ANALISIS PERAMALAN PERMINTAAN FMCG PADA PASAR MODERN
DENGAN MEMPERTIMBANGKAN NILAI PERSEDIAAN
Isti Surjandari, Emiliana
Departemen Teknik Industri, Fakultas Teknik Universitas Indonesia, Depok 16424 Tel: (021) 7270011 ext 51. Fax: (021) 7270077
E-mail: [email protected], [email protected]
Abstrak
Era globalisasi menyebabkan pertumbuhan industri Fast Moving Customer Goods (FMCG) menjadi sangat pesat, karena seiring meningkatnya pertumbuhan penduduk manusia, meningkat pula tingkat konsumsi. Tingkat ketepatan peramalan permintaan (Sell in) pada suatu pasar modern pada umumnya masih tergolong rendah, oleh karena itu dibutuhkan suatu metode peramalan permintaan yang lebih baik. Pada umumnya, peramalan dihitung berdasarkan data masa lalu, namun pada penelitian ini peramalan akan dihitung dengan mempertimbangkan beberapa faktor. Metode yang digunakan dalam perhitungan penelitian ini adalah Neural Network. Hasil penelitian menunjukan bahwa metode
Neural Network lebih baik dibandingkan dengan metode yang digunakan pada suatu perusahaan FMCG. Tujuan akhir
dari tingkat peramalan yang lebih baik akan berujung kepada persediaan yang optimal.
Abstract
Analysis of FMCG Demand Forecasting in Modern Trade by Using Neural Network Method. Era of globalization led Fast Moving Customer Goods (FMCG) growth rapidly, because the more increasing human population growth the more increasing the level of consumption. Forecast accuracy for the demand (Sell in) in modern trade generally is still poor there fore needed the forecasting method better. Generally, forecasting is calculated based on historical data but in this research, forecasting will be calculated by considering several factors. The method used in this research is Neural Network. The results showed that the Neural Network method is better than the methods used in an FMCG company. The ultimate goal of better forecasting levels to lead the optimal inventory.
Keywords: Forecasting, Sell in, Inventory, Neural Network
1. Pendahuluan
Era globalisasi menyebabkan pertumbuhan industri Fast
Moving Customer Goods (FMCG) menjadi sangat pesat,
karena seiring meningkatnya pertumbuhan penduduk manusia, meningkat pula tingkat konsumsi. FMCG
merupakan barang-barang “non durable” yang
diperlukan untuk konsumsi sehari-hari. Konsumen biasanya membeli produk kategori ini sekurang-kurangnya sekali dalam sebulan. Di semua negara, konsumen mengeluarkan anggaran paling besar pada sektor ini. FMCG merupakan salah satu sektor yang paling berkembang sangat cepat dan dari waktu ke waktu menunjukan peningkatan yang tinggi.
Hasil survei dari AC Nielsen Company menunjukkan perkembangan pasar FMCG sangat kuat di Indonesia selama tiga tahun terakhir. Secara nominal, pasar FMCG tumbuh berturut-turut sebesar 4,7%, 8,1%, dan 11,6% pada tahun 2009-2011. Untuk tahun 2012, nilai pasar FMCG Indonesia tumbuh sebesar 13% secara nominal. Hingga kuartal 1, pasar FMCG tumbuh sebesar 9,6% secara nominal, sedangkan secara volume tumbuh sebesar 4,9%. Dalam satu tahun, tercatat ada sebanyak 2,2 juta kali kunjungan untuk berbelanja ke berbagai tempat. Data ini merupakan hasil survei atas 7.000 rumah tangga yang menjadi responden permanen
Kantar Worldpanel di berbagai wilayah Sumatera,
Jawa, Kalimantan dan Sulawesi dengan rincian 5540 rumah tangga di perkotaan dan 1460 rumah tangga di
Perusahaan FMCG memiliki peran yang cukup penting sebagai pemenuh kebutuhan konsumen sehari-hari. Untuk memenuhi kebutuhan tersebut, maka dibutuhkan media perantara yang mewadahi. Salah satu media perantara yang bekerja sama dengan perusahaan FMCG berupa pasar modern (modern trade) dan pasar tradisional (general trade). Dalam penelitian ini, objek yang digunakan adalah pasar modern, Sinaga (2006) mengatakan, pasar modern merupakan pasar yang dikelola dengan manajemen modern, umumnya terdapat di kawasan perkotaan, sebagai penyedia barang dan jasa dengan mutu dan pelayanan yang baik kepada konsumen (umumnya anggota masyarakat kelas menengah ke atas).
Ketepatan peramalan pada salah satu perusahaan FMCG terbesar di Indonesia di tahun 2012 mencapai 32.8%, angka ini masih sangat rendah. Target dari perusahaan dengan menggunakan metode baru dalam peramalan adalah dengan mengurangi error reduction sebesar 10%. Metode peramalan yang digunakan perlu dievaluasi dan diperbaiki untuk meningkatkan ketepatan peramalan. Ketepatan peramalan ini akan berhubungan dengan efisiensi dari jumlah produksi, yang jangka panjangnya akan mempengaruhi profit dari perusahaan. Hal lain yang diperhitungkan dalam CPFR adalah persediaan, dimana pihak Modern Trade ingin memperbaiki tingkat persediaan. Jika persediaan terlalu berlebihan, maka akan berdampak pada biaya yang berlebih sedangkan jika persediaan terlalu rendah maka
akan menyebabkan shortage yang berujung
menurunnya kepuasan konsumen.
2. Metode Penelitian
Pada penelitian ini, metode yang digunakan untuk menghitung peramalan ini adalah metode Jaringan Saraf Tiruan (Artificial Neural Network). Menurut Nielsend
(1988), Suatu Neural Network (NN), adalah suatu
struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal.
Nilai peramalan dipengaruhi oleh beberapa faktor sehingga menjadi lebih kompleks, metode statistik klasik pada umumnya memiliki tingkat kesalahan (error) yang tinggi seiring bertambahnya frekuensi peramalan, pada situasi tersebut metode Artificial
Neural Network (ANN) dapat memberikan solusi yang
lebih baik. Metode Neural Network cocok untuk memodelkan dan meramalkan data yang bersifat time
series. Metode Artificial Neural Network telah dapat
digunakan sebagai aplikasi peramalan tingkat penjualan. Oleh karena itu, perlu dilakukan perhitungan peramalan permintaan FMCG pada Modern Trade dengan metode
Neural Network.
Metodologi yang digunakan untuk menyelesaikan penelitian dapat dilihat dalam diagram alir pada gambar 1 dan 2. Penelitian ini terdiri dari 6 tahapan, yaitu :
Identifikasi MasalahPada tahap ini, dilakukan identifikasi masalah yang sesuai dengan topik penelitian yang akan dibahas, menentukan tujuan dan metodologi penelitian.
Studi Literatur dan Pemahaman KonsepTahapan ini mengarah pada penyusunan dasar teori yang mendukung dalam penelitian ini.
Pengumpulan Data PenelitianData yang dikumpulkan berupa data kuantitatif dan kualitatif. Data kuantitatif yang utama berupa data historis demand Modern Trade terhadap konsumen, data persediaan, serta data promo.
Diagram Alir Penelitian
Peng olah an Data Studi Li te ratur dan Pemah aman Kon sep Peng umpu
lan Data Pen
elitia n Identifika si Masala h Mulai Menentukan topik penelitian Mendefinisikan permasalahan Menentukan tujuan dan metodologi
Studi literatur, observasi, dan hasil diskusi dengan
pembimbing
Menyusun dasar teori dari studi literatur
Teori peramalan Teori persediaan
Konsep Manajemen Rantai Pasok dalam industri FMCG
Konsep Neural Netwrok dan implementasi pada
forecasting
Menentukan faktor-faktor sebagai variabel
yang mempengaruhi peramalan pada industri FMCG Mengumpulkan data yang diperlukan dari berbagai sumber Melakukan observasi langsung dan wawancara terhadap pihak terkait Faktor-faktor yang mempengaruhi peramalan Proses peramalan industri FMCG dengan Carrefour Melakukan perhitungan peramalan dengan metode
Neural Network
Menghitung jumlah persediaan yang paling
ideal untuk Carrefour Data dari suatu industri
FMCG di Indonesia
Prinsip Neural Network untuk peramalan
Prinsip persediaan berdasarkan ketepatan
peramalan
A Data dari suatu industri
FMCG di Indonesia
Pengolahan DataTahap pengolahan data merupakan tahap
perhitungan peramalan untuk permintaan Modern
Trade kepada suatu perusahaan FMCG dan
perhitungan persediaan yang ideal berbasiskan tingkat ketepatan peramalan.
Analisis HasilPada tahapan analisis, hasil perhitungan pada penelitian ini akan dibandingkan dengan data aktual dan hasil perhitungan yang biasa dilakukan pada suatu perusahaan FMCG tersebut.
Kesimpulan dan SaranPada tahap ini akan ditarik kesimpulan dan saran untuk penelitian ke depannya kepada pihak yang terkait, terutama pihak perusahaan FMCG dan
Modern Trade sebagai objek penelitian ini.
Diagram Alir Penelitian
Kesim pula n dan Saran Anal isis Hasi l A Analisis hasil perhitungan Membandingkan hasil perhitungan dengan perhitungan yang digunakan
oleh inudustri FMCG Membuat kesimpulan dan saran Selesai Membandingkan hasil perhitungan dengan data aktual
Prinsip statistika untuk parameter ketepatan
peramalan Data dari suatu industri
FMCG di Indonesia
Gambar 2. Diagram alir metode penelitian (lanjut)
3. Hasil dan Pembahasan
Pada bagian ini akan dijelaskan mengenai analisis hasil perhitungan data yang akan dibandingkan dengan data aktual dan data peramalan yang digunakan pada perusahaan FMCG terhadap Modern Trade.
Analisis Hasil PeramalanDalam menentukan ketepatan peramalan suatu
permintaan FMCG digunakan digunakan tiga parameter, yaitu MSE (Mean Square Error), MAPE (Mean
Absolute Percentage Error), dan FA (Forecast Accuracy). Perhitungan ini akan dibandingkan dengan
metode yang dilakukan pada suatu perusahaan FMCG di Indonesia, perhitungan tersebut menggunakan sistem kalkulasi yang berdasarkan pada metode exponential
smoothing dengan beberapa tahapan.
MSE (Mean Square Error) merupakan salah satu tolak ukur dalam menentukan ketepatan peramalan yang
menunjukan besarnya nilai error kuadrat. Error merupakan selisih antara nilai aktual dengan peramalan, semakin besar error absolut maka semakin rendah ketepatan nilai peramalan. Begitu juga dengan nilai MSE, semakin besar nilai MSE maka semakin rendah pula tingkat ketepatan peramalan tersebut. Berikut ini detail hasil MSE peramalan dengan menggunakan Neural Network dan metode dari perusahaan FMCG.
Tabel 1. Perbandingan nilai MSE terhadap data
peramalan Produk MSE NN FMCG A 1.86E+07 4.59E+07 B 7.09E+06 1.74E+07 C 5.73E+06 4.26E+07 D 3.37E+06 8.44E+06 E 3.09E+06 3.05E+06 F 4.49E+05 1.10E+07 G 1.07E+06 1.25E+06 H 1.56E+06 2.40E+06 I 8.15E+05 1.92E+06 J 2.29E+05 3.03E+06 K 4.24E+05 2.07E+06 L 1.06E+06 1.26E+06 M 2.16E+05 5.96E+05 N 2.43E+05 7.02E+06 O 2.23E+05 6.35E+05 P 1.30E+06 4.04E+06 Q 1.09E+05 3.99E+06 R 3.56E+05 1.16E+06 S 1.49E+05 2.39E+05 T 1.62E+05 4.30E+06
Rata-rata 2.31E+06 8.11E+06
Pada tabel 1 dapat dilihat bahwa 19 produk dengan metode perhitungan Neural Network memiliki nilai MSE yang lebih kecil dibandingkan dengan metode dari perusahaan FMCG yang diteliti. Pada produk E, nilai MSE dengan perhitungan Neural Network lebih besar dibandingkan dengan metode dari perusahaan FMCG yang diteliti, namun perbedaannya tidak terlalu signifikan yaitu sekitar 40.000 atau sekitar 1.3% selisihnya.
Untuk nilai rata-rata kedua puluh produk yang diujikan, rata-rata nilai MSE dari peramalan dengan metode Neural Network (2.31E+06) lebih kecil dibandingkan
dengan metode yang digunakan oleh perusahaan FMCG yang diteliti (8.11E+06).
MAPE (Mean Absolute Precentage Error) merupakan salah satu tolak ukur dalam menentukan ketepatan peramalan yang menunjukan rata-rata dari keseluruhan persentase error (selisih) antara data aktual dengan data hasil peramalan. Nilai MAPE ini merupakan nilai error dalam persentase yang dibandingkan dengan nilai aktual. Semakin besar nilai MAPE maka semakin rendah ketepatan nilai peramalan. Berikut ini detail hasil MAPE peramalan dengan menggunakan Neural
Network dan metode dari perusahaan FMCG.
Tabel 2. Perbandingan nilai MAPE terhadap data
peramalan Produk MAPE NN FMCG A 28.18% 44.57% B 21.34% 30.62% C 23.81% 68.56% D 22.71% 34.16% E 36.88% 30.39% F 14.11% 71.18% G 35.63% 43.91% H 50.87% 66.08% I 33.77% 50.71% J 22.37% 65.41% K 27.62% 58.93% L 52.78% 50.62% M 23.49% 41.26% N 21.11% 93.61% O 37.70% 60.81% P 105.04% 159.26% Q 13.24% 57.21% R 44.42% 82.39% S 27.38% 38.24% T 26.43% 123.11% Rata-rata 33.44% 63.55%
FA (Forecast Accuracy) merupakan salah satu tolak ukur dalam menentukan ketepatan peramalan yang digunakan pada perusahaan FMCG yang menjadi objek penelitian. Nilai FA didapat dari satu dikurangin nilai error dalam presentase, error ini merupakan nilai selisih antara data aktual dengan data peramalan yang dibandingkan dengan nilai peramalan. Semakin besar nilai FA maka semakin baik ketepatan peramalan.
Tabel 3. Perbandingan nilai FA terhadap data peramalan
Produk FA NN FMCG A 69.90% 55.35% B 79.65% 72.34% C 79.51% 39.74% D 76.33% 62.88% E 60.13% 73.98% F 85.62% 32.07% G 67.75% 67.75% H 58.41% 60.21% I 70.03% 66.35% J 78.89% -9.60% K 63.60% 50.02% L 54.72% 57.04% M 80.58% 60.04% N 78.37% 19.99% O 62.71% 43.56% P 29.12% 22.54% Q 87.95% -2.58% R 62.55% 41.29% S 70.50% 64.93% T 72.90% -33.31% Rata-rata 69.46% 42.23%
Pada tabel 3 dapat dilihat bahwa 17 produk dengan metode perhitungan Neural Network memiliki nilai FA yang lebih tinggi dibandingkan dengan metode dari perusahaan FMCG yang diteliti. Pada produk E, H, dan L, nilai FA dengan perhitungan Neural Network lebih rendah dibandingkan dengan metode dari perusahaan FMCG yang diteliti, namun perbedaannya tidak terlalu signifikan yaitu untuk produk E sebesar 13.85%, untuk produk H sebesar 1.8%, dan untuk produk L sebesar 2.32% selisihnya. Perbandingan peramalan untuk produk H dapat dilihat pada gambar 4.6 di bawah ini. Untuk nilai rata-rata kedua puluh produk yang diujikan, rata-rata nilai FA dari peramalan dengan metode Neural
Network lebih tinggi dibandingkan dengan metode yang
digunakan oleh perusahaan FMCG yang diteliti.
Perhitungan jumlah persediaan yang paling optimal di
Modern Trade didasarkan pada ketepatan hasil
peramalan dihitung dengan persamaan :
√ ( ) ( )
(1)
D : Permintaan rata-rata setiap periode (minggu)
berdasarkan data historis
S1: Standar deviasi dari tingkat error pada
peramalan, dihitung dalam bentuk MAD (Mean Absolute Deviation)
L : Supply lead time rata-rata, waktu uang
dibutuhkan dari pemesanan hingga barang sampai ke customer
S2: Standar deviasi dari supply lead time,
berdasarkan analisis dari data historis lead time yang ada
Sl: Service level, tolak ukur tingkat standar deviasi
yang digunakan pada distribusi normal
Perhitungan persediaan berdasarkan metode peramalan Neural Network, diperoleh bahwa persediaan yang paling optimal adalah 12 hari. Sedangkan berdasarkan estimasi dari Modern Trade adalah sekitar 14 hari. Masalah yang terjadi saat ini adalah persediaan barang yang berlebihan di Modern Trade, maka dari itu perlu ditentukan persediaan yang optimal.
Perhitungan jumlah persediaan ini didasarkan pada tingkat ketepatan peramalan untuk mengantisipasi permintaan yang bersifat fluktuatif. Tingi rendahnya ketepatan peramalan mempengaruhi tingkat persediaan, semakin tinggi tingkat ketepatan peramalan maka akan semakin rendah tingkat persediaan, begitu pula sebaliknya jika tingkat ketepatan peramalan semakin rendah makan tingkat persediaan akan semakin tinggi.
Analisis Importance FactorPada penelitian ini, perhitungan peramalan didasarkan atas beberapa faktor. Dengan bantuan perangkat lunak SPSS Statistics, keenam faktor yang digunakan dalam perhitungan peramalan ini diolah dengan metode Neural
Network untuk melihat besarnya importance factor
(nilai kepentingan).
Nilai importance factor merupakan ukuran yang menggambarkan besar kecilnya pengaruh faktor tersebut terhadap nilai peramalan. Semakin besar nilai
importance factor maka semakin besar pengaruh yang
diberikan, sebaliknya jika semakin kecil nilai
importance factor maka semakin kecil pula pengaruh
yang diberikan.
Berikut perhitungan nilai importance factor untuk kedua puluh produk dengan enam faktor yang digunakan, yaitu : SO (Sell Out), TVS (Tactical Volume Sales),
persediaan (stock), promo penjualan (promo sales), minggu ke-n pada setiap bulannya, dan jumlah hari libur pada periode tersebut.
Tabel 4. Nilai importance factor untuk kedua puluh
produk
Dari tabel 4 di atas dapat dilihat bahwa dari nilai rata-rata kedua puluh produk yang diujikan, faktor yang paling berpengaruh adalah SO (Sell Out), yang kedua adalah TVS (Tactical Volume Sales), ketida adalah persediaan (stock), keempat adalah promo penjualan (promo sales), kelima adalah minggu ke-n pada setiap bulannya, dan yang terakhir adalah jumlah hari libur pada periode tersebut.
4. Kesimpulan
Metode Neural Network merupakan metode yang dirancang sesuai dengan cara kerja manusia, dapat mempelajari data masa lampau dan membantu memberi keputusan untuk data yang belum dipelajari. Peramalan dengan metode Neural Network dapat mewadahi peramalan dengan mempertimbangkan faktor-faktor lain. Metode Neural Network juga lebih cocok untuk perhitungan peramalan permintaan yang memiliki tingkat fluktuasi yang cukup tinggi
Berdasarkan hasil perhitungan peramalan yang diujikan terhadap 20 produk suatu perusahaan FMCG di Indonesia, didapat secara keseluruhan metode Neural Network lebih baik jika dibandingkan metode yang diterapkan oleh perusahaan FMCG tersebut.
Ketepatan peramalan diukur dengan menggunakan beberapa parameter, diantaranya MSE (Mean Square
Error), MAPE (Mean Absolute Percentage Error), dan
sebagai parameter yang berbeda, namun untuk tingkat
akurasi peramalan yang lebih presisi dapat
menggunakan parameter MAPE atau FA karena nilai ketepatan peramalan ini menghitung hasil residual yang dibandingkan juga dengan data aktual atau data peramalan.
Persediaan yang paling optimal pada penelitian ini dihitung berdasrkan nilai ketepatan peramalan. Dengan metode Neural Network, persediaan yang paling optimal adalah 12 hari, untuk metode yang digunakan di perusahaan FMCG yang menajdi objek penelitian ini adalah 13 hari, dan target perusahaan ingin menjaga persediaan pada 14 hari. Persediaan di Modern Trade dapat ditekan kembali menjadi kondisi yang optimal saat ini yaitu 13 hari.
Daftar Acuan
1. Arman Hakim Nasution & Yudha Prasetyawan.
Perencanaan dan Pengendalian Produksi. Edisi
Pertama. Yogyakarta: Graha Ilmu, 2008.
2. Chopra, S., and Meindl, P. 2001. Supply chain
management:Strategy, planning, and operations.
New Jersey: Prentice-Hall.
3. D’Souza, Brian, et al. 2008. Collaborative Planning,
Forecasting & Replenishment (CPFR®). Voluntary
Interindustry Commerce Solutions (VICS)
Association
4. Damayanti, Destry, et al. 2012. Industry | Update
Agustus 2012, Office Of Chief Economist, Volume
17. Published by PT Bank Mandiri, Indonesia (Persero).
5. Handfield, R., and Nichols, Jr., E. L. 2002. Supply
chain redesign:Transforming Supply Chains into Integrated Value Systems. New Jersey: Financial
Times – Prentice Hall.
6. Hasin, M. Ahsan, et al. 2011. An ANN Aproach to
Demand Forecasting in Retail Trade in Banglasedh.
Bangladesh: International Journal of Trade,
Economic and Finance Vol.2 No.2, April 2011. 7. Mant, Jeremy. Reducing Safety Stock by Improving
Forecast Accuracy. Control, October 2001.
8. Mulyana, Sri. 2008. Teknik Peramalan Tingkat
Penjualan dengan Jaringan Saraf Tiruan. Seminar
Nasional Informatika , UPN "Veteran" Yogyakarta. 9. Pujawan, I N. 2005. Supply chain management.
Guna Widya.
10. Rosnani Ginting. Sistem Produksi. Edisi Pertama.
Yogyakarta: Graha Ilmu, 2007.
11. Simchi-Levi, D., Kaminski, P., and Simchi-Levi, E.
2000. Designing and managing the supply chain:
Concept, strategies,and case studies. Irwin McGraw-Hill.
12. Sitepu, Rasidin (2001). Dampak Keberadaan Pasar
Modern terhadap Kinerja Ekonoi Regional. QE Journal, Vol. 01- No. 01. Fakultas Pertanian Universitas Islam Sumatra Utara, Medan
13. Zhang, Guoqiang. 2000. An Investigation of Neural
Networks for Linear Time-Series Forecasting.
Computers & Operations Research 28 (2001). Departement od Management, Georgia State University, USA
