a. Cakupan waktu di masa yang akan datang
Untuk mana perbedaan dari metode peramalan yang digunakan sebaiknya disesuaikan .
b. Jumlah periode untuk mana ramalan diinginkan
Beberapa teknik dan metode hanya dapat disuaikan untuk peramalan satu atau dua periode di muka, sedangkan teknik dan metode lain dapat dipergunakan
untuk peramalan beberapa periode di masa mendatang. 2.
Tingkat Ketelitian Tingkat ketelitian yang dibutuhkan sangat erat hubungannya dengan
tingkat perincian yang dibutuhkan dalam suatu peramalan. Untuk beberapa pengambilan keputusan mengharapkan variasi atau penyimpangan atas ramalan
yang dilakukan antara 10 sampai dengan 15, sedangkan untuk hal atau kasus lain mungkin menganggap bahwa adanya variasi atau penyimpangan atas ramalan
sebesar 5 sudah cukup berbahaya. 3.
Ketersediaan Data Metode yang dipergunakan sangat besar manfaatnya, apabila dikaitkan
dengan keadaan atau informasi yang ada atau data yang dipunyai. Apabila dari data yang lalu diketahui adanya pola musiman, maka untuk peramalan satu tahun ke
depan sebaiknya digunakan metode variasi musim. Sedangkan apabila dari data yang lalu diketahui adanya pola hubungan antara variabel
– variabel yang saling mempengaruhi, maka sebaiknya dipergunakan metode Sebab Akibat causal atau
korelasi correlation. 4.
Bentuk Pola Data Dasar utama dari metode peramalan adalah anggapan bahwa macam dari
pola yang didapati di dalam data yang diramalkan akan berkelanjutan. Menurut Makridakis, Wheelwright dan McGee pola data dapat dibedakan menjadi empat
jenis siklus dan trend, yaitu : a.
Pola Horizontal H Pola horizontal terjadi bilamana nilai data berfluktuasi disekitar niai rata-
rata yang konstan. Deret seperti ini adalah stationer terhadap nilai rata- ratanya, pola data dapat dilihat pada Gambar 2.4
Gambar 2.4 Pola Horizontal
b. Pola Musiman S
Pola musiman terjadi bilamana suatu deret dipengaruhi oleh faktor musiman, misalnya kuartal tahun tertentu, bulanan, atau hari hari pada minggu
tertentu. Pola data dapat dilihat pada Gambar 2.5.
Gambar 2.5 Pola Musiman
c. Pola siklus C
Pola siklus terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti berhubungan dengan siklus bisnis. Pola data dapat dilihat
pada Gambar 2.6
Gambar 2.6 Pola Siklus
d. Pola Trend T
Pola trend terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Pola data dapat dilihat pada Gambar 2.7.
Gambar 2.7 Pola Trend
5. Biaya
Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur ramalan, yaitu biaya-biaya pengembangan, penyimpanan storage data,
operasi pelaksanaan dan kesempatan penggunaan teknik-teknik dan metode lainnya. Adanya perbedaan yang nyata dalam jumlah biaya, mempunyai pengaruh
atas dapat menarik tidaknya penggunaan metode tertentu untuk suatu keadaan yang dihadapi.
6. Jenis dari Modal
Sebagai tambahan perlu diperhatikan anggapan beberapa pola dasar yang penting dalam data. Banyak metode peramalan telah menganggap adanya beberapa
model dari keadaan yang diramalkan. Model-model ini merupakan suatu deret dimana waktu digambarkan sebagai unsur penting untuk menentukan perubahan-
perubahan dalam pola, yang mungkin secara sistematik dapat dijelaskan dengan analisis regresi atau korelasi
7. Mudah tidaknya penggunaan dan aplikasinya
Satu prinsip umum dalam penggunaan metode ilmiah dari peramalan untuk Management dan analisis adalah metode-metode yang dapat dimengerti dan
mudah diaplikasikan yang akan dipergunakan dalam pengambilan keputusan dan analisa. Prinsip ini didasarkan pada alasan bahwa, bila seorang manajer atau
analisis bertanggung jawab atas keputusan yang diambilnya atau hasil analisa yang dilakukan, maka ia sudah tentu tidak menggunakan dasar yang tidak diketahuinya
atau tidak diyakininya. Jadi, sebagai ciri tambahan dari teknik dan metode peramalan adalah bahwa yang diperlukan untuk memenuhi kebutuhan dari keadaan
ialah teknik dan metode peramalan yang dapat disesuaikan dengan kemampuan dari manajer atau analisis yang akan menggunakan metode ramalan tersebut.
2.2.5.6 Pemilihan Metode Peramalan
Pemilihan metode peramalan yang akan dipilih penulis dalam penyusunan laporan tugas akhir ini adalah menggunakan teknik peramalan secara kuantitatif.
Sedangkan model peramalan yang akan digunakan adalah Time Series Model.
2.2.5.7 Time Series Model
Time series model didasarkan pada serangkaian data-data berurutan yang berjarak sama misalnya: mingguan, bulanan, tahunan. Serangkaian data ini yang
merupakan serangkaian observasi berbagai variabel menurut waktu, biasanya ditabulasikan dan digambarkan dalam bentuk grafik yang menunjukan perilaku
subyek. Time series sangat tepat dipakai untuk meramalkan permintaan yang berpola permintaan di masa lalunya cukup konsisten dalam periode waktu yang
lama, sehingga pola tersebut masih akan tetap berlanjut. Berikut adalah metode peramalan Time series model:
1. Metode Peramalan Single Exponensial Smoothing
Metode Single Exponential Smoothing dipakai pada kondisi dimana bobot data pada periode yang satu berbeda dengan data pada periode sebelumnya dan
membentuk fungsi Exponential. Metode ini banyak mengurangi masalah penyimpangan data karena tidak perlu lagi menyimpan data historis. Pengaruh
besar kecilnya α berlawanan arah dengan pengaruh memasukan jumlah pengamatan. Metode ini selalu mengikuti setiap trend dalam data sebenarnya
karena yang dapat dilakukannya tidak lebih dari mengatur ramalan mendatang dengan suatu persentase dari kesalahan terakhir. Menentukan α mendekati optimal
memerlukan beberapa kali percobaan [4]. Jika suatu deret data historis XT untuk T =
1,2,3,…,N maka data ramalan eksponensial untuk data waktu T adalah FT. Metode exponential smoothing yang
sederhana dikembangkan dari metode rata-rata bergerak. Jika terdapat data dari T pengamatan makan nilai ramalan pada waktu T + 1 dapat dihitung dengan
persamaan 2.1 dan 2.2 sementara untuk perhitungan exponential untuk N dapat dilihat di persamaan 2.3.
�+
=
� +� +⋯+�
�
�
=
�
∑ �
� �=
2.1
�+
=
�+
+
�
= �
�−
− � 2.2
Metode Exponential untuk N pengamatan adalah sebagai berikut :
�+
=
�+ �
�
�
−
�
�
−� �
2.3 Misalkan observasi yang lama
�
−�
tak tersedia sehingga harus digantikan dengan suatu nilai pendekatan aproksimasi. Salah satu pengganti yang
mungkin adalah nilai ramalan periode sebelumnya sehingga dapat dihitung
dengan persamaan 2.4 dan 2.5.
+
= +
�
�
�
−
�
�
2.4
+
=
�
� + 1 −
�
2.5 Jadi nilai ramalan pada waktu t+1 tergantung pada pembobotan nilai
observasi saat t, yaitu
�
dan pada pembobotan nilai ramalan yaitu 1 −
�
bernilai antara 0 dan 1. Bila
�
= �, maka dapat dihitung dengan persamaan 2.6.
+
= �� + 1 − � 2.6
Keterangan
+
= Hasil forecast untuk periode t+1 � = Konstanta pemulusan
� = Data demand aktual untuk periode t
= Forecast pada periode t Data metode exponential smoothing nilai
� bisa ditentukan secara bebas, artinya tidak ada suatu cara yang pasti untuk mendapatkan nilai
� yang optimal. Maka pemilihan nilai
� dilakukan dengan cara trial dan error. Besarnya � terletak antara 0 dan 1.
2. Metode Peramalan Moving Average
Metode rata-rata bergerak tunggal menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan
dimasa yang akan datang. Metode ini akan efektif diterapkan apabila kita dapat mengasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil
sepanjang waktu. Metode ini mempunyai dua sifat khusus yaitu untuk membuat forecast memerlukan data[4].
Historis dalam jangka waktu tertentu, semakin panjang moving averages akan menghasilkan moving average yang semakin halus, secara sistematis moving
average dapat dihitung dengan persamaan 2.7. �
+
=
�
�
+�
�
− +⋯+�
�
− +
2.7 Keterangan
S
t+1
= Forecast untuk periode ke t+1. Xt
= Data pada periode t. n
= Jangka waktu Moving Averages 3.
Metode Peramalan Simple Average Metode simple average adalah salah satu teknik yang tepat ketika
kemampuan runtun untuk menjadi peramalan menjadi stabil, dan lingkungan di dalam tuntunan pada umumnya tidak berubah. Simple average menggunakan rata-
rata Mean dari semua observasi pada periode-periode sebelumnya yang relevan sebagai peramalan pada periode berikutnya. Rumus untuk simple average dapat
dilihat pada persamaan 2.8. 2.8
Keterangan X = F = Hasil Peramalan
T = Periode Xi = Demand pada periode t
2.2.5.8 Pengukuran Kesalahan Peramalan
Menghitung kesalahan peramalan digunakan utnuk mengetahui keakuratan hasil peramalan yang telah dilakukan terhadap data yang sebenarnya.
Terdapat banyak model untuk melakukan perhitungan kesalahan peramalan. Metode yang digunakan untuk menghitung kesalahan peramalan adalah
menggunakan metode Mean Squared Error MSE. MSE meruakan rata-rata dari selisih kuadrat dari nilai yang diramalkan dengan yang diamati [4]. Sebelum
menghitung MSE, terlebih dahulu mencari Mean Absolute Error MAE, Mean Absolute Deviation MAD. Berikut adalah rums dari perhitungan kesalahan :
1. Mean Absolute Error MAE
Mean Absolute Error MAE yaitu rata-rata nilai absolute error dari kesalahan meramal nilai positif dan negatif tidak dilihat dapat dilihat pada
persamaan 2.9. �� =
∑ |�
�
−
�
|
2.9 2.
Mean Absolute Deviation MAD Mean Absolute Deviation MAD mengukur ketepatan ramalan dengan
merata-rata kesalahan dugaan nilai absolute masing-masing kesalahan. MAD berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret
asli. Nilai MAD dapat dilihat pada persamaan 2.10. �� =
∑ � �
�
2.10 3.
Mean Squares Error MSE Mean Squared Error MSE yaitu rata-rata dari kesalahan forecasting
dikuadratkan dan dapat dilihat pada persamaan 2.11. �� =
∑ �
�
−
�
2.11 Keterangan
� = Data aktual pada periode t = Data ramalan dari model yang digunakan pada periode t
� = Banyak data hasil ramalan
2.2.6 Monitoring Persediaan
Monitoring adalah pengumpulan informasi secara terus menerus dan teratur yang akan membantu menjawab pertanyaan mengenai proyek atau
kegiatan. Monitoring membantu mengingatkan ketika terjadi sesuatu yang salah dan membantu agar pekerjaan tetap pada jalurnya [5].
Monitoring bertujuan mengingkatkan efektifitas dan efisiensi dari sebuah proyek atau organisasi dan didasarkan pada sasaran dan rencanakegiatan yang
sudah ditentukan. Monitoring memungkinkan kita untuk menentukan apakah sumber daya kita telah mencukupi dan telah digunakan dengan baik dan menjadi
dasar yang berguna untuk evaluasi dan mengetahui kapasitas kita telah layak dan cukup.
2.2.7 Metode Pengendalian Inventori
Metode ini menggunakan basis ilmu matematika, statistika, dan optimasi sebagai alat bantu utama untuk menjawab permasalahan kuantitatif yang terjadi
didalam sistem inventori. Pada hakikatnya metode ini berusaha untuk mencari jawab optimal dalam menentukan kebijakan inventori, yaitu kebijakan yang
berkaitan dengan penentuan ukuran lot pemesanan ekonomis Economic Order Quantity, saat pemesanan dilakukan Reorder Point, serta cadangan pengamanan
Safety Stock yang di perlukan. Pendekatan yang di gunakan adalah melakukan pemodelan matematis terhadap alternatif jawaban permasalahan sehingga dapat
ditentukan jawaban optimalnya secara analitis [6]. Metode SIC secara formal mulai dikenal untuk memecahkan persoalan
inventori yang bersifat deterministik statik. Di sini Wilson mencoba mencari jawaban atas dua pertanyaan dasar, yaitu [6]:
a. Berapa jumlah barang yang harus dipesan untuk setiap kali melakukan
pemesanan ? b.
Kapan saat pemesanan dilakukan ? Secara statistik fenomena persoalan inventori dapat diklasifikasikan
dalam tiga kategori permasalahan, yaitu [6] : 1.
Persoalan Inventori Deterministik Persoalan inventori deterministik adalah persoalaan inventori dimana
permintaan selama horison perencanaan diketahuidan tidak memiliki variansi. Karena tidak memiliki variansi maka tidak memiliki variansi maka tidak memiliki
pola distribusi.
2. Persoalan Inventori Probabilistik
Persoalan Inventori Probabilistik adalah persoalaan inventori dimana fenomenanya tidak di ketahui secara pasti, namun nilai ekspektasi, variansi, dan
pola data distribusi kemungkinannya dapat di prediksi. Persoalan utama dalam inventori probabilistik adalah selain menentukan besarnya stok operasi, juga
menentukan besarnya cadangan pengamanan Safety Stock. Kedua persoalan tersebut dijabarkan dalam 3 pertanyaan dasar, yaitu :
a. Berapa jumlah barang yang harus dipesan untuk setiap kali melakukan
pemesanan Economic Order Quantity ? b.
Kapan saat pemesanan dilakukan Reorder Point ? c.
Berapa Besarnya cadangan pengamanan Safety Stock ? Dalam kaitan ini dikenal adanya dua metode dasar pengendalian inventori
yang bersifat probabilistik, yaitu metode Q dan metode P. Metode Q pada dasarnya menggunakan aturan jumlah ukuran lot pemesanan yang selalu tetap untuk setiap
pemesanan yang dilakukan. Dengan demikian saat dilakukannya pemesanan akan bervariansi. Adapun metode P menganut aturan saat pemesanan yang regular
mengikuti suatu selang periode yang tetap mingguan, bulanan, dan sebagainya, sedangkan ukuran lot Pemesanan akan berubah-ubah.
3. Persoalan Inventori Tak tentu Uncertainty
Persoalan Inventori Tak tentu adalah persoalan inventori dimana ketiga parameter populasinya tidak diketahui secara lengkap. Dalam hal ini parameter
yang tidak diketahui biasanya adalah pola distribusi kemungkinannya. Pengetahuan tentang pola distribusi kemungkinan inilah yang membedakan antara
persoalan inventori probabilistik dengan persoalan inventori tak tentu. Berdasarkan pengetahuan tentang pola probabilitas terjadinya permintaan selama
horison perencanaannya, persoalan inventori tak tentu dibedakan atas : a.
Persoalan Inventori Tak Tentu Berisiko Terkendali b.
Persoalan Inventori Tak Tentu Berisiko Tak Terkendali Maka dalam Persoalan Inventori yang di hadapi menggunakan Inventori
Probabilistik yang terdapat Kapan saat pemesanan dilakukan Reorder Point dan Berapa Besarnya cadangan pengamanan Safety Stock [6].
2.2.7.1 Reorder Point
Reorder point ROP atau titik pemesanan kembali adalah saat persediaanmencapai titik dimana perlu dilakukan pemesanan kembali yang
dinyatakan. ROP model terjadi apabila jumlah persediaan yang terdapat di dalam stok berkurang terus sehingga kita harus menentukan berapa banyak batas minimal
tingkat persediaan yang harus di pertimbangkan sehingga tidak terjadi kekurangan persediaan. Jumlah yang diharapkan tersebut di hitung selama masa tenggang,
mungkin dapat juga di tambahkan dengan safety stock yang biasanya mengacu kepada probabilitas atau kemungkinan terjadinya kekurangan stok selama masa
tenggang. ROP atau biasa disebut dengan batas atau titik jumlah pemesanan kembali
termasuk permintaan yang diinginkan atau dibutuhkan selama masa tenggang, misalnya suatu tambahan atau ekstra stok. Terdapat model-model Reorder Point,
yaitu : a.
Jumlah permintaan maupun masa tenggang adalah konstan. b.
Jumlah permintaan adalah variable sedangkan masa tenggang adalah konstan.
c. Jumlah permintaan adalah konstan, sedangkan masa tenggang adalah
variable. d.
Jumlah permintaan maupun masa tenggang adalah variable. Agar pembelian bahan yang sudah ditetapkan dalam EOQ tidak
mengganggu kelancaran kegiatan produksi, maka diperlukan waktu pemesanan kembali bahan baku. Faktor faktor yang mempengaruhi titik pemesanan kembali
adalah : 1.
Lead time adalah waktu yang dibutuhkan antara bahan baku dipesan hingga sampai diperusahaan. Lead time ini akan mempengaruhi besarnya bahan baku
yang digunakan selama masa lead time, semakin lama lead time maka akan semakin besar bahan yang diperlukan selama masa lead time.
2. Tingkat pemakaian bahan baku rata-rata persatuan waktu tertentu.