ANALISIS PERAMALAN PERMINTAAN FMCG PADA PASAR MODERN DENGAN MEMPERTIMBANGKAN NILAI PERSEDIAAN

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 sekurangkurangnya 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 desa.

Analisis peramalan..., Emiliana, FT UI, 2013

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.

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 Masalah Pada tahap ini, dilakukan identifikasi masalah yang sesuai dengan topik penelitian yang akan dibahas, menentukan tujuan dan metodologi penelitian.  Studi Literatur dan Pemahaman Konsep Tahapan ini mengarah pada penyusunan dasar teori yang mendukung dalam penelitian ini.  Pengumpulan Data Penelitian Data 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

Menentukan topik penelitian

Studi literatur, observasi, dan hasil diskusi dengan pembimbing

Mendefinisikan permasalahan

Menentukan tujuan dan metodologi

Studi Literatur dan Pemahaman Konsep

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.

Pengumpulan Data Penelitian

Metode Penelitian

Konsep Neural Netwrok dan implementasi pada forecasting

Teori persediaan Menyusun dasar teori dari studi literatur Konsep Manajemen Rantai Pasok dalam industri FMCG

Teori peramalan

Faktor-faktor yang mempengaruhi peramalan

Menentukan faktorfaktor sebagai variabel yang mempengaruhi peramalan pada industri FMCG

Data dari suatu industri FMCG di Indonesia

Mengumpulkan data yang diperlukan dari berbagai sumber

Proses peramalan industri FMCG dengan Carrefour

Melakukan observasi langsung dan wawancara terhadap pihak terkait

Data dari suatu industri FMCG di Indonesia

Pengolahan Data

2.

Identifikasi Masalah

Mulai

Melakukan perhitungan peramalan dengan metode Neural Network

Prinsip Neural Network untuk peramalan

Menghitung jumlah persediaan yang paling ideal untuk Carrefour

Prinsip persediaan berdasarkan ketepatan peramalan

A

Gambar 1. Diagram alir metode penelitian

Analisis peramalan..., Emiliana, FT UI, 2013

 Pengolahan Data Tahap pengolahan data merupakan tahap perhitungan peramalan untuk permintaan Modern Trade kepada suatu perusahaan FMCG dan perhitungan persediaan yang ideal berbasiskan tingkat ketepatan peramalan.  Analisis Hasil Pada 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 Saran Pada 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

A

Analisis Hasil

Analisis hasil perhitungan

Membandingkan hasil perhitungan dengan data aktual

Membandingkan hasil perhitungan dengan perhitungan yang digunakan oleh inudustri FMCG

Kesimpulan dan Saran

Data dari suatu industri FMCG di Indonesia

Prinsip statistika untuk parameter ketepatan peramalan

Membuat kesimpulan dan saran

Selesai

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 Peramalan Dalam 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

Analisis peramalan..., Emiliana, FT UI, 2013

dengan metode yang digunakan oleh perusahaan FMCG yang diteliti (8.11E+06). Tabel 3. Perbandingan nilai FA terhadap data peramalan 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.

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%

Tabel 2. Perbandingan nilai MAPE terhadap data

F

85.62%

32.07%

peramalan

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%

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.

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.

 Analisis Perhitungan Persediaan

Analisis peramalan..., Emiliana, FT UI, 2013

Perhitungan jumlah persediaan yang paling optimal di Modern Trade didasarkan pada ketepatan hasil peramalan dihitung dengan persamaan : √(

D: S1:

L:

S2:

Sl:

) (

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

(1) Permintaan rata-rata setiap periode (minggu) berdasarkan data historis Standar deviasi dari tingkat error pada peramalan, dihitung dalam bentuk MAD (Mean Absolute Deviation) Supply lead time rata-rata, waktu uang dibutuhkan dari pemesanan hingga barang sampai ke customer Standar deviasi dari supply lead time, berdasarkan analisis dari data historis lead time yang ada 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 Factor Pada 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),

Dari tabel 4 di atas dapat dilihat bahwa dari nilai ratarata 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 FA (Forecast Accuracy). Ketiganya memiliki fungsi

Analisis peramalan..., Emiliana, FT UI, 2013

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).

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

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.

Analisis peramalan..., Emiliana, FT UI, 2013