PENGELOLAAN DAN

PERAMALAN
PERMINTAAN
Distribusi dan Logistik Febriana W & Masmira K

Pada akhir pembahasan bab ini, mahasiswa diharapkan :

1. Mampu memahami perbedaan permintaan yang dependen dan independen

2. Mampu memahami dan menjabarkan komponen-komponen permintaan
3. Mampu membedakan jenis-jenis peramalan permintaan
4. Mampu melakukan estimasi permintaan dengan teknik kualitatif
5. Mampu menghitung estimasi permintaan dengan time series analysis

Bab ini membahas materi yang bersifat pemahaman mengenai bagaimana perusahaan
manufaktur dan jasa melakukan pengelolaan terhadap tingkat permintaan produk atau
jasa yang dihasilkan. Untuk melakukan estimasi terhadap permintaan konsumen terhadap
produk atau jasa maka perusahaan harus mampu membedakan permintaan yang bersifat
independen yaitu jumlah permintaan yang tidak dipengaruhi oleh permintaan komponen
atau barang yang lain dan permintaan yang bersifat dependen yaitu jumlah permintaan
yang dipengaruhi oleh komponen atau barang yang lain. Setelah menentukan sifat
permintaan yang dihadapi, perusahaan harus melakukan estimasi terhadap jumlah
permintaan konsumen terhadap produk atau jasa yang dihasilkan oleh perusahaan.
Teknik peramalan dapat dibedakan menjadi dua golongan besar yaitu teknik peramalan
kuantitatif dan kualitatif. Teknik peramalan kualitatif dapat dilakukan dengan metode-
metode yang beragam, seperti riset pasar, model Delphi, grass root, konsensus panel dan
lain-lain. Sedangkan teknik peramalan kuantitatif dapat dilakukan dengan tiga cara, yaitu
time series analysis, hubungan kausal dan simulasi. Teknik-teknik tersebut tentu
mempunyai kelebihan tersendiri sehingga perusahaan dapat memilih yang terbaik dan
disesuaikan dengan kondisi dan situasi yang dihadapi oleh perusahaan terkait dengan
sifat produk atau jasa dan permintaan konsumen.

86
Distribusi dan Logistik Febriana W & Masmira K

10.1. Pengelolaan Permintaan

Setiap perusahaan baik manufaktur maupun jasa melakukan pengelolaan terhadap

tingkat permintaan produk dan jasa yang dihasilkan. Tujuan melakukan pengelolaan
terhadap tingkat permintaan adalah untuk mengkoordinasikan dan mengendalikan
seluruh sumber-sumber permintaan sehingga sistem produktif dapat dilakukan dengan
efisien dan produk terkirim dengan tepat waktu. Darimana permintaan produk dan atau
jasa perusahaan berasal dan apa dapat dilakukan perusahaan untuk mengelolanya ?
Terdapat dua sumber permintaan yang mendasar, yaitu permintaan yang dependen dan
permintaan yang independen. Permintaan dependen adalah permintaan produk atau
jasa yang disebabkan oleh permintaan produk atau jasa yang lain. Sebagai contoh,
apabila perusahaan memproduksi 1000 sepeda roda tiga maka akan dibutuhkan
permintaan terhadap ban depan sebanyak 1000 ban dan roda belakang sebanyak 2000
ban. Jenis permintaan seperti ini tidak membutuhkan teknik peramalan tertentu, tetapi
hanya membutuhkan tabulasi kebutuhan. Akan tetapi, bagaimana menentukan jumlah
produk sepeda roda tiga yang mungkin akan dijual, maka dibutuhkan teknik peramalan
tertentu untuk menentukan permintaan produk jadi tersebut. Jenis permintaan ini disebut
sebagai permintaan independen karena permintaannya tidak dipengaruhi secara
langsung oleh permintaan produk lain. Identifikasi kedua jenis permintaan tersebut dapat
dilihat lebih jelas pada gambar 10.1.1.

Tidak banyak yang bisa dilakukan oleh perusahaan terhadap permintaan yang
bersifat dependen. Yang terpenting disini adalah bagaimana menyelaraskan jumlah yang
diminta dengan jumlah persediaan barang tersebut yang ada di gudang. Akan tetapi,
banyak hal yang bisa dilakukan perusahaan terhadap permintaan yang bersifat
independen. Perusahaan dapat melakukan dua peran, yaitu berperan aktif dan pasif
dalam mempengaruhi permintaan. Perusahaan melakukan peran aktif dalam
mempengaruhi permintaan dengan cara menekan tim pemasarnya, menawarkan
tambahan insentif baik kepada konsumen maupun tim pemasarnya, promosi gencar dan
memberikan potongan harga. Tindakan-tindakan tersebut nantinya akan mampu
meningkatkan permintaan. Sebaliknya, permintaan dapat menurun bila harga produk
menjadi lebih mahal dan usaha-usaha promosi atau pemasarannya tidak gencar.
Sedangkan peran dan respon pasif perusahaan dalam rangka mempengaruhi permintaan
terjadi karena beberapa alasan yaitu kemungkinan perusahaan tidak melakukan
perubahan permintaan tetapi hanya menerima apa yang terjadi, kapasitas produksi yang
dilakukan sepenuhnya hanya untuk memenuhi permintaan yang ada di pasar,

87
Distribusi dan Logistik Febriana W & Masmira K

perusahaan mungkin tak berdaya untuk membiayai pengeluaran-pengeluaran untuk

promosi gencar, pasar yang dihadapi tetap dalam ukuran dan statis, dan alasan-alasan
lain yang terkait dengan aspek persaingan, hukum, lingkungan bisnis, etika bisnis dan
moral yang harus diterima apa adanya.

Sumber : Aquilano, 2006

Gambar 10.1.1.

Permintaan independen dan dependen

Untuk mengelola permintaan yang bersifat dependen, independen, pasif dan aktif,
maka dibutuhkan suatu upaya yang besar dalam hal koordinasi. Koordinasi antar bagian
atau unit kerja dalam perusahaan merupakan kunci kesuksesan perusahaan dalam upaya
peningkatan permintaan karena pada dasarnya permintaan baik secara internal dan
eksternal membutuhkan koordinasi dengan bagian pemasaran yang menjual produk baru.
Selain itu, koordinasi dengan bagian pelayanan produk yang memperbaiki produk yang
sebelumnnya telah terjual, bagian gudang pabrik yang menyimpan kembali produk-produk
tersebut dan bagian produksi yang menyediakan komponen-komponen pembentuk
produk. Pembahasan bab ini akan membahas peramalan untuk permintaan produk atau
komponen yang independen.

88
Distribusi dan Logistik Febriana W & Masmira K

10.2. Komponen-komponen Permintaan

Pada umumnya, permintaan pada produk atau jasa dapat dijabarkan dalam enam
komponen, yaitu :
• Permintaaan rata-rata untuk suatu periode waktu tertentu
• Tren
• Musiman
• Siklus
• Variasi random
• Otokorelasi

Perbedaan komponen permintaan rata-rata, tren dan musiman sejelasnya dapat

dilihat pada gambar 10.2.1. dimana tergambar dengan jelas permintaan pada periode
empat tahunan yang menunjukkan komponen rata-rata, tren, musiman dan random untuk
menghaluskan kurva permintaan. Sedangkan faktor siklus sangat sulit untuk ditentukan
karena rentang waktunya mungkin tidak diketahui atau penyebab siklus mungkin tidak
dipertimbangkan. Contoh pengaruh siklus pada permintaan adalah kejadian-kejadian
seperti pemilihan umum, perang, kondisi ekonomi atau tekanan sosiologis.
Variasi random (acak) disebabkan oleh peluang kejadian. Secara statistik, bila
seluruh penyebab permintaan (rata-rata, tren, musiman, siklus dan otokorelasi) yang
diketahui tersebut dikurangkan dari permintaan keseluruhan maka yang tersisa adalah
bagian penyebab permintaan yang tidak dapat dijelaskan. Apabila kita tidak dapat
mengidentifikasi penyebab permintaa tersisa ini, maka dapat diasumsikan permintaan
jenis ini bersifat random (acak).

89
Distribusi dan Logistik Febriana W & Masmira K

Sumber : Aquilano, 2006

Gambar 10.2.1.
Komponen Permintaan

Otokorelasi menjelaskan tentang kejadian yang terus menerus. Hal ini berarti nilai
yang diharapkan pada suatu waktu adalah sangat terkait dengan nilai sebelumnya.
Misalnya dalam teori antrian. Panjang antrian adalah bersifat tingkat otokorelasinya tinggi
dimana jika panjang antrian relatif panjang pada suatu waktu kemudian pendek setelah
itu maka kita meramalkan bahwa panjang antrian akan selalu panjang.

10.3. Jenis-Jenis Teknik Peramalan

Teknik peramalan dapat diklasifikasikan menjadi empat jenis mendasar, yaitu
kualitatif, time series analysis, hubungan kausal dan simulasi. Teknik kualitatif bersifat
subyektif dan didasarkan pada estimasi-estimasi dan opini-opini. Teknik peramalan time
series analysis mencoba untuk memprediksi kejadian masa depan berdasarkan data-data
yang terkait di masa lalu. Data-data pada masa lalu itu mungkin termasuk beberapa
komponen peramalan seperti pengaruh tren, musiman dan siklus. Kedua teknik ini akan
dijelaskan lebih rinci pada bagain yang selanjutnya dari bab ini.
Teknik peramalan hubungan kausal mengasumsikan bahwa permintaan terkait
dengan beberapa faktor yang mendasar atau faktor-faktor lingkungan (melingkupi) produk
yang akan diprediksi. Sebagai contoh, nilai penjualan mungkin dipengaruhi (disebabkan)
90
Distribusi dan Logistik Febriana W & Masmira K

oleh iklan, kualitas dan pesaing. Yang termasuk dalam teknik peramalan ini adalah teknik
regresi linier, model ekonometri, input/output dan leading indicator.
Sedangkan teknik peramalan yang terakhir adalah model simulasi. Model ini
membiarkan orang yang melakukan prediksi (ramalan) mengolah data-data dengan
batasan dan kondisi yang disesuaikan dengan keadaan yang terjadi. Model ini bisa
dikatakan model yang dinamis dan biasanya digunakan dengan bantuan teknologi terkini,
misal komputer. Hal ini bisa membuat pihak peramal/pemrediksi membuat asumsi-asumsi
tersendiri mengenai variabel-variabel internal dan lingkungan eksternal yang akan
digunakan pada model tersebut. Mengacu pada variabel-variabel model tersebut, pihak
yang melakukan prediksi atau ramalan mungkin dapat mengembangkan pertanyaan
mengenai apa yang akan terjadi terhadap hasil prediksi nantinya apabila harga produk
dinaikkan 10% ? atau efek-efek apa sajakah yang akan terjadi pada hasil peramalan
jikalau terjadi resesi ekonomi pada suatu negara ?.

10.4. Teknik Peramalan Kualitatif

Teknik kualitatif bersifat penilaian subyektif dan didasarkan pada estimasi-estimasi
dan opini-opini. Terdapat beberapa model kualitatif dalam teknik peramalan yang dapat
digunakan oleh perusahaan baik yang berak di bidang manufaktur maupun jasa, seperti
yang terlihat pada gambar 10.4.1.

Sumber : Aquilano, 2006

Gambar 10.4.1.
Tipe Teknik Peramalan Kualitatif

91
Distribusi dan Logistik Febriana W & Masmira K

Teknik executive judgment merupakan teknik kualitatif yang bersifat sangat

subyektif karena pada teknik ini peramalan yang dihasilkan merupakan opini atau
penilaian pribadi (subyektif para eksekutif (pengambil keputusan). Hal ini dapat dikatakan
bahwa penilaian eksekutif ini hanya didasarkan pada intuisi dan pengalaman pengambil
keputusan selama ini.
Model grass roots merupakan teknik peramalan yang dikembangkan dengan
menambahkan pendapat atau opini dari “level hirarki bawah” (para bawahan) sebelum
para eksekutif melakukan prediksi dan mengambil keputusan. Asumsi para bawahan
disini adalah orang-orang yang bekerja sangat dekat dengan para konsumen atau
pengguna akhir atas produk tersebut, akan lebih mengetahui dengan baik kebutuhan
konsumen mendatang. Tidak hanya mereka yang berhubungan langsung atau sangat
dekat dengan konsumen yang pantas dimintai pendapat, akan tetapi juga pada level yang
berikutnya, yaitu mereka yang bekerja pada gudang distribusi dengan informasi mengenai
jumlah persediaan pengaman dan efek-efek yang terjadi akibat ukuran jumlah
pemesanan produk.
Model riset pasar (market research) menyiapkan pengumpulan data dengan
berbagai cara, seperti survei, interview dan sebagainya, yang digunakan untuk menguji
hipotesa mengenai pasar yang dituju. Model ini biasanya digunakan untuk meramalkan
penjualan produk baru dan jangkauan pasar yang besar serta untuk jangka panjang.
Perusahaan seringkali menyerahkan pelaksanaan riset pasar ini pada perusahaan lain
yang lebih kompeten (ahli) dalam melakukan riset pasar dengan demikian hasil
prediksinya akan lebih akurat.
Konsensus panel (panel consensus) merupakan suatu teknik prediksi yang
menggunakan cara pertemuan terbuka untuk saling mengungkapkan ide, pemikiran, opini
atau pendapat masing-masing peserta panel. Ide dasar dari model ini adalah diskusi
kelompok yang akan menghasilkan hasil-hasil peramalan lebih baik daripada hasil
peramalan yang dihasilkan oleh satu orang (individu). Orang-orang yang diundang untuk
melakukan diskusi panel mungkin adalah para eksekutif, para pemasar atau para
konsumen.
Historical analogy (analogi historis) terkait dengan apa yang sedang diramalkan
untuk barang yang mirip (sejenis). Model ini sangat penting digunakan untuk melakukan
prediksi terhadap produk baru dimana kita dapat meramalkan dengan menganalogikan
riwayat produk yang sejenis dengan rencana produk baru tersebut. Cara untuk
mengklasifikasikan analoginya adalah dengan produk komplementer, produk substitusi
atau produk pesaing yang dapat menggantikan produk kita. Misal suatu perusahaan yang

92
Distribusi dan Logistik Febriana W & Masmira K

telah memproduksi alat pemanggang roti, mempunyai rencana untuk menghasilkan

produk komplementer untuk produk yang sudah ada yaitu alat pembuat kopi. Untuk
memprediksi tren penjualan terhadap produk baru ini, maka perusahaan dapat
menggunakan analogi riwayat (historis) produk yang sudah dihasilkan sebelumnya.
Metode Delphi adalah metode peramalan yang melibatkan sekelompok para ahli
yang mempunyai kompetensi di di bidang masing-masing. Sejumlah kuesioner diberikan
pada kelompok ini untuk mengetahui respon atau pendapat mereka masing-masing.
Kemudian, moderator akan mengkompilasi hasil dan memformulasikan kuesioner yang
baru yang akan dikirimkan pada masing-masing anggota kelompok ahli tersebut. Oleh
karena itu, pada model ini akan terjadi suatu proses pembelajaran pada kelompok
tersebut pada saat setiap ahli menerima informasi yang baru dan tidak ada tekanan
kelompok atau dominasi individu yang satu ke individu yang lain. Pengiriman kuesioner
pada kelompok ahli tersebut dilakukan berulang-ulang (beberapa putaran). Untuk
mendapatkan hasil yang memuaskan, maka dapat dilakukan sampai tiga kali putaran.

10.5. Teknik Peramalan dengan Time Series Analysis

Teknik peramalan time series mencoba untuk memprediksi kejadian masa depan
berdasarkan data-data masa lalu. Data-data pada masa lalu itu mungkin termasuk
beberapa komponen peramalan seperti pengaruh tren, musiman dan siklus. Sebagai
contoh, gambaran (data) penjualan yang dikumpulkan selama enam minggu yang lalu
dapat digunakan untuk memprediksi penjualan pada minggu ketujuh. Data penjualan
kuartal yang dikumpulkan beberapa tahun belakangan dapat digunakan untuk
meramalkan tingkat penjualan di masa mendatang. Walaupun kedua contoh tersebut
menjelaskan tentang penjualan, tetapi teknik peramalan seri waktu yang digunakan bisa
berbeda.
Terminologi (karakteristik) analisa seri waktu dalam model peramalan ini adalah
peramalan jangka waktu pendek, menengah (medium) dan panjang mempunyai konteks
arti yang relatif (tidak ada patokan yang pasti) sehingga tergantung pada persepsi
masing-masing pengguna model peramalan. Akan tetapi, pada dunia bisnis teknik
peramalan dalam terminologi jangka pendek biasanya mengacu pada jangka waktu di
bawah 3 bulan dimana biasanya berguna untuk penyesuaian variabilitas secara acak,
misalnya respon konsumen terhadap peluncuran produk baru. Untuk terminologi jangka
menengah (medium) mengcu pada jangka waktu antara 3 bulan sampai dua tahun
dimana teknik ini berguna untuk meramalkan efek-efek musiman pada tren penjualan

93
Distribusi dan Logistik Febriana W & Masmira K

yang mungkin terjadi. Terminologi jangka panjang mengacu pada jangka waktu di atas
dua tahun dimana teknik ini digunakan untuk mendeteksi tren yang umum dan khususnya
berguna untuk mengidentifikasi titik perpindahan utama (misal selera pasar).
Untuk memilih model peramalan yang harus digunakan, maka perusahaan harus
mendasarkan pada horison (jangka) waktu untuk memprediksi, ketersediaan data, tingkat
keakuratan yang dibutuhkan, besarnya anggaran peramalan dan ketersediaan personalia
yang berkualitas (kompeten).
Selain itu, faktor lain yang dapat dijadikan dasar pemilihan model atau teknik
peramalan yaitu tingkat fleksibitas perusahaan. Semakin besar kemampuan perusahaan
memberikan reaksi terhadap perubahan dengan cepat maka akan semakin akurat
peramalan yang dihasilkan. Faktor lain yang juga dapat dijadikan pertimbangan dalam
menentukan pilihan model peramalan adalah konsekuensi keputusan yang tidak baik.
Apabila keputusan investasi modal yang cukup besar dilakukan berdasarkan pada suatu
hasil peramalan, maka dapat dikatakan bahwa tentu peramalan itu dikategorikan
peramalan yang baik.
Pada bab ini, hanya tiga model peramalan dengan menggunakan time series
analysis yang akan dibahas dengan rinci, yaitu simple moving average, weighted moving
average dan exponential smoothing.

a. Simple Moving Average

Model ini berasumsi bahwa nilai rata-rata adalah alat peramalan perilaku
mendatang yang baik. Ketika permintaan pada sebuah produk tidak bertumbuh dan
bahkan menurun dengan sangat cepat serta tidak mempunyai karakteristik musiman,
maka model rata-rata bergerak sederhana ini dapat digunakan untuk menggambarkan
perubahan (pergerakan) fluktuasi permintaan yang diramalkan secara acak.
Prediksi yang dilakukan tentu mengacu pada informasi data yang dikumpulkan pada
masa lalu. Kelemahan utama dari model ini adalah semua data yang dikumpulkan dari
periode waktu sebelumnya dianggap mempunyai nilai bobot yang rata-rata sama (tidak
berbeda). Formula untuk model ini adalah :

A t -1 + A t -2 + A t -3 + ... + A t -n
Ft =
n

94
Distribusi dan Logistik Febriana W & Masmira K

dimana
Ft = Nilai ramalan untuk periode mendatang
n = Jumlah periode yang dirata-ratakan
A t-1 = Kejadian aktual periode lalu sampai periode ke-n

Contoh permasalahan yang dapat diselesaikan dengan model simple moving

average, sebagai berikut :

Week Demand
1 650
2 678
3 720
4 785
5 859
6 920
7 850
8 758
9 892
10 920
11 789
12 844

Sumber : Aquilano, 2006

Pertanyaan : Bagaimanakan hasil peramalan permintaan rata-rata bergerak untuk tiga

mingguan dan enam mingguan ? Asumsikan data permintaan yang ada untuk
meramalkan permintaan aktua 3-mingguan dan 6 mingguan adalah seperti tampak pada
tabel di atas.
Jawab :

A t -1 + A t -2 + A t -3 + ... + A t -n
Ft =
n

Sumber : Aquilano, 2006

95
Distribusi dan Logistik Febriana W & Masmira K

Oleh karena yang diminta adalah meramalkan permintaan tiga mingguan maka
perhitungan permintaan aktual yang diramalkan dimulai pada minggu keempat. Hal ini
terjadi karena data permintaan tiga minggu sebelumnya dijadikan dasar untuk menghitung
permintaan aktual yang mungkin terjadi di minggu keempat, demikian hal ini berulang
untuk minggu-minggu berikutnya. Perhitungan peramalan permintaan untuk enam
mingguan juga dilakukan dengan cara yang sama seperti menghitung permintaan tiga
mingguan. Perhitungan dapat dilakukan mulai pada minggu ketujuah dan seterusnya.
Grafik berikut ini menunjukkan garis peramalan permintaan untuk tiga mingguan
dan enam mingguan. Terlihat pada grafik tersebut bahwa garis permintaan tiga mingguan
(yang dimulai dari titik 4) lebih landai (halus) daripada garis yang menunjukkan
permintaan mingguan. Sedangkan garis permintaan enam mingguan (dimulai dari titik 7)
terlihat semakin lebih landai (halus) lagi dari pada garis permintaan tiga mingguan apalagi
kalau dibandingkan dengan garis permintaan mingguan.

950
900
850
800
750
Demand

D
700 e
650
600
550
500
Sumber : Aquilano, 2006
1 2 3 4 5 6 7 8 9 10 11 12
Week

b. Weighted Moving Average

Apabila formula model rata-rata bergerak mengimplikasikan bobot rata-rata sama
untuk setiap nilai data yang dirata-ratakan, maka pada model rata-rata bergerak
tertimbang ini dimungkinkan untuk memberikan bobot yang berbeda. Artinya adalah
pemberian bobot yang berbeda pada setiap nilai data yang ada tersebut mengacu pada
keakuratan data tekait dengan periode waktu penggunaan data tersebut. Semakin terkini
data itu diperoleh maka semakin besar nilai bobot yang diberikan. Sesuai kesepakatan
internasional, nilai bobot itu selalu berada diantara 0 sampai dengan 1 (bila nilai bobot itu
dijumlahkan tidak boleh lebih dari 1).

96
Distribusi dan Logistik Febriana W & Masmira K

Formula model ini dirumuskan sebagai berikut :

Misalnya diketahui informasi data permintaan yang berhasil dikumpulkan adalah sebagai
berikut :

Catatan : nilai bobot yang ditempatkan pada tabel bobot (weights) menunjukkan
penekanan untuk data yang lebih terkini diperoleh, misal periode t-1 lebih terkini daripada
t-2 dan periode t-2 lebih terkini daripada t-3.
Pertanyaan : Hitunglah peramalan untuk permintaan periode keempat (minggu keempat)
dengan pembebanan bobot yang berlaku.
Solusi :

c. Exponential Smoothing
Pada model peramalan sebelumnya, kekurangan yang utama adalah kebutuhan
untuk mendapatkan data historis dalam jumlah yang banyak secara kontinyu digunakan
untuk menghasilkan peramalan. Pada model ini, kekurangan yang ada itu coba untuk
dihilangkan dengan mengkondisikan bahwa hasil observasi atau pengamatan yang
terbaru atau terkini akan diberikan nilai prediktif yang paling tinggi (besar). Nilai prediktif

97
Distribusi dan Logistik Febriana W & Masmira K

ini bersifat konstan (disebut angka eksponen atau alfa). Oleh karena itu, nilai bobot
diberikan lebih besar atau lebih banyak pada data periode waktu terkini ketika dilakukan
peramalan. Nilai prediktif yang digunakan dalam perhitungan model ini akan membuat
grafiknya melandai (halus).

Dimana :
Ft = Nilai permintaan yang diestimasi untuk periode waktu mendatang
Ft-1 = Nilai permintaan yang diestimasi untuk satu periode sebelumnya
At-t = Nilai permintaan yang benar-benar terjadi pada periode sebelumnya
α = Nilai konstanta (tingkat respon yang diinginkan atau smoothing
constant)

Misalnya diketahui informasi data permintaan yang berhasil dikumpulkan adalah sebagai
berikut :

Week Demand
1 820
2 775
3 680
4 655
5 750
6 802
7 798
8 689
9 775
10

Sumber : Aquilano, 2006

Pertanyaan : Hitunglah peramalan exponential smoothing untuk periode 2 - 10 dengan

menggunakan nilai konstan (alfa) =0.10 dan a = 0.60 ?
Asumsi F1 = D1

98
Distribusi dan Logistik Febriana W & Masmira K

Jawaban :

Week Demand 0,1 0,6

1 820 820,00 820,00
2 775 820,00 820,00
3 680 815,50 820,00
4 655 801,95 817,30
5 750 787,26 808,09
6 802 783,53 795,59
7 798 785,38 788,35
8 689 786,64 786,57
9 775 776,88 786,61
10 776,69 780,77

Sumber : Aquilano, 2006

Pada grafik berikut ini dapat diketahui bahwa semakin kecil nilai alfa yang digunakan
dalam melakukan peramalan maka semakin landai atau halus (smooth) grafik garis yang
dihasilkan.

850
800
Demand
Demand

750
700 0,1
650
600 0,6
550
500
1 2 3 4 5 6 7 8 9 10
Week
Sumber : Aquilano, 2006

Sumber : Aquilano, 2006

99
Distribusi dan Logistik Febriana W & Masmira K

10.6. Latihan Soal

1. Perusahaan XYZ mempunyai data permintaan minggu pertama sampai minggu
keempat sebagai berikut :

Pertanyaan : Buatlah peramalan terhadap permintaan pada periode kelima dan

keenam ? Catatan : berilan nilai bobot yang lebih besar pada data periode terkini.

2. Data permintaan barang yang diproduksi oleh perusahaan NAKAMARI dan berhasil
dikumpulkan selama empat minggu terakhir sebagai berikut :

Week Demand
1 820
2 775
3 680
4 655
5

Pertanyaan : Hitunglah peramalan exponential smoothing untuk periode 2 - 5 dengan

menggunakan nilai alfa sebesar 0,5 ? Asumsikan bahwa F1 = D1.

Daftar Acuan :

Chase, Richard B., F. Robert Jacobs dan Nicholas J. Aquilano, 2006, Operations
Management for Competitive Advantage, Eleventh Edition.

Jacobs, F. Robert and Richard B. Chase, 2008, Operation and Supply

Management : The Core, New Jersey: Pearson International.

100