silahkan klik link ini :
http://adf.ly/epVyN
untuk download makalah Peramalan Produksi
http://adf.ly/epVyN
untuk download makalah Peramalan Produksi
BAB 2
PERAMALAN
A. Pengertian Peramalan
Keputusan persediaan
yang dihasilkan dari pembelian cenderung bersifat jangka pendek dan hanya untuk
produk yang khas. Peramalan yang mengarah pada keputusan ini harus memenuhi
kebutuhan yang sama seperti peramalan penjadwalan jangka pendek. Peramalan ini
harus memiliki tingkat ketelitian yang tinggi dan kekhasan produk individu.
Untuk keputusan persediaan dan penjadwalan karena banyaknya jenis yang terlibat
biasanya diperlukan juga membuat sejumlah besar peramalan. Jadi untuk keputusan
semacam ini akan sering digunakan komputerisasi sistem peramalan. Ada beberapa
jenis keputusan di dalam operasi dan dibutuhkan bermacam peramalan seperti
ditunjukkan pada tabel 9.1.
GAMBAR
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.
Konsep Dasar Peramalan
Peramalan merupakan bagian awal dari suatu
proses pengambilan suatu keputusan. Sebelum melakukan peramalan harus diketahui
terlebih dahulu apa sebenarnya persoalan dalam pengambilan keputusan itu.
Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap
satu atau beberapa produk pada periode yang akan datang. Pada hakekatnya
peramalan hanya merupakan suatu perkiraan (guess), tetapi dengan menggunakan
teknik-teknik tertentu, maka peramalan menjadi lebih sekedar perkiraan.
Peramalan dapat dikatakan perkiraan yang ilmiah (educated guess).
Setiap pengambilan
keputusan yang menyangkut keadaan di masa yang akan datang, maka pasti ada
peramalan yang melandasi pengambilan keputusan tersebut (Sofyan Assauri, 1984,
hal. 1).
Dalam kegiatan
produksi, peramalan dilakukan untuk menentukan jumlah permintaan terhadap suatu
produk dan merupakan langkah awal dari proses perencanaan dan pengendalian
produksi. Dalam peramalan ditetapkan jenis produk apa yang diperlukan (what),
jumlahnya (how many), dan kapan dibutuhkan (when). Tujuan peramalan dalam
kegiatan produksi adalah untuk meredam ketidakpastian, sehingga diperoleh suatu
perkiraan yang mendekati keadaan yang sebenarnya.
Suatu perusahaan
biasanya menggunakan prosedurtiga tahap untuk sampai pada peramalan penjualan,
yaitu diawali dengan melakukan peramalan lingkungan, diikuti dengan peramalan
penjualan industri, dan diakhiri dengan peramalan penjualan
perusahaan.Peramalan lingkungan dilakukan untuk meramalkan inflasi,
pengangguran, tingkat suku bunga, kecenderungan konsumsi dan menabung, iklim
investasi, belanja pemerintah, ekspor, dan berbagai ukuran lingkungan yang
penting bagi perusahaan. Hasil akhirnya adalah proyeksi Produk Nasional Bruto,
yang digunakan bersama indikator lingkungan lainnya untuk meramalkan penjualan
industri. Kemudian, perusahaan melakukan peramalan penjualan dengan asumsi
tingkat pangsa tertentu akan tercapai.
B. Pendefenisian
Tujuan Peramalan
Tujuan
peramalan dilihat dengan waktu:
- Jangka pendek (Short Term)
Menentukan kuantitas
dan waktu dari item dijadikan produksi. Biasanya bersifat harian ataupun
mingguan dan ditentukan oleh Low Management.
- Jangka Menengah (Medium Term)
Menentukan kuantitas
dan waktu dari kapasitas produksi. Biasanya bersifat bulanan ataupun kuartal
dan ditentukan oleh Middle Management.
- Jangka Panjang (Long Term)
Merencanakan kuantitas
dan waktu dari fasilitas produksi. Biasanya bersifat tahunan, 5 tahun, 10
tahun, ataupun 20 tahun dan ditentukan oleh Top Management
C.
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).
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.
D. Karakteristik Peramalan Yang Baik
Peramalan yang baik
mempunyai beberapa kriteria yang penting, antaralain akurasi, biaya,dan
kemudahan. Penjelasan dari kriteria-kriteria tersebut adalah sebagai berikut :
1. Akurasi.
Akurasi
dari suatu hasil peramalan diukur dengan hasil kebiasaan dan kekonsistensian
peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut bila
terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya
terjadi. Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan
relatif kecil. Peramalan yang terlalu rendah akan mengakibatkan kekuranga
persediaan, sehingga permintaan konsumen tidak dapat dipenuhi segera akibatnya
perusahaa dimungkinkan kehilangan pelanggan dan kehilangan keuntungan
penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya
penumpukan persediaan, sehingga banyak modal yang terserap sia – sia.
Keakuratan dari hasil peramalan ini berperan penting dalam menyeimbangkan
persediaan yang ideal.
2. Biaya.
Biaya
yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah
item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang
dipakai. Ketiga faktor pemicu biaya tersebut akan mempengaruhi berapa banayak
data yang dibutuhkan, bagaimana pengolahan datanya ( manual atau
komputerisasi), bagaimana penyimpanan datanya dan siapa tenaga ahli yang
diperbantukan. Pemilihan metode peramalan harus disesuaikan dengan dana yang
tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang
penting akan diramalkan dengan metode yang sederhana dan murah. Prinsip ini
merupakan adopsi dari hukum Pareto ( Analisa ABC ).
3. Kemudahan
Penggunaan
metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan
memberikan keuntungan bagi perusahaan. Adalah percuma memakai metode yang
canggih, tetapi tidak dapat diaplikasikan pada system perusahaan karena
keterbatasan dana, sumber daya manusia, maupun peralatan teknologi
E. Beberapa
Sifat Hasil Peramalan.
Dalam membuat peramalan
atau menerapkan suatu peramalan maka ada beberapa hal yang harus
dipertimbangkan yaitu :
1. Ramalan
pasti mengandung kesalahan, artinya peramal hanya bias mengurangi
ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan
ketidakpastian tersebut.
2. Peramalan
seharusnya memberikan informasi tentang beberapa ukuran kesalahan, artinya
karena peramalan pasti mengandung kesalahan, maka adalah penting bagi peramal
untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi.
3. Peramalan
jangka pendek lebih akurat dibandingkan peramalan jangka panjang. Hal ini
disebabkan karena pada peramalan jangka pendek, faktorfaktor yang mempengaruhi
permintaan relatif masih konstan sedangkan masih panjang periode peramalan,
maka semakin besar pula kemungkinan terjadinya perubahan faktor-faktor yang
mempengaruhi permintaan
F.
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.
Peramalan permintaan (demand forecast) adalah
proyeksi permintaan untuk produk atau layanan suatu perusahaan.
4. Kepentingan strategis peramalan.
G.
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
H.
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 peramalan.
7.
Memvalidasi dan menerapkan hasil peramlan.
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.
I. Klasifikasi Teknik
Peramalan
Dalam sistem peramalan,
penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda
dan derajat dari galat peramalan yang berbeda pula. Salah satu seni dalam
melakukan peramalan adalah memilih model peramalan yang terbaik yang mampu
mengidentifikasi dan menanggapi pola aktifitas historis dari data.
Pada umumnya peramalan
dapat dibedakan dari beberapa segi tergantung dari cara melihatnya. Apabila
dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan atas dua
macam, yaitu :
1. Dilihat dari Sifat
Penyusunannya
a. Peramalan
yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari
orang yang menyusunnya. Dalam hal ini pandangan orang yang menyusunnya sangat
menentukan baik tidaknya hasil ramalan tersebut.
b. Peramalan
yang objektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa
lalu, dengan menggunakan teknik – teknik dan metode – metode dalam
penganalisaannya.
2. Dilihat dari Jangka
Waktu Ramalan yang Disusun
a. Peramalan
jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan
yang jangka waktunya satu tahun atau kurang. Peramalan ini digunakan untuk
mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan
lain-lain keputusan kontrol jangka pendek.
b. Peramalan
jangka menengah, yaitu peramalan yang dilakukan untuk
penyusunan hasil
ramalan yang jangka waktunya satu hingga lima tahun ke depan Peramalan ini
lebih mengkhususkan dibandingkan peramalan jangka panjang, biasanya digunakan
untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran.
b. Peramalan
jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan
yang jangka waktunya lebih dari lima tahun yang akan datang. Peramalan jangka
panjang digunakan untuk pengambilan keputusan mengenai perencanaan produk dan
perencanaan pasar, pengeluaran biaya perusahaan, studi kelayakan pabrik,
anggaran, purchase order, perencanaan tenaga kerja serta perencanaan kapasitas kerja
J.
Pendekatan
dalam Peramalan
Ada dua pendekatan umum peramalan :
Analisis
kualitatif (qualitative forecast) atau peramalan subjektif merupakan
peramalan yang didasarkan atas kwalitatif pada masa lalu dengan 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 , Hasil peramalan yang dibuat sangat tergantung
pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut
ditentukan berdasarkan pemikiran yang bersifat intuisi, judgement atau
pendapat, dan pengetahuan serta pengalaman dari penyusunnya.
Terdapat empat teknik dalam analisis ini, yaitu:
a.
Keputusan dari pendapat juri eksekutif.
b.
Delphi.Sekelompok
pakar mengisi kuesioner, Moderator menyimpulkan hasilnya dan memformulasikan
menjadi suatu kuesioner baru yang diisi kembali oleh kelompok tersebut,
demikian seterusnya. Hal ini merupakan proses pembelajaran (learning process)
dari kelompok tanpa adanya
tekanan atau intimidasi individu
c.
Gabungan
dari tenaga penjualan.
d.
Survei
pasar konsumen merupakan metode peramalan berdasarkan hasil –
hasil dari survei pasar yang dilakukan oleh tenaga-tenaga pemasar produk atau
yang mewakilinya. Metode ini akan menjaring informasi dari planggan atau
pelanggan potenbsial (konsumen) berkaitan dengan rencana Peramalan pembelian mereka dimasa mendatang. Riset pasar
tidak hanya akan membantu peramalan, tetapi juga untuk meningkatkan desain
produk dan perencanaan
untuk produk-produk baru.
1. Analisis kuantitatif
(quantitative forecast), merupakan peramalan yang didasarkan atas data
kuntitatif pada masa lalu menggunakan model matematis yang beragam dengan data
masa lalu dan variabel sebab akibat untuk meramalkan permintaan Hasil peramalan
yang dibuat sangat tergantung pada metoda yang dipergunakan dalam peramalan
tersebut. Dengan metoda yang berbeda akan diperoleh hasil peramalan yang
berbeda, adapun yang perlu diperhatikan dari penggunaan metoda tersebut, adalah
baik tidaknya metoda yang dipergunakan, sangat ditentukan oleh perbedaan atau
penyimpangan antara hasil ramalan dengan kenyataan yang terjadi.
Pada Gambar 9.1, dapat dilihat Taksonomi
peramalan dibawah ini sebagai berikut :
GAMBAR
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.
- Pendekatan Naif
- Rata-rata Bergerak
- Penghalusan Eksponensial
- 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).
K.
Metode Time Series (Deret Berkala)
Metode
time series adalah metode yang dipergunakan untuk menganalisis serangkaian data
yang merupakan fungsi dari waktu. Metode ini mengasumsikan beberapa pola atau
kombinasi pola selalu berulang sepanjang waktu, dan pola dasarnya dapat
diidentifikasi semata-mata atas dasar data historis dari serial itu Dengan
analisis deret waktu dapat ditunjukkan bagaimana permintaan terhadap suatu
produk tertentu bervariasi terhadap waktu. Sifat dari perubahan permintaan dari
tahun ke tahun dirumuskan untuk meramalkan penjualan pada masa yang akan datang
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, Pola data ini terjadi apabila nilai data berfluktuasi di sekitar
nilai rata-rata. Pola ini dapat digambarkan sebagai berikut (Sofyan Assauri,
1984, hal. 46 – 47):.
GAMBAR
2. Pola
musiman (seasonal), terjadi bilamana suatu deret dipengaruhi oleh
faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada
minggu tertentu), Perkataan musim menggambarkan pola penjualan
yang berulang setiap periode. Komponen musim dapat dijabarkan ke dalam factor
cuaca, libur, atau kecenderungan perdagangan. Pola musiman berguna dalam
meramalkan penjualan dalam jangka pendek. Pola data ini terjadi bila nilai data
sangat dipengaruhi oleh musim,. Selama musim Penjualan dari
produk seperti minuman ringan, es krim, dan bahan bakar pemanas ruang semuanya
menunjukkan jenis pola ini.
GAMBAR
3.
Pola siklis (cycle), terjadi
bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang
berhubungan dengan siklus bisnis , Penjualan produk dapat memiliki siklus yang
berulang secara periodik. Banyak produk dipengaruhi pola pergerakan aktivitas
ekonomi yang terkadang memiliki kecenderungan periodic. Komponen siklis ini
sangat berguna dalam peramalan jangka menengah. Pola data ini terjadi bila data
memiliki kecendrungan untuk naik atau turun terus-menerus. Pola data dalam
bentuk trend ini digambarkan sebagai berikut:. Contoh: Penjualan produk seperti
mobil, baja, dan peralatan utama lainnya.
GAMBAR
4. Pola
trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler
jangka panjang dalam data. Pola data ini terjadi bila data memiliki
kecenderungan untuk naik atau turun terus menerus.: Contoh:
Penjualan banyak perusahaan, GNP dan berbagai indikator bisnis atau ekonomi
lainnya.
Pola data dalam bentuk
trend ini dapat digambarkan sebagai berikut
GAMBAR
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
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 mempengaruh
kondisi ekonomi
|
2-10 tahun
|
Tren
|
Sistematis
|
Perubahan 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
1.Trend Linier
Bentuk persamaan umum (Sofyan Assauri, 1984, hal. 53 –
56):
Y = a + bt
Sedangkan peramalannya mempunyai bentuk persamaan:
Yt = a + bt
di mana:
Yt = Nilai ramalan pada periode ke-t
t = Waktu/periode
Dengan menggunakan metode kuadrat terkecil (Least Square
Method) maka harga konstanta a dan b diperoleh dari persamaan
di bawah ini:
RUMUS
2.Trend Eksponensial atau Pertumbuhan
Bentuk persamaan umum:
Y = aebt
Sedangkan peramalannya mempunyai bentuk persamaan:
Yt = aebt
Dengan menggunakan transformasi logaritma natural maka
harga konstanta a dan b diperoleh dari persamaan di bawah ini:
RUMUS
3.
Trend
Logaritma
Y = a + b log t
Sedangkan peramalannya
mempunyai bentuk persamaan:
Yt = a + b log t
Dengan menggunakan
transformasi logaritma natural maka harga konstanta a dan b diperoleh dari
persamaan di bawah ini:
RUMUS
4.
Trend
Geometrik
Bentuk persamaan
umumnya adalah:
Y = atb
Sedangkan peramalannya
mempunyai bentuk persamaan:
Yt = atb
Dengan menggunakan
transformasi logaritma maka harga konstanta a dan b diperoleh dari persamaan di
bawah ini:
RUMUS
5. Trend
Hyperbola
Bentuk persamaan umumnya
adalah:
bt
Y a
Peramalannya mempunyai
bentuk persamaan:
t t b
Y a
Dengan menggunakan
transformasi logaritma maka harga konstanta a dan b diperoleh dari persamaan di
bawah ini :
RUMUS
Adapun metode peramalan
yang termasuk model time series adalah sebagai berikut:
L. Metode Penghalusan (Smoothing).
Metode
smoothing digunakan untuk mengurangi ketidakteraturan musiman dari data yang
lalu, dengan membuat rata – rata tertimbang dari sederetan data masa lalu.
Ketepatan peramalan dengan metode ini akan terdapat pada peramalan jangka
pendek, sedangkan untuk peramalan jangka panjang kurang akurat.
Metode smoothing
terdiri dari beberapa jenis, antara lain :
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.
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
|
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
Bobot yang Diberikan
|
Penjualan Aktual
|
3
|
Bulan
lalu
|
2
|
Dua Bulan lalu
|
1
|
Tiga
Bulan lalu
|
6
|
Jumlah
Total Bobot
|
Hasil
peramalanrata-rata berbobot ini adalah sebagai berikut:
Bulan
|
Penjualan Aktual
|
Rata-rata
Bergerak 3-Bulanan
|
Januari
|
10
|
|
Februari
|
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
|
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
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.
|
|
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:
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 = Kemiringan garis regresi
x = Nilai variabel
bebas yang diketahui
y = Nilai variabel
terkait yang diketahui
= Rata-rata nilai y
= Rata-rata nilai x
n = Jumlah data atau
pengamatan
Kita dapat menghitung y-intercept a sebagai
berikut:
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
|
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
|
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.
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
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
|
= (23.483)
(35.000) – (300) (2.010.700)
4. 35.000 –
(300)2
= 821.905.000
– 603.210.000
140.000 – 90.000
= 218.695.000
50.000
=
4.373,9
= 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 :
Y = a + bX1 + bX2
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
|
X22
|
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
|
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
|
1.171
|
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
|
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
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)
=
=
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 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-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 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
1 comment:
dear dawud tan
terima kasih telah memberikan pertanyaan ke blog kami..
untuk menjawab pertanyaan tersebut tentunya teknik yang digunakan itu banyak tpi tergantung dari kebutuhan date time series itu sendiri
Post a Comment