MODUL PERKULIAHAN
Supply
Chain
Management
Peramalan
Fakultas ProgramStudi TatapMuka Kode MK Disusun Oleh Teknik Teknik Industri
05
16075 Uly Amrina, ST, MMAbstract
Kompetensi
Peramalan sangat berkaitan dengan pengelolaan permintaan produk. Tujuan pengelolaan permintaan produk adalah untuk mengoordinasikan dan mengawasi semua sumber daya permintaan sehingga sistem produksi dapat digunakan secara efisien dan produk dapat dikirim tepat waktu.
Memahami dan mampu melakukan
peramalan permintaan yang
Peramalan
Pengertian Peramalan
Peramalan adalah gabungan antara seni dan ilmu pengetahuan untuk memprediksi kejadian di masa datang. Di mana kejadian di masa datang diprediksikan berdasarkan pada kejadian di masa lalu. Satu dekade yang lalu, peramalan lebih banyak menggunakan seni dalam melakukan prediksi. Akan tetapi, sekarang peramalan sudah menggunakan metode dan perhitungan matematika yang cukup canggih untuk memprediksi masa depan.
Pembahasan mengenai peramalan dapat dimulai dengan pembahasan mengenai pengelolaan permintaan. Peramalan sangat berkaitan dengan pengelolaan permintaan produk. Tujuan pengelolaan permintaan produk adalah untuk mengoordinasikan dan mengawasi semua sumber daya permintaan sehingga sistem produksi dapat digunakan secara efisien dan produk dapat dikirim tepat waktu. Dari mana datangnya permintaan produk atau jasa suatu perusahaan dan apa yang dapat dilakukan perusahaan untuk mengelolanya? Terdapat dua sumber permintaan, yaitu permintaan terikat (dependent demand) dan permintaan bebas (independent demand).
Permintaan terikat adalah permintaan terhadap suatu produk atau jasa yang disebabkan oleh adanya permintaan terhadap produk atau jasa lainnya. Permintaan bebas adalah permintaan yang tidak terikat dengan permintaan produk lainnya. Contohnya, apabila suatu perusahaan menjual 1.000 buah sepeda roda tiga maka berarti diperlukan 1.000 buah roda depan dan 2.000 buah roda belakang.
Permintaan mengenai berapa terjualnya sepeda roda tiga tersebut dinamakan permintaan bebas, sedangkan permintaan terhadap roda sepeda dinamakan permintaan terikat karena tergantung dari berapa banyak permintaan terhadap sepeda. Suatu permintaan dapat dipengaruhi oleh dua faktor, yaitu faktor internal dan faktor ekstemal.
1. Faktor Eksternal
produk atau jasa, tetapi tidak semua produk atau jasa dapat dipengaruhi. Misalnya, penentu lainnya. Misalnya, di akhir dekade ini, permintaan tembakau di Amerika Serikat menurun drastis karena masyarakat semakin sadar terhadap bahaya tembakau bagi kesehatan. Selain itu, tindakan-tindakan pesaing yang meliputi harga, promosi, serta produk baru juga dapat mempengaruhi produk atau jasa perusahaan. Misalnya, semenjak United Parcel Service mengutamakan kecepatan dan ketepatan pengiriman barang maka hal ini berdampak terhadap permintaan penyedia jasa sejenis lainnya, seperti FedEx atau DHL.
2. Faktor Internal
turun secara bertahap dalam jangka panjang. Contohnya, permintaan komputer menunjukkan permintaan yang semakin meningkat pada dekade terakhir tanpa adanya kecenderungan penurunan permintaan di pasar. Tren merupakan pola paling mudah untuk mendeteksi perilaku permintaan dan sering kali juga menjadi titik awal untuk mengembangkan peramalan. Coba Anda perhatikan Gambar 1 berikut ini.
Gambar 1 . Tren
Pada gambar tersebut, Anda dapat perhatikan bahwa terdapat pola tren utama dengan pergerakan yang naik. Pada pola tersebut juga terdapat beberapa pola pergerakan acak yang bersifat naik dan turun. Variasi merupakan pergerakan yang tidak dapat diprediksi dan tidak mengikuti pola tertentu, itulah sebabnya sifatnya tidak dapat diprediksi. Siklus merupakan pergerakan permintaan yang naik dan turun yang berulang dan terjadi dalam jangka panjang (lebih dari satu tahun). Contohnya, permintaan peralatan olahraga musim dingin akan naik tajam setiap empat tahun sebelum dan sesudah diadakannya olimpiade musim dingin. Coba Anda perhatikan Gambar 2 berikut.
Gambar 2. Siklus
makan siang dan gedung bioskop lebih ramai pada akhir minggu. Gambar 3 menunjukkan pola musiman ketika perilaku permintaan yang sama selalu berulang setiap tahun pada waktu yang sama.
Gambar 3. Pola Musiman
Di samping ketiga macam pola perilaku permintaan tersebut, sering kali permintaan muncul dalam pola perilaku secara bersama, misalnya pola musiman juga mengikuti tren meningkat. Contohnya, walaupun permintaan akan peralatan olahraga ski meningkat setiap musim ingin tiba, namun demikian terdapat tren permintaan yang meningkat dalam dua dekade terakhir. Coba Anda perhatikan Gambar 3.4 yang menunjukkan tren dengan pola musiman.
Gambar 4. Tren dengan Pola Musiman
Peramalan dalam Rantai Pasok
perusahaan yang dapat berdampak pada keuangan perusahaan terutama menyangkut masalah modal kerja.
Ada tiga cara untuk mengakomodasi kekurangan pada peramalan, yaitu:
1. mengurangi kesalahan prediksi melalui teknik peramalan yang lebih baik; 2. membangun fleksibilitas yang lebih baik dalam operasi dan rantai pasok;
3. menurunkan lead time pada proses rantai pasok.
Peramalan permintaan merupakan dasar dari keseluruhan keputusan perencanaan strategik
dalam suatu rantai pasok. Untuk proses produksi yang bersifat push process, semua proses dilakukan sebagai bentuk respon terhadap permintaan pelanggan. Untuk push process,
manajer harus merencanakan tingkat produksi. Pada pull process, manajer harus merencanakan tingkat ketersediaan kapasitas dan persediaan. Untuk kepentingan tersebut, manajer mula-mula harus meramalkan bagaimanakah pola permintaan pelanggan nantinya. Meskipun ada ban yak jenis peramalan, di sini kita hanya akan membahas peramalan pada permintaan output dari sebuah fungsi operasi atau produksi.
Permintaan dan penjualan tidak selalu sama. Apabila permintaan tidak dibatasi oleh kapasitas produksi dan kebijakan perusahaan maka peramalan permintaan akan sama dengan peramalan penjualan. Dalam hal ini, kita juga bisa menjelaskan tentang perbedaan dari peramalan dan perencanaan. Peramalan membicarakan tentang apa yang akan terjadi di masa depan, sedangkan perencanaan membicarakan tentang apa yang seharusnya terjadi di masa depan.
Peramalan adalah salah satu masukan untuk seluruh jenis perencanaan bisnis dan pengendalian, baik di dalam ataupun di luar fungsi operasi. Pemasaran menggunakan peramalan untuk perencanaan sebuah produk baru, program pemasaran, promosi, dan penetapan harga. Bagian keuangan memakai peramalan sebagai input untuk perencanaan finansial. Peramalan juga dipakai sebagai masukan untuk keputusan dari operasi untuk desain proses yang dipilih, perencanaan kapasitas dan persediaan. Peramalan memiliki karakteristik tertentu. Perusahaan harus bersikap hati-hati terhadap karakteristik peramalan
sebagai berikut :
1.100. Walaupun kedua dealer tersebut mengantisipasi permintaan dengan menghitung rata-rata sebesar 1.000, sumber peramalan kedua dealer tersebut tentunya tidaklah sama. Oleh karenanya, kesalahan peramalan (atau ketidakpastian permintaan) haruslah digunakan sebagai input utama dalam keseluruhan keputusan rantai pasok. Perkiraan mengenai ketidakpastian permintaan sering kali dilupakan dalam melakukan peramalan sehingga menghasilkan estimasi yang sangat luas di antara tahap-tahap dalam rantai pasok.
b. Peramalan jangka panjang sering kali kurang akurat dibandingkan dengan peramalan jangka pendek. Oleh karena itu, peramalan jangka panjang memiliki standar deviasi yang lebih besar daripada peramalan jangka pendek. Contohnya, perusahaan 7-Eleven Jepang menggunakan proses yang menyebabkan mereka mampu merespons permintaan pelanggan dalam hitungan jam. Jika datang pesanan pada jam 10.00 maka pesanan tersebut akan dipenuhi pada jam 19.00 pada hari yang sama. Manajer, oleh karenanya harus meramalkan apa yang mungkin akan terjual malam itu kurang dari 12 jam sebelum pembelian senyatanya terjadi. Peramalan jangka pendek tersebut mengakibatkan perhitungan yang lebih tepat daripada jika manajer melakukan peramalan secara mingguan.
c. Peramalan agregat sering kali lebih akurat daripada peramalan disagregat karena memiliki stan dar deviasi relatif terhadap mean yang lebih besar. Contohnya, untuk menghitung Gross Domestic Product (GDP) suatu negara pada suatu tahun tertentu akan lebih mudah dengan menggunakan kesalahan kurang dari dua persen. Sebaliknya, untuk menghitung peramalan pendapatan tahunan suatu perusahaan akan sangat sulit jika menggunakan kesalahan kurang dari dua persen. Demikian pula jika melakukan peramalan pendapatan dari suatu produk akan lebih sulit lagi jika menggunakan tingkat kesalahan yang sama. Perbedaan ketiga macam peramalan tersebut adalah pada tingkat agregasi. Perhitungan GDP merupakan kumpulan atau agregasi dari berbagai perusahaan dan penghasilan perusahaan merupakan kumpulan dari berbagai lini produk. Semakin besar tingkat agregasi maka semakin akurat peramalan yang dilakukan.
Metode Peramalan Kualitatif
Metode peramalan kualitatif merupakan metode yang bersifat subjektif dan lebih bergantung pada pertimbangan manusia. Metode ini sesuai ketika data historis yang tersedia hanya
pertumbuhan permintaan di masa yang akan datang. Cara ini paling cocok untuk situasi di mana pola permintaan tidak banyak berubah dari tahun ke tahun. Dianggap sebagai metode paling sederhana yang bisa menjadi titik awal yang bagus dalam peramalan permintaan. Metode Time Series sering kali banyak digunakan karena umumnya perusahaan mengasumsikan data lampau bisa digunakan untuk memprediksi masa depan dan permintaan di masa depan akan tidak jauh berbeda polanya dibanding permintaan di tahun-tahun lampau. Dengan menggunakan dasar data lampau maka bisa dilihat pola pertumbuhan dan pengaruh faktor musiman.
1. Metode Statis
Metode statis mengasumsikan bahwa estimasi level, trend, dan musiman tidak bervariasi dengan observasi terhadap permintaan baru. Metode ini digunakan bilamana permintaan mempunyai trend dan faktor musiman. Disebut statis karena menggunakan angka parameter yang selalu sama dalam membuat peramalan, yaitu angka parameter yang diperoleh dari perhitungan berdasarkan data lampau. Dalam hal ini, kita membahas penggunaan metode statis ketika permintaan memiliki trend sekaligus musiman.
Dalam metode statis, peramalan dalam periode t untuk permintaan dalam periode t+ 1 adalah sebagai berikut (Persamaan 1).
Ft+1 = [ L + ( t + l) T Jj St+ z
L = Estimate of level at t = 0 ( de-seasonlized demand estimate during Period t = 0) T = Estimate of trend (increase or decrease in demand per period)
St = Estimate of seasonal factor for period t Dt = Actual demand observed in period t Ft = Forecast of demand for Period t
Pada metode ini, kita menggunakan tiga parameter, yaitu L, T, dan S. Perhatikan contoh berikut. Tahoe Salt adalah perusahaan penghasil garam batu yang digunakan untuk melelehkan salju. Pada masa lampau, Tahoe Salt mendasarkan pada estimasi permintaan dari para pengecer, namun estimasi tersebut sering kali terlampau banyak sehingga mengakibatkan menumpuknya persediaan di gudang. Untuk memperbaiki hal itu, Tahoe Salt memutuskan untuk menggunakan peramalan kolaborasi. Tahoe Salt menggunakan data permintaan selama tiga tahun terakhir yang dapat dibaca pada Tabel 2.
Tabel 2. Permintaan Kuartalan Tahoe Salt
fluktuasi musiman. Periode p menunjukkan periode setelah siklus musiman terulang dengan sendirinya. Pada kasus Tahoe Salt, pola permintaan berulang setiap tahun. Bila kita menghitung permintaan berdasarkan basis kuartalan periode p pada Tabel 2 adalah p= 4.
Gambar 5 : Permintaan Kuartalan Tahoe Salt
Pada prinsipnya ada unsur sistematik dan unsur random di dalam observasi permintaan.
O:Jserved demand (0) = Etstematic component (S) +Random component (R)
Unsur sistematik mengukur nilai permintaan yang diharapkan. Unsur ini terdiri dari level, yaitu deseasonalized demand saat ini; trend, yaitu rate of growth atau penurunan pada periode yang akan datang; dan seasonality, yaitu merupakan fluktuasi permintaan karena faktor musiman yang bisa diprediksi.
Persamaan 2. Rumus menghitung L = Deseasonalized Demand D:
Pada contoh sebelumnya, p = 4 adalah genap. Untuk t = 3, kita menentukan
deseasonalizes demand menggunakan persamaan 2, yaitu:
Tabel 3. Deseasonalized Demand
Gambar 6. Deseasonalized Demand Tahoe Salt
Deseasonalized demand akan berubah dengan berjalannya waktu. Ada hubungan linier antara deseasonalized demand dengan waktu. Adapun persamaannya sebagai berikut:
Persamaan 3. Deseasonalized Demand= L + T
Deseasonalized demand adalah bukan 'actual demand'
L = Deseasonlized demand pada periode 0 T = rate of growth of deseasonalized demand
Dengan mendapatkan persamaan regresi linier melalui deseasonalized demand pada Tabel3 maka dapat dihitung peramalan jangka pendek maupun jangka panjang. Dari contoh di atas, diperoleh persamaan regresi linier sebagai berikut:
Dt (Deseasonlized-Demand) = 18.439 + 524 t
Selanjutnya adalah mengestimasi S melalui persamaan:
Persamaan 4. Rumus menghitung 5:
Dari contoh di atas, seasonal factor dapat dihitung langsung mengikuti rumus di atas. Angka-angka deseasonalized demand sebagai hasil perhitungan dari persamaan regresi linier bisa dilihat pada tabel di bawah ini.
Tabel 4. Deseasonalized Demand and Seasonal Factors
Tabel 7. Peramalan dengan Seasonal Factor
2. Metode Moving Average
Metode peramalan time series yang termudah adalah metode moving average, di mana metode ini mengabaikan pola seasonal, trend, cycle pada permintaan di masa lalu. Persamaan untuk moving average, yaitu:
metode moving average mempunyai respons lebih cepat, yaitu dengan memodifikasi metode ini menjadi weighted moving average.
Kelemahan metode ini adalah dalam perhitungannya harus mempertimbangkan sejarah seluruh permintaan dalam kurun waktu N dan juga sangat sulit untuk membuat pembobotan (Wi) dalam perhitungannya. Untuk mengatasi kelemahan tersebut maka dikembangkan metode exponential smoothing. Contoh: Berdasarkan data permintaan Tahoe Salt pada Tabel 2 maka peramalan permintaan untuk periode 5 dengan menggunakan empat periode moving average adalah sebagai berikut. Kita melakukan peramalan untuk periode 5 dalam periode 4, sehingga asumsi periode saat ini adalah periode 4. Langkah pertama adalah melakukan estimasi untuk periode 4. Dengan menggunakan persamaan 6 dengan
N=4 maka hasil perhitungan:
L4 = (D4+D3+D2+D1)
I 4 = (34.000+23.000+13.000+8.000)/4 = 19.500
Peramalan permintaan untuk periode 5 dengan menggunakan persamaan 7 adalah F5 =L4 = 19.500
Karena permintaan pada periode 5 adalah 10.000 maka kita dapat menghitung standard error periode 5 sebagai berikut.
E5 = F5-D5 = 19.500- 10.000 = 9.500 Maka peramalan level pada periode 5 adalah:
L5 = (D5+D4+D3+D2)/4 =
(10.000+34.000+23.000+ 13.000)/4 = 20.000
3. Metode Exponential Smoothing
Metode ini didasarkan pada pemikiran yang sederhana bahwa nilai ratarata yang baru dapat dihitung dari nilai rata-rata lama ditambah dengan nilai permintaan yang sedang diobservasi. Sebagai contoh, bahwa nilai rata-rata lama adalah 20 dan permintaan yang sedang diobservasi adalah 24. Maka nilai rata-rata yang baru pasti akan berkisar antara 20 sampai 24 tergantung pada pembobotan nilai permintaan yang sedang diobservasi terhadap nilai rata-rata yang lama.
Di manaAt-1 adalah nilai rata-rata lama (20), Dt adalah permintaan yang sedang diobservasi (24 ), dan a adalah proporsi an tara pembobotan nilai permintaan yang diobservasi terhadap nilai lama (O<a<l). Bila menginginkan At menjadi sangat responsif terhadap perubahan permintaan maka nilai a di pasang lebih besar, tetapi bila At in gin lebih stabil maka nilai a dipasang lebih kecil. Dalam membuat peramalan umumnya, nilai a berkisar antara 0,1 sampai 0,3.
4. Metode Trend Corrected Exponential Smooting (Holt's Model)
Metode ini dipakai bila permintaan dianggap mempunyai level dan trend yang terdapat pada
systematic component. Dalam hal ini, persamaannya adalah:
Systematic component dari demand = level (L) + trend (T)
Perkiraan awal dari level dan trend diperoleh dengan melakukan regresi linier di antara demand Dt dan periode waktu t yang membentuk persamaan:
Konstanta b mengukur estimasi dari permintaan pada periode t = 0 dan untuk mengestimasi level awal LO. Slope a menghitung laju perubahan dari permintaan per periode waktu tertentu dan untuk mengestimasi trend awal TO. Dalam periode t, dengan diberikan estimasi level Lt dan trend Tt maka peramalan untuk periode ke depan ditunjukkan dengan persamaan:
Setelah mengobservasi permintaan untuk periode t maka dilakukan revisi untuk estimasi level dan trend sesuai dengan:
Di mana a adalah konstanta untuk membuat level menjadi lebih mulus dengan nilai 0<a<1, sedangkan f3 adalah konstanta untuk membuat trend menjadi lebih mulus dengan nilai 0<f3<1.
Metode Peramalan Kausal
berhubungan langsung dengan jumlah populasi, rata-rata temperatur pada musim panas dan waktu. Data bisa dikumpulkan pada variabel-variabel tersebut dan dilakukan analisis untuk menentukan validitas dari masing-masing model yang diajukan. Salah satu model yang paling dikenal dengan baik adalah model regresi yang menggunakan teknik statistik dalam mengolahnya. Dalam metode regresi, sebuah model harus dispesifikasikan sebelum data dikumpulkan dan dilakukan analisa. Contoh paling sederhana dari metode regresi adalah model regresi liner single-variable:
Bentuk lain dari metode peramalan kausal adalah model ekonometrika, model input-output, dan model simulasi.
Metode Peramalan Simulasi
Metode simulasi merupakan penggabungan dari metode time series ' dan 'causal' untuk menjawab pertanyaan tertentu. Misalnya, perubahan perilaku konsumen akibat dibukanya supermarket baru terhadap supermarket lama yang berlokasi di dekatnya.
Forecast Error
Forecast error bertujuan untuk menyatakan seberapa tepat atau akurat metode peramalan yang telah digunakan. Secara umum, akurasi peramalan dihitung dengan membandingkan nilai peramalan terhadap nilai aktual yang diobservasi yang dapat disederhanakan dengan persamaan:
Forecast error= Actual demand -Forecast value
Ada tiga metode perhitunganforecast error yang sering digunakan, yaitu mean absolute deviation (MAD), mean squared error (MSE), dan mean absolute percent error (MAPE).
Perhitungan MAD adalah dengan menjumlahkan seluruh nilai absolut dari selisih nilai antara aktual permintaan dan peramalan dibagi dengan jumlah periode waktu tertentu yang ditunjukkan dengan persamaan:
2. Mean Squared Error (MSE)
Perhitungan MSE adalah dengan merata-rata kuadrat perbedaan dari nilai antara aktual demand dan forecast dibagi dengan jumlah periode waktu tertentu yang ditunjukkan dengan persamaan:
3. Mean Absolute Percent Error (MAPE)
Perhitungan forecast error dengan menggunakan MAD dan MSE sering terjadi masalah di mana bila jumlah yang dihitung berjumlah ribuan maka nilai MAD dan MSE menjadi sangat besar. Untuk mencegah masalah ini terjadi maka dipakailah metode MAPE. Perhitungan MAPE adalah dengan merata-rata nilai absolut dari selisih nilai aktual permintaan dan peramalan dibagi dengan jumlah periode waktu tertentu yang ditunjukkan dengan nilai persentase.
4.Tracking Signal
Tracking signal dipakai untuk menghitung sejauh mana peramalan sesuai dengan aktual penjualan yang telah terjadi dengan nilai + 6. Bila nilai tracking signal berada di luar + 6 maka perhitungan peramalan harus direset lagi karena penyimpangan sudah terlalu besar.
Tracking signal diperoleh dari kumulatifjorecast error dibagi dengan MADt.
Memilih Teknik Peramalan
Teknik peramalan yang cukup banyak jenisnya kadang membingungkan pengguna. Untuk itu, terdapat beberapa cara untuk meminimumkan kesalahan yang mungkin terjadi yang pada awalnya melalui beberapa pertanyaan berikut ini.
1. Apa yang merupakan tujuan peramalan? Untuk apa digunakan? Jika perkiraan penjualan kotor sudah cukup, sedikit teknik kompleks mungkin sesuai, sedangkan jika perkiraan terperinci diperlukan, teknik yang lebih kompleks mungkin lebih sesuai. 2. Apakah dinamika dari sistem ketika peramalan akan dibuat? Apakah jenis data ekonomi yang akan digunakan menunjukkan bahwa suatu model menjadi permintaan musiman, atau kecenderungan bukan?
3. Seberapa penting masa lalu untuk memperkirakan masa depan?
Keputusan manajemen rantai persediaan didasarkan pada peramalan yang menggambarkan produk dan jumlah produk yang diperlukan. Peramalan permintaan menjadi dasar perusahaan untuk merencanakan operasi secara internal dan untuk bekerja sama antarsatu sama lain untuk memenuhi permintaan pasar. Semua peramalan berkaitan dengan empat variabel utama yang berkombinasi akan menentukan kondisi pasar. Variabel itu adalah:
1. Permintaan. 2. Persediaan.
3. Karakteristik Produk. 4. Lingkungan Kompetitif.
Permintaan mengacu pada keseluruhan permintaan pasar untuk suatu kelompok jasa atau produk terkait. Pasar menjadi tumbuh atau menurun? Jika demikian, apa yang merupakan tingkat triwulan atau tahunan? Mengalami pertumbuhan atau kemunduran? Atau barangkali pasar secara relatif telah dewasa dan permintaan mantap pada suatu tingkatan yang dapat diramalkan untuk beberapa periode tahun. Selain itu, banyak produk mempunyai suatu pola permintaan musiman. Sebagai contoh, ski salju dan minyak peruanas menjadi lebih laku/laris di musim dingin, sedangkan raket tenis dan layar matahari lebih laku/laris di musim panas.
Variabilitas, ketidakpastian dalam persediaan menjadikan peramalan lebih sulit dilakukan. Peramalan dalam rantai persediaan harus meliputi suatu periode waktu yang terdiri dari lead-time yang dikombinasikan dari semua komponen yang menghasilkan suatu produk akhir (output). Karakteristik produk, meliputi corak suatu produk yang mempengaruhi permintaan pelanggan untuk produk itu. Banyak produk yang baru dengan cepat berganti dan berubah, seperti produk elektronik. Setelah kita membuat suatu peramalan, langkah yang berikutnya yaitu menciptakan suatu perencanaan perusahaan terhadap permintaan yang diharapkan tersebut. Kumpulan perencanaan ini akan memenuhi permintaan dengan cara memaksimalkan laba untuk perusahaan. Selain itu juga menetapkan jumlah maksimum tingkat produksi dan menginventarisir periode yang akan datang antara 3-18 bulan. Perencanaan menjadi kerangka dalam membuat keputusan jangka pendek pada produksi, persediaan, dan distribusi. Keputusan produksi yang dilibatkan menentukan parameter, seperti tingkat produksi dan jumlah kapasitas produksi untuk menggunakan ukuran dari kekuatan pekerja dan mencukupi permintaan yang kemudian dapat berubah menjadi pesanan. Keputusan distribusi menggambarkan bagaimana dan kapan produk akan dipindahkan dari tempat produksi ke tempat yang lain jika akan digunakan atau dibeli oleh pelanggan.
Ada tiga dasar pendekatan untuk menciptakan perencanaan permintaan. Mereka melibatkan tarik-menarik antartiga variabel, yaitu:
1. jumlah kapasitas produksi;
2. tingkat pemanfaatan kapasitas produksi; 3. jumlah persediaan.
Kita akan lihat dengan singkat pada masing-masing tiga pendekatan ini. Dalam praktik nyata, kebanyakan perusahaan menciptakan kumpulan perencanaan melalui kombinasi tiga pendekatan ini.
1. Penggunaan kapasitas produksi dalam permintaan. Di dalam pendekatan ini ditekankan pada total jumlah kapasitas produksi vs tingkatan permintaan. Sasaran di
sini akan menggunakan 100 persen kapasitas secara terus-menerus. Ini dicapai dengan menambahkan atau menghapuskan kapasitas pabrik jika dibutuhkan dan merekrut karyawan jika dibutuhkan.
3. Penggunaan bermacam-macam tingkat total kapasitas dalam permintaan. Pendekatan ini digunakan jika tersedia kelebihan kapasitas produksi dan ketika biaya persediaan tinggi serta biaya kapasitas kelebihan relatif rendah.
4. Penggunaan pendekatan ini menyediakan stabilitas kekuatan pekerja dan kapasitas pabrik serta memungkinkan suatu tingkat keluaran yang tetap. Pendekatan ini mengakibatkan pemanfaatan kapasitas yang lebih tinggi dan menurunkan biaya-biaya dalam mengubah kapasitas, tetapi menghasilkan pekerjaan yang tertunda dan inventaris besar dari waktu ke waktu ketika permintaan berubah-ubah.
Daftar Pustaka
1. Chase, R.B., Jacobs, P.R., & Aquilano, N.J. (2006). Operations Management for
Competitive Advantage with Global Cases. McGraw-Hill.
2. Mahendrawati ER, I Nyoman Pujawan. 2010. Supply Chain Management (Edisi Kedua); Guna Widya, Surabaya.
