Tinjauan Pustaka
Dalam dunia industri peramalan sangatlah diperlukan oleh berbagai departemen seperti departemen pemasaran, produksi, pembelian, persediaan, keuangan dan lain-lain. Peramalan ini digunakan sebagai dasar untuk menentukan kebijakan pengendalian dari system persediaan (inventory), sehingga peramalan memerlukan berbagai kegiatan untuk mengenali dan memantau berbagai sumber permintaan akan produk dan jasa yang meliputi peramalan, mencatat pesanan membuat janji penyerahan, menentukan kebutuhan unit-unit operasional untuk mengkoordinasikan seluruh kegiatan secara terpadu. Sasaran peramalan dapat dikatagorikan berdasarkan jangka waktunyan kedalam sasaran jangka panjang, jangka menengah, jangka pendek dan segera.
Peramalan adalah upaya untuk memperkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu dimasa yang akan dating. Analisa kebutuhan sering juga disebut dengan metoda peramalan yang merupakan suatu cara atau alat Bantu yang penting untuk melakukan suatu perencanaan yang efektif dan efisien dan juga merupakan bagian dari kegiatan pengam,bilan keputusan manajemen. Kegunaan permalan ini adalah untuk melihat pola tingkah laku dari lingkungan luar sehingga dapat diuraikan sebagai berikut:
- Menentukan apa yang dibutuhkan untuk perluasan pabrik.
- Menentukan perencanaan lanjutan bagi produk-produk yang ada untuk dikerjakan dengan fasilitas-fasilitas yang ada.
- Menentukan penjadwalan jangka pendek produk yang ada untuk dikerjakan berdasarkan peralatan yang ada.
- Menentukan penjadwalan jangka panjang untuk dikerjakan berdasarkan data yang ada.
Pada dasarnya peramalan adalah kegiatan memperkirakan apa yang terjadi pada masa yang akan dating. Sedangkan ramalan adalah suatu situasi yang diperkirakan akan terjadi pada masa yang akan dating. Jadi dapat disimpulkan bahwa pengertian peramalan adalah usaha untuk melihat situasi dan kondisi yang berlaku terhadap perkembangan yang akan datang dengan obyek yang diramalkan dapat berupa apa saja.
Pada strategi Product Positioning Make To Stock, peramalan merupakan Input utama yang merupakan dasar penetapan perencanaan produksi, perencanaan kapasitas dan perencanaan material. Sedangkan pada Make To Order peramalan hanya merupakan bahan pertimbangan untuk menentukan kebutuhan mesin. Informasi peramalan memegang peranan yang sangat penting untuk penjadwalan maupun rencana perluasan (jumlah dan jenis sumber daya).
Jenis-jenis peramalan pada umumnya dapat dibedakan menjadi beberapa jenis bila dilihat dari sudut penyusunannya dapat dibedakan menjadi dua macam yaitu sebagai berikut:
Peramalan Subjektif
Peramalan ini didasarkan pada perasaan atau intiusi dari orang yang menyusunnya, tingkat pengetahuan dan pengalaman sangat menentukan baik tidaknya peramalan yang dihasilkan.
Peramalan Objektif
Peramalan ini didasarkan atas data masa lalu dan masa kini dalam hal ini digunakan teknik atau metoda untuk menganalisa data tersebut.
Hal-hal yang perlu diperhatikan didalam memilih model peramalan adalah sebagai berikut:
- Item yang diramalkan
- Interaksi situasi
- Waktu persiapan
- Jumlah data histories yang tersedia.
Dalam peramalan terdapat prinsip-prinsip peramalan adalah sebagai berikut:
- Peramalan akan selalu mengandung kesalahan (error), peramalan hanya mengurangi ketidakpastian tetapi tidak menghilangkannya.
- Peramalan sebaiknya memakai tolak ukur kesalahan peramalan. Dimana pemakai harus tahu besarnya kesalahan yang dapat dinyatakan dalam satuan unit atau presentase (peluang) permintaan aktual akan jatuh dalam interval peramalan.
- Peramalan famili produk lebih teliti atau akurat dari pada peramalan produk individu (end item).
- Peramalan jangka pendek lebih teliti atau akurat dari pada peramalan jangka panjang, karena dalam jangka pendek kondisi yang mempengaruhi permintaan cenderung tetap atau berubah lambat sehingga peramalan jangka pendek lebih teliti.
Karakteristik peramalan yang baik adalah sebagai berikut:
Ketelitian
Jika terlalu besar akan mengakibatkan persediaan yang berlebihan dan biaya operasi bertambah (inventory tinggi) dan jika ketelitian terlalu kecil akan mengakibatkan kekurangan persediaan dan kehilangan konsumen.
Ongkos (biaya)
Biaya untuk mengembangkan model peramalan yang dilakukan maka akan menjadi signifikan jika jumlah produk dan data lainnya semakin besar. Sehingga mengembangkan model lebih komplek atau model sederhana dengan konsekuensi biaya lebih murah dan apabila lebih canggih akan menjadikan ongkos atau biaya menjadi mahal.
Response
Peramalan harus stabil dan tidak mudah terpengaruhi oleh fluktuasi demand.
Penyederhanaan (simple)
Keuntungan utama menggunakan peramalan yang sederhana adalah kemudahan untuk melakukan peramalan dan analisisnya.
Secara garis besar metode peramalan dibagi kedalam dua katagori utama adalah sebagai berikut:
Metode kuantitatif yang terdri dari metode time series (deret berkala) dan metode kausal (regresi).
Metode kualitatif (teknologis) yang terdiri dari exploratoris (misalnya metode Delphi, kurva, analogi dan penelitian morfologis) dan normative.
Metode Kuantitatif
Metode kuantitatif dapat digunakan bila tersedia data masa lalu dan informasi tersebut dapat dikuantitatifkan dalam bentuk data numeric atau dapat diasumsikan bahwa beberapa aspek pokok masa lalu akan terus berlanjut dimasa yang akan datang.
Metode Time Series
Metode time series digunakan untuk kondisi dimana kita tidak dapat menjelaskan faktor apa yang akan menyebabkan terjadinya event yang diramalkan sehingga waktu yang dianggap sebagai variable penyebab terjadinya event tersebut. Secara garis besar metoda ini dapat dikelompokkan menjadi beberapa metode yaitu sebagai berikut:
Metode Moving Average
Metode moving average dipakai untuk kondisi dimana setiap data pada waktu yang berbeda mempunyai bobot yang sama dengan sehingga fluktuasi random data dapat direndam dengan rata-rata. Tidak semua data masa lalu dapat mewakili asumsi sehingga metode ini biasanya digunakan untuk peramalan jangka pendek. Metode ini terdiri dari single moving average (untuk data stationer), double moving average (untuk data yang mengandung pola data trend) dan triple moving average (untuk data yang mengandung pola trend dan siklik).
Metode Smoothing
Metode Smooting dipakai untuk kondisi dimana bobot data pada periode yang satu berbeda dengan data pada periode sebelumnya dan membentuk fungsi exponential smoothing sehingga disebut dengan eksponensial smoothing. Bila pola datanya stasioner, single eksponensial smoothing cukup baik untuk meramalkan keadaan. Metode single eksponensial smoothing memberikan bobot yang berbeda pada setiap data.
Pada dasarnya metode imple regresi berusaha untuk mencari fungsi hubungan antara sebab dan akibat (dalam hal ini waktu). Diasumsikan waktu mempunyai hubungan linier dengan ramalan dan pola akan terus berlanjut sehingga dari fungsi yang terbentuk dapat ditentukan ramalan dimasa yang akan datang dengan cara antrapolasi (metode simple regression). Karena variabel sebab hanya ada satu yaitu waktu, maka sering disebut simple regresi namun apabila variabelnya lebih dari satu maka metodenya disebut dengan multiple reggresi. Namun peramalan yang tepat untuk pola data tersebut adalah berbentuk lenier regresi.
Seperti yang telah dijelaskan diatas maka peramalan merupakan taksiran dari data yang telah ada, jadi karena berupa taksiran dimungkinkan akan adanya kesalahan-kesalahan pada peramalan tersebut, besarnya kesalahan pada periode ke 1 dinyatakan sebagai berikut:
RUMUS Metode Kualitatif
Metode kualitatif digunakan jika tidak ada data masa lalu karena alasan sebagai berikut:
Ø Tidak tercatat
Ø Yang diramalkan adalah hal baru
Ø Situasi telah berubah
Ø Kesalahan peramalan tidak dapat diprediksi
Metode ini dikelompokkan menjadi 3, yaitu sebagai berikut:
1) Metode subyektif
Adalah upaya untuk memperkirakan yang akan terjadi berdasarkan pendapat subyektif yang berasal dari individu, grup dan pimpinan.
2) Metode explotog
Adalah upaya untuk menggali kondisi apa yang dapat terjadi setelah mendefinisikan batasan-batasan yang ada.
3) Metode normative
Adalah upaya menggambarkan apa yang mungkin terjadi berdasarkan nama yang berlaku.
Metode kualitatif biasanya digunakan untuk meramalkan lingkungan dan teknologi karena kondisi tersebut berbeda kondisi perekonomian dan pemasaran.
Pengumpulan Data
Pengumpulan data yang dilakukan dalam penelitianini dihasilkan dari asumsi-asumsi dan untuk peramalan data diambil dari data actual menurut rumus model masing-masing. Data permintaan actual tersebut dihasilkan dari data asumsi yang diambilselama 12 bulan kebelakang. Data permintaan 12 bulan kebelakang tersebut dihasilkan dari masing-masing produk yang dibuat selama sebulan.
Langkah-langkah Pengolaha Data
Setelah mendapat data permintaan untuk 12 bulan sebelumnya dari dua jenis produk tersebut yaitu trails jendela dan pintu pagar besi maka dilakukan perhitungan, perhitungan peramalan dalam ramalan ini menggunakan dua metode peramalan yaitu metode moving average dan regresi linier, masing-masing data diperoleh dari permintaan produk itu sendiri sehingga menghasilkan data peramalan untuk bulan-bulan selanjutnya.
Pengolahan Data
Metode yang Digunakan
Untuk perhitungan peramalan digunakan metode moving average dan regresi linier.
Persamaan yang digunakan adalah sebagai berikut:
Untuk perhitungan peramalan model moving averafe digunakan rumus sebagai berikut:
RUMUS
1.4.2 Pengujian Metode Peramalan yang Digunakan
a. Persamaan yang digunakan adalah Tracking signal.
Dalam laporan ini digunakan rumus tracking signal model moving average dan regresi linier.
1. Untuk perhitungan tracking signal model moving average digunakan rumus sebagai berikut:
Periode (N) = Diambil dari indeks waktu
Forecast (F) = Diambil dari peramalan ke-4 sampai peramalan ke-12, jadi jumlah periodenya adalah 9.
Actual (A) = Diambil dari peramalan ke-4 sampai peramalan ke-12, jadi jumlah periodenya adalah 9.
Error (E) = Aktual – forecasting
RSFE = RSFE periode ke-1 diambil dari Error periode ke-1, sedangkan untuk pencarian RSFE periode kedua adalah RSFE periode ke-1 + Error periode ke-2, dan seterusnya.
Absolute Error = Diambil dari Error kemudian dipositifkan seluruh datanya.
Komulatif Absolut Error = Komulatif absolute erroe periode kesatau diam,bil dari absolute error periode kesatu, sedangkan komulatif absolute error periode kedue diambil dari komulaif absolute error + absolute error periode kedua.
MAD = komulatif absolute
Periode
Tracking Signal = MAD
RSFE
2. Untuk perhitungan tracking signal model linier regresi digunakan rumus sebagai berikut:
Untuk pencarian tracking signal model linier regresi sama dengan pencarian tracking signal model moving average, tetapi dalam linier regresi periodenya diambil seluruhnya yaitu periode ke-1 sampai dengan periode ke-12, maka dapat diurutkan sebagai berikut:
Periode (N) = Diambil dari indeks waktu
Forecast (F) = Diambil dari peramalan ke-1 sampai peramalan ke-12, jadi jumlah periodenya adalah 12
Actual (A) = Diambil dari peramalan ke-1 sampai peramalan ke-12, jadi jumlah periodenya adalah 12.
Error (E) = Aktual – forecasting
RSFE = RSFE periode ke-1 diambil dari Error periode ke-1, sedangkan untuk pencarian RSFE periode kedua adalah RSFE periode ke-1 + Error periode ke-2, dan seterusnya.
Absolute Error = Diambil dari Error kemudian dipositifkan seluruh datanya.
Komulatif Absolut Error = Komulatif absolute erroe periode kesatau diam,bil dari absolute error periode kesatu, sedangkan komulatif absolute error periode kedue diambil dari komulaif absolute error + absolute error periode kedua.
MAD = komulatif absolute
Periode
Tracking Signal = MAD
RSFE
b. Contoh perhitungan
Contoh perhitungan tracking signal metode moving average adalah sebagai berikut:
Diketahui :
Periode (N) =1 dan 2, Forecast (F) =29,67 dan 26,33 aktualnya 20 dan 20. Ditanyakan Tracking Signal ?
Penyelesaian:
E periode ke-1 = A – F
= 20 – 29,67
= -9,67
E Periode ke-2 = A – F
= 20 – 26,33
= -6,33
RSFE periode ke-1 = -9,67
RSFE periode ke-2 = RSFE periode ke-1 + E periode ke-2
= -9,67 + -6,33
= -16,00
Absolute Error periode ke-1 = 9,67
Absolute Error periode ke-2 = 6,33
Komulatif Absolute Error periode ke-1 = 9,67
Komulatif Absolute Error periode ke-2 = 9,67 + 6,33
= 16,00
MAD periode ke-1 = Komulatif Absolute Error periode ke-2
periode ke-2
= 9,67 / 1
= 9,67
MAD periode ke-2 = Komulatif Absolute Error periode ke-2
periode ke-2
= 16.00 / 2
= 8,00
Tracking Signal ke-1 = MAD ke-1
RSFE ke-1
= 9,67 / -9,67
= -1,00
Tracking Signal ke-2 = MAD ke-2
RSFE ke-2
= 8,00 / -16,00
= -2,00
Comments
0 comments to "Laporan Sistem Produksi untuk Teknik Industri BAB 1 Peramalan"
Post a Comment