PERAMALAN PERMINTAAN DAN PERENCANAAN PRODUKSI DENGAN MEMPERTIMBANGKAN SPECIAL EVENT DI PT. COCA-COLA BOTTLING INDONESIA (PT. CCBI) PLANT-PANDAAN

PERAMALAN PERMINTAAN DAN PERENCANAAN PRODUKSI DENGAN MEMPERTIMBANGKAN SPECIAL EVENT DI PT. COCA-COLA BOTTLING INDONESIA (PT. CCBI) PLANT-PANDAAN Ilsan Nur Putra, I Nyoman Pujawan, Niniet Indah Arvitrida Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111 Email : [email protected] ; [email protected] ; [email protected]

ABSTRAK Ketidakakuratan ramalan merupakan isu yang paling fundamental dalam proses perencanaan produksi pada Perusahaan Make To Stock (MTS). Pada PT. Coca-Cola Bottling Indonesia Plant Pandaan, pengaruh tersebut akan berdampak pada tingginya tingkat persediaan atau terjadi kekurangan stok di pasar yang diakibatkan oleh perencanaan produksi yang tidak akurat. Penyebabnya adalah manajemen event yang tidak baik diperusahaan. Pemilihan metode peramalan dengan mengikut sertakan variabel pengaruh special event, diharapkan dapat lebih akurat dalam mendeskripsikan kondisi permintaan yang lebih riil. Output dari proses peramalan tersebut kemudian digunakan untuk menjadi input untuk pembuatan Master Production Schedule (MPS) setiap produk dalam proses perencanaan produksinya. Hasil yang didapatkan dalam penelitian tugas akhir ini, bahwa special event memiliki kontribusi yang signifikan dalam mempengaruhi permintaan. Penerapan metode peramalan dengan mempertimbangkan special event dapat meningkatkan akurasi ramalan untuk masing-masing produk mencapai 5-10%. Dan dapat melakukan penghematan dari segi total biaya sebesar 40% dalam hal perencanaan produksinya. Kata Kunci : Peramalan, Perencanaan Produksi, Special Event ABSTRACT Forecasts inaccuracy is the most fundamental issues for production planning process, especially at the Make to Stock (MTS) Company. At PT. Coca-Cola Bottling Plant Pandaan Indonesia, the effect will impact on the high level of inventory or shortage in the market caused by the inaccurate production planning. This happen due to event management at the company has not well established. The selection forecasting method by considering the special event impact variable, is expected to be more accurate in describing the real demand. The output of the forecasting process is then used as input for Master Production Schedule (MPS) of each product in the production process. The results show that the special event has a significant contribution in influencing demand. Application of forecasting methods by considering the special event can improve the accuracy of forecasts for each product of 5-10%. On the other hand, total cost saving can be achieved as much as 40% in terms of production planning. Keywords: Forecast, Production planning, Special Event 1.

PENDAHULUAN PT. Coca Cola Bottling Indonesia (PT. CCBI) merupakan perusahaan manufaktur yang bergerak dalam bidang industri minuman ringan. Produk-produk yang dihasilkan oleh PT. CCBI sangat diminati oleh konsumennya. Dari segi branding, PT. CCBI yang merupakan perusahaan terbesar penghasil minuman berkarbonasi di Indonesia yang namanya sudah tidak asing lagi disemua lapisan masyarakat. Tingginya permintaan

disaat-saat tertentu seperti lebaran, natal, hari raya agama lain dikarenakan konsumen membutuhkan produk yang siap untuk disajikan. General Sales Marketing Manager PT. CCBI Setyo Adi Nugroho mengatakan bahwa kebutuhan pelanggan dari tahunketahun terus mengalami peningkatan. Apalagi pada saat lebaran, setiap tahunnya meningkat 30 persen dari kebutuhan tahun sebelumnya. Sehingga pada setiap hari raya Idul Fitri, Coca-Cola menambah pasokan 2 kali lipat 1

dibanding bulan sebelumnya (Kaltim Post, 2009). Tetapi tidak hanya untuk hari raya keagamaan saja, banyak hal yang mungkin bisa saja sangat mempengaruhi tingkat permintaan seperti faktor promosi, strategi perlawanan dari kompetitor, dan banyak hal lainnya. Seperti yang diungkapkan oleh Dwi Harjono General Manager East Java PT. Coca Cola Distribution yang menggunakan momentum Pesta Demokrasi Pemilu 2009 sebagai ajang untuk mendongkrak penjualan lewat promosi produk baru (Surya, 2009). Fluktuasi permintaan pada event-event tersebut sangat berpengaruh terhadap akurasi ramalan yang dilakukan oleh CCBI. Seperti data yang disajikan pada tabel 1, rendahnya akurasi peramalan diakibatkan penggunaan metode Moving Average (MA) oleh perusahaan yang tidak mengakomodasi pengaruh event terhadap permintaan konsumen yang terjadi dalam periode tertentu Tabel 1. Tabel Prosentase Akurasi Peramalan (Sumber : PT. CCBI Plant Pandaan)

Tahun 2005 2006 2007 2008 2009

Prosentase (%) 82 % 85 % 85 % 88 % 86 %

Selain itu, ketika tidak terjadi manajemen permintaan serta manajemen event yang baik, perusahaan akan mengalami kekurangan persediaan barang untuk bisa memenuhi permintaan tersebut. Kebijakan yang diambil oleh perusahaan untuk meminimalisir terjadinya backlog di konsumen, yaitu peningkatan kapasitas produksi untuk dapat menutupi lonjakan permintaan di waktu-waktu tertentu. Tetapi kebijakan ini tidak didukung oleh perhitungan-perhitungan biaya-biaya lain yang harus dikeluarkan jika nantinya kapasitas produksi melebihi permintaan konsumen. Dari hal ini, awal permasalahan yang timbul diakibatkan tidak akuratnya peramalan permintaan konsumen yang berdampak pada perencanaan produksi yang tidak dapat responsif. Karena produksinya bisa saja tidak dapat memenuhi permintaan (backlog) atau bahkan melebihi dari permintaan yang ada (inventory).

Penerapan metode peramalan dengan mempertimbangkan pengaruh special event terhadap fluktuasi permintaan akan mengakomodasi perencanaan produksi yang lebih akurat. Perencanaan produksi dapat memperlihatkan dampak dari segi biaya yang dikeluarkan untuk Inventori dan biaya backlog pada sistem eksisting yang nantinya dibandingkan dengan sistem yang menggunakan metode peramalan dengan konsep manajemen permintaan pada setiap special event yang terjadi. Pada penelitian ini, hasil yang ingin dicapai adalah untuk mendapatkan metode peramalan permintaan yang dapat meningkatkan akurasi dari ramalannya. Yang nantinya akan berdampak terhadap rencana produksi dengan total biaya yang lebih murah dari pada rencana produksi eksisting. Selain itu, penelitian juga memberikan saran dan rekomendasi mengenai metode peramalan dengan mempertimbangkan special event yang diakomodasi dengan indeks special event yang menjadi dasar penentuan permintaan di periode tertentu. Batasan yang digunakan dalam penelitian ini antara lain : 1. Produk yang diamati adalah produk menggunakan kemasan Returnable Glass Bottle (RGB) antara lain CocaCola 193 ml, Sprite 200 ml, Fanta Strawberry 200 ml, Sprite 295 ml, Fanta Soda Water 295 ml, dan Frestea Jasmine 220 ml. 2. Special Event yang dimaksud adalah special event yang diperkirakan mempengaruhi penjualan secara signifikan yang telah didokumentasikan oleh perusahaan. 3. Evaluasi dari perencanaan produksi dilakukan untuk periode JanuariDesember 2009. Selain itu, terdapat beberapa asumsi yang digunakan dalam penelitian ini antara lain kekurangan barang pada suatu periode akan dipenuhi pada periode berikutnya. Dan biaya penyimpanan dan backlog adalah 30% dari harga jual produk. 2.

METODOLOGI Metodologi penelitian yang digunakan berisi mengenai langkah yang akan ditempuh selama penelitian dan berguna sebagai acuan agar berlangsung sistematis. 2

2.1. Tahap Identifikasi Masalah Pada tahapan ini dilakukan identifikasi masalah yang sedang terjadi pada sistem perencanaan produksi di PT. Coca Cola Bottling Indonesia, perumusan masalah yang ada dan tujuan dari penelitian Tugas Akhir ini. Setelah dilakukan studi literatur, selanjutnya akan dilakukan studi lapangan yaitu mempelajari keadaan nyata di perusahaan mulai dari proses peramalan permintaan hingga aktivitas perencanaan produksinya. Dan juga mempelajari pola permintaan yang terjadi pada saat-saat tertentu. 2.2. Tahap Pengumpulan dan Pengolahan Data Setelah tahap identifikasi permasalahan, tahap selanjutnya adalah tahapan pengumpulan dan pengolahan data sesuai dengan permasalahan yang dievaluasi di perusahaan. Tahap ini meliputi beberapa langkah-langkah yang dapat dijelaskan sebagai berikut : 2.2.1. Pengumpulan Data Pada tahapan ini dilakukan pengumpulan data-data yang diperlukan untuk mendukung hipotesa dari penelitian yang ingin dilakukan. Data-data yang dikumpulkan antara lain : a. Data sales produk (Mingguan) untuk periode 2006-2009 b. Data special event yang telah direcord oleh perusahaan pada tahun 2006-2009. c. Data kedatangan botol untuk setiap periodenya (mingguan). d. Data aktual produksi (Mingguan) periode 2009 e. Data Stock on Hand akhir periode 2008 Data-data tersebut dikumpulkan melalui pengamatan secara langsung, data sekunder dari perusahaan dan wawancara dengan pihak-pihak yang terkait dengan permasalahan ini. 2.2.2.

Pengolahan Data Proses pengolahan data dilakukan dengan dua tahapan yang harus dilakukan. Yaitu, melakukan peramalan tingkat permintaan diperiode mendatang dan membuat perencanaan produksi untuk tingkat permintaan dari hasil ramalan. Setelah dilakukan dua tahap inti tersebut, kemudian dilakukan perhitungan total biaya persediaan

dan backlog, dan rata-rata persediaan produk untuk setiap skenarionya. 2.2.2.1. Peramalan (Forecasting) Setelah data-data historis penjualan dikumpulkan kemudian dilakukan pengecekan pola dari data tersebut. Data tersebut termasuk pola data random, tren atau musiman. Tujuan dari pengecekan pola data ini untuk mengetahui metode peramalan yang tepat untuk menggambarkan kebutuhan di periode berikutnya. Setelah menentukan pola data historis yang ada, dilakukan perhitungan indeks untuk masing-masing special event yang telah dicatat oleh perusahaan. Special event yang terjadi seperti hari raya keagamaan, promosi, hari libur nasional, dll. Perhitungan indeks tersebut dilakukan dengan pendekatan metode peramalan berdasarkan musiman untuk setiap event-event yang ada. Setelah perhitungan indeks special event, kemudian dilakukan peramalan untuk kebutuhan dari masing-masing produk dengan menambahkan faktor indeks yang sudah dihitung sebelumnya. Peramalan ini juga memperbandingkan perfomansi dari metode eksisting dengan metode yang sesuai dengan pola data dan metode peramalan dengan event based. Selain itu, penelitian tugas akhir ini akan memberikan referensi tentang indeks special event yang terbaru untuk menjadi masukan dalam peramalan permintaan pada tahun 2010. 2.2.2.2. Rancangan Skenario Pada tahapan ini, peneliti membuat sebuah rancangan skenario yang digunakan dalam pengolahan data pada penelitian ini. Skenario ini digunakan untuk memberikan gambaran usulan yang nanti dilakukan perbandingan terhadap kondisi eksisting. Terdapat dua skenario yang digunakan, yaitu : 1. Pada pembuatan Master Production Schedule (MPS) yang menggunakan input dari hasil peramalan permintaan pada tahapan sebelumnya, tidak ada batasan jumlah botol pada saat perencanaannya. Skenario ini bermaksud untuk memberikan gambaran jika pada nantinya ketika ketersediaan dari botol tidak memiliki batasan maka dampaknya terhadap performansi perencanaan signifikan atau tidak. 2. Pada skenario yang kedua, variabel ketersediaan botol menjadikan batasan 3

nanti, akan diusulkan untuk target inventori dengan total biaya yang lebih rendah. 2.4.

Kesimpulan dan Saran Setelah melakukan analisis dari hasil pengolahan data, kemudian dari hasil tersebut ditarik kesimpulan-kesimpulan untuk menjawab dari tujuan penelitian tugas akhir ini. Sehingga manfaat-manfaat yang dapat diterima oleh perusahaan sesuai dengan ekspektasi di awal yang dapat diimplementasikan dalam saran-saran perbaikan. 3.

PERAMALAN Sebelum melakukan perencanaan produksi,untuk dapat membuat gambaran kebutuhan produksi di periode berikutnya dapat dilakukan dengan melakukan proses peramalan. Ada beberapa tahapan yang harus dilakukan dalam melakukan proses ramalan ini. 3.1. Identifikasi Pola Data Historis Data historis penjualan dari tahun 20062008 yang telah dikumpulkan kemudian dicari pola dari penjualan tersebut berdasarkan waktunya. Pengecekan pola data historis dapat dilakukan dengan 2 (dua) cara antara lain dengan menggunakan plot data historis. Pada gambar 1 adalah plot data historis untuk produk Coca-Cola 193 ml. Time Series Plot of S-Coca Cola 13000 12000 11000 S-Coca Cola

dalam melakukan perencanaan produksi untuk menentukan keputusan produksi disetiap periode. Dari skenario ini dapat melihat dampak langsung dari tingkat persediaan finished goods yang dimiliki oleh perusahaan 2.2.2.3. Perencanaan Produksi Setelah dilakukan peramalan kebutuhan, kemudian dilakukan pembuatan Master Production Schedule (MPS) untuk masing-masing Stock Keeping Unit (SKU) produk. Tujuan dari MPS ini sebagai rencana produksi yang dilakukan oleh bagian Planning untuk kemudian diimplementasikan sebagai keputusan dalam proses produksi oleh bagian produksi. Dalam pembuatan MPS terdapat dua skenario yang telah direncanakan. Untuk skenario yang pertama, MPS menggunakan input dari metode peramalan dengan mempertimbangkan pengaruh special event terhadap permintaan dan tidak memiliki batasan jumlah botol. Sedangkan untuk skenario yang kedua, dengan menggunakan peramalan permintaan dengan pengaruh event tetapi memiliki batasan jumlah botol yang tersedia di setiap periodenya. Untuk keputusan produksi yang diambil adalah minimum (MPS; jumlah botol). 2.2.2.4. Perhitungan Total Biaya Setelah dilakukan pembuatan MPS untuk setiap skenarionya, didapatkan total inventori dan backlog untuk setiap periodenya. Skenario yang dibandingkan yaitu, MPS kondisi eksisting dengan MPS skenario alternatif. Untuk setiap skenarionya, kemudian dihitung total biaya untuk inventori dan backlog yang dikeluarkan untuk periode waktu yang sama.

10000 9000 8000 7000 6000

2.3.

Analisis dan Pembahasan Pada tahapan ini, hasil dari pengolahan data di tahap sebelumnya dilakukan analisis serta pembahasannya. Hasil perhitungan untuk setiap skenario kemudian dibandingkan parameter-parameter performansi seperti tingkat persediaan (inventory) dan biaya persediaan dan backlog. Skenario yang dipilih yaitu skenario yang memiliki biaya penyimpanan yang paling murah. Selain itu, pada tahapan analisis ini, dilakukan analisis sensitivitas untuk perubahan target inventori yang telah ditetapkan sebelumnya oleh perusahaan. Pada akhirnya

5000 1

16

32

48

64

80 Index

96

112

128

144

Gambar 1. Plot Data Historis

Selain itu, pola juga dapat diindentifikasi dengan menggunakan analisis autokorelasi seperti pada gambar 2. Analisis ini menggunakan bantuan Software Minitab 14.0 dengan Autocorrelation Function. Dari hasil kedua analisis ini dapat ditentukan pola data masing-masing varian produk seperti pada tabel 2 yang nantinya digunakan sebagai dasar penentuan metode peramalan. 4

Autocorrelation Function for S-Coca Cola (with 5% significance limits for the autocorrelations) 1,0 0,8

A utocorrelation

0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1

10

20

30

40

50

60

70

80 Lag

90 100 110 120 130 140 150

Gambar 2. Autokorelasi Tabel 2. Rekapitulasi Pola Data Historis Produk No. Varian Produk Pola Data 1. Coca-Cola 193 ml Musiman 52 Minggu 2. Sprite 200 ml Musiman 52 Minggu 3. Fanta Strawberry Musiman 52 Minggu 200 ml 4. Sprite 295 ml Musiman 52 Minggu 5. Fanta Soda Water Musiman 52 Minggu 295 ml 6. Frestea Jasmine 220 Musiman 52 Minggu ml

3.2. Perhitungan Indeks Special Event Sebagai dasar dalam penentuan pengaruh dari special event, dapat diukur berdasarkan indeks dari event tersebut. Semakin besar indeksnya maka akan semakin besar pengaruhnya terhadap permintaan disuatu periode. perhitungan indeks tersebut menggunakan persamaan 1. =

(1)

Dimana: = Data aktual periode – t (minggu) = Indeks pada periode –t (minggu) = Diadjust (data hasil peramalan pada periode –t dengan menggunakan moving average dan exponential smoothing) Nilai Dt didapatkan dari hasil perhitungan dengan menggunakan metode peramalan dasar yaitu moving average 3 periode dan ekponential dengan α = 0,2. Dengan menggunakan perumusan 1, dapat menilai indeks dari masing-masing special event. Hasilnya adalah seperti pada tabel 3. Indeks ini untuk produk Sprite 200 ml dengan menggunakan pendekatan moving average. 3.3. Peramalan Berdasarkan hasil dari pola data historis didapatkan bahwa, pola data penjualan selama

kurun waktu 3 (tiga) tahun terakhir mengikuti pola musiman dalam 52 minggu. Menurut Hanke (2001) metode peramalan yang cocok untuk pola data musiman yaitu menggunakan Winter Eksponensial Smooting (WES) dan Decomposition. Selain metode konvensional tersebut, nantinya akan dibandingkan metode peramalan dengan menggunakan Event Based yang tidak di-drive oleh musim. Perbandingan menurut nilai error forecastnya. 3.3.1. Winter Exponential Smoothing (WES) Dengan menggunakan bantual software Minitab 14, dapat dihitungan perkiraan permintaan untuk periode 2009 yang dibandingkan dengan aktual penjualan untuk dapat dapat menghitung errornya. Pada tabel 4 adalah hasil perhitungan error untuk metode WES. Tabel 4. Rekapitulasi Error metode WES No. 1 2 3 4 5 6

Produk Coca-Cola 193 ml Sprite 200 ml Fanta Strawberry 200 ml Sprite 295 ml Fanta Soda Water 295 ml Frestea Jasmine 220 ml

MAD 3.313 4.663 4.338 2.431 2.815 4.533

Error MSE 16.270.585 30.974.232 26.560.644 9.132.478 11.662.301 28.573.847

MAPE 38% 28% 25% 7% 12% 20%

3.3.2.

Decomposition Sama halnya dengan metode WES, kita dapat menghitung nilai error metode ini dengan membandingkan hasil peramalan dengan data aktual penjualan tahun 2009. Hasil perhitungan errornya seperti pada tabel 5. Tabel 5. Rekapitulasi Error metode Decomposition No. 1 2 3 4 5 6

Produk Coca-Cola 193 ml Sprite 200 ml Fanta Strawberry 200 ml Sprite 295 ml Fanta Soda Water 295 ml Frestea Jasmine 220 ml

MAD 607 3.425 2.754 2.294 2.791 2.404

Error MSE 544.472 15.818.540 10.018.102 8.044.507 11.633.854 8.052.909

MAPE 8% 22% 17% 7% 11% 11%

3.3.3.

Event Based Metode peramalan Event Based adalah metode pendekatan peramalan permintaan berdasarkan special event yang terjadi di setiap periodenya. Yang berarti tinggi rendahnya permintaan akan berdasarkan indeks dari masing-masing event yang sudah dilakukan perhitungan di sub bab sebelumnya. Metode ini menggunakan persamaan umum pada persamaan 2. Dengan menggunakan pendekatan metode peramalan dasar. 5

Tabel 3. Rekapitulasi Indeks Special Event Sprite 200 ml Group Event

Event Idul Adha 1426 H Idul Adha 1427 H Idul Adha Idul Adha 1428 H Idul Adha Tahun Baru Imlek 2557 Tahun Baru Imlek Tahun Baru Imlek 2558 Tahun Baru Imlek 2559 Ultah Coca Cola ke 120 Ultah Coca-Cola Ultah Coca-Cola ke 121 Ultah Coca-Cola ke 122 Kompetisi Musik Rock & Dangdut Sprite D'Plong Kompetisi Music Rock & Dangdut Sprite Kompetisi Musik Rock & Dangdut Sprite D'Plong Kompetisi Musik Rock & Dangdut Sprite D'Plong Hanging Out Place With High School Hanging Out Place With High School Hanging Out Place With High School Hanging Out Place With High School Panen Tembakau Panen Tembakau Panen Tembakau Panen Tembakau Idul Fitri 1427 H Idul Fitri Idul Fitri 1428 H Idul Fitri 1429 H Coca-Cola Party Coca-Cola Party Coca-Cola Party Coca-Cola Party Supermarket Floor Display Supermarket Floor Display Supermarket Floor Display Supermarket Floor Display Natal dan Tahun Baru Natal dan Tahun Baru Natal dan Tahun Baru Natal dan Tahun Baru Piala Coca-Cola Promosi "3 Tutup Botol Bisa Jadi Jutawan Selama 5 Tahun!" Posko Mudik Segar ala Coca-Cola Promosi "FIFA World Cup 2006"

Metode peramalan yang dimaksud adalah menggunakan Moving Average Event Based (MAEB) dan Eksponential Smoothing (ESEB) berdasarkan nilai indeks untuk setiap metode untuk setiap eventnya. (2) = Dimana, Yt’ = Peramalan dengan Indeks pada periode -t It = Indeks Special Event pada periode – t Yt= Peramalan sebelum Indeks pada periode –t Dari persamaan 2 tersebut kita dapat menghitung nilai error masing-masing metodenya seperti pada tabel 6 dan 7. Tabel 6. Rekapitulasi Error metode MAEB No. 1 2 3 4 5 6

Produk Coca-Cola 193 ml Sprite 200 ml Fanta Strawberry 200 ml Sprite 295 ml Fanta Soda Water 295 ml Frestea Jasmine 220 ml

MAD 429 1.469 1.324 1.790 1.475 1.289

Error MSE 274.597 3.945.020 3.311.083 6.301.516 4.269.648 2.954.538

MAPE 5% 9% 9% 5% 6% 6%

Index 1,03 1,07 1,04 1,04 1,02 1,04 1,03 1,07 1,02 1,01 1,20 1,02 1,05 1,00 1,02 1,06 1,01 1,06 1,04 1,02 1,08 1,04 1,00 1,02 1,01 1,01 1,05 1,04 1,07 1,08 1,24

Group Index 1,05

1,03

1,03

1,09

1,03

1,03

1,05

1,01

1,03

1,13 1,01 1,03 1,04 1,12

Tabel 7. Rekapitulasi Error metode ESEB No. 1 2 3 4 5 6

Produk Coca-Cola 193 ml Sprite 200 ml Fanta Strawberry 200 ml Sprite 295 ml Fanta Soda Water 295 ml Frestea Jasmine 220 ml

MAD 386 1.554 1.406 1.803 1.335 1.310

Error MSE 237.197 4.190.194 3.736.669 6.508.110 4.118.372 2.947.185

MAPE 5% 10% 9% 5% 6% 6%

Dari perhitungan nilai error keempat metode peramalan, dapat ditentukan metode peramalan terbaik dengan nilai error yang terkecil yang nantinya digunakan sebagai input dalam perencanaan produksi. Hasil perbandingan nilai error setiap metode seperti pada tabel 8. Metode peramalan dengam memiliki nilai MAPE terkecil merupakan metode peramalan yang terbaik. Ini terlihat pada tabel 8 dengan metode yang terhighlight warna kuning yang menandakan metode tersebut adalah metode terbaik yang digunakan untuk meramalkan permintaan masing-masing varian produknya.

6

Tabel 8. Rekapitulasi Nilai Error Akhir Metode

Error MSE

MAD Coca-Cola 193 ml Eksisting 753 965.701 Winter Exponential Smoothing 3.313 16.270.585 Decomposition 607 544.472 MA Event Based 429 274.597 ES Event Based 386 237.197 Sprite 200 ml Eksisting 2.564 11.752.741 Winter Exponential Smoothing 4.663 30.974.232 Decomposition 3.425 15.818.540 MA Event Based 1.469 3.945.020 ES Event Based 1.554 4.190.194 Fanta Strawberry 200 ml Eksisting 2.831 14.902.460 Winter Exponential Smoothing 4.338 26.560.644 Decomposition 2.754 10.018.102 MA Event Based 1.324 3.311.083 ES Event Based 1.406 3.736.669 Sprite 295 ml Eksisting 2.703 14.332.520 Winter Exponential Smoothing 2.431 9.132.478 Decomposition 2.294 8.044.507 MA Event Based 1.790 6.301.516 ES Event Based 1.803 6.508.110 Fanta Soda Water 295 ml Eksisting 1.998 7.109.004 Winter Exponential Smoothing 2.815 11.662.301 Decomposition 2.791 11.633.854 MA Event Based 1.475 4.269.648 ES Event Based 1.335 4.118.372 Frestea Jasmine 220 ml Eksisting 1.911 5.628.884 Winter Exponential Smoothing 4.533 28.573.847 Decomposition 2.404 8.052.909 MA Event Based 1.289 2.954.538 ES Event Based 1.310 2.947.185

4.

MAPE 9% 38% 8% 5% 5% 18% 28% 22% 9% 10% 21% 25% 17% 9% 9% 9% 7% 7% 5% 5% 9% 12% 11% 6% 6% 9% 20% 11% 6% 6%

PERENCANAAN PRODUKSI Dalam perencanaan produksi, akan membandingkan beberapa skenario untuk dapat mengukur masing-masing performansi dari input dan kondisi yang berbeda-beda. Hasil dari masing-masing skenario tersebut nantinya akan dibandingkan dengan Master Production Schedule (MPS) eksisting untuk dapat diukur perubahannya. Untuk setiap skenario usulan, yang membedakan terhadap MPS eksisting adalah pada input dari hasil peramalan yang nantinya diimplementasi sebagai rencana produksi per minggunya. Hasil peramalan dengan menggunakan metode terbaik dari hasil perbandingan error diproses sebelumnya akan dibandingkan dengan rencana produksi eksisting yang menggunakan hasil peramalan oleh perusahaan sendiri. Input tersebut digunakan untuk dua skenario usulan pada skenario 1 (satu) dan skenario (dua). Yang berbeda antara skenario 1 dan dua yaitu terdapat masing-masing batasan dalam penentuan kuantitas produksi

perminggu nya. Perbedaannya itu terdapat pada jumlah botol yang tersedia untuk setiap minggunya. Pada skenario 2, batasan ini yang akan berpengaruh pada penentuan kuantitas produksinya. Jadi ketika, pada suatu periode tersebut membutuhkan 5000 botol tetapi pada periode tersebut hanya tersedia 4800 botol, maka jumlah produk yang diproduksi yaitu sebesar jumlah botol yang tersedia. Berikut ini adalah hasil rekapitulasi untuk setiap kondisi. 4.1. Kondisi Eksisting Dengan menggunakan hasil input dari metode peramalan di perusahaan, kita dapat menghitungan rata-rata persediaan untuk setiap minggunya. Hasilnya seperti pada tabel 9 untuk varian produk Coca-Cola 193 ml. Tabel 8. Rekapitulasi MPS Eksisting Rekapitulasi Avg. Inventory Avg. Backorder

20.808 0

4.2. Skenario 1 Untuk dapat menghitung rata-rata persediaan dan rata backlog untuk setiap periode nya, dapat digunakan persamaan 3-8. v Pt

TIt – (SOHt-1 - Yt) + Sht-1 ; SOHt-1 - Yt’ ≤ TIt (3) 0

v SOHt = It-1

; SOHt-1 - Yt’ > TIt (4) (5)

v TIt =

(6)

v It = (Pt + SOHt-1) - St

(7)

v Sht = St - (Pt + SOHt-1)

(8)

Dimana : t = Periode waktu (minggu) Yt’ = Forecast Periode – t (setelah dikali indeks) Pt = Produksi periode – t St = Sales periode – t SOHt = Stock On Hand diawal periode – t TIt = Target Inventori periode –t It = Inventory di akhir periode-t Sht = Shortage periode –t (Untuk persamaan 6, target inventori disesuaikan dengan varian produknya) Dengan menggunakan persamaan tersebut, dapat dilakukan perhitungan rata-rata inventori 7

untuk setiap periodenya. Pada tabel 9, merupakan hasil perhitungan rata-rata inventori untuk varian produk Coca-Cola 193 ml dengan skenario 1.

Tabel 10. Rekapitulasi MPS Skenario 1 Rekapitulasi Avg. Inventory 10.211 Avg. Backorder 310

Tabel 9. Rekapitulasi MPS Skenario 1 Rekapitulasi Avg. Inventory 16.473 Avg. Backorder 0

4.3. Skenario 2 Untuk dapat menghitung rata-rata persediaan dan rata backlog untuk setiap periode nya, dapat digunakan persamaan 3-8. (9)

v SOHt = It-1

(10)

v TIt =

(11)

v It = (Pt + SOHt-1) - St

untuk setiap periodenya. Pada tabel 10, merupakan hasil perhitungan rata-rata inventori untuk varian produk Coca-Cola 193 ml dengan skenario 2.

v Sht = St - (Pt + SOHt-1)

(12)

v Pt = min (Pet ; Et)

(13)

v Et = SEt + (Et-1 - Pt)

(14)

Dimana : t = Periode waktu (minggu) Yt’ = Forecast Periode – t (setelah dikali indeks) Pet = MPS Aktual dalam periode –t Pt = Produksi periode – t St = Sales periode – t SOHt = Stock On Hand diawal periode – t TIt = Target Inventory periode –t It = Inventori di akhir periode-t Dengan menggunakan persamaan tersebut, dapat dilakukan perhitungan rata-rata inventori

4.4. Perhitungan Total Biaya Total biaya yang dihitung dalam penelitian ini terdiri dari biaya persediaan (Inventory Cost) dan biaya yang hilang akibat tidak memenuhi permintaan (Lost sales/Shortage Cost). Karena pada penelitian ini komponen biaya tidak dapat terdefinisi, maka untuk perhitungan biaya menggunakan beberapa asumsi. Asumsi-asumsi seperti dibawah ini : v Biaya Persediaan (Ic) = 30%Harga Jual/botol/tahun v Shortage Cost (Sc) = 30% Harga Jual/botol/tahun Jadi untuk menghitung Inventory Cost serta Shortage Cost dalam penelitian menggunakan persamaan 15 dan 16. IC/tahun = Avg. Inv/periode x Ic SC/tahun = Avg. Sh/periode x Sc

(15) (16)

Pada tabel 11-13 merupakan hasil perhitungan Total biaya untuk 6 varian produk di dalam penelitian ini untuk kondisi eksisting, skenario 1 dan skenario 2.

Tabel 11. Rekapitulasi Perhitungan Total Cost Eksisting No. 1 2 3 4 5 6

Produk Coca-Cola 193 ml Sprite 200 ml Fanta Strawberry 200 ml Sprite 295 ml Fanta Soda Water 295 ml Frestea 220 ml

Inventory Cost Backlog Cost Total Cost (Rp/th) (Rp/th) (Rp/th) 9.363.617 0 9.363.617 19.844.553 0 19.844.553 12.793.690 0 12.793.690 32.700.687 0 32.700.687 29.586.073 0 29.586.073 17.001.120 0 17.001.120

Tabel 12. Rekapitulasi Perhitungan Total Cost Skenario 1 No. 1 2 3 4 5 6

Produk Coca-Cola 193 ml Sprite 200 ml Fanta Strawberry 200 ml Sprite 295 ml Fanta Soda Water 295 ml Frestea 220 ml

Inventory Cost Backlog Cost Total Cost (Rp/th) (Rp/th) (Rp/th) 7.412.871 0 7.412.871 7.404.931 0 7.404.931 7.401.419 0 7.401.419 29.990.832 0 29.990.832 22.532.246 0 22.532.246 12.064.252 0 12.064.252

8

Tabel 13. Rekapitulasi Perhitungan Total Cost Skenario 2 No. 1 2 3 4 5 6

Produk Coca-Cola 193 ml Sprite 200 ml Fanta Strawberry 200 ml Sprite 295 ml Fanta Soda Water 295 ml Frestea 220 ml

Inventory Cost Backlog Cost Total Cost (Rp/th) (Rp/th) (Rp/th) 4.594.733 279.334 4.874.067 7.187.797 0 7.187.797 7.160.766 0 7.160.766 19.766.193 0 19.766.193 21.555.573 0 21.555.573 11.623.024 0 11.623.024

5. ANALISIS 5.1. Analisis Perhitungan Indeks Special Event Sebelum melakukan peramalan, hal yang harus dilakukan adalah mengidentifikasi Indeks Special Event. Indeks Special Event (SE) ini menunjukkan pengaruh SE terhadap permintaan produk pada periode tertentu. Jika pada kondisi normal (tidak ada SE), permintaan dapat diramalkan dengan menggunakan metode peramalan biasa. Indeks ini menggambarkan prosentase (%) kenaikan permintaan pada periode tersebut ketika terjadinya SE. Jadi, dari sini SE dapat teridetifikasi pengaruhnya terhadap permintaan jika SE tersebut terlaksana. Pada tabel 3, dituliskan bahwa terdapat SE bernama “Hanging Out With High School”. Dari hasil perhitungannya, nilai Indeks untuk SE tersebut yaitu sebesar 1,03. Indeks ini berarti pada saat terjadinya SE “Hanging Out With High School” permintaan akan naik sebesar 3 persen dari permintaan normalnya. Indeks ini akan menjadi acuan untuk menggambarkan permintaan konsumen ketika SE ini dilaksanakan pada tahun berikutnya. Tentu saja identifikasi indeks ini akan dapat lebih bermanfaat karena dapat menggambarkan fluktuasi dari permintaan yang mengikuti terjadinya SE yang memiliki karateristik yang berbeda-beda. Semakin tinggi indeks SE yang didapatkan, maka pengaruh jika terjadinya SE tersebut terhadap permintaan akan semakin besar. Nantinya indeks ini akan dimasukkan sebagai variabel dalam penentuan ramalan permintaan untuk periode yang akan datang. Pada akhir 2009, dilakukan updating indeks SE yang menambahkan indeks SE yang terjadi pada tahun 2009. Updating ini digunakan untuk memberikan referensi tentang perkembangan terbaru mengenai pengaruh SE tersebut terhadap permintaan. Dalam perhitungan untuk updating indeks ini,

dilakukan dengan cara pembobotan. Pemberian bobot paling tinggi diberikan untuk indeks yang paling terbaru. Ini dikarenakan pola permintaan untuk tahun yang terdekat akan lebih bisa menggambarkan pola yang sebenarnya pada tahun berikutnya. 5.2. Analisis Peramalan Berdasarkan hasil pengecekan pola data historis didapatkan bahwa data memiliki kecenderungan musiman. Penentuan metode peramalan itu didasari oleh pola data yang terbentuk. Dikarenakan pola data yang terbentuk adalah pola data musiman, jadi metode yang sesuai untuk digunakan dalam proses ramalan ini adalah metode Winter’s Exponential Smoothing (Triple Exponential Smoothing) dan Metode Dekomposisi. Kedua metode konvensional ini akan dibandingkan perfomansi nilai error nya dengan metode peramalan dengan Event Based. Nilai error yang lebih kecil akan menjadi input dalam perencanaan produksinya. Untuk peramalan menggunakan metode konvensional digunakan bantuan software Minitab 14. Untuk menggunakan bantuan Minitab ini, diperlukan beberapa parameter salah satunya adalah seasonal lenght. Seasonal lenght merupakan panjang perulangan periode secara musiman. Berdasarkan hasil autokorelasi, didapatkan bahwa data tersebut adalah musiman dengan 52 minggu. Yang berarti parameter seasonal lenght nya sebesar 52. Dengan menggunakan bantuan Minitab, dapat dilakukan peramalan untuk 52 minggu kedepannya dengam metode Winter ES dan Dekomposisi. Setelah hasil ramalannya didapatkan, kemudian dilakukan perbandingan data hasil ramalan dengan data penjualan aktual pada tahun 2009. Setelah itu dilakukan perhitungan nilai error (MAD, MSE, dan MAPE) untuk kedua metode konvensional pada setiap varian produk. 9

Perhitungan error juga berlaku untuk dua metode dengan event based. Seperti hasil yang didapatkan pada sub bab 3.3.3, peramalan menggunakan event based dibagi atas dua metode yaitu menggunakan MA dan ES. Untuk metode event based, hasil dari peramalan menggunakan metode MA dan ES, kemudian dikalikan dengan indeks SE ketika SE tersebut akan dilaksanakan pada periode pelaksanaannya. Setelah dikalikan dengan indeks, hasil ramalan ini kemudian dibandingkan dengan data aktual penjualan pada tahun 2009. Dari sini didapatkan nilai error dari metode event based ini. Untuk mendapatkan metode peramalan yang terbaik dilakukan dengan menilai performansi dari error setiap metode. Pada tabel 8, metode yang terbaik diberikan tanda highlight warna kuning. Perbandingan nilai error dilakukan dengan membandingkan nilai MAPE dan MSE. Nilai MAPE ini merupakan prosentase terjadinya kesalahan dalam suatu proses peramalan. Dari hasil yang didapatkan pada tabel 8 diketahui bahwa untuk produk Coca-Cola 193 ml, nilai MAPE yang terkecil yaitu sebesar 5% pada metode Event Based untuk Exponential Smoothing. Ini berarti tingkat akurasi dari peramalan yang dilakukan dengan metode ini sudah mencapai 95 %. Jika dibandingkan dengan metode-metode lain nilai MAPE ini merupakan prosentase error yang terkecil. Selain itu, jika dibandingkan dengan metode eksisting dengan akurasi sebesar 91 persen (MAPE = 9 persen), maka dapat dikatakan metode dengan mempertimbangkan special event memiliki kontribusi yang sangat signifikan dalam meningkatkan akurasi dari ramalan permintaan di perusahaan. Untuk varian produk lainnya, dengan analisis yang sama dengan produk sebelumnya dapat ditentukan metode peramalan yang terbaik. Untuk metode MA Event Based digunakan untuk produk Sprite 200 ml, Fanta Strawberry 200 ml, Sprite 295 ml. Dan untuk metode ES Event Based digunakan untuk produk Fanta Soda Water 295 ml dan Frestea Jasmine 200 ml. Dilihat pada tabel 14, penggunakan metode peramalan dengan mempertimbangkan special event akan meningkatkan akurasi dari peramalan yang sudah diterapkan selama ini di perusahaan. Ini menandakan bahwa metode peramalan dengan mempertimbangkan special event sangat berdampak pada performansi ramalan.

5.3. Analisis Perhitungan Total Biaya Dampak langsung terjadinya perubahan sistem dalam peramalan dan perencanaan produksi akan berpengaruh terhadap total biaya yang dalam hal ini untuk Inventori Cost dan Shortage Cost. Penerapan metode peramalan dengan mempertimbangkan special event akan berdampak kepada rencana produksi untuk setiap periode. Akurasi ramalan yang rendah pada metode eksisting menyebabkan tingginya kesalahan dalam penentuan kuantitas produksinya. Ketidaksesuaian permintaan terhadap aktual sales akan berdampak kepada tingginya nilai inventori dari produk tersebut. Seperti yang tertulis pada tabel 14. tingginya nilai inventori ini akan sejalannya dengan semakin besar biaya yang dikeluarkan oleh perusahaan untuk penyimpanan finished goods di gudang. Oleh karena itu, untuk dapat meminamalisir ketidaksesuaian tersebut maka pengunaan metode peramalan dengan mempertimbangkan special event akan membantu perusahaan untuk dapat melakukan penghematan biaya inventori. Pada tabel 15, penghematan yang dapat dilakukan oleh perusahaan untuk meminimalisir nilai inventori sebesar Rp 4.489.550/th untuk produk Coca-Cola 193 ml. Ini menerangkan bahwa pengaruh dari metode peramalan terhadap perencanaan produk dengan menginginkan total biaya yang lebih murah dapat tercapai. Hal ini berlaku pula untuk varian produk lainnya. Untuk total penghematan yang dapat dilakukan perusahaan untuk enam varian produk ini yaitu sebesar Rp 49.122.321,-/tahun. 5.4.

Analisis Sensitivitas Target Inventori (TI) Target Inventori merupakan jumlah inventori yang menjadi standar yang harus dicapai oleh perusahaan pada setiap akhir periode. Tujuan dari penetapan target inventori adalah untuk menjadi stok antisipasi ketika permintaan yang fluktuatif pada periode tertentu. Sehingga inventori akhir menjadi menumpuk karena penetapan nilai TI yang belum optimal. Ketika stok di gudang berlebihan maka biaya persediaan akan meningkat. Dan menjadikan performansi menjadi lebih rendah. Untuk mendapatkan perfomansi perencanaan produksi yang lebih baik dari kondisi eksisting, penetapan TI akan menjadi solusi yang lebih baik. Untuk menetapkan nilai TI sendiri dilakukan uji 10

sensitivitas TI terhadap total biaya yang dihasilkan dalam perhitungan masing-masing TI nya. TI yang menghasilkan total biaya yang lebih murah akan menjadi alternatif usulan dalam penelitian ini. Selain dari segi total biaya, alternatif usulan untuk TI dipilih untuk nilai TI yang tidak terjadi backorder pada proses perencanaannya. Pada gambar 3 adalah grafik uji sensitivitas TI terhadap total biaya untuk produk Coca-Cola 193 ml. Untuk varian

No. 1 2 3 4 5 6

produk lainnya dilakukan analisis yang sama dengan yang dilakukan untuk varian produk ini. Setelah melakukan uji sensitivitas, kita dapat mengetahui TI yang menghasilkan total biaya lebih murah. Pada tabel 16 adalah hasil rekapitulasi nilai TI yang menjadi rekomendasi kepada perusahaan untuk dilakukan review terhadap TI yang telah ditetapkan oleh perusahaan sebelumnya.

Tabel 14. Rekapitulasi Peningkatan Akurasi Forecast Forecast Accuracy (%) Peningkatan Metode Produk Akurasi (%) Eksisting Usulan Coca-Cola 193 ml 91 95 4 Sprite 200 ml 82 91 9 Fanta Strawberry 200 ml 79 91 12 Sprite 295 ml 91 95 4 Fanta Soda Water 295 ml 91 94 3 Frestea 220 ml 91 94 3 Tabel 15. Penghematan Total Biaya

No. 1 2 3 4 5 6

Total Cost (Rp/th) Penghematan Penghematan Skenario (Rp/th) (%) Eksisting Usulan Coca-Cola 193 ml 9.363.617 4.874.067 4.489.550 48% Sprite 200 ml 19.844.553 7.187.797 12.656.756 64% Fanta Strawberry 200 ml 12.793.690 7.160.766 5.632.925 44% Sprite 295 ml 32.700.687 19.766.193 12.934.494 40% Fanta Soda Water 295 ml 29.586.073 21.555.573 8.030.500 27% Frestea 220 ml 17.001.120 11.623.024 5.378.096 32% Total 49.122.321 40% Produk

Rp6.000.000

Rp/th

Rp5.000.000 Rp4.000.000 Rp3.000.000 Rp2.000.000 Rp1.000.000 Rp1 2 3 4 5 6 7 8 9 10 11 12 Hari Inventory Cost

Backlog Cost

Total Cost

Gambar 3. Grafik uji sensitivitas TI terhadap total biaya untuk produk Coca-Cola 193 ml

11

Tabel 16. Usulan Target Inventori Target Inventori No. Produk Eksisting (hari) 1 Coca-Cola 193 ml 12 2 Sprite 200 ml 6 3 Fanta Strawberry 200 ml 6 4 Sprite 295 ml 6 5 Fanta Soda Water 295 ml 8 6 Frestea Jasmine 220 ml 8

6. PENUTUP 6.1. Kesimpulan Kesimpulan yang diambil dalam penelitian tugas akhir ini antara lain : 1. Metode peramalan dengan mempertimbangkan special event dapat meningkatkan akurasi ramalan jika dibandingkan dengan metode peramalan yang diterapkan oleh perusahaan saat ini. Peningkatan akurasi ramalan untuk produk CocaCola 193 ml, Sprite 200 ml, Fanta Strawberry 200 ml, Sprite 295 ml, Fanta Soda Water 295 ml, dan Frestea Jasmine 220 ml masing-masing yaitu 4 persen; 9 persen; 12 persen; 4 persen; 3 persen dan 3 persen. 2. Natal dan Tahun Baru merupakan Special Event yang paling memiliki pengaruh yang signifikan dalam mempengaruhi permintaan untuk 6 varian produk ini yang didasari oleh nilai indeks special event. 3. Perencanaan produksi dengan menggunakan peramalan dengan mempertimbangkan special event dapat menghasilkan total penghematan untuk 6 varian produk sebesar Rp 49.122.321,-/th yang merupakan 40 persen dari total biaya yang selama ini dikeluarkan oleh perusahaan. 4. Perubahan target inventori untuk masing-masing varian produk antara lain : ü Coca-Cola 193 ml dari 12 hari menjadi 8 hari ü Sprite 200 ml dari 6 hari menjadi 3 hari ü Fanta Strawberry 200 ml dari 6 hari menjadi 4 hari ü Sprite 295 ml dari 6 hari menjadi 3 hari

Target Inventori Usulan (hari) 8 3 4 3 3 2

ü Fanta Soda Water 295 ml dari 8 hari menjadi 3 hari ü Frestea Jasmine 200 ml dari 8 hari menjadi 2 hari, dapat menurunkan total biaya persediaan yang lebih murah. 6.2.

Saran Adapun saran-saran yang dapat direkomendasikan untuk perusahaan dan untuk penelitian kedepannya antara lain : 1. Perusahaan dapat menerapkan metode peramalan dengan menggunakaan event based forecast berdasarkan refenrensi indeks special event yang telah diperbaharui. 2. Identifikasi perputaran botol dapat disimulasikan menjadi variabel tambahan untuk perencanaan produksi. 3. Penelitian ini diterapkan untuk produk jenis lainnya seperti jenis PET, tetrapack, dll. 7.

DAFTAR PUSTAKA

Andrian, Y (2004). Evaluasi dan Perancangan Sistem Penunjang Keputusan pada Proses Perencanaan Produksi Studi Kasus : PT. Coca Cola Bottling Indonesia Plant Pandaan. Laporan Penelitian Tugas Akhir, Institut Teknologi Sepuluh Nopember, Surabaya. Anggraheni, W (2003). Peramalan Berdasarkan Event di PT. Coca Cola Distribution Indonesia SIER Surabaya. Laporan Penelitian Tugas Akhir, Institut Teknologi Sepuluh Nopember, Surabaya. Ashayeri, J dan Kampstra, P. (2003) Collaborative Replenishment : A Step by Step Approach, Tillburg University

12

Chopra dan Meindl (2004) Supply Chain Management : Strategy, Planning, and Operation, Prectice Hall Inc., New Jersey Christopher,M.(1992). Logistics and Supply chain Management. Pitman, London. Chung, C.H, Krajewski, L.J (1984). Planning Horizon For Master Production Schedulling. Journal of Operation Management. Vol. 4 No. 4, August 1984 Gangadharan, Rajesh. (2006). Supply chain Strategies To Manage Volatile Demand. Hanke, J.E, Reitsch, A.G, dan Wichern, D.W. (2001). Business Forecasting Seventh Edition, Prentice Hall, United States of America. Kaltim Post (2009). Siapkan Cadangan 600 Ribu Krat (Kamis, 25 Desember 2009) Malkridakis, S, Wheelright, S.C, dan Mc Gee, V.E. (1983). Forecasting Methods and Application 2nd Edition, John Wiley and Sons, Inc. Nahmias, S. (1993). Production and Operation Analysis, Mc Graw-Hill Internasional, Singapore. Nahmias, S. (2009). Production and Operation Analysis Seventh Edition, Mc Graw-Hill Internasional, Singapore. Nasution, AH. (1999). Perencanaan dan Pengendalian Produksi. Guna Widya, Surabaya. Posko Manado (2009). Permintaan Tetap Tinggi (Kamis, 17 September 2009) Pujawan, I Nyoman. (2005). Supply Chain Management. Guna Widya, Surabaya Russel, R.A, Urban, T.L (1993). Horizon Extention for Rolling Production Schedules : Lenght and Accuracy Requirement. International Journal of Production Economics, 29 (1993) 111122 R. Liu et al. (2006). A Formal Modeling Approach for Supply Chain Event Management, Desicion Support System 43, 761-778

Silver, E.,D. Pyke, D.,F. Peterson, R. (1998). Inventory Management and Production Planning and Schedulling. New York, John Willey and Sons, Inc. Surya (2009). Coca Cola Luncurkan Sprite Zero (Rabu, 11 Maret 2009) Withycombe, R (1989). Forecasting with Combined Seasonal Indices. International Journal of Forecasting, 547-552

13