ANALISIS PERAMALAN PENJUALAN PRODUK CRAZER DI CV. CAHAYA JAYA LESTARI KARANGANYAR

commit to user

ANALISIS PERAMALAN PENJUALAN PRODUK CRAZER DI CV. CAHAYA JAYA LESTARI KARANGANYAR

TUGAS AKHIR

Diajukan untuk melengkapi Tugas – tugas dan Memenuhi Syarat – syarat guna memperoleh Gelar Ahli Madya Manajemen Pemasaran

Oleh :

MUHAMAD SUNARYO NIM : F3208145

PROGRAM STUDI DIPLOMA III

MANAJEMEN PEMASARAN FAKULTAS EKONOMI UNIVERSITAS SEBELAS MARET SURAKARTA

commit to user MOTTO

Ä _{Kebahagian itu tergantung pada rasa syukur, kekuatan} tergantung pada iman, dan sabar adalah kunci pertolongan, bunga akan mekar pada waktunya dan kita akan memetik hasilnya, begitu pula amal kita, seseorang, itu akan mendapatkan apa yang diusahakannya.

“Dan bahwasannya manusia tiada memperoleh selain apa yang telah diusahakannya”.

( Q.S. An Najm : 39 )

Ä _{Untuk sukses perlu waktu karena sukses adalah} penghargaan alamiah atas menggunakan waktu untuk melakukan sesuatu secara sebaik – baiknya.

( Joseph. Ross )

Ä Masa lalu jadikanlah pengalaman, masa kini jadikanlah yang terbaik, masa esok jadikanlah cita – cita yang diperjuangkan.

commit to user

PERSEMBAHAN

Teruntuk,

F

_{Ibu dan bapak tercinta yang dengan tulus ikhlas memberikan dukungan moral}

dan material serta kasih sayangnya yang tidak akan pernah pupus sampai

kapanpun.

F

_{Siti Patimah adikku tercinta, yang selalu menyayangi dan}

mendoakanku.

F

_{Serta teman – teman disekelilingku yang memberikan motivasi dan}

menyayangiku.

commit to user Assalamualaikum Warahmatullahi Wabarakatuh.

Alhamdulillahirobbil’alamin, segala puji syukur kehadirat Allah SWT yang telah mana memberikan rahmat dan hidayah-Nya serta kemampuan kemudahan dan pertolongan-Nya hingga penulisan Tugas Akhir ini selesai.

Tugas Akhir dengan judul “Analisis Peramalan Penjualan Produk Crazer Di CV. Cahaya Jaya Lestari Karanganyar” ini merupakan persyaratan guna meraih gelar Ahli Madya pada Fakultas Ekonomi Universitas Sebelas Maret Surakarta.

Dalam penulisan Tugas Akhir ini penulis mengalami banyak kesulitan, namun berkat bantuan dari berbagai pihak akhirnya kesulitan – kesulitan yang timbul dapat terselesaikan dengan baik. Oleh karena itu merupakan suatu kebahagian apabila dalam kesempatan ini bagi penulis dapat mengucapkan terima kasih atas segala bentuk bantuannya kepada yang terhormat :

1. Drs. Wisnu Untoro, MS, selaku Dekan Fakultas Ekonomi Universitas Sebelas Maret Surakarta.

2. Drs. Joko Purwanto, MBA, selaku Ketua jurusan Program D III Manajemen Pemasaran Fakultas Ekonomi Sebelas Maret Surakarta.

commit to user

3. Sinto Sunaryo, SE, MSi, selaku Dosen Pembimbing yang telah berkenan membimbing penulis

4. Para Dosen dan Staf Karyawan Fakultas Ekonomi Universitas Sebelas Maret Surakarta.

5. Bapak Handoko S.N. selaku Manajer dari CV. Cahaya Jaya Lestari yang telah banyak – banyak membantu penulis dalam menyelesaikan Tugas Akhir ini.

6. Seluruh staf dan karyawan CV. Cahaya Jaya Lestari yang telah mendukung selama kegiatan magang kerja.

7. Semua pihak yang tidak bisa penulis sebutkan satu persatu yang telah banyak membantu demi kelancaran penulisan Tugas Akhir ini.

Akhirnya penulis menyadari sepenuhnya bahwa penyusunan Tugas Akhir ini masih jauh dari sempurna, karena keterbatasan penulis dalam pengembangan serta pengetahuan yang penulis miliki. Semoga Tugas Akhir ini berguna untuk menambah pengetahuan bagi semua pihak khususnya bagi penulis sendiri.

Semoga Allah SWT selalu memberikan pertolongan, anugrah yang baik dan segala berkah-Nya atas bimbingan dan bantuan semua pihak yang telah membantu penulis selema proses penyusunan Tugas Akhir ini

commit to user

serta semoga dapat memberi manfaat bagi semua dan ilmu pengetahuan pada saat ini dan masa yang akan datang.

Surakarta, 21 juni 2011

Muhamad Sunaryo

commit to user

HALAMAN ABSTRAK ... ii

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

HALAMAN MOTTO ... v

HALAMAN PERSEMBAHAN ... vi

KATA PENGANTAR ... vii

DAFTAR ISI ... x

DAFTAR GAMBAR ... xiii

DAFTAR TABEL ... xiv

BAB I PENDAHULUAN A. Latar Belakang Masalah ………. 1

B. Rumusan Masalah ... 6

C. Tujuan Penelitian ... 6

D. Manfaat Penelitian ... 7

E. Metode Penelitian ... 7

commit to user

1. Pemasaran ………... 12

2. Pengertian Potensi Perusahaan ... 13

3. Peramalan (Forecasting) ... 14

4. Jenis-jenis Peramalan ……….. 15

5. Tahap-tahap Peramalan ……….. 16

6. Proses Peramalan ………. 17

7. Metode Peramalan ……… 20

B. Kerangka Pemikiran ... 37

BAB III PEMBAHASAN A. Gambaran Umum perusahaan ... 39

1. Sejarah Berdirinya CV. Cahaya Jaya Lestari ……... 39

2. Visi, Misi, dan Tujuan Perusahaan ………... 39

3. Lokasi Perusahaan ... 40

4. Personalia Perusahaan ... 43

5. Struktur Organisasi ... 44

B. Laporan Magang …………... 47

C. Pembahasan Masalah ... 50

commit to user

2. Metode Exponential Smoothing ……….… 59 3. Pengukuran Kesalahan Ramalan……….. 68

BAB IV PENUTUP

A. Kesimpulan ... 71

B. Saran ………... 72 DAFTAR PUSTAKA ... 74

LAMPIRAN

DAFTAR GAMBAR

Gambar 3.1 Struktur Organisasi ... 25 Gambar 3.2 Grafik Forecast Moving Average Produk Crazer .…... 59

commit to user

Gambar 3.3 Grafik Forecast Exponential Smoothing Produk Crazer… 68

DAFTAR TABEL

Tabel 3.1 Penjualan Produk Crazer Tahun 2010/2011 ..………….. 51 Tabel 3.2 Peramalan Penjualan Produk Crazer Tahun 2010/2011.. 58

commit to user

Tabel 3.3 Peramalan Penjualan Produk Crazer Tahun 2010/2011.. 66 Tabel 3.4 Rata-rata Kesalahan Metode ….……….. 69

commit to user

ABSTRAK

ANALISIS PERAMALAN PENJUALAN PRODUK CRAZER DI CV. CAHAYA JAYA LESTARI KARANGANYAR

MUHAMAD SUNARYO F3208145

Peramalan penjualan merupakan elemen yang sangat penting guna mengontrol produksi yang akan dilakukan perusahaan. Untuk itu dalam penulisan tugas akhir ini penulis mengambil judul “Analisis Peramalan

Penjualan Produk Crazer di CV. Cahaya Jaya Lestari Karanganyar”.

Tujuan penelitian ini adalah untuk menentukan langkah-langkah apa saja yang akan diambil perusahaan untuk memenuhi permintaan konsumen dan supaya tidak terjadi kelebihan atau kekurangan produksi. Teknik yang digunakan dalam penelitian ini adalah deskriptif yaitu memberikan gambaran obyek yang diteliti kemudian melakukan pengolahan data berupa angka untuk menarik kesimpulan. Data yang digunakan adalah data primer merupakan data pendukung yang diproleh dari observasi dan wawancara dan data sekunder merupakan data pendukung yang diperoleh dari arsip perusahaan.

Untuk mengetahui permintaan konsumen pada periode yang akan datang dilakukan peramalan menggunakan metode Moving Average dan metode Exponential Smoothing. Penulis memilih kedua metode tersebut karena lebih cocok untuk melakukan forecast yang datanya bersifat random (tidak teratur). Data penjualan yang dianalisis adalah data bulan Januari 2010 sampai Maret 2011. Dari hasil perhitungan, CV. Cahaya Jaya Lestari sebaiknya memakai kedua metode tesebut, tetapi dari kedua metode dilihat MAD dan MSE yang terkecil. Untuk produk Crazer lebih cocok menggunakan metode Exponential Smoothingα = 0.05, dengan MAD sebesar 1,761,967.19 dan MSE sebesar 7,266,686,403,810.07.

Kerena kondisi permintaan cenderung fluktuatif, saran penulis dalam melakukan peramalan sebaiknya menggunakan metode yang berbeda sesuai kondisi permintaan yang dihadapi dan memperhatikan permintaan tiap periode.

Kata kunci : Penjualan, metode Moving Average, dan metode

commit to user BAB I

PENDAHULUAN

A. Latar Belakang Masalah

Pada era globalisasi seperti sekarang ini perkembangan perokonomian sangatlah pesat, yang membuat perusahaan kecil maupun perusahaan besar harus selalu menjaga dan meningkatkan pelayanannya. Untuk itu, perusahaan harus mampu menyesuaikan diri dengan lingkungan di luar perusahaan yang terus berkembang. Salah satu permasalahan yang dihadapi perusahaan adalah perubahan kondisi dan situasi. Perubahan kondisi sosial ekonomi akan mempengaruhi pemasaran pada umumnya dan perubahan lingkungan yang tercermin pada perubahan perilaku konsumen yang akhirnya berpengaruh secara langsung pada volume penjualan.

Dalam hubungannya dengan volume penjualan, peran ramalan penjualan sangat penting guna mengontrol produksi yang akan dilakukan perusahaan. Sebelum suatu perusahaan melaksanakan kegiatan proses produksi, manajemen perusahaan akan mengadakan penyusunan perencanaan produksi yang akan dipergunakan sebagai pedoman pelaksanaan proses produksi dalam perusahaan yang bersangkutan. Dalam hal ini perlu diketahui adanya dua unsur utama

commit to user

dalam penyusunan perencanaan produksi. Adapun kedua unsur yang dimaksud adalah peramalan produksi dan perkiraan produksi. Dalam penyusunan perencanaan produksi, baik peramalan produksi maupun perkiraan produksi keduanya akan selalu dipergunakan untuk kelengkapan perencanaan produksi yang sedang disusun. Penyusunan perencanaan produksi tanpa peramalan produksi dan perkiraan produksi akan mempunyai kelemahan dalam pelaksanaannya, sehingga fungsi perencanaan sebagai pedoman untuk pelaksanaan kerja serta untuk alat pengawasan akan menjadi kabur dan tidak akan efektif karenanya.

Dalam hal ini peramalan produksi (production forecasting) merupakan peramalan tentang produk apa dan berapa yang akan segera diproduksi oleh perusahaan yang bersangkutan. Dengan demikian peramalan produksi yang disusun oleh perusahaan dapat memberikan data produk apa saja yang akan diproduksi pada periode yang akan datang, serta berapa jumlah unit dari masing-masing produk yang akan diproduksi pada perusahaan tersebut. Manajemen perusahaan yang bersangkutan khususnya bagian pengendalian proses produksi akan segera mengetahui berapa banyaknya jumlah dan jenis produk yang akan diproses dalam perusahaan pada waktu yang akan datang.

Perecanaan produksi tersebut akan mempunyai hubungan secara langsung dengan perencanaan penjualan produk perusahaan,

commit to user

dalam hal ini perencanaan penjualan berhubungan erat dengan peramalan penjualan. Dengan demikian dalam penyusunan perencaraan produksi untuk suatu perusahaan, peramalan penjualan tidak akan dapat ditinggalkan. Bahkan data dari peramalan penjualan yang telah disusun inilah yang nantinya akan dipergunakan sebagai dasar untuk mengadakan penyusunan perencanaan produksi dari perusahaan tersebut.

Menurut Nasution (2003), Peramalan adalah proses untuk memperkirakan beberapa kebutuhan di masa yang akan datang, yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Untuk memenuhi kebutuhan permintaan konsumen di masa depan, peramalan sangat penting digunakan karena merupakan pegangan kerja bagi perusahaan untuk melakukan proses produksi. Perusahaan akan memproduksi produk jika ada permintaan dari konsumen atau pesanan. Dengan peramalan, perusahaan akan dapat menentukan langkah-langkah apa saja yang akan diambil dalam memenuhi pemintaan konsumen.

Perusahaan CV. Cahaya Jaya Lestari yang berlokasi di Kabupaten Karanganyar, merupakan salah satu perusahaan jasa yang bergerak pada usaha daur ulang produk. Perusahaan ini mengkhususkan diri pada usaha pengolahan plastik. Adapun produk yang dihasilkan adalah Plastik Kresek, Pelled atau Caisen (masakan)

commit to user

yang merupakan bahan dari plastik dibuat biji bahan plastik kembali dan produk Crazer. Crazer (mesin pencacah) yaitu suatu mesin yang dipergunakan untuk mencacah atau memotong prongkol (batang biji plastik yang besar) agar menjadi lebih kecil, sehingga bisa dimasukan ke dalam mesin pelled yang akan memproduksi biji bahan plastik. Biji tersebut jika diolah lagi akan menghasilkan berbagai jenis produk sesuai dengan bahan baku yang dipergunakan. Sebagai contoh tempat makanan yang membutuhkan elastisitas yang bagus agar tidak cepat rusak, sedotan, tikar, tali rafia, mainan anak-anak dari plastik, dan masih banyak lagi.

Produk-produk yang dihasilkan CV. Cahaya Jaya Lestari tersebut dipasarkan ke berbagai perusahaan. Khusus untuk produk Crazer ditawarkan ke perusahaan-perusahaan yang membutuhkan pasokan bahan baku tersebut, guna melengkapi produk yang akan mereka produksi. Di samping itu, ada juga beberapa perusahaan yang dengan sendirinya menggunakan jasa dari perusahaan CV. Cahaya Jaya Lestari untuk mencacahkan atau memotong prongkol (batang biji plastik yang besar) yang menghasilkan produk Crazer. Terkadang sebagian perusahaan tersebut mendaur ulangkan produknya tidak hanya sampai pada produk Crazer, melainkan sampai pada biji Aval atau yang biasa disebut Pelled (Caisen), sehingga perusahaan tersebut akan lebih mudah mengolahnya menjadi produk yang siap pakai.

commit to user

Untuk menghadapi ketidakpastian lingkungan pemasaran, salah satu kegiatan yang penting dilakukan CV. Cahaya Jaya Lestari adalah peramalan penjualan. Dalam merencanakan produksi untuk memenuhi kebutuhan permintaan, CV. Cahaya Jaya Lestari perlu melakukan analisis kondisi permintaan, yang akan mempermudah dalam melakukan peramalan permintaan, sehingga hasil ramalan dapat membantu CV. Cahaya Jaya Lestari dalam pengambilan keputusan. Dengan melakukan analisis kondisi permintaan, CV. Cahaya Jaya Lestari dapat menentukan kapasitas produksi yang harus dihasilkan agar tidak terjadi kelebihan produksi atau kekurangan produksi. Apabila kelebihan produksi, CV. Cahaya Jaya Lestari akan mengalami kerugian yaitu terjadinya penumpukan produk di gudang yang mengkibatkan produk menjadi rusak dan kerugian atas biaya produksi yang telah dikeluarkan. Sedangkan apabila terjadi kekurangan produksi, CV. Cahaya Jaya Lestari tidak dapat memenuhi permintaan konsumen yang mengakibatkan konsumen kecewa dan akhirnya konsumen beralih ke produsen lain.

Dari uraian di atas penulis mendapat gambaran bahwa peramalan penjualan sangat penting dalam penentuan jumlah produksi dalam suatu periode. Untuk itu, penulis ingin melakukan penelitian yang lebih mendalam dengan judul “ANALISIS PERAMALAN PENJUALAN PRODUK CRAZER DI CV. CAHAYA JAYA LESTARI KARANGANYAR”

commit to user B. Rumusan Masalah

Berdasarkan latar belakang di atas, maka rumusan masalah dalam penelitian ini adalah

1. Berapakah ramalan penjualan produk Crazer pada CV. Cahaya Jaya Lestari selama periode 2011 dengan metode Rata-rata Bergerak (Moving Average) dan metode Single Exponential

Smoothing?

2. Dari penggunaan metode Rata-rata Bergerak (Moving Average) dan metode Single Exponential Smoothing, manakah yang sebaiknya digunakan perusahaan dengan mempertimbangkan kesalahan peramalan terkecil?

C. Tujuan Penelitian

Sesuai dengan rumusan masalah di atas, maka tujuan yang ingin dicapai dalam penelitian adalah

1. Untuk mengetahui ramalan pejualan produk Crazer pada CV.Cahaya Jaya Lestari selama periode 2011 dengan metede Rata-rata Bergerak (Moving Average) dan metode Exponential

Smoothing.

2. Untuk mengetahui metode yang sebaiknya digunakan perusahaan dengan mempertimbangkan kesalahan peramalan terkecil.

commit to user D. Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah 1. Bagi Penulis

Untuk memperdalam kemampuan dalam menerapkan ilmu yang dipelajari di bangku kuliah, menambah pengetahuan dan wawasan yang bermanfaat terutama yang behubungan dengan bidang pemasaran.

2. Bagi Perusahaan

Sebagai bahan masukan dalam menetukan ramalan permintaan dimasa yang akan datang sehingga perusahaan dapat menentukan kapasitas produksi suatu produk agar tidak terjadi kelebihan ataupun kekurangan jumlah produk yang dihasilkan. 3. Bagi Pembaca

Dapat menjadi sumber informasi dan masukan yang dapat digunakan dalam penelitian-penelitian selanjutnya.

E. Metode Penelitian 1. Jenis Penelitian

Jenis penelitian yang digunakan penulis adalah Penelitian Deskriptif. Penelitian Deskriptif menurut McDaniel (2001) yaitu penelitian yang akan menjawab pertanyaan-pertanyaan siapa, apa,

commit to user

kapan, dimana, dan bagaimana. Dalam hal ini, hasil peramalan yang diperoleh dihitung dari data hasil penjualan yang ada.

2. Obyek Penelitian

Penelitian dilakukan di CV. Cahaya Jaya Lestari, yang terletak di jl. Raya Palur km 8,1 Karanganyar.

3. Jenis Data Penelitian

a. Data primer adalah data yang diperoleh dari observasi dan wawancara secara langsung dengan pemilik atau karyawan CV. Cahaya Jaya Lestari.

b. Data sekunder adalah data yang diperolah dari intern perusahaan, antara lain dokumen pendirian perusahaan dan data hasil penjualan produk Crazer.

4. Teknik Pengumpulan Data a. Wawancara

Metode pengumpulan data dengan melakukan wawancara secara langsung dengan nara sumber yaitu dengan pimpinan perusahaan maupun karyawan yang bersangkutan dalam lingkungan perusahaan.

Informasi yang diperoleh dari wawancara yaitu kondisi persaingan yang dihadapi perusahaan bahwa CV. Cahaya Jaya Lestari. Informasi alur proses produksi juga diperoleh dari hasil wawancara untuk melengkapi gambaran objek penelitian.

commit to user b. Dokumentasi

Suatu metode pengumpulan data yang dilakukan dengan cara mengadakan pengamata secara langsung di CV. Cahaya Jaya Lestari, Karanganyar.

Informasi yang diperoleh dari dokumentasi yaitu data-data sekunder yang dibutuhkan dalam penelitian ini, meliputi sistem pemasaran yang dilakukan CV. Cahaya Jaya Lestari.

c. Observasi

Pencarian informasi dengan cara mengadakan pengamatan secara langsung di CV. Cahaya Jaya Lestari. Karanganyar. d. Studi Kepustakaan

Penelitian yang dilakukan dengan cara mempelajari literature

atau referensi lain yang berhubungan dengan masalah yang dianalisis, dalam hal ini data historis penjualan dapat digunakan sebagai dasar dan acuan analisis untuk memecahkan masalah. 5. Teknik Analisis Data

Untuk melakukan peramalan permintaan produk berdasarkan data yang diperoleh. Penulis akan menggunakan teknis analisis data dengan menggunakan metode Rata-rata Bergerak (Moving Average) dan metode Exponential Smoothing.

Menurut Render dan Heizer (2001), Metode Moving Average

bermanfaat jika kita mengasumsikan bahwa permintaan pasar tetap stabil sepanjang waktu. Rata-rata tiga bulan diperoleh dengan

commit to user

menjumlahkan permintaan selama tiga bulanan dan dibagi 3. Data bulan terakhir ditambahkan ke jumlah data dua bulan sebelumnya, dan bulan yang paling awal dihilangkan. Sedangkan Metode

Exponential Smoothing adalah metode peramalan yang mudah

digunakan dan efisien bila dilakukan dengan komputer. Meskipun merupakan teknik rata-rata bergerak, penghalusan eksponential

mencakup pemeliharaan data masa lalu yang sangat sedikit.

a. Metode Rata-rata Bergerak (Moving Average) Rumus:

Rata-rata bergerak =

Dimana n adalah jumlah periode dalam rata-rata bergerak. Misalnya, empat, lima, atau enam bulan, secara berurutan, untuk rata-rata bergerak empat, lima, atau enam periode.

b. Metode Exponential Smooting

Rumus:

Ft =Ft-1 + α (At-1 – Ft-1)

Dimana:

Ft : Ramalan baru

commit to user

A t-1 : Permintaan aktual pada periode sebelumnya

α : Konstanta penghalusan

Kesalahan peramalan (forecast error) didefinisikan dengan: Kesalahan peramalan = Permintaan – Ramalan

Atau menggunakan MAD, dihitung dengan mengambil jumlah nilai absolut dari kesalahan peramalan individu dan membaginya dengan jumlah periode data (n):

MAD =

Dan menggunakan MSE, rata-rata perbedaan kuadrat antara nilai yang diramal dan diamati. Rumusnya adalah

commit to user BAB II

TINJAUAN PUSTAKA

A. Landasan Teori

1. Pemasaran

Pemasaran merupakan kegiatan yang sangat vital yang harus dilakukan oleh perusahaan dalam usahanya memajukan serta mempertahankan kelangsungan hidupnya. Kegiatan pemasaran yang dilakukan oleh sebuah perusahaan harus dapat memberikan kepuasan terhadap konsumen. Kepuasan yang dirasakan oleh konsumen akan membentuk loyalitas terhadap produk maupun jasa perusahaan tersebut.

Banyak definisi pemasaran yang diungkapkan para ahli, meskipun sekilas nampak beda akan tetapi pada intinya sama. Ada yang menitikberatkan pada segi fungsi, barang, kelembagaan, manajemennya, dan ada pula yang memasukan dari semua segi tersebut. Adapun definisi pemasaran menurut:

a. Kotler (2000)

Adalah proses sosial dan manajerial dimana individu dan kelompok mendapatkan kebutuhan dan keinginan mereka

commit to user

dengan menciptakan, menawarkan, dan menukarkan produk yang bernilai satu sama lain.

b. Stanton (1994)

Adalah suatu sistem total dari kegiatan bisnis yang dirancang untuk merencanakan, menentukan harga, mempromosikan, dan mendistribusikan barang-barang yang dapat memuaskan keinginan dan jasa baik kepada para konsumen saat ini maupun konsumen potensial.

c. Kotler dan Amstrong (2008)

Adalah suatu proses sosial dan manajerial yang membuat individu dan kelompok memperoleh apa yang mereka butuhkan dan inginkan lewat penciptaan dan pertukaran timbal balik produk dan nilai dengan orang lain.

2. Potensi Perusahaan

Menurut Kotler (2000), Penjualan potensial perusahaan adalah batas yang dicapai oleh permintaan terhadap perusahaan pada saat usaha pemasaran perusahaan meningkat relatif terhadap pesaing. Batas absolut dari permintaan terhadap perusahaan secara pasti adalah potensi pasar.

Menurut Kotler (2000), Potensi pasar adalah batas yang dapat dicapai oleh permintaan pasar pada saat pengeluaran pemasaran yang dilakukan industri mendekati tidak terbatas, di dalam lingkungan tertentu.

commit to user

Dalam kebanyakan kasus, potensi penjualan perusahaan lebih rendah dari potensi pasar, bahkan pada saat pengeluaran pemasaran perusahaan meningkat dengan pesat relatif terhadap pesaing. Alasannya adalah masing-masing pesaing mempunyai pembeli yang sangat setia, yang tidak begitu tanggap terhadap usaha perusahaan lain untuk membujuk mereka meninggalkan produk yang dibelinya.

3. Peramalan (Forecasting)

Peramalan sangat penting digunakan karena merupakan pegangan kerja bagi perusahaan untuk melakukan proses produksi. Perusahaan akan memproduksi produk jika ada permintaan dari konsumen atau pesanan. Dengan peramalan, perusahaan akan dapat menentukan langkah-langkah apa saja yang akan diambil dalam memenuhi pemintaan konsumen.

Ada beberapa pendapat para ahli mengenai pengertian peramalan yaitu:

a. Menurut Render dan Heizer (2001)

Peramalan adalah seni dan ilmu memprediksi peristiwa masa depan.

b. Menurut Handoko (1995)

Peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu.

commit to user c. Menurut Nasution (2003)

Peramalan adalah proses untuk memperkirakan beberapa kebutuhan di masa yang akan datang, yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa.

4. Jenis-jenis Peramalan

Menurut Render dan Heizer (2001), peramalan dapat dibedakan menjadi 3 jenis, yaitu:

a. Ramalan ekonomi

Membahas siklus bisnis dengan memprediksi tingkat inflasi, suplay uang permulaan perumahan, dan indikator-indikator perencanaan lain.

b. Ramalan teknologi

Berkaitan dengan tingkat kemajuan teknologi, yang akan melahirkan produk-produk baru yang mengesankan, membutuhkan pabrik, dan peralatan baru.

c. Ramalan permintaan

Adalah proyeksi permintaan untuk produk atau jasa perusahaan. Ramalan ini disebut juga ramalan penjualan, mengarahkan produksi, kapasitas, dan sistem penjadwalan perusahaan serta bertindak sebagai masukan untuk perencanaan keuangan, pemasaran, dan personalia.

commit to user

Menurut Swastha (2001), ada beberapa jenis ramalan yang dipandang cukup relevan dalam pengambilan keputusan manajemen penjualan. Salah satu pembagian yang penting adalah ke dalam potensi pasar, potensi penjualan perusahaan, dan ramalan penjualan perusahaan.

a. Potensi pasar adalah kemugkinan penjualan total barang dan jasa oleh industri yang ada.

b. Potensi penjualan perusahaan adalah kemungkinan penjualan total untuk sebuah perusahaan.

c. Ramalan penjualan perusahaan adalah estimasi realistis tentang penjualan aktual dalam rupiah atau unit yang diharapkan akan dicapai perusahaan dalam periode mendatang menurut rencana pemasaran serta kondisi lingkungan ekstern yang terantisipasi.

5. Tahap-tahap Peramalan

Menurut Render dan Heizer (2001), ada beberapa tahap dalam peramalan yaitu:

a. Menetukan penggunaan peramalan itu. Tujuan apa yang ingin dicapai

b. Memilih hal-hal yang akan diramal.

c. Menentukan horizon waktunya (jangka pendek, menengah, panjang)

commit to user

e. Mengumpulkan data yang dibutuhkan untuk membuat ramalan. f. Menentukan model peramalan yang tepat.

g. Membuat ramalan. h. Menerapkan hasilnya.

Tahap-tahap ini menampilkan cara sistematis dari mengawali, merancang, dan menerapkan suatu sistem peramalan. Apabila sistem itu dipakai untuk menghasilkan ramalan secara berkala sepanjang waktu, data harus secara rutin dikumpulkan, dan perhitungan aktual digunakan agar peramalan bisa dilakukan secara otomatis, biasanya dengan komputer.

6. Proses Peramalan

Menurut Handoko (1995), proses peramalan biasanya terdiri dari langkah-langkah sebagai berikut:

a. Penentuan tujuan

Langkah pertama terdiri atas penentuan macam estimasi yang diinginkan. Sebaliknya, tujuan tergantung pada kebutuhan-kebutuhan informasi para manajer. Analis membicarakan dengan para pembuat keputusan untuk mengetahui apa kebutuhan-kebutuhan mereka, dan menentukan:

1) Variabel-variabel apa yang akan diestimasi. 2) Siapa yang akan menggunakan hasil ramalan.

commit to user

4) Estimasi jangka panjang atau jangka pendek yang diinginkan.

5) Derajat ketepatan estimasi yang diinginkan. 6) Kapan estimasi dibutuhkan.

7) Bagian-bagian peramalan yang diinginkan, seperti peramalan untuk kelompok pembeli, kelompok produk atau daerah geografis.

b. Pengembangan model

Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan suatu model, yang merupakan penyajian secara lebih sederhana sistem yang dipelajari. Dalam peramalan, model adalah suatu kerangka analitik yang, bila dimasukan data masukan, menghasilkan estimasi penjualan di waktu mendatang (atau variabel apa saja yang diramal). Analis hendaknya memilih suatu model yang menggambarkan seraca realistik perilaku variabel-variabel yang dipertimbangkan. Sebagai contoh, bila perusahaan ingin meramal penjualan yang “perilaku”nya berbentuk linear, model yang dipilih mungkin : penjualan = A + BX, di mana X menunjukan unit waktu, dan A dan B adalah parameter-parameter yang menggambarkan posisi dan kemiringan garis pada grafik.

Pemilihan suatu model yang tepat adalah krusial. Setiap model mempunyai asumsi-asumsi yang harus dipenuhi sebagai

commit to user

persyaratan penggunaannya. Validitas dan reliabilitas estimasi sangat tergantung pada model yang dipakai.

c. Pengujian model

Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat akurasi, validitas dan reliabilitas yang diharapkan. Ini sering mencakup penerapannya pada data historic, dan penyiapan estimasi untuk tahun-tahun sekarang dengan data nyata yang tersedia. Nilai suatu model ditentukan oleh derajat ketepatan hasil peramalan dengan kenyataannya (actual). Dengan kata lain, pengujian model bermaksud untuk mengetahui validitas atau kemampuan prediktif secara logik suatu model. d. Penerapan model

Setelah pengujian, analis menerapkan model dalam tahap ini, data historik dimasukkan dalam model untuk menghasilkan suatu ramalan. Dalam kasus model penjualan = A + BX, analis menerapkan teknik-teknik matematik agar diperoleh A dan B. e. Revisi dan evaluasi

Ramalan-ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau kembali. Perbaikan mungkin perlu dilakukan karena adanya perubahan-perubahan dalan perusahaan atau lingkungannya, seperti tingkat harga produk perusahaan, karakteristik-karakteristik produk, pengeluaran-pengeluaran pengiklanan, tingkat pengeluaran-pengeluaran pemerintah,

commit to user

kebijaksanaan moneter dan kemajuan teknologi. Evaluasi, dipihak lain, merupakan pembandingan ramalan-ramalan dengan hasil-hasil nyata untuk menilai ketepatan penggunaan suatu metodologi atau teknik peramalan. Langkah ini diperlukan untuk menjaga kualitas estimasi-estimasi di waktu yang akan datang. 7. Metode Peramalan

Peramalan akan produk di waktu mendatang sangat penting dalam perencanaan dan pengawasan produksi di suatu perusahaan. Dalam menentukan keputusan, manajemen produksi menggunakan hasil-hasil peramalan.

Menurut Swastha (2001), metode peramalan dapat digolongkan menurut beberapa cara. Misalnya, ada yang menyebutkan dua pendekatan pokok dalam peramalan.

a. Metode Nonkausal

Memerlukan penganalisisan data historis untuk memproyeksi pola gerakannya dalam suatu periode.

b. Analisis Kausal

Melibatkan suatu analisis faktor untuk diramal di samping faktor-faktor yang secara kausal terkait dalam upaya mendefinisikan hubungan tersebut. Dengan menggunakan hubungan yang telah didefinisikan tersebut, faktor itu diramal untuk periode waktu mendatang.

commit to user

Ada dua pendekatan menurut Render dan Heizer (2001), antara lain:

a. Tinjauan Metode Kualitatif

Ada lima teknik peramalan kualitatif yang berbeda, antara lain:

1) Juri dari opini eksekutif

Metode ini mengambil opini dari sekelompok kecil manajer tingkat tinggi, sering kali dikombinasikan dengan model-model statistik, dan menghasilkan estimasi permintaan kelompok.

2) Gabungan armada penjualan

Dalam pendekatan ini, setiap wiraniaga mengestimasi jumlah penjualan di wilayahnya, ramalan ini kemudian dikaji ulang untuk meyakinkan kerealistisannya, lalu dikombinasikan pada tingkat propinsi dan nasional untuk mencapai ramalan secara menyeluruh.

3) Metode Delphi

Proses kelompok iteratif ini mengijinkan para ahli, yang memungkinkan tinggal di berbagai tempat, untuk membuat ramalan. Ada tiga partisiapan dalam proses Delphi: pengambilan keputusan, personal staf, dan responden. Pengambilan keputusan biasanya terdiri dari sebuah kelompok beranggotakan lima sampai sepuluh ahli

commit to user

yang akan membuat ramalan aktual. Personel staf membantu pengambilan keputusan dengan menyiapkan, mendistribusikan, mengumpulkan, dan meringkas serangkaian kuesioner dan hasil survei. Responden adalah sekelompok orang yang keputusannya dinilai dan diperhatikan. Kelompok ini memberi masukan kepada pengambil keputusan sebelum ramalan dibuat.

4) Survei pasar konsumen

Metode memperbesar masukan dari pelanggan atau calon pelanggan tanpa melihat rencana pembelian masa depannya. Metode ini bisa membantu tidak hanya dalam menyiapkan ramalan tetapi juga dalam memperbaiki desain produk baru.

5) Pendekatan naif

Cara sederhana untuk peramalan ini mengansumsikan bahwa permintaan dalam periode berikutnya adalah sama dengan permintaan dalam periode sebelumnya (most recent period).

b. Tinjauan Metode Kuantitatif

Ada empat metode untuk peramalan kuantitatif, yaitu: 1) Rata-rata Bergerak (Moving Average)

a) Rata-rata Bergerak (Moving Average) bermanfaat jika kita mengansumsikan bahwa permintaan pasar tetap

commit to user

stabil sepanjang waktu. Rata-rata bergerak empat bulan diperoleh dengan menjumlahkan permintaan selama empat bulanan dan dibagi 4. Data bulan terakhir ditambahkan ke jumlah data tiga bulan sebelumnya, dan bulan yang paling awal dihilangkan. Hal ini cenderung menghaluskan ketidakteraturan jangka pendek di dalam seri data.

Secara matematis, rata-rata bergerak sederhana (yang menjadi estimasi dari permintaan periode berikutnya) ditunjukan sebagai:

Rata-rata bergerak

=

dimana n adalah jumlah periode dalam rata-rata bergerak. Misalnya, empat, lima, atau enam bulan, secara berurutan, untuk rata-rata bergerak empat, lima, atau enam periode.

b) Rata-rata Bergerak Tertimbang

Apabila ada pola atau trend yang dapat kita deteksi, timbangan bisa digunakan untuk menempatkan lebih

commit to user

banyak tekanan pada nilai baru. Ini membuat teknik itu lebih responsif terhadap perubahan karena periode yang lebih baru mungkin lebih besar timbangannya. Memutuskan timbangan mana yang akan dipakai membutuhkan pengalaman dan unsur keberuntungan. Pilihan timbangan adalah bersifat arbirter karena tidak ada rumus untuk menentukannya. Jika bulan atau periode terakhir ditimbang terlalu berat, ramalan bisa mencerminkan perubahan dalam permintaan yang tidak biasa atau pola penjualan yang terlalu cepat.

Rata-rata bergerak tertimbang (weighted moving

average) ditunjukan secara matematis dengan:

Rata-rata bergerak =

Rata-rata bergerak sederhana dan tertimbang efektif dalam menghaluskan fluktuasi tiba-tiba dalam pola permintaan untuk menghasilkan estimasi yang stabil. Namun demikian, rata-rata bergerak mempunyai tiga masalah. Pertama, meningkatkan ukuran n (jumlah periode yang dirata-ratakan) memang menghaluskan fluktuasi dengan lebih baik, tetapi metode ini kurang

commit to user

sensitif, untuk perubahan nyata dalam data. Kedua, rata-rata bergerak tidak bisa selalu berada dalam tingkat masa lalu dan tidak akan memprediksi perubahan ke tingkat yang lebih tinggi maupun yang lebih rendah. 2) Penghalusan Eksponensial (Exponential Smoothing)

a) Penghalusan eksponential (exponential smoothing) adalah metode peramalan yang mudah digunakan dan efisien bila dilakukan dengan komputer. Meskipun merupakan teknik rata-rata bergerak, penghalusan eksponential mencakup pemeliharaan data masa lalu yang sangat sedikit.

Rumus penghalusan eksponential dasar adalah sebagai berikut:

Ramalan baru = Ramalan periode lalu + α (Permintaan aktual periode lalu – ramalan periode lalu)

Di mana α adalah timbangannya, atau konstanta

penghalusan, yang nilainya antara 0 sampai 1. Bisa juga ditulis secara matematis dengan:

commit to user Dimana:

Ft : Ramalan baru

F t-1 :Ramalan sebelumnya

α : Konstanta penghalusan

A t-1 : Permintaan aktual pada periode sebelumnya

Konsep ini tidak rumit. Estimasi permintaan terakhir adalah sama dengan estimasi sebelumnya yang disesuaikan sedikit dari perbedaan antara permintaan aktual periode lalu dan estimasi sebelumnya.

Konstanta penghalusan, α, umumnya antara 0,05

sampai 0,50 untuk aplikasi bisnis. Konstsnta penghalusan bisa diubah untuk memberikan timbangan

yang lebih besar pada data baru (bila α tinggi) atau pada data masa lalu (bila α rendah). Yang pasti, periode masa lalu menurun dengan cepat ketika α meningkat. Bila α

mencapai nilai ekstrem 1,0 maka dalam persamaan F t =

1,0 A t-1. Semua nilai yang lebih lama dihilangkan dan

ramalannya menjadi identik ke model naif yang telah dibahas sebelumnya. Yaitu, ramalan untuk periode berikutnya sama saja dengan periode ini.

commit to user b) Memilih Konstanta Penghalusan

Pendekatan dengan penghalusan eksponential mudah digunakan, dan telah dengan sukses diterapkan di banyak organisasi. Akan tetapi, nilai konstanta

penghalusan, α, yang tepat bisa menciptakan perbedaan

antara ramalan yang akurat dan ramalan yang tidak akurat. Dalam mengambil sebuah nilai untuk konstnta penghalusan, tujuannya adalah untuk mencapai ramalan yang paling akurat. Keakuratan yang menyeluruh dari model peramalan bisa ditentukan dengan membandingkan nilai yang diramalkan dengan nilai-nilai aktual. Kesalahan ramalan (forecast error) didefinisikan dengan:

Kesalahan peramalan = Permintaan – Ramalan

Sebuah ukuran untuk kesalahan peramalan menyeluruh untuk suatu model adalah deviasi absolut rata-rata hitung (mean absolute deviation, MAD). MAD dihitung dengan mengambil jumlah nilai absolut dari kesalahan peramalan individu dan membaginya dengan jumlah periode data (n):

commit to user MAD =

c) Kesalahan Kuadrat Rata-rata

Kesalahan kuadrat rata-rata (mean squared error, MSE) adalah cara lain mengukur kesalahan ramalan secara menyeluruh. MSE adalah rata-rata perbedaan kuadrat antara nilai yang diramalkan dan nilai yang diamati. Rumusnya adalah:

MSE =

3) Proyeksi Trend (Trend Projection)

Teknik ini mencocokkan garis trend ke rangkaian titik data historis dan kemudian memproyeksikan garis itu ke dalam ramalan jangka menengah hingga jangka panjang. Beberapa persamaan trend matematis bisa dikembangkan (mis., eksponensial dan kuadratik), tetapi pada bagian ini yang akan dibahas hanya trend linear (garis lurus).

Jika kita memutuskan untuk mengembangkan garis

trend linear dengan metode statistik yang tepat, maka kita

dapat memakai metode kuadrat terkecil (least square

commit to user

meminimalkan jumlah kuadrat perbedaan vertikal dari garis pada setiap observasi aktual.

Garis kuadrat terkecil digambarkan dalam bentuk perpotongan y nya (puncak di mana garis itu memotong sumbu y) dan slope nya (kelandaiannya). Jika perpotongan y dan kelandaiannya bisa dihitung, persamaannya akan menjadi:

= α +

b

x

Di mana:

(disebut “ y topi”) : Nilai variabel yang dihitung untuk diprediksi (disebut variabel tidak bebas)

α : Perpotongan sumbu y

b : Kelandaian garis regresi (atau tingkat perubahan dalam untuk perubahan tertentu dalam x)

x : Variabel bebas (dalam hal ini waktu) Ahli statistik mengembangkan persamaan yang bisa

digunakan untuk memperoleh nilai α dan b untuk garis regresi. Kelandaian b diperoleh dengan:

commit to user

b

=

di mana:

b : Kelandaian garis regresi

: Tanda penjumlahan

x : Nilai variabel bebas

y : Nilai variabel tidak bebas : Rata-rata nilai x

: Rata-rata nilai y

n : Jumlah titik data atau observasi

Perpotongan y bisa dihitung sebagai berikut:

฀ =

-

b

4) Regresi Linear (Linear Regression)

a) Menggunakan Analisis Regresi Linear Untuk Meramal Model matematika yang sama yang kita gunakan dalam metode kuadrat terkecil dari proyeksi trend bisa

commit to user

digunakan untuk melakukan analis regresi linear. Variabel-variabel tidak bebas yang akan diramal tetap . Namun sekarang variabel bebas, x, bukan lagi waktu.

=

฀ +

bx

Di mana:

: Nilai variabel tidak bebas, yaitu penjualan

α : Perpotongan sumbu y b : Kelandaian garis regresi

x : Variabel bebas

b) Kesalahan Standar Estimasi

Untuk mengukur keakuratan estimasi regresi kita perlu menghitung kesalahan standar estimasi (standar

error of estimation), S y,x. Kesalahan standar ini disebut

deviasi standar regresi (standard derivation of the

regression). Persamaan banyak digunakan untuk

menghitung deviasi standar dari rata-rata hitung aritmatik:

S

y,x

=

Di mana:

commit to user

yc : Nilai yang dihitug dari variabel tidak bebas,

dari persamaan regresi

n : jumlah titik data

Persamaan bisa kelihatan lebih komplek, tetapi sebenarnya merupakan versi persamaan dari rumus di atas yang lebih sederhana. Selain memberikan jawaban yang sama, rumus itu bisa digunakan untuk interval prediksi di sekitar estimasi titik.

S

y,x

=

c) Koefisien Korelasi untuk Garis Regresi

Persamaan regresi adalah cara untuk menunjukan sifat hubungan antara dua variabel. Persamaan itu menunjukan bagaimana satu variabel berkaitan dengan nilai dan perubahan di dalam variabel lain.

Cara lain untuk mengevaluasi hubungan di antara dua variabel adalah menghitung koefisien korelasi. Ukuran ini menunjukan derajat atau kekuatan hubungan linear. Biasanya dikenal dengan r, koefisien korelasi nilainya terletak antara +1 dan -1.

commit to user

Untuk menghitung r, kita membutuhkan data yang sama untuk menghitung ฀ dan b untuk garis regresi. Persamaan untuk r adalah:

r

=

Meskipun koefisien korelasi adalah ukuran yang paling umum digunakan untuk menjelaskan hubungan antara dua variabel, ada pula ukuran lain. Ukuran itu disebut koefisien determinasi. Inilah kuadrat koefisien korelasi, r2. Nilai r2 akan selalu berupa angka positif dalam rentang 0 < r2 < 1. Koefisien determinasi adalah persentase variasi dalam variabel tidak bebas (y) yang dijelaskan oleh persamaan regresi.

d) Analisis Regresi Berganda

Regresi berganda (multiple regression) adalah perluasan praktis dari model yang baru saja kita amati. Regresi bertingkat memungkinkan kita membentuk model dengan beberapa variabel bebas. Persamaannya akan menjadi:

commit to user Di mana:

: Variabel tidak bebas

฀ : Perpotongan y

b1 dan b2 : Kelandaian garis regresi

x1dan x2 : Nilai dua variabel bebas, gaji, dan

tingkat bunga

Matematika regresi berganda menjadi cukup rumit (dan biasanya ditangani dengan komputer), sehingga rumus ฀, b1, dan b2 untuk buku teks statistik bisa

diterapkan.

e) Isyarat Arah

Satu cara untuk mematau peramalan untuk menjamin keefektifannya adalah menggunakan isyarat arah. Isyarat arah (tracking signal) adalah pengukuran tentang sejauh mana ramalan memprediksi nilai actual dengan baik. Bila ramalan diperbaharui setiap minggu, bulan, atau kuartal, data permintaan yang baru tersedia dibandingkan dengan nilai ramalan.

Isyarat arah dihitung sebagai jumlah ramalan berjalan

(running sum of the forecast error, RSFE) dibagi dengan

commit to user Isyarat tanda =

=

Di mana:

MAD =

Seperti dalam persamaan deviasi absolute rata-rata hitung.

Isyarat arah positif menunjukan bahwa permintaan lebih besar dari ramalan. Tanda negatif berarti bahwa permitaan kurang dari ramalan. Asyarat arah yang baik, yaitu yang memiliki RSFE rendah, mempunyai bias positif sebanyak bias negatifnya. Dengan kata lain, bias yang kecil tidak masalah, tetapi bias positif dan negatif seharusnya saling menyeimbangkan sehingga tanda penelusuran berada di sekeliling bias nol.

Setelah dihitung, tanda penelusuran lalu dibandingkan dengan batas pengendalian yang telah ditentukan sebelumnya. Bila melebihi batas atas atau batas bawahnya, kelambatan (flag) menjadi keliru. Ini menunjukan masalah dengan metode peramalan. Manajemen ingn mengevaluasi kembali cara meramal permintaan.

commit to user f) Penghalusan Adaptif

Penghalusan adaptif mengacu pada pemantauan komputer dari tanda penelusuran dan penyesuaian diri jika sebuah tanda melewati batasnya semula. Sebagai contoh, bila diaplikasikan pada penghalusan eksponensial, koefisien ฀ pertama-tama dipilih berdasarkan nilai yang meminimalkan ramalan kesalahan, dan kemudian disesuaikan kapan pun menurut komputer mencatat isyarat arah yang salah. Inilah yang disebut penghalusan adaptif.

commit to user B. Kerangka Pemikiran

Informasi Tambahan Data Historis

Data jumlah permintaan Produk Crazer periode sebelumnya

METODE PERAMALAN RATA-RATA BERGERAK DAN

SINGLE EXPONENTIAL SMOOTHING

Peramalan Penjualan

Hasil Ramalan Dengan Menggunakan Metode

Rata-rata Bergerak

Hasil Ramalan Dengan Menggunakan Metode

Exponential Smoothing

Standar Error Standar Error

Ramalan Yang Digunakan Dengan Standar Error Terkecil

commit to user Keterangan:

Setiap perusahaan dalam memasarkan produknya tidak mungkin mengalami kenaikan terus-menerus tetapi pasti mengalami pasang surut. Pada umumnya penjualan produk yang selalu mengalami perubahan pada setiap periode, yang membuat perusahaan perlu melakukan suatu ramalan penjualan. Dalam membuat ramalan penjualan diperlukan data yang ada tentang penjualan produk pada periode sebelumnya. Data yang dikumpulkan di sini adalah data penjualan produk pada bulan Januari 2010 – Maret 2011. Informasi tambahan yang di dapat yaitu informasi tentang kondisi persaingan dalam dunia produksi atau daur ulang produk, yang dapat mempengaruhi dalam melakukan peramalan di masa yang akan datang. Berdasarkan data historis dan informasi tambahan perusahaan dapat membuat ramalan. Dalam penelitian ini untuk membuat ramalan, metode yang digunakan adalah metode rata-rata bergerak yang mengansumsikan bahwa permintaan pasar tetap stabil sepanjang waktu. Di samping itu juga digunakan, metode single exponential

smoothing yang cocok digunakan untuk meramal hal-hal yang

fluktuasinya secara random (tidak teratur). Dengan menetapkan standar error yang terkecil, maka metode peramalan penjualan tersebut yang akan digunakan. Sehingga dapat dibandingkan dengan volume penjualan pada periode yang akan datang.

commit to user BAB III

PEMBAHASAN

A. Gambaran Umum Perusahaan

1. Sejarah Berdirinya CV. Cahaya Jaya Lestari

CV. Cahaya Jaya Lestari berdiri sejak tanggal 7 Februari 2008 yang diprakarsai oleh 3 orang pengusaha di Surakarta, yaitu Chandra Gunawan, Jung Dianto dan Liliek Setiawan. Perusahaan beralamat di Jl.Raya Palur-Sragen KM 8.1 . CV. Cahaya Jaya lestari bergerak di bidang jasa daur ulang plastik (recycle). Sejak tanggal 11 November 2010 sampai sekarang kepemilikan CV. Cahaya Jaya Lestari menjadi 2 orang yaitu Chandra Gunawan dan Jung Dianto, alamat berusahaan berpindah tempat di Kertonatan Boyolali.

2. Visi, Misi, dan Tujuan Perusahaan

Perusahaan CV. Cahaya Jaya Lestari yang berlokasi di Palur, Karanganyar. Selalu waspada dan siap menghadapi tantangan dengan selalu memperhatikan dan berusaha memenuhi kebutuhan serta keinginan pelanggan melalui peningkatan kualitas dan pelayanan. Perusahaan ini didirikan dengan visi dan misi sebagai berikut:

commit to user a. Visi

Menjadi Leading Industry Plastic Recycle b. Misi

1) Meningkatkan mutu pelayanan 2) Meningkatkan kualitas hasil

3) Mendorong kesadaran masyarakat untuk memisahkan sampah organik dan anorganik

c. Tujuan

Adapun tujuan yang ingin dicapai oleh CV. Cahaya Jaya Lestari adalah

1) Mendapatkan keuntungan

2) Memenuhi kebutuhan plastik untuk masyarakat Jawa Tengah khususnya Surakarta.

3) Membantu pemerintah dalam menciptakan lapangan pekerjaan.

4) Membantu pendapatan pemerintah daerah tersebut. 3. Lokasi Perusahaan

Lokasi perusahaan merupakan hal yang penting guna kelancaran proses produksi dan terciptanya tujuan yang diinginkan perusahaan.

commit to user

Adapun lokasi dari CV. Cahaya Jaya Lestari terletak di Jl. Raya Palur-Sragen Km 8,1 Karanganyar, Surakarta. Lokasi perusahaan dinilai cukup strategis, dapat dilihat dari faktor-faktor berikut:

a. Segi Geografis 1) Tenaga Kerja

CV. Cahaya Jaya Lestari didirikan di daerah Palur, Karanganyar. Dilokasi ini tenaga kerja yang berpendidikan rendah, menengah, maupun yang berpendidikan tinggi mudah didapat. Di samping itu tingkat upah tenaga kerja di daerah ini tegolong murah.

2) Bahan Baku

Bahan baku CV. Cahaya Jaya Lestari diperoleh dari beberapa perusahaan sejenis yang berada di Surakarta dan sekitarnya. Lokasi yang mudah dijangkau trasportasi memungkinkan mendatangkan bahan baku dalam waktu yang relatif cepat dan tepat

3) Lingkungan Masyarakat

Sikap masyarakat sekitar yang sangat mendukung berdirinya perusahaan ini, karena dapat menciptakan lapangan pekerjaan dan meningkatkan pendapatan masyarakat sekitar sehingga taraf hidup masyarakat tersebut meningkat.

commit to user b. Segi Ekonomi

1) Sumber Daya Manusia

CV. Cahaya Jaya Lestari terletak di daerah Palur yang merupakan daerah kawasan industri sehingga perijinan untuk mendirikan perusahaan tidak terlalu sulit. Di samping itu, sumber energi yaitu air dan listrik cukup mudah didapat.

2) Transportasi

Dilihat dari faktor transportasi, lokasi CV. Cahaya Jaya Lestari cukup stretegis. Hal ini karena CV. Cahaya Jaya Lestari terletak di pinggir jalan Raya Palur-Sragen Karanganyar, dimana kondisi jalan tersebut sangat baik dan dilewati angkutan umum. Sehingga pengangkutan bahan baku maupun hasil produksi tidak mengalami kesulitan. 3) Pasar

Letak perusahaan yang berada di jalan Raya Palur-Sragen semakin mendukung kelancaran pemasaran dan pendistribusian produk CV. Cahaya Jaya Lestari meliputi daerah Karanganyar yang merupakan pasar terbesar serta daerah-daerah lain sekitar Surakarta.

commit to user 4. Personalia Perusahaan

a) Tenaga Kerja

Berdasarkan data terakhir, jumlah tenaga kerja yang dipekerjakan CV. Cahaya Jaya Lestari berjumlah 13 orang untuk karyawan bagian staf administrasi dan bagian produksi berjumlah 80 orang.

b) Sistem Kerja

Sistem kerja yang ada pada CV. Cahaya Jaya Lestari terdiri dari dua bagian yaitu:

1) Tenaga Kerja Admnistrasi

Tenaga kerja administrasi yaitu tenaga kerja yang menangani administrasi produksi dan administrasi gedung. Tenaga kerja ini tidak turun langsung di bagian produksi.

Pembagian jam kerjanya adalah sebagai berikut: a) Hari Senin – Kamis Jam 08.00 – jam 16.00

Istirahat Jam 12.00 – jam 13.00

b) Hari Jum’at Jam 08.00 – jam 16.00

Istirahat Jam 11.30 – jam 13.00

c) Hari Sabtu Jam 08.00 – jam 16.00

Istirahat Jam 12.00 – jam 13.00

2) Tenaga Kerja Produksi

Tenaga kerja produksi yaitu tenaga kerja yang langsung menangani produksi yang meliputi bagian produksi Crazer,

commit to user

produksi Pelled, HD roll, dan HD last potong. Tenaga kerja memiliki jam kerja sebagai berikut:

Senin - Minggu full 8 jam

Shiff 1 Jam 07.00 – jam 15.00

Shiff 2 Jam 15.00 – jam 23.00

Shiff 3 Jam 23.00 – jam 07.00

Istirahat bergatian 3) Tenaga Kerja Serabutan

Yaitu tenaga kerja yang membantu jalannya proses produksi.

Pembagian jam kerjanya adalah sebagai berikut: a) Hari Senin – Kamis Jam 08.00 – jam 16.00

Istirahat Jam 12.00 – jam 13.00

b) Hari Jum’at Jam 08.00 – jam 16.00

Istirahat Jam 11.30 – jam 13.00

c) Hari Sabtu Jam 08.00 – jam 16.00

Istirahat Jam 12.00 – jam 13.00

5. Struktur Organisasi

Guna menjamin sukses dan lancarnya kegiatan produksi diperlukan suatu organisasi, manajemen, dan struktur organisasi yang baik untuk mencapai tujuan yang diharapkan. Adapun struktur organisasi di CV. Cahaya Jaya Lestari dapat dilihat pada gambar 3.1 berikut ini:

commit to user Gambar 3.1

Struktur Organisasi CV.Cahaya Jaya Lestari

Direktur Utama

Manajer Produksi Manajer Keuangan

Kep Produksi

Pelled

Kep. Produksi

HD

Kepala Gudang

Marketing Kepala

Keuanga n

KA KA

commit to user

Adapun tugas dan wewenang masing-masing jabatan sesuai dengan tingkatannya dalam struktur organisasi perusahaan. Pembagian tugas dijelaskan sebagai berikut:

1. Direktur Utama

Direktur utama merupakan badan tertinggi dalam organisasi perusahaan, yang mempunyai tugas sebagi berikut:

a) Memimpin dan menertibkan pelaksanaan tujuan perusahaan, didasari dengan kebijaksanaan umum yang telah ditetapkan. b) Mengusahakan agar tujuan perusahaan seperti yang

dicantumkan dalam anggaran dasar dapat tercapai.

c) Menilai hasil dari tujuan perusahaan yang dibantu oleh staf ahli produksi dan keuangan.

2. Manajer Produksi

Manajer produksi dalam tugasnya dibantu beberapa kepala bagian sebagai berikut:

a) Kepala produksi pelled, yang bertanggung jawab atas jalannya proses produksi pelled.

b) kepala produksi HD, yang bertanggung jawab atas jalannya proses produksi produk kresek.

c) Kepala gudang, yang bertanggung jawab atas stok dan kelancaran barang untuk kebutuhan perusahaan.

commit to user 3. Manajer Keuangan

Manajer keuangan bertugas mengurusi bidang keuangan. Dibantu oleh kepala keuangan, yang bertugas menyalin laporan keuangan bagi pihak yang bersangkutan dalam perusahaan. 4. Bagian Marketing

Bertugas mengurusi masalah pemasaran serta bertanggung jawab atas hasil penjualan.

2. Kegiatan Produksi

Alur kegiatan produksi CV. Cahaya Jaya Lestari, yaitu: a) Pencacahan Prongkol

b) Pengolahan Caisen (Pelled) c) Pembuatan Plastik Kresek

B. Laporan Magang

1. Pengertian

Magang adalah suatu praktek kerja nyata sebagai persyaratan menyusun tugas akhir yang merupakan salah satu syarat untuk menyelesaikan pendidikan pada program studi D3 Manajemen Pemasaran Fakultas Ekonomi Universitas Sebelas Maret (UNS) Surakarta.

Dengan magang, mahasiswa diharapkan dapat memperoleh media untuk mendapatkan pengalaman kerja dimana hal ini akan

commit to user

dapat melatih kemampuan atau ketrampilan yang nantinya banyak digunakan di bidang usaha atau bidang industri. Selain itu pelaksanaan magang kerja ini dimaksudkan untuk memberikan kesempatan kepada mahasiswa untuk mengamati dilapangan terhadap meteri-materi yang selama ini didapat dibangku kuliyah.

Pada waktu pelaksanaan magang, mahasiswa melakukan penelitian untuk mendapat data yang diperlukan untuk menyusun tugas akahir. Data yang diperoleh akan diolah yang kemudian akan dicari solusi dan penyelesaiannya.

2. Tujuan Magang

a. Mencoba menerapkan ilmu yang didapat dari bangku kuliah dengan realita yang ada di lapangan.

b. Untuk lebih mengenal dan mengetahui lokasi kerja praktek secara umum pada CV. Cahaya Jaya Lestari

c. Agar mahasiswa mengetahui permasalahan-permasalahan yang dihadapai perusahaan dan juga cara pemecahannya. d. Agar mengetahui karakteristik seorang pengusaha atau orang

yang bekerja dalam suatu organisasi.

e. Agar merasakan sendiri situasi dan kondisi kerja yang sebenarnya.

commit to user 3. Lokasi Magang

Kegiatan magang dilakukan di perusahaan daur ulang produk plastik yaitu CV. Cahaya Jaya Lestari, yang terletak di Jl. Raya Palur-Sragen Km 8,1 Karanganyar.

4. Pelaksanaan Magang

Magang dilaksanakan mulai tanggal 15 Februari 2011 sampai 15 Maret 2011. Kegiatan yang dilakukan pada saat magang antara lain:

1) Pengenalan terhadap karyawan CV. Cahaya Jaya Lestari, baik karyawan bagian staf, pemasaran, maupun produksi.

2) Pengenalan tempat-tempat berlangsungnya proses produksi. 3) Pengenalan produk-produk yang dihasilkan CV. Cahaya Jaya

Lestari.

4) Pemberitahuan tentang proses produksi. 5) Melihat proses produksi

Dalam kegiatan magang kerja, penulis didampingi staf perusahaan untuk membantu kegiatan kerjanya. Dalam pelaksanaan kegiatan magang kerja yang dilakukan penulis jadwal kegiatannya tidak terstruktur, sehingga banyak waktu luang yang didapat penulis dimanfaatkan untuk melihat sendiri jalannya proses pemasaran yang dilaksanakan oleh perusahaan.

commit to user

mengetahui penerapan materi-materi yang didapat selama masa perkuliahan dan menambah pengetahuan serta pengalaman dalam dunia kerja sesungguhnya.

C. Pembahasan Masalah

Dalam analisis dan pembahasan ini penulis akan menghitung ramalan penjualan produk Crazer pada bulan April 2011, dengan menggunakan data sekunder yang telah diperoleh dari CV. Cahaya Jaya Lestari. Penulis menggunakan metode Moving Average, Karena metode ini cocok digunakan untuk melakukan forecast hal-hal yang bersifat random, artinya tidak ada gejala trend naik maupun turun, musiman dan sebagainya, melainkan sulit diketahui polanya dan menggunakan metode Single Exponential Smoothing, karena metode ini juga cocok digunakan untuk meramal hal-hal yang fluktuasinya secara random (tidak teratur).

commit to user

Data historis yang telah diperoleh dari CV. Cahaya Jaya Lestari yaitu:

TABEL 3.1

PENJUALAN PRODUK CRAZER TAHUN 2010/2011 CV. CAHAYA JAYA LESTARI

Sumber : CV. Cahaya Jaya Lestari

Bulan Jumlah Penjualan (Kg) Jumlah Penjualan (Rp)

Januari 2010 21,877.30 10,952,315.00

Februari 20,828.50 10,552,375.00

Maret 23,378.00 11,940,150.00

April 29,837.10 14,881,280.00

Mei 21,274.82 10,616,205.00

Juni 18,183.40 9,158,070.00

Juli 20,375.50 10,182,050.00

Agustus 21,112.50 11,028,575.00

September 7,623.00 4,412,975.00

Oktober 16,610.30 9,288,445.00

November 20,992.25 11,144,863.00

Desember 10,497.60 5,425,780.00

Januari 2011 20,112.30 10,285,215.00

Februari 20,750.38 10,526,382.00

Maret 21,045.30 10,958,685.00

Jumlah 294,498.25 151,353,365.00

commit to user

Dari data di atas dapat diketahui bahwa penjualan yang terjadi di CV. Cahaya Jaya Lestari mengalami perubahan kenaikan maupun penurunan dapat dikatakan cenderung berfluktuatif. Hal ini terjadi karena faktor kebutuhan konsumen dan persaingan dengan perusahaan sejenis. Untuk menghitung perubahan yang terjdi, menggunakan rumus

=

Dilihat dari hasil penjualan bulan sebelumnya, penjualan pada bulan Februari 2010 mengalami penurunan sebesar 3.65%, pada bulan Maret mengalami kenaikan sebesar 13.15%, pada bulan April mengalami kenaikan sebesar 24.63%, pada bulan Mei mengalami penurunan sebesar 28.66%, pada bulan Juni mengalami penurunan sebesar 13.73%, pada bulan Juli mengalami kenaikan sebesar 11.18%, pada bulan Agustus mengalami kenaikan sebesar 8.31%, pada bulan September mengalami penurunan sebesar 59.99%, pada bulan Oktober mengalami kenaikan sebesar 110.48%, pada bulan November mengalami kenaikan sebesar 19.99%, pada bulan Desember mengalami penurunan sebesar 51.32%, pada bulan Januari 2011 mengalami kenaikan sebesar 89.56%, pada bulan Februari mengalami kenaikan sebesar 2.34%, pada bulan Maret mengalami kenaikan sebesar 4.11%.

Pada bulan-bulan tertentu terjadi perubahan yang cukup signifikan, seperti halnya pada bulan April 2010 yang mengalami kenaikan

commit to user

penjualan sampai Rp. 14,881,280.00 dikarenakan pada bulan tersebut banyak perusahan yang membutuhkan produk Crazer untuk melengkapi produk yang akan mereka produksi sehingga terjadi banyaknya pemesanan. Sedangkan pada bulan September 2010 mengalami penurunan penjualan yang cukup drastis hanya Rp. 4,412,975.00 dikarenakan pada bulan tersebut ada hari raya Idul Fitri sehingga perusahaan libur dalam waktu yang cukup lama.

Berikut ini dilakukan peramalan penjualan dengan: 1. Metode Moving Average

a. Moving Average 3 bulan b. Moving Average 5 bulan 2. Metode Exponential Smoothing

a. Penghalusan α = 0,05 b. Penghalusan α = 0,10 c. Penghalusan α = 0,50

1. Metode Rata-rata Bergerak (Moving Average) Rumus :

commit to user a. Untuk 3 bulan Moving Average

Forecast April 2010

= = 11,148,280.00

Forecast Mei 2010

= = 12,457,935.00

Forecast Juni 2010

= = 12,479,211.67

Forecast Juli 2010

= = 11,551,851.67

Forecast Agustus 2010

= = 9,985,441.67

Forecast September 2010

= = 10,122,898.33

Forecast Oktober 2010

= = 8,541,200.00

Forecast November 2010

= = 8,243,331.67

Forecast Desember 2010

commit to user

Forecast Januari 2011

= = 8,619,696.00

Forecast Februari 2011

= = 8,951,952.67

Forecast Maret 2011

= = 8,745,792.33

Untuk membuat forecast bulan April 2011 adalah

Forecast April 2011

= = 10,590,094.00

Jadi Forecast bulan April 2011 yaitu Rp. 10,590,094.00

b. Untuk 5 bulan Moving Average

Forecast Juni 2010

=

= 11,788,465.00

Forecast Juli 2010

=

commit to user

Forecast Agustus 2010

=

= 11,355,551.00

Forecast September 2010

=

= 11,173,236.00

Forecast Oktober 2010

=

= 9,079,575.00

Forecast November 2010

=

= 8,814,023.00

Forecast Desember 2010

=

= 9,211,381.60

Forecast Januari 2011

=

= 8,260,127.60

Forecast Februari 2011

=

commit to user

Forecast Maret 2011

=

= 9,334,137.00

Untuk membuat forecast bulan April 2011 adalah

Forecast April 2011

=

= 9,668,185.00

commit to user TABEL 3.2

PERAMALAN PENJUALAN PRODUK CRAZER TAHUN 2010/2011

Bulan Penjualan 3 bulan Moving Average 5 bulan Moving Average

Forecast Error Deviasi Absolut (Error)² Forecast Error Deviasi Absolut (Error)²

Januari 2010

10,952,315.00 -

- - - - - - - Februari

10,552,375.00 -

- - - - - - - Maret

11,940,150.00 -

- - - - - - - April

14,881,280.00

11,148,280.00 3,733,000.00 3,733,000.00 13,935,289,000,000.00 - - - - Mei

10,616,205.00

12,457,935.00 -1,841,730.00 1,841,730.00 3,391,969,392,900.00 - - - - Juni

9,158,070.00

12,479,211.67 -3,321,141.67 3,321,141.67 11,029,981,970,069.40 11,788,465.00 -2,630,395.00 2,630,395.00 6,918,977,856,025.00 Juli

10,182,050.00

11,551,851.67 -1,369,801.67 1,369,801.67 1,876,356,606,002.78 11,429,616.00 -1,247,566.00 1,247,566.00 1,556,420,924,356.00 Agustus

11,028,575.00

9,985,441.67 1,043,133.33 1,043,133.33 1,088,127,151,111.11 11,355,551.00 -326,976.00 326,976.00 106,913,304,576.00 September

4,412,975.00

10,122,898.33 -5,709,923.33 5,709,923.33 32,603,224,472,544.50 11,173,236.00 -6,760,261.00 6,760,261.00 45,701,128,788,121.00 Oktober

9,288,445.00

8,541,200.00 747,245.00 747,245.00 558,375,090,025.00 9,079,575.00 208,870.00 208,870.00 43,626,676,900.00 November

11,144,863.00

8,243,331.67 2,901,531.33 2,901,531.33 8,418,884,078,315.11 8,814,023.00 2,330,840.00 2,330,840.00 5,432,815,105,600.00 Desember

5,425,780.00

8,282,094.33 -2,856,314.33 2,856,314.33 8,158,531,570,805.44 9,211,381.60 -3,785,601.60 3,785,601.60 14,330,779,473,922.60 Januari 2011

10,285,215.00

8,619,696.00 1,665,519.00 1,665,519.00 2,773,953,539,361.00 8,260,127.60 2,025,087.40 2,025,087.40 4,100,978,977,638.76 Februari

10,526,382.00

8,951,952.67 1,574,429.33 1,574,429.33 2,478,827,725,660.45 8,111,455.60 2,414,926.40 2,414,926.40 5,831,869,517,416.96 Maret

10,958,685.00

8,745,792.33 2,212,892.67 2,212,892.67 4,896,893,954,187.11 9,334,137.00 1,624,548.00 1,624,548.00 2,639,156,204,304.00 Jumlah

151,353,365.00

119,129,685.33 -1,221,160.33 28,976,661.67 91,210,414,550,981.90 98,557,567.80 -6,146,527.80 23,355,071.40 86,662,666,828,860.30 Rata-rata

10,090,224.33

9,927,473.78 -101,763.36 2,414,721.81 7,600,867,879,248.49 9,855,756.78 -614,652.78 2,335,507.14 8,666,266,682,886.03 Sumber : Data sekunder yang diolah, 2011

commit to user Gambar 3.2

Grafik Fofecast Moving Average

Produk Crazer

2. Metode Exponential Smoothing

Rumus =

F

t

=

F

t-1

+ α (

A

t-1

–

F

t-1

)

a. Penghalusan α = 0.05

Forecast Maret 2010

= 10,952,315.00 + 0.05 (10,552,375.00 – 10,952,315.00) = 10,932,318.00

commit to user

= 10,932,318.00 + 0.05 (11,940,150.00 – 10,932,318.00) = 10,982,709.60

Forecast Mei 2010

= 10,982,709.60 + 0.05 (14,881,280.00 – 10,982,709.60) = 11,177,638.12

Forecast Juni 2010

= 11,177,638.12 + 0.05 (10,616,205.00 – 11,177,638.12) = 11,149,566.46

Forecast Juli 2010

= 11,149,566.46 + 0.05 (9,158,070.00 – 11,149,566.46) = 11,049,991.64

Forecast Agustus 2010

= 11,049,991.64 + 0.05 (10,182,050.00 – 11,049,991.64) = 11,006,594.56

Forecast September 2010

= 11,006,594.56 + 0.05 (11,028,575.00 – 11,006,594.56) = 11,007,693.58

Forecast Oktober 2010

= 11,007,693.58 + 0.05 (4,412,975.00 – 11,007,698.58) = 10,677,957.65

Forecast November 2010

= 10,677,957.65 + 0.05 (9,288,445.00 – 10,677,957.65) = 10,608,482.02

commit to user

Forecast Desember 2010

= 10,608,482.02 + 0.05 (11,144,863.00 – 10,608,482.02) = 10,635,301.07

Forecast Januari 2011

= 10,635,301.07 + 0.05 (5,425,780.00 – 10,635,301.07) = 10,374,825.01

Forecast Februari 2011

= 10,374,825.01 + 0.05 (10,285,215.00 – 10,374,825.01) = 10,370,344.51

Forecast Maret 2011

= 10,370,344.51 + 0.05 (10,526,382.00 – 10,370,344.51) = 10,378,146.39

Untuk membuat forecast bulan April 2011 adalah

Forecast April 2011

= 10,378,146.39 + 0.05 (10,958,685.00 – 10,378,146.39) = 10,407,173.32

Jadi forecast untuk bulan April yaitu Rp. 10,407,173.32

b. Penghalusan α = 0.10

Forecast Maret 2010

commit to user

Forecast Agustus 2010

=

= 11,355,551.00

Forecast September 2010

=

= 11,173,236.00

Forecast Oktober 2010

=

= 9,079,575.00

Forecast November 2010

=

= 8,814,023.00

Forecast Desember 2010

=

= 9,211,381.60

Forecast Januari 2011

=

= 8,260,127.60

Forecast Februari 2011

=

commit to user

Forecast Maret 2011

=

= 9,334,137.00

Untuk membuat forecast bulan April 2011 adalah

Forecast April 2011

=

= 9,668,185.00

commit to user

TABEL 3.2

PERAMALAN PENJUALAN PRODUK CRAZER

TAHUN 2010/2011

Bulan Penjualan 3 bulan Moving Average 5 bulan Moving Average

Forecast Error Deviasi Absolut (Error)² Forecast Error Deviasi Absolut (Error)²

Januari 2010

10,952,315.00 -

- - - - - - -

Februari

10,552,375.00 -

- - - - - - -

Maret

11,940,150.00 -

- - - - - - -

April

14,881,280.00

11,148,280.00 3,733,000.00 3,733,000.00 13,935,289,000,000.00 - - - - Mei

10,616,205.00

12,457,935.00 -1,841,730.00 1,841,730.00 3,391,969,392,900.00 - - - - Juni

9,158,070.00

12,479,211.67 -3,321,141.67 3,321,141.67 11,029,981,970,069.40 11,788,465.00 -2,630,395.00 2,630,395.00 6,918,977,856,025.00 Juli

10,182,050.00

11,551,851.67 -1,369,801.67 1,369,801.67 1,876,356,606,002.78 11,429,616.00 -1,247,566.00 1,247,566.00 1,556,420,924,356.00 Agustus

11,028,575.00

9,985,441.67 1,043,133.33 1,043,133.33 1,088,127,151,111.11 11,355,551.00 -326,976.00 326,976.00 106,913,304,576.00 September

4,412,975.00

10,122,898.33 -5,709,923.33 5,709,923.33 32,603,224,472,544.50 11,173,236.00 -6,760,261.00 6,760,261.00 45,701,128,788,121.00 Oktober

9,288,445.00

8,541,200.00 747,245.00 747,245.00 558,375,090,025.00 9,079,575.00 208,870.00 208,870.00 43,626,676,900.00 November

11,144,863.00

8,243,331.67 2,901,531.33 2,901,531.33 8,418,884,078,315.11 8,814,023.00 2,330,840.00 2,330,840.00 5,432,815,105,600.00 Desember

5,425,780.00

8,282,094.33 -2,856,314.33 2,856,314.33 8,158,531,570,805.44 9,211,381.60 -3,785,601.60 3,785,601.60 14,330,779,473,922.60 Januari 2011

10,285,215.00

8,619,696.00 1,665,519.00 1,665,519.00 2,773,953,539,361.00 8,260,127.60 2,025,087.40 2,025,087.40 4,100,978,977,638.76 Februari

10,526,382.00

8,951,952.67 1,574,429.33 1,574,429.33 2,478,827,725,660.45 8,111,455.60 2,414,926.40 2,414,926.40 5,831,869,517,416.96 Maret

10,958,685.00

8,745,792.33 2,212,892.67 2,212,892.67 4,896,893,954,187.11 9,334,137.00 1,624,548.00 1,624,548.00 2,639,156,204,304.00 Jumlah

151,353,365.00

119,129,685.33 -1,221,160.33 28,976,661.67 91,210,414,550,981.90 98,557,567.80 -6,146,527.80 23,355,071.40 86,662,666,828,860.30

Rata-rata

10,090,224.33

9,927,473.78 -101,763.36 2,414,721.81 7,600,867,879,248.49 9,855,756.78 -614,652.78 2,335,507.14 8,666,266,682,886.03

commit to user

Gambar 3.2

Grafik Fofecast Moving Average

Produk Crazer

2. Metode Exponential Smoothing

Rumus =

F

t

=

F

t-1 + α (

A

t-1

–

F

t-1

)

a.

Penghalusan α = 0.

05

Forecast Maret 2010

= 10,952,315.00 + 0.05 (10,552,375.00 – 10,952,315.00)

= 10,932,318.00

commit to user

= 10,932,318.00 + 0.05 (11,940,150.00 – 10,932,318.00)

= 10,982,709.60

Forecast Mei 2010

= 10,982,709.60 + 0.05 (14,881,280.00 – 10,982,709.60)

= 11,177,638.12

Forecast Juni 2010

= 11,177,638.12 + 0.05 (10,616,205.00 – 11,177,638.12)

= 11,149,566.46

Forecast Juli 2010

= 11,149,566.46 + 0.05 (9,158,070.00 – 11,149,566.46)

= 11,049,991.64

Forecast Agustus 2010

= 11,049,991.64 + 0.05 (10,182,050.00 – 11,049,991.64)

= 11,006,594.56

Forecast September 2010

= 11,006,594.56 + 0.05 (11,028,575.00 – 11,006,594.56)

= 11,007,693.58

Forecast Oktober 2010

= 11,007,693.58 + 0.05 (4,412,975.00 – 11,007,698.58)

= 10,677,957.65

Forecast November 2010

= 10,677,957.65 + 0.05 (9,288,445.00 – 10,677,957.65)

= 10,608,482.02

commit to user

Forecast Desember 2010

= 10,608,482.02 + 0.05 (11,144,863.00 – 10,608,482.02)

= 10,635,301.07

Forecast Januari 2011

= 10,635,301.07 + 0.05 (5,425,780.00 – 10,635,301.07)

= 10,374,825.01

Forecast Februari 2011

= 10,374,825.01 + 0.05 (10,285,215.00 – 10,374,825.01)

= 10,370,344.51

Forecast Maret 2011

= 10,370,344.51 + 0.05 (10,526,382.00 – 10,370,344.51)

= 10,378,146.39

Untuk membuat forecast bulan April 2011 adalah

Forecast April 2011

= 10,378,146.39 + 0.05 (10,958,685.00 – 10,378,146.39)

= 10,407,173.32

Jadi forecast untuk bulan April yaitu

Rp. 10,407,173.32

b.

Penghalusan α = 0.

10

Forecast Maret 2010