Ketidakpastian dalam PPIC Rancang bangun sistem pendukung keputusan intelijen Production Planning and Inventory Control (PPIC) adaptif pada industri pangan
mengantisipasi kebutuhan permintaan yang tinggi. Output dari kegiatan ini adalah penjumlahan dari permintaan produk per-periode Fogarty, 1991.
Kegiatan perencanaan dan pengendalian produksi dimulai dengan fungsi prakiraan permintaan berdasarkan plot data riwayat penjualan produk. Analisis
plot data akan merujuk beberapa metode pengujian prakiraan permintaan yang sesuai dengan hasil analisis plot data permintaan. Metode prakiraan permintaan
yang akurat adalah metode yang memberikan nilai kesalahan minimum. Terdapat berbagai alternatif metode prakiraan permintaan yang layak
untuk digunakan dalam pengujian prakiraan permintaan. Metode deret waktu, regresi linier, dan dekomposisi adalah beberapa metode yang banyak
diaplikasikan oleh industri karena kesederhanaannya dalam perhitungan. Metode Jaringan Syaraf Tiruan Artificial Neural Network menjadi metode yang mulai
banyak diaplikasikan untuk pengenalan pola data karena dapat menghasilkan
prakiraan permintaan dengan nilai akurasi yang baik.
Pada model deret waktu ini permintaan merupakan fungsi dari waktu. Pola permintaan pada masa yang akan datang diperkirakan identik dengan pola data
masa lalu. Model ini dikembangkan berdasarkan informasi masa lalu, dengan variabel tidak bebas dan asumsi, bahwa variabel tidak bebas ini akan memiliki
pola yang sama dengan masa lalu. Metode deret waktu yang banyak diaplikasikan industri antara lain adalah metode rata-rata bergerak moving average dan
metode pemulusan eksponensial exponential smoothing. Salah satu bentuk peramalan yang paling sederhana adalah regresi linier.
Dalam aplikasi regresi linier diasumsikan bahwa terdapat hubungan antara variabel yang ingin diramalkan variabel dependen dengan variabel lain variabel
independen. Selanjutnya, peramalan ini didasarkan pada asumsi bahwa pola pertumbuhan dari data historis bersifat linier. Pola pertumbuhan ini didekati
dengan suatu model yang menggambarkan hubungan-hubungan yang terkait
dalam suatu keadaan.
Metode dekomposisi merupakan metode peramalan time series dengan pendekatan yang digunakan bila data historis memiliki pola kecenderungantrend,
siklis atau musiman. Metode dekomposisi mencoba memisahkan faktor trend kecenderungan dan faktor musiman dari pola dasar. Faktor kecenderungan
menggambarkan perilaku data dalam jangka panjang yang dapat meningkat, menurun atau tidak berubah. Faktor musiman berkaitan dengan fluktuasi periodik
dengan panjang konstan yang disebabkan oleh hal-hal seperti curah hujan, saat
liburan dan lain-lain Fogarty, 1991.
Menurut Makridakis 1983, dalam melakukan prakiraan permintaan, hasil prakiraan permintaan yang diperoleh tidak mungkin benar-benar tepat. Selisih
yang terjadi antara nilai prakiraan permintaan dengan nilai aktual disebut sebagai galat atau kesalahan error. Melalui nilai kesalahan ini dilakukan beberapa
analisa sehingga dapat ditentukan metode prakiraan permintaan yang paling sesuai dengan data yang dimiliki serta seberapa baik metode yang digunakan tersebut.
Metode yang terbaik adalah metode yang memberikan nilai prakiraan permintaan paling sesuai dengan data aktual, berarti memiliki nilai kesalahan prakiraan
permintaan yang paling kecil.