Apa itu peramalan inventaris?
Peramalan inventaris membantu memperkirakan permintaan produk di masa depan dalam jangka pendek, menengah, atau panjang. Ini adalah bagian inti dari strategi perencanaan inventaris. Dengan memprediksi permintaan sebelumnya, Anda dapat meningkatkan layanan pelanggan, kontrol inventaris, dan manajemen kapasitas.
Anda juga dapat memperkirakan data yang berkaitan dengan biaya, seperti biaya yang diperkirakan saat melakukan pemesanan di masa depan. Waktu tunggu (lead time) juga merupakan faktor penting yang bisa diperkirakan, meskipun biasanya cenderung lebih pendek seiring waktu. Apa pun yang Anda ramalkan, ingat prinsip-prinsip ini:
- Perkiraan lebih akurat dalam jangka pendek. Akurasi menurun seiring lamanya proyeksi.
- Perkiraan akan mengandung kesalahan. Memahami persentase kesalahan sangat penting.
- Perkiraan bukan pengganti data permintaan aktual.
Jenis-jenis perkiraan
Ada banyak cara untuk memperkirakan permintaan, dan tidak ada satu metode yang selalu terbaik. Pendekatan yang tepat tergantung pada kerangka waktu dan data yang tersedia. Umumnya, perkiraan dibagi menjadi tiga kategori waktu:
- Perkiraan jangka panjang: beberapa tahun ke depan
- Perkiraan jangka menengah: tiga bulan hingga satu tahun ke depan
- Perkiraan jangka pendek: beberapa minggu ke depan
Perkiraan bisa berbasis data atau berdasarkan penilaian ahli. Jika data permintaan historis tersedia dan andal, maka itu menjadi sumber utama yang disarankan.
Teknik peramalan
Sebelumnya, kami telah membahas metode Economic Order Quantity (EOQ) untuk menentukan seberapa banyak produk yang harus dibeli. Dalam posting ini, kita akan melihat tiga teknik dasar peramalan yang mengandalkan data permintaan masa lalu.
Sebagai contoh, kita akan menggunakan data penjualan dari Oktober, November, dan Desember 2022 untuk memperkirakan tiga bulan pertama tahun 2023.
Rata-rata Bergerak (Moving Average)
Metode ini menghitung rata-rata sederhana dari sejumlah periode sebelumnya untuk memprediksi periode berikutnya.
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Desember 2022 | 137 |
| Januari 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Februari 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| Maret 2023 | ? 137 + 123 + 126 = 386, 386 / 3 = 129 |
Rata-rata Bergerak Tertimbang (Weighted Moving Average)
Metode ini memberikan bobot berbeda pada setiap periode, dengan data terbaru biasanya mendapat bobot tertinggi. Ini berguna untuk peramalan jangka pendek pada produk yang stabil.
Catatan: Total bobot harus 1,00. Dalam contoh ini, kita gunakan 0,6 (terbaru), 0,3, dan 0,1
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Desember 2022 | 137 |
| Januari 2023 | ? 137 * 0,6 + 119 * 0,3 + 114 * 0,1 = 129 |
| Februari 2023 | ? 129 * 0,6 + 137 * 0,3 + 119 * 0,1 = 131 |
| Maret 2023 | ? 131 * 0,6 + 129 * 0,3 + 137 * 0,1 = 130 |
Perataan Linear (Linear Smoothing)
Mirip dengan rata-rata bergerak tertimbang, tetapi bobotnya menurun secara linier menggunakan rumus. Cocok untuk peramalan jangka pendek produk stabil.
Bobot untuk satu periode sebelumnya = 3 / ((n² + n)/2) = 3 / 6 = 0,5
Bobot untuk dua periode sebelumnya = 2 / 6 = 0,3
Bobot untuk tiga periode sebelumnya = 1 / 6 ≈ 0,17
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Desember 2022 | 137 |
| Januari 2023 | ? 137 * 0,5 + 119 * 0,3 + 114 * 0,17 = 126 |
| Februari 2023 | ? 126 * 0,5 + 137 * 0,3 + 119 * 0,17 = 128 |
| Maret 2023 | ? 128 * 0,5 + 126 * 0,3 + 137 * 0,17 = 129 |
Kesimpulan
Perkiraan bergantung pada data dan asumsi. Mereka tidak sempurna dan pasti mengandung kesalahan, baik dari model, data, maupun interpretasi. Meski begitu, estimasi yang diinformasikan jauh lebih berguna daripada tidak memiliki estimasi sama sekali.
Dalam posting mendatang, kami akan membahas metode lanjutan seperti perataan eksponensial dan regresi kuadrat terkecil, serta bagaimana semuanya dapat diotomatisasi menggunakan perangkat lunak manajemen inventaris.