commit to user
19
4. Bentuk Pola Data:
Data dasar dari metode peramalan adalah anggapan bahwa macam dari pola yang didapat dalam data yang diramalkan
akan berkelanjutan. 5.
Biaya: Umumnya ada empat unsur biaya yang tercakup dalam
penggunaan suatu prosedur peramalan, yaitu biaya-biaya pengembangan,
penyimpanan storage
data, operasi
pelaksanaan kesempatan penggunaan teknik-teknik dan metode lainnya.
6. Jenis dan Model:
Banyak metode peramalan telah menganggap adanya beberapa model dari keadaan yang diramalkan.
7. Mudah Tidaknya Penggunaan dan Aplikasinya:
Metode-metode yang dapat dimengerti mudah diaplikasi yang akan dipergunakan dalam pengambilan keputusan dan
analisis.
F. Sifat-sifat Peramalan
Dalam membuat peramalan atau menerapkan hasil peramalan, ada
beberapa hal yang harus dipertimbangkan, yaitu:
1. Peramalan pasti mengandung kesalahan, artinya peramal hanya
bisa mengurangi ketidakpastian yang akan terjadi tetapi tidak dapat
menghilangkan ketidakpastian tersebut.
commit to user
20
2. Peramalan seharusnya memberikan informasi mengenai berapa
ukuran kesalahan. 3.
Peramalan jangka pendek lebih akurat dibandingkan dengan peramalan jangka panjang.
Ishak, 2010.
G. Tahap-tahap Peramalan
Menurut Render dan Heizer 2005 ada tujuh tahap, yaitu:
1.
Menentukan tujuan peramalan.
2. Memilih unsur apa yang akan diramal.
3. Menentukan horizon waktu peramalan pendek, menengah atau
panjang. 4.
Memilih tipe model peramalan adalah menggunakan beragam model statistik yang akan dibahas sekarang, termasuk rata-rata
bergerak, penghalusan eksponensial dan analisis regresi. 5.
Mengumpulkan data yang diperlukan untuk melakukan peramalan. 6.
Membuat peramalan. 7.
Memvalidasi dan menerapkan hasil peramalan adalah pengkajian terhadap peramalan dilakukan setiap hari, untuk memastikan
model, asumsi dan data yang digunakan sudah valid.
H. Karakteristik Peramalan yang Baik
Menurut Ishak 2010, karakteristik peramalan yang baik adalah sebagai
berikut:
commit to user
21
1.
Akurasi
Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan kekonsistenan peramalan tersebut. Hasil peramalan dikatakan bias
bila peramalan tersebut terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan
konsisten bila besarnya kesalahan peramalan relative kecil.
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah item yang diramalkan, lamanya periode
peramalan dan metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan mempengaruhi berapa banyak data yang
dibutuhkan, bagaimana
pengolahan datanya
manual atau
komputerisasi, bagaimana penyimpanan datanya, dan siapa tenaga ahli yang diperbantukan.
3. Kemudahan
Pengguna metode peramalan yang sederhana, mudah dibuat dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.
Percuma memakai metode canggih, tetapi tidak dapat diaplikasikan pada sistem perusahaan karena keterbatasan dana, sumber daya
manusia maupun peralatan teknologi.
I. Pendekatan Dalam Peramalan
Dalam metode peramalan yang akurat dan bermanfaat, selain mengandalkan pengumpulan data yang relevan dibutuhkan teknik-teknik
commit to user
22
pengumpulan data yang tepat. Terdapat dua pendekatan umum peramalan
yang tepat untuk digunakan yaitu :
1.
Analisis Kualitatif Qualitative Forecast
Yaitu peramalan yang menggabungkan faktor-faktor penting seperti intuisi pengambilan keputusan, pengalaman pribadi, emosi,
dan sistem nilai Render dan Hiezer,2005. Ada empat teknik peramalan kualitatif yang tepat digunakan adalah
sebagai berikut : a.
Keputusan dari Pendapatan Juri Eksekutif Juri of Executive Opinion.
Dalam metode ini, pendapatan sekumpulan kecil manajer atau pakar tingkat tinggi sering dikombinasikan dengan model
statistik, dikumpulkan untuk mendapatkan prediksi permintaan kelompok.
b. Metode Delphi Delphi Method
Teknik peramalan yang menggunakan proses kelompok dimana para pakar melakukan peramalan.
c. Gabungan dari Teknik Penjualan Sales Force Composite.
Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan yang bisa ia lakukan dalam wilayahnya.
d. Survei Pasar konsumen Consumer Market Survei
Metode peramalan meminta input dari konsumen mengenai rencana pembelian mereka di masa depan.
commit to user
23
2. Analisis Kuantitatif Quantitative Forecast
Yaitu peramalan yang mengguakan satu atau lebih model matematis dengan data masa lalu dan variabel sebab akibat untuk
meramalkan permintaan Render dan Heizer,2005. Teknik peramalan kuantitatif dikelompokkan menjadi dua, yaitu :
a. Model Serial Waktu Time Series
Model Time Series membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu. Dengan kata lain,
mereka melihat apa yang akan terjadi selama kurun waktu tertentu dan menggunakan data masa lalu tersebut untuk
melakukan peramalan Render dan Heizer:2005 Pengolahan data kuantitatif dari segi waktu Time Series dapat
dilakukan dengan lima metode yaitu sebagi berikut Render dan Heizer:2005 :
1 Metode Pendekatan Naif
Teknik peramalan yang mengasumsikan permintaan diperiode mendatang sama dengan permintaan terkini.
2 Metode Single Moving Average Rata-rata bergerak
Menurut Render dan Heizer 2005 metode Single Moving Average adalah metode peramalan yang menggunakan rata-
rata dari sejumlah n data terkini untuk meramalkan periode mendatang. Metode peramalan rata-rata bergerak
Single Moving Average menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan.
commit to user
24
Rumus yang digunakan dalam menghitung metode Single Moving Average adalah sebagai berikut Render dan
Heizer:2005 : Rata-rata
bergerak =
Di mana n adalah jumlah periode rata-rata bergerak. 3
Metode Weight Moving Average Rata-rata tertimbang Apabila ada pola yang trend dan pola yang terdeteksi, bobot
dapat digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Teknik ini lebih responsif terhadap
perubahan karena periode yang lebih dekat mendapat bobot yang lebih berat. Pemilihan bobot merupakan hal yang
tidak pasti karena tidak ada rumus untuk menetapkan mereka Render dan Heizer:2005.
Rata-rata bergerak dengan pembobotan dapat digambarkan secara sistematis sebagai berikut :
Rata-rata bergerak
dengan pembobotan
= Di mana n adalah jumlah periode dalam rata-rata bergerak
tertimbang. 4
Metode Exponential Smoothing Penghalusan Exponential Exponential Smoothing merupakan metode peramalan rata-
rata bergerak dengan pembobotan yang canggih, namun
commit to user
25
masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan masa lalu.
Ramalan-ramalan Exponential yang dihasilkan dapat mengandung banyak kesalahan karena fluktuasi random
yang sangat besar pada periode-periode waktu yang mutakhir dan hal ini timbul karena dalam pemulusan
Exponential periode-periode yang terakhir mendapat bobot yang lebih berat.
Rumus Exponential Smoothing dasar dapat ditunjukkan sebagai berikut Render dan Heizer:2005 :
Peralaman baru = peramalan periode lalu + permintaan
aktual periode lalu – peramalan periode lalu
Di mana sebuah bobot, atau konstanta penghalusan
Smoothing Constant, yang dipilih oleh peramal yang mempunyai nilai antara 0 dan 1.
Secara matematis dapat juga ditulis sebagai berikut : +
-
Keterangan : Peramalan baru
= Peramalan sebelumnya = Konstanta penulisan 0-1
= Permintaan aktual periode sebelumnya
commit to user
26
b. Metode Kausal
Model kausal ini bertujuan untuk meramalkan keadaan di masa yang akan datang dengan menemukan dan mengukur
beberapa variabel bebas yang penting beserta pengaruhnya terhadap variabel tidak bebas diamati.
Adapun teknik yang biasa digunakan dalam model kausal, yaitu :
1 Regresi Linier Linier Regression
Dalam banyak hal terdapat dua variabel atau lebih yang saling berhubungan dan saling mempengaruhi. Untuk
mengetahui sejauh mana hubungan antara dua variabel atau satu variabel dengan beberapa variabel lainnya perlu di buat
model. Adapun kecenderungan titik-titik koordinat dari
variabel bebas dan variabel tidak bebas membentuk suatu garis linier lurus, model ini dinamakan regresi linier.
Sebaliknya, apabila
hubungan berbentuk
kuadrat, Exponential atau sejenisnya dinamakan regresi non linier.
Jika hubungan itu hanya melibatkan satu variabel bebas, model itu disebut regresi linier sederhana.
Bentuk persamaan regresi linier Render dan Heizer:2007 :
ŷ = a + bx
commit to user
27
Keterangan : ŷ = nilai variabel terikat
a = persilangan sumbu y b = kemiringan garis regresi tingkat perubahan pada y
untuk perubahan yang terjadi di x x = variabel bebas waktu
perubahan rata-rata y terhadap perubahan per unit x. Nilai a dan b meminimumkan jumlah kesalahan kuadrat, dapat
dicari dengan menggunakan persamaan sebagai berikut : a =
b = 2
Proyeksi Trend Trend Projection Proyeksi Trend adalah teknik mencocokkan garis
trend pada serangkaian data masa lalu dan kemudian memproyeksikan garis pada masa datang untuk peramalan
jangka menengah dan panjang Render dan Heizer:2005. Secara matematis, persamaan penulisan Trend
Projection adalah
sebagai berikut
Render dan
Heizer:2005 : ŷ = a + bx
Keterangan : ŷ = nilai variabel terikat
a = persilangan sumbu y
commit to user
28
b = kemiringan garis regresi tingkat perubahan pada y untuk perubahan yang terjadi di x
x = variabel bebas waktu
Untuk menentukan nilai a dan b menggunakan rumus : a = - b
b = Untuk menentukan nilai dan menggunakan rumus :
Keterangan : =
= a = persilangan sumbu y
b = kelandaiaan garis regresi Σ = tanda penjumlahan total
x = nilai variabel bebas yang diketahui y = nilai variabel terkait yang diketahui
= rata-rata nilai x = rata-rata nilai y
n = jumlah data atau pengamatan
J. Pengukuran Kesalahan Peramalan Forecast Error
Menurut Taylor 2004 pengukuran kesalahan peramalan merupakan perbedaan antara peramalan permintaan dengan permintaan
aktual. Meskipun suatu jumlah kesalahan ramalan tidak dapat dielakkan
namun tujuan ramalan adalah agar kesalahannya menjadi sekecil mungkin.
commit to user
29
Sedangkan menurut Nasution 2003 pengukuran kesalahan peramalan merupakan ukuran tentang tingkat perbedaan antara hasil
peramalan dengan permintaan sebenarnya terjadi. Rumus yang biasanya
digunakan dalam pengukuran kesalahan, yaitu :
1.
Rata-rata Deviasi Mutlak Mean Absolute Deviation = MAD
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih
kecil dibandingkan dengan kenyataannya. Secara matematis MAD
dapat dirumuskan :
MAD = Keterangan :
= Permintaan aktual pada periode t = Peramalan permintaan pada periode t
= Jumlah periode peramalan yang terlibat 2.
Rata-rata Kuadrat Kesalahan Mean Square Error = MSE MSE merupakan metode alternatif dalam suatu metode peramalan.
Pendekatan ini penting karena teknik ini menghasilkan kesalahan yang moderat lebih disukai oleh suatu peramalan yang sangat besar. Secara
matematis MSE dirumuskan sebagai berikut : MSE =
Keterangan : = Permintaan aktual pada periode t
= Peramalan permintaan pada periode t
commit to user
30
= Jumlah periode peramalan yang terlibat 3.
Rata-rata Kesalahan Peramalan Mean Forecast Error = MFE MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan
selama periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bias, maka nilai MFE akan mendekati nol. MFE
dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan. Secara matematis, rumus MFE dinyatakan sebagai
berikut: MFE =
∑
n Ft
At
Keterangan: At = Permintaan Aktual pada periode t
Ft = Peramalan permintaan pada periode t n = Jumlah periode peramalan yang terlibat
4. Rata-rata Persentase Kesalahan Absolut Mean Absolute Percentage
Error = MAPE MAPE merupakan ukuran kesalahan relative dan menyatakan
persentase kesalahan hasil peramalan terhadap permintaan actual selama periode tertentu yang akan memberikan informasi persentase
kesalahan terlalu tinggi atau terlalu rendah. Secara matematis, MAPE dinyatakan sebagai berikut:
MAPE =
n
100 ∑At -
At Ft
Keterangan: At = Permintaan Aktual pada periode
–t
commit to user
31
Ft = Peramalan Permintaan Forecast pada periode –t
n = Jumlah periode peramalan yang terlibat
commit to user
32
BAB III PEMBAHASAN
A. GAMBARAN UMUM PERUSAHAAN
1. Sejarah Perusahaan
PT. KUSUMA MULIA TEXTILE merupakan sebuah perusahaan yang bergerak di bidang pertextilan. PT. KUSUMA MULIA
TEXTILE didirikan oleh Drs. Rudy Indrianto, AKT pada tanggal 17 November 1997 berdasarkan Nomor Pendaftaran Industri Kecil
NIPIK 09.3310-02486 dengan Wajib Pajak NPWP 1.736.434.0-525 merupakan perusahaan industri textile yang terletak di kota Solo Jawa
Tengah. PT.
KUSUMA MULIA
TEXTILE berawal
dari pengambilalihan PT. ASIA JAYA ANEKA sekitar tahun 70-an.
PT. ASIA JAYA ANEKA berganti nama menjadi PT. YULIA PRINT, pada tahun 1996 PT. YULIA PRINT diganti kembali menjadi
PT. KUSUMA MULIA TEXTILE. Sebagai salah satu produsen kain warna yang berorientasi dalam negeri, perusahaan berupaya untuk
mengikut perkembangan permintaan pasar, sehingga desain model kain warna selalu diperbarui dari waktu ke waktu. Dengan pengalaman
sebelumnya, maka perusahaan selalu mengadakan inovasi desain kain warna, komposisi serta desain yang selalu berubah-ubah menuruti
permintaan pasar yang terus menerus mengalami perkembangan. Dalam hal tersebut tidak lepas dari kemampuan perusahaan untuk
memenuhi standar mutu yang diharapkan oleh konsumen. Selain itu,
