LANDASAN TEORI

c. Single Exponensial Smoothing (SES)

SES adalah metode peramalan untuk pola data stationer yang dipengaruhi oleh nilai data aktual, peramalan sebelumnya dan konstanta alpha ( α). Konstantaa alpha mempunyai nilai mendekati 1 apabila pola data aktual sangat random dan memiliki nilai mendekati 0 apabila pola data aktual mendekati garis lurus. SES dirumuskan sebagai berikut:

F (0) =A (1) ............................................................................................................................ (2.3)

F (t) = α.A (t) + (1- α).F (t-1) ............................................................. (2.4)

f (t+τ) =F (t) ...................................................................................... (2.5)

d. Double Exponential Smoothing

DES adalah pengembangan dari metode SES dengan pemulusan berganda. Hal ini dilakukan untuk menghilangkan kerandoman data. DES dirumuskan sebagai berikut:

= ( 0 ) (1) F =A ........................................................................ (2.6)

F (t) = α.A (t) + (1- α).F (t-1) ............................................................. (2.7)

= α.F (t) + (1- α). F ( t  1 ) ........................................................... (2.8)

f 1 (t+τ) = ( t ) F ..................................................................................... (2.9)

e. Adaptive Exponential Smoothing (AES)

Metode ini dimula dengan menetapkan nilai alpha ( α), pada setiap periode, pengecekan terhadap nilai α dengan tiga nilai, α-0,05; α; α + 0,05; akan diperoleh nilai F (t) dengan error absolut terkecil. AES dirumuskan sebagai berikut:

F (0) =A (1) ..................................................................................... (2.10)

F (t) = α.A (t) + (1- α).F (t-1) ............................................................. (2.11)

2. Untuk Pola Data Trend

a. Moving Average With Linear Trend (MAT)

Metode ini digunakan untuk meramalkan data time series yang mempunyai kecenderungan linier. Metode ini dilakukan dengan menghitung rata-rata bergerak pada rangkaian pada rangkaian dasar. Hasilnya disebut rangkaian data kedua, kemudian dihitung rata-rata bergerak dari rangkaian data kedua ini. MAT dirumuskan sebagai berikut:

(t)

= ........................................................................... (2.12) m

12  i . A ( t  ( m  1 ) m )

(t)

f (t+ τ) = F+T ( t ) (t) (t+τ) ....................................................................... (2.14)

b. Single Exponential Smoothing With Trends (SEST)

Metode ini disebut juga dengan metod Holt. Metode ini menggunakan dua parameter yaitu α dan β. Teknik ini memerhalus trend dan slope secara langsung

dengan menggunakan konstanta- konstanta pemulusan tersebut. Nilai α digunakan untuk menghilangkan pengaruh random, sedangkan β digunakan untuk

menghilangkan trend. SEST dirumuskan sebagai berikut:

F (t) = α.A (t) + (1- α).F (t-1) +T (t-1) ................................................. (2.15) T (t)

= β(F (t) –F (t-1) ) + (1- β).T (t-1) ................................................ (2.16)

f (t+τ) =F (t) + τ.T (t) ......................................................................... (2.17)

3. Untuk Pola Data Musiman

a. Metode Winter

Winter memperkenalkan parameter tambahan untuk data musiman yaitu γ. Jadi pada metode Winter terdapat 3 konstanta yang harus didefinisikan yaitu α untuk kon stanta penghilang variasi random, β untuk konstanta pemulusan estimasi Winter memperkenalkan parameter tambahan untuk data musiman yaitu γ. Jadi pada metode Winter terdapat 3 konstanta yang harus didefinisikan yaitu α untuk kon stanta penghilang variasi random, β untuk konstanta pemulusan estimasi

F (t) = ............................................. (2.18)

I ( t  m )  ( 1   )( F ( t  1 )  T ( t  1 ) )

Rumus di atas digunakan untuk perhitungan pengaruh unsur stationer. Pada rumus tersebut terlihat bahwa unsur pertamanya dibagi dengan indeks musiman (I (t-m) ). Hal ini dilakukan untuk mengeliminasi faktor musiman. Sedangkan pada unsur kedua ditambah dengan komponen trend (T (t-1) ) untuk menyesuaikan secara langsung terhadap trend berikutnya.

T (t) = β(F (t) –F (t-1) ) + (t- β).T (t-1) ................................................. (2.19)

Persamaan di atas digunakan untuk perhitungan pengaruh unsur trend. Pada persamaan tersebut nilai pemulusan trend (T (t) ) secara langsung disesuaikan dengan trend periode sebelumnya dengan menambahkan nilai pemuluan yang terakhir (T (t-1) ).

I (t) =  ( 1   ). I ( t  m ) ........................................................... (2.20) F ( t )

Persamaan di atas digunakan untuk perhitungan pengaruh unsur musiman. Persamaan tersebut membagi antara rasio nilai sekarang dari deret data (A (t) ) dengan nilai pemulusan tunggal sekarang (F (t) ) .

f (t+ τ) = (F (t) + τ.T (t) ). I (t+R-m) ........................................................... (2.21)

Persamaan di atas adalah rumus peramalan Winter yang digunakan setelah faktor stationer, trend dan musiman diketahui.

Keterangan:

t : waktu / periode τ : waktu dari t

m : periode moving average α : parameter first smoothing β : parameter trend smoothing

γ : parameter seasonal smoothing

A (t) : actual data dalam periode t

f (t) : peramalan untuk periode t T (t) : trend untuk periode t W (t) : bobot untuk periode t

I (t) : seasonal index untuk periode t

e (t) : keslahan dalam periode t, yang mana A (t) –f (t)

A : rata – rata data aktual Metode peramalan yang digunakan haruslah metode yang paling sesuai

dengan pola data historis. Untuk melihat kesesuaian metode, kita dapat menggunakan beberapa kriteria yaitu :

Presentase kesalahan :

PK t    * 100 % ................................................................. (2.22)  X t 

Mean Absolute Error :

PK t

i  MAE 1  ............................................................................. (2.23) n

Mean Square Error :

i  MSE 1  ...................................................................... (2.24)

Standard Error of Estimate :

SEE 2  ( X t  F t ) /( n  f ) ............................................................. (2.25)

Mean Absolute Deviation:

t MAD 1   ......................................................................... (2.26)

Dengan :

= Hasil peramalan pada periode ke-t

= Data historis pada periode ke-t

= Jumlah data historis

f = Derajat kebebasan

PK t = Presentase kesalahan

F. Pyramid Forecasting

Peramalan dapat juga dilakukan berdasarkan lokasi geografis dan kelompok produk yang dalam peramalan dikenal sebagai peramalan berdasarkan dimensi agregasi dan disagregasi. Hal umum yang berlaku yang berkaitan dengan agregasi ini adalah bahwa peramalan pada tingkat agregasi yang lebih tinggi akan lebih akurat dibandingkan peramalan pada tingkat agregasi yang lebih rendah atau pada tingkat disagregasi (Gaspersz, 2004). Pemilihan model peramalan akan tergantung pada pola data dan horizon waktu peramalan. Berikut ini adalah gambar piramida agregasi dalam peramalan:

Gambar 2.4 Agregasi Berdasarkan Kelompok Produk (Sumber: Gaspersz, 1994)

Gambar 2.5 Agregasi Berdasarkan Lokasi Geografis (Sumber: Gaspersz, 1994)

Teknik peramalan piramida sering juga disebut sebagai teknik Roll-Up, Force-Down. Proses roll-up adalah proses pengagregasian dari tingkat agregasi paling rendah ke tingkat agregasi tertinggi. Sedangkan proses force-down adalah proses diagregasi dari tingkat tertinggi sampai tingkat terendah. Berikut ini adalah gambar ilustrasi proses roll up dan force down:

Gambar 2.6 Proses Force-Down dan Roll-Up (Sumber: Gaspersz, 1994)

Tahap force-down adalah tahap dimana hasil peramalan untuk satu kelompok produk (agregat) didisagregasi sampai satuan produk terkecil. Pendisagregasian ini berdasarkan jumlah rasio penambahan yang telah didapat.

X t = rasio produk x hasil peramalan ......................................... (2.27) Dimana rasio produk adalah perbandingan antara jumlah produk dengan jumlah total keseluruhan produk.

2.2.4 Sistem Pendukung Keputusan (SPK)

1. Pengertian Sistem Pendukung Keputusan (SPK)

Menurut Mcleod (2008). pembuatan keputusan adalah tindakan memilih di antara berbagai alternatif solusi pemecahan masalah. Sedangkan keputusan didefinisikan sebagai tindakan pilihan untuk mengambil keputusan dalam proses pemecahan masalah.

Menurut Winarno (2004), SPK adalah sebuah sistem yang memandu pembuat keputusan. Sistem ini akan mendasarkan proses pembuatan keputusan kepada aturan yang ditetapkan oleh para perancang sistem dan basis data yang ada dalam perusahaan. Dalam membangun sebuah SPK, manajemen perusahaan dan perancang sistem harus dapat merumuskan berbagai masalah dan jalan keluarnya. Rumusan ini membutuhkan sebuah model. Model adalah perwakilan atau gambaran atas sesuatu. Model dapat mewakili objek atau aktivitas, yang disebut entitas. Manfaat model adalah untuk mempermudah pemahaman. Apabila sebuah model yang sederhana telah dipahami, para pembuat model dapat segera memahami masalah yang lebih komplek. Manfaat model yang lain adalah mempermudah komunikasi sehingga kemampuan komunikasi lebih cepat dan lebih baik dengan tingkat kesalahan yang rendah. Manfaat terakhir adalah untuk memprediksi masa depan. Pembuat keputusan dapat memperkirakan apa yang akan terjadi di masa yang akan datang dengan menggunakan model.

2. Konsep Sistem Pendukung Keputusan

Sistem informasi yang diperlukan oleh masing-masing tingkatan manajemen memiliki karakteristik yang berbeda. Semakin rendah tingkatan manajemen, sistem informasinya akan semakin terstruktur, yaitu sistem Sistem informasi yang diperlukan oleh masing-masing tingkatan manajemen memiliki karakteristik yang berbeda. Semakin rendah tingkatan manajemen, sistem informasinya akan semakin terstruktur, yaitu sistem

Semakin tinggi tingkatan manajemen, keputusan yang diambil akan semakin banyak mengandung ketidakpastian. Selain itu manajemen puncak juga tetap terlibat dalam pembuatan keputusan terstruktur, meskipun keterlibatannya akan semakin kecil bila dibanding dengan manajer level bawahnya. Hubungan keputusan dengan masalah dan pembuat keputusannya dapat dilihat pada gamabr yang dibuat oleh Gorry-Scott Morton Grid berikut ini

Tingkatan Manajemen

Piutang Dagang

Analisis anggaran

Pengaturan transportasi barang

Terstruktur

Penerimaan Order

Forecasting jangka

Penyimpanan barang di

Pencatatan Persediaan

Masalah

Penjadwalan Produksi

Analisis Selisih

Merger dan akuisisi

Semi -

Terstruktur Manajemen Kas

Penyusunan Anggaran

Tidak

Analisis PERT

Proses produksi

Perancangan produk baru

Terstruktur

Pemasaran

Litbang (R & D)

Gambar 2.7 Gorry-Scott Moorton Grid (Sumber:Winarno, 2004)

3. Komponen SPK

Sistem pendukung keputusan terdiri dari beberapa komponen. Menurut Suryahadi dan Ramdhani (2000), suatu SPK terdiri dari tiga subsistem utama yaitu basis data, basis model dan perangkat lunak penyelenggara dialog. Komponen sistem pendukung keputusan adalah sebagai berikut:

a. Basis data Basis data merupakan kumpulan dari data yang saling berhubungan dengan yang lainnya, yang tersimpan di perangkat keras komputer dan digunakan perangkat lunak untuk memanipulasinya. Basis data merupakan salah satu komponen yang penting dalam sistem informasi, karena merupakan basis dalam menyediakan informasi bagi para pemakai. Dalam Winarno, W. sumber basis data dapat berasal dari dalam perusahaan (data internal) yang dicatat oleh perusahaan sebagai transaksi yang selama ini terjadi dan data yang berasal dari luar perusahaan (data eksternal) yang diambil perusahaan dari sumber di luar perusahaan, seperti misalnya data industri, data statistik, dll.

Terdapat dua macam teknik dalam perancangan basis data yaitu:  Teknik Normalisasi Tujuan normalisasi adalah mengidentifikasikan hubungan antar atribut, mengkombinasikan atribut untuk membentuk relasi, dan mengkombinasikan relasi untuk membentuk database. Atribut adalah elemen data atau field. Relasi didefinisikan sebagai kumpulan atribut. Sedangkan database didefinisikan sebagai kumpulan relasi.

Teknik normalisasi dimulai dari dokumen dasar yang sudah ada pada sistem atau sudah dipakai pada sistem sebelumnya. Data – data pada dokumen dasar tersebut dipisahkan menjadi field – field yang pada tiap field pada file tersebut bergantung penuh pada kunci utama yang biasanya dikenal dengan bentuk normal ke tiga. Kemudian setiap file dalam database ditentukan hubungannya dengan file –file yang lain dengan cara memasang field tamu pada file – file anak atau file konektor. Normalisasi menghindari terjadinya anomali, yaitu kejanggalan yang dapat terjadi bisa dilakukan penambahan baris (kolom), modofikasi isi atribut, dan menghapus baris. Untuk menghindari anomali, umumnya dilakukan dekomposisi dari kumpulan atribut, dipecah hingga menjadi beberapa tabel baru. Berikut ini adalah bentuk-bentuk dari normalisasi:

1. 1NF (First Normal Form) Sebuah relasi berada dalam 1NF jika relasi tersebut tidak berisi atribut yang berulang – ulang.

2. 2NF (Second Normal Form) Sebuah relasi berada dalam 2NF jika relasi tersebut dalam 1NF dan untuk setiap non key atribut adalah tergantung fungsional penuh kepada primary key. Sebuah relasi berada dalam 1NF dan 2NF jika salah satu syarat – syarat berikut ini dapat terpenuhi:  Primary key hanya terdiri atas 1 atribut  Tidak terdapat atribut yang bukan primary key  Setiap atribut yang non key tergantung penuh atas seluruh atribut di primary

key

3. 3NF (Third Normal Form) Sebuah relasi berada dalam 3NF bila relasi adalah 1NF dan 2NF dan tidak ada non key atribut yang tergantung fungsional kepada non-key atribut yang lainnya.

 Teknik Entity Relationship Teknik ini dimulai dengan pembuatan diagram arus data yang menghasilkan kamus data yang merupakan daftar semua elemen/field yang dibutuhkan dalam sistem tersebut. Dari field – field tersebut dipilih field kunci yang bersifat unik artinya keseluruhan record dapat dicari dari record tersebut, kemudian baru dibuat file – file berdasar kunci record tersebut yang mana elemen / field dalam field tersebut bergantung penuh dengan field kunci tersebut. Setelah membuat tabel baru ditentukan relasi dari tiap tabel tersebut seperti halnya teknik normalisasi. Terdapat epat relasi dasar, yaitu:

1. ONE TO ONE ( 1 – 1), relasi yang terjadi jika sebuah entry dalam sebuah objek data store dihubungkan dengan hanya sebuah entry dalam sebuah object data store yang lain.

2. ONE TO MANY (1 – M), relasi yang terjadi jika sebuah entry dalam sebuah object data store dihubungkan dengan satu atau lebih entry dalam sebuah object data store yang lain.

3. MANY TO ONE (M – 1), relasi yang terjadi jika satu atau lebih entry dalam sebuah object data store dihubungkan dengan hanya satu entry dalam sebuah object data store yang lain.

4. MANY TO MANY (M – M), relasi yang terjadi jika satu atau lebih entry dalam sebuah object data store dihubungkan dengan satu atau lebih entry dalam sebuah object data store yang lain.

Dalam semua defini relasi di atas, “1” menyatakan hanya satu, dan “M” atau “ ∞” menyatakan satu atau lebih. Bila suatu saat dibutuhkan pernyataan relasi; paling sedikit sebuah, dan juga lebih dari satu, maka relasi itu dapat dinyatakan dengan “M*” (* = minimum of one).

b. Model Menurut Mcleod (2008) model adalah abstraksi dari sesuatu. Model mewakili suato objek yang disebut entitas. Terdapat empat jenis dasar model yaitu:  Model fisik

Model fisik merupakan gambaran tiga dimensi entitasnya seperti misalnya model skala pusat perbelanjaan dan protoipe mobil baru. Model fisik dibuat untuk mencapai tujuan yang tidak dapat dipenuhi oleh benda sesuangguhnya.  Model naratif

Model naratif adalah penggambaran entitas dengan kata – kata yang terucap atau tertulis. Pendengar atau pembaca dapat memahami entitas tersebut dari naratifnya. Semua komunikasi bisnis adalah model naratif.

 Model grafis Model grafis menggambarkan entitasnya dengan abstraksi garis, simbol, atau bentuk. Model grafis juga digunakan dalam desain sistem informasi sebagai contohnya adalah diagran relasi entitas, diagram aliran data, dan lain – lain.  Model matematis

Setiap rumus atau persamaan matematika adalah model matematis.

c. Perangkat analisis Berbagai perangkat analisis yang digunakan untuk mencari jalan keluar terbaik misalnya adalah sebagai berikut:  What if Analysis

Analisis ini digunakan untuk mengetahui apa yang terjadi apabila satu atau beberapa variabel berubah. Misalnya, berapa laba yang akan diperoleh perusahaan bila harganya dinaikkan 10% sedang biaya variabel naik 8%?  Sensitivity Analysis

Analisis ini digunakan untuk mengetahui pengaruh perubahan suatu variabel terhadap variabel yang lain. Analisis ini akan melakukan perubahan secara berkali-kali terhadap suatu variabel, sehingga dapat diketahui apakah pengaruhnya konsisten atau tidak.

 Goal-Seeking Analysis Analisis ini digunakan untuk mencari solusi terbaik (misalnya laba tertinggi atau biaya terendah) dari suatu masalah.

 Optimization Analysis Analisis ini digunakan untuk mencari solusi yang paling menguntungkan bagi perusahaan, dan mirip dengan goal-seeking analysis. Analisis ini biasanya memanfaatkan perhitungan menggunakan linear programming.

d. Laporan Terdapat tiga jenis laporan, yaitu:  Laporan rutin (Periodic report) Laporan ini diterbitkan dan disediakan secara berkala, memuat informasi yang sudah standar, sehingga jarang diperlukan oleh manajemen puncak.  Laporan pengecualian (Exception Report)

Laporan yang disediakan apabila terjadi kondisi yang menyimpang dari kebiasaan.  Laporan atas permintaan (on Demand Report)

Laporan ini disediakan apabila manajemen memintanya. Laporan ini biasanya berisi informasi yang benar-benar diperlukan oleh manajemen, sehingga bermanfaat cukup besar dalam pembuatan keputusan.

4. Tahap Pembuatan Keputusan

Menurut Hebert A. Simon dalam Winarno (2004), pembuatan keputusan melibatkan 4 langkah yaitu:

a. Tahap Intelligence Tahap intelligence adalah tahap pengakuan adanya masalah. Masalah dapat merupakan persoalan maupun kesulitan yang muncul dalam kehidupan organisasi, atau juga dapat merupakan persoalan yang ditimbulkan sendiri oleh pembuat keputusan. Tahap ini adalah tahap yang paling penting dlam tahapan-tahapan pembuatan keputusan.

b. Tahap Design Tahap design adalah tahap perancangan berbagai alternatif yang akan dipilih.

c. Tahap Choice Tahap choice adalah tahap memilih salah satu di antara berbagai alternatif yang sudah disiapkan dalam tahap design. Dalam tahap ini, pembuat keputusan akan menggunakan model pemilihan alternatif.

d. Tahap Implementation Tahap yang terakhir adalah pelaksanaan dari keputusan yang telah diambil pada tahapan choice.

5. Kesalahan dalam Pembuatan Keputusan

Terdapat beberapa kesalahan yang sering terjadi dalam penganbilan keputusan, diantaranya adalah sebagai berikut:

a. Kesalahan analisis Kesalahan ini mengenai identifikasi masalah yang terjadi, sehingga keputusan yang dibuat juga akan salah.

b. Kesalahan melihat waktu Misalnya pada bulan Juni-Juli penjualan alat tulis melonjak. Pimpinan perusahaan memutuskan untuk meningkatkan kapasitas produksi. Ternyata, setiap bulan Juni – Juli sebenarnya merupakan tahun ajaran baru, sehingga memang terjadi kenaikan permintaan akan alat tulis. Bila bulan berikutnya kapasitas produksi dinaikkan, tidak akan mempertahankan penjualan

c. Kesalahan sudut pandang yang tidak berubah Perusahaan beranggapan bahwa pihak yang paling menentukan suksesnya penjualan adalah pramuniaga (salesman), oleh karenanya manajemen memberikan bonus yang menarik kepada semua pramuniaga. Padahal banyak pihak lain yang ikut andil dalam kesuksesan penjualan. Bila manajemen hanya memberikan bonus kepada pramuniaga saja, maka karyawan lain akan merasa iri dan akan menurunkan kinerjanya.

d. Kesalahan terlalu percaya diri Karena terlalu percaya diri akan menyebabkan manajemen kurang mempertimbangkan hal – hal yang seharusnya dipertimbangkan.

2.2.5 Collaborative Planning, Forecasting, and Replenishment (CPFR)

Menurut Tenhiala (2003) beberapa tahapan penting dalam CPFR adalah:

1. Collaborative Planning

Terdiri atas negosiasi kesepakatan yang mendefinisikan kewajiban perusahaan dalam bentuk kerjasama (collaborative) dan membangun rencana bisnis bersama yang memperlihatkan suatu cara bagaimana perusahaan akan memenuhi permintaan pelanggannya. Menurut Simchi – Levi dkk (2000) kerjasama antara retailer dengan suppliernya terdiri dari 2 bentuk kerjasama yaitu information sharing , yang membantu produsen membuat perencanaan yang lebih efisien, dan consignment scheme (dukungan penuh) dimana produsen mengatur secara penuh dan memiliki inventori produk sampai retailer menjualnya.

2. Collaborative Forecasting

Termasuk pembuatan rencana penjualan untuk keseluruhan perusahaan yang berkolaborasi, melakukan identiikasi atas pengecualian atau perbedaan yang muncul antar perusahaan, menyelesaikan pengecualian untuk menyediakan rencana penjualan umum.

3. Collaborative Replenishment

Pembuatan rencana pengiriman untuk seluruh perusahaan yang berkolaborasi, menyelesaikan pengecualian dan melakukan generalisasi pesanan aktual untuk memenuhi keinginan konsumen.

Ada tiga elemen penting dalam CPFR yaitu:

1. Kolaborasi demand planning CPFR menekankan pentingnya berbagi data secara transparan antara konsumen dengan rantai pasok, sejak tahap penyusunan marketing plan hingga forecast per stock keeping unit (sku) dalam unti per satuan waktu dimana telah harus dipertimbangkan pengaruh dari promosi yang mungkin direncanakan untuk sku tertentu.

2. Joint capacity planning Estimasi penjualan dari demand planning kemudian akan dikonversikan sebagai rencana produksi, dimana pihak pabrik akan merencanakan kapasitas berdasarkan estimasi penjualan.

3. Sinkronisasi order fullfillment Pihak pelanggan akan menempatkan ke sana sesuai dengan estimasi penjualan. Seberapa dari pesanan ini bisa dipenuhi akan tergantung kemampuan pabrik untuk memenuhi pesanan. Pihak pbrik memiliki kewajiban untuk mengkomunikasikan kembali realisasi pemenuhan pesanan sehingga pihak distributor bisa meneruskan ke pengecer.

Menurut bisnis CPFR ketiga sub sistem diatas beribteraksi secara 2 arah sehingga setiap perubahan dapat langsug diketahui oleh setiap anggota rantai pasok. Kolaborasi yang berdasarkan keterbukaan berbagi data semacam ini akan meningkatkan kualitas peramalan permintaan di sepanjang rantai pasok dan dengan demikin juga akurasi dalam order fullfillment. Menurut bisnis CPFR proses dimulai dengan penetapan garis besar kesepakatan dengan antara seluruh pihak yang terkait. Kemudian dilaknjukan dengan menyusun rencana bisnis. Berdasarkan rencana dasar ini, dibuat perkiraan penjualan dan dikenali adanya kemungkinan masalah dan hal-hal khusus dalam penjualan. Dari sini akan diperoleh data yang lebih pasti mengenai ketersediaan produk yang selanjutnya menjadi dasar membuat perkiraan pesanan. Bila ternyata tidak ada masalah dalam pemenuhan pesanan, maka pesanan akan ditempatkan secara resmi.

CPFR terdiri dari 3 tahap yaitu tahap planning, forecasting, dan replenishment. Pada tahap planning terdiri dari dua langkah yaitu penyelenggaraan kerja sama (langkah 1) dan pembuatan rencana bisnis bersama (langkah 2). Tahap forecasting juga terdiri dari 2 langkah yaitu sales forecast (langkah 3-5) dan order forecast (langkah 6-8). Masing – masing forecast terdiri dari 3 tahap yaitu menghitung ramalan, mengidentifikasi exception dalam peramalan, dan memecahkan exception yang ada. Dan yang terakhir adalah tahap replenishment. Pada tahap ini jumlah terdapat proses pengiriman barang hasil perhitungan dari order forecast (langkah 9). Proses CPFR dari langkah 1 – langkah 9 dapat dilihat pada gambar 2.8.

Gambar 2.8 Langkah – langkah CPFR (Sumber: Tenhiala, 2003)

Gambar 2.8 adalah diagram alir yang menggambarkan langkah – langkah dalam melakukan CPFR. Terdapat 9 langkah untuk melakukan CPFR. Berikut ini akan diuraikan langkah – langkah dalam melakukan CPFR:

1. Penyelenggaraan kerja sama (develop collaboration arrangement) Pada tahap ini akan diidentifikasi sponsor eksekutif, penetapan resolusi, pembuatan scorecard untuk melihat metrics relative rantai pasok, dan penentuan 1. Penyelenggaraan kerja sama (develop collaboration arrangement) Pada tahap ini akan diidentifikasi sponsor eksekutif, penetapan resolusi, pembuatan scorecard untuk melihat metrics relative rantai pasok, dan penentuan

 Confidentiality  Goals & objectives  Ukuran keberhasilan  Persetujuan perihal kompetensi, sumber daya, dan sistem  Orang – orang dan departemen yang bertanggung jawab  Pembagian informasi  Service & ordering commitments, dan  Resolution of disagreements

2. Membuat rencana bisnis bersama

Rencana bisnis yang dibuat bersama berkenaan dengan hal – hal di bawah ini:  Rencana bisnis untuk promosi, perubahan kebijakan inventori, jadwal buka /

tutup toko, perubahan produk untuk masing –masing kategori produk, dan lain – lain.

 Pihak organisasi buyer (purchasing manager) dan organisasi seller (marketing manager) bersama – sama mengembangkan:

a. Corporate strategies

b. Partnership strategies

c. Category roles and objectives

d. Exception criteria

e. Item management profile.

3. Membuat sales forecast Organisasi buyer (forecast analyst) membuat sales forecast dan mengkomunikasikan hasilnya kepada organisasi seller (sales analyst). Hasil peramalan ini digunakan untuk menghitung order forecast.

4. Mengidentifikasi exception dalam sales forecast Pada tahap ini dilakukan identifikasi terhadap hal – hal yang mempengaruhi penjualan namun tidak dapat dihitung dalam sales forecast.

5. Memecahkan / mengkolaborasikan exception Pada gambar 2.5 akan dijelaskan bahwa informasi exception yang ada pada produsen maupun distributor dibagi untuk kemudian dipecahkan bersama 5. Memecahkan / mengkolaborasikan exception Pada gambar 2.5 akan dijelaskan bahwa informasi exception yang ada pada produsen maupun distributor dibagi untuk kemudian dipecahkan bersama

Gambar 2.9 Mengkolaborasikan exception (Sumber: Tenhiala, 2003)

6. Membuat order forecast Jika organisasi buyer adalah produsen/manufacturing, maka sales forecast didefinisikan sebagai MPS (Master Production Scheduling) dan order forecast dilaksanakan berdasarkan MPS, status inventori, struktur produk, manufacturing lead time, dan strategi lot sizing.

Jika organisasi buyer adalah distributor / retailer, maka sales forecast didefinisikan sebagai order forecast yang berdasarkan pada status inventori dan strategi pada inventori.

7. Mengidentifikasi exception dalam order forecast Pada tahap ini dilakukan identifikasi terhadap hal – hal yang mempengaruhi penjualan namun tidak dapat dihitung dalam sales forecast.

8. Memecahkan / mengkolaborasikan exception Informasi exception yang ada pada produsen maupun distributor dibagi untuk kemudian dipecahkan bersama sehingga perubahan pada sales forecast diketahui kedua belah pihak. Untuk memecahkan exception dapat dilakukan peramalan tambahan.

9. Generate order Setelah hasil order forecast ditetapkan, maka jumlah order digenerate untuk kemudian dilakukan proses pemesanan dan proses pengiriman (delivery execution).

2.2.5 Referensi Lainnya

Wibawa (2008) merancang sistem informasi yang termasuk di dalamnya adalah pembuatan laporan keuangan, pembuatan database penjualan, serta pembuatan program peramalan penjualan untuk membantu proses pengadaan barang pada periode berikutnya. Metode peramalan yang digunakan adalah metode Winter.

Referensi yang lainnya adalah sebuah paper yang ditulis oleh Kim dan Mahoney (2006) yang berisi tentang bagaimana CPFR memungkinkan trading partner untuk meningkatkan efisiensi operasional melalui proses pembagian dan penggunaan informasi yang terstruktur. Di sini juga dijelaskan peranan teknologi informasi dalam melakukan CPFR. Paper ini juga memberikan contoh studi kasus di Wal-Mart dan P&G dalam melaksanakan CPFR.

Tenhiala (2003) dalam sebuah seminar memaparkan bagaimana mengimplementasikan CPFR di Eropa. Studi kasus dilakukan pada 8 kasus yaitu antara Eroski dan Henkel, Condis dan Henkel, Metro dan Procter & Gamble (P&G), Ketjuetu dan Valio, Delhaize dan Vandemoortele, Sainsbury’s dan Unilever, dan di dalam The Co-operative Group, dan dalam kelompok perusahaan Veropoulos, Elgeka, P&G Hellas, serta Unilever. Pada jurnal ini juga dipaparkan model proses CPFR.

Sancar (2003) mengadakan penelitian tentang penyebab bullwhip effect serta bagaimana cara menghitung bullwhip effect. Kesimpulan yang ditarik dari penelitiannya bahwa bullwhip effect dapat dikurangi namun tidak bisa dihilangkan sama sekali.