SOFTSKILL
TUGAS REVIEW JURNAL
Disusun
Oleh:
NAMA
: TIA TRYOCTIANI LESTARI
KELAS
: 3ID09
NPM
: 38413883
LANDASAN TEORI
Peramalan
(Forecasting)
Peramalan merupakan aktivitas fungsi
bisnis yang memperkirakan penjualan dan penggunaan produk sehingga
produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan
dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel
peramal, sering berdasarkan data deret waktu historis. Peramalan menggunakan
teknik-teknik peramalan yang bersifat formal maupun informal (Gaspersz, 1998).
Kegiatan peramalan merupakan bagian
integral dari pengambilan keputusan manajemen. Peramalan mengurangi
ketergantungan pada hal-hal yang belum pasti (intuitif). Peramalan memiliki
sifat saling ketergantungan antar divisi atau bagian. Kesalahan dalam proyeksi
penjualan akan mempengaruhi pada ramalan anggaran, pengeluaran operasi, arus
kas, persediaan, dan sebagainya. Dua hal pokok yang harus diperhatikan dalam
proses peramalan yang akurat dan bermanfaat (Makridakis, 1999):
1.
Pengumpulan data yang relevan berupa informasi yang
dapat menghasilkan peramalan yang akurat.
2.
Pemilihan teknik peramalan yang tepat yang akan
memanfaatkan informasi data yang diperoleh semaksimal mungkin.
Terdapat dua pendekatan untuk
melakukan peramalan yaitu dengan pendekatan kualitatif dan pendekatan
kuantitatif. Metode peramalan kualitatif digunakan ketika data historis tidak
tersedia. Metode peramalan kualitatif adalah metode subyektif (intuitif). Metode
ini didasarkan pada informasi kualitatif. Dasar informasi ini dapat memprediksi
kejadian-kejadian di masa yang akan datang. Keakuratan dari metode ini sangat
subjektif (Materi Statistika, UGM).
Metode peramalan kuantitatif dapat
dibagi menjadi dua tipe, causal dan time series. Metode
peramalan causal meliputi faktor-faktor yang berhubungan
dengan variabel yang diprediksi seperti analisis regresi. Peramalan time
series merupakan metode kuantitatif untuk menganalisis data masa
lampau yang telah dikumpulkan secara teratur menggunakan teknik yang tepat.
Hasilnya dapat dijadikan acuan untuk peramalan nilai di masa yang akan datang
(Makridakis, 1999).
Model deret berkala dapat digunakan
dengan mudah untuk meramal, sedang model kausal lebih berhasil untuk pengambilan
keputusan dan kebijakan. Peramalan harus mendasarkan analisisnya pada pola data
yang ada. Empat pola data yang lazim ditemui dalam peramalan (Materi
Statistika, UGM):
a. Pola
Horizontal
Pola ini terjadi bila data
berfluktuasi di sekitar rata-ratanya. Produk yang penjualannya tidak meningkat
atau menurun selama waktu tertentu termasuk jenis ini. Struktur datanya dapat
digambarkan sebagai berikut ini.
b. Pola Musiman
Pola musiman terjadi bila nilai data
dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan atau
hari-hari pada minggu tertentu). Struktur datanya dapat digambarkan sebagai
berikut ini.
c. Pola Siklis
Pola ini terjadi bila data
dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan
dengan siklus bisnis. Struktur datanya dapat digambarkan sebagai berikut.
d. Pola Trend
Pola Trend terjadi bila
ada kenaikan atau penurunan sekuler jangka panjang dalam data. Struktur datanya
dapat digambarkan sebagai berikut.
Forecasting adalah
peramalan atau perkiraan mengenai sesuatu yang belum terjadi. Ramalan yang
dilakukan pada umumnya akan berdasarkan data yang terdapat di masa lampau yang
dianalisis dengan mengunakan metode-metode tertentu. Forecasting diupayakan
dibuat dapat meminimumkan pengaruh ketidakpastian tersebut, dengan kata
lainbertujuan mendapatkan ramalanyang bisa meminimumkan kesalahan meramal (forecast
error) yang biasanya diukur dengan Mean Absolute Deviation, Absolute
Error, dan sebagainya. Peramalan merupakan alat bantu yang sangat penting
dalam perencanaan yang efektif dan efisien (Subagyo, 1986).
Peramalan permintaan memiliki
karakteristik tertentu yang berlaku secara umum. Karakteristik ini harus
diperhatikan untuk menilai hasil suatu proses peramalan permintaan dan metode
peramalan yang digunakan. Karakteristik peramalan yaitu faktor penyebab yang
berlaku di masa lalu diasumsikan akan berlaku juga di masa yang akan datang,
dan peramalan tak pernah sempurna, permintaan aktual selalu berbeda dengan
permintaan yang diramalkan (Baroto, 2002).
Penggunaan berbagai model peramalan
akan memberikan nilai ramalan yang berbeda dan derajat dari galat ramalan (forecast
error) yang berbeda pula. Seni dalam melakukan peramalan adalah
memilih model peramalan terbaik yang mampu mengidentifikasi dan menanggapi pola
aktivitas historis dari data. Model-model peramalan dapat dikelompokan ke dalam
dua kelompok utama, yaitu metode kualitatif dan metode kuantitatif. Metode
kuantitatif dikelompokkan ke dalam dua kelompok utama, yaitu intrinsik dan
ekstrinsik.
Metode kualitatif ditujukan untuk
peramalan terhadap produk baru, pasar baru, proses baru, perubahan sosial dari
masyarakat, perubahan teknologi, atau penyesuaian terhadap ramalan-ramalan
berdasarkan metode kuantitatif.
Metode Peramalan
Model kuantitatif intrinsik sering
disebut sebagai model-model deret waktu (Time Series model). Model deret
waktu yang populer dan umum diterapkan dalam peramalan permintaan adalah
rata-rata bergerak (Moving Averages), pemulusan eksponensial (Exponential
Smoothing), dan proyeksi kecenderungan (Trend Projection). Model
kuantitatif ekstrinsik sering disebut juga sebagai model kausal, dan yang umum
digunakan adalah model regresi (Regression Causal model) (Gaspersz,
1998).
1) Weight Moving Averages (WMA)
Model
rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru untuk
membangkitkan nilai ramalan untuk permintaan di masa yang akan datang. metode
rata-rata bergerak akan efektif diterapkan apabila permintaan pasar terhadap
produk diasumsikan stabil sepanjang waktu. Metode rata-rata bergerak terdapat
dua jenis, rata-rata bergerak tidak berbobot (Unweight Moving Averages) dan
rata-rata bobot bergerak (Weight Moving Averages). Model rata-rata bobot
bergerak lebih responsif terhadap perubahan karena data dari periode yang baru
biasanya diberi bobot lebih besar. Rumus rata-rata bobot bergerak yaitu sebagai
berikut.
2)
Single Exponential
Smoothing (SES)
Pola data
yang tidak stabil atau perubahannya besar dan bergejolak umumnya menggunakan
model pemulusan eksponensial (Exponential Smoothing Models). MetodeSingle
Exponential Smoothing lebih cocok digunakan untuk meramalkan hal-hal yang
fluktuasinya secara acak (tidak teratur). Peramalan menggunakan model pemulusan
eksponensial rumusnya adalah sebagai berikut.
Permasalahan
umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah
memilih konstanta pemulusan (α) yang diperirakan tepat. Nilai konstanta
pemulusan dipilih di antara 0 dan 1 karena berlaku 0 < α < 1. Apabila
pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil
dari waktu ke waktu, nilai α yang dipilih adalah yang mendekati 1. Pola
historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil
dari waktu ke waktu, α yang dipilih adalah yang nilainya mendekati nol (Gaspersz,
1998).
3) Regresi
Linier
Model
analisis Regresi Linier adalah suatu metode populer untuk berbagai macam
permasalahan. Menurut Harding (1974) dua variabel yang digunakan, variabel x
dan variabel y, diasumsikan memiliki kaitan satu sama lain dan bersifat linier.
Rumus perhitungan Regresi Linier yaitu sebagai berikut.
Keterangan:
Y = hasil peramalan
n = periode
a = perpotongan dengan
sumbu tegak
b = menyatakan slope atau
kemiringan garis regresi
Ukuran Akurasi Peramalan
Model-model peramalan yang dilakukan
kemudian divalidasi menggunakan sejumlah indikator. Indikator-indikator yang
umum digunakan adalah rata-rata penyimpangan absolut (Mean Absolute
Deviation), rata-rata kuadrat terkecil (Mean Square Error),
rata-rata persentase kesalahan absolut (Mean Absolute Percentage Error),
validasi peramalan (Tracking Signal), dan pengujian kestabilan
(Moving Range).
1. Mean Absolute
Deviation (MAD)
Metode untuk mengevaluasi
metode peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut. Mean
Absolute Deviation (MAD) mengukur ketepatan ramalan dengan
merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD
berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret
asli. Nilai MAD dapat dihitung dengan menggunakan rumus sebegai berikut.
2. Mean Square Error (MSE)
Mean Squared Error (MSE)
adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan
atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan jumlah
observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena
kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan
kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil,
tetapi kadang menghasilkan perbedaan yang besar.
3. Mean Absolute Percentage
Error
(MAPE)
Mean Absolute Percentage
Error (MAPE) dihitung dengan menggunakan kesalahan absolut pada tiap
periode dibagi dengan nilai observasi yang nyata untuk periode itu. Kemudian,
merata-rata kesalahan persentase absolut tersebut. Pendekatan ini berguna
ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi
ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal
yang dibandingkan dengan nilai nyata.
4. Tracking Signal
Validasi peramalan
dilakukan dengan Tracking Signal. Tracking Signal adalah suatu
ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual.
Nilai Tracking Signal dapat dihitung dengan menggunakan rumus sebegai
berikut.
Tracking signal yang
positif menunjukan bahwa nilai aktual permintaan lebih besar daripada ramalan,
sedangkan tracking signal yang negatif berarti nilai aktual
permintaan lebih kecil daripada ramalan. Tracking signal disebut baik
apabila memiliki RSFE yang rendah, dan mempunyai positive error yang
sama banyak atau seimbang dengannegative error, sehingga pusat dari tracking
signal mendekati nol. Tracking signal yang telah dihitung dapat
dibuat peta kontrol untuk melihat kelayakkan data di dalam batas kontrol atas
dan batas kontrol bawah.
5. Moving Range (MR)
Peta Moving
Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai
peramalan. Data permintaan aktual dibandingkan dengan nilai peramal pada
periode yang sama. Peta tersebut dikembangkan ke periode yang akan datang
hingga dapat dibandingkan data peramalan dengan permintaan aktual. Peta Moving
Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang
mempengaruhi permintaan. Rumus perhitungan peta Moving Range adalah
sebagai berikut.
Jika
ditemukan satu titik yang berada diluar batas kendali pada saat peramalan
diverifikasi maka harus ditentukan apakah data harus diabaikan atau mencari
peramal baru. Jika ditemukan sebuah titik berada diluar batas kendali maka
harus diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan
penyelidikan yang ekstensif. Jika semua titik berada di dalam batas kendali,
diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik. Jika
terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan yang
didapat kurang baik dan harus direvisi (Gaspersz, 1998).
Kegunaan
peta Moving Range ialah untuk melakukan verifikasi hasil peramalan least
square terdahulu. Jika peta Moving Range menunjukkan keadaan
diluar kriteria kendali. Hal ini berarti terdapat data yang tidak berasal dari
sistem sebab-akibat yang sama dan harus dibuang maka peramalan pun harus
diulangi lagi.
HASIL REVIEW
Jurnal ke-1
Tema:
Peramalan Permintaan Dan Perencanaan
Produksi dengan Mempertimbangkan Special Event di PT. Coca-Cola Bottling
Indonesia (PT.CCBI) Plant-Pandaan
Proses pengolahan data
dilakukan dengan dua tahapan yang harus dilakukan yaitu melakukan peramalan
tingkat permintaan diperiode mendatang dan membuat permintaan dari hasil
ramalan. Tahap selanjutnya melakukan perhitungan total biaya persediaan dalam
melakukanperencanaan produksii untuk melakukan keputusan produksi disetiap
periode.
Terdapat dua skenario
yang digunakan yaitu MPS (Master Productioon Schedule) dan variabel
ketersediaan botol menjadikan batasan dalam melakukan perencanaan produksi
untuk menentukan keputusan produksi disetiap periode. Skenario dapat dilihat
dari tingkat finished goods.
Berdasarkan hasil
pengecekan pola data historis didapatkan bahwa data memiliki kencenderungan
musiman, metode yang sesuai untuk digunakan proses peramalan ini adalah metode
Winter’s exponential Smoothing dan metode Dekomposisi. Dampak langsuung
terjadinya perubahan sistem dalam peramalan dan perencanaan produksi akan
berpengaruh terhadap total biaya.
Penghematan yang dapat
dilakukan oleh perusahaan untuk meminimalisir nilai inventory sebesar Rp
4.489.550/tahun untuk produk coca-cola 193 ml. Pengaruh metode peramalan
terhadap perencanaan produk dengan menginginkan total biaya yang lebih murah
dapat tercapai.
Jurnal ke-2
Tema :
Pengembangan Model Peramalan Permintaan
Kebutuhan Reseller Menggunakan Extreme Learning Machine Dalam Konteks
Intelligent Warehouse Management System (IWMS)
Banyaknya neuron pada
input layer bersesuaian dengan faktor-faktor yang dianggap mempengaruhi tingkat
kebutuhan reseller. Layer selanjutnya yaitu hidden layer, layer ini merupakan
inti JST. Hal ini dikarenakan komputasi tahap pertama dilakukan pada layer
tersebut. Komputasi yang dilakukan meliputi komputasi fungsi penjumlahan dan
komputasi fungsi aktifasi. Nilai bobot antara input layer dan hidden layer
ditentukan secara acak (pengacakan nilai bobot tersebut biasanya menggunakan
pendekatan distribusi normal).
Proses pembelajaran JST
dilakukan menggunakan moore penrose pseudoinvers. Input komputasi ini yaitu
keluaran dari hidden layer. Komputasi menggunakan moore penrose pseudoinvers
dilakukan dengan tujuan untuk menetukan bobot penghubung hidden layer dengan
output layer. Selama proses pembelajaran, output layer berisi data target
(biasanya menggunakan data penjualan pada kurun waktu tahun tertentu). Misalkan
n adalah banyaknya faktor yang dianggap mempengaruhi kebutuhan reseller, m
adalah banyaknya neuron pada hidden layer, g(x) adalah fungsi aktifasi pada
hidden layer, dan T adalah matriks target maka secara matematis model peramalan
kebutuhan reseller.
Pengujian model ini
dilakukan menggunakan matlab 7.10. Alasan digunakannya Matlab dalam pengujian
ini yaitu karena Matlab mempunyai kemampuan lebih cepat dan praktis dalam
proses komputasi matriks. Pengujian tersebut menggunakan data penjualan mulai
dari tahun 2005 sampai 2010. Pengujian model dilakukan dengan menguji kedekatan
hasil peramalan terhadap target penjualan pada tahun 2010.
Jurnal ke-3
Tema :
Peramalan Dan Persediaan Pengamanan
Kebutuhan Kain CDP2015 Pada Proses Produksi Di Departemen Printing PT.
Kusumahadi Santosa
Pembangunan fisik PT.
Kusumahadi Santosa secara resmi pada bulan Mei 1981 dengan Surat Ijin Pendirian
Bangunan No. 6471/30/PU Karanganyar, tertanggal 23 Mei 1981 yang selanjutnya
surat ijin tersebut diperbaharui dengan Surat Ijin Pembangunan No. 6471/54/PU
Karanganyar, tertanggal 2 November 1982. Pemasangan mesin-mesin pembangkit,
mesin-mesin produksi serta sarana produksi lainya diselesaikan pada bulan
Februari 1982, kemudian pada bulan maret 1982 proses produksi mulai berjalan.
Proses produksinya terdiri dari weaving, finishing, printing, dying. Produk
yang dihasilkan adalah kain rayon dan cotton.
Proses produksi yang
dilakukan oleh PT.Kusumahadi Santosa adalah untuk memenuhi kebutuhan pesanan
dari konsumen,sehingga proses produksi baru dilakukan apabila telah terjadi
kesepakatan antara pihak pemesan dengan pihak pemasaran. Hal ini bukan berarti
pemasaran bersifat pasif dengan hanya menunggu datangnya pesanan, perusahaan
bersifat aktif dalam menawarkan contoh-contoh kepada konsumen. Produk yang
ditawarkan adalah kain rayon,cotton, kain putih ataupun kain yang sudah dicelup
atau diberi warna baik itu kain yang berwarna polos atau yang sudah diberi
motif.
Metode single moving
average yaitu metode peramalan yang menggunakan rata-rata dari sejumlah (n)
data terkini untuk meramalkan periode mendatang. Dalam melakukan peramalan
dengan metode single moving average penulis menggunakan periode waktu 3 dan 4
triwulan.
Metode Eksponential Smoothing
yaitu merupakan teknik rata-rata bergerak terhadap data masalalu dengan memberi
penimbang 59 terhadap data terakhir. Jadi untuk melakukan peramalan dibutuhkan
satu data terakhir dan penimbang dengan a =0.1, a
=0.5, a
=0.9. Exponential Smoothing dengan a =0.1 artinya
memberi bobot yang lebih besar pada peramalan sebelumnya dibanding dengan data
sebelumnya.
Persediaan pengaman
adalah persediaan yang dicadangkan sebagai pengaman kelangsungan proses
produksi. Tujuan persediaan pengaman adalah untuk meminimalkan terjadinya
kekurangan bahan baku (stock out) dan mengurangi penambahan biaya penyimpanan
serta biaya stock out total. Persediaan pengaman sangat diperlukan dalam sebuah
perusahaan karena berfungsi untuk menghindari stock out sehingga memperlancar kegiatan
proses produksi. Dari perhitungan diketahui bahwa
persediaan pengaman (safety stock) kebutuhan kain CDP2015 yang sebaiknya
digunakan pada PT. Kusumahadi Santosa sebesar 549.690 yard.
KESIMPULAN
a.
Metode peramalan dengan mempertimbangkan
special event dapat meningkatkan akurasi ramalan jika dibandingkan dengan
metode peramalan yang diterapkan. Perencanaan produksi dengan menggunakan
peramalan dengan mempertimbangkan special event dapat menghasilkan total
penghematan.
b.
Model peramalan kebutuhan reseller
menggunakan ELM dapat dikembangkan lebih lanjut sesuai dengan kebutuhan. Bagian
dari model tersebut yang dapat lebih lanjut dikembangkan antara lain banyaknya
faktor yang dianggal mempengaruhi tingkat kebutuhan, banyaknya neuron pada
hidden layer, dan penggunaan fungsi aktivasi.
c.
Berdasarkan perhitungan yang telah
dilakukan pada bab III, maka dapat diambil kesimpulan bahwa metode peramalan
yang dapat meminimumkan kesalahan peramalan persediaan kain CDP2015 dalam
proses produksi pada PT. Kusumahadi Santosa adalah metode linear trend line
karena memiliki tingkat error yang lebih kecil yaitu MSE (Mean Square Error)
76.059.770.000 yard dan MAD (Mean Absolute Deviation) 195.075 yard.
d.
Berdasarkan metode linear trend line
jumlah persediaan kain CDP2015 yang dibutuhkan oleh PT. Kusumahadi Santosa
untuk pelaksanaan proses produksi pada tahun 2009 sebesar 2.590.544 yard. Berdasarkan
perhitungan kebutuhan persediaan pengaman (safety stock) kain CDP2015 sebesar
549.690 yard.
DAFTAR PUSTAKA
Komentar
Posting Komentar