LANDASAN TEORI
2.1 Produktivitas
Kata produktivitas pertama kali dicetuskan oleh Quesnay pada tahun 1766.
Pada tahun 1883, Littre mendefinisikan produktivitas sebagai ”kemampuan untuk
memproduksi”. Definisi produktivitas telah banyak dibuat oleh para ahli.
Greenberg (2005, 12) mendefinisikan produktivitas sebagai perbandingan antara
totalitas pengeluaran pada waktu tertentu dibagi totalitas masukan selama periode
tersebut. Produktivitas didefinisikan sebagai hubungan antara input dan output
suatu sistem produksi. Hubungan ini sering lebih umum dinyatakan sebagai rasio
output dibagi input (Nasution, 2006, 421). Mali (1978) juga mengemukakan bahwa
”produktivitas merupakan kombinasi dari efektivitas dan efisiensi”. Efektivitas
berkaitan dengan unjuk kerja dalam mencapai tujuan dan efisiensi berkaitan dengan
penggunaan sumber daya.
Peningkatan produktivitas dapat dilihat dalam tiga bentuk (Dewan
Produktivitas Nasional,), yaitu :
a. Jumlah keluaran (output) dalam mencapai tujuan meningkat dengan
menggunakan sumber daya (input) yang sama.
b. Jumlah keluaran (output) dalam mencapai tujuan sama atau meningkat dicapai
dengan menggunakan sumber daya (input) yang lebih sedikit.
c. Jumlah keluaran (output) dalam mencapai tujuan yang jauh lebih besar diperoleh
dengan pertambahan sumber daya (input) yang relatif lebih kecil.
Perencanaan Perencanaan
Kebutuhan Kebutuhan
Material Kapasitas
Perencanaan
Order Release
Pengendalian Aktivitas
Produksi
Pengendalian prioritas
Order Release Manajemen antrian
Perencanaan dan
pengendalian Input /Output
Penjadwalan pesanan
Pengiriman Penugasan Pesanan
Proses Produksi
Laporan
Produksi
Production
Planning
MEDIUM
RANGE
Distribution
Requirements
Planning (DPR)
Final Assembly
Scheduling (FAS)
Production Purchase
Activity Control Planning &
(PAC) Control
800
600
400
Series1
200
0
1 3 5 7 9 11
800
600
400
Series1
200
0
1 2 3 4 5 6 7 8 9 101112
800
600
400
Series1
200
0
1 3 5 7 9 11
1500
1000
Series1
500
0
1 3 5 7 9 11
3. Memilih metode yang dapat mewakili kondisi pola data masa lalu,
Secara umum model peramalan tersebut dapat dilakukan dengan metode
sebagai berikut :
Smoothing
Deret berkala
( Time series )
Cecompocition
Kuantitatif
Regresi
sederhana
kausal
Metoda Regresi
peramalan berganda
eksploratoris
kualitatif
normatif
a. Peramalan Kualitatif
Peramalan kualitatif atau peramalan subyektif, memanfaatkan faktor-
faktor penting seperti intuisi, pengalaman pribadi, dan system nilai pengambilan
keputusan. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti
hanya menggunakan intuisi melainkan mengikutsertakan model statistik sebagai
bahan masukan dalam melakukan judgment (pendapat, keputusan) dan dapat
dilakukan secara perseorangan ataupun kelompok. Peramalan kualitatif
menggunakan empat metode yang umum dipakai, yaitu (Herjanto, 1999):
• Juri Opini Eksekutif
Metode ini cukup banyak digunakan. Pendekatan ini merupakan pendekatan
peramalan yang paling sederhana dan banyak digunakan dalam peramalan bisnis.
• Metode Delphi
Metode ini, serangkaian kuesioner disebarkan kepada responden. Langkah
berikut jawabannya diringkas dan diberikan ke panel ahli untuk dibuat perkiraan.
• Gabungan Tenaga Penjualan
Metode ini cukup banyak digunakan, karena tenaga penjualan (sales force)
merupakan sumber informasi yang baik mengenai permintaan konsumen. Setiap
tenaga penjualan meramalkan tingkat penjualan di daerahnya, kemudian
digabungkan pada tingkat provinsi dan seterunya sampai ke tingkat nasional untuk
mencapai peramalan yang menyeluruh.
• Survei Pasar
Masukan diperoleh dari konsumen atau konsumen potensial terhadap
rencana pembelian di masa datang. Survei dapat dilakukan dengan kuesioner,
telepon, atau wawancara langsung. Pendekatan ini membantu tidak hanya dalam
menyiapkan peramalan, tetapi juga dalam meningkatkan desain produk dan
perencanaan untuk suatu produk baru. Metode ini memiliki kekurangan, yaitu
memerlukan waktu yang cukup lama, metode ini juga mahal dan sulit.
b. Metode Kuantitatif
Peramalan kuantitatif, menggunakan berbagai model matematis yang
menggunakan data histories dan atau variable-variabel kausal untuk meramalkan
permintaan.
Syarat peramalan kuantitatif adalah :
1. Tersedia informasi tentang masa lalu
2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data numerik
3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut
dimasa yang akan datang.
Pada dasarnya metode peramalan kuantitatif ini dapat dibedakan atas:
➢ Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan
variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya,
yang bukan waktu, yang disebut metode korelasi atau sebab akibat (“causal
methods”). Pada modul peramalan penjualan (Soepono, 2012) Metode
peramalan ini terdiri dari dari:
1) Metode regresi linier
Pada metode regresi, suatu model perlu dispesifikasi sebelum dilakukan
pengumpulan data dan analisisnya. Contoh yang paling sederhana dari metode
regresi ini adalah metode regresi linier sederhana dengan variabel pengaruh
tunggal. Formula untuk metode regresi sebagai berikut :
ŷ = a + bx
di mana :
ŷ = perkiraan permintaan
x = variabel bebas yang mempengaruhi y
a = nilai tetap y bila x = 0 (merupakan perpotongan dengan sumbu y)
b = derajat kemiringan persamaan garis regresi
Untuk menentukan nilai a dan b, digunakan formula sebagai berikut :
a=
y i
−b
x i
n n
b=
n x i yi − ( x )( y ) i i
n x − ( xi )
2 2
i
y(t) = a + bt + ct 2
n n n
dengan ketentuan :
γ= ( t )
2 2
− n t 4
σ = t. y(t) − n t.y(t)
= t 2 . y(t) − n. t 2 .y(t)
α = t. t 2 − n t 3
β = ( t ) − n. t 2
2
γ.σ − .α
b=
γβ − α 2
− b.α
c=
γ
➢ Metode peramalan yang akan didasarkan atas penggunaan analisa pola
hubungan antara variabel yang akan diperkirakan dengan variabel waktu,
yang merupakan deret waktu, atau “time series”. Pada modul peramalan
penjualan (Soepono, 2012) Metode- metode time series ini terdiri dari:
1) Metode Rata- Rata Bergerak (Moving Average)
Metode ini menggunakan sejumlah data aktual permintaan yang baru untuk
membangkitkan nilai ramalan untuk permintaan di masa mendatang. Metode rata-
rata bergerak akan efektif diterapkan apabila diasumsikan bahwa permintaan pasar
terhadap produk akan teteap stabil sepanjang waktu. Bentuk umum persamaan dari
metode rata-rata bergerak :
A t + A t −1 + ... + A t −(n−1)
MA =
n
di mana :
MA = Moving Average
At = permintaan aktual pada periode –t
n = jumlah data permintaan yang dilibatkan dalam perhitungan MA
WMA = Wt .A t
di mana :
Wt = bobot permintaan aktual pada periode –t
At = permintaan aktual pada periode –t
dengan keterbatasan, bahwa :
W t =1
Ft = Ft −1 + α(At −1 − Ft −1 )
di mana :
Ft = nilai ramalan untuk periode waktu ke –t
Ft-1 = nilai ramalan untuk satu periode waktu yang lalu, t-1
At-1 = nilai aktual untuk satu periode waktu yang lalu, t-1
α = konstanta pemulusan (smoothing constant)
Permasalahan umum yang dihadapi apabila menggunakan model pemulusan
eksponensial adalah memilih konstanta pemulusan, α, yang diperkirakan tepat.
Nilai konstanta pemulusan α dapat dipilih di antara nilai 0 dan 1, karena berlaku :
0<α<1.
3) Metode Pemulusan Eksponensial dengan Unsur Trend
Teknik moving average dan exponential smoothing sederhana telah
dijelaskan di depan hanya tepat bila data yang digunakan stationer. Bila data
permintaan bersifat musiman dan memiliki tren, maka dapat diselesaikan dengan
salah satu metode exponentioal smoothing yang biasa disebut dengan metode
winter.
Metode winter didasarkan atas tiga persamaan pemulusan, yaitu persamaan
untuk penyesuaian stationer, satu persamaan untuk penyesuaian tren, dan
persamaan yang lain untuk penyesuaian musiman.
Yang perlu diperhatikan adalah bahwa pemulusan eksponensial tunggal ini
akan selalu mengikuti setiap tren data yang sebenarnya, karena yang dapat
dilakukan hanyalah mengatur ramalan yang akan datang dengan suatu porsentase
kesalahan yang terakhir. Berikut ini persamaan pemulusan eksponensial dengan
mempertimbangkan trend :
Ft = αA t + (1 − α)(Ft −1 + Tt −1 )
Tt = β(Ft − Ft −1 ) + (1 − β)Tt −1
f t = Ft −1 + Tt −1
di mana :
Ft = Nilai peramalan dengan pemulusan periode t
Tt = Tren untuk periode t
ft = Nilai peramalan periode t
At = Nilai data aktual periode t
4) Metode Pemulusan Eksponensial dengan Unsur Musiman
Dalam situasi tertentu sering kali permintaan terhadap suatu produk industri
dipengaruhi oleh faktor musiman yang berkaitan dengan fluktuasi periodik serta
bersifat relatif konstan. Fluktuasi periodik ini biasanya dipengaruhi oleh faktor-
faktor seperti : temperatur, curah hujan, hari raya keagamaan dan lain-lain. Sebagai
misal, permintaan untuk produk payung mungkin akan meningkat pada saat musim
hujan, dan relatif menurun pada saat musim kemarau dan sebagainya.
Proses umum dari permintaan musiman ini dapat dinyatakan dalam
persamaan matematis sebagai berikut :
A t = μ.δ t + ε t
Dt
Ft = α + (1 − α)(Ft −1 + Tt −1 )
I t −m
Tt = β(Ft − Ft −1 ) + (1 − β)Tt −1
Dt
It = γ + (1 − γ)It − m
Ft
f t = (Ft + Tt ).I t +1− m
di mana :
Ft = nilai peramalan dengan pemulusan periode t
Tt = tren untuk periode t
ft = nilai peramalan periode t
At = nilai data aktual periode t
α = konstanta pemulusan untuk rata-rata
= konstanta pemulusan untuk tren
Ft-1 = nilai pemulusan sebelum periode t pemulusan
Tt-1 = tren sebelum periode t pemulusan
t = faktor musiman
= tingkat permintaan rata-rata
t = distribusi permintaan normal dengan mean nol
It = indeks pada periode t
Dt = permintaan pada periode t
= konstanta pemulusan
2. Meramalkan permintaan dengan metoda yang dipilih,
3. Memilih metoda terbaik berdasarkan ukuran kesalahan terkecil,
(A t − Ft ) 2
MSE =
n
➢ Rata-rata Kesalahan Peramalan (Mean Forecast Error =MFE)
MFE sangat efektif untuk mengetahui apakan suatu hasil peramalan selama
periode tertentu terlalu tinggi atau terlalu rendah. MFE dihitung dengan
menjumlahkan semua kesalahan peramalan selama periode peramalan dan
membaginya dengan jumlah periode peramalan. Secara sistematis MFE dinyatakan
sebagai berikut :
(A t − Ft )
MFE =
n
100 F
MAPE = A t − t
n At
(A t − Ft ) 2
SEE =
n − fo
di mana :
fo = derajat kebebasan yang hilang
➢ Kesalahan Standar (Standart Error)
Formula dari SE adalah sebagai berikut :
∑(Y − Y′)2
SE = √
N
di mana :
SE = standart error
Y = penjualan / permintaan
Y’ = ramalan penjualan / permintaan
N = jumlah data
4. Verifikasi peramalan.
Langkah penting setelah peramalan dibuat adalah melakukan verifikasi
peramalan sedemikian rupa, sehingga hasil peramalan tersebut benar-benar
mencerminkan data masa lalu dan sistem sebab akibat yang mendasari permintaan
tersebut. Sepanjang aktualitas peramalan tersebut dapat dipercaya hasil peramalan
akan terus digunakan. Jika selama proses verifikasi tersebut ditemukan keraguan
validitas metode peramalan yang digunakan, harus dicari metode lainnya yang lebih
cocok. Validitas tersebut harus ditentukan dengan uji statistika yang sesuai
Banyak alat yang dapat digunakan untuk memverifikasi peramalan dan
mendeteksi perubahan sistem sebab akibat yang melatarbelakangi perubahan pola
permintaan. Bentuk yang paling sederhana adalah peta kontrol peramalan yang
mirip dengan peta kontrol kualitas.
Langkah verifikasi peramalan:
a. Menghitung kesalahan peramalan tiap perioda
b. Membuat peta MR
Menurut Bambang Soepono (2012) dalam modul peramalan penjualan
“Peta moving range dirancang untuk membandingkan nilai permintaan aktual
dengan nilai peramalan. Dengan kata lain, kita melihat data permintaan aktual dan
membandingkannya dengan nilai peramalan pada periode yang akan datang
sehingga kita dapat membandingkan data peramalan dengan permintaan aktual.
Peta moving range digunakan untuk melakukan verifikasi teknik dan parameter
peramalan”. Moving range dapat didefinisikan sebagai :
∑𝑛−1
𝑖=1 𝑀𝑅𝑖
̅̅̅̅̅
𝑀𝑅 =
𝑛−1
̅̅̅̅̅
𝐺𝑇 = 𝑀𝑅
Batas kendali atas an bawah pada peta moving range adalah :
+
Batas Kendali Atas
Batas Daerah A
Batas Daerah B
0 t
Batas Daerah B
Batas Daerah A
Contoh Kasus: dari hasil peramalan, kebutuhan tenaga kerja selama 1 minggu
adalah sebagai berikut:
Penyelesaian:
o Total Kebutuhan/minggu = 46 orang
o Jika setiap orang bekerja selama 5 hari per minggu:
Kebutuhan shift = Total kebutuhan per minggu/jumlah tenaga kerja
= 46/5
= 9,2 shift
o Terdapat 2 alternatif :
1. 9 shift = lembur
2. 10 shift = kelebihan
Hasil pengolahan:
Libur :
• Sabtu – Minggu : shift 1,2,5,9
• Minggu – Senin : shift 6,10
• Selasa – Rabu : shift 3,7
• Kamis – Jum’at : shift 4,8