PENERAPAN METODE COMPUTING TREND AND SEASONAL FACTOR

SEBAGAI METODE FORECASTING KEBUTUHAN STOCK GUDANG

PT.TIMAH (PERSERO) TBK
Dudy
Jl.Jendral Sudirman No.51 Pangkalpinang 33121
Tel: 0717-4258000 ext 21402, Fax:02202
Dudy@pttimah.co.id

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%.

Keyword : Forecast Electrode Welding AWS, Computing Trend and Seasonal.

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.

Gambar 1. Proses Forecasting

 Hasil forecast yang sudah dibuat tersebut tidak dilakukan evaluasi kembali oleh
bagian perecanaan sehingga sering terjadi penyimpangan antara realisasi kebutuhan
dengan perencanaan.
Faktor lain yang secara tidak langsung mempengaruhi proses perencanaan pada
proses forecasting yaitu kebijakan perusahaan terhadap teknologi dan operasional.
Untuk memenuhi kebutuhan teknologi yang baru tersebut, analis melakukan koordinasi
dengan pemasok barang (supplier) terhadap perencanaan suku cadang untuk
operasional teknologi tersebut sehingga untuk kondisi suku cadang teknologi baru
tersebut berdasarkan data dari pemasok barang tersebut.
Kebijakan perusahaan terhadap operasional lainnya yaitu kebijakan terhadap
pelaksanaan proyek, dimana untuk memenuhi kebutuhan barang proyek diambil dari
barang gudang. Berdasarkan kondisi tersebut, dalam melakukan forecast untuk barang
gudang tersebut, analis melakukan penggabungan kebutuhan gudang dengan
kebutuhan proyek yang tidak diperhitugkan tanpa melakukan analisis terhadap nilai dari
parameter EOQ, ROP, ROQ dan SS. Situasi ini sering terjadi sehingga saat pengerjaan
proyek tidak lancar, terjadi penyimpangan antara penentuan rencana barang (forecast)
dengan realisasi. Ini mengakibatkan barang gudang yang ada menjadi meningkat (over
stok ).
3. Kerangka Konseptual

Gambar 2. Kerangka Konseptual

Data yang dibutuhkan dalam melakukan perencanaan pada manajemen
inventory adalah informasi. Dengan informasi yang lancar pada inventory dan rantai
pasok dapat membantu mengurangi variabilitas, membantu memberikan kepastian
lebih terhadap efektifitas peramalan (effective forecasting), memungkinkan kelancaran
sistem dan strategi, meningkatkan pelayanan konsumen, pengurangan lead time dan
memungkinkan perusahaan untuk bereaksi lebih cepat terhadap perubahan
pasar.(Simchi-Levi et al ,2009).
 Berdasarkan hal tersebut, effective forecasting sangat mempengaruhi hasil
forecast, karena sehingga semakin banyak faktor yang mempengaruhi effective
forecasting prediksi dalam menentukan permintaan di masa depan dapat di hitung
dengan lebih akurat. Forecast dalam organisasi atau perusahaan memiliki fungsi yang
penting dan sering sebagai informasi untuk membuat keputusan dalam sebuah
management dan sebagai penentu rencana kerja jangka panjang (Jacobs and Chase
,2010). Dalam mengelola manajemen inventory yang baik, Seorang manager harus dapat
menilai forecast, karena forecast tidak hanya untuk membuat keputusan pada inventory
saja, tetapi keputusan terhadap apapun yang masuk dalam pasar, kapasitas produksi,
atau apapun yang dapat memberikan implementasi terhadap perencanaan.
Untuk memudahkan dalam menentukan penilaian terhadap forecast yang akan
dibuat, maka harus diperhatikan metode forecast yang digunakan seperti qualitative,
time series analysis, causal relationship dan simulation (Jacobs and Chase ,2010).
Pendekatan forecast sangat penting dalam mempertimbangkan Demand forecasting,
karena harus memperhatikan aspek – aspek yang ada disekitarnya untuk dapat
memenuhi nilai dari Demand forecasting tersebut. Jika dapat menentukan Demand
forecasting yang akurat maka akan mempengaruhi hasil dari effective forecasting pada
manajemen inventory.
4. Analisis Situasi Bisnis
Faktor – faktor yang mempengaruhi demand forecasting pada permasalahan ini
yaitu pengolahan data permintaan (demand) yang meliputi semua informasi tentang
jumlah barang yang dibutuhkan, waktu dan jenis barang, sedangkan metode forecasting
untuk membuat kebutuhan yang lebih akurat dengan kebutuhan sebenarnya.
Demand forecasting merupakan proyeksi permintaan untuk produk atau jasa
suatu perusahaan (Jay Heizer dan Barry Render, 2009). Demand forecasting merupakan
salah satu tool yang efektif untuk memprediksi demand sebelum demand sebenar nya
diketahui. Dengan melakukan demand forecasting tersebut, perusahaan dapat
mengetahui kebutuhan yang dibutuhkan secara cepat. Peningkatan demand forecasting
dapat mengurangi ketidakpastian dan memungkinkan perusahaan untuk melakukan
kontrol terhadap safety stock yang lebih baik.
Forcesting tidak selalu presisi terhadap kondisi sebenar nya, tetapi forecasting
lebih baik mendekati kondisi sebenar nya jika dibandingkan dengan cara membuat
asumsi tanpa dasar yang jelas. Ada dua pendekatan umum pada forecasting, yaitu
quantitative forecast dan qualitative forecast. Quantitavie forecast menggunakan
model matematis yang beragam dengan menggunakan data masa lalu dan memiliki
variable sebab-akibat untuk meramalkan demand. Sedangkan qualitative forecast lebih
bersifat subjective dengan menggabungkan faktor emosi, intuisi, pengalaman pribadi
dan sistem nilai dalam pengambilan keputusan untuk meramal. Pada kajian ini
digunakan pendekatan quantitative forecast.
Pendekatan quantitative forecast memiliki dua metode yaitu metode time series
dan model associate. Metode time series merupakan metode forecasting yang meliputi
metode simple average, moving average, exponential smoothing dan trend projection.
Sedangkan metode associate (hubungan sebab-akibat) merupakan metode linier
regression (Jay Heizer dan Barry Render, 2009).
Model time series membuat forecast dengan asumsi bahwa masa depan
merupakan fungsi dari masa lalu dan model associate seperti linier regression yang
menggabungkan banyak variabel atau faktor yang mungkin mempengaruhi kuantitas
yang sedang diramalkan.
Untuk mendapatkan hasil forecast yang sesuai dengan periode yang diinginkan
untuk periode tahun berikutnya, pada proyek akhir ini mengggunakan pendekatan
metode Trend Proyection yaitu metode Trend and seasonal. Pada metode ini dapat
memproyeksikan masing – masing nilai forecast berdasarkan dari periode data yang
lama dengan melihat trend demand yang ada saat itu untuk menghasilkan periode
forecast yang baru.
Sebagai studi kasus yang digunakan adalah data Electrode Welding AWS 6013
dengan no material (MN) 30000310. Data Electrode Welding AWS 6013 tersebut
digunakan sebagai bahan untuk simulasi dan analisis demand forecasting. Electrode
Welding AWS 6013 ini merupakan barang yang masuk dalam kelompok barang raw
material yang memiliki sifat pergerakan barang fast moving. Data demand yang
digunakan pada kajian ini adalah data demand tahun 2010 dan 2011 sebagai basis data
untuk menghasilkan forecast demand untuk tahun 2012.
4.1. Analisis Demand Forecasting Electrode Welding AWS 6013 Tahun 2012
Rumus metode Trend and seasonal dapat ditunjukan sebagai berikut :
Forecast including trend and seasonal = trend + seasonal factor (4-1)
 Tabel 1. Data Demand AWS 6013 tahun 2010 dan 2011
Thn/Bln Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des
2011 5.090 6.530 12.235 8.220 4.510 10.365 8.705 8.135 9.930 8.475 7.225 6.471
2010 14.563 5.985 6.572 4.060 7.900 9.490 7.250 2.445 9.080 5.025 7.765 6.510

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 1. Aktual Demand AWS 6013 2010 & 2011

Langkah selanjutnya setelah mengetahui data demand yang digunakan untuk
melakukan adalah menentukan nilai trendline (garis linier) dan ratio trend.

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

Rendah dan memiliki Lebih baik dan tingkat error

Tingak akurasi
tingkat error tinggi rendah
Cepat karena tidak Jika ada software atau
Waktu pengerjaan menggunakan formula program excel akan lebih
khusus cepat
Nilai parameter (SS, Tidak dapat diketahui Dapat diketahui sesuai dengan
ROP dan ROQ) kebutuhan

Pihak yang terlibat Pihak pergudangan Pihak pergudangan dan user

Jumlah inventory Tidak terkontrol Dapat dikontrol

Koreksi Forecast Tidak dilakukan Dapat dilakukan evaluasi

Kebutuhan proyek Kebutuhan proyek tidak

Pembagian jenis
menjadi kebutuhan masuk daam kebutuhan
kebutuhan
pergudangan pergudangan
Terjadinya stock out Dapat dikontrol untuk over
Kinerja pelayanan
dan over stock stock dan stock out

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