PERKIRAAN PERMINTAAN DALAM RANTAI PASOKAN

Disusun Untuk Memenuhi Matakuliah Management Rantai Pasok dan Logistik

Dosen Pengampu :
Dr. Kusdi Rahadjo, DEA

Oleh :
Ilham Azmi Zarkasi (196030200111018)

PROGRAM MAGISTER ADMINISTRASI BISNIS

FAKULTAS ILMU ADMINISTRASI
UNIVERSITAS BRAWIJAYA
2020
I. PERAN PERAMALAN DALAM RANTAI PASOKAN

Prakiraan permintaan membentuk dasar dari semua perencanaan rantai pasokan.

Pertimbangkan tampilan push / pull dari rantai pasokan yang dibahas pada Bab 1. Semua
proses push dalam rantai pasokan dilakukan untuk mengantisipasi permintaan pelanggan,
sedangkan semua proses pull dilakukan sebagai respons terhadap permintaan pelanggan.
Untuk proses push, seorang manajer harus merencanakan tingkat aktivitas, baik itu
produksi, transportasi, atau aktivitas terencana lainnya. Untuk proses penarikan, seorang
manajer harus merencanakan tingkat kapasitas dan inventori yang tersedia, tetapi bukan
jumlah aktual yang akan dieksekusi. Dalam kedua contoh tersebut, langkah pertama yang
harus diambil seorang manajer adalah memperkirakan apa yang akan menjadi permintaan
pelanggan.

Toko Home Depot yang menjual cat memesan cat dasar dan pewarna untuk
mengantisipasi pesanan pelanggan, sedangkan itu melakukan pencampuran akhir cat
sebagai tanggapan atas pesanan pelanggan. Home Depot menggunakan perkiraan
permintaan di masa depan untuk menentukan jumlah cat dan pewarna yang tersedia
(proses push). Lebih jauh ke rantai pasokan, pabrik cat yang memproduksi pangkalan juga
perlu perkiraan untuk menentukan tingkat produksi dan persediaannya sendiri. Pemasok
pabrik cat juga perlu perkiraan untuk alasan yang sama. Ketika setiap tahap dalam rantai
pasokan membuat ramalannya sendiri-sendiri, ramalan ini seringkali sangat berbeda.
Hasilnya adalah ketidakcocokan antara penawaran dan permintaan. Ketika semua tahapan
rantai pasokan bekerja bersama untuk menghasilkan perkiraan kolaboratif, perkiraan
tersebut cenderung jauh lebih akurat. Akurasi perkiraan yang dihasilkan memungkinkan
rantai pasokan menjadi lebih responsif dan lebih efisien dalam melayani pelanggan
mereka. Para pemimpin di banyak rantai pasokan, mulai dari produsen elektronik hingga
pengecer barang dalam kemasan, telah meningkatkan kemampuan mereka untuk
mencocokkan pasokan dan permintaan dengan bergerak menuju peramalan kolaboratif.

Pertimbangkan nilai perkiraan kolaboratif untuk Coca-Cola dan para pembotolannya.

Coca-Cola memutuskan waktu promosi berdasarkan perkiraan permintaan selama kuartal
mendatang. Keputusan promosi kemudian dimasukkan ke dalam perkiraan permintaan
yang diperbarui. Perkiraan yang diperbarui sangat penting bagi para pembotolan untuk
merencanakan kapasitas dan keputusan produksi mereka. Pembotolan yang beroperasi
tanpa ramalan yang diperbarui berdasarkan promosi tidak mungkin memiliki pasokan
yang cukup untuk Coca-Cola, sehingga mengganggu keuntungan rantai pasokan.

Produk dewasa dengan permintaan stabil, seperti susu atau handuk kertas, biasanya paling
mudah diperkirakan. Peramalan dan keputusan manajerial yang menyertainya sangat sulit
ketika pasokan bahan baku atau permintaan untuk produk jadi sangat tidak dapat
diprediksi. Barang mode dan banyak produk teknologi tinggi adalah contoh barang yang
sulit diperkirakan. Dalam kedua kasus, perkiraan kesalahan perkiraan sangat penting
ketika merancang rantai pasokan dan merencanakan responsnya.

II. KARAKTERISTIK PERAMALAN

Perusahaan dan manajer rantai pasokan harus mengetahui karakteristik perkiraan berikut
ini.

1. Prakiraan selalu tidak akurat dan karenanya harus mencakup nilai perkiraan ramalan
dan ukuran kesalahan ramalan. Untuk memahami pentingnya kesalahan perkiraan,
pertimbangkan dua dealer mobil. Salah satunya mengharapkan penjualan berkisar antara
100 dan 1.900 unit, sedangkan yang lain mengharapkan penjualan berkisar antara 900 dan
1.100 unit. Meskipun kedua dealer mengantisipasi penjualan rata-rata 1.000, kebijakan
sumber untuk setiap dealer harus sangat berbeda, mengingat perbedaan dalam akurasi
perkiraan. Dengan demikian, kesalahan perkiraan (atau ketidakpastian permintaan) adalah
input utama ke dalam sebagian besar keputusan rantai pasokan. Sayangnya, sebagian
besar perusahaan tidak mempertahankan estimasi kesalahan perkiraan.

2. Prakiraan jangka panjang biasanya kurang akurat daripada prakiraan jangka pendek;
yaitu, prakiraan jangka panjang memiliki standar deviasi kesalahan yang lebih besar
dibandingkan dengan rata-rata dari prakiraan jangka pendek. Seven-Eleven Jepang telah
mengeksploitasi properti utama ini untuk meningkatkan kinerjanya. Perusahaan telah
melembagakan proses pengisian ulang yang memungkinkannya untuk menanggapi
pesanan dalam beberapa jam. Misalnya, jika seorang manajer toko melakukan pemesanan
pada pukul 10 pagi, pesanan tersebut akan dikirimkan pada pukul 7 malam. hari yang
sama. Karena itu, manajer harus memperkirakan apa yang akan dijual malam itu hanya
kurang dari 12 jam sebelum penjualan aktual. Waktu tunggu yang singkat memungkinkan
manajer mempertimbangkan informasi terkini yang dapat memengaruhi penjualan
produk, seperti cuaca. Perkiraan ini cenderung lebih akurat daripada jika manajer toko
harus memperkirakan permintaan seminggu sebelumnya.

3. Prakiraan agregat biasanya lebih akurat daripada perkiraan terpilah, karena mereka
cenderung memiliki standar deviasi kesalahan yang lebih kecil dibandingkan dengan rata-
rata. Misalnya, mudah untuk memperkirakan Produk Domestik Bruto (PDB) negara-
negara bersatu untuk tahun tertentu dengan kesalahan kurang dari 2 persen. Namun, jauh
lebih sulit untuk memperkirakan pendapatan tahunan untuk perusahaan dengan kesalahan
kurang dari 2 persen, dan bahkan lebih sulit untuk memperkirakan pendapatan untuk
produk tertentu dengan tingkat akurasi yang sama. Perbedaan utama di antara tiga
perkiraan adalah tingkat agregasi. PDB adalah agregasi di banyak perusahaan, dan
pendapatan perusahaan adalah agregasi di beberapa lini produk. Semakin besar agregasi,
semakin akurat perkiraannya.
4. Secara umum, semakin jauh rantai pasokan perusahaan (atau semakin jauh dari
konsumen), semakin besar distorsi informasi yang diterimanya. Salah satu contoh klasik
dari fenomena ini adalah efek bullwhip (lihat Bab 10), di mana variasi pesanan diperkuat
ketika pesanan bergerak lebih jauh dari konsumen akhir. Perkiraan kolaboratif
berdasarkan penjualan ke pelanggan akhir membantu perusahaan hulu mengurangi
kesalahan perkiraan.

III. KOMPONEN METODE PERAMALAN DAN PERAMALAN

Yogi Berra, mantan penangkap New York Yankees yang terkenal dengan
malapropismenya, pernah berkata, "Sulit untuk membuat prediksi, terutama tentang masa
depan." Seseorang mungkin tergoda untuk memperlakukan ramalan permintaan sebagai
sihir atau seni dan membiarkan segala sesuatunya menjadi kebetulan. Apa yang diketahui
perusahaan tentang perilaku masa lalu pelanggannya, menjelaskan perilaku masa depan
mereka. Permintaan tidak muncul dalam ruang hampa. Sebaliknya, permintaan pelanggan
dipengaruhi oleh berbagai faktor dan dapat diprediksi, setidaknya dengan beberapa
kemungkinan, jika perusahaan dapat menentukan hubungan antara faktor-faktor ini dan
permintaan di masa depan. Untuk memperkirakan permintaan, perusahaan harus terlebih
dahulu mengidentifikasi faktor-faktor yang mempengaruhi permintaan di masa depan dan
kemudian memastikan hubungan antara faktor-faktor ini dan permintaan di masa depan.
Perusahaan harus menyeimbangkan faktor objektif dan subyektif ketika memperkirakan
permintaan. Meskipun kami fokus pada metode perkiraan kuantitatif dalam bab ini,
perusahaan harus memasukkan input manusia ketika mereka membuat perkiraan akhir
mereka. Seven-Eleven Jepang menggambarkan hal ini.

Seven-Eleven Jepang menyediakan manajer toko dengan sistem pendukung keputusan

canggih yang membuat perkiraan permintaan dan memberikan pesanan yang
direkomendasikan. Manajer toko, bagaimanapun, bertanggung jawab untuk membuat
keputusan akhir dan menempatkan pesanan, karena ia mungkin memiliki akses ke
informasi tentang kondisi pasar yang tidak tersedia dalam data permintaan historis.
Pengetahuan tentang kondisi pasar ini cenderung meningkatkan perkiraan. Misalnya, jika
manajer toko tahu bahwa cuaca cenderung hujan dan dingin pada hari berikutnya, ia dapat
mengurangi ukuran pesanan es krim untuk ditempatkan dengan pemasok hulu, bahkan
jika permintaan tinggi selama sebelumnya. beberapa hari ketika cuaca sedang panas.
Dalam hal ini, perubahan kondisi pasar (cuaca) tidak akan diprediksi menggunakan data
permintaan historis. Rantai pasokan dapat mengalami hasil yang substansial dari
meningkatkan perkiraan permintaannya melalui input manusia yang kualitatif.

Perusahaan harus memiliki pengetahuan tentang berbagai faktor yang terkait dengan
perkiraan permintaan, termasuk yang berikut:

• Permintaan masa lalu

 • Pengisian ulang produk lead time
• Upaya periklanan atau pemasaran yang direncanakan
• Diskon harga yang direncanakan
• Keadaan ekonomi
• Tindakan yang telah diambil pesaing

Perusahaan harus memahami faktor-faktor tersebut sebelum dapat memilih metodologi

perkiraan yang tepat.

Metode peramalan diklasifikasikan berdasarkan empat jenis berikut:

1. Kualitatif : Metode peramalan kualitatif terutama subyektif dan mengandalkan

penilaian manusia. Mereka paling tepat ketika sedikit data historis tersedia atau ketika
sedikit data historis tersedia atau ketika ahli memiliki kecerdasan pasar yang dapat
mempengaruhi perkiraan. Metode seperti itu mungkin juga perlu untuk memperkirakan
permintaan beberapa tahun ke depan di industri baru.

2. Rangkaian waktu: Metode peramalan deret waktu menggunakan permintaan historis

untuk membuat ramalan. Mereka didasarkan pada asumsi bahwa sejarah permintaan masa
lalu adalah indikator yang baik dari permintaan masa depan. Metode-metode ini paling
sesuai ketika pola permintaan dasar tidak bervariasi secara signifikan dari satu tahun ke
tahun berikutnya. Ini adalah metode paling sederhana untuk diterapkan dan dapat
berfungsi sebagai titik awal yang baik untuk perkiraan permintaan.

3. Kausal: Metode perkiraan kausal mengasumsikan bahwa perkiraan permintaan sangat

berkorelasi dengan faktor-faktor tertentu di lingkungan (keadaan ekonomi, suku bunga,
dll.). Metode peramalan kausal menemukan korelasi antara permintaan dan faktor
lingkungan ini dan menggunakan perkiraan faktor lingkungan apa yang akan digunakan
untuk memperkirakan permintaan di masa depan. Misalnya, harga produk sangat
berkorelasi dengan permintaan. Dengan demikian, perusahaan dapat menggunakan
metode kausal untuk menentukan dampak promosi harga terhadap permintaan.

4. Simulasi: metode peramalan simulasi meniru suvenir konsumen yang menimbulkan

permintaan untuk sampai pada perkiraan. Dengan menggunakan simulasi, perusahaan
dapat menggabungkan metode deret waktu dan sebab-akibat untuk menjawab pertanyaan
seperti: Apa yang akan menjadi dampak dari promosi harga? Apa dampak dari pesaing
yang membuka toko terdekat? Maskapai mensimulasikan perilaku pembelian pelanggan
untuk memperkirakan permintaan kursi dengan tarif lebih tinggi ketika tidak ada kursi
dengan tarif lebih rendah.

Perusahaan mungkin kesulitan menentukan metode mana yang paling tepat untuk
peramalan. Faktanya, beberapa penelitian telah mengindikasikan bahwa menggunakan
beberapa metode perkiraan untuk membuat perkiraan gabungan lebih efektif daripada
hanya menggunakan satu metode saja.

Dalam bab ini, kita terutama berurusan dengan metode deret waktu, yang paling tepat
ketika permintaan di masa depan terkait dengan permintaan historis, pola pertumbuhan,
dan pola musiman apa pun. Dengan metode peramalan apa pun, selalu ada elemen acak
yang tidak dapat dijelaskan oleh pola permintaan historis. Oleh karena itu, setiap
permintaan yang diamati dapat dipecah menjadi komponen yang sistematis dan acak:

Permintaan yang diamati (O) = komponen sistematis (S) + komponen acak (R)

Komponen sistematis mengukur nilai permintaan yang diharapkan dan terdiri dari apa
yang akan kita sebut tingkat, permintaan yang dinasionalisasi sekarang; tren, tingkat
pertumbuhan atau penurunan permintaan untuk periode selanjutnya; dan musiman,
fluktuasi musiman yang dapat diprediksi dalam permintaan.

Komponen acak adalah bagian dari ramalan yang menyimpang dari bagian sistematis.
Perusahaan tidak dapat (dan tidak seharusnya) memperkirakan arah komponen acak.
Yang dapat diprediksi oleh perusahaan adalah ukuran dan variabilitas komponen acak,
yang menyediakan ukuran kesalahan perkiraan. Tujuan peramalan adalah untuk
menyaring komponen acak (noise) dan memperkirakan komponen sistematis. Kesalahan
perkiraan mengukur perbedaan antara perkiraan dan permintaan aktual. Rata-rata, metode
peramalan yang baik memiliki kesalahan yang ukurannya sebanding dengan komponen
permintaan acak. Seorang manajer harus skeptis terhadap metode peramalan yang
mengklaim tidak memiliki kesalahan peramalan pada permintaan historis. Dalam hal ini,
metode ini telah menggabungkan komponen acak historis dengan komponen sistematis.
Akibatnya, metode perkiraan kemungkinan berkinerja buruk.

IV. PENDEKATAN DASAR UNTUK PERMINTAAN PERMINTAAN

Lima poin berikut ini penting bagi sebuah organisasi untuk memperkirakan secara efektif:

1. Memahami tujuan peramalan.

2. Mengintegrasikan perencanaan dan perkiraan permintaan di seluruh rantai
pasokan.
3. Identifikasi faktor-faktor utama yang mempengaruhi perkiraan permintaan.
4. Prakiraan pada tingkat agregasi yang sesuai.
5. Tetapkan ukuran kinerja dan kesalahan untuk perkiraan tersebut.

5 METODE PERAMALAN WAKTU SERI

Tujuan dari setiap metode peramalan adalah untuk memprediksi komponen permintaan
yang sistematis dan memperkirakan komponen acak. Dalam bentuknya yang paling
umum, komponen sistematis dari data permintaan mengandung level, tren, dan faktor
musiman. Persamaan untuk menghitung komponen sistematis dapat mengambil berbagai
bentuk:

• Multiplikatif: komponen sistematis = level x tren x faktor musiman

• Aditif: komponen sistematis = level + tren + faktor musiman
• Campuran: komponen sistematis = (tingkat + tren) x faktor musiman

Bentuk spesifik dari komponen sistematis yang berlaku untuk ramalan yang diberikan
tergantung pada sifat permintaan. Perusahaan dapat mengembangkan metode peramalan
statis dan adaptif untuk setiap formulir. Kami sekarang menjelaskan metode peramalan
statis dan adaptif ini.

Metode Statis

Metode statis mengasumsikan bahwa estimasi level, tren, dan musiman dalam komponen
sistematis tidak bervariasi ketika permintaan baru diamati. Dalam hal ini, kami
memperkirakan masing-masing parameter ini berdasarkan data historis dan kemudian
menggunakan nilai yang sama untuk semua prakiraan masa depan. Pada bagian ini, kami
membahas metode peramalan statis untuk digunakan ketika permintaan memiliki tren
serta komponen musiman. Kami berasumsi bahwa komponen sistematis permintaan
beragam; itu adalah,

Komponen sistematis = (level + tren) x faktor musiman

Pendekatan serupa dapat diterapkan untuk bentuk lain juga. Kami mulai dengan beberapa
definisi dasar:

L = estimasi level pada t = 0 (estimasi permintaan yang dinasionalisasi selama Periode t

= 0)

T = estimasi tren (kenaikan atau penurunan permintaan per periode)

St = perkiraan faktor musiman untuk Periode t

Dt = permintaan aktual yang diamati pada Periode t

Ft = perkiraan permintaan untuk Periode t

Dalam metode peramalan statis, prakiraan dalam Periode t untuk permintaan dalam
Periode t + l adalah produk dari level dalam Periode t + l dan faktor musiman untuk
Periode t + l. Tingkat dalam Periode t + l adalah jumlah dari tingkat dalam Periode 0 (L)
dan (t + l) kali tren T. Prakiraan dalam Periode t untuk permintaan di Periode t + l dengan
demikian diberikan sebagai

Kami sekarang menjelaskan satu metode untuk memperkirakan tiga parameter L, T, dan
S. Sebagai contoh, pertimbangkan permintaan garam batu yang digunakan terutama untuk
mencairkan salju. Garam ini diproduksi oleh sebuah perusahaan bernama Tahoe Salt,
yang menjual garamnya melalui berbagai pengecer independen di sekitar Danau
Tahoearea dari Gunung Siera Navada. Di masa lalu, Tahoe Saltmhas mengandalkan
perkiraan permintaan dari sampel pengecernya, tetapi perusahaan telah memperhatikan
bahwa pengecer ini selalu melebih-lebihkan pembelian mereka, meninggalkan Tahoe
(dan bahkan beberapa pengecer) terjebak dengan kelebihan persediaan. Setelah bertemu
dengan pengecernya, Tahoe telah memutuskan untuk menghasilkan perkiraan kolaboratif.
Tahoe Salt ingin bekerja sama dengan pengecer untuk membuat perkiraan yang lebih
akurat berdasarkan penjualan eceran garam mereka yang sebenarnya. Data permintaan
ritel triwulanan selama tiga tahun terakhir ditunjukkan pada Tabel 7-1 dan ditunjukkan
pada Gambar 1.

Gambar 1. Permintaan Triwulan di Tahoe Salt

Pada Gambar 1, amati bahwa permintaan garam bersifat musiman, meningkat dari kuartal
kedua tahun tertentu ke kuartal pertama tahun berikutnya. Kuartal kedua setiap tahun
memiliki permintaan terendah. Setiap siklus berlangsung empat kuartal, dan pola
permintaan berulang setiap tahun. Ada juga tren pertumbuhan permintaan, dengan
penjualan tumbuh selama tiga tahun terakhir. Perusahaan memperkirakan bahwa
pertumbuhan akan berlanjut di tahun mendatang dengan kurs historis. Kami sekarang
menggambarkan dua langkah berikut yang diperlukan untuk memperkirakan masing-
masing dari tiga parameter — level, tren, dan faktor musiman.

1. Deseasonalisasi permintaan dan jalankan regresi linier untuk memperkirakan level dan
tren.

2. Perkirakan faktor musiman.

ESTIMASI TINGKAT DAN TREN

Tujuan dari langkah ini adalah untuk memperkirakan level pada Periode 0 dan tren. Kami
mulai dengan menasionalisasi data permintaan. Permintaan dinasionalisasi mewakili
permintaan yang akan diamati tanpa adanya fluktuasi musiman. Periodisitas (p) adalah
jumlah periode setelah mana siklus musiman berulang. Untuk permintaan Tahoe Salt,
polanya berulang setiap tahun. Mengingat bahwa kami mengukur permintaan secara
triwulanan, periodisitas untuk permintaan pada Tabel 7-1 adalah p = 4

Untuk memastikan bahwa setiap musim diberi bobot yang sama ketika menentukan
permintaan, kami mengambil rata-rata periode permintaan berturut-turut. Rata-rata
permintaan dari Periode l + 1 hingga Periode l + p memberikan permintaan yang
dinasionalisasi untuk Periode l + (p + 1) / 2. Jika p ganjil, metode ini memberikan
permintaan yang dinasionalisasi untuk periode yang ada. Jika p genap, metode ini
memberikan permintaan yang dinasionalisasi pada titik antara Periode l + (p / 2) dan
Periode l + 1 + (p / 2). Dengan mengambil rata-rata permintaan yang dinasionalisasi yang
diberikan oleh Periode l + 1 hingga l + p dan l + 2 hingga l + p + 1, kami memperoleh
permintaan yang dinasionalisasi untuk Periode l + 1 + (p / 2) jika p genap. Dengan
demikian, permintaan yang dinasionalisasi, Dt, untuk Periode t, dapat diperoleh sebagai
berikut:

Dalam contoh kita, p = 4 adalah genap. Untuk t = 3, kami memperoleh permintaan yang
dinasionalisasi menggunakan Persamaan 7.2 sebagai berikut:

Dengan prosedur ini, kita dapat memperoleh permintaan yang dinasionalisasi antara
Periode 3 dan 10 seperti yang ditunjukkan pada Gambar 7-2 dan 7-3 (semua detail tersedia
di Bab 7-Tahoe-salt).

Hubungan linear berikut ada antara permintaan yang dinasionalisasi, Dt, dan waktu t,
berdasarkan perubahan permintaan dari waktu ke waktu:

Dalam Persamaan 7.3, Dt mewakili permintaan yang dinasionalisasi dan bukan

permintaan aktual dalam Periode t, L mewakili tingkat atau permintaan yang
dinasionalisasi pada Periode 0, dan T mewakili tingkat pertumbuhan permintaan atau tren
yang dinasionalisasi. Kita dapat memperkirakan nilai L dan T untuk permintaan yang
dinasionalisasi menggunakan regresi linier dengan permintaan yang dinasionalisasi (lihat
Gambar 7-2) sebagai variabel dependen dan waktu sebagai variabel independen. Regresi
semacam itu dapat dijalankan menggunakan Microsoft Excel (Data l Analisis Data l
Regresi). Urutan perintah ini membuka kotak Regresi di Excel. Untuk buku kerja Tahoe
Salt pada Gambar 7-2, di kotak dialog yang dihasilkan, kita masukkan

Input Y Range: C4: C11

Input X Range: A4: A11

dan klik tombol OK. Lembar baru yang berisi hasil regresi terbuka (lihat lembar kerja
Regresi-1). Lembar baru ini berisi estimasi untuk level awal L dan tren T. Level awal, L,
diperoleh sebagai koefisien intersepsi, dan tren, T, diperoleh sebagai koefisien variabel X
(atau kemiringan) dari sheet mengandung hasil regresi. Untuk contoh Tahoe Salt, kami
memperoleh L = 18,439 iklan T = 524 (semua detail tersedia di lembar kerja Regresi-1
dan angka dibulatkan menjadi nilai integer). Untuk contoh ini, permintaan dinasionalisasi
Dt untuk Periode apa pun dengan demikian diberikan oleh

Tidak tepat untuk menjalankan regresi linier antara data permintaan asli dan waktu untuk
memperkirakan tingkat dan tren karena data permintaan asli tidak linier dan regresi linier
yang dihasilkan tidak akan akurat. Permintaan harus dinasionalisasi sebelum kita
menjalankan regresi linier.
ESTIMASI FAKTOR MUSIM

Kita sekarang dapat memperoleh permintaan yang dinasionalisasi untuk setiap periode
menggunakan Persamaan 7.4 (lihat gambar 7-4). Faktor musiman St untuk Periode t
adalah rasio permintaan aktual Dt dengan permintaan dinasionalisasi Dt dan diberikan
sebagai

Untuk contoh Tahoe Salt, estimasi permintaan yang dinasionalisasi menggunakan

Persamaan 7.4 dan faktor musiman yang diperkirakan menggunakan Persamaan 7.5
ditunjukkan pada Gambar 7-4 (Lihat lembar kerja Gambar 7-4). Mengingat p periodisitas,
kami memperoleh faktor musiman untuk periode tertentu dengan rata-rata faktor musiman
yang sesuai dengan periode yang sama. Sebagai contoh, jika kita memiliki periodisitas p
= 4, Periode 1,5, dan 9 memiliki faktor musiman yang serupa. Faktor musiman untuk
periode ini diperoleh sebagai rata-rata dari tiga faktor musiman. Dengan adanya siklus
musiman dalam data, untuk semua periode dalam bentuk pt + i, 1≤ i ≤ p, kita memperoleh
faktor musiman sebagai
Untuk contoh Tahoe Salt, total 12 periode dan periodisitas p = 4 menyiratkan bahwa ada
r = 3 siklus musiman dalam data. Kami memperoleh faktor musiman menggunakan
Persamaan 7.6 sebagai

Pada tahap ini, kami telah memperkirakan tingkat, tren, dan semua faktor musiman. Kita
sekarang dapat memperoleh perkiraan untuk empat kuartal berikutnya menggunakan
Persamaan 7.1. Dalam contoh tersebut, perkiraan untuk empat periode berikutnya
menggunakan metode perkiraan statis diberikan oleh

Tahoe Salt dan pengecernya sekarang memiliki perkiraan permintaan yang lebih akurat.
Tanpa berbagi informasi penjualan-melalui antara pengecer dan produsen, rantai pasokan
ini akan memiliki perkiraan yang kurang akurat, dan berbagai inefisiensi produksi dan
inventaris akan terjadi.

Peramalan Adaptif

Dalam peramalan adaptif, perkiraan level, tren, dan musiman diperbarui setelah setiap
pengamatan permintaan. Keuntungan utama dari peramalan adaptif adalah bahwa
perkiraan menggabungkan semua data baru yang diamati. Kami sekarang membahas
kerangka dasar dan beberapa metode yang dapat digunakan untuk jenis ramalan ini.
Kerangka kerja disediakan dalam pengaturan yang paling umum, ketika komponen
sistematis dari data permintaan memiliki bentuk campuran dan berisi tingkat, tren, dan
faktor musiman. Namun, dapat dengan mudah dimodifikasi untuk dua kasus lainnya.
Kerangka kerja juga dapat dikhususkan untuk kasus di mana komponen sistematis tidak
mengandung musiman atau tren. Kami berasumsi bahwa kami memiliki satu set data
historis untuk n periode dan permintaan bersifat musiman, dengan periodisitas p. Dengan
data triwulanan, di mana pola berulang setiap tahun, kami memiliki periodisitas p = 4

Kita mulai dengan mendefinisikan beberapa istilah:

• Lt = estimasi level pada akhir Periode t

• Tt = estimasi tren pada akhir Periode t
• St = perkiraan faktor musiman untuk Periode t
• Ft = perkiraan permintaan untuk Periode t (dibuat di Periode t - 1 atau lebih awal)
• Dt = permintaan aktual yang diamati pada Periode t
• Et = Ft - Dt = kesalahan perkiraan dalam Periode t

Dalam metode adaptif, perkiraan untuk Periode t + l di Periode t menggunakan estimasi

level dan tren dalam Periode t (masing-masing Lt dan Tt) dan diberikan sebagai

Empat langkah dalam kerangka peramalan adaptif adalah sebagai berikut:

1. Inisialisasi: Hitung estimasi awal tingkat (L0), tren (T0), dan faktor musiman (S1,
...,, Sp) dari data yang diberikan. Ini dilakukan persis seperti pada metode
peramalan statis yang dibahas sebelumnya dalam bab dengan L0 = L dan T0 = T.
2. Prakiraan: Mengingat perkiraan dalam Periode t, perkiraan permintaan untuk
Periode t + 1 menggunakan Persamaan 7.7. Prakiraan pertama kami adalah untuk
Periode 1 dan dibuat dengan perkiraan tingkat, tren, dan faktor musiman pada
Periode 0.
3. Estimasi kesalahan: Catat permintaan aktual Dt + 1 untuk Periode t + 1 dan hitung
kesalahan Et + 1 dalam perkiraan untuk Periode t + 1 sebagai perbedaan antara
perkiraan dan permintaan aktual. Kesalahan untuk Periode t + 1 dinyatakan
sebagai

4. Ubah estimasi: Ubah estimasi level (Lt + 1), tren (Tt + 1), dan faktor musiman (St
+ p + 1), mengingat kesalahan Et + 1 dalam ramalan. Diharapkan bahwa
modifikasi dibuat sedemikian rupa sehingga jika permintaan lebih rendah dari
perkiraan, estimasi direvisi ke bawah, sedangkan jika permintaan lebih tinggi dari
perkiraan, estimasi direvisi ke atas.

Estimasi yang direvisi pada Periode t + 1 kemudian digunakan untuk membuat perkiraan
untuk Periode t + 2, dan Langkah 2, 3, dan 4 diulang sampai semua data historis hingga
Periode n telah dicakup. Estimasi pada Periode n kemudian digunakan untuk
memperkirakan permintaan di masa depan.

Kami sekarang membahas berbagai metode perkiraan adaptif. Metode yang paling tepat
tergantung pada karakteristik permintaan dan komposisi komponen permintaan
sistematis. Dalam setiap kasus, kami menganggap periode yang dipertimbangkan sebagai
t.

MOVING AVERAGE Metode moving average digunakan ketika permintaan tidak

memiliki tren yang dapat diamati atau musiman. Pada kasus ini,

Komponen sistematis permintaan = tingkat

Dalam metode ini, level dalam Periode t diperkirakan sebagai permintaan rata-rata selama
periode N terbaru. Ini mewakili rata-rata bergerak periode-N dan dievaluasi sebagai
berikut:

Perkiraan saat ini untuk semua periode masa depan adalah sama dan didasarkan pada
estimasi level saat ini. Prakiraan tersebut dinyatakan sebagai

Setelah mengamati permintaan untuk Periode t + 1, kami merevisi estimasi sebagai

berikut:

Untuk menghitung rata-rata bergerak baru, kami cukup menambahkan pengamatan

terbaru dan menjatuhkan yang tertua. Rata-rata bergerak yang direvisi berfungsi sebagai
perkiraan berikutnya. Rata-rata bergerak sesuai dengan memberikan N periode terakhir
data bobot yang sama ketika memperkirakan dan mengabaikan semua data yang lebih tua
dari rata-rata bergerak baru ini. Saat kami meningkatkan N, moving average menjadi
kurang responsif terhadap permintaan yang paling baru diamati. Kami menggambarkan
penggunaan rata-rata bergerak dalam Contoh 7-1.

CONTOH 7-1 RATA-RATA BERGERAK

Supermarket telah mengalami permintaan susu D1 = 120 mingguan, D2 = 127, D3 = 114,

dan D4 122 galon selama empat minggu terakhir. Perkiraan permintaan untuk Periode 5
menggunakan moving average empat periode. Apa kesalahan perkiraan jika permintaan
dalam Periode 5 ternyata 125 galon?
Analisis:

Kami membuat perkiraan untuk Periode 5 pada akhir Periode 4. Jadi, anggap periode saat
ini adalah 1 = 4. Tujuan pertama kami adalah memperkirakan tingkat dalam Periode 4.
Menggunakan Persamaan 7.9, dengan N = 4, kami dapatkan

L4= (D4 + D3 + D2 + D1 )/4 = (122 + 114 + 127 + 120) /4 = 120.75

Perkiraan permintaan untuk Periode 5, menggunakan Persamaan 7.10, dinyatakan

sebagai

F5=L4= 120.75 gallons

Karena permintaan di Periode 5, D5, adalah 125 galon, kami memiliki kesalahan
perkiraan untuk Periode 5 dari

E5 = F5 – D5 = 125 - 120.75 = 4.25

Setelah mengamati permintaan dalam Periode 5. estimasi revisi level untuk Periode 5
diberikan oleh:

L5 = (D5 + D4 + D3 + D2) /4 = (125 + 122 + 114 + 127)/4 = 122

SEDERHANA EKSPONENTIAL SEDERHANA

Metode smoothing eksponensial sederhana sesuai ketika permintaan tidak memiliki tren
yang dapat diamati atau musiman. Pada kasus ini,

Komponen sistematis permintaan = tingkat

Estimasi awal level, L0, dianggap sebagai rata-rata dari semua data historis karena
permintaan diasumsikan tidak memiliki tren yang dapat diamati atau musiman.
Mengingat data permintaan untuk Periode 1 hingga n, kami memiliki yang berikut:

Perkiraan saat ini untuk semua periode masa depan sama dengan estimasi tingkat saat ini
dan diberikan sebagai
Setelah mengamati permintaan, Dt + 1, untuk Periode t + 1, kami merevisi estimasi level
sebagai berikut:

di mana α (0 < α < 1) adalah konstanta smoothing untuk level tersebut. Nilai revisi level
adalah rata-rata tertimbang dari nilai level yang diamati (Dt + 1) pada Periode t +1 dan
perkiraan lama level (Lt) pada Periode t. Menggunakan Persamaan 7.13, kita dapat
mengekspresikan level dalam periode tertentu sebagai fungsi dari permintaan saat ini dan
level pada periode sebelumnya. Kita dengan demikian dapat menulis ulang Persamaan
7.13 sebagai

Perkiraan tingkat saat ini adalah rata-rata tertimbang dari semua pengamatan permintaan
di masa lalu, dengan pengamatan baru-baru ini lebih tinggi daripada pengamatan yang
lebih tua. Nilai yang lebih tinggi dari korespondensi dengan perkiraan yang lebih
responsif terhadap pengamatan terbaru, sedangkan nilai yang lebih rendah mewakili
perkiraan yang lebih stabil yang kurang responsif terhadap pengamatan terbaru. Kami
menggambarkan penggunaan pemulusan eksponensial dalam Contoh 7-2.

CONTOH 7-2 SMOOTHING EKSPONENSIAL SEDERHANA

Pertimbangkan supermarket pada Contoh 7-1, di mana permintaan susu mingguan adalah
D1 = 120, D2 = 127, D3 = 114, dan D4 = 122 galon selama empat minggu terakhir.
Permintaan perkiraan untuk Periode 5 menggunakan smoothing eksponensial sederhana
dengan α = 0,1.

Analisis

Dalam hal ini, kami memiliki data permintaan untuk n = 4 periode. Menggunakan
Persamaan 7.11, estimasi awal level (dibulatkan menjadi 2 desimal) diekspresikan oleh

Prakiraan untuk Periode 1 (menggunakan Persamaan 7.12) dengan demikian diberikan

oleh
Permintaan yang diamati untuk Periode 1 adalah D1 = 120. Kesalahan perkiraan untuk
Pertod 1 diberikan oleh

Dengan α = 0,1, estimasi revisi level untuk Periode 1 menggunakan Persamaan 7.13
diberikan oleh

Perhatikan bahwa estimasi level untuk Periode 1 lebih rendah daripada untuk Periode 0
karena permintaan dalam Periode 1 lebih rendah dari perkiraan untuk Periode 1. Dengan
demikian kita memperoleh F2 = L1 = 120,68. Mengingat bahwa D2 = 127, kita
memperoleh L2 = (0,1 × 127) + (0,9 × 120,68) = 121,31. Ini menghasilkan F 3 = L2 =
121,31.

Mengingat bahwa D3 = 114, kami memperoleh L3 = (0,1 x 114) + (0,9 x 121,31) = 120.58.
Ini menghasilkan F4 = L3 = 120,58. Mengingat bahwa D4 122, kami memperoleh L4 (0,1
x 122) + (0,9 x 120,58) = 120,72. Ini memberi F5 = L4 = 120.72.

PEMANASAN EKSPONENSIAL YANG TERKENANGKAN TREN (MODEL HOLT)

Metode smooth-exponential smoothing (model Holt) dikoreksi sesuai ketika permintaan

diasumsikan memiliki level dan tren dalam komponen sistematis, tetapi tidak ada
musiman. Dalam hal ini, kami punya

Komponen permintaan yang sistematis = level + tren

Kami memperoleh estimasi awal level dan tren dengan menjalankan regresi linier antara
permintaan, Dt, dan waktu, Periode t, dari formulir

Dt = at + b

Dalam hal ini, menjalankan regresi linier antara permintaan dan periode waktu adalah
tepat karena kami mengasumsikan bahwa permintaan memiliki tren tetapi tidak musiman.
Hubungan mendasar antara permintaan dan waktu adalah linear. Konstanta b mengukur
estimasi permintaan pada Periode t = 0 dan merupakan estimasi kami untuk level awal L0.
Alfa lereng mengukur tingkat perubahan dalam, permintaan per periode dan merupakan
estimasi awal kami terhadap tren T0.
Dalam Periode t, diberikan estimasi level Lt dan tren Tt, perkiraan untuk periode
mendatang dinyatakan sebagai

Setelah mengamati permintaan untuk Periode t, kami merevisi estimasi untuk level dan
tren sebagai berikut:

di mana a (0 < α < 1) adalah konstanta smoothing untuk level dan β (0 < β < 1) adalah
konstanta pemerata untuk tren. Perhatikan bahwa dalam masing-masing dari dua
pembaruan, estimasi yang direvisi (level atau tren) adalah rata-rata tertimbang dari nilai
yang diamati dan estimasi lama. Kami menggambarkan penggunaan model Holt dalam
Contoh 7-3 (lihat Contoh spreadsheet terkait 1-4 Bab 7).

CONTOH 7-3 MODEL HOLT

Sebuah produsen elektronik telah melihat permintaan untuk peningkatan MP3 player
terbaru selama enam bulan terakhir. Permintaan yang diamati (dalam ribuan) adalah D1
= 8,415, D2 = 8,732, D3 = 9,014, D4 = 9,808, D5 = 10,413, dan D6 = 11,961. Permintaan
perkiraan untuk Periode 7 menggunakan trend pemerataan eksponensial terkoreksi
dengan α = 0,1, β = 0,2.

Prakiraan untuk Periode 1 (menggunakan Persamaan 7.14) dengan demikian diberikan

oleh:

Permintaan yang diamati untuk Periode 1 adalah D1 = 8.415. Kesalahan untuk Periode 1
dengan demikian diberikan oleh

Dengan α = 0,1, β = 0,2, estimasi revisi level dan tren untuk Periode 1 menggunakan
Persamaan 7.15 dan 7.16 diberikan oleh
Perhatikan bahwa perkiraan awal untuk permintaan di Periode 1 terlalu rendah. Sebagai
hasilnya, pembaruan kami telah meningkatkan estimasi level L1, untuk Periode 1 dari
8.040 menjadi 8.078 dan estimasi tren dari 673 menjadi 681. Dengan menggunakan
Persamaan 7.14, dengan demikian kami memperoleh ramalan berikut untuk Periode 2:

Melanjutkan dengan cara ini, kita memperoleh L2 = 8.755, T2 = 680, L3 = 9.393, T3 =

672, L4 = 10.039, T4 = 666, L5 = 10676, T5 = 661, L6 = 11.399, T6 = 673. Ini memberi
kita perkiraan untuk Periode 7 dari

CONTOH 7-4 MODEL WINTER

Pertimbangkan data permintaan Tahoe Salt pada Tabel 7-1. Permintaan ramalan untuk
Periode 1 menggunakan tren dan smoothing eksponensial musiman-dikoreksi dengan α =
0,1, β = 0,2, γ = 0,1.

Analisis

Kami memperoleh estimasi awal dari level, tren, dan faktor musiman persis seperti pada
kasus statis. Mereka diungkapkan sebagai berikut:

Prakiraan untuk Periode 1 (menggunakan Persamaan 7.17) dengan demikian diberikan

oleh

Dengan α = 0,1, β = 0,2, γ = 0,1, estimasi revisi tingkat dan tren untuk Periode 1 dan
faktor musiman untuk Periode 5, menggunakan Persamaan 7.18, 7.19, dan 7.20, diberikan
oleh
Ramalan permintaan untuk Periode 2 (menggunakan Persamaan 7.17) dengan demikian
diberikan oleh

Metode peramalan yang telah kita diskusikan dan situasi di mana mereka berlaku
umumnya adalah sebagai berikut:

Jika Tahoe Salt menggunakan metode peramalan adaptif untuk data jual-beli yang
diperoleh dari pengecernya, model Winter adalah pilihan terbaik, karena permintaannya
mengalami tren dan musim.

Jika kita tidak tahu bahwa Tahoe Salt mengalami tren dan musim, bagaimana kita bisa
mengetahuinya? Kesalahan ramalan membantu mengidentifikasi contoh di mana metode
perkiraan yang digunakan tidak sesuai. Di bagian berikutnya, kami mendeskripsikan
bagaimana seorang manajer dapat memperkirakan dan menggunakan kesalahan
perkiraan.

V. TINDAKAN KESALAHAN PERKIRAAN

Seperti disebutkan sebelumnya, setiap contoh permintaan memiliki komponen acak.

Metode peramalan yang baik harus membatasi komponen permintaan yang sistematis
tetapi tidak dengan eehiponent acak. Komponen acak memanifestasikan dirinya dalam
bentuk kesalahan perkiraan. Kesalahan ramalan mengandung informasi berharga dan
harus dianalisis dengan cermat karena dua alasan:

1. Manajer menggunakan analisis kesalahan untuk menentukan apakah metode

peramalan saat ini memprediksi komponen permintaan yang sistematis secara
akurat. Misalnya, jika metode peramalan secara konsisten menghasilkan
kesalahan positif, metode peramalan melebih-lebihkan komponen sistematis dan
harus diperbaiki.
2. Semua paket darurat harus memperhitungkan kesalahan perkiraan. Pertimbangkan
perusahaan pemesanan lewat surat dengan dua pemasok. Yang pertama adalah di
Timur Jauh dan memiliki waktu dua bulan. Yang kedua adalah lokal dan dapat
mengisi pesanan dengan pemberitahuan satu minggu. Pemasok lokal lebih mahal
daripada pemasok Timur Jauh. Perusahaan mail-order ingin mengontrak sejumlah
 kapasitas kontingensi tertentu dengan pemasok lokal untuk digunakan jika
permintaan melebihi jumlah yang disediakan pemasok Timur Jauh. Keputusan
mengenai jumlah kapasitas lokal untuk kontrak terkait erat dengan ukuran
kesalahan perkiraan dengan waktu tunggu dua bulan.

Selama kesalahan yang diamati berada dalam perkiraan kesalahan historis, perusahaan
dapat terus menggunakan metode perkiraan saat ini. Menemukan kesalahan yang jauh
melampaui perkiraan historis dapat menunjukkan bahwa metode perkiraan yang
digunakan tidak lagi sesuai atau permintaan telah berubah secara mendasar. Jika semua
perkiraan perusahaan cenderung secara konsisten melebih-lebihkan atau meremehkan
permintaan, ini bisa menjadi sinyal lain bahwa perusahaan harus mengubah metode
perkiraannya.

Seperti yang didefinisikan sebelumnya, kesalahan perkiraan untuk Periode t diberikan

oleh Et, di mana yang berikut ini berlaku:

Et = Ft – Dt

Artinya, kesalahan dalam Periode t adalah perbedaan antara perkiraan untuk Periode t dan
permintaan aktual dalam Periode t. Adalah penting bahwa seorang manajer
memperkirakan kesalahan perkiraan yang dibuat setidaknya sejauh di muka sebagai
waktu yang diperlukan bagi manajer untuk mengambil tindakan apa pun dari ramalan
yang akan digunakan. Misalnya, jika perkiraan akan digunakan untuk menentukan ukuran
pesanan dan waktu tunggu pemasok adalah enam bulan, manajer harus memperkirakan
kesalahan perkiraan yang dibuat enam bulan sebelum permintaan muncul. Dalam situasi
dengan lead time enam bulan, tidak ada gunanya memperkirakan kesalahan untuk
perkiraan yang dibuat satu bulan sebelumnya.

Salah satu ukuran kesalahan ramalan adalah kesalahan kuadrat rata-rata adalah mean
squared error (MSE), di mana yang berikut ini berlaku (penyebut dalam Persamaan 7.21
juga dapat memiliki n - 1 bukannya n):

MSE dapat dikaitkan dengan varian kesalahan prakiraan. Akibatnya, kami

memperkirakan bahwa komponen permintaan acak memiliki rata-rata 0 dan varian MSE.
MSE menghukum kesalahan besar jauh lebih signifikan daripada kesalahan kecil karena
semua kesalahan dikuadratkan. Jadi, jika kita memilih metode perkiraan dengan
meminimalkan MSE, metode dengan urutan kesalahan perkiraan 10, 12, 9, dan 9 akan
lebih disukai daripada metode dengan urutan kesalahan 1, 3, 2, dan 20. Dengan demikian,
adalah ide yang baik untuk menggunakan MSE untuk membandingkan metode perkiraan
jika biaya kesalahan besar jauh lebih besar daripada keuntungan dari perkiraan yang
sangat akurat. Menggunakan MSE sebagai ukuran kesalahan adalah tepat ketika
kesalahan perkiraan memiliki distribusi yang simetris tentang nol.

Tetapkan deviasi absolut dalam Periode t, At, sebagai nilai absolut dari kesalahan dalam
Periode t; itu adalah,

At = IEt I

Tetapkan mean absolute deviation (MAD) sebagai rata-rata deviasi absolut pada semua
periode, seperti yang dinyatakan oleh

MAD dapat digunakan untuk memperkirakan standar deviasi komponen acak dengan
asumsi bahwa komponen acak terdistribusi secara normal. Dalam hal ini simpangan baku
dari komponen acak adalah

Kami kemudian memperkirakan bahwa rata-rata komponen acak adalah 0, dan standar
deviasi komponen permintaan acak adalah σ. MAD adalah ukuran kesalahan yang lebih
baik daripada MSE jika kesalahan ramalan tidak memiliki distribusi simetris. Bahkan
ketika distribusi kesalahan simetris, MAD adalah pilihan yang tepat ketika memilih
metode perkiraan jika biaya perkiraan kesalahan sebanding dengan ukuran kesalahan.

Rata-rata mean absolute percentage error (MAPE) adalah kesalahan absolut rata-rata
sebagai persentase permintaan dan diberikan oleh

MAPE adalah ukuran kesalahan ramalan yang baik ketika ramalan yang mendasarinya
memiliki musim yang signifikan dan permintaan bervariasi dari satu periode ke periode
berikutnya. Pertimbangkan skenario di mana dua metode digunakan untuk membuat
prakiraan triwulanan untuk suatu produk dengan permintaan musiman yang memuncak
pada kuartal ketiga. Metode 1 mengembalikan kesalahan perkiraan 190, 200, 245, dan
180; Metode 2 mengembalikan kesalahan perkiraan 100, 120, 500, dan 100 selama empat
kuartal. Metode 1 memiliki MSE dan MAD yang lebih rendah dibandingkan dengan
Metode 2 dan akan lebih disukai jika salah satu kriteria digunakan. Namun, jika
permintaan sangat musiman, dan rata-rata 1.000, 1.200, 4.800, dan 1.100 dalam empat
periode, Metode 2 menghasilkan MAPE sebesar 9,9 persen, sedangkan Metode 1
menghasilkan MAPE yang jauh lebih tinggi, 14,3 persen. Dalam hal ini, dapat dikatakan
bahwa Metode 2 harus lebih disukai daripada Metode 1.

Ketika metode ramalan berhenti mencerminkan pola permintaan yang mendasarinya

(misalnya, jika permintaan turun secara signifikan seperti yang terjadi pada industri
otomotif pada 2008 2009), kesalahan ramalan tidak mungkin didistribusikan secara acak
di sekitar 0. Secara umum, orang memerlukan metode untuk melacak dan mengontrol
metode perkiraan. Salah satu pendekatan adalah dengan menggunakan jumlah kesalahan
perkiraan untuk mengevaluasi bias, di mana yang berikut ini berlaku

Bias akan berfluktuasi di sekitar 0 jika kesalahannya benar-benar acak dan tidak bias satu
arah atau yang lain. Idealnya, jika kita memplot semua kesalahan, kemiringan garis lurus
terbaik yang melewati harus 0.

Tracking Signal (TS) adalah rasio bias dan MAD dan diberikan sebagai

Jika TS pada periode apa pun berada di luar rentang + 6, ini merupakan sinyal bahwa
perkiraan tersebut bias dan bisa di bawah prakiraan (TS <= 6) atau di atas prakiraan (TS>
+6). Ini mungkin terjadi karena metode peramalan cacat atau pola permintaan yang
mendasarinya telah bergeser. Salah satu contoh di mana TS negatif besar akan terjadi
terjadi ketika permintaan memiliki tren pertumbuhan dan manajer menggunakan metode
perkiraan seperti moving average. Karena tren tidak dimasukkan, rata-rata permintaan
historis selalu lebih rendah dari permintaan di masa depan. TS negatif mendeteksi bahwa
metode peramalan secara konsisten meremehkan permintaan dan memperingatkan
manajer.

Sinyal pelacakan juga dapat menjadi besar ketika permintaan tiba-tiba turun (seperti yang
terjadi pada banyak industri pada tahun 2009) atau meningkat dengan jumlah yang
signifikan, membuat data historis kurang relevan. Jika permintaan tiba-tiba turun, masuk
akal untuk menambah bobot pada data saat ini relatif terhadap data yang lebih tua saat
membuat perkiraan. McClain (1981) merekomendasikan metode "declining alpha" ketika
menggunakan smoothing eksponensial ketika konstanta smoothing mulai besar (untuk
memberi bobot lebih besar pada data terkini) tetapi kemudian menurun seiring waktu. Jika
kita bertujuan untuk konstanta smoothing jangka panjang dari α = 1- ρ, pendekatan alpha
yang menurun akan dimulai dengan α0 = 1 dan reset konstanta smoothing sebagai berikut:

Dalam jangka panjang, konstanta penghalusan akan menyatu ke α = 1 - ρ dengan

perkiraan menjadi lebih stabil dari waktu ke waktu.

VI. PILIH KONSTAN HAL TERBAIK

Ketika menggunakan smoothing eksponensial, nilai konstanta smoothing yang dipilih

memiliki dampak langsung pada sensitivitas perkiraan terhadap data terkini. Jika seorang
manajer memiliki pemahaman yang baik tentang pola permintaan yang mendasarinya,
yang terbaik adalah menggunakan konstanta perataan yang tidak lebih besar dari 0,2.
Secara umum, yang terbaik adalah memilih konstanta smoothing yang meminimalkan
istilah kesalahan yang paling nyaman bagi seorang manajer dari kalangan MSE, MAD,
dan MAPE. Dengan tidak adanya preferensi di antara istilah kesalahan, yang terbaik
adalah memilih konstanta smoothing yang meminimalkan MSE.
Kami menggambarkan dampak dari memilih konstanta smoothing yang meminimalkan
ukuran kesalahan yang berbeda menggunakan data permintaan 10-periode yang
ditunjukkan dalam sel B3: B12 dari Gambar 7-5 (disertai spreadsheet Bab 7-Tahoe-garam
dan lembar kerja Gambar 7-5, o). Level awal diperkirakan menggunakan Persamaan 7.11
dan ditunjukkan dalam sel C2. Konstanta penghalusan a diperoleh dengan menggunakan
Solver dengan meminimalkan MSE (sel F13) pada akhir 10 periode seperti yang
ditunjukkan pada Gambar 7-5. Perkiraan yang ditunjukkan pada Gambar 7-5
menggunakan hasil = = 2,1 persen. 0,54 dan memberikan MSE = 2,460, MAD = 42,5, dan
MAPE Konstanta smoothing juga dapat dipilih menggunakan Solver dengan
meminimalkan MAD atau MAPE pada akhir 10 periode. Pada Gambar 7-6, kami
menunjukkan hasil dari meminimalkan MAD (sel G13). Prakiraan dan kesalahan dengan
hasil α = 0,32 ditunjukkan pada Gambar 7-6. Dalam hal ini, MSE meningkat menjadi
2.570 (dibandingkan dengan 2.460 pada Gambar 7-5), sedangkan MAD menurun menjadi
39.2 (dibandingkan dengan 42.5 pada Gambar 7-5) dan MAPE menurun menjadi 2.0
persen (dibandingkan dengan 2.1 persen pada Gambar 7-5). Perbedaan utama antara
kedua perkiraan adalah dalam Periode 9 (periode dengan kesalahan terbesar, ditunjukkan
dalam sel D11), ketika meminimalkan MSE mengambil konstanta penghalusan yang
mengurangi kesalahan besar, sedangkan meminimalkan MAD mengambil konstanta
smoolhing yang memberikan bobot yang sama dengan penukaran. semua kesalahan
bahkan jika kesalahan besar menjadi agak besar.

Secara umum, itu bukan ide yang baik untuk menggunakan konstanta smoothing jauh
lebih besar dari 0,2 untuk periode waktu yang lama. Konstanta smoothing yang lebih besar
dapat dibenarkan untuk periode waktu singkat ketika permintaan sedang dalam transisi.
Namun, itu harus dihindari secara umum untuk periode waktu yang lama.

VII. PERMINTAAN PERMINTAAN PADA SALT TAHOE

Ingat contoh Tahoe Salt sebelumnya dalam bab ini dengan permintaan historis penjualan
dari peritelnya, ditunjukkan pada Tabel 7-1. Data permintaan juga ditunjukkan pada
kolom B pada Gambar 7-7 (lihat spreadsheet terkait Bab 7-Tahoe-salt). Tahoe Salt saat
ini sedang menegosiasikan kontrak dengan pemasok untuk empat kuartal antara kuartal
kedua Tahun 4 dan kuartal pertama Tahun 5. Input penting ke dalam negosiasi ini adalah
perkiraan permintaan bahwa Tahoe Salt dan pengecernya membangun secara kolaboratif.
Mereka telah menugaskan tim yang terdiri dari dua manajer penjualan dari pengecer dan
wakil presiden operasi untuk Tahoe Salt - untuk membuat ramalan ini. Tim peramalan
memutuskan untuk menerapkan masing-masing metode peramalan adaptif yang dibahas
dalam bab ini pada data historis. Tujuannya adalah untuk memilih metode peramalan yang
paling tepat dan kemudian menggunakannya untuk meramalkan permintaan untuk empat
kuartal berikutnya. Tim memutuskan untuk memilih metode peramalan berdasarkan
kesalahan yang terjadi ketika setiap metode digunakan pada 12 kuartal dari data
permintaan historis.
Permintaan dalam hal ini jelas memiliki kecenderungan dan musiman dalam komponen
sistematis. Dengan demikian, tim awalnya mengharapkan model Musim Dingin untuk
menghasilkan perkiraan terbaik.

Moving Average

Tim peramalan awalnya memutuskan untuk menguji rata-rata bergerak empat periode
untuk peramalan. Semua perhitungan ditunjukkan pada Gambar 7-7 (lihat lembar kerja
Gambar 7-7 dalam lembar kerja Bab 7-Tahoe-salt) dan seperti yang dibahas pada bagian
tentang metode rata-rata bergerak sebelumnya dalam bab ini. Tim menggunakan
Persamaan 7.9 untuk memperkirakan tingkat dan Persamaan 7.10 untuk memperkirakan
permintaan.
Seperti yang ditunjukkan oleh kolom K pada Gambar 7-7, TS berada dalam kisaran t6,
yang menunjukkan bahwa perkiraan menggunakan moving average empat periode tidak
mengandung bias yang signifikan. Namun demikian, memiliki MAD12 yang cukup besar
dari 9.719, dengan MAPE12 sebesar 49 persen. Dari Gambar 7-7, amati itu

L12 = 24.500

Dengan demikian, menggunakan rata-rata bergerak empat periode, perkiraan untuk

Periode 13 hingga 16 (menggunakan Persamaan 7.10) diberikan oleh

F13 = F14 = F15 = F16 = L12 = 24.500

Mengingat bahwa MAD12 adalah 9,719, perkiraan standar deviasi kesalahan perkiraan,
menggunakan rata-rata bergerak empat periode, adalah 1,25 x 9,719 = 12,149. Dalam hal
ini, standar deviasi kesalahan ramalan cukup besar relatif terhadap ukuran ramalan.

Simple Exponential Smoothing

Tim peramalan selanjutnya menggunakan pendekatan smoothing eksponensial sederhana,

dengan α = 0,1, untuk memperkirakan permintaan. Metode ini juga diuji pada 12 perempat
data historis. Menggunakan Persamaan 7.11, tim memperkirakan tingkat awal untuk
Periode 0 menjadi permintaan rata-rata untuk Periode 1 hingga 12 (lihat lembar kerja
Gambar 7-8). Level awal adalah rata-rata entri permintaan dalam sel B3 ke B14 pada
Gambar 7-8 dan menghasilkan

L0 = 22,083

Tim kemudian menggunakan Persamaan 7.12 untuk memperkirakan permintaan untuk

periode selanjutnya. Taksiran level diperbarui setiap periode menggunakan Persamaan
7.13. Hasilnya ditunjukkan pada Gambar 7-8.

Seperti yang ditunjukkan oleh TS, yang berkisar antara 1,38 hingga 2,15, perkiraan
menggunakan penghalusan eksponensial sederhana dengan a = 0,1 tidak menunjukkan
bias yang signifikan. Namun, ia memiliki MAD12 yang cukup besar dari 10.208, dengan
MAPE12 sebesar 59 persen. Dari Gambar 7 8,

L12 = 23,490

Jadi, perkiraan untuk empat kuartal berikutnya (menggunakan Persamaan 7.12) diberikan
oleh

F13 = F14 = F15 = F16 = L12 = 23,490

Dalam hal ini, MAD12 adalah 10.208 dan MAPE12 adalah 59 persen. Dengan demikian,
estimasi standar deviasi dari kesalahan ramalan menggunakan penghalusan eksponensial
sederhana adalah 1,25 x 10.208 = 12.760. Dalam hal ini, standar deviasi kesalahan
ramalan cukup besar relatif terhadap ukuran ramalan.

Trend-Corrected Exponential Smoothing (Model Holt)

Tim selanjutnya menyelidiki penggunaan model Holt. Dalam hal ini, komponen
sistematis permintaan diberikan oleh

Komponen permintaan yang sistematis = level + tren

Tim menerapkan metodologi yang dibahas sebelumnya. Sebagai langkah pertama, ia

memperkirakan level pada Periode 0 dan tren awal. Seperti dijelaskan dalam Contoh 7.3,
estimasi ini diperoleh dengan menjalankan regresi linier antara permintaan, D, dan waktu,
Periode t. Dari regresi data yang tersedia (lihat regresi holts lembar kerja), tim
mendapatkan yang berikut ini

L0 = 12.015 dan T0 = 1.549

Tim sekarang menerapkan model Holt dengan α = 0,1 dan β 0,2 untuk mendapatkan
prakiraan masing-masing dari 12 kuartal dimana data permintaan tersedia (lihat lembar
kerja Gambar 7-9) Mereka membuat prakiraan menggunakan Persamaan 7.14,
memperbarui level menggunakan Persamaan 7.15, dan perbarui tren menggunakan
Persamaan 7.16. Hasilnya ditunjukkan pada Gambar 7-9.

Seperti yang ditunjukkan oleh TS yang berkisar dari -2.15 hingga 2.00, smooth-
exponentral smooth-corrected dengan a = 0,1 dan 3 ramalan memiliki MAD yang cukup
besar, 2of 8,836, dengan a = 0,1 dan B = 0,2 tampaknya tidak terlalu signifikan atas atau
di bawah perkiraan. Namun, perkiraan tersebut memiliki MAD12 yang cukup besar
sebesar 8,836, dengan MAPE12 sebesar 52 persen. Dari Gambar 7-9 amati itu

L12 = 30.443 and T12 = 1.541

Dengan demikian, menggunakan model Holt (Persamaan 7.14), perkiraan untuk empat
periode berikutnya diberikan sebagai berikut:

Dalam hal ini, MAD12 = 8,836. Dengan demikian, estimasi standar deviasi kesalahan
perkiraan menggunakan model Holt dengan a = 0,1 dan B = 0,2 adalah 1,25 x 8,836 =
11,045. Dalam hal ini, standar deviasi kesalahan perkiraan relatif terhadap ukuran
perkiraan agak lebih kecil daripada dua metode sebelumnya. Namun, itu masih cukup
besar.
Trend- and Seasonality-Corrected Exponential Smoothing (Winter’s Model)

Tim selanjutnya menyelidiki penggunaan model Winter untuk membuat ramalan. Sebagai
langkah pertama, ia memperkirakan level dan tren untuk Periode 0, dan faktor musiman
untuk Periode 1 hingga p = 4. Untuk memulainya, permintaan akan dinasionalisasi (lihat
lembar kerja yang dinasionalisasi). Kemudian, tim memperkirakan tingkat dan tren awal
dengan menjalankan regresi antara permintaan dan waktu yang tidak masuk akal (lihat
regresi lembar kerja musim dingin). Informasi ini digunakan untuk memperkirakan faktor
musiman (lihat lembar kerja yang dinasionalisasi). Untuk data permintaan pada Gambar
7-2, seperti dibahas dalam Contoh 7-4, tim memperoleh yang berikut:

Kemudian menerapkan model Winter dengan α = 0,05, β = 0,1 untuk mendapatkan

perkiraan. Semua perhitungan ditunjukkan pada Gambar 7-10 (lihat lembar kerja Gambar
7-10), Tim membuat perkiraan menggunakan Persamaan 7.17, memperbarui level
menggunakan Persamaan 7.18, memperbarui tren menggunakan Persamaan 7.19, dan
memperbarui faktor musiman menggunakan Persamaan 7.20.
Dalam hal ini, MAD 1,469 dan MAPE 8 persen secara signifikan lebih rendah daripada
yang diperoleh dengan metode lain mana pun. Dari Gambar 7-10, amati itu

Menggunakan model Winter (Persamaan 7.17), perkiraan untuk empat periode berikutnya
adalah

Dalam hal ini, MAD12 = 1,469. Dengan demikian, estimasi standar deviasi kesalahan
perkiraan menggunakan model Winter dengan a = 0,05, b = 0,1, dan g = 0,1 adalah 1,25
x 1,469 = 1,836. Dalam hal ini, standar deviasi kesalahan ramalan relatif terhadap ramalan
permintaan jauh lebih kecil daripada dengan metode lainnya.

Tim menyusun estimasi kesalahan untuk empat metode perkiraan seperti yang
ditunjukkan pada Tabel 7-2.

Berdasarkan informasi kesalahan pada Tabel 7-2, tim peramalan memutuskan untuk
menggunakan model Winter. Tidak mengherankan bahwa model Winter menghasilkan
perkiraan yang paling akurat, karena data permintaan memiliki tren pertumbuhan dan juga
musiman. Menggunakan model Winter, tim memperkirakan permintaan berikut untuk
empat kuartal mendatang:

VIII. PERAN IT DALAM PERAMALAN

Ada peran alami untuk TI dalam peramalan, mengingat banyaknya data yang terlibat,
frekuensi peramalan dilakukan, dan pentingnya mendapatkan hasil dengan kualitas
setinggi mungkin. Paket prakiraan yang baik menyediakan prakiraan di berbagai produk
yang diperbarui secara real time dengan memasukkan informasi permintaan baru. Ini
membantu perusahaan merespons dengan cepat terhadap perubahan di pasar dan
menghindari biaya dari reaksi yang tertunda. Modul perencanaan permintaan yang baik
tidak hanya menghubungkan pesanan pelanggan tetapi juga secara langsung dengan
informasi penjualan pelanggan, sehingga menggabungkan data terkini ke dalam perkiraan
permintaan. Hasil positif dari investasi dalam sistem ERP telah menjadi peningkatan
signifikan dalam transparansi rantai pasokan dan integrasi data, sehingga memungkinkan
perkiraan yang lebih baik. Meskipun peningkatan teknis ini dapat membantu
menghasilkan perkiraan yang lebih baik, perusahaan harus mengembangkan kemampuan
organisasi yang diperlukan untuk mengambil keuntungan dari peningkatan ini.

Selain menyediakan perpustakaan yang kaya metodologi peramalan, modul perencanaan

permintaan yang baik harus memberikan dukungan dalam membantu memilih model
peramalan yang tepat untuk pola permintaan yang diberikan. Ini menjadi sangat penting
karena perpustakaan metodologi ramalan yang tersedia telah berkembang.

Seperti yang disarankan oleh perencanaan permintaan nama, modul-modul ini

memfasilitasi pembentukan permintaan. Modul perencanaan permintaan yang baik berisi
alat untuk melakukan analisis bagaimana-jika mengenai dampak potensi perubahan harga
pada permintaan. Alat-alat ini membantu menganalisis dampak promosi terhadap
permintaan dan dapat digunakan untuk menentukan tingkat dan waktu promosi. Tautan
ini dibahas secara lebih rinci di Bab 9 di bawah perencanaan penjualan dan operasi.

Perkembangan penting adalah penggunaan data berkorelasi permintaan (mis. Harga,

cuaca, pembelian lainnya, data sosial) untuk meningkatkan akurasi perkiraan atau, dalam
beberapa kasus, memacu permintaan. Dalam kasus yang dipublikasikan dengan baik,
Target memperkirakan bahwa wanita hamil berdasarkan produk lain yang mereka beli.
Pembelian “cocoa-butter lotion, dompet yang cukup besar untuk digandakan sebagai tas
popok, suplemen seng dan magnesium, dan karpet biru cerah” adalah prediktor kuat
kehamilan wanita. Target kemudian menggunakan informasi ini untuk mengirim kupon
yang cocok ke menarik para wanita ini atau suaminya untuk mengunjungi Target dan
membeli produk-produk yang berhubungan dengan bayi. Sistem canggih seperti ini dapat
digunakan tidak hanya untuk meningkatkan akurasi perkiraan tetapi juga mengidentifikasi
peluang pemasaran yang sesuai untuk memacu permintaan di masa depan.

Perlu diingat bahwa tidak ada alat ini yang sangat mudah. Ramalan hampir selalu tidak
akurat. Sistem TI yang baik harus membantu melacak kesalahan prakiraan historis
sehingga dapat dimasukkan ke dalam keputusan di masa mendatang. Prakiraan yang
terstruktur dengan baik, bersama dengan ukuran kesalahan, dapat secara signifikan
meningkatkan pengambilan keputusan. Bahkan dengan semua alat canggih ini, terkadang
lebih baik mengandalkan intuisi manusia dalam peramalan. Salah satu perangkap dari
alat-alat TI ini adalah terlalu mengandalkannya, yang menghilangkan elemen manusia
dalam peramalan. Gunakan ramalan dan nilai yang mereka berikan, tetapi ingatlah bahwa
mereka tidak dapat menilai beberapa aspek yang lebih kualitatif tentang permintaan di
masa depan yang mungkin dapat Anda lakukan sendiri