ppic tugas

7/17/2019 ppic tugas

http://slidepdf.com/reader/full/ppic-tugas 1/11

TUGAS

Production Planning and Inventory Control

Peramalan metode deret waktu (time series) semestinya tidak digunakan

karena hanya mempertimangkan data masa lalu tanpa memperhatikan

!aktor"!aktor yang mempengaruhi peruahan permintaan

#isusun oleh$

Athi!ah Tul I%%a &'&&&&' *ktaviani +urwidanti &'&&&,-

.a%uliatuddiyanah &'&&&'' Pu/i 0estari &'&&&'

0u1lu ul 2aknunah &'&&& 3iska Pratiwi P4 &'&&'

24 .anuar &'&&5 Sheila gresnantya &'&&'

2okhamad 2idori &'&&& Teny Sylvia &'&&6

.U3USA+ T78+*0*GI I+#UST3I P73TA+IA+

9A8U0TAS T78+*0*GI P73TA+IA+

U+I:73SITAS ;3A<I.A=A

2A0A+G

6&



TI+.AUA+ PUSTA8A

2etode Time SeriesAnalisa deret waktu didasarkan pada asumsi bahwa deret waktu tersebut

terdiri dari komponen-komponen. Trend (T), trend merupakan sifat dari

permintaan dimasa lalu terhadap terjadinya, apakah permintaan tersebut

cenderung naik, turun, atau konstan. Siklus (), permintaan suatu produk dapat

memiliki siklus yang berulang secara periodik, biasanya lebih dari satu tahun

sehingga pola ini tidak perlu dimasukan dalam peramalan jangka pendek. !ola ini

amat berguna untuk peramalan jangka menengah dan jangka panjang. !ola

"usiman (S), fluktuasi permintaan suatu produk dapat naik turun disekitar garis

trend dan biasanya berulang setiap tahun disekitar garis trend dan biasanya

berulang setiap tahun. !ola ini biasanya disebabkan oleh faktor cuaca, musim

libur panjang, dan hari raya keagamaan yang akan berulang secara periodik setiaptahunnya dan #ariasi Acak ($), permintaan suatu produk dapat mengikuti pola

ber%ariasi secara acak karena faktor-faktor adanya bencana alam, bangkrutnya

perusahaan pesaing, promosi khusus, dan kejadian-kejadian lainnya yang tidak

mempunyai pola tertentu. #ariasi acak ini diperlukan dalam rangka menentukan

persediaan bila terjadi lonjakan permintaan.

8arakteristik Peramalan yang ;aik

!eramalan yang baik mempunyai beberapa kriteria yang penting, antara lain

akurasi biaya, dan kemudahan. !enjelasan dari kriteria-kriteria tersebut adalah

sebagai berikut& akurasi dari suatu hasil peramalan diukur dengan kebiasaan

kebiasaan dan kekonsistensian peramalan tersebut terlalu tinggi atau terlalu

rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. 'asil peramalan

dikatakan konsisten bila besarnya kesalahan peramalan relati%e kecil. !eramalan

yang terlalu rendah akan mengakibatkan kekurangan persediaan sehingga

permintaan konsumentidak dapat dipenuhi segera, akibatnya adalah perusahaan

dimungkinkan kehilangan pelanggan dan kehilangan keuntungan penjualan.

!eramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan

persediaan, sehingga banyak modal yang terserap sia-sia. eakuratan dari hasil

peramalan ini berperan penting dalam menyeimbangkan persediaan yang ideal

(meminimasi penumpukan persediaan dan memaksimalkan tingkat pelayanan).

;iaya Peramalan

iaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari

jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan

yang dipakai. etiga faktor pemicu biaya tersebut akan mempengaruhi berapa

banyak data yang diperlukan, bagaimana pengolahan datanya (manual atau

komputerisasi), bagaimana penyimpanan datanya dan siapa tenaga ahli yang harus

diperbantukan. !emilihan metode peramlan harus disesuaikan dengan dana yang

tersedia dan tingkat akurasi yang diinginkan, misal item-item yang penting akan

diramalkan dengan metode canggih dan mahal, sedangkan item-item yang kurang



penting bisa diramalkan dengan metode yang sederhana dan murah. !rinsip ini

merupakan adopsi dari hukum pareto.

*. $+"+SA "ASAA'

!eramalan metode deret waktu (time series) semestinya tidak digunakan karena

hanya mempertimbangkan data masa lalu tanpa memperhatikan faktor-faktor yang

mempengaruhi perubahan permintaan



!"A'ASA

4 Peruahan permintaan dalam /angka pan/ang tidak selalu konstan4Terdapat !aktor"!aktor yang dapat mempengaruhi permintaan terhadap

arang dan /asa4

/alam melakukan peramalan permintaan untuk masa yang akan dengan

cara menggunakan data masa lampau, harus di ingat bahwa faktor-faktor

penyebab (causal conditions) perubahan permintaan jarang sekali konstan,

terutama dalam kegiatan ekonomi dan bisnis. 0aktor-faktor penyebab ini

cenderung berubah dari waktu ke waktu. 1leh karena itu, hubungan antara

keadaan di masa lalu, sekarang, dan masa yang akan datang harus die%aluasi

terus-menerus. !erubahan permintaan jangka panjang tidak selalu konstan

sehingga permintaan harus dihubungkan dengan permintaan masa lalu, sekarang,dan masa depan.

0aktor-faktor yang dapat mempengaruhi permintaan terhadap barang dan

jasa, antara lain &

Tingkat pendapatan seseorang2masyarakat

!erubahan pendapatan penduduk (masyarakat) dapat mengubah pola dan

jumlah permintaan yang sekaligus mendorong perubahan pada penawaran oleh

para produsen penjual. ila pendapatan penduduk bertambah dan harga barang

masih tetap, ada kemungkinan permintaan terhadap barang2jasa meningkat.

emudian, pertambahan permintaan itu juga akan mengakibatkan berubahnya penawaran, jika barang2jasa yang ditawarkan persediannya menjadi kurang, maka

harga barang2jasa akan naik. !ada saat harga akan naik, permintaan kembali

menurunadana begituaseterusnya.

3umlah penduduk

!ertambahan penduduk merupakan faktor yang sangat dominan terhadap

perubahan permintaan dan penawaran. ertambahnya penduduk akan

menimbulkan bertambahnya kebutuhan berbagai macam barang2jasa, sehingga

permintaan akan bertambah. aiknya permintaan berpengaruh langsung terhadap

penawaran barang2jasa. anyaknya permintaan itu akan menaikkan harga

barang2jasa yang ditawarkan sehingga pada suatu saat permintaan akan menurun

kembali, ketika permintaan turun produsen2penjual yang masih memiliki banyak

barang2jasa akan menaikkan penjualan dengan menurunkan harga.

'arga arang Substitusi

Adanya barang pengganti (subsitusi) dari suatu barang2jasa dapat

mengubah jumlah permintaan, kemudian berpengaruh pada harga dan penawaran.

"unculnya barang pengganti yang lebih murah, kemungkinan besar akan



mendorong sebagian besar konsumen untuk memilih barang subsitusiatersebut.

Selera penduduk

Selera masyarakat sering kali berubah-ubah pada saat tertentu, mereka

suka akan mode A dan pada waktu lain menyukai mode . egitu juga terhadap

makanan, pada musim panas menyukai makanan 4 dan pada musim lainnya

cenderung mengkonsumsi barang 5. !ergeseran permintaan dari satu barang ke

barang lain akan berpengaruh juga terhadap pergeseran penawaran keadaan ini

akan mengakibatkan naik dan turunnya permintaan, serta naik turunnya harga

barng2jasa yang ditawarkan.

0luktuasi ekonomi0luktusi harga sumber-sumber produksi kemungkinan akan

mangakibatkan naik dan turunnya biaya produksi. 'al ini akan mempengaruhi

tingkat harga barang yangadiatawarkan.a3umlah permintaan dan penawaran di

suatua pasar aakana bergeser akarenaa berbagaiafaktor adialuar aharga.

6. 2etode deret waktu mempunyai eerapa kelemahan4

/alam metode deret waktu (time series) mempunyai beberapa kelemahan

dalam penggunaan peramalan yaitu diantaranya adalah sebagai berikut &

1. Moving Average.

"etode "o%ing A%erage merupkan suatu peramalan kebutuhan bahan

baku untuk keperluan proses produksi dalam waktu yang akan datang didasarkan

kepada rata-rata pemakaian bahan pada waktu-waktu yang lalu. !ada peramalan

mo%ing a%erage ini selalu berdasarkan pada jumlah () data terakhir tanpa

pertimbangan data-data sebelumnya serta setiap data dianggap memiliki bobot

yang sama atau dapat dikatakan tidak mempunyai persamaan untuk peramalan.

2. Weight Moving Average.

"etode ini menggunakan rata-rata tertimbang dari data masa lalu yang

paling baru. 3umlah data masa lalu harus ditentukan oleh pembuat keputusan

dimana rata-rata tertimbang akan berbeda-beda untuk setiap jumlah yang

berbeda. !eramalan kurang sensiti%e atau kurang akurat terhadap perubahan nyatadalam suatu data peramalan dan dalam metode weight mo%ing a%erage tidak bisa

memanfaatkan data tren dengan baik. arena merupakan metode rata-rata

bergerak ini akan selalu berada dalam tingkat data masa lalu dan tidak akan

memprediksi perubahan data ke tingkat yang lebih tinggi maupun yang lebih

rendah.

3. Exponential Smoothing

"etode ini merupakan penyempurnaan dari metode moving average.

!eramalan exponensial smoothing menekankan pada permintaan yang paling baru,

bukan permintaan pada periode-periode sebelumnya. etepatan peramalan dengan

menggunakan metode Exponential Smoothing buruk apabila diterapkan pada



peramalan jangka panjang seperti tahunan. /alam teknik Exponential Smoothing

ini berdasarkan pada asumsi yang konstan maka teknik Exponential Smoothing

tidak dapat digunakan untuk menge%aluasi pengaruh dari suatu keputusanmanajerial seperti perubahan harga atau perubahan strategi pemasaran.

4. Trend Analysis

Trend atau kecenderungan adalah komponen jangka panjang mempunyai

kecenderungan tertentu dalam pola data, baik yang arahnya meningkat ataupun

menurun dari waktu ke waktu, sehingga pola kecenderungan dalam jangka

panjang jarang sekali menunjukkan suatu pola yang konstan. Teknik yang sering

digunakan untuk mendapatkan trend suatu data deret waktu adalah rata-rata

bergerak linier, pemulusan eksponensial, model 7ompert8, dimana teknik-teknik

tersebut hanya menggunakan data masa lalu untuk mendapatkan pola

kecenderungannya dan tidak memperhitungkan faktor-faktor lain yang

mempengaruhi permintaan produk. 5. Deomposition

"etode dekomposisi digunakan untuk mengenali pola kegiatan, eberapa

sub pola kemudian dianalisa secara terpisah, diekstrapolasi kedepan dan kemudian

digabung kembali untuk mendapatkan ramalan data asli "etode /ekomposisi atau

sering juga disebut metode time series adalah salah satu metode peramalan yang

didasarkan pada kenyataan bahwa biasanya apa yang telah terjadi akan berulang

atau terjadi kembali dengan pola yang sama. Artinya yang dulu selalu naik, pada

waktu yang akan datang biasanya akan naik juga, yang biasanya berkurang akan

berkurang juga, yang biasanya berfluktuasi akan berfluktuasi juga dan yang

biasanya tidak teratur maka akan tidak teratur juga.

4 Terdapat metode yang leih aik untuk digunakan daripada time series.

"etode yang lebih baik daripada time series yaitu metode kausal. 2etode

kausal yaitu model ini memasukkan dan menguji %ariabel-%ariabel yang diduga

memengaruhi %ariabel dependent. "odel kausal biasanya menggunakan analisis

regresi untuk menentukan mana %ariabel yang signifikan mempengaruhi %ariabel

dependen. "etode yang prediksinya dihasilkan dari hubungan sebab akibat

beberapa %ariable yang berpengaruh , contoh & model regresi, model simulasi dan

model analisa input output. Sedangkantime series

yaitu merupakan data yangdikumpulkan, dicatat atau diobser%asi sepanjang waktu secara berurutan, dan time

series dianalisis untuk menemukan pola %ariasi masa lalu yang dapat

dipergunakan untuk memperkirakan nilai masa depan dan membantu dalam

manajemen operasi serta membuat perencanaan.

/ari pernyataan diatas terdapat kelebihan dari metode kausal yaitu ditinjau

dari komponen dari metode kausal yaitu menggunakan model regresi, model

ekonomi, model masuk keluar (inputoutput) dan simulasi.



Sumber& Schroeder, $oger 7. 9::;. 1peration "anagement (Terjemahan).

3akarta& rlangga

Salah satu hal penting pada model kausalik adalah bahwa model ini dapat

memprakiraan titik belok pada fungsi permintaan. Sebaliknya, model deret

berkala hanya dapat digunakan untuk memprakirakan pola permintaan masa

yang akan datang berasarkan masa lalu, dan tidak dapat digunakan

memprakirakan psang surutnya tingkat permintaan. arena kemampuan

memprakirakan titik belok ini, model kausalik biasanya lebih akuratdibandingkan dengan model deret berkala untuk prakiraan jangka menengah

sampai panjang. 3adi, model kausal lebih luas kegunaanya untuk perencanaan

fasilitas dan proses dalam operasi.

9.



,4 2etode Time Series 2emiliki 8etelitian =ang 8urang #iandingkan

#engan 2etode 0ain (2etode 8ausal)

"etode time series hanya memiliki satu data awal yaitu berupa data

permintaan pada masa lalu. Sedangkan pada metode kausal memiliki data awal

yang lebih kompleks yaitu bukan hanya dari data permintaan di masa lalu, tapi

juga ada data awal yang dimasukkan dari faktor-faktor lainnya yang dapat

mempengaruhi nilai produksi. ontoh faktor-faktor lain tersebut antara lain,

jumlah tenaga kerja, jumlah mesin yang rusak dan harga bahan baku. /ari

perbedaan jumlah data awal antara metode time series dan metode kausal dapat

diketahui bahwa hasil peramalan yang didapatkan juga pasti berbeda. Secara

logika, pada suatu metode perhitungan jika data awal yang digunakan semakin

banyak, maka keakuratan hasil perhitungan akan semakin tinggi. egitu pula pada

metode peramalan, metode kausal memiliki data awal yang lebih banyak dibandingkan dengan metode time series. Sehingga dapat disimpulkan bahwa

metode kausal memiliki tingkat keakuratan yang lebih tinggi daripada metode

time series.

esimpulan di atas dapat diperkuat dengan memberikan contoh studi kasus

tentang peramalan permintaan timbangan /acin, digunakan "etode Trend inier

dan "etode $egresi linier atau regresi sederhana. /ata yang akan diramalkan ini

adalah data semua jenis kekuatan timbangan /acin yaitu 9< kg, 6= kg, 99< kg.

Tabel 9

/ata !enjualan

Tahun 9::= > 6<<?

TA'+ !3+AA

9::= ?.@==

9::; ?.=@6

9:: =.@;

9::@ =.@9?

9::: =.@6<6<<< ;.?6;

6<<9 ;.96

6<<6 ;.?<<

6<<B .<9?

6<<? .:;<

Sumber data & !erusahaan Timbangan CSSSD Surakarta



a. Trend inier

Tabel 6Analisis Trend inier

Tahun !enjualan !eramalan /e%iasi

/e%iasi

AbsolutE

! ! −

uadrat

esalahan

!ersentase

esalahan

!ersentase

esalahan

Absolute

9::= ?,@== -: -?B,;:= @9 ?,=@.<9@ :;.:@9: :;.:@9: :,?<=.?:= 9.:: 9.::

9::; ?,=@6 - -B6,<? ?: =,<;;.?B; -?@?.?B; ?@?.?B; 6,B?;@.B -9<.=6 9<.=6

9:: =,@; -= -6:,B@< 6= =,B?.@== =<9.9?== =<9.9?== 6,=99?;.@ @.=6@ @.=6@

9::@ =,@9? -B -9,??6 : =,;@B.6B 9B<.6= 9B<.6= 9,<@:.;: 6.6?@ 6.6?@

9::: =,@6< -9 -=,@6< 9 =,::9.;:9 -99.;:<: 99.;:<: 6,:?. -6.:=< 6.:=<

6<<< ;,?6; 9 ;,?6; 9 ;,B<<.9<: 96=.@:99 96=.@:99 9,=@?@.= 9.:=: 9.:=:

6<<9 ;,96 B 6<,9B; : ;,;<@.=6 9<B.?6 9<B.?6 9,<<;.=: 9.=?9 9.=?9

6<<6 ;,?<< = B6,<<< 6= ;,:9;.:?= -=9;.:?=B =9;.:?=B 6,;6B6.= -@.< @.<

6<<B ,<9? ?:,<:@ ?: ,66=.B;? -699.B;B@ 699.B;B@ ?,?;?.;? -B.<9B B.<9B

6<<? ,:;< : 9,;?< @9 ,=BB.@6 ?6;.69@ ?6;.69@ 9,@9;;9.; =.B=? =.B=?

.umlah & 5&>??' & ->,5' &4&&&5 6>@-?4?@ >&->'66 "64'?5 ,-46'



b. $egresi Sederhana

Tabel BAnalisis $egresi Sederhana

Tahun

!enjualan

5i

iaya

!romosi

4i

4i5i 4iF

!eramalan

5′

/e%iasi

5i-5′

/e%iasi

AbsolutE

! ! −

uadrat

esalahan

!resentase

esalahan

!ersentase

esalahan

Absolute

9::= ?,@== 9<,?=9 =<,B:,;<< 9<:,66B,?<< ?,@<?.=: =<.?9<6 =<.?9<6 6,=?9.9@? 9.<B@ 9.<B@

9::; ?,=@6 :,;? ??,B@,;=< :=,BB=,<< ?,=@?.?;9 -6.?;9? 6.?;9? ;.<=@; -<.<=? <.<=?

9:: =,@; 96,;=6 ?,B?B,9=< 9;<,<B,9<< =,=<:.@B= B;;.9;== B;;.9;== 9B?,<.6 ;.6B9 ;.6B9

9::@ =,@9? 9?,66@ @6,69,=:< 6<6,?B;,<<< ;,<9?.@9; -6<<.@9;? 6<<.@9;? ?<,B6.6B -B.?=? B.?=?

9::: =,@6< 9?,B?< @B,?=@,@<< 6<=,;B=,;<< ;,<=<.<B -6B<.<B9 6B<.<B9 =B,66B.:B -B.:;B B.:;B

6<<< ;,?6; 9=,@<< 9<9,=B<,@<< 6?:,;?<,<<< ;,=9@.=9 -:6.=9;; :6.=9;; @,==:.B69 -9.?B: 9.?B:

6<<9 ;,96 9;,:6? 99B,=:B,:<< 6@;,?69,@<< ;,@@.;;: -9;;.;;@= 9;;.;;@= 6,@.B@ -6.?@B 6.?@B

6<<6 ;,?<< 9=,B?< :@,9;,<<< 6B=,B9=,;<< ;,B9.96B 6@.@ 6@.@ @BB.@@? <.?=9 <.?=9

6<<B ,<9? 9,?6@ 966,6?<,<<< B<B,B=,6<< ,<?<.9; -6;.9;<6 6;.9;<6 ;@?.B=B@ -<.BB <.BB

6<<? ,:;< 9:,??? 9=?,?,6<< B@,<;:,9<< ,;@;.96 6B.@B 6B.@B =,<<;.?= B.??< B.??<

->,5' ,->@ '6->->?&& 6>665>??5>& 6>,>' &4&&&5 ,?4-5' ,>&? "&4-&- 664'6-

erdasarkan hasil perhitungan dengan menggunakan dua metode dalam peramalan, maka hasil yang menunjukan

penyimpangan terkecil atau error terkecil yaitu pada metode regresi linier. "etode trend linier memperoleh hasil pada "A/ G

6;.@@B, "S G 9<;,9:6.6, sedangkan untuk regresi linier diperoleh "A/ G 9?B.@;=6, "S G B?,B<B.@, Se G :B<6. /ari keduametode tersebut, maka metode regresi linier (salah satu metode kausal) lebih baik hasilnya untuk meramalkan target permintaan yang

lebih tinggi dari pada metode trend linier (salah satu metode time series).



5 2etode Time Series sulit dimengerti karena hanya meramalkan apa

yang akan ter/adi tanpa mengetahui apa sa/a !aktor penyea yang

mempengaruhi4

!eramalan dengan deret berkala (time series) memperlakukan sistemsebagai suatu kotak hitam (blackboH) yang berarti tidak ada upaya untuk

menemukan faktor yang berpengaruh pada perilaku sistem tersebut. Sistem

dianggap sebagai generating proses (proses bangkitan) yang tidak diketahui

proses atau mekanismenya (proses). !ada sistem time series hanya

menghasilkan peramalan dari data sebelumnya, tanpa memperhatikan hal-hal

yang mempengaruhi hasil peramalan tersebut. "isalnya menghasilkan

klasifikasi atau memprediksi tanpa penjelasan, karena cenderung lebih

kompleks sehingga tidak dianalisis. Time series cenderung dianalogikan

seperti blackboH,

*nput 1utput

Terdapat dua alasan utama memperlakukan sebagai blakcboH

9 Sistem tidak dimengerti dan kalaupun diketahui sulit untuk mengukur

hubungan yang mengaturnya.dalam sistem blackboH karena !ada

dasarnya peramalan ini memperlakukan sistem sebagai kotak hitam

(black boH) yang tidak diketahui mekanisme didalamnya, model kotak

'itam hanya menjelaskan hubungan fungsional antara input sistem dan

output sistem. "ereka, dengan implikasi, model parameter

disamakan. !arameter fungsi ini tidak memiliki arti fisik dalam hal

kesetaraan untuk memproses parameter seperti koefisien perpindahan

panas atau massa, kinetika reaksi dll. *ni adalah kelemahan model

kotak hita, dibandingkan model mekanistik.

6 !erhatian utama hanya untuk meramalkan apa yang akan terjadi dan

bukan untuk mengetahui mengapa hal itu terjadi. /alam hal ini,

memperlakukan proses untuk memperoleh output2 taksiran sebagai

sistem yang tidak bisa diketahui2 black boH dan tidak perlu dilakukan

usaha untuk menelusurinya. , pemodelan time series berfokus pada seri

yang tidak deterministic tapi mengandung komponen acak.B Tidak cocok untuk pola data trend atau pola data musiman,karena

jumlah permintaan fluktuatif di pengaruhi oleh trend atau musim pada

saat itu dan pada perkembangan teknologi yang ada. #ariasi ini

merupakan gerakan naik turun yang tidak dapat terduga sebelumnya

dan terjadi secara acak.

generating proses

(proses bangkitan)

ppic tugas

Documents