2007-3-00404-TI-Bab 2.pdf
-
Upload
florentina-chandra -
Category
Documents
-
view
7 -
download
6
Transcript of 2007-3-00404-TI-Bab 2.pdf
-
24
BAB II
LANDASAN TEORI
2.1 Tinjauan Pustaka
2.1.1 Pengumpulan Data
Statistik deskriptif adalah metode metode yang berkaitan dengan
pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang
berguna. Perlu kiranya dimengerti bahwa statistik deskriptif memebrikan informasi
hanya mengenai data yang dipunyai dan induknya lebih besar.
(Ronald E walpole, 1995, p2)
Jenis jenis data:
1. Kualitatif : data yang berbentuk kalimat, kata atau gambar
2. kuantitatif : data yang berbentuk angka. Angka ini dibagi menjadi diskrit dan
kontinu
2.1.2 Pengukuran waktu
Pengukuran waktu adalah pekerjaan yang mnengamati dan mencatat waktu-
waktu kerja baik setiap element maupun siklus. Teknik pengukuran waktu terbagi
menjadi dua bagian, yaitu pengukuran langsung dan pengukuran tidak langsung.
Pengukuran secara lngsung adalah pengukuran yang dilaksanaakan secara
langsung ditempat dimana pekerjaan tersebut dilaksanakan. hal itu dilakukan dengan
dua cara, yaitu cara jam henti dan sampling pekerjaan. Sedangkan pengukuran cara
-
25
tidak langsung dilakukan perhitungan waktu dan analisis data tanpa harus berada
ditempat pekerjaan tersebut, yaitu dengan cara membaca tabel tabel yang tersedia
sebagai media analisis asalkan peneliti juga mengtahui jalnya pekerjaan tersebut
melalui elemen pekerjaan maupun elemen gerakan.
Hal hal yang dikerjakan selama pengukuran baerlangsung adalah
pengukuran pendahuluan. Tujuan melakukan pengukuran pendahuluan adalah untuk
mengtahui berpa hari pengukuran harus dilakuakan untuk tingkat ketelitian dan
keyakinan yang diinginkan. Tingkat ketelitian dan keyakinan ini diterapkan pada saat
langkah penetapan tujuan pengukuran. Untuk mengetahui berapa kali pengukuran
yang harus dilakukan, harus dilakuakn beberapa tahap pengukuran pendahuluan.
Pengukuran pendahuluan pertama dilakukan,dengan melakukan beberapa
buah pengukuran yang banyaknya ditentukan oleh pengukur, biasanya sepuluh kali
atau lebih. Setelah pengukuran tahap pertama ini dijalankan, ada tiga hal yang harus
dilakukan : menguji keseragaman data, menghitung jumlah pengukuran yang
diperlukan, dan bila belum cukup dilakukan pengukuran pendahuluan kedua. Jika
tahap kedua telah selesai maka dilakukanlah ketigahal yang sama seperti diatas.
Thap ini dilakuakn berulang dan begitu seterusnya sampai jumlah keseluruahn
pengukuran mencukupi untuk tingkat tingkat ketelitian dan keyakinan yang
dikehendaki. Istilah jumlah pengukuran pendahuluan terus dipakai selam jumlah
pengukuran yang telah dilaksanakan pada tahap pengukuran belum mencukupi.
(Sutalaksana, 1979, p131-132).
-
26
2.1.3 Uji Keseragaman Data
Tugas mengukur adalah mendapatkan data yang seragam. Karena adanya
ketidakseragaman data sering kali terjadi tanpa disadari oleh peneliti, maka
diperlukan suatu alat yang dapat mendeteksi. Batas batas kontrol yang dibentuk
dari data merupakan batas seragam tidak data. Data dikataka seragam yaitu bilamana
berasal dari sistem sebab yang sama, bilamana berada dalam suatu batas kontrol.
Sedangkan data yang tidak seragam yatu data yang berasal dari sebeb yang berbeda
dan jika posisinya berada dalam luar bats kontrol kendali.
Uji keseragaman data perlu dilakukan terlebih dahulu sebelum menggunakan
data yang diperoleh guna menetapkan waktu baku. Uji keseragaman data bisa
dilaksanakan dengan cara visual atau mengaplikasikan peta kontrol (control chart).
Peta kontrol adalah suatu alat yang tepat guna dalam menguji keseragaman data yang
diperoleh dari hasil pengamatan.
Uji keseraaman data secara visual dilakukan secara sederhana mudah dan
cepat. Disini kita hanya sekedar melihat data yang terkumpul dan seterusnya
mengidentifikasikan data yang terlalu ekstrim. Yang dimaksud dengan data yang
terlalu ekstrim adalah data yang terlalu besar atau kecil dan menyimpang dari trend
rata-ratanya. Data yang terlalu ekstrim ini dibuang jauh jauh dan tdak dimasukan
kedalam perhitungan selanjutnya. (Sutalaksana,1979, p131-132)
1. Hasil pengukuran dikelompokan kedalam subgrup subgrup dan hitung
rata rata dari tiap subgrup.
-
27
nx
x ik dimana n = ukuran subgrup, yaitu banyaknya data dalam 1
grup. k = jumlah subgrup, Xi = data pengamatan
2. Hitung rata rata keseluruhan, yaitu rata rata dari rata rata subgrup
nx
xk
3. Hitung standar deviasi dari waktu pengukuran.
1
)( 2
N
xxi , dimana N = jumlah pengukuran pendahuluan yang
telah dilakukan.
4. Hitung standar deviasi dari distribusi harga subgup.
nx
5. Tentukan batas kontrol atas (BKA) dan batas kontrol bawah (BKB)
BKA : )(3x
Zxx
BKB : )(3x
Zxx , dimana Z = koefisien pada distribusi normal sesuai
dengan tingkat kepercayaan. Rumusnya :
211 Z
6. Jika seluruh data rata rata waktu subgrup berada dalam batas BKA dan
BKB, maka data waktu dikatakan seragam.
-
28
2.1.4 Uji Kecukupan Data
Waktu yang diperlukan untuk melaksanakan elemen kerja pada umumnya
akan sedikit berbeda dari siklus ke siklus kerja sekalipun operator bekerja pada
kecakapan normal dan uniform, tiap element dalam siklus yang berbeda tidak selalu
akan bisa dilaksanakan dlam waktu yang persis sama. Aktifitas pengukuran kerja
pada dasarnya adlah merupakan proses sampling, konsekuensi yang diperoleh adalah
bahwa semakin besar jumlah siklus kerja yang diamati / diukur, maka akan semakin
mendekati kebenaran data waktu yang diperoleh. Pengukuran dlakukan dengan
stopwatch. Semakin kecil variasi dari perbedaan waktu yang ada, maka jumlah
pengukuran / pengmatan yang harus dilakukan juga akan cukup kecil. Sebaliknya
jika semakin besar jumlah variabilitas dari waktu pengukuran, akanmenyebabkan
jumlah siklus kerja yang diamati juga akan semakin besar agar diperoleh ketelitian
yang dikehendaki.
Perhitungan uji kecukupan data dapat terpenuh setelah semua harga rata-rata
subgrup berada dalam batas kendali. Rumus dari kecukupan data :
222 )(
'
Xi
XiXiNsz
N , dimana :
N : jumlah pengukuran data minimum yang dibutuhkan
N : jumlah pengukuran pendahuluan yang telah dilakukan setelah dikurangi data
pengukuran pendahuluan yang telah dilakukan.
Z : bilangan konversi pada distribusi normal sesuai dengan tingkat kepercayaan
-
29
S : tingkat ketelitian
Jumlah pengukuran waktu dapat dikatakan cukup apabila jumlah pengukuran
data minimum yang dibutuhkan secara teori lebih kecil atau sama dengan jumlah
pengukuran pendahuluan yang telah dilakukan. (N < N)
Jika pengukuran masih belum mencukupi, maka harus dilakukan pengukuran
lagi sampai jumlah pengukuran tersebut cukup.
2.1.5 Tingkat Ketelitian dan Keyakinan
Pengukuran ini bertujuan untuk mencari waktu yang sebenarnya dibutuhkan
untuk melakukan suatu pekerjaan. Waktu penyelesaian ini tidak pernah diketahui
sebelumnya maka harus diadakan pengukuran. Idealnya dilakukan pengukuran
pengukuran yang sangat banyak karena dengan demikian diperolah jawaban yang
pasti. Ternyata hal ini jelas tidak memungkinkan karena keterbatasan waktu, tanaga,
dan biaya yang ada. Namun sebaliknya bila tidak dilakukan beberapa kali
pengukuran, akan dapat diduga hasilnya sangat kasar. Yang diperlukan adalah
jumlah pengukuran yang tidak membebankan waktu, tenaga ataupun biaya yang lebih
besar, tetapi hasilnya juga punya resiko tidak dapat dipercaya / diragukan.Dengan
tidak dilakukan pengukuran yang banyak ini, pengukuran / pengamatan kana
kehilangan sebagian kepastian.
Tingkat ketelian dan kepercayaan adalah suatu tingkat kepastian yang
diinginkan pengukur / peneliti setelah memutuskan tidak melakukan pengukuran
-
30
yang sangat banyak. Tingkat ketelitaian menunjukan penyimpangan maksimum hasil
pengukuran dari waktu, hal ini biasanya dinyatakan dalam persen (%). Sedangkan
tingkat kepercayaan menunjkan besarnya kepercayaan yang diinginkan pengukur,
dimana hasil yang diperoleh memenuhi syarat ketelitian tadi. Contohnya tingkat
ketelitian 10 %, dan tingkat keyakinan 95 % memberi arti bahwa pengukur
membolehkan rata rata hasil pengukurannya menyimpang sejauh 95 %. Hal ini
berarti sebaliknya jika pengukur sampai memperbolehkan rata rata pengukuran
yang menyimpang lebih dari 10 %, hal ini boleh terjadi bila hanya dengan
kemungkinan 5 % (100% 95%).
Pengaruh tingkat ketelitian dan keyakinan dalam jumlah pengukuranyang
diperlukan dapat dipelajari secara statistik. Tetapi secara intuitif hal ini dapat
didugayaitu semakin tinggi tingkat ketelitian dan semakin besar tingkat keyakinan,
maka akan semakin banyak pengukuran yang diperlukan.
(Sutalaksana, 1979, p135-136).
Tingkat ketelitian dan keyakinan jumlahnya tergantung yang diinginkan
peneliti. Dalam hal ini penulis mengasumsikan tingkan ketelitian dan keyakinan 0.95
atau 95 % dan nilai error atau tingkat kesalahan sekitar 0.05 atau 5 %.
-
31
2.1.6 Analisis ABC / Pareto
ABC Classification
ABC Clasification atau biasa disebut juga analisis ABC adalah suatu cara /
metode untuk menentukan prioritas / hal urgent berdasarkan kepentingan atau faktor
faktor yang telah ditentukan perusahaan. Sedangkan pareto adalah menentukan
kategori- kategori berdasarkan penglomp[okan kriteria kriteria tertentu. Kedua cara
ini dinilai sama dalam memilih dan menglompokan part number (P/n) yang paling
laku dll. Seperti menentukan barang mana yang sering diproduksi / diorder oleh
konsumen dalam tiap bulannya, berarti barang / produk tersebut harus diutamakan
dan menjadi prioritas untuk dipikirkan dan agar tidak terganggu produksinya.
Analisis ini ditentukan berdasarkan bobot percentase berdasarkan data pesanaan
Quantity order yang diterima perusahaan.
Keputusan manajemen dalam mengelola persediaan seharusnya dibuat sesuai
dengan produknya masing-masing. Stok yang telah dikelompokkan secara spesifik
untuk dikontrol disebut stock keeping unit, dimana SKU akan dikelompokkan
berdasarkan fungsi, ukuran warna, karakteristik, lokasi, style, dll. Sebagai contoh
adalah terdapat dua sepatu dengan bentuk yang sama namun berbeda warna, maka
kedua benda ini akan diletakkan pada SKU yang berbeda pula.
Dari banyak penelitian dapat ditarik kesimpulan bahwa sebanyak 20%
pemesanan barang merupakan 80% penggunaan dari total uang yang disediakan.
Oleh karena itu, para ahli menyarankan untuk tidak semua SKU yang terdapat di
-
32
dalam gudang diperlakukan dengan tindakan yang sama. Nilai SKU dapat diperoleh
dengan mengalikan nilai per unit dengan jumlah permintaan tahunan dari masing-
masing SKU.
Gambar 2.1 Distribusi Nilai SKU
Dengan adanya konsep di atas maka para ahli menganjurkan menggunakan
ABC classification dalam rangka mengontrol persediaan perusahaan dengan benar.
ABC classification menggunakan pengelompokkan benda sesuai dengan jenisnya,
yaitu:
1. A items
Benda pada kategori ini merupakan benda yang paling penting. Sejumlah 20%
barang mengakibatkan 80% dari total pengeluaran inventory.
2. B items
Sejumlah 30% barang mengakibatkan 15% dari total pengeluaran inventory.
-
33
3. C items
Sejumlah 50% barang mengakibatkan 5% dari total pengeluaran inventory.
Untuk kategori ini dapat dilakukan pengambilan keputusan sesederhana
mungkin. Benda-benda yang tergolong di dalam kategori ini biasanya
berdasarkan tingkat penggunaan yang tinggi, mudah didapatkan dimana-
mana, memiliki konsumen yang sama, lead times tidak lama, dll.
Dalam pengaplikasiannya nilai presentase di atas tidak perlu digunakan secara
mutlak, cukup hanya dalam jangkauan mendekati persentase di atas. Metode di atas
dapat membantu dalam pengklasifikasian material.
Dengan menggunakan pendekatan ABC classification, maka terdapat dua
peraturan umum, yaitu:
1. Memiliki sejumlah besar C items.
C items mewakili 50% dari seluruh inventory namun hanya memerlukan 5%
dari total nilai inventory. Oleh karena itu, sebaiknya buatlah safety stock
dalam jumlah besar.
2. Melakukan pengontrolan dengan benar terhadap A items.
Sebaiknya untuk material A items dilakukan pengontrolan dalam frekuensi
yang sering karena A items memerlukan sekitar 80% dari jumlah total nilai
inventory yang ada.
-
34
Bisa dilihat dari contoh berikut ini :
Inventory ABC AnalysisData Results
VolumeUnit cost
Dollar volume
% Dollar volume
Cumulative $-vol %
10286 1000 90 90000 38.78% 38.78%11526 500 154 77000 33.18% 71.97%12760 1550 17 26350 11.35% 83.32%10867 350 42.86 15001 6.46% 89.78%10500 1000 12.5 12500 5.39% 95.17%12572 600 14.17 8502 3.66% 98.83%14075 2000 0.6 1200 0.52% 99.35%01036 100 8.5 850 0.37% 99.72%01307 1200 0.42 504 0.22% 99.94%10572 250 0.6 150 0.06% 100.00%
Total 232057Tabel 2.1 contoh ABC analisis
2.1.7 Peramalan / Forecasting
Definisi Peramalan
Peramalan (forecating) adalah Kegiatan untuk memperkirakan apa
yang akan terjadi pada masa yang akan datang, meramalkan mengenai sesuatu
yang belum terjadi dengan menggunakan dan mempertimbangkan data dari
masa lampau.
Pramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar
yang stabil, karena perubahan permintaannya relatif kecil. Tetapi peramalan
akan sangat dibutuhkan bila kondisi permintaan pasar bersifat komplek dan
dinamis.
-
35
Dalam kondisi pasar bebas, permintaan pasar lebih banyak bersifat
komplek, 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.
Didalam forecasting kita selalu bertujuan agar forecast yang kita buat
bisa meminimumkan pengaruh ketidakpastian dalam perusahaan. Dalam
melakukan analisa ekonomi atau analisa kegiatan usaha perusahaan, haruslah
diperkirakan apa yang akan terjadi dalam bidang ekonomi atau dalam dunia
usaha pada masa yang akan datang. Kegiatan untuk memperkirakan apa yang
akan terjadi pada masa yang akan datang, kita kenal dengan apa yang disebut
peramalan (forecasting).
Setiap kebijakan ekonomi maupun kebijakan perusahaan tidak akan
terlepas dari usaha untuk meningkatkan kesejahteraan masyarakat atau
meningkatkan keberhasilha perusahaan untuk mencapai tujuannya pada masa
yang akan datang, di mana kebijakan tersebut dilaksanakan. Oleh karena itu
perlu dilihat dan dikaji situasi dan kondisi pada saat kebijakan tersebut
dilaksanakan. Usaha untuk melihat dan mengkaji situasi dan kondisi tersebut
tidak terlepas dari kegiatan peramalan.
Demikian pula halnya dalam penelitian, di mana salah satu tujuan
penelitian adalah melakukan analisa terhadap situasi dan kondisi yang berlaku
-
36
sekarang atau tingkah laku dari sesuatu yang diteliti seperti, permintaan,
produksi dan penjualan, yang digunakan untuk memperkirakan situasi dan
kondisi yang akan terjadi atau tingkah laku dari sesuatu yang diteliti tersebut
dimasa depan.
Gambaran perkembangan pada masa depan diperoleh dari hasil analisa
data yang didapat dari penlitian yang telah dilakukan. Perkembangan pada masa
depan merupakan perkiraan apa yang akan terjadi, sehingga dapatlah dikatakan
bahwa peramalan selalu diperlukan di dalam penelitian.
Peramalan Produksi adalah suatu kegiatan untuk memprediksi
permintaan produk pada suatu periode tertentu. Selain itu dalam beberapa
bagian organisasi di mana peramalan kini memainkan peranan yang penting,
antara lain:
Penjadwalan sumber daya yang tersedia
Menganalisa data yang lalu, tahap ini berguna untuk pola yang terjadi
pada masa lalu. Ini digunakan denagan cara membuat tabulasi dari data
yang lalu. Dengan tabulasi data, maka dapat diketahui pola dari data
tersebut.
Penyediaan sumber daya tambahan
Waktu tenggang untuk memperoleh bahan baku, menerima pekerja
baru, atau membeli mesin dan peralatan dapat berkisar antara beberapa hari
-
37
sampai beberapa tahun. Peramalan diperlukan untuk menentukan kebutuhan
sumber daya di masa mendatang.
Penentuan sumber daya yang diinginkan
Setiap organisasi harus menentukan sumber daya yang ingin dimiliki
dalam jangka panjang. Keputusan semacam itu bergantung pada kesempatan
rasa, faktor-faktor lingkungan , dan pengembangan internal dari sumber daya
finansial, manusia, produk, dan teknologis. Semua penentuan ini memerlukan
peramalan yang baik dan manajer yang dapat menafsirkan pendugaan serta
membuat keputusan yang tepat.
Menurut Yamit (1999,p13) peramalan adalah prediksi, proyeksi,
estimasi tingkat kejadian yang tidak pasti dimasa yang akan dating. Ketepatan
secara mutlak dalam memprediksi dan tingkat kegiatan yang akan dating
adalah tidak mungkin dicapai oleh karena itu ketika perusahaan tidak dapat
melihat kejadian yang akan dating secara pasti, diperlukan waktu dan tenaga
yang besar agar mereka dapat memiliki kekuatan untuk menarik kesimpulan
terhadap kejadiaan yang akan datang.
Menurut Herjanto (1999, p116) berdasarkan horizon waktu , peramalan dapat
dibedakan atas :
1. Peramalan jangka panjang
-
38
merupakan peramalan yang mencakup waktu lebih besar dari 24 bulan,
misalnya peramalan yang diperlukan dalam kaitannya dengan penanaman
modal, perencanaan fasilitas.
2. Peramalan jangka menengah
yaitu antara 3-24 bulan, misalnya untuk perencanaan penjualan,
perencanaan dan anggaran produksi.
3. Peramalan jangka pendek
yaitu untuk jangka waktu yang kurang dari 3 bulan, misalnya permalan
dalam hubungannya dengan perencanaan pembelian material penjadwalan
kerja dan penugasan.
Kriteria peramalan yang baik adalah:
1. Akurasi
Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan
kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila
peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan
kenyataan yang sebenarnya terjadi.
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah
tergantung dari jumlah item yang diramalkan, lamanya periode peramalan,dan
metode peramalan yang dipakai.
3. Kemudahan
-
39
Pengguna metode peramalan yang sederhana, mudah dibuat, dan
mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah
percuma menggunakan metode yang canggih, tetapi tidak dapat diaplikasikan
pada sistem perusahaan karena keterbatasan dana, sumberdaya manusia,
maupun peralatan teknologi.
Dalam membuat peramalan atau menerapkan hasil suatu peramalan,
maka ada beberapa hal yang harus dipertimbangkan, yaitu:
1. Peramalan pasti mengandung kesalahan,artinya peramal hanya bisa
mengrangi ketidak pastian yang akan terjadi tetapi tidak dapat menghilangkan
ketidak pastian tersebut.
2. Peramalan seharusnya memberikan informasi tentang berapa ukuran
kesalahan.artinya karena peramalan pasti mengandung kesalahan, maka
adalah penting bagi peramal untuk menginformasikan seberapa besar kesalaha
yang mungkin terjadi.
3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka
panjang. Hal ini disebabkan karena pada peramalan jangka pendek, faktor-
faktor yang mempengaruhi permintaan relatif masih konstan, sedangkan
semakin panjang periode peramalan, maka semakin besar pula kemungkinan
terjadinya perubahan faktor-faktor yang mempengaruhi permintaan.
Faktor-faktor yang mempengaruhi Permintaan antara lain yaitu :
Siklus bisnis
-
40
Penjualan produk akan dipengaruhi oleh permintaan akan produk
terdebut, dan permintaan akan suatu produk akan dipengaruhi oleh
kondisi ekonomi yang membentuk siklus bisnis dengan fase-fase
inflasi, resesi, depresiasi dan masa pemulihan.
Siklus Hidup Produk
Siklus hidup suatu produk bisanya mengikuti suatu suatu pola yang
biasa disebut kurva S. kurva S menggambarkan besarnya permintaan
terhadap waktu, dimana siklus hidup suatu produk akan dibagi
menjadi fase pengenalan, fase pertumbuhan, fase kematangan dan
akhirnya fase peburunan. Untuk menjaga kelangsungan usaha, maka
perlu dilakukan inovasi produk pada saat yang tepat.
Faktor-faktor lain
Beberapa factor lain yang mempengaruhi permintaan adalah reaksi
balik dari pesaing, perilaku konsumen yang berubah, dan usaha-usaha
yang dilakukan sendiri oleh perusahaan seperti peningkatan kualitas,
pelayanan, anggaran periklanan, dan kebijaksanaan pembayaran secara
kredit.
Tujuan Peramalan
Tujuan Peramalan secara khusus bertujuan untuk mendapatkan forecast
yang bisa meminimumkan kesalahan meramal (forecast error), yang
biasanya diukur dengan mean squared error, mean absolute error, dan
-
41
sebagainya. Dengan peramalan, kita dapat melihat atau memperkirakan
prospek ekonomi atau kegiatan usaha serta pengaruh lingkungan
terhadap propek tersebut, sehingga diperoleh informasi mengenai
Kebutuhan suatu kegiatan usaha dimasa yang akan datang
Waktu untuk mengambil keputusan yang berkaitan dengan skala
produksi, pemasaran, serta target usaha
Perencanaan skala produksi, pemasaran, anggaran, biaya produksi
dan cash flow.
Langkah Peramalan
Langkah-langkah Peramalan sebagai berikut :
1. Menganalisa data-data pada tahun lalu dan pada tahap ini
menggunakan untuk pola yang terjadi pada masa yang lalu. Analisa
ini dilakukan dengan cara membuat tabulasi dari data-data yang lalu.
Dengan tabulasi data maka dapat diketahui pola dari data tersebut.
2. Menentukan metode yang akan digunakan dan pada masing-masing
metode akan memberikan hasil peramalan yang berbeda.
3. Memproyeksikan data yang lalu dengan menggunakan metode yang
dipergunakan dan mempertimbangkan adanya beberapa faktor
perubahan. Faktor perubahan ini terdiri dari perubahan kebijakan-
kebijakan pemerintah, perkembangan potensi masyarakat dan
penemuan-penemuan terbaru.
-
42
4. Penentuan tujuan, yaitu menentukan kebutuhan informasi -
informasi bagi para pembuat keputusan seperti :
Variabel - variabel yang akan diestimasi.
Siapa yang akan menggunakan hasil peramalan.
Untuk tujuan apa hasil peramalan akan digunakan.
Estimasi jangka panjang atau jangka pendek yang diinginkan.
Derajat ketepatan estimasi yang diinginkan.
Kapan estimasi dibutuhkan.
Bagian - bagian peramalan yang diinginkan, seperti peramalan
untuk kelompok pembeli, kelompok produk, atau daerah geografis.
5. Pengembangan model, menentukan model yang merupakan
penyederhanaan dari sistem dan merupakan kerangka analitik bagi
masukan yang akan memperoleh pengeluaran. Model ditentukan
berdasarkan sifat - sifat dan perilaku variabel.
6. Pengujian model, dilakukan untuk menentukan tingkat akurasi,
validitas dan reliabilitas, yang ditentukan dengan membandingkan
hasil peramalan dengan kenyataan / aktual.
7. Penerapan model, setelah lulus dalam pengujian, data historik akan
dimasukkan ke dalam model untuk menghasilkan ramalan.
8. Revisi dan evaluasi, ramalan yang telah dibuat harus senantiasa
diperbaiki dan ditinjau kembali. Hal ini perlu dilakukan bila
-
43
terdapat perubahan dalam perusahaan dan lingkungannya (harga
produk, karakteristik produk, periklanan, tingkat pengeluaran
pemerintah, kebijaksanaan moneter, atau kemajuan teknologi) dan
hasil perbandingan antara ramalan dengan data aktual.
2.1.7.1 Kegunaan dan Peranan Peramalan
Kegunaan dari peramalan adalah sebagai acuan untuk dalam
mengambil keputusan yang berhubungan dengan berbagai keputusan
mengenai masalah penjualan, permintaan persediaan keuangan dan
sebagainya dan dari uraian tujuan peramalan diatas kita dapat lihat
peramalan sangat memegang peranan penting baik dalam penelitian,
perencanaan maupun dalam pengambilan keputusan.
Baik tidaknya keputusan dan rencana yang disusun sangat ditentukan
oleh ketepatan ramalan yang dibuat. oleh sebab itu ketepatan ramalan
tersebut meruapakan hal yang sangat penting.Walaupun demikian perlu
disadari bahwa suatu ramalan adalah tetap ramalan, dimana selalu ada unsur
kesalahan. Sehingga yang penting diperhatikan adalah usaha untuk
memperkecil kemungkinan kesalahan tersebut. Dan baik tidaknya suatu
ramalan yang disusun sangat tergantung pada orang yang melakukannya,
langkah langkah peramalan yang dilakukan dan metode yang
dipergunakan. Peranan Peramalan biasanya digunakan untuk melihat
perklembangan dimasa depan, permalan dibutuhkan untuk menentukan
-
44
kapan suatu peristiwa akan terjadi atau suatu kebutuhab akabn timbul;
sehingga bisa dipersiapkan kebijakan kebijakan yang perlu dilakukan
demikian pula dalam hal penelitian, dimana tujuan penelitian adalah
melakukan analisa terhadap situasi dan kondisi yang berlaku sekarang atau
tingkah laku yang dari sesuatu yang diteliti seperti permintaan, produksi,
dan penjualan, yang diperkirakan untuk memperkirakan kondisi dan situasi
untuk masa yang akan datang.
Kegunaan Peramalan:
Menentukan apa uang dibutuhkan untuk perluasan pabrik
Menentukan perencanaan lanjutna bagi produk produk yang ada untuk
dikerjakan dengan fasilitas-fasilitas yang ada.
Mementukan penjadwalan jangaka pendek produk-produk yang ada
untuk dikerjakan berdasarkan peralatan yang ada.
Jenis-jenis Pola Data
Data yang diplot adalah data masa lalu yang dipergunakan untuk
meramalkan data di masa yang akan datang. Dari data yang telah diplot
akan terlihat pola data untuk menentukan metode peramalan yang akan
digunakan
Menurut Makridakis (1999, p10) pola data dapat dibedakan menjadi :
1. Pola horizontal (H)
-
45
Pola ini terjadi bilamana nilai data berfluktuasi di sekitar nlai rata-rata
yang kinstan. (Deret seperti itu adalah stasioner terhadap nilai rata-
ratanya.) Suatu produk yang penjualannya tidak meningkat atau
menurun selama waktu tertentu termasuk jenis ini. Demikian pula, suatu
keadaan pengendalian kualitas yang menyangkut pengambilan contoh
dari suatu proses produksi continue yang secara teoritis tidak mengalami
perubahan juga termasuk jenis ini.
Gambar 2.2 Permintaan berpola stasioner
2. Pola musiman (S)
Terjadi bilamana suatu deret dipengaruhi oleh faktor musiman misalnya
kuartalan, bulanan, atau hari-hari pada minggu tertentu. Penjualan dari
produk seperti minuman ringan, es krim, dan bahan baker, pemanas
ruangan semuanya menunjukkan pola jenis ini.
-
46
Sumber : perencanaan dan pengendalian produksi,p33
Gambar 2.3 Permintaan berpola musiman
3. Pola siklis (C)
Yaitu pola yang terjadi bilamana datanya dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.
Misalnya penjualan mobil, baja, dan peralatan lainnya.
Pengaruh-pengaruh siklik atau sering disebut gelombang konjungtur,
adalah komponen dasar runtun waktu. Pengaruh-pengaruh siklik ini
mungkin merupakan komponen yang paling sulit ditentukan bila
rentangan waktu tidak diketahui atau akibat siklus tidak dapat
ditentukan. Pengaruh siklikal pada permintaan mungkin diakibatkan
kejadian-kejadian seperti pemilihan politik, perang, kondisi-kondisi
ekonomi, siklus bisnis, atau tekanan-tekanan sosiologik. Waktu fluktuasi
siklik berbeda dengan fluktuasi musiman. Dalam grafik, gelombang
fluktuasi siklik sedikit mirip dengan musiman, tetapi kedua hal itu tidak
ada hubungannya. Bisa dilihat bentuk grafik ola datanya sbb :
-
47
Sumber : perencanaan dan pengendalian produksi,p34
Gambar 2.4 Perminatan berpola siklis
4. Pola trend
Yaitu pola yang terjadi bila terdapat kenaikan atau penurunan sekuler
jangka panjang dalam data. Penjualan banyak perusahaan, produk
nasional bruto (GNP) dan berbagai indikator bisnis atau ekonomi
lainnya mengikuti suatu pola trend selama perubahannya sepanjang
waktu. Ini bisa dilihat dari contoh Grafik dibawah ini :
05
1015202530
0 5 10 15
Bulan
Jum
lah
Gambar 2.5 Pola Trend (T)
Banyak deret data yang mencakup kombinasi dari pola-pola data
diatas. Metode peramalan yang dapat membedakan setiap pola harus dipakai
-
48
bila diinginkan adanya pemisahan komponen pola tersebu. Demikian pula,
metode peramalan alternatif dapat digunakan untuk mengenal pola dan
mencocokkan data secara tepat sehingga nilai mendatang dapat diramalkan.
Metode-metode Peramalan
Peramalan memiliki banyak metode yang tersedia dan beragam dalam
hal ketepatan, ruang lingkup, horison waktu, dan biayanya. Tugas utamanya
adalah menentukan metode mana yang digunakan untuk masing-masing
keadaan, seberapa besar kepercayaan yang ditumpukan pada metode itu
sendiri dan seberapa banyak modifikasi yang diperlukan untuk memasukan
perkiraan pribadi sebelum pendugaan digunakan sebagai dasar untuk
merencanakan kegiatan mendatang. Persoalan ini akan dibahas pada saat
pengenalan tiap metode peramalan, dan kemudian pada saat membahas
lingkungan organisasi untuk peramalan dan perencanaan terpadu.
2.1.7.2.1. Metode DoubleExponential Smoothing Dua Parameter Dari Holt
Metode pemulusan eksponensial ganda ( double exponential smoothing)
menambahkan parameter dalam modelnya untuk mengurangi faktor
kerandoman . Nilai perkiraan dapat dicari dengan :
Inisialisasi Awal : S1 = X1
b1 = X2 - X1
-
49
mbSFbSSbbSXS
ttmt
tttt
tttt
11
11
)1()())(1(
Dimana : St = Pemulusan ke-t
bt = Nilai trend ke-t
mtF = Nilai peramalan ke-t
= Faktor pemulusan
2.1.7.2.2 Metode Triple Exponential Smoothing Metode Quadratik
Inisialisasi Awal : S1 = S1 = S1 = X1
1')1(.S' tt SX
1")1('.S" tt SS
1"')1(".S" tt SS
ttt SSS '"".3'3a t
])34()810(')56[()1(2
b '''''2t ttt SSS
)"2'()1(
c '''22
t ttt SSS
2
21)( mcmbaFt ttt
2.1.7.2.3 Metode Triple Exponential Smoothing Tiga Parameter Dari Winter
Inisialisasi Awal : SL+1 = XL+1
-
50
It = XX t
L
XX
L
tt
1
)]XX(...)XX()XX()XX[(b LL22L11L11L21L Lt
LX
Pemulusan Keseluruhan :
))(1(S 1-t1-tt bSIX
Lt
t
Pemulusan Trend :
)1()1( )1()(b ttt bSS
Pemulusan Musiman :
L-tt )1(I ISX
t
t
Peramalan :
mLtttmt ImbSF )(()(
2.1.7.2.3 Metode Double Moving Average
Salah satu peramalan time series dengan melihat data trend adalah
peramalan dengan metode double moving average. Pertama kali dilakukan
moving average kemudian baru dilakukan lagi moving average untuk data
-
51
yang tadi yang sudah di moving average pertama kali. Berikut ini adalah
rumus yang dipakai pada peramalan ini yaitu :
Rumus untuk moving average yang pertama
kYYYYYM ktttttt 1211
....
Rumus untuk moving average yang kedua.
kMMMMM kttttt 121
' ....
Rumus untuk menghitung peramalan dengan double moving average
mbaY
MMk
b
MMMMMa
pttpt
ttt
tttttt
^
'
''
)(1
22)(
2.1.7.2.4 Metode Peramalan Dekomposisi.
Metode Dekomposisi mendasarkan penganalisaan untuk mengidentifikasi
tiga faktor utama yang terdapat dalam suatu deret waktu, yaitu faktor
trend, faktor musim, dan faktor siklus. Di dalam beberapa hal, peramal
hanya mendasarkan penyusunannya pada dua faktor yang penting yaitu
trend dan musiman. Faktor trend merupakan pergerakan yang mendasar
pada jangka panjang dari deret waktu. Faktor ini dihitung sebagai suatu
perkembangan garis lurus yang menaik atau menurun yang sifatnya statis
dalam deret waktu. Pengukuran perkembangan faktor trend dilakukan
-
52
untuk periode waktu yang panjang dengan menghilangkan variasi musim
dan variasi siklus.
Ada beberapa pendekatan alternatif untuk mendekomposisi suatu deret
waktu, dengan tujuan untuk mengisolasikan masing-masing komponen
dari deret itu setepat mungkin. Konsep dasar dari dekomposisi ini adalah
data empiris di mana yang pertama adalah pergeseran musim, kemudian
trend dan terakhir adalah siklus.
Simple =4
321 tttt XXXX
Centered =2
1 tt SS
Percent MA =CenteredPesaing
Pesaing* =SeasonalPesaing
Trend = a + b (periode)
Fitted Values = Trend x Seasonal
Error = Pesaing Fitted Values
22 )( xxn
yxxynb
xbya
-
53
2.1.7.2 Statistik ketepatan peramalan
Menurut Makridakis ukuran statistik standard adalah sebagai berikut :
1.Error
iii FXe
2.Nilai tengah kesalahan absolut (mean error)
n
ii neME
1/
3.Nilai tengah galat absolut (mean absolute error)
n
iieMAE
1
4.Nilai tengah galat kuadrat ( mean squared error )
n
eMSE
n
ii
12
5.Deviasi standar galat (standard deviation of error)
11
2
n
eSDE
n
ii
6.Nilai tengah deviasi absolut (mean absolute deviation)
XXnMAD i1
-
54
2.1.7.3 Dua macam peramalan berdasarkan sifatnya yaitu :
1. Peramalan subjektif adalah peramalan yang didasarkan atas perasaan
atau intuisi dari orang yang menyusunnya.
2. Peramalan objektif adalah peramalan yang didasarkan atas data yang
relevan pada masa lalu dengan menggunakan teknik-teknik dan metode-
metode dalam menganalisa data tersebut.
Berdasarkan sifat peramalan yang telah disusun maka peramalan dapat
dibedakan atas dua macam yaitu :
1. Peramalan kualitatif adalah peramalan yang didasarkan atas data
kualitatif pada masa lalu. Peramalan secara kualitatif ini didasrkan atas
hasil penyelidikan seperti Delphi, S-curve, analogies dan penelitian
bentuk atau didasarkan atas ciri-ciri normative seperti decision trees.
2. Peramalan kuantitatif adalah peramalan yang didasarkan atas data
kuantitatif pada masa lalu. Peramalan kuantitatif hanya dapat digunakan
apabila terdapat tiga kondisi sebagai berikut :
a. Adanya informasi tentang keadaan yang lain.
b. Informasi tersebut dapat dikuantifikasikan dalam bentuk data.
c. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada
masa yang akan datang.
-
55
2.1.7.4 Jenis metode peramalan pada peramalan kuantitatif sebagai berikut :
1. Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antara variabel yang akan diperkirakan dengan variabel
waktu, yang merupakan deret waktu atau time series.
2. Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antara variabel yang akan diperkirakan dengan variabel lain
yang mempengaruhinya, yang bukan waktu disebut metode korelasi atau
sebab akibat.
2.1.7.5 Metode-metode peramalan dengan menggunakan analisa pola hubungan
antara variabel yang akan diperkirakan dengan variabel waktu atau analisa
deret waktu :
a. Metode smoothing, yang meliputi metode data lewat, metode rata-rata
kumulatif, metode rata-rata bergerak dan metode exponential smoothing.
Pada metode smoothing ini digunakan untuk mengurangi
ketidakteraturan musiman dari data yang lalu maupun kedua-duanya,
dengan membuat rata-rata tertimbang dari sederetan data yang lalu.
Ketepatan dari peramalan ini dengan metode ini akan dapat pada
peramalan jangka pendek, sedangkan untuk peramalan jangka panjang
sangat kurang ketepatannya. Pada metode ini biasanya digunakan untuk
perencanaan dan pengendalian produksi dan persediaan, perencanaan
-
56
keuntungan dan perencanaan keuangannya lainnya. Data yang
dibutuhkan pada metode ini minimal selama dua tahun.
b. Metode Box Jenkins.
Pada metode ini menggunakan dasar deret waktu dengan model
matematis agar kesalahan yang terjadi dapat seminimal mungkin.
Metode ini sangat baik ketepatannya untuk peramalan jangka pendek
sedangkan untuk peramalan jangka panjang ketepatannya kurang baik.
Data yang dibutuhkan minimal dua tahun dan lebih baik bila data yang
dimiliki lebih dari dua tahun. Metode ini dipergunakan untuk peramalan
dalam perencanaan dan pengendalian produksi, dan persediaan serta
perencanaan anggaran.
c. Metode Proyeksi Trend dengan Regresi.
Pada metode ini merupakan dasar garis trend untuk suatu persamaan
matematis, sehingga dengan dasar persamaan tersebut dapat
diproyeksikan hal yang diteliti untuk masa depan. Untuk jangka pendek
maupun jangka panjang ketepatan peramalan dengan metode ini sangat
baik. Data yang dibutuhkan pada metode ini adalah data tahunan dan
makin banyak data yang dimiliki makin baik serta minimum data
tahunan yang harus ada adalah lima tahun. Metode ini digunakan untuk
peramalan bagi penyusunan rencana penanaman tanaman baru,
perencanaan produk baru dan sebagainya.
-
57
Pemilihan Teknik dan Metode Peamalan
Dalam pemilihan teknik dan metode peamalan, pertama-tama kita
perlu mengetahui cirri-ciri yang penting yang perlu diperhatikan bagi
pengambilan keputusan dan analisa keadaan, dalam mempersiapkan
peramalan.
Ada enam cirri utama yang perlu diperhatikan, yaitu :
Horisan waktu (time horizon). Peiode waktu selama suatu keputusan atau
analisa akan mepunyai pengaruh, dn untuk manager atau analisis harus
merencanakan dan memperhitungkan pengaruh-pengaruh pemilihan
teknik dan metode peramalan yang tepat. Horizon waktu umumnya dapat
dibagi kedalam jangka pendek (satu sampai dengan tiga bulan) dan
menengah (tiga sampai dengan satu setengah tahun).
Tingkat perincian (level of detail). Tugas-tugas dalam pengambilan
keputusan dan analisa umumnya dibagi-bagi (untuk memudahkan
penanganannya menuruttingkat perincian yang dibutuhkan). Dalam suatu
perusahaan misalnya terdapat bagian perencanaan yang mengerjakan
perencanaan yang menyeluruh untuk perusahaan tersebut.
Jumlah produk. Dalam keadaan dimana keputusan atau analisa yang
dibuat mengenai berbagai produk perusahaan, maka hendaklah ada usaha
pengembangan secara efektif atas aturan-aturan pengambilan keputusan
-
58
yang sederhana, yang dapat diapplikasikan secara mekanis untuk masing-
masing produk.
Pengawasan versus Perencanaan. Manager dan analisis yang membuat
suatu keputusan dalam bidang pengawasan, mempunyai kebutuhan yang
berbeda, bila dibandingkan dengan kebutuhan dari manager dan analis
yang membuat keputusan dalam bidang perencanaan. Oleh karena itu
metode peramalan yang dibutuhkan untuk pengawasan adalah metode
peramalan yang mampu memperkirakan dan mengetahui sedini mungkin
perubahan yang terdapat dalam pola pasar.
Stabilitas. Peramalan dari keadaan yang secara ekstrim stabil sepanjang
masa adalah berbeda dengan persoalan peramalan dari keadaan yang
selalu berubah. Dalam keadaan stabil, metode peramalan dapat diterima
dan diperiksa secara periodic untuk menentukan apakah hal tersebut masih
berlaku.
Prosedur Perencanaan yang ada. Suatu metode peramalan umumnya
memasukan proses perubahan rencana perusahaan dan prosedur-prosedur
pengambilan keputusan. Bila manager sangat berhati-hati, makaakan
selalu dapat usaha untuk mengurangi perubahan dalam suatu organisasi.
Hal yang sangat penting dalam penggunaan yang efektif dari suatu metode
peramalan adalah usaha untuk memulai dengan hal-hal yang sangat erat
dengan prosedur yang ada, dan kemudian melakukan pengerjaannya
-
59
denga pendekatan yang berkembang dari peningkatan metode-metode
tersebut serta membuat perbaikan-perbaikan. Dengan cara ini, perubahan-
perubahan dibuat dalam masing-masing model. Sehingga denga demikian
manager perlu lebih hati-hati dengan prosedur yang ada dalam
penggunaannya bagi pengambilan keputusan, dan membutuhkan metode
peramalan yang berbeda dengan memilih metode yang berlaku pada saat
dimulainya.
2.1. Arti dan fungsi LINIER PROGRAMING
Programa Linier (Linier programing / LP) adalah salah satu teknik riset
operasi yang digunakan paling luas dan diketahui dengan baik. Secara umum dapat
didefinsikan bahwa LP adalah merupakan metode matematik dengan mengalokasikan
sumber daya yang langka untuk mencapai tujuan tunggal yaitu maksimumkan provit /
laba atau minimumkan pengluaran biaya / cost. Saaat ini LP banyak dipakai untuk
menyelesaikan permasalahan ekonomi, industri, militer, sosial dan lain lain. LP
dapat dikatakan sebagai suatu model matematik yang terdiri atas fungsi tujuan linier
dan sistem kendala linier. Jadi suatu permasalahan akan terlihat jamak dan dapat
dicar solusinya bila semua nilai variabel tujuan dan kendala mempunyai hubungan
secara terkait / linier. Hubungan linier maksudnya saling berhungan / berkaitan satu
sama lain.
-
60
George B. Dantzig diakui sebagai pionir LP, karena jasanya yang telah
menemukan dan mengembangkan metode pemecahan untuk mencari nilai optimum /
solusi dengan banyak variabel keputusan. Pada pertama kali Dantzig bekerja pada
penelitian matematik untuk memecahkan masalah logistik militer di angkatan udara
Amerika Serikat selama perang dunia ke-II. Penelitiannya didukung oleh ahli ahli
lain seperti J Von Neumann, L. Hurwicz dan T.C. Koopmans, yang bekerja pada
subjek yang sama. Nama asli dari teknik ini adalah program saling ketergantungan
kegiatan kegiatan dalam suatu struktur linier yang kemudian dikenal manjadi
Linier Programing.
Setelah perang dunia ke II, banyak ahli yang bergabung dengan Dantzig
dalam pengmbangan konsep LP. Paper pertama yang dupublikasikan oleh Dantzig
yang sekarang dikenal dengan metode simpleks (berulang-ulang) pada tahun 1947.
Pada saat itu Dantzig bekerjasama dengan Marshall Wood dan Alex Orden dalam
mengembangkan metode simpleks. Untuk saat itu penelitian Dantzig dan rekan
hanya sebatas secara umum untuk bidang militer seperti transportasi, logistik,
perbekalan dan lain lain.
Kemudian konsep linier programing segera diterapkan dalam bidang
pemerintahan dan bisnis. Dengan LP dapat dicari solusi optimum yang sangat
membantu dalam pengambilan keputusan dalam bidang bisnis. Pada saat ahirnya
lambat laun seiring zaman, LP banyak dibantu dengan kemudahan komputer yatu
dengan adanya software. Ahir tahun 80-an banyak ditemukan software yang meneliti
-
61
tentang LP dengan mudah, cepat dan akurat. Contohnya adlah QM (Quantitative
management) atau LINDO (linier programing optimizing Discrit)
Formulasi Model LP
Masalah yang sering dihadapi peneliti adalah alokasi optimum sumber daya
yang langka. Sumber daya tersebut dapat berupa uang, tenaga kerja, bahan mentah,
kapasitas mesi, waktu, ruangan dan tekhnologi. Tugas dari peneliti tu adalah
menganalisis penyelesaian permasalahan dengan hasil optimum yang mungkin dapat
tercapai dengan keterbatasan sumber daya itu. Hasil yang ingin diperoleh seperti
maksimasi provit, kesejahteraan,, nilai penjualan atau minimasi biaya, waktu dan
jarak.
Setelah masalah berhasil diidentifikasi, tujuan harus ditetapkan lalu
memformulasikan manjadi formulasi model matematik yang meliputi 3 tahap berikut
ini :
1. Tentuakn variabel yang tidak diketahui (variabel keputusan) dan nyatakan
dalam simbol matematik.
2. Membentuk fungsi tujuan yang ditunjukan sebagai suatu hubungan linier dri
variabel keputusan yang telah dibuat.
3. Menentukan semua kendala masalah tersebut dan mengekspresikan dalam
bentuk persamaan dan pertidaksamaan yang juga merupakan hubungan linier
dari variabel keputusan tersebut. Kendala ini merupakan batasan batasan
yang harus dilakukan untuk mencapai variabel keputusan.
-
62
Contoh sederhana dapat diilustrasiakan sebagai berikut :
sebuah perusahaan memproduksi 3 produk dengan keterangan sebagai berikut :
Jenis produk Keterbatasan sumber dayaTenaga krj(jam/pcs) Jumlah bahan(kg/pcs)
Harga yang diinginkan
Produk 1 5 4 3Produk 2 2 6 5Produk 3 4 3 2
Dapat diketahui :
1. Variabel keputusan
X1 = produk 1, X2 = produk 2 dan X3 = produk 3.
2. Fungsi tujuan
Fungsi tujuan adalah hal hal yang hendak dicapai / diinginkan
perusahaan, yaitu maksimasi harga atau provit / laba. Z = 3X1 + 5X2 +
2X3
3. Sistem kendala / batasan
Dalam hal ini kendala dan batsannya hanya tenaga kerja dan bahan
baku yang terbatas. Ini adalah yang dimaksud dengan sumber daya
terbatas. Dapat dirumuskan : 5X1 + 2X2 + 4X3
-
63
juga kita gunakan untuk menyelesaikan permasalahan minimisasi yang biasanya
mempunyai tanda dan atau = pada fungsi kendalanya.
Pada saat ini akan dibahas penyelesaian permasalahan LP dengan fungsi tujuan
minimisasi. Pembahasan akan dimulai dengan memformulasikan permasalahan sesuai
dengan standard simpleks, kemudian dilanjutkan dengan melakukan iterasi atau
perbaikan tabel hingga optimal. dan bagian terakhir pada akan dikemukakan beberapa
issue teknis yang sering kita jumpai dalam metode simpleks
Pada tahap awal dalam linier programming akan ditekankan :
1. Memformulasikan permasalahan sesuai standard simpleks untuk
fungsi kendala dengan tanda dan atau = .
2. Menyelesaikan permasalahan linear programming dengan iterasi
simpleks untuk fungsi tujuan minimisasi.
3. Menginterpretasikan tabel optimal simpleks
4. Memahami adanya kasus khusus di dalam metode simpleks
2.1.8 Teknik pmecahan masalah dengan simplex
Metode Simpleks
Permasalahan Linier programing yang terdiri dari 2 kendala batasan, cukup
hanya menggunakan metode grafis dalam penyelesaiannya. Tetapi untuk yang lebih
dari 2 kendala batasan harus menggunakan simpleks. Metode simpleks adalah
metode dalam pencarian solusi optimum berdasarkan fungsi tujuan yang hendak
-
64
dicapai apakah minmasi atau maksimasi. Metode ini biasa disebut metode dengan
banyak iterasi atau kegiatan berulang-ulang. Metode Simpleks pertama kali
diperkenalkan olah George B Dantzig pada tahun 1947 yang diperbaiki oleh ahli
ahli lain.
Dalam mengembangkan model matematis dapat dimulai dengan menjawab
ketiga pertanyaan berikut :
1) Variabel apa yang tidak diketahui dalam permasalahan tersebut ?
2) Batasan apa yang harus diberikan pada variabel tersebut agar sistem terpenuhi ?
3) Sasaran apa yang harus dicapai agar solusi menjadi optimum ?
Di dalam menyelesaikan persoalan optimasi dengan menggunakan metode simpleks,
harus memenuhi kriteria-kriteria berikut :
1) Seluruh pembatas berbentuk persamaan ( = )
a) Jika pembatas bertanda atau dapat dijadikan suatu persamaan yang bertanda
dengan cara menambah atau mengurangi dengan suatu variabel (slack variable). Jika
tanda pada persamaan tersebut adalah maka kita harus menambahkannya dengan
slack S1 > 0, dan jika persamaan tersebut bertanda maka kita harus menguranginya
dengan slack S2 > 0.
Contoh :
X1 + 2x2 6 ----------------------X1 + 2x2 + S1 = 6
X1 + 2x2 5 ----------------------X1 + 2x2 - S2 = 5
-
65
b) Ruas kanan dari suatu persamaan dapat dijadikan bilangan non negatif jika kedua
ruas dikalikan 1
c) Arah ketidaksamaan dapat berubah jika kedua ruas dikalikan dengan 1
d) Pembatas dengan ketidaksamaan yang ruas kirinya berada dalam tanda mutlak
dapat diubah menjadi dua ketidaksamaan
Contoh :
| a1X1 + a2X2 | b--------------------------- a1X1 + a2X2 b dan a1X1 + a2X2 -b
| a1X1 + a2X2 | b--------------------------- a1X1 + a2X2 b atau a1X1 + a2X2 -b
2) Seluruh variabel merupakan variabel non negatif
3) Fungsi tujuan berupa maksimum atau minimum. Meskipun begitu kadang-kadang
masih diperlukan perubahan dari satu bentuk ke bentuk lainnya. (Taha, 1996). Secara
matematis, solusi yang diperoleh dari pengelolaan variabel tersebut disebut sebagai
solusi basis. Jika suatu solusi basis dapat memenuhi pembatas-pembatas non negatif,
maka solusi ini disebut sebagai solusi basis fisibel. Variabel-variabel yang dinolkan
disebut sebagai variabel non basis dan sisanya disebut variabel basis. Jumlah iterasi
maksimum dalam metode simpleks adalah sama dengan jumlah maksimum solusi
basis dalam bentuk standart. Dengan demikian, jumlah itrasi metode simpleks ini
tidak akan melebihi dari :
mmnnC nm )!(!
dimana n = jumlah variabel dan m = jumlah persamaan
Algoritma Simpleks Untuk Kasus Maksimasi
1. Konversikan persoalan ke dalam bentuk formula yang standart.
-
66
2. Cari solusi basis fisibel (BFS) dengan cara menambahkan variabel slack ke dalam
ketidaksamaan (/ ) agar menjadi persamaan (=).
3. Jika seluruh variabel non basis pada baris fungsi tujuan memiliki nilai yang positif
maka BFS sudah optimal. Jika pada baris fungsi tujuan masih ada variabel dengan
koefisien yang bernilai negatif, pilih salah satu variabel yang mempunyai koefisien
paling kecil pada baris tersebut. Variabel ini akan masuk status variabel basis, karena
itu variabel ini disebut entering variable (EV).
4. Hitung rasio dari ruas kanan / (koefisien EV) pada setiap baris pembatas dimana
EV-nya mempunyai koefisien positif. Variabel basis pada baris pembatas dengan
rasio positif terkecil akan berubah status menjadi variabel non basis. Variabel ini
kemudian disebut sebgai variabel yang meninggalkan basis atau leaving variabel
(LV).
5. Lakukan operasi baris elementer untuk membuat operasi EV pada baris dengan
rasio positif terkecil ini menjadi berharga 1 dan berharga 0 pada baris baris yang
lainnya.
6. Kembali ke langkah 3
Catatan : Bila ditemukan lebih dari satu baris yang mempunyai rasio positif terkecil,
maka pilihlah sembarang, karena tidak akan mempengaruhi hasil perhitungan.
Algoritma Simpleks Untuk Kasus Minimasi
1. Ubahlah fungsi tujuan dari fungsi minimasi menjadi fungsi maksimasi, kemudian
selesaikan dengan cara biasa
-
67
2. Modifikasi langkah ke-3 pada kasus maksimasi menjadi, Jika seluruh NBV pada
baris tujuan mempunyai koefisien yang berharga non positif, maka BFS sudah
optimal. Jika baris tujuan masih ada variabel dengan koefisien positif, pilihlah salah
satu variabel yang berharga paling positif (paling besar) pada baris tujuan untuk
menjadi EV
2.1.3. Kasus Khusus Linier programing
1. Degenerasi
Kasus ini terjadi apabila satu atau lebih dari satu variabel basis berharga nol sehingga
iterasi yang dilakukan selanjutnya bisa menjadi suatu loop yang akan kembali ke
bentuk sebelumnya. Kasus ini disebut circling. Pertanyaan yang timbul adalah :
Bagaimana menghentikan perhitungan saat iterasi simpleks menghasilkan suatu
degenerate (salah satu variabel basisnya menghasilkan nol)?. Untuk solusinya cukup
dilakukan iterasi hingga 3 kali, artinya jika ternyata masih terjadi suatu loop, maka
hentikan. Hal ini dilakukan karena tidak semua persoalan menghasilkan solusi
degenerate yang tetap. Dengan kata lain ada persoalan yang suatu saat bersifat
degenerate, tetapi pada iterasi berikutnya degenerasi menghilang. Kasus ini disebut
degenerasi temporer. bersifat tetap.
2. Solusi Optimum Banyak
Kasus ini terjadi apabila fungsi tujuan paralel dengan fungsi pembatas, dimana paling
sedikit salah satu variabel non basis pada persamaan fungsi tujuan yang mempunyai
koefisien nol. Akibatnya, walaupun variabel tersebut dinaikkan harganya, tidak akan
-
68
merubah nilai fungsi tujuan. Karena itu, solusi-solusi optimum yang lain ini biasanya
dapat diidentifikasi dengan menunjukkan iterasiiterasi tambahan pada metode
simpleksnya dan variabel-variabel non basis yang berkoefisien nol itu selalu dipilih
menjadi entering variabel.
METODE SIMPLEKS PERMASALAHAN MINIMISASI FORMULASI
PERMASALAHAN MENURUT METODE SIMPLEKS UNTUK TANDA
PERTIDAKSAMAAN DAN
Pada topik ini akan dibahas mengenai penyelesaian permasalahan LP dengan
fungsi tujuan minimisasi. Pada permasalahan minimisasi, biasanya kita jumpai tanda
pada fungsi kendala. Kendati demikian tidak menutup kemungkinan fungsi kendala
mempunyai tanda .
Dalam menyelesaikan permasalahan LP dengan metode simpleks, langkah
pertama yang harus kita lakukan adalah menyesuaikan formulasi permasalahan
dengan standard simpleks. Dengan kata lain kita harus merubah tanda
pertidaksamaan menjadi persamaan.
Pada fungsi kendala dengan tanda kita harus menambahkan slack variabel
yang menyatakan kapasitas yang tidak digunakan atau yang tersisa pada departemen
tersebut. Hal ini karena ada kemungkinan kapasitas yang tersedia tidak semuanya
digunakan dalam proses produksi. Pada permasalahan minimisasi kita jumpai fungsi
kendala dengan tanda , artinya bahwa kita dapat menggunakan sumberdaya lebih
-
69
dari yang tersedia. Pertanyaan yang muncul adalah berapa besarnya kelebihan
sumberdaya yang telah kita gunakan dari yang tersedia ?. Untuk menyatakan
kelebihan sumberdaya yang digunakan dari yang tersedia ini, maka kita harus
mengurangi kendala tersebut dengan surplus variabel. Surplus variabel ini sering juga
disebut sebagai slack variabel yang negatif.
Karena nilai solusi pada permasalahan LP harus non-negatif maka untuk
mengatasi masalah ini kita harus menambahkan artificial variabel (A). Artificial
variabel ini secara phisik tidak mempunyai arti, dan hanya digunakan
untuk kepentingan perhitungan saja.
2.1.4 Analisis Maksimasi Laba
Laba adalah profit atau besarnya keuntungan yang hendak dicapai perusahaan,
yang mana merupakan pengurangan dari nilai harga penjualan dengan HPP (Harga
Pokok produksi). Dengan laba, maka prusahaan dapat dinilai apakah maju atau tidak.
Laba merupakan goal / tujuan yang hendak dicapai.
Keuntungan atau profit merupakan hal yang ingin dicapai oleh setiap industri,
maka hal menuju jalan maksimalkan profit harus digapai. Profit sangat penting untuk
menilai apakah perusahaan maju atau tidak atau bahkan mampu bersaing atau
bangkrut. Ada perbadaan antara jenis produk yang laku / sering diproduksi dengan
yang tidak. Karena produk yang fast moving akan sering diminta oleh konsumen,
maka penyediaan sumber daya untuk memproduksi produk produk fast moving
-
70
jangan sampai terganggu. Dengan ini maka penciptaan Profit / Keuntungan
perusahaan dapat diprediksi dan ditingkatkan oleh perusahaan melalui produk
produk fast moving ini.
Sebagai salah satu usaha untuk merencanakan pemenuhan permintaan
produksi dan meningkatkan angka produksi agar selalu konstan, cukup dan efisien
dan mengurangi cost yang ada, perusahaan melakukan pengontrolan persediaan
bahan baku dan menyediakan sumber sumber daya utama pendukung yang tepat
lalu mengalokaskan agar terciptanya kapasitas produksi yang memenuhi target.
Dengan telah terciptanya alokasi sumber daya tersebut, maka produksi akan berjalan
dengan lancar dan peningkatan efisinsi dapat terwujud.
Jadi antara kapasitas alokasi yang mantap, dapat memberbesar kesempatan
maksimasi laba.
Tujuan
Tujuan dari maksimasi laba adalah memperoleh keuntungan atau laba
perusahaan yang sebesar-besarnya dengan kendala yang ada. kendala disini
maksudnya adalah kendala atau batasan bahan baku, yang mana dengan kapasitas
yang ada, berapakah keuntungan yang dapat diperoleh oleh perusahaan ?.
Karena dengan pengalokasian sumberdaya dengan tepat maka pencapaian
tujuan yaitu maksimasi laba dapat tercipta dengan baik dan terencana sehingga
perusahaan tahu dan sadar dengan kapasitas yang ada, berapa jumlah laba
-
71
yang akan diperoleh. Bila hal itu talah diketahui benar maka tujuan maksimasi dapat
dijadikan tolakukur kemajuan perusahaan.
Optimasi
OPTIMAL = YANG TERBAIK.
MAKSIMUM / MAKSIMASI = NILAI TERTINGGI, BATAS ATAS.
Jadi segala sesuatu yang maksimal / maksimum belum tentu optimal dan sebaliknya
sesuatu yang optimal juga belum tentu maksimal / maksimum. Karena yang terbaik
belum tentu yang tertinggi atau yang tertinggi belum terntu terbaik.
Sebagai contoh : ada perusahaan yang angka penjualannya ditentukan oleh selera
pasar seperti produk fashion. Baju T-shirt yang memiliki angka penjualan tertinggi
mulai diproduksi karena murah dan banyak peminatnya yang mayorits anak muda
domestik. tetapi disatu sisi perusahaan juga harus mempertahankan komoditi andalan
perusahaan seperti tas-tas branded seperti Prada, lousvitton, versace dll yang
notabennya sepi pembeli tapi sangat mahal bila dijual keluar negeri. Pihak
perusahaan lebih mengutamakan memproduksi produk branded tersebut untuk pasar
export dibandingkan dengan memproduksi T-shirt lokal.
Jadi arti OPTIMASI adalah gabungan dari optimal dan maksimal. Yaitu
segala sesuatu dengan kondisi yang terbaik dengan nilai yang tertinggi. Artinya
dengan kondisi alokasi yang terbaik, efisinsi terbaik, maka bukan tidak mungkin
dapat maksimalkan laba / Profit perusahaan. Optimasi adalah cara
-
72
berkesinambungan untuk aktivitas perusahaan dalam memproduksi dengan jalan /
metode yang terbaiak yang bertujuan untuk maksimalkan laba agar diperoleh angka
yang sebesar basarnya.
Berikut bisa dilihat dariilustrasi grafiknya yang mana menunjukan keterkaitan
terhadap maksimasi laba, tujuan, optimasi dll :
-
73
Gambar 1 : Keuntungan akan naik bila produktifitas perusahaan juga meningkat.
Cara meningkatkan produktifitas dengan alokasi sumberdaya yang tepat, mengurangi
pemborosan / ketidakefektivan dll.
Gambar 2 : Aset / modal perusahaan pada waktu awal naik, tetapi seiring
berjalannya waktu modal / aset tersebut akan habis atau mengalami penyusutan.
Sedangkan bila perusahaan maju, maka nilai profit / laba akan naik. Berkurangnya
modal / aset dapat ditutupi dengan bertambahnya nilai laba / profit perusahaan, yang
mana dalam dunia ekonomi dosebut dengan istilah balik modal atau Break even
point, atau titik dimana bertemunya penyusutan modal dan bertambahnya
keuntungan / laba. Dengan kondisi inimaka perusahaan dapat menjalankan
aktifitasnya dengan langgerng dan seimbang.
2.1.13 Kerangka Pikir
Dalam dunia nyata belum tentu semua variabel / parameter dapat diketahu
secara pasti. Akan tetapi dengan linier programing akan selalu dicoba untuk
menghasilkan solusi optimal dari suatu permasalahan. Apabila dalam
perkembangannya parameter berubah, maka dapat diperbaiki secara lanjut dengan
menggunakan analisa parameter sehingga dapat diperoleh lagi solus ioptimum
berikutnya.