MANAJEMEN OPERASIONAL LANJUTAN 2008 NANI SUTARNI 2010

BAB 2 PERAMALAN

A. Pengertian Peramalan Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan, dimana hal ini dilakukan dengan melibatkan pengambilan data di masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis atau bisa juga merupakan prediksi intuisi yang bersifat subjektif atau bisa juga dengan menggunakan kombinasi model matematika yang disesuaikan dengan pertimbangan yang baik dari seorang manajer. Peramalan adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada perencanaan produksi.

A. Meramal Horizon Waktu (time frame) Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang dicakupnya. Horizon waktu terbagi kedalam beberapa kategori, yaitu : 1. Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi. 2. Peramalan jangka menengah. Peramalan jangka menengah atau intermediate, umumnya mencakup hitungan bulanan hingga 3 tahun. Peramalan ini berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas, dan menganalisis bermacam-macam rencana operasi. 3. Peramalan jangka panjang. Umumnya untuk perencanaan masa 3 tahun atau lebih. Peramlan jangka panjang digunakan untuk merencanakan produk baru, pembelanjaan, modal, lokasi atau pembangunan fasilitas, serta penelitian dan pengembangan (litbang).

Peramalan jangka menengah dan jangka panjang dapat dibedakan dari peramalan jangka pendek dengan melihat tiga hal berikut : 1. Peramalan jangka menengah dan jangka panjang berkaitan dengan

permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen yang berkaitan dengan perencanaan produk, pabrik dan proses. 2. Peramalan jangka pendek biasanya menerapkan metodologi yang berbeda dibandingkan dengan peramlan jangka panjang. Teknik matematika, seperti rata-rata bergerak, penghalusan eksponensial , dan ekstrapolasi tren yang umumnya dikenal untuk peramalan jangka pendek. Lebih sedikit metode kuantitatif yang berguna untuk meramalkan suatu permasalahan. 3. Sebagaimana yang mungkin diperkirakan, peramalan jangka pendek cenderung lebih tepat dibandingkan peramalan jangka panjang. Faktor-faktor yang mempengaruhi perubahan permintaan berubah setiap hari. Dengan demikian, sejalan dengan semakin panjangnya horizon waktu, semakin tipis pula ketepatan peramalan seseorang. Peramalan penjualan harus diperbaharui secara berkala untuk menjaga nilai integritasnya. Peramalan harus selalu dikaji ulang dan direvisi pada setiap akhir periode penjualan.

B. Jenis Peramalan Organisasi pada umumnya menggunakan tiga jenis peramalan yang utama dalam perencanaan operasi masa depan : 1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan, dan indikator perencanaan lainnya. 2. Peramalan teknologi (technological forecast) memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.

3. Peramalan permintaan (demand forecast) adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan. 4. Kepentingan strategis peramalan.

C. Kepentingan Peramalan Peramalan yang baik sangat penting dalam semua aspek bisnis karena merupakan satu-satunya prediksi atas permintaan hingga permintaan yang sebenarnya diketahui. Peramalan permintaan mengendalikan keputusan dibanyak bidang. Berikut adalah dampak peramalan produk pada tiga aktifitas,yaitu : 1. Sumber Daya Manusia 2. Kapasitas 3. Manajemen Rantai Pasokan

D. Langkah Langkah Peramalan Peramalan terdiri dari tujuh langkah dasar: 1. Menetapkan tujuan peramalan. 2. Memilih unsur apa yang diramal. 3. Menentukan horizon waktu. 4. Memilih tipe model peramalan. 5. Mengumpulkan data yang diperlukan untuk melakukan peramlan. 6. Membuat peramlan. 7. Memvalidasi dan menerapkan hasil peramlan.

Tujuh langkah ini menyajikan jalan yang sistematis untuk memulai, mendesain, dan menerapkan sistem peramalan. Apabila sistem tersebut digunakan untuk menghasilkan ramalan berkala, maka data harus dikumpulkan secara rutin. Kemudian perhitungan aktual dibuat dengan bantuan komputer. Terlepas dari sistem diatas perusahaan menghadapi beberapa kenyataan : 1. Peramalan jarang sempurna. Hal ini berarti faktor luar yang tidak dapat kita duga dan kita kendalikan sering mempengaruhi peramalan. 2. Hampir semua teknik peramalan mengansumsikan bahwa sistem akan tetap stabil. Oleh karena itu, beberapa perusahaan membuat ramalan secara otomatis menggunakan komputer dengan software peramalan, dan hanya mengawasi produk yang mempunyai permintaan tidak menentu. 3. Baik kelompok peramalan produk maupun peramalan secara keseluruhan lebih akurat daripada peramalan produk individu.

E. Pendekatan dalam Peramalan Ada dua pendekatan umum peramalan : 1. Analisis kualitatif (qualitative forecast) atau peramalan subjektif,

menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal. Beberapa perusahaan menggunakan satu pendekatan dan perusahaan lain menggunakan pendekatan yang lain. Pada kenyataannya,kombinasi dari keduanya merupakan yang paling efektif. Terdapat empat teknik dalam analisis ini, yaitu: a. Keputusan dari pendapat juri eksekutif. b. Delphi. c. Gabungan dari tenaga penjualan. d. Survei pasar konsumen.

2. Analisis kuantitatif

(quantitative forecast), menggunakan model matematis

yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan. Terdapat lima metode peramalan yang menggunakan data masa lalu yang terbagi ke dalam dua kategori: Empat model time series (deret berkala), yaitu membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu. a. Pendekatan Naif b. Rata-rata Bergerak c. Penghalusan Eksponensial d. Proyeksi tren e. Regresi Linear

Dalam makalah ini hanya akan dibahas pendekatan kuantitatif yang memuat tinjauan metode kuantitatif model time series (Rata-rata bergerak dan Penghalusan eksponensial). F. Pola Data Metode Time Series (Deret Berkala) Terdapat beberapa pola permintaan dalan peramlan, yaitu: 1. Pola horizontal (constant), terjadi bilamana data berfluktuasi disekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. 2. Pola musiman (seasonal), 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 ruang semuanya menunjukkan jenis pola ini. 3. Pola siklis (cycle), terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama lainnya.

4. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai indikator bisnis atau ekonomi lainnya. Secara umum dapat dijelaskan, bahwa peramalan produksi dengan pendekatan analisis time series, dilakukan dengan memanfaatkan data masa lalu perusahaan, secara series (runtun). Data yang dimiliki perusahaan, dapat saja menunjukkan macam-macam data pola, seperti terlihat pada gambar di bawah ini

Gambar 2.1

Untuk lebih jelas secara keseluruhan pola-pola di atas akan dijelaskan dalam tabel di bawah ini: Komponen Horizontal (konstan) Musiman (seasonal) Siklis (cycle) Klasifikasi Sistematis Faktor yang Mempengaruhi diabaikan Cuaca, kebiasaan, sosial, agama, dll. Beberapa faktor yang Jangka Waktu berkesinambungan

Sistematis Sistematis

I tahun 2-10 tahun

mempengaruh kondisi ekonomi Tren Sistematis Perubahan teknologi, populasi, kekayan, nilai, dll. Variasi yang bersifat acak, Acak (random) Tidak Sistematis tak terduga, seperti bencana alam dan perubahan politik, dll. Tabel 2.1 G. Peramalan Kuantitatif Time Series (Deret Berkala) 1. Pendekatan Naif Pendekatan naif (naive approach) ini merupakan model peramalan objektif yang paling efektif dan efisien dari segi biaya. Paling tidak pendekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih. Contoh, jika penjualan produk (misalnya ponsel Nokia) adalah 50 Beberapa tahun

Sangat singkat dan biasanya tak terulang

unit pada bulan Januari, dapat diramalkan bahwa penjualan pada bulan Februari akan sama yaitu sebanyak 50 unit. 2. Rata-rata Bergerak Peramalan rata-rata bergerak (moving average) menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan. Secara matematis,rata-rata bergerak sederhana (merupakan prediksi permintaan periode mendatang) dinyatakan sebagai berikut :

dimana n adalah jumlah periode dalam rata-rata bergerak. Contoh 1: Penjualan kursi lipat di PT. Suka Duduk di tunjukkan pada kolom tengah dari tabel di bawah ini. Rata-rata 3 bulanan ditunjukkan di sebelah kanan. Bulan Januari Penjualan Aktual 10 Rata-rata Bergerak 3-Bulanan

Februari Maret April Mei Juni Juli

12 13 16 19 23 26 (10+12+13)/3 = 11 2/3 (12+13+16)/3 = 13 2/3 (13+16+19)/3 = 16 (16+19+23)/3 = 19 2/3

Dari tabel di atas dapat dilihat peramalan untuk bulan Juli adalah 19 2/3. Untuk memproyeksikan permintaan kursi lipat pada bulan Agustus diperoleh dengan menjumlahkan penjualan bulan Mei, Juni, Juli lalu di bagi 3. Peramalan untuk bulan Agustus adalah (19+23+26)/3 = 222/3. Rata-rata bergerak dengan pembobotan (weighted moving average) Dapat digunakan saat ada tren atau ada pola terdeteksi. Rata-rata bergerak dengan pembobotan digambarkan secara matematis sebagai berikut :

Contoh 2: PT. Suka Duduk (lihat contoh 1) memutuskan untuk meramalkan penjualan kursi lipat dengan memberikan bobot pada 3 bulan terakhir sebagai berikut

Bobot yang Diberikan 3 2 1 6

Penjualan Aktual Bulan lalu Dua Bulan lalu Tiga Bulan lalu Jumlah Total Bobot

Hasil peramalanrata-rata berbobot ini adalah sebagai berikut: Bulan Januari Penjualan Aktual 10 Rata-rata Bergerak 3-Bulanan

Februari Maret April Mei Juni Juli

12 13 16 19 23 26 [(3 x 13) + (2 x 12) + (1 x 10)]/6 = 12 1/6 [(3 x 16) + (2 x 13) + (1 x 12)]/6 = 14 1/3 [(3 x 19) + (2 x 16) + (1 x 13)]/6 = 17 [(3 x 23) + (2 x 19) + (1 x 16)]/6 = 20 1/2

Pada situasi peramalan seperti ini, dapat dilihat pada tabel bahwa pembobotan bulan terakhir yang lebih berat memberikan proyeksi yang lebih akurat. 3. Penghalusan Eksponensial Penghalusan eksponensial (exponential smoothing) merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih namun, masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan data masa lalu. Persamaannya sebagai berikut: Peramalan baru = peramalan periode lalu + [(permintaan aktual periode baru peramalan periode lalu)] dimana adalah sebuah bobot atau konstanta penghalusan (smoothing constant), yang dipilih oleh peramal, yang mempunyai nilai antara 0 dan 1. Persamaan diatas dapat ditulis secara matematis : Ft = Ft-1 + (At-1 - Ft-1) dimana : Ft Ft-1 At-1 = peramalan baru = peramalan sebelumnya = konstanta penghalus (pembobot) (0 1) = permintaan aktual periode lalu

Konsepnya tidak rumit, prediksi terakhir permintaan sama dengan prediksi lama, disesuaikan dengan sebagian dari diferensiasi permintaan aktual periode lalu dengan prediksi lama. 10

Contoh 3: pada bulan Januari sebuah dealer motor memprediksi permintaan Mio di bulan Februari sebanyak 142 unit. Permintaan aktual bulan Februari adalah 153 unit. Dengan menggunakan konstanta penghalusan yang dipilih oleh pihak manajemen, ( = 0.20), dapat diramalkan permintaan di bulan Maret dengan menggunakan model penghalusan eksponensial. Dengan

memasukkan data sampel ke dalam rumus, didapat: H,3.67

Penghalusan Eksponensial dengan Penyesuaian Tren Penghalusan eksponensial yang sederhana gagal memberikan respons terhadap tren yang terjadi. Untuk itu, penghalusan eksponensial harus diubah saat ada tren. Untuk memperbaiki peramalan kita, berikut akan diilustrasikan model penghalusan eksponensial yang lebih rumit, yang dapat menyesuaikan diri pada tren yang ada. Rumus barunya adalah: Peramalan dengan tren (FITt) = peramalan penghalusan eksponensial (Ft) + tren penghalusan eksponensial (Tt) Sedangkan untuk menghitung rata-rata dan tren untuk setiap periode menggunakan dua konstanta penghalusan, untuk rata-rata dan untuk tren.rumusnya sebagai berikut. Ft = (permintaan aktual periode terakhir) + (1-)(peramalan periode terakhir + estimasi tren periode terakhir) atau Ft = (At-1) + (1-) (Ft-1 + Tt-1)

Tt = (peramalan periode ini peramalan periode terakhir) + (1-) (estimasi tren periode terakhir) atau Tt = (Ft - Ft-1) + (1-) Tt-1

11

dimana: Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode t Tt = tren dengan eksponensial yang dihaluskan pada periode t At = permintaan aktual pada periode t = konstanta penghalusan untuk rata-rata (0 1) = konstanta penghalusan untuk tren (0 1)

Dapat disimpulkan, tiga langkah menghitung peramalan dengan yang disesuaikan dengan tren adalah: 1. Langkah 1: menghitung Ft, peramalan eksponensial yang dihaluskan untuk periode t. 2. Langkah 2: menghitung tren yang dihaluskan, Tt 3. Langkah 3: menghitung peramalan dengan tren, FITt, dengan formula FITt = Ft + Tt

4. Proyeksi Tren Jika membuat garis tren lurus dengan metode statistik, kita dapat menerapkan metode kuadrat terkecil. Pendekatan ini menghasilkan sebuah garis lurus yang meminimalkan jumlah kuadrat dari deviasi vertikal garis pada setiap hasil pengamatan aktual. Persamaannya adalah sebagai berikut:

y a bx

= Nilai terhitung dari variabel yang akan diprediksi (disebut variabel terikat). a = Persilangan sumbu y

12

b = Kemiringan garis regresi (atau tingkat perubahan pada y untuk perubahan yang terjadi di x). x = Variabel bebas Ahli statistik telah membuat persamaan yang dapat kita gunakan untuk menemukan nilai a dan b untuk setiap garis regresi. Kemiringan b ditemukan dengan:

xy nxy x 2 nx 2

b = Kemiringan garis regresi x = Nilai variabel bebas yang diketahui y = Nilai variabel terkait yang diketahui

y = Rata-rata nilai y

x = Rata-rata nilai x
n = Jumlah data atau pengamatan Kita dapat menghitung y-intercept a sebagai berikut:
a y bx

Contoh 4 Permintaan daya listrik pada PLN selama periode 2003 hingga 2009 ditunjukan pada tabel dibawah dalam satuan megawatt. Marilah kita meramalkan permintaan tahun 2010 dengan menempatkan satu tren garis lurus yang paling sesuai pada data berikut. Tahun 2003 2004 2005 Permintaan Daya Listrik 74 79 80

13

2006 2007 2008 2009

90 105 142 122

Dengan sekumpulan data, kita dapat meminimalkan perhitungan dengan mengubah nilai x (waktu) menjadi angka yang sangat sederhana. Dalam hal ini, kita menjadikan tahun 2003 sebagai tahun pertama, tahun 2004 sebagai tahun kedua, dan seterusnya. Tahun Periode Waktu (X) 2003 2004 2005 2006 2007 2008 2009 1 2 3 4 5 6 7 28 Permintaan Daya Listrik (Y) 74 79 80 90 105 142 122 692 1 4 9 16 25 36 49 140 74 158 240 360 525 852 854 3.063 X2 XY

x 28 4 n 7 y 692 y 98,86 n 7 xy nxy 3.063 (7)(4)(98,86) 295 b 10,54 28 x 2 nx 2 140 (7)(4 2 ) a y bx 98,86 10,54(4) 56,70 x

14

Jadi, persamaan tren kuadrat terkecil adalah = 56,70 + 10,54x. Untuk memproyeksikan permintaan di tahun 2010, pertama kita menotasikan tahun 2010 dalam sistem pengkodean yang baru sebagai x = 8: Permintaan di tahun 2010 = 56,70 + 10,54 (8) = 141,02 atau 141 megawatt Kita dapat mengestimasikan permintaan di tahun 2011 dengan memasukkan nilai x = 9 pada persamaan yang sama: Permintaan di tahun 2011 = 56,70 + 10,54 (9) = 151,56 atau 152 megawatt Untuk menguji kebenaran model, kita kemudian memetakan permintaan historis dan garis tren. Dalam hal ini kita berharap dapat berhati-hati dan mencoba memahami adanya perubahan permintaan pada tahun 2008 dan 2009

5. Analisis Regresi analisis regresi merupakan suatu teknik matematis yang menghubungkan variabel independent dengan variabel dependent. Dalam analisis regresi ini juga mempelajari hubungan yang ada diantara variabel-variabel sehingga dari hubungan yang diperoleh kita dapat menaksir variabel yang satu apabila harga variabel lainnya diketahui. Akan lebih jelasnya kami akan memberikan 2 contoh sebagai berikut :

Contoh 5 1. Dari data yang tertera dapat dicari hubungan yang anatara pengunjung dan yang belanja. Jika pada suatu hari ada 370 pengunjung, dari hubungan yang diperoleh kita dapat memperkirakan ada berapa yang akan belanja di took itu. Selain daripada itu,juga kita dapat menentukan berapa kuat jumlah pembeli ditentukan oleh adanya pengunjung.

15

2. kita ketahui bahwa produk nasional kotor ditentukan oleh produk-produk lainnya, antara lain jasa. Jika data selama jangka waktu tertentu diketahui,hubungan antara produk nasional kotor dan jasa dapat dihitung. Dari hubungan ini,produk nasional kotor dapat diperkirakan jika jasa dapat diketahui. Dari kedua contoh diatas dapat digunakan analisis regresi untuk memperkirakan atau meramalkan. a. Jenis Analisis Regresi Dalam model kausalitas ini digunakan analisis regresi untuk meramalkan sesuatu demi kelangsungan proses produksi/operasi. Dalam analisis regresi ini terdapat 3 jenis yakni sebagai berikut : 1) Analisis Regresi Linier sederhana Analisis regresi linier sederhana ini merupakan model dua variable, dimana salah satu variable bebas sudah diketahui dan dianggap memberi akibat terhadap variable yang lainnya yang merupakan variable terikat. Persamaan liniernya adalha sebagai berikut :

Y = a + bX

Y= Subjek dalam variabel dependen yang diprediksi a = Harga Y bila x = 0 b =Angka arah atau koefisien regresi yang menunjukan peningkatan atau penurunan variabel dependen yang didasarkan pada variabel independen x = Subjek pada variabel independen

Y1 X1 2 X1 X1Y1 2 2 nX1 X1
b nX1Y1 X1 Y1 nX1 X1
2 2

16

Contoh 6 1. Dilakukan suatu studi eksperimen untuk mengetahui bagaimana pengaruh tingkat penggunaan pupuk nitrogen pada hasil panen padi yang diperoleh.

Tingkat Penggunaan Pupuk Nitrogen Kg/ha (X) 0 50 100 150

Hasil Panen Padi Kg/ha (Y) 4230 5442 6661 7150

Hasil regresi linear sederhana adalah sebagai berikut: X2 0 2.500 10.000 22.500 35.000

X 0 50 100 150 300

Y 4.230 5.442 6.661 7.150 23.483

X.Y 0 272.100 666.100 1.072.500 2.010.700

Y1 X1 2 X1 X1Y1 a 2 2 nX1 X1
= (23.483) (35.000) (300) (2.010.700) 4. 35.000 (300)2

= 821.905.000 603.210.000 140.000 90.000

17

= 218.695.000 50.000 = 4.373,9

nX1Y1 X1 Y1 nX1 X1
2 2

= 4. 2.010.700 (300) (23.483) 4. 35.000 (300)2 = 8.042.800 7,044.900 140.000 90.000 = 997.900 50.000 = 19,96

Y = a + bX Y = 4.373,9 + 19,96x

2) Analisis Regresi Linier Berganda Regresi berganda adalah lanjutan praktis dari model regresi sederhana. Regresi berganda merupakan metode peramalan sebab akibat dengan lebih dari satu variabel bebas. Dengan persamaannya adalah sebagai berikut :

18

Y = a + bX1 + bX2

Y an b1X 1 b 2 X 2 X 1 Y aX 1 b1X 1 b 2 X 1 X 2
2

X 2 Y aX 2 b1X 1 X 2 b 2 X 2

Contoh 7 Sebuah penelitian dilakukan untuk mengetahui komitmen dan kompetensi terhadap kinerja pegawai. Berdasarkan 10 orang responden yang digunakan sebagai sumber penelitian diperoleh hasil sebagai berikut:

Komitmen (X1) 15 7 9 11 13 12 9 11 12 6

Kompetensi (X2) 12 8 7 9 11 10 8 8 9 8

Kinerja (Y) 18 15 20 22 28 27 15 19 25 24

X1 15 7 9 11

X2 12 8 7 9

Y 18 15 20 22

X12 225 49 81 121

X1.X2 180 56 63 99

X22 144 64 49 81

X1.Y 270 105 180 242

X2.Y 216 120 140 198

19

13 12 9 11 12 6 105

11 10 8 8 9 8 90

28 27 15 19 25 24

169 144 81 121 144 36

143 120 72 88 108 48 977

121 100 64 64 81 64 832

364 324 135 209 300 144 2.273

308 270 120 152 225 192 1.941

213 1.171

Y = an + b1X1 + b2X2 213 = 10a + 105b1 + 90b2........................ (Persamaan 1)

X1Y = aX1 + b1X12 + b2X1X2 2.273 = 105a + 1.171b1 + 977b2 ............ (Persamaan 2)

X2Y = aX2 + b1X1X2 + b2X22 1.941 = 90a + 977b1 +832b2.................... (Persamaan 3)

Pengeliminasian persamaan 1 dan persamaan 2:

213 = 10a + 105b1 + 90b2 2.273 = 105a + 1.171b1 + 977b2

X 10,5 X1

2.236,5 = 105a + 1.102,5b1 + 945b2 2.273 = 105a + 1.171b1 + 977b2

(Persamaan 4) .......... 36,5 = 68,5b1 + 32b2

Pengeliminasian persamaan 2 dan persamaan 3:

2.273 = 105a + 1.171b1 + 977b2 1.941 = 90a + 977b1 +832b2

X6 X7

13.638 = 630a + 7.026b1 + 5.862b2 13.587 = 630a + 6.839b1 + 5.824b2

20

(Persamaan 5) .......... 51 = 187b1 + 38b2

Pengeliminasian persamaan 4 dan persamaan 6:

36,5 = 68,5b1 + 32b2 51 = 187b1 + 38b2

X 38 X 32

1.387 = 2.603b1 + 1.216b2 1.632 = 5.984b1 + 5.824b2 -245 = -3381b1 b1 = 0,07

51 = 187b1 + 38b2 51 = 187(0,07) + 38b2 51 = 13,09 + 38b2 51 - 13,09 = 38b2 37,91 = 38b2 b2 = 0,99

213 = 10a + 105b1 + 90b2 213 = 10a + 105(0,07) + 90(0,99) 213 = 10a + 7,35 + 89,1 213 = 10a + 96,45 213 - 96,45 = 10a 116,55 = 10a a = 11,66 Y = 11,66 + 0,07 (X1) + 0,99 (X2)

I. Tingkat Akurasi Dalam Metode Peramalan Dalam pengukuran akurasi pada metode peramalan ini kita harus memepelajari kesalahan standar dari suatu estimasi dan kesalahan taksir dalam suatu peramalan yang akan dibahas berikut ini 21

a. Kesalahan Standar dari suatu Estimasi Titik prediksi adalah rata-rata(mean) atau nilai harapan (expected value) dari suatu distribusi penjualan yang mungkin. Untuk menghitung keakuratan regresi yang diperkirakan, kita harus menghitung kesalahan standar estimasi (standard error of the estimate), perhitungan ini disebut deviasi standar regresi

(standard deviation of the regression) yang menghitung kesalahan dari variable terikat terhadap garis regresi dan bukan terhadap rata-rata.

Dimana = Nilai untuk setiap titik data

= Nilai terhitung variable terikat, dari persamaan regresi = Jumlah data

b. Kesalahan taksir dalam peramalan Perusahaan perlu menetapkan keputusan atas perbedaan yang signifikan dengan yang diramalkan melalui variable yang dievaluasi. Satu cara untuk mengawasi peramalan berjalan dengan baik adalah dengan menggunakan sebuah sinyal penelusuran (tracking signal). Sinyal penelusuran adalah sebuah perhitungan seberapa baik peramala memprediksi nilai actual. Sinyal penelusuran dihitung sebagai running sum of the forecast errors (RSFE) dibagi dengan mean absolute deviation (MAD) :

(Tracking signal) =

22

= Dimana MAD = Sinyal penelusuran positif menandakan permintaan lebih besar dari ramalan. Sinyal negative berarti permmintaan lebih sedikit dari ramalan. Sinyal penelusuran yang bagus adalah yang memiliki RSFE rendah, mempunyai kesalahan positif yang sama dengan kesalahan negatifnya.

J. Isu dan Tantangan a. Faktor-faktor lingkungan eksternal Lingkungan eksternal terdiri atas unsur-unsur di luar organisasi, yang sebagian besar tak dapat dikendalikan dan berpengaruh dalam pembuatan keputusan oleh manajer. Organisasi mendapatkan masukan-masukan yang dibutuhkan, seperti bahan baku, dana, tenaga kerja dan energi dari lingkungan eksternal, mentransformasikan menjadi produk dan jasa, kemudian memberikan sebagai keluaran-keluaran kepada lingkungan eksternal. Lingkungan eksternal mempunyai baik unsur-unsur yang berpengaruh langsung (lingkungan ekstern mikro) dan yang berpengaruh tidak langsung (lingkungan ekstern makro). Lingkungan ekstren mikro terdiri dari para pesaing, penyedia, langganan, lembaga-lembaga keuangan, pasar tenaga kerja dan perwakilan-pewakilan pemerintah. Unsur-unsur lingkungan ekstern makro mencakup teknologi, ekonomi, politik dan sosial yang mempengaruhi iklim dimana organisasi beroperasi dan mempunyai potensi menjadi kekuatan-kekuatan sebagai lingkungan ekstern mikro. b. Lingkungan Ekstern Mikro Komponen-komponen lingkungan ekstern mikro yang paling penting adalah para pesaing yang harus dihadapi perusahaan, langganan yang harus dilayani, pasar tenaga kerja, lembaga-lembaga keuangan, para penyedia (suppliers) dan perwakilan-perwakilan pemerintah. Tentu saja beberapa lingkungan ekstern mikro lainnya penting juga diperhatikan, walaupun tingkat

23

pengaruhnya berbeda, seperti saluran distribusi yang digunakan, media, asosiasiasosiasi bisnis, kelompok- kelompok pencinta lingkungan, dan kelompokkelompok politik tertentu yang sebagian besar merupakan perwujudan potensi pengaruh lingkungan ekstern mikro.

c. Lingkungan Ekstern Makro Lingkungan ekstern makro mempengaruhi organisasi dengan dua cara. 1. Kekuatan-kekuatan di luar tersebut mempengaruhi suatu organisasi secara langsung atau secara tidak langsung melalui satu atau lebih unsur-unsur lingkungan ekstern mikro. 2. Unsur-unsur lingkungan makro menciptakan iklim - misal teknologi tinggi, keadaan perekonimian cerah atau lesu dan perubahan-perubahan sosial - dimana organisasi ada dan harus memberikan tanggapan. Lingkungan ekstern makro terdiri dari faktor-faktor teknologi, ekonomi, politik, sosial dan dimensi internasional sebagai kekuatankekuatan yang berada di luar jangkauan perusahaan dan biasanya terlepas dari situasi operasional perusahaan, dengan organisasi jarang memiliki kekuatan untuk memberikan pengaruh balik yang berarti. Sebagai contoh, teknologi komputer sekarang ini membuat mungkin perolehan, penyimpanan dan pemindahan informasi dalam jumlah yang besar. Keadaan perekonomian yang dilanda resesi akan menyebutkan dunia usaha lesu, dengan perusahaan-perusahaan tidak mempunyai kemampuan untuk memperbaiki kecendrungan negativ keadaan ekonomi tersebut. Perkembangan teknologi. Dalam setiap masyarakat atau industri, tingkat kemajuan teknologi memainkan peranan berarti pada penentuan produk dan jasa yang akan diproduksi, peralatan yang akan digunakan, dan bagaimana bermacammacam operasi akan dikelola. Sebagai contoh, kemajuan teknologi akan menurunkan permintaan akan manajer-manajer menengah dan lini pertama. Banyak perusahaan sekarang mempergunakan komputer untuk peramalan operasioperasi dan skeduling produksinya, dimana pada waktu yang lalu dilakukan oleh fungsi-fungsi manajemen menengah.

24

Perubahan-perubahan teknologi, yang biasanya bersifat inovatif dan menolak keusangan, dapat terjadi seketika dan dramatik dalam mempengaruhi perusahaan dan situasi persaingan. Untuk beberapa tahun, perusahaan POLAROID dapat bersaing dengan perusahaan-perusahaan alat-alat pemotret seperti EASTMAN KODAK, SAKURA dan FUJI karena produknya mempunyai keunikan yang terlindungi. Ketika KODAK dan lain-lainnya mengembangkan suatu teknologi alternatif, posisi pasar POLAROID terancam. Dalam situasi ini, manajer organisasi dituntut untuk selalu mengembangkan produk, proses produksi dan cara-cara penawaran produk perusahaan. Manajer perlu senantiasa meramalkan arah perkembangan teknologi dan memperkirakan pengaruhnya pada organisasi (peramalan teknologi). Variabel-variabel Ekonomi. Manajer selalu berhadapan dengan masalah biaya sumber-sumber daya yang dibutuhkan organisasi. Biaya-biaya ini selalu berubah setiap waktu karena pengaruh factor-faktor ekonomi. Untuk itu manajer perlu menganalisa dan mendiagnosa factor-faktor ekonomi, seperti inflasi dan deflasi, kebijakan-kebijakan moneter, devaluasi atau revaluasi, tingkat suku bunga, kebijakan fiscal, keseimbangan neraca pembayaran, dan harga-harga yang ditetapkan oleh para pesaing dan penyedia. Lingkungan Sosial Kebudayaan. Lingkungan sosial kebudayaan suatu masyarakat merupakan pedoman hidup yang menentukan bagaimana hamper seluruh organisasi dan manajer akan beroperasi. Variabel-variabel Politik Hukum. Politik dan hukum dalam suatu periode waktu tertentu akan menentukan operasi perusahaan. Manajer harus memperhatikan iklim politik, peraturan-peraturan pemerintah maupun

kensekuensi- kensekuensi atau dampaknya terhadap pemerintah dalam membuat keputusan. Dimensi Internasional. Komponen internasional dalam lingkungan eksternal juga menyajikan kesempatan-kesempatan dan tantangan-tantangan, serta mempunyai potensi menjadi faktor yang mempengaruh langsung pada operasi perusahaan. Kekuatan internasional ini berpengaruh melalui perkembangan politik

25

dunia, ketergantungan ekonomi, penularan nilai-nilai dan sikap hidup serta transfer teknologi. d. Organisasi dan Lingkungan Tanggung jawab manajer terhadap organisasi dalam menyikapi pengaruh lingkungan: 1. Usaha mempengaruhi lingkungan ekstern mikro 2. Peramalan (forecasting) dan lingkungan ekstern makro 3. Perancanaan, perancangan organisasi dan lingkungan

e. Tanggungjawab Sosial Tanggung jawab sosial berarti bahwa manajemen mempertimbangkan dampak sosial dan ekonomi di dalam pembuatan keputusan. Manajer dituntut mengimplemetasikan etika berusaha (the ethics of manager), terutama dalam hal yang berhubungan dengan langganan, karyawan, penemu teknologi, lembagalembaga pendidikan, perusahaan-perusahaan lain, supplier, kreditur, pemegang saham, pemerintah, dan masyarakat. Ada lima faktor yang mempengaruhi keputusan-keputusan dalam masalah etika, yaitu: 1. hukum 2. peraturan pemerintah 3. kode etik industri dan perusahaan 4. tekanan-tekanan sosial 5. tegangan antara standar perorangan dan kebutuhan organisasi

26

27