Makalah Peramalan KLP 4 Manajemen Operasional
Makalah Peramalan KLP 4 Manajemen Operasional
MANAJEMEN OPERASIONAL
DI SUSUN OLEH :
FAKULTAS EKONOMI
JURUSAN AKUNTANSI S1
1
KATA PENGANTAR
Puji syukur penyusun panjatkan ke hadirat Allah Subhanahu wata΄ala, karena
berkat rahmat-Nya Kami bisa menyelesaikan tugas Makalah mata kuliah
Pendidikan Pancasila yang berjudul Peramalan.Makalah ini diajukan guna
memenuhi tugas mata kuliah Manajemen Operasional.
Kami mengucapkan terima kasih kepada semua pihak yang telah membantu
sehingga makalah ini dapat diselesaikan tepat pada waktunya.Makalah ini masih
jauh dari sempurna, oleh karena itu Kami mengharapkan kritik dan saran yang
bersifat membangun demi kesempurnaan makalah ini.
Semoga makalah ini memberikan informasi bagi pembaca, mahasiswa dan
bermanfaat untuk pengembangan wawasan dan peningkatan ilmu pengetahuan
bagi kita semua.
Wassalamu’alaikum warahmatullahi wabarokatuh ...
Penulis
1
Daftar Isi
Sampul Makalah......................................................................................................... 1
Kata Pengantar........................................................................................................... 2
Daftar Isi..................................................................................................................... 3
BAB I PENDAHULUAN
A. Latar Belakang................................................................................................ 4
B. Rumusan Masalah.......................................................................................... 4
C. Tujuan............................................................................................................ 4
BAB II PEMBAHASAN
A. Pengertian peramalan................................................................................... 5
........................................................................................................................
B. Pentingnya Strategi peramalan..................................................................... 6
........................................................................................................................
C. Tujuh langkah dalam sistem peramalan........................................................ 8
........................................................................................................................
D. Pendekatan peramalan ................................................................................. 9
E. Peramalan runtun waktu............................................................................... 10
F. Metode peramalan asosiatif analisis regresi dan korelasi............................. 16
G. Pengawasan dan pengendalian peramalan................................................... 18
H. Peramalan dalam sektor jasa……………………………………………………………….. 19
A. Kesimpulan..................................................................................................... 20
B. Saran.............................................................................................................. 20
1
BAB I
PENDAHULUAN
A. Latar Belakang
Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan tejadi pada masa
yang akan datang. Peramalan diperlukan karena adanya perbedaan kesenjagan 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 memperkiraan
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 dinamis. Dalam kondisi pasar bebas, permintaan
pasar lebih banyak bersifat kompleks, dan dinamis karena permintaan tersebut akan
tergantung dari keadaan sosial, ekonomi, politik, aspek teknologi, produk pesaing dan
produk substitusi. Oleh karena itu peramalan yang akurat merupakan informasi yang
sangat dibutuhkan dalam pengambilan keputusan manajemen
B. Rumusan Masalah
1. Apa yang dimaksud peramalan (forecasting)
2. Pentingnya strategi peramalan
3. Bagaimana langkah dalam sistem peramalan
4. Apa saja jenis dari peramalan
5. Metode yang digunakan sistem peramalan
C. Tujuan pembahasan
1. Memahami 3 horizon waktu dan dimana model-modelnya diterapkan yang
masing –masing.
2. Menjelaskan kapan untuk menggunakan masing – masing dari 4 model kualitatif
3. Menerapkan metode awam, pergerakan rata rata, penghalusan eksponensial
(exponential smoothing) dan kecenderungan
4. Menghitung 3 ukuran keakuratan peramalan
5. Mengembangkan indeks musiman
6. Melaksanakan analisis regresi dan koneksi
7. Menggunakan pelacakan sinyal (signal tracking)
1
BAB II
PEMBAHASAN
A. Pengertian Peramalan
2. Tipe peramalan
Organisasi menggunakan 3 tipe peramalan utama dalam merencanakan
operasional untuk masa mendatang.
1) Peramalan ekonomi (economic forecasts) mernangani siklus bisnis dengan
memprediksi tingkat inflasi, uang yang beredar, mulai pembangunan perumahan,
dan indikator perencanaan lainnya.
2) Peramalan teknologi (technological forecasts) berkaitan dengan tingkat
perkembangan teknologi, dimana dapat menghasilkan terciptanya produk yang
menarik, yang memerlukan pabrik dan perlengkapan yang baru.
3) Peramalan permintaan (demand forecasts) adalah proyeksi atas permintaan untuk
produk dari jasa perusahaan. Peramalan mendorong keputusan sehingga para
manejer memerlukan informasi dengan segera dan akurat mengenai permintaan
yang sesungguhnya.
Peramalan ekonomi dan teknologi merupakan teknik khusus yang akan berada
diluar peranan menejer operasional.
Peramalan yang baik adalah sangat penting dalam seluruh aspek bisnis.
Peramalan hanya merupakan estimasi atas permintaan hingga permintaan aktual menjadi
diketahui.Peramalan permintaan oleh karenanya akan mendorong keputusan banyak area.
Mari kita melihat dampak dari peramalan permintaan produk dalam 3 aktivitas:
1
1. Manajemen rantai pasokan
Hubugan yang baik dengan pemasok dan menjamin keunggulan dalam inovasi
produk biaya, dan kecepatan pada pangsa pasar bergantung pada peramalan yang
akurat. Disini diperlihatkan 3 contoh berikut:
Apple telah membangun sistem global yang efektif dimana dia mengedalikan
hamper setiap hal dalam pasokan dari desain produk hingga gerai pengecer.
Dengan data akurat dan data komunikasi cepat yang dibagikan keatas dan
kebawah rantai pasokan.
Toyota pengembangkan peramalan mobil secara canggih denagan input dari
berbagai sumber, termasuk para diler, akan tetapi peramalan untuk aksesoris
misalnya sistem navigasi, roda spoiler dan hal umum lainnya sangat sulit.
Walmart bekerja sama dengan para pemasok, misalnya sara lee dan procter &
gamble untuk memastikan barang yang tepat tersedia pada waktu yang tepat
dalam tempat yang tepat dan pada harga yang sesuai.
3. Kapasitas
1
Peramalan mengikuti tujuh langkah dasar: kita menggunakan ‘Disney World,yaitu
profil perussahaan global, sebagai contoh untuk masing-masing langkah berikut.
1. Menentukan penggunaan dari peramalan: disney menggunakan peramalan jumlah
kehadiran di wahana untuk mendorong pengambilan keputusan mengenai susunan
kepegawaian, waktu pembukaan, ketersediaan arena bermain,dan pasokan makanan.
2. Memilih barang yang akan diramalkan: Untuk Disney World, terdapt enam wahana
utama, peramalan kehadiran setiap hari padda masing-masiing taman adalah angka
utama yang dapat menentukan tenaga kerja, pemeliharaan, dan penjadwalan.
3. Menentukan horizon waktu dari peramalan: Dalam jangka pendek,menengah, atau
jangka panjang? Disneyy mengembangkan peramalan harian, mingguan, bulanan,
tahunan, dan 5 tahun.
4. Memilih model peramalan: Disney menggunakan varietas model statistik yang akan
kita bahas,meliputi pergerakan rata-rata, ekonometrik, dan analisis regresi,juga
melaksanakan pertimbangan,atau nonkualitatif, model-model.
5. Mengumpulkan data yang diperlukan untuk membuat peramalan: Tim permalan
disney mempekerjakan 35 analis dan 70 personel lapangan untuk melakukan survei 1
juta orang/bisnis setiap tahun. Disney juga menggunakan perusahaan yang bernama
global insights untuk peramalan dalam industri perjalanan wisata dan mengumpulkan
data dalam nilai tukar mata uang, kedatangan keamerika serikat,maskapai
penerbangan khusus, kecenderungan saham wall street, dan jadwal liburan sekolah.
6. Membuat peramalan.
7. Memvalidasi dan mengimplementasikan hasilnya: Pada Disney, peramalan akan
ditinjau ulang harian pada level tertinggi untuk memastikan bahwa model, asumsi,
dan data adalah valid. Ukuran kesalahan diterapkan; kemudian peramalan digunakan
untuk menjadwlkan para personel turun kelapangan dalam interval waktu setiap 15
menit.
1
Faktor diluar yang tidak dapat kita prediksikan atau kendalikan sering kali
memengaruhi peramalan.
Sebagian besar teknik peramalan mengasumsikan bahwa terdapat beberapa
stabilitas yang mendasar didalam sistem. Konsekuensinya, beberapa perusahaan
mengotomatisasi prediksi mereka dengan menggunakan perangkat lunak
peramalan yang terkomputerisasi, kemudian memonitor hanya produk barang
yangg memiliki permintaan tiddak menentu.
Baik produk keluarga maupun peramalan yang menyeluruh lebih akurat daripada
peramalan produk individual. Disney, sebagai contoh, mengumpulkan peramalan
kehadiraan harian di wahana. Pendekatan ini membantu menyeimbangkan
prediksi yang berlebihan dan kekurangan untuk tiap-tiap 6 atraksi pertunjukan.
D. Pendekatan Peramalan
1
3. Gabungan karyawan bagian penjualan : dalamm penndekatan ini,masing-masing
karyawan bagian penjualan mengistemasi penjualan apa yang ada di dalam kawasan
mereka. Peramalan ini kemudian ditinjau ulang untuk memastikan bahwa mereka
adalah realistis. Kemudian, mereka dikombinasikan pada tingkat distrik dan
nasionaluntuk mencapai keseluruhan peramalan.
4. Survei pasar: metode ini mengumpulkan input dari para konsumen atau konsumen
yang potensial mengenai rencana pembelian pada masa mendatang.
Runtun waktu didasarkan pada urutan poin data yang ditempatkan secara merata
(mingguan, bulanan, kuartalan, dan lainnya). Contohnya meliputi penjualan mingguan
dari Nike Air Jordans, laporan pendapatan kuartalan dari saham microsoft, pengiriman
harian dari bir coors, dan indeks harga konsumen tahunan. Data peramalan runtun waktu
menngimplikasikan bahwa nilai masa mendatang diprediksikan hanya dari nilai masa
yang lalu dan variabel lannya, tidak peduli seberapa bernilainya secara potensial, akan
diabaikan.
1
Minggu Hari 7
Bulan Minggu 4 - 4½
Bulan Hari 28- 31
Tahun Kuartalan 4
Tahun Bulan 12
Tahun Minggu 52
3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Mereka biasanya
diikuti dalam siklus bisnis dan sangat penting dalam analisis bisnis dalam jangka
pendek dan perencanaan.
4. Variasi secara acak adalah “ blip” didalam data yang disebabkan oleh adanya
peluang dan situasi yang tidak seperti bisanya. Mereka mengikuti pola yang tidak
dapat diikuti sehingga mereka tidak dapat diprediksikan.
Pendekatan awam
Apakah hal ini masuk akal? Jika ditemukan bahwa untuk beberapa lini
produk,pendekatan awam (naive approach) ini adalah model peramalan yang paling
efektif dalam biaya dan tujuan yang efisien.
Secara matematis pergerakan rata-rata yang sederhana (yang berfungsi sebagai estimasi
permintaan periode berikutnya) dicerminkan dengan hal berikut.
1
Ʃ permintaandalam periode n sebelumnya
pergerakan rata−rata=
n
Penghalusan Eksponensial
Dimana α adalah bobot, atau penghalusan konstan ( smoothing constant), dipilih oleh
peramal yang memiliki nilai lebih tinggi daripada atau setara dengan 0 dan kurang dari
atau setara dengan 1. Persamaan tersebut dapat juga ditulis ditulis secara matematis
sebagai berikut.
1
= A₁ - F₁
Deviasi rata-rata yag absolut ukuran pertama atas keseluruhan dalam kesalahan
peramalan untuk model adalah deviasi rata-rata yang absolut ( mean absolute deviation—
MAD). Nilai ini dihitung dengan mengambil jumlah nilai absolut kesalahan peramalan
individual (deviasi) dan membaginya dengan jumlah periode data (n):
MAD= Ʃ∨ Aktual−Peramalanl ∨ ¿ ¿
n
Kesalahan rata-rata yang dikuadratkan ( mean squared error—MSE) adalah cara kedua
untuk mengukur keseluruhan dalam kesalahan peramalan. MSE adalah rata-rata
perbedaan yang dikuadratkan diantara nilai yang diramalkan dengan yang diamati.
Presentase kesalahan rata-rata yang absolut permasalahan dengan baik MAD maupun
MSE adalah bahwa nilai bergantung pada besarnya barang yag diramalkan. Jika
peramalan barang diukur dalamm ribuan, nilai MAD dan MSE dapat menjaddi sangat
besar. Untuk mengatasi permasalahan ini, kita dapat menggunakan kesalahan presentasi
rata-rata yang absolut ( mean absolute percent error – MAPE).
n
| Aktuall− Aktuali|
∑ 100 Aktuali
MSE= i−l
n
Penghalusan eksponensial yang sederhana, teknik yang baru saja kita ilustrasikan, seperti
teknik pergerakan rata-rata: dia gagal untuk merespon terhadap kecenderungan. Untuk
1
meningktkan peramalan kita, mari kit ilustrasikan model penghalusan eksponensiall yang
lebih rumit, salah satu penyesuaian terhadapp kecenderungan. Gagasannya adalah untuk
menghitung rata-rata data penghalusan eksponensial dan kemudian menyesuaikan dengan
ketertinggalan positif atau negatif dalam kecenderungan.
Proyeksi Kecenderungan
Metode peramalan runtun waktu sebelumnya (time series forecasting method ) yang akan
kita bahas adalah proyeksi kecenderungan (trend projection). Teknik ini menyesuaikan
garis kecenderungan dengan rangkaian poin data historis dan kemudian,
memproyeksikkan kemiringan garis kedalam peramalan masa mendatag atau dalam janga
menengah hingga jangka panjang. Jika kita memutuskan untuk mengembangkan garis
kecenderungan linear dengan metode statistik ysng persis tepat, kita dapat mmenerapkan
metode kuadrat kecil (least-square method).
Sebuah garis kuadrat kecil digambarkan dalam istilah dari intersepsi / potongan y-nya
sendiri ( tingginya diimana memotong sumbu y) dan harapannya berubah (kemringan).
Apabila kita dapat menghitung perpotongan y dan kemiringannya, kita dapat
menggambarkan garis dengan persamaan berikut.
ẏ=α +bx
Dimana ẏ (dbaca “topl y”) = nilai variabel yang telah dihitung untuk kemudian
diprediksikan ( disebut sebagai variabel dependen/terikat)
α = perpotongan sumbu ẏ
1
Garis miring b ditemukan dengan :
Ʃxy −n xy
´
b= 3
Ʃ x −n x́ ³
Dimana:
Ʃ = tanda jumlah
Variasi musiman (seasonal variation) dalam data adalah pergerakan secara teratur dalam
yang terkait dengan kejadian yang berulang. Memahami variasi musiman sangat penting
untuk perencanaan keputusan dalam organisasi yang menangani lonjakan muatan barang.
Siklus (cycles) seperti variasi musiman pada data, yang terjadi setiap beberapa tahun,
bukan minggu, bulan, atau kuartal. Peramalan variasi siklus dalam runtun waktu sulit
dilakukan. Hal ini disebabkan oleh siklus meliputi bermacam-macam faktor yang
menyebabkan ekonomi bergerak dari resesi menuju perluasan menuju resesi selama
bertahun-tahun.
1
F. Metode Peramalan Asosiatif: Analisis Regresi dan korelasi
Kita dapat menggunakkan model matematika yang sama yang kita terapkan dalam
metode kuadrat kecil atas proyeksi kecenderungan untuk membuat analsis regresi linear.
Variabel yang dependen yang akan kita ramalkan tetap adalah ẏ. Akan tetapi,sekarang
vriabel independen x tidak lagi waktu. Kita menggunakan persamaan:
ẏ=α +bx
dimana:
α = perpotongan sumbu y
x = variabel indepeden
1
Ʃ ( y − y t )²
Sy , x=
√ n−2
Dimana:
Persamaan regresi adalah salah satu cara untuk menggambarkan sifat dan hubungan
diantara 2 variabel. Garis regresi bukan hubungan “sebab dan akibat”.
Cara lainnya untuk mengevaluasi hubungan diantara 2 variabel adalah dengan enghitung
koefisien terhadap korelasi (coefficient correlation). Ukuran ini mencerminkan derajat
atau kekuatan hubungan linear (tetapi catatan bahwa korelasi tidak selalu berarti
hubungan sebab akibat). Biasanya didefinisikan sebagai r, koefisien korelasi dapat
menjadi banyak angka diantara +1 dan -1.
Untuk menghitung r, kita menggunakn banyak data yang sama yang diperlukan lebih
awal untuk menghitung a dan b untuk garis regresi.
nƩxy − ƩxƩy
r=
√ [nƩx ²−( Ʃx )²][nƩ y 2−( Ʃy ) ²]
Analisis Regresi Multipel
Regresi multipel ( multiple reggression) adalah perluasan praktis dari model regresi
sederhana yang baru saja kita pelajari. Ini memungkinkan kita untuk membangun model
dengan beberapa variabel independen bukan hanya satu variabel.
y=a+b ₁ x ₁+b ₂ x ₂
1
Dimana:
y = variabel dependen,penjualan
α = α konstan, perpotongan y
x₁ dan x₂ = nilai dari 2 variabel independen, area sistem penggajian dan tingkat
bunga masing-masing
Salah satu cara untuk memonitor peramalan untuk memastikan bahwa mereka
berjalan dengan baik adalah dengan menggunakan sinyal penelusuran. Sinyal penelusuran
( tracking signal) adalah pengukuran mengenai seberapa baiknya peramalan dalam
memprediksikan nilai aktualnya
Sinyal penelusuran akan dihitung sebagai kumulatif kesalahan dibagi dengan rata-
rata deviasi yang absolut (MAD), yaitu:
kesalahan kumulatif
sinyal penelusuran=
MAD
=
Dimana:
MAD= Ʃ∨ Aktual−Peramalan∨ ¿ ¿
n
Penghalusan Adaptif
Peramalan adaptif mengacu pada komputer yang memonitor sinyal penelusuran dan
menyesuaikan sendiri jika sinyal melewati limit yang telah ditetapkan. Misalnya, ketika
diterapkan pada penghalusan eksponensial,koefisien α dan β yang pertama dipilih pada
1
nilai basis yang meminimalkan kesalahan peramalan dan kemudian disesuaikan menurut
kapan pun komputer mencatat sinyal penelusuran yang menyimpang. Proses ini disebut
penghalusan adaptif (adaptive smoothing).
Peramalan Fokus
1. Model peramalan yang canggih yang tidak selalu lebih baik daripada yang sederhana.
2. Tidak terdapat teknik tunggal yang akan digunakan untuk seluruh produk atau jasa.
BAB III
PENUTUP
A. Kesimpulan
Peramalan merupakan bagian yang sangat penting dari funsi manajer operasional.
Peramalan permintaaan mendorong produksi perusahaan, kapasitas, dan sistem
penjadwalan dan mempengaruhi fungsi perencanaan keuangan, pemasaran, dan
personalia.
1
Terdapat beragam teknik peramalan jenis kuantitatif dan kualitatif. Pendekatan kualiatif
menggunakan pertimbangan, pengalaman, intuisi, dan sumber faktor lainnya yang sulit
untuk menghitungnya. Peramalan kuantitatif menggunakan data historis dan hubungan
sebab akibat, atau asosiatif, hubungan dengan proyeksi permintaan pada masa
mendatang.
Tidak adametode peramalan yang sempurna untuk seluruh kondisi. Selain itu, bahkan
ketika manajemen telah menemukan pendekatan yang lebih memuaskan, masih harus
memonitor dan mengendalikan peramalan untuk memastikan tidak ada kesalahan yang
terlewatkan. Peramalan sering kal menjadi sangat menantang, tetapi bermanfaat, sebagai
bagian dari pengelolaan.
B. Saran
Dengan adanya makalah ini, diharapkan agar para pembaca dapat lebih mudah
memahami mengenai materi Peramalan. Selain itu, jika terdapat kekurangan dalam
pembuatan makalah ini, penulis berharap pembaca dapat memberikan masukan agar lebih
baik lagi.