MGMT6170
Week 1
OUTLINE MATERI
1.1. Introduction
1.8. Implementation
Tidak cukup hanya untuk mengetahui matematika tentang bagaimana teknik kuantitatif
tertentu bekerja; tetapi juga harus terbiasa dengan keterbatasan, asumsi, dan penerapan
spesifik teknik ini. Keberhasilan penggunaan teknik kuantitatif biasanya menghasilkan solusi
yang tepat waktu, akurat, fleksibel, ekonomis, dapat diandalkan, dan mudah dipahami dan
digunakan.
Bisnis analitik adalah pendekatan berbasis data untuk pengambilan keputusan yang
memungkinkan perusahaan untuk membuat keputusan yang lebih baik. Studi tentang analisis
bisnis melibatkan penggunaan sejumlah besar data, yang berarti bahwa teknologi informasi
yang terkait dengan pengelolaan data sangat penting. Metode statistik dan kuantitatif
digunakan untuk menganalisis data dan memberikan informasi yang berguna kepada pembuat
keputusan.
Analisis bisnis sering dibagi menjadi tiga kategori: deskriptif, prediktif, dan preskriptif.
Analisis deskriptif melibatkan studi dan konsolidasi data historis untuk bisnis dan industri. Ini
membantu perusahaan mengukur apa yang telah dilakukannya di masa lalu dan bagaimana
perusahaan melakukan sekarang. Analisis prediktif ditujukan untuk memperkirakan hasil di
masa mendatang berdasarkan pola pada data sebelumnya. Model statistik dan matematika
digunakan secara luas untuk tujuan ini. Analitik preskriptif melibatkan penggunaan metode
optimisasi untuk menyediakan cara-cara baru dan lebih baik untuk beroperasi berdasarkan
tujuan bisnis yang spesifik.
Dalam banyak kasus, mendefinisikan masalahnya adalah langkah yang paling penting dan
paling sulit. Sangat penting untuk melampaui gejala masalah dan mengidentifikasi penyebab
sebenarnya. Satu masalah mungkin terkait dengan masalah lain; menyelesaikan satu masalah
tanpa memperhatikan masalah lain yang terkait dapat membuat seluruh situasi menjadi lebih
buruk. Dengan demikian, penting untuk menganalisis bagaimana solusi untuk satu masalah
mempengaruhi masalah lain atau situasi secara umum.
Sangat mungkin bahwa organisasi akan memiliki beberapa masalah. Namun, kelompok
analisis kuantitatif biasanya tidak dapat menangani semua masalah organisasi pada satu
waktu. Jadi, biasanya perlu berkonsentrasi hanya pada beberapa masalah. Bagi kebanyakan
perusahaan, ini berarti memilih masalah-masalah yang solusi-solusinya akan menghasilkan
peningkatan laba atau pengurangan terbesar dalam biaya untuk perusahaan. Pengalaman
menunjukkan bahwa definisi masalah yang buruk adalah alasan utama kegagalan kelompok
ilmu pengetahuan atau kelompok riset operasi untuk melayani organisasi mereka dengan
baik.
Ketika masalah sulit diukur, mungkin perlu untuk mengembangkan tujuan yang spesifik
dan terukur. Penting untuk menghindari pengaturan tujuan spesifik dan terukur yang mungkin
tidak menyelesaikan masalah yang sebenarnya.
o Mengembangkan Model
Setelah memilih masalah yang akan dianalisis, langkah selanjutnya adalah mengembangkan
model. Secara sederhana, model adalah representasi (biasanya matematis) dari suatu situasi.
Ada banyak contoh jenis model. Arsitek terkadang membuat model fisik bangunan yang akan
mereka bangun. Insinyur mengembangkan model skala pabrik kimia, yang disebut pilot
plant. Model skematis adalah gambar, atau bagan realitas. Mobil, mesin pemotong rumput,
roda gigi, kipas angin, telepon pintar, dan banyak perangkat lain memiliki model skematik
(gambar) yang mengungkapkan bagaimana perangkat ini bekerja. Apa yang membedakan
analisis kuantitatif dari teknik lain adalah bahwa model yang digunakan adalah matematika.
Model matematika adalah serangkaian hubungan matematis.
Meskipun ada fleksibilitas yang cukup dalam pengembangan model, sebagian besar model
mengandung satu atau lebih variabel dan parameter. Variabel, seperti namanya, adalah
kuantitas terukur yang dapat bervariasi atau dapat berubah. Variabel dapat dikontrol atau
tidak dapat dikontrol. Variabel yang dapat dikontrol juga disebut variabel keputusan.
Contohnya adalah berapa banyak item persediaan yang akan dipesan. Parameter adalah
kuantitas terukur yang merupakan sumber masalah. Biaya penempatan pesanan untuk lebih
banyak item persediaan adalah contoh parameter. Dalam banyak kasus, variabel adalah
kuantitas yang tidak diketahui, sementara parameter adalah kuantitas yang diketahui. Oleh
karena itu, dalam contoh, berapa banyak persediaan untuk memesan adalah variabel yang
perlu diputuskan, sedangkan berapa biaya untuk menempatkan pesanan adalah parameter
yang sudah diketahui. Semua model harus dikembangkan dengan hati-hati, harus dapat
dipecahkan, realistis, dan mudah dimengerti dan dimodifikasi, dan data input yang diperlukan
harus tersedia. Pengembang model harus berhati-hati untuk memasukkan jumlah detail yang
tepat agar dapat dipecahkan namun realistis.
Setelah mengembangkan model, kita harus mendapatkan data yang digunakan dalam model
(data input). Mendapatkan data yang akurat untuk model sangat penting; bahkan jika model
adalah representasi realitas yang sempurna, data yang tidak tepat akan menghasilkan hasil
yang menyesatkan. Situasi ini disebut sampah, sampah keluar. Untuk masalah yang lebih
besar, mengumpulkan data yang akurat dapat menjadi salah satu langkah tersulit dalam
melakukan analisis kuantitatif.
Ada sejumlah sumber yang dapat digunakan dalam mengumpulkan data. Dalam beberapa
kasus, laporan dan dokumen perusahaan dapat digunakan untuk memperoleh data yang
diperlukan. Sumber lain adalah wawancara dengan karyawan atau orang lain yang terkait
dengan perusahaan. Pengambilan sampel (sampling statistic) dapat digunakan untuk
pengambilan data.
Mengembangkan solusi melibatkan manipulasi model untuk sampai pada solusi terbaik
(optimal) untuk masalah tersebut. Dalam beberapa kasus, ini mengharuskan persamaan
dipecahkan untuk keputusan terbaik. Dalam kasus lain, Anda dapat menggunakan metode
trial-and-error, mencoba berbagai pendekatan dan memilih salah satu yang menghasilkan
keputusan terbaik. Untuk beberapa masalah, Anda mungkin ingin mencoba semua nilai yang
mungkin untuk variabel dalam model untuk sampai pada keputusan terbaik. Ini disebut
enumeralisasi lengkap. Serangkaian langkah atau prosedur yang diulang disebut algoritma,
dinamai Algorismus (berasal dari Muhammad ibn Musa al-Khwarizmi), seorang ahli
matematika Persia dari abad kesembilan.
Keakuratan solusi tergantung pada keakuratan data input dan model. Jika data input akurat
untuk hanya dua digit signifikan, maka hasilnya dapat akurat hanya untuk dua digit
signifikan. Misalnya, hasil membagi 2,6 dengan 1,4 harus 1,9, bukan 1,857142857.
o Menguji Solusi
Sebelum solusi dapat dianalisis dan diimplementasikan, perlu diuji sepenuhnya. Karena
solusinya tergantung pada data input dan model, keduanya membutuhkan pengujian.
Menguji data input dan model termasuk menentukan akurasi dan kelengkapan data yang
digunakan oleh model. Data yang tidak akurat akan mengarah ke solusi yang tidak akurat.
Ada beberapa cara untuk menguji data input. Salah satu metode pengujian data adalah
mengumpulkan data tambahan dari sumber yang berbeda. Jika data asli dikumpulkan
menggunakan wawancara, mungkin beberapa data tambahan dapat dikumpulkan dengan
pengukuran langsung atau pengambilan sampel. Data tambahan ini kemudian dapat
dibandingkan dengan data asli, dan uji statistik dapat digunakan untuk menentukan apakah
ada perbedaan antara data asli dan data tambahan. Jika ada perbedaan yang signifikan,
diperlukan lebih banyak upaya untuk mendapatkan data masukan yang akurat. Jika data
akurat tetapi hasilnya tidak konsisten dengan masalah, model mungkin tidak sesuai. Model
dapat diperiksa untuk memastikan bahwa itu logis dan mewakili situasi nyata.
Menganalisis hasil dimulai dengan menentukan implikasi dari solusi. Dalam banyak kasus,
solusi untuk masalah akan menghasilkan semacam tindakan atau perubahan dalam cara
organisasi beroperasi. Implikasi dari tindakan atau perubahan ini harus ditentukan dan
dianalisis sebelum hasilnya diimplementasikan.
Karena model hanyalah perkiraan realitas, sensitivitas solusi terhadap perubahan model dan
data input adalah bagian yang sangat penting dalam menganalisis hasil. Jenis analisis ini
disebut analisis sensitivitas atau analisis postoptimality. Ini menentukan berapa banyak solusi
akan berubah jika ada perubahan dalam model atau data input. Ketika solusi sensitif terhadap
perubahan dalam data input dan spesifikasi model, pengujian tambahan harus dilakukan
untuk memastikan bahwa model dan data input akurat dan valid. Jika model atau data salah,
solusinya bisa salah, yang mengakibatkan kerugian finansial atau berkurangnya keuntungan.
Pentingnya analisis sensitivitas tidak bisa terlalu ditekankan. Karena data input tidak selalu
akurat atau asumsi model mungkin tidak sepenuhnya tepat, analisis sensitivitas dapat menjadi
bagian penting dari pendekatan analisis kuantitatif.
o Menerapkan Hasil
Langkah terakhir adalah menerapkan hasil. Ini adalah proses menggabungkan solusi ke dalam
operasi perusahaan. Pengalaman telah menunjukkan bahwa sejumlah besar tim analisis
kuantitatif telah gagal dalam upaya mereka karena mereka gagal menerapkan solusi yang
baik dan dapat dikerjakan dengan baik.
Setelah solusi telah diterapkan, itu harus dipantau secara ketat. Seiring waktu, mungkin
ada banyak perubahan yang membutuhkan modifikasi dari solusi asli. Perubahan permintaan,
permintaan yang berfluktuasi, dan peningkatan model yang diminta oleh manajer dan
pengambil keputusan hanyalah beberapa contoh perubahan yang mungkin memerlukan
analisis untuk dimodifikasi.
Mengembangkan model merupakan bagian yang penting dari pendekatan analisis kuantitatif.
Berikut ini contoh penggunaan model matematis untuk profit:
Pendapatan adalah harga penjualan per unit dikalikan dengan jumlah unit yang terjual. Biaya
didefinisikan sebagai penjumlahan biaya tetap dan biaya variabel.
Biaya vaiabel ditunjukkan sebagai biaya variabel per unit dikalikan dengan jumlah unit.
Sehingga profit bisa ditunjukkan oleh model matematis berikut ini:
Profit = sX – [f + vX]
Profit = sX – f – vX
Di mana
f = biaya tetap
Contoh: Bill’s company membeli, menjual, dan mereparasi jam tangan. Harga jual jam
tangan $8 per unit. Biaya tetap $1000. Biaya variabel per unit $3.
Jika penjualan sama dengan 0, maka Bill rugi $1000. Jika penjualan 1000 unit, maka
Pada pembuatan keputusan, penting untuk menentukan titik impas atau break even point
(BEP). BEP merupakan jumlah yang terjual jika profit sama dengan nol (0). Sehingga
0 = sX – f – vX
f = (s – v)(X)
X = f / (s-v)
Sehinggan BEP = Biaya tetap / [(harga jula per unit) – (biaya variabel per unit)]
BEP = f / (s – v)
1.6. The Role of Computers and Spreadsheet Models in the Quantitative Analysis
Approach
Mengembangkan solusi, menguji solusi, dan menganalisis hasil merupakan langkah
penting dalam pendekatan analisis kuantitatif. Karena kita akan menggunakan model
matematika, langkah-langkah ini memerlukan perhitungan matematis. Excel 2016
dapat digunakan untuk membantu perhitungan ini, dan beberapa spreadsheet yang
dikembangkan di Excel akan ditampilkan di beberapa bab. Ada dua program
perangkat lunak yang tersedia dari Situs Web Pendamping yang membuat ini lebih
mudah:
1. POM-QM untuk Windows adalah program pendukung keputusan yang mudah
digunakan yang dikembangkan untuk kursus manajemen produksi dan operasi
(POM) dan metode kuantitatif (QM).
2. Excel QM, add-in untuk Excel, juga dapat digunakan untuk melakukan
perhitungan matematis. Ketika diinstal di Excel 2016, Excel QM muncul sebagai
tab pada pita.
Untuk menggunakan QM untuk Windows untuk memecahkan masalah analisis
titik impas yang disajikan sebelumnya, dari menu Module drop-down pilih
Breakeven / Analisis Volume Biaya. Kemudian pilih Analisis New-Breakeven
untuk memasuki masalah. Saat jendela terbuka, masukkan nama dan pilih OK.
Setelah melakukan ini, Anda akan melihat layar yang ditunjukkan pada Gambar
1.2. berikut ini:
Mendefinisikan Masalah
Ada empat rintangan potensial yang dihadapi oleh para analis kuantitatif dalam
mendefinisikan suatu masalah. Digunakan aplikasi, analisis persediaan, di seluruh bagian ini
sebagai contoh.
o Conflicting Viewpoints
Kesulitan pertama adalah bahwa analis kuantitatif harus sering mempertimbangkan sudut
pandang yang saling bertentangan dalam mendefinisikan masalah. Sebagai contoh,
setidaknya ada dua pandangan yang diambil oleh para manajer ketika berhadapan dengan
masalah persediaan. Manajer keuangan biasanya merasa bahwa persediaan terlalu tinggi,
karena persediaan menunjukkan kas tidak tersedia untuk investasi lain. Manajer penjualan, di
sisi lain, sering merasa bahwa persediaan terlalu rendah, karena tingkat persediaan yang
tinggi mungkin diperlukan untuk mengisi pesanan yang tidak diharapkan. Jika analis
mengasumsikan salah satu dari pernyataan ini sebagai definisi masalah, mereka pada
Kesulitan berikutnya adalah bahwa masalah tidak ada dalam isolasi dan tidak dimiliki oleh
hanya satu departemen dari suatu perusahaan. Persediaan sangat terkait dengan arus kas dan
berbagai masalah produksi. Perubahan dalam kebijakan pemesanan dapat secara serius
mengganggu arus kas dan menaikkan jadwal produksi ke titik di mana penghematan
persediaan lebih dari diimbangi oleh peningkatan biaya untuk keuangan dan produksi. Oleh
karena itu, pernyataan masalah harus seluas mungkin dan memasukkan masukan dari semua
departemen yang memiliki saham dalam solusi. Ketika solusi ditemukan, manfaat dan risiko
untuk semua bidang organisasi harus diidentifikasi dan dikomunikasikan kepada orang-orang
yang terlibat.
o Asumsi Awal
Kesulitan ketiga adalah bahwa orang memiliki kecenderungan untuk menyatakan masalah
dalam hal solusi. Pernyataan bahwa inventaris terlalu rendah menyiratkan solusi bahwa
tingkat inventaris harus dinaikkan. Analis kuantitatif yang memulai dengan asumsi ini
mungkin benar-benar menemukan bahwa inventaris harus dinaikkan. Dari sudut pandang
implementasi, solusi "baik" untuk masalah yang tepat jauh lebih baik daripada solusi
"optimal" untuk masalah yang salah. Jika masalah telah didefinisikan dalam hal solusi yang
diinginkan, analis kuantitatif harus mengajukan pertanyaan tentang mengapa solusi ini
diinginkan. Dengan menggali lebih jauh, masalah sebenarnya akan muncul dan dapat
didefinisikan dengan benar.
Mengembangkan Model
Satu masalah dalam mengembangkan model kuantitatif adalah bahwa persepsi manajer
tentang suatu masalah tidak akan selalu cocok dengan pendekatan buku teks. Sebagian besar
model inventaris melibatkan meminimalkan total biaya penyimpanan dan pemesanan.
Beberapa manajer memandang biaya ini tidak penting; sebaliknya, mereka melihat masalah
dalam hal arus kas, perputaran, dan tingkat kepuasan pelanggan. Hasil suatu model
berdasarkan biaya penyimpanan dan pemesanan mungkin tidak dapat diterima oleh manajer
tersebut. Inilah sebabnya mengapa analis harus benar-benar memahami model dan tidak
hanya menggunakan komputer sebagai "kotak hitam" di mana data dimasukkan dan hasilnya
diberikan tanpa memahami prosesnya. Analis yang memahami proses tersebut dapat
menjelaskan kepada manajer bagaimana model mempertimbangkan faktor-faktor lain ketika
memperkirakan berbagai jenis biaya persediaan. Jika faktor-faktor lain juga penting, analis
dapat mempertimbangkan ini dan menggunakan analisis sensitivitas dan penilaian yang baik
untuk memodifikasi solusi komputer sebelum diimplementasikan.
o Memahami Model
Perhatian utama kedua melibatkan trade-off antara kompleksitas model dan kemudahan
pemahaman. Manajer tidak akan menggunakan hasil model yang tidak mereka pahami.
Masalah rumit, membutuhkan model yang rumit. Satu trade-off adalah menyederhanakan
asumsi untuk membuat model lebih mudah dipahami. Model kehilangan sebagian dari
realitanya tetapi memperoleh penerimaan oleh manajemen.
Mengumpulkan data yang akan digunakan dalam pendekatan kuantitatif untuk pemecahan
masalah seringkali bukan tugas yang sederhana. Seperlima dari semua perusahaan dalam
penelitian baru mengalami kesulitan dengan akses data.
Salah satu masalah adalah bahwa sebagian besar data yang dihasilkan dalam suatu
perusahaan berasal dari laporan perhitungan dasar. Departemen akuntansi mengumpulkan
data inventarisnya, misalnya, dalam hal arus kas dan perputaran. Tetapi analis kuantitatif
yang menangani masalah persediaan perlu mengumpulkan data tentang menahan biaya dan
memesan biaya. Jika mereka meminta data semacam itu, mereka mungkin terkejut
menemukan bahwa data tersebut tidak pernah dikumpulkan untuk biaya yang ditentukan
tersebut.
o Validitas Data
Data yang kurang baik, dan kurang bersi berarti bahwa data apa pun yang tersedia harus
sering disaring dan dimanipulasi (kita menyebutnya "fudging") sebelum digunakan dalam
model. Sayangnya, validitas hasil suatu model tidak lebih baik dari validitas data yang masuk
ke dalam model. Hal ini menekankan pentingnya analisis sensitivitas, yang digunakan untuk
menentukan dampak dari perubahan kecil dalam data input.
o Hard-To-Understand Mathematics
Perhatian pertama dalam mengembangkan solusi adalah bahwa model matematika yang
digunakan mungkin kompleks dan kuat. Solusi untuk masalah ini mungkin memiliki logika
atau data yang salah. Aura matematika sering menyebabkan manajer untuk tetap diam ketika
mereka harus kritis.
Masalah kedua adalah bahwa model kuantitatif biasanya hanya memberikan satu jawaban
atas suatu masalah. Kebanyakan manajer ingin memiliki berbagai opsi dan tidak ditempatkan
dalam posisi yang diambil atau ditinggalkan. Strategi yang lebih tepat adalah seorang analis
untuk menyajikan berbagai opsi, yang menunjukkan efek yang dimiliki setiap solusi terhadap
fungsi obyektif. Ini memberi manajer pilihan, serta informasi tentang berapa biaya untuk
menyimpang dari solusi optimal. Ini juga memungkinkan masalah untuk dilihat dari
perspektif yang lebih luas, karena faktor nonquantitative dapat dipertimbangkan.
Menguji Solusi
Hasil analisis kuantitatif sering mengambil bentuk prediksi tentang bagaimana hal-hal akan
bekerja di masa depan jika perubahan tertentu dilakukan sekarang. Untuk mendapatkan
pratinjau tentang seberapa baik solusi akan benar-benar Menguji Solusi
Hasil analisis kuantitatif sering mengambil bentuk prediksi tentang bagaimana hal-hal akan
bekerja di masa depan jika perubahan tertentu dilakukan sekarang. Untuk mendapatkan
gambaran tentang seberapa baik solusi akan benar-benar berfungsi, para manajer sering
ditanya seberapa baik solusi itu bagi mereka. Masalahnya adalah bahwa model kompleks
cenderung memberikan solusi yang tidak jelas secara intuitif. Solusi semacam itu cenderung
ditolak oleh manajer. Analis kuantitatif bisa bekerja melalui model dan asumsi dengan
manajer dalam upaya untuk meyakinkan manajer tentang validitas hasil. Analis harus
meninjau setiap asumsi yang masuk ke dalam model.
Setelah solusi telah diuji, hasilnya harus dianalisis dalam hal bagaimana mempengaruhi total
organisasi. Perubahan kecil pun dalam organisasi seringkali sulit untuk dilakukan. Jika
hasilnya menunjukkan perubahan besar dalam kebijakan organisasi, analis kuantitatif dapat
mengharapkan penolakan. Dalam menganalisis hasil, analis harus memastikan siapa yang
harus berubah dan seberapa banyak, jika orang-orang yang harus berubah akan menjadi lebih
baik atau lebih buruk, dan yang memiliki kekuatan untuk mengarahkan perubahan.
1.8.Implementation
o Kurangnya Komitmen dan Ketahanan terhadap Perubahan
Meskipun banyak keputusan bisnis dapat dibuat secara intuitif, berdasarkan firasat dan
pengalaman, ada lebih banyak situasi di mana model kuantitatif dapat membantu. Beberapa
manajer, bagaimanapun, takut bahwa penggunaan proses analisis formal akan mengurangi
kekuatan pengambilan keputusan mereka. Yang lain takut bahwa hal itu dapat mengungkap
beberapa keputusan intuitif sebelumnya yang tidak memadai. Yang lain lagi merasa tidak
nyaman karena harus membalik pola berpikir mereka dengan pengambilan keputusan formal.
Para manajer ini sering menentang penggunaan metode kuantitatif.
Banyak manajer yang berorientasi pada tindakan tidak menyukai proses pengambilan
keputusan formal yang panjang dan lebih memilih untuk menyelesaikan sesuatu dengan
cepat. Mereka lebih suka teknik "cepat dan kotor" yang dapat menghasilkan hasil yang
segera. Setelah manajer melihat beberapa hasil QA yang memiliki hasil substansial, tahap ini
ditetapkan untuk meyakinkan mereka bahwa analisis kuantitatif adalah alat yang bermanfaat.
Implementasi yang berhasil mengharuskan analis untuk tidak memberi tahu pengguna apa
yang harus dilakukan tetapi bekerja dengan mereka dan mempertimbangkan perasaan
mereka. Sebuah artikel dalam Riset Operasi menjelaskan sistem kontrol inventaris yang
menghitung poin pemesanan ulang dan jumlah pesanan. Namun alih-alih memaksa agar
jumlah yang dihitung komputer dipesan, fitur override manual dipasang. Ini memungkinkan
pengguna untuk mengabaikan angka yang dihitung dan menggantinya sendiri. Penggantian
digunakan cukup sering ketika sistem pertama kali dipasang. Namun, secara berangsur-
angsur, ketika pengguna mulai menyadari bahwa angka yang dihitung lebih sering daripada
benar, mereka memungkinkan figur sistem untuk berdiri. Akhirnya, fitur penggantian hanya
digunakan dalam keadaan khusus. Ini adalah contoh bagus tentang bagaimana hubungan yang
baik dapat membantu dalam implementasi model.