filosofipadischool.files.wordpress.com · Web viewRumus menghitung 5: Dari contoh di atas, seasonal factor dapat dihitung langsung mengikuti rumus di atas. Angka-angka deseasonalized

MODUL PERKULIAHAN

Supply Chain Management

Peramalan

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Teknik Teknik Industri 05 16075 Uly Amrina, ST, MM

Abstract KompetensiPeramalan sangat berkaitan dengan pengelolaan permintaan produk. Tujuan pengelolaan permintaan produk adalah untuk mengoordinasikan dan mengawasi semua sumber daya permintaan sehingga sistem produksi dapat digunakan secara efisien dan

Memahami dan mampu melakukan peramalan permintaan yang mempengaruhi kinerja manajemen rantai pasok

produk dapat dikirim tepat waktu.

PeramalanPengertian Peramalan

Peramalan adalah gabungan antara seni dan ilmu pengetahuan untuk memprediksi kejadian

di masa datang. Di mana kejadian di masa datang diprediksikan berdasarkan pada kejadian

di masa lalu. Satu dekade yang lalu, peramalan lebih banyak menggunakan seni dalam

melakukan prediksi. Akan tetapi, sekarang peramalan sudah menggunakan metode dan

perhitungan matematika yang cukup canggih untuk memprediksi masa depan.

Pembahasan mengenai peramalan dapat dimulai dengan pembahasan mengenai

pengelolaan permintaan. Peramalan sangat berkaitan dengan pengelolaan permintaan

produk. Tujuan pengelolaan permintaan produk adalah untuk mengoordinasikan dan

mengawasi semua sumber daya permintaan sehingga sistem produksi dapat digunakan

secara efisien dan produk dapat dikirim tepat waktu. Dari mana datangnya permintaan

produk atau jasa suatu perusahaan dan apa yang dapat dilakukan perusahaan untuk

mengelolanya? Terdapat dua sumber permintaan, yaitu permintaan terikat (dependent

demand) dan permintaan bebas (independent demand).

Permintaan terikat adalah permintaan terhadap suatu produk atau jasa yang disebabkan

oleh adanya permintaan terhadap produk atau jasa lainnya. Permintaan bebas adalah

permintaan yang tidak terikat dengan permintaan produk lainnya. Contohnya, apabila suatu

perusahaan menjual 1.000 buah sepeda roda tiga maka berarti diperlukan 1.000 buah roda

depan dan 2.000 buah roda belakang.

Permintaan mengenai berapa terjualnya sepeda roda tiga tersebut dinamakan permintaan

bebas, sedangkan permintaan terhadap roda sepeda dinamakan permintaan terikat karena

tergantung dari berapa banyak permintaan terhadap sepeda. Suatu permintaan dapat

dipengaruhi oleh dua faktor, yaitu faktor internal dan faktor ekstemal.

1. Faktor Eksternal Faktor eksternal yang mempengaruhi permintaan terhadap produk atau jasa perusahaan

merupakan faktor di luar kontrol perusahaan. Perkembangan ekonomi merupakan salah

satu contoh pengaruh yang bersifat positif walaupun dampaknya bisa beragam terhadap

berbagai produk atau jasa perusahaan. Semen tara itu, beberapa akti vitas ekonomi

2016 2 Supply Chain Management

Pusat Bahan Ajar dan eLearningUly Amrina, ST, MM http://www.mercubuana.ac.id

tertentu, seperti perubahan peraturan pemerintah dapat mempengaruhi permintaan suatu

produk atau jasa, tetapi tidak semua produk atau jasa dapat dipengaruhi. Misalnya,

peraturan pemerintah mengenai pembatasan penggunaan batu sulfur di pabrik-pabrik

pembangkit listrik akan mengurangi permintaan batu sulfur itu sendiri, tetapi tidak

mempengaruhi permintaan listrik. Faktor ekstemal lainnya, misalnya perubahan selera

konsumen. Perubahan selera konsumen dapat berubah dengan sangat cepat, misalnya

pada industri fashion. Citra konsumen terhadap suatu produk juga merupakan faktor

penentu lainnya. Misalnya, di akhir dekade ini, permintaan tembakau di Amerika Serikat

menurun drastis karena masyarakat semakin sadar terhadap bahaya tembakau bagi

kesehatan. Selain itu, tindakan-tindakan pesaing yang meliputi harga, promosi, serta produk

baru juga dapat mempengaruhi produk atau jasa perusahaan. Misalnya, semenjak United

Parcel Service mengutamakan kecepatan dan ketepatan pengiriman barang maka hal ini

berdampak terhadap permintaan penyedia jasa sejenis lainnya, seperti FedEx atau DHL.

2. Faktor Internal Faktor internal yang dapat mempengaruhi permintaan, misalnya keputusan internal

mengenai desain produk atau jasa, harga dan promosi periklanan, desain pengepakan,

kuota insentif bagi tenaga penjual, serta ekspansi. Konsep pengelolaan permintaan

menggambarkan proses pengaruh waktu dan volume permintaan atau adaptasi terhadap

pola permintaan yang sulit diubah. Misalnya, pabrik mobil menggunakan potongan harga

khusus untuk mendongkrak penjualan mobil. Manajemen harus benar-benar memperhatikan

waktu permintaan. Usaha untuk memproduksi permintaan konsumen di saat-saat periode

permintaan puncak malah akan menimbulkan biaya yang sangat besar. Untuk mengatasi

hal ini, perusahaan dapat menggunakan insentif harga atau promosi periklanan untuk

mendorong konsumen melakukan pembelian sebelum dan sesudah masa-masa puncak.

permintaan. Misalnya, perusahaan telepon mendorong konsumen untuk melakukan telepon

ke luar kota di luar jam-jam sibuk melalui diskon tarif percakapan. Hal ini dapat membantu

meratakan permintaan konsumen setiap harinya, cara lain yang dapat digunakan, misalnya

memproduksi dua produk yang memiliki periode permintaan musiman yang berbeda.

Misalnya, sebuah pabrik pembuat mesin traktor juga memproduksi mesin penyapu salju

untuk menstabilkan produksi dan permintaan sepanjang tahun. Cara lain adalah melakukan

penjadwalan kembali terhadap penyampaian produk atau jasa kepada konsumen

berdasarkan beban kerja dan kapasitas saat ini. Misalnya, dokter umum atau dokter gigi

menggunakan pendekatan ini untuk menerima pasien melalui perjanjian terlebih dahulu

sesuai beban kerja yang ada saat ini. Permintaan kadangkala memiliki perilaku yang acak

dan tidak teratur, namun di lain waktu, dapat juga menunjukkan perilaku yang dapat ditebak

dengan pola berulang. Terdapat tiga tipe perilaku permintaan, yaitu pola tren, siklus, dan



musiman. Tren menunjukkan pergerakan permintaan dengan pola pergerakan naik atau

turun secara bertahap dalam jangka panjang. Contohnya, permintaan komputer

menunjukkan permintaan yang semakin meningkat pada dekade terakhir tanpa adanya

kecenderungan penurunan permintaan di pasar. Tren merupakan pola paling mudah untuk

mendeteksi perilaku permintaan dan sering kali juga menjadi titik awal untuk

mengembangkan peramalan. Coba Anda perhatikan Gambar 1 berikut ini.

Gambar 1 . Tren

Pada gambar tersebut, Anda dapat perhatikan bahwa terdapat pola tren utama dengan

pergerakan yang naik. Pada pola tersebut juga terdapat beberapa pola pergerakan acak

yang bersifat naik dan turun. Variasi merupakan pergerakan yang tidak dapat diprediksi dan

tidak mengikuti pola tertentu, itulah sebabnya sifatnya tidak dapat diprediksi. Siklus

merupakan pergerakan permintaan yang naik dan turun yang berulang dan terjadi dalam

jangka panjang (lebih dari satu tahun). Contohnya, permintaan peralatan olahraga musim

dingin akan naik tajam setiap empat tahun sebelum dan sesudah diadakannya olimpiade

musim dingin. Coba Anda perhatikan Gambar 2 berikut.

Gambar 2. Siklus

Pada gambar tersebut Anda dapat perhatikan bahwa pola naik dan turun selalu berulang

dalam jangka waktu yang kurang lebih sama. Pola musiman merupakan pola permintaan

yang bergerak bebas dan muncul secara periodik dalam jangka pendek serta berulang. Pola

musiman sering kali berkaitan dengan kondisi musim. Contohnya, pada musim hujan

permintaan payung dan jas hujan semakin meningkat atau meningkatnya permintaan

seragam pada setiap permintaan ajaran baru. Namun, pola musiman dapat muncul harian



maupun mingguan. Contohnya, restoran akan mengalami jam-jam sibuk pada saat waktu

makan siang dan gedung bioskop lebih ramai pada akhir minggu. Gambar 3 menunjukkan

pola musiman ketika perilaku permintaan yang sama selalu berulang setiap tahun pada

waktu yang sama.

Gambar 3. Pola Musiman

Di samping ketiga macam pola perilaku permintaan tersebut, sering kali permintaan muncul

dalam pola perilaku secara bersama, misalnya pola musiman juga mengikuti tren meningkat.

Contohnya, walaupun permintaan akan peralatan olahraga ski meningkat setiap musim ingin

tiba, namun demikian terdapat tren permintaan yang meningkat dalam dua dekade terakhir.

Coba Anda perhatikan Gambar 3.4 yang menunjukkan tren dengan pola musiman.

Gambar 4. Tren dengan Pola Musiman

Peramalan dalam Rantai Pasok

Peramalan dapat diartikan sebagai suatu prediksi atau perkiraan tentang apa yang akan

terjadi di masa yang akan datang. Peramalan mempunyai peran yang sangat besar dalam

operasi sebuah perusahaan bahkan dalam keseluruhan bisnis. Sebagai contoh, bahwa

terjadinya deviasi yang kecil antara peramalan terhadap aktual penjualan akan berdampak

pada perubahan kapasitas produksi, persediaan, dan penjadwalan ulang permintaan dari

pelanggan. Akan tetapi, bila deviasi yang terjadi cukup besar maka akan dapat



mengacaukan bisnis secara keseluruhan karena akan terjadi perubahan besar pada operasi

perusahaan yang dapat berdampak pada keuangan perusahaan terutama menyangkut

masalah modal kerja.

Ada tiga cara untuk mengakomodasi kekurangan pada peramalan, yaitu:

1. mengurangi kesalahan prediksi melalui teknik peramalan yang lebih baik;

2. membangun fleksibilitas yang lebih baik dalam operasi dan rantai pasok;

3. menurunkan lead time pada proses rantai pasok.

Peramalan permintaan merupakan dasar dari keseluruhan keputusan perencanaan strategik

dalam suatu rantai pasok. Untuk proses produksi yang bersifat push process, semua proses

dilakukan sebagai bentuk respon terhadap permintaan pelanggan. Untuk push process,

manajer harus merencanakan tingkat produksi. Pada pull process, manajer harus

merencanakan tingkat ketersediaan kapasitas dan persediaan. Untuk kepentingan tersebut,

manajer mula-mula harus meramalkan bagaimanakah pola permintaan pelanggan nantinya.

Meskipun ada ban yak jenis peramalan, di sini kita hanya akan membahas peramalan pada

permintaan output dari sebuah fungsi operasi atau produksi.

Permintaan dan penjualan tidak selalu sama. Apabila permintaan tidak dibatasi oleh

kapasitas produksi dan kebijakan perusahaan maka peramalan permintaan akan sama

dengan peramalan penjualan. Dalam hal ini, kita juga bisa menjelaskan tentang perbedaan

dari peramalan dan perencanaan. Peramalan membicarakan tentang apa yang akan terjadi

di masa depan, sedangkan perencanaan membicarakan tentang apa yang seharusnya

terjadi di masa depan.

Peramalan adalah salah satu masukan untuk seluruh jenis perencanaan bisnis dan

pengendalian, baik di dalam ataupun di luar fungsi operasi. Pemasaran menggunakan

peramalan untuk perencanaan sebuah produk baru, program pemasaran, promosi, dan

penetapan harga. Bagian keuangan memakai peramalan sebagai input untuk perencanaan

finansial. Peramalan juga dipakai sebagai masukan untuk keputusan dari operasi untuk

desain proses yang dipilih, perencanaan kapasitas dan persediaan. Peramalan memiliki

karakteristik tertentu. Perusahaan harus bersikap hati-hati terhadap karakteristik peramalan

sebagai berikut :

a. Peramalan selalu salah atau tidak tepat, oleh karenanya selalu terdiri dari nilai yang

diharapkan sekaligus pengukuran kesalahan peramalan. Untuk memahami

pentingnya pengukuran kesalahan peramalan, perhatikan contoh berikut. Terdapat

dua dealer mobil, salah satu dari mereka berharap penjualan berada pada kisaran



100 dan 1.900, sedangkan yang lain berharap penjualan berkisar pada 900 dan

1.100. Walaupun kedua dealer tersebut mengantisipasi permintaan dengan

menghitung rata-rata sebesar 1.000, sumber peramalan kedua dealer tersebut

tentunya tidaklah sama. Oleh karenanya, kesalahan peramalan (atau ketidakpastian

permintaan) haruslah digunakan sebagai input utama dalam keseluruhan keputusan

rantai pasok. Perkiraan mengenai ketidakpastian permintaan sering kali dilupakan

dalam melakukan peramalan sehingga menghasilkan estimasi yang sangat luas di

antara tahap-tahap dalam rantai pasok.

b. Peramalan jangka panjang sering kali kurang akurat dibandingkan dengan

peramalan jangka pendek. Oleh karena itu, peramalan jangka panjang memiliki

standar deviasi yang lebih besar daripada peramalan jangka pendek. Contohnya,

perusahaan 7-Eleven Jepang menggunakan proses yang menyebabkan mereka

mampu merespons permintaan pelanggan dalam hitungan jam. Jika datang pesanan

pada jam 10.00 maka pesanan tersebut akan dipenuhi pada jam 19.00 pada hari

yang sama. Manajer, oleh karenanya harus meramalkan apa yang mungkin akan

terjual malam itu kurang dari 12 jam sebelum pembelian senyatanya terjadi.

Peramalan jangka pendek tersebut mengakibatkan perhitungan yang lebih tepat

daripada jika manajer melakukan peramalan secara mingguan.

c. Peramalan agregat sering kali lebih akurat daripada peramalan disagregat karena

memiliki stan dar deviasi relatif terhadap mean yang lebih besar. Contohnya, untuk

menghitung Gross Domestic Product (GDP) suatu negara pada suatu tahun tertentu

akan lebih mudah dengan menggunakan kesalahan kurang dari dua persen.

Sebaliknya, untuk menghitung peramalan pendapatan tahunan suatu perusahaan

akan sangat sulit jika menggunakan kesalahan kurang dari dua persen. Demikian

pula jika melakukan peramalan pendapatan dari suatu produk akan lebih sulit lagi

jika menggunakan tingkat kesalahan yang sama. Perbedaan ketiga macam

peramalan tersebut adalah pada tingkat agregasi. Perhitungan GDP merupakan

kumpulan atau agregasi dari berbagai perusahaan dan penghasilan perusahaan

merupakan kumpulan dari berbagai lini produk. Semakin besar tingkat agregasi

maka semakin akurat peramalan yang dilakukan.

d. Pada umumnya, semakin jauh rantai pasok dari pelanggan mengakibatkan semakin

besamya distorsi informasi yang diterima. Contohnya, adanya bullwhip effect yaitu

ketika variasi permintaan semakin menjauh dari permintaan konsumen akhir.

Hasilnya, semakin panjang rantai pasok, semakin besar tingkat kesalahan

peramalan. Kombinasi peramalan berdasarkan penjualan konsumen akhir dapat

membantu perusahaan mengurangi tingkat kesalahan.



Metode Peramalan Kualitatif

Metode peramalan kualitatif merupakan metode yang bersifat subjektif dan lebih bergantung

pada pertimbangan manusia. Metode ini sesuai ketika data historis yang tersedia hanya

sedikit ataupun jika seorang pemasar memiliki kemampuan tinggi dalam membuat

peramalan. Dalam melakukan metode peramalan kualitatif banyak menggunakan

pertimbangan manajerial, pengalaman, data yang relevan, dan model matematis yang

implisit di dalam pengolahan datanya. Oleh karena sifat modelnya yang implisit maka bila

metode kualitatif dilakukan oleh dua orang manajer yang berbeda, keputusan yang diperoleh

bisa berbeda cukup signifikan juga. Terdapat empat jenis metode kualitatif yang sering

dipakai dalam peramalan, yaitu Delphi, market survey, life-cycles analogy, dan informed

judgement. Penjelasan mengenai masing-masing metode tersebut dapat dilihat pada

Tabel1.

Metode Deskripsi Penggunaan

Akurasi Identifikasi

Terhadap

Titik

Perubahan

BiayaJangka

Pendek

Jangka

Menengah

Jangka

Panjang

Delphi Peramalan

dikembangkan

dari sebuah

panel dari

serangkaian

jawaban para

ahli

Peramalan

penjualan

jangka panjang

untuk

perencanaan

kapasitas

Cukup

sampai

sangat

baik

Cukup

sampai

sangat

baik

Cukup

sampai

sangat

baik

Cukup

sampai

sangat baik

Menengah

sampai

tinggi

Market

Survey

Panel,

kuesioner, tes

pasar atau

survey

pendekatan

data

Peramalan

untuk total

penjualan

perusahaan,

group produk

utama atau

produk individu

Sangat

baik

Baik cukup Cukup

sampai

baik

tinggi

Life Cycle

Analogy

Prediksi

berdasar pada

produk yang

sejenis pada

saat fase

masuk pasar,

pertumbuhan

dan

kejenuhan.

Menggunakan

Peramalan

untuk

penjualan

jangka panjang

yang

digunakan utuk

perencanaan

kapasitas atau

fasilitas

Jelek Cukup

sampai

baik

Cukup

sampai

baik

Jelek

sampai

cukup

Menengah



kurva

pertumbuhan

sales S shape

Informed

Judgemen

t

Peramalan

dibuat oleh

group atau

individu

dengan

berdasarkan

pada

pengalaman

atau fakta

yang terjadi.

Tidak ada

metode rinci

yang dipakai

Peramalan

untuk

penjualan total

dan produk

individu

Jelek

sampai

cukup

Jelek

sampai

cukup

Jelek

sampai

cukup

Jelek

sampai

cukup

Rendah

Tabel 1. Metode Peramalan Kualitatif

Metode Peramalan Time Series

Metode Time Series mengandalkan penggunaan data lampau dengan asumsi data

permintaan dari waktu lampau bisa menjadi indikator bagus untuk memproyeksikan

permintaan di masa yang akan datang. Cara ini paling cocok untuk situasi di mana pola

permintaan tidak banyak berubah dari tahun ke tahun. Dianggap sebagai metode paling

sederhana yang bisa menjadi titik awal yang bagus dalam peramalan permintaan. Metode

Time Series sering kali banyak digunakan karena umumnya perusahaan mengasumsikan

data lampau bisa digunakan untuk memprediksi masa depan dan permintaan di masa depan

akan tidak jauh berbeda polanya dibanding permintaan di tahun-tahun lampau. Dengan

menggunakan dasar data lampau maka bisa dilihat pola pertumbuhan dan pengaruh faktor

musiman.

1. Metode Statis Metode statis mengasumsikan bahwa estimasi level, trend, dan musiman tidak bervariasi

dengan observasi terhadap permintaan baru. Metode ini digunakan bilamana permintaan

mempunyai trend dan faktor musiman. Disebut statis karena menggunakan angka

parameter yang selalu sama dalam membuat peramalan, yaitu angka parameter yang

diperoleh dari perhitungan berdasarkan data lampau. Dalam hal ini, kita membahas

penggunaan metode statis ketika permintaan memiliki trend sekaligus musiman.



Systematic component= (level +trend) x seasonal factor

Dalam metode statis, peramalan dalam periode t untuk permintaan dalam periode t+ 1

adalah sebagai berikut (Persamaan 1).

Ft+1 = [ L + ( t + l) T Jj St+ z

L = Estimate of level at t = 0 ( de-seasonlized demand estimate during Period t = 0)

T = Estimate of trend (increase or decrease in demand per period)

St = Estimate of seasonal factor for period t

Dt = Actual demand observed in period t

Ft = Forecast of demand for Period t

Pada metode ini, kita menggunakan tiga parameter, yaitu L, T, dan S. Perhatikan contoh

berikut. Tahoe Salt adalah perusahaan penghasil garam batu yang digunakan untuk

melelehkan salju. Pada masa lampau, Tahoe Salt mendasarkan pada estimasi permintaan

dari para pengecer, namun estimasi tersebut sering kali terlampau banyak sehingga

mengakibatkan menumpuknya persediaan di gudang. Untuk memperbaiki hal itu, Tahoe Salt

memutuskan untuk menggunakan peramalan kolaborasi. Tahoe Salt menggunakan data

permintaan selama tiga tahun terakhir yang dapat dibaca pada Tabel 2.

Tabel 2. Permintaan Kuartalan Tahoe Salt

Perusahaan memperkirakan bahwa permintaan akan terus tumbuh pada tahun-tahun

mendatang sesuai data historis. Kita sekarang akan melakukan estimasi terhadap tiga

parameter, yaitu level, trend, dan seasonality (L, T, dan S). Langkah pertama adalah

mengestimasi level dan trend. Pada langkah ini, kita mengestimasikan level pada periode



0 dan trend-nya. Sebelumnya, kita harus melakukan deseasonalized demand.

Deseasonalized demand menggambarkan permintaan yang telah diobservasi dalam

fluktuasi musiman. Periode p menunjukkan periode setelah siklus musiman terulang dengan

sendirinya. Pada kasus Tahoe Salt, pola permintaan berulang setiap tahun. Bila kita

menghitung permintaan berdasarkan basis kuartalan periode p pada Tabel 2 adalah p= 4.

Gambar 5 : Permintaan Kuartalan Tahoe Salt

Pada prinsipnya ada unsur sistematik dan unsur random di dalam observasi permintaan.

O:Jserved demand (0) = Etstematic component (S) +Random component (R)

Unsur sistematik mengukur nilai permintaan yang diharapkan. Unsur ini terdiri dari level,

yaitu deseasonalized demand saat ini; trend, yaitu rate of growth atau penurunan pada

periode yang akan datang; dan seasonality, yaitu merupakan fluktuasi permintaan karena

faktor musiman yang bisa diprediksi.

Persamaan 2. Rumus menghitung L = Deseasonalized Demand D:

Pada contoh sebelumnya, p = 4 adalah genap. Untuk t = 3, kita menentukan deseasonalizes

demand menggunakan persamaan 2, yaitu:



Hasil penghitungan antara periode 3 dan peri ode 10 adalah sebagai berikut.

Tabel 3. Deseasonalized Demand

Gambar 6. Deseasonalized Demand Tahoe Salt

Deseasonalized demand akan berubah dengan berjalannya waktu. Ada hubungan linier

antara deseasonalized demand dengan waktu. Adapun persamaannya sebagai berikut:

Persamaan 3. Deseasonalized Demand= L + T

Deseasonalized demand adalah bukan 'actual demand'

L = Deseasonlized demand pada periode 0

T = rate of growth of deseasonalized demand



Persamaan regresi linier ini selayaknya di implementasikan terhadap deseasonalized

demand karena permintaan yang sesungguhnya (aktual) tidak linier sehingga penerapan

regresi linier terhadap permintaan sesungguhnya kurang tepat.

Dengan mendapatkan persamaan regresi linier melalui deseasonalized demand pada

Tabel3 maka dapat dihitung peramalan jangka pendek maupun jangka panjang. Dari contoh

di atas, diperoleh persamaan regresi linier sebagai berikut:

Dt (Deseasonlized-Demand) = 18.439 + 524 t

Selanjutnya adalah mengestimasi S melalui persamaan:

Persamaan 4. Rumus menghitung 5:

Dari contoh di atas, seasonal factor dapat dihitung langsung mengikuti rumus di atas.

Angka-angka deseasonalized demand sebagai hasil perhitungan dari persamaan regresi

linier bisa dilihat pada tabel di bawah ini.

Tabel 4. Deseasonalized Demand and Seasonal Factors

Dari contoh, rumus ini diterjemahkan sebagai F 13 = (L + 13 T) S13. Ada pun hasil

perhitungan peramalan bisa dilihat pada Tabel 7 berikut.



Tabel 7. Peramalan dengan Seasonal Factor

2. Metode Moving Average Metode peramalan time series yang termudah adalah metode moving average, di mana

metode ini mengabaikan pola seasonal, trend, cycle pada permintaan di masa lalu.

Persamaan untuk moving average, yaitu:

Dengan asumsi bahwa permintaan dalam time series adalah flat atau sebanding maka

peramalan terbaik untuk periode t + 1 sama dengan rata-rata permintaan yang diobservasi

dalam periode waktu t. Kelebihan metode ini adalah peramalan cenderung lebih stabil

sehingga meringankan beban bagian operasional. Akan tetapi, kelemahannya adalah

semakin panjang periode rata-rata waktu perhitungannya maka respons terhadap

perubahan permintaan menjadi semakin lambat. Oleh karena itu, seorang peramal harus

bisa memilih sesuai dengan keperluannya karena ada pertukaran antara stabilitas dan

respon yang cepat terhadap perubahan permintaan. Salah satu cara untuk membuat



metode moving average mempunyai respons lebih cepat, yaitu dengan memodifikasi

metode ini menjadi weighted moving average.

Kelemahan metode ini adalah dalam perhitungannya harus mempertimbangkan sejarah

seluruh permintaan dalam kurun waktu N dan juga sangat sulit untuk membuat pembobotan

(Wi) dalam perhitungannya. Untuk mengatasi kelemahan tersebut maka dikembangkan

metode exponential smoothing. Contoh: Berdasarkan data permintaan Tahoe Salt pada

Tabel 2 maka peramalan permintaan untuk periode 5 dengan menggunakan empat periode

moving average adalah sebagai berikut. Kita melakukan peramalan untuk periode 5 dalam

periode 4, sehingga asumsi periode saat ini adalah periode 4. Langkah pertama adalah

melakukan estimasi untuk periode 4. Dengan menggunakan persamaan 6 dengan

N=4 maka hasil perhitungan:

L4 = (D4+D3+D2+D1)

I 4 = (34.000+23.000+13.000+8.000)/4 = 19.500

Peramalan permintaan untuk periode 5 dengan menggunakan persamaan 7 adalah

F5 =L4 = 19.500

Karena permintaan pada periode 5 adalah 10.000 maka kita dapat menghitung standard

error periode 5 sebagai berikut.

E5 = F5-D5 = 19.500- 10.000 = 9.500

Maka peramalan level pada periode 5 adalah:

L5 = (D5+D4+D3+D2)/4 =

(10.000+34.000+23.000+ 13.000)/4 = 20.000

3. Metode Exponential Smoothing Metode ini didasarkan pada pemikiran yang sederhana bahwa nilai ratarata yang baru dapat

dihitung dari nilai rata-rata lama ditambah dengan nilai permintaan yang sedang diobservasi.

Sebagai contoh, bahwa nilai rata-rata lama adalah 20 dan permintaan yang sedang

diobservasi adalah 24. Maka nilai rata-rata yang baru pasti akan berkisar antara 20 sampai

24 tergantung pada pembobotan nilai permintaan yang sedang diobservasi terhadap nilai

rata-rata yang lama.

Persamaan untuk metode exponential smoothing adalah:



Di manaAt-1 adalah nilai rata-rata lama (20), Dt adalah permintaan yang sedang diobservasi

(24 ), dan a adalah proporsi an tara pembobotan nilai permintaan yang diobservasi terhadap

nilai lama (O<a<l). Bila menginginkan At menjadi sangat responsif terhadap perubahan

permintaan maka nilai a di pasang lebih besar, tetapi bila At in gin lebih stabil maka nilai a

dipasang lebih kecil. Dalam membuat peramalan umumnya, nilai a berkisar antara 0,1

sampai 0,3.

4. Metode Trend Corrected Exponential Smooting (Holt's Model) Metode ini dipakai bila permintaan dianggap mempunyai level dan trend yang terdapat pada

systematic component. Dalam hal ini, persamaannya adalah:

Systematic component dari demand = level (L) + trend (T)

Perkiraan awal dari level dan trend diperoleh dengan melakukan regresi linier di antara

demand Dt dan periode waktu t yang membentuk persamaan:

Konstanta b mengukur estimasi dari permintaan pada periode t = 0 dan untuk mengestimasi

level awal LO. Slope a menghitung laju perubahan dari permintaan per periode waktu

tertentu dan untuk mengestimasi trend awal TO. Dalam periode t, dengan diberikan estimasi

level Lt dan trend Tt maka peramalan untuk periode ke depan ditunjukkan dengan

persamaan:

Setelah mengobservasi permintaan untuk periode t maka dilakukan revisi untuk estimasi

level dan trend sesuai dengan:

Di mana a adalah konstanta untuk membuat level menjadi lebih mulus dengan nilai 0<a<1,

sedangkan f3 adalah konstanta untuk membuat trend menjadi lebih mulus dengan nilai

0<f3<1.

Metode Peramalan Kausal

Secara umum, metode peramalan kausal mengembangkan suatu model cause-and-effect

antara permintaan dan variabel yang lainnya. Sebagai contoh, permintaan untuk es krim



berhubungan langsung dengan jumlah populasi, rata-rata temperatur pada musim panas

dan waktu. Data bisa dikumpulkan pada variabel-variabel tersebut dan dilakukan analisis

untuk menentukan validitas dari masing-masing model yang diajukan. Salah satu model

yang paling dikenal dengan baik adalah model regresi yang menggunakan teknik statistik

dalam mengolahnya. Dalam metode regresi, sebuah model harus dispesifikasikan sebelum

data dikumpulkan dan dilakukan analisa. Contoh paling sederhana dari metode regresi

adalah model regresi liner single-variable:

Bentuk lain dari metode peramalan kausal adalah model ekonometrika, model input-output,

dan model simulasi.

Metode Peramalan Simulasi

Metode simulasi merupakan penggabungan dari metode time series ' dan 'causal' untuk

menjawab pertanyaan tertentu. Misalnya, perubahan perilaku konsumen akibat dibukanya

supermarket baru terhadap supermarket lama yang berlokasi di dekatnya.

Forecast Error

Forecast error bertujuan untuk menyatakan seberapa tepat atau akurat metode peramalan

yang telah digunakan. Secara umum, akurasi peramalan dihitung dengan membandingkan

nilai peramalan terhadap nilai aktual yang diobservasi yang dapat disederhanakan dengan

persamaan:

Forecast error= Actual demand -Forecast value

Ada tiga metode perhitunganforecast error yang sering digunakan, yaitu mean absolute

deviation (MAD), mean squared error (MSE), dan mean absolute percent error (MAPE).

1. Mean Absolute Deviation (MAD)



Perhitungan MAD adalah dengan menjumlahkan seluruh nilai absolut dari selisih nilai antara

aktual permintaan dan peramalan dibagi dengan jumlah periode waktu tertentu yang

ditunjukkan dengan persamaan:

2. Mean Squared Error (MSE)Perhitungan MSE adalah dengan merata-rata kuadrat perbedaan dari nilai antara aktual

demand dan forecast dibagi dengan jumlah periode waktu tertentu yang ditunjukkan dengan

persamaan:

3. Mean Absolute Percent Error (MAPE)Perhitungan forecast error dengan menggunakan MAD dan MSE sering terjadi masalah di

mana bila jumlah yang dihitung berjumlah ribuan maka nilai MAD dan MSE menjadi sangat

besar. Untuk mencegah masalah ini terjadi maka dipakailah metode MAPE. Perhitungan

MAPE adalah dengan merata-rata nilai absolut dari selisih nilai aktual permintaan dan

peramalan dibagi dengan jumlah periode waktu tertentu yang ditunjukkan dengan nilai

persentase.

4.Tracking SignalTracking signal dipakai untuk menghitung sejauh mana peramalan sesuai dengan aktual

penjualan yang telah terjadi dengan nilai + 6. Bila nilai tracking signal berada di luar + 6

maka perhitungan peramalan harus direset lagi karena penyimpangan sudah terlalu besar.

Tracking signal diperoleh dari kumulatifjorecast error dibagi dengan MADt.

Metode forecast kuantitatif secara umum bisa diringkas dalam tabel sebagai berikut:



Tabel 8. Metode Kuantitatif Time Series



Memilih Teknik Peramalan

Teknik peramalan yang cukup banyak jenisnya kadang membingungkan pengguna. Untuk

itu, terdapat beberapa cara untuk meminimumkan kesalahan yang mungkin terjadi yang

pada awalnya melalui beberapa pertanyaan berikut ini.

1. Apa yang merupakan tujuan peramalan? Untuk apa digunakan? Jika perkiraan

penjualan kotor sudah cukup, sedikit teknik kompleks mungkin sesuai, sedangkan

jika perkiraan terperinci diperlukan, teknik yang lebih kompleks mungkin lebih sesuai.

2. Apakah dinamika dari sistem ketika peramalan akan dibuat? Apakah jenis data

ekonomi yang akan digunakan menunjukkan bahwa suatu model menjadi

permintaan musiman, atau kecenderungan bukan?

3. Seberapa penting masa lalu untuk memperkirakan masa depan?

Keputusan manajemen rantai persediaan didasarkan pada peramalan yang

menggambarkan produk dan jumlah produk yang diperlukan. Peramalan permintaan

menjadi dasar perusahaan untuk merencanakan operasi secara internal dan untuk bekerja

sama antarsatu sama lain untuk memenuhi permintaan pasar. Semua peramalan berkaitan

dengan empat variabel utama yang berkombinasi akan menentukan kondisi pasar. Variabel

itu adalah:

1. Permintaan.

2. Persediaan.

3. Karakteristik Produk.

4. Lingkungan Kompetitif.

Permintaan mengacu pada keseluruhan permintaan pasar untuk suatu kelompok jasa atau

produk terkait. Pasar menjadi tumbuh atau menurun? Jika demikian, apa yang merupakan

tingkat triwulan atau tahunan? Mengalami pertumbuhan atau kemunduran? Atau barangkali

pasar secara relatif telah dewasa dan permintaan mantap pada suatu tingkatan yang dapat

diramalkan untuk beberapa periode tahun. Selain itu, banyak produk mempunyai suatu pola

permintaan musiman. Sebagai contoh, ski salju dan minyak peruanas menjadi lebih

laku/laris di musim dingin, sedangkan raket tenis dan layar matahari lebih laku/laris di musim

panas.

Persediaan ditentukan oleh banyaknya produsen suatu produk dan oleh lead-time yang

dihubungkan dengan suatu produk. Semakin banyak produsen suatu produk dan lead-time

yang lebih pendek maka dapat diramalkan variabelnya. Jika hanya sedikit para penyalur

atau ketika lead-time lebih panjang, terdapat ketidakpastian potensi berlebih di suatu pasar.



Variabilitas, ketidakpastian dalam persediaan menjadikan peramalan lebih sulit dilakukan.

Peramalan dalam rantai persediaan harus meliputi suatu periode waktu yang terdiri dari

lead-time yang dikombinasikan dari semua komponen yang menghasilkan suatu produk

akhir (output). Karakteristik produk, meliputi corak suatu produk yang mempengaruhi

permintaan pelanggan untuk produk itu. Banyak produk yang baru dengan cepat berganti

dan berubah, seperti produk elektronik. Setelah kita membuat suatu peramalan, langkah

yang berikutnya yaitu menciptakan suatu perencanaan perusahaan terhadap permintaan

yang diharapkan tersebut. Kumpulan perencanaan ini akan memenuhi permintaan dengan

cara memaksimalkan laba untuk perusahaan. Selain itu juga menetapkan jumlah maksimum

tingkat produksi dan menginventarisir periode yang akan datang antara 3-18 bulan.

Perencanaan menjadi kerangka dalam membuat keputusan jangka pendek pada produksi,

persediaan, dan distribusi. Keputusan produksi yang dilibatkan menentukan parameter,

seperti tingkat produksi dan jumlah kapasitas produksi untuk menggunakan ukuran dari

kekuatan pekerja dan mencukupi permintaan yang kemudian dapat berubah menjadi

pesanan. Keputusan distribusi menggambarkan bagaimana dan kapan produk akan

dipindahkan dari tempat produksi ke tempat yang lain jika akan digunakan atau dibeli oleh

pelanggan.

Ada tiga dasar pendekatan untuk menciptakan perencanaan permintaan. Mereka melibatkan

tarik-menarik antartiga variabel, yaitu:

1. jumlah kapasitas produksi;

2. tingkat pemanfaatan kapasitas produksi;

3. jumlah persediaan.

Kita akan lihat dengan singkat pada masing-masing tiga pendekatan ini. Dalam praktik

nyata, kebanyakan perusahaan menciptakan kumpulan perencanaan melalui kombinasi tiga

pendekatan ini.

1. Penggunaan kapasitas produksi dalam permintaan. Di dalam pendekatan ini

ditekankan pada total jumlah kapasitas produksi vs tingkatan permintaan. Sasaran di

sini akan menggunakan 100 persen kapasitas secara terus-menerus. Ini dicapai

dengan menambahkan atau menghapuskan kapasitas pabrik jika dibutuhkan dan

merekrut karyawan jika dibutuhkan.

2. Pendekatan ini mengakibatkan tingkat persediaan rendah, tetapi sangat mahal

dalam penerapan jika menambahkan atau mengurangi kapasitas tinggi. Hal ini juga

sering mengganggu dan melemahkan semangat pada kekuatan pekerja jika terjadi

permintaan naik dan jatuh secara konstan. Pendekatan ini bekerja baik ketika biaya

persediaan tinggi dan biaya pertumbuhan kapasitas rendah.



3. Penggunaan bermacam-macam tingkat total kapasitas dalam permintaan.

Pendekatan ini digunakan jika tersedia kelebihan kapasitas produksi dan ketika biaya

persediaan tinggi serta biaya kapasitas kelebihan relatif rendah.

4. Penggunaan pendekatan ini menyediakan stabilitas kekuatan pekerja dan kapasitas

pabrik serta memungkinkan suatu tingkat keluaran yang tetap. Pendekatan ini

mengakibatkan pemanfaatan kapasitas yang lebih tinggi dan menurunkan biaya-

biaya dalam mengubah kapasitas, tetapi menghasilkan pekerjaan yang tertunda dan

inventaris besar dari waktu ke waktu ketika permintaan berubah-ubah.

Daftar Pustaka1. Chase, R.B., Jacobs, P.R., & Aquilano, N.J. (2006). Operations Management for

Competitive Advantage with Global Cases. McGraw-Hill.

2. Mahendrawati ER, I Nyoman Pujawan. 2010. Supply Chain Management (Edisi

Kedua); Guna Widya, Surabaya.

3. Hendayani, Ratih. 2011. Mari Berkenalan dengan Manajemen Logistik; Alfabeta,

Bandung.



Documents

filosofipadischool.files.wordpress.com · Web viewRumus menghitung 5: Dari contoh di atas, seasonal factor dapat dihitung langsung mengikuti rumus di atas. Angka-angka deseasonalized