PERAMALAN PERMINTAAN DAN PERENCANAAN PRODUKSI DENGAN

MEMPERTIMBANGKAN SPECIAL EVENT DI PT. COCA-COLA BOTTLING

INDONESIA (PT. CCBI) PLANT-PANDAAN
Ilsan Nur Putra, I Nyoman Pujawan, Niniet Indah Arvitrida
Jurusan Teknik Industri
Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Kampus ITS Sukolilo Surabaya 60111
Email : ilsannurputra@yahoo.com ; pujawan@ie.its.ac.id ; niniet@ie.its.ac.id

ABSTRAK
Ketidakakuratan ramalan merupakan isu yang paling fundamental dalam proses
perencanaan produksi pada Perusahaan Make To Stock (MTS). Pada PT. Coca-Cola Bottling
Indonesia Plant Pandaan, pengaruh tersebut akan berdampak pada tingginya tingkat persediaan atau
terjadi kekurangan stok di pasar yang diakibatkan oleh perencanaan produksi yang tidak akurat.
Penyebabnya adalah manajemen event yang tidak baik diperusahaan. Pemilihan metode peramalan
dengan mengikut sertakan variabel pengaruh special event, diharapkan dapat lebih akurat dalam
mendeskripsikan kondisi permintaan yang lebih riil. Output dari proses peramalan tersebut
kemudian digunakan untuk menjadi input untuk pembuatan Master Production Schedule (MPS)
setiap produk dalam proses perencanaan produksinya.
Hasil yang didapatkan dalam penelitian tugas akhir ini, bahwa special event memiliki
kontribusi yang signifikan dalam mempengaruhi permintaan. Penerapan metode peramalan dengan
mempertimbangkan special event dapat meningkatkan akurasi ramalan untuk masing-masing
produk mencapai 5-10%. Dan dapat melakukan penghematan dari segi total biaya sebesar 40%
dalam hal perencanaan produksinya.
Kata Kunci : Peramalan, Perencanaan Produksi, Special Event
ABSTRACT
Forecasts inaccuracy is the most fundamental issues for production planning process,
especially at the Make to Stock (MTS) Company. At PT. Coca-Cola Bottling Plant Pandaan
Indonesia, the effect will impact on the high level of inventory or shortage in the market caused by
the inaccurate production planning. This happen due to event management at the company has not
well established. The selection forecasting method by considering the special event impact
variable, is expected to be more accurate in describing the real demand. The output of the
forecasting process is then used as input for Master Production Schedule (MPS) of each product in
the production process.
The results show that the special event has a significant contribution in influencing
demand. Application of forecasting methods by considering the special event can improve the
accuracy of forecasts for each product of 5-10%. On the other hand, total cost saving can be
achieved as much as 40% in terms of production planning.
Keywords: Forecast, Production planning, Special Event
1.

PENDAHULUAN
PT. Coca Cola Bottling Indonesia (PT.
CCBI) merupakan perusahaan manufaktur
yang bergerak dalam bidang industri minuman
ringan. Produk-produk yang dihasilkan oleh
PT. CCBI sangat diminati oleh konsumennya.
Dari segi branding, PT. CCBI yang
merupakan perusahaan terbesar penghasil
minuman berkarbonasi di Indonesia yang
namanya sudah tidak asing lagi disemua
lapisan masyarakat. Tingginya permintaan

disaat-saat tertentu seperti lebaran, natal, hari

raya agama lain dikarenakan konsumen
membutuhkan produk yang siap untuk
disajikan. General Sales Marketing Manager
PT. CCBI Setyo Adi Nugroho mengatakan
bahwa kebutuhan pelanggan dari tahunketahun terus mengalami peningkatan. Apalagi
pada saat lebaran, setiap tahunnya meningkat
30 persen dari kebutuhan tahun sebelumnya.
Sehingga pada setiap hari raya Idul Fitri,
Coca-Cola menambah pasokan 2 kali lipat
1

dibanding bulan sebelumnya (Kaltim Post,

2009). Tetapi tidak hanya untuk hari raya
keagamaan saja, banyak hal yang mungkin
bisa saja sangat mempengaruhi tingkat
permintaan seperti faktor promosi, strategi
perlawanan dari kompetitor, dan banyak hal
lainnya. Seperti yang diungkapkan oleh Dwi
Harjono General Manager East Java PT. Coca
Cola
Distribution
yang
menggunakan
momentum Pesta Demokrasi Pemilu 2009
sebagai ajang untuk mendongkrak penjualan
lewat promosi produk baru (Surya, 2009).
Fluktuasi permintaan pada event-event
tersebut sangat berpengaruh terhadap akurasi
ramalan yang dilakukan oleh CCBI. Seperti
data yang disajikan pada tabel 1, rendahnya
akurasi peramalan diakibatkan penggunaan
metode Moving Average (MA) oleh
perusahaan yang tidak mengakomodasi
pengaruh
event
terhadap
permintaan
konsumen yang terjadi dalam periode tertentu
Tabel 1. Tabel Prosentase Akurasi Peramalan
(Sumber : PT. CCBI Plant Pandaan)

Tahun
2005
2006
2007
2008
2009

Prosentase (%)
82 %
85 %
85 %
88 %
86 %

Selain itu, ketika tidak terjadi manajemen

permintaan serta manajemen event yang baik,
perusahaan akan mengalami kekurangan
persediaan barang untuk bisa memenuhi
permintaan tersebut. Kebijakan yang diambil
oleh perusahaan untuk
meminimalisir
terjadinya backlog di konsumen, yaitu
peningkatan kapasitas produksi untuk dapat
menutupi lonjakan permintaan di waktu-waktu
tertentu. Tetapi kebijakan ini tidak didukung
oleh perhitungan-perhitungan biaya-biaya lain
yang harus dikeluarkan jika nantinya kapasitas
produksi melebihi permintaan konsumen. Dari
hal ini, awal permasalahan yang timbul
diakibatkan tidak akuratnya peramalan
permintaan konsumen yang berdampak pada
perencanaan produksi yang tidak dapat
responsif. Karena produksinya bisa saja tidak
dapat memenuhi permintaan (backlog) atau
bahkan melebihi dari permintaan yang ada
(inventory).

Penerapan metode peramalan dengan

mempertimbangkan pengaruh special event
terhadap
fluktuasi
permintaan
akan
mengakomodasi perencanaan produksi yang
lebih akurat. Perencanaan produksi dapat
memperlihatkan dampak dari segi biaya yang
dikeluarkan untuk Inventori dan biaya backlog
pada sistem eksisting yang nantinya
dibandingkan
dengan
sistem
yang
menggunakan metode peramalan dengan
konsep manajemen permintaan pada setiap
special event yang terjadi.
Pada penelitian ini, hasil yang ingin
dicapai adalah untuk mendapatkan metode
peramalan
permintaan
yang
dapat
meningkatkan akurasi dari ramalannya. Yang
nantinya akan berdampak terhadap rencana
produksi dengan total biaya yang lebih murah
dari pada rencana produksi eksisting. Selain
itu, penelitian juga memberikan saran dan
rekomendasi mengenai metode peramalan
dengan mempertimbangkan special event yang
diakomodasi dengan indeks special event yang
menjadi dasar penentuan permintaan di
periode tertentu.
Batasan yang digunakan dalam penelitian
ini antara lain :
1. Produk yang diamati adalah produk
menggunakan kemasan Returnable
Glass Bottle (RGB) antara lain CocaCola 193 ml, Sprite 200 ml, Fanta
Strawberry 200 ml, Sprite 295 ml,
Fanta Soda Water 295 ml, dan Frestea
Jasmine 220 ml.
2. Special Event yang dimaksud adalah
special event yang diperkirakan
mempengaruhi
penjualan
secara
signifikan
yang
telah
didokumentasikan oleh perusahaan.
3. Evaluasi dari perencanaan produksi
dilakukan untuk periode JanuariDesember 2009.
Selain itu, terdapat beberapa asumsi yang
digunakan dalam penelitian ini antara lain
kekurangan barang pada suatu periode akan
dipenuhi pada periode berikutnya. Dan biaya
penyimpanan dan backlog adalah 30% dari
harga jual produk.
2.

METODOLOGI
Metodologi penelitian yang digunakan
berisi mengenai langkah yang akan ditempuh
selama penelitian dan berguna sebagai acuan
agar berlangsung sistematis.
2

2.1. Tahap Identifikasi Masalah

Pada tahapan ini dilakukan identifikasi
masalah yang sedang terjadi pada sistem
perencanaan produksi di PT. Coca Cola
Bottling Indonesia, perumusan masalah yang
ada dan tujuan dari penelitian Tugas Akhir ini.
Setelah dilakukan studi literatur, selanjutnya
akan dilakukan studi lapangan yaitu
mempelajari keadaan nyata di perusahaan
mulai dari proses peramalan permintaan
hingga aktivitas perencanaan produksinya.
Dan juga mempelajari pola permintaan yang
terjadi pada saat-saat tertentu.
2.2. Tahap Pengumpulan dan Pengolahan
Data
Setelah tahap identifikasi permasalahan,
tahap
selanjutnya
adalah
tahapan
pengumpulan dan pengolahan data sesuai
dengan permasalahan yang dievaluasi di
perusahaan. Tahap ini meliputi beberapa
langkah-langkah yang dapat dijelaskan sebagai
berikut :
2.2.1. Pengumpulan Data
Pada
tahapan
ini
dilakukan
pengumpulan data-data yang diperlukan untuk
mendukung hipotesa dari penelitian yang ingin
dilakukan. Data-data yang dikumpulkan antara
lain :
a. Data sales produk (Mingguan)
untuk periode 2006-2009
b. Data special event yang telah
direcord oleh perusahaan pada
tahun 2006-2009.
c. Data kedatangan botol untuk setiap
periodenya (mingguan).
d. Data aktual produksi (Mingguan)
periode 2009
e. Data Stock on Hand akhir periode
2008
Data-data
tersebut
dikumpulkan
melalui pengamatan secara langsung, data
sekunder dari perusahaan dan wawancara
dengan pihak-pihak yang terkait dengan
permasalahan ini.
2.2.2.

Pengolahan Data
Proses pengolahan data dilakukan
dengan dua tahapan yang harus dilakukan.
Yaitu,
melakukan
peramalan
tingkat
permintaan diperiode mendatang dan membuat
perencanaan
produksi
untuk
tingkat
permintaan dari hasil ramalan. Setelah
dilakukan dua tahap inti tersebut, kemudian
dilakukan perhitungan total biaya persediaan

dan backlog, dan rata-rata persediaan produk

untuk setiap skenarionya.
2.2.2.1. Peramalan (Forecasting)
Setelah data-data historis penjualan
dikumpulkan kemudian dilakukan pengecekan
pola dari data tersebut. Data tersebut termasuk
pola data random, tren atau musiman. Tujuan
dari pengecekan pola data ini untuk
mengetahui metode peramalan yang tepat
untuk menggambarkan kebutuhan di periode
berikutnya. Setelah menentukan pola data
historis yang ada, dilakukan perhitungan
indeks untuk masing-masing special event
yang telah dicatat oleh perusahaan. Special
event yang terjadi seperti hari raya keagamaan,
promosi, hari libur nasional, dll. Perhitungan
indeks tersebut dilakukan dengan pendekatan
metode peramalan berdasarkan musiman
untuk setiap event-event yang ada.
Setelah perhitungan indeks special
event, kemudian dilakukan peramalan untuk
kebutuhan dari masing-masing produk dengan
menambahkan faktor indeks yang sudah
dihitung sebelumnya. Peramalan ini juga
memperbandingkan perfomansi dari metode
eksisting dengan metode yang sesuai dengan
pola data dan metode peramalan dengan event
based.
Selain itu, penelitian tugas akhir ini
akan memberikan referensi tentang indeks
special event yang terbaru untuk menjadi
masukan dalam peramalan permintaan pada
tahun 2010.
2.2.2.2. Rancangan Skenario
Pada tahapan ini, peneliti membuat
sebuah rancangan skenario yang digunakan
dalam pengolahan data pada penelitian ini.
Skenario ini digunakan untuk memberikan
gambaran usulan yang nanti dilakukan
perbandingan terhadap kondisi eksisting.
Terdapat dua skenario yang digunakan, yaitu :
1. Pada pembuatan Master Production
Schedule (MPS) yang menggunakan
input dari hasil peramalan permintaan
pada tahapan sebelumnya, tidak ada
batasan jumlah botol pada saat
perencanaannya.
Skenario
ini
bermaksud
untuk
memberikan
gambaran jika pada nantinya ketika
ketersediaan dari botol tidak memiliki
batasan maka dampaknya terhadap
performansi perencanaan signifikan
atau tidak.
2. Pada skenario yang kedua, variabel
ketersediaan botol menjadikan batasan
3

nanti, akan diusulkan untuk target inventori

dengan total biaya yang lebih rendah.
2.4.

Kesimpulan dan Saran

Setelah melakukan analisis dari hasil
pengolahan data, kemudian dari hasil tersebut
ditarik
kesimpulan-kesimpulan
untuk
menjawab dari tujuan penelitian tugas akhir
ini. Sehingga manfaat-manfaat yang dapat
diterima oleh perusahaan sesuai dengan
ekspektasi
di
awal
yang
dapat
diimplementasikan
dalam
saran-saran
perbaikan.
3.

PERAMALAN
Sebelum
melakukan
perencanaan
produksi,untuk dapat membuat gambaran
kebutuhan produksi di periode berikutnya
dapat dilakukan dengan melakukan proses
peramalan. Ada beberapa tahapan yang harus
dilakukan dalam melakukan proses ramalan
ini.
3.1. Identifikasi Pola Data Historis
Data historis penjualan dari tahun 20062008 yang telah dikumpulkan kemudian dicari
pola dari penjualan tersebut berdasarkan
waktunya. Pengecekan pola data historis dapat
dilakukan dengan 2 (dua) cara antara lain
dengan menggunakan plot data historis. Pada
gambar 1 adalah plot data historis untuk
produk Coca-Cola 193 ml.
Time Series Plot of S-Coca Cola
13000
12000
11000
S-Coca Cola

dalam
melakukan
perencanaan
produksi untuk menentukan keputusan
produksi disetiap periode. Dari
skenario ini dapat melihat dampak
langsung dari tingkat persediaan
finished goods yang dimiliki oleh
perusahaan
2.2.2.3. Perencanaan Produksi
Setelah
dilakukan
peramalan
kebutuhan, kemudian dilakukan pembuatan
Master Production Schedule (MPS) untuk
masing-masing Stock Keeping Unit (SKU)
produk. Tujuan dari MPS ini sebagai rencana
produksi yang dilakukan oleh bagian Planning
untuk kemudian diimplementasikan sebagai
keputusan dalam proses produksi oleh bagian
produksi.
Dalam pembuatan MPS terdapat dua
skenario yang telah direncanakan. Untuk
skenario yang pertama, MPS menggunakan
input dari metode peramalan dengan
mempertimbangkan pengaruh special event
terhadap permintaan dan tidak memiliki
batasan jumlah botol. Sedangkan untuk
skenario yang kedua, dengan menggunakan
peramalan permintaan dengan pengaruh event
tetapi memiliki batasan jumlah botol yang
tersedia di setiap periodenya. Untuk keputusan
produksi yang diambil adalah minimum (MPS;
jumlah botol).
2.2.2.4. Perhitungan Total Biaya
Setelah dilakukan pembuatan MPS
untuk setiap skenarionya, didapatkan total
inventori dan backlog untuk setiap periodenya.
Skenario yang dibandingkan yaitu, MPS
kondisi eksisting dengan MPS skenario
alternatif. Untuk setiap skenarionya, kemudian
dihitung total biaya untuk inventori dan
backlog yang dikeluarkan untuk periode waktu
yang sama.

10000
9000
8000
7000
6000

2.3.

Analisis dan Pembahasan

Pada tahapan ini, hasil dari
pengolahan data di tahap sebelumnya
dilakukan analisis serta pembahasannya. Hasil
perhitungan untuk setiap skenario kemudian
dibandingkan
parameter-parameter
performansi seperti tingkat persediaan
(inventory) dan biaya persediaan dan backlog.
Skenario yang dipilih yaitu skenario yang
memiliki biaya penyimpanan yang paling
murah. Selain itu, pada tahapan analisis ini,
dilakukan analisis sensitivitas untuk perubahan
target inventori yang telah ditetapkan
sebelumnya oleh perusahaan. Pada akhirnya

5000
1

16

32

48

64

80
Index

96

112

128

144

Gambar 1. Plot Data Historis

Selain itu, pola juga dapat diindentifikasi

dengan menggunakan analisis autokorelasi
seperti pada gambar 2. Analisis ini
menggunakan bantuan Software Minitab 14.0
dengan Autocorrelation Function.
Dari hasil kedua analisis ini dapat
ditentukan pola data masing-masing varian
produk seperti pada tabel 2 yang nantinya
digunakan sebagai dasar penentuan metode
peramalan.
4

Autocorrelation Function for S-Coca Cola

(with 5% significance limits for the autocorrelations)
1,0
0,8

A utocorrelation

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

10

20

30

40

50

60

70

80
Lag

90 100 110 120 130 140 150

Gambar 2. Autokorelasi
Tabel 2. Rekapitulasi Pola Data Historis Produk
No.
Varian Produk
Pola Data
1.
Coca-Cola 193 ml
Musiman 52 Minggu
2.
Sprite 200 ml
Musiman 52 Minggu
3.
Fanta Strawberry Musiman 52 Minggu
200 ml
4.
Sprite 295 ml
Musiman 52 Minggu
5.
Fanta Soda Water Musiman 52 Minggu
295 ml
6.
Frestea Jasmine 220 Musiman 52 Minggu
ml

3.2. Perhitungan Indeks Special Event

Sebagai dasar dalam penentuan pengaruh
dari special event, dapat diukur berdasarkan
indeks dari event tersebut. Semakin besar
indeksnya maka akan semakin besar
pengaruhnya terhadap permintaan disuatu
periode.
perhitungan
indeks
tersebut
menggunakan persamaan 1.
=

(1)

Dimana:
= Data aktual periode t (minggu)
= Indeks pada periode t (minggu)
= Diadjust (data hasil peramalan pada
periode t dengan menggunakan
moving average dan exponential
smoothing)
Nilai Dt didapatkan dari hasil perhitungan
dengan menggunakan metode peramalan dasar
yaitu moving average 3 periode dan
ekponential dengan = 0,2.
Dengan menggunakan perumusan 1,
dapat menilai indeks dari masing-masing
special event. Hasilnya adalah seperti pada
tabel 3. Indeks ini untuk produk Sprite 200 ml
dengan menggunakan pendekatan moving
average.
3.3. Peramalan
Berdasarkan hasil dari pola data historis
didapatkan bahwa, pola data penjualan selama

kurun waktu 3 (tiga) tahun terakhir mengikuti

pola musiman dalam 52 minggu. Menurut
Hanke (2001) metode peramalan yang cocok
untuk pola data musiman yaitu menggunakan
Winter Eksponensial Smooting (WES) dan
Decomposition. Selain metode konvensional
tersebut, nantinya akan dibandingkan metode
peramalan dengan menggunakan Event Based
yang tidak di-drive oleh musim. Perbandingan
menurut nilai error forecastnya.
3.3.1. Winter
Exponential
Smoothing
(WES)
Dengan menggunakan bantual software
Minitab 14, dapat dihitungan perkiraan
permintaan untuk periode 2009 yang
dibandingkan dengan aktual penjualan untuk
dapat dapat menghitung errornya. Pada tabel 4
adalah hasil perhitungan error untuk metode
WES.
Tabel 4. Rekapitulasi Error metode WES
No.
1
2
3
4
5
6

Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea Jasmine 220 ml

MAD
3.313
4.663
4.338
2.431
2.815
4.533

Error
MSE
16.270.585
30.974.232
26.560.644
9.132.478
11.662.301
28.573.847

MAPE
38%
28%
25%
7%
12%
20%

3.3.2.

Decomposition
Sama halnya dengan metode WES,
kita dapat menghitung nilai error metode ini
dengan membandingkan hasil peramalan
dengan data aktual penjualan tahun 2009.
Hasil perhitungan errornya seperti pada tabel
5.
Tabel 5. Rekapitulasi Error metode Decomposition
No.
1
2
3
4
5
6

Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea Jasmine 220 ml

MAD
607
3.425
2.754
2.294
2.791
2.404

Error
MSE
544.472
15.818.540
10.018.102
8.044.507
11.633.854
8.052.909

MAPE
8%
22%
17%
7%
11%
11%

3.3.3.

Event Based
Metode peramalan Event Based adalah
metode pendekatan peramalan permintaan
berdasarkan special event yang terjadi di
setiap periodenya. Yang berarti tinggi
rendahnya permintaan akan berdasarkan
indeks dari masing-masing event yang sudah
dilakukan perhitungan di sub bab sebelumnya.
Metode ini menggunakan persamaan umum
pada persamaan 2. Dengan menggunakan
pendekatan metode peramalan dasar.
5

Tabel 3. Rekapitulasi Indeks Special Event Sprite 200 ml

Group Event

Event
Idul Adha 1426 H
Idul Adha 1427 H
Idul Adha
Idul Adha 1428 H
Idul Adha
Tahun Baru Imlek 2557
Tahun Baru Imlek
Tahun Baru Imlek 2558
Tahun Baru Imlek 2559
Ultah Coca Cola ke 120
Ultah Coca-Cola
Ultah Coca-Cola ke 121
Ultah Coca-Cola ke 122
Kompetisi Musik Rock & Dangdut Sprite D'Plong
Kompetisi Music Rock & Dangdut Sprite Kompetisi Musik Rock & Dangdut Sprite D'Plong
Kompetisi Musik Rock & Dangdut Sprite D'Plong
Hanging Out Place With High School
Hanging Out Place With High School
Hanging Out Place With High School
Hanging Out Place With High School
Panen Tembakau
Panen Tembakau
Panen Tembakau
Panen Tembakau
Idul Fitri 1427 H
Idul Fitri
Idul Fitri 1428 H
Idul Fitri 1429 H
Coca-Cola Party
Coca-Cola Party
Coca-Cola Party
Coca-Cola Party
Supermarket Floor Display
Supermarket Floor Display
Supermarket Floor Display
Supermarket Floor Display
Natal dan Tahun Baru
Natal dan Tahun Baru
Natal dan Tahun Baru
Natal dan Tahun Baru
Piala Coca-Cola
Promosi "3 Tutup Botol Bisa Jadi Jutawan Selama 5 Tahun!"
Posko Mudik Segar ala Coca-Cola
Promosi "FIFA World Cup 2006"

Metode peramalan yang dimaksud adalah

menggunakan Moving Average Event Based
(MAEB) dan Eksponential Smoothing (ESEB)
berdasarkan nilai indeks untuk setiap metode
untuk setiap eventnya.
(2)
=
Dimana,
Yt = Peramalan dengan Indeks pada periode -t
It = Indeks Special Event pada periode t
Yt= Peramalan sebelum Indeks pada periode t
Dari persamaan 2 tersebut kita dapat
menghitung nilai error masing-masing
metodenya seperti pada tabel 6 dan 7.
Tabel 6. Rekapitulasi Error metode MAEB
No.
1
2
3
4
5
6

Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea Jasmine 220 ml

MAD
429
1.469
1.324
1.790
1.475
1.289

Error
MSE
274.597
3.945.020
3.311.083
6.301.516
4.269.648
2.954.538

MAPE
5%
9%
9%
5%
6%
6%

Index
1,03
1,07
1,04
1,04
1,02
1,04
1,03
1,07
1,02
1,01
1,20
1,02
1,05
1,00
1,02
1,06
1,01
1,06
1,04
1,02
1,08
1,04
1,00
1,02
1,01
1,01
1,05
1,04
1,07
1,08
1,24

Group Index
1,05

1,03

1,03

1,09

1,03

1,03

1,05

1,01

1,03

1,13
1,01
1,03
1,04
1,12

Tabel 7. Rekapitulasi Error metode ESEB

No.
1
2
3
4
5
6

Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea Jasmine 220 ml

MAD
386
1.554
1.406
1.803
1.335
1.310

Error
MSE
237.197
4.190.194
3.736.669
6.508.110
4.118.372
2.947.185

MAPE
5%
10%
9%
5%
6%
6%

Dari perhitungan nilai error keempat metode

peramalan,
dapat
ditentukan
metode
peramalan terbaik dengan nilai error yang
terkecil yang nantinya digunakan sebagai input
dalam
perencanaan
produksi.
Hasil
perbandingan nilai error setiap metode seperti
pada tabel 8.
Metode peramalan dengam memiliki
nilai MAPE terkecil merupakan metode
peramalan yang terbaik. Ini terlihat pada tabel
8 dengan metode yang terhighlight warna
kuning yang menandakan metode tersebut
adalah metode terbaik yang digunakan untuk
meramalkan permintaan masing-masing varian
produknya.

Tabel 8. Rekapitulasi Nilai Error Akhir

Metode

Error
MSE

MAD
Coca-Cola 193 ml
Eksisting
753
965.701
Winter Exponential Smoothing
3.313 16.270.585
Decomposition
607
544.472
MA Event Based
429
274.597
ES Event Based
386
237.197
Sprite 200 ml
Eksisting
2.564 11.752.741
Winter Exponential Smoothing
4.663 30.974.232
Decomposition
3.425 15.818.540
MA Event Based
1.469
3.945.020
ES Event Based
1.554
4.190.194
Fanta Strawberry 200 ml
Eksisting
2.831 14.902.460
Winter Exponential Smoothing
4.338 26.560.644
Decomposition
2.754 10.018.102
MA Event Based
1.324
3.311.083
ES Event Based
1.406
3.736.669
Sprite 295 ml
Eksisting
2.703 14.332.520
Winter Exponential Smoothing
2.431
9.132.478
Decomposition
2.294
8.044.507
MA Event Based
1.790
6.301.516
ES Event Based
1.803
6.508.110
Fanta Soda Water 295 ml
Eksisting
1.998
7.109.004
Winter Exponential Smoothing
2.815 11.662.301
Decomposition
2.791 11.633.854
MA Event Based
1.475
4.269.648
ES Event Based
1.335
4.118.372
Frestea Jasmine 220 ml
Eksisting
1.911
5.628.884
Winter Exponential Smoothing
4.533 28.573.847
Decomposition
2.404
8.052.909
MA Event Based
1.289
2.954.538
ES Event Based
1.310
2.947.185

4.

MAPE
9%
38%
8%
5%
5%
18%
28%
22%
9%
10%
21%
25%
17%
9%
9%
9%
7%
7%
5%
5%
9%
12%
11%
6%
6%
9%
20%
11%
6%
6%

PERENCANAAN PRODUKSI
Dalam perencanaan produksi, akan
membandingkan beberapa skenario untuk
dapat mengukur masing-masing performansi
dari input dan kondisi yang berbeda-beda.
Hasil dari masing-masing skenario tersebut
nantinya akan dibandingkan dengan Master
Production Schedule (MPS) eksisting untuk
dapat diukur perubahannya.
Untuk setiap skenario usulan, yang
membedakan terhadap MPS eksisting adalah
pada input dari hasil peramalan yang nantinya
diimplementasi sebagai rencana produksi per
minggunya.
Hasil
peramalan
dengan
menggunakan metode terbaik dari hasil
perbandingan error diproses sebelumnya akan
dibandingkan dengan rencana produksi
eksisting yang menggunakan hasil peramalan
oleh perusahaan sendiri.
Input tersebut digunakan untuk dua
skenario usulan pada skenario 1 (satu) dan
skenario (dua). Yang berbeda antara skenario
1 dan dua yaitu terdapat masing-masing
batasan dalam penentuan kuantitas produksi

perminggu nya. Perbedaannya itu terdapat

pada jumlah botol yang tersedia untuk setiap
minggunya. Pada skenario 2, batasan ini yang
akan berpengaruh pada penentuan kuantitas
produksinya. Jadi ketika, pada suatu periode
tersebut membutuhkan 5000 botol tetapi pada
periode tersebut hanya tersedia 4800 botol,
maka jumlah produk yang diproduksi yaitu
sebesar jumlah botol yang tersedia. Berikut ini
adalah hasil rekapitulasi untuk setiap kondisi.
4.1. Kondisi Eksisting
Dengan menggunakan hasil input dari
metode peramalan di perusahaan, kita dapat
menghitungan rata-rata persediaan untuk
setiap minggunya. Hasilnya seperti pada tabel
9 untuk varian produk Coca-Cola 193 ml.
Tabel 8. Rekapitulasi MPS Eksisting
Rekapitulasi
Avg. Inventory
Avg. Backorder

20.808
0

4.2. Skenario 1
Untuk dapat menghitung rata-rata
persediaan dan rata backlog untuk setiap
periode nya, dapat digunakan persamaan 3-8.
v Pt

TIt (SOHt-1 - Yt) + Sht-1 ; SOHt-1 - Yt TIt (3)

0

v SOHt = It-1

; SOHt-1 - Yt > TIt (4)

(5)

v TIt =

(6)

v It = (Pt + SOHt-1) - St

(7)

v Sht = St - (Pt + SOHt-1)

(8)

Dimana :
t
= Periode waktu (minggu)
Yt
= Forecast Periode t (setelah dikali
indeks)
Pt
= Produksi periode t
St
= Sales periode t
SOHt = Stock On Hand diawal periode t
TIt
= Target Inventori periode t
It
= Inventory di akhir periode-t
Sht
= Shortage periode t
(Untuk persamaan 6, target inventori
disesuaikan dengan varian produknya)
Dengan menggunakan persamaan tersebut,
dapat dilakukan perhitungan rata-rata inventori
7

untuk setiap periodenya. Pada tabel 9,

merupakan hasil perhitungan rata-rata
inventori untuk varian produk Coca-Cola 193
ml dengan skenario 1.

Tabel 10. Rekapitulasi MPS Skenario 1

Rekapitulasi
Avg. Inventory
10.211
Avg. Backorder
310

Tabel 9. Rekapitulasi MPS Skenario 1

Rekapitulasi
Avg. Inventory
16.473
Avg. Backorder
0

4.3. Skenario 2
Untuk dapat menghitung rata-rata
persediaan dan rata backlog untuk setiap
periode nya, dapat digunakan persamaan 3-8.
(9)

v SOHt = It-1

(10)

v TIt =

(11)

v It = (Pt + SOHt-1) - St

untuk setiap periodenya. Pada tabel 10,

merupakan hasil perhitungan rata-rata
inventori untuk varian produk Coca-Cola 193
ml dengan skenario 2.

v Sht = St - (Pt + SOHt-1)

(12)

v Pt = min (Pet ; Et)

(13)

v Et = SEt + (Et-1 - Pt)

(14)

Dimana :
t
= Periode waktu (minggu)
Yt
= Forecast Periode t (setelah dikali
indeks)
Pet
= MPS Aktual dalam periode t
Pt
= Produksi periode t
St
= Sales periode t
SOHt = Stock On Hand diawal periode t
TIt
= Target Inventory periode t
It
= Inventori di akhir periode-t
Dengan menggunakan persamaan tersebut,
dapat dilakukan perhitungan rata-rata inventori

4.4. Perhitungan Total Biaya

Total biaya yang dihitung dalam
penelitian ini terdiri dari biaya persediaan
(Inventory Cost) dan biaya yang hilang akibat
tidak
memenuhi
permintaan
(Lost
sales/Shortage Cost). Karena pada penelitian
ini komponen biaya tidak dapat terdefinisi,
maka untuk perhitungan biaya menggunakan
beberapa asumsi. Asumsi-asumsi seperti
dibawah ini :
v Biaya Persediaan (Ic) = 30%Harga
Jual/botol/tahun
v Shortage Cost (Sc)
= 30% Harga
Jual/botol/tahun
Jadi untuk menghitung Inventory Cost serta
Shortage Cost dalam penelitian menggunakan
persamaan 15 dan 16.
IC/tahun = Avg. Inv/periode x Ic
SC/tahun = Avg. Sh/periode x Sc

(15)
(16)

Pada tabel 11-13 merupakan hasil

perhitungan Total biaya untuk 6 varian produk
di dalam penelitian ini untuk kondisi eksisting,
skenario 1 dan skenario 2.

Tabel 11. Rekapitulasi Perhitungan Total Cost Eksisting

No.
1
2
3
4
5
6

Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea 220 ml

Inventory Cost Backlog Cost Total Cost

(Rp/th)
(Rp/th)
(Rp/th)
9.363.617
0
9.363.617
19.844.553
0 19.844.553
12.793.690
0 12.793.690
32.700.687
0 32.700.687
29.586.073
0 29.586.073
17.001.120
0 17.001.120

Tabel 12. Rekapitulasi Perhitungan Total Cost Skenario 1

No.
1
2
3
4
5
6

Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea 220 ml

Inventory Cost Backlog Cost Total Cost

(Rp/th)
(Rp/th)
(Rp/th)
7.412.871
0
7.412.871
7.404.931
0
7.404.931
7.401.419
0
7.401.419
29.990.832
0 29.990.832
22.532.246
0 22.532.246
12.064.252
0 12.064.252

Tabel 13. Rekapitulasi Perhitungan Total Cost Skenario 2

No.
1
2
3
4
5
6

Produk
Coca-Cola 193 ml
Sprite 200 ml
Fanta Strawberry 200 ml
Sprite 295 ml
Fanta Soda Water 295 ml
Frestea 220 ml

Inventory Cost Backlog Cost Total Cost

(Rp/th)
(Rp/th)
(Rp/th)
4.594.733
279.334
4.874.067
7.187.797
0
7.187.797
7.160.766
0
7.160.766
19.766.193
0 19.766.193
21.555.573
0 21.555.573
11.623.024
0 11.623.024

5. ANALISIS
5.1. Analisis Perhitungan Indeks Special
Event
Sebelum melakukan peramalan, hal yang
harus dilakukan adalah mengidentifikasi
Indeks Special Event. Indeks Special Event
(SE) ini menunjukkan pengaruh SE terhadap
permintaan produk pada periode tertentu. Jika
pada kondisi normal (tidak ada SE),
permintaan
dapat
diramalkan
dengan
menggunakan metode peramalan biasa. Indeks
ini menggambarkan prosentase (%) kenaikan
permintaan pada periode tersebut ketika
terjadinya SE. Jadi, dari sini SE dapat
teridetifikasi
pengaruhnya
terhadap
permintaan jika SE tersebut terlaksana.
Pada tabel 3, dituliskan bahwa terdapat
SE bernama Hanging Out With High
School. Dari hasil perhitungannya, nilai
Indeks untuk SE tersebut yaitu sebesar 1,03.
Indeks ini berarti pada saat terjadinya SE
Hanging Out With High School
permintaan akan naik sebesar 3 persen dari
permintaan normalnya. Indeks ini akan
menjadi acuan untuk menggambarkan
permintaan konsumen ketika SE ini
dilaksanakan pada tahun berikutnya.
Tentu saja identifikasi indeks ini akan
dapat lebih bermanfaat karena dapat
menggambarkan fluktuasi dari permintaan
yang mengikuti terjadinya SE yang memiliki
karateristik yang berbeda-beda. Semakin
tinggi indeks SE yang didapatkan, maka
pengaruh jika terjadinya SE tersebut terhadap
permintaan akan semakin besar. Nantinya
indeks ini akan dimasukkan sebagai variabel
dalam penentuan ramalan permintaan untuk
periode yang akan datang.
Pada akhir 2009, dilakukan updating
indeks SE yang menambahkan indeks SE yang
terjadi pada tahun 2009. Updating ini
digunakan untuk memberikan referensi
tentang perkembangan terbaru mengenai
pengaruh SE tersebut terhadap permintaan.
Dalam perhitungan untuk updating indeks ini,

dilakukan
dengan
cara
pembobotan.
Pemberian bobot paling tinggi diberikan untuk
indeks yang paling terbaru. Ini dikarenakan
pola permintaan untuk tahun yang terdekat
akan lebih bisa menggambarkan pola yang
sebenarnya pada tahun berikutnya.
5.2. Analisis Peramalan
Berdasarkan hasil pengecekan pola data
historis didapatkan bahwa data memiliki
kecenderungan musiman. Penentuan metode
peramalan itu didasari oleh pola data yang
terbentuk. Dikarenakan pola data yang
terbentuk adalah pola data musiman, jadi
metode yang sesuai untuk digunakan dalam
proses ramalan ini adalah metode Winters
Exponential Smoothing (Triple Exponential
Smoothing) dan Metode Dekomposisi. Kedua
metode konvensional ini akan dibandingkan
perfomansi nilai error nya dengan metode
peramalan dengan Event Based. Nilai error
yang lebih kecil akan menjadi input dalam
perencanaan produksinya.
Untuk peramalan menggunakan metode
konvensional digunakan bantuan software
Minitab 14. Untuk menggunakan bantuan
Minitab ini, diperlukan beberapa parameter
salah satunya adalah seasonal lenght. Seasonal
lenght merupakan panjang perulangan periode
secara
musiman.
Berdasarkan
hasil
autokorelasi, didapatkan bahwa data tersebut
adalah musiman dengan 52 minggu. Yang
berarti parameter seasonal lenght nya sebesar
52.
Dengan menggunakan bantuan Minitab,
dapat dilakukan peramalan untuk 52 minggu
kedepannya dengam metode Winter ES dan
Dekomposisi. Setelah hasil ramalannya
didapatkan, kemudian dilakukan perbandingan
data hasil ramalan dengan data penjualan
aktual pada tahun 2009. Setelah itu dilakukan
perhitungan nilai error (MAD, MSE, dan
MAPE) untuk kedua metode konvensional
pada setiap varian produk.
9

Perhitungan error juga berlaku untuk dua

metode dengan event based. Seperti hasil yang
didapatkan pada sub bab 3.3.3, peramalan
menggunakan event based dibagi atas dua
metode yaitu menggunakan MA dan ES.
Untuk metode event based, hasil dari
peramalan menggunakan metode MA dan ES,
kemudian dikalikan dengan indeks SE ketika
SE tersebut akan dilaksanakan pada periode
pelaksanaannya. Setelah dikalikan dengan
indeks, hasil ramalan ini kemudian
dibandingkan dengan data aktual penjualan
pada tahun 2009. Dari sini didapatkan nilai
error dari metode event based ini.
Untuk mendapatkan metode peramalan
yang terbaik dilakukan dengan menilai
performansi dari error setiap metode. Pada
tabel 8, metode yang terbaik diberikan tanda
highlight warna kuning. Perbandingan nilai
error dilakukan dengan membandingkan nilai
MAPE dan MSE. Nilai MAPE ini merupakan
prosentase terjadinya kesalahan dalam suatu
proses peramalan. Dari hasil yang didapatkan
pada tabel 8 diketahui bahwa untuk produk
Coca-Cola 193 ml, nilai MAPE yang terkecil
yaitu sebesar 5% pada metode Event Based
untuk Exponential Smoothing. Ini berarti
tingkat akurasi dari peramalan yang dilakukan
dengan metode ini sudah mencapai 95 %. Jika
dibandingkan dengan metode-metode lain nilai
MAPE ini merupakan prosentase error yang
terkecil. Selain itu, jika dibandingkan dengan
metode eksisting dengan akurasi sebesar 91
persen (MAPE = 9 persen), maka dapat
dikatakan metode dengan mempertimbangkan
special event memiliki kontribusi yang sangat
signifikan dalam meningkatkan akurasi dari
ramalan permintaan di perusahaan.
Untuk varian produk lainnya, dengan
analisis yang sama dengan produk sebelumnya
dapat ditentukan metode peramalan yang
terbaik. Untuk metode MA Event Based
digunakan untuk produk Sprite 200 ml, Fanta
Strawberry 200 ml, Sprite 295 ml. Dan untuk
metode ES Event Based digunakan untuk
produk Fanta Soda Water 295 ml dan Frestea
Jasmine 200 ml.
Dilihat pada tabel 14, penggunakan
metode peramalan dengan mempertimbangkan
special event akan meningkatkan akurasi dari
peramalan yang sudah diterapkan selama ini di
perusahaan. Ini menandakan bahwa metode
peramalan dengan mempertimbangkan special
event sangat berdampak pada performansi
ramalan.

5.3. Analisis Perhitungan Total Biaya

Dampak langsung terjadinya perubahan
sistem dalam peramalan dan perencanaan
produksi akan berpengaruh terhadap total
biaya yang dalam hal ini untuk Inventori Cost
dan Shortage Cost. Penerapan metode
peramalan dengan mempertimbangkan special
event akan berdampak kepada rencana
produksi untuk setiap periode. Akurasi
ramalan yang rendah pada metode eksisting
menyebabkan tingginya kesalahan dalam
penentuan
kuantitas
produksinya.
Ketidaksesuaian permintaan terhadap aktual
sales akan berdampak kepada tingginya nilai
inventori dari produk tersebut. Seperti yang
tertulis pada tabel 14. tingginya nilai inventori
ini akan sejalannya dengan semakin besar
biaya yang dikeluarkan oleh perusahaan untuk
penyimpanan finished goods di gudang. Oleh
karena itu, untuk dapat meminamalisir
ketidaksesuaian tersebut maka pengunaan
metode peramalan dengan mempertimbangkan
special event akan membantu perusahaan
untuk dapat melakukan penghematan biaya
inventori. Pada tabel 15, penghematan yang
dapat dilakukan oleh perusahaan untuk
meminimalisir nilai inventori sebesar Rp
4.489.550/th untuk produk Coca-Cola 193 ml.
Ini menerangkan bahwa pengaruh dari metode
peramalan terhadap perencanaan produk
dengan menginginkan total biaya yang lebih
murah dapat tercapai. Hal ini berlaku pula
untuk varian produk lainnya. Untuk total
penghematan
yang
dapat
dilakukan
perusahaan untuk enam varian produk ini yaitu
sebesar Rp 49.122.321,-/tahun.
5.4.

Analisis
Sensitivitas
Target
Inventori (TI)
Target Inventori merupakan jumlah
inventori yang menjadi standar yang harus
dicapai oleh perusahaan pada setiap akhir
periode. Tujuan dari penetapan target inventori
adalah untuk menjadi stok antisipasi ketika
permintaan yang fluktuatif pada periode
tertentu. Sehingga inventori akhir menjadi
menumpuk karena penetapan nilai TI yang
belum optimal. Ketika stok di gudang
berlebihan maka biaya persediaan akan
meningkat. Dan menjadikan performansi
menjadi lebih rendah. Untuk mendapatkan
perfomansi perencanaan produksi yang lebih
baik dari kondisi eksisting, penetapan TI akan
menjadi solusi yang lebih baik. Untuk
menetapkan nilai TI sendiri dilakukan uji
10

sensitivitas TI terhadap total biaya yang

dihasilkan dalam perhitungan masing-masing
TI nya. TI yang menghasilkan total biaya yang
lebih murah akan menjadi alternatif usulan
dalam penelitian ini. Selain dari segi total
biaya, alternatif usulan untuk TI dipilih untuk
nilai TI yang tidak terjadi backorder pada
proses perencanaannya. Pada gambar 3 adalah
grafik uji sensitivitas TI terhadap total biaya
untuk produk Coca-Cola 193 ml. Untuk varian

No.
1
2
3
4
5
6

produk lainnya dilakukan analisis yang sama

dengan yang dilakukan untuk varian produk
ini.
Setelah melakukan uji sensitivitas, kita
dapat mengetahui TI yang menghasilkan total
biaya lebih murah. Pada tabel 16 adalah hasil
rekapitulasi
nilai
TI
yang
menjadi
rekomendasi kepada perusahaan untuk
dilakukan review terhadap TI yang telah
ditetapkan oleh perusahaan sebelumnya.

Tabel 14. Rekapitulasi Peningkatan Akurasi Forecast

Forecast Accuracy (%)
Peningkatan
Metode
Produk
Akurasi (%)
Eksisting
Usulan
Coca-Cola 193 ml
91
95
4
Sprite 200 ml
82
91
9
Fanta Strawberry 200 ml
79
91
12
Sprite 295 ml
91
95
4
Fanta Soda Water 295 ml
91
94
3
Frestea 220 ml
91
94
3
Tabel 15. Penghematan Total Biaya

No.
1
2
3
4
5
6

Total Cost (Rp/th)

Penghematan Penghematan
Skenario
(Rp/th)
(%)
Eksisting
Usulan
Coca-Cola 193 ml
9.363.617
4.874.067
4.489.550
48%
Sprite 200 ml
19.844.553
7.187.797
12.656.756
64%
Fanta Strawberry 200 ml
12.793.690
7.160.766
5.632.925
44%
Sprite 295 ml
32.700.687
19.766.193
12.934.494
40%
Fanta Soda Water 295 ml
29.586.073
21.555.573
8.030.500
27%
Frestea 220 ml
17.001.120
11.623.024
5.378.096
32%
Total
49.122.321
40%
Produk

Rp6.000.000

Rp/th

Rp5.000.000
Rp4.000.000
Rp3.000.000
Rp2.000.000
Rp1.000.000
Rp1 2 3 4 5 6 7 8 9 10 11 12
Hari
Inventory Cost

Backlog Cost

Total Cost

Gambar 3. Grafik uji sensitivitas TI terhadap total biaya untuk produk Coca-Cola 193 ml

11

Tabel 16. Usulan Target Inventori

Target Inventori
No.
Produk
Eksisting (hari)
1 Coca-Cola 193 ml
12
2 Sprite 200 ml
6
3 Fanta Strawberry 200 ml
6
4 Sprite 295 ml
6
5 Fanta Soda Water 295 ml
8
6 Frestea Jasmine 220 ml
8

6. PENUTUP
6.1.
Kesimpulan
Kesimpulan yang diambil dalam
penelitian tugas akhir ini antara lain :
1. Metode
peramalan
dengan
mempertimbangkan special event
dapat meningkatkan akurasi ramalan
jika dibandingkan dengan metode
peramalan yang diterapkan oleh
perusahaan saat ini. Peningkatan
akurasi ramalan untuk produk CocaCola 193 ml, Sprite 200 ml, Fanta
Strawberry 200 ml, Sprite 295 ml,
Fanta Soda Water 295 ml, dan Frestea
Jasmine 220 ml masing-masing yaitu 4
persen; 9 persen; 12 persen; 4 persen;
3 persen dan 3 persen.
2. Natal dan Tahun Baru merupakan
Special Event yang paling memiliki
pengaruh yang signifikan dalam
mempengaruhi permintaan untuk 6
varian produk ini yang didasari oleh
nilai indeks special event.
3. Perencanaan
produksi
dengan
menggunakan peramalan
dengan
mempertimbangkan special event
dapat menghasilkan total penghematan
untuk 6 varian produk sebesar Rp
49.122.321,-/th yang merupakan 40
persen dari total biaya yang selama ini
dikeluarkan oleh perusahaan.
4. Perubahan target inventori untuk
masing-masing varian produk antara
lain :
Coca-Cola 193 ml dari 12 hari
menjadi 8 hari
Sprite 200 ml dari 6 hari
menjadi 3 hari
Fanta Strawberry 200 ml dari
6 hari menjadi 4 hari
Sprite 295 ml dari 6 hari
menjadi 3 hari

Target Inventori
Usulan (hari)
8
3
4
3
3
2

Fanta Soda Water 295 ml dari

8 hari menjadi 3 hari
Frestea Jasmine 200 ml dari 8
hari menjadi 2 hari,
dapat menurunkan total biaya
persediaan yang lebih murah.
6.2.

Saran
Adapun saran-saran yang dapat
direkomendasikan untuk perusahaan dan untuk
penelitian kedepannya antara lain :
1. Perusahaan dapat menerapkan metode
peramalan dengan menggunakaan
event based forecast berdasarkan
refenrensi indeks special event yang
telah diperbaharui.
2. Identifikasi perputaran botol dapat
disimulasikan
menjadi
variabel
tambahan
untuk
perencanaan
produksi.
3. Penelitian ini diterapkan untuk produk
jenis lainnya seperti jenis PET,
tetrapack, dll.
7.

DAFTAR PUSTAKA

Andrian, Y (2004). Evaluasi dan Perancangan

Sistem Penunjang Keputusan pada
Proses Perencanaan Produksi Studi
Kasus : PT. Coca Cola Bottling Indonesia
Plant Pandaan. Laporan Penelitian
Tugas Akhir, Institut Teknologi Sepuluh
Nopember, Surabaya.
Anggraheni,
W
(2003).
Peramalan
Berdasarkan Event di PT. Coca Cola
Distribution Indonesia SIER Surabaya.
Laporan Penelitian Tugas Akhir,
Institut Teknologi Sepuluh Nopember,
Surabaya.
Ashayeri, J dan Kampstra, P. (2003)
Collaborative Replenishment : A Step by
Step Approach, Tillburg University

12

Chopra dan Meindl (2004) Supply Chain

Management : Strategy, Planning, and
Operation, Prectice Hall Inc., New Jersey
Christopher,M.(1992). Logistics and Supply
chain Management. Pitman, London.
Chung, C.H, Krajewski, L.J (1984). Planning
Horizon
For
Master
Production
Schedulling. Journal of Operation
Management. Vol. 4 No. 4, August 1984
Gangadharan, Rajesh. (2006). Supply chain
Strategies To Manage Volatile Demand.
<URL:
http://www.sdcexec.com/online/article.jsp
?id=9159&siteSection=4 >
Hanke, J.E, Reitsch, A.G, dan Wichern, D.W.
(2001). Business Forecasting Seventh
Edition, Prentice Hall, United States of
America.
Kaltim Post (2009). Siapkan Cadangan 600
Ribu Krat (Kamis, 25 Desember 2009)
<URL
:
http://www.kaltimpost.co.id/?mib=berita.
detail&id=6770>
Malkridakis, S, Wheelright, S.C, dan Mc Gee,
V.E. (1983). Forecasting Methods and
Application 2nd Edition, John Wiley and
Sons, Inc.
Nahmias, S. (1993). Production and
Operation Analysis, Mc Graw-Hill
Internasional, Singapore.
Nahmias, S. (2009). Production and
Operation Analysis Seventh Edition, Mc
Graw-Hill Internasional, Singapore.
Nasution, AH. (1999). Perencanaan dan
Pengendalian Produksi. Guna Widya,
Surabaya.
Posko Manado (2009). Permintaan Tetap
Tinggi (Kamis, 17 September 2009)
<URL
:
http://poskomanado.com/news/index.php
?option=com_content&task=view&id=38
13&Itemid=1>
Pujawan, I Nyoman. (2005). Supply Chain
Management. Guna Widya, Surabaya
Russel, R.A, Urban, T.L (1993). Horizon
Extention for Rolling Production
Schedules : Lenght and Accuracy
Requirement. International Journal of
Production Economics, 29 (1993) 111122
R. Liu et al. (2006). A Formal Modeling
Approach for Supply Chain Event
Management, Desicion Support System
43, 761-778

Silver, E.,D. Pyke, D.,F. Peterson, R. (1998).

Inventory Management and Production
Planning and Schedulling. New York,
John Willey and Sons, Inc.
Surya (2009). Coca Cola Luncurkan Sprite
Zero (Rabu, 11 Maret 2009) <URL :
http://www.surya.co.id/2009/03/11/cocacola-luncurkan-sprite-zero.html>
Withycombe, R (1989). Forecasting with
Combined Seasonal Indices. International
Journal of Forecasting, 547-552

13