6 BAB II LANDASAN TEORI 2.1. Sistem Produksi
Untuk melaksanakan fungsi – fungsi produksi dengan baik, maka diperlukan rangkaian kegiatan yang akan membentuk suatu system produksi. System produksi merupakan kumpulan dari sub system yang saling berinteraksi dengan tujuan mentransformasi input produksi menjadi output produksi. Input produksi ini dapat berupa bahan baku, mesin, tenaga kerja, modal, dan informasi, sedangkan output produksi merupakan produk yang dihasilkan, berikut hasil sampingannya seperti limbah, informasi, dan sebagainya.
Gambar 2.1 input – output system produksi Material Tenaga kerja Dana Mesin Informasi INPUT Proses Transformasi Output Produk Limbah Informasi
7 2.2. Definisi Peramalan
Peramalan adalah perkiraan tingkat permintaan satu atau lebih produk selama beberapa periode mendatang. Peramalan pada dasarnya merupakan taksiran. Namun demikian dengan menggunakan teknik-teknik tetentu maka peramalan akan menjadi bukan hanya sekedar taksiran. Dapat dikatakan bahwa permalan tersebut merupakan taksiran ilmiah. Tentu saja peramalan akan semakin baik jika mengandung sesedikit mungkin kesalahan, walaupun kesalahan peramalan tetap merupakan suatu hal yang manusiawi. Agar berarti maka hasil peramalan seharusnya dinyatakan dalam bentuk satuan produk (unit) dan mencakup periode perencanaan tertentu. Peramalan dalam jangka yang terlalu pendek tidak mungkin digunakan untuk mengambil tindakan efektif.
Peramalan mungkin tidak selalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena perubahan permintaannya relatif kecil. Berbeda halnya dengan kondisi pasar bebas yang permintaan pasarnya lebih bersifat kompleks dan dinamis, ini dikarenakan pasar sangat bergantung kepada keadaan sosial, ekonomi, politik, teknologi, dan persaingan pasar. Maka dari itu, peramlan yang akurat sangat menentukan, dikarenakan merupakan informasi yang sangat dibutuhkan untuk manajemen dalam mengambil keputusan
8 2.3 Kegunaan Peramalan
Jika peramalan difungsikan, adalah suatu manfaat dan tujuan harus dapat diperoleh dan dipersiapakn sehingga dapat memenuhi sifat ramalan, agar dapat menentukan seberapa besar persediaan produk untuk pemenuhan permintaan.
2.3.1 Jenis-Jenis Peramalan
Pada umumnya kegunaan yang berbeda, telah menimbulkan suatu pengklasifikasian metode peramalan dengan menyesuaikan kepada kegunaan. Jenis peramalan dapat dibedakan dari beberapa segi, tergantung dari cara melihatnya.
1. Peramalan Berdasarkan Penyusunannya a) Peramalan Subyektif
Peramalan subyektif lebih menekankan pada keputusan-keputuan hasil diskusi, penadapat pribadi seseorang, dan intuisi yang meskipun kelihatannya kurang ilmiah tetapi dapat memberikan hasil baik. Peramalan subyektif akan diwakili oleh metode Delphi dan metode penelitian pasar.
Metode Delphi. Metode ini merupakan cara sistematis, untuk mendapatkan keputusan bersama dari suatu kelompok yang terdiri dari para ahli dan berasal dari disiplin ilmu yang berbeda. Kelompok ini tidak bertemu secara bersama dalam suatu forum untuk berdiskusi, tetapi mereka diminta pendapatnya secara terpisah dan tidak boleh saling berunding. Hal ini dilakukan untuk menghindari pendapat bias karena pengaruh kelompok. Pendapat yang berbeda secara signifikan
9
dari ahli yang lain dalam kelompok tersebut akan ditanyakan lagi kepada yang bersangkutan, sehingga diperoleh angka estimasi pada interval tertentu yang dapat diterima. Metode Delphi ini dipakai dalam peramalan teknologi yang sudah digunakan pada pengoperasian jangka panjang. Selain itu, metode ini juga bermanfaat dalam pengembangan produk baru, pengembangan kapasitas produksi, penerobosan kesegmen pasar baru dan strategi keputusan bisnis lainnya.
Metode Penelitian Pasar. Metode ini mengumpulkan dan menganalisa fakta secara otomatis pada bidang yang berhubungan dengan pemasaran. Salah satu teknik utama dalam penelitian pasar ini adalah survey konsumen, dimana informasi tersebut diperoleh dari sampel dengan kuesioner. Penelitian pasar sering digunakan dalam merencanakan produk baru, system periklanan, dan promosi yang tepat. Hasil dari penelitian pasar ini kadang-kadang juga dipakai sebagai dasar peramalan permintaan produk baru.
b) Peramalan Obyektif
Peramalan obyektif merupakan prosedur peramalan yang mengikuti aturan-aturan matematis dan statistik dalam menunjukkan hubungan antara permintaan dengan satu atau lebih variabel yang mempengaruhinya. Selain itu peramalan obeyektif juga mengasumsikan bahwa bahwa tingkat keeratan dan macam dari hubungan antara variabel-variabel bebas dengan permintaan yang terjadi pada masa lalu akan
10
berulang juga pada masa yang akan datang. Peramalan obyektif terdiri atas dua metode, yaitu metode intrinsik dan metoda ekstrinsik.
Metode Intrinsik. Metode ini membuat peramalan hanya berdasarkan proyeksi permintaan historis tanpa mempertimbangkan faktor-faktor eksternal yang mungkin mempengaruhi besarnya permintaan. Metode ini hanya cocok untuk peramlan jangka pendek pada kegiatan produksi, dimana dalam rangka pengendalian produki dan pengendalian persediaan bahan baku seringkali perusahaan harus melibatkan banyak item yang berbeda. Hal ini tentu membosankan sehingga memerlukan metode-metode peramlan yang mudah dan murah. Metode intrinsik diwakili oleh analisis deret waktu.
Metode Ekstrinsik. Metode ini mempertimbangkan faktor-faktor eksternal yang mungkin dapat mempengaruhi besarnya permintaan dimana masa yang akan datang dalam model peramalannya. Metode ini lebih cocok untuk peramalan jangka panjang karena dapat menunjukkan hubungan sebab akibat yang jelas dalam hasil peramalannya sehingga disebut metode kausal dan dapat memprediksi titik-titik perubahan. Kelemahan dari metode ini adalah dalam hal mahalnya biaya aplikasi dan frekuensi perbaikan hasil peramalan yang rendah karena sulitnya menyediakan informasi perubahan faktor-faktor eksternal yang terukur. Metode ekstrinsik banyak dipakai untuk peramalan pada tingkat agregat. Metode ini akan diwakili oleh metode regresi.
11 2. Peramalan Berdasarkan Jangka Waktu
a) Peramalan Jangka Panjang (Long-Term Forecast)
Peramalan dibutuhkan untuk merencanakan hal-hal umum mengenai suatu organisasi untuk waktu jangka panjang. Peramalan dilakukan untuk penyusunan hasil ramalan dengan jangka waktu 2 sampai 10 tahun. Hal ini merupakan faktor utama bagi manajemen puncak untuk mengambil keputusan mengenai perencanan kapasitas, penelitian dan pengembangan produk dan pasar membuat studi kelayakan pabrik untuk perluasan perusahaan bisnis. Peramalan ini digunakan untuk perencanaan produk dan perencanaan sumber daya.
Metode-metode yang digunakan untuk peramalan jangka panjang : Metode Deret Waktu (Time Series)
Metode Regresi
b) Peramalan Jangka Menengah (Middle-Term Forecast)
Peramalan ini digunakan untuk merencanakan strategi oleh manajemen menengah dan manajemen tingkat pertama untuk memenuhi kebutuhan di masa mendatang dan membuat keputusan untuk perencanaan produksi, anggaran produksi serta menganalisa berbagai macam rencana operasi. Peramalan dilakukan untuk penyusunan hasil ramalan dengan jangka waktu 1 sampai 24 bulan.
c) Peramalan Jangka Pendek (Short-Term Forecast)
Peramalan ini digunakan untuk merencanakan pembelian, menentukan persediaan dan penjadwalan produksi. Peramalan dilakukan untuk penyusunan hasil ramalan dengan jangka waktu 1 sampai 5 minggu.
12
Metode-metode yang digunakan pada peramalan jangka pendek : Metode Perataan (Average)
Metode Pemulusan (Smoothing)
3. Peramalan Berdasarkan Sifat Peramalan a) Peramalan Teknik Kualitatif
Peramalan teknik kualitatif digunakan terutama jika data masa lalu tidak tersedia atau tidak diandalkan untuk memperkirakan permintaan mendatang seperti ketika perusahaan akan memperkenalkan atau melempar produk baru ke pasar dan peramalan tidak memerlukan data yang serupa seperti pada peramalan teknik kuantitatif. Peramalan ini terutama digunakan untuk peramalan jangka panjang dan dilakukan dengan menggunakan judgement, pengetahuan, pendapat pribadi, pendapat ahli, penelitian pasar dan pengalaman dari orang yang melakukannya. Beberapa teknik peramalan kualitatif :
Consumer Surveys (survey pelanggan)
Survey pelanggan merupakan suatu metode yang digunakan untuk mengetahui sikap dan persepsi konsumen atau pelanggan dengan cara mewawancarai konsumen secara langsung atau memberikan daftar pertanyaan yang sudah dipersiapkan.
Data tentang produk apa yang dikonsumsi, kebiasaan-kebiasaan konsumen, spesifikasi dan identitas konsumen, sikap konsumen terhadap perubahan-perubahan yang terjadi dari factor-faktor yang mempengaruhinya misalnya perubahan harga, pendapatan atau rencana konsumendalam konsumsi yang akan datang, merupakan beberapa contoh data yang dapat dihasilkan dari proses wawancara atau hasil kuosioner. Dari data-data tersebut maka akan dapat diramalkan permintaan konsumen di masa yang akan datang.
13
1. Biaya yang relatif mahal karena membutuhkan banyak sample konsumen (agar kesimpulan yang diambil tidak menjadi bias) 2. Survey yang dilakukan secara formal, justru menghasilkan data
yang tidak realistic karena konsumen tidak mau memberikan jawaban yang akurat
Metode Observasi
Dilakukan dengan cara mengamati perilaku konsumen, bagaimana mereka membeli dan menggunakan berbagai produk, kapan mereka melakukan pembelian, dan data lain yang diperlukan produsen. Observasi tidak melibatkan konsumen secara langsung, pengamatan ini tanpa sepengetahuan konsumen.
Kelemahan :
Metode ini tidak memberikan gambaran yang objektif dari konsumen, dan justru subjektifitas dari observer sangat tinggi karena mereka tidak mengetahui persepsi yang sesungguhnya dari konsumen.
Metode Market Experiment (Percobaan Pasar)
Yaitu suatu cara untuk membuat peramalan permintaan dengan melakukan uji coba pada segmen atau bagian pasar tertentu. Uji coba dilakukan dengan memberikan perlakuan tertentu terhadap factor – faktor yang mempengaruhi permintaan. Metode ini biasanya digunakan untuk produk baru atau produk yang mengalami inovasi atau pengembangan.
14 b) Peramalan Teknik Kuantitatif Analisis Runtun Waktu (Time Series)
Secara umum dapat dijelaskan, bahwa peramalan produksi dengan pendekatan analisis runtun waktu, dilakukan dengan memanfaatkan data masa lalu yang dimiliki perusahaan, secara series (runtut). Data yang dimiliki perusahaan, dapat saja menunjukkan macam-macam pola data, seperti terlihat pada gambar berikut ini :
Gambar 2.2 Plot Deret Waktu
Teknik peramalan yang dapat digunakan untuk memanfaatkan data masa lalu ini diantaranya adalah :
a. Teknik Freehand
15
Y = a + bX, dimana nilai (a) dan (b) dapat dicari dengan rumusan : a = Σ Y / n & b = Σ XY / Σ X²
Namun demikian, seringkali periode data yang dimilki perusahaan tidak selalu dalam
jumlah periode yang sama, dalam arti bisa ganjil (3, 5, 11, 25 periode) dan juga bisa
genap ( 10 atau 20 periode). Hal ini tentunya membutuhkan perlakuan yang berbeda
dalam analisisnya.
Apabila Data Ganjil
Tabel 2.1 data permintaan ganjil
Dari tabel di atas dapat diperoleh persamaan peramalannya, dengan menghitung terlebih dahulu nilai konstanta (a) dan kemiringan (b) nya, seperti terlihat berikut ini :
a = 222/5 = 44.4
b = -3/10 = -0.3, sehingga persamaan untuk melakukan peramalannya adalah: Y = a + bX
Y = 44.4 – 0.3 X,
Dengan demikian perkiraan nilai permintaan atau produksi yang harus dipenuhi untuk bulan Juni adalah sebesar :
YJuni = 44.4 – 0.3 (3)
16 Bila Data Genap
Permintaan (Y) (X) 45 -5
44 -3 Cara selanjutnya sama
46 -1 dengan contoh Data Ganjil
43 -1 44 -3 45 -5
Bila tahun / periode pertama sebagai tahun dasar ( X = 0)
Apabila pertimbangan data ganjil dan data genap ingin diabaikan, tanpa khawatir terjadi ‘kesalahan’ dalam melakukan perhitungan peramalan, maka cara berikut ini dapat menjadi pilihan.
2.2 tabel data permintaan
Apabila cara ini yang dipilih, maka untuk mendapatkan nilai a dan b, rumus yang digunakan adalah :
a = ΣYΣX² – ΣX ΣXY = 222(30) – 10 (441) = 45 N . ΣX² – (ΣX)² 5 (30) – (10) ²
b = n . Σ XY – ΣX ΣY = 5(441) – 10(222) = - 0,3 n. ΣX² – (ΣX)² 5(30) – (10)²
17
sehingga persamaan untuk melakukan peramalannya adalah: Y = a + bX
Y = 45 – 0.3X,
Bandingkan hasilnya dengan contoh terdahulu, dan secara umum dapat dikatakan menghasilkan persamaan peramalan yang sama, hanya ada perbedaan sedikit dalam nilai konstantanya.
Peramalan teknik kuantitatif adalah peramalan yang didasarkan atas data kuantitatif masa lalu. Hasil peramalan ini tergantung pada metode yang digunakan dalam peramalannya, karena dengan metode yang berbeda akan menghasilkan hasil yang berbeda. Peramalan teknik kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut :
Tersedia informasi masa lalu dan mengenai kondisi yang lain, Informasi tersebut dapat di kuantitatifkan dalam data neumerik, Data diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa mendatang atau dengan pola masa mendatang merupakan kelanjutan pola masa lalu.
2.4 Pola Data Deret Waktu Dalam Peramalan
Pola data dalam peramalan digunakan untuk mendukung pemilihan metode peramalan yang akan dipakai agar menghasilkan peramalan yang baik. Karena diperoleh dari metode peramalan yang tepat dan sesuai dengan pola data tersebut. Pola data dapat dikategorikan sebagai berikut :
1. Pola Horizontal (H), terjadi bila data berfluktuasi disekitar nilai rata-rata yang konstan (Deret sperti itu “stasioner” terhadap nilai rata-ratanya. Suatu produk yang tidak meningkat atau menurun selama waktu tertentu termasuk dalam jenis ini.
2. Pola Musiman (S), terjadi bila fluktuasi permintaan suatu produki dapat naik turun disekitar garis trend dan biasanya berulang setiap tahun. Pola ini
18
biasanya disebabkan oleh faktor cuaca, musim libur panjang, dan hari raya keagamaan yang akan berulang secara periodic setiap tahunnya.
3. Pola Siklis (C), terjadi bila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang yang berhubungan dengan siklus bisnis.
4. Pola Trend (T), terjadi bila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data.
Pola Data Horizontal (H) Pola Data Musiman (M)
Pola Data Siklik (S) Pola Data Trend (T)
Gambar 2.3 Pola Data Deret Waktu Dalam Peramalan 2.5 Sifat Hasil Peramalan
Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka ada beberapa hal yang harus dipertimbangkan yaitu :
1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut.
19
2. Peramalan seharusnya memberikan informasi tentang beberapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka adalah penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi.
3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka panjang. Hal ini disebabkan karena pada peramalan jangka pendek, faktor-faktor yang mempengaruhi permintaan relatif masih konstan, sedangkan semakin panjang periode peramalan, maka semakin besar pula kemungkinan terjadinya perubahan faktor-faktor yang mempengaruhi permintaan.
2.6 Karakteristik Peramalan Yang Baik Akurasi
Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan konsistensi 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 relatif kecil. Peramalan terlalu rendah, akan mengakibatkan kekurangan persediaan, sehingga permintaan konsumen tidak dapat dipenuhi segera, akibatnya adalah perusahaan dimungkinkan kehilangan pelanggan dan kehilangan keuntungan penjulan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga banyak modal yang terserap sia-sia. Keakuratan dari hasil peramalan ini berperan penting adalam menyeimbangkan persediaan dan memaksimasi tingkat pelayanan
20 Biaya
Biaya diperlukan dalam pembuatan suatu peramalan bergantung kepada jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang dipakai. Ketiga factor pemicu biaya tersebut akan mempengaruhi berapa banyak data yang dibuthkan, bagaimana pengolahan datanya, yaitu secara manual atau komputerisasi, bagaimana penyimpanan datanya, dan siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus disesuikan dengan dana yang tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang kurang penting bisa diramalkan dengan metode yang sederhana dan murah. Prinsip ini merupakan adopsi dari Hukum Pareto (Analisis ABC).
Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan, akan memberikan keuntungan bagi perusahaan. Adalah percuma menggunakan metode yang canggih, tapi tidak dapat diaplikasikan pada sistem perusahaan karena keterbatasan dana, sumberdaya manusia, maupun peralatan teknologi.
2.7 Langkah-langkah dalam Peramalan o Plot data permintaan dan waktu o Pilih beberapa metode peramalan o Evaluasi kesalahan peramalan
o Pilih metode peramalan dengan kesalahan peramalan terkecil o Interpretasi hasil peramalan
21
Gambar 2.4 Metode Peramalan
Untuk penulisan ini, penulis membatasi peramalan yang terjadi pada masa yang akan datang secara kuantitatif, jadi untuk selanjutnya penulis hanya menekankan pada metode peramalan kuantitatif karena mengingat sifat peramalan yang penulis lakukan akan membutuhkan data dari masa lalu. Dalam penulisan ini metode yang digunakan adalah metode time series, karena dalam melakukan peramalan, penulis tidak menggunakan faktor luar/variabel bebas (seperti harga, diskon, dan lain-lain) untuk mendapatkan hasil peramalan, melainkan hanya dengan menggunakan data permintaan dan variabel waktu.
Dengan metode time series penulis menggunakan metode Rata-rata Bergerak (moving average), Model Linear (linear regresion), Pemulusan Eksponensial (exponential smoothing). Berdasarkan data dan grafik permintaan, metode yang penulis gunakan berdasarkan pola dat relative konstan (constant) dan musiman (seasonal), karena pada data permintaan yang penulis dapatkan tidak
Peramalan Metode Kualitatif Metode Kuantitatif Kausal Time Series Rata-rata Exponential Smoothing Regresi Smoothing
22
mendapatkan pola data yang cenderung naik (trend) dari waktu kewaktu melainkan data permintaan bersifat konstan.
Untuk pola data konstan penulis menggunakan metode Rata-rata Bergerak (moving average), Linear (Least Square), Pemulusan eksponensial (exponential smoothing).
2.8 Metode Rata-Rata Bergerak (Metode Moving Averages)
Untuk metode Moving Average penulis tidak menggunakan pembobotan pada setiap periode. Jadi untuk Moving Average penulis menggunakan metode Moving Average sederhana (linear). Untuk lebih jelasnya mengenai pengertian dan rumus mengenai Moving average sederhana dapat dilihat seperti berikut: Pada Moving Average sederhana prakiraan didasrakan pada proyeksi serial data yang dimuluskan dengan rata-rata bergerak. Satu set data (N periode terakhir) dicari rata-ratanya, selanjutnya dipakai sebagai prakiraan untuk periode berikutnya. Istilah rata-rata bergerak digunakan karena setiap diperoleh observasi (data aktual) baru maka rata-rata yang baru dapat dihitung dengan mengeluarkan atau meninggalkan data periode yang terlama dan memasukkan data periode yang terbaru (terakhir). Rata-rata yang baru ini kemudian dipakai sebagai prakiraan untuk periode yang akan datang, dan seterusnya. Serial data yang digunakan jumlahnya selalu tetap dan termasuk data periode terakhir.
Menghitung metode Moving Average dilakukan dengan persamaan : ( + 1) = ( ) = ( ) ( ) …….. ( )
23
Dimana HP(i+1) : harga peramalan untuk waktu (i+1) Al (i) : Moving average dari waktu (i) x (i) : harga actual pada waktu (i) n : jumlah periode yang dilibatkan
2.9 Metode Eksponensial
Menghitung metode eksponensial dilakukan dengan persamaan :
bt
a Y' .
Nilai a dan b diperoleh dari :
2 2 ) ( . ln . ) ( ln . t t n t Y t t Y t n b n t b n t Y a
ln. () .
Dimana :Y'(t) = Permintaan periode ke- t = Waktu
n = Jumlah periode ε = 2.71828
2.10 Metode Linear (Least Square)
Dikatakan sebagai metode least square karena persamaan yang diperoleh mengakibatkan jumlah kesalahan forecast kuadrat terkecil jika dibandingkan dengan persamaan metoda lain.
24 Y(t) = a + bt
Dimana : nilai trend (forecast) a : bilangan konstan
b : slope atau koefisien kecondongan garis trend t : waktu atau periode
2.10 Pemulusan Eksponensial (Exponential Smoothing)
Metode pemulusan ekponensial (Exponential Smoothing) mencoba untuk mengurangi ketidakaturan musiman dari data yang ada dengan memberikan bobot/timbangan kepada data yang ada dengan secara eksponensial. Perlu diperhatikan dalam penggunakan metode ini bahwa periode pertama dari peramalan ini bila tidak tersedia atau tidak terdapat hasil atau nilai ramalan sebelumnya, pemecahan masalah ini dapat dilakukan dengan menggunakan nilai data yang pertama sebagai ramalan yang pertama.
Meskipun metode pemulusan ini eksponensial ini sederhana, namun metode ini pun mempunyai masalah. Salah satunya adalah dalam menemukan nilai bobot
yang optimal. Optimasi tersebut harus meminimalkan kesalahan, tetapi masalahnya tidak semudah mencari rata-rata, karena rata-rata menghasilkan minimalisasi pada setiap kali dilakukan perhitungan rata-rata dari sekelompok angka.Menghitung metode Exponential Smoothing dilakukan dengan persamaan :
t t tD
F
F
1
1
F = Forecast25 D = actual demand
= smoothing constant
Permasalahan umum yang dihadapi apabila menggunakan metode pemulusan eksponensial adalah memilih konstanta pemulusan, α yang diperkirakan tepat. Nilai konstanta pemulusan, α dapat dipilih diantara nilai 0 sampai dengan 1, karena berlaku 0<α<1. Agar penetapan nilai α tepat, kita dapat menggunakan pedoman berikut:
Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai α yang mendekati satu. Katakanlah: α = 0.8 ; 0.9 ; 0.95 ; 0.99 ; dan lain-lain, tergantung pada sejauh mana gejolak data itu. Semakin bergejolak, nilai α yang dipilih harus mendekati satu.
Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, kita memilih nilai α yang mendekati nol. Kataknlah: α = 0.2 ; 0.15 ; 0.05 ; 0.01 ; dan lain-lain, tergantung sejauh mana kestabilan data itu. Semakin stabil, nilai α yang dipilih harus mendekati nol.
2.11 Analisa Kesalahan Peramalan
Pada umumnya setiap metode peramalan hanya merupakan sebuah alat yang digunakan untuk meramalkan keadaan yang akan datang memiliki penyimpangan atau kesalahn dari keadaan aslinya. Oleh karena itu ada baiknya bila penulis menggunakan lebih dari satu metode peramalan dalam meramalkan permintaan dimasa yang akan datang, sehingga kita bisa membandingkan hasil yang diperoleh oleh setiap metode peramalan. Metode peramalan yang memiliki penyimpangan
26
yang paling kecil yang kita pilih, karena semakin kecil penyimpangan yang diberikan metode peramalan tersebut akan memberikan hasil yang mendekati keadaan yang sebenarnya.
Berikut adalah analisa keasalahan peramalan dengan menggunakan beberapa ukuran statistik, antara lain :
1. Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD )
n d d MAD ' Dimana :d =Y = Permintaan Aktual pada perioda t d'=Y' = Peramalan permintaan pada perioda t n = Jumlah perioda peramalan yang terlibat
2. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE)
n d d MSE
2 '3. Rata-rata Kesalahan Peramalan (Mean Forecast Error = MFE)
n d d MFE
'4. Standard Error of Estimate (SEE)
n f
d d SEE
2 '5. Rata-rata Persentase Kesalahan Absolute (Mean Absolute Percentage Error = MAPE)
n x d d d MAPE 100 '27
2.12 Verifikasi dan Pengendalian Peramalan
Langkah penting setelah peramalan adalah verifikasi peramalan sedemikian rupa sehingga dapat mencerminkan data masa lalu dan sistem sebab-akibat yang mendasari permintaan itu. Sepanjang representasi peramalan tersebut dapat dipercaya dan sistem sebab-akibat belum berubah, hasil peramalan akan terus digunakan. Jika selama proses verifikasi ditemukan keraguan atas validitas peramalan maka harus dicari metode yang lebih cocok.
Validitas harus ditentukan dengan uji statistika yang sesuai. Setelah suatu peramalan dibuat maka akan timbul pertanyaan kapankah suatu metode peramalan baru harus digunakan. Peramalan harus selalu dibandingkan dengan peramalan aktual secara teratur. Pada suatu saat harus diambil tindaka revisi terhadap peramalan tersebut apabila ditemukan bukti yang meyakinkan akan adanya perubahan pola permintaan. Selain itu penyebab perubahan pola permintaan pun harus diketahui. Penyesuaian metode peramalan dilakukan segera setelah perubahan pola permintaan diketahui.
Terdapat banyak perkakas yang dapat digunakan untuk memverifikasi peramalan dan mengamati suatu perubahan dalam sistem sebab-akibat yang melatarbelakangi perubahan pola permintaan. Tapi bentuk yang termudah dari cara pengendali adalah peta kendali secara statistik yang digunakan dalam pengendalian kualitas. Salah satu peta yang dapat digunakan dimana terdapat suatu jumlah data yang minimum adalah pada rentang bergerak (Moving Range).
28
2.13 Peta Rentang Bergerak (Moving Range)
Peta Moving Range dirancang untuk membandingkan nilai permintaan actual dengan nilai peramalan. Dengan kata lain, kita melihat data permintaan actual dan membandingkannya dengan nilai peramal pada periode yang sama. Peta tersebut dikembangkan ke periode yang akan datang hingga kita dapat membandingkan data peramalan dengan permintaan aktual.
Selama periode dasar (periode pada saat menghitung peramalan), peta Moving Range digunakan untuk melakukan verifikasi teknik dan parameter peramalan. Setelah metode peramalan ditentukan, peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang mempegaruhi permintaan. Moving Range didefinisikan sebagai :
1 1
' d t dt dt dt MRRata-rata Moving Range didefinisikan sebagai :
1 n MR MRGaris tengah peta Moving Range adalah pada titik nol. Batas kendali atas dan bawah pada peta Moving Range adalah :
MR BKB MR BKA 66 . 2 66 . 2
Perubahan atau perbedaan yang digambarkan pada Moving Range adalah :
d
1
d
't
d
129
Jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau mencari peramala baru. Jika ditemukan sebuah titik berada diluar batas kendali maka harus diselidiki penyebabnya. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik. Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan yang didapat kurang baik dan harus direvisi.
2.14 Peta Moving Range Untuk Pengendalian Peramalan
Peta kendali dapat digunakan untuk mengetahui apakah terjadi perubahan sistem sebab-akibat yang melatarbelakangi permintaan sehingga dapat ditentukan persamaan peramalan yang lebih cocok atas sistem sebab-akibat saat ini. Telah disinggung sebelumnya bahwa peta Moving Range dapat digunakan sebagai alat untuk memperhatikan kestabilan sistem yang melatarbelakangi fungsi peramalan.
2.15 Definisi Material Requrement Planing
Material Requrement Planing is a computerized inventory control production palnning system. (Russel and Taylor III, 1998). Ada juga yang mendefinisikan MRP adalah tehnik persediaan untuk permintaan dependen yang menggunakan bill-of-material, persediaan, penerimaan yang diharapkan dan master production schedule untuk menentukan material yang dibutuhkan.
Tujuan managerial dari MRP I adalah untuk menyediakan material atau parts yang tepat pada waktu yang tepat di tempat yang tepat untuk memenuhi schedule pembuatan atau penyempurnaan produk.
30
MRP I menterjemahkan top level plan ke dalam individual schedules untuk ribuan item yang harus diproduksi atau dibeli oleh perusahaan. Dimana jadwal tersebut cukup konkrit sehingga dapat dijalankan dan dipenuhi dan dapat dipertanggung jawabkan.
2.15.1 Keunggulan MRP
1. Respon yang lebih baik pada permintaan konsumen, sebagai hasil dari peningkatan kesesuaian jadwal
2. Respon yang lebih cepat terhadap perubahan pasar 3. Meningkatkan penggunaan fasilitas dan tenaga kerja 4. Mengurangi tingkat persediaan
2.15.2 Tujuan MRP
Suatu sistem MRP pada dasarnya bertujuan untuk merancang suatu sistem yang mampu menghasilkan informasi untuk mendukung aksi yang tepat baik berupa pembatalan pesanan, pesan ulang, atau penjadwalan ulang. Aksi ini sekaligus merupakan suatu pegangan untuk melakukan pembelian dan/ atau produksi.
Ada 4 macam yang menjadi ciri utama MRP, yaitu:
1. Mampu menentukan kebutuhan pada saat yang tepat, kapan suatu pekerjaan akan selesai (material harus tersedia) untuk memenuhi permintaan produk yang dijadwalkan berdasarkan MPS yang direncanakan.
31
2. Menentukan kebutuhan minimal setiap item, dengan menentukan secara tepat sistem penjadwalan.
3. Menentukan pelaksanaan rencana pemesanan, dengan memberikan indikasi kapan pemesanan atau pembatalan suatu pesanan harus dilakukan.
4. Menentukan penjadwalan ulang atau pembatalan atas suatu jadwal yang sudah direncanakan. Apabila kapasitas yang ada tidak mampu memenuhi pesanan yang dijadwalkan pada waktu yang dikehendaki, maka MRP dapat memberikan indikasi untuk melaksanakan rencana penjadwalan ulang (jika mungkin) dengan menentukan prioritas pesanan yang realistis. Seandaniya penjadwalan ulang ini masih tidak memungkinkan untuk memenuhi pesanan , maka pembatalan terhadap suatu pesanan harus dilakukan.
Kunci keberhasilan dari faktor diatas haruslah ditunjang dengan suatu sistem pengontrolan aliran bahan yang tepat untuk memenuhi jadwal permintaan konsumen, yang didukung dengan sistem komputerisasi sebagai alat pembantu dalam memudahkan proses pelaksanaannya. Sehubungan dengan pengontrolan atas bahan/item yang dimaksudkan, rencana kebutuhan bahan sebagai suatu sistem komputerisasi, berfungsi seperti timbangan yang berfungsi menyemimbangkan antara kebutuhan dan kemampuan memenuhi kebutuhan dari setiap item. Rencana kebutuhan bahan memberikan indikasi apabila terjadi ketidakseimbangan antara kebutuhan dan kemampuan. Besarnya kebutuhan digambarkan oleh jadwal induk produksi, struktur produk dan status persediaan.
32
Besarnya kemampuan untuk memenuhi suatu kebutuhan, dicerminkan oleh besarnya barang setengah jadi, persediaan yang ada dan pesanan/ pembelian yang akan datang kemudian. Ketelitian atas perkiraan akan kemampuan ini tergantung pada ketelitian pencatatan atas ketiga sumber informasi tersebut.
2.16 Master Production Schedule (MPS)
MPS adalah skedul yang member gambaran mengenai apa material apa yang akan dibutuhkan dan menentukan apa yang akan dibuat (yaitu jumlah produk akhir atau item). MRP I menentukan rencana period by period untuk semua komponen parts dan raw materials yang dibutuhkan untuk memproduksi semua produk dalam MPS.
MPS dibuat berdasarkan rencana produksi agregat (aggregate production plan), dimana rencana produksi agregat ini berisi tentang tingkat output keseluruhan dalam berbagai ukuran (seperti lini produk, standar jam kerja, atau nilai dollar) dan juga mencakup berbagai input seperti rencana finansial, permintaan konsumen, kemampuan teknis, ketersediaan tenaga kerja, dan sebagainya. Untuk mencapainya MRP I menyediakan rencana formal untuk setiap part numbernya, baik itu raw material, component, dan finished good. Hal penting lainnya adalah bagaimana memenuhi rencana yang ada tanpa menimbulkan adanya excess inventory, overtime, labor, atau kelebihan resource lainnya. Bisa dibilang MRP I is the way to make the MPS happen.
Skedul MPS dengan demikian diturunkan dari skedul agregat. MPS dapat digunakan pada ketiga jenis proses produksi yang dinyatakan sebagai:
33
Pesanan konsumen dalam proses Job-shop (make-to-order), misal : usaha percetakan.
Modul-modul atau komponen-komponen dalam proses repetitif (assemble-to-stock),misal : perusahaan TV,sepeda,atau restoran cepat saji.
Produk/item akhir pada proses kontinyu (make-to-stock), misal : pabrik baja, kertas atau pabrik roti.
2.17 Bills of Material (BOM)
BOM merupakan daftar komponen, deskripsi komponen dan jumlah masing-masing yang diperlukan untuk membuat satu unit produk. Semua item yang tercantum dalam sebuah BOM dapat dikontrol melalui salah satu system MRP I . meskipun terkadang untuk item hardware atau packaging lebih mudah dilakukan dengan menggunakan system lain. Tetapi item – item tersebut tetap dapat dicantumkan dalam BOM untuk kebutuhan perhitungan costing, tetapi dengan kode non MRP item. Atau dapat juga dimanipulasi melalui item master file, yaitu pada field order policy code. Kode ini bertujusn untuk menentukan system apa yang akan digunakan untuk merencanakan produksi atau pembelian untuk item tersebut. Salah satu cara untuk menentukan BOM produk adalah dengan menyusun struktur produk.
BOM tidak hanya berguna untuk mengidentifikasi kebutuhan material tetapi juga berguna untuk pembiayaan dan juga berguna sebagai pedoman bagi personel produksi atau perakitan (disini BOM akan disebut daftar pilihan/ pick lists).
34
Suatu perusahaan, Speaker Kit Inc, memproduksi speaker kit “Awesome” (A) yang terdiri dari komponen 2B dan 3C. Setiap B membutuhkan 2D dan 2E. Kemudian komponen C gabungan dari 2E dan 2F. Sementara F merupakan susunan dari 1G dan 2D. Dapat dilihat disini bahwa permintaan untuk B, C, D, E, F dan G tergantung pada MPS untuk A (Awesome speaker kits).
Lama lead Time masing-masing komponen sebagai berikut:
Tabel 2.3 Lead Time Barang
Jika Awesome akan dibuat sebanyak 50 unit, berapa masing-masing komponen (B, C, D, E, F, G) dibutuhkan dan berapa lama produk akan selesai.
Jawab :
Pertama-tama akan dibuat BOM terlebih dahulu dengan mengikuti struktur produk, yaitu sebagai berikut:
35
Gambar 2.5 Bill of Material
Maka kebutuhan masing-masing komponen dapat dihitung sebagai berikut: Komponen B : 2 x A = 2 (50) = 100 unit C : 3 x A = 3 (50) = 150 D : 2 x B + 2 x F = 2 (100) +2 (300) = 800 E : 2 x B + 2 x C = 2 (100) +2 (150) = 500 F : 2 x C = 2 (150) = 300 G : 1 x F = 1 (300) = 300
Sedangkan waktu yang dibutuhkan untuk menyelesaikan produk yaitu selama 8 minggu dengan struktur waktu sebagai berikut :
36
Program software MRP sangat popular karena banyak perusahaan menghadapi situasi permintaan yang dependen.
Secara sederhana, kebutuhan neto MRP adalah kebutuhan komponen total dikurangi persediaan yang ada, dapat dirumuskan sbb:
Net Requirement=[gross requirement+allocations]-[on hand+scheduled receipts]
2.17.1 Manajemen MRP 1. MRP bersifat dinamis
Model MRP dapat berubah dalam desain, jadwal, proses produksinya mengikuti perkembangan produk. Frekuensi perubahan dalam sistem MRP disebut System Nervousness.
37 2. MRP dan JIT
MRP adalah teknik perencanaan dan penjadwalan dengan lead time yang tepat, maka sangat cocok jika dikombinasikan dengan JIT yang meminimalkan persediaan.
2.17.2 Teknik Lot Sizing
Sistem MRP adalah cara yang terbaik untuk determinasi jadwal produksi dan net requirement. Pada saat net requirement telah ditentukan, maka harus diputuskan jumlah (berapa banyak) yang harus diorder. Keputusan ini disebut Lot Sizing decision.
2.18 Perluasan MRP
1. Closed - Loop MRP
Yaitu suatu sistem yang menyediakan umpan balik pada perencanaan kapasitas, MPS, dan perencanaan produksi.
2. Capacity Planning
Merencanakan kapasitas yang mampu diproduksi selama periode waktu tertentu, melalui penambahan personel, mesin, lembur, atau subkontrak.
3. MRP II (Material Resource Planning)
Suatu sistem MRP yang memungkinkan penambahan data dan persediaan oleh variabel-variabel sumber daya lainnya, seperti penambahan jam kerja, biaya material (bukan sekadar jumlah material), biaya modal (capital cost), atau sumber daya lainnya.
38 4. Enterprise Resource Planning (ERP)
yaitu sistem MRP II yang lebih menghubungkan antara konsumen dan supplier secara langsung, disini peran sistem elektronis sangat besar seperti penerimaan order secara elektronis, order pembelian, pembaharuan sistem MRP, dsb.
2.18.1 MRP dan Jasa
MRP juga berlaku pada jasa jika komponen yang digunakan bersifat dependen yaitu berhubungan langsung atau ditentukan oleh permintaan komponen jasa lainnya. Misalnya suatu restoran penghasil hamburger maka permintaan sayuran dan daging sangat bergantung pada permintaan rotinya.
2.19 Proses MRP
Langkah - Langkah Dasar dalam penyusunan Proses MRP
Netting (kebutuhan bersih) : Proses perhitungan kebutuhan bersih untuk setiap perioda selama horison perencanaan.
Lotting (kuantitas pesanan) : Proses penentuan besarnya ukuran jumlah pesanan yang optimal untuk sebuah item, berdasarkan kebutuhan bersih yang dihasilkan.
Didalam ukuran lot ini ada beberapa pendekatan yaitu :
Menyeimbangkan ongkos pesan (set up cost) dan ongkos simpan.
39
Dengan jumlah periode pemesanan tetap.
Terdapat 10 Alternatif teknik yang digunakan dalam menentukan ukuran Lot :
Kesepuluh teknik adalah sebagai berikut :
1. Fixed Order Quantity (FOQ) : Pendekatan menggunakan konsep jumlah pemesanan tetap karena keterbatasan akan fasilitas. Mis : kemampuan gudang, transportasi, kemampuan supplier dan pabrik. Jadi dalam menentukan ukuran lot berdasarkan intuisi atau pengalaman sebelumnya.
2. Lot for Lot (LFL) : Pendekatan menggunakan konsep atas dasar pesanan diskrit dengan pertimbangan minimasi dari ongkos simpan, jumlah yang dipesan sama dengan jumlah yang dibutuhkan.
3. Least Unit Cost (LUC) : Pendekatan menggunakan konsep pemesanan dengan ongkos unit perkecil, dimana jumlah pemesanan ataupun interval pemesanan dapat bervariasi. Keputusan untuk pemesanan didasarkan :
((ongkos perunit terkecil = (ongkos pesan perunit) + (ongkos simpan perunit)).
4. Economic Order Quantity (EOQ) : Pendekatan menggunakan konsep minimasi ongkos simpan dan ongkos pesan. Ukuran lot tetap berdasarkan hitungan minimasi tersebut.
5. Period Order Quantity (POQ) : Pendekatan menggunakan konsep jumlah pemesanan ekonomis agar dapat dipakai pada periode bersifat permintaan
40
diskrit, teknik ini dilandasi oleh metode EOQ. Dengan mengambil dasar perhitungan pada metode pesanan ekonomis maka akan diperoleh besarnya jumlah pesanan yan harus dilakukan dan interval periode pemesanannya adalah setahun.
6. Part Period Balancing (PPB) : Pendekatan menggunakan konsep ukuran lot ditetapkan bila ongkos simpannya sama atau mendekati ongkos pesannya.
7. Fixed Periode Requirment (FPR) : Pendekatan menggunakan konsep ukuran lot dengan Periode tetap, dimana pesanan dilakukan berdasarkan periode waktu tertentu saja. Besarnya jumlah pesanan tidak didasarkan oleh ramalan tetapi dengan cara menggunakan penjumlahan kebutuhan bersih pada interval pemesanan dalam beberapa periode yang ditentukan.
8. Least Total Cost (LTC) : Pendekatan menggunakan konsep ongkos total akan di minimasikan apabila untuk setiap lot dalam suatu horison perencanan hampir sama besarnya. Hal ini dapat dicapai dengan memesan ukuran lot yang memiliki ongkos simpan perunit-nya hampir sama dengan ongkos pengadaannya/ unitnya.
((ongkos total) = (ongkos simpan + ongkos pengadaan))
9. Wagner Within (WW) : Pendekatan menggunakan konsep ukuran lot dengan prosedur optimasi program linear, bersifat matematis. Pada prakteknya ini sulit diterapkan dalam MRP karena membutuhkan perhitungan yang rumit. Fokus utama dalam penyelesaian masalah ini
41
adalah melekukan minimasi penggabungan ongkos total dari ongkos set-up dan ongkos simpan dan berusahan agar ongkos set-up dan ongkos simpan tersebut mendekati nilai yang sama untuk kuantitas pemesanan yang dilakukan.
10. Silver Mean (SM) : Menitik beratkan pada ukuran lot yang harus dapat meminimumkan ongkos total per-perioda. Dimana ukuran lot didapatkan dengan cara menjumlahkan kebutuhan beberapa periode yang berturut-turut sebagai ukuran lot yang tentatif (Bersifat sementara), penjumlahan dilakukan terus sampai ongkos totalnya dibagi dengan banyaknya periode yang kebutuhannya termasuk dalam ukuran lot tentatif tersebut meningkat. Besarnya ukuran lot yang sebenarnya adalah ukuran lot tentatif terakhir yang ongkos total periodenya masih menurun.
Offsetting (rencana pemesanan) : Bertujuan untuk menentukan kuantitas pesanan yang dihasilakan proses lotting. Penentuan rencana saat pemesanan ini diperoleh dengan cara mengurangkan saat kebutuhan bersih yang harus tersedia dengan waktu ancang-ancang (Lead Time).
Exploding : Merupakan proses perhitungan kebutuhan kotor untuk tingkat (level) yang lebih bawah dalam suatu struktur produk, serta didasarkan atas rencana pemesanan.
