PRAKTIKUM PRODUCTION AND OPERATING MANAGEMENT (POM)

“Forecasting Demand in Blood Supply Chain (Case Study on Blood Transfusion Unit)”

Anggota Kelompok 01:

1. Ni Luh Ari Purwantini 1902561004
2. Adinda Serafim Maharani Putri Tanaka 1902561028
3. Gracillia Fracisca Mataheny 1902561064
4. Ni Putu Asri Wirayanti 1902561070

A. Kasus
Unit Transfusi Darah (UTD) adalah lembaga di bawah pengawasan pemerintah yang
bertugas menyediakan darah bagi masyarakat. Aritonang dkk. (2012) dalam Lestari
dkk. (2017) melaporkan bahwa ada masalah dalam pengelolaan donor darah. Mereka
menyimpulkan bahwa komponen darah memiliki viabilitas yang rendah bila disimpan
dalam waktu yang lama. Hal tersebut menjadi tantangan bagi manajemen unit
transfusi darah akibat UTD mengalami kehabisan stok atau kekurangan produk karena
kadaluarsa pada komponen darah. Saat ini, pihak manajemen mengatasi kadaluarsa
pada komponen darah dengan menempatkannya pada tempat penyimpanan darah.
Meski demikian, tidak ada jaminan bahwa kualitas darah yang setiap kali disimpan
dalam waktu yang lama di dalam freezer akan menjadi lebih baik. Implikasi dari
kondisi ini menyebabkan terjadi ketidakseimbangan jumlah kebutuhan stok darah
dengan ketersediaan darah. Oleh karenanya, digunakan metode forecasting atau
peramalan untuk mencegah ketidakseimbangan supply dan demand sehingga dapat
memprediksi permintaan produk dan memudahkan manajer dalam proses
pengambilan keputusan.

Tabel 1. Tabel permintaan kebutuhan darah periode Januari – Desember 2015

BULAN PERMINTAAN
Januari 1587
Februari 1200
Maret 1215
April 1278
Mei 1244
 Juni 1299
Juli 924
Agustus 1202
September 1242
Oktober 1477
November 1249
Desember 613

B. Proses
1. Pilih modul Forecasting > Time Series Analysis. Kemudian pilih metode
Exponential Smoothing dengan Alpha for smoothing 0,5.
2. Pilih Solve, kemudian lihat Forecasting results, Details and error analysis, Errors
as a function of alpha, Control (Tracking Signal) dan Graph.

(Forecasting results)

(Details and error analysis)

(Errors as a function of alpha)

(Control (Tracking Signal))

 (Graph)

C. Hasil/Interpretasi
1. Rumus untuk menghitung forecast dengan exponential smoothing adalah:
Ŷt+1 = αYt + (1 - α) Yt-1
Di mana: Ŷt+1 = peramalan untuk periode selanjutnya
α = konstanta smoothing (0 < α < 1)
Yt = nilai aktual/demand periode sekarang
Yt-1 = peramalan pada periode sebelumnya
Data permintaan pada bulan pertama sebesar 1587. Untuk bulan pertama belum
dapat membuat forecast, untuk membuat forecast bulan kedua juga belum
mempunyai cukup data. Untuk itu boleh ditentukan bebas, asal kira-kira
mendekati. Sehingga untuk forecast bulan kedua sebesar 1578, sama dengan nilai
permintaan pada bulan pertama.
Untuk bulan ketiga dapat dilakukan perhitungan sebagai berikut:
Ŷ3 = 0,5 (1200) + (1 – 0,5) 1587
= 600 + 793,5
= 1393,5
Untuk bulan keempat dapat dilakukan perhitungan sebagai berikut:
Ŷ4 = 0,5 (1215) + (1 – 0,5) 1393,5
= 607,5 + 696,75
= 1304,25
Untuk bulan kelima dapat dilakukan perhitungan sebagai berikut:
 Ŷ5 = 0,5 (1278) + (1 – 0,5) 1304,25
= 639 + 652,125
= 1291,125
dan seterusnya hingga bulan ke-12.
2. Menghitung Error
Error adalah nilai nilai aktual/demand periode sekarang dikurangi dengan nilai
peramalan periode sebelumnya, sehingga dapat dilakukan perhitungan sebagai
berikut:
Error bulan ke-2 maka Errort2 = 1200 – 1587 = - 387
Error bulan ke-3 maka Errort3 = 1215 – 1393,5 = - 178,5
Error bulan ke-4 maka Errort4 = 1278 – 1304,25 = - 26,25
dan seterusnya hingga bulan ke-12.
3. Menghitung Mean Absolute Deviation (MAD)
Adapun cara menghitung mean absolute error adalah dengan cara menambahkan
seluruh error yang telah di-absolute-kan kemudian dibagi jumlah data yang di-
forecast.

MAD =

= 205,912
4. Menghitung Mean Squared Error (MSE)
Mean Squared Error adalah jumlah seluruh error yang dikuadartakan dibagi
dengan jumlah data yang di forecast. Adapun cara menghitung Mean Squared
Error adalah dengan cara sebagai berikut:

MSE =

= 80066,38
5. Menghitung Mean Absolute Percentage Error (MAPE)
 Sebelum menghitung Mean Absolute Percentage Error, perlu dilakukan
perhitungan percent error terlebuh dahulu. Percent error (PE) merupakan
kesalahan persentase dari suatu forecasting, di mana:

PE = x 100

Sehingga didapatkan:

PE bulan ke-2 = x 100 = 32,85%

PE bulan ke-3 = x 100 = 14,691%

PE bulan ke-4 = x 100 = 2,054%

dan seterusnya hingga bulan ke-12.

MAPE merupakan jumlah seluruh PE dibagi dengan jumlah data yang di forecast,
sehingga didapatkan hasil:

MAPE = = = 22,399%

6. Adapun perhitungan secara keseluruhan dapat dilihat pada tabel berikut ini:

Next period forecast atau peramalan permintaan untuk periode selanjutnya (tahun
2016) pada Unit Transfusi Darah adalah sebesar 953 stok darah.
7. Berikut merupakan grafik yang didapat dari hasil perhitungan demand dan
forecasting:
 DAFTAR PUSTAKA

Lestari, F. et al. (2017) ‘Forecasting demand in blood supply chain (case study on blood
transfusion unit)’, in Lecture Notes in Engineering and Computer Science, pp. 764–
767.
Yudaruddin, R. (20). Forecasting: untuk Kegiatan Ekonomi dan Bisnis. RV Pustaka Horizon,
Samarinda: 33-38.