Abstract - Kajian ini dipelajari berdasarkan metode forecasting yang digunakan oleh pihak
pergudangan logistik dalam melakukan perencanaan kebutuhan barang gudang berdasarkan
asumsi oleh analis perencanaan. Pendekatan metode forecasting yang digunakan dalam kajian ini
adalah metode computing trend and seasonal. Sebagai bahan kajian dalam melakukan forecast
terhadap kebutuhan barang gudang adalah data Electrode Welding AWS 6013 dengan no
material (MN) 30000310 tahun 2010 dan 2011. Data ini digunakan untuk menentukan forecast
kebutuhan Electrode Welding AWS 6013 tahun 2012. Hasil pengolahan data yang menggunakan
metode forecasting computing trend and seasonal dibandingkan dengan kebutuhan sebenarnya
pada tahun 2012 memiliki tingkat error sebesar 31 %, sedangkan perbandingan forecast yang
menggunakan metode yang lama pada tahun 2012 memiliki tingkat error sebesar 43%.
1. Pendahuluan
Salah satu asset yang sangat penting dimiliki oleh perusahaan adalah berupa
persediaan (inventory), fungsi inventory adalah untuk menunjang perusahaan dalam
melayani beberapa kepentingan dalam perusahaan agar operasional perusahaan tetap
dapat beroperasi sesuai dengan rencana. Inventory bisa muncul karena memang
direncanakan atau merupakan akibat dari ketidaktahuan terhadap suatu informasi. Jadi
suatu perusahaan yang memiliki inventory karena sengaja membuat produk lebih awal
atau lebih banyak dari waktu dan jumlah yang akan dikirim atau dijual pada suatu waktu
tertentu, dan ada juga karena akibat dari permintaan yang terlalu sedikit/banyak
dibandingkan dengan perkiraan awal.
Salah satu inventory yang di miliki oleh PT Timah adalah persediaan barang di
gudang yang berfungsi untuk menunjang proses produksi dan operasional perusahaan.
Hampir setiap tahun nilai inventory PT Timah mengalami kenaikan, sehingga ini menjadi
perhatian manajemen dan pergudangan logistik untuk melakukan usaha terhadap
perencanaan inventory stock gudang tersebut. Salah satu fungsi dari pergudangan PT
Timah adalah sebagai tempat penyimpana barang, distribusi dan pelayanan. Pada
pergudangan sendiri melakukan perencanaan pengadaan untuk barang yang menjadi
stock gudang.
Sistem atau metode yang digunakan dalam perencanaan untuk menentukan
jumlah barang stock gudang selama ini hanya berdasarkan pengalaman, jumlah /
quantity barang yang di minta (trend) oleh pemakai / user dan permintaan langsung dari
user, sehingga kondisi ini menyebabkan nilai inventory gudang setiap tahun mengalami
kenaikan. Kenaikan jumlah barang stock di gudang yang terus meningkat mengakibatkan
terjadi kondisi barang numpuk (over stock) dan barang gudang lama yang tidak ada
permintaan dari user menjadi barang mati (dead stock). kondisi over stock dan dead
stock saat ini memiliki nilai yang cukup besar terhadap nilai keseluruhan dari nilai
inventory barang gudang secara umum.
2. Isu Bisnis
Untuk melakukan perencanaan kebutuhan barang gudang saat ini ditentukan
oleh naluri dari analis perencanaan pergudangan. Saat ini ada tiga metode pendekatan
yang dilakukan oleh analis perencanaan dalam melakukan proses forecasting terhadap
barang gudang (lihat Gambar 1), yaitu :
Bagian perencanaan dalam membuat perencanaan peramalan kebutuhan (demand
forecasting) secara manual tanpa melihat nilai parameter yang ada di sistem. Untuk
membuat forecast secara sistem, harus mengacu pada parameter yang menjadi
rekomendasi sistem SAP, yaitu nilai Economic Order Quantity (EOQ), Reoder Point
(ROP), Safety Stok (SS) dan Stok Level (SL). Parameter ini sejak diaplikasikan sistem
SAP tidak pernah dilakukan perubahan oleh analis perencanaan terhadap
perubahan permintaan dan perencanaan kebutuhan, sehingga perencanaan secara
sistem tidak berjalan secara sempurna.
Forecast dibuat hanya berdasarkan data historis pada periode sebelumnya dengan
menambahkan asumsi dari analis sebesar 10% - 15 % untuk setiap jenis barang.
Forecast dibuat berdasarkan permintaan dari user atau kombinasi dari data historis.
Dari Tabel 1, dapat dilihat bahwa pada tahun 2011 demand terhadap AWS 6013
ini mengalami kenaikan dengan rata-rata demand 8.129 Kg per bulan dibandingkan
dengan tahun 2010 dengan rata-rata demand 7.285 Kg per bulan. Jika melihat Gambar
1, demand tahun 2010 dan 2011 memiliki pola yang hampir sama sehingga pola ini bisa
menjadi bahan untuk menganalisis trend untuk forecast tahun 2012.
Gambar 2. Grafik Trend line Demand AWS 6013 2010 & 2011
Berdasarkan Gambar 2, maka didapatkan nilai trendline untuk demand tahun
2010 dan 2011 sebagai berikut :
f (x) = 7351 + 20x (4-2)
dimana x adalah urutan bulan dalam tahun.
Dengan menggunakan fungsi dari trendline tersebut dapat diketahui nilai fungsi
trend dan ratio trend untuk masing-masing bulan dalam tahun 2010 dan 2011. Hasil
tersebut dapat dilihat pada Tabel 2 dibawah ini.
Tabel 2. Perhitungan Trend dan Ratio Trend Demand AWS 6013
Tahun 2010 & 2011
Tahun Bulan No Data Dari Trend Equation Ratio
Aktual Tt = 7351 + 20t Aktual/Trend
2010 Jan 1 14563 7371 1,975715642
Feb 2 5985 7391 0,809768638
Mar 3 6572 7411 0,886789907
Apr 4 4060 7431 0,546359844
Mei 5 7900 7451 1,060260368
Jun 6 9490 7471 1,270244947
Jul 7 7250 7491 0,96782806
Agust 8 2445 7511 0,325522567
Sep 9 9080 7531 1,205683176
Okt 10 5025 7551 0,665474772
Nop 11 7765 7571 1,025624092
Des 12 6510 7591 0,85759452
2011 Jan 13 5.090 7611 0,668768887
Feb 14 6.530 7631 0,855720089
Mar 15 12.235 7651 1,599137368
Apr 16 8.220 7671 1,071568244
Mei 17 4.510 7691 0,586399688
Jun 18 10.365 7711 1,344183634
Jul 19 8.705 7731 1,125986289
Agust 20 8.135 7751 1,049541995
Sep 21 9.930 7771 1,277827821
Okt 22 8.475 7791 1,087793608
Nop 23 7.225 7811 0,924977596
Des 24 6.471 7831 0,826331248
Setelah mengetahui nilai dari fungsi trendline dan ratio trend, dapat ditentukan
seasonal factor dari nilai ratio trend dari masing – masing bulan pada tahun 2010 dan
2011 untuk tahun 2012. Pada Tabel 3 dapat dilihat hasil seasonal factor untuk tiap
forecast tahun 2012 setiap bulannya. Seasonal factor tersebut merupakan rata-rata dari
masing - masing bulan pada demand tahun 2010 dan 2011.
Tabel 3. Seasonal Factor Forecast AWS 6013 Tahun 2012
Seasonal Factor
Tahun Bulan No Average Seasonal
Effects
2012 Jan 25 1,322
Feb 26 0,833
Mar 27 1,243
Apr 28 0,809
Mei 29 0,823
Jun 30 1,307
Jul 31 1,047
Agust 32 0,688
Sep 33 1,242
Okt 34 0,877
Nop 35 0,975
Des 36 0,842
Berdasarkan hasil dari seasonal factor 2012, maka dapat dihitung forecast
tahun 2012 dengan trendline dan seasonal factor (FITS) seperti pada Tabel 4.
Tabel 4. Forecast Demand AWS 6013 Tahun 2012
FITS = Trend x Seasonal
Jan 2012 FITS25 = [7351 + 20(25)]1.32 = 10381
Feb 2012 FITS26 = [7351 + 20(26)]0.83 = 6555
Mar 2012 FITS27 = [7351 + 20(27)]1.24 = 9808
Apr 2012 FITS28 = [7351 + 20(28)]0.81 = 6400
Mei 2012 FITS29 = [7351 + 20(29)]0.82 = 6530
Jun 2012 FITS30 = [7351 + 20(30)]1.31 = 10394
Jul 2012 FITS31 = [7351 + 20(31)]1.05 = 8345
Ags 2012 FITS32 = [7351 + 20(32)]0.67 = 5494
Sep 2012 FITS33 = [7351 + 20(33)]1.24 = 9948
Okt 2012 FITS34 = [7351 + 20(34)]0.88 = 7040
Nov2012 FITS35 = [7351 + 20(35)]0.98 = 7852
Des 2012 FITS36 = [7351 + 20(36)]0.84 = 6795
Total = 95541
Gambar 3. Hasil Forecast Demand AWS 6013 Tahun 2012
Jadi berdasarkan Tabel 4 dapat diketahui jumlah total forecast tahun 2012
sebesar 9541 Kg. Pada Gambar 3 dapat dilihat bahwa forecast yang dihasilkan dari
demand 2010 dan 2011 memiliki kemiripan pola demand 2012. Seperti yang sudah
dijelaskan sebelumnya bahwa dengan menggunakan data lama yang terbaru akan lebih
menggambarkan proyeksi demand tahun berikutnya.
Untuk menghasilkan forecast yang memiliki perkiraan yang baik, dapat
digunakan metode Mean Absolute Deviation (MAD) sebagai parameter dalam melihat
tingkat error dari nilai absolut antara actual demand dengan forecast demand dan
menggunakan metode Mean Absolute Percent Error (MAPE) sebagai parameter untuk
melihat tingkat error dari presentase antara MAD dengan rata-rata actual demand.
Tabel 5. Aktual Demand 2012 & Demand Forecasting 2012
Data Forecast
Forecast
Tahun Bulan Aktual Lama MAD MAPE MAD MAPE
Baru 2012
2012 2012
2012 1 2.825 5854 3276 43% 10381 2356 31%
2 15.289 7510 6555
3 8.060 14070 9808
4 7.160 9453 6400
5 7.975 5187 6530
6 7.960 11920 10394
7 7.685 10011 8345
8 5.400 9355 5494
9 7.365 11420 9948
10 8.130 9746 7040
11 8.238 8309 7852
12 6.012 7442 6795
Berdasarkan pada Tabel 5. dapat dilihat bahwa nilai Mean Absolute Deviation
(MAD) dari forecast yang dibuat sebesar 2356 dan nilai Mean Absolute Percent Error
(MAPE) sebesar 31 %. Nilai ini menginformasikan bahwa tingkat error antara hasil
forecast 2012 dengan metode trend and seasonal terhadap demand 2012 sebesar 31 %.
Sedangkan nilai MAD dari forecast yang dibuat berdasarkan asumsi oleh analis gudang
sebesar 3276 dan nilai MAPE sebesar 43 %. Dengan nilai ini menunjukkan bahwa untuk
hasil dari forecast terhadap aktual demand 2012 lebih baik dari hasil forecast yang
menggunakan metode yang lama.
Tabel 6. Perbandingan Metode Forecast
Aspek Forecast lama Trend & Seasonal Forecast
5. Kesimpulan
Dengan menggunakan metode forecasting yang tepat untuk melakukan analisa
demand forecasting maka akan menghasilkan nilai yang dapat yang lebih baik dari
metode sebelumnya dan dapat dipertanggungjawabkan dalam melakukan
perencanaan inventori sehinga tujuan dalam manajemen inventori dapat tercapai.
Dalam melakukan pemilihan metode forecasting dalam melakukan analisis
terhadap demand forecasting, maka metode forecasting yang sesuai untuk dapat
diterapkan di pergudangan PT.Timah (Perero) Tbk adalah metode Trendline and
seasonal khususnya untuk barang yang bersifat fast moving dan sistem Blanket
Order (BO). Kelebihan dari metode ini adalah dapat memberikan proyeksi demand
untuk tahun berikut nya secara detail yang berdasarkan pada data demand
sebelumnya.
Daftar Pustaka
Nurman, Heru.2007.Analisa Manajemen Persediaan Di Chevron Indonesia Company
(CICO).MBA: ITB
Simichi-Levi, David.Simichi-Levi,Edith & Kaminsky, Philips.2009.” Concepts, Strategies
and Case Studies”, Designig and Managing The Supply Chain.3rd ed.Mcgraw Hill.
Heizer, J. & Render,B.2010.Operation Management. 9th ed.New Jersey:Pearson.
Robert Jacobs, F & Chase, Richardo B.2011.Operations and Supply Chain
Management.13th ed. Mcgraw Hill.
Zivana,Aline.2011.Proposal For Improving Inventory Management Of Dry-Food Supply
(Case Study : Hasan Sadikin Hospital).MBA:ITB