3 BAB II
LANDASAN TEORI
2.1 Peramalan
Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa.
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena perubahan permintaannya relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan dinamis. Dalam kondisi pasar bebas, permintaan pasar lebih bersifat kompleks dan dinamis karena permintaan tersebut tergantung dari kondisi sosial, ekonomi, politik, aspek teknologi, produk pesaing, dan produk subtitusi. Oleh karena itu peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan keputusan manajemen (Nasution, 1999).
Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramalan, berdasarkan data deret waktu historis. Peramalan dapat menggunakan teknik-teknik peramalan yang bersifat formal maupun informal.
Aktivitas peramalan ini biasa dilakukan oleh departemen pemasaran dan hasil-hasil dari peramalan ini sering disebut sebagai ramalan permintaan (Gaspersz, 2002).
Peramalan berdasarkan waktunya terbagi menjadi 3 bagian, yaitu jangka pendek, jangka menengah, dan jangka panjang. Berikut ini adalah penjelasan dari masing-masing horison waktu peramalan (Gaspersz, 2002):
Peramalan jangka pendek berkaitan dengan perencanaan distribusi persediaan, perencanaan material, dan lain-lain. Karakteristik dari peramalan jangka pendek adalah dilakukan secara teratur dan berulang, menggunakan data internal (harian atau mingguan), menggunakan teknik kuantitatif, dan dilakukan secara terperinci untuk banyak item.
4 Peramalan jangka menengah berkaitan dengan perencanaan anggaran, produksi, pembelian, dan lain-lain. Karakteristiknya adalah bersifat periodikal (data bulanan atau triwulan), menggunakan teknik kualitatif dan kuantitatif, dilakukan oleh manajemen menengah dan dilakukan terhadap kelompok produk atau famili dari produk.
Peramalan jangka panjang berkaitan dengan perencanaan bisnis, analisis fasilitas, proyek-proyek jangka panjang, produk-produk atau pasar baru, investasi modal, dan lain-lain. Karakteristiknya adalah dilakukan analisis satu kali, banyak berdasarkan pertimbangan manajemen puncak, lebih banyak menggunakan data eksternal (triwulan atau tahunan), dilakukan oleh manajemen puncak dan dilakukan terhadap beberapa produk atau famili dari produk.
2.2 Pola Data Peramalan
Identifikasi pola data deret waktu juga berfungsi untuk menentuka metode yang akan digunakan untuk menganalisis data tersebut. Terdapat 4 jenis pola data yaitu pola horizontal atau stationary, terjadi bila nilai-nilai dari data observasi berfluktuasi disekitar nilai rata-rata yang konstan. Gambar 2.1 merupakan contoh bentuk pola stationer dari suatu permintaan (Kusuma, 2001).
Gambar 2.1 Pola Data Stasioner (Sumber : Kusuma, 2001)
Pola trend, terjadi bilamana terdapat kenaikan atau penurunan dari data observasi untuk jangka panjang. Gambar 2.2 berikut ini merupakan contoh bentuk pola data trend dari suatu permintaan (Kusuma, 2001).
5 Gambar 2.2 Pola Data Trend
(Sumber : Kusuma, 2001)
Pola Musiman, terjadi bilamana suatu deret waktu dipengaruhi oleh faktor musiman (misalnya kuartalan, bulanan, mingguan, dan harian). Gambar 2.3 berikut ini merupakan contoh bentuk pola data musiman dari suatu permintaan (Kusuma, 2001).
Gambar 2.3 Pola Data Musiman (Sumber : Kusuma, 2001)
Pola Siklus, terjadi bila mana data observasi dipengaruhi oleh fluktuasi ekonomi jangka panjang yang berhubunagn dengan siklus bisnis (usaha). Gambar 2.4 berikut ini merupakan contoh bentuk pola data siklis dari suatu permintaan (Kusuma, 2001).
Gambar 2.4 Pola Data Siklis (Sumber : Kusuma, 2001)
6 2.3. Metode-metode Peramalan
Teknik peramalan terbagi menjadi dua teknik peramalan di antaranya adalah Metode Peramalan Kualitatif dan peramalan kuantitatif. Peramalan kualitatif umumnya bersifat subjektif, dipengaruhi oleh intuisi, emosi, pendidikan, dan pengalaman seseorang. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi, tetapi juga bisa mengikutsertakan model – model statistik sebagai bahan masukan dalam melakukan keputusan dan dapat dilakukan secara perseorangan maupun kelompok. Sedangkan teknik peramalan secara kuantitatif yaitu peramalan yang digunakan pada saat data masa lalu cukup tersedia. Beberapa teknik kuanitatif yang sering dipergunakan adalah seperti metode pemulusan eksponensial, rata-rata bergerak, regresi linier dan masih banyak lainnya. Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi, yaitu adanya informasi tentang keadaan yang lain, informasi tersebut dapat dikuantifikasikan dalam bentuk data dan dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang (Gaspersz, 2002).
Pemilihan model peramalan tergantung pada pola data dan horizon waktu dari peramalan. Pada dasarnya model peramalan diklasifikasikan ke dalam tiga kategori yaitu ekstrapolasi, kausal, dan pertimbangan. Ekstrapolasi dan kausal dikategorikan sebagai model kuantitatif, sedangkan pertimbangan merupakan model kualitatif. Metode ekstrapolasi sering disebut juga sebagai metode deret waktu yang menggunakan sekumpulan data berdasarkan interval waktu tertentu (Gaspersz, 2002).
Metode kuantitatif terbagi menjadi dua bagian, yaitu intrinsik dan ekstrinsik. Metode kuantitatif intrinsik, sering disebut sebagai metode deret waktu, beberapa metode deret waktu yang populer dan umum diterapkan dalam peramalan permintaan adalah metode rata-rata bergerak, pemulusan eksponensial, dan proyeksi kecenderungan (Gaspersz, 2002).
2.3.1 Metode Single Exponential Smoothing
Exponensial Smoothing adalah sebuah metode perataan yang memberikan bobot lebih pada data observasi yang masih baru
7 dan secara berturut-turut memberikan bobot yang rendah pada data yang sudah lama.
Metode ini paling sesuai dengan kondisi kondisi sebagai berikut :
1. Cakupan waktu peramalan relative pendek, misalnya permintaaan harian, mingguan, bulanan perlu diramalkan.
2. Tidak banyak informasi luar yang tersedia mengenai hubungan sebab akibat antara permintaan akan suatu mata produk dan factor independent yang mempengaruhi.
3. Upaya sedikit dalam peramalan dikhendaki. Usaha ini diukur baik dari kemudahan aplikasi metode maupun dari kebutuhan komputasi
4. Ramalan perlu disesuaikan untuk memasukkan unsur keacakan
5. Memutakhirkan ramalan dengan tersedianya data baru mudah dilakukakn dan dapat dilakukkan hanya denganmemasukkan data baru tersebut
Formulasi untuk metode single exponential smoothing adalah:
Ft+1=af1+(1-a)Ft-1
Dimana :
Ft+1 = Perkiraan permintaan pada periode t
a = Bobot nilai (0<a<1) yang mewakili konstanta peramalan ft = Permintaan actual pada periode t
Ft-1 = Permintaan pada periode t-1
8 2.3.2 Metode Double Eksponential Smoothing
Yaitu metode single eksponensial smoothing dengan factor penyusaian trend. Tahapan yang harus dilewati dalam penggunaan metode ini adalah :
Menghitung ramalan nilai exponential : SFt+1 = α(At) + (1-α)(SFt+Tt)
= α(At) + (1-α)(TAFt) Menghitung estimasi dari trend :
Tt+1 = β(SFt+1 – SFt)+(1-β)(Tt)
Menghitung ramalan dengan metode double exponential smoothing:
TAFt+1 = SFt+1 +Tt+1
Dimana :
SFt+1 = Nilai ramalan exponential pada periode t+1
(α) = Konstanta
At = Permintaan actual pada periode t Β = (1-α) konstanta peramalan untuk trend TAFt = Ramalan double exponential pada periode t 2.3.3 Metode Regresi Linier
Regresi linier merupakan suatu metode populer untuk berbagai macam permasalahan. Untuk peramalan deret waktu, formula regresi linier cocok digunakan jika pola data adalah tren.
Perhitungan dengan regresi linier didapatkan dengan meramalkan nilai penjualan untuk tahun yang akan dating (Baroto, 2002).
Dalam banyak hal yang memiliki dua variabel atau lebih yang saling berhubungan dan mempengaruhi variabel lain. Untuk mengetahui sejauh mana hubungan antara dua variabel perlu dibuat model. Meskipun hubungan fungsional yang sesungguhnya tidaklah selalu dapat diketahui. Model yang disusun setidaknya memberikan pendekatan terhadap pengaruh yang dapat terjadi atas perubahan salah satu variabel yang bersangkutan. Apabila kecenderungan titik-
9 titik koordinat dari variabel bebas dan variabel tidak bebas membentuk suatu garis linier, maka modelnya dinamakan regresi linier. Berikut ini adalah bentuk umum dari persamaan regresi linier untuk dua variabel (Herjanto, 1997):
X . b a Y = +
... (2-1)
( ) ( ) ( )
(
X2) ( )
X 2. n
Y . X XY
. b n
∑
∑ ∑ ∑
∑
−
= − ... (2-2)
( )
n
b . X -
a =
∑
XY∑
... (2-3) Keterangan:Y � = variabel tidak bebas (yang diramalkan)
X = Variabel predictor atau variabel faktor penyebab (Independent)
Y = Variabel response atau variabel akibat (Dependent) a = Nilai daripada Y bila X bernilai nol
b = Perubahan rata-rata Y terhadap perubahan per unit X
2.4. Ukuran Akurasi Peramalan
Ukuran akurasi peramalan merupakan ukuran kesalahan peramalan tentang tingkat perbedaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. Keakuratan metode peramalan terutama dengan menggunakan metode- metode di atas tidak dapat lepas dari metode-metode dalam pengukuran akurasi peramalan. Hasil peramalan tidak akan sama dengan kenyataannya atau aktual sehingga diperlukan suatu pengujian yang bertujuan untuk mengetahui tingkat keakuratan dari hasil peramalan. Ada beberapa metode yang dapat digunakan dalam mengetahui tingkat akurasi peramalan. Namun, pembahasan pada bab ini yang akan dijelaskan dalam mengetahui tingkat akurasi peramalan yang digunakan, yaitu rata- rata penyimpangan absolut (Nasution, 1999).
10 2.4.1 Rata-rata Penyimpangan Absolut (MAD)
Akurasi peramalan akan tinggi apabila nilai-nilai rata-rata penyimpangan absolut (MAD) semakin kecil. MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya (Nasution, 1999).
MAD merupakan nilai total absolut dari kesalahan peramalan dibagi dengan data atau yang lebih mudah adalah nilai kumulatif kesalahan absolut dibagi dengan periode. Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut (Nasution, 1999):
∑
−= n
F
MAD At t ... (2-4)
Keterangan:
At = permintaan aktual pada periode-t Ft = peramalan permintaan pada periode-t n = jumlah periode peramalan yang terlibat
2.4.2 Tracking Signal
Berkaitan dengan validasi metode peramalan, dapat menggunakan suatu cara yaitu tracking signal. Tracking signal adalah suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual. Berikut ini adalah rumus dari tracking signal (Gaspersz, 2002):
MAD
= RSFE Signal
Tracking ... (2-5) Keterangan:
RSFE = jumlah kesalahan peramalan MAD = rata-rata penyimpangan absolute n = banyaknya periode data
Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan, begitu juga sebaliknya. Suatu tracking signal di katakan baik apabila memiliki RSFE yang rendah, dan mempunyai kesalahan
11 positif yang sama banyak atau seimbang dengan kesalahan negatif, sehingga pusat dari tracking signal mendekati nol.
Beberapa ahli dalam sistem peramalan seperti George Plossl dan Oliver Wight, dua pakar rencana produksi dan pengendalian inventori menyarankan untuk menggunakan nilai tracking signal sebesar ±4, sebagai batas-batas pengendalian untuk tracking signal. Dengan demikian apabila tracking signal telah berada di luar batas-batas pengendalian, metode peramalan perlu ditinjau kembali. Hal ini dikarenakan akurasi peramalan tidak dapat diterima (Gaspersz, 2002).
2.5 Metode Linier Programing
Metode linear programming adalah suatu teknik aplikasi matematika dalam menentukan pemecahan masalah yang bertujuan untuk memaksimumkan atau meminimumkan sesuatu yang dibatasi oleh batasan-batasan tertentu. Hal ini dikenal juga sebagai teknik optimalisasi. Model Program linear dapat menentukan nilai dari variabel keputusan yang terdapat di dalam model program linier (Menurut Stapleton, Hanna, dan Markussen 2003).
Metode yang dapat digunakan untuk mencari solusi dari model program linier terbagi menjadi 2, yaitu: Metode Grafik dan Metode Simpleks. Metode grafik digunakan jika banyaknya varibel keputusan di dalam model program linier sejumlah dua variabel keputusan (= 2) variabel. Metode simpleks digunakan jika banyaknya variabel keputusan di dalam model program linier minimal dua variabel keputusan (≥ 2) variabel.( Menurut Sitinjak 2006).
Pada prinsipnya data yang dibutuhkan dan dianalisis dalam penelitian ini bersumber dari data sekunder. Untuk itu dibutuhkan beberapa metode pengumpulan data yang digunakan terdiri dari kepustakaan, observasi, dan interview. Teknik pengambilan sampel yang digunakan adalah probability sampling, yaitu teknik pengambilan sampel yang memberikan peluang yang sama bagi setiap unsur anggota populasi untuk dipilih menjadi anggota sampel.
Permasalahan yang dihadapi adalah bagaimana mengambil keputusan dengan memanfaatkan data yang tersedia untuk menyelesaikan masalah dengan tujuan yang dibatasi oleh keterbatasan tertentu. Permasalahan ini dapat diatasi dengan memanfaatkan program linear atau Metode linear programming. Metode
12 linear programming terdapat 2 jenis, yaitu: metode grafik dan metode simpleks.
Pada penelitian ini akan digunakan metode simpleks, karena variabel keputusan yang digunakan lebih dari 2 variabel atau 2 produk. Metode simpleks yang dirancang untuk menyelesaikan seluruh masalah Linear programming, baik yang melibatkan dua variabel maupun lebih dari dua variabel. Metode simpleks merupakan teknik yang paling berhasil dikembangkan untuk memecahkan persoalan program linier yang mempunyai jumlah variabel keputusan dan pembatas yang besar. (Sunarsih & Ramdani, 2003).
Langkah-langkah awal yang harus ditentukan dalam penyelesaian masalah dengan metode program linear adalah dengan menentukan 3 faktor utama, yaitu:
(1) Variabel keputusan; produk apa saja yang akan diproduksi dan berapa jumlah unit yang akan diproduksi dalam suatu periode tertentu;
(2) Fungsi tujuan; Zmax = c1x1 + c2x2 + c3x3 + c4x4+ c5x5 + c6x6;
(3) Fungsi Kendala; batasan-batasan dalam mencapai tujuan:
a11x1 + a12x2 + a13x3 + a14x4 + a15x5 + a16x6 ≤ b1 a21x1 + a22x2 + a23x3 + a24x4 + a25x5 + a26x6 ≤ b2 a31x1 + a32x2 + a33x3 + a34x4 + a35x5 + a36x6 ≤ b3
Keterangan
cj = nilai profit per unit untuk setiap xj xj = varable keputusan ke-j
aji = kebutuhan sumber daya i untuk setiap xj bi = jumlah sumber daya yang tersedia
j = banyaknya variable keputusan mulai dari 1,2,3…j.
i = banyaknya jenis sumber daya yang digunakan mulai dari 1,2,3…i.
Setelah itu menggunakan metode tabel simpleks untuk menyelesaikan penghitungan tersebut sampai memperoleh solusi untuk keuntungan maksimal.
Asumsi dasar linear programming adalah sebagai berikut.
13
• Kepastian (certainty) -Koefisien dalam fungsi tujuan (cj) dan fungsi kendala (aji) dapat diketahui dengan pasti dan tidak berubah.
• Proporsionalitas (proportionality)-dalam fungsi tujuan dan fungsi kendala Semua koefisien dalam formulasi, cj dan aji, merupakan koefisien yang bersifat variabel terhadap besarnya variabel keputusan.
• Additivitas (additivity) -Total aktivitas sama dengan jumlah (additivitas) setiap aktivitas individual.
• Divisibilitas (divisibility) -Solusi permasalahan linear programming (dalam hal ini nilai xj) tidak harus dalam bilangan bulat.
• Nonnegatif (nonnegativity) -Variabel keputusan tidak boleh bernilai negative
2.6 Jadwal Induk Produksi
Jadwal Induk Produksi (JIP) adalah suatu set perencanaan yang mengidentifikasi kuantitas dari produk tertentu yang dapat dan akan dibuat oleh suatu perusahaan manufaktur (dalam satuan waktu). Jadwal Induk Produksi merupakan suatu pernyataan tentang produk akhir (termasuk komponen pengganti dan suku cadang) dari suatu perusahaan industri manufaktur yang merencanakan memproduksi keluaran berkaitan dengan kuantitas dan periode waktu (Gasperz, 2002).
Jadwal induk produksi adalah rencana tertulis yang menunjukkan apa dan berapa banyak setiap produk yang akan dibuat dalam setiap periode untuk beberapa periode yang akan datang. Jadwal induk produksi merupakan rencana induk yang akan dijadikan pedoman utama dalam rencana pengerjaan, kebijakan persediaan, kebijakan finansial, pembebanan tenaga kerja, penjadwalan mesin, dan kebijakan alternatif produksi (Baroto, 2002).
2.6.1 Input Utama Jadwal Induk Produksi
14 Sebagai suatu aktivitas proses, penjadwalan produksi induk (MPS) membutuhkan lima masukan utama. Berikut ini adalah lima masukan utama dalam penjadwalan induk produksi (Gaspersz, 2002).
1. Data Permintaan Total merupakan salah satu sumber data bagi proses penjadawalan produksi induk. Data permintaan total berkaitan dengan ramalan penjualan dan pesanan-pesanan.
2. Status inventori berkaitan dengan informasi tentang inventori yang tersedia, stok yang dialokasikan untuk penggunaan tertentu, pesanan-pesanan produksi dan pembelian yang dikeluarkan, dan rencana pemesanan. MPS harus mengetahui secara akurat berapa banyak inventori yang tersedia dan menentukan berapa banyak yang harus dipesan.
3. Rencana Produksi memberikan sekumpulan batasan kepada MPS. MPS harus menjumlahkannya untuk meningkatan tingkat produksi, inventori, dan sumber- sumber daya lain dalam rencana produksi itu.
4. Data Perencanaan berkaitan dengan aturan-aturan tentang ukuran pemesanan yang harus digunakan, stok pengaman dan waktu tinggu dari masing-masing produk yang biasanya tersedia dalam file induk dari produk.
5. Informasi dari RCCP berupa kebutuhan kapasitas untuk mengimplementasikan MPS menjadi salah satu masukan bagi MPS.
Jadwal Induk Produksi memiliki beberapa kriteria-kriteria dasar. Adapun beberapa kriteria-kriteria dasar pada Jadwal Induk Produksi, yaitu sebagai berikut:
(Gaspersz, 2002).
1. Jenis item tidak terlalu banyak.
2. Kebutuhannya dapat diramalkan.
3. Mempunyai BOM, sehingga kebutuhan komponen dapat dihitung.
4. Dapat diperhitungkan dalam penentuan kapasitas.
5. Menyatakan konfigurasi produk yang dapat dikirim.
