MANAJEMEN

OPERASIONAL

LANJUTAN

2008

NANI SUTARNI

2010

.

1

BAB 2

PERAMALAN

A. Pengertian Peramalan

Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan

kejadian di masa depan, dimana hal ini dilakukan dengan melibatkan pengambilan

data di masa lalu dan menempatkannya ke masa yang akan datang dengan suatu

bentuk model matematis atau bisa juga merupakan prediksi intuisi yang bersifat

subjektif atau bisa juga dengan menggunakan kombinasi model matematika yang

disesuaikan dengan pertimbangan yang baik dari seorang manajer. Peramalan

adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada

perencanaan produksi.

A. Meramal Horizon Waktu (time frame)

Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa

depan yang dicakupnya. Horizon waktu terbagi kedalam beberapa kategori, yaitu :

1. Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga 1

tahun tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk

merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan

kerja, dan tingkat produksi.

2. Peramalan jangka menengah. Peramalan jangka menengah atau intermediate,

umumnya mencakup hitungan bulanan hingga 3 tahun. Peramalan ini berguna

untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran

kas, dan menganalisis bermacam-macam rencana operasi.

3. Peramalan jangka panjang. Umumnya untuk perencanaan masa 3 tahun atau

lebih. Peramlan jangka panjang digunakan untuk merencanakan produk baru,

pembelanjaan, modal, lokasi atau pembangunan fasilitas, serta penelitian dan

pengembangan (litbang).

2

Peramalan jangka menengah dan jangka panjang dapat dibedakan dari

peramalan jangka pendek dengan melihat tiga hal berikut :

1. Peramalan jangka menengah dan jangka panjang berkaitan dengan

permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen

yang berkaitan dengan perencanaan produk, pabrik dan proses.

2. Peramalan jangka pendek biasanya menerapkan metodologi yang berbeda

dibandingkan dengan peramlan jangka panjang. Teknik matematika, seperti

rata-rata bergerak, penghalusan eksponensial , dan ekstrapolasi tren yang

umumnya dikenal untuk peramalan jangka pendek. Lebih sedikit metode

kuantitatif yang berguna untuk meramalkan suatu permasalahan.

3. Sebagaimana yang mungkin diperkirakan, peramalan jangka pendek cenderung

lebih tepat dibandingkan peramalan jangka panjang. Faktor-faktor yang

mempengaruhi perubahan permintaan berubah setiap hari. Dengan demikian,

sejalan dengan semakin panjangnya horizon waktu, semakin tipis pula

ketepatan peramalan seseorang. Peramalan penjualan harus diperbaharui secara

berkala untuk menjaga nilai integritasnya. Peramalan harus selalu dikaji ulang

dan direvisi pada setiap akhir periode penjualan.

B. Jenis Peramalan

Organisasi pada umumnya menggunakan tiga jenis peramalan yang utama

dalam perencanaan operasi masa depan :

1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan

memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk

membangun perumahan, dan indikator perencanaan lainnya.

2. Peramalan teknologi (technological forecast) memperhatikan tingkat kemajuan

teknologi yang dapat meluncurkan produk baru yang menarik, yang

membutuhkan pabrik dan peralatan baru.

3

3. Peramalan permintaan (demand forecast) adalah proyeksi permintaan untuk

produk atau layanan suatu perusahaan.

4. Kepentingan strategis peramalan.

C. Kepentingan Peramalan

Peramalan yang baik sangat penting dalam semua aspek bisnis karena

merupakan satu-satunya prediksi atas permintaan hingga permintaan yang

sebenarnya diketahui. Peramalan permintaan mengendalikan keputusan dibanyak

bidang. Berikut adalah dampak peramalan produk pada tiga aktifitas,yaitu :

1. Sumber Daya Manusia

2. Kapasitas

3. Manajemen Rantai Pasokan

D. Langkah – Langkah Peramalan

Peramalan terdiri dari tujuh langkah dasar:

1. Menetapkan tujuan peramalan.

2. Memilih unsur apa yang diramal.

3. Menentukan horizon waktu.

4. Memilih tipe model peramalan.

5. Mengumpulkan data yang diperlukan untuk melakukan peramlan.

6. Membuat peramlan.

7. Memvalidasi dan menerapkan hasil peramlan.

4

Tujuh langkah ini menyajikan jalan yang sistematis untuk memulai,

mendesain, dan menerapkan sistem peramalan. Apabila sistem tersebut digunakan

untuk menghasilkan ramalan berkala, maka data harus dikumpulkan secara rutin.

Kemudian perhitungan aktual dibuat dengan bantuan komputer.

Terlepas dari sistem diatas perusahaan menghadapi beberapa kenyataan :

1. Peramalan jarang sempurna. Hal ini berarti faktor luar yang tidak dapat kita

duga dan kita kendalikan sering mempengaruhi peramalan.

2. Hampir semua teknik peramalan mengansumsikan bahwa sistem akan tetap

stabil. Oleh karena itu, beberapa perusahaan membuat ramalan secara otomatis

menggunakan komputer dengan software peramalan, dan hanya mengawasi

produk yang mempunyai permintaan tidak menentu.

3. Baik kelompok peramalan produk maupun peramalan secara keseluruhan lebih

akurat daripada peramalan produk individu.

E. Pendekatan dalam Peramalan

Ada dua pendekatan umum peramalan :

1. Analisis kualitatif (qualitative forecast) atau peramalan subjektif,

menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem

nilai pengambil keputusan untuk meramal. Beberapa perusahaan menggunakan

satu pendekatan dan perusahaan lain menggunakan pendekatan yang lain. Pada

kenyataannya,kombinasi dari keduanya merupakan yang paling efektif.

Terdapat empat teknik dalam analisis ini, yaitu:

a. Keputusan dari pendapat juri eksekutif.

b. Delphi.

c. Gabungan dari tenaga penjualan.

d. Survei pasar konsumen.

5

2. Analisis kuantitatif (quantitative forecast), menggunakan model matematis

yang beragam dengan data masa lalu dan variabel sebab akibat untuk

meramalkan permintaan. Terdapat lima metode peramalan yang menggunakan

data masa lalu yang terbagi ke dalam dua kategori:

Empat model time series (deret berkala), yaitu membuat prediksi dengan asumsi

bahwa masa depan merupakan fungsi masa lalu.

a. Pendekatan Naif

b. Rata-rata Bergerak

c. Penghalusan Eksponensial

d. Proyeksi tren

e. Regresi Linear

Dalam makalah ini hanya akan dibahas pendekatan kuantitatif yang memuat

tinjauan metode kuantitatif model time series (Rata-rata bergerak dan

Penghalusan eksponensial).

F. Pola Data Metode Time Series (Deret Berkala)

Terdapat beberapa pola permintaan dalan peramlan, yaitu:

1. Pola horizontal (constant), terjadi bilamana data berfluktuasi disekitar nilai

rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau

menurun selama waktu tertentu termasuk jenis ini.

2. Pola musiman (seasonal), terjadi bilamana suatu deret dipengaruhi oleh faktor

musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu

tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan

bakar pemanas ruang semuanya menunjukkan jenis pola ini.

3. Pola siklis (cycle), terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi

jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh:

Penjualan produk seperti mobil, baja, dan peralatan utama lainnya.

6

4. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka

panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai

indikator bisnis atau ekonomi lainnya.

Secara umum dapat dijelaskan, bahwa peramalan produksi dengan

pendekatan analisis time series, dilakukan dengan memanfaatkan data masa lalu

perusahaan, secara series (runtun). Data yang dimiliki perusahaan, dapat saja

menunjukkan macam-macam data pola, seperti terlihat pada gambar di bawah ini

Gambar 2.1

Untuk lebih jelas secara keseluruhan pola-pola di atas akan dijelaskan dalam tabel

di bawah ini:

Komponen Klasifikasi Faktor yang Mempengaruhi Jangka Waktu

Horizontal

(konstan)Sistematis diabaikan berkesinambungan

Musiman

(seasonal)Sistematis

Cuaca, kebiasaan, sosial,

agama, dll.I tahun

Siklis (cycle) Sistematis Beberapa faktor yang 2-10 tahun

7

mempengaruh kondisi

ekonomi

Tren SistematisPerubahan teknologi,

populasi, kekayan, nilai, dll.Beberapa tahun

Acak (random)Tidak

Sistematis

Variasi yang bersifat acak,

tak terduga, seperti bencana

alam dan perubahan politik,

dll.

Sangat singkat dan

biasanya tak

terulang

Tabel 2.1

G. Peramalan Kuantitatif Time Series (Deret Berkala)

1. Pendekatan Naif

Pendekatan naif (naive approach) ini merupakan model peramalan

objektif yang paling efektif dan efisien dari segi biaya. Paling tidak pendekatan

naif memberikan titik awal untuk perbandingan dengan model lain yang lebih

canggih. Contoh, jika penjualan produk (misalnya ponsel Nokia) adalah 50

unit pada bulan Januari, dapat diramalkan bahwa penjualan pada bulan Februari

akan sama yaitu sebanyak 50 unit.

2. Rata-rata Bergerak

Peramalan rata-rata bergerak (moving average) menggunakan sejumlah

data aktual masa lalu untuk menghasilkan peramalan. Secara matematis,rata-rata

bergerak sederhana (merupakan prediksi permintaan periode mendatang)

dinyatakan sebagai berikut :

dimana n adalah jumlah periode dalam rata-rata bergerak.

Contoh 1: Penjualan kursi lipat di PT. Suka Duduk di tunjukkan pada kolom

tengah dari tabel di bawah ini. Rata-rata 3 bulanan ditunjukkan di sebelah kanan.

8

Dari tabel di atas dapat dilihat peramalan untuk bulan Juli adalah 19 2/3.

Untuk memproyeksikan permintaan kursi lipat pada bulan Agustus diperoleh

dengan menjumlahkan penjualan bulan Mei, Juni, Juli lalu di bagi 3. Peramalan

untuk bulan Agustus adalah (19+23+26)/3 = 222/3.

Rata-rata bergerak dengan pembobotan (weighted moving average)

Dapat digunakan saat ada tren atau ada pola terdeteksi. Rata-rata bergerak

dengan pembobotan digambarkan secara matematis sebagai berikut :

Contoh 2: PT. Suka Duduk (lihat contoh 1) memutuskan untuk meramalkan

penjualan kursi lipat dengan memberikan bobot pada 3 bulan terakhir sebagai

berikut

Hasil peramalanrata-rata berbobot ini adalah sebagai berikut:

9

Bulan Penjualan Aktual Rata-rata Bergerak 3-Bulanan

Januari 10

Februari 12

Maret 13

April 16 (10+12+13)/3 = 11 2/3

Mei 19 (12+13+16)/3 = 13 2/3

Juni 23 (13+16+19)/3 = 16

Juli 26 (16+19+23)/3 = 19 2/3

Bobot yang Diberikan Penjualan Aktual

3 Bulan lalu

2 Dua Bulan lalu

1 Tiga Bulan lalu

6 Jumlah Total Bobot

Pada situasi peramalan seperti ini, dapat dilihat pada tabel bahwa pembobotan

bulan terakhir yang lebih berat memberikan proyeksi yang lebih akurat.

3. Penghalusan Eksponensial

Penghalusan eksponensial (exponential smoothing) merupakan metode

peramalan rata-rata bergerak dengan pembobotan yang canggih namun, masih

mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan data masa

lalu. Persamaannya sebagai berikut:

Peramalan baru = peramalan periode lalu + α [(permintaan aktual

periode baru – peramalan periode lalu)]

dimana α adalah sebuah bobot atau konstanta penghalusan (smoothing

constant), yang dipilih oleh peramal, yang mempunyai nilai antara 0 dan 1.

Persamaan diatas dapat ditulis secara matematis :

dimana :

Ft = peramalan baru

Ft-1 = peramalan sebelumnya

α = konstanta penghalus (pembobot) (0 ≤ α ≤ 1)

At-1 = permintaan aktual periode lalu

10

Ft = Ft-1 + α(At-1 - Ft-1)

Bulan Penjualan Aktual Rata-rata Bergerak 3-Bulanan

Januari 10

Februar

i

12

Maret 13

April 16 [(3 x 13) + (2 x 12) + (1 x 10)]/6 = 12 1/6

Mei 19 [(3 x 16) + (2 x 13) + (1 x 12)]/6 = 14 1/3

Juni 23 [(3 x 19) + (2 x 16) + (1 x 13)]/6 = 17

Juli 26 [(3 x 23) + (2 x 19) + (1 x 16)]/6 = 20 1/2

Konsepnya tidak rumit, prediksi terakhir permintaan sama dengan prediksi

lama, disesuaikan dengan sebagian dari diferensiasi permintaan aktual periode

lalu dengan prediksi lama.

Contoh 3: pada bulan Januari sebuah dealer motor memprediksi

permintaan Mio di bulan Februari sebanyak 142 unit. Permintaan aktual bulan

Februari adalah 153 unit. Dengan menggunakan konstanta penghalusan yang

dipilih oleh pihak manajemen, (α = 0.20), dapat diramalkan permintaan di bulan

Maret dengan menggunakan model penghalusan eksponensial. Dengan

memasukkan data sampel ke dalam rumus, didapat:

Penghalusan Eksponensial dengan Penyesuaian Tren

Penghalusan eksponensial yang sederhana gagal memberikan respons

terhadap tren yang terjadi. Untuk itu, penghalusan eksponensial harus diubah saat

ada tren. Untuk memperbaiki peramalan kita, berikut akan diilustrasikan model

penghalusan eksponensial yang lebih rumit, yang dapat menyesuaikan diri pada

tren yang ada. Rumus barunya adalah:

Sedangkan untuk menghitung rata-rata dan tren untuk setiap periode

menggunakan dua konstanta penghalusan, α untuk rata-rata dan β untuk

tren.rumusnya sebagai berikut.

11

Peramalan dengan tren (FITt) = peramalan penghalusan eksponensial (Ft) + tren penghalusan eksponensial (Tt)

Ft = α(permintaan aktual periode terakhir) + (1-α)(peramalan periode terakhir + estimasi tren periode terakhir)atau Ft = α(At-1) + (1-α) (Ft-1 + Tt-1)

H,3.67

dimana:

Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri

pada periode t

Tt = tren dengan eksponensial yang dihaluskan pada periode t

At = permintaan aktual pada periode t

α = konstanta penghalusan untuk rata-rata (0 ≤ α ≤ 1)

β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)

Dapat disimpulkan, tiga langkah menghitung peramalan dengan yang

disesuaikan dengan tren adalah:

1. Langkah 1: menghitung Ft, peramalan eksponensial yang dihaluskan

untuk

periode t.

2. Langkah 2: menghitung tren yang dihaluskan, Tt

3. Langkah 3: menghitung peramalan dengan tren, FITt, dengan formula

FITt = Ft + Tt

4. Proyeksi Tren

Jika membuat garis tren lurus dengan metode statistik, kita dapat

menerapkan metode kuadrat terkecil. Pendekatan ini menghasilkan sebuah garis

lurus yang meminimalkan jumlah kuadrat dari deviasi vertikal garis pada setiap

hasil pengamatan aktual. Persamaannya adalah sebagai berikut:

y=a+bx

12

Tt = β(peramalan periode ini – peramalan periode terakhir) + (1-β) (estimasi tren periode terakhir)atau Tt = β(Ft - Ft-1) + (1-β) Tt-1

ŷ = Nilai terhitung dari variabel yang akan diprediksi (disebut variabel

terikat).

a = Persilangan sumbu y

b = Kemiringan garis regresi (atau tingkat perubahan pada y untuk

perubahan yang terjadi di x).

x = Variabel bebas

Ahli statistik telah membuat persamaan yang dapat kita gunakan untuk

menemukan nilai a dan b untuk setiap garis regresi. Kemiringan b ditemukan

dengan:

b=Σ xy−n x yΣx2−n x2

b = Kemiringan garis regresi

x = Nilai variabel bebas yang diketahui

y = Nilai variabel terkait yang diketahui

y = Rata-rata nilai y

x = Rata-rata nilai x

n = Jumlah data atau pengamatan

Kita dapat menghitung y-intercept a sebagai berikut:

a= y−b x

Contoh 4

Permintaan daya listrik pada PLN selama periode 2003 hingga 2009 ditunjukan

pada tabel dibawah dalam satuan megawatt. Marilah kita meramalkan permintaan

tahun 2010 dengan menempatkan satu tren garis lurus yang paling sesuai pada

data berikut.

Tahun Permintaan Daya Listrik

13

2003 74

2004 79

2005 80

2006 90

2007 105

2008 142

2009 122

Dengan sekumpulan data, kita dapat meminimalkan perhitungan dengan

mengubah nilai x (waktu) menjadi angka yang sangat sederhana. Dalam hal ini,

kita menjadikan tahun 2003 sebagai tahun pertama, tahun 2004 sebagai tahun

kedua, dan seterusnya.

Tahun Periode

Waktu (X)

Permintaan

Daya Listrik (Y)

X2 XY

2003 1 74 1 74

2004 2 79 4 158

2005 3 80 9 240

2006 4 90 16 360

2007 5 105 25 525

2008 6 142 36 852

2009 7 122 49 854

Σ 28 692 140 3.063

x=Σxn

=287

=4

y=Σyn

=6927

=98 , 86

b=Σ xy−n x yΣx2−n x2 =

3. 063−(7 )(4 )(98 , 86 )140−(7)( 42 )

=29528

=10 , 54

a= y−b x=98 , 86−10 , 54 (4 )=56 ,70

14

Jadi, persamaan tren kuadrat terkecil adalah ŷ = 56,70 + 10,54x. Untuk

memproyeksikan permintaan di tahun 2010, pertama kita menotasikan tahun 2010

dalam sistem pengkodean yang baru sebagai x = 8:

Permintaan di tahun 2010 = 56,70 + 10,54 (8)

= 141,02 atau 141 megawatt

Kita dapat mengestimasikan permintaan di tahun 2011 dengan memasukkan nilai

x = 9 pada persamaan yang sama:

Permintaan di tahun 2011 = 56,70 + 10,54 (9)

= 151,56 atau 152 megawatt

Untuk menguji kebenaran model, kita kemudian memetakan permintaan historis

dan garis tren. Dalam hal ini kita berharap dapat berhati-hati dan mencoba

memahami adanya perubahan permintaan pada tahun 2008 dan 2009

5. Analisis Regresi

analisis regresi merupakan suatu teknik matematis yang menghubungkan

variabel independent dengan variabel dependent. Dalam analisis regresi ini juga

mempelajari hubungan yang ada diantara variabel-variabel sehingga dari

hubungan yang diperoleh kita dapat menaksir variabel yang satu apabila harga

variabel lainnya diketahui. Akan lebih jelasnya kami akan memberikan 2 contoh

sebagai berikut :

Contoh 5

1. Dari data yang tertera dapat dicari hubungan yang anatara pengunjung dan

yang belanja. Jika pada suatu hari ada 370 pengunjung, dari hubungan yang

diperoleh kita dapat memperkirakan ada berapa yang akan belanja di took itu.

Selain daripada itu,juga kita dapat menentukan berapa kuat jumlah pembeli

ditentukan oleh adanya pengunjung.

15

2. kita ketahui bahwa produk nasional kotor ditentukan oleh produk-produk

lainnya, antara lain jasa. Jika data selama jangka waktu tertentu

diketahui,hubungan antara produk nasional kotor dan jasa dapat dihitung. Dari

hubungan ini,produk nasional kotor dapat diperkirakan jika jasa dapat

diketahui.

Dari kedua contoh diatas dapat digunakan analisis regresi untuk

memperkirakan atau meramalkan.

a. Jenis Analisis Regresi

Dalam model kausalitas ini digunakan analisis regresi untuk meramalkan

sesuatu demi kelangsungan proses produksi/operasi. Dalam analisis regresi ini

terdapat 3 jenis yakni sebagai berikut :

1) Analisis Regresi Linier sederhana

Analisis regresi linier sederhana ini merupakan model dua variable, dimana

salah satu variable bebas sudah diketahui dan dianggap memberi akibat

terhadap variable yang lainnya yang merupakan variable terikat. Persamaan

liniernya adalha sebagai berikut :

Y = a + bX

Y= Subjek dalam variabel dependen yang diprediksi

a = Harga Y bila x = 0

b =Angka arah atau koefisien regresi yang menunjukan peningkatan

atau penurunan variabel dependen yang didasarkan pada variabel

independen

x = Subjek pada variabel independen

a=(ΣY 1 )(ΣX

12)− (ΣX1 )( ΣX1Y 1 )

nΣX12−(ΣX1 )2

b=nΣX1Y 1−(ΣX 1) (ΣY 1)

nΣX12−( ΣX1)2

16

Contoh 6

1. Dilakukan suatu studi eksperimen untuk mengetahui bagaimana pengaruh

tingkat penggunaan pupuk nitrogen pada hasil panen padi yang diperoleh.

Tingkat Penggunaan Pupuk Nitrogen

Kg/ha

(X)

Hasil Panen Padi

Kg/ha

(Y)

0 4230

50 5442

100 6661

150 7150

Hasil regresi linear sederhana adalah sebagai berikut:

X Y X2 X.Y

0 4.230 0 0

50 5.442 2.500 272.100

100 6.661 10.000 666.100

150 7.150 22.500 1.072.500

300 23.483 35.000 2.010.700

a=(ΣY1 )(ΣX

12)− (ΣX1 )( ΣX1Y 1 )

nΣX12−( ΣX1 )2

= (23.483) (35.000) – (300) (2.010.700)

4. 35.000 – (300)2

= 821.905.000 – 603.210.000

140.000 – 90.000

17

= 218.695.000

50.000

= 4.373,9

b=nΣX1Y 1−(ΣX 1) (ΣY 1)

nΣX12−( ΣX1)2

= 4. 2.010.700 – (300) (23.483)

4. 35.000 – (300)2

= 8.042.800 – 7,044.900

140.000 – 90.000

= 997.900

50.000

= 19,96

Y = a + bX

Y = 4.373,9 + 19,96x

2) Analisis Regresi Linier Berganda

Regresi berganda adalah lanjutan praktis dari model regresi sederhana.

Regresi berganda merupakan metode peramalan sebab akibat dengan lebih dari

satu variabel bebas. Dengan persamaannya adalah sebagai berikut :

18

Y = a + bX1 + bX2

ΣY =an+b1 ΣX1+b2 ΣX2ΣX1Y =aΣX 1+b1 ΣX

12+b2 ΣX1 X2

ΣX2Y =aΣX 2+b1ΣX 1 X2+b2 ΣX 2

Contoh 7

Sebuah penelitian dilakukan untuk mengetahui komitmen dan kompetensi

terhadap kinerja pegawai. Berdasarkan 10 orang responden yang digunakan

sebagai sumber penelitian diperoleh hasil sebagai berikut:

Komitmen

(X1)

Kompetensi

(X2)

Kinerja

(Y)

15 12 18

7 8 15

9 7 20

11 9 22

13 11 28

12 10 27

9 8 15

11 8 19

12 9 25

6 8 24

X1 X2 Y X12 X1.X2 X2

2 X1.Y X2.Y

15 12 18 225 180 144 270 216

7 8 15 49 56 64 105 120

9 7 20 81 63 49 180 140

11 9 22 121 99 81 242 198

13 11 28 169 143 121 364 308

19

12 10 27 144 120 100 324 270

9 8 15 81 72 64 135 120

11 8 19 121 88 64 209 152

12 9 25 144 108 81 300 225

6 8 24 36 48 64 144 192

105 90 213 1.17

1

977 832 2.273 1.941

ΣY = an + b1ΣX1 + b2ΣX2

213 = 10a + 105b1 + 90b2.........................(Persamaan 1)

ΣX1Y = aΣX1 + b1ΣX12 + b2ΣX1X2

2.273 = 105a + 1.171b1 + 977b2..............(Persamaan 2)

ΣX2Y = aΣX2 + b1ΣX1X2 + b2ΣX22

1.941 = 90a + 977b1 +832b2.....................(Persamaan 3)

Pengeliminasian persamaan 1 dan persamaan 2:

213 = 10a + 105b1 + 90b2 X 10,5 2.236,5 = 105a + 1.102,5b1 + 945b2

2.273 = 105a + 1.171b1 + 977b2 X 1 2.273 = 105a + 1.171b1 + 977b2

(Persamaan 4).......... 36,5 = 68,5b1 + 32b2

Pengeliminasian persamaan 2 dan persamaan 3:

2.273 = 105a + 1.171b1 + 977b2 X 6 13.638 = 630a + 7.026b1 + 5.862b2

1.941 = 90a + 977b1 +832b2 X 7 13.587 = 630a + 6.839b1 + 5.824b2

(Persamaan 5).......... 51 = 187b1 + 38b2

20

Pengeliminasian persamaan 4 dan persamaan 6:

36,5 = 68,5b1 + 32b2 X 38 1.387 = 2.603b1 + 1.216b2

51 = 187b1 + 38b2 X 32 1.632 = 5.984b1 + 5.824b2

-245 = -3381b1

b1 = 0,07

51 = 187b1 + 38b2

51 = 187(0,07) + 38b2

51 = 13,09 + 38b2

51 - 13,09 = 38b2

37,91 = 38b2

b2 = 0,99

213 = 10a + 105b1 + 90b2

213 = 10a + 105(0,07) + 90(0,99)

213 = 10a + 7,35 + 89,1

213 = 10a + 96,45

213 - 96,45 = 10a

116,55 = 10a

a = 11,66

Y = 11,66 + 0,07 (X1) + 0,99 (X2)

I. Tingkat Akurasi Dalam Metode Peramalan

Dalam pengukuran akurasi pada metode peramalan ini kita harus

memepelajari kesalahan standar dari suatu estimasi dan kesalahan taksir dalam

suatu peramalan yang akan dibahas berikut ini

21

a. Kesalahan Standar dari suatu Estimasi

Titik prediksi adalah rata-rata(mean) atau nilai harapan (expected value)

dari suatu distribusi penjualan yang mungkin. Untuk menghitung keakuratan

regresi yang diperkirakan, kita harus menghitung kesalahan standar estimasi

(standard error of the estimate), perhitungan ini disebut deviasi standar regresi

(standard deviation of the regression) yang menghitung kesalahan dari variable

terikat terhadap garis regresi dan bukan terhadap rata-rata.

=

Dimana

= Nilai untuk setiap titik data

= Nilai terhitung variable terikat, dari persamaan regresi

= Jumlah data

b. Kesalahan taksir dalam peramalan

Perusahaan perlu menetapkan keputusan atas perbedaan yang signifikan

dengan yang diramalkan melalui variable yang dievaluasi. Satu cara untuk

mengawasi peramalan berjalan dengan baik adalah dengan menggunakan sebuah

sinyal penelusuran (tracking signal). Sinyal penelusuran adalah sebuah

perhitungan seberapa baik peramala memprediksi nilai actual.

Sinyal penelusuran dihitung sebagai running sum of the forecast errors

(RSFE) dibagi dengan mean absolute deviation (MAD) :

(Tracking signal)

=

22

=

Dimana

MAD =

Sinyal penelusuran positif menandakan permintaan lebih besar dari ramalan.

Sinyal negative berarti permmintaan lebih sedikit dari ramalan. Sinyal

penelusuran yang bagus adalah yang memiliki RSFE rendah, mempunyai

kesalahan positif yang sama dengan kesalahan negatifnya.

J. Isu dan Tantangan

a. Faktor-faktor lingkungan eksternal

Lingkungan eksternal terdiri atas unsur-unsur di luar organisasi, yang

sebagian besar tak dapat dikendalikan dan berpengaruh dalam pembuatan

keputusan oleh manajer. Organisasi mendapatkan masukan-masukan yang

dibutuhkan, seperti bahan baku, dana, tenaga kerja dan energi dari lingkungan

eksternal, mentransformasikan menjadi produk dan jasa, kemudian memberikan

sebagai keluaran-keluaran kepada lingkungan eksternal.

  Lingkungan eksternal mempunyai baik unsur-unsur yang berpengaruh

langsung (lingkungan ekstern mikro) dan yang berpengaruh tidak langsung

(lingkungan ekstern makro). Lingkungan ekstren mikro terdiri dari para pesaing,

penyedia, langganan, lembaga-lembaga keuangan, pasar tenaga kerja dan

perwakilan-pewakilan pemerintah. Unsur-unsur lingkungan ekstern makro

mencakup teknologi, ekonomi, politik dan sosial yang mempengaruhi iklim

dimana organisasi beroperasi dan mempunyai potensi menjadi kekuatan-kekuatan

sebagai lingkungan ekstern mikro.

b. Lingkungan Ekstern Mikro

Komponen-komponen lingkungan ekstern mikro yang paling penting

adalah para pesaing yang harus dihadapi perusahaan, langganan yang harus

dilayani, pasar tenaga kerja, lembaga-lembaga keuangan, para penyedia

(suppliers) dan perwakilan-perwakilan pemerintah. Tentu saja beberapa

23

lingkungan ekstern mikro lainnya penting juga diperhatikan, walaupun tingkat

pengaruhnya berbeda, seperti saluran distribusi yang digunakan, media, asosiasi-

asosiasi bisnis, kelompok- kelompok pencinta lingkungan, dan kelompok-

kelompok politik tertentu yang sebagian besar merupakan perwujudan potensi

pengaruh lingkungan ekstern mikro.

c. Lingkungan Ekstern Makro

 Lingkungan ekstern makro mempengaruhi organisasi dengan dua cara.

 1. Kekuatan-kekuatan di luar tersebut mempengaruhi suatu organisasi secara

langsung atau secara tidak langsung melalui satu atau lebih unsur-unsur

lingkungan ekstern mikro.

 2. Unsur-unsur lingkungan makro menciptakan iklim - misal teknologi tinggi,

keadaan perekonimian cerah atau lesu dan perubahan-perubahan sosial - dimana

organisasi ada dan harus memberikan tanggapan.

Lingkungan ekstern makro terdiri dari faktor-faktor teknologi,

ekonomi, politik, sosial dan dimensi internasional sebagai kekuatan-

kekuatan yang berada di luar jangkauan perusahaan dan biasanya terlepas

dari situasi operasional perusahaan, dengan organisasi jarang memiliki

kekuatan untuk memberikan pengaruh balik yang berarti. Sebagai contoh,

teknologi komputer sekarang ini membuat mungkin perolehan, penyimpanan dan

pemindahan informasi dalam jumlah yang besar. Keadaan perekonomian yang

dilanda resesi akan menyebutkan dunia usaha lesu, dengan perusahaan-perusahaan

tidak mempunyai kemampuan untuk memperbaiki kecendrungan negativ keadaan

ekonomi tersebut.

 Perkembangan teknologi. Dalam setiap masyarakat atau industri, tingkat

kemajuan teknologi memainkan peranan berarti pada penentuan produk dan jasa

yang akan diproduksi, peralatan yang akan digunakan, dan bagaimana bermacam-

macam operasi akan dikelola. Sebagai contoh, kemajuan teknologi akan

menurunkan permintaan akan manajer-manajer menengah dan lini pertama.

Banyak perusahaan sekarang mempergunakan komputer untuk peramalan operasi-

24

operasi dan skeduling produksinya, dimana pada waktu yang lalu dilakukan oleh

fungsi-fungsi manajemen menengah.

   Perubahan-perubahan teknologi, yang biasanya bersifat inovatif dan

menolak keusangan, dapat terjadi seketika dan dramatik dalam mempengaruhi

perusahaan dan situasi persaingan. Untuk beberapa tahun, perusahaan

POLAROID dapat bersaing dengan perusahaan-perusahaan alat-alat pemotret

seperti EASTMAN KODAK, SAKURA dan FUJI karena produknya mempunyai

keunikan yang terlindungi. Ketika KODAK dan lain-lainnya mengembangkan

suatu teknologi alternatif, posisi pasar POLAROID terancam. Dalam situasi ini,

manajer organisasi dituntut untuk selalu mengembangkan produk, proses produksi

dan cara-cara penawaran produk perusahaan.

  Manajer perlu senantiasa meramalkan arah perkembangan teknologi dan

memperkirakan pengaruhnya pada organisasi (peramalan teknologi).

  Variabel-variabel Ekonomi. Manajer selalu berhadapan dengan masalah

biaya sumber-sumber daya yang dibutuhkan organisasi. Biaya-biaya ini selalu

berubah setiap waktu karena pengaruh factor-faktor ekonomi. Untuk itu manajer

perlu menganalisa dan mendiagnosa factor-faktor ekonomi, seperti inflasi dan

deflasi, kebijakan-kebijakan moneter, devaluasi atau revaluasi, tingkat suku

bunga, kebijakan fiscal, keseimbangan neraca pembayaran, dan harga-harga yang

ditetapkan oleh para pesaing dan penyedia.

  Lingkungan Sosial – Kebudayaan. Lingkungan sosial kebudayaan suatu

masyarakat merupakan pedoman hidup yang menentukan bagaimana hamper

seluruh organisasi dan manajer akan beroperasi.

  Variabel-variabel Politik – Hukum. Politik dan hukum dalam suatu

periode waktu tertentu akan menentukan operasi perusahaan. Manajer harus

memperhatikan iklim politik, peraturan-peraturan pemerintah maupun

kensekuensi- kensekuensi atau dampaknya terhadap pemerintah dalam membuat

keputusan.

Dimensi Internasional. Komponen internasional dalam lingkungan

eksternal juga menyajikan kesempatan-kesempatan dan tantangan-tantangan, serta

25

mempunyai potensi menjadi faktor yang mempengaruh langsung pada operasi

perusahaan. Kekuatan internasional ini berpengaruh melalui perkembangan politik

dunia, ketergantungan ekonomi, penularan nilai-nilai dan sikap hidup serta

transfer teknologi.

d. Organisasi dan Lingkungan

  Tanggung jawab manajer terhadap organisasi dalam menyikapi pengaruh

lingkungan:

 1. Usaha mempengaruhi lingkungan ekstern mikro

 2. Peramalan (forecasting) dan lingkungan ekstern makro

 3. Perancanaan, perancangan organisasi dan lingkungan

 

e. Tanggungjawab Sosial

  Tanggung jawab sosial berarti bahwa manajemen mempertimbangkan

dampak sosial dan ekonomi di dalam pembuatan keputusan. Manajer dituntut

mengimplemetasikan etika berusaha (the ethics of manager), terutama dalam hal

yang berhubungan dengan langganan, karyawan, penemu teknologi, lembaga-

lembaga pendidikan, perusahaan-perusahaan lain, supplier, kreditur, pemegang

saham, pemerintah, dan masyarakat.

 Ada lima faktor yang mempengaruhi keputusan-keputusan dalam masalah etika,

yaitu:

 1. hukum

 2. peraturan pemerintah

 3. kode etik industri dan perusahaan

 4. tekanan-tekanan sosial

 5. tegangan antara standar perorangan dan kebutuhan organisasi

26

27