Professional Documents
Culture Documents
MANAJEMEN DISTRIBUSI
1. Bahan baku
2. Barang setengah jadi
3. Barang jadi
4. Persediaan distribusi
5. Barang pemeliharaan, perbaikan dan operasi.
B. Manajemen Persediaan Distribusi
Manajemen persediaan logistik meliputi kegiatan
memperoleh material (pengadaan), memindahkan material
melalui lingkungan manufaktur (manufaktur produk) dan
distribusi.
Minneapolis 10 25 25 25 25 25 5
Atlanta 20 30 30 30 30 30 6
Denver 18 20 20 20 20 20 4
Pittsburgh 10 15 15 15 15 15 3
Total 58 90 90 90 90 90 18
Formulasi yang digunakan:
TS
I i
d i
R i TS x d i
Qi R i - I i
Keterangan:
TS = time supply
Ii = persediaan di gudang i
di = pemakaian (demand) per hari di gudang i
Ri = kebutuhan di gudang i selama periode run out
Qi = kuantitas pengiriman ke gudang i
Perhitungan untuk masing-masing gudang adalah:
10 20 18 10 140
TS 11 hari
18
R i (Minneapol is) 11 x 5 55
Q i 55 - 10 45
R i (Atlanta) 11 x 6 66
Q i 66 - 20 46
R i (Denver) 11 x 4 44
Q i 44 - 18 26
R i (Pittsburgh) 11 x 3 33
Q i 33 - 10 23
Gudang Jumlah Alokasi
Minneapolis 45
Atlanta 46
Denver 26
Pittsburgh 23
Total 140
2. Prinsip-prinsip peramalan
a. Peramalan melibatkan kesalahan (error).
b. Peramalan sebaiknya memakai tolok ukur kesalahan peramalan.
c. Peramalan famili produk lebih akurat dari pada peramalan produk
individu (item).
d. Peramalan jangka pendek lebih akurat dari pada jangka panjang.
e. Jika dimungkinkan, hitung permintaan dari pada meramal
permintaan
Teknik peramalan dibagi menjadi dua bagian, yaitu metode
1) kuantitatif dibagi menjadi metode deret berkala (time series)
metode time series memprediksi masa yang akan datang
berdasarkan data masa lalu, dan metode kausal, Tujuan metode
kausal adalah menentukan hubungan antar faktor dan
menggunakan hubungan tersebut untuk meramalkan nilai-
nilai variabel independent.
2) Peramalan kuantitatif dapat diterapkan dengan syarat:
a. Tersedianya informasi masa lalu
b. Informasi ini dapat dikualifikasikan dalam bentuk data numerik
c. Diasumsikan data masa lalu akan berlaku sama untuk masa yang
akan datang.
Empat jenis pola data yaitu horisontal, musiman, sikis,
dan trend
3. Teknik-teknik peramalan
a. Metode Rata-rata.
Persamaan metode rata-rata :
F (t) = A F (t+ ) = F (t)
b. Weight moving Average
Persamaannya adalah :
(T) = ΣW(I).A(I)/ Σ(I)
I = (t-m+1) ke-t
f(1+ ) = F(t)
c. Moving Average with linier trend
Persamaannya adalah :
F(t) = Σ A(I)/m dimana i = (t-m+1) ke t
T(t) = 12 Σ(I A(t-(m-1)/2+1)/m/(m2-1))
Dimana : i = -(m-1)/2 ke-(m-1)/2
F(t+ι) = F(t) + T(t)(t+ι)
d. Single Exponential smoothing.
Persamaanya adalah :
F(0) = A(I)
F (t) = 0
F(t) = αA(t) + (1-α)F(t-1)
F(t+ ι) = F(t) + ι T (t)
e. Single Exponential smoothing with linier trend.
Persamaan metodenya :
F(0) = A(1)
T(0) = 0
F(t) = α A(t) + (1-α) F(t-1) +T(t-1)
T(t) = β (F(t)-F(t-1)) + (1- β) T(t-1)
f(t+ ι) = F(t) + ι T(t)
f. Double Exponential smoothing.
Persamaan metodenya :
F(0) = F’ (0) = A(1)
F(t) = α A(t) + (1-α) F(t-1)
F’(t) = α F(t) + (1-α) F’(t-1)
F(T+ ι) = f’(t)
g. Double Exponential smoothing with linier trend.
Persamaan metodenya :
F(0) = F’(0) = A(1)
F(t) = α A(t) + (1-α) F(t-1)
F’(t) = α F(t) + (1- α) F’(t-1)
= ι α/β
f(t+ ι) = (2+ ) F(t) – (1+ ) F’(t)
h. Adaptive Exponential smoothing.
Persamaan metodenya :
F(0) = A(1)
F(t) = α A(t) + (1- α) F(t-1)
i. Linear Regression
Persamaan metodenya :
B = [Σi A(i)i-n A (n+1)/2] [Σi i2 – n (n+1)2 / 4]
Keterangan: i = 1 ke – n
a = A – b (n+1)/2
f(t) = a + bt
j. Winter’s Model
Persamaan metodenya :
F(0) = A(1)
T(0) = 0
F(t) = α A(t) / I(t-m) + (1- α) F(t-1) + T(t-1))
T(t) = β (F(t) – F(t-1)) + (1-β) T(t-1)
I(t) = A(t)/ F(t) + (1- ) I(t-m)
f(t+ ι) = (F(t) + ι T(t) I(t+ ι-m)
Notasi TSFC:
t : Periode waktu, t = 1,2,...,n
ι : Waktu dari t
m : Periode rata-rata bergerak atau panjang perputaran seasional
α : Parameter smoothing pertama
β : Parameter trend smoothing
: Parameter seasional smoothing
A(t) : Data aktual dalam periode t
f(t): Peramalan untuk periode t
T(t) : Trend untuk periode t
F(t) : Nilai smoothed untuk periode t
W(t): Weight untuk periode t
I(t): Indeks seasional untuk periode t
E(t) : Kesalahan (deviasi) untuk periode t, yaitu f(t) – A(t)
: Rata-rata dari dataaktual
V : Variansi dari data aktual untuk periode N
N : Nomor periode dimana e(t) dapat dicari; i,e mempunyai
kedua f(t) dan A(t)
Perhitungan kesalahan peramalan dalam TSFC adalah
MAD = Mean absolut error (deviasi)
MAD = Σ t | e(t) |/N
MSD = Mean square error (deviasi)
MSD = Σ t e(t) / N
Bias = Mean error (deviasi)
Bias = Σ t e(t) / N
R = Multiple correlation coefficient
R2= 1-N*MSD/((N-1)V)
4. Verifikasi Peramalan
Peramalan dapat dimonitori dengan menggunakan Tracking
Signal. Tracking Signal adalah suatu ukuran yang menunjukkan
bagaimana baiknya suatu ramalan memperkirakan nilai-nilai
actual. Tracking Signal untuk setiap periode dihitung dengan
persamaan (chase,R.B. 1998).
1) Dari hasil ramalan di gudang cabang dihitung net requirement (NR) dengan cara:
Gross requirements 30 30 30 30 30 30 30 30
Scheduled receipts
Projected on hand 70 40 130 100 70 40 130 100 70
Net requirements 20 20
Planned order receipts 120 120
Planned order releases 120 120
Center B: Safety stock 10 Periode
Lot size 100: Lead time 1 PD 1 2 3 4 5 6 7 8
Gross requirements 20 20 20 40 20 20 20 50
Scheduled receipts
Projected on hand 50 30 10 90 50 30 10 90 40
Net requirements 20 20
Planned order receipts 100 100
Planned order releases 100 100
Center C: Safety stock 5 Periode
Lot size 70: Lead time 2 PD 1 2 3 4 5 6 7 8
Gross requirements 40 15 20 30 10 5 30 10
Scheduled receipts 70
Projected on hand 15 45 30 10 50 40 35 5 65
Net requirements 25 10
Planned order receipts 70 70
Planned order releases 70 70
Center Central: Safety stock 0 Periode
Lot size 400: Lead time 3 PD 1 2 3 4 5 6 7 8