PERENCANAAN DAN PENGENDALIAN OPERASI

PERAMALAN
(FORECASTING)

Atikah Aghdhi Pratiwi

Universitas Internasional Semen
Indonesia
E-mail: atikah.pratiwi @uisi.ac.id
Phone : 0822-3001-1430
 PEMAHAMAN AWAL
Apa itu?
Upaya untuk memperkirakan kondisi/nilai di masa depan atau proses
untuk mengenali pola permintaan (demand pattern) pada masa lalu
untuk meramalkan permintaan pada masa yang akan datang. Contoh:
perkiraan jumlah penjualan bulan depan, tahun depan, 5 tahun ke depan, dst.

Dari mana memperkirakannya?

1. Pengalaman masa lalu. Contoh: jumlah penjualan 5 tahun terakhir
2. Kondisi yang sedang berlaku. Contoh: kondisi ekonomi tahun ini yang sedang naik 5%

Contoh penerapan forecasting:

1. Penyususan anggaran atau budget
2. Perencanaan kapasitas
3. Perencanaan penjualan, produksi, dan inventori
4. Perencanaan personalia
5. Perencanaan pembelian, dll
 PEMAHAMAN AWAL
MINI CHALLENGE
Anda adalah seorang manager produksi sebuah perusahaan yang memproduksi
sepatu dan sandal khusus wanita. Saat ini CEO meminta Anda untuk melaporkan
hasil perencaan produksi untuk 1 tahun ke depan, karena perusahaan tidak ingin
konsumen kecewa karena jumlah produk yang tidak mampu memenuhi besarnya
permintaan.
Tantangan: Susunlah sebuah kerangka laporan yang berisi faktor produksi apa saja
yang akan Anda ramalkan. Tidak perlu ditulis jumlahnya, hanya faktornya saja.
Usahakan sedetil dan terstruktur mungkin. Bayangkan saat ini Anda adalah the best
production manager! 15 minutes

QUOTES: Forecasting adalah ilmu dan seni yang harus dimiliki oleh seorang manager
RUMUSAN DAN KEGUNAAN
- Proyeksi masa depan dengan pendekatan matematis
Kuantitatif - Membutuhkan data historis

Jenis
- Berdasarkan model subyektif, intuisi
Forecastin Kualitatif - Dilakukan oleh expert
g
- Campuran kedua metode sebelumnya
Kombinasi

Kegunaan secara sistemik:

Untuk memprediksi besarnya permintaan suatu produk, sebagai dasar
pengkoordinasian dan pengendalian.
Koordinasi dan pengendalian terhadap sumber permintaan dan proses produksi,
sehingga dapat berjalan dengan efisien dan produk dapat di delivery tepat waktu.
RUMUSAN DAN KEGUNAAN
Apa Pentingnya Jangka Waktu?
Digunakan untuk menentukan kebijakan organisasi dan dampaknya bagi kinerja.
Mengukur benefit/cost ratio dan merancang target pencapaian.
Contoh: Pengadaan pembangkit listrik perusahaan untuk 20 tahun operasi. Apakah akan
berdampak positif atau negatif terhadap keuangan dibandingkan dengan prediksi penjualan
(profit) dan biaya yang dikeluarkan. Dan akan membantu menentukan laba potensial dari
produk yang dihasilkan.
JENIS-JENIS FORECASTING

JANGKA PENDEK
Mencakup durasi 3 bulan sampai 1 tahun. Aplikasi: penyusunan rencana
pembelian, penjadwalan pekerjaan (job scheduling), penetapan level tenaga
kerja, pemberian tugas, dan tingkat produksi.

JANGKA MENENGAH
Mencakup masa 1 tahun sampai 3 tahun. Aplikasi: rencana penjualan,
perencanaan produksi, budgeting, dan rencana operasi lainnya

JANGKA PANJANG
Mencakup masa 3 tahun atau lebih. Aplikasi: perencanaan produk baru,
capital expenditure, perencanaan lokasi ekspansi,R&D
JENIS-JENIS FORECASTING
PERBEDAAN FORECAST
FORECAST JANGKA PENDEK
Dilakukan secara detil dan bersifat
operasional
Menggunakan metode matematis
dengan kompleksitas rendah seperti:
moving average, exponential
smoothing, trend extrapolation
Lebih akurat, karena durasi yang
pendek dan kompleksitas rendah
FORECAST JANGKA MENENGAH DAN
PANJANG
Dilakukan secara global dan komprehensif
Menggunakan metode yang kompleks, bisa
dilakukan dengan bantuan model
matematis. Unsur subjektif dan intuisi
expert sangat berperan.
Lebih fleksibel, karena durasi yang lama
dan komplesitas yang tinggi
JENIS-JENIS FORECASTING
PERBEDAAN FORECAST
FORECAST JANGKA PENDEK
Dilakukan secara detil dan bersifat
operasional
Menggunakan metode matematis
dengan kompleksitas rendah seperti:
moving average, exponential
smoothing, trend extrapolation
Lebih akurat, karena durasi yang
pendek dan kompleksitas rendah
FORECAST JANGKA MENENGAH DAN
PANJANG
Dilakukan secara global dan
komprehensif
Menggunakan metode yang kompleks,
bisa dilakukan dengan bantuan model
matematis. Unsur subjektif dan intuisi
expert sangat berperan.
Lebih fleksibel, karena durasi yang lama
dan komplesitas yang tinggi
URGENSI STRATEGIS
Manajer mampu menyiapkan sumber daya dengan lebih
terencana, baik jumlah dan waktunya penyediaannya
Memberikan informasi awal mengenai target organisasi
untuk menyiapkan rencana strategis beserta skenario
alternatif
Mengurangi potensi loss opportunity dari market untuk
mendongkrak pertumbuhan organisasi
JENIS DAN TEKNIK FORECASTING

- Berdasarkan model subyektif, intuisi

Kualitatif - Dilakukan oleh expert

Analisis - Proyeksi masa depan dengan pendekatan matematis

Time - Membutuhkan data historis
Teknik
Series
Forecastin
Causal - Menggunakan regresi linear
g - Adanya keterkaitan antar beberapa
Relationsh
variabel independen terhadap variabel
ip
dependen
- Teknik yang paling rumit dan kompleks.
Simulasi Ada banyak variabel yang saling terkait
dan mempengaruhi dalam sistem.
Klasifikasi Metode Forecast (2)
Kualitatif
Bersifat subyektif
Menggunakan opini seorang atau beberapa ahli sehingga sangat bergantung pada
persepsi masing-masing ahli
Tidak memerlukan data kuantitatif yang lengkap
Biasa digunakan untuk meramalkan produk baru dan demand jangka panjang

Kuantitatif
Bersifat obyektif
Terdapat dua kelompok yaitu time series dan causal method
Menggunakan model statistik-matematik
Memerlukan data kuantitatif yang lengkap
Biasa digunakan untuk meramalkan permintaan pada jangka pendek.

1-11
 Klasifikasi Metode Forecast (3)
Time Series
Permintaan hanya dilihat sebagai fungsi waktu. Permintaan suatu produk dilihat pertumbuhan
alamiahnya, tanpa dicari apa yang menyebabkan pertumbuhan tersebut.

Tidak mudah mengetahui pola data ini sehingga diperlukan metode untuk mempolakan
kumpulan data tersebut (fitting process).

Fungsi yang terbentuk harus semirip mungkin dengan pola data yang ada

Causal Method
Multi Linear Regression

Metode causal melihat pertumbuhan permintaan sebagai fungsi dari perkembangan faktor-
faktor penyebabnya.
Demand t = Ft (Harga, promosi, jumlah distributor, jumlah pesaing)

Terlebih dahulu harus dicari faktor-faktor penyebab tumbuhnya permintaan.

1-12
Tahap-Tahap Forecast

1-13
1. Reading the Actual
Data yang digunakan harus data yang masih relevan dan usahakan mencakup
satu musim penuh (satu tahun)
Pola musiman dikenali sebagai trend
karena data tidak cukup banyak

Demand

Data yang dimiliki

Pola sebenarnya (musiman)

Periode

Jika data yang dimiliki kurang dari setahun maka diperlukan pengetahuan
tambahan (kualitatif) mengenai pola permintaan produk, misalnya untuk
minuman dingin maka diduga kuat jika memiliki pola musiman.
1-14
2. Corrected History dan Outlier (1)
Rata-rata penghasilan lima orang karyawan PT. XXY adalah 7 juta.

Pernyataan ini diintepretasikan oleh kebanyakan orang bahwa lima orang tersebut
berpenghasilan sekitar 7 juta.
(benar jika data tidak mengandung outlier).

25 2 2 2,5 3,5
7
5
Data Outlier

1-15
2. Corrected History dan Outlier (2)
Outlier adalah data aneh yang muncul sebagai akibat adanya kejadian
dan atau kegiatan yang tidak regular. Misalnya bencana alam, pemilu,
perang, promosi dll.

Jika outlier ikut diperhitungkan maka akan diperoleh hasil peramalan yang tidak
akurat. (bisa merusak pola data secara keseluruhan)

Outlier harus dikoreksi untuk mendapatkan data yang benar-benar

menggambarkan pola permintaan masa lalu.

Koreksi sebaiknya dilakukan secara manual, yaitu dengan memasukan

estimasi nilai jika kejadian khusus tersebut tidak terjadi. (berdasarkan
pengalaman).
1-16
 2. Corrected History dan Outlier (3)
Tahun Bulan Maret UCL LCL On Control ?

Kelompokkan data sesuai dengan 1 0,97 0,48 1,86 0,97

periodenya.
2 1,98 0,48 1,86 1,168
Hitung nilai sigma (S.D) dan rataannya. 3 0,87 0,48 1,86 0,87
Lalu tetapkan nilai UCL dan LCL dan
plotkan. Perhatikan data pada tahun 4 0,92 0,48 1,86 0,92
keberapakah yang outlier. 5 1,1 0,48 1,86 1,1
Pada contoh disamping tampak bahwa SD 0,46
data tahun kedua outlier, sehingga dia
Rate 1,168
harus dibuang.
outlier 1,5 Sigma
Untuk menghindari adanya missing
value, maka nilai harus direplace dengan
cara :
Gunakan nilai modus
Atau gunakan nilai rata rata Find the reason
Atau jumlahkan nilai sebelum dan for
sesudah data (pada tahun yang uncontrolling
sama) lalu bagi dua periods. Note We use rate as
this for Replacement of
calculate Missing Value
forecast in the
future
2. Corrected History dan Outlier
(4)

1-18
3.Pemilihan Metode Forecast (2)

1-19
 3. Pemilihan Metode Forecast (3)
Data Historis

1-20
 3. Pemilihan Metode Forecast
(4)
Forecasting dengan berbagai Metode

7000

Data Historis

6000
Seasonal Linear
Regression 12 Periode

5000
Exponential
Smoothing
Linear Regression
4000 (trend)

3000

2000

1000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1-21
 3. Pemilihan Metode
Forecast (5)
Best Methods

1-22
4. Corrected Forecast (Adjustment)
Kondisi perekonomian
Siklus hidup produk (trend dampening).
Kompetisi
Performansi produk
Kualitas produk Faktor-faktor yang harus
diperhatikan dalam melakukan
Reputasi produk adjusment pada statistic
forecast
Kepercayaan konsumen
Harga
Promosi
Teknologi baru
Produk substitusi
Promosi pesaing

1-23
5. Use as Demand Plan
Setelah adjustment, hasil forecast digunakan sebagai input awal dalam
perencanaan produksi dan distribusi

Besarnya demand suatu produk pada masa yang akan datang yang akan
benar-benar dipenuhi ditentukan lagi dengan mempertimbangkan
ketersediaan sumber daya (mesin, bahan baku, tenaga kerja, produk lain yang
lebih menguntungkan, penjadwalan mesin,)

Foreca Kapasita
Produk Final forecast
st s
1000
DPX
ton ?
1500 ton
1200
CWF
ton ?

Dalam menentukan komposisi produk yang akan diproduksi dapat

menggunakan metode-metode optimisasi seperti: linear programming,
non linear programming,..
1-24
 REVIEW

1.Apakah yang dimaksud dengan Forecasting?

2.Apa manfaat dan urgensi strategis dari

Forecasting?

3.Sebutkan jenis-jenis Forecasting berdasarkan sifat

datanya!

4.Sebutkan jenis forecasting berdasarkan jangka

waktunya! 1-25
 Metode Forecast

1-26
 POLA DATA
KONSTAN

1-27
Simple Average
Prediksi permintaan masa depan didasarkan atas rata-rata
dari semua permintaan pada bulan sebelumnya.

Kelebihan:
Mudah

Kekurangan:
Semua data permintaan masa lalu diberi bobot yang sama.
(seharusnya data yang lebih baru diberi bobot yang lebih besar
karena lebih mewakili masa depan(lebih relevan))
Simple Average
N

A i
Period
1
Demand Forecast
10 10
Ft i 1 2 12 11
N 3 14 12
4 15 12.8
5 16 13.4
Contoh: 6 17 14
7 19 14.7
F2 = (10 + 12) / 2
8 21 15.5
F3 = (10 + 12 + 14)/3 = 12 9 23 16.3
F4 = (10 + 12 + 14+15)/4 =
12,8
Moving Average
Prediksi permintaan menggunakan rata-rata n periode terbaru.

Jan Feb Mar Apr May Jun Jul

Moving Average 3 bulan:

Prediksi permintaan bulan juni:
FJun = (AMar + AApr + AMay)/3
Moving Average

t 1

A i
Ft i t n
n

Contoh:
 Simple Moving Average Problem

Week Demand A t-1 + A t-2 + A t-3 +...+A t-n

1 650 Ft =
2 678 n
3 720
4 785 Question: What are the
5 859 3-week and 6-week
6 920 moving average
7 850
8 758
forecasts for demand?
9 892 Assume you only have 3
10 920 weeks and 6 weeks of
11 789 actual demand data for
12 844 the respective forecasts
5/3/17
Simple Moving Average
Problem
Calculating the moving averages
gives us:

F4=(650+678+720)/
3
=682.67
F7=(650+678+720

+785+859+920)/6
=768.67
Weighted Moving Average
FJun = (AMar + AApr + AMay)/3
= (3AMar + 3DApr + 3AMay)/9 semua periode diberi bobot yang sama

Kenapa tidak memberikan bobot yang berbeda?

FJun = (2AMar + 3AApr + 4AMay)/9
FJun = 2/9 AMar + 3/9 AApr + 4/9 AMay

Jumlah bobot harus sama dengan 1.

Ft = (w1At-3 + w2At-2 + w3At-1)/(w1+w2 +w3)
W = + w1 + w2 + w3 and w1 =w1 / W
Ft = w1At-3 + w2At-2 + w3At-2
Weighted Moving Average

Bobot 2/9, 3/9, 4/9

Exponential Smoothing
Ft Ft 1 At 1 Ft 1
Ft 1 Ft 1 At 1

At-1 Permintaan aktual period t-1

Ft-1 Prediksi permintaan periode t-1
Smoothing constant 0< <1
(Smoothing Constant () between 0.1-0.3)

Forecast is old forecast plus a portion of the error of the last forecast.
Exponential Smoothing
Substitusikan Ft 1 At 2 1 Ft 2

Ft At 1 1 Ft 1
Kita dapatkan

Ft At 1 1 At 2 1 Ft 2
2

Jika lanjutkan substitusi kita akan memperoleh:

Ft At 1 1 At 2 1 At 3 1 At 3 1 At 3 ...
2 3 4

Older demands get exponentially less weight

Exponential Smoothing

=0.3
Exponential Smoothing

Per Dem SimpleMov Wtd Exp Sm

1 10 10.0
2 12 10 10.0
3 14 11 11.0
4 15 12 12.0 12.4 12.5
5 16 12.8 13.7 14.0 13.8
6 17 13.4 15 15.2 14.9
7 19 14 16 16.2 15.9
8 21 14.7 17.3 17.7 17.5
9 23 15.5 19 19.4 19.2

=0.5
 POLA DATA TREND

1-40
Trend
Menentukan bagaimana permintaan bertambah (atau
berkurang) dari waktu ke waktu.

Ft = Prediksi permintaan periode t

t = periode
b = kemiringan garis(gradien)
a = Nilai yt pada t = 0

Ft a bt
Computing Values

b
xy n x y

x nx
2 2

a
y b x
y bx
n
 POLA DATA MUSIMAN

1-43
Musiman
1.Musiman tanpa trend
2.Musiman dengan trend
trend : kecenderungan naik atau turun
Seasonal Factors
Indeks Seasonal :
Rata-rata tiap musim / rata-rata keseluruhan

Seasonal factor bulan mei 1.20, berarti permintaan bulan mei 20% lebih besar
diatas rata-rata.
Seasonal Factor bulan July 0.90, berarti permintaan bulan July 10% dibawah
rata-rata.
 Musiman tanpa trend

Sales Factor
Spring 200 200/250 = 0.8
Summer 350 350/250 = 1.4
Fall 300 300/250 = 1.2
Winter 150 150/250 = 0.6

Total 1,000
Avg1,000/4=250
Musiman tanpa trend
If we expected total demand for the next year to be
1,100, the average per quarter would be 1,100/4=275

Forecast
Spring 275 * 0.8 = 220
Summer 275 * 1.4 = 385
Fall 275 * 1.2 = 330
Winter 275 * 0.6 = 165
Total 1,100
Musiman dengan trend

Indeks Seasonal
Regresi Linier + Musiman
Regresi Linier + Musiman(Seasonal Linear
Regression)
Causal Forecasting Model
Causal Model adalah suatu model forecasting yang memandang sesuatu yang
akan kita ramalkan dipengaruhi oleh faktor faktor yang harus didefinisikan terlebih
dahulu.
Sesuatu yang akan kita ramalkan disebut sebagai Dependent Variable sedangkan
faktor faktor yang mempengaruhi disebut sebagai Independent Variable
Model ini lebih sering pula disebut sebagai Multiple Regression, dimana 1 D.V,
didefinisikan oleh n I.V dimana n > 1. Tapi ada beberapa special case untuk causal
model, antara lain :
Simple Regression 1 DV didefinisikan 1 IV + error masuk ke Time Series
Non Seasonal Pattern
Econometric Models Multiple Regression yang dibangun dan dimodelkan
khusus untuk perhitungan indikator ekonomi
Example (Causal Forecasting Models)

Special Advert. Number Sacramento adalah sebuah FO

Periods offer budgets Advert. Sales
terkenal di negara X. Tabel
January 0 47900 20 299900
disamping adalah data Sales
February 2 45600 23 176600
bulan January 2003 November
March 2 10670 7 174600
2003 mereka untuk 99 oulets.
April 1 9900 4 250500
Mereka memperkirakan bahwa
May 2 36200 12 138600
nilai sales sangat dipengaruhi
June 0 4300 2 148100
oleh 3 faktor, yaitu penawaran
July 1 7700 4 207600
khusus (diskon), budget iklan,
August 2 12300 6 149700
dan jumlah iklan di sebuah TV
Septembe
r 1 5700 3 215900
relasi bisnis mereka.
October 2 19100 8 208700
November 0 17300 11 142500
Hitung sales bulan Desember, bila pihak marketing memutuskan akan terjadi 3
hari diskon, 16x iklan, dan Budget iklan U$D 15424 (Using Excell Spreadsheet for
Solution) selama Desember 2003
Analisa Kelayakan Model Regresi yang dipergunakan (SPSS)
53
Evaluasi Forecasts

Forecasts

Demands
Evaluasi Forecasts
Forecast error: et At Ft
n
Mean Absolute MAD (1 / n) ei
Deviation
i 1
n
MSE (1 / n) ei
Mean Squared 2
Error
i 1

n

Mean Absolute MAPE (1 / n) ei / Di 100
Percent Error i 1
 Forecast Accuracy
Data Historis Vs Peramalan
(C oa ted Ivory Board Lokal)
6000

5000

4000
Demand

3000

2000

1000 Error = Expost Forecast-Actual Demand

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Periode
Dat a Hi s t or i s St at i s t i c For ecast

1-56
Error Measures
Cumulative measures summed or averaged over all data
Error Total (ET)
Mean Percentage Error (MPE)
Mean Absolute Percentage Error (MAPE)
Mean Squared Error (MSE)
Root Mean Squared Error (RMSE)

Smoothed measures reflects errors in the recent past

Mean Absolute Deviation (MAD)

1-57
Error Total dan Mean Percentage Error

Sum of all errors Average of percent errors

n
ET e 1 n
MPE PE
t nt 1 t
t 1
Can be positive or negative
Uses raw (positive or negative) errors
ET can be positive or negative Measures bias, should stay close to zero
Measures bias of the forecast
Should stay close to zero

1-58
 MSE, RMSE, MAPE, MAD
Average of squared errors Average of squared errors

n 2 1 n 2
1
MSE e RMSE et
n t 1
nt 1 t Always positive
Measures magnitude of errors
Always positive Units are demand units squared
Measures magnitude of errors
Units are demand units squared
Average of absolute percentage errors Smoothed absolute errors
1 n MAD (10.3)MAD 0.3e
MAPE PE t t 1 t
nt 1 t
Always positive
Always positive Measures magnitude of errors
Measures magnitude of errors Looks at the recent past
Units are percentage

1-59
 Forecast Error
Jangan gunakan Error Total (ET) dan Mean Percentage Error (MPE)
sebagai ukuran keakuratan forecast. ET dan MPE bisa mempunyai
nilai yang kecil namun tidak menunjukkan kalau forecast tersebut
akurat.

Expost
Periode Historical Data Forecast Error

1 14 25 -11

2 11 1 10

3 12 15 -3

4 15 33 -18

5 16 2 14

6 14 21 -7

7 15 33 -18

8 12 7 5

9 13 25 -12

10 16 5 11

11 17 2 15

12 15 1 14

Error Total 0

1-60
 MAD or MSD ?
Penggunaan MSD Sebagai
parameter penentuan
model trend terbaik
dikarenakan alasan
minimasi variansi. Artinya
kita tidak menghendaki
model equations yang tiba
tiba errornya drop terlalu
tinggi. Mungkin untuk Terdapat dua buah metode forecasting, katakanlah
jelasnya berikut dapat Metode 1 dan 2. Error (selisih mutlak antara data aktual
dilihat pada tabulasi ini dan fit) dapat dilihat pada tabulasi di samping. Mari kita
hitung MAD :
MAD not always become the MAD = ERROR METODE / n
small value when MSD did. MAD1 = 17/5 = 5.67
So do the opposite. When MAD2 = 23/3 = 7.67
Tampak dari sini MAD metod 1 lebih kecil daripada
Its happen what model you metode 2. Tapi sekarang coba perhatikan perbandingan
will choose ? MSD-nya :
MSD = (Error Metode)2 / n
MSD1 = (1 + 4 + 1 + 1 + 121 + 1) / 5 = 129 / 5 = 25.8
MSD2 = (9 + 16 + 36 + 9 + 9 + 9) / 5 = 88 / 5 = 17.6
HOT ISSUE IN FORECASTING
Agrregate Forecasting is more accurate than single forecast
For MTS, Colllaboration idea has been developed to minimizing error and
uncertainty
Watch out with Bullwhip phenomenon, when all part in your Supply Chain
doing a forecast with same purposes !
Forecasting can become an operational activity, or just can become a strategic
activity ! Clearly your forecasting goals !
Combination of subjective and objective methods is the most methods that
implement by many company nowadays
Final Thoughts- Big Picture
Time is the enemy of the logistics planner because time
means uncertainty.
Forecasting is often essential but think in terms of
reducing the importance / impact of the forecast.
How ? Remember reduction in the cycle time, demand
management, Information systems, and JIT ideas.
Kesimpulan (1)
Terdapat 5 pola permintaan yaitu konstan, trend, seasonal, seasonal
trend dan sporadic.
Untuk setiap pola permintaan terdapat beberapa metode forecast yang
dapat digunakan.
Data yang tidak baik(mengandung outlier, tidak lengkap, tidak relevan)
tidak akan bisa menghasilkan ramalan yang baik.
Data aneh yang merupakan kejadian khusus harus dikoreksi lebih
dahulu sebelum melakukan forecast.
Penggunaan data yang banyak tidak selalu memberikan peramalan yang
akurat. Hal ini terjadi jika data tersebut sudah tidak relevan lagi atau
kondisi sudah jauh berubah

1-64
Kesimpulan(2)
Asumsi dasar forecast adalah bahwa pola permintaan akan terus berlanjut di
masa depan. Jika kondisi berubah maka diperlukan adjustment.
Tidak ada metode yang selalu terbaik untuk semua pola permintaan produk.
Metode forecast yang dipilih merupakan metode yang memiliki error terkecil.
Jangan pergunakan error total (ET) dan mean percentage error (MPE) sebagai
ukuran keakuratan forecast.
Kesalahan yang kecil pada tahap perencanaan mempunyai dampak yang
besar pada distribusi dan produksi.Oleh karena itu, tujuan utama demand
planning adalah menghasilkan ramalan permintaan yang seakurat mungkin.

1-65
 Terima Kasih

1-66