4. PENGOLAHAN DATA DAN ANALISIS
4.2 Pengolahan Data
4.2.1 Peramalan
Sebelum meramalkan permintaan, karakter permintaan harus diidentifikasi dengan baik. Langkah pertama yang dilakukan adalah menghitung rata-rata permintaan historis (d) dan standar deviasinya (sd) untuk melihat variabilitas permintaan. Sesuai dengan pernyataan pada Landasan Teori, jika standar deviasi lebih besar atau sama dengan rata-rata permintaan historis, maka permintaan disebut lumpy1. Langkah ini menjadi langkah pertama yang perlu dilakukan karena umumnya karakter permintaan di RS memiliki ciri-ciri lumpy2sehingga tidak dapat diramalkan dengan metode kuantitatif yang reguler, seperti rata-rata bergerak atau pemulusan eksponensial tunggal.
Data yang dipakai adalah data mingguan selama tahun 2009. Berdasarkan informasi dari karyawan bidang pelayanan obat, biasanya pola permintaan berulang setiap 3 bulan. Asumsi ini hanya berdasarkan intuisi, belum dibuktikan berdasarkan data yang ada. Karena itulah, range data yang diambil adalah data permintaan historis selama satu tahun untuk melihat apakah asumsi tersebut benar dan berharap dapat melihat pola berulang permintaan di RS. Tahun yang dipilih adalah tahun 2009 karena merupakan periode waktu terbaru dan paling dekat dengan waktu penelitian (awal 2010) sehingga paling baik untuk meramalkan permintaan yang akan datang.
Hasil penentuan karakter permintaan pada 30 sampel obat adalah seperti pada Tabel 4.1. 5 dari 30 sampel obat berkarakter lumpy, yaitu obat dengan kode unasyt3, phisib1, rimacc4, avandt1, dan md-cal. Hasil ini menjadi petunjuk bahwa tidak semua permintaan di RS dapat memakai metode peramalan kuantitatif yang reguler karena adanya permintaan yang lumpy.
1 Ballou, R.H. (2004). Business logistics/supply chain management (5th ed.). New Jersey:
Prentice-Hall Inc. h. 367.
2Woosley, John Michael. (2009).Dissertation: Improving healthcare supply chains and decision
40
Tabel 4.1.Hasil Penentuan Permintaan Lumpydan Tidak Lumpy
Pada penelitian ini, 5 jenis obat yang lumpy akan diramalkan dengan metode Croston yang sudah dipakai secara umum untuk meramalkan permintaan lumpy serta dinyatakan dalam sebuah penelitian tentang peramalan oleh Johnston F. R. & Boylan, J. E. (1996) bahwa metode ini menghasilkan akurasi ramalan yang lebih unggul dibandingkan metode pemulusan eksponensial tunggal. Metode
No Kode D sd Karakter Permintaan
1 sulpea 76.64 30.98 Tidak Lumpy 2 albumb2 10.83 8.05 Tidak Lumpy 3 meronv2 27.31 16.61 Tidak Lumpy 4 clafov2 59.36 30.11 Tidak Lumpy 5 sulbaa01 65.56 30.81 Tidak Lumpy 6 terfv1 64.46 21.44 Tidak Lumpy 7 progr 425.75 257.50 Tidak Lumpy 8 nexiuv 69.44 30.36 Tidak Lumpy 9 eprexv2 22.23 8.03 Tidak Lumpy 10 omz40 84.86 28.54 Tidak Lumpy 11 broadv1 58.17 28.99 Tidak Lumpy 12 caprol 84.89 30.50 Tidak Lumpy 13 hemapa 35.33 10.38 Tidak Lumpy 14 spuitx06 1,681.09 389.94 Tidak Lumpy 15 dianeb5 144.46 76.81 Tidak Lumpy 16 trijev1 39.19 20.35 Tidak Lumpy 17 meropa01 30.71 24.53 Tidak Lumpy 18 losecv1 37.99 20.31 Tidak Lumpy 19 lancef 47.43 23.00 Tidak Lumpy 20 albumb8 4.60 4.03 Tidak Lumpy 21 unasyt3 2.40 4.58 Lumpy 22 tanapt1 47.37 33.26 Tidak Lumpy 23 micart1 35.04 30.75 Tidak Lumpy 24 infusx02 30.04 13.77 Tidak Lumpy 25 cordat2 65.22 43.55 Tidak Lumpy 26 chlort1 668.25 263.61 Tidak Lumpy 27 phisib1 0.81 1.48 Lumpy 28 rimacc4 9.12 18.71 Lumpy 29 avandt1 0.67 2.86 Lumpy 30 md-cal 48.54 58.04 Lumpy
ini memiliki konsep dasar seperti pemulusan eksponensial tunggal sehingga membutuhkan penetapan parameter konstanta pemulusan. Parameter yang dipakai untuk meramalkan jumlah permintaan dan jarak waktu antara dua periode yang permintaannya tidak nol dalah sama. Dalam penelitian ini, parameter konstanta pemulusan yang dipakai adalah 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, dan 1.
Perbedaannya adalah metode Croston memisahkan ramalan jumlah permintaan dengan jarak antara dua periode yang permintaannya tidak 0. Ramalan yang dihasilkan berasal dari metode Croston yang menggunakan salah satu nilai parameter dengan standard error of forecast terkecil. 25 sampel obat yang lain akan diramalkan dengan beberapa metode peramalan kuantitatif agar akurasinya dapat diperlihatkan secara ilmiah dengan standard error of forecast. Data historis permintaan digambarkan melalui grafik untuk melihat variasi musiman, siklis, dan kecenderungan. Perubahan permintaan dari waktu ke waktu dapat dilihat pada Lampiran 2.
Dapat dilihat bahwa variasi jumlah cukup besar dengan rata-rata konstan.
Tidak ada variasi musiman dan siklis yang cukup besar dari 25 sampel obat yang tidak lumpy. Karena itulah, metode pemulusan eksponensial tunggal menjadi salah satu metode peramalan yang dipilih. Metode ini memberikan performa baik ketika dipakai pada pola deret waktu, atau pada pola permintaan yang perubahan kecenderungan dan musimannya tidak besar3. Karena variasi jumlah dari data historis cukup besar, konstanta a yang menjadi parameter kontrol adalah dari 0,1 hingga 1 dengan jarak 0,1. Data historis yang dipakai adalah 52 minggu, dengan ramalan periode minggu kedua adalah sama dengan permintaan aktual periode minggu pertama (naive method).
Sebagai perbandingan, metode rata-rata bergerak juga dipilih untuk meramalkan permintaan obat karena saat ini proses peramalan yang dilakukan di RS adalah berdasarkan rata-rata bergerak dengan periode musiman 4 minggu/1 bulan. Pada akhirnya akan dilihat apakah pemakaian metode ini memberikan akurasi yang baik jika dibandingkan dengan metode pemulusan eksponensial tunggal. Untuk melihat pengaruh pemilihan parameter periode musiman, pada
42
penelitian ini periode musiman yang dipakai adalah dari 4 minggu sampai 12 minggu dengan jarak 2 minggu. Ringkasan parameter yang dipakai pada penelitian ini adalah seperti pada Tabel 4.2.
Tabel 4.2.Parameter Kontrol dan Asumsi Ramalan Periode Pertama Peramalan Permintaan
Lumpy Peramalan Permintaan Tidak Lumpy
Metode Croston Pemulusan Eksp.
Tunggal Rata-rata Bergerak Alpha
(a) Ramalan Pertama
Alpha (a)
Ramalan pertama
(p1)
Seasonal period (r)
Ramalan pertama (p1) 0.1
Ramalan jumlah permintaan
= dan Jarak antar periode dengan permintaan
tidak nol =
0.1
=
4 =
0.2 0.2 4
0.3 0.3
6 =
0.4 0.4 6
0.5 0.5
8 =
0.6 0.6 8
0.7 0.7
10 =
0.8 0.8 10
0.9 0.9
12 =
1 1 12
Peramalan obat ini dihitung dengan alat bantu Ms. Excel with VBA.Waktu rata-rata yang dibutuhkan untuk meramalkan 1 sampel obat adalah 60 detik.
Hasilnya berupa berapa angka ramalan, standard error of forecast dan metode serta parameter peramalan mana yang terbaik untuk sampel obat tersebut. Untuk mendapatkan akurasi terbaik, ramalan harus diperbarui setiap minggu karena setiap minggu ada 1 data permintaan aktual yang masuk. Hasil ramalan ini dipakai dalam jangka waktu pendek karena hasil ramalan merupakan perkiraan rata-rata permintaan yang akan datang. Parameter dengan standard error of
forecast terkecil yang terpilih dapat dilihat pada Tabel 4.3, sedangkan perbandingan standard error of forecast dari semua parameter secara lengkap dapat dilihat pada Lampiran 3 dan Lampiran 4.
Tabel 4.3.Hasil Ramalan untuk Minggu I Januari 2010
Metode yang terbaik pada sampel obat yang satu dengan yang lainnya belum tentu sama. Untuk permintaan yang tidak lumpy, metode yang paling sering terpilih adalah rata-rata bergerak dengan periode musiman 8 minggu/2 bulan dan 10 minggu/2 bulan 2 minggu. Untuk permintaan yang lumpy, parameter metode Croston yang paling sering terpilih adalah a= 0.1.