BAB II LANDASAN TEORI 2.1. Manajemen Perminaan 2.1.1. Konsep Dasar Manajemen Perminaan Pada dasarnya manajemen perminaan (demand managemen) didefinisikan sebagai suau fungsi pengelolaan dari semua perminaan produk unuk menjamin bahwa penyusun jadwal induk (maser scheduler) mengeahui dan menyadari semua perminaan produk iu. Manajemen perminaan akan menjaring informasi yang berkaian dengan peramalan (forecasing), order enry, order promising, branch warehouse requiremens, pesanan anarpabrik (inerplan order), dan kebuuhan unuk servis pars. Dalam indusri manufakur dikenal adanya dua jenis perminaan yang sering disebu sebagai: dependen demand dan independen demand, yang merupakan salah sau konsep erpening dalam maser planning. Pada dasarnya dependen demand didefinisikan sebagai perminaan erhadap maerial, pars, aau produk yang erkai langsung dengan aau diurunkan dari srukur bill of maerial (BOM) unuk produk akhir aau unuk iem erenu. Dependen demand harus dihiung dan idak boleh diramalkan. Sebaliknya independen demand didefinisikan sebagai perminaan erhadap maerial, pars, aau produk yang idak erkai langsung dengan aau diurunkan dari 6
srukur BOM. Misalnya di dalam indusri ban, perminaan unuk produk akhir ban merupakan independen demand, sehingga dapa diramalkan. Namun perminaan unuk maerial ban idak boleh diramalkan, eapi harus dihiung, karena maerial ban erkai langsung erhadap aau diurunkan dari srukur BOM unuk produk akhir ban. 2.1.2. Konsep Dasar Sisem Peramalan dalam Manajemen Perminaan Tujuan uama dari peramalan dalam manajemen perminaan adalah unuk meramalkan perminaan dari iem-iem independen demand di masa yang akan daang. Peramalan dilakukan dengan meode yang sesuai berdasarkan hisoris penjualan dan pengecekan keakuraan daa hasil peramalan, sera memperimbangkan adanya kondisi perubahan yang dapa diperkirakan. Gambar 2.1 Sisem Forecas/Predicion (Sumber : Donald W. Fogary, Producion & Invenory Managemen, hal. 84) Pada dasarnya erdapa sembilan langkah yang harus diperhaikan unuk menjamin efekivias dan efisiensi dari sisem peramalan dalam manajemen perminaan, yaiu : 7
1. Menenukan ujuan dari peramalan. 2. Memilih iem independen demand yang akan diramalkan. 3. Menenukan horizon waku dari peramalan (jangka pendek, menengah, aau panjang). 4. Memilih model-model peramalan. 5. Memperoleh daa yang dibuuhkan unuk melakukan peramalan. 6. Validasi model peramalan. 7. Membua peramalan. 8. Implemenasi hasil-hasil peramalan. 9. Memanau keandalan hasil peramalan. 2.2. Forecasing (Peramalan) Peramalan adalah proses unuk memperkirakan beberapa kebuuhan dimasa daang yang melipui kebuuhan dalam ukuran kuanias, kualias, waku dan lokasi yang dibuuhkan dalam rangka memenuhi perminaan barang aaupun jasa. Peramalan idak erlalu dibuuhkan dalam kondisi perminaan pasar yang sabil, karena perubahan perminaannya relaif kecil. Teapi peramalan akan sanga dibuuhkan bila kondisi perminaan pasar bersifa komplek dan dinamis. APICS (American Producion and Invenory Conrol Sociey) menyebukan bahwa peramalan merupakan prosedur yang objekif, menggunakan daa yang diperoleh dari waku ke waku. 2.2.1. Peramalan dan Horison Waku Dalam hubungannya dengan horison waku, maka peramalan bisa diklasifikasikan kedalam 3 kelompok, yaiu : 8
1. Peramalan Jangka Panjang, umumnya 2 sampai 10 ahun. Perencanaan ini digunakan unuk perencanaan produk dan perencanaan sumber daya. 2. Peramalan Jangka Menengah, umumnya 1 sampai 24 bulan. Peramalan ini lebih mengkhusus dibandingkan peramalan jangka panjang, biasanya digunakan unuk menenukan aliran kas, perencanaan produksi, dan penenuan anggaran. 3. Peramalan Jangka Pendek, umumnya 1 sampai dengan 5 minggu. Peramalan ini digunakan unuk mengambil kepuusan dalam hal perlu idaknya lembur, penjadwalan kerja, dan lain-lain kepuusan konrol jangka pendek. 2.2.2. Karakerisik Peramalan Yang Baik Peramalan yang baik mempunyai beberapa krieria yang pening, anara lain akurasi, biaya dan kemudahan. Penjelasan singka dari krieriakrieria ersebu adalah sebagai beriku : 1. Akurasi. Akurasi dari suau hasil peramalan diukur dengan fakor bias dan konsisensi dari peramalan ersebu. Hasil peramalan dikaakan bias bila hasil peramalan erlalu inggi aaupun erlalu rendahdibandingkan dengan kenyaaanyang sebenarnya erjadi. Hasil peramalan dikaakan konsisen bila besarnya kesalahan peramalan relaif kecil. 2. Biaya. Biaya yang diperlukan dalam pembuaan suau peramalan adalah erganung dari jumlah iem yang diramalkan, lamanya periode peramalan, dan meode peramalan yang dipakai. Pemilihan meode 9
peramalan harus disesuaikan dengan dana yang ersedia dan ingka akurasi yang ingin didapa. 3. Kemudahan. Penggunaan meode peramalan yang sederhana, mudah dibua, dan mudah diaplikasikan akan memberikan keunungan bagi perusahaan. Adalah percuma memakai meode yang canggih, eapi idak dapa diaplikasikan pada sisem perusahaan karena keerbaasan dana, sumber daya manusia, maupun peralaan eknologi. 2.2.3. Beberapa Sifa Hasil Peramalan Dalam membua peramalan aau menerapkan hasil suau peramalan, maka ada beberapa hal yang harus diperimbangkan, yaiu : 1. Peramalan pasi mengandung kesalahan, arinya peramal hanya bisa mengurangi keidakpasian yang akan erjadi, eapi idak dapa menghilangkan keidakpasian ersebu. 2. Peramalan seharusnya memberikan infomasi enang berapa ukuran kesalahan, arinya karena pasi mengandung kesalahan, maka adalah pening bagi peramal unuk menginformasikan seberapa besar kesalahan yang mungkin erjadi. 3. Peramalan jangka pendek lebih akura dibandingkan peramalan jangka panjang. Hal ini disebabkan karena pada peramalan jangka pendek, fakor-fakor yang mempengaruhi perminaan relaif masih konsan, sedangkan semakin panjang period peramalan maka semakin besar pula kemungkinan erjadinyaperubahan fakor-fakor yang mempengaruhi perminaan. 10
2.2.4. Klasifikasi Meode Peramalan Secara umum, model-model peramalan dapa dikelompokkan ke dalam dua kelompok uama, yaiu : (1) meode kualiaif, dan (2) meode kuaniaif. Selanjunya meode kuaniaif dikelompokkan ke dalam dua bagian uama, yaiu : (a) inrinsik, dan (b) eksrinsik. 2.2.4.1. Meode Peramalan Kualiaif Beberapa model peramalan yang digolongkan sebagai model kualiaif adalah : Dugaan manajemen (managemen esimae) Model peramalan yang semaa-maa berdasarkan perimbangan manajemen, umumnya oleh manajemen senior. Meode ini akan cocok dalam siuasi yang sanga sensiif erhadap inuisi dari sau aau sekelompok kecil orang yang karena pengalamannya mampu memberikan opini yang kriis dan relevan. Teknik ini akan dipergunakan dalam siuasi di mana idak ada alernaif lain dari model peramalan yang dapa dierapkan. Bagaimanapun, meode ini mempunyai banyak keerbaasan, sehingga perlu dikombinasikan dengan meode peramalan yang lain. Rise pasar (marke research) Model peramalan yang berdasarkan hasil-hasil dari survei pasar yang dilakukan oleh enaga-enaga pemasar produk aau yang mewakilinya. Meode ini akan menjaring informasi dari pelanggan aau pelanggan poensial (konsumen) berkaian dengan rencana pembelian mereka di masa mendaang. Rise pasar idak hanya akan membanu 11
unuk peramalan, eapi juga unuk meningkakan desain produk dan perencanaan unuk produk-produk baru. Meode kelompok ersrukur (srucured group mehods) Meode peramalan berdasarkan pada proses konvergensi dari opini beberapa orang aau ahli secara ierakif anpa menyebukan ideniasnya, seperi meode Delphi, dll. Dalam meode Delphi sanga diharapkan peranan dari fasiliaor unuk memperoleh aau menyimpulkan hasil-hasil peramalan iu. Analogi hisoris (hisorical analogy) Meode peramalan berdasarkan pola daa masa lalu dari produkproduk yang dapa disamakan secara analogi. Misalnya peramalan unuk pengembangan pasar elevisi mulisisem menggunakan model perminaan elevisi hiam puih aau elevisi berwarna. Analogi hisoris cenderung erbaik dalam pengganian produk di pasar dan apabila erdapa hubungan subsiusi langsung dari produk dalam pasar iu. Pada dasarnya meode kualiaif diujukan unuk peramalan erhadap produk baru, pasar baru, proses baru, perubahan sosial dari masyaraka, perubahan eknologi, aau penyesuaian erhadap ramalanramalan berdasarkan meode kuaniaif. Seiring dengan perkembangan kemajuan ilmu pengeahuan dan eknologi (ipek), meode forecasing kualiaif yang bersifa subjekif sudah diinggalkan dan sanga jarang diaplikasikan. Dewasa ini, berbagai insiusi/lembaga pemerinah maupun di perusahaan swasa yang menerapkan manajemen modern elah beralih menggunakan 12
meode forecasing yang lebih sisemais, komprehensif, informaif dan erukur (kuaniaif). 2.2.4.2. Meode Peramalan Kuaniaif 2.2.4.2.1. Meode Peramalan Kuaniaif Inrinsik (Time Series) Sering disebu sebagai model forecasing dere waku (ime series model). Meode ini mendasarkan pada daa dan informasi hasil sampling perilaku ekonomi periode yang lalu, misalnya 3 bulan, 1 semeser, aau 1 ahun yang lalu unuk melakukan analisa forecasing. Oleh karena daa dan informasi yang digunakan dalam analisis forecasing ime-series erbaas pada hasil rekaman daa beberapa waku yang lalu dan idak memasukkan asumsi-asumsi dan variabel yang berpengaruh beberapa ahun ke depan, maka meode ini memiliki beberapa kelemahan. Padahal, jusru proyeksi ke depan yang diperlukan unuk perencanaan ekonomi/bisnis dalam menghadapi fakor keidakpasian. Perminaan dimasa lalu pada analisa dere waku akan dipengaruhi keempa komponen uama T, C, S dan R. Penjelasan enang komponen-komponen ersebu adalah sebagai beriku : 1. Kecenderungan/Trend (T). Trend merupakan sifa dari perminaan dimasa lalu erhadap waku erjadinya, apakah perminaan ersebu cenderung naik, urun aau konsan. 2. Siklus/Cycle (C). Perminaan suau produk dapa memiliki siklus yang berulang secara periodik, biasanya lebih dari sau ahun, sehingga pola ini idak perlu dimasukkan dalam 13
peramalan jangka pendek. Pola ini ama berguna unuk peramalan jangka menengah dan jangka panjang. 3. Musiman/Seasonal (S). Flukuasi perminaan suau produk dapa naik urun di sekiar garis rend dan biasanya berulang seiap ahun. Pola ini biasanya disebabkan oleh fakor cuaca, musim libur panjang, dan hari raya keagamaan yang akan berulang secara periodik seiap ahunnya. 4. Acak/Random (R). Perminaan suau produk dapa mengikui pola bervariasi secara acak karena fakor-fakor adanya bencana alam, bangkrunya perusahaan pesaing, promosi khusus, dan kejadian-kejadian lainnya yang idak mempunyai pola erenu. Variasi acak ini diperlukan dalam rangka menenukan persediaan pengamanan unuk menganisipasi kekurangan perminaan. Gambar 2.2 Dere Waku dan komponen-komponennya (Sumber : Arman Hakim Nasuion, Perencanaan & Pengendalian Produksi, hal. 41) 14
Beberapa model dere waku yang poluler dan akan digunakan dalam peneliian ini dianaranya adalah sebagai beriku : 2.2.4.2.1.1. Meode Raa-Raa Bergerak Model Raa-Raa Bergerak aau Moving Average (MA) diperoleh dengan meraa-raa perminaan berdasarkan beberapa daa masa lalu yang erbaru. Tujuan uama dari penggunaan eknik MA ini adalah unuk mengurangi aau menghilangkan variasi acak perminaan dalam hubungannya dengan waku. Tujuan ini dicapai dengan meraa-raakan beberapa nilai daa secara bersama-sama, dan menggunakan nilai raa-raa ersebu sebagai ramalan perminaan unuk periode yang akan daang. Disebu raa-raa bergerak karena begiu seiap daa akual perminaan baru dere waku ersedia, maka daa akual perminaan yang paling erdahulu akan dikeluarkan dari perhiungan, kemudian suau nilai raa-raa baru akan dihiung. Secara maemais, maka MA akan dinyaakan dalam persamaan sebagai beriku : F + 1 = N = 1 i= N A i = A + A 1 +... + A N + N 1 dimana : A : Daa pengamaan periode. N : Jumlah dere waku yang digunakan. F : Nilai peramalan periode + 1. +1 Pemilihan enang berapa nilai N yang epa adalah hal yang pening dalam meode ini. Semakin besar nilai N, maka semakin 15
halus perubahan nilai MA dari periode ke periode. Kebalikannya, semakin kecil nilai N, maka hasil peramalan akan semakin agresif dalam menganisipasi perubahan daa erbaru yang diperhiungkan. 2.2.4.2.1.2. Meode Penghalusan Eksponensial Sederhana Kelemahan eknik MA dalam kebuuhan akan daa-daa masa lalu yang cuckup banyak dapa diaasi dengan eknik Penghalusan Eksponensial aau Exponenial Smoohing (MA). Meode ini menambahkan sau parameer, alpha (α), dalam modelnya unuk mengurangi fakor acak. Model maemais ES ini dapa dikembangkan dari persamaan beriku : ( 1 ) F + 1 = α. A + α F. dimana : A : Daa perminaan pada periode. α : Fakor/konsana pemulusan. F : Peramalan unuk periode. +1 Model peramalan pemulusan eksponensial bekerja hampir serupa dengan ala hermosa, di mana apabila gala ramalan (forecas errror) adalah posiif, yang berari nilai akual perminaan lebih inggi daripada nilai ramalan (A F > 0), maka model ini akan secara oomais meningkakan ramalan. Sebaliknya apabila forecas error negaif maka model ini secara oomais menurunkan ramalan. Proses penyesuaian ini berlangsung erus-menerus, kecuali forecas error elah mencapai nol. Model ini lebih disukai apabila 16
pola hisoris dari daa akual perminaan bergejolak aau idak sabil dari waku ke waku. 2.2.4.2.1.3. Meode Penghalusan Eksponensial Ganda Linear Sau Parameer Brown Teknik ini digunakan unuk daa runu waku yang memiliki komponen Trend yang linear. Pada eknik ini, jika parameernya (α) idak mendekai nol, pengaruh proses awalnya secara cepa menjadi kurang berari begiu waku berlalu. Jika parameernya mendekai nol, proses awalnya dapa berperan pening unuk beberapa periode. Benuk rumusnya dapa diliha dalam persamaan beriku : S ' = S " = a b F = = + 1 α. A + ( 1 α ) S 1 α. S ' + ( 1 α ) S 1" S ' + ( S ' S" ) [ α /( 1 α )][ S ' S "] = a + b. m Teknik ini dapa digunakan unuk memodel Trend runu waku dan cara penghiungannya lebih efisien bila dibandingkan dengan MA ganda sera membuuhkan lebih sediki daa karena hanya sau parameer yang digunakan. Selain iu, pencarian nilai parameer yang opimal ergolong sederhana. Kelemahan eknik ini adalah kurang fleksibel karena konsana penghalus erbaik unuk rennya mungkin sama. Selain iu, dalam eknik ini idak diperhiungkan komponen musim. 17
2.2.4.2.1.4. Meode Penghalusan Eksponensial Ganda Linear Dua Parameer Hol Pada meode penghalusan eksponensial ganda linear dua parameer Hol digunakan dua parameer unuk penghalusan, yaiu alpha (α) dan bea (β), dengan nilai bergerak dari 0 sampai dengan 1. Pada eknik ini komponen rend dihaluskan secara erpisah dengan menggunakan parameer yang berbeda. Benuk rumusnya dapa diliha dalam persamaan beriku : S T F = α = β + m. A + ( 1 α )( S 1 + T 1 ).( S S ) + ( 1 β ). T = S + T. m 1 dimana : F + = Peramalan eksponensial linier S T m m = Fakor saioner pada saa = Fakor rend pada saa = periode yang akan diramalkan Teknik ini lebih fleksibel karena rendnya dapa dihaluskan dengan menggunakan bobo yang berbeda. Namun demikian, kedua parameernya perlu diopimalkan sehingga pencarian kombinasi erbaik parameer ersebu lebih rumi daripada hanya menggunakan sau parameer. 2.2.4.2.1.5. Meode Dekomposisi Daa Runu Waku Daa runu waku (Y) erdiri dari empa komponen, yaiu komponen rend (T), musim (M), siklis (S), dan ireguler (I). Meode penghalusan, khususnya meode raa-raa, merupakan 1 18
salah sau meode peramalan yang dapa digunakan unuk daa runu waku. Namun demikian, meode raa-raa iu hanya dapa digunakan unuk mengidenifikasi dan meniadakan komponen acak (I). Meode yang dapa digunakan unuk mengidenifikasi keempa komponen iu adalah dekomposisi. Prinsip dasar dari meode dekomposisi dere waku adalah mendekomposisi (memecah) daa dere waku menjadi beberapa pola dan mengidenifikasi masing-masing komponen dari dere waku ersebu secara erpisah. Pemisahan ini dilakukan unuk membanu meningkakan keepaan peramalan dan membanu pemahaman aas perilaku dere daa secara lebih baik. Trend adalah kecenderungan gerak naik aau urun pada daa yang erjadi dalam jangka panjang. Variasi musim adalah gerak naik dan urun yang erjadi secara periodik (berulang dalam selang waku yang sama). Komponen siklis adalah perubahan gelombang pasang suru yang berulang kembali dalam waku yang cukup lama, misalnya : 10 ahun, kuaral ke-20 dan lain-lain. Komponen kesalahan (random) adalah gerakan yang idak eraur dan erjadi secara iba-iba sera suli unuk diramalkan. Gerakan ini dapa imbul sebagai akiba adanya peperangan, bencana alam, krisis moneer dan lain-lain. Meode dekomposisi dilandasi oleh asumsi bahwa daa yang ada merupakan gabungan beberapa komponen : ( S, T, C R ) A = f, 19
dimana : S : Komponen musiman pada periode T : Komponen rend pada periode C : Komponen siklus pada periode R : Komponen random (kesalahan) pada periode 2.2.4.2.1.6. Meode Ekesponensial Muliplikaif Tiga Parameer Winer Sebagaimana halnya dengan rumusan pemulusan eksponensial linier yang dapa digunakan unuk meramalkan serial daa yang memiliki pola rend, benuk rumusan yang lebih inggi dapa digunakan jika pola dasar serial daa yang berpola musiman adalah meode pemulusan eksponensial linier dan musiman dari winer. Meode ini didasarkan aas iga rumusan, yaiu unsur saioner, rend dan musiman, yang dirumuskan sebagai beriku : S T I = α = β ( A / I L ) + ( 1 α )( S 1 + T 1 ) ( S S ) + ( 1 β ). T 1 = γ ( A / S ) + (1 γ ) I L 1 dimana : L : Jumlah periode dalam sau siklus musim I : Fakor penyesuaian musiman (indeks musiman) Sedangkan rumus unuk peramalannya sebagai beriku : F + m = ( S + T. m). I L+ m dimana : F + : Peramalan exponenial smoohing musiman S T m I L+ m : Fakor saioner pada saa : Fakor rend pada saan : Fakor indeks pada saa L + m 20
2.2.4.2.2. Meode Peramalan Kuaniaif Eksrinsik (Causal) Sering disebu juga sebagai model forecasing Sebab-Akiba (causal model). Prosedur analisis meode ini menggunakan/mendasarkan pada sejumlah variabel ekonomi yang memiliki karakerisik hubungan ekonomi saling memengaruhi aau saling keerganungan anara kejadian aau proses ekonomi waku yang lalu, sekarang, dan yang akan daang. Beberapa variabel ekonomi ersebu anara lain variabel produksi, biaya, perminaan, penawaran, eknologi, bahan baku, lingkungan, dan sosial. Beberapa kelebihan meode causal forecas dibandingkan dengan meode judgemenal dan meode ime-series sebagai beriku : i. Memberikan hasil analisis dengan akurasi yang lebih inggi. ii. Memberikan hasil analisis dengan informasi yang lebih lengkap dan lebih komprehensif. iii. Memberikan informasi peranan dan hubungan masing-masing dan pengaruhnya anara variabel yang sau dengan variabel ekonomi yang lain dalam model. iv. Memberikan hasil analisis yang erukur dan kuaniaif. Terdapa iga meode causal forecas yang secara umum diaplikasikan unuk forecasing ekonomi/bisnis yaiu : Meode analisis ekonomerika Meode analisis inpu-oupu Meode analisis regresi 21
Meode analisis regresi dalam prakik sehari-hari merupakan meode analisis causal forecas yang paling banyak diaplikasikan unuk meode analisis forecasing dalam memecahkan permasalahan perencanaan ekonomi/bisnis. 2.2.4.2.2.1. Meode Regresi Linier Sederhana Regresi sederhana didasarkan pada hubungan fungsional aaupun kausal anara sau variabel independen dengan sau variabel dependen. Persamaan umum regresi linier sederhana adalah : dimana : ý = subyek dalam variabel dependen yang diprediksikan a = harga Y bila X = 0 (harga konsan) b = angka arah aau koefisien regresi, yang menunjukkan angka peningkaan aaupun penurunan variabel dependen yang didasarkan pada variabel independen. Bila b (+) maka naik, dan bila (-) maka erjadi penurunan. X = subyek pada variabel Independen yang mempunyai nilai erenu. Harga a dan b dapa dicari dengan rumus beriku : 22
Seelah harga a dan b diemukan, maka persamaan regresi linier sederhana dapa disusun. Persamaan regresi yang elah diemukan iu dapa digunakan unuk melakukan prediksi (ramalan) bagaimana individu dalam variabel dependen akan erjadi bila individu dalam variabel independen dieapkan. 2.2.4.2.2.2. Meode Regresi Linier Ganda Analisis regresi ganda digunakan oleh penelii, bila penelii bermaksud meramalkan bagaimana keadaan (naik urunnya) variabel dependen (krierium), bila dua aau lebih variabel independen sebagai predikor dimanipulasi (dinaikurunkan nilainya). Jadi analisis regresi ganda akan dilakukan bila jumlah variabel independennya minimal dua. Penambahan variabel independen dimaksudkan agar prediksi yang dihasilkan semakin baik, yaiu unuk memperbesar variansi regresi yang dapa dihasilkan dan memperkecil variansi residu yang idak dapa dijelaskan dari variansi oal variabel dependennya. Persamaan regresi unuk dua predikor adalah : Y = a + b1x1 + b2x2 Persamaan regresi unuk iga predikor adalah : Y = a + b1x1 + b2x2 + b3x3 Persamaan regresi unuk n predikor adalah : Y = a + b1x1 + b2x2 + b3x3 + b4x4 Unuk bisa membua ramalan melalui regresi, maka daa seiap variabel harus ersedia. Selanjunya berdasarkan daa iu 23
penelii harus dapa menemukan persamaan regresi melalui perhiungan. 2.2.5. Pemilihan Teknik Peramalan Ada banyak eknik peramalan yang dapa digunakan, sebagaimana dikemukakan diaas. Namun perlu disadari bahwa eknik-eknik peramalan iu hanya valid unuk kondisi daa yang erenu. Sehubungan dengan iu, beriku ini dikemukakan iga pendekaan yang dapa dijadikan dasar dalam eknik peramalan, yaiu hasil analisis ookorelasi, ukuran akurasi, dan horison waku peramalan. 2.2.5.1. Pendekaan Ookorelasi Kegiaan peramalan berorienasi ke waku yang akan daang berdasarkan pengeahuan aaupun pengalaman di waku yang lalu. Daa runu waku (Y) dapa dipilah menjadi empa komponen yaiu rend (T), musim (M), siklis (S), dan iregular/keidakerauran (I). Keempa komponen iu dapa bersifa adiif (Y = T+M+S+I) aau muliplikaif (Y = TMSI). Pada bagian ini, pola daa runu waku diidenifikasi berdasarkan keempa komponen iu dengan menggunakan analisis ookorelasi. Selanjunya, hasil idenifikasi iu dijadikan sebagai dasar unuk memilih eknik peramalan kuaniaif yang seharusnya digunakan. a. Eksplorasi dengan Analisis Ookorelasi Pengeksplorasian pola daa runu waku berdasarkan T, M, S, dan I dilakukan dengan menenukan ime lag dalam analisis ookorelasi erhadap daa ersebu. Analisis dilakukan dalam 24
beberapa ime lag dan koefisien ookorelasinya diuji. Berdasarkan pengujian iap ookorelasi iu maka dapa diidenifikasi pola daanya. Bila koefisien ookorelasinya ergolong besar aau signifikan dan yang berikunya secara drasis urun, maka dapa disimpulkan bahwa daa ersebu bersifa nonsaioner aau mengandung komponen rend. Bila hal sebaliknya erjadi maka dapa disimpulkan bahwa daa ersebu bersifa saioner aau idak mengandung komponen rend. Bila ookorelasi pada ime lag yang erenu ergolong signifikan maka dapa disimpulkan bahwa daa ersebu mengandung komponen musim. b. Pemilihan Teknik Peramalan berdasarkan Hasil Analisis Ookorelasi Hasil analisis ookorelasi dapa digunakan unuk memilih eknik peramalan yang epa. Bila dari hasil analisis ookorelasi dikeahui bahwa daa bersifa saioner, eknik peramalan yang sesuai digunakan erdiri aas meode naif, meode moving averages, meode penghalusan eksponensial sederhana, dan meode Box- Jenkins. Bila dari hasil analisis orokorelasi dikeahui bahwa daanya bersifa nonsaioner (mengandung komponen rend), eknik peramalan yang sesuai digunakan erdiri aas meode raaraa bergerak linier Hol, meode penghalusan eksponensial kuadraik Brown, analisis regresi sederhana, model Gomperz, model kurva perumbuhan, dan model eksponensial lainnya. Bila 25
dari hasil ookorelasi dikeahui bahwa daanya mengandung komponen musim, eknik peramalan yang sesuai digunakan erdiri aas dekomposisi klasik, Sensus II, penghalusan eksponensial Winer, analisis regresi ganda runu waku, dan meode Box- Jenkins. Daa yang mengandung komponen siklis suli diidenifikasi melalui analisis ookorelasi karena pengulangan kejadiannya idak berpola secara eraur dalam periode waku dua, iga aau empa ahun. Namun demikian, ada juga eknik peramalan yang sesuai digunakan, yaiu dekomposisi klasik, indikaor ekonomi, model ekonomerik, analisis regresi ganda, dan meode Box Jenkins. 2.2.5.2. Pendekaan Ukuran Akurasi Peramalan Selain berdasarkan pola daa, pemilihan eknik peramalan dapa juga didasarkan pada ukuran lainnya, yaiu errornya (e) yang merupakan selisih nilai dari daa yang ada dan nilai proyeksinya unuk iap periode erkai aau e = Yo Y. Secara sederhana dapa dikeahui bahwa semakin besar e berari semakin besar selisih anara daa yang ada (yang sesungguhnya) dan nilai proyeksinya. Ini berari bahwa peramalan yang akan dilakukan semakin idak akura. Error yang digunakan sebagai ukuran akurasi peramalan dapa berupa ME (mean error), MAE (mean absolue error), MPE (mean percenage error), dan MAPE (mean absolue percenage error). Semakin besar ukuran iu berari semakin idak akura peramalannya, 26
sebaliknya, semakin kecil ukuran iu berari semakin akura peramalannya. Ukuran lainnya adalah saisik U dan MBA. Ukuran-ukuran akurasi model peramalan di aas dapa dikelompokkan menjadi dua bagian besar, yaiu ukuran yang bersifa mulak dan yang bersifa relaif. Ukuran yang bersifa mulak erdiri aas ME, MAE, dan MSE. Keiga ukuran ini disebu juga ukuran sandar. Ukuran yang bersifa relaif erdiri aas MPE, MAPE, U dan MBA. MPE dan MAPE dinyaakan dalam persenase sedangkan U dan MBA idak demikian. Ukuran yang lebih lazim digunakan adalah MSE, dengan pedoman bahwa semakin kecil MSE berari berari model iu semakin epa unuk digunakan. Namun demikian, MSE memiliki beberapa kelemahan, dimana peminimuman MSE misalnya, dapa saja dilakukan dengan menggunakan model polinomial jenjang yang lebih inggi aau dengan melakukan ransformasi erenu aas daa sehingga selisih anara daa dengan proyeksinya semakin kecil, namun pencocokan yang berlebihan iu akan mencakup komponen acak pada daanya sehingga komponen idak acaknya (seperi rend, musim dan siklis) menjadi idak dapa diidenifikasi. Kelemahan yang kedua dari MSE adalah bahwa meode yang berbeda menggunakan prosedur yang berbeda pula pada ahap pencocokan modelnya. Misalnya, meode-meode penghalusan sanga berganung pada esimasi awal yang digunakan pada pengembangan modelnya semenara meode-meode regresi meminimumkan MSE dengan pemberian bobo yang sama aas iap daanya. Dengan 27
demikian, perbandingan anara meode-meode iu dengan menggunakan hanya sau krieria dalam pengukuran akurasinya memiliki nilai yang erbaas. Tidak seperi ukuran relaif dalam benuk persenase yang memverikan bobo yang sama aas seiap error, pada U dan MBA sebagai ukuran relaif diberikan bobo yang berbeda aas error. Bobo aas iap error diberikan secara proporsional. Arinya, error yang lebih besar diberi bobo yang lebih besar juga, sebaliknya, error yang lebih kecil diberi bobo yang lebih kecil. Ini dapa dikeahui dari rumusrumus yang digunakan unuk pembilang dan penyebu yang digunakan dalam menghiung U dan MBA. Perlu dikeahui dalam prakeknya, idak semua periode digunakan unuk menghiung ukuran akurasi (error) dari suau model, mungkin hanya sebagian dari periode yang dihiung errornya, dan ini berganung pada penilaian pengembang modelnya. Periode yang diserakan mesinya adalah periode yang dinilai relevan unuk periode peramalan pada waku yang akan daang, dan biasanya adalah periode yang lebih erbaru. Periode ini sering disebu juga sebagai periode pengujian. 2.2.5.3. Pendekaan Horison Waku Selain berdasarkan hasil analisis ookorelasi dan ukuran akurasi peramalan, eknik peramalan dapa juga dipilih berdasarkan horison waku peramalannya. Unuk jangka pendek dan menengah dapa digunakan eknik-eknik kuaniaif. Meode raa-raa bergerak, penghalusan eksponensial, dan model Box Jenkins idak epa 28
digunakan unuk peramalan jangka panjang. Unuk jangka panjang lebih baik digunakan model-model ekonomerik. Analisis regresi dapa digunakan unuk peramalan jangka pendek, menengah, maupun jangka panjang. Raa-raa, raa-raa bergerak, dekomposisi klasik, dan proyeksi rend merupakan eknik kuaniaif yang epa digunakan unuk peramalan jangka pendek maupun panjang. Teknik Box Jenkins maupun ekonomerik yang lebih rumi dapa juga digunakan unuk peramalan jangka pendek maupun jangka menengah. Peramalan unuk jangka waku yang lebih panjang biasanya menggunakan meode kualiaif. 2.2.6. Ukuran Akurasi Hasil Peramalan Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan merupakan ukuran enang ingka perbedaan anara hasil peramalan dengan perminaan yang erjadi. Ada beberapa ukuran yang biasa digunakan, yaiu : 2.2.6.1. Raa-Raa Deviasi Mulak (MAD) Raa-Raa Deviasi Mulak aau Mean Absolue Deviaion (MAD), merupakan raa-raa kesalahan mulak selama periode erenu anpa memperhaikan apakah hasil peramalan lebih besar aau lebih kecil dibandingkan kenyaaannya. Secara sisemais MAD dirumuskan sebagai beriku : MAD n i= = 1 A F i n i di mana : A i : perminaan akual pada periode i 29
F i : peramalan perminaan pada periode i n : jumlah periode peramalan yang erliba 2.2.6.2. Raa-Raa Kuadra Kesalahan (MSE) Raa-Raa Kuadra Kesalahan aau Mean Square Error (MSE), dihiung dengan menjumlahkan kuadra semua kesalahan peramalan pada seiap periode dan membaginya dengan jumlah periode peramalan. Secara maemais MSE dirumuskan sebagai beriku : MSE n i= = 1 2.2.6.3. Raa-Raa Kesalahan Peramalan (MFE) Raa-Raa Kesalahan Peramalan aau Mean Forecas Error (MFE), sanga efekif unuk mengeahui apakan suau hasil peramalan selama periode erenu erlalu inggi aau erlalu rendah. MFE dihiung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. Secara sisemais MFE dinyaakan sebagai beriku : n ei 2 dengan : i i n ei i= MFE = 1 n e = A F i MFE : nilai raa-raa kesalahan n : jumlah periode waku daa e i : kesalahan pada periode waku i A i : daa pada periode waku i : ramalan unuk periode waku i F i 30
2.2.6.4. Raa-Raa Persenase Kesalahan Absolu (MAPE) Raa-Raa Persenase Kesalahan Absolu aau Mean Absolue Percenage Error (MAPE), merupakan ukuran kesalahan relaif. MAPE biasanya lebih berari dibandingkan MAD karena MAPE menyaakan persenase kesalahan hasil peramalan erhadap perminaan akual selama periode erenu yang akan memberikan informasi persenase kesalahan erlalu inggi aau erlalu rendah. Secara maemais MAPE dinyaakan sebagai beriku : n e 100 i= xi MAPE = 1 n 2.2.7. Verifikasi dan Pengendalian Peramalan Langkah pening seelah peramalan dibua adalah melakukan verifikasi peramalan sedemikian rupa, sehingga hasil peramalan ersebu benar-benar mencerminkan daa masa lalu dan sisem sebab akiba yang mendasari perminaan ersebu. Sepanjang akualias peramalan ersebu dapa dipercaya hasil peramalan akan erus digunakan. Jika selama proses verifikasi ersebu diemukan keraguan validias meode peramalan yang digunakan, harus dicari meode lainnya yang lebih cocok. Validias ersebu harus dienukan dengan uji saisika yang sesuai. Banyak ala yang dapa digunakan unuk memverifikasi peramalan dan mendeeksi perubahan sisem sebab akiba yang melaarbelakangi perubahan pola perminaan. Benuk yang paling sederhana adalah pea konrol peramalan yang mirip dengan pea konrol kualias. 31
2.2.8. Pea Moving Range Pea moving range dirancang unuk membandingkan nilai perminaan akual dengan nilai peramalan. Dengan kaa lain, kia meliha daa perminaan akual dan membandingkannya dengan nilai peramalan pada periode yang akan daang sehingga kia dapa membandingkan daa peramalan dengan perminaan akual. Pea moving range digunakan unuk melakukan verifikasi eknik dan parameer peramalan. Seelah meode peramalan dienukan maka pea moving range digunakan unuk menguji kesabilan sisem sebab akiba yang mempengaruhi perminaan. Moving range dapa didefinisikan sebagai : MR = F A = 1 dan raa-raa moving range didefinisikan sebagai beriku : MR MR = Σ n 1 Garis engah pea moving range adalah iik nol. Baas kendali aas dan bawah pada pea moving range adalah : BKA = +2, 66MR BKB = 2, 66MR Semenara iu, variabel yang akan diplo ke dalam pea moving range : = 2.3. Sisem Informasi Manufakur Sisem informasi adalah sisem virual yang memungkinkan manajemen unuk mengendalikan operasi sisem fisik perusahaan ersebu. 32
Sisem fisik, yakni sumberdaya erukur seperi maerial, personel, mesin dan uang. Sisem virual, yakni sumber daya informasi yang digunakan unuk merepresenasikan sisem fisik. Sisem Informasi Manufakur ermasuk dalam kerangka kerja Sisem Informasi Manajemen (SIM) secara keseluruhan. Sisem informasi manufakur digunakan dalam operasi sisem produksi fisik. Informasi iu digunakan oleh eksekuif perusahaan. Para manajer di area manufakur dan juga para eksekuif ermasuk wakil presiden direkur manufakur menerima informasi dari semua subsisem oupu yang berasal dari sisem informasi manufakur yang dierapkan perusahaan. Sisem Informasi Manufakur adalah solusi epa bagi perusahaan yang memikirkan prospeknya dalam jangka panjang. Hal ini dikarenakan sisem informasi manufakur lebih menekankan kepada proses produksi yang erjadi dalam sebuah lanai produksi, mulai dari inpu bahan menah hingga oupu barang jadi, dengan memperimbangkan semua proses yang erjadi. 33