SISTEM RANTAI PASOK

Tim Dosen:
Nofian Ilyas, SH.MM

SESI PERKULIAHAN VII

Peramalan
Manajemen Rantai Pasok

www.esaunggul.ac.id
 Sasaran Perkuliahan
Para mahasiswa diharapkan dapat mengetahui
teknik dan strategi peramalan dari MRP serta
menjelaskan implikasi yang perlu diperhatikan,
dipertimbangkan, dan dilakukan sebagai
pelaksanaan strategi dari MRP

www.esaunggul.ac.id
 Bahan Acuan
 David Simchi Levi, et.al. Designing and Managing the Supply
Chain. McGraw-Hill. 2000
 I Nyoman Pujawan. Supply Chain Management. Guna Widya.
2005
 Lee, Hau L dan S Whang. E-Business and Supply Chain
Integration. Stanford Global Supply Chain Management
Forum. Nov 2001

www.esaunggul.ac.id
Definisi Peramalan (Forecasting) Pada
Manajemen Rantai Pasok
Peramalan merupakan seni dan ilmu untuk memprediksi kejadian di masa
depan, dengan melibatkan pengambilan data masa lalu dan
menempatkannya ke masa yang akan datang dengan suatu bentuk model
matematis.
Peramalan diklasifikasikan berdasarkan Horizon Waktu Masa Depan, sbb:
1. Peramalan Jangka Pendek, mencakup waktu hingga 1 tahun namun pada
umumnya kurang dari 3 bulan. Contoh: merencanakan pembelian,
jumlah tenaga kerja, penugasan kerja dan tingkat produksi.
2. Peramalan Jangka Menengah, mencakup bulanan hingga 3 tahun.
Contoh: merencanakan penjualan, anggaran produksi dan kas,
menganalisa rencana operasi.
3. Peramalan Jangka Panjang, mencakup perencanaan 3 tahun atau lebih.
Contoh: produk baru, pengembangan fasilitas, lokasi, litbang.

www.esaunggul.ac.id
 Perbedaan Peramalan Jangka Pendek, Jangka
Menengah dan Jangka Panjang Dalam MRP
1. Peramalan jangka pendek biasanya menerapkan metodologi yang
berbeda dibandingkan peramalan jangka panjang.
 Contoh peramalan jangka pendek: rata-rata bergerak, penghalusan
eksponensial dan ekstrapolasi tren.
2. Peramalan jangka menengah dan jangka panjang berkaitan dengan
permasalahan yang lebih menyeluruh dan mendukung keputusan
manajemen yang berkaitan dengan perencanaan produk, pabrik dan
proses.
3. Peramalan jangka pendek cenderung lebih tepat dibandingkan
peramalan jangka panjang.

www.esaunggul.ac.id
 Siklus Hidup Produk dalam
Penjualan Jangka Panjang

Siklus hidup berguna untuk memproyeksikan tingkat

penempatan pekerja yang berbeda-beda, penentuan tingkat
persediaan dan kapasitas pabrik sepanjang produk melewati
tahapan awal hingga akhir.

Tahapan Siklus Hidup Produk

1. Perkenalan,
2. Pertumbuhan,
3. Kematangan, dan
4. Penurunan.

www.esaunggul.ac.id
 Jenis Peramalan
1. Peramalan Permintaan, akan proyeksi permintaan untuk
produk atau layanan suatu perusahaan. Peramalan ini disebut
peramalan penjualan yaitu mengendalikan produksi, kapasitas,
serta sistem penjadwalan dan menjadi input bagi perencanaan
keuangan, pemasaran dan sumber daya manusia.
2. Peramalan Ekonomi, akan menjalankan siklus bisnis dengan
memprediksikan tingkat inflasi, ketersediaan uang, dana yang
dibutuhkan untuk membangun perumahan dan indikator
perencanaan lainnya.
3. Peramalan Teknologi, akan memperhatikan tingkat kemajuan
tekhnologi yang dapat meluncurkan produk baru yang
menarik, yang membutuhkan pabrik dan peralatan baru.

www.esaunggul.ac.id
 Kepentingan Peramalan
Peramalan (forecasting) merupakan satu-satunya prediksi atas
permintaan hingga permintaan yang sebenarnya diketahui.
Dampak Peramalan Produk dapat dilihat pada aktivitas berikut:
1. Sumber Daya Manusia,
2. Kapasitas, dan
3. Manajemen Rantai Pasokan (supply chain management).

www.esaunggul.ac.id
 Tujuh Langkah Proses Peramalan
1. Menetapkan tujuan peramalan,
2. Memilih unsur apa yang akan diramal,
3. Menentukan horizon waktu peramalan,
4. Memilih tipe model peramalan,
5. Mengumpulkan data yang diperlukan untuk melakukan
peramalan,
6. Membuat peramalan,
7. Memvalidasi dan menerapkan hasil peramalan.

www.esaunggul.ac.id
 Pendekatan dalam Peramalan
1. Peramalan Kuantitatif, adalah peramalan yang
menggunakan satu atau lebih model matematis
dengan data masa lalu dan variabel sebab akibat
untuk meramalkan permintaan.
2. Permalan Subjective atau Kualitatif, adalah
peramalan yang menggabungkan faktor-faktor
seperti intuisi pengambil keputusan, emosi,
pengalaman pribadi dan sistem nilai.

www.esaunggul.ac.id
Beberapa Teknik Metode Kualitatif
1. Keputusan dari pendapat juri eksekutif (jury of executive opinion).
Tekhnik peramalan yang meminta pendapat segolongan kecil manajer
tingkat tinggi dan menghasilkan estimasi permintaan kelompok.
2. Metode Delphi (delphi method). Tekhnik peramalan yang menggunakan
dimana para pakar melakukan peramalan.
3. Gabungan dari Tenaga Penjualan (sales force composite). Tekhnik
peramalan berdasarkan prediksi tenaga penjualan akan penjualan yang
diharapkan.
4. Survei pasar konsumen (consumer market survey). Metode peramalan
yang meminta input dari konsumen mengenai rencana pembelian
mereka di masa depan.
5. Life-cycles Analogy
6. Informed Judgement

www.esaunggul.ac.id
 Metode Kuantitatif
1. Model Time Series : model ini melihat pola masa
lalu data dan berusaha memprediksi masa depan
berdasarkan fenomena yang diamati dari kejadian di
masa lalu.
2. Model Kausal : Mengasumsikan bahwa variabel
yang diamati terkait terhadap variabel lain sesuai
bidangnya. Model ini berusaha memproeksikan
berdasarkan keterkaitan satu variabel dengan
variabel lainnya dalam model.

www.esaunggul.ac.id
 Dekomposisi Time Series
1. Tren, Data yang menunjukkan pertumbuhan yang lambat
atau menurun sepanjang waktu.
2. Musiman: Data mengalami kenaikan atau penurunan dalam
waktu yang relatif singkat atau menengah, biasanya dalam
waktu 1 tahun.
3. Siklus: Data menunjukkan pola kenaikan atau penurunan
pada waktu yang relatif lama atau jangka panjang.
4. Komponen Acak : Dinamika kenaikan dan penurunan data
tidak dapat diprediksi dan cenderung bergerak tak terarah
tanpa ada pola yang jelas.

www.esaunggul.ac.id
 Simple Moving Average
Teknik ini pada dasarnya dikembangkan untuk
mengatasi masalah menggunakan rata-rata sederhana
(simple average) Teknik moving average menghasilkan
perkiraan masa depan dengan rata-rata permintaan
sebenarnya hanya untuk n periode waktu terakhir (n
sering pada kisaran 4 - 7). Setiap data yang lebih dari
n, maka diabaikan. Nilai yang dipilih untuk n harus
menjadi pilihan terbaik untuk data historis yang
tersedia.

www.esaunggul.ac.id
 Simple Moving Average
Dengan demikian rumus dari Teknik peramalan ini adalah: Ft =
(At-1 + At-2 + At-3 + At-4 +…+ At-n ) / n

Dimana:

T = waktu yang akan diramalkan

F = nilai yang diramalkan
A = nilai aktual
N= periode waktu terakhir yang diperhatikan

www.esaunggul.ac.id
 Simple Moving Average
D1. Contoh:

Berikut merupakan jumlah penjualan container box selama semester (6 bulan) awal pada tahun
ini.

bulan penjualan (unit)

1 3300
2 3800

3 4000
4 5000
5 5700
6 6100

Berdasarkan pada data tersebut di atas ramalkan permintaan pada bulan ke7 dengan
Teknik moving average dengan period observasi 4 bulan.

www.esaunggul.ac.id
 Simple Moving Average
E1. Jawaban:

Dengan demikian diketahui: n = 4, t =7

Maka: F7=(A6+A5+A4+A3)/4

Sehingga

F7 = (6100+5700+5000+4000)/4

F7 = 5200

Dengan demikian pada bulan ke-7 diramalkan penjualan container box akan sebesar 5200 unit.

www.esaunggul.ac.id
 Weighted Moving Average
Teknik ini Merupakan sebuah penyempurnaan dari
pendekatan simple moving average. Dengan memberikan
bobot pada data yang diobservasi sebelumnya. Secara
umum, data terbaru memiliki bobot lebih besar. Tidak
seperti simple moving average yang menggunakan bobot
yang sama. Nilai bobot biasanya ditentukan berdasarkan
pada pengalaman dari pihak perusahaan. Persyaratan dari
bobot ini adalah total nilai bobot tidak boleh lebih dari 1.

www.esaunggul.ac.id
 Weighted Moving Average
Dengan demikian rumus dari weighted moving average ini adalah, Ft
= (At-1*Wt-1) + (At-2*Wt-2) + … +(At-n*Wt-n)

Dimana:

F = nilai yang diperkirakan

T = periode yang akan diramalkan W= bobot pada setiap period
waktu A = nilai actual yang terjadi

www.esaunggul.ac.id
 Weighted Moving Average
Contoh:
Berikut merupakan jumlah penjualan container box selama semester (6 bulan) awal pada tahun ini.
Bulan penjualan (unit)
1 3300
2 3800
3 4000
4 5000
5 5700
6 6100

Berdasarkan pada tabel penjualan tersebut di atas, ramalkanlah penjualan pada bulan ke-7 dengan
menggunakan weighted moving average dengan periode observasi 5 bulan.

Ditentukan bobot (0.3;0.25;0.2;0.15;0.1)

www.esaunggul.ac.id
 Weighted Moving Average
Jawaban:
Diketahui:
t = 7 dan n = 5 Wt-1 = 0.3, Wt-2 = 0.25, Wt-3 = 0.2, Wt-4 = 0.15, Wt-5 = 0.1

Sehingga:

F7 = (6100*0.3) + (5700*0.25) + (5000*0.2) + (4000*0.15) + (3800*0.1)

F7 = 5235
Dengan demikian dengan menggunakan Teknik weighted moving average jumlah perkiraan permintaan pada
bulan ke-7 untuk container box adalah sebesar 5235 unit.

www.esaunggul.ac.id
 Exponential Smoothing
Exponential smoothing adalah teknik peramalan rata-rata
bergerak dengan pembobotan dimana data diberi bobot oleh
sebuah fungsi exponential.
Exponential smoothing memiliki keuntungan dibandingkan
moving average karena Perhitungan yang lebih sederhana dan
Persyaratan data yang diperlukan lebih sedikit, terutama dalam
situasi yang memerlukan penggunaan data dari sejumlah besar
periode masa lalu.

www.esaunggul.ac.id
 Exponential Smoothing
D3. Contoh:

Berikut merupakan jumlah penjualan container box selama semester (6 bulan) awal pada tahun
ini.

Bulan penjualan (unit)

1 3300
2 3800
3 4000
4 5000
5 5700
6 6100

Berdasarkan pada tabel penjualan tersebut di atas, ramalkanlah penjualan pada bulan ke-7
dengan menggunakan exponential smoothing dengan a = 0.5 (asumsi F bulan pertama sama
dengan A bulan pertama)

www.esaunggul.ac.id
E3. Jawaban:
Exponential Smoothing
Diketahui: a = 0.5, F1 = A1 = 3300

Rumus:

Ft = Ft-1 + 0.5 (At-1-Ft-1)

Berikut merupakan tabel yang menunjukan perhitungan exponential smoothing

Bulan penjualan (unit) Ramalan permintaan Rumus

1 3300 3300 F1=A1
2 3800 3300 3300+0,5*(3300-3300)
3 4000 3550 3300+0,5*(3800-3300)
4 5000 3775 3550+0,5*(4000-3550)
5 5700 4388 3775+0,5*(5000-3775)
6 6100 5044 4388+0,5*(5700-4388)
7 belum 5572 5044+0,5*(6100-5044)

Berdasarkan pada perhitungan di atas maka dengan menggunakan teknik exponential

smoothing (a = 0.5) maka nilai permintaan pada bulan ke-7 diperkirakan sebesar 5572 unit.

www.esaunggul.ac.id
 Proyeksi Tren Linear
Dalam Teknik proyeksi tren linear ini pada umumnya akan digunakan model simple linear
regression. Model simple linear regression berusaha untuk menyesuaikan garis melalui
berbagai data dari waktu ke waktu.

Pada model linear regression, peramalan akan dilakukan dengan menggunakan fungsi yaitu:
y = a + bx
Dimana :
y = nilai yang diramalkan
a = konstanta peramalanyang berasal dari intercept garis tren
b = koefisien dalam peramalan yang berasal dari nilai slop garis tren
x = merupakan nilai dari factor acuan yang digunakan untuk peramalan
Model simple regression bermanfaat untuk menemukan nilai a & b dari persamaan diatas

www.esaunggul.ac.id
 Proyeksi Tren Linear
Contoh:
Berikut merupakan jumlah penjualan container box selama semester (6 bulan) awal pada tahun ini.
bulan penjualan (unit)
1 3300
2 3800
3 4000
4 5000
5 5700
6 6100
Berdasarkan pada tabel penjualan tersebut di atas, ramalkanlah penjualan pada bulan ke-7 dengan
menggunakan proyeksi tren linear.

www.esaunggul.ac.id
 Proyeksi Tren Linear
Jawaban:
Langkah Pertama
Langkah pertama adalah menentukan nilai a dan nilai b atau nilai intercept dan slop dari data tersebut
di atas. Untuk itu perlu ditentukan variable independent dan variable dependentnya. pada data terseut
dapat digunakan variable waktu sebagai independent dan penjualan sebagai dependent. Penggunaan
variable waktu sebagai independent hanya dimungkinkan karena data pada penjualan membentuk tren
yang linear.
Untuk menentukan nilai a dan b penulis menggunakan excel sebagai alat bantu
Untuk nilai a menggunakan fungsi intercept dengan penjeualan sebagai nilai y dan bulan sebagai nilai x
Untuk nilai b menggunakan fungsi slope dengan penjualan sebagai nilai y dan bulan sebagai nilai x.
Dengan menggunakan excel ditemukan bahwa a = 2580 dan nilai b = 591,43

www.esaunggul.ac.id
 Proyeksi Tren Linear
Langkah Kedua:
Langkah kedua adalah dengan membangun persamaan dengan melihat nilai a dan b tersebut diatas,
maka persamaan yang dapat terbentuk adalah: Ft= 2580 + 591,43t
Dimana: Ft = nilai peramalan pada periode tertentu; T = periode peramalan yang ingin diketahui
Langkah ketiga
Langkah selanjutnya adalah untuk mengetahui berapa nilai peramalan permintaan penjualan pada bulan
ke-7. Untuk itu hanya gunakan persamaan di atas sehingga menjadi,
F7 = 2580 + 591,43*7
F7 = 6720
Dengan demikian apabila menggunakan proyeksi tren linear maka nilai peramalan dari
permintaan container box pada bulan ke-7 adalah sebesar 6720 unit.

www.esaunggul.ac.id
 Kesalahan Peramalan
Kesalahan peramalan merupakan perbedaan atau selisih yang terjadi antara nilai actual dan
nilai yang diramalkan.
Terdapat 3 metode utama yang biasa digunakan dalam melihat kesalahan peramalan ini yaitu,

a. Deviasi Rata-rata Absolut (Mean Absolute Deviation – MAD)

b. Kesalahan Rata-rata Kuadrat (Mean Squared Error – MSE)
c. Kesalahan Persen Rata-rata Absolut (Mean Absolute Percent Error – MAPE)

1. Deviasi rata-rata absolut (MAD)

MAD yang ideal adalah nol (=0), yang berarti tidak ada kesalahan peramalan. Semakin
besar hasil nilai MAD, menunjukkan model yang dihasilkan yang kurang tepat. Karena
MAD merupakan nilai absolut penjumlahan dari kesalahan, baik positif dan negatif,
sehingga dapat menambah jumlah dan ukuran rata-rata dari kesalahan yang ditentukan.

www.esaunggul.ac.id
 MAD DAN MSE
Pengukuran Mad ini menggunakan rumus:
Et = nilai absolut dari {Ft-At}
MAD = (E1 + E2+ E3 +…+En) / n
Dimana: Et = nilai kesalahan
Ft = nilai yang diramalkan
At = nilai actual.
N = jumlah periode yang diamati
2. Deviasi rata-rata kuadrat (MSE)
Merupakan selisih kuadrat antara nilai yang diramalkan dan yang diamati
Rumus dari MSE adalah: Et = (Ft-At)2
MSE = (E1+E2+E3+…+En) / n

www.esaunggul.ac.id
 MAP
3. Kesalahan rata-rata persentase absolut (MAP)

Masalah yang terjadi dengan MAD dan MSE adalah bahwa nilai kesalahan tergantung pada
besarnya unsur yang diramal, jika unsurnya dalam satuan ribuan, maka nilai kesalahan bisa
menjadi sangat besar. MAPE digunakan untuk menghindari masalah tersebut, yang
dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramal dan aktual, yang
dinyatakan dalam persentase nilai aktual Sehingga akan memnculkan rumus sebagai
berikut:
Et = (nilai absolut{Ft-At} / At) *100%
MAP= (E1+E2+E3+…+En) / n

www.esaunggul.ac.id
 Contoh:
Berikut merupakan gambaran perbandingan nilai MAD, MSE dan MAP pada peramalan
permintaan container yang digunakan pada contoh proyeksi tren linear pada bagian
sebelumnya.

penjualan
bulan (unit) ramalan MAD MSE MAP(%)
1 3300 3171 129 16531 3,90
2 3800 3763 37 1380 0,98
3 4000 4354 354 125518 8,86
4 5000 4946 54 2947 1,09
5 5700 5537 163 26522 2,86
6 6100 6129 29 816 0,47
rata-rata 128 28952 3,02

www.esaunggul.ac.id
 CONTOH:
Pada tabel tersebut di atas maka terlihat bahwa dengan menggunakan MAD rata-rata
kesalahan adalah 128 dan untuk menggunakan MSE rata-rata kesalahan adalah 28952
sedangkan jika menggunakan MAP tingkat kesalahan adalah 3.02%. Dengan melihat
ketiga nilai kesalahan tersebut maka dapat terlihat bahwa nilai MAP lebih baik karena
akan mudah melihat konsistensinya dalam jangka Panjang. Selain itu nilai MAP juga
lebih mudah untuk dibandingkan dalam membangun standar yang baku.

www.esaunggul.ac.id
PENGAWASAN DAN PENGENDALIAN
Salah satu cara untuk mengawasi peramalan adalah dengan menggunakan metode tracking
signal. Tracking signal adalah sebuah perhitungan untuk mengetahui seberapa baik
peramalan memprediksi nilai aktual. Tracking signal dihitung sebagai Running Sum of the
Forecast Errors (RSFE) dibagi dengan MAD.

Berikut merupakan tabel perhitungan tracking signal dengan menggunakan data penjualan
container box pada kasus perhitungan kesalahan peramalan pada bagian sebelumnya.

T A F E RFSE ABS[E} ACC[E] MAD TS

1 3300 3171 -129 -129 129 129 129 -1,00
2 3800 3763 37 -91 37 166 83 -1,10
3 4000 4354 354 263 354 520 173 1,52
4 5000 4946 54 317 54 574 144 2,21
5 5700 5537 163 480 163 737 147 3,26
6 6100 6129 29 509 29 766 128 3,99

www.esaunggul.ac.id
PENGAWASAN DAN PENGENDALIAN
Dimana:
T = periode observasi
A = nilai permintaan/penjualan actual
F = nilai ramalan permintaan
E = selisih F dengan A

RFSE = nilai akumulasi dari E

ABS[e] = nilai absolut dari E
Acc[e] = nilai akumulasi dari absolut E
MAD = nilai deviasi absolut rata-rata dari error pada periode
tersebut.
TS = nilai tracking signal yaitu RFSE/MAD

Dengan melihat tabel perhitungan di atas maka dapat disimpulkan

bahwa nilai tracking signal pada peramalan ini adalah 3.99.

www.esaunggul.ac.id
Terima Kasih

www.esaunggul.ac.id