PERTEMUAN 2:

MANAJEMEN PERMINTAAN

Di Susun Oleh :

Tias Nurcahya

2015080073

Program Studi Teknik Industri

UNIVERSITAS PAMULANG

JL. Surya Kencana No.1 Pamulang

Kota Tanggerang, Banten

 A. URAIAN MATERI

1. Menjelaskan Tentang Definisi Manajemen

Permintaan.

Pada dasarnya manajemen permintaan (demand management) didefinisikan sebagai suatu

fungsi pengelolaan dari semua permintaan produk untuk menjamin bahwa penyusun jadwal
induk (master scheduler) mengetahui dan menyadari semua permintaan produk itu.
Manajemen permintaan akan menjaring informasi yang berkaitan dengan peramalan
(forecasting), order entry, order promising, branch warehouse requirement, pesanan antar
pabrik (interplant orders), dan kebutuhan untuk service part. Sumber utama yang berkaitan
dengan informasi permintaan produk, yaitu:
1. Ramalan terhadap produk independent demand yang bersifat tidak pasti (uncertain).
2. Pesanan-pesanan (orders) yang bersifat pasti (certain).

Dalam manajemen permintaan, aktivitas pelayanan pesanan (order service) merupakan hal
yang pasti (certain), sehingga yang diperlukan dari manjemen industri adalah membuat
catatan akurat tentang pesanan yang diminta oleh berbagai pihak, kemudian menghitung total
pesanan yang diterima. Aktivitas pelayanan pesanan dapat dilakukan dengan baik oleh pihak
manajemen industri, karena hanya membutuhkan sistem pengelolaan pesanan yang teratur.
Hal yang perlu diperhatikan secara hati-hati dalam manajemen permintaan adalah aktivitas
peramalan terhadap independent demand, karena bersifat tidak pasti (uncertain). Berkaitan
dengan hal ini, akan dibahas secara lebih terperinci tentang sistem peramalan (forecasting
system) yang dapat dijadikan panduan bagi para manajer atau staff yang bertanggung jawab
terhadap aktivitas peramalan pejnjualan (sales forecasting). Salah satu keputusan penting
dalam perusahaan yang dilakukan oleh manajemen adalah menentukan tingkat produksi dari
barang atau jasa yang perlu disiapkan untuk masa datang. Penentuan tingkat produksi, yang
merupakan tingkat penawaran yang dipengaruhi oleh jumlah permintaan pasar yang dapat
dipenuhi oleh perusahaan. Tingkat penawaran yang lebih tinggi dari permintaan pasar dapat
mengakibatkan terjadinya pemborosan biaya, seperti biaya penyimpanan, biaya modal, dan
biaya kerusakan barang.
Tingkat penawaran yang lebih rendah dibandingkan dengan kemampuan pangsa pasar yang
dapat diraih mengakibatkan hilangnya kesempatan untuk memperoleh keuntungan, bahkan
mengakibatkan hilangnya pelanggan karena beralih ke pesaing. Untuk membantu tercapainya
suatu keputusan yang optimal diperlukan adanya suatu cara yang tepat, sistematis dan dapat
dipertanggungjawabkan. Salah satu alat yang diperlukan oleh manajemen dan merupakan
bagian dari proses pengambilan keputusan adalah metode Peramalan (Forecasting). Metode
peramalan digunakan untuk mengukur atau menaksir keadaan di masa datang.
Peramalan tidak saja dilakukan untuk menentukan jumlah produk yang perlu dibuat atau
kapasitas jasa yang perlu disediakan, tetapi juga diperlukan untuk berbagai bidang lain
(seperti dalam pengadaan, penjualan, personalia, termasuk peramalan teknologi, ekonomi
ataupun perubahan sosial-budaya). Dalam setiap perusahaan, bagian yang satu selalu
mempunyai keterkaitan dengan bagian lain sehingga suatu peramalan yang baik atau buruk
akan mempengaruhi perusahaan secara keseluruhan. Kebutuhan akan peramalan semakin
bertambah sejalan dengan keinginan manajemen untuk memberikan respon yang cepat dan
tepat terhadap kesempatan di masa datang, serta menjadi lebih ilmiah dalam menghadapi
lingkungan. Oleh karena itu, penguasaan terhadap metode peramalan menjadi signifikan bagi
seorang manajer operasi.
Pengertian peramalan (forecasting) adalah seni dan ilmu memprediksi peristiwa-peristiwa
yang akan terjadi dengan menggunakan data historis dan memproyeksikannya ke masa depan
dengan beberapa bentuk model matematis. Peramalan merupakan aktivitas fungsi bisnis yang
memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat
dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan yang akan
datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu
historis. Peramalan menggunakan teknik-teknik peramalan yang bersifat formal maupun
informal (Gaspersz, 1998).
Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan manajemen.
Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti (intuitif). Peramalan
memiliki sifat saling ketergantungan antar divisi atau bagian. Kesalahan dalam proyeksi
penjualan akan mempengaruhi pada ramalan anggaran, pengeluaran operasi, arus kas,
persediaan, dan sebagainya. Dua hal pokok yang harus diperhatikan dalam proses peramalan
yang akurat dan bermanfaat (Makridakis, 1999), yaitu pengumpulan data yang relevan berupa
informasi yang dapat menghasilkan peramalan yang akurat, dan pemilihan teknik peramalan
yang tepat yang akan memanfaatkan informasi data yang diperoleh semaksimal mungkin.
Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa datang yang
meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan
dalam rangka memenuhi permintaan barang ataupun jasa. Selain itu peramalan juga
didefinisikan sebagai seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini
dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke
masa yang akan datang dengan suatu bentuk model matematis. Bisa juga merupakan prediksi
intuisi yang bersifat subjektif.
Atau juga dengan menggunakan kombinasi model matematis yang disesuaikan dengan
pertimbangan yang baik dari seorang manajer. Peramalan (forecasting) merupakan alat bantu
yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi.
Peramalan mempunyai peranan langsung pada peristiwa eksternal yang pada umumnya
berada di luar kendali manajemen, seperti: ekonomi, pelanggan, pesaing, pemerintah dan lain
sebagainya. Peramalan permintaan memegang peranan penting dalam perencanaan dan
pengambilan keputusan khususnya dibidang produksi. Aktivitas manajemen operasi
menggunakan peramalan permintaan dalam perencanaan yang menyangkut penjadwalan
produksi, perencanaan pemenuhan kebutuhan bahan, perencanaan kebutuhan tenaga kerja,
perencanaan kapasitas produksi, perencanaan layout fasilitas, penentuan lokasi, pemenuhan
metode proses, penentuan jumlah mesin, desain aliran bahan, dan lain sebagainya.
Peranan ini disebabkan adanya tenggang waktu antara suatu peristiwa dengan kebutuhan
mendatang. Walaupun terdapat banyak bidang lain yang memerlukan peramalan permintaan,
namun aktivitas manajemen operasi di atas merupakan bentuk khas dari keperluan peramalan
permintaan baik jangka pendek, menengah mauppun jangka panjang. Pada gilirannya,
perusahaan perlu memiliki pengetahuan dan ketrampilan yang meliputi sebagai berikut,
yakni:
1. Identifikasi dan definisi masalah peramalan.
2. Aplikasi metode peramalan.
3. Pemilihan metode peramalan yang tepat untuk situasi tertentu.
4. Dukungan manajemen untuk menggunakan metode peramalan tertentu.

Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena
perubahan permintaannya relatif kecil. Tetapi, peramalan akan sangat dibutuhkan bila kondisi
permintaan pasar bersifat kompleks dan dinamis. Hanya sedikit bisnis yang dapat
menghindari proses peramalan dan hanya menunggu apa yang terjadi untuk kemudian
mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun
bergantung pada peramalan permintaan untuk produk perusahaan tersebut. Pada dasarnya
terdapat sembilan langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi
dari sistem peramalan dalam manajemen permintaan, yaitu:
1. Menetapkan tujuan peramalan.
2. Memilih item independent demand yang akan diramalkan.
3. Menentukan horizon waktu peramalan.
4. Memilih tipe model peramalan.
5. Mengumpulkan data yang diperlukan untuk melakukan peramalan.
6. Memvalidasi dan menerapkan basil peramalan.
7. Membuat peramalan.
8. Implementasi hasil-hasil peramalan.
9. Memantau keandalan hasil peramalan.
Sembilan langkah ini menyajikan jalan yang sistematis untuk memulai, mendesain, dan
menerapkan sistem peramalan. Apabila sistem tersebut digunakan untuk menghasilkan
ramalan berkala, maka data harus dikumpulkan secara rutin. Kemudian perhitungan aktual
dibuat dengan bantuan komputer. Terlepas dari sistem yang digunakan oleh perusahaan,
setiap perusahaan menghadapi beberapa kenyataan sebagai berikut, antara lain:
1. Peramalan jarang ada yang sempurna dimana hal ini berarti faktor luar yang tidak dapat
kita duga atau kendalikan sering mempengaruhi peramalan. Perusahaan harus memberikan
kelonggaran untuk kenyataan ini.
2. Hampir semua teknik peramalan mengasumsikan bahwa sistem akan tetap stabil
dimana oleh karena itu, beberapa perusahaan membuat ramalan secara otomatis
menggunakan komputer dengan software peramalan, dan hanya mengawasi produk yang
mempunyai permintaan tidak menentu.
3. Baik peramalan kelompok produk maupun peramalan secara keseluruhan lebih
akurat daripada peramalan produk individu dimana sebagai contoh, melakukan
peramalan melalui pengelompokkan ukuran produk dan daerah pemasaran. pendekatan ini
menolong menyeimbangkan prediksi yang mungkin kurang atau berlebih untuk setiap produk
dan daerah pemasaran.

Peramalan dapat dilakukan secara kuantitatif ataupun kualitatif. Pengukuran kuantitatif

menggunakan metode statistik, sedangkan pengukuran kualitatif berdasarkan pendapat
(judgment) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan dikenal
istilah prakiraan dan prediksi. Peramalan didefinisikan sebagai proses peramalan suatu
variabel (kejadian) di masa datang dengan berdasarkan data variabel yang bersangkutan pada
masa sebelumnya. Data masa lampau itu secara sistematik digabungkan dengan
menggunakan suatu metode tertentu dan diolah untuk memperoleh prakiraan keadaan pada
masa datang.
Prediksi adalah proses peramalan suatu variabel di masa datang dengan lebih mendasarkan
pada pertimbangan subjektif/intuisi daripada data kejadian pada masa lampau. Meskipun
lebih menekankan pada intuisi, dalam prediksi juga sering terdapat data kuantitatif yang
dipakai sebagai masukan dalam melakukan peramalan. Dalam prediksi, peramalan yang
baik/tepat sangat tergantung dari kemampuan, pengalaman dan kepekaan dari orang yang
bersangkutan. Perbedaan antara prakiraan dan prediksi dapat digambarkan sebagai berikut.
Suatu perusahaan ingin meramalkan berapa permintaan pasar atas produknya pada periode
yang akan datang, maka perusahaan itu dapat melakukan prakiraan dengan menggunakan
data penjualan periode sebelumnya untuk mengetahui taksiran permintaan pasar.
Namun, jika akan mengeluarkan produk baru, perusahaan yang bersangkutan melakukan
prediksi untuk mengetahui berapa jumlah yang dapat diserap pasar karena belum mempunyai
data penjualan masa lampau. Dalam hal ini, perusahaan menggunakan data kuantitatif–seperti
data penjualan produk sejenis dari perusahaan lain–sebagai masukan dalam melakukan
prediksi. Berdasarkan horizon waktu, Jenis-jenis peramalan dapat dibagi dalam tiga bagian,
yaitu peramalan jangka panjang, menengah, dan jangka pendek. Berikut ini akan dijelaskan
jenis-jenis peramalan, yaitu:
1. Peramalan Jangka Panjang, yaitu yang mencakup waktu lebih besar dari 24 bulan.
Misalnya, peramalan yang diperlukan dalam kaitannya dengan penanaman modal,
perencanaan fasilitas, dan perencanaan untuk kegiatan litbang. Peramalan jangka panjang
banyak menggunakan pendekatan kualitatif.
2. Peramalan Jangka Menengah, yaitu antara 3-24 bulan, misalnya peramalan untuk
perencanaan penjualan, perencanaan dan anggaran produksi. Peramalan jangka menengah
banyak menggunakan pendekatan kuantitatif.
3. Peramalan Jangka Pendek, yaitu untuk jangka waktu kurang dari 3 bulan, misalnya
peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja,
dan penugasan. Peramalan jangka pendek banyak menggunakan pendekatan kuantitatif.

2. Memahami Tentang Macam-Macam Metode Peramalan.

Pada umumnya terdapat tiga tipe peramalan yang utama dalam perencanaan dimasa yang
akan datang yaitu :
1. Peramalan ekonomi, menjelaskan siklus bisnis dengan memprediksikan tingkat inflasi,
ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator
perencanaan lainnya.
2. Peramalan teknologi, memperhatikan tingkat kemajuan teknologi yang dapat
meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.
3. Peramalan permintaan, proyeksi permintaan untuk produk atau jasa perusahaan disebut
juga peramalan penjualan, mengarahkan produksi, kapasitas dan sistem penjadwalan
perusahaan dan bertindak sebagai masukkan untuk perencanaan keuangan, pemasaran dan
personalia. (Jay,Heizer.Barry Render,”Manajemen Operasi”).

Dalam sistem peramalan, penggunaan berbagai model peramalan akan memberikan nilai
peramalan yang berbeda dan derajat dari galat ramalan (forecast error) yang berbeda pula.
Salah satu seni dalam melakukan peramalan adalah memilih model peramalan terbaik yang
mampu mengidentifikasi dan menanggapi pola aktivitas historis data. Secara umum, model-
model peramalan dapat dikelompokkan ke dalam dua kelompok utama yaitu:
1. Model Kualitatif

Metode ini digunakan dimana tidak ada model matematik, biasanya dikarenakan data yang
ada tidak cukup representatif untuk meramalkan masa yang akan datang (long term
forecasting). Peramalan kualitatif menggunakan pertimbangan pendapat-pendapat para pakar
yang ahli atau expert di bidangnya. Adapun kelebihan dari metode ini adalah biaya yang
dikeluarkan sangat murah (tanpa data) dan cepat diperoleh. Sementara kekurangannya yaitu
bersifat subyektif
a. Dugaan Manajemen (Management Estimate), dimana peramalan semata-mata
berdasarkan pertimbangan manajemen, umumnya oleh manajemen senior. Metode ini akan
cocok dalam situasi yang sangat sensitif terhadap intuisi dari satu atauu sekelompok kecil
orang yang karena pengalamannya mampu memberikan opini yang kritis dan relevan. Teknik
ini akan dipergunakan dalam situasi di mana tidak ada alternatif lain dari model peramalan
yang dapat diterapkan. Bagaimanapun, metode ini mempunyai banyak keterbatasan, sehingga
perlu dikombinasikan dengan metode peramalan yang lain.
b. Riset Pasar (Market Research), merupakan metode peramalan berdasarkan hasil-hasil dari
survei pasar yang dilakukan oleh tenaga-tenaga pemasar produk atau yanng mewakilinya.
Metode ini akan menjaring informasi dari pelanggan atau pelanggan potensial (konsumen)
berkaitan dengan rencana pembelian mereka di masa mendatang. Riset pasar tidak hanya
akan membantu untuk peramalan, tetapi juga untuk meningkatkan desain produk dan
perencanaan untuk produk-produk baru.
c. Metode Kelompok Terstruktur (Structured Group Methods), seperti metode Delphi, dll.
Metode Delphi merupakan teknik peramalan berdasarkan pada proses konvergensi dari opini
beberapa orang atau ahli secara interaktif tanpa menyebutkan identitasnya. Dalam metode
Delphi sangat diharapkan peranan dari fasilitator untuk memperoleh atau menyimpulkan
hasil-hasil peramalan itu.
d. Analogi Historis (Historical Analogy), merupakan teknik peramalan berdasarkan pola
data dari produk-produk yang dapat disamakan secara analogi. Analogi historis cenderung
akan menjadi terbaik untuk penggantian produk di pasar dan apabila terdapat hubungan
substitusi langsung dari produk dalam pasar itu.
Pada dasarnya model kualitatif ditujukan untuk peramalan terhadap produk baru, pasar baru,
proses baru, perubahan sosial dari masyarakat, perubahan teknologi, atau penyesuaian
terhadap ramalan-ramalan berdasarkan model kuantitatif. sehingga seringkali dikatakan
kurang ilmiah. Adapun model peramalan yang digolongkan sebagai model kualitatif, yaitu:

2. Model Kuantitatif

Penggunaan model ini didasari ketersediaan data mentah disertai serangkaian kaidah
matematis untuk meramalkan hasil di masa depan. Metode kuantitatif terbagi menjadi dua
yaitu :
a. Model Kuantitatif Intrinsik
Model kuantitatif intrinsik, sering disebut juga sebagai model-model deret waktu (time series
model). Beberapa model deret waktu yang populer dan umum diterapkan dalam peramalan
permintaan adalah :
1) Model Rata-Rata Bergerak (Moving Average Model)
Model rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru untuk
membangkitkan nilai ramalan untuk permintaan di masa yang akan datang. metode rata-rata
bergerak akan efektif diterapkan apabila permintaan pasar terhadap produk diasumsikan stabil
sepanjang waktu. Model rata-rata bergerak n-periode menggunakan formula berikut :
Rata-rata Bergerak n-Periode = Σ (𝐩𝐞𝐫𝐦𝐢𝐧𝐭𝐚𝐚𝐧 𝐝𝐚𝐥𝐚𝐦 𝐧−𝐩𝐞𝐫𝐢𝐨𝐝𝐞)𝐧
Di mana n adalah banyaknya periode dalam rata-rata bergerak.
2) Model Rata-Rata Bergerak Terbobot (Weight Moving Averages Model)
Model rata-rata bobot bergerak lebih responsif terhadap perubahan karena data dari periode
yang baru biasanya diberi bobot lebih besar. Model rata-rata bergerak n-periode terbobot,
weighted M A(n), menggunakan formula berikut:
WMA(n) = Σ(𝐩𝐞𝐦𝐛𝐨𝐛𝐨𝐭 𝐮𝐧𝐭𝐮𝐤 𝐩𝐞𝐫𝐢𝐨𝐝𝐞 𝐧)(𝐩𝐞𝐫𝐦𝐢𝐧𝐭𝐚𝐚𝐧 𝐚𝐤𝐭𝐮𝐚𝐥 𝐝𝐚𝐥𝐚𝐦 𝐩𝐞𝐫𝐢𝐨𝐝𝐞
𝐧)Σ(𝐩𝐞𝐦𝐛𝐨𝐛𝐨𝐭)
Di mana n adalah banyaknya periode dalam rata-rata bergerak terbobot.
3) Model Analisis Garis Kecenderungan (Trend Line Analysis Model)
Model analisis garis kecenderungan dipergunakan sebagai model peramalan.
Apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan
menaik dari waktu ke waktu. Model garis kecenderungan yang paling sederhana adalah
menggunakan persamaan garis lurus (straight line equation), sebagai berikut:
Ft = a + bt
Dimana:
Ft = nilai ramalan permintaan pada periode ke- t.
a = intersep.
b = slope dari garis kecenderungan (trend line).
t = indeks waktu (t= 1,2,3,..., n) dimana n banyaknya periode waktu.
Slope merupakan tingkat perubahan dalam permintaan. Slope dan intersep dari persamaan
garis lurus dihitung dengan menggunakan formula berikut:
b = Σ𝐭𝐀−𝐧(𝐭−𝐛𝐚𝐫)(𝐀−𝐛𝐚𝐫)Σ𝐭𝟐−𝐧(𝐭−𝐛𝐚𝐫)𝟐
a = Ᾱ – b(ṯ)
Dimana:
b = slope dari persamaan garis lurus
a = intersep dari persamaan garis lurus
t = indeks waktu
ṯ = nilai rata-rata dari t (t-bar).
A = variabel permintaan (data aktual permintaan)
Ᾱ = nilai rata-rata permintaan per periode waktu atau rata-rata dari A.
4) Model Pemulusan Eksponensial (Exponential Smoothing Model)

Model permalan pemulusan eksponensial bekerja hampir serupa dengan alat thermostat
dimana apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual
permintaan lebih tinggi daripada nilai ramalan (A-F>0), maka model pemulusan eksponensial
akan secara otomatis meningkatkan nilai ramalan. Sebaliknya, apabila negatif, yang berarti
nilai aktual permintaan lebih rendah daripada nilai ramalan (A– F>0), maka model pemulusan
eksponensial akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini
berlangsung terus menerus, kecuali galat ramalan telah mencapai nol. Kenyataan inilah yang
mendorong peramal (forecaster) lebih suka menggunakan model peramalan pemulusan
eksponensial, apabila pola historis dari data aktual permintaan bergejolak atau tidak stabil
dari waktu ke waktu. Peramalan menggunakan model pemulusan eksponensial dilakukan
berdasarkan formula berikut :
Ft = Ft-1 + α (At-1 – Ft-1)
Dimana:
Ft = nilai ramalan untuk periode waktu ke- t.
Ft-1 = nilai ramalan untuk satu periode waktu yang lalu, t-1.
At-1 = nilai aktual untuk satu periode waktu yang lalu, t-1.
α = konstanta pemulusan (smoothing constant).
Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial
adalah memilih konstanta pemulusan (α) yang diperirakan tepat. Nilai konstanta pemulusan
dipilih di antara 0 dan 1 karena berlaku 0 < α < 1. Apabila pola historis dari data aktual
permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, nilai α yang dipilih
adalah yang mendekati 1. Pola historis dari data aktual permintaan tidak berfluktuasi atau
relatif stabil dari waktu ke waktu, α yang dipilih adalah yang nilainya mendekati nol
(Gaspersz, 1998).
b. Model Kuantitatif Ekstrinsik
Model kuantitatif ekstrinsik, sering disebut juga sebagai model kausal. Model kausal yang
populer dan umum diterapkan dalam peramalan permintaan adalah sebagai berikut ini, yaitu:
1) Model Regresi (Regression Forecasting Model)

Terdapat tiga kondisi yang dibutuhkan untuk dapat menggunakan metode regresi, yaitu:
a) Adanya informasi tentang keadaan masa lalu.
b) Informasi tersebut dapat dikuantifikasikan dalam bentuk data.
c) Dapat diasumsikan bahwa pola hubungan yang ada dari data masa lalu akan berkelanjutan
di masa yang akan datang.
Berikut ini akan dijabarkan cara melakukan peramalan dengan menggunakan model regresi
yang terdiri dari beberapa model sebagai berikut, yaitu:
a) Model Konstan (Constant Forecasting Model)
Persamaan garis yang menggambarkan pola konstan adalah sebagai berikut ini, yaitu:
Dt’ = a
Di mana:
a = Konstanta
dt’ = Hasil peramalan bulan ke-n
Untuk mendapatkan nilai (a) maka dapat didekati melalui turunan kuadrat terkecilnya (least
square) terhadap (a) sebagai berikut, yaitu:
a = Σ𝐝𝐭𝐧
Di mana:
n = Jumlah data masa lalu
dt = Data masa lalu
a = Konstanta
Jadi, apabila pola data berbentuk konstan, maka peramalannya dapat didekati dengan harga
rata-rata dari data tersebut.(Hendra, Kusuma.”Perencanaan dan pengendalian produksi edisi
pertama”)
b) Model Regresi Linier (Regression Causal Forecasting Model)
Model analisis regresi linier adalah suatu metode populer untuk berbagai macam
permasalahan. Persamaan garis yang mendekati bentuk data linier, yaitu:
Dt’ = a + bt
Dimana:
dt’ = Hasil peramalan bulan ke-n a, b = Konstanta
t = Nilai bulan ke-n
Konstanta a dan b ditentukan dari data mentah berdasarkan Kriteria Kuadrat Terkecil (least
square criterion). Dimana:
a = 𝐝𝐭𝟐Σ𝐭𝟐 − Σ𝐭 Σ𝐭 𝐝𝐭𝐧 Σ𝐭𝟐 – (Σ𝐭)𝟐
b = 𝐝𝐭𝟐Σ𝐭𝟐 − Σ𝐭 𝐝𝐭𝐧 Σ𝐭𝟐 – (Σ𝐭)𝟐
Jadi, apabila pola data berbentuk regresi linier, maka peramalannya dapat didekati dengan
harga rata-rata dari data tersebut. (Hendra, Kusuma.”Perencanaan dan pengendalian
produksi edisi pertama”)
2) Model Siklis (Musiman Model)

Untuk pola data yang bersifat siklis atau musiman, persamaan garis yang mewakili dapat
didekati dengan fungsi trigonometri, yaitu:
Dt’ = a + b sin 𝟐𝛑𝐧 t + c cos 𝟐𝛑𝐧 t
Dimana:
a = Σ𝐝𝐭𝐧
b = 𝟐Σ𝐝𝐭𝐬𝐢𝐧 𝟐𝛑𝐧 𝐭𝐧
c = 𝟐Σ𝐝𝐭𝐬𝐢𝐧 𝟐𝛑𝐧 𝐭𝐧
Dimana:
N = Jumlah periode peramalan.
a, b, c = Konstanta
2π = 360
n = Jumlah data masa lalu
dt = data masa lalu
dt’ = hasil peramalan bulan ke-n Jadi, apabila pola data berbentuk siklis, maka peramalannya
dapat didekati dengan harga rata-rata dari data tersebut. (Hendra, Kusuma.”Perencanaan dan
pengendalian produksi edisi pertama”).
Terdapat sejumlah indikator dalam pengukuran akurasi peramalan, namun yang paling sering
dipergunakan adalah:
1. Moving Range (MR)

Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai
peramalan. Data permintaan aktual dibandingkan dengan nilai peramal pada periode yang
sama. Peta tersebut dikembangkan ke periode yang akan datang hingga dapat dibandingkan
data peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk pengujian
kestabilan sistem sebab-akibat yang mempengaruhi permintaan. Jika ditemukan satu titik
yang berada diluar batas kendali pada saat peramalan diverifikasi maka harus ditentukan
apakah data harus diabaikan atau mencari peramal baru.
Jika ditemukan sebuah titik berada diluar batas kendali maka harus diselidiki penyebabnya.
Penemuan itu mungkin saja membutuhkan penyelidikan yang ekstensif. Jika semua titik
berada di dalam batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan
telah cukup baik. Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan
yang didapat kurang baik dan harus direvisi (Gaspersz, 1998). Kegunaan peta Moving Range
ialah untuk melakukan verifikasi hasil peramalan least square terdahulu. Jika peta Moving
Range menunjukkan keadaan diluar kriteria kendali. Hal ini berarti terdapat data yang tidak
berasal dari sistem sebab-akibat yang sama dan harus dibuang maka peramalan pun harus
diulangi lagi.
2. Mean Absolute Deviation (MAD)
Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-
kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur ketepatan ramalan
dengan merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD
berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli.
3. Mean Square Error (MSE)
Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan.
Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan
dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena
kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang
yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan
yang besar.
4. Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan absolut
pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu. Kemudian,
merata-rata kesalahan persentase absolut tersebut. Pendekatan ini berguna ketika ukuran atau
besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPE
mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai
nyata.
5. Tracking Signal

Berkaitan dengan validasi model peramalan, dapat digunakan tracking signal. Tracking signal
adalah suatu ukuran bagaimana baiknya suatu ramalan memperikirakan nilai-nilai aktual.
Suatu ramalan diperbaiki setiap minggu, bulan atau triwulan sehingga data permintaan yang
baru dibandingkan terhadap nilai-nilai ramalan.
3. Memahami Tata Cara Penggunaan Module Forecasting Pada Program POM.

Program POM adalah sebuah program komputer yang digunakan untuk memecahkan masalah
dalam bidang produksi dan operasi yang bersifat kuantitatif. Tampilan grafis yang menarik
dan kemudahan pengoperasian menjadikan POM for Windows 3 sebagai alternatif aplikasi.
Aplikasi tersebut guna membantu pengambilan keputusan seperti misalnya menentukan
kombinasi produksi yang sesuai agar memperoleh keuntungan sebesar-besarnya. Menentukan
order pembelian barang agar biaya perawatan menjadi seminimal mungkin, menentukan
penugasan karyawan terhadap suatu pekerjaan agar dicapai hasil yang maksimal, dan lain
sebagainya. Program ini menyediakan beberapa modul berbeda, yaitu:
1. Aggregate Planning.
2. Assembly Line Balancing
3. Assignment
4. Break Even/Cost-Volume Analysis
5. Capital Investment
6. Decission Analysis
7. Forecasting
8. Game Theory
9. Goal Programming
10. Integer And Mixed Integer Programming
11. Inventory
12. Job Shop Sceduling
13. Layout
14. Learning Curve
15. Linear Programming
16. Location
17. Lot Sizing
18. Markov Analysis
19. Material Requirements Planning
20. Networks
21. Productivity
22. Project Management (PERT/CPM)
23. Quality Control
24. Reliability
25. Simulation
26. Statistics
27. Transportation
28. Waiting Lines
29. Work Measurement
Dalam mempelajari Sistem Produksi, diperlukan model untuk penyederhanaan yang sengaja
dibuat untuk mempermudah mempelajari dunia nyata yang kompleks dan hasilnya
dikembalikan ke dunia nyata kembali. Model bisa berbentuk gambar, simulator atau
prototype, matematis atau grafik, dan lain-lain. Dalam pengambilan keputusan dapat dibantu
dengan banyak alat analisis. Untuk melakukan analisis diperlukan data. Data dibagi menjadi
dua, antara lain:
1. Data Kualitatif (data yang wujudnya kategori ataau atribut. Atau data (data yang wujudnya
kategori atau atribut. Atau data yang tidak berujud angka, kalaupun berujud angka, angka
tersebut hanya sekedar pengganti kategori).
2. Data Kuantitatif (data yang berujud angka atau numeris, dan angka-angka itu bisa
dilakukan operasi matematika).

Fokus Sistem Produksi menekankan Metode Kuantitatif dalam pengendalian produksi.

Berikut ini adalah langkah-langkah umum dalam memecahkan masalah kuantititatif, yaitu:
1. Siapkan formula masalahnya. Misalnya, akan dipecahkan suatu masalah forecasting maka
langkah kerjanya adalah:
a. Tentukan jumlah periode waktunya.
b. Berapa jumlah permintaan pada setiap periode.
2. Masukkan masalah tersebut ke dalam komputer.
3. Lakukan pengecekan pada masalah bila terjadi kesalahan input.
4. Lakukan perhitungan dan lihat hasilnya dengan menekan tombol SOLVE.
5. Tampilkan hasil-hasil perhitungan.
6. Simpan formulasi masalah atau datanya

Terdapat dua cara untuk menjalankan program POM for Windows, yaitu:
1. Melalui Shortcut

Apabila ada shortcut POM for Windows 3 maka klik 2x pada icon (Gambar) Shortcut POM
for Windows.
27. Transportation
28. Waiting Lines
29. Work Measurement
Dalam mempelajari Sistem Produksi, diperlukan model untuk penyederhanaan yang sengaja
dibuat untuk mempermudah mempelajari dunia nyata yang kompleks dan hasilnya
dikembalikan ke dunia nyata kembali. Model bisa berbentuk gambar, simulator atau
prototype, matematis atau grafik, dan lain-lain. Dalam pengambilan keputusan dapat dibantu
dengan banyak alat analisis. Untuk melakukan analisis diperlukan data. Data dibagi menjadi
dua, antara lain:
1. Data Kualitatif (data yang wujudnya kategori ataau atribut. Atau data (data yang wujudnya
kategori atau atribut. Atau data yang tidak berujud angka, kalaupun berujud angka, angka
tersebut hanya sekedar pengganti kategori).
2. Data Kuantitatif (data yang berujud angka atau numeris, dan angka-angka itu bisa
dilakukan operasi matematika).

Fokus Sistem Produksi menekankan Metode Kuantitatif dalam pengendalian produksi.

Berikut ini adalah langkah-langkah umum dalam memecahkan masalah kuantititatif, yaitu:
1. Siapkan formula masalahnya. Misalnya, akan dipecahkan suatu masalah forecasting maka
langkah kerjanya adalah:
a. Tentukan jumlah periode waktunya.
b. Berapa jumlah permintaan pada setiap periode.
2. Masukkan masalah tersebut ke dalam komputer.
3. Lakukan pengecekan pada masalah bila terjadi kesalahan input.
4. Lakukan perhitungan dan lihat hasilnya dengan menekan tombol SOLVE.
5. Tampilkan hasil-hasil perhitungan.
6. Simpan formulasi masalah atau datanya

Terdapat dua cara untuk menjalankan program POM for Windows, yaitu:
1. Melalui Shortcut

Apabila ada shortcut POM for Windows 3 maka klik 2x pada icon (Gambar) Shortcut POM
for Windows.
2. Melalui Menu Program
Klik start → Program → Pilih POM for Windows 3 sehingga akan muncul tampilan berikut :
Secara garis besar layar POM for Windows terdiri atas:
1. Title Bar, terdiri dari The control Main Box, program name dan button untuk layar yaitu
Minimize, Maximize, dan close.
2. Menu Bar, terdiri dari File, Edit, View, Modul, Tables, Tools, Windows, dan Help.
3. Tool Bar atau Button Bar, terdiri dari Command Bar, contohnya print screen dan solve,
Instruction Panel, Extra Data Area, Data Table, Annotation Area, Status Panel.

Ketika hendak menyimpan file maka tutup semua hasil yang dibuka melalui tombol
WINDOW. Kemudian kembali ke data awal dengan menekan tombol edit data sehingga
muncul tabel. Apabila grafik tidak ditutup dulu maka akan muncul pertanyaan save as bmp
file. Berikut ekstensi yang harus diperhatikan ketika menyimpan file pada MODULE yang
akan dibahas :
1. Forecasting save as file dengan ekstensi .lin
2. Transportations save as file dengan ekstensi .tra
3. Assignment save as file dengan ekstensi .ass
4. Break-even / Cost Volume Analysis save as file dengan ekstensi .bre
5. Inventory save as file dengan ekstensi .inv
 B. SOAL LATIHAN/TUGAS
1. Jelaskan yang dimaksud dengan manajemen permintaan?

Pada dasarnya manajemen permintaan (demand management) didefinisikan sebagai

suatu fungsi pengelolaan dari semua permintaan produk untuk menjamin bahwa
penyusun jadwal induk (master scheduler) mengetahui dan menyadari semua
permintaan produk itu. Manajemen permintaan akan menjaring informasi yang
berkaitan dengan peramalan (forecasting), order entry, order promising, branch
warehouse requirement, pesanan antar pabrik (interplant orders), dan kebutuhan untuk
service part. Sumber utama yang berkaitan dengan informasi permintaan produk,
yaitu:
1. Ramalan terhadap produk independent demand yang bersifat tidak pasti (uncertain).
2. Pesanan-pesanan (orders) yang bersifat pasti (certain).
Dalam manajemen permintaan, aktivitas pelayanan pesanan (order service) merupakan
hal yang pasti (certain), sehingga yang diperlukan dari manjemen industri adalah
membuat catatan akurat tentang pesanan yang diminta oleh berbagai pihak, kemudian
menghitung total pesanan yang diterima. Aktivitas pelayanan pesanan dapat dilakukan
dengan baik oleh pihak manajemen industri, karena hanya membutuhkan sistem
pengelolaan pesanan yang teratur.

2. Sebutkan dan jelaskan jenis-jenis metode peramalan dan ukuran akurasi peramalan ?

1. Peramalan Jangka Panjang, yaitu yang mencakup waktu lebih besar dari 24
bulan. Misalnya, peramalan yang diperlukan dalam kaitannya dengan penanaman
modal, perencanaan fasilitas, dan perencanaan untuk kegiatan litbang. Peramalan
jangka panjang banyak menggunakan pendekatan kualitatif.
2. Peramalan Jangka Menengah, yaitu antara 3-24 bulan, misalnya peramalan untuk
perencanaan penjualan, perencanaan dan anggaran produksi. Peramalan jangka
menengah banyak menggunakan pendekatan kuantitatif.
3. Peramalan Jangka Pendek, yaitu untuk jangka waktu kurang dari 3 bulan,
misalnya peramalan dalam hubungannya dengan perencanaan pembelian material,
penjadwalan kerja, dan penugasan. Peramalan jangka pendek banyak menggunakan
pendekatan kuantitatif.

3. PT Advan Indonesia akan meramalkan penjualan pada tahun 2017 dengan weight
moving average (WMA) = 4 jika diketahui data masa lalu. Berikut diketahui data PT
Advan Indonesia sebagai berikut:
Bulan Indeks Waktu (t) Permintaan Aktual (A)
Januari 1 280
Februari 2 270
Maret 3 330
April 4 250
Mei 5 340
Juni 6 330
Juli 7 350
Agustus 8 300
September 9 330
Oktober 10 350
November 11 270
Desember 12 290
Tentukan nilai peramalan pada bulan Januari 2017 dan berapakah nilai MAD, MSE,
dan MAPE serta buatlah grafiknya?

Berikut ini prosedur kerja yang dijelaskan dalam penyelesaian kasus ini adalah sebagai
berikut ini, yaitu:
1. Buka program QM for Windows 3 yang terdapat pada komputer. Jika ada tampilan
kotak dialog, klik OK.

2. Buka module lalu pilih module forecasting lalu pilih new kemudian pilih time series
analysis.
3. Selanjutnya, klik file lalu pilih new maka akan tampil kotak create data set for
forecasting.

4. Isikan data pada kotak create data set for forecasting. Jika sudah diisi lalu klik OK.
Title diisikan judul kasus peramalan yang akan diselesaikan.
Number of Past Periods diisikan jumlah periode waktu di masa lalu yang terdapat
dalam kasus peramalan tersebut.
Row Names diisikan dengan memilih salah satu yang terdapat dalam kotak tersebut.

5. Selanjutnya, melakukan penginputan data dari kasus peramalan tersebut. Jika semua
data sudah diinput klik SOLVE.
Demand (y) diisikan dengan data permintaan per periode yang terdapat dalam kasus
peramalan tersebut.
Melakukan pemilihan metode yang digunakan dalam kasus peramalan tersebut dan
jika terdapat #Periods to average diisikan sesuai dengan moving average dalam kasus
peramalan tersebut.

6. Kemudian akan ditampilkan hasil dari masalah kasus peramalan tersebut.

 7. Untuk melihat grafik peramalan, klik Window lalu klik Graph.

8. Untuk melihat akurasi peramalan (tracking signal), klik Window lalu klik Control
(tracking signal).

Berdasarkan hasil diatas didapat bahwa nilai ramalan PT. ADVAN INDONESIA pada
bulan Januari 2017 adalah 310. Nilai MAD sebesar 31,56 , MSE sebesar 1374,22, dan
MAPE sebesar 0,1%.

4. PT Green Tea yang bergerak pada industri teh ingin meramalkan hasil penjualannya.
Berikut ini adalah data permintaan teh pada tahun 2016, yakni:
a. Bulan Januari sebesar 8000 bungkus.
b. Bulan Februari kurang banyak 1000 bungkus dari bulan Januari.
c. Bulan Maret hanya 50% dari bulan Februari.
d. Bulan April hanya 3/4 dari bulan Maret.
e. Bulan Mei lebih banyak 4 kali lipat dari bulan April.
f. Bulan Juni sama banyak dengan bulan Januari.
g. Bulan Juli hanya 30% dari bulan Juni.
h. Bulan Agustus lebih banyak 2 kali lipat dari bulan Juli.
i. Bulan September lebih banyak 500 dari bulan Agustus.
j. Bulan Oktober hanya 1/2 dari bulan Agustus.
k. Bulan November hanya 3 kali lipat dari bulan Oktober.
l. Bulan Desember lebih banyak 1000 dari bulan Agustus.
Berdasarkan data tersebut, tentukanlah peramalan penjualan PT Coofee’s Dhefi untuk
bulan Januari 2017 dengan pemulusan eksponensial dengan alpha = 0,3?
Berikut ini prosedur kerja yang dijelaskan dalam penyelesaian kasus ini adalah
sebagai berikut ini, yaitu:
1. Buka program QM for Windows 3 yang terdapat pada komputer. Jika ada tampilan
kotak dialog, klik OK.

2. Buka module lalu pilih module forecasting lalu pilih new kemudian pilih time series
analysis.
3. Selanjutnya, klik file lalu pilih new maka akan tampil kotak create data set for
forecasting.

4. Isikan data pada kotak create data set for forecasting. Jika sudah diisi lalu klik OK.
Title diisikan judul kasus peramalan yang akan diselesaikan.
Number of Past Periods diisikan jumlah periode waktu di masa lalu yang terdapat
dalam kasus peramalan tersebut.
Row Names diisikan dengan memilih salah satu yang terdapat dalam kotak tersebut.
5. Selanjutnya, melakukan penginputan data dari kasus peramalan tersebut. Jika semua
data sudah diinput klik SOLVE.
Demand (y) diisikan dengan data permintaan per periode yang terdapat dalam kasus
peramalan tersebut.
Melakukan pemilihan metode yang digunakan dalam kasus peramalan tersebut dan
jika terdapat #Periods to average diisikan sesuai dengan moving average dalam kasus
peramalan tersebut.

6. Kemudian akan ditampilkan hasil dari masalah kasus peramalan tersebut.

Berdasarkan data tersebut, hasil peramalan penjualan PT Coofee’s Dhefi untuk bulan
Januari 2017 dengan pemulusan eksponensial dengan alpha = 0,3 adalah 6603,22.
C. KESIMPULAN

Manajemen permintaan didefinisikan sebagai suatu fungsi pengelolaan dari semua

permintaan produk untuk menjamin bahwa penyusun jadwal induk (master scheduler)
mengetahui dan menyadari semua permintaan produk itu.
Manajemen permintaan karena adnaya suatu analisis, perencanaan, implementasi, dan
pengendalian dari program-program yang dirancang untuk menciptakan, membangun
dan mempertahankan pertukaran yang bermanfaat dengan pembeli untuk mencapai
tujuan-tujuan organisasi.
Pada dasarnya terdapat sembilan langkah yang harus diperhatikan untuk menjamin
efektivitas dan efisiensi dari sistem peramalan dalam manajemen permintaan, yaitu:
1. Menetapkan tujuan peramalan.
2. Memilih item independent demand yang akan diramalkan.
3. Menentukan horizon waktu peramalan.
4. Memilih tipe model peramalan.
5. Mengumpulkan data yang diperlukan untuk melakukan peramalan.
6. Memvalidasi dan menerapkan basil peramalan.
7. Membuat peramalan.
8. Implementasi hasil-hasil peramalan.
9. Memantau keandalan hasil peramalan.
Jenis-jenis peramalan, yaitu:
1. Peramalan Jangka Panjang, yaitu yang mencakup waktu lebih besar dari 24
bulan. Misalnya, peramalan yang diperlukan dalam kaitannya dengan penanaman
modal, perencanaan fasilitas, dan perencanaan untuk kegiatan litbang. Peramalan
jangka panjang banyak menggunakan pendekatan kualitatif.
2. Peramalan Jangka Menengah, yaitu antara 3-24 bulan, misalnya peramalan untuk
perencanaan penjualan, perencanaan dan anggaran produksi. Peramalan jangka
menengah banyak menggunakan pendekatan kuantitatif.
3. Peramalan Jangka Pendek, yaitu untuk jangka waktu kurang dari 3 bulan,
misalnya peramalan dalam hubungannya dengan perencanaan pembelian material,
penjadwalan kerja, dan penugasan. Peramalan jangka pendek banyak menggunakan
pendekatan kuantitatif.
Secara umum, model-model peramalan dapat dikelompokkan ke dalam dua kelompok
utama yaitu:
1. Model Kualitatif
Metode ini digunakan dimana tidak ada model matematik, biasanya dikarenakan
data yang ada tidak cukup representatif untuk meramalkan masa yang akan datang
(long term forecasting). Peramalan kualitatif menggunakan pertimbangan
pendapat-pendapat para pakar yang ahli atau expert di bidangnya.
2. Model Kuantitatif
Penggunaan model ini didasari ketersediaan data mentah disertai serangkaian
kaidah matematis untuk meramalkan hasil di masa depan.
Memahami Tata Cara Penggunaan Module Forecasting Pada Program POM.
Program POM adalah sebuah program komputer yang digunakan untuk
memecahkan masalah dalam bidang produksi dan operasi yang bersifat kuantitatif.
Tampilan grafis yang menarik dan kemudahan pengoperasian menjadikan POM for
Windows 3 sebagai alternatif aplikasi.
D. DAFTAR PUSTAKA

Buku
Assauri, Sofjan. 2008. Manajemen Produksi dan Operasi. Jakarta: FEUI
Gasperz, Vincent. 2009. Production Planning And Inventory Control. Cetakan Ke-7.
Jakarta: PT Gramedia Pustaka Utama
Handoko, H. 1984. Dasar-Dasar Manajemen Produksi dan Operasi. Yogyakarta:
BPFE Yogyakarta
Prasetya, Hery dkk. 2011. Manajemen Operasi. Cetakan Ke-1. Yogyakarta: CAPS
Link and Sites:
Hartawan. 2011. ”Modul POM-Qm For Windows”. Web. http://z-
hartawan.blogspot.co.id/2011/06/modul-pom-qm-for-windows-versi-30.html diakses
tanggal 22 Agustus 2016
Muhadi, Ari. 2013. ”Peramalan Forecasting”. Web.
http://arimuhadi.blogspot.co.id/2013/10/peramalan-forecasting.html diakses tanggal
22 Agustus 2016