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 di 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
10
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 2 sampai 10 tahun. Peramalan ini digunakan untuk perencanaan produk dan perencanaan sumber daya.
• Peramalan Jangka Menengah Umumnya untuk jangka waktu antara 1 sampai 24 bulan. Peramalan ini lebih mengkhusus dibandingkan peramalan jangka panjang, biasanya digunakan untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran.
11
• 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)
12
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.
Y
Waktu 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.
13
Y
Waktu 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.
Y
Waktu Gambar 2.3 Pola Data Siklis
14
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.
Y
Waktu 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)
15
2.5 Faktor-Faktor Yang Mempengaruhi Peramalan Permintaan akan suatu produk pada suatu perusahaan merupakan resultan dari berbagai faktor yang saling berinteraksi dalam pasar. Faktorfaktor 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
16
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.
17
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
18
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 merupakan
bila
teknik
dilakukan dengan moving
average,
komputer.
metode
ini
Meskipun mencakup
pemeliharaan data masa lalu yang sedikit, metode ini ditunjukkan sebagai :
Dimana :
= Ramalan baru
= Ramalan sebelumnya = Permintaan aktual periode sebelumnya = Konstanta penghalusan
19
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
20
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 x = 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
21
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
22
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
23
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 : 2
Dimana : Q = EOQ D = Kebutuhan rata-rata dalam satu bulan
24
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
25
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) = Dm
(A + hD2 + 2hD3 + ….. (m-1)hDm)
= Permintaan pada periode m
K(m) = Rata-rata per unit waktu m
= Periode
26
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 m periode sekaligus m
= Periode
A
= Biaya order
h
= Biaya simpan / unit waktu
27
• 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.
