Sponsor

Friday, 7 March 2014

Makalah Peramalan Produksi

silahkan klik link ini :
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:
  1. Jangka pendek (Short Term)
Menentukan kuantitas dan waktu dari item dijadikan produksi. Biasanya bersifat harian ataupun mingguan dan ditentukan oleh Low Management.
  1. Jangka Menengah (Medium Term)
Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya bersifat bulanan ataupun kuartal dan ditentukan oleh Middle Management.
  1. 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.
  1. Pendekatan Naif
  2. Rata-rata Bergerak
  3. Penghalusan Eksponensial
  4. 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 :


Ft =  Ft-1 + α(At-1 - Ft-1)
 
 


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:
H,3.67
 
 



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

 
 



            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.
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)

 
 






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





 
 



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




2 comments:

Dawud Tan said...

permisi pak, saya baru saja menulis tentang fungsi autocorrelation untuk penentuan pola data time series apakah musiman, tren, atau stationer, di artikel berikut: http://datacomlink.blogspot.com/2015/12/data-mining-identifikasi-pola-data-time.html yang ingin saya tanyakan, apakah ada teknik lain untuk mencari pola data time series selain fungsi autocorrelation ya pak? terima kasih

Rahmat Suharjana said...

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