ppic tugas
DESCRIPTION
ppicTRANSCRIPT
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&
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 2/11
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
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 3/11
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
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 4/11
!"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
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 5/11
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
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 6/11
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.
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 7/11
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.
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 8/11
,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
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 9/11
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'
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 10/11
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).
7/17/2019 ppic tugas
http://slidepdf.com/reader/full/ppic-tugas 11/11
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)