DISUSUN OLEH :
HAIDIR
00.97.01.44.2016
PROGRAM PASCASARJANA
MAGISTER MANAJEMEN
UNIVERSITAS MUSLIM INDONESIA
MAKASSAR
2016
ABSTRAK
Puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat, taufik dan
hidayahnya sehingga penyusun dapat menyelesaikan tugas makalah Manajemen
Produksi/Operasional mengenai Metode Peramalan dan Perencanaan agregat.
Penyusun yakin bahwa dalam penyusunan ini masih jauh dari kesempurnaan
dikarenakan terbatasnya kemampuan dan pengetahuan penyusun, namun penyusun
berharap hal ini tidak mengurangi fungsi dari makalah ini.
Penyusun menyadari bahwa tanpa adanya bantuan dari berbagai pihak,
penyusun akan kesulitan dalam menyelesaikan makalah ini, oleh karena itu dengan
kerendahan dan ketulusan hati penyusun menyampaikan rasa terima kasih kepada
paman Google yang adalah sumber pencarian literatur dan cara penyusunan
makalah.
Penyusun menyadari bahwa penyusunan makalah ini, tentunya masih banyak
terdapat kekurangan ataupun kesalahan sehingga diharapkan para pembaca dapat
memakluminya, maka dari itu penyusun meminta kritik dan saran dari pembaca
yang bersifat membangun. semoga makalah ini bermanfaat bagi pembaca.
Oktober 2016
Penyusun
DAFTAR ISI
ABSTRAK
KATA PENGANTAR
DAFTAR ISI
BAB I PENDAHULUAN
1.1. Latar Belakang
1.2. Rumusan Masalah
1.3. Tujuan
1.3 Tujuan
Adapun tujuan dari penyusunan makalah ini adalah sebagai berikut.
1. Mengetahui pengertian peramalan dan perencanaan agregat.
2. Mengetahui sifat perencanaan agregat.
3. Mengetahui apa saja proses perencanaan agregat dan penjelasannya.
4. Mengetahui strategi-strategi proses perencanaan agregat.
5. Mengetahui apa saja metode perencanaan agregat dan penggunaannya
BAB II
LANDASAN TEORI
2.1 Peramalan
2.1.1 Pengertian Peramalan
Dalam APICS Dictonary disebutkan definisi forecasting: The business
function that attempts to predict sales and use of products so they can be purchased
or manufactured in appropriate quantities in advance. Artinya, peramalan adalah
fungsi bisnis yang berusaha meramalkan penjualan dan penggunaan produk yang
bersangkutan sehingga produk tersebut dapat dibeli atau dipabrikasi di masa yang
akan datang dalam jumlah yang tepat. Peramalan ini sangat penting sekali artinya
bagi perusahaan bisnis terutarna untuk memenuhi keperluan pembuatan
perencanaan jangka panjang. Namun demikian, dari sisi fungsional, tiap
departemen juga memerlukan ramalan aktivitas. Departemen Surnber Daya
Manusia berkepentingan terhadap hasil peramalan untuk dipakai menyusun
perencanaan personil, baik untuk dipakai sebagai acuan penarikan pegawai maupun
untuk keperluan pendidikan dan pelatihan karyawan. Departemen Akuntansi dan
Keuangan memerlukan estimasi kegiatan jangka pendek untuk keperluan
penyusunan anggaran dan Departemen Pemasaran untuk keperluan penyusunan
perencanaan distribusi. Sehubungan dengan itu, kegiatan peramalan tidak saja
diperlukan oleh manajer puncak perusahaan, tetapi juga oleh manajer divisi. Secara
umum, peramalan dibutuhkan oleh manajemen untuk membuat atau menyusun
rencana yang terkait dengan bidang tugas atau fungsinya. Bahkan kebutuhan akan
data ramalan tidak hanya dijumpai pada usaha bisnis, tetapi juga pada organisasi
nirlaba.
Dilihat dari jangka waktunya, peramalan dibedakan atas tiga macam, yaitu
peramalan jangka panjang (long-term forecasting), peramalan jangka menengah
(intermediate forecasting), dan peramalan jangka pendek (short-term forecasting).
Pembedaan menurut jangka waktu ini berpengaruh pada jenis metode atau alat
peramalan yang sesuai, serta manfaat atau kegunaan yang dapat dipenuhi
Menurut Dervitsiotis (1984), sistem peramalan dapat digambarkan seperti
gambar di bawah :
Gambar di atas menjelaskan bahwa metode peramalan dibedakan atas
metode prediktif atau penaksiran (estimation), metode kausalita (causal method),
dan analisis deret berkala (time series analysis). Keputusan yang dibuat oleh
seorang analis data (pembuat ramalan) adalah metode analisis yang dipilih untuk
dipergunakan serta penetapan atas data yang akan dijadikan masukan analisis.
Untuk melakukan peramalan dimaksud, analis menghadapi empat macam kendala,
yaitu kendala waktu, tenaga ahli, keterbatasan data, dan dana, Untuk membuat
ramalan yang baik, dibutuhkan data yang cukup, perangkat keras, dan perangkat
lunak analisis yang memadai serta tenaga yang ahli dibidang analisis ramalan. Data
yang diperlukan dapat berupa data internal dan juga data eksternal. Hasil analisis
memiliki dua kategori, yaitu basil ramalan dan estimasi tentang kesalahan ramalan.
Suatu ramalan disebut baik jika memenuhi kriteria mutu berupa: akurat, objektif,
kecepatan penyediaan hasilnya, dan stabilitas vs responsivitas ramalan itu.
3. Metode Kausal
Metode kausal adalah metode kuantitatif yang berguna untuk menganalisis
pengaruh, dan juga hubungan antara variabel independen dengan variabel
dependen. Sehubugan dengan itu, berikut ini akan dikemukakan berbagai alat
analisis yang dicakup dalam metode ini.
a. Analisis regresi dan korelasi. Analisis regresi merupakan metode yang
dipakai untuk mengetahui hubungan kausal atau sating mempengaruhi
antara variabel independen (Xi) dengan variabel dependen (Yi). Juga
diapakai untuk membuat garis tren dari suatu sebaran data historis (data
yang telah terjadi) yang relevan dengan sebaran data dimaksud. Metode
yang paling umum dipakai dalam analisis regresi ialah metode kesalahan
kuadrat paling kecil (least square method). Sementara itu, korelasi
merupakan metode yang dipakai untuk menaksir keeratan dan sifat
hubungan antara variabel dependen dan independen sebuah persamaan
regresi tinier. Sifat hubungan dimaksud mungkin negatif dan mungkin pula
positif. Jika hubungan atau korelasi antara variabel Xi dan Yi negatif, maka
arah perubahan Xi dan Yi adalah berlawanan. Jika nilai Xi naik, nilai Yi
menurun. Sebaliknya jika nilai Xi turun, nilai Yi akan naik. Dapat pula
dikatakan, jika Xi dan Yi berkorelasi negatif, tren (garis arah perubahan)
dari data juga negatif (ditunjukkan garis tren yang miring dari kiri atas ke
kanan bawah, sama seperti trend kurva permintaan). Sebaliknya, jika
hubungan atau korelasi antara variabel Xi dan Yi positif, arah perubahan Xi
dan Yi adalah searah. Jika korelasinya positif, maka tren data juga positif
(ditunjukkan garis tren yang miring dari kiri bawah ke kanan atas, sama
seperti tren kurva penawaran). Ini berarti jika nilai Xi naik, nilai Yi juga
akan naik. Akan tetapi, jika nilai Xi turun, nilai Yi juga akan turun.
b. Proyeksi tren. Proyeksi tren merupakan suatu metode matematik yang
dipakai untuk membuat garis tren suatu basil plotting data untuk mengetahui
kecenderungan perkembangan di masa datang, naik atau turun. Model ini
pada umumnya terintegrasi ke dalam analisis regresi. Penjelasannya dapat
dibaca pada penjelasan analisis regresi dan korelasi dalam sub a di atas.
c. Model ekonometrik. Model ekonometrik adalah metode yang dipakai untuk
menerangkan perilaku gejala ekonomi berdasarkan data runtun waktu
dengan beberapa macam variabel bebas. Dengan demikian Ekonometrika
adalah ilmu yang mencakup teori ekonomi, matematika, dan statistika
dalam satu kesatuan sistem yang bulat, menjadi suatu ilmu yang berdiri
sendiri dan berlainan dengan ilmu ekonomi; matematika; maupun statistika.
Ekonometrika digunakan sebagai alat analisis ekonomi yang bertujuan
untuk menguji kebenaran teorerna-teorema teori ekonomi yang berupa
hubungan antarvariabel ekonomi dengan data empiris.
d. Model input-output. Model input-ouput adalah metode analisis yang dipakai
untuk mengukur hubungan keterkaitan masukan-keluaran berbagai sektor
usaha dalam perekonomian dan pemerintah melalui aktivitas penjualan
keluarannya
e. lndikator penentu (leading indicator). Indikator penentu adalah analisis
yang dipakai untuk menaksir perubahan suatu sektor yang dipengaruhi jika
sektor berpengaruh itu mengalami perubahan. Misalnya, seberapa besar
kenaikan biaya hidup rata-rata yang harus dipikul oleh masyarakat apabila
harga bahan bakar dinaikkan 10 persen. Harga bahan bakar adalah leading
indicator, sedangkan biaya hidup dan harga barang kebutuhan adalah lag
indicator.
4. Model Simulasi
Model simulasi merupakan metode peramalan dinamis yang biasanya
mempergunakan aplikasi komputer. Model ini lazim dipakai pada pembuatan
kebijakan dibidang pengendalian persediaan.
Untuk keperluan pembuatan ramalan, di bawah ini diketengahkan aplikasi
beberapa metode peramalan yang telah dikemukakan di atas, baik untuk membuat
ramalan jangka pendek maupun ramalan jangka panjang. Ramalan jangka pendek
biasanya mempergunakan metode rata-rata bergerak dan penghalusan
eksponensial, sedangkan peramalan jangka panjang mempergunakan metode
analisis regresi
a. Peramalan Jangka Pendek
1. Metode Rata-Rata Bergerak
Seperti telah diketengahkan di muka bahwa metode ini dibedakan atas Metode
Rata-Rata Bergerak Sederhana dan Metode Rata-Rata Bergerak Tertimbang.
Sehubungan dengan itu, berikut ini diketengahkan contoh aplikasinya.
a. Rata-Rata Bergerak Sederhana
Metode ini cocok dipakai untuk melakukan peramalan berdasarkan sediaan data
historis yang fluktuasinya rendah karena metode ini memakai asumsi bahwa
peluang keberulangan setiap kejadian di masa mendatang adalah sama.
b. Rata-Rata Bergerak Tertimbang
Pada aplikasi metode rata-rata bergerak tertimbang, terlebih dahulu
manajemen atau analis data menetapkan bobot (weighted factor) dari data
yang ada. Penetapan bobot dimaksud bersifat subjektif, tergantung pada
pengalaman dan opini analis data. Sekalipun demikian, terdapat beberapa
acuan pemikiran dalam penentuan bobot dimaksud, yaitu sebagai berikut.
1. Perlu menetapkan apakah volume yang terakhir lebih besar peluangnya
untuk berulang atau sebaliknya. Jika analis memutuskan bahwa probabilitas
keberulangan lebih besar pada realisasi yang terakhir, probabilitas
(weighted factor) akan lebih besar pada periode akhir dibandingkan dengan
periode awal.
2. Jumlah probabilitas atau bobot adalah sama dengan satu.
Sehubungan dengan uraian di atas, maka dapat dirumuskan:
2. Penghalusan Eksponensial
Seperti halnya dengan rata-rata bergerak tertimbang, metode penghalusan
eksponensial ini cocok dipakai untuk data yang fluktuasinya relatif besar
dan sediaan datanya terbatas. Menurut Chase dan Aquilano (1995), ada enam
pertimbangan sehingga metode penghalusan eksponensial ini diterima luas oleh
analis data, yaitu sebagai berikut.
a) Hasil ramalan dengan metode eksponensial relatif lebih akurat.
b) Formulasi model relatif mudah dimengerti.
c) Pengguna dapat memahami bagaimana model ini menghasilkan ramalan.
d) Hanya memerlukan perangkat komputer yang sederhana karena data
historis yang diolah terbatas.
e) Hanya memerlukan perhitungan yang sederhana.
f) Pengujian keakuratan basil ramalan mudah dilakukan
Untuk mengaplikasi model, langkah pertama yang harus dilakukan oleh
pengguna model ialah menetapkan faktor penghalus alpha (a).Dalam praktik faktor
penghalus ini lazim dipakai konstan 0,05 atau 0,10. Pada model penghalusan
eksponensial yang sederhana, dipakai asumsi bahwa ramalan untuk periode
sekarang akan sama dengan jumlah antara ramalan yang lalu dan deviasi antara
permintaan aktual dan ramalan dalam periode yang lalu yang telah dihaluskan.
Berdasarkan asumsi itu, model dapat dirumuskan menjadi:
= 1 + (1 - 1 )
Di mana:
= ramalan permintaan yang dihaluskan secara eksponensial untuk waktu t
1 = ramalan permintaan pada periode sebelumnya
1 = permintaan aktual pada periode sebelumnya
= konstanta penghalus ramalan