LANDASAN TEORI
5
6
1. Qualitative
Metode peramalan qualitative pada umumnya bersifat subjektif dan
berdasarkan kepada penilaian manusia. Metode ini dapat dipakai jika data
historical yang tersedia sedikit atau ketika para ahli memiliki market
intelligence yang dapat mempengaruhi peramalan.
2. Time Series
Peramalan time series menggunakan data permintaan historical
untuk membuat peramalan. Metode ini mengasumsikan bahwa data
permintaan historical merupakan indikator yang bagus untuk permintaan
masa depan.
3. Causal
Metode peramalan causal mengasumsikan bahwa peramalan
permintaan sangat berkaitan dengan faktor-faktor tertentu dalam
lingkungan (status ekonomi, suku bunga, dll). Metode causal ini
menganggap korelasi tersebut antara permintaan dan faktor lingkungan
dan menggunakan estimasi bahwa faktor lingkungan tersebut dapat
menjadi peramalan untuk masa depan.
4. Simulation
Metode peramalan simulasi menirukan pilihan konsumen yang
memberikan peningkatan permintaan pada peramalan. Dengan
menggunakan simulasi. perusahaan dapat mengkombinasikan metode
time-series dan causal.
Manfaat dari model-model peramalan permintaan dengan akurasi
yang tinggi melambangkan kecilnya ketidakpastian pada pengambilan
keputusan. Perusahaan dapat melakukan perbaikan penting seperti
pengurangan persediaan pada barang jadi dan barang mentah, perbaikan
pada production planning, alokasi tenaga kerja yang lebih baik, serta
pengurangan kerugian financial secara keseluruhan. (Paulo, 2010)
Ft + 1 = [L + (t + l) T] St + 1
a = y̅ – b x̅
b=
Seasonal factor:
Si =
Lt = (Dt + Dt – 1 + ….. + Dt – N + 1) / N
Ft + n = Lt
L0 =
Ft + n = Lt
3. Trend-Corrected Exponential Smoothing (Holt’s Model)
Metode ini sesuai jika permintaan diasumsikan memiliki level dan
trend tetapi tidak memiliki seasonality. Estimasi pertama untuk level dan
trend ditentukan dengan menghitung regresi linier antara permintaan Dt
dan periode t dalam bentuk:
Dt = at + b
Nilai b merepresentasikan L0 dan a merepresentasikan T0.
Ft + 1 = Lt + Tt
dan
Ft+n = Lt + nTt
Setelah mendapatkan permintaan untuk periode t. maka level dan trend
direvisi sebagai berikut:
Lt+1 = α Dt+1 + (1 – α) (Lt + Tt)
Tt+1 = β (Lt+1 – Lt) + (1 – β) Tt
α = smoothing constant untuk level, 0 < α < 1
β = smoothing constant untuk trend, 0 < β < 1
4. Trend and Seasonality-Corrected Exponential Smoothingv (Winter’s
Model)
Metode ini sesuai jika permintaan diasumsikan memiliki level, trend,
dan seasonality. Diasumsikan periode siklus dari permintaan adalah p.
Tahap pertama adalah menentukan estimasi awal untuk level dan trend.
serta seasonal factors (S1. …. Sp).
Ft+1 = (Lt + Tt) St+1
Setelah mendapatkan permintaan untuk periode t, maka level dan trend
direvisi sebagai berikut:
Lt+1 = α(Dt+1/St+1) + (1 – α)(Lt + Tt)
Tt+1 = β(Lt+1 – Lt) + (1 – β)Tt
St+p+1 = γ(Dt+1/Lt+1) + (1 – γ)St+1
9
MSEn =
MADn =
MAPEn =
4. Bias
Biasn =
5. Tracking Signal (TS)
TSt =
EOQ = Q* =
Dimana:
D = Permintaan per tahun
S = Biaya pemesanan untuk setiap pesanan
h = Biaya penyimpanan per unit per tahun dalam fraksi
C = Harga per unit
atau
TC = DC + S+ H
Dimana:
TC = total biaya tahunan
D = permintaan
C = harga per unit
Q = jumlah yang harus dipesan (jumlah optimal yang telah ditentukan
menggunakan konsep EOQ)
S = order cost
H = holding cost per unit
simpan dan biaya pesan. Tujuannya adalah menentukan jumlah lot untuk
memenuhi periode kebutuhan.
Penentuan jumlah pesanan dilaksanakan dengan mengakumulasikan
permintaan dari periode-periode yang berdampingan kedalam suatu lot
tunggal sampai biaya pesan kumulatifnya melampaui atau sama dengan setup
cost. Pertama mengkonversikan ongkos pesan menjadi Equivalent Part
Period (EPP).