“Peramalan Jumlah Produksi Kain Grey (Mentah) Pada Departemen Weaving Pt Sinar Surya Indah Lestari Telukan Sukoharjo” bab 1

commit to user BAB I

PENDAHULUAN

A. Latar Belakang

Pada jaman globalisasi yang semakin maju ini, persaingan usaha dalam sektor perindustrian semakin ketat.Perusahaan-perusahaan beroperasi dan saling berlomba untuk dapat meningkatkan produktivitas perusahaan.Tidak hanya perusahaan-perusahaan besar, perusahaan kecil dan menengah pun mengalaminya.Diantara persaingan-persaingan antara perusahaan yaitu persaingan untuk memberikan kualitas produk yang baik, persaingan untuk mendapatkan loyalitas dari konsumen, persaingan dalam memberikan pelayanan yang baik kepada konsumen (tepat waktu dan tepat jumlah), dan persaingan untuk mendapatkan pangsa pasar yang banyak.

Begitu pula dengan industri tekstil, keberadaan suatu perusahaan untuk bertahan hidup sangat bergantung kepada pangsa pasar yang dimiliki. Begitu pentingnya peran dari pangsa pasar yang dimiliki, perusahaan akan berusaha untuk dapat mempertahankan loyalitas pangsa pasar. Diantaranya dengan memberikan pelayanan dengan baik.Pelayanan yang baik dapat berupa tersedianya produk perusahaan yang merupakan permintaan dari konsumen.

Permintaan akan produk dari konsumen merupakan salah satu faktor keberadaan suatu perusahaan. Ketersediaan suatu produk merupakan hal yang sangat penting untuk dapat menarik pasar agar tidak berpaling dari perusahaan.

commit to user

Permintaan produk dari suatu konsumen sangat sulit untuk ditebak. Mulai dari jenis produk yang akan dipesan sampai pada jumlah permintaan produk. Dalam hal ini suatu perusahaan harus mempunyai perkiraan atau prediksi jumlah produksi yang dapat memudahkan perusahaan dalam hal rencana produksi.

Peramalan adalah sebuah prediksi mengenai apa yang akan terjadi di masa yang akan datang (Bernard W.Taylor III. 2001: 476). Dengan peramalan produksi, perusahaan akan lebih mudah untuk mengetahui berapa jumlah produksi untuk periode berikutnya. Sehingga permintaan dari konsumen dapat teratasi dan tidak membuat konsumen menjadi kecewa.

Perkiraan atau peramalan jumlah produksi dapat mempermudah perusahaan dalam mengendalikan produksi agar tidak mengalami kekosongan produk dan menghindari lamanya penjualan produk.Peramalan dapat mengarahkan keputusan dalam berbagai bidang. Dalam bidang kapasitas, apabila kapasitas suatu barang tidak tepat, akan muncul masalah-masalah seperti pengiriman yang tidak terjamin, kehilangan pelanggan, dan kehilangan pangsa pasar (Heizer Render. 2001:48). Dalam bidang sumber daya manusia, memperkerjakan, melatih, dan memberhentikan para pekerja tergantung pada permintaan produk yang diantisipasi. Jika departemen sumber daya manusia harus menambah pekerja tanpa ada pembatasan, jumlah pelatihan menurun dan mutu angkatan kerja merosot (Heizer Render. 2001:48).

PT Sinar Surya Indah Lestari belum melakukan peramalan dalam hal

commit to user

grey perusahaan tersebut karena melihat faktor-faktor yang telah diungkapkan

di atas.

PT Sinar Surya Indah Lestari yang beralamatkan di jalan raya Solo-Sukoharjo km 7,2 Telukan Grogol Solo-Sukoharjo merupakan perusahaan tekstil

yang memproduksi berbagai macam kain grey (mentah). Pada PT Sinar Surya

Indah Lestari Sukoharjo masih belum mengalami kelancaran dalam hal

memenuhi permintaan produk kain grey (mentah) kepada konsumen,

dikarenakan kurang cepatnya perusahaan dalam memenuhi permintaan produk

kain grey kepada konsumen.Dalam produksi kain grey, perusahaan ini sangat

tergantung pada permintaan konsumen saat memesan. Pada saat konsumen memesan produk yang diinginkan, perusahaan Sinar Surya Indah Lestari pada

bagian weaving baru akan memproduksi kain grey yang dibutuhkan

konsumen. Sehingga konsumen yang ingin segera membeli kain grey pada

perusahaan Sinar Surya Indah Lestari harus menunggu terlebih dahulu produk diproduksi untuk beberapa waktu.

Metode peramalan mengenai jumlah produksi pada PT Sinar Surya Indah Lestari sangat diperlukan untuk mengurangi hal-hal seperti kurang

cepatnya dalam memenuhi permintaan produk kain grey kepada konsumen

dan tidak terpenuhinya permintaan produk kepada konsumen. Dengan menggunakan metode peramalan jumlah produksi, diharapkan dapat mengurangi hal-hal yang kurang menguntungkan untuk perusahaan.

Terdapat dua metode dalam peramalan, yaitu metode seri waktu dan metode kausal.Metode seri waktu merupakan suatu peramalan dengan menggunakan seri data masa lalu (Heizer, Render. 2001:49).Metode yang

commit to user

termasuk dalam metode seri waktu diantaranya yaitu metode rata-rata

bergerak sederhana (single moving average), rata-rata tertimbang (weighted

moving average), penghalusan eksponensial (exponential smoothing), dan

proyeksi tren (trend projection).Sedangkan metode kausal (regresi linier)

bergabung menjadi model variabel atau hubungan yang bisa mempengaruhi jumlah yang sedang diramalkan (Heizer, Render. 2001:50).Dalam penelitian yang dilakukan, penulis tidak menggunakan metode kausal (regresi linier),

karena data yang diolah adalah data rekapitulasi hasil foldingtahun 2012 pada

departemen weaving.Sehingga penulis menggunakan metode seri waktu untuk

menganalisis data laporan produksi departemen weaving PT Sinar Surya Indah

Lestari.

Berdasarkan latar belakang di atas, penulis berkeinginan untuk

mengambil judul “PERAMALAN JUMLAH PRODUKSI KAIN GREY

(MENTAH) PADA DEPARTEMEN WEAVING PT SINAR SURYA INDAH

LESTARI TELUKAN SUKOHARJO”.

B. Rumusan Masalah

Berdasarkan latar belakang yang telah dikemukakan di atas, permasalahan yang dapat dirumusakan dalam penelitian ini yaitu sebagai berikut :

1. Berapakah peramalan jumlah produksi kain grey dengan menggunakan

metode single moving average, weighted moving average, exponential

commit to user

2. Berapakah error (kesalahan) dari peramalan jumlah produksi kain grey

dengan menggunakan metode single moving average, weighted moving

average, exponential smoothing, dan proyeksi trend?

3. Metode apakah yang tepat untuk melakukan perhitungan peramalan

jumlah produksi kain grey bulan selanjutnya?

C. Tujuan Penelitian

Adapun tujuan yang ingin dicapai dalam penelitian ini yaitu :

1. Untuk mengetahui jumlah produksi kain grey yang diramalkan pada bulan

Januari tahun 2013 dengan menggunakan metode single moving average,

weighted moving average, exponential smoothing,dan proyeksi trend.

2. Untuk mengetahui error (kesalahan) dari metode single moving average,

weighted moving average, exponential smoothing, dan proyeksi trend.

3. Untuk mengetahui metode yang tepat digunakan dalam menghitung

peramalan jumlah produksi kain grey pada bulan berikutnya.

D. Manfaat Penelitian

Hasil dari penelitian yang telah dilakukan ini, diharapkan dapat memberikan manfaat sebagai berikut:

1. Manfaat praktis

a. Dapat menjadi bahan pertimbangan perusahaan tekstil PT Sinar Surya

Indah Lestari dalam mengambil keputusan mengenai peramalan kain

commit to user

b. Dapat digunakan untuk mengetahui peramalan jumlah produksi kain

grey di perusahaan tekstil PT Sinar Surya Indah Lestari untuk periode

berikutnya.

c. Memberikan metode peramalan yang tepat dalam melakukan

perhitungan peramalan kain grey periode selanjutnya.

2. Manfaat teoritis

a. Menambah ilmu pengetahuan dan wawasan tentang peramalan dan

cara penggunaan peramalan yang baik dan benar.

E. Metode Penelitian

1. Desain Penelitian

Desain penelitian yang dilakukan penulis dalam penelitian ini yaitu dengan mengumpulkan data yang dapat digunakan untuk mengolah data peramalan PT Sinar Surya Indah Lestari.

2. Objek Penelitian

Perusahaan yang menjadi objek penelitian yaitu perusahaan Sinar Surya Indah Lestari yang merupakan perusahaan manufaktur yang bergerak dibidang tekstil. Perusahaan Sinar Surya Indah Lestari beralamatkan di jalan Solo-Sukoharjo km 7,2 Telukan, Grogol, Sukoharjo.

3. Jenis dan Sumber Data

Jenis dan sumber data yang dilakukan dalam penelitian ini yaitu :

a. Data Primer

Data primer merupakan data yang langsung diambil dan bersumber dari perusahaan.Data yang diperlukan dalam penelitian ini berupa data

commit to user

laporan produksi departemen weavingselama satu tahun pada tahun

2012, sejarah berdirinya perusahaan, deskripsi pekerjaan di

perusahaan, struktur organisasi departemen weaving, dan struktur

organisasi perusahaan.

4. Metode Pengumpulan Data

Metode untuk mengumpulkan data dalam penelitian ini antara lain :

a. Observasi

Teknik pengumpulan data dengan cara pengamatan langsung pada masalah yang diteliti mengenai cara kerja karyawan pada bagian

weaving.

b. Wawancara

Teknik pengumpulan data dengan cara melakukan tanya jawab dengan pihak yang terkait dalam perusahaan mengenai aspek pemilihan lokasi perusahaan dan peralatan (mesin) produksi.

F. Metode Pembahasan

1. Metode-metode Peramalan

Pada penelitian yang telah dilakukan, penulis menggunakan metode

rata-rata bergerak sederhana (single moving averages), rata-rata bergerak

tertimbang (weighted moving averages), penghalusan eksponensial

commit to user

Berikut beberapa metode pembahasan yang digunakan :

a. Rata-rata bergerak sederhana (single moving average)

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

Rata-rata bergerak sederhana =

Di mana n adalah jumlah periode dalam rata-rata bergerak.

b. Rata-rata bergerak tertimbang (weighted moving average)

Timbangan bisa digunakan untuk menempatkan lebih banyak tekanan pada nilai baru.Pilihan timbangan 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)

ditunjukkan secara matematis dengan : Rata-ratabergerak =

c. Penghalusan eksponensial (exponential smoothing)

Penghalusan eksponensial (exponential smoothing) merupakan

metode peramalan yang mudah digunakan dan efisien apabila dilakukan dengan komputer.Metode ini mencakup pemeliharaan data masa lalu yang sangat sedikit.

commit to user

Rumus penghalusan eksponensial 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.

Persamaan di atas dapat ditulis secara matematis dengan : F t = F t-1 + α (A t-1 – F t-1)

Di mana :

F t = ramalan baru,

F t-1 = ramalan sebelumnya

α = konstanta penghalusan

A t-1 = permintaan aktual periode sebelumnya

d. Proyeksi trend

Metode peramalan seri waktu proyeksi trend 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, tetapi pada bagian ini hanya akan membahas trend linier (garis linier). Ketika memutuskan untuk mengembangkan garis trend linier dengan metode statistik yang tepat, maka dapat menggunakan metode kuadrat terkecil

(least-square method). Pendekatan ini menghasilkan garis lurus yang

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

commit to user

Garis kuadrat terkecil digambarkan dalam bentuk perpotongan y-nya

(puncak di mana garis memotong sumbu y) dan slope-nya

(kelandaiannya). Jika perpotongan y dan kelandaiannya bisa dihitung, persamaannya yaitu :

ŷ= α + bx

di mana :

ŷ (disebut “y topi”) = nilai variabel yang dihitung untuk diprediksi

(disebut variabel tidak bebas)

α = perpotongan sumbu y

b =kelandaian garis regresi (tingkat perubahan

dalam untuk untuk ŷ perubahan tertentu dalam

x)

x = variabel bebas (waktu)

Ahli statistik mengembangkan persamaan yang bisa digunakan untuk

memperoleh nilai α dan b untuk garis regresi. Kelandaian b diperoleh

dengan :

di mana :

b = kelandaian garis regresi

∑ = tanda penjumlahan

x = nilai variabel bebas y = nilai variabel tidak bebas

commit to user

Perpotongan y bisa dihitung dengan α =

2. Pengukuran Kesalahan Peramalan

Render Heizer (2001:56) mengemukakan kesalahan peramalan adalah hasil perhitungan pengurangan dari permintaan aktual dengan nilai peramalan.

Agar lebih meyakinkan suatu peramalan dapat berjalan dengan baik, maka diperlukan perhitungan yang dapat dipakai untuk membandingkan model peramalan yang berbeda dan untuk mengawasi peramalan.

Render Heizer (2001:56) mengemukakan beberapa perhitungan kesalahan peramalan, yaitu :

a. Deviasi absolut rata-rata hitung (Mean Absolute Deviation-MAD)

Keterangan : n = jumlah periode data

Nilai MAD dihitung dengan mengambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode data (n)

b. Kesalahan kuadrat rata-rata (Mean Squared Error-MSE)

Merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rata-rata perbedaan kuadrat antara nilai yang diramalkan dan diamati.

Rumus MSE

commit to user

Kekurangan dari MSE adalah cenderung menonjolkan deviasi yang besar karena adanya pengkuadratan.

G. Kerangka Pemikiran

Kerangka pemikiran penelitian ini dapat digambarkan sebagai berikut :

Gambar 1.1 Kerangka Pemikiran

Keterangan :

Perhitungan peramalan jumlah produksi pada PT Sinar Surya Indah

Lestari Telukan Sukoharjo diawali dengan meminta data produksi kain grey

(mentah) tahun lalu pada divisi weaving. Setelah mengetahui data produksi

kain grey di perusahaan, langkah selanjutnya yaitu mengolah data produksi

tersebut dengan menggunakan berbagai metode peramalan, diantaranya yaitu Perhitungan kesalahan peramalan

Data rekapitulasi hasil folding tahun 2012

Perhitungan jumlah peramalan dengan

menggunakan metode single moving

average, weighted moving average,

exponential smoothing, dan proyeksi trend

Pemilihan metode peramalan yang tepat

commit to user

metode single moving average (rata-rata bergerak sederhana), weighted

movingaverage (rata-rata bergerak tertimbang), exponential smoothing

(penghalusan eksponensial), dan proyeksi trend.

Setelah menggunakan berbagai metode untuk menghitung peramalan produksi, kemudian dicari pengukuran kesalahan peramalan untuk masing-masing metode.Dari pengukuran kesalahan peramalan tersebut, dipilih

kesalahan peramalan (error) dengan tingkat kesalahan paling kecil.

Setelah menghitung peramalan jumlah produksi dan menentukan tingkat kesalahan terkecil, maka dapat dipilih metode peramalan yang tepat berdasarkan kesalahan peramalan terkecil.

Setelah mengetahui metode peramalan dan tingkat kesalahan, maka diambilkeputusan untuk menentukan jumlah peramalan produksi periode selanjutnya.

Berikut beberapa metode pembahasan yang digunakan :

a. Rata-rata bergerak sederhana (single moving average)

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

Rata-rata bergerak sederhana =

Di mana n adalah jumlah periode dalam rata-rata bergerak. b. Rata-rata bergerak tertimbang (weighted moving average)

Timbangan bisa digunakan untuk menempatkan lebih banyak tekanan pada nilai baru.Pilihan timbangan 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) ditunjukkan secara matematis dengan :

Rata-ratabergerak =

c. Penghalusan eksponensial (exponential smoothing)

Penghalusan eksponensial (exponential smoothing) merupakan metode peramalan yang mudah digunakan dan efisien apabila dilakukan dengan komputer.Metode ini mencakup pemeliharaan data masa lalu yang sangat sedikit.

commit to user

Rumus penghalusan eksponensial 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.

Persamaan di atas dapat ditulis secara matematis dengan : F t = F t-1 + α (A t-1 – F t-1)

Di mana :

F t = ramalan baru,

F t-1 = ramalan sebelumnya

α = konstanta penghalusan

A t-1 = permintaan aktual periode sebelumnya

d. Proyeksi trend

Metode peramalan seri waktu proyeksi trend 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, tetapi pada bagian ini hanya akan membahas trend linier (garis linier). Ketika memutuskan untuk mengembangkan garis trend linier dengan metode statistik yang tepat, maka dapat menggunakan metode kuadrat terkecil (least-square method). Pendekatan ini menghasilkan garis lurus yang meminimalkan jumlah kuadrat perbedaan vertikal dari garis pada setiap observasi aktual.

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

ŷ= α + bx di mana :

ŷ (disebut “y topi”) = nilai variabel yang dihitung untuk diprediksi (disebut variabel tidak bebas)

α = perpotongan sumbu y

b =kelandaian garis regresi (tingkat perubahan dalam untuk untuk ŷ perubahan tertentu dalam x)

x = variabel bebas (waktu)

Ahli statistik mengembangkan persamaan yang bisa digunakan untuk memperoleh nilai α dan b untuk garis regresi. Kelandaian b diperoleh dengan :

di mana :

b = kelandaian garis regresi

∑ = tanda penjumlahan

x = nilai variabel bebas y = nilai variabel tidak bebas

commit to user Perpotongan y bisa dihitung dengan α =

2. Pengukuran Kesalahan Peramalan

Render Heizer (2001:56) mengemukakan kesalahan peramalan adalah hasil perhitungan pengurangan dari permintaan aktual dengan nilai peramalan.

Agar lebih meyakinkan suatu peramalan dapat berjalan dengan baik, maka diperlukan perhitungan yang dapat dipakai untuk membandingkan model peramalan yang berbeda dan untuk mengawasi peramalan.

Render Heizer (2001:56) mengemukakan beberapa perhitungan kesalahan peramalan, yaitu :

a. Deviasi absolut rata-rata hitung (Mean Absolute Deviation-MAD)

Keterangan : n = jumlah periode data

Nilai MAD dihitung dengan mengambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode data (n) b. Kesalahan kuadrat rata-rata (Mean Squared Error-MSE)

Merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rata-rata perbedaan kuadrat antara nilai yang diramalkan dan diamati.

Rumus MSE

Kekurangan dari MSE adalah cenderung menonjolkan deviasi yang besar karena adanya pengkuadratan.

G. Kerangka Pemikiran

Kerangka pemikiran penelitian ini dapat digambarkan sebagai berikut :

Gambar 1.1 Kerangka Pemikiran

Keterangan :

Perhitungan peramalan jumlah produksi pada PT Sinar Surya Indah Lestari Telukan Sukoharjo diawali dengan meminta data produksi kain grey (mentah) tahun lalu pada divisi weaving. Setelah mengetahui data produksi kain grey di perusahaan, langkah selanjutnya yaitu mengolah data produksi

Perhitungan kesalahan peramalan Data rekapitulasi hasil folding tahun 2012

Perhitungan jumlah peramalan dengan menggunakan metode single moving

average, weighted moving average, exponential smoothing, dan proyeksi trend

Pemilihan metode peramalan yang tepat

commit to user

metode single moving average (rata-rata bergerak sederhana), weighted

movingaverage (rata-rata bergerak tertimbang), exponential smoothing

(penghalusan eksponensial), dan proyeksi trend.

Setelah menggunakan berbagai metode untuk menghitung peramalan produksi, kemudian dicari pengukuran kesalahan peramalan untuk masing-masing metode.Dari pengukuran kesalahan peramalan tersebut, dipilih kesalahan peramalan (error) dengan tingkat kesalahan paling kecil.

Setelah menghitung peramalan jumlah produksi dan menentukan tingkat kesalahan terkecil, maka dapat dipilih metode peramalan yang tepat berdasarkan kesalahan peramalan terkecil.

Setelah mengetahui metode peramalan dan tingkat kesalahan, maka diambilkeputusan untuk menentukan jumlah peramalan produksi periode selanjutnya.