Kelas A persediaan yang memeiliki nilai volume tahunan rupiah yangv tinggi. Kelas ini mewakilisekitar 70 dari total nilai persediaan, meskipun jumlahnya
hanya sedikit, bisa 20 dari seluruh item. Persediaan yang termasuk dalam kelas ini memerlukan perhatian yang tinggi dalam pengadaannya karena berdampak
biaya yang tinggi. Pemeriksaan dilakukan secara intensif. Kelas B persediaan dengan nilai volume tahunan rupiah yang m,enegah.
Kelompok ini mewakili sekitar 20 dari nilai persediaan tahunan, dan sekitar 30 dari jumlah item. Disini diperlukan teknik pengendalian yang moderat.
Kelas C barang yang nilai volume tahunan rupiahnya rendah,yang hanya mewakili sekitar 10 dari total nilai persediaan, tetapi terdiri dari sekitar 50
dari jumlah item persediaan. Disini diperlukan teknik pengendalian yang sederhana, pemeriksaan hanya dilakukan sekali-kali.
Nilai persentase diatas tidak mutlak, namun tergantung dari kebijakan perusahaan. Demikian pula jumlah kelas, tidak terbatas pada tiga kelas,
2.2 Konsep Dasar Manajemen Permintaan
Pada dasarnya manajemen permintaan didefinisikan sebagai suatu fungsi pengelolaan dari semua permintaan produk untuk menjamin bahwa jadwal induk
produksi mengetahui dan menyadari semua permintaan produk itu.Vincent Gaspers. Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan
penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Ada dua sumber utama yang berkaitan dengan informasi permintaan
produk yaitu : 1. Ramalan terhadap produk independen demand yang bersifat tidak pasti.
Universitas Sumatera Utara
2. Pesanan-pesanan yang bersifat pasti. Hal yang sangat penting untuk diperhatikan dalam manajemen permintaan adalah
tidak boleh mencoba meramalkan hasil-hasil yang dapat direncanakan atau dihitung.Produk-produk yang tergolong kedalam dependen demand tidak boleh
diramalkan, tetapi harus direncanakan atau dihitung, sedangkan peramalan hanya boleh
dilakukan paa produk-produk yang tergolong kedalam independent demand. 2.2.1. Peramalan
Peramalan adalah seni dan ilmu untuk memperkirakan kejadian yang akan datang. Peramalam merupakan salah satu masukan dalam kegiatan perencanaan dan
pengendalian bisnis, baik didalam maupun diluar fungsi operasi. Secara garis besar metode peramalan dibagi dua yaitu:
2.2.1.1 Metode Peramalan Kualitatif
Metode ini menggunakan keputusan manajerial, pengalaman data yang relevan dan model matematis yang implisit. Karena model matematis tersebut implisit, dua orang
yang berbeda yang keduanya menggunakan metode kualitatif akan menghasilkan peramalan yang berbeda. Metode ini digunakan untuk peramalan jangka menengah dan
panjang yang melibatkan disain proses atau kapasitas suatu fasilitas. Ada empat metode kualitatif yang paling baik dan paling sering digunakan, Kusuma, 2002: hal: 22-35
yaitu: 1. Metode Delphi
2. Survei Pasar 3. Analogi Daur Hidup
4. Dan Keputusan yang diinformasikan
Universitas Sumatera Utara
2.2.1.2. Metode Peramalan Kuantitatif
Peramalan kuantitatif menggunakan berbagai model matematis atau statistik yang menggunakan data historis dan variabel-variabel kausal untuk meramalkan permintaan.
Asumsi dasar untuk semua metode peramalan kuantitatif adalah data masa lampau dan pola data yang dapat diperkirakan untuk memperkirakan masa yang akan datang .
Data masa lampau kemudian diolah dengan deret berkala atau model kausal untuk menghasilkan suatu peramalan.
Penggunaan metode kuantitatif membutuhkan: -
Data kondisi masa lalu -
Data tersebut merupakan data kuantitatif atau data yang dikuantifisir -
Diasumsikan pola data masa lalu akan berlanjut pada masa yang akan datang Yang termasuk kedalam metode kuantitatif adalah Kusuma, 2002; Hal: 22-35
a. Model time series atau deret waktu b. Model Kausal
Metode ini paling baik digunakan untuk peramalan jangka pendek, yang menggunakan data masa lalu yang dicatat selam periode tertentu. Umumnya berupa data
mingguan, bulanan, kuartalan dan tahunan. Pola data dari serangkaian data dalam deret berkala dapat dikelompokkan
kedalam pola dasar sebagai berikut, yaitu: Kusuma, 2002; hal:22-35 1. Konstan, yaitu jika datanya berfluktuasi sekitar rata – rata secara stabil
2. Liner Trend, yaitu jika datanya dalam jangka panjang mempunyai kecenderungan, baik yang arahnya meningkat atau menurun dari waktu ke waktu.
Universitas Sumatera Utara
3. Musiman Seasional, yaitu jika polanya merupakan gerakan yang berulang-ulang secara teratur dalam setiap periode terentu, misalnya tahunan, semesteran,
kuartalan, bulanan dan mingguan. 4. Siklus Cyclical yaitu jika datanya dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti daur hidup bisnis 5. Residu Acak, yaitu jika datanya tidak teratur sama sekali data ini tidak dapat
digambarkan. Metode smooting digunakan untuk mengurangi keteraturan musimam dari data
yang lalu, dengan membuat rata-rata tertimbang dari dari sederetan data masa lalu. Ketetapan peramalan dengan metode ini akan terdapat pada peramalan jangka pendek,
sedangkan untuk jangka panjang kurang akurat. Metode smoothing terdiri dari metode rata-rata, moving average dan aksponential smoothing.
Metode dekomposisi merupakan pendekatan peramalan yang tertua. Terdapat beberapa pendekatan alternatif untuk mendekomposisikan suatu deret berkala yang
semuanya bertujuan memisahkan setiap komponen deret data seteliti mungkin. Konsep dasar pemisahan bersifat empiris dan tetap, yang mula-mula memisahkan unssur
musiman, kemudian trend, dan akhirnya unsur siklis.
Prosedur peramalan yang dilakukan pada metode Time Series adalah : Kusuma, 2002 ; Hal:26
1. Mendefenisikan Tujuan Peramalan
Pada langkah ini peramalan menetapkan apa yang akan menjadi tujuan dilakukannya peramalan. Tujuan peramalan digunakan untuk mengetahui tingkat
permintaan terhadap suatu produk dalam waktu tertentu, sehingga akan dicapai
Universitas Sumatera Utara
efektivitas dan efisiensi dari periode menajemen produksi dan inventori dalam industri manufaktur.
2. Membuat Scatter Diagram
Sebelum dilakukannnya peramalan, terlebih dahulu ditenntukan pola histories dari data aktual permintaan. Dalam hal ini dapat digambarkan dalam bentuk grafik yang
berupa diagram pencar.
3. Memilih Metode Peramalan yang Paling Sesuai
Berdasarkan pola data histories yang sudah ada pada diagram pencar scatter diagram, maka dapat ditentukan model peramalan yang paling sesuai untuk digunakan.
Sebagai perbandingan dapat diambil minimal 2 model peramalan yang ada dan paling sesuai dengan sebaran data pada scatter diagram.
4. Menghitung Parameter-parameter Fungsi Peramalan
Untuk menghitung parameter-parameter fungsi peramalan, tergantung dari model yang dipilih, sesuai dengan pola data pada scatter diagram. Masing-masing model
akan memiliki parameter-parameter yang berbeda. Moving Range Chart MRC untuk melakukan verifikasi peramalan dapat dilihat
pada Gambar 2.2.
A B
C
A B
C B K A
C L B K B
2 3 1 3
- 1 3 - 2 3
Gambar 2.1 Moving Range Chart
Universitas Sumatera Utara
a. Metode Rata-Rata Bergerak Simple Moving Average
