Teknik Peramalan Pengertian Peramalan

21 analysis. Permintaan berdasarkan urutan dapat menggambarkan permintaan, dapat secara konstan constant, meningkat secara garis lurus trend linear atau musiman seasonal seperti yang terdapat pada Gambar 2. Produksi atas Permintaan garis peningkatan per unit musiman konstan Waktu Gambar 2. Pola Permintaan Sumber : Tampubolon 2004:41 Menurut Prasetya dan Lukiastuti 2009 :47, Komponen-komponen runtun waktu pada umumnya diklasifikasikan sebagai : a. Trend T, merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan trend. b. Musiman atau Seasonal S, merupakan pola data yang berulang pada kurun waktu tertentu, seperti hari, minggu, bulan, atau kuartal. c. Siklikal atau Cyclical C, merupakan pola dalam data yang terjadi setiap beberapa tahun. d. Residu atau Erratic E, merupakan satu titik khusus dalam data yang disebabkan oleh peluang dan situasi yang tidak biasa. 22 Dalam menyusun rencana produksi dapat pula dilakukan dengan memperhatikan atau menggunakan perkembangan data produksi dengan mengacu pada perkembangan data variabel yang mempengaruhinya. Metode sebab akibat didasarkan pada data masa lalu yang mempengaruhi masa depan misalnya penjualan. Penggunaan peramalan untuk produksi dan metode yang cocok untuk digunakan dapat dilihat pada Tabel 2. Tabel 2. Penggunaan Peramalan untuk Produksi Operasi dan Metodenya Penggunaan peramalan Jangka waktu Ketetapan yang dibutuhkan Jumlah produk Tingkat manajemen Metode peramalan Desain proses Panjang Rata-rata Satu atau beberapa Puncak Kualitatif dan kausal Perencanaan kapasitas mesin Panjang Rata-rata Satu atau beberapa Puncak Kualitatif dan kausal Perencanaan agregat Menengah Tinggi Beberapa Menengah Kausal dan time series Schedulling Pendek Sangat tinggi Banyak Rendah Time series Manajemen persediaan Pendek Sangat tinggi Banyak Rendah Time series Sumber : Assauri 2004:36 1 Metode Time Series Menurut Handoko 2000:267, model-model peramalan runtut waktu mencoba untuk meramalkan kejadian-kejadian di waktu yang akan datang atas dasar serangkaian data masa lalu. Serangkaian data ini merupakan serangkaian observasi berbagai variabel menurut waktu, dan biasanya ditabulasi dan digambarkan dalam bentuk grafik yang menunjukkan perilaku variabel subyek. Metode-metode yang yang digunakan dalam peramalan time series terdiri dari beberapa metode. 23 a. Metode Naïve, metode ini didasarkan pada asumsi bahwa periode saat ini merupakan predictor terbaik dari masa mendatang. Metode ini merupakan metode sederhana karena perhitungan peramalannya dengan menggunakan data yang lewat yang dijadikan sebagai ramalan waktu yang akan datang Firdaus, 2006:4. b. Metode Rata-Rata Bergerak Sederhana Moving Average, menurut Firdaus 2006:128 metode ini cocok untuk pola data stasioner. Kelebihan metode ini adalah jumlah data yang dimasukkan ke dalam nilai rataan fleksibel sehingga dapat divariasikan sesuai pola datanya. Selain itu metode ini mudah untuk dipahami. Kelemahannya, metode ini hanya baik untuk data stasioner. c. Metode Pelicinan Eksponensial Tunggal Single Exponential Smoothing, metode ini sangat baik diterapkan pada serial data yang memiliki pola stasioner dan tidak efektif dalam menangani peramalan dengan kecenderungan data yang memiliki komponen trend dan pola musiman. Hal tersebut dikarenakan jika diterapkan pada serial data yang memiliki trend yang konsisten, ramalan dibuat akan selalu berada di belakang trend. Selain itu, metode eksponensial juga dapat memberikan bobot yang relatif lebih tinggi pada nilai pengamatan terbaru disbanding nilai-nilai periode sebelumnya. d. Metode Pelicinan Eksponensial Ganda Double Exponential Smoothing, metode ini memiliki dasar pemikiran yang sama dengan rata-rata bergerak linier. Metode double exponential smoothing memproses data deret waktu 24 dengan mengekstrapolasi data atas dasar trend terakhir yang terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke arah sesuai dengan arah trend tereakhir. Metode ini baik digunakan untuk data deret waktu yang memiliki unsur trend. e. Metode Perhitungan Indeks Musiman, Menurut Handoko 2000:278 perhitungan indeks musiman dapat dihitung dengan mencari nilai rata-rata berbagai rasio penjualan kuartal nyata terhadap nilai garis trend untuk setiap periode. Peramalan model ini merupakan estimasi penjualan yang hanya memasukkan unsur trend dan musiman tanpa memperhatikan pengaruh siklikal. f. Metode Box Jenkins ARIMA, metode ini menggunakan pendekatan iteratif dalam mengidentifikasi suatu model yang paling tepat dari semua kemungkinan model yang ada. Metode ini ini tidak menggunakan variabel independen, melainkan menggunakan nilai-nilai sekarang dan nilai-nilai masa lampau dari variabel dependen. Firdaus 2006:19 menjelaskan prosedur ARIMA terdiri dari beberapa tahapan yaitu identifikasi, estimasi, evaluasi model dan peramalan. Metode ARIMA hanya bisa diterapkan untuk data time series yang stasioner atau telah dijadikan stasioner dengan data observasi paling tidak berjumlah 72 Mulyono. 2000:159. 2 Metode Kausal Metode peramalan kausal didasarkan pada penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dependen dengan variabel lain yang mempengaruhinya independen. Metode ini sering disebut model regresi, 25 dimana regresi merupakan suatu penyederhanaan pola hubungan suatu variabel dengan satu atau lebih variabel lain Mulyono, 2000:53.

2.3.3. Kesalahan Taksir dalam Peramalan Forecast Errors

Ada beberapa tolak ukur yang dapat digunakan sebagai alat untuk mengukur kesalahan dalam peramalan forecast error, yaitu sebagai berikut Heizer dan Render, 2005:155. 1. Mean Absolut Error MAE MAE merupakan suatu ukuran perbedaan atau selisih antara ramalan dengan aktual. MAE diperoleh dengan mengambil nilai absolute dari tiap kesalahan peramalan dibagi dengan jumlah periode data. Umumnya semakin kecil nilai MAE, semakin akurat suatu ramalan. 2. Mean Square Error MSE MSE merupakan rataan selisih kuadrat antara nilai yang diramalkan dan yang diamati. 3. Mean Absolut Percentage Error MAPE MAPE dihitung dengan menemukan kesalahan absolute setiap periode, kemudian membaginya dengan nilai observasi pada periode tersebut dan merata-ratakan persentase absolute tersebut.

2.4. Perencanaan Kapasitas

Handoko 2000:298 menjelaskan bahwa salah satu masalah sehubungan dengan konsep kapasitas adalah unit satuan keluaran. Perusahaan penting mempertimbangkan konsep campuran produk product mix ketika menyusun 26 rencana untuk masa mendatang, yaitu dengan merinci kapasitas masing-masing jenis dan ukuran produk secara individual. Menurut Assauri 2008:25, keputusan kapasitas dimaksudkan untuk memberikan besarnya jumlah kapasitas yang tepat dan penyediaan pada waktu yang tepat. Perencanaan kapasitas tidak hanya menentukan besarnya peralatan atau fasilitas, tetapi mengenai kebutuhan yang sebenarnya dari proses produksi dan operasi.

2.4.1. Pengertian Kapasitas

Menurut Handoko 2000:297, kapasitas adalah suatu tingkat keluaran, suatu kuantitas keluaran dalam periode tertentu, dan merupakan kuatitas tertinggi yang mungkin selama periode waktu itu. Sunyoto dan Wahyudi 2011:49 menjelaskan bahwa kapasitas produksi ditentukan oleh kapasitas sumber daya yang dimiliki, seperti : kapasitas mesin, tenaga kerja, bahan baku, dan modal.

2.4.2. Pemrogaman Linier

Sebagian besar persoalan manajemen berkenaan dengan penggunaan sumber secara efisien atau alokasi sumber-sumber yang terbatas tenaga kerja terampil, bahan mentah, modal untuk mencapai tujuan yang diinginkan desired objective. Dalam keadaan sumber daya yang terbatas harus dicapai suatu hasil yang optimum. Dengan perkataan lain adalah bagaimana caranya agar dengan masukan input yang serba terbatas dapat dicapai hasil kerja yaitu keluaran output berupa produksi barang atau jasa yang optimum. Linear programming akan memberikan banyak sekali hasil pemecahan persoalan sebagai alternatif pengambilan tindakan Supranto,2006:69.