LAPORAN PRAKTIKUM PERENCANAAN INDUSTRI

LABORATORIUM MANAJEMEN JURUSAN TEKNOLOGI HASIL PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN UNIVERSITAS JEMBER 2012

BAB 1. PENDAHULUAN

1.1 Latar Belakang Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi menggunakan datadata peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan. Peramalan dapat dilakukan secara kuantitatif dan kualitatif. Peramalan secara kuantitatif menekankan penggunaan metode metode eksak sedangkan peramalan kualitatif berbasis judgment dari yang melakukan peramalan. Di dalam peramalan digunakan empat metode yaitu : regresi selanjar, regresi bergerak, pemulusan eksponensial, dan pemulusan dengan pemfaktoran kecenderungan. Akan tetapi, meskipun model model peramalan yang baik mempunyai arti penting dalam suatu industri atau perusahaan, peramalan juga mempunyai kekurangan yang harus diwaspadai. Dengan demikian penting mengetahui peramalan mengenai analisis ekonomi masa depan untuk memberikan suatu wawasan yang tepat mengenai keputusan investasi dimasa datang. Terlebih dengan banyaknya perubahan perubahan yang mungkin terjadi dimasa mendatang, baik perubahan sistem ekonomi itu sendiri ataupun perubahan arus investasi. 1.2 Tujuan Adapun tujuan dari mempelajari peramalan dalam dunia bisnis, yaitu: a. b. c. Mengurangi ketidakpastian produksi. Agar langkanh proaktif atau antisipatif dapat dilakukan. Keperluan penjadwalan produksi.

BAB 2. TINJAUAN PUSTAKA

2.1 Pengertian Peramalan Peramalan adalah perkiraan tingkat permintaan untuk suatu produk atau beberapa produk dalam periode waktu tertentu pada masa yang akan datang. Fungsi peramalan permintaan melayani banyak tujuan manajerial yang luas dalam organisasi-organisasi yng mencari keuntungan ataupun yang tidak mencari keuntungan supaya berguna untuk operasi-operassi perencanaan dan pengawasan, sangat penting tersedianya data-data atau bahan-bahan keterangan mengenai peramalan permintaan akan bahan-bahan / material, waktu dalam penggolongan/ klasifikasi alat-alat yang khas dan permintaan akan keterampilan tenaga kerja yang spesifik (Syamsuddin, 2008). Menurut Handoko (2000), usaha untuk meramalkan di maa mendatang melalui pengujian keadaan di masa lalu disebut dengan peramalan. Esesnsi peramalan yaitu perkiraan peristiwa-peristiwa di waktu yang lalu dan penggunaan kebijakan terhadap proyeksi-proyeksi dengan pola-pola di waktu lalu. Fungsi dari peramalan adalah untuk untuk meramalkan atau memperkirakan biaya maupun keuntungan yang didapat dengan kuantitas tertentu sehingga dapat menentukan jumlah produksi yang sesuai sehingga tidak rugi. Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi menggunakan datadata peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan (Subagyo, 1986). Peramalan merupakan alat bantu penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang bisnis. Peramalan merupakan prediksi nilai-nilai sebuah variable berdasarkan pada nilai yang diketahui dari variable tersebut atau variable yang berhubungan, yang didasarkan pada data historis dan pengamatan.

Ramalan diperlukan untuk memberikan informasi sebagai dasar untuk membuat suatu keputusan dalam berbagai kegiatan (Makridakis, 1993). Dalam peramalan sering terjadi kesalahan ramal merupakan ukuran penetapan ramalan dan merupakan dasar perbandingan kemampuan ramal. Ukuran kesalahan ramal yang sering digunakan antara lain: 1. 2. 3. Kesalahan rata-rata (Average error) Devisiasi absolute nilai tengah (Mean absolute deviation) Kuadrat kesalahan nilai tengah (Mean square error)

(Antarikso dan Djoko, 1994) Menurut Stone,J (1997), dalam proses peramalan bisanya terdiri dari langkah-langkah sebagai berikut: 1. Penentuan Tujuan Penentuan tujuan berfungsi untuk menentukan macam estimasi yang diinginkan,sedangkan tujuan tergantung pada kebutuhan-kebutuhan informasi para manajer. 2. Pengembangan Model Model merupakan suatu kerangka analitik yang bila dimasukkan data menghasilkan estimasi penjualan diwaktu mendatang. 3. Pengujian Model Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat akurasi, validasi, dan rehabilitas yang diharapkan. 4. Penerapan Model Pada langkah ini, data histerik dimasukkan dalam model untuk menghasilkan suatu ramalan. 5. Revisi dan Evaluasi Ramalan-ramalan yang telah dibuat harus selalu harus diperbaiki dan ditinjau kembali. Perbaikan mungkin perlu dilakukan karena adanya perubahan-perubahan dalam perusahaan atau lingkungannya, seperti tingkat harga produksi perusahaan, karakteristik produk, dan pengeluaran iklan. Metode-metode yang terdapat dalam peramalan antara lain: a. Regresi Selanjar Mengembangkan hubungan selanjar antara variable tak bebas tunggal dan banyak variable bebas. b. Rarata Bergerak

Memuluskan fluktuasi acak menggunakan rerata yang setara atau diperbesar. c. Pemulusan Eksponensial Menggunakan koefesien pemulusan tunggal untuk menyesuaikan data historis. d. Pemulusan Dengan Pemfaktoran Kecenderungan Menggunakan dua koefisien pemulusan untuk menghilangkan fluktuasi pada data historis dan kecenderungan. e. Pemulusan Dengan Kecenderungan dan Pemfaktoran Musiman

f. Menggunakan tiga koefisien pemulusan untuk menghilangkan fluktuasi acak pada data, kecenderungannya, dan indeks-indeks musiman (tahunan-kuartalan atau bulanan) (Anonym, 2011). 2.2 Faktor- Faktor yang Mempengaruhi Peramalan Untuk menjamin efektivitas dan efisiensi dari sistem peramalan permintaan, terdapat sembilan langkah yang harus diperhatikan, yaitu : 1. Menentukan tujuan dari peramalan 2. Menentukan item independent demand yang diramalkan 3. Menentukan horizon waktu dari peramalan 4. Memilih model-model peramalan 5. Memperoleh data yang dibutuhkan untuk melakukan peramalan 6. Validasi model peramalan 7. Membuat peramalan 8. Implementasi hasil-hasil peramalan 9. Memantau keandalan hasil peramalan (Yamit,2005). Permintaan suatu produk pada suatu perusahaan sangat dipengaruhi oleh berbagai faktor lingkungan yang saling berinteraksi dalam pasar yang berada di luar kendali perusahaan. Dimana faktor-faktor lingkungan tersebut juga akan

mempengaruhi peramalan. Berikut ini merupakan beberapa faktor lingkungan yang mempengaruhi peramalan : 1. Kondisi umum bisnis dan ekonomi 2. Reaksi dan tindakan pesaing 3. Tindakan pemerintah 4. Kecenderungan pasar 5. Siklus hidup produk

6. Gaya dan mode 7. Perubahan permintaan konsumen 8. Inovasi teknologi (Nasution, 1999).

BAB 3. METODOLOGI PRAKTIKUM

3.1 Regresi Selanjar Start

All program

Win QSB

Forecasting and Linier Regression

Klik Gambar kotak dipojok atas file Pilih linier regression isi problem tittle, kilik OK jika selesai

Isi table sesuai data Klik solve and analize pilih perform linier regression

Tentukan sumbu X dan Y, klik OK jika selesai Untuk melihat grafik klik result pilih Show regression line

Tentukan nilai tahun ke-9 dengan persamaan yang ada

3.2 Rerata Bergerak Start

All program

Win QSB

Forecasting and Linier Regression

Klik Gambar kotak dipojok atas file Pilih linier regression isi problem tittle, kilik OK jika selesai

Isi table sesuai data Klik solve and analize pilih perform linier regression

Pilih moving average dan masukkan data sesuai dengan soal

Hasil akan tampak

Catat data yang ada dan beberapa nilai yang diramalkan

3.3 Pemulus Eksponensial Start

All program

Win QSB

Forecasting and Linier Regression

Klik Gambar kotak dipojok atas file Pilih linier regression isi problem tittle, kilik OK jika selesai

Isi table sesuai data Klik solve dan analize pilih single exponentiall smoothing

Tentukan sumbu X dan Y, klik OK jika selesai Untuk melihat grafik klik result pilih show regression line

Tentukan nilai tahun ke-9 dengan persamaan yang ada

3.4 Pemulusan dengan Pemfaktoran Kecenderungan Start

All program

Win QSB

Forecasting and Linier Regression

Klik Gambar kotak dipojok atas file

Pilih linier regression isi problem tittle, kilik OK jika selesai

Isi table sesuai data

Klik solve and analize pilih single exponentiall smoothing with trend

Tentukan sumbu X dan Y, klik OK jika selesai

Untuk melihat grafik klik result pilih show regression line

Tentukan nilai tahun ke-9 dengan persamaan yang ada

BAB 4. HASIL PENGAMATAN DAN HASIL PERHITUNGAN

4.1 Hasil Pengamatan 4.1.1 Regresi Selanjar

4.1.2 Rerata Bergerak

4.1.3 Pemulusan Eksponensial

4.1.4

Pemulus dengan Pemfaktoran Kecenderungan

4.2 Hasil Perhitungan 4.2.1 Soal Nomer Empat

4.2.1 Soal Nomer Empat - Metode MA

Metode SES

- Metode SEST

BAB 5. PEMBAHASAN

5.1 Pengertian dan Fungsi Peramalan Peramalan adalah proses memperkirakan peristiwa mendatang dan digunakan secara luas di dalam bisnis (Anonim, 2011). Sedangkan menurut Makridakis (1993), peramalan merupakan kegiatan memperkirakan peristiwa yang akan terjadi pada masa mendatang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasari pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan. Bila peramalan telah dibuat, suatu manfaat dan tujuan harus dapat diperoleh dan dipersiapkan sehingga dapat mempengaruhi sifat peramalan. Dalam hal ini terdapat tiga kegunaan dari peramalan : 1. Menentukan apa yang dibutuhkan untuk perluasan pabrik. 2. Menentukan perencanaan lanjutan bagi produk produk yang ada untuk dikerjakan dengan fasilitas fasilitas yang ada. 3. Menentukan penjadwalan jangka pendek produk produk yang ada untuk dikerjakan berdasarkan peralatan yang ada. (Assauri, 1984). 5.2 Metode-Metode Peramalan Terdapat beberapa metode-metode yang dapat digunakan dalam peramalan yaitu: 1. Regresi Selanjar Menggunakan persamaan linier untuk menentukan data selanjutnya dengan memasukkan salah satu factor yang ditentukan. Keakuratannya adalah dapat menghitung peramalan tahun mendatang atau selanjutnya dengan persamaan sehingga hasil yang diperoleh cepat dan mudah, namun perlu dilakukan perhitungan. 2. Rerata Bergerak Membangun peramalan masa dating dengan cara yaitu menarik rerata dari N data actual yang terakhir. N disebut periode dari MA. Pemilihan nilai N dapat ditentukan dari analisis pola data. Keakuratannya yaitu tanpa perhitungan namun hasilnya berdasarkan rerata dari data-data sebelumnya. 3. Pemulusan Eksponensial Metode pemulusan eksponensial, pada dasarnya data masa lalu dimuluskan dengan cara melakukan pembotan menurun secara eksponensial terhadap nilai pengamatan yang lebih tua. Atau nilai yang lebih baru diberikan bobot yang relative lebih besar dibandingkan nilai pengamatan yang lebih lama.

4.

Pemulusan dengan Pemfaktoran Kecenderungan Menggunakan dua koefesien pemulusan untuk menghilangkan fluktuasi pada

data historis dan kecenderungan. (Anonim, 2011). 5.3 Pengertian dan Penggunaan Rumus a. MAD (Mean Absolute Deviation) : rata-rata penyimpangan peramalan mutlak yang diperoleh secra manual dengan membagi jumlah forecast error lalu dibagi dengan banyaknya periode yang diramalkan.. b. CFE (Cumulative Sum of Error) adalah jumlah secara keseluruhan atau komulatif kesalahan di dalam sebuah metode peramalan yang didapatkan secara manual dengan mengetahui jumlah forecast erornya (ET/Fe). c. MSE (Mean Square Error) adalah kemiringan kurva peramalan yang merupakan rata-rata presentase dari kesalahan absolute peramalan dimana secara manual didapatkan dengan mengkalikan jumlah forecast erorr dengan 100 lalu dibagi data aktualnya dan dibagi jumlah periode yang diramalkan. d. MAPE (Mean Absolute Percent Erorr) adalah angka yang menunjukkan

kesalahan rata-rata dalam bentuk rata-rata. Biasanya menyatakan akurasi sebagai persentase. e. Tracking signal besar merupakan derajat kecermatan suatu peramlan, semakin

tracking signal semakin besar pula kecermatannya atau data yang

didapat semakin akurat. (Antarikso, 1994). 5.4 Analisa Data Berdasarkan perhitungan dan pembahasan yang telah dilakukan diperoleh bahwa persamaan Factor 2 =893.75+77.0833 factor 1. Persamaan ini menjadi dasar untuk meramalkan factor 2 (penjualan) pada nilai factor 1 (tahun) yang selanjutnya. Sehingga, untuk meramalkan berapa penjualan yang mungkin akan terjadi adalah dengan memasukkan nilai factor 1 (tahun) yang akan diketahui. Apabila menggunakan moving average dan rata-rata bergeraknya 3 diperoleh berbagai peramalan. Tahun ke-9 diperoleh nilai sale 1425 dengan Mean absolute presentage error (MAPE) sebesar 10,01943. . Sedangkan jika menggunakan metode pemulusan dengan pemfaktoran kecenderungan (Single Exponential Smoothing with Trend) nilai peramalan tahun ke-9 adalah 1579,303 dengan MAPE sebesar 7,082344. Selain itu peramalan menggunakan metode pemulusan eksponensial (Single Exponential Smoothing) didapatkan nilai 1434,18 untuk peramalan ke-9 dengan MAPE sebesar 11,18695. Berdasarkan metode tersebut apabila dibandingkan dengan literatur maka

metode pemulusan dengan pemfaktoran kecenderungan (Single Exponential Smoothing with Trend) adalah metode yang paling efektif karena memiliki nilai persentasi Error (MAPE) paling kecil. Sehingga metode tersebut paling efisien untuk digunakan. 5.4.1 Soal Nomor 4 Berdasarkan hasil perhitungan yang telah dilakukan, dapat diketahui bahwa melalui perhitungan manual, persamaan regresi yang didapatkan yaitu y = 5,06x+1,593. Sehingga, jika menu makan malam sebanyak 600 orang, maka diperoleh jumlah menu makan sebanyak 54,072 orang. Kemudian, berdasarkan metode moving average didapatkan data nilai CFE sebesar -1.39; nilai MAD sebesar 5,34; nilai MSE sebesar 46,48 dan nilai MAPE(%) sebesar 9,524 untuk jumlah Menu makan. Berdasarkan data tersebut peramalan pada masa mendatang diketahui bahwa jumlah menu makan malam dengan metode MA memiliki nilai akurasi yang rendah. 5.4.2 Soal Nomor 5 Berdasarkan hasil perhitungan yang telah dilakukan, dapat diketahui bahwa melalui perhitungan manual, persamaan regresi yang didapatkan yaitu y = 5,06x+1,593. Sehingga, jika menu makan malam sebanyak 600 orang, maka diperoleh jumlah menu makan sebanyak 54,072 orang. Kemudian, berdasarkan metode moving average didapatkan data nilai CFE sebesar -1.39; nilai MAD sebesar 5,34; nilai MSE sebesar 46,48 dan nilai MAPE(%) sebesar 9,524 untuk jumlah Menu makan. Berdasarkan data tersebut peramalan pada masa mendatang diketahui bahwa jumlah menu makan malam dengan metode MA memiliki nilai akurasi yang rendah. Pada soal nomor 5, mengenai peramalan permintaan (demand) di tahun 2012, digunakan peramaln dengan 3 metode, yaitu MA (moving average), metode SES (Single Exponential Smoothing), dan SEST (single Exponential Smoothing with Trend). Pada hasil perhitungan dengan menggunakan metode MA diperoleh data . Lalu, pada hasil perhitungan dengan mengggunakan metode SEST, diperoleh CFE= 1.397568; MAD= 5,3438; MSE= 46,48613; MAPE= 9,524346; TS= -0,2621383; dan R-Square= 0,5120563. Berdasarkan data tersebut diatas, dapat diketahui bahwa nilai CFE, MAD, MSE, MAPE, TS, R-Square paling rendah diperoleh pada hasil perhitungan metode SEST. Artinya, nilai kesalahan pada metode perhitungan SEST lebih kecil dibanding hasil perhitungan dengan memakai metode lainnya.

BAB 6. PENUTUP

6.1 Kesimpulan Berdasarkan pembahasan dan perhitungan yang telah dilakukan, diperoleh kesimpulan bahwa : 1. Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan. 2. Metode yang terdapat dalam peramalan yaitu: regresi selanjar, rerata bergerak, pemulusan eksponensial, dan pemulusan dengan pemfaktoran kecenderungan. 3. MAPE (Mean absolute presentage error) merupakan rata-rata presentase dari kesalahan absolute peramalan dimana secara manual didapatkan dengan mengkalikkan jumlah forecast error dengan 100 lalu dibagi data aktualnya dan dibagi jumlah periode yang diramalkan. 4. Semakin kecil nilai MAPE makan tingkat ketepatannya semakin besar. Sebaliknya, semakin besar nilai MAPE maka keakuratan peramalan semakin kecil. 5. Metode yang paling efektif digunakan dalam mengetahui nilai peramalan dimasa mendatang adalah metode pemulusan dengan pemfaktoran

kecenderungan (Single Exponential Smoothing with Trend) atau SEST karena memiliki nilai persentasi Error (MAPE) paling kecil dari 4 metode yang peramalan lainnya. 6.2 Saran Kasih nilai yang bagus ya mas.

DAFTAR PUSTA

Anonim. 2012. Petunjuk Praktikum Perencanaan Industri. Jember : Laboratorium Manajemen Agroindustri FTP THP Antarikso, Tjoko.1994. Manajemen Produksi. Jakarta: Erlangga Assauri, S. 1984. Teknik dan Metode Peramalan Penerapannya Dalam Ekonomi dan Dunia Usaha. Jakarta: Lembaga Penerbit Fakultas Ekonomi UI Handoko, T. 2001. Dasar-dasar Manajemen Produksi dan Operasi. Yogyakarta : BPFE. Makridakis. 1993. Metode dan Aplikasi Peramalan. Jakarta: Bina Aksara Mason, D. R dan Lina A. D. 1999. Statistic Untuk Bisnis dan Ekonomi. Edisi Sembilan. Jakarta: Erlangga. Nasution, A. 1999. Perencanaan dan Pengendalian Produksi. Jakarta : penerbit Guan Widya. Subagyo, Pangestu. 1986. Forecasting Konsep dan Aplikasi. Yogyakarta: BPFE. Syamsudin. 2008. Pustaka Serpong : Metode Peramalan.

http//:pustakaserpong.blogspot.com [diunduh 29 Maret 2012]. Yamit, Z. 2005. Manajemen Persediaan. Yogyakarta : Ekonisia.