PERENCANAAN

PERMINTAAN DALAM
SUPPLY CHAIN
 Pendahuluan

Permintaan adalah jumlah barang atau jasa yang

ingin dan mampu dibeli oleh konsumen, pada
berbagai tingkat harga, dan pada waktu tertentu.
Perencanaan dan pengendalian aktifitas logistik
memerlukan perkiraan yang akurat dari volume
produk dan jasa yang ditangani dalam rantai
persediaan.
Perkiraan diwujudkan dalam peramalan/
forecasting
 Definisi Peramalan

Peramalan adalah prediksi,

estimasi, proyeksi atau
perkiraan akan suatu
peristiwa yang tidak pasti di
masa yang akan datang,
didasarkan pada data
historis, agar kesalahan yang
mungkin terjadi dapat
diperkecil.
 Peran Peramalan dalam Supply Chain

Dasar untuk semua keputusan perencanaan dalam

rantai pasokan
Digunakan untuk proses push dan pull
Penjadwalan produksi, persediaan
Alokasi tenaga penjualan, promosi, pengenalan produk
baru
Investasi peralatan, perencanaan anggaran
Perencanaan tenaga kerja, menambah karyawan, PHK

Semua keputusan tersebut saling terkait

 Karakteristik Forecasting

1. Hasil peramalan tidak selalu akurat, sehingga

harus disertai dengan estimasi kesalahan
2. Peramalan jangka panjang biasanya kurang
akurat dibandingkan peramalan jangka pendek
3. Secara umum, semakin panjang rantai
pasokan, semakin besar distorsi informasi yang
diterimanya
 Faktor Yang Mempengaruhi Peramalan

Permintaan suatu produk sangat dipengaruhi oleh faktor

lingkungan yang saling berinteraksi dalam pasar yang
berada di luar kendali perusahaan.
Faktor lingkungan yang mempengaruhi peramalan :
1. Kondisi umum bisnis dan ekonomi
2. Reaksi dan tindakan pesaing
3. Tindakan pemerintah
4. Kecenderungan pasar
5. Siklus hidup produk
6. Gaya dan mode
7. Perubahan permintaan konsumen
8. Inovasi teknologi
 Peran TI dalam Peramalan

Modul peramalan/perkiraan adalah inti dari

software Supply Chain
Dapat digunakan untuk menentukan metode
perkiraan terbaik bagi perusahaan dengan
kategori produk dan pasar
Membantu perusahaan merespon perubahan
pasar dengan cepat
Memfasilitasi kebutuhan perencanaan
 Metode Peramalan

Metode Kualitatif / Subyektif

Berhubungan dengan data-data kualitatif, misalnya
tentang selera konsumen terhadap suatu produk, atau
survey tentang loyalitas konsumen, dan lain-lain

Metode Kuantitatif
Menggunakan berbagai model matematis yang
menggunakan data historis atau variabel kausal untuk
memperkirakan permintaan.
 Peramalan Kualitatif

Metode kualitatif digunakan jika data historis atau

variabel yang akan diramal tidak ada, tidak cukup, atau
kurang dapat dipercaya.
Metode ini juga disarankan jika lingkungan dan
teknologi sedang atau diperkirakan akan mengalami
perubahan drastis.
Input utama metode ini adalah judgement, opini dan
pengalaman.
Karena alasan itu, metode ini juga dinamakan
judgemental, subjective, intuitive, atau technological
forecasting method.
 Peramalan Kualitatif

Terdapat 5 teknik peramalan kualitatif :

Opini dari Eksekutif dan Manajer Senior

Riset Pasar
Metode Delphi (ditentukan dalam suatu panel)
Grass Roots (berdasarkan wilayah penjualan)
Hystorical Analogy / Pendekataan Naif (berdasarkan
permintaan periode sebelumnya)
 Peramalan Kuantitatif

Secara garis besar dibagi menjadi dua kelompok :

Metode Deret Berkala (Time Series)
Model Kausal

Teknik yang digunakan dalam peramalan kuantitatif:

1. Rata-rata bergerak (Moving Average)
2. Penghalusan Eksponensial (Exponential Smoothing)
3. Proyeksi Trend (Trend Projection)
4. Regresi Linier (Linear Regression)
 Peramalan Kuantitatif

Metode Time Series

Memprediksi penjualan dengan asumsi bahwa
masa depan adalah hasil dari fungsi dari masa
lalu.

Tiga kondisi yang harus dipenuhi, yaitu:

Tersedia informasi tentang masa lalu
Informasi dapat dikuantitatifkan dalam bentuk data
numerik
Diasumsikan pola masa lalu akan terus berlanjut.
 Peramalan Kuantitatif

Time Series memiliki 4 komponen:

Kecenderungan/Trend (T)
Gerakan ekonomi dengan kecenderungan yang sifatnya jangka
panjang, yang berhubungan dengan serangkaian karakteristik
ekonomi
 Peramalan Kuantitatif

Time Series.....
Musiman/Seasonal (S)
Kegiatan yang memiliki pola yang sama yang terjadi pada bulan-
bulan tertentu yang dipengaruhi oleh budaya masyarakat
 Peramalan Kuantitatif

Time Series.....
Siklus/Cyclical (C)
Rangkaian perekonomian dalam jangka panjang yang sangat
dipengaruhi oleh siklus usaha yang kegiatannya seringkali naik
turun.
 Peramalan Kuantitatif

Time Series.....
Variasi Acak/Random (R)
Pola yang tidak beraturan yang dipengaruhi oleh perubahan
mendadak dan sulit diprediksi.
 Metode Moving Averages

Metode Moving Average biasa digunakan untuk

melakukan forecast hal-hal yang bersifat random,
artinya tidak ada gejala trend naik maupun turun,
musiman dan sebagainya, melainkan sulit diketahui
polanya.
Terdapat 2 pendekatan moving average:
Single Moving Average (rata-rata bergerak sederhana)

Weighted Moving Average (rata-rata bergerak

tertimbang)
 Simple Moving Averages

Metode Simple Moving Averages mempunyai 2 sifat

khusus:
Untuk membuat forecast diperlukan data masa lalu
selama jangka waktu tertentu.
Semakin panjang moving averages, maka akan
menghasilkan moving averages yang semakin halus.
 Simple Moving Averages

Metode rata-rata bergerak sederhana memprediksi

dengan cara mencari rata-rata dari data n periode
sebelumnya.
Sehingga:
X t X t -1 ... X t -n 1
St 1
n

St+1 = Forecast untuk periode ke t+1

Xt = Data periode t
n = Jangka waktu moving averages.
 Simple Moving Averages

Misal:
Untuk mendapatkan angka perkiraan dengan
menggunakan metode rata-rata bergerak 3 bulan ,
maka perkiraan data berikutnya sebesar rata-rata 3
bulan sebelumnya.

Untuk mendapatkan angka perkiraan dengan

menggunakan metode rata-rata bergerak 5 bulan ,
maka perkiraan data berikutnya sebesar rata-rata 5
bulan sebelumnya.
 Simple Moving Averages

Contoh: Peramalan penjualan bulan April dengan metode

peramalan rata-rata bergerak 3 bulan adalah:
Penjualan Januari : 20.000 kg
Februari : 21.000 kg
Maret : 19.000 kg
April :?
X 3 X 2 X1
S4
3
19.000 21.000 20.000
S4
3
S4 20.000
 Weighted Moving Averages

Metode rata-rata bergerak tertimbang

memprediksi dengan cara memberikan bobot
kepada data n periode sebelumnya, kemudian
membaginya dengan jumlah bobot.
Bobot terbesar diberikan ke data 1 (satu) periode
sebelumnya
 Weighted Moving Averages

Misal:
Untuk mendapatkan angka perkiraan dengan
menggunakan metode rata-rata bergerak
tertimbang n bulan, maka perkiraan data
berikutnya adalah:

(bobot untuk periode n) * (permintaan dalam periode n)

WMA =
bobot
 Weighted Moving Averages

Cara memberikan bobot:

Bulan Permin Bobot Periode
Misal terdapat data taan
permintaan seperti dalam Januari 20
tabel, untuk prediksi Pebruari 24 1 3 bln lalu
permintaan pada bulan Mei, Maret 21 2 2 bln lalu
maka pembobotannya adalah April 19 3 bln lalu
sebagai berikut : Mei ?

(3 x 19) + (2 x 21) + (1 x 24)

Sehingga: Perkiraan bl Mei = = 20,5
3+2+1
 Akurasi Peramalan

Pengukuran akurasi peramalan dapat dilakukan dengan

beberapa cara, antara lain :
1. MAE (Mean Absolute Error) = Rata-rata Kesalahan Absolut

2. MSE (Mean Square Error) = Rata-Rata Kuadrat Kesalahan

3. MAD (Mean Absolute Deviation) = Rata-rata Deviasi Mutlak

4. MFE (Mean Forecast Error) = Rata-Rata Kesalahan Peramalan

5. MAPE (Mean Absolute Percentage Error) = Rata-Rata

Persentase Kesalahan Absolut
 Akurasi Peramalan

MAE (Mean Absolute Error)

Mean Absolute Error (MAE) adalah rata-rata absolute dari
kesalahan meramal, tanpa menghiraukan tanda positif
atau negatif.

E = kesalahan
Xt = data aktual
St = data hasil peramalan
n = jumlah periode
 Akurasi Peramalan

MSE (Mean Square Error)

MSE dihitung dengan menjumlahkan kuadrat semua
kesalahan peramalan pada setiap periode dan
membaginya dengan jumlah periode peramalan.
Rumus matematisnya adalah :

t t
X S 2

E
n
E = kesalahan
Xt = data aktual
St = data hasil peramalan
n = jumlah periode
 Contoh Soal Simple Moving Averages

Contoh soal:
Tahun 2014 Permintaan
Sebuah perusahaan memiliki data
permintaan selama tahun 2014 Januari 20
seperti disajikan pada tabel. Februari 21
Maret 19
Hitung berapa kira-kira
April 17
permintaan pada bulan Januari
Mei 22
2015, dan berapa perkiraan Juni 24
kesalahan akurasinya apabila Juli 18
menggunakan metode rata-rata Agustus 23
bergerak 3 bulan dan rata-rata September 20
bergerak 5 bulan ? Oktober 25
November 22
Desember 24
Jawaban rata2 bergerak 3 bulan (1)

Mencari forecast untuk Tahun 2014 Permintaan Forecast 3

rata-rata bergerak 3 bulan

bulan. Januari 20 -
Februari 21 -
Hasilnya sbb
Maret 19 -
April 17 20.00
Mei 22 19.00
Juni 24 19.33
Juli 18 21.00
Agustus 23 21.33
September 20 21.67
Oktober 25 20.33
November 22 22.67
Desember 24 22.33
Jawaban rata2 bergerak 3 bulan (2)

Mencari Mean Absolute Error & Mean Square Error untuk

rata-rata bergerak 3 bulan, dengan cara sbb:
Absolut
Tahun 2014 Permintaan Forecast Error Error 2
Error
Januari 20 - - - -
Februari 21 - - - -
Maret 19 - - - -
April 17 20,00 -3,00 3,00 9,00
Mei 22 19,00 3,00 3,00 9,00
Juni 24 19,33 4,67 4,67 21,78
Juli 18 21,00 -3,00 3,00 9,00
Agustus 23 21,33 1,67 1,67 2,78
September 20 21,67 -1,67 1,67 2,78
Oktober 25 20,33 4,67 4,67 21,78
November 22 22,67 -0,67 0,67 0,44
Desember 24 22,33 1,67 1,67 2,78
Jumlah : 24,00 79,33
Jawaban rata2 bergerak 3 bulan (3)

Mean Absolute Error

Mean Squared Error

t t
X S 2

E
n
Jawaban rata2 bergerak 3 bulan (4)

Prediksi permintaan pada bulan Januari 2015

dengan metode rata-rata bergerak 3 bulan adalah:

Dengan MAE sebesar 2,67 dan MSE sebesar

8,81
Jawaban rata2 bergerak 5 bulan (1)

Mencari forecast untuk Tahun 2014 Permintaan Forecast

rata-rata bergerak 5 5 bulan
bulan. Januari 20 -
Februari 21 -
Hasilnya sbb
Maret 19 -
April 17 -
Mei 22 -
Juni 24 19.80
Juli 18 20.60
Agustus 23 20.00
September 20 20.80
Oktober 25 21.40
November 22 22.00
Desember 24 21.60
Jawaban rata2 bergerak 5 bulan (2)

Mencari Mean Absolute Error & Mean Square Error untuk

rata-rata bergerak 5 bulan, dengan cara sbb:

Absolut
Tahun 2014 Permintaan Forecast Error Error 2
Error
Januari 20 - - - -
Februari 21 - - - -
Maret 19 - - - -
April 17 - - - -
Mei 22 - - - -
Juni 24 19,80 4,20 4,20 17,64
Juli 18 20,60 -2,60 2,60 6,76
Agustus 23 20,00 3,00 3,00 9,00
September 20 20,80 -0,80 0,80 0,64
Oktober 25 21,40 3,60 3,60 12,96
November 22 22,00 0,00 0,00 0,00
Desember 24 21,60 2,40 2,40 5,76
Jumlah : 16,60 52,76
Jawaban rata2 bergerak 5 bulan (3)

Mean Absolute Error

Mean Squared Error

t t
X S 2

E
n
Jawaban rata2 bergerak 5 bulan (4)

Prediksi permintaan pada bulan Januari 2015

dengan metode rata-rata bergerak 5 bulan adalah:

Dengan MAE sebesar 2,37 dan MSE sebesar

7,54
Kesimpulan

Jadi, prediksi permintaan pada bulan Januari 2015

adalah:

Metode MA Hasil Prediksi MAE MSE

Rata2 bergerak 3 bln 23,67 2,67 8,81
Rata2 bergerak 5 bln 22,8 2,37 7,54
 Contoh Soal Weighted Moving Averages

Contoh soal:
Tahun 2014 Permintaan
Dengan data yang sama dengan
soal sebelumnya, hitung berapa Januari 20
kira-kira permintaan pada bulan Februari 21
Maret 19
Januari 2015, dan berapa
April 17
perkiraan kesalahan akurasinya
Mei 22
apabila menggunakan metode Juni 24
rata-rata bergerak tertimbang 3 Juli 18
bulan dan rata-rata bergerak Agustus 23
tertimbang 5 bulan ? September 20
Oktober 25
November 22
Desember 24
Jawaban rata2 bergerak tertimbang 3 & 5 bulan (1)

Forecast Absolut Forecast Absolut

Tahun 2014 Permintaan Error Error 2 Error Error 2
3 bln Error 5 bln Error
Januari 20 - - - - - - - -
Februari 21 - - - - - - - -
Maret 19 - - - - - - - -
April 17 19,83 -2,83 2,83 8,03 - - - -
Mei 22 18,33 3,67 3,67 13,44 - - - -
Juni 24 19,83 4,17 4,17 17,36 19,80 4,20 4,20 17,64
Juli 18 22,17 -4,17 4,17 17,36 21,20 -3,20 3,20 10,24
Agustus 23 20,67 2,33 2,33 5,44 20,33 2,67 2,67 7,11
September 20 21,50 -1,50 1,50 2,25 21,33 -1,33 1,33 1,78
Oktober 25 20,67 4,33 4,33 18,78 21,07 3,93 3,93 15,47
November 22 23,00 -1,00 1,00 1,00 22,27 -0,27 0,27 0,07
Desember 24 22,67 1,33 1,33 1,78 22,27 1,73 1,73 3,00
Jumlah : 25,33 85,44 17,33 55,32
Jawaban rata2 bergerak tertimbang 3 & 5 bulan (2)

MAE & MSE untuk rata-rata bergerak tertimbang 3 dan 5

bulan adalah :
Jawaban rata2 bergerak 3 bulan (3)

Prediksi permintaan pada bulan Januari 2015

dengan metode rata-rata bergerak tertimbang 3
bulan adalah:

Dengan MAE sebesar 2,81 dan MSE sebesar

9,49
Jawaban rata2 bergerak 5 bulan (4)

Prediksi permintaan pada bulan Januari 2015

dengan metode rata-rata bergerak tertimbang 5
bulan adalah:

Dengan MAE sebesar 2,48 dan MSE sebesar

7,90
Kesimpulan

Jadi, prediksi permintaan pada bulan Januari 2015

adalah:

Metode MA Hasil Prediksi MAE MSE

Rata2 bergerak 23,50 2,81 9,49
tertimbang 3 bln
Rata2 bergerak 23,07 2,48 7,90
tertimbang 5 bln
 Membandingkan Metode
Perbandingan error antara 3 bulan dan 5 bulan moving
average :

Metode MA Hasil Prediksi MAE MSE

Rata2 bergerak 3 bln 23,67 2,67 8,81
Rata2 bergerak 5 bln 22,8 2,37 7,54
Rata2 bergerak tertimbang 23,50 2,81 9,49
3 bln
Rata2 bergerak tertimbang 23,07 2,48 7,90
5 bln

Berdasarkan perbandingan tersebut, moving average

dengan jangka waktu lebih lama, penyimpangan pada hasil
peramalannya akan lebih kecil.
 Kelemahan Moving Averages

Rata-rata bergerak sederhana dan tertimbang

efektif dalam menghaluskan fluktuasi pada
permintaan yang tak terduga guna menghasilkan
estimasi yang stabil.
Kelemahan teknik rata-rata bergerak:
Meningkatkan ukuran n (jml periode yang dirata-ratakan)
bisa menghaluskan fluktuasi dengan lebih baik, tetapi
kurang sensitif untuk perubahan nyata dalam data
Karena merupakan rata-rata, maka akan selalu berada
dalam tingkat masa lalu dan tidak akan memprediksi
perubahan ke tingkat yang lebih tinggi atau lebih rendah.
LATIHAN SOAL
Sebuah perusahaan elektronik Tahun Penjualan
(jutaan Rp)
PT. X memutuskan untuk
1994 500
meramal penjualannya dengan
1995 365
pemberian timbangan pada
1996 430
empat tahun sebelumnya.
1997 445
Perusahaan juga menghendaki 1998 389
kira-kira berapa tingkat 1999 381
kesalahan dari hasil peramalan 2000 326
tersebut. 2001 387
Data yang dimiliki adalah data 2002 417
penjualan dari sebelas tahun 2003 411
terakhir sebagai berikut: 2004 338
 Penjualan
Tahun S X-S |X-S| |X-S|^2
(jutaan Rp)
1994 500
1995 365
1996 430
1997 445
1998 389 430,00 (41,00) 41,00 1.681,00
1999 381 411,60 (30,60) 30,60 936,36
2000 326 401,10 (75,10) 75,10 5.640,01
2001 387 367,00 20,00 20,00 400,00
2002 417 367,70 49,30 49,30 2.430,49
2003 411 386,20 24,80 24,80 615,04
2004 338 399,50 (61,50) 61,50 3.782,25
302,30 15.485,15

S 380,60
MSE 2.212,16
MAE 43,19