Web viewContoh: Penjualan produk seperti mobil, baja, dan peralatan utama lainnya. ... Suka Duduk di...
Transcript of Web viewContoh: Penjualan produk seperti mobil, baja, dan peralatan utama lainnya. ... Suka Duduk di...
MANAJEMEN
OPERASIONAL
LANJUTAN
2008
NANI SUTARNI
2010
.
1
BAB 2
PERAMALAN
A. Pengertian Peramalan
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan
kejadian di masa depan, dimana hal ini dilakukan dengan melibatkan pengambilan
data di masa lalu dan menempatkannya ke masa yang akan datang dengan suatu
bentuk model matematis atau bisa juga merupakan prediksi intuisi yang bersifat
subjektif atau bisa juga dengan menggunakan kombinasi model matematika yang
disesuaikan dengan pertimbangan yang baik dari seorang manajer. Peramalan
adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada
perencanaan produksi.
A. Meramal Horizon Waktu (time frame)
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa
depan yang dicakupnya. Horizon waktu terbagi kedalam beberapa kategori, yaitu :
1. Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga 1
tahun tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk
merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan
kerja, dan tingkat produksi.
2. Peramalan jangka menengah. Peramalan jangka menengah atau intermediate,
umumnya mencakup hitungan bulanan hingga 3 tahun. Peramalan ini berguna
untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran
kas, dan menganalisis bermacam-macam rencana operasi.
3. Peramalan jangka panjang. Umumnya untuk perencanaan masa 3 tahun atau
lebih. Peramlan jangka panjang digunakan untuk merencanakan produk baru,
pembelanjaan, modal, lokasi atau pembangunan fasilitas, serta penelitian dan
pengembangan (litbang).
2
Peramalan jangka menengah dan jangka panjang dapat dibedakan dari
peramalan jangka pendek dengan melihat tiga hal berikut :
1. Peramalan jangka menengah dan jangka panjang berkaitan dengan
permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen
yang berkaitan dengan perencanaan produk, pabrik dan proses.
2. Peramalan jangka pendek biasanya menerapkan metodologi yang berbeda
dibandingkan dengan peramlan jangka panjang. Teknik matematika, seperti
rata-rata bergerak, penghalusan eksponensial , dan ekstrapolasi tren yang
umumnya dikenal untuk peramalan jangka pendek. Lebih sedikit metode
kuantitatif yang berguna untuk meramalkan suatu permasalahan.
3. Sebagaimana yang mungkin diperkirakan, peramalan jangka pendek cenderung
lebih tepat dibandingkan peramalan jangka panjang. Faktor-faktor yang
mempengaruhi perubahan permintaan berubah setiap hari. Dengan demikian,
sejalan dengan semakin panjangnya horizon waktu, semakin tipis pula
ketepatan peramalan seseorang. Peramalan penjualan harus diperbaharui secara
berkala untuk menjaga nilai integritasnya. Peramalan harus selalu dikaji ulang
dan direvisi pada setiap akhir periode penjualan.
B. Jenis Peramalan
Organisasi pada umumnya menggunakan tiga jenis peramalan yang utama
dalam perencanaan operasi masa depan :
1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan
memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk
membangun perumahan, dan indikator perencanaan lainnya.
2. Peramalan teknologi (technological forecast) memperhatikan tingkat kemajuan
teknologi yang dapat meluncurkan produk baru yang menarik, yang
membutuhkan pabrik dan peralatan baru.
3
3. Peramalan permintaan (demand forecast) adalah proyeksi permintaan untuk
produk atau layanan suatu perusahaan.
4. Kepentingan strategis peramalan.
C. Kepentingan Peramalan
Peramalan yang baik sangat penting dalam semua aspek bisnis karena
merupakan satu-satunya prediksi atas permintaan hingga permintaan yang
sebenarnya diketahui. Peramalan permintaan mengendalikan keputusan dibanyak
bidang. Berikut adalah dampak peramalan produk pada tiga aktifitas,yaitu :
1. Sumber Daya Manusia
2. Kapasitas
3. Manajemen Rantai Pasokan
D. Langkah – Langkah Peramalan
Peramalan terdiri dari tujuh langkah dasar:
1. Menetapkan tujuan peramalan.
2. Memilih unsur apa yang diramal.
3. Menentukan horizon waktu.
4. Memilih tipe model peramalan.
5. Mengumpulkan data yang diperlukan untuk melakukan peramlan.
6. Membuat peramlan.
7. Memvalidasi dan menerapkan hasil peramlan.
4
Tujuh langkah ini menyajikan jalan yang sistematis untuk memulai,
mendesain, dan menerapkan sistem peramalan. Apabila sistem tersebut digunakan
untuk menghasilkan ramalan berkala, maka data harus dikumpulkan secara rutin.
Kemudian perhitungan aktual dibuat dengan bantuan komputer.
Terlepas dari sistem diatas perusahaan menghadapi beberapa kenyataan :
1. Peramalan jarang sempurna. Hal ini berarti faktor luar yang tidak dapat kita
duga dan kita kendalikan sering mempengaruhi peramalan.
2. Hampir semua teknik peramalan mengansumsikan bahwa sistem akan tetap
stabil. Oleh karena itu, beberapa perusahaan membuat ramalan secara otomatis
menggunakan komputer dengan software peramalan, dan hanya mengawasi
produk yang mempunyai permintaan tidak menentu.
3. Baik kelompok peramalan produk maupun peramalan secara keseluruhan lebih
akurat daripada peramalan produk individu.
E. Pendekatan dalam Peramalan
Ada dua pendekatan umum peramalan :
1. Analisis kualitatif (qualitative forecast) atau peramalan subjektif,
menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem
nilai pengambil keputusan untuk meramal. Beberapa perusahaan menggunakan
satu pendekatan dan perusahaan lain menggunakan pendekatan yang lain. Pada
kenyataannya,kombinasi dari keduanya merupakan yang paling efektif.
Terdapat empat teknik dalam analisis ini, yaitu:
a. Keputusan dari pendapat juri eksekutif.
b. Delphi.
c. Gabungan dari tenaga penjualan.
d. Survei pasar konsumen.
5
2. Analisis kuantitatif (quantitative forecast), menggunakan model matematis
yang beragam dengan data masa lalu dan variabel sebab akibat untuk
meramalkan permintaan. Terdapat lima metode peramalan yang menggunakan
data masa lalu yang terbagi ke dalam dua kategori:
Empat model time series (deret berkala), yaitu membuat prediksi dengan asumsi
bahwa masa depan merupakan fungsi masa lalu.
a. Pendekatan Naif
b. Rata-rata Bergerak
c. Penghalusan Eksponensial
d. Proyeksi tren
e. Regresi Linear
Dalam makalah ini hanya akan dibahas pendekatan kuantitatif yang memuat
tinjauan metode kuantitatif model time series (Rata-rata bergerak dan
Penghalusan eksponensial).
F. Pola Data Metode Time Series (Deret Berkala)
Terdapat beberapa pola permintaan dalan peramlan, yaitu:
1. Pola horizontal (constant), terjadi bilamana data berfluktuasi disekitar nilai
rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau
menurun selama waktu tertentu termasuk jenis ini.
2. Pola musiman (seasonal), terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu
tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan
bakar pemanas ruang semuanya menunjukkan jenis pola ini.
3. Pola siklis (cycle), terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh:
Penjualan produk seperti mobil, baja, dan peralatan utama lainnya.
6
4. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka
panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai
indikator bisnis atau ekonomi lainnya.
Secara umum dapat dijelaskan, bahwa peramalan produksi dengan
pendekatan analisis time series, dilakukan dengan memanfaatkan data masa lalu
perusahaan, secara series (runtun). Data yang dimiliki perusahaan, dapat saja
menunjukkan macam-macam data pola, seperti terlihat pada gambar di bawah ini
Gambar 2.1
Untuk lebih jelas secara keseluruhan pola-pola di atas akan dijelaskan dalam tabel
di bawah ini:
Komponen Klasifikasi Faktor yang Mempengaruhi Jangka Waktu
Horizontal
(konstan)Sistematis diabaikan berkesinambungan
Musiman
(seasonal)Sistematis
Cuaca, kebiasaan, sosial,
agama, dll.I tahun
Siklis (cycle) Sistematis Beberapa faktor yang 2-10 tahun
7
mempengaruh kondisi
ekonomi
Tren SistematisPerubahan teknologi,
populasi, kekayan, nilai, dll.Beberapa tahun
Acak (random)Tidak
Sistematis
Variasi yang bersifat acak,
tak terduga, seperti bencana
alam dan perubahan politik,
dll.
Sangat singkat dan
biasanya tak
terulang
Tabel 2.1
G. Peramalan Kuantitatif Time Series (Deret Berkala)
1. Pendekatan Naif
Pendekatan naif (naive approach) ini merupakan model peramalan
objektif yang paling efektif dan efisien dari segi biaya. Paling tidak pendekatan
naif memberikan titik awal untuk perbandingan dengan model lain yang lebih
canggih. Contoh, jika penjualan produk (misalnya ponsel Nokia) adalah 50
unit pada bulan Januari, dapat diramalkan bahwa penjualan pada bulan Februari
akan sama yaitu sebanyak 50 unit.
2. Rata-rata Bergerak
Peramalan rata-rata bergerak (moving average) menggunakan sejumlah
data aktual masa lalu untuk menghasilkan peramalan. Secara matematis,rata-rata
bergerak sederhana (merupakan prediksi permintaan periode mendatang)
dinyatakan sebagai berikut :
dimana n adalah jumlah periode dalam rata-rata bergerak.
Contoh 1: Penjualan kursi lipat di PT. Suka Duduk di tunjukkan pada kolom
tengah dari tabel di bawah ini. Rata-rata 3 bulanan ditunjukkan di sebelah kanan.
8
Dari tabel di atas dapat dilihat peramalan untuk bulan Juli adalah 19 2/3.
Untuk memproyeksikan permintaan kursi lipat pada bulan Agustus diperoleh
dengan menjumlahkan penjualan bulan Mei, Juni, Juli lalu di bagi 3. Peramalan
untuk bulan Agustus adalah (19+23+26)/3 = 222/3.
Rata-rata bergerak dengan pembobotan (weighted moving average)
Dapat digunakan saat ada tren atau ada pola terdeteksi. Rata-rata bergerak
dengan pembobotan digambarkan secara matematis sebagai berikut :
Contoh 2: PT. Suka Duduk (lihat contoh 1) memutuskan untuk meramalkan
penjualan kursi lipat dengan memberikan bobot pada 3 bulan terakhir sebagai
berikut
Hasil peramalanrata-rata berbobot ini adalah sebagai berikut:
9
Bulan Penjualan Aktual Rata-rata Bergerak 3-Bulanan
Januari 10
Februari 12
Maret 13
April 16 (10+12+13)/3 = 11 2/3
Mei 19 (12+13+16)/3 = 13 2/3
Juni 23 (13+16+19)/3 = 16
Juli 26 (16+19+23)/3 = 19 2/3
Bobot yang Diberikan Penjualan Aktual
3 Bulan lalu
2 Dua Bulan lalu
1 Tiga Bulan lalu
6 Jumlah Total Bobot
Pada situasi peramalan seperti ini, dapat dilihat pada tabel bahwa pembobotan
bulan terakhir yang lebih berat memberikan proyeksi yang lebih akurat.
3. Penghalusan Eksponensial
Penghalusan eksponensial (exponential smoothing) merupakan metode
peramalan rata-rata bergerak dengan pembobotan yang canggih namun, masih
mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan data masa
lalu. Persamaannya sebagai berikut:
Peramalan baru = peramalan periode lalu + α [(permintaan aktual
periode baru – peramalan periode lalu)]
dimana α adalah sebuah bobot atau konstanta penghalusan (smoothing
constant), yang dipilih oleh peramal, yang mempunyai nilai antara 0 dan 1.
Persamaan diatas dapat ditulis secara matematis :
dimana :
Ft = peramalan baru
Ft-1 = peramalan sebelumnya
α = konstanta penghalus (pembobot) (0 ≤ α ≤ 1)
At-1 = permintaan aktual periode lalu
10
Ft = Ft-1 + α(At-1 - Ft-1)
Bulan Penjualan Aktual Rata-rata Bergerak 3-Bulanan
Januari 10
Februar
i
12
Maret 13
April 16 [(3 x 13) + (2 x 12) + (1 x 10)]/6 = 12 1/6
Mei 19 [(3 x 16) + (2 x 13) + (1 x 12)]/6 = 14 1/3
Juni 23 [(3 x 19) + (2 x 16) + (1 x 13)]/6 = 17
Juli 26 [(3 x 23) + (2 x 19) + (1 x 16)]/6 = 20 1/2
Konsepnya tidak rumit, prediksi terakhir permintaan sama dengan prediksi
lama, disesuaikan dengan sebagian dari diferensiasi permintaan aktual periode
lalu dengan prediksi lama.
Contoh 3: pada bulan Januari sebuah dealer motor memprediksi
permintaan Mio di bulan Februari sebanyak 142 unit. Permintaan aktual bulan
Februari adalah 153 unit. Dengan menggunakan konstanta penghalusan yang
dipilih oleh pihak manajemen, (α = 0.20), dapat diramalkan permintaan di bulan
Maret dengan menggunakan model penghalusan eksponensial. Dengan
memasukkan data sampel ke dalam rumus, didapat:
Penghalusan Eksponensial dengan Penyesuaian Tren
Penghalusan eksponensial yang sederhana gagal memberikan respons
terhadap tren yang terjadi. Untuk itu, penghalusan eksponensial harus diubah saat
ada tren. Untuk memperbaiki peramalan kita, berikut akan diilustrasikan model
penghalusan eksponensial yang lebih rumit, yang dapat menyesuaikan diri pada
tren yang ada. Rumus barunya adalah:
Sedangkan untuk menghitung rata-rata dan tren untuk setiap periode
menggunakan dua konstanta penghalusan, α untuk rata-rata dan β untuk
tren.rumusnya sebagai berikut.
11
Peramalan dengan tren (FITt) = peramalan penghalusan eksponensial (Ft) + tren penghalusan eksponensial (Tt)
Ft = α(permintaan aktual periode terakhir) + (1-α)(peramalan periode terakhir + estimasi tren periode terakhir)atau Ft = α(At-1) + (1-α) (Ft-1 + Tt-1)
H,3.67
dimana:
Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri
pada periode t
Tt = tren dengan eksponensial yang dihaluskan pada periode t
At = permintaan aktual pada periode t
α = konstanta penghalusan untuk rata-rata (0 ≤ α ≤ 1)
β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)
Dapat disimpulkan, tiga langkah menghitung peramalan dengan yang
disesuaikan dengan tren adalah:
1. Langkah 1: menghitung Ft, peramalan eksponensial yang dihaluskan
untuk
periode t.
2. Langkah 2: menghitung tren yang dihaluskan, Tt
3. Langkah 3: menghitung peramalan dengan tren, FITt, dengan formula
FITt = Ft + Tt
4. Proyeksi Tren
Jika membuat garis tren lurus dengan metode statistik, kita dapat
menerapkan metode kuadrat terkecil. Pendekatan ini menghasilkan sebuah garis
lurus yang meminimalkan jumlah kuadrat dari deviasi vertikal garis pada setiap
hasil pengamatan aktual. Persamaannya adalah sebagai berikut:
y=a+bx
12
Tt = β(peramalan periode ini – peramalan periode terakhir) + (1-β) (estimasi tren periode terakhir)atau Tt = β(Ft - Ft-1) + (1-β) Tt-1
ŷ = Nilai terhitung dari variabel yang akan diprediksi (disebut variabel
terikat).
a = Persilangan sumbu y
b = Kemiringan garis regresi (atau tingkat perubahan pada y untuk
perubahan yang terjadi di x).
x = Variabel bebas
Ahli statistik telah membuat persamaan yang dapat kita gunakan untuk
menemukan nilai a dan b untuk setiap garis regresi. Kemiringan b ditemukan
dengan:
b=Σ xy−n x yΣx2−n x2
b = Kemiringan garis regresi
x = Nilai variabel bebas yang diketahui
y = Nilai variabel terkait yang diketahui
y = Rata-rata nilai y
x = Rata-rata nilai x
n = Jumlah data atau pengamatan
Kita dapat menghitung y-intercept a sebagai berikut:
a= y−b x
Contoh 4
Permintaan daya listrik pada PLN selama periode 2003 hingga 2009 ditunjukan
pada tabel dibawah dalam satuan megawatt. Marilah kita meramalkan permintaan
tahun 2010 dengan menempatkan satu tren garis lurus yang paling sesuai pada
data berikut.
Tahun Permintaan Daya Listrik
13
2003 74
2004 79
2005 80
2006 90
2007 105
2008 142
2009 122
Dengan sekumpulan data, kita dapat meminimalkan perhitungan dengan
mengubah nilai x (waktu) menjadi angka yang sangat sederhana. Dalam hal ini,
kita menjadikan tahun 2003 sebagai tahun pertama, tahun 2004 sebagai tahun
kedua, dan seterusnya.
Tahun Periode
Waktu (X)
Permintaan
Daya Listrik (Y)
X2 XY
2003 1 74 1 74
2004 2 79 4 158
2005 3 80 9 240
2006 4 90 16 360
2007 5 105 25 525
2008 6 142 36 852
2009 7 122 49 854
Σ 28 692 140 3.063
x=Σxn
=287
=4
y=Σyn
=6927
=98 , 86
b=Σ xy−n x yΣx2−n x2 =
3. 063−(7 )(4 )(98 , 86 )140−(7)( 42 )
=29528
=10 , 54
a= y−b x=98 , 86−10 , 54 (4 )=56 ,70
14
Jadi, persamaan tren kuadrat terkecil adalah ŷ = 56,70 + 10,54x. Untuk
memproyeksikan permintaan di tahun 2010, pertama kita menotasikan tahun 2010
dalam sistem pengkodean yang baru sebagai x = 8:
Permintaan di tahun 2010 = 56,70 + 10,54 (8)
= 141,02 atau 141 megawatt
Kita dapat mengestimasikan permintaan di tahun 2011 dengan memasukkan nilai
x = 9 pada persamaan yang sama:
Permintaan di tahun 2011 = 56,70 + 10,54 (9)
= 151,56 atau 152 megawatt
Untuk menguji kebenaran model, kita kemudian memetakan permintaan historis
dan garis tren. Dalam hal ini kita berharap dapat berhati-hati dan mencoba
memahami adanya perubahan permintaan pada tahun 2008 dan 2009
5. Analisis Regresi
analisis regresi merupakan suatu teknik matematis yang menghubungkan
variabel independent dengan variabel dependent. Dalam analisis regresi ini juga
mempelajari hubungan yang ada diantara variabel-variabel sehingga dari
hubungan yang diperoleh kita dapat menaksir variabel yang satu apabila harga
variabel lainnya diketahui. Akan lebih jelasnya kami akan memberikan 2 contoh
sebagai berikut :
Contoh 5
1. Dari data yang tertera dapat dicari hubungan yang anatara pengunjung dan
yang belanja. Jika pada suatu hari ada 370 pengunjung, dari hubungan yang
diperoleh kita dapat memperkirakan ada berapa yang akan belanja di took itu.
Selain daripada itu,juga kita dapat menentukan berapa kuat jumlah pembeli
ditentukan oleh adanya pengunjung.
15
2. kita ketahui bahwa produk nasional kotor ditentukan oleh produk-produk
lainnya, antara lain jasa. Jika data selama jangka waktu tertentu
diketahui,hubungan antara produk nasional kotor dan jasa dapat dihitung. Dari
hubungan ini,produk nasional kotor dapat diperkirakan jika jasa dapat
diketahui.
Dari kedua contoh diatas dapat digunakan analisis regresi untuk
memperkirakan atau meramalkan.
a. Jenis Analisis Regresi
Dalam model kausalitas ini digunakan analisis regresi untuk meramalkan
sesuatu demi kelangsungan proses produksi/operasi. Dalam analisis regresi ini
terdapat 3 jenis yakni sebagai berikut :
1) Analisis Regresi Linier sederhana
Analisis regresi linier sederhana ini merupakan model dua variable, dimana
salah satu variable bebas sudah diketahui dan dianggap memberi akibat
terhadap variable yang lainnya yang merupakan variable terikat. Persamaan
liniernya adalha sebagai berikut :
Y = a + bX
Y= Subjek dalam variabel dependen yang diprediksi
a = Harga Y bila x = 0
b =Angka arah atau koefisien regresi yang menunjukan peningkatan
atau penurunan variabel dependen yang didasarkan pada variabel
independen
x = Subjek pada variabel independen
a=(ΣY 1 )(ΣX
12)− (ΣX1 )( ΣX1Y 1 )
nΣX12−(ΣX1 )2
b=nΣX1Y 1−(ΣX 1) (ΣY 1)
nΣX12−( ΣX1)2
16
Contoh 6
1. Dilakukan suatu studi eksperimen untuk mengetahui bagaimana pengaruh
tingkat penggunaan pupuk nitrogen pada hasil panen padi yang diperoleh.
Tingkat Penggunaan Pupuk Nitrogen
Kg/ha
(X)
Hasil Panen Padi
Kg/ha
(Y)
0 4230
50 5442
100 6661
150 7150
Hasil regresi linear sederhana adalah sebagai berikut:
X Y X2 X.Y
0 4.230 0 0
50 5.442 2.500 272.100
100 6.661 10.000 666.100
150 7.150 22.500 1.072.500
300 23.483 35.000 2.010.700
a=(ΣY1 )(ΣX
12)− (ΣX1 )( ΣX1Y 1 )
nΣX12−( ΣX1 )2
= (23.483) (35.000) – (300) (2.010.700)
4. 35.000 – (300)2
= 821.905.000 – 603.210.000
140.000 – 90.000
17
= 218.695.000
50.000
= 4.373,9
b=nΣX1Y 1−(ΣX 1) (ΣY 1)
nΣX12−( ΣX1)2
= 4. 2.010.700 – (300) (23.483)
4. 35.000 – (300)2
= 8.042.800 – 7,044.900
140.000 – 90.000
= 997.900
50.000
= 19,96
Y = a + bX
Y = 4.373,9 + 19,96x
2) Analisis Regresi Linier Berganda
Regresi berganda adalah lanjutan praktis dari model regresi sederhana.
Regresi berganda merupakan metode peramalan sebab akibat dengan lebih dari
satu variabel bebas. Dengan persamaannya adalah sebagai berikut :
18
Y = a + bX1 + bX2
ΣY =an+b1 ΣX1+b2 ΣX2ΣX1Y =aΣX 1+b1 ΣX
12+b2 ΣX1 X2
ΣX2Y =aΣX 2+b1ΣX 1 X2+b2 ΣX 2
Contoh 7
Sebuah penelitian dilakukan untuk mengetahui komitmen dan kompetensi
terhadap kinerja pegawai. Berdasarkan 10 orang responden yang digunakan
sebagai sumber penelitian diperoleh hasil sebagai berikut:
Komitmen
(X1)
Kompetensi
(X2)
Kinerja
(Y)
15 12 18
7 8 15
9 7 20
11 9 22
13 11 28
12 10 27
9 8 15
11 8 19
12 9 25
6 8 24
X1 X2 Y X12 X1.X2 X2
2 X1.Y X2.Y
15 12 18 225 180 144 270 216
7 8 15 49 56 64 105 120
9 7 20 81 63 49 180 140
11 9 22 121 99 81 242 198
13 11 28 169 143 121 364 308
19
12 10 27 144 120 100 324 270
9 8 15 81 72 64 135 120
11 8 19 121 88 64 209 152
12 9 25 144 108 81 300 225
6 8 24 36 48 64 144 192
105 90 213 1.17
1
977 832 2.273 1.941
ΣY = an + b1ΣX1 + b2ΣX2
213 = 10a + 105b1 + 90b2.........................(Persamaan 1)
ΣX1Y = aΣX1 + b1ΣX12 + b2ΣX1X2
2.273 = 105a + 1.171b1 + 977b2..............(Persamaan 2)
ΣX2Y = aΣX2 + b1ΣX1X2 + b2ΣX22
1.941 = 90a + 977b1 +832b2.....................(Persamaan 3)
Pengeliminasian persamaan 1 dan persamaan 2:
213 = 10a + 105b1 + 90b2 X 10,5 2.236,5 = 105a + 1.102,5b1 + 945b2
2.273 = 105a + 1.171b1 + 977b2 X 1 2.273 = 105a + 1.171b1 + 977b2
(Persamaan 4).......... 36,5 = 68,5b1 + 32b2
Pengeliminasian persamaan 2 dan persamaan 3:
2.273 = 105a + 1.171b1 + 977b2 X 6 13.638 = 630a + 7.026b1 + 5.862b2
1.941 = 90a + 977b1 +832b2 X 7 13.587 = 630a + 6.839b1 + 5.824b2
(Persamaan 5).......... 51 = 187b1 + 38b2
20
Pengeliminasian persamaan 4 dan persamaan 6:
36,5 = 68,5b1 + 32b2 X 38 1.387 = 2.603b1 + 1.216b2
51 = 187b1 + 38b2 X 32 1.632 = 5.984b1 + 5.824b2
-245 = -3381b1
b1 = 0,07
51 = 187b1 + 38b2
51 = 187(0,07) + 38b2
51 = 13,09 + 38b2
51 - 13,09 = 38b2
37,91 = 38b2
b2 = 0,99
213 = 10a + 105b1 + 90b2
213 = 10a + 105(0,07) + 90(0,99)
213 = 10a + 7,35 + 89,1
213 = 10a + 96,45
213 - 96,45 = 10a
116,55 = 10a
a = 11,66
Y = 11,66 + 0,07 (X1) + 0,99 (X2)
I. Tingkat Akurasi Dalam Metode Peramalan
Dalam pengukuran akurasi pada metode peramalan ini kita harus
memepelajari kesalahan standar dari suatu estimasi dan kesalahan taksir dalam
suatu peramalan yang akan dibahas berikut ini
21
a. Kesalahan Standar dari suatu Estimasi
Titik prediksi adalah rata-rata(mean) atau nilai harapan (expected value)
dari suatu distribusi penjualan yang mungkin. Untuk menghitung keakuratan
regresi yang diperkirakan, kita harus menghitung kesalahan standar estimasi
(standard error of the estimate), perhitungan ini disebut deviasi standar regresi
(standard deviation of the regression) yang menghitung kesalahan dari variable
terikat terhadap garis regresi dan bukan terhadap rata-rata.
=
Dimana
= Nilai untuk setiap titik data
= Nilai terhitung variable terikat, dari persamaan regresi
= Jumlah data
b. Kesalahan taksir dalam peramalan
Perusahaan perlu menetapkan keputusan atas perbedaan yang signifikan
dengan yang diramalkan melalui variable yang dievaluasi. Satu cara untuk
mengawasi peramalan berjalan dengan baik adalah dengan menggunakan sebuah
sinyal penelusuran (tracking signal). Sinyal penelusuran adalah sebuah
perhitungan seberapa baik peramala memprediksi nilai actual.
Sinyal penelusuran dihitung sebagai running sum of the forecast errors
(RSFE) dibagi dengan mean absolute deviation (MAD) :
(Tracking signal)
=
22
=
Dimana
MAD =
Sinyal penelusuran positif menandakan permintaan lebih besar dari ramalan.
Sinyal negative berarti permmintaan lebih sedikit dari ramalan. Sinyal
penelusuran yang bagus adalah yang memiliki RSFE rendah, mempunyai
kesalahan positif yang sama dengan kesalahan negatifnya.
J. Isu dan Tantangan
a. Faktor-faktor lingkungan eksternal
Lingkungan eksternal terdiri atas unsur-unsur di luar organisasi, yang
sebagian besar tak dapat dikendalikan dan berpengaruh dalam pembuatan
keputusan oleh manajer. Organisasi mendapatkan masukan-masukan yang
dibutuhkan, seperti bahan baku, dana, tenaga kerja dan energi dari lingkungan
eksternal, mentransformasikan menjadi produk dan jasa, kemudian memberikan
sebagai keluaran-keluaran kepada lingkungan eksternal.
Lingkungan eksternal mempunyai baik unsur-unsur yang berpengaruh
langsung (lingkungan ekstern mikro) dan yang berpengaruh tidak langsung
(lingkungan ekstern makro). Lingkungan ekstren mikro terdiri dari para pesaing,
penyedia, langganan, lembaga-lembaga keuangan, pasar tenaga kerja dan
perwakilan-pewakilan pemerintah. Unsur-unsur lingkungan ekstern makro
mencakup teknologi, ekonomi, politik dan sosial yang mempengaruhi iklim
dimana organisasi beroperasi dan mempunyai potensi menjadi kekuatan-kekuatan
sebagai lingkungan ekstern mikro.
b. Lingkungan Ekstern Mikro
Komponen-komponen lingkungan ekstern mikro yang paling penting
adalah para pesaing yang harus dihadapi perusahaan, langganan yang harus
dilayani, pasar tenaga kerja, lembaga-lembaga keuangan, para penyedia
(suppliers) dan perwakilan-perwakilan pemerintah. Tentu saja beberapa
23
lingkungan ekstern mikro lainnya penting juga diperhatikan, walaupun tingkat
pengaruhnya berbeda, seperti saluran distribusi yang digunakan, media, asosiasi-
asosiasi bisnis, kelompok- kelompok pencinta lingkungan, dan kelompok-
kelompok politik tertentu yang sebagian besar merupakan perwujudan potensi
pengaruh lingkungan ekstern mikro.
c. Lingkungan Ekstern Makro
Lingkungan ekstern makro mempengaruhi organisasi dengan dua cara.
1. Kekuatan-kekuatan di luar tersebut mempengaruhi suatu organisasi secara
langsung atau secara tidak langsung melalui satu atau lebih unsur-unsur
lingkungan ekstern mikro.
2. Unsur-unsur lingkungan makro menciptakan iklim - misal teknologi tinggi,
keadaan perekonimian cerah atau lesu dan perubahan-perubahan sosial - dimana
organisasi ada dan harus memberikan tanggapan.
Lingkungan ekstern makro terdiri dari faktor-faktor teknologi,
ekonomi, politik, sosial dan dimensi internasional sebagai kekuatan-
kekuatan yang berada di luar jangkauan perusahaan dan biasanya terlepas
dari situasi operasional perusahaan, dengan organisasi jarang memiliki
kekuatan untuk memberikan pengaruh balik yang berarti. Sebagai contoh,
teknologi komputer sekarang ini membuat mungkin perolehan, penyimpanan dan
pemindahan informasi dalam jumlah yang besar. Keadaan perekonomian yang
dilanda resesi akan menyebutkan dunia usaha lesu, dengan perusahaan-perusahaan
tidak mempunyai kemampuan untuk memperbaiki kecendrungan negativ keadaan
ekonomi tersebut.
Perkembangan teknologi. Dalam setiap masyarakat atau industri, tingkat
kemajuan teknologi memainkan peranan berarti pada penentuan produk dan jasa
yang akan diproduksi, peralatan yang akan digunakan, dan bagaimana bermacam-
macam operasi akan dikelola. Sebagai contoh, kemajuan teknologi akan
menurunkan permintaan akan manajer-manajer menengah dan lini pertama.
Banyak perusahaan sekarang mempergunakan komputer untuk peramalan operasi-
24
operasi dan skeduling produksinya, dimana pada waktu yang lalu dilakukan oleh
fungsi-fungsi manajemen menengah.
Perubahan-perubahan teknologi, yang biasanya bersifat inovatif dan
menolak keusangan, dapat terjadi seketika dan dramatik dalam mempengaruhi
perusahaan dan situasi persaingan. Untuk beberapa tahun, perusahaan
POLAROID dapat bersaing dengan perusahaan-perusahaan alat-alat pemotret
seperti EASTMAN KODAK, SAKURA dan FUJI karena produknya mempunyai
keunikan yang terlindungi. Ketika KODAK dan lain-lainnya mengembangkan
suatu teknologi alternatif, posisi pasar POLAROID terancam. Dalam situasi ini,
manajer organisasi dituntut untuk selalu mengembangkan produk, proses produksi
dan cara-cara penawaran produk perusahaan.
Manajer perlu senantiasa meramalkan arah perkembangan teknologi dan
memperkirakan pengaruhnya pada organisasi (peramalan teknologi).
Variabel-variabel Ekonomi. Manajer selalu berhadapan dengan masalah
biaya sumber-sumber daya yang dibutuhkan organisasi. Biaya-biaya ini selalu
berubah setiap waktu karena pengaruh factor-faktor ekonomi. Untuk itu manajer
perlu menganalisa dan mendiagnosa factor-faktor ekonomi, seperti inflasi dan
deflasi, kebijakan-kebijakan moneter, devaluasi atau revaluasi, tingkat suku
bunga, kebijakan fiscal, keseimbangan neraca pembayaran, dan harga-harga yang
ditetapkan oleh para pesaing dan penyedia.
Lingkungan Sosial – Kebudayaan. Lingkungan sosial kebudayaan suatu
masyarakat merupakan pedoman hidup yang menentukan bagaimana hamper
seluruh organisasi dan manajer akan beroperasi.
Variabel-variabel Politik – Hukum. Politik dan hukum dalam suatu
periode waktu tertentu akan menentukan operasi perusahaan. Manajer harus
memperhatikan iklim politik, peraturan-peraturan pemerintah maupun
kensekuensi- kensekuensi atau dampaknya terhadap pemerintah dalam membuat
keputusan.
Dimensi Internasional. Komponen internasional dalam lingkungan
eksternal juga menyajikan kesempatan-kesempatan dan tantangan-tantangan, serta
25
mempunyai potensi menjadi faktor yang mempengaruh langsung pada operasi
perusahaan. Kekuatan internasional ini berpengaruh melalui perkembangan politik
dunia, ketergantungan ekonomi, penularan nilai-nilai dan sikap hidup serta
transfer teknologi.
d. Organisasi dan Lingkungan
Tanggung jawab manajer terhadap organisasi dalam menyikapi pengaruh
lingkungan:
1. Usaha mempengaruhi lingkungan ekstern mikro
2. Peramalan (forecasting) dan lingkungan ekstern makro
3. Perancanaan, perancangan organisasi dan lingkungan
e. Tanggungjawab Sosial
Tanggung jawab sosial berarti bahwa manajemen mempertimbangkan
dampak sosial dan ekonomi di dalam pembuatan keputusan. Manajer dituntut
mengimplemetasikan etika berusaha (the ethics of manager), terutama dalam hal
yang berhubungan dengan langganan, karyawan, penemu teknologi, lembaga-
lembaga pendidikan, perusahaan-perusahaan lain, supplier, kreditur, pemegang
saham, pemerintah, dan masyarakat.
Ada lima faktor yang mempengaruhi keputusan-keputusan dalam masalah etika,
yaitu:
1. hukum
2. peraturan pemerintah
3. kode etik industri dan perusahaan
4. tekanan-tekanan sosial
5. tegangan antara standar perorangan dan kebutuhan organisasi
26
27