Dokumen tersebut membahas konsep dasar perencanaan produksi dan kontrol persediaan, termasuk manajemen permintaan, peramalan permintaan, dan metode-metode peramalan seperti rata-rata bergerak dan kuadrat terkecil.

1. PRODUCTION PLANNING
AND INVENTORY
CONTROL

2. Konsep Dasar
 Demand management didefinisikan sebagai suatu fungsi pengelolaan
dari semua permintaan produk untuk menjamin bahwa penyusunan
jadwal induk (master schedule) mengetahui dan menyadari semua
permintaan produk itu.
 Secara garis besar aktivitas-aktivitas dalam manajemen permintaan
dapat dikategorikan ke dalam dua aktivitas utama, pelayanan pesanan
(order service), dan peramalan (forecasting)

3. Konsep Dasar
 Marketing seyogyanya memisahkan sales plan dan order.
 Produk dependent demand tidak boleh diramalkan, tetapi harus di
hitung
 Peramalan hanya boleh dilakukan pada produk yang tergolong
independent demand
Dependent demand order quantities are computed using a system called
material requirements planning (MRP)

4. Konsep Dasar
Pola-pola data
deret waktu yang
umum terjadi
pada peramalan
Metode paramalan
dekomposisi klasikal:
data yang ada paling
sedikit terbentuk dari
3 komponen
(seasonality, trend,
dan randomness).

5. Sistem Peramalan
Peramalan adalah proses untuk
memperkirakan berapa kebutuhan di
masa datang yang meliputi kebutuhan
dalam ukuran kuantitas, kualitas,
waktu dan lokasi yang dibutuhkan
dalam rangka memenuhi permintaan
barang ataupun jasa.
 Salah satu jenis peramalan adalah peramalan
permintaan.
 Peramalan permintaan merupakan tingkat permintaan
produk – produk yang diharapkan akan terealisasi untuk
jangka waktu tertentu pada masa yang akan datang

6. Peramalan dan Horison Waktu
Dalam hubunganya dengan horizon waktu peramalan, kita
dapat mengklasifikasikan peramalan tersebut ke dalam 3
kelompok, yaitu:
1. Peramalan Jangka Pajang, umumnya 2 sampai 10 tahun.
Peramalan ini digunakan untuk perencanaan produk dan
perencanaan sumber daya.
2. Peramalan Jangka Menengah, umumnya 1 sampai 24 bulan.
Peramalan ini lebih mengkhusus dibandingkan peramalan jangka
panjang, biasanya digunakan untuk menentukan aliran kas,
perencanaan produksi, dan penentuan anggaran.
3. Peramalan Jangka Pendek, umumnya 1 sampai 5 minggu.
Peramalan ini digunakan untuk mengambil keputusan dalam hal
perlu tidaknya lembur, penjadwalan kerja, dan lain – lain.

7. Faktor – Faktor yang Mempengaruhi Peramalan
 Permintaan suatu produk pada suatu perusahaan sangat
dipengaruhi oleh berbagai faktor lingkungan yang saling
berinteraksi dalam pasar yang berada di luar kendali
perusahaan.
Faktor – faktor lingkungan tersebut juga akan
mempengaruhi peramalan.
 Beberapa faktor lingkungan yang mempengaruhi
peramalan:
1. Kondisi umum bisnis dan ekonomi
2. Reaksi dan tindakan pesaing
3. Tindakan pemerintah
4. Kecenderungan pasar
5. Siklus hidup produk
6. Gaya dan mode
7. Perubahan permintaan konsumen
8. Inovasi teknologi

8. Beberapa Sifat Hasil Peramalan
Dalam membuat peramalan atau menerapkan hasil
peramalan, ada beberapa hal yang harus
dipertimbangkan:
 Peramalan pasti mengandung kesalahan, artinya
peramal hanya bias mengurangi ketidakpastian
yang akan terjadi tetapi tidak dapat menghilangkan
ketidakpastian tersebut.
 Peramalan seharusnya memberikan informasi
mengenai berapa ukuran kesalahan.
 Peramalan jangka pendek lebih akurat
dibandingkan dengan peramalan jangka panjang.

9. Peraturan Peramalan
Tidak boleh meramalkan produk – produk yang tergolong ke dalam
dependent demand.
Produk–produk yang tergolong dalam dependent demand harus
direncanakan atau dihitung. Peramalan hanya boleh dilakukan
pada produk–produk yang tergolong ke dalam independent demand.
Penentuan horizon peramalan berdasarkan kondisi aktual sistem
manufaktur dan tujuan dari peramalan.
Semakin jauh periode di masa mendatang yang diramalkan-dengan
asumsi faktor–faktor lain tetap-hasil ramalan akan semakin
kurang akurat
Disamping berdasarkan waktu, peramalan juga dapat dilakukan
berdasarkan lokasi geografis, kelompok produk, yang dikenal
sebagai peramlan berdasarkan dimensi agregasi dan disagregasi.
Peramalan pada tingkat agregasi yang lebih tinggi akan lebih
akurat dibandingkan peramalan pada tingkat agregasi yang lebih
rendah atau pada tingkat disagregasi.

10. METODE PERAMALAN PERMINTAAN
• Metode bebas (freehand method)
• Metode setengah rata-rata (semi average method)
• Metode rata-rata bergerak (moving average method)
• Metode kwadrat terkecil (least quares method)

11. 1. Metode Bebas
Pendekatan garis lurus yang ditarik mendekati titik-titik koordinat yang
sudah diketahui

12. 2. Metode setengah rata-rata
(semi average method)
 Perhitungan nilai trend pada tahun tertentu dapat
ditentukan dengan menggunakan rumus sebagai
berikut:
 Y' = ao + bx
 Keterangan
 Y’ : nilai trend periode tertentu
 a : nilai trend periode dasar
 b : tambahan trend tahunan yang dihitung
dengan cara (X2 – X1)/n
 X2 : setengah rata-rata kelompok kedua
 X1 : setengah rata-rata kelompok pertama
 n : jumlah periode antara x2 dan x1
 X : jumlah unit tahun yang dihitung dari periode
dasar.

13. 2. Metode setengah rata-rata (semi average
method)
Sekelompok data dibagi menjadi 2 (dua) bagian yang sama, jika jumlah
datanya ganjil, maka data yang ditengah dapat dihilangkan
 ao = a1988 = 332.200
 b = (X2 – X1)/n = (459.600 - 332.200)/5 = 25.480

14. 2. Metode setengah rata-rata
(semi average method)
 Nilai trend permulaan tahun 1986-1995
adalah:
 ao = a1988 = 319.200
 b = (X2 – X1)/n = (459.600 - 332.200)/5 =
25.480
 Y1986 = 332.200 + 25.480 (-2,5) = 268.500
 Y1987 = 332.200 + 25.480 (-1,5) = 293.980
 Y1988 = 332.200 + 25.480 (-0,5) = 319.460
 Y1989 = 332.200 + 25.480 ( 0,5) = 344.940
 Y1990 = 332.200 + 25.480 ( 1,5) = 370.420
 Y1991 = 332.200 + 25.480 ( 2,5) = 395.900
 Y1992 = 332.200 + 25.480 ( 3,5) = 421.380
 Y1993 = 332.200+ 25.480 (4,5) = 446.860
 Y1994 = 332.200 + 25.480 ( 5,5) = 472.340
 Y1995 = 332.200 + 25.480 ( 6,5) = 497.820

15. 2. Metode setengah rata-rata
(semi average method)
 Misalnya:
 Nilai trend permulaan tahun 1986-1995 adalah:
 ao = a1993 = 459.600
 b = (X2 – X1)/n = (459.600 - 332.200)/5 = 25.480
 Nilai trend permulaan tahun 1986-1995 adalah:
 Y1986 = 459.600+ 25.480 (-7,5) = 268.500
 Y1987 = 459.600+ 25.480 (-6,5) = 293.980
 Y1988 = 459.600+ 25.480 (-5,5) = 319.460
 Y1989 = 459.600+ 25.480 (-4,5) = 344.940
 Y1990 = 459.600+ 25.480 (-3,5) = 370.420
 Y1991 = 459.600+ 25.480 (-2,5) = 395.900
 Y1992 = 459.600+ 25.480 (-1,5) = 421.380
 Y1993 = 459.600+ 25.480 (-0,5) = 459.600
 Y1994 = 459.600+ 25.480 ( 0,5) = 472.340
 Y1995 = 459.600+ 25.480 ( 1,5) = 497.820

16. 2. Metode setengah rata-rata
(semi average method)

17. 3. Metode Single Moving Average
◦ Metode single moving average
 Cara menghitung:
Jika menggunakan cara 3 bulan moving averages, maka
forecast satu bulan sebesar rata-rata 3 bulan
sebelumnya.
Rumus:
X  X 
... X
S t t-1 t-n 1
n
t 1



St+1 = Forecast untuk periode ke t + 1
Xt = Data periode t
n = Jangka waktu moving averages.

18. 3. Metode Single Moving Average
 Metode Single Moving Average ini biasanya lebih cocok digunakan
untuk melakukan forecast hal-hal yang bersifat random, artinya
tidak ada gejala trend naik maupun turun, musiman dan
sebagainya, melainkan sulit diketahui polanya.
 Metode Single Moving Average mempunyai 2 sifat khusus:
◦ Untuk membuat forecast diperlukan data masa lalu selama
jangka waktu tertentu.
◦ Semakin panjang moving averages, maka akan menghasilkan
moving averages yang semakin halus.
 Menghitung forecast error
E  

◦ Mean absolute error =>
◦ Mean squared error =>
n
t t X S
 X S

n
E
2
 t  t

Xt = Data aktual periode t, St = Peramalan periode t

19. 3. Metode Single Moving Average
◦ Misal:
◦ Jika forecast dengan metode 3 bulan moving averages
untuk bulan April adalah
◦ Penjualan Januari 20.000 kg
Februari 21.000 kg
Maret 19.000 kg
X X X
S 3 2 1
3
4
 

19.000 21.000 20.000
3
S4
 

S 20.000 4 

20. 3. Metode Single Moving
Average
Bulan Permintaan
Forecast
3 bulan 5 bulan
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
20
21
19
17
22
24
18
23
20
25
22
24
-
-
-
20.00
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-

21. 3. Metode Single Moving
Average
Bulan Permintaan
3 bulan
Forecast Error Absolute
error
(Error)2
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
20
21
19
17
22
24
18
23
20
25
22
24
-
-
-
20.00
19.00
19.33
21.00
21.33
21.67
20.33
22.67
22.33
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-

22. 3. Metode Single Moving Average
Perbandingan error antara 3 bulan dan 5 bulan moving average
3 bln moving average 5 bln moving
average
Mean absolut error 2.67 2.37
Mean squared error 8.81 7.54
Berdasarkan perbandingan tersebut, moving average dengan
jangka waktu lebih lama, maka forecasting akan menimbulkan
penyimpangan lebih kecil.

23. 4. Trend Metode Least Square
 Trend adalah rata-rata perubahan dalam jangka panjang.
 Jika hal yang diteliti menunjukkan gejala pertambahan, maka trend
yang dimiliki disebut sebagai trend positif.
 Jika hal yang diteliti menunjukkan gejala semakin berkurang, maka
trend yang dimiliki disebut sebagai trend negatif.
 Salah satu metode trend yang digunakan adalah metode least
squares.
 Persamaan trend dengan metode least square adalah
Ŷ = a + bX

24. 4. Trend Metode Least Square
 Y’ = a + bx
 Σx = na + bΣx
 Σxy = x + b Σx2
Dimana:
 a & b = konstanta
persamaan
 n = Jumlah data
 x = periode waktu
Tahun X Penjualan
Y
xy X2 Y’
2000
2001
2002
2003
2004
2005
2006
2007
2008
10
05
15
20
25
30
40
45
35

25. 4. Trend Metode Least Square
Tahun X Penjualan
Y
xy X2 Y’
2000
2001
2002
2003
2004
2005
2006
2007
2008
0
1
2
3
4
5
6
7
8
10
05
15
20
25
30
40
45
35
0
5
30
60
100
150
240
315
280
0
1
4
9
16
25
36
49
64
36 1180 204
Σx = na + bΣx
Σxy = Σxa + bΣx2

26. 4. Trend Metode Least Square
Σx = na + bΣx
Σxy = Σxa + b Σx2
36 = 9a + 36b (4)
1180 = 36a + 204b (1)
36 = 9a + 36b (4) => 144 = 36a + 144b
1180 = 36a + 204b (1) => 1180 = 36a + 204b
-1036 = -60b
b = -1036 /-60
b = 17.3
36 = 9a + 36b => 36 = 9a + 36 (17.3)
=> 36 = 9a + 622.8
=> -9a = 622.8 – 36
=> -9a = 586.8
=> a = -65.2
Y’ = -65.2 + 17.3 x

27. Tahun Penjualan X XY X^2 Ŷ
2000 10 0 0 0 -65.25
2001 5 1 5 1 -47.95
2002 15 2 30 4 -30.65
2003 20 3 60 9 -13.35
2004 25 4 100 16 3.95
2005 30 5 150 25 21.25
2006 40 6 240 36 38.55
2007 45 7 315 49 55.85
2008 35 8 280 64 73.15
Σ 215 1180 204
Y = -65,25 + 17.30X a = -65.25 b = 17.30

28. Latihan
Dari laporan pesanan barang selama 10 bulan perusahaan A didapatkan
sebagai berikut di bawah ini.
Dengan menggunakan Metode Single Moving Average, hitunglah Forecast
Error-nya (Mean Absolute Error dan Mean Averaged Error)
Bulan Pesanan
Januari 120
Pebuari 90
Maret 100
April 75
Mei 110
Juni 50
Juli 75
Agustus 130
September 110
Oktober 90

29. Perusahaan B ingin mengembangkan peramalan dengan
menggunakan metode Least Square. Hitunglah peramalannya (Y’)
tiap periode!
Periode Permintaan
x y xy x2
1 37 37 1
2 40 80 4
3 41 123 9
4 37 148 16
5 45 225 25
6 50 300 36
7 43 301 49
8 47 376 64
9 56 504 81
10 52 520 100
11 55 605 121
12 54 648 144
78 557 3.867 650