktor-faktor yang telah diungkapkan
di atas.
PT Sinar Surya Indah Lestari yang beralamatkan di jalan raya
Solo-Sukoharjo km 7,2 Telukan Grogol Solo-Sukoharjo merupakan perusahaan tekstil
yang memproduksi berbagai macam kain grey (mentah). Pada PT Sinar Surya
Indah Lestari Sukoharjo masih belum mengalami kelancaran dalam hal
memenuhi permintaan produk kain grey (mentah) kepada konsumen,
dikarenakan kurang cepatnya perusahaan dalam memenuhi permintaan produk
kain grey kepada konsumen.Dalam produksi kain grey, perusahaan ini sangat
tergantung pada permintaan konsumen saat memesan. Pada saat konsumen
memesan produk yang diinginkan, perusahaan Sinar Surya Indah Lestari pada
bagian weaving baru akan memproduksi kain grey yang dibutuhkan
konsumen. Sehingga konsumen yang ingin segera membeli kain grey pada
perusahaan Sinar Surya Indah Lestari harus menunggu terlebih dahulu produk
diproduksi untuk beberapa waktu.
Metode peramalan mengenai jumlah produksi pada PT Sinar Surya
Indah Lestari sangat diperlukan untuk mengurangi hal-hal seperti kurang
cepatnya dalam memenuhi permintaan produk kain grey kepada konsumen
dan tidak terpenuhinya permintaan produk kepada konsumen. Dengan
menggunakan metode peramalan jumlah produksi, diharapkan dapat
mengurangi hal-hal yang kurang menguntungkan untuk perusahaan.
Terdapat dua metode dalam peramalan, yaitu metode seri waktu dan
metode kausal.Metode seri waktu merupakan suatu peramalan dengan
commit to user
termasuk dalam metode seri waktu diantaranya yaitu metode rata-rata
bergerak sederhana (single moving average), rata-rata tertimbang (weighted
moving average), penghalusan eksponensial (exponential smoothing), dan
proyeksi tren (trend projection).Sedangkan metode kausal (regresi linier)
bergabung menjadi model variabel atau hubungan yang bisa mempengaruhi
jumlah yang sedang diramalkan (Heizer, Render. 2001:50).Dalam penelitian
yang dilakukan, penulis tidak menggunakan metode kausal (regresi linier),
karena data yang diolah adalah data rekapitulasi hasil foldingtahun 2012 pada
departemen weaving.Sehingga penulis menggunakan metode seri waktu untuk
menganalisis data laporan produksi departemen weaving PT Sinar Surya Indah
Lestari.
Berdasarkan latar belakang di atas, penulis berkeinginan untuk
mengambil judul “PERAMALAN JUMLAH PRODUKSI KAIN GREY
(MENTAH) PADA DEPARTEMEN WEAVING PT SINAR SURYA INDAH
LESTARI TELUKAN SUKOHARJO”.
B. Rumusan Masalah
Berdasarkan latar belakang yang telah dikemukakan di atas,
permasalahan yang dapat dirumusakan dalam penelitian ini yaitu sebagai
berikut :
1. Berapakah peramalan jumlah produksi kain grey dengan menggunakan
metode single moving average, weighted moving average, exponential
commit to user
2. Berapakah error (kesalahan) dari peramalan jumlah produksi kain grey
dengan menggunakan metode single moving average, weighted moving
average, exponential smoothing, dan proyeksi trend?
3. Metode apakah yang tepat untuk melakukan perhitungan peramalan
jumlah produksi kain grey bulan selanjutnya?
C. Tujuan Penelitian
Adapun tujuan yang ingin dicapai dalam penelitian ini yaitu :
1. Untuk mengetahui jumlah produksi kain grey yang diramalkan pada bulan
Januari tahun 2013 dengan menggunakan metode single moving average,
weighted moving average, exponential smoothing,dan proyeksi trend.
2. Untuk mengetahui error (kesalahan) dari metode single moving average,
weighted moving average, exponential smoothing, dan proyeksi trend.
3. Untuk mengetahui metode yang tepat digunakan dalam menghitung
peramalan jumlah produksi kain grey pada bulan berikutnya.
D. Manfaat Penelitian
Hasil dari penelitian yang telah dilakukan ini, diharapkan dapat
memberikan manfaat sebagai berikut:
1. Manfaat praktis
a. Dapat menjadi bahan pertimbangan perusahaan tekstil PT Sinar Surya
Indah Lestari dalam mengambil keputusan mengenai peramalan kain
commit to user
b. Dapat digunakan untuk mengetahui peramalan jumlah produksi kain
grey di perusahaan tekstil PT Sinar Surya Indah Lestari untuk periode
berikutnya.
c. Memberikan metode peramalan yang tepat dalam melakukan
perhitungan peramalan kain grey periode selanjutnya.
2. Manfaat teoritis
a. Menambah ilmu pengetahuan dan wawasan tentang peramalan dan
cara penggunaan peramalan yang baik dan benar.
E. Metode Penelitian
1. Desain Penelitian
Desain penelitian yang dilakukan penulis dalam penelitian ini yaitu
dengan mengumpulkan data yang dapat digunakan untuk mengolah data
peramalan PT Sinar Surya Indah Lestari.
2. Objek Penelitian
Perusahaan yang menjadi objek penelitian yaitu perusahaan Sinar Surya
Indah Lestari yang merupakan perusahaan manufaktur yang bergerak
dibidang tekstil. Perusahaan Sinar Surya Indah Lestari beralamatkan di
jalan Solo-Sukoharjo km 7,2 Telukan, Grogol, Sukoharjo.
3. Jenis dan Sumber Data
Jenis dan sumber data yang dilakukan dalam penelitian ini yaitu :
a. Data Primer
Data primer merupakan data yang langsung diambil dan bersumber
commit to user
laporan produksi departemen weavingselama satu tahun pada tahun
2012, sejarah berdirinya perusahaan, deskripsi pekerjaan di
perusahaan, struktur organisasi departemen weaving, dan struktur
organisasi perusahaan.
4. Metode Pengumpulan Data
Metode untuk mengumpulkan data dalam penelitian ini antara lain :
a. Observasi
Teknik pengumpulan data dengan cara pengamatan langsung pada
masalah yang diteliti mengenai cara kerja karyawan pada bagian
weaving.
b. Wawancara
Teknik pengumpulan data dengan cara melakukan tanya jawab dengan
pihak yang terkait dalam perusahaan mengenai aspek pemilihan lokasi
perusahaan dan peralatan (mesin) produksi.
F. Metode Pembahasan
1. Metode-metode Peramalan
Pada penelitian yang telah dilakukan, penulis menggunakan metode
rata-rata bergerak sederhana (single moving averages), rata-rata bergerak
tertimbang (weighted moving averages), penghalusan eksponensial
commit to user
Berikut beberapa metode pembahasan yang digunakan :
a. Rata-rata bergerak sederhana (single moving average)
Secara matematis, rata-rata bergerak sederhana (yang menjadi
estimasi dari permintaan periode berikutnya) ditunjukkan sebagai
berikut :
Rata-rata bergerak sederhana =
Di mana n adalah jumlah periode dalam rata-rata bergerak.
b. Rata-rata bergerak tertimbang (weighted moving average)
Timbangan bisa digunakan untuk menempatkan lebih banyak
tekanan pada nilai baru.Pilihan timbangan bersifat arbirter karena tidak
ada rumus untuk menentukannya.Jika bulan atau periode terakhir
ditimbang terlalu berat, ramalan bisa mencerminkan perubahan dalam
permintaan yang tidak biasa atau pola penjualan yang terlalu cepat.
Rata-rata bergerak tertimbang (weighted moving average)
ditunjukkan secara matematis dengan :
Rata-ratabergerak =
c. Penghalusan eksponensial (exponential smoothing)
Penghalusan eksponensial (exponential smoothing) merupakan
metode peramalan yang mudah digunakan dan efisien apabila
dilakukan dengan komputer.Metode ini mencakup pemeliharaan data
commit to user
Rumus penghalusan eksponensial dasar adalah sebagai berikut :
Ramalan baru = ramalan periode lalu + α (permintaan aktual periode
lalu – ramalan periode lalu)
Di mana α adalah timbangannya, atau konstanta penghalusan, yang
nilainya antara 0 sampai 1.
Persamaan di atas dapat ditulis secara matematis dengan :
F t = F t-1 + α (A t-1 – F t-1)
Di mana :
F t = ramalan baru,
F t-1 = ramalan sebelumnya
α = konstanta penghalusan
A t-1 = permintaan aktual periode sebelumnya
d. Proyeksi trend
Metode peramalan seri waktu proyeksi trend ini mencocokkan garis
trend ke rangkaian titik data historis dan kemudian memproyeksikan
garis itu ke dalam ramalan jangka menengah hingga jangka panjang.
Beberapa persamaan trend matematis bisa dikembangkan, tetapi pada
bagian ini hanya akan membahas trend linier (garis linier). Ketika
memutuskan untuk mengembangkan garis trend linier dengan metode
statistik yang tepat, maka dapat menggunakan metode kuadrat terkecil
(least-square method). Pendekatan ini menghasilkan garis lurus yang
meminimalkan jumlah kuadrat perbedaan vertikal dari garis pada setiap
commit to user
Garis kuadrat terkecil digambarkan dalam bentuk perpotongan y-nya
(puncak di mana garis memotong sumbu y) dan slope-nya
(kelandaiannya). Jika perpotongan y dan kelandaiannya bisa dihitung,
persamaannya yaitu :
ŷ= α + bx
di mana :
ŷ (disebut “y topi”) = nilai variabel yang dihitung untuk diprediksi
(disebut variabel tidak bebas)
α = perpotongan sumbu y
b =kelandaian garis regresi (tingkat perubahan
dalam untuk untuk ŷ perubahan tertentu dalam
x)
x = variabel bebas (waktu)
Ahli statistik mengembangkan persamaan yang bisa digunakan untuk
memperoleh nilai α dan b untuk garis regresi. Kelandaian b diperoleh
dengan :
di mana :
b = kelandaian garis regresi
∑ = tanda penjumlahan
x = nilai variabel bebas
y = nilai variabel tidak bebas
commit to user
Perpotongan y bisa dihitung dengan α =
2. Pengukuran Kesalahan Peramalan
Render Heizer (2001:56) mengemukakan kesalahan peramalan
adalah hasil perhitungan pengurangan dari permintaan aktual dengan nilai
peramalan.
Agar lebih meyakinkan suatu peramalan dapat berjalan dengan
baik, maka diperlukan perhitungan yang dapat dipakai untuk
membandingkan model peramalan yang berbeda dan untuk mengawasi
peramalan.
Render Heizer (2001:56) mengemukakan beberapa perhitungan
kesalahan peramalan, yaitu :
a. Deviasi absolut rata-rata hitung (Mean Absolute Deviation-MAD)
Keterangan : n = jumlah periode data
Nilai MAD dihitung dengan mengambil jumlah nilai absolut dari
setiap kesalahan peramalan dibagi dengan jumlah periode data (n)
b. Kesalahan kuadrat rata-rata (Mean Squared Error-MSE)
Merupakan cara kedua untuk mengukur kesalahan peramalan
keseluruhan. MSE merupakan rata-rata perbedaan kuadrat antara nilai
yang diramalkan dan diamati.
Rumus MSE
commit to user
Kekurangan dari MSE adalah cenderung menonjolkan deviasi yang
besar karena adanya pengkuadratan.
G. Kerangka Pemikiran
Kerangka pemikiran penelitian ini dapat digambarkan sebagai berikut :
Gambar 1.1
Kerangka Pemikiran
Keterangan :
Perhitungan peramalan jumlah produksi pada PT Sinar Surya Indah
Lestari Telukan Sukoharjo diawali dengan meminta data produksi kain grey
(mentah) tahun lalu pada divisi weaving. Setelah mengetahui data produksi
kain grey di perusahaan, langkah selanjutnya yaitu mengolah data produksi
tersebut dengan menggunakan berbagai metode peramalan, diantaranya yaitu Perhitungan kesalahan peramalan
Data rekapitulasi hasil folding tahun 2012
Perhitungan jumlah peramalan dengan
menggunakan metode single moving
average, weighted moving average,
exponential smoothing, dan proyeksi trend
Pemilihan metode peramalan yang tepat
[image:12.595.167.430.223.498.2]commit to user
metode single moving average (rata-rata bergerak sederhana), weighted
movingaverage (rata-rata bergerak tertimbang), exponential smoothing
(penghalusan eksponensial), dan proyeksi trend.
Setelah menggunakan berbagai metode untuk menghitung peramalan
produksi, kemudian dicari pengukuran kesalahan peramalan untuk
masing-masing metode.Dari pengukuran kesalahan peramalan tersebut, dipilih
kesalahan peramalan (error) dengan tingkat kesalahan paling kecil.
Setelah menghitung peramalan jumlah produksi dan menentukan tingkat
kesalahan terkecil, maka dapat dipilih metode peramalan yang tepat
berdasarkan kesalahan peramalan terkecil.
Setelah mengetahui metode peramalan dan tingkat kesalahan, maka
diambilkeputusan untuk menentukan jumlah peramalan produksi periode
