36 Metode peramalan deret waktu digunakan untuk memprakirakan permintaan masa yang akan
datang berdasarkan data penjualan masa lalu dan kondisi sekarang. Metode peramalan deret waktu tidak mempertimbangkan faktor penyebab dan faktor peubah dari pola data yang terbentuk atau
mengapa permintaan memiliki nilai tersebut.Selain itu, data diasumsikan terdapat hubungan antara permintaan dan faktor peubahyang mempengaruhinya akan berlanjut pada masa yang akan datang.
Metode estimasi galon kosong yang kembali menggunakan metode simulasi probabilistik. Data yang disimulasikan merupakan rasio perbandingan antara jumlah pengembalian galon kosong
dengan jumlah pengiriman galon kosong. Penggunaan rasio karena jumlah pengiriman dari gudang pusat tidak terlalu berbeda dengan jumlah pengembalin galon kosong dari gudang distributor. Pertama
data diidentifikasi untuk mengetahui jenis sebaran data dan kemudian disimulasikan berdasarkan sebaran data tersebut.
5.2 PRAKIRAAN PERMINTAAN
Model prakiraan permintaan merupakan suatu model untuk mengolah data yang menghasilkan informasi tentang prakiraan permintaan pada periode masa datang. Model prakiraan
terdiri dari beberapa teknik peramalan. Teknik-teknik peramalan permintaan yang digunakan adalah metode deret waktu. Model peramalan yang dipilih sesuai dengan pola data historis dan parameter
kesalahan minimal yang dihasilkan. Verifikasi model peramalan menggunakan data aktual pengiriman produk sebagai data aktual permintaan yang terdapat dalam Lampiran 1. Plot data
permintaan produk dapat dilihat pada Gambar 11.
Gambar 11. Grafik Permintaan Air Minum Dalam Kemasan Galon Plot data memberikan informasi awal dalam melihat kecenderungan data dan fluktuasi data.
Tahapan identifikasi pola data diperlukan sebagai tahap awal untuk memilih teknik peramalan yang tepat dan memungkinkan. Berdasarkan kecenderungan pola yang terbentuk maka pola data dapat
dikatagorikan dalam 4 jenis pola data, yaitu pola data yang memiliki efek kecenderungan trend, musiman, random dan stasioner.
Pada Gambar 11 terlihat bahwa data tidak memiliki efek musiman dan berpola stasioner tetapi sedikit ada efek kecenderungan trend maka kemungkinan model yang dipilih adalah model
perataan bergerak, model pemulusan eksponensial tunggal, model pemulusan eksponensail ganda. Setelah itu maka pemilihan model yang tepat dengan membandingkan nilai MAPE Mean Absolute
Persentage Error dari ketiga model tersebut dengan nilai parameter yang berbeda-beda. Semakin kecil nilai MAPE maka semakin kecil nilai kesalahan antara ramalan dengan data aktual.
Perbandingan nilai MAPE dari ketiga model dapat dilihat pada Tabel 2. -
100 200
300 400
500 600
700 800
900
1 4 7 10131619222528313437404346495255586164677073767982858891 J
um la
h G
a lo
n
Periode Ke-
37 Tabel 2. Perbandingan Nilai MAPE Berdasarkan Metode Peramalan
Model Peramalan Parameter
Nilai MAPE Model Peramalan Parameter
Nilai MAPE
Metode Perataan
Bergerak Tunggal MA 3
774.78 Metode
Pemulusan Eksponensial
Ganda = 0.0134
=0.0232 727.87
MA 4 647.42
MA 5 779.67
= 0.0234 =0.0013
695.98 Metode Pemulusan
Eksponensial Tunggal
= 0.0001 418.40 = 0.0234 581.05
= 0.0334 =0.0113
688.49 = 0.0334 604.54
Pemilihan nilai parameter menggunakan metode trial and error. Pada tabel 2 terlihat bahwa metode peramalan yang memiliki MAPE terkecil adalah metode pemulusan eksponensial tunggal
pada tingkat = 0.0001. Akan tetap, nilai MAPE yang dihasilkan diatas 100 maka dapat dikatakan
hasil peramalan memiliki persentase error sangat tinggi. Sehingga kurang tepat apabila memilih metode pemulusan eksponensial tunggal sebagai dasar untuk meramal permintaan pada masa yang
akan datang. Oleh karena itu, maka metode peramalan tepat apabila menggunakan metode naif yaitu suatu metode yang meramalkan sejumlah permintaan masa depan memiliki jumlah yang sama dengan
data historis permintaan.
5.3 SIMULASI TINGKAT PENGEMBALIAN GALON
