Manajemen Operasional

(MANAJEMEN PERMINTAAN)
(week 11)
Dr. Indro Kirono,Drs.Ec.,MM.,chrm
Tujuan Instruksional:

Setelah mempelajari bab ini mahasiswa diharapkan mampu ;

• Menjelaskan manajemen permintaan
• Mengetahui definisi dan jenis-jenis peramalan
• Menjelaskan jenis-jenis metode peramalan kualitatif
• Menghitung peramalan menggunakan metode-metode peramalan
kuantitatif
• Menentukan metode peramalan yang terbaik berdasarkan
perhitungan error.
Ruang Lingkup Kegiatan Manajemen
Permintaan
Tujuan dari manajemen permintaan adalah untuk melakukan
koordinasi dan mengendalikan semua sumber permintaan sehingga
sistem produksi bisa digunakan secara efisien dan produk bisa
dihantarkan tepat waktu (Chase Aquilano;2006).
Sumber permintaan itu sendiri ada dua jenis: permintaan dependen
dan permintaan independen.
Permintaan dependen adalah permintaan akan suatu produk atau jasa
yang disebabkan permintaan produk atau jasa yang lain.
Permintaan independen adalah permintaan akan suatu produk atau
jasa yang tidak dipengaruhi oleh produk atau jasa lain.
Permintaan dependen dan permintaan independen
Keterangan gambar :
A = Kue tart F = Telur
B = Kue cake G = Gula halus
C = Krem penghias H = mentega putih
D = Tepung terigu I = pewarna kue
E = Mentega
Banyaknya mentega, tepung terigu, gula halus yang dibutuhkan tergantung pada banyaknya permintaan kue
tart. Oleh karena itu permintaan akan produk D sampai dengan I termasuk permintaan dependen
Permintaan kue tart, tidak tergantung kebutuhan produk yang lain oleh karena itu permintaan kue tart disebut
permintaan independen.
Perusahaan tidak bisa berbuat banyak pada permintaan dependen,
tetapi banyak perusahaan melakukan pengaturan pada permintaan
independen. Perusahaan dapat melakukan 2 kategori :
Active role : manajemen permintaan secara aktif, biasanya dilakukan
ketika perusahaan memiliki cukup dana dan ide – ide kreatif, seperti :
meningkatkan bonus penjualan, memberikan diskon dsb.
Passive role : manajemen permintaan secara pasif, biasanya dilakukan
perusahaan ketika kapasitas sudah penuh, pangsa pasar sudah tidak
memungkinkan untuk bertambah atau perusahaan tidak memiliki
cukup dana untuk mempengaruhi permintaan.
Manajemen Permintaan
Komponen-Komponen Permintaan
Dalam banyak kasus permintaan suatu produk atau jasa dapat dibagi
menjadi 6 komponen : rata-rata permintaan, trend, elemen musiman,
elemen cyclical, variasi random dan autokorelasi (Chase aquilano ;
2006).
Komponen –Komponen Permintaan
Definisi dan Jenis Peramalan
Peramalan adalah proses yang dilakukan untuk memprediksi kondisi
dimasa yang akan datang.
Hasil dari peramalan dalam bisnis digunakan sebagai dasar
pengambilan keputusan di bagian produksi untuk perencanaan
persediaan, personil yang akan terlibat maupun fasilitas yang akan
digunakan untuk memenuhi permintaan konsumen.
Ada 2 jenis metode peramalan, metode kualitatif dan metode
kuantitatif.
Metode kuantitatif itu sendiri dibagi lagi menjadi analisis time series,
hubungan kausal dan simulasi.
Metode kualitatif merupakan metode peramalan yang bersifat
subyektif dengan menggunakan pertimbangan berdasarkan estimasi
dan opini.
Perbedaan Penggunaan Metode Kualitatif dan Metode Kuantitatif

METODE KUALITATIF METODE KUANTITATIF

-Digunakan ketika data yang tersedia sedikit - Digunakan ketika data historis tersedia dan
dan situasinya kurang jelas situasinya stabil
Contoh : produk baru, tehnologi baru Contoh : produk dan teknologi yang sdh ada
- Membutuhkan intuisi dan pengalaman - Membutuhkan tehnik matematika
Metode Peramalan Kualitatif
Metode Peramalan Kualitatif
Grass Root :

Metode ini menggunakan pendapat orang-orang yang berhubungan

langsung dengan konsumen seperti bagian pengantar barang atau
bagian tenaga penjualan, untuk memberikan masukan berapa jumlah
permintaan konsumen di masa yang akan datang, karena mereka yang
dianggap paling tahu dengan persis berapa jumlah yang diinginkan oleh
konsumen.
Penelitian pasar

Metode ini menggunakan metode penelitian untuk mengetahui jumlah

permintaan konsumen di masa yang akan datang dengan menggunakan
kusioner atau dengan wawancara. Metode ini memperbesar masukan
dari pelanggan atau calon pelanggan tanpa melihat rencana pembelian
ke depan. Metode ini tidak hanya untuk membantu ramalan tetapi juga
untuk memperbaiki desain produk.
Analogi historis

Metode ini digunakan untuk meramalkan produk yang hanya memiliki

sedikit data atau bahkan tidak memiliki data historis, seperti jumlah
permintaan suatu produk yang baru. Karena tidak memiliki data
historis, maka peramalan menggunakan produk baru yang memiliki tipe
sama.
Contoh : ketika perusahaan akan meluncurkan minuman kopi instan
three in one maka perusahaan menggunakan data minuman kopi two
in one yang sekarang sudah ada dan sudah beredar.
Pendapat eksekutif

Metode ini digunakan, karena dalam peramalan tidak hanya

membutuhkan data historis yang berhubungan langsung dengan
konsumen tetapi perlu juga ada pertimbangan faktor makro atau faktor
yang membutuhkan keilmuan tertentu.
Panel konsensus

Proses ini digunakan dengan dasar bahwa pendapat banyak orang akan
lebih baik dibandingkan pendapat dari satu orang. Pada metode
beberapa orang dari berebagai level berkumpul untuk memberi
masukan dalam proses peramalan. Kelemahan metode ini adalah,
bahwa pendapat dari level yang lebih bawah biasanya mendapatkan
bobot yang lebih kecil dibandingkan pendapat dari level atas/eksekutif
Kelemahan ini kemudian diperbaiki dengan menggunakan metode
Delphi.
Metode Delphi

Metode ini memperbaiki pembobotan pendapat yang berbeda pada panel konsensus, dengan
memberi bobot yang sama pada setiap pendapat baik itu untuk level bawah maupun level
atas.
Proses ini memungkinkan para ahli yang tinggal di berbagai lokasi, untuk membuat ramalan.
Ada tiga partisipan dalam proses Delphi, pengambil keputusan, personel staf dan responden.
Pengambil keputusan biasanya beranggotakan 5 sampai dengan sepuluh ahli yang akan
membuat ramalan aktual.
Personel staf membantu pengambil keputusan dengan menyiapkan, mendistribusikan,
mengumpulkan dan meringkas serangkaian kuisioner dan hasil survei.
Responden adalah kelompok orang yang keputusannya dinilai dan diperhatikan. Kelompok ini
memberi masukan kepada pengambil keputusan sebelum ramalan dibuat.
Metode Peramalan Kuantitatif

Metode peramalan kuantitaif yang akan dibahas disini mencakup

analisis time series dan hubungan kausal yang dicari dengan
menggunakan metode regresi.
a. Analisis Time Series
Metode ini menggunakan data dimasa yang lalu untuk memprediksikan data
dimasa yang akan datang. Ada beberapa model yang dipakai, yaitu ; metode
rata-rata sederhana, metode rata-rata tertimbang, model exponential
smoothing. Pemilihan metode berdasarkan :
1. Horison waktu yang dibutuhkan untuk peramalan,
2. Ketersediaan data,
3. Akurasi yang dibutuhkan,
4. Besarnya anggaran peramalan
5. Ketersediaan personil yang memiliki kualifikasi untuk melakukan peramalan.
• Berikut akan dijelaskan lebih lanjut contoh soal untuk analisis time series.
a.1. Metode Rata-Rata Bergerak Sederhana
Asumsi yang digunakan dalam model ini adalah bahwa rata-rata merupakan
alat estimasi yang bagus untuk melihat pola perilaku dimasa yang akan
datang.
Rumus dasar :

A t -1 + A t -2 + A t -3 + ... + A t -n
Ft =
n ............(10.1)

Keterangan :

Ft : peramalan periode tertentu

n : Jumlah periode dari data yang dirata-rata

A : Data aktual di masa lalu sesuai dengan urutan selama n periode

t-1 : urutan data di masa yang lalu

Contoh soal

PT ” Gembur ” memiliki data bulanan penjualan produk karpetnya selama tahun

2007 yang tertuang pada tabel berikut :

Bulan 1 2 3 4 5 6 7 8 9 10 11 12

Jumlah 65 67 72 78 85 92 85 75 89 92 78 84
0 8 0 5 9 0 0 8 2 0 9 4
permintaa
n

Pertanyaan

a. Hitung peramalan dengan menggunakan rata-rata sederhana 3 bulanan

dan rata-rata sederhana 6 bulanan untuk bulan Desember 2007 dan
Januari 2008!

b. Apa perbedaan hasil yang terlihat dari dua model tersebut ? model
mana yang sebaiknya digunakan oleh PT ” Gembur” sehingga hasil
peramalannya lebih mendekati aktualnya?
 Jawab :

a.

Peramalan bulan Desember 2007

Rata-rata 3 bulanan Rata-rata 6 bulanan

789  920  892  758  850  920

789  920  892 F6 = =
F3 = = 867 6
3
855

Peramalan bulan Januari 2008

Rata-rata 3 bulanan Rata-rata 6 bulanan

844  789  920  892  758  850

844  789  920 F6 = =
F3 = = 851 6
3
843
Perbedaan hasil terlihat dari jumlah permintaan yang dihasilkan dari perhitungan
peramalan. Jika dilihat dari peramalan bulan Desember 2007, hasil peramalan
yang mendekati data aktualnya adalah dari model rata-rata 6 bulanan. Hasil
dalam bentuk grafik dapat dilihat pada gambar dibawah ini.
a. B.

950

900

850
P e rm in t a a n

800

750 permintaan

700 3-Week
6-Week
650

600

550

500
1 2 3 4 5 6 7 8 9 10 11 12
m inggu
a.2. Metode Rata-Rata Tertimbang
Pada metode rata-rata sederhana, semua data baik data sebulan yang
lalu atau data dua bulan yang lalu dianggap memiliki bobot yang sama.
Hal ini diperbaiki dengan adanya metode rata-rata tertimbang yang
memiliki asumsi bahwa data aktual yang waktunya mendekati data
yang diramalkan memiliki bobot yang besar.
contoh jika kita meramalkan penjualan bulan April, maka bobot data
aktual terbesar pertama adalah data penjualan bulan Maret (t-1),
kemudian bobot data aktual terbesar kedua adalah bulan Februari dan
seterusnya
 . Rumus dasar yang digunakan :

Ft = w 1A t -1 + w 2 A t -2 + w 3 A t -3 + ... + w n A t -n .............(10.2)

n
Dimana jumlah seluruh bobot tertimbang  wadalah
i =1
=1 i satu
...(10.2
.1)

Keterangan :

Ft : peramalan periode tertentu

w : Bobot tertimbang dari ke data aktual

A : Data aktual di masa lalu sesuai dengan urutan data

t-1 : urutan data di masa yang lalu

Contoh soal 2 :

PT GEMBUR pada contoh soal 1 memiliki ketentuan bahwa data aktual yang
berpengaruh pada perhitungan peramalan hanya data aktual selama 3 bulan
terakhir dengan proporsi bobot sebagai berikut :

No Data aktual yang ke Bobot

1 t-1 0,6

2 t-2 0,3

3 t-3 0,1

Pertanyaan :
Tentukan hasil peramalan bulan Oktober sampai dengan bulan Desem ber
dengan menggunakan metode rata-rata tertimbang
JAWAB
Diketahui data aktual penjualan PT ”GEMBUR” selama tahun 2007

Bulan 1 2 3 4 5 6 7 8 9 10 11 12

Jumlah 65 67 72 78 85 92 850 758 892 920 789 84

0 8 0 5 9 0 4
perminta
an

Data yg t-3 t-2 t-1

dibutuhk
(0,1 (0,3 (0,6
an utk
) ) )
ramalan
bln Okt

Data yg t-3 t-2 t-1

dibutuhk
(0,1 (0,3 (0,6
an utk
) ) )
ramalan
bln Nop

Data yg t-3 t-2 t-1

dibutuhk
(0,1 (0,3 (0,6
an utk
) ) )
ramalan
bln Des
Perhitungan Peramalan
No Ramalan utk bulan Perhitungan
1 Oktober 892 (0,6) + 758 (0,3) + 850 (0,1) = 847,6
2 Nopember 920 (0,6) + 892 (0,3) + 758 (0,1) = 895,4
3 Desember 789 (0,6) + 920 (0,3) + 892 (0,1) = 838,6
Menurut Heizer Render, metode rata-rata diatas baik itu rata-rata
sederhana maupun tertimbang memiliki kerugian, yaitu :
1.Semakin besar n atau data aktual yang dirata-rata maka semakin kecil
tingkat sensitivitas data. Hal ini dapat dilihat dari gambar 11.5,
penggambaran untuk data rata-rata 3 bulanan lebih fluktuatif
dibandingkan gambar rata-rata 6 bulanan.
2.Tidak meramalkan tren dengan baik
3.Membutuhkan banyak data historis
a.3. Model Exponential Smoothing
Pada model ini tidak membutuhkan banyak data historis, sebagaimana
pada metode rata-rata tertimbang, dengan mengasumsikan bahwa data
yang dibutuhkan dan yang memiliki pengaruh hanyalah data paling
yang dekat (t-1) dengan data yang akan diramalkan. Untuk penyesuaian
adanya kecenderungan perubahan data, maka ditambahkan α untuk
smoothing data.
 Rumus dasar yang digunakan adalah :

Ft = Ft-1 + α (At-1 - Ft-1)

.......... 10.3
Keterangan ;
Ft = Nilai ramalan untuk periode tertentu (t)
Ft-1 = Nilai ramalan satu periode sebelumnya
α = Alpha smoothing
At-1 = Data aktual satu periode sebelumnya

Penentuan α bisa dengan beberapa cara :

1. Perusahaan menentukan langsung α dengan ketentuan standar ,
jika data fluktuatifnya tinggi maka α yang digunakan sebesar 0,8
tetapi jika data cenderung konstan, maka α sebesar 0,2.
2. Perusahaan bisa menggunakan program komputer untuk
menentukan α yang paling tepat untuk menggambarka n data aktual
historisnya.
Jika digambarkan dalam grafik, kita bisa meliha t perbandingannya pada
Jika digambarkan dalam grafik, kita bisa melihat perbandingannya

850
800
750
permintaan

permintaan
700
650 0.1
600 0.6
550
500
1 2 3 4 5 6 7 8 9 10
m inggu
Contoh soal 3 :
PT “SUBUR” memiliki data aktual penjualan sebanyak 8 bulan mulai bulan
Januari sampai Agustus. Perusahaan menentukan besarnya α =0,10. Hasil
peramalan bulan Januari sebesar 175. Tentukan hasil peramalan mulai bulan
Februari sampai dengan bulan September.
Bulan 1 2 3 4 5 6 7 8
Data 180 168 159 175 190 205 180 182
aktual
Hsl 175
ramalan
 JAWAB :
Bulan Data aktual Peramalan Ft (α = 0,10)
1 180 175 (data yang diketahui)
2 168 175 + 0.10 (180 -175) =175.5
3 159 175.5 + 0.10 (168 -175.5) = 174.75
4 175 174.75 + 0.10 (159 -174.75) = 173.18
5 190 173.18 + 0.10 (175 – 173.18) = 173.36
6 205 173.36 + 0.10 (190 – 173.36) = 175.02
7 180 175.02 + 0.10 (205 – 175.02) = 178.02
8 182 178.02 + 0.10 (180 – 178.02) = 178.22
9 178.22 + 0.10 (182 – 178.22) = 178.58
b. Hubungan Kausal
Asumsi yang digunakan oleh model ini adalah adanya faktor yang
mempengaruhi peramalan. Hubungan faktor tersebut digambarkan dalam
perhitungan regresi dengan rumus dasar :
..................(11.4)
Yt = a + bx

Untuk mencari nilai a dan b dibutuhkan rumus sebagai berikut :

...................(11.5)
a = y - bx

b=
 xy - n( y)( x )
...................(11.6)
 x - n(x )
2 2
Contoh soal 4 :

Data permintaan produk sandal PT ”MURNI” selama 5 tahun adalah sebagai

berikut :
Tahun 2003 2004 2005 2006 2007
Permintaan 90 105 142 122 134
(’000)

Dari data diatas carilah model regresi linier yang berguna untuk peramalan data
pada periode berikutnya?
JAWAB :
Tahun Periode Permintaan x2 xy
Waktu Sandal
2003 1 90 1 90
2004 2 105 4 210
2005 3 142 9 426
2006 4 122 16 488
2007 5 134 25 670
Σx=15 Σy=593 Σx2=55 Σxy=1884
Σx/5=3 Σy/5=118.6

1884  5(118 .6)(3)

b =  10,5
55  5(9)

a = 118,6 – 5(3) = 103,6

Yt = a + bx
Yt = 103,6 + 10,5x
Pada tahun 2008 hasil peramalan sebesar Y2008 = 103,6 + 10,5(6) = 166,6
Perhitungan Kesalahan pada Ramalan
Untuk bisa memilih metode peramalan yang terbaik, maka perlu dicari akurasi
data peramalan atau kesalahan / selisih antara data peramalan dengan data
aktualnya.
Metode peramalan yang baik akan menghasilkan data yang mendekati data
aktualnya atau bisa dikatakan kesalahannya kecil. Semakin kecil kesalahan
semakin baik metode peramalan tersebut .
Satu cara untuk memantau peramalan yang menjamin keefektifannya adalah
menggunakan tracking signal yang mengukur sejauhmana ramalan
memprediksi nilai aktual dengan baik.
Tracking signal dihitung dengan membagi antara running sum of the forecast,
(RSFE)dengan Deviasi Absolute Mean (MAD).
Kesalahan dihitung dengan menggunakan MAD (Mean Absolute Deviation)
statistik dengan rumus dasar sebagai berikut :

At =1
t - Ft 1 MAD  0.8 standard deviation
MAD = 1 standard deviation  1.25 MAD
n

Rumus RSFE sebagai berikut :

RSFE
TS 
MAD

 y i
ˆi 
 y
 i 1
MAD


 forecast error
MAD
Tracking signal positif menunjukkan bahwa data permintaan aktual
lebih besar dari data ramalan.
Tanda negatif berarati bahwa data aktual permintaan kurang dari
ramalan.
Tracking signal yang baik adalah yang memiliki RSFE rendah,
mempunyai bias positif sama banyak dengan bias negatif.
Contoh soal 5 :
PT Ribut Terus ingin menganalisis akurasi data ramalannya, sebagai berikut :
Bulan 1 2 3 4 5 6
Aktual 93 97 112 100 130 145
Ramalan 100 110 115 100 120 100

JAWAB
Abs Kum
Bulan Aktual Ramalan Error RSFE Error Error MAD TS
1 93 100 -7 -7 7 7 7 -1
2 97 110 -13 -20 13 20 10 -2
3 112 115 -3 -23 3 23 8 -3
4 100 100 0 -23 5 28 7 -3
5 130 120 10 -13 10 38 8 -2
6 145 100 45 32 45 83 14 2
  Perhitungan Error pada kolom 4 adalah = Aktual – ramalan , contoh pada
bulan pertama error sebesar 93-100 = -7, pada bulan kedua sebesar 97-
110=-13
 RSFE dihitung dengan mengakumulasikan nilai error pada kolom empat
pada bulan pertama nilai RSFE sebesar 7, pada bulan kedua RSFE
sebesar -7 + -13 = -20 dan seterusnya.
 Absolute error = error , membuat nilai error semuanya bernilai positif

 Kumulatif error pada bulan pertama sebesar 7 pada bulan kedua sebesar
7 +13=20, pada bulan ketiga 20 + 3 = 23 dan seterusnya.
 MAD dihitung melalui pembagian Kumulatif absolute error (kolom 7)
dengan n (kolom 1), misal pada bulan pertama nilai MAD sebesar 7 : 1 =
7, pada bulan kedua nilai MAD sebesar 20 : 2 = 10
 Perhitungan tracking signal dengan membagi RSFE (kolom 5) dengan
P e r m in ta a n a k tu a l

MAD(kolom8). Pada bulan pertama TS sebesar -7 : 7 = -1, pada bulan

T r a c k in g S in g a l
kedua TS sebesar -20 : 10 = -2
 Gambar data PT Ribut Terus

160 3
140 2
120 1
100
0
80
-1
60
40 -2
20 -3
0 -4
0 1 2 3 4 5 6 7
waktu
Kesimpulan : data ramalan PT Ribut Terus masih berada pada batas atas
dan batas bawah yang ditentukan oleh perusahaan, sehingga bisa
dikatakan bisa data pada metode ramalan ini masih dibenarkan oleh
perusahaan.
LATIHAN SOAL :
1.Apa pentingnya peramalan pada operasional perusahaan ?
2.Apa hubungan manajemen permintaan dengan peramalan ?
3.Sebutkan perbedaan penggunaan metode kuantitatif dan metode
kualitatif pada peramalan?
4.Jelaskan apa yang kamu ketahui tentang metode Delphi dan apa
perbedaannya dengan Panel Consensus?
5.Ada berapa macam metode kuantitatif ?
6.Apa perbedaan metode time series dan metode hubungan kausal ?
 1. PT ” Tumpang ” memiliki data bulanan penjualan sandal selama tahun
2007 yang tertuang pada tabel berikut :

Bulan 1 2 3 4 5 6 7 8 9 10 11 12

Jumlah 45 47 52 68 77 82 85 75 80 86 78 81
0 8 0 5 9 0 0 8 2 7 9 4
Permintaa
n

Pertanyaan

a. Hitung peramalan dengan menggunakan rata-rata bergerak sederhana 3

bulanan dan rata-rata bergerak sederhana 6 bulanan untuk bulan Juli 2007
sampai dengan dan Januari 2008!

b. Gambarkan data peramalan pada soal a dan interpretasikan hasilnya!

Mana yang lebih mendekati data permintaan aktualnya, rata -rata
bergerak sederhana 3 bulanan atau rata-rata bergerak sederhana 6
bulanan!
1. PT ” Mamiri” memiliki data aktual permintaan 5 bulan mulai bulan Januari
sampai Mei. Perusahaan menentukan besarnya α =0,20. Hasil peramalan
bulan Januari sebesar 155. Tentukan hasil peramalan mulai bulan
Februari sampai dengan bulan Juni dengan menggunakan metode
exponential smoothing.
Bulan 1 2 3 4 5
Data 150 160 159 152 170
aktual
Hsl 155
ramalan

2. Data permintaan aktual PT ”MINI” selama 5 tahun adalah sebagai

berikut :
Tahun 2003 2004 2005 2006 2007
Permintaan 100 125 142 155 174
(’000)

PERTANYAAN
a. Dari data diatas carilah model regresi linier yang berguna untuk
peramalan data pada periode berikutnya?
b. Gambarkan data peramalan tersebut !
c. Hitung error data ramalan dengan menggunakan tracking signal!
1. Saudara sebagai bagian pemasaran perusahaan Toys, telah melakukan
peramalan dengan menggunakan dua metode yaitu exponential
smoothing dan linier regresi :

Tahun Penjualan Hasil ramalan

aktual Exponential Liner regresi
(unit) smoothing
2003 1000 1000 600
2004 1000 1000 1300
2005 2000 1900 2000
2006 2000 2000 2700
2007 4000 3800 3400

Tentukan metode peramalan yang sebaiknya anda gunakan !