2012100515mntibab2

BAB 2

LANDASAN TEORI

2.1 Pengertian Peramalan

“Forecasting is the art and science of predicting the events of the

future. Forecasting require historical data retrieval and project into the

future with some form of mathematical models.”(menurut Rudy Aryanto, thn

2009). Peramalan (Forecasting) adalah kegiatan mengestimasi apa yang akan

terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya

perbedaan kesenjangan waktu (Timelag) antara kesadaran akan dibutuhkannya

suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila

perbedaan waktu tersebut panjang maka peran peramalan begitu penting dan

sangat dibutuhkan, terutama dalam penentuan kapan terjadinya suatu sehingga

dapat dipersiapkan tindakan yang perlu dilakukan.

Menurut Arman Hakim Nasution (2006), Peramalan adalah proses

untuk memperkirakan beberapa kebutuhan

masa

datang

yang

meliputi

kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang

dibutuhkan dalam rangka memenuhi permintaan barang dan jasa.

Peramalan

tidak

terlalu

dibutuhkan

dalam kondisi

permintaan

pasar

yang stabil, karena perubahan permintaan relatif kecil. Tetapi peramalan akan

sangat dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan

dinamis. Dalam kondisi pasar bebas, permintaan pasar

lebih banyak bersifat

kompleks, dan dinamis karena permintaan tersebut akan tergantung dari

keadaan social, ekonomi, politik, aspek teknologi, produk pesaing dan produk

substitusi. Oleh karena

itu peramalan yang akurat

merupakan informasi

yang

sangat dibutuhkan dalam pengambilan keputusan manajemen.

2.2 Peramalan Dalam Horison Waktu

Dalam hubungannya dengan horizon waktu peramalan, maka kita bisa

mengklasifikasikan permalan tersebut kedalam 3 kelompok, yaitu :

• Peramalan Jangka Panjang,

Umumnya

untuk

jangka

waktu

antara

sampai 10

tahun. Peramalan

ini digunakan untuk perencanaan produk dan perencanaan sumber

daya.

• Peramalan Jangka Menengah

Umumnya

untuk

jangka

waktu

antara

sampai 24

bulan. Peramalan

ini lebih mengkhusus

dibandingkan peramalan jangka panjang,

biasanya digunakan untuk menentukan aliran kas, perencanaan

produksi, dan penentuan anggaran.

• Peramalan Jangka Pendek

Umumnya untuk jangka waktu antara 1 sampai 5 minggu. Peramalan

ini digunakan

untuk

mengambil

keputusan

dalam hal

perlu

tidaknya

lembur, penjadwalan kerja, dan lain-lain keputusan kontrol jangka

pendek.

2.3 Peramalan Permintaan

Permalan permintaan merupakan tingkat permintaan produk-produk

yang diharapkan akan terealisir untuk jangka waktu tertentu pada waktu

tertentu pada masa yang akan datang. Peramalan permintaan ini akan menjadi

masukkan

yang

penting

dalam keputusan

perencanaan

dan

pengendalian

perusahaan. Karena bagian operasional produksi bertanggung jawab terhadap

pembuatan produk yang dibutuhkan konsumen, maka keputusan-keputusan

operasi

produksi

sangat dipengaruhi hasil dari peramalan

permintaan,

Peramalan permintaan ini digunakan untuk meramalkan permintaan dari

produk yang bersifat bebas (tidak tergantung), seperti peramalan produk jadi.

2.4

Jenis Pola Data

Menurut Taylor III (2005) terdapat beberapa pola atau kecenderungan.

Pola-pola data yang ada adalah :

1. Pola Data Horizontal (H)

Terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata yang

konstan. Deret seperti itu stasioner terhadap nilai rata-ratanya. Suatu

produk yang penjualannya tidak meningkat atau menurun selama waktu

tertentu termasuk jenis ini.

W a k t u

Gambar 2.1 Pola Data Horizontal

2. Pola Data Musiman (S)

Terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya

kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu).

Penjualan dari produk seperti minuman ringan, es krim, dan bahan bakar

pemanas ruangan semuanya menunjukan pola jenis ini.

Wakt u

Gambar 2.2 Pola Data Musiman

3. Pola Data Siklis (C)

Terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka

panjang seperti yang berhubungan dengan siklus bisnis. Penjualan

produk

seperti

mobil,

baja, dan peralatan

utama

lainnya

menunjukkan

jenis pola data ini.

Wakt u

Gambar 2.3 Pola Data Siklis

4. Pola Data Trend (T)

Terjadi bilamana

terdapat kenaikan atau penurunan sekuler jangka

panjang

dalam

data.

Penjualan

banyak

perusahaan,

produk

bruto

nasional (GNP) dan berbagai indikator bisnis atau ekonomi

lainnya

mengikuti suatu pola data trend selama perubahannya sepanjang waktu.

Wakt u

Gambar 2.4 Pola Data Trend

Keempat

pola

ini

belum

cukup

untuk

menentukan metode

yang

tepat

agar

peramalan menjadi

efektif

dengan

tingkat

kesalahan sekecil

mungkin. (Teguh

Baroto, 2002)

2.5 Faktor-Faktor Yang Mempengaruhi Peramalan

Permintaan akan suatu produk pada suatu perusahaan merupakan

resultan dari berbagai faktor yang saling berinteraksi dalam

pasar. Faktor-

faktor ini hampir selalu merupakan kekuatan yang berada diluar kendali

perusahaan. Berbagai faktor antara lain :

•

Siklus Bisnis

Penjualan produk akan dipengaruhi

oleh permintaan akan produk

tersebut, dan permintaan akan suatu produk akan dipengaruhi oleh

kondisi ekonomi yang membentuk siklus bisnis dengan fase-fase,

inflasi resesi, depresi, dan masa pemulihan.

•

Siklus Hidup Produk

Siklus hidup suatu produk biasanya mengikuti pola yang biasa disebut

kurva S. Kurva S menggambarkan besarnya permintaan terhadap

waktu,

dimana

siklus

hidup

suatu produk

yang

dibagi

menjadi

fase

pengenalan,

fase

pertumbuhan,

fase kematangan,

dan

akhirnya

fase

penurunan. Untuk menjaga kelangsungan usaha, maka perlu dilakukan

inovasi produk pada saat yang tepat.

•

Faktor Lain

Beberapa

faktor

lain

yang

mempengaruhi permintaan adalah reaksi

balik dari pesaing, perilaku konsumen yang berubah, dan usaha-usaha

yang dilakukan sendiri oleh perusahaan

seperti

peningkatan

kualitas,

pelayanan, anggaran periklanan, dan kebijaksanaan pembayaran secara

kredit.

2.6 Metode Peramalan

Menurut Taylor III (2005,301)

terdapat

dua

buah

metode

dalam

melakukan

peramalan,

yaitu

metode

Time

Series dan

metode

Kausal,

dimana

kedua metode ini memiliki 3 buah faktor yang mempengaruhi penilainnya. Ketiga

faktor itu adalah :

1. Faktor

seri

waktu

(Time

Series)

merupakan kategori teknik

statistik

yang menggunakan data historis untuk

menentukan perilaku yang akan

datang

2. Faktor Regresi : berusaha untuk mengembangkan hubungan-hubungan

sistematis

antara

item yang

diramalkan

dengan

faktor

yang

menyebabkan

item tersebut

memiliki

perilaku

tertentu,

dimana

diterjemahkan dalam bentuk model regresi.

3. Faktor

Kualitatif

berusaha

untuk

membuat

peramalan

dengan

menggunakan penilaian, opini, dan pendapat manajemen. Metode yang

biasa

disebut

“penilaian

eksekutif”

ini biasa

digunakan

oleh

para

petinggi perusahaan untuk mendapatkan peramalan jangka panjang.

Peramalan dilakukan oleh sekelompok orang yang penilaiannya

dianggap valid dibandingkan dengan kelompok lain.

Metode-metode yang ada adalah :

a. Metode Time Series

Metode ini membuat peramalan dengan menggunakan asumsi bahwa

masa depan adalah fungsi dari masa lalu. Tujuannya adalah untuk

menentukan

pola

dalam

deret

data historis

dan

menterjemahkan

pola

tersebut ke

masa

depan. Menganalisis time series

berarti

membongkar

data masa lalu menjadi komponen-komponen dan kemudian

memproyeksikan ke masa atau periode yang akan datang. Model ini

sendiri memiliki 3 metode peramalan kuantitatif, yaitu :

1. Metode Rata-Rata Bergerak (Moving Average)

Metode ini digunakan dan bermanfaat apabila kita

menggunakan asumsi bahwa permintaan pasar lebih stabil sepanjang

waktu. Metode ini dipakai untuk kondisi dimana setiap data pada

waktu yang berbeda mempunyai bobot yang sama sehingga fluktuasi

random data dapat diredam dengan

rata-ratanya. Apabila tidak

semua

data

masa

lalu

dapat

mewakili

asumsi

pola

data

berlanjut

terus di masa yang akan datang, maka dapat dipilih sejumlah N data

pada periode tertentu saja.

Secara

sistematis,

metode

rata-rata bergerak

sederhana

(yang

menjadi

estimasi

dari

permintaan

periode

berikutnya)

ditunjukkan

dengan :

Rata-rata bergerak n periode =

???

????

dimana n adalah banyaknya periode dalam rata-rata bergerak.

2. Metode Eksponential Smoothing

Metode ini adalah metode peramalan yang mudah dan efisiensi

penggunaannya

bila

dilakukan dengan

komputer.

Meskipun

merupakan

teknik moving

average,

metode

ini

mencakup

pemeliharaan data

masa

lalu

yang

sedikit,

metode

ini

ditunjukkan

sebagai :

Dimana : ?

= Ramalan baru

Ramalan sebelumnya

Permintaan aktual periode sebelumnya

Konstanta penghalusan

3. Metode Trend Projection

Metode ini digunakan dengan cara mencocokkan garis trend ke

rangkaian titik data historis dan kemudian memproyeksikan garis itu

ke dalam ramalan jangka panjang menengah hingga jangka panjang.

Beberapa persamaan trend

matematis bisa dikembangkan,

akan

tetapi saat ini yang akan dibahas ganya trend linear.

Jika kita

memutuskan

untuk

mengembangkan

garis

trend

linear dengan metode statistik yang tepat, maka kita dapat memakai

metode kuadrat kecil (least square method). Metode ini digambarkan

dalam bentuk perpotongan Y-nya (puncak dimana garis itu

memotong sumbu Y) dan slope-nya (kelandaian).

Jika perpotongan Y dan kelandaiannya bisa dihitung, maka

persamaan yang digunakan adalah :

Dimana :

Nilai variabel yang dihitung untuk diprediksi

(disebut variabel tidak bebas)

= Perpotongan sumbu Y

= Kelandaian garis regresi (atau tingkat perubahan dalam

untuk

perubahan tertentu dalam x

x = Variabel bebas / waktu

Ahli Statistik mengembangkan persamaan yang bisa digunakan

untuk memperoleh

nilai a dan b untuk

garis regresi. Kelandaian b

diperoleh dengan :

?. ?

Dan perpotongan y dapat dihitung dengan :

Dimana,

Kelandaian garis regresi

Nilai variabel bebas

Nilai variabel tak bebas

Rata-rata nilai

Rata-rata nilai y

n = Jumlah titik data atau observasi

b. Metode Kausal

Regresi linear, model kausal, bergabung menjadi model variabel atau

hubungan yang bisa mempengaruhi jumlah yang sedang diramal. Model

ini mengasumsikan bahwa faktor yang diramalkan mewujudkan

hubungan

sebab

akibat

dengan

satu

atau

lebih independent

variabel.

Tujuan dari model ini adalah menemukan bentuk hubungan tersebut dan

menggunakannya

untuk

meramalkan

nilai

mendatang

dari dependent

variabel. Pendekatan ini lebih kuat dibandingkan metode seri waktu

yang hanya menggunakan nilai historis untuk variabel yang diramalkan.

Model matematika yang kita gunakan pada metode kuadrat terkecil

dari

proyeksi trend

bisa

digunakan

untuk

melakukan

analisis

regresi

linear.

Variabel-variabel tak bebas

yang akan diramal tetap

, namun

sekarang variabel bebas x, bukan lagi waktu.

Dimana,

= Nilai variabel tidak bebas, yaitu penjualan

= Perpotongan sumbu Y

= Kelandaian garis regresi

= Variabel bebas

2.7 Ketepatan Peramalan

Ketepatan peramalan adalah suatu hal yang mendasar dalam

peramalan, yaitu bagaimana mengukur kesesuaian suatu metode peramalan

tertentu untuk suatu kumpulan data yang diberikan. Ketepatan dipandang

sebagai kriteria penolakan untuk memilih

suatu

metode

peramalan.

Dalam

permodelan deret berkala (time series) dari data

masa lalu dapat diramalkan

situasi yang akan terjadi pada masa

yang akan datang. Untuk menguji

kebenaran ramalan ini digunakan ketepatan ramalan.

Beberapa

kriteria

yang

digunakan

untuk

menguji ketepatan ramalan

antara lain :

1. Nilai Tengah Galat (Mean Error)

2. Nilai Tengah Galat Kuadrat (Mean Square Error)

3. Nilai Tengah Galat Absolut (Mean Absolute Error)

4. Nilai

Tengah

Galat

Persentase

Absolut

(Mean

Absolute

Percentage Error)

5. Nilai Tengah Galat Persentase (Mean Percentage Error)

6. Jumlah Kuadrat Galat (Sum Square Error)

7. Deviasi Standar Galat (Standard Deviation of Error)

2.8 Lotting

Material

Requirement

Planning adalah

suatu

konsep

dalam manajemen

produksi yang menbahas secara tepat dalam perencanaan kebutuhan barang dalam

proses produksi, sehingga barang yang dibutuhkan dapat tersedia sesuai dengan

yang

direncanakan.

Untuk

menjamin

bahwa semua kebutuhan-kebutuhan akan

dipenuhi, pesanan akan dijadwalkan

untuk penyelesaian pada awal periode

dimana ada kebutuhan bersih

yang positif.

Ukuran dari pesanan dapat

mungkin

sama dengan kebutuhan bersih di periode yang bersangkutan, atau mungkin saja

lebih besar yang meliputi kebutuhan bersih di periode mendatang untuk

memanfaatkan skala ekonominya.

Lotting

adalah

suatu

proses

untuk

menentukan

besarnya

jumlah

pesanan

optimal

untuk

setiap item

secara

individual

didasarkan

pada

hasil

perhitungan kebutuhan bersih yang telah dilakukan. Ukuran lot menentukan

besarnya jumlah komponen yang diterima setiap kali pesan. Penentuan ukuran lot

ini sangat tergantung pada besarnya biaya-biaya persediaan, seperti biaya pesan,

biaya simpan, biaya modal, dan harga barang itu sendiri. Ada banyak alternatif

metode untuk menentukan ukuran lot. Beberapa teknik diarahkan untuk

meminimalkan

total

ongkos

set-up

dan ongkos

simpan.

Teknik-teknik

tersebut

adalah :

1. Economic Order Quantity (EOQ)

Dalam teknik

ini

besarnya

ukuran

lot

adalah

tetap.

Penentuan

lot

berdasarkan biaya pesan dan biaya simpan, dengan formula sebagai

berikut :

Dimana :

Q = EOQ

D = Kebutuhan rata-rata dalam satu bulan

S = Biaya pesan

H = Biaya simpan

2. Period Order Quantity

POQ

menggunakan

alasan

ekonomi yang sama dengan EOQ, namun

menentukan jumlah periode yang akan dicakup oleh setiap pesanan

daripada jumlah unit yang dipesan. Sehingga hal ini akan menghasilkan

siklus yang tetap. Total biaya setiap periode diberikan oleh fungsi dari :

Dalam menggunakan

metode

ini

terdapat

beberapa

asumsi,

yaitu

permintaan akan produk adalah konstan, harga per unit produk adalah

konstan, biaya penyimpanan dan biaya pemesanan adalah konstan, dan

lead time produk adalah konstan.

2.9 Lot Sizing

Teknik

lot sizing

merupakan

teknik

untuk

meminimalkan

jumlah

barang yang akan dipesan dan meminimalkan biaya persediaan. Objek dari

manajemen

persediaan

adalah

untuk menghitung tingkat persediaan yang

optimum yang sesuai dengan permintaan pasar dan kapasitas perusahaan.

Oleh karena itu perusahaan harus bisa mendefinisikan apa yang harus dipesan,

kapan

harus

memesan dan berapa banyak yang harus dipesan. Hal

ini bukan

persoalan yang mudah. Maka dari itu

manajemen

harus bisa

membuat

keputusan untuk memesan secara ekonomis barang yang dibutuhkan.

Salah satu metode yang dapat digunakan untuk menyelesaikan masalah

perencanaan kebutuhan bahan dalam menentukan ukuran lot pesanan adalah

Dynamic

Lot

Sizing

Models,

yang

terdiri

dari

model simple

(Lot

fot

Lot),

Heuristic (SM, LUC, dan LTC).

• Silver Meal (SM)

Prinsip dari heurisitik adalah silver meal, yang merupakan pendekatan

metode yang mudah digunakan dan dari pengulangan pegerjaan akan

didapat hasil yang baik apabila dibandingkan dengan heuristic lainnya.

Pengerjaan metode SM ini mempunya persamaan perhitungan

Economic Order Quantity (EOQ), yaitu digunakan sebagai permintaan

sebagai dasar untuk pengulangan variabel pada periode-periode

selanjutnya,

kemudian

total

permintaan diatas batas perencanaan.

Metode ini mencoba mencari biaya rata-rata minimal pada tiap periode

untuk sejumlah periode yang telah direncanakan. Rumusan umum

yang dapat digunakan adalah sebagai berikut :

K(m) =

(A + hD2 + 2hD3 + ….. (m-1)hDm)

= Permintaan pada periode m

K(m)

= Rata-rata per unit waktu

= Periode

A = Biaya order

h = Biaya simpan / unit waktu

• Least Unit Cost (LUC)

Adalah metode dengan pendekatan try and error, penentuan jumlah

pesanan dengan pertimbangan apakah pesanan dibuat sama dengan

kebutuhan bersih periode pertama atau dengan menambah untuk

menutupi kebutuhan periode-periode selanjutnya dan lain sebagainya.

Biaya

periode

unitnya

dihitung

untuk

masing-masing

tahap

dengan

cara membagi total biaya pesan dan biaya penyimpanan dengan

jumlah lot komulatif pada setiap tahapnya. Keputusan akhir dari

metode ini didasarkan pada biaya periode unit terendah. Rumusan

umum yang dapat digunakan adalah sebagai berikut :

K(m) = (A + hD2 + 2hD3 + ….. (m-1)hDm) / (D1+D2+…Dm)

Dm = Permintaan pada periode m

K(m)

Rata-rata

biaya

tiap

periode

bila

dilakukan

order

untuk

periode sekaligus

= Periode

A = Biaya order

h = Biaya simpan / unit waktu

• Least Total Cost (LTC)

Adalah

metode

dengan

pendekatan ongkos

pesan.

Dengan

cara

memilih

ongkos

total

minimum yaitu

menggabungkan

kebutuhan

sampai

ongkos

simpan

mendakati ongkos pesan.

Biaya

periode

unitnya dihitung untuk masing-masing tahap dengan cara mengalikan

antar permintaan, biaya simpan, dan

Period Curried. Dan hasilnya

merupakan nilai yang akan dikumulatifkan pada setiap tahapnya

sehingga bila nilai akhir mendekati biaya pesan maka perhitungan

dihentikan. Langkah selanjutnya dilakukan

penjumlahan

permintaan

antara periode awal sampai periode diakhir perhitungan. Permintaan

tersebut selanjutnya menjadi permintaan awal.