sebuah rencana produksi. Tanpa adanya rencana produksi yang baik, maka tujuan tidak akan dapat dicapai dengan efektif dan efisien, sehingga faktor-faktor
produksi yang ada akan dipergunakan secara boros. Oleh karena itu, perencanaan produksi merupakan spesifikasi tujuan perusahaan yang ingin dicapai serta cara-
cara yang akan ditempuh untuk mencapai tujuan tersebut.
Kegunaan atau pentingnya diadakan produksi adalah sebagai berikut : 1.
Suatu perencanaan meliputi usaha untuk menetapkan tujuan atau memformulasikan tujuan yang dipilih untuk dicapai, maka dengan adanya
perencanaan produksi, dapat membedakan arah bagi setiap kegiatan produksi yang jelas.
2. Dengan perencanaan yang memberikan formulasi tujuan yang hendak dicapai,
maka akan memungkinkan untuk mengetahui apakah tujuan-tujuan tersebut telah tercapai atau tidak.
3. Memudahkan pelaksanaan kegiatan untuk mengidentifikasikan hambatan-
hambatan yang mungkin timbul dalam usaha tujuan tersebut. Dengan memperhitungkan
hambatan-hambatan tersebut,
persiapan untuk
mengatasinya menjadi lebih terarah. 4.
Menghindarkan pertumbuhan dan perkembangan yang tidak terkendali.
2.2 Peramalan
2.2.1 Metode Deret Waktu Time-Series
Metode deret waktu adalah peramalan yang didasarkan pada periode waktu mingguan, bulanan, triwulan, dan seterusnya. Metode deret waktu biasanya
digunakan untuk menganalisis pola permintaan masa lalu dan untuk memproyeksikan masa depan. Asumsi dasar yang dipakai adalah bahwa pola
permintaan dapat dibagi menjadi beberapa komponen, yaitu tingkat rata-rata, kecenderungan, musiman, siklus, dan kesalahan.
Universitas Sumatera Utara
Ada empat komponen utama yang mempengaruhi analisis ini, yaitu : a.
Pola Siklis Cycle Penjualan produk dapat memiliki siklus yang berulang secara periodik.Banyak
produk dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang memiliki kecenderungan periodik.Komponen siklis ini sangat berguna dalam peramalan
jangka menengah. Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau
turun terus-menerus. Pola data bentuk ini digambarkan sebagai berikut :
Gambar 2.1 Pola Siklis
b. Pola Musiman Season Perkataan musim menggambarkan pola penjualan yang berulang setiap
periode.Komponen musim dapat dijabarkan ke dalam vektor cuaca, libur, atau kecenderungan perdagangan.Pola musiman berguna meramalkan penjualan
dalam jangka pendek.Pola data musiman dapat digambarkan sebagai berikut :
Gambar 2.2 Pola Musiman
c. Pola kecenderungan trend
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus menerus. Pola data dalam bentuk ini dapat digambarkan sebagai berikut :
Gambar 2.3 Pola Kecenderungan
Universitas Sumatera Utara
d. Pola Acak Pola data ini menggambarkan pola penjualan yang setiap periodenya memiliki
kondisi yang beragam dan acak. Pola data dalam bentuk ini dapat digambarkan sebagai berikut :
Gambar 2.4 Pola Acak
Peramalan deret waktu time-series memiliki beberapa metode yang dapat digunakan untuk meramalkan kondisi pada periode yang akan datang, yaitu :
a. Metode Penghalusan Smoothing
Metode smoothing digunakan untuk mengurangi ketidak-teraturan musiman dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetan data
masa lalu. Ketetapan peramalan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang kurang
akurat.
Metode smoothing terdiri dari beberapa jenis, antara lain : 1.
Metode rata-rata bergerak Moving Average a.
Single Moving Average Moving Average
pada suatu periode merupakan peramalan untuk satu periode ke depan dari periode rata-rata tersebut. Persoalan yang timbul
dalam penggunaan metode ini adalah dalam menentukan nilai t periode perata-rata. Semakin besar nilai t maka peramalan yang dihasilkan akan
semakin menjauhi pola data. Secara matematis, rumus fungsi peramalan metode ini adalah :
+
=
−�+
+ ⋯ +
+
+ Dimana :
= Data pengamatan periode ke-i N = Jumlah deret waktu yang digunakan
+
= Nilai peramalan periode t+1
Universitas Sumatera Utara
b. Linear Moving average
LMA Dasar dari metode ini adalah penggunaan Moving Average kedua untuk
memperoleh penyesuaian bentuk pola trend. Prosedur Linear Moving Average
adalah : -
Penggunaan rata-rata bergerak tunggal pada waktu t ditulis -
Penyesuaian yang merupakan perbedaan antara rata-rata bergerak tunggal dan ganda pada waktu t ditulis
′ − ′′ -
Penyesuaian untuk kecenderungan dari periode ke t+1 atau ke periode t+m jika ingin meramalkan m periode ke muka
Secara umum persamaan prosedur rata-rata bergerak linier dapat diterangkan melalui persamaan sebagai berikut :
′
= +
−
+
−
+ ⋯ +
− − ′′
= +
−
+
−
+ ⋯ +
− −
=
′
+
′
−
′′
=
′
−
′′
= −
′
−
′′ +
= + ∙
Kesalahan negatif atau positif yang mungkin terjadi dapat dihilangkan atau dikeluarkan.Rata-rata dapat dilakukan terhadap seluruh
angka konstanta dari data pengamatan. Sesuai dengan tujuan di atas, maka teknik ini dapat menghilangkan trend dan musiman seasonality.
Harga yang diramalkan dalam Single Moving Average dihitung berdasarkan rumus :
+
= |
−
|⋯ |
− −
+
= +
−
−
Dimana : = nilai data = nilai ramalan untuk waktu t+1
N = banyak data
Universitas Sumatera Utara
c. Weigted Moving Average
Pada meode rata-rata sederhana, jumlah data pada kelompok inisialisasi makin lama semakin bertambah dengan naiknya harga i. Tetapi pada
metode rata-rata bergerak tunggal jumlah data kelompok inisialisasi adalah konstan, bilamana harga i bertambah satu, maka data baru yang
akan menggesermenggantikan data yang paling tua. Untuk waktu t+1, t+2, nilai ramalannya adalah :
+
= ∑
=
+
= ∑
= =
+
2. Metode Exponensial Smoothing, terdiri atas
a. Pemulusan Eksponensial Tunggal Single Exponensial Smoothing
Metode pemulusan eksponensial tunggal single exponensial smoothing menambahkan parameter α dalam modelnya untuk mengurangi faktor
kerandoman. Nilai peramalan dapat dicari dengan menggunakan rumus berikut ini :
+
= ∙ +
− ∙
Dimana : = data permintaan pada periode t
= faktorkonstan pemulusan
+
= peramalan untuk periode t
Berbeda dengan metode rata-rata bergerak yang hanya menggunakan N data periode terakhir dalam melakukan peramalan,
metode pemulusan eksponensial tunggal mengikutsertakan data dari semua periode.Setiap data pengamatan mempunyai kontribusi dalam
penentuan nilai
peramalan periode
sesudahnya.Namun, dalam
perhitungannya cukup diwakili oleh data pengamatan dan hasil peramalan periode terakhir, karena nilai peramalan periode sebelumnya sudah
mengandung nilai-nilai pengamatan sebelumnya.
Universitas Sumatera Utara
Istilah eksponensial dalam metode ini berasal dari pembobotan faktor
pemulusan dari
periode sebelumnya
yang berbentuk
eksponensial, sebagaimana dijabarkan berikut ini :
+
= ∙ +
− ∙
= ∙ +
− ∙
−
+ −
∙
−
= ∙ +
− ∙
−
+ −
∙
−
+ ⋯ +
− ∙
− �−
Di sini terlihat bahwa koefisien X dari waktu ke waktu membentuk hubungan eksponensial. Misalnya, untuk
α = 0,2 maka koefisien dari ,
−
,
−
, ⋯ ,
−�+
berturut-turut adalah 0,2; 0,20,8; 0,20,8
2
; … ; 0,20,8
N+1
.
b. Pemulusan Eksponensial Linier Linear Exponential SmoothingDouble
Exponential Smoothing Metode pemulusan eksponensial tunggal hanya akan efektif apabila serial
data yang diamati memiliki pola horizontal stasioner. Jika metode itu digunakan untuk serial data yang memiliki unsur trend kecenderungan
yang konsisten, nilai-nilai peramalannya akan selalu berada di belakang nilai aktualnya terjadi lagging yang terus menerus. Metode yang tepat
untuk melakukan peramalan serial data yang memiliki unsur trend adalah metode pemulusan eksponensial linier. Salah satu metode yang digunakan
adalah metode pemulusan eksponensial linier dari Holt, yang menggunakan persamaan sebagai berikut :
= ∙ +
−
−
+
−
= ∙ −
−
+ −
∙
− +
= + ∙
Pemulusan eksponensial linier dari Holt menambahkan persamaan untuk memperoleh pemulusan trend dan menggabungkan trend ini
dengan persamaan pemulusan standar sehingga menghasilkan persamaan . Metode dari Holt ini menggun
akan dua parameter, α dan β, yang masing-masing nilainya dapat dipilih dari setiap angka antara 0 sampai
Universitas Sumatera Utara
dengan 1. Kedua parameter itu dapat mempunyai nilai yang sama atau berbeda besarnya.
Proses inisialisasi untuk pemulusan eksponensial linier dari Holt memerlukan dua taksiran, yaitu untuk nilai
dan . Nilai
dapat disamakan dengan nilai aktual pengamatan atau rata-rata dari beberapa
nilai pengamatan pada periode awal, sedangkan nilai menggunakan
taksiran kemiringan dari serial data tersebut menggunakan persamaan regresi linier, akan dibahas kemudian atau menggunakan rata-rata
kenaikan dari beberapa periode, misalnya : =
− +
− +
−
c. Pemulusan Eksponensial Musiman
Sebagaimana halnya dengan persamaan pemulusan eksponensial linier yang dapat digunakan untuk meramalkan serial data yang memiliki pola
trend , bentuk persamaan yang lebih tinggi dapat digunakan jika pola
dasar serial datanya musiman. Salah satu metode peramalan yang khusus untuk data yang berpola musiman adalah metode pemulusan eksponensial
linier dan musiman dari Winter. Metode ini didasarkan atas tiga persamaan, yaitu unsur stasioner, trend dan musiman, yang dirumuskan
sebagai berikut : =
−
+ −
−
+
−
= +
−
+ −
−
= + −
− +
= + ∙
− +
Dimana : L = jumlah periode dalam satu siklus musim
I = faktor penyesuaian musiman indeks musiman
Universitas Sumatera Utara
Sebagaimana dalam perhitungan pemulusan eksponensial tunggal, nilai inisial
dapat disamakan dengan nilai aktualnya atau berupa rata- rata dari beberapa nilai pada musim yang sama, sedangkan nilai inisial T
dicari dengan menggunakan rumus sebagai berikut : = {
+
− +
+
− + ⋯ +
−
− }
2.2.2 Ketelitian Peramalan
