Jurnal Agroekoteknologi dan Agribisnis.
Vol.
2 No.
1 Edisi Desember 2018
PEMILIHAN METODE PERAMALAN DALAM MANAJEMEN PERSEDIAAN
PRODUK PERTANIAN
(Studi Kasus pada Locarvest di Kota Bandun.
Selection Of Forecasting Method In Management Inventory Of Agricultural Products (Case Study at Locarvest in Bandun.
Arfina Samangi.
dan Tomy Perdana.
Mahasiswa Program Studi Agribisnis.
Fakultas Pertanian.
Universitas Padjajdaran Dosen Program Studi Agribisnis.
Fakultas Pertanian.
Universitas Padjajdaran Korespondensi Penulis.
Email: arfina28@gmail.
Diterima: Maret 2018
Disetujui terbit: April 2018
ABSTRACT
West Java has cluster of horticulture developed by Padjadjaran University in Lembang and Pangalengan.
In 2017.
Padjadjaran University in collaboration with TU-Delf, an engineering university in the Netherlands, to create a value co-creation workshop in Ciwidey Sub-district with output forming a vegetable cluster in Ciwidey.
In December 2017, two farmer groups that have been established begin to deliver to the modern market through vendors.
Locarvest.
The buying and selling system agreed by Locarvest and the modern markets is buying and selling where unsold products will be replaced with fresh produce on subsequent shipments.
The sale system is very detrimental to Locarvest if there are many vegetables that are returned and cannot be sold anymore because they have deteriorated.
Therefore.
Locarvest needs to have the ability to forecast market demand to compute the number of product returns.
The method used is the time series method with the model forecasting Simple Moving Average.
Weighted Moving Average.
Basic Exponential Smoothing.
Holt, and Arima.
The results of this study show the best forecasting model to forecast Locarvest product demand is Weighted Moving Average.
The results of the forecasting model can decrease the number of returns by 62.
56% from 1,028 packs to 644 packs.
In addition, the bullwhip effect also declined by 65 from 1.
38 to 0,73.
Keywords: Bullwhip Effect.
Forecasting.
Sale of Vegetables.
Time Series ABSTRAK Jawa Barat memiliki klaster hortikultura yang dibina oleh Universitas Padjadjaran di Lembang dan Pangalengan.
Pada tahun 2017.
Universitas Padjadjaran bekerja sama dengan TU-Delf, sebuah universitas teknik di Belanda, untuk membuat sebuah workshop value co-creation di Kecamatan Ciwidey dengan output membentuk suatu klaster sayuran di Ciwidey.
Pada Desember 2017, dua kelompok tani yang telah dibentuk mulai melakukan pengiriman ke pasar modern melalui vendor.
Locarvest.
Sistem jual beli yang disepakati oleh Locarvest dan pasar-pasar modern adalah jual beli tukar guling dimana produk yang tidak terjual akan diganti dengan produk segar pada pengiriman Sistem penjualan tersebut sangat merugikan Locarvest apabila terdapat banyak sayuran yang dikembalikan dan tidak bisa dijual lagi karena telah mengalami deteriorasi.
Oleh karena itu.
Locarvest perlu memiliki kemampuan meramal permintaan pasar untuk mengarangi jumlah pengembalian produk.
Metode yang digunakan adalah metode time series dengan model peramalan Simple Moving Average.
Weighted Moving Average.
Basic Exponential Smoothing.
Holt, dan Arima.
Hasil penelitian ini menunjukkan model peramalan terbaik untuk meramal permintaan produk Locarvest adalah Weighted Moving Average.
Hasil model peramalan dapat menurunkan jumlah retur sebesar 62,56% dari 1.
028 pack menjadi 644 pack.
Selain itu, nilai bullwhip effect juga menurun sebesar 0,65 dari 1,38 menjadi 0,73.
Kata Kunci: Bullwhip Effect.
Peramalan.
Penjualan Sayuran.
Time Series Jurnal Agroekoteknologi dan Agribisnis.
Vol.
2 No.
1 Edisi Desember 2018
PENDAHULUAN
Indonesia sebagai negara agraris masih mengandalkan bidang pertanian khususnya pada perdesaan.
Jumlah tenaga kerja sektor pertanian .
angan, perkebunan, hortikultura, dan peternaka.
pada Februari 2017 adalah 36,96 juta orang atau 29,67% dari total tenaga kerja Indonesia dengan proporsi paling sedikit ada pada sub sektor hortikultura sebesar 9,14% dari total tenaga kerja sektor pertanian (Kementerian Pertanian, 2.
Jawa Barat adalah salah satu provinsi hortikultura tertinggi yang juga merupakan salah satu sentra produksi hortikultura.
Jawa Barat memiliki dua klaster hortikultura yang dibina oleh Universitas Padjajdaran, yaitu Kelompok Tani Katata dan Lembang Agri.
Pada tahun 2017.
Universitas Padjadjaran bekerja sama dengan TU-Delf, sebuah universitas teknik di Belanda, untuk membuat sebuah workshop value co-creation di Kecamatan Ciwidey dengan output-nya membentuk suatu klaster sayuran di Ciwidey.
Pada Oktober 2017, telah terbentuk dua kelompok tani sayuran di Ciwidey dan akan mulai memasok sayuran ke pasar modern pada Desember 2017 melalui vendor yaitu.
Locarvest.
Locarvest adalah sebuah perusahaan memotong/memperpendek rantai pasok dan mengintegrasikan antara petani dan Locarvest telah menyuplai sayuran dari dua kelompok tani di Ciwidey ke beberapa pasar modern di Bandung pada kategori produk sayuran Rp 000/pack.
Perjanjian jual beli yang disepakati antara Locarvest dan pasarpasar modern pada produk sayuran Rp 000/pack tersebut adalah sistem jual beli tukar guling.
Dalam sistem jual beli ini, sayuran yang tidak terjual atau busuk akan diganti oleh Locarvest dengan produk segar yang baru pada pengiriman Pihak pasar modern hanya akan membayar sejumlah sayuran yang Sistem penjualan tersebut sangat merugikan Locarvest apabila terdapat banyak sayuran yang dikembalikan dan tidak bisa dijual lagi karena telah Walaupun Locarvest belum memenuhi jumlah pre-order pasar modern, hampir selalu terjadi pengembalian produk baik dalam jumlah banyak atau sedikit.
Permintaan konsumen yang cenderung berubah atau tidak tetap kuantitasnya dapat menyebabkan bullwhip effect .
tau efek cambu.
yang terjadi dalam rantai pasok karena permintaan dari konsumen mengalami perubahan .
Sehingga pihak pasar modern selalu melakukan pemesanan melebihi daya serap pasar.
Bullwhip effect atau efek cambuk adalah fenomena dimana pesanan pemasok cenderung memiliki varian yang lebih besar daripada pesanan dari pembeli yang juga disebut 'efek Forrester', nama peneliti yang menemukannya .
an der Vorst, et.
Oleh karena itu.
Locarvest perlu keputusan mengenai jumlah pesanan yang akan dikirim guna meminimalisir jumlah pengembalian produk.
Penelitian melakukan peramalan konsumen adalah Borade dan Bansod .
Yang dan Hu .
Furqon .
Yuniastari dan Wirawan .
Kusuma .
Esriska dan Nizam .
Gusdian.
Muis, dan Lamusa .
dan Hasanah .
METODE PENELITIAN
Penelitian ini dilaksanakan dari bulan Desember 2017 sampai dengan bulan Juli
PEMILIHAN METODE PERAMALAN DALAM MANAJEMEN PERSEDIAAN PRODUK PERTANIAN,
Arfina Samangi.
Tomy Perdana 2018 di Bandung.
Jawa Barat.
Sumber data dalam penelitian merupakan data Data diperoleh langsung dari data penjualan dan pengembalian produk dari Locarvest.
Metode yang digunakan adalah time series yang menggunakan 40 data historis Kinerja hasil peramalan model-model tersebut akan diukur akurasi peramalannya dan model dengan akurasi peramalan paling mendekati data aktual akan dipilih sebagai model peramalan permintaan produk Locarvest.
Peramalan Peramalan memperkirakan kejadian masa depan dengan mentransmisikan data masa lalu yang digabungkan secara sistematis dengan cara yang telah ditentukan (Gor.
Terdapat peramalan untuk data times series, yaitu rata-rata eksponensial.
Model Holt (Blocher.
Model Arima (Wei, 2.
Rata-rata bergerak .
oving avarg.
Rata-rata .
imple moving averag.
Ocycuycn=0 yaycOeycn yayc 1 = ycu ycycuycycyco ycn = 0,1,2.
A , ycu Oe 1 Rata-rata tertimbang/terbobot .
eighted moving averag.
ycu yayc 1 = Oc ycOycOeycn yaycOeycn ycn=0 ycycuycycyco ycn = 0,1,2.
A , ycu Oe 1 Penghalusan eksponensial .
xponential yayc 1 = yuyayc .
Oe yu )yayc Model peramalan dua komponen (Trend-Enhance.
atau Model Holt yayc 1 = yayc ycNyc yayc = yuyayc .
Oe yu ).
aycOe1 ycNycOe1 ) ycNyc = yu.
ayc Oe yaycOe1 ) .
Oe y.
ycNycOe1 dimana Ft 1: Peramalan permintaan untuk periode t 1.
Dt-i: Permintaan aktual pada periode t-i .
ntuk i = 0,1,2,.
,n-.
Jumlah periode.
W t-i: Bobot yang ditekankan pada setiap data aktual untuk setiap periode dengan total bobot adalah 1 .
ntuk i = 0,1,2,A,n-.
Lt: Estimasi level permintaan pada periode t.
Tt: Tren permintaan pada periode t.
: Parameter penghalus .
< yu < .
untuk komponen level permintaan.
dan : Parameter penghalus .
< < .
untuk komponen tren permintaan.
ARIMA
Persamaan ARIMA.
,d,.
Oe yaA)ycc OIycy .
aA)ycsyc = yuN yuEyc .
aA)ycayc Dimana ycsyc : Variabel dependen.
B: Back shift operator .
OIycy .
aA): Back shift operator AR dalam bentuk polinomial .
Oe OI1 yaA Oe U Oe OIycy yaAycy ).
yuE .
aA): Back shift operator MA dalam bentuk polinomial .
Oe yuE1 yaA Oe U Oe yuEycy yaAycy ).
dan ycayc : error pada waktu t Tahap peramalan ARIMA:
Identifikasi data Identifikasi data dilakukan dapat dilakukan dengan membuat plot data untuk memastikan data telah stasioner terhadap mean dan Uji akar unit (Augmented Dickey-Fulle.
dapat digunakan untuk menguji data stationer terhadap mean.
Box-Cox Transformation dapat digunakan untuk memastikan apakah data telah stasioner terhadap varian.
Identifikasi model sementara dapat dilakukan dengan melihat pola fungsi autokorelasi (ACF) dan autokorelasi parsial (PACF).
Jurnal Agroekoteknologi dan Agribisnis.
Vol.
2 No.
1 Edisi Desember 2018 .
Estimasi parameter Setelah sementara, nilai parameter setiap model akan diestimasi.
Ada dua metode yang dapat digunakan untuk mencari nilai estimasi, yaitu Maximum Likelihood Estimation dan Least Square.
Pemeriksaan model dengan uji Uji diagnostik dilakukan dengan uji asumsi white noise dan uji Uji asumsi white noise dapat dilakukan menggunakan Ljung-Box dengan hipotesis: H0 tidak ada korelasi residual antar lag.
dan H1 ada korelasi residual antar Uji normalitas untuk melihat dengan uji Kolmorogov-Smirnov dengan hipotesis: H0 residual berdistribusi normal.
dan H1 residual tidak berdistribusi normal.
Pengukuran Kinerja Peramalan Pengukuran kinerja peramalan sangat permintaan aktualnya karena peramalan selalu salah, estimasi ketidakakuratan peramalan sangat mambantu sebagai perkiraan permintaan yang diharapkan (Blocher.
, et.
Deviasi rata-rata Absolute Deviation-MAD) (Mean ycu ycAyayaycu = O.
yayc | ycu yc=1 Kesalahan persen rata-rata absolut (Mean Absolute Persentage ErrorMAPE) ycu yayc ycAyaycEyaycu = Oc | | y 100 ycu yayc yc=1 Kesalahan rata-rata Squared Error-MSE) (Mean ycu ycAycIyaycu = Oc yayc2 ycu yc=1 Dimana Et: Kesalahan peramalan permintaan periode t.
Dt: Permintaan aktual pada periode t.
n: Jumlah periode.
Menghitung Bullwhip Effect Berikut matematika untuk menghitung bullwhip yaycOycu yaAya = yaycOycc yaycOycu = ycIycu ycAycycu dan yaycOycc = ycIycc ycAycycc Dimana BE: Bullwhip Effect.
CVo:
koefisien variansi pesanan.
CVd: koefisien variansi permintaan.
So: Standar deviasi Sd: Standar deviasi permintaan.
Muo: Nilai rata-rata pesanan.
Mud: Nilai rata-rata permintaan HASIL DAN PEMBAHASAN Hasil Perhitungan Model Peramalan Permintaan Model permintaan peramalan akan digunakan untuk memproyeksi permintaan yang juga menentukan kuantitas barang yang akan dipesan.
Sebelum menentukan permintaan, terlebih dahulu akan dipilih hasilnya mendekati permintaan real pasar dengan nilai error yang kecil.
Perhitungan permintaan peramalan akan menggunakan historis data permintaan dari 16 Januari Ae 28 April 2018.
Berikut ini adalah model peramalan untuk memproyeksi permintaan pasar dengan menggunakan beberapa model peramalan time series:
Simple Moving Average Pada model ini, digunakan lima data penjualan terakhir untuk memproyeksi permintaan dengan nilai MAD adalah 38,47.
PEMILIHAN METODE PERAMALAN DALAM MANAJEMEN PERSEDIAAN PRODUK PERTANIAN,
Arfina Samangi.
Tomy Perdana Gambar 1.
Perbandingan data penjualan dan hasil peramalan dengan model moving average Gambar 1 Perbandingan data penjualan dan hasil peramalan dengan Weighted Moving Average Model Weighted Moving Average dibuat penjualan terakhir dengan bobot untuk data paling baru sampai data paling lama secara berturut-turut adalah 0,4, 0,1, 0,1, 0,3 dan 0,1.
Kelima nilai bobot tersebut merupakan nilai optimal dengan nilai error MAD paling kecil pada percobaan yang dilakukan, yaitu 37.
Basic Exponential Smoothing Model Basic Exponential Smoothing menggunakan parameter alpha sebagai parameter penghalusnya.
Nilai alpha yang optimal didapat dari pengolahan pada Minitab adalah 0,28.
Gambar 2.
Perbandingan data penjualan dan hasil peramalan dengan Gambar 3 Perbandingan data penjualan dan hasil peramalan dengan model Holt Holt Peramalan Holt penghalus, yaitu alpha dan beta.
Nilai alpha dan beta yang optimal didapat dari pengolahan pada Minitab adalah 0,47 dan 0,07.
Nilai dasar untuk level dan tren pada pengolahan di Ms.
Excel didapat dari nilai intercerp dan slope dengan rumus regresi, yaitu 127 untuk nilai L0 dan 1,46 untuk nilai T0.
Berikut ini adalah hasil proyeksi permintaannya:
ARIMA
Hasil identifikasi data menggunakan uji akar unit (Augmented Dickey Fulle.
menunjukkan nilai p lebih kecil dari 5%, maka data telah stasioner terhadap Transformasi Boc-Cox menunjukkan rounded value sama dengan satu, maka data juga sudah stasioner terhadap mean dan varian.
Jurnal Agroekoteknologi dan Agribisnis.
Vol.
2 No.
1 Edisi Desember 2018 Autocorrelation Function for Data .
ith 5% significance limits for the autocorrelation.
Autocorrelation -0,2 -0,4 -0,6 -0,8 -1,0 Lag Gambar 7.
Autokorelasi (ACF) Partial Autocorrelation Function for Data .
ith 5% significance limits for the partial autocorrelation.
Gambar 5.
Hasil uji akar unit Partial Autocorrelation -0,2 -0,4 -0,6 -0,8 -1,0 Lag Gambar 8.
Autokorelasi Parsial (PACF) Gambar 6.
Transformasi Box-Cox Hasil fungsi ACF dan PACF di atas menunjukkan bahwa lag pada ACF terpotong setelah lag ke-4 dan lag pada lag PACF mengalami penurunan.
Dari fungsi ACF dan PACF ini, maka model sementara yang dipilih adalah ARIMA .
,0,.
ARIMA
,0,.
ARIMA .
,0,.
ARIMA .
,0,.
ARIMA .
,0,.
ARIMA .
,0,.
ARIMA
,0,.
ARIMA .
,0,.
Hasil analisis signifikansi parameter dan pengecekan diagnotik dari delapan model tersebut terdapat pada tabel 3.
Tabel 1.
Pengujian model ARIMA Model ARIMA .
,0,.
ARIMA .
,0,.
ARIMA .
,0,.
ARIMA .
,0,.
ARIMA .
,0,.
ARIMA .
,0,.
ARIMA .
,0,.
ARIMA .
,0,.
Parameter Signifikan Signifikan Signifikan Signifikan Signifikan Tidak Signifikan Tidak Signifikan Tidak Signifikan Model ARIMA .
,0,.
dipilih dari Uji Normalitas Normal Normal Normal Normal Normal Normal Normal Normal Uji White Noise Tidak White Noise Tidak White Noise Tidak White Noise Tidak White Noise White Noise White Noise White Noise White Noise berdistribusi normal .
ji normalita.
, dan PEMILIHAN METODE PERAMALAN DALAM MANAJEMEN PERSEDIAAN PRODUK PERTANIAN.
Arfina Samangi.
Tomy Perdana tidak ada korelasi antar lag .
ji white Hasil peramalan permintaan model ARIMA .
,0,.
adalah sebagai berikut:
Gambar 9.
Perbandingan data penjualan dan hasil peramalan dengan model ARIMA .
,0,.
Kinerja Model Peramalan Model peramalan terbaik adalah model peramalan yang hasilnya mendekati nilai real permintaan.
Pemilihan model peramalan terbaik dapat dilakukan dengan mengukur kinerja peramalannya.
Berikut ini adalah perbandingan kinerja peramalan setiap model peramalan:
peramalan tersebut kepada petani sebagai jumlah pesanan yang akan didistribusikan ke pasar modern tanpa menunggu preorder dari pasar .
iasanya pre-order dari pasar baru keluar H-1 pengirima.
Hal ini menjadi lebih efektif bagi petani untuk menyiapkan produk sesuai pesanan karena selain mereka harus menyiapkan jumlah sayuran segar sesuai pesanan dan Kehilangan Locarvest Jumlah retur dari hasil peramalan permintaan model wieghted moving average menunjukkan adanya penurunan sebesar 62,6%.
Total retur aktual dari 2 FebruariAe28 April 2018 adalah 1.
028 pack, sedangkan total retur apabila melakukan pengiriman berdasarkan hasil peramalan adalah 644 pack.
Namun dengan hasil peramalan Locarvest juga mengalami kehilangan penjualan sebesar 664 pack.
Tabel 2.
Pengukuran Kinerja Model Peramalan Model peramalan Simple Moving Average Weighted Moving Average Basic Smoothing Exponential Holt
ARIMA
MAPE
33,2%
32,4%
51,2%
51,4%
51,5%
MSE
Tabel di atas menunjukkan kinerja setiap model peramalan.
Nilai MAPE memperhatikan nilai error yang negatif atau Nilai MSE merupakan kuadrat dari nilai error sehingga setiap nilainya diberikan bobot lebih untuk dapat memberikan perbedaan makna error yang Oleh karena tujuan dari model peramalan ini adalah mengurangi jumlah retur, maka akan dipilih model wieghted moving average dengan nilai MAPE terendah dan nilai MSE yang juga masih Setelah model peramalan dipilih.
Locarvest dapat melakukan peramalan Retur dari produk sayuran pada Locarvest biasanya sudah busuk/rusak sebagian sehingga tidak dapat dipasarkan Oleh karena itu, kerugian Locarvest akibat adanya produk retur adalah total produk retur dikali dengan harga beli produk tersebut dari petani di Ciwidey sebesar Rp 3.
750,-/pack.
Maka didapat total kerugian Locarvest dengan adanya 000,-.
Sedangkan total kerugian Locarvest akibat adanya data retur dengan model peramalan adalah Rp 2.
000,-.
Jika diasumsikan keuntungan per pack adalah Rp 350,-, maka kerugian akibat kehilangan penjualan Locarvest dengan model peramalan adalah Rp 232.
400,-.
Total Locarvest menggunakan model peramalan adalah Rp 400,-.
Jurnal Agroekoteknologi dan Agribisnis.
Vol.
2 No.
1 Edisi Desember 2018 Bullwhip Effect Pada sistem aktual.
Locarvest masih menunggu pesanan dari pasar modern untuk penentu jumlah pengiriman.
Pasar akan meminta pesanan dalam jumlah banyak dan tidak dapat memprediksi terjadinya bullwhip effect.
Hasil nilai dibandingkan dengan pesanan dari pasar bullwhip effect.
Hal ini dapat dibandingkan dengan nilai bullwhip effect pada Tabel 3.
Tabel 3.
Perbandingan Nilai Bullwhip Effect untuk Data Aktual dan Peramalan Keterangan Rata-rata Standar deviasi Koeefisien variansi Bullwhip effect Data aktual Pemesanan Permintaan 381,1429 159,9714 166,1038 50,6252 0,435805 0,316464 1,377106417 Science and Engineering Management.
Vol 4 .
: 270-280.
PENUTUP
Simpulan Model proyeksi peramalan permintaan dapat digunakan untuk memprediksi permintaan konsumen sehingga Locarvest dapat meminimalisir jumlah retur.
Dari lima jenis model peramalan, wighted moving average adalah model peramalan dengan nilai MAPE terendah dan MSE terendah Hasil model peramalan dapat menurunkan jumlah retur dan bullwhip effect yang terjadi pada Locarvest.
Saran Sebaiknya Locarvest kesepakatan pada kontrak jual beli tukar guling dimana Locarvest adalah pihak yang menentukan jumlah pengiriman produk karena kerugian akibat adanya produk retur ditanggung oleh Locarvest.
DAFTAR PUSTAKA