MODUL PERKULIAHAN

Supply Chain
Management

Peramalan

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

05
Teknik Teknik Industri 16075 Uly Amrina, ST, MM

Abstract Kompetensi
Peramalan sangat berkaitan dengan Memahami dan mampu melakukan
pengelolaan permintaan produk. Tujuan peramalan permintaan yang
pengelolaan permintaan produk adalah mempengaruhi kinerja manajemen
untuk mengoordinasikan dan rantai pasok
mengawasi semua sumber daya
permintaan sehingga sistem produksi
dapat digunakan secara efisien dan
 produk dapat dikirim tepat waktu.

Peramalan
Pengertian Peramalan

Peramalan adalah gabungan antara seni dan ilmu pengetahuan untuk memprediksi kejadian
di masa datang. Di mana kejadian di masa datang diprediksikan berdasarkan pada kejadian
di masa lalu. Satu dekade yang lalu, peramalan lebih banyak menggunakan seni dalam
melakukan prediksi. Akan tetapi, sekarang peramalan sudah menggunakan metode dan
perhitungan matematika yang cukup canggih untuk memprediksi masa depan.

Pembahasan mengenai peramalan dapat dimulai dengan pembahasan mengenai

pengelolaan permintaan. Peramalan sangat berkaitan dengan pengelolaan permintaan
produk. Tujuan pengelolaan permintaan produk adalah untuk mengoordinasikan dan
mengawasi semua sumber daya permintaan sehingga sistem produksi dapat digunakan
secara efisien dan produk dapat dikirim tepat waktu. Dari mana datangnya permintaan
produk atau jasa suatu perusahaan dan apa yang dapat dilakukan perusahaan untuk
mengelolanya? Terdapat dua sumber permintaan, yaitu permintaan terikat (dependent
demand) dan permintaan bebas (independent demand).

Permintaan terikat adalah permintaan terhadap suatu produk atau jasa yang disebabkan
oleh adanya permintaan terhadap produk atau jasa lainnya. Permintaan bebas adalah
permintaan yang tidak terikat dengan permintaan produk lainnya. Contohnya, apabila suatu
perusahaan menjual 1.000 buah sepeda roda tiga maka berarti diperlukan 1.000 buah roda
depan dan 2.000 buah roda belakang.

Permintaan mengenai berapa terjualnya sepeda roda tiga tersebut dinamakan permintaan
bebas, sedangkan permintaan terhadap roda sepeda dinamakan permintaan terikat karena
tergantung dari berapa banyak permintaan terhadap sepeda. Suatu permintaan dapat
dipengaruhi oleh dua faktor, yaitu faktor internal dan faktor ekstemal.

1. Faktor Eksternal
Faktor eksternal yang mempengaruhi permintaan terhadap produk atau jasa perusahaan
merupakan faktor di luar kontrol perusahaan. Perkembangan ekonomi merupakan salah
satu contoh pengaruh yang bersifat positif walaupun dampaknya bisa beragam terhadap
berbagai produk atau jasa perusahaan. Semen tara itu, beberapa akti vitas ekonomi

2016 Supply Chain Management

2 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
tertentu, seperti perubahan peraturan pemerintah dapat mempengaruhi permintaan suatu
produk atau jasa, tetapi tidak semua produk atau jasa dapat dipengaruhi. Misalnya,
peraturan pemerintah mengenai pembatasan penggunaan batu sulfur di pabrik-pabrik
pembangkit listrik akan mengurangi permintaan batu sulfur itu sendiri, tetapi tidak
mempengaruhi permintaan listrik. Faktor ekstemal lainnya, misalnya perubahan selera
konsumen. Perubahan selera konsumen dapat berubah dengan sangat cepat, misalnya
pada industri fashion. Citra konsumen terhadap suatu produk juga merupakan faktor
penentu lainnya. Misalnya, di akhir dekade ini, permintaan tembakau di Amerika Serikat
menurun drastis karena masyarakat semakin sadar terhadap bahaya tembakau bagi
kesehatan. Selain itu, tindakan-tindakan pesaing yang meliputi harga, promosi, serta produk
baru juga dapat mempengaruhi produk atau jasa perusahaan. Misalnya, semenjak United
Parcel Service mengutamakan kecepatan dan ketepatan pengiriman barang maka hal ini
berdampak terhadap permintaan penyedia jasa sejenis lainnya, seperti FedEx atau DHL.

2. Faktor Internal
Faktor internal yang dapat mempengaruhi permintaan, misalnya keputusan internal
mengenai desain produk atau jasa, harga dan promosi periklanan, desain pengepakan,
kuota insentif bagi tenaga penjual, serta ekspansi. Konsep pengelolaan permintaan
menggambarkan proses pengaruh waktu dan volume permintaan atau adaptasi terhadap
pola permintaan yang sulit diubah. Misalnya, pabrik mobil menggunakan potongan harga
khusus untuk mendongkrak penjualan mobil. Manajemen harus benar-benar memperhatikan
waktu permintaan. Usaha untuk memproduksi permintaan konsumen di saat-saat periode
permintaan puncak malah akan menimbulkan biaya yang sangat besar. Untuk mengatasi
hal ini, perusahaan dapat menggunakan insentif harga atau promosi periklanan untuk
mendorong konsumen melakukan pembelian sebelum dan sesudah masa-masa puncak.
permintaan. Misalnya, perusahaan telepon mendorong konsumen untuk melakukan telepon
ke luar kota di luar jam-jam sibuk melalui diskon tarif percakapan. Hal ini dapat membantu
meratakan permintaan konsumen setiap harinya, cara lain yang dapat digunakan, misalnya
memproduksi dua produk yang memiliki periode permintaan musiman yang berbeda.
Misalnya, sebuah pabrik pembuat mesin traktor juga memproduksi mesin penyapu salju
untuk menstabilkan produksi dan permintaan sepanjang tahun. Cara lain adalah melakukan
penjadwalan kembali terhadap penyampaian produk atau jasa kepada konsumen
berdasarkan beban kerja dan kapasitas saat ini. Misalnya, dokter umum atau dokter gigi
menggunakan pendekatan ini untuk menerima pasien melalui perjanjian terlebih dahulu
sesuai beban kerja yang ada saat ini. Permintaan kadangkala memiliki perilaku yang acak
dan tidak teratur, namun di lain waktu, dapat juga menunjukkan perilaku yang dapat ditebak
dengan pola berulang. Terdapat tiga tipe perilaku permintaan, yaitu pola tren, siklus, dan

2016 Supply Chain Management

3 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
musiman. Tren menunjukkan pergerakan permintaan dengan pola pergerakan naik atau
turun secara bertahap dalam jangka panjang. Contohnya, permintaan komputer
menunjukkan permintaan yang semakin meningkat pada dekade terakhir tanpa adanya
kecenderungan penurunan permintaan di pasar. Tren merupakan pola paling mudah untuk
mendeteksi perilaku permintaan dan sering kali juga menjadi titik awal untuk
mengembangkan peramalan. Coba Anda perhatikan Gambar 1 berikut ini.

Gambar 1 . Tren

Pada gambar tersebut, Anda dapat perhatikan bahwa terdapat pola tren utama dengan
pergerakan yang naik. Pada pola tersebut juga terdapat beberapa pola pergerakan acak
yang bersifat naik dan turun. Variasi merupakan pergerakan yang tidak dapat diprediksi dan
tidak mengikuti pola tertentu, itulah sebabnya sifatnya tidak dapat diprediksi. Siklus
merupakan pergerakan permintaan yang naik dan turun yang berulang dan terjadi dalam
jangka panjang (lebih dari satu tahun). Contohnya, permintaan peralatan olahraga musim
dingin akan naik tajam setiap empat tahun sebelum dan sesudah diadakannya olimpiade
musim dingin. Coba Anda perhatikan Gambar 2 berikut.

Gambar 2. Siklus
Pada gambar tersebut Anda dapat perhatikan bahwa pola naik dan turun selalu berulang
dalam jangka waktu yang kurang lebih sama. Pola musiman merupakan pola permintaan
yang bergerak bebas dan muncul secara periodik dalam jangka pendek serta berulang. Pola
musiman sering kali berkaitan dengan kondisi musim. Contohnya, pada musim hujan
permintaan payung dan jas hujan semakin meningkat atau meningkatnya permintaan
seragam pada setiap permintaan ajaran baru. Namun, pola musiman dapat muncul harian

2016 Supply Chain Management

4 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
maupun mingguan. Contohnya, restoran akan mengalami jam-jam sibuk pada saat waktu
makan siang dan gedung bioskop lebih ramai pada akhir minggu. Gambar 3 menunjukkan
pola musiman ketika perilaku permintaan yang sama selalu berulang setiap tahun pada
waktu yang sama.

Gambar 3. Pola Musiman

Di samping ketiga macam pola perilaku permintaan tersebut, sering kali permintaan muncul
dalam pola perilaku secara bersama, misalnya pola musiman juga mengikuti tren meningkat.
Contohnya, walaupun permintaan akan peralatan olahraga ski meningkat setiap musim ingin
tiba, namun demikian terdapat tren permintaan yang meningkat dalam dua dekade terakhir.
Coba Anda perhatikan Gambar 3.4 yang menunjukkan tren dengan pola musiman.

Gambar 4. Tren dengan Pola Musiman

Peramalan dalam Rantai Pasok

Peramalan dapat diartikan sebagai suatu prediksi atau perkiraan tentang apa yang akan
terjadi di masa yang akan datang. Peramalan mempunyai peran yang sangat besar dalam
operasi sebuah perusahaan bahkan dalam keseluruhan bisnis. Sebagai contoh, bahwa
terjadinya deviasi yang kecil antara peramalan terhadap aktual penjualan akan berdampak
pada perubahan kapasitas produksi, persediaan, dan penjadwalan ulang permintaan dari
pelanggan. Akan tetapi, bila deviasi yang terjadi cukup besar maka akan dapat

2016 Supply Chain Management

5 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
mengacaukan bisnis secara keseluruhan karena akan terjadi perubahan besar pada operasi
perusahaan yang dapat berdampak pada keuangan perusahaan terutama menyangkut
masalah modal kerja.

Ada tiga cara untuk mengakomodasi kekurangan pada peramalan, yaitu:

1. mengurangi kesalahan prediksi melalui teknik peramalan yang lebih baik;
2. membangun fleksibilitas yang lebih baik dalam operasi dan rantai pasok;
3. menurunkan lead time pada proses rantai pasok.

Peramalan permintaan merupakan dasar dari keseluruhan keputusan perencanaan strategik

dalam suatu rantai pasok. Untuk proses produksi yang bersifat push process, semua proses
dilakukan sebagai bentuk respon terhadap permintaan pelanggan. Untuk push process,
manajer harus merencanakan tingkat produksi. Pada pull process, manajer harus
merencanakan tingkat ketersediaan kapasitas dan persediaan. Untuk kepentingan tersebut,
manajer mula-mula harus meramalkan bagaimanakah pola permintaan pelanggan nantinya.
Meskipun ada ban yak jenis peramalan, di sini kita hanya akan membahas peramalan pada
permintaan output dari sebuah fungsi operasi atau produksi.

Permintaan dan penjualan tidak selalu sama. Apabila permintaan tidak dibatasi oleh
kapasitas produksi dan kebijakan perusahaan maka peramalan permintaan akan sama
dengan peramalan penjualan. Dalam hal ini, kita juga bisa menjelaskan tentang perbedaan
dari peramalan dan perencanaan. Peramalan membicarakan tentang apa yang akan terjadi
di masa depan, sedangkan perencanaan membicarakan tentang apa yang seharusnya
terjadi di masa depan.

Peramalan adalah salah satu masukan untuk seluruh jenis perencanaan bisnis dan
pengendalian, baik di dalam ataupun di luar fungsi operasi. Pemasaran menggunakan
peramalan untuk perencanaan sebuah produk baru, program pemasaran, promosi, dan
penetapan harga. Bagian keuangan memakai peramalan sebagai input untuk perencanaan
finansial. Peramalan juga dipakai sebagai masukan untuk keputusan dari operasi untuk
desain proses yang dipilih, perencanaan kapasitas dan persediaan. Peramalan memiliki
karakteristik tertentu. Perusahaan harus bersikap hati-hati terhadap karakteristik peramalan
sebagai berikut :
a. Peramalan selalu salah atau tidak tepat, oleh karenanya selalu terdiri dari nilai yang
diharapkan sekaligus pengukuran kesalahan peramalan. Untuk memahami
pentingnya pengukuran kesalahan peramalan, perhatikan contoh berikut. Terdapat
dua dealer mobil, salah satu dari mereka berharap penjualan berada pada kisaran

2016 Supply Chain Management

6 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 100 dan 1.900, sedangkan yang lain berharap penjualan berkisar pada 900 dan
1.100. Walaupun kedua dealer tersebut mengantisipasi permintaan dengan
menghitung rata-rata sebesar 1.000, sumber peramalan kedua dealer tersebut
tentunya tidaklah sama. Oleh karenanya, kesalahan peramalan (atau ketidakpastian
permintaan) haruslah digunakan sebagai input utama dalam keseluruhan keputusan
rantai pasok. Perkiraan mengenai ketidakpastian permintaan sering kali dilupakan
dalam melakukan peramalan sehingga menghasilkan estimasi yang sangat luas di
antara tahap-tahap dalam rantai pasok.
b. Peramalan jangka panjang sering kali kurang akurat dibandingkan dengan
peramalan jangka pendek. Oleh karena itu, peramalan jangka panjang memiliki
standar deviasi yang lebih besar daripada peramalan jangka pendek. Contohnya,
perusahaan 7-Eleven Jepang menggunakan proses yang menyebabkan mereka
mampu merespons permintaan pelanggan dalam hitungan jam. Jika datang pesanan
pada jam 10.00 maka pesanan tersebut akan dipenuhi pada jam 19.00 pada hari
yang sama. Manajer, oleh karenanya harus meramalkan apa yang mungkin akan
terjual malam itu kurang dari 12 jam sebelum pembelian senyatanya terjadi.
Peramalan jangka pendek tersebut mengakibatkan perhitungan yang lebih tepat
daripada jika manajer melakukan peramalan secara mingguan.
c. Peramalan agregat sering kali lebih akurat daripada peramalan disagregat karena
memiliki stan dar deviasi relatif terhadap mean yang lebih besar. Contohnya, untuk
menghitung Gross Domestic Product (GDP) suatu negara pada suatu tahun tertentu
akan lebih mudah dengan menggunakan kesalahan kurang dari dua persen.
Sebaliknya, untuk menghitung peramalan pendapatan tahunan suatu perusahaan
akan sangat sulit jika menggunakan kesalahan kurang dari dua persen. Demikian
pula jika melakukan peramalan pendapatan dari suatu produk akan lebih sulit lagi
jika menggunakan tingkat kesalahan yang sama. Perbedaan ketiga macam
peramalan tersebut adalah pada tingkat agregasi. Perhitungan GDP merupakan
kumpulan atau agregasi dari berbagai perusahaan dan penghasilan perusahaan
merupakan kumpulan dari berbagai lini produk. Semakin besar tingkat agregasi
maka semakin akurat peramalan yang dilakukan.
d. Pada umumnya, semakin jauh rantai pasok dari pelanggan mengakibatkan semakin
besamya distorsi informasi yang diterima. Contohnya, adanya bullwhip effect yaitu
ketika variasi permintaan semakin menjauh dari permintaan konsumen akhir.
Hasilnya, semakin panjang rantai pasok, semakin besar tingkat kesalahan
peramalan. Kombinasi peramalan berdasarkan penjualan konsumen akhir dapat
membantu perusahaan mengurangi tingkat kesalahan.

2016 Supply Chain Management

7 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Metode Peramalan Kualitatif

Metode peramalan kualitatif merupakan metode yang bersifat subjektif dan lebih bergantung
pada pertimbangan manusia. Metode ini sesuai ketika data historis yang tersedia hanya
sedikit ataupun jika seorang pemasar memiliki kemampuan tinggi dalam membuat
peramalan. Dalam melakukan metode peramalan kualitatif banyak menggunakan
pertimbangan manajerial, pengalaman, data yang relevan, dan model matematis yang
implisit di dalam pengolahan datanya. Oleh karena sifat modelnya yang implisit maka bila
metode kualitatif dilakukan oleh dua orang manajer yang berbeda, keputusan yang diperoleh
bisa berbeda cukup signifikan juga. Terdapat empat jenis metode kualitatif yang sering
dipakai dalam peramalan, yaitu Delphi, market survey, life-cycles analogy, dan informed
judgement. Penjelasan mengenai masing-masing metode tersebut dapat dilihat pada
Tabel1.

Akurasi Identifikasi
Jangka Jangka Jangka
Terhadap
Metode Deskripsi Penggunaan Pendek Menengah Panjang Biaya
Titik
Perubahan
Delphi Peramalan Peramalan Cukup Cukup Cukup Cukup Menengah
dikembangkan penjualan sampai sampai sampai sampai sampai
dari sebuah jangka panjang sangat sangat sangat sangat baik tinggi
panel dari untuk baik baik baik
serangkaian perencanaan
jawaban para kapasitas
ahli
Market Panel, Peramalan Sangat Baik cukup Cukup tinggi
Survey kuesioner, tes untuk total baik sampai
pasar atau penjualan baik
survey perusahaan,
pendekatan group produk
data utama atau
produk individu
Life Cycle Prediksi Peramalan Jelek Cukup Cukup Jelek Menengah
Analogy berdasar pada untuk sampai sampai sampai
produk yang penjualan baik baik cukup
sejenis pada jangka panjang
saat fase yang
masuk pasar, digunakan utuk
pertumbuhan perencanaan
dan kapasitas atau
kejenuhan. fasilitas
Menggunakan
kurva

2016 Supply Chain Management

8 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 pertumbuhan
sales S shape
Informed Peramalan Peramalan Jelek Jelek Jelek Jelek Rendah
Judgemen dibuat oleh untuk sampai sampai sampai sampai
t group atau penjualan total cukup cukup cukup cukup
individu dan produk
dengan individu
berdasarkan
pada
pengalaman
atau fakta
yang terjadi.
Tidak ada
metode rinci
yang dipakai
Tabel 1. Metode Peramalan Kualitatif

Metode Peramalan Time Series

Metode Time Series mengandalkan penggunaan data lampau dengan asumsi data
permintaan dari waktu lampau bisa menjadi indikator bagus untuk memproyeksikan
permintaan di masa yang akan datang. Cara ini paling cocok untuk situasi di mana pola
permintaan tidak banyak berubah dari tahun ke tahun. Dianggap sebagai metode paling
sederhana yang bisa menjadi titik awal yang bagus dalam peramalan permintaan. Metode
Time Series sering kali banyak digunakan karena umumnya perusahaan mengasumsikan
data lampau bisa digunakan untuk memprediksi masa depan dan permintaan di masa depan
akan tidak jauh berbeda polanya dibanding permintaan di tahun-tahun lampau. Dengan
menggunakan dasar data lampau maka bisa dilihat pola pertumbuhan dan pengaruh faktor
musiman.

1. Metode Statis
Metode statis mengasumsikan bahwa estimasi level, trend, dan musiman tidak bervariasi
dengan observasi terhadap permintaan baru. Metode ini digunakan bilamana permintaan
mempunyai trend dan faktor musiman. Disebut statis karena menggunakan angka
parameter yang selalu sama dalam membuat peramalan, yaitu angka parameter yang
diperoleh dari perhitungan berdasarkan data lampau. Dalam hal ini, kita membahas
penggunaan metode statis ketika permintaan memiliki trend sekaligus musiman.

Systematic component= (level +trend) x seasonal factor

2016 Supply Chain Management

9 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Dalam metode statis, peramalan dalam periode t untuk permintaan dalam periode t+ 1
adalah sebagai berikut (Persamaan 1).

Ft+1 = [ L + ( t + l) T Jj St+ z
L = Estimate of level at t = 0 ( de-seasonlized demand estimate during Period t = 0)
T = Estimate of trend (increase or decrease in demand per period)
St = Estimate of seasonal factor for period t
Dt = Actual demand observed in period t
Ft = Forecast of demand for Period t

Pada metode ini, kita menggunakan tiga parameter, yaitu L, T, dan S. Perhatikan contoh
berikut. Tahoe Salt adalah perusahaan penghasil garam batu yang digunakan untuk
melelehkan salju. Pada masa lampau, Tahoe Salt mendasarkan pada estimasi permintaan
dari para pengecer, namun estimasi tersebut sering kali terlampau banyak sehingga
mengakibatkan menumpuknya persediaan di gudang. Untuk memperbaiki hal itu, Tahoe Salt
memutuskan untuk menggunakan peramalan kolaborasi. Tahoe Salt menggunakan data
permintaan selama tiga tahun terakhir yang dapat dibaca pada Tabel 2.

Tabel 2. Permintaan Kuartalan Tahoe Salt

Perusahaan memperkirakan bahwa permintaan akan terus tumbuh pada tahun-tahun

mendatang sesuai data historis. Kita sekarang akan melakukan estimasi terhadap tiga
parameter, yaitu level, trend, dan seasonality (L, T, dan S). Langkah pertama adalah
mengestimasi level dan trend. Pada langkah ini, kita mengestimasikan level pada periode
0 dan trend-nya. Sebelumnya, kita harus melakukan deseasonalized demand.
Deseasonalized demand menggambarkan permintaan yang telah diobservasi dalam

2016 Supply Chain Management

10 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
fluktuasi musiman. Periode p menunjukkan periode setelah siklus musiman terulang dengan
sendirinya. Pada kasus Tahoe Salt, pola permintaan berulang setiap tahun. Bila kita
menghitung permintaan berdasarkan basis kuartalan periode p pada Tabel 2 adalah p= 4.

Gambar 5 : Permintaan Kuartalan Tahoe Salt

Pada prinsipnya ada unsur sistematik dan unsur random di dalam observasi permintaan.

O:Jserved demand (0) = Etstematic component (S) +Random component (R)

Unsur sistematik mengukur nilai permintaan yang diharapkan. Unsur ini terdiri dari level,
yaitu deseasonalized demand saat ini; trend, yaitu rate of growth atau penurunan pada
periode yang akan datang; dan seasonality, yaitu merupakan fluktuasi permintaan karena
faktor musiman yang bisa diprediksi.

Persamaan 2. Rumus menghitung L = Deseasonalized Demand D:

Pada contoh sebelumnya, p = 4 adalah genap. Untuk t = 3, kita menentukan

deseasonalizes demand menggunakan persamaan 2, yaitu:

Hasil penghitungan antara periode 3 dan peri ode 10 adalah sebagai berikut.

2016 Supply Chain Management

11 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Tabel 3. Deseasonalized Demand

Gambar 6. Deseasonalized Demand Tahoe Salt

Deseasonalized demand akan berubah dengan berjalannya waktu. Ada hubungan linier
antara deseasonalized demand dengan waktu. Adapun persamaannya sebagai berikut:

Persamaan 3. Deseasonalized Demand= L + T

Deseasonalized demand adalah bukan 'actual demand'

L = Deseasonlized demand pada periode 0
T = rate of growth of deseasonalized demand
Persamaan regresi linier ini selayaknya di implementasikan terhadap deseasonalized
demand karena permintaan yang sesungguhnya (aktual) tidak linier sehingga penerapan
regresi linier terhadap permintaan sesungguhnya kurang tepat.

2016 Supply Chain Management

12 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Dengan mendapatkan persamaan regresi linier melalui deseasonalized demand pada
Tabel3 maka dapat dihitung peramalan jangka pendek maupun jangka panjang. Dari contoh
di atas, diperoleh persamaan regresi linier sebagai berikut:

Dt (Deseasonlized-Demand) = 18.439 + 524 t

Selanjutnya adalah mengestimasi S melalui persamaan:

Persamaan 4. Rumus menghitung 5:

Dari contoh di atas, seasonal factor dapat dihitung langsung mengikuti rumus di atas.
Angka-angka deseasonalized demand sebagai hasil perhitungan dari persamaan regresi
linier bisa dilihat pada tabel di bawah ini.

Tabel 4. Deseasonalized Demand and Seasonal Factors

Dari contoh, rumus ini diterjemahkan sebagai F 13 = (L + 13 T) S13. Ada pun hasil
perhitungan peramalan bisa dilihat pada Tabel 7 berikut.

2016 Supply Chain Management

13 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Tabel 7. Peramalan dengan Seasonal Factor

2. Metode Moving Average

Metode peramalan time series yang termudah adalah metode moving average, di mana
metode ini mengabaikan pola seasonal, trend, cycle pada permintaan di masa lalu.
Persamaan untuk moving average, yaitu:

Dengan asumsi bahwa permintaan dalam time series adalah flat atau sebanding maka
peramalan terbaik untuk periode t + 1 sama dengan rata-rata permintaan yang diobservasi
dalam periode waktu t. Kelebihan metode ini adalah peramalan cenderung lebih stabil
sehingga meringankan beban bagian operasional. Akan tetapi, kelemahannya adalah
semakin panjang periode rata-rata waktu perhitungannya maka respons terhadap
perubahan permintaan menjadi semakin lambat. Oleh karena itu, seorang peramal harus
bisa memilih sesuai dengan keperluannya karena ada pertukaran antara stabilitas dan
respon yang cepat terhadap perubahan permintaan. Salah satu cara untuk membuat

2016 Supply Chain Management

14 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
metode moving average mempunyai respons lebih cepat, yaitu dengan memodifikasi
metode ini menjadi weighted moving average.

Kelemahan metode ini adalah dalam perhitungannya harus mempertimbangkan sejarah

seluruh permintaan dalam kurun waktu N dan juga sangat sulit untuk membuat pembobotan
(Wi) dalam perhitungannya. Untuk mengatasi kelemahan tersebut maka dikembangkan
metode exponential smoothing. Contoh: Berdasarkan data permintaan Tahoe Salt pada
Tabel 2 maka peramalan permintaan untuk periode 5 dengan menggunakan empat periode
moving average adalah sebagai berikut. Kita melakukan peramalan untuk periode 5 dalam
periode 4, sehingga asumsi periode saat ini adalah periode 4. Langkah pertama adalah
melakukan estimasi untuk periode 4. Dengan menggunakan persamaan 6 dengan
N=4 maka hasil perhitungan:

L4 = (D4+D3+D2+D1)
I 4 = (34.000+23.000+13.000+8.000)/4 = 19.500

Peramalan permintaan untuk periode 5 dengan menggunakan persamaan 7 adalah

F5 =L4 = 19.500
Karena permintaan pada periode 5 adalah 10.000 maka kita dapat menghitung standard
error periode 5 sebagai berikut.
E5 = F5-D5 = 19.500- 10.000 = 9.500
Maka peramalan level pada periode 5 adalah:
L5 = (D5+D4+D3+D2)/4 =
(10.000+34.000+23.000+ 13.000)/4 = 20.000

3. Metode Exponential Smoothing

Metode ini didasarkan pada pemikiran yang sederhana bahwa nilai ratarata yang baru dapat
dihitung dari nilai rata-rata lama ditambah dengan nilai permintaan yang sedang diobservasi.
Sebagai contoh, bahwa nilai rata-rata lama adalah 20 dan permintaan yang sedang
diobservasi adalah 24. Maka nilai rata-rata yang baru pasti akan berkisar antara 20 sampai
24 tergantung pada pembobotan nilai permintaan yang sedang diobservasi terhadap nilai
rata-rata yang lama.

Persamaan untuk metode exponential smoothing adalah:

2016 Supply Chain Management

15 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Di manaAt-1 adalah nilai rata-rata lama (20), Dt adalah permintaan yang sedang diobservasi
(24 ), dan a adalah proporsi an tara pembobotan nilai permintaan yang diobservasi terhadap
nilai lama (O<a<l). Bila menginginkan At menjadi sangat responsif terhadap perubahan
permintaan maka nilai a di pasang lebih besar, tetapi bila At in gin lebih stabil maka nilai a
dipasang lebih kecil. Dalam membuat peramalan umumnya, nilai a berkisar antara 0,1
sampai 0,3.

4. Metode Trend Corrected Exponential Smooting (Holt's Model)

Metode ini dipakai bila permintaan dianggap mempunyai level dan trend yang terdapat pada
systematic component. Dalam hal ini, persamaannya adalah:

Systematic component dari demand = level (L) + trend (T)

Perkiraan awal dari level dan trend diperoleh dengan melakukan regresi linier di antara
demand Dt dan periode waktu t yang membentuk persamaan:

Konstanta b mengukur estimasi dari permintaan pada periode t = 0 dan untuk mengestimasi
level awal LO. Slope a menghitung laju perubahan dari permintaan per periode waktu
tertentu dan untuk mengestimasi trend awal TO. Dalam periode t, dengan diberikan estimasi
level Lt dan trend Tt maka peramalan untuk periode ke depan ditunjukkan dengan
persamaan:

Setelah mengobservasi permintaan untuk periode t maka dilakukan revisi untuk estimasi
level dan trend sesuai dengan:

Di mana a adalah konstanta untuk membuat level menjadi lebih mulus dengan nilai 0<a<1,
sedangkan f3 adalah konstanta untuk membuat trend menjadi lebih mulus dengan nilai
0<f3<1.

Metode Peramalan Kausal

Secara umum, metode peramalan kausal mengembangkan suatu model cause-and-effect

antara permintaan dan variabel yang lainnya. Sebagai contoh, permintaan untuk es krim

2016 Supply Chain Management

16 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
berhubungan langsung dengan jumlah populasi, rata-rata temperatur pada musim panas
dan waktu. Data bisa dikumpulkan pada variabel-variabel tersebut dan dilakukan analisis
untuk menentukan validitas dari masing-masing model yang diajukan. Salah satu model
yang paling dikenal dengan baik adalah model regresi yang menggunakan teknik statistik
dalam mengolahnya. Dalam metode regresi, sebuah model harus dispesifikasikan sebelum
data dikumpulkan dan dilakukan analisa. Contoh paling sederhana dari metode regresi
adalah model regresi liner single-variable:

Bentuk lain dari metode peramalan kausal adalah model ekonometrika, model input-output,
dan model simulasi.

Metode Peramalan Simulasi

Metode simulasi merupakan penggabungan dari metode time series ' dan 'causal' untuk
menjawab pertanyaan tertentu. Misalnya, perubahan perilaku konsumen akibat dibukanya
supermarket baru terhadap supermarket lama yang berlokasi di dekatnya.

Forecast Error

Forecast error bertujuan untuk menyatakan seberapa tepat atau akurat metode peramalan
yang telah digunakan. Secara umum, akurasi peramalan dihitung dengan membandingkan
nilai peramalan terhadap nilai aktual yang diobservasi yang dapat disederhanakan dengan
persamaan:
Forecast error= Actual demand -Forecast value

Ada tiga metode perhitunganforecast error yang sering digunakan, yaitu mean absolute
deviation (MAD), mean squared error (MSE), dan mean absolute percent error (MAPE).

1. Mean Absolute Deviation (MAD)

2016 Supply Chain Management

17 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Perhitungan MAD adalah dengan menjumlahkan seluruh nilai absolut dari selisih nilai antara
aktual permintaan dan peramalan dibagi dengan jumlah periode waktu tertentu yang
ditunjukkan dengan persamaan:

2. Mean Squared Error (MSE)

Perhitungan MSE adalah dengan merata-rata kuadrat perbedaan dari nilai antara aktual
demand dan forecast dibagi dengan jumlah periode waktu tertentu yang ditunjukkan dengan
persamaan:

3. Mean Absolute Percent Error (MAPE)

Perhitungan forecast error dengan menggunakan MAD dan MSE sering terjadi masalah di
mana bila jumlah yang dihitung berjumlah ribuan maka nilai MAD dan MSE menjadi sangat
besar. Untuk mencegah masalah ini terjadi maka dipakailah metode MAPE. Perhitungan
MAPE adalah dengan merata-rata nilai absolut dari selisih nilai aktual permintaan dan
peramalan dibagi dengan jumlah periode waktu tertentu yang ditunjukkan dengan nilai
persentase.

4.Tracking Signal
Tracking signal dipakai untuk menghitung sejauh mana peramalan sesuai dengan aktual
penjualan yang telah terjadi dengan nilai + 6. Bila nilai tracking signal berada di luar + 6
maka perhitungan peramalan harus direset lagi karena penyimpangan sudah terlalu besar.
Tracking signal diperoleh dari kumulatifjorecast error dibagi dengan MADt.

Metode forecast kuantitatif secara umum bisa diringkas dalam tabel sebagai berikut:

2016 Supply Chain Management

18 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Tabel 8. Metode Kuantitatif Time Series

2016 Supply Chain Management

19 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Memilih Teknik Peramalan

Teknik peramalan yang cukup banyak jenisnya kadang membingungkan pengguna. Untuk
itu, terdapat beberapa cara untuk meminimumkan kesalahan yang mungkin terjadi yang
pada awalnya melalui beberapa pertanyaan berikut ini.
1. Apa yang merupakan tujuan peramalan? Untuk apa digunakan? Jika perkiraan
penjualan kotor sudah cukup, sedikit teknik kompleks mungkin sesuai, sedangkan
jika perkiraan terperinci diperlukan, teknik yang lebih kompleks mungkin lebih sesuai.
2. Apakah dinamika dari sistem ketika peramalan akan dibuat? Apakah jenis data
ekonomi yang akan digunakan menunjukkan bahwa suatu model menjadi
permintaan musiman, atau kecenderungan bukan?
3. Seberapa penting masa lalu untuk memperkirakan masa depan?

Keputusan manajemen rantai persediaan didasarkan pada peramalan yang

menggambarkan produk dan jumlah produk yang diperlukan. Peramalan permintaan
menjadi dasar perusahaan untuk merencanakan operasi secara internal dan untuk bekerja
sama antarsatu sama lain untuk memenuhi permintaan pasar. Semua peramalan berkaitan
dengan empat variabel utama yang berkombinasi akan menentukan kondisi pasar. Variabel
itu adalah:
1. Permintaan.
2. Persediaan.
3. Karakteristik Produk.
4. Lingkungan Kompetitif.

Permintaan mengacu pada keseluruhan permintaan pasar untuk suatu kelompok jasa atau
produk terkait. Pasar menjadi tumbuh atau menurun? Jika demikian, apa yang merupakan
tingkat triwulan atau tahunan? Mengalami pertumbuhan atau kemunduran? Atau barangkali
pasar secara relatif telah dewasa dan permintaan mantap pada suatu tingkatan yang dapat
diramalkan untuk beberapa periode tahun. Selain itu, banyak produk mempunyai suatu pola
permintaan musiman. Sebagai contoh, ski salju dan minyak peruanas menjadi lebih
laku/laris di musim dingin, sedangkan raket tenis dan layar matahari lebih laku/laris di musim
panas.

Persediaan ditentukan oleh banyaknya produsen suatu produk dan oleh lead-time yang
dihubungkan dengan suatu produk. Semakin banyak produsen suatu produk dan lead-time
yang lebih pendek maka dapat diramalkan variabelnya. Jika hanya sedikit para penyalur
atau ketika lead-time lebih panjang, terdapat ketidakpastian potensi berlebih di suatu pasar.

2016 Supply Chain Management

20 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Variabilitas, ketidakpastian dalam persediaan menjadikan peramalan lebih sulit dilakukan.
Peramalan dalam rantai persediaan harus meliputi suatu periode waktu yang terdiri dari
lead-time yang dikombinasikan dari semua komponen yang menghasilkan suatu produk
akhir (output). Karakteristik produk, meliputi corak suatu produk yang mempengaruhi
permintaan pelanggan untuk produk itu. Banyak produk yang baru dengan cepat berganti
dan berubah, seperti produk elektronik. Setelah kita membuat suatu peramalan, langkah
yang berikutnya yaitu menciptakan suatu perencanaan perusahaan terhadap permintaan
yang diharapkan tersebut. Kumpulan perencanaan ini akan memenuhi permintaan dengan
cara memaksimalkan laba untuk perusahaan. Selain itu juga menetapkan jumlah maksimum
tingkat produksi dan menginventarisir periode yang akan datang antara 3-18 bulan.
Perencanaan menjadi kerangka dalam membuat keputusan jangka pendek pada produksi,
persediaan, dan distribusi. Keputusan produksi yang dilibatkan menentukan parameter,
seperti tingkat produksi dan jumlah kapasitas produksi untuk menggunakan ukuran dari
kekuatan pekerja dan mencukupi permintaan yang kemudian dapat berubah menjadi
pesanan. Keputusan distribusi menggambarkan bagaimana dan kapan produk akan
dipindahkan dari tempat produksi ke tempat yang lain jika akan digunakan atau dibeli oleh
pelanggan.

Ada tiga dasar pendekatan untuk menciptakan perencanaan permintaan. Mereka melibatkan
tarik-menarik antartiga variabel, yaitu:
1. jumlah kapasitas produksi;
2. tingkat pemanfaatan kapasitas produksi;
3. jumlah persediaan.

Kita akan lihat dengan singkat pada masing-masing tiga pendekatan ini. Dalam praktik
nyata, kebanyakan perusahaan menciptakan kumpulan perencanaan melalui kombinasi tiga
pendekatan ini.
1. Penggunaan kapasitas produksi dalam permintaan. Di dalam pendekatan ini
ditekankan pada total jumlah kapasitas produksi vs tingkatan permintaan. Sasaran di
sini akan menggunakan 100 persen kapasitas secara terus-menerus. Ini dicapai
dengan menambahkan atau menghapuskan kapasitas pabrik jika dibutuhkan dan
merekrut karyawan jika dibutuhkan.
2. Pendekatan ini mengakibatkan tingkat persediaan rendah, tetapi sangat mahal
dalam penerapan jika menambahkan atau mengurangi kapasitas tinggi. Hal ini juga
sering mengganggu dan melemahkan semangat pada kekuatan pekerja jika terjadi
permintaan naik dan jatuh secara konstan. Pendekatan ini bekerja baik ketika biaya
persediaan tinggi dan biaya pertumbuhan kapasitas rendah.

2016 Supply Chain Management

21 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 3. Penggunaan bermacam-macam tingkat total kapasitas dalam permintaan.
Pendekatan ini digunakan jika tersedia kelebihan kapasitas produksi dan ketika biaya
persediaan tinggi serta biaya kapasitas kelebihan relatif rendah.
4. Penggunaan pendekatan ini menyediakan stabilitas kekuatan pekerja dan kapasitas
pabrik serta memungkinkan suatu tingkat keluaran yang tetap. Pendekatan ini
mengakibatkan pemanfaatan kapasitas yang lebih tinggi dan menurunkan biaya-
biaya dalam mengubah kapasitas, tetapi menghasilkan pekerjaan yang tertunda dan
inventaris besar dari waktu ke waktu ketika permintaan berubah-ubah.

Daftar Pustaka
1. Chase, R.B., Jacobs, P.R., & Aquilano, N.J. (2006). Operations Management for
Competitive Advantage with Global Cases. McGraw-Hill.
2. Mahendrawati ER, I Nyoman Pujawan. 2010. Supply Chain Management (Edisi
Kedua); Guna Widya, Surabaya.
3. Hendayani, Ratih. 2011. Mari Berkenalan dengan Manajemen Logistik; Alfabeta,
Bandung.

2016 Supply Chain Management

22 Uly Amrina, ST, MM
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id