Bab 2 Peramalan Demand
Bab 2 Peramalan Demand
Memberikan pengertian mengenai peramalan dan perannya dalam P3 dan memberikan kemampuan
menggunakan teknik peramalan statistik
II.
Bahan Bacaan
1.
Sukaria Sinulingga, 2009. Perencanaan dan Pengendalian Produksi, Penerbit Graha Ilmu, Yogyakarta.
2.
Teguh Baroto, 2002. Perencanaan dan Pengendalian Produksi, Penerbit Ghalia Indonesia, Jakarta.
3.
Arman Hakim Nasution & Yudha Prasetyawan, 2008. Perencanaan dan Pengendalian Produksi, Penerbit Graha
Ilmu, Yogyakarta.
4.
Vincent Gaspersz, 2001. Production Planning anc Inventory Control Berdasarkan Pendekatan Sistem Terintegrasi
MRP II dan JIT Menuju MANUFAKTURING 21, Penerbit PT. Gramedia Jakarta.
Agus Ristono, 2009. Sistem Produksi Tepat Waktu, Penerbit Graha Ilmu, Yogyakarta.
2.
3.
Sipper & Bulfin Jr., Production Planning, Control, and Integrations, McGraw Hill, 1997
4.
Bedworth D.D., Bailey J.E., Integrated Production Control System, John Wiley & Sons, 1987.
5.
Fogarthy D.W., Blackstone J.H., Hoffmann T.R., Production and Inventory Management, South Western Pub. Co,
1991
6.
Oden H.W., Langewater G.A., Lucier RA., Handbook of Material and Capacity Requirement Planning, McGraw Hill,
1991
III.
Pertanyaan Kunci/Tugas:
1.
Jelaskan cakupan sasaran peramalan untuk setiap departemen dalam hubungannya dengan horizon
waktu peramalan?
IV.
Tugas
1. Jelaskan definisi peramalan?
2. Sebutkan dan jelaskan empat karakteristik elemen peramalan?
3. Jelaskan metode kualitatif peramalan?
4. Jelaskan metode kuantitafi peramalan ?
5. Sebuah industri manufaktur memiliki data permintaan produk 7 tahun terakhir sebagai berikut :
23
Tahun
Kuartal
1
189
198
187
197
174
181
182
II
192
201
177
183
186
194
199
III
196
189
202
195
197
187
198
IV
182
185
199
201
195
202
189
Terapkan metode regresi linier untuk memperkirakan permintaan satu tahun kedepan (tahun ke 8)
6. Berdasarkan data produk 7 tahun terakhir pada soal no. 5 gunakan metode rata-rata bergerak ( Moving Everage)
untuk memperkirakan permintaan kuartal I, II, III dank e IV pada tahun ke-8
1
240
2
260
3
245
4
230
5
235
6
250
Gunakan metode exponensial smoothing dengan nilai alpha () 0.1, 0.2, 0.3, 0.7, 0.8, dan 0.9
a.
b.
10
3,0
10,0
13,5
165
119
21.3
23.4
25.4
27.2
29
Terapkan metode regresi linier untuk menentukan permintaan periode 11, 12, 13
24
BAB 2. PERAMALAN
Penggunaan model matematik dalam peramalan besarnya potensi permintaan terhadap produk-produk yang akan
dibuat pada umumnya lebih didominasi oleh perusahaan yang beroperasi dalam lingkungan make-to-stock. Tetapi, akhir-akhir ini
perusahaan-perusahaan dalam lingkungan make-to-order juga sudah semakin tertarik untuk menggunakan teknik-teknik
peramalan, walaupun hasilnya digunakan sebagai bahan pembandingan terhadap hasil-hasil analisis berdasarkan analisis
skenario perkembangan pasar yang dibuat oleh pimpinan puncak.
Dalam pemilihan metode peramalan dan pengembangan sistem peramalan, perlu diperjelas terlebih dahulu maksud dan tujuan
peramalan sehingga metode yang akan dipilih dapat disesuaikan dengan maksud tersebut. Seperti diketahui bahwa perencanaan produksi meliputi penyusunan serangkaian rencana yang bersifat hierarkis mulai dari rencana jangka panjang untuk
produk dengan agregasi yang tinggi, rencana jangka menengah untuk produk-produk yang lebih rinci dalam rentang waktu
rencana medium, hingga rencana jangka pendek atau rencana operasional dengan rentang waktu rencana yang relatif pendek.
Beberapa pertanyaan yang perlu dijawab sebelum perancangan sistem peramalan dibuat ialah:
Agregat, produk-produk, alternatif atau pilihan produk apa yang akan diramalkan?
Bagaimana rentang waktu perencanaan dibagi menjadi periode yang lebih pendek?
Ketelitian
Sasaran pertama dalam peramalan permintaan ialah mendapatkan hasil peramalan dengan tingkat akurasi yang tinggi. Ada
dua ukuran yang digunakan dalam mengevaluasi akurasi peramalan yaitu penyimpangan (bias) dan konsistensi
(consistency). Penyimpangan terjadi apabila hasil peramalan memperlihatkan secara terus menerus angka yang tinggi
atau rendah. Konsistensi berkaitan dengan ukuran atau besarnya error.
Biaya
Biaya yang dibutuhkan untuk mengembangkan model peramalan serta menggunakannya sering cukup besar. Makin
banyak item yang akan diramalkan dan makin tinggi tingkat ketelitian yang diinginkan makin besar pula biaya yang
dibutuhkan. Tingkat akurasi peramalan dapat diperbaiki apabila peramalan degan menggunakan model yang
sederhana diganti dengan model yang lebih komprehensif tetapi biaya peramalan juga akan meningkat tajam. Oleh
karena itu perlu dilakukan trade-off antara tingkat akurasi yang dibutuhkan dengan besarnya biaya yang harus
dikeluarkan. Peramalan dengan menggunakan metode yang sangat komprehensif tidak selalu menjadi pilihan apabila
faktor jumlah biaya yang harus dikeluarkan menjadi tidak sebanding.
Respon
Sistem peramalan haruslah stabil dalam arti hasil peramalan tidak memperlihatkan fluktuasi yang bersifat liar karena
faktor random yang berlebihan. Pada pihak lain, apabila tingkat permintaan yang sebenarnya berubah maka peramalan
juga harus menunjukkan hasil peramalan yang berubah. Untuk mengkompromikan kedua situasi yang paling konflik
ini maka sistem peramalan perlu mencakup dua fitur yaitu a) monitoring terhadap terjadinya perubahan nyata
permintaan dan b) kemampuan sistem untuk melakukan respon sesaat secara cepat terhadap perubahan tersebut. Hasil
peramalan akan sangat buruk apabila dalam situasi nyata terjadi peningkatan permintaan tetapi peramalan tidak
mampu mendeteksi situasi tersebut sehingga hasil peramalan tidak menunjukkan kenaikan permintaan.
Kesederhanaan
Metode peramalan yang lebih sederhana selalu lebih diinginkan dibandingkan dengan metode yang rumit karena
25
akan lebih mudah dirancang, digunakan, dan dipahami. Apabila kesulitan terjadi dengan penggunaan metode yang
sederhana maka akan lebih mudah menelusuri masalah yang terkait serta melakukan perbaikannya. Namun demikian,
pilihan yang terbaik ialah harus sesuai dengan sasaran penggunaannya.
2.2 Prinsip-prinsip Peramalan
Ada lima prinsip peramalan yang sangat perlu diperhatian untuk mendapatkan hasil peramalan yang baik yaitu :
Prinsip 1: Peramalan selalu mengandung error. Hampir tidak pernah ditemui bahwa hasil peramalan persis seperti kenyataan di
lapangan. Peramalan mengurangi faktor ketidakpastian tetapi tidak pernah mampu untuk menghilangkannya.
Para pengguna atau pelaksana peramalan harus benar-benar memahami situasi ini.
Prinsip 2: Peramalan harus mencakup ukuran dari eror. Karena peramalan selalu mengandung error maka para penguna perlu
mengetahui besarnya error yang terkandung. Besarnya error dapat dijelaskan dalam bentuk kisaran sekitar
hasil peramalan baik dalam unit atau persentase dan probabilitas tentang permintaan sesungguhnya akan
berada dalam kisaran tersebut.
Prinsip 3: Peramalan item yang dikelompokkan dalam famili selalu lebih akurat dibandingkan dengan peramalan dalam item
per item. Jika famili dari produk sebagai sebuah kesatuan (unit) diramalkan maka persentase error akan
semakin kecil , tetap i apabila diramal kan masing-ma sng sebagai individual product maka persentase
error akan semakin tinggi.
Prinsip 4: Peramalan untuk jangka pendek selalu lebih akurat diban dingkan dengan peramalan untuk jangka panjang.
Dalam jangka pendek, kondisi yang mempengaruhi kecenderungan permintaan hampir sama atau kalau pun
berubah hanya sedikit dan berjalan sangat lambat. Apabila rentang waktu peramalan bertambah panjang maka
kecenderungan permintaan semakin dipengaruhi oleh berbagai faktor sehingga error akan semakin besar.
Prinsip 5: Apabila dimungkinkan, perkiraan besarnya permintaan lebih disukai berdasarkan perhitungan dari pada hasil
peramalan. Misalnya dalam perencanaan produksi dalam lingkungan make-to-stock, apabila besarnya
permintaan terhadap produk akhir telah diperkirakan berdasarkan hasil peramalan maka besarnya jumlah part,
komponen, sub assembly dan bahan baku untuk produk tersebut lebih baik dihitung berdasarkan principle of
dependent demand dari pada masing-masing ditetapkan berdasarkan hasil peramalan.
2.3 Metode Peramalan
Metode peramalan dapat diklasifikasi atas dua kelompok besar yaitu metode kualitatif dan kuantitatif.. Kedua
kelompok tersebut memberikan hasil peramalan yang kuantitatif. Perbedaannya terletak pada cara peramalan yang dilakukan.
Metode kualitatif didasarkan pada pertimbangan akal sehat (human judgement) dan pengalaman. Mode kuantitatif adalah
sebuah prosedur formal yang menggunakan model matematik dan data masa lalu untuk memproyeksikan kebutuh di masa yang
akan datang.
Metode kuantitatif dapat dibagi lebih lanjut menjadi dua bagian yaitu metode intrinsik (intrinsic method) dan metode
ekstrinsik (extrinmethod). Metode intrinsik sepenuhnya berdasarkan pada latar belakang riwayat permintaan terhadap item yang
diramalkan sedangkan Mode ekstrinsik menggunakan faktor eksternal yang dikombinasikan dengan permintaan terhadap item
yang diramalkan misalnya dalam hubungan sebab-akibat (causal relationship).
2.3.1. Metode Kualitatif
Metode kualitatif pada umumnya digunakan apabila data kuanitif tentang permintaan masa lalu tidak tersedia atau
akurasinya tidak memadai. Misalnya peramalan tentang permintaan produk baru juga akan dikembangkan, jelas data masa
lalu tidak tersedia. Walaupun data masa lalu tersedia, kalau kondisi lingkungan masa yang akan datang sama sekali sudah berbeda
dengan kondisi masa lalu maka keberadaan data masa lalu itu tidak akan menolong peramalan permintaan masa yang akan
datang.
Apabila data masa lalu tidak tersedia atau tidak memadai maka satu-satunya pilihan metode peramalan yang
dapat digunakan ialah metode kualitatif. Ada dua pendekatan yang dapat dilakukan yaitu pertama peramalan
berdasarkan penaksiran secara langsung (direct judgement) dan kedua penaksiran digunakan sebagai dasar koreksi
terhadap hasil peramalan. Metode peramalan kualitatif yang umum digunakan dalam perencanaan produksi ialah:
26
marketing,
engineering,
dan
manufacturing bertemu dan berdiskusi tentang isu-isu yang terkait dengan perusahaan dan melakukan perkiraan ke
depan tentang besarnya permintaan sehubungan dengan isu-isu yang dibahas. Keragaman pengalaman dan bidang
kepakaran dari para peserta diskusi sangat membantu dalam membuat perkiraan yang lebih reliable. Tetapi, kesulitan
akan timbul apabila salah seorang atau lebih dalam kelompok tersebut cukup dominan baik karena posisinya
atau pun pengalaman yang lebih panjang membuat anggota lainnya menjadi kurang berperan memberikan pendapat.
Ketua kelompok yang berpengalaman pada umumnya berhasil mengatasi masalah dominasi pendapat dalam
diskusi tersebut.
Teknik Delphi
Untuk melakukan peramalan permintaan jangka panjang dalam lingkungan yang cukup kompleks yaitu
perkembangan teknologi yang pesat, perubahan kondisi ekonomi global dan suasana geopolitik yang berubah cepat,
sering dibutuhkan pembentukan sebuah panel yang beranggotakan para pakar atau ahli dari berbagai latar belakang
pengalaman dari luar perusahaan. Untuk menghindarkan kemungkinan munculnya pihak yang dominan maka
para pakar ini tidak dipertemukan satu sama lain bahkan mungkin pula tidak saling mengetahui keterlibatan masing-masing.
Mereka secara terpisah diminta memberikan pendapat masing-masing terhadap sejumlah hal yang diajukan sebagai
pertanyaan. Jawaban dari setiap anggota panel dianalisa, dan dihitung rata-ratanya dan kemudian kepada panelis yang
memberikan jawaban yang mempunyai deviasi yang tinggi diminta untuk memberikan alasan.
Alasan dan hasil analisis statistik dari pendapat seluruh panelis dikirimkan kepada masing-masing panelis serta
diminta memberikan jawaban apakah masih tetap bertahan dengan pendapat semua atau akan mengoreksi pendapat
tersebut. Proses ini mungkin dilakukan secara berulang-ulang untuk mendapatkan hasil yang semakin mengerucut
dan mengarah kepada bilangan yang semakin mendekati. Pengalaman menunjukkan bahwa teknik Delphi tidak
pernah sampai kepada sebuah hasil yang solid se bagai konsensus bersama tetapi kisaran dari jawaban mereka telah
memberikan sebuah ide dengan derajad ketidakpastian tertentu.
Riset Pasar
Riset pasar (marketing research) adalah pengumpulan data secara sistematis dan analisis terhadap fakta-fakta yang
berhubungan dengan pemasaran. Maksudnya ialah mencari solusi terhadap permasalahan yang berhubungan dengan
produk dan metode marketing. Salah satu bentuk dari riset pasar ialah survei pelanggan di mana informasi mengenai
preferensi pelanggan dicari dengan menyampaikan kuesioner kepada sejumlah pelanggan yang ditentukan sebagai
sampel. Riset pasar sering digunakan untuk meramalkan jumlah permintaan terhadap produk baru
Analogia Historis
Pertumbuhan permintaan terhadap produk baru kadang-kadang diramalkan berdasarkan metode analogia historis
(historical analogies) dari produk dan teknologi yang terkait dengan produk tersebut. Misalnya, peramalan tentang
jumlah permintaan terhadap videocassette recorders dilakukan berdasarkan pertumbuhan permintaan terhadap
televisi hitam-putih dan televisi berwarna.
27
a, b
= konstanta
= asimptot atas
Model lain dari kurva daur hidup disebut a logrithmic second curve sebagai berikut:
Logyt = a+b+c2
di mana a, b dan c adalah konstanta dan simbol-simbol lain sama seper ti telah dijelaskan sebelumnya.
Bentuk kurva kedua model di atas adalah sebagai berikut:
Gambar 2.1 Logistic Curve (a) dan Logarithmic Second Curve (b)
28
Trend (T)
Trend ialah salah satu komponen peramalan yang menunjukkan kecenderungan yang dapat dilihat dari pola permintaan
masa lalu. Gambar 2.2 menunjukkan bahwa data permintaan masa lalu cukup berfluktuasi dari waktu ke waktu tetapi
terlihat adanya suatu trend yang lurus menanjak (koefisien arah bertanda positif). Bila tidak ada trend maka permintaan
bersifat konstan.
Siklus (C)
Siklus adalah pergerakan periodik yang bergantian antara puncak dan lembah. Gambar 2.2 menunjukkan ada pola yang
relatif teratur tentang jumlah permintaan per periodik yang maksimum dan minimum.
29
Residu (R)
Residu menggambarkan kesempatan terjadinya variasi karena faktor random. Variasi ini tidak dapat dijelaskan oleh trend,
siklus, atau pun pergerakan musiman. Residu ini tidak dapat diramalkan karena tidak diketahui faktor penyebab terjadinya.
Untuk memudahkan pemahaman terhadap metode time series berikut ini diberikan sebuah contoh. Data nilai
penjualan produk pada perusahaan industri manufaktur Pilkington Mfg dalam 5 tahun terakhir yang dikelompokkan per kuartal
adalah sebagai berikut:
30
Kuartal
I
800
880
940
950
980
II
980
950
900
980
970
III
820
1010
1140
1080
1120
IV
950
980
920
940
990
Total
3550
3820
3900
3950
4060
Jika data penjualan tersebut diplot dalam sumbu jumlah dan waktu maka diperoleh diagram pencar sebagai berikut:
(2.1)
Yn =a + bXn
n
i 1
i 1
Yi na b X i
(2.2)
31
(2.3)
Dari
persamaan
(2.2)
i 1
i 1
i 1
dan
(2.3),
nilai
Yi , X i , Yi X i , dan X i2
konstanta
dan
dapat
diketahui
apabila
Yi
Xi
Xi2
XiYi
3550
3550
3720.
7440
3700
11100
3950
16
15800
_
5
4060
25
20300
Total
18980
5
15
55
20300
58190
Kuartal
I
1
800
2
880
3
940
4
950
5
980
Total
Rata rata
4550
910
II
980
950
900
980
970
4780
956
III
820
1010
1140
1080
1120
5170
1034
IV
950
980
920
940
990
4780
956
Total
3550
3820
3900
3950
4060
19280
964
0.95
0.99
32
1.07
0.99
Dengan menggunakan indeks kuartal sebagai faktor musiman maka diperkirakan bahwa jumlah permintaan per musim selama
tahun ke 6 adalah sebagai berikut:
Kuartal I : [(0.95)/4](4320) =
1026 unit
Kuartal II : [(0.99)/4](4320) =
1069 unit
1156 unit
1069 unit
Total
4320 unit
33
Tabel 3.4 menunjukkan bahwa rata-rata bergerak 4 periode ditampilkan dalam kolom 4 . Misalnya, jumlah rata-rata permintaan
periode I, II, III dan IV dalam tahun 1 ialah ( 8 0 0 + 9 8 0 + 8 2 0 + 950)/4 = 888 unit. Rata-rata bergerak untuk periode
berikutnya ialah ( 9 8 0 + 8 2 0 + 9 5 0 + 8 8 0 ) / 4 = 9 0 8 unit. Demikian dilanjutkan seterusnya dengan membuang data terlama satu
periode dan memasukkan data berikutnya sebagai data pengganti sehingga harga rata-rata bergerak dari satu periode ke periode
berikutnya. Kemudian, harga rata-rata bergerak antar periode dihitung seperti ditunjukkan dalam kolom 5. Indeks
musiman pada periode tertentu dihitung dengan membagi jumlah permintaan dengan titik pusat rata-rata bergerak seperti
ditunjukkan dalam kolom 6.
Indeks musiman rata-rata kemudian dihitung seperti terlihat dalam Tabel 2.5.
Tabel 2.5 Penyesuaian Indeks Rata-Rata Kuartal
Tabel 2.5 menunjukkan bahwa indeks permintaan Kuartal I, II, Ill dan IV masing-masing adalah 0.97, 0.98, 1.06 dan 0.99.
Perlu dicatat bahwa bilangan indeks tersebut akan terus berubah atau bergerak dengan berjalannya waktu. Indeks ini
kemudian digunakan untuk meramalkan permintaan dalam Kuartal I dan II untuk tahun ke-6 sebagai berikut:
Kuartal I : (0.97)(998)
34
3.4
3.5
3.6
Persamaan (3.4) menunjukkan bahwa peramalan untuk periode 1 tergantung pada Yo (data aktual pada tahun 0) dan F O (hasil
peramalan tahun 0). Karena Yo dan F o tidak ada maka F 1 = 0 . Dengan demikian, model peramalan berdasarkan metode
penghalusan eksponensial ialah:
Persamaan di atas adalah sebuah fungsi linier dari semua data masa lalu yang dibobot oleh sebuah konstanta penghalusan. Makin besar harga , bobot data terbaru dalam menentukan nilai peramalan makin besar. Hal ini berarti pengaruh data
terbaru terhadap penentuan besarnya nilai peramalan makin besar. Sebaliknya makin kecil harga , makin kecil pula bobot
data terbaru dalam menentukan nilai peramalan. Sebagai contoh, perhatikan data jumlah penjualan selama 5 tahun
terakhir (N = 5) dalam Tabel 24.4 yaitu berturut-turut 3550, 3820, 3900, 3950 dan 4060 unit. Untuk meramalkan jumlah
penjualan tahun berikutnya yaitu tahun ke-6 atau ke n +I:
F 6 = Y 5 + ( 1 - ) Y 4 + (1- ) 2Y3 + (1- ) 3Y2 + (1- ) 4Y1
Karena nifai 0<_ a <_ 1, maka koefisian suku-suku pada ruas kanan bergerak kearah bilangan yang semakin kecil. Bila a = 0.20 maka
fungsi persamaan di atas adalah sebagai berikut:
F6 = 0.2Y5 + 0.2(0.8)Y4 + 0.2(0.8)2Y3 + 0.2(0.8)3Y2 + 0.2(0.8)4Y1
F6 = 0.20(4060) + 0.16(3950) + 0.128(3900) + 0.1024(3820) + 0.082(3550)
= 812 + 632 + 499 + 391 + 291
= 2625 unit
Bila = 0.75 maka,
F6 = 0.75(4060) + 0.1875(3950) + 0.047(3900) + 0.0117(3820) + 0.0029(3550)
= 4024 unit
Pada kedua harga yang berbeda tersebut terlihat besarnya per bedaan hasil peramalan. Sehubungan dengan itu,
penentuan harga konstanta perlu dilakukan secara hati-hati, dengan memperhitungkan semua faktor yang dipandang
berpengaruh. Salah satu faktor berpengaruh yang dimaksud ialah besar data sampel yang digunakan untuk peramalan
tersebut. Bila data historis yang digunakan adalah N tahun terakhir maka umur rata-rata data ialah:
0 2 3 4 ........ N 1 N 1
N
2
Umur rata-rata data dan harga dapat dijelaskan dalam sebuah fungsi sebagai berikut:
N 1
1
Dari persamaan di atas harga dapat diturunkan sebagai fungsi dari N sebagai berikut:
2
N 1
35
Bila N =10, ma ka =0.182, dan N=5, diperoleh =0.333. Dengan menggunakan data dalam contoh di atas, pada
=0.333, hasil peramalan F 6= 3454. Jika hasil peramalan (F6 =3454) dibandingkan dengan trend data penjualan aktual
yang bergerak dari Y1 = 3550 unit hingga
Y5= 4 06 0 unit maka sulit diterima apabila penjualan pada tahun ke-6 yaitu F 6
diramalkan hanya sebesar 3454 unit karena lebih rendah dari seluruh data penjualan aktual yang menunjukkan trend
meningkat.
Kesimpulan yang dapat ditarik dari penggunaan metode penghalusan eksponensial untuk peramalan ialah usia data
historis sangat peka dalam mempengaruhi harga koefisien penghalusan . Oleh karena itu perlu dipikirkan secara hati-hati
seberapa jauh data masa lalu sebaiknya digunakan dalam meramalkan besarnya permintaan pada periode berikutnya.
36