Saran ANALISIS DAN PEMBAHASAN

Semarang, 7 Oktober 2015 243 PENENTUAN METODE FORECASTING SEBAGAI UPAYA DALAM PENGAMBILAN KEPUTUSAN INVENTORI Inna Kholidasari, Lestari Setiawati, and Meigy Fernando Industrial Engineering Department, Faculty of Industrial Technology, Bung Hatta University Kampus III Universitas Bung Hatta Jl. Gajah Mada No. 19 Padang, Indonesia Telp. 0751 7054257 E-mail: i.kholidasaribunghatta.ac.id ABSTRAK Forecasting merupakan masalah yang sangat penting dalam mengelola suatu rantai pasok. Forecasting dapat diartikan sebagai upaya untuk memprediksi kejadian dimasa yang akan datang. Dalam suatu bisnis, terutama yang bisnis yang menerapkan konsep manajemen rantai pasok, prediksi dari permintaan barang merupakan basis dari perencanaan dan pengendalian aktivitas perusahaan. Hasil forecasting akan dikonversikan ke bentuk keputusan- keputusan inventori seperti ‘kapan’ dan berapa banyak’ barang harus dipesan. Dalam upaya untuk mendapatkan keputusan yang tepat, diperlukan ketepatan dalam menentukan metode forecasting yang didasarkan pada karakteristik pola permintaan barang tersebut. Dalam penelitian ini, tiga metode forecasting - Single Exponential Smoothing SES, Croston’s Method, dan Syntetos Boylan Approximation SBA dibandingkan dengan menggunakan sepuluh data series dari perusahaan penjual spare part mobil. Dengan menerapkan delapan metode forecasting error, metode forecasting dipilih dengan kriteria forecasting error terkecil. Analisa mengenai opportunity cost dan inventory cost juga dilakukan dalam penelitian ini. Penelitian ini memberikan kontribusi yang relatif besar dikarenakan data yang digunakan berupa data spare part yang cenderung berpola intermittent. Pola data intermittent diketahui memiliki tingkat kesulitan yang relatif tinggi dalam memanajnya, khususnya dalam pengambilan keputusan-keputusan inventori. Hasil penelitian memberikan kontribusi bagi pengembangan keilmuan di area forecasting, dan dari sudut pandang praktisi, hasil penelitian dapat dijadikan pedoman dalam melakukan aktivitas forecasting di perusahaan. Kata kunci : Forecasting, Intermittent demand, Keputusan-keputusan inventory

1. PENDAHULUAN

Pengambilan keputusan merupakan faktor yang sangat penting dalam bisnis. Proses pengambilan keputusan yang tepat dan cepat memberikan dampak positif yang signifikan bagi perusahaan sebagai pelaku bisnis. Untuk mendukung proses pengambilan keputusan, diperlukan kepekaan dan analisa yang tepat dari pelaku bisnis akan situasi dan kondisi yang mempengaruhi bisnisnya, baik yang terjadi pada saat ini maupun masa yang akan datang. Salah satu cara untuk mendapatkan informasi mengenai masa mendatang dalam bisnis yaitu dengan melakukan forecasting mengenai kejadian di masa mendatang atau dikenal dengan business forecasting. Forecasting merupakan suatu usaha untuk meramalkan keadaan di masa mendatang berdasarkan informasi pada masa lalu Makridakis et al., 1998. Berbagai metode forecasting telah banyak dikembangkan, baik yang bersifat kualitatif maupun kuantitatif. Metode-metode tersebut membutuhkan data masa lalu maupun informasi terkini yang relevan sebagai upaya dalam pengambilan keputusan. Pada umumnya, tujuan akhir dari penggunaan metode forecasting adalah untuk memperkirakan tingkat permintaankebutuhan barang pada periode yang akan datang. Penggunaan metode forecasting yang sesuai dengan pola data permintaan barang sangat mendukung keakuratan hasil forecasting. Dengan dapat diperkirakannya tingkat permintaankebutuhan barang tersebut maka para pelaku bisnis dapat dengan cepat mengambil keputusan mengenai berbagai hal yang diperlukan dalam upaya menyediakan barang tersebut. Hal ini tentu akan mengurangi biaya resiko akan tidak tersedianya barang maupun dalam hal meminimasi ongkos simpan barang inventory costs akibat dari penyediaan barang yang berlebihan Silver et al., 1998.

2. LATAR BELAKANG

Barang berupa spare part memiliki pola data yang berbeda dari barang jenis lain karena tidak selalu terdapat permintaan di tiap periodenya, atau disebut dengan pola data intermittent Syntetos dan Semarang, 7 Oktober 2015 244 Boylan, 2001, 2005. Hal ini disebabkan karena barang jenis spare part sangat berkaitan dengan saat barang tersebut rusak atau perlu diganti. Karakteristik data permintaan yang berpola intermittent memiliki permasalahan dan tingkat kesulitan tersendiri dalam forecasting. Selain itu, dalam penelitian-penelitian di bidang manajemen operasi dan sistem produksi, intermittent demand forecasting merupakan salah satu cabang keilmuan yang belum banyak diteliti. Dengan terbatasnya jumlah penelitian di bidang ini, perlu dilakukan penelitian-penelitian lain dengan topik yang relevan untuk memperkaya khasanah keilmuan di area intermittent demand forecasting. Penelitian ini bertujuan menentukan metode forecasting yang tepat untuk data permintaan spare part . Data didapat dari salah satu perusahaan penyedia spare part mobil di wilayah Sumatera Barat. Pada saat ini, pemilik usaha belum menggunakan metode yang jelas dalam memesan spare parts kepada pemasok. Tingkat pemesanan barang hanya dilakukan berdasarkan perhitungan secara kasar mengenai jumlah spare part yang tersedia untuk suatu jenis tertentu pada tiap periode pemesanannya. Hal ini tidak selalu berdampak baik bagi perusahaan tersebut. Terkadang usahanya mengalami kekurangan barang stock out untuk beberapa jenis spare part. Stock out yang sering terjadi tentu berakibat tidak baik bagi perusahaan karena akan menyebabkan kehilangan pelanggan. Kerugian yang dialami perusahaan akibat terjadinya stock out disebut dengan opportunity costs. Sebaliknya, beberapa jenis spare part mengalami penumpukan karena terlalu banyak dipesan dari pemasok. Penyimpanan barang yang berlebihan dan terlalu lama akan menyebabkan tingginya biaya simpan inventory costs yang tentu saja sangat merugikan perusahaan Silver, et al., 1998. Dari uraian di atas, diperlukan adanya suatu usaha untuk memperkirakan jumlah permintaan spare part yang lebih akurat kepada pemasok. Dari sudut pandang keilmuan, diharapkan penelitian ini dapat menambah wawasan baru di area intermittent demand forecasting. Sedangkan dari sudut pandang praktisi bisnis, hasil penelitian diharapkan dapat menjadi pedoman pengambil keputusan mengenai keputusan- keputusan inventori kapan dan berapa banyak barang akan diadakan berdasarkan hasil forecasting yang akurat.

3. STUDI LITERATUR

Forecasting adalah meramalkan, memproyeksikan, atau mengadakan perkiraaantaksiran terhadap berbagai kemungkinan yang akan terjadi sebelum suatu rencana yang lebih pasti dapat dilakukan Makridakis et al., 1998. Secara umum, metode forecasting membutuhkan data masa lalu sebagai pedoman dalam melakukan peramalan dapat dikategorikan menjadi metode yang bersifat qualitative seperti metode Delphi, Grass Root Analysis, Pure Judgement, Executive Opinion, dan lain sebagainya, dan metode yang bersifat kuantitatif. Untuk metode kuantitatif, dalam penelitian ini, akan difokuskan pada metode-metode yang biasa digunakan untuk jenis barang yang memiliki pola permintaan yang intermittent intermittent demand forecasting Kholidasari, 2014. a Intermittent demand forecasting Single Exponential Smoothing Metode Single Exponential Smoothing merupakan metode forecasting yang dapat digunakan untuk pola permintaan yang intermittent maupun non-intermittent. Metode ini dapat dikatakan sebagai titik awal berkembangnya metode untuk intermittent demand forecasting. Jika Ft adalah nilai perkiraan pada waktu t, Y t adalah nilai pengamatan pada waktu t dan α konstan antara 0 dan 1, maka: t t t F Y F 1 1       1 Atau dapat mengatakan bahwa ramalan F t+1 didasarkan pada pembobotan pengamatan terbaru Y t dengan nilai bobot α dan bobot perkiraan terbaru F t dengan berat 1- α. Ketika nilai mendekati 1, hasil forecasting memiliki penyesuaian yang besar untuk kesalahan dalam perkiraan sebelumnya. Sebaliknya, ketika dekat dengan 0, perkiraan baru akan mencakup sangat sedikit penyesuaian. Proses inisialisasi metode ini menggunakan nilai yang diamati pertama Y 1 sebagai perkiraan pertama F 1 = Y 1 . Croston ’s method Metode Croston adalah model forecasting untuk intermittent demand Croston, 1972. Permintaan intermittent muncul secara random, dengan beberapa periode waktu menunjukkan tidak adanya permintaan sama sekali Syntetos dan Boylan, 2005. Willemain et al., 1994 menjelaskan bagaimana proses perhitungan metode Croston dimana metode ini membagi parameter demand menjadi dua bagian yaitu demand size dan demand interval. Exponential smoothing kemudian diaplikasikan untuk kedua Semarang, 7 Oktober 2015 245 parameter ini secara terpisah dimana data di-update hanya pada saat dimana terjadi. Notasi berikut digunakan dalam perhitungan matematis metode Croston: = = demand untuk suatu item pada saat t = demand size ukuran demand = binary indicator dari demand pada saat t = Croston’s estimate dari rata-rata demand size = Croston’s estimate dari rata-rata interval antar demand q = waktu interval dari demand terakhir = smoothing parameter Dengan mengombinasikan estimasi dari demand interval dan demand size maka didapat rata-rata demand per periode sebagai berikut: 2 Syntetos-Boylan Approximation SBA Syntetos dan Boylan 2001 menemukan kesalahan dalam penurunan model matematika pada metode Croston. Dengan menggunakan notasi yang sama pada metode Croston, metode SBA dibuat atas dasar perbaikan metode Croston sebagai berikut: 3 b Forecasting error Mengukur kesesuaian antara hasil forecasting dengan hasil observasi aktual yang di dapat dari kondisi riil adalah hal penting dalam proses forecasting. Keakuratan suatu metode forecasting yang digunakan ditentukan dari besar kecilnya forecasting error. Terdapat beberapa metode pengukuran forecasting error seperti Mean error ME, Mean absolute error MAE, Mean square error MSE, Root mean square error RMSE, Mean percentage error MPE, Mean absolute percentage error MAPE, Symmetric mean absolute percentage error SMAPE, Geometric root mean square error GRMSEKholidasari, 2014. c Relevansi antara forecasting dan inventori Secara umum, inventori sistem terdiri dari tiga tahapan proses. Yang pertama yaitu pengklasifikasian jenis barang berdasarkan karakteristiknya. Dalam penelitian ini, karakteristik mengenai pola permintaan menjadi dasar pengklasifikasian spare part. Klasifikasi pola permintaan menjadi pedoman bagi penentuan metode forecasting yang dipilih. Selanjutnya, hasil forecasting dapat dijadikan parameter dalam penentuan keputusan-keputusan inventori seperti berapa banyak barang akan dipesan dan kapan barang harus tersedia Kholidasari, 2013.

4. METODOLOGI PENELITIAN

Penelitian ini bertujuan untuk menentukan metode forecasting yang tepat untuk data yang memiliki pola permintaan intermittent. Dengan menggunakan sepuluh data time series 16 periode, 1 periode = 1 bulan yang di dapat dari perusahaan penyedia spare part mobil, dilakukan perbandingan antara tiga metode forecasting metode Single Exponential Smoothing , Croston’s method dan Syntetos Boylan Approximation SBA mengenai keakuratan hasil forecasting . Parameter α yang digunakan dalam perhitungan untuk mendapatkan hasil peramalan adalah 0,1, 0,2, dan 0,5. Sepuluh data time series menggambarkan data masa lalu 10 komponen mobil yang menjadi objek penelitian. Alasan pemilihan komponen-komponen tersebut sebagai objek penelitian adalah jumlah permintaan tiap periode untuk komponen-komponen ini dapat dikatakan memenuhi atau layak untuk dianalisa. Selanjutnya, pemilihan ketiga metode forecasting yang akan dibandingkan didasarkan pada, secara akademik literatur, metode- metode ini merupakan metode yang lazim digunakan untuk data yang bersifat intermittent Syntetos and Boylan 200; Kholidasari, 2013. Kriteria pemilihan metode terbaik untuk suatu time series adalah metode yang menghasilkan forecasting error terkecil. Digunakan delapan metode untuk menentukan besarnya forecasting error - Mean error ME, Mean absolute error MAE, Mean square error MSE, Root mean square error RMSE, Mean percentage error MPE, Mean absolute percentage error MAPE, Symmetric mean absolute percentage error SMAPE, Geometric root mean square error GRMSE. Proses inisialisasi dilakukan untuk enam periode pertama. Dengan mengetahui forecasting error yang terkecil, maka selanjutnya dilakukan forecasting untuk periode yang akan datang dengan mengaplikasikan metode terpilih. Analisa kemudian dilanjutkan dengan mempertimbangkan hasil