Upload
others
View
13
Download
0
Embed Size (px)
Citation preview
1
Peramalan Permintaan Golongan Darah A, B, O Dan AB Dengan Metode
Exponential Smoothing Dan Metode Dekomposisi Di UTD PMI Kota Malang
Oleh :
Renanda Dwi Cahyani
Fakultas Ekonomi dan Bisnis Universitas Brawijaya
Dosen Pembimbing :
Dr. Ir. Nur Prima Waluyowati, MM.
Abstract : Blood is one of the most vital components in human body whose need is always
important to fulfill. Indonesia needs at least 5.1 million blood bags, but there is still a
shortage of blood bag stock due to high and unpredictable demands. The uncertainty of the
blood type A, B, O and AB demands might be overcome by forecasting. The Demand
forecasting is carried out at UTD PMI of Malang City for planning the blood supply and
minimizing the shortage, especially at a certain times when the blood demand reaches its
peak. The preferred forecasting method is exponential smoothing and decomposition
methods by forecast error test using MAPE, MSD, and MAD tools. The data pattern test,
which is known as trend and random pattern, recommends the application of double
exponential smoothing-Holt method and decomposition method without any cyclical
element. The result of forecast error indicates that the use of exponential smoothing method
is more favorable than the decomposition one with the approximate value close to the
reality. The use of the forecast of blood type A, B, O and AB demands at UTD of PMI
Malang City is helpful to estimate the number of requests in May to August 2018, so that
the plan for blood supply can be maximized and the shortage of blood stock minimized.
Keywords: Forecast, Demand, Blood, Exponential smoothing, Decomposition, Inventory
planning
Abstrak : Kondisi kekurangan pasokan darah bisa membahayakan nyawa pasien
yang membutuhkan, untuk itu UTD PMI mengelola persediaan dan permintaan
darah. Untuk mengatasi ketidakpastian dalam jumlah permintaan golongan darah
A, B, O dan AB bisa dengan mengetahui jumlah permintaan yang akan terjadi
dengan peramalan. Peramalan permintaan dilakukan di UTD PMI Kota Malang
untuk melakukan perencanaan persediaan darah agar meminimalisir kekurangan
persediaan darah. Metode peramalan yang dipilih adalah metode exponential
smoothing dan metode dekomposisi dengan uji forecast error menggunakan
MAPE, MSD dan MAD. Hasil uji pola data yang didapatkan sebagai pola trend dan
acak, digunakan jenis metode double exponential smoothing-Holt dan metode
dekomposisi tanpa ada unsur siklis. Dari hasil nilai forecast error diketahui bahwa
penggunaan metode exponential smoothing lebih baik dibandingkan metode
dekomposisi. Menggunakan peramalan permintaan golongan darah A, B, O dan
AB, UTD PMI Kota Malang bisa memperkirakan jumlah permintaan pada bulan
Mei sampai Agustus 2018, sehingga bisa memaksimalkan perencanaan persediaan
darah agar terjadi kekurangan pasokan darah bisa diminimalisir.
Kata Kunci : peramalan permintaan, darah, exponential smoothing, dekomposisi,
perencanaan persediaan
2
PENDAHULUAN
Latar Belakang
Darah dalam sistem sirkulasi peredaran
darah berfungsi sebagai pembawa zat-zat
yang diperlukan oleh tubuh, seperti
oksigen dan nutrisi serta berperan dalam
mengatur suhu dan keseimbangan cairan
pada tubuh (Firmansyah, 2007). Menurut
PMI (2008) donor darah adalah kegiatan
seseorang menyumbangkan darahnya
untuk tujuan transfusi darah. Handayani
(2008) mengatakan transfusi darah
adalah memasukkan sel darah merah
(darah segar) ke dalam tubuh melalui
vena. Aktivitas donor darah dan transfusi
darah merupakan satu-satunya sumber
darah bagi pasien yang membutuhkan.
Darah memerlukan pengelolaan dan
pengendalian untuk menjamin ketahanan
dan keberlangsungan darah dari diri
pendonor sampai kepada resipien
(penerima donor). Unit Transfusi Darah
(UTD) merupakan suatu unit khusus di
PMI (Palang Merah Indonesia) dalam
penyelenggaraan donor darah,
penyediaan darah serta distribusi darah
sebagaimana diatur dalam Peraturan
Menteri Kesehatan No. 83 Tahun 2014.
Pengendalian terhadap persediaan darah
pada UTD PMI sangat penting karena
jika terdapat kebutuhan darah, PMI dapat
memenuhi kebutuhan darah yang
dibutuhkan dan menjaga ketersediaan
darah yang diinginkan (Kemenkes RI,
2015).
Permintaan terhadap darah diperkirakan
semakin tinggi dikarenakan pesatnya
ilmu kedokteran. Perkembangan ilmu
kedokteran yang pesat membutuhkan
banyak kebutuhan darah, salah satunya
adalah pada prosedur transplantasi organ.
Rumah sakit menjadi sumber permintaan
darah terbanyak. Brodheim dalam
Rusman (2014) menyatakan beberapa
aktivitas mutlak membutuhkan produk
darah, seperti untuk operasi,
transplantasi, pengobatan kanker, cuci
darah, korban bencana dan lain
sebagainya. Persediaan darah pada UTD
dirasakan sangat penting karena apabila
ada permintaan darah namun UTD tidak
dapat menyediakan darah tersebut, maka
ada kemungkinan pasien tidak tertolong
(Akhdemila, 2009). Kemenkes RI (2017)
mengatakan angka kematian ibu
melahirkan tahun 2015 di Indonesia
sebesar 305 dari 100.000 kelahiran
dengan kasus tertinggi pendarahan,
sebagai upaya menurunkan angka
kematian ibu melahirkan adalah dengan
pemenuhan kebutuhan darah bagi ibu
melahirkan dengan komplikasi
pendarahan.
Kebutuhan darah yang meningkat tidak
diiringi dengan meningkatnya jumlah
pendonor sehingga UTD PMI mengalami
kekurangan persediaan darah
(Purnamasari, 2012). Menurut Kemenkes
RI (2016) menuturkan bahwa jumlah
kebutuhan minimal darah di Indonesia
sekitar 5,1 juta kantong pertahun,
sedangkan produksi darah dan
komponennya saat 2016 sebanyak 4,6
juta kantong dari 3,05 juta
donasi. Kesadaran masyarakat yang
rendah dan pelaksanaan donor darah
membuat pasokan darah tidak selalu
sesuai dengan yang diharapkan
(Kemenkes RI, 2014).
Di Kota Malang permintaan darah dapat
dilakukan di UTD PMI Kota Malang.
Antusiasme masyarakat pendatang dan
residen dalam mendonorkan darah
terlihat dari banyaknya kegiatan sosial
berupa donor darah yang
diselenggarakan oleh beberapa
komunitas atau organisasi, salah satunya
adalah aksi donor darah massal dari
perkumpulan ojek online Malang pada
Februari lalu (Malang Voice, 2018).
Pertambahan penduduk yang cepat di
Malang, yakni sekitar 10% pertahun
mengakibatkan jumlah penduduk yang
semakin bertambah (Amru &
Fatkhulalami, 2016). Pertambahan
jumlah mahasiswa sebagai penyumbang
pertambahan penduduk di Kota Malang
nyatanya mampu berkontribusi terhadap
pertambahan pendonor darah di Kota
Malang.
3
Perencanaan kebutuhan darah penting
untuk memperkirakan berapa jumlah
darah yang dibutuhkan dan berapa
jumlah donor darah yang harus
didapatkan untuk memenuhi kebutuhan
permintaan darah. Menurut Hardiyanti
(2017) pembuatan rencana kebutuhan
darah memerlukan teknik memprediksi
jumlah darah yang dibutuhkan dengan
teknik peramalan.
Mahasiswa sebagai salah satu sumber
pendonor darah di Kota Malang
memunculkan kecenderungan yang
hampir sama setiap tahunnya,
kemungkinan berkurangnya stok darah
pada bulan Ramadhan, sedangkan
kebutuhan permintaan darah tidak pernah
menurun (Christiyaningsih & Andi,
2017). Pada hari biasa rata-rata PMI Kota
Malang bisa menerima 150 pendonor,
tetapi saat pekan pertama bulan
Ramadhan 2017 jumlah pendonor hanya
20 sampai 30 perhari (Christiyaningsih &
Andi, 2017). Menurut Ismoko (2013)
permintaan darah cenderung akan
meningkat saat lebaran, natal dan tahun
baru karena berkaitan dengan
peningkatan angka kecelakaan.
Penelitian ini menggunakan jenis
peramalan kuantitatif dengan tipe
peramalan time series. Data time series
yang di plot berdasarkan jenis golongan
darah akan menunjukkan suatu pola data
tertentu, dari pola data tersebut bisa
diketahui jenis metode exponential
smoothing dan metode dekomposisi yang
sesuai. Selanjutnya dilakukan uji akurasi
(forecast error) dalam bentuk Moving
Average Deviation (MAD), Moving
Absolute Percent Error (MAPE), dan
Mean Squared Error (MSE) dalam
meramalkan permintaan darah jenis A, B,
O dan AB di UTD PMI Kota Malang.
Penggunaan uji akurasi terhadap
peramalan dikarenakan adanya kesalahan
residual. Penelitian terkait permintaan
darah perlu dilakukan untuk
meminimalkan kemungkinan
permasalahan terkait persediaan, dengan
demikian peramalan mempunyai fungsi
penentu strategi sebelum kegiatan
dimulai.
Tujuan dan Manfaat Penelitian
Penelitian ini dilakukan untuk
Mengetahui penggunaan metode
exponential smoothing dan metode
dekomposisi untuk meramalkan
permintaan darah golongan A, B, O dan
AB untuk bulan Mei-Agustus 2018 di
UTD PMI Kota Malang dan untuk
mengetahui perbandingan penggunaan
metode exponential smoothing serta
metode dekomposisi dalam meramalkan
permintaan golongan darah A, B, O dan
AB di UTD PMI Kota Malang.
TINJAUAN PUSTAKA
Peramalan (Forecasting)
Peramalan (forecasting) adalah suatu
seni dan ilmu pengetahuan dalam
memprediksi peristiwa di masa
mendatang (Heizer & Render, 2015).
Metode-metode Peramalan
- Metode Kualitatif, digunakan jika data
historis atau empiris dari variabel yang
akan diramal tidak ada, tidak cukup,
atau kurang dapat dipercaya. Input
utama adalah judgement, opini dan
pengalaman (Mulyono, 2000).
- Metode Kuantitatif, memerlukan data
historis atau empiris dan menuntut
variabel yang digunakan punya satuan
ukuran atau dapat diukur. Beranggapan
bahwa pola masa lalu akan berulang
(Mulyono, 2000).
- Metode Teknologi, menangani masalah
jangka panjang yang bersifat
teknologis, sosial, perekonomian atau
politis. Berkaitan dengan tingkat
perkembangan teknologi,
menghasilkan produk baru yang lebih
menarik (Makridakis & Wheelwright,
1994).
Identifikasi Pola Data
Menurut Makridakis & Wheelwright
(1994) terdapat empat jenis pola
permintaan, yaitu trend, musiman,
siklikal, dan horizontal/stasioner :
1. Pola trend, muncul ketika pola data
naik atau turun pada periode yang
panjang
4
2. Pola musiman, muncul apabila
observasi data dipengaruhi oleh faktor
musiman. Komponen musiman
mengacu pada suatu pola perubahan
yang berulang dengan sendirinya dari
tahun ke tahun
3. Pola siklikal, muncul ketika observasi
data memperlihatkan kenaikan dan
penurunan pada periode yang tidak
tetap. Komponen siklik mirip
fluktuasi gelombang di sekitar trend
yang sering dipengaruhi oleh kondisi
ekonomi
4. Pola horizontal/stasioner, muncul
ketika data observasi berkfluktuasi
disekitar mean atau tignkatan yang
konstan. Jenis pola horizontal ini
sering disebut pola stasioner terhadap
mean.
Tahap identifikasi pola dasar dari data
bisa menentukan pilihan model yang
tepat untuk melakukan peramalan.
Identifikasi pola dilakukan dengan metoe
time series, biasanya dilakukan dengan
bantuan software (Sutarti, 2009).
Kesalahan Peramalan (Forecast Error)
Menurut Heizer & Render (2015) Jika Ft
menunjukkan peramalan dalam periode t,
dan At menandakan permintaan aktual
dalam periode t, kesalahan peramalan
(atau deviasi) didefinisikan sebagai
berikut.
Kesalahan Peramalan =
Permintaan Aktual – Nilai Peramalan
= At - Ft
Menurut Jacobs & Chase (2016) error
dalam peramalan (forecast error) berikut
forecast error yang terdapat dalam
proses peramalan :
1. Mean Average Deviatioin (MAD)
Menurut Heizer & Render (2015)
deviasi rata-rata absolut (mean average
deviation) sebuah pengukuran dari
kesalahan peramalan dari keseluruhan
untuk model.
2. Mean Squared Error (MSE) / Mean
Squared Error (MSD)
Pendapat Heizer & Render (2015)
kesalahan rata-rata dikuadratkan adalah
cara mengukur keseluruhan dalam
kesalahan peramalan. MSE disebut
juga sebagai MSD.
3. Mean Absolute Percent Error (MAPE)
Persentase kesalahan rata-rata yang
absolut, dihitung sebagai perbedaan
rata-rata yang absolut antara nilai yang
diramalkan dengan aktualnya (Heizer
& Render, 2015).
Metode Dekomposisi
Menurut (Makridakis & Wheelwright,
1994;95) Metode dekomposisi
mengidentifikasi tiga komponen yang
terpisah dalam pola dasar yang menjadi
ciri khas serial data dalam bidang bisnis
dan perkonomian :
1. Faktor trend, mewakili perilaku data
dalam jangka panjang, dapat menaik,
meurun atau tidak berubah.
2. Faktor siklus, mewakili kemajuan dan
kemunduran yang disebabkan oleh
kondisi perekonomian atau kondisi
industri tertentu.
3. Faktor musiman, berkaitan denga
fluktuasi berkala dengan panjang
yang konstan dan kedalaman yang
proporsional yang disebabkan oleh
hal-hal seperti temperatur, hujan,
bulan dalam tahun, saat hari libur, dan
kebijakan perusahaan. Secara
matematik bentuk umum pendekatan
dekomposisi adalah :
𝑌𝑡 = 𝑓 (𝑇𝑡 , 𝐶𝑡, 𝑆𝑡 , 𝐸𝑡)
Keterangan : Tt : nilai series (data
aktual) pada waktu t
Ct : komponen siklus pada waktu t
St : komponen atau indeks musim pada
waktu t
Et : komponen kesalahan atau random
pada waktu t
Metode Exponential Smoothing
Terdapat satu atau lebih smoothing
parameters dan besarnya parameter
menentukan pengaruh observasi terakhir
terhadap nilai ramalan.
5
1. Single Exponential Smoothing
Single exponential smoothing model
untuk meramalkan periode berikutnya
adalah:
Ŷ𝑡+1 = 𝑤 𝑌𝑡 + (1 − 𝑤)Ŷ𝑡
Teknik ini cocok untuk data stasioner,
tidak punya trend dan pola musiman
(Mulyono, 2000).
2. Linear Exponential Smoothing-
Brown
Jika data punya trend naik (turun),
single exponential smoothing akan
menghasilkan ramalan yang lebih
rendah (tinggi). Jenis data trend naik
(turun) data ini dapat digunakan linear
exponential smoothing (teknik Brown
satu parameter).
3. Linear Exponential Smoothing-Holt
Bila data berpola acak secara horisontal
dan terdapat unsur tren, tetapi tidak
terdapat unsur musiman dan siklis, serta
trend bersifat linier, digunakan metode
pemulusan eksponensial ganda-Holt.
(Makridakis & Wheelwright, 1994).
𝑇𝑡 = 𝛽 (𝑆𝑡 − 𝑆𝑡−1) + (1 − 𝛽)𝑇𝑡−1
Keterangan :
𝑆𝑡 = setara dengan nilai dari pelicinan
eksponensial tunggal
𝛽 = koefisien pelicinan, setara dengan α
𝑇𝑡 = trend yang dilicinkan dalam serial
data
4. Linear Exponential Smoothing-
Winters
Bila data musiman maka metode yang
digunakan adalah Eksponensial Aditif
Tiga Parameter- Winter (Makridakis,
1999).
Unit Transfusi Darah (UTD)
Unit Transfusi Darah (UTD) merupakan
bagian dari PMI yang melayani proses
pelayanan darah. Menurut tingkatannya,
UTD terdiri dari nasional, provinsi dan
kabupaten/kota. Berdasarkan Peraturan
Menkes RI No 83 2014 Pasal 7, UTD
tingkat kabupaten/kota memiliki tugas
sebagai berikut:
1. Menyusun perencanaan kebutuhan
darah
2. Melakukan pengerahan dan
pelestarian pendonor darah
3. Melakukan penyediaan darah dan
komponen darah
4. Melakukan pendistribusian darah
5. Melakukan pelacakan penyebab
reaksi transfuse atau kejadian ikutan
akibat transfuse darah
6. Melakukan pemusnahan darah yan
tidak layak pakai.
Pemerintah Daerah kabupaten/kota
bertanggung jawab terhadap pembiayaan
penyelenggaran Pelayanan Darah pada
UTD tingkat kabupaten/kota.
Teori Peramalan Permintaan
Peramalan permintaan produk dan jasa
diwaktu mendatang sangat penting dalam
proses produksi, terkait perencanaan dan
pengawasan produksi, setidaknya untuk
mengurangi kemungkinan kekurangan
persediaan (Aritonang, 2002).
Menurut Baroto (2002) peramalan
permintaan bisa dipergunakan dasar
menentukan kebijakan pengendalian dari
sistem persediaan (inventory), membuat
perencanaan produksi dan produksi jasa.
Perencanaan Persediaan
Tanpa adanya persediaan, perusahaan
atau produsen akan dihadapkan pada
risiko tidak dapat memenuhi keinginan
pelanggan. (Wardhani, 2015). Mengelola
tingkat persediaan merupakan hal yang
mendasar dalam membentuk keunggulan
kompetitif jangka panjang (Hansen &
Mowen, 2005).
Aplikasi Minitab 17.0
Minitab merupakan salah satu program
aplikasi statistika yang banyak
digunakan untuk mempermudah
pengolahan data statistik. Sejak
kemunculan Minitab 10, program
minitab terus diperbaharui dengan
munculnya versi Minitab 11, Minitab 12,
Minitab 13, Minitab 14, sampai Minitab
17 dengan penyempurnaan pada
penyediaan metode penunjang
peningkatan kualitas, analisis
6
kemampuan proses, desain eksperimen,
analisis regresi, multivariate, analisis
data kualitatif, time series, hingga
nonparametrik (Iriawan, 2006).
Alur Analisis Data yang Melibatkan
Program Minitab
Sumber : Iriawan, 2006
Analisis data secara manual dengan
memasukkan nilai dalam sebuah
persamaan dianggap memakan waktu
lama dan sering terjadi human error,
sehingga digunakan bantuan program
dalam proses pengolahan output.
METODE PENELITIAN
Jenis Penelitian
Penelitian ini berjenis penelitian terapan
(applied research) dengan perbandingan
(comparative research) yang mencari
persamaan dan perbedaan berdasarkan
fakta dan data. Metode penelitian ini
merupakan deskriptif kuantatitf dengan
spesifikasi terencana dan terstruktur
dengan tujuan memperoleh hasil
peramalan permintaan darah sekaligus
perencanaan persediaan.
Jenis dan Sumber Data
Data primer diperoleh secara langsung
dengan pengamatan (Sugiono, 2014)
pada profil perusahaan, struktur
perusahaan, dan alur proses penyediaan
darah yang diperoleh melalui proses
observasi dan wawancara. Data sekunder
diperoleh lalu diolah atau diproses agar
lebih informatif (Agung, 2012). Data
sekunder yang dalam penelitian ini yakni
studi literatur dari jurnal, buku, dan hasil
penelitian serta data permintaan darah
untuk golongan darah A, B, O dan AB
pada periode Januari 2014- April 2018.
Metode Analisis Data
- Uji Pola Data
Penelitian yang menggunakan metode
time series/runtut waktu, maka
pengetahuan atas pergerakan pola data
jumlah permintaan darah untuk masing-
masing golongan darah perlu
dilakukan. Uji pola data dilakukan
untuk mengilustrasikan pola jangka
panjang suatu peristiwa, dalam hal ini
permintaan darah berdasarkan 4 varian
pola data.:
Jenis-jenis Pola Data yang Umum
Sumber : Makridakis., et all, 1999
- Uji Peramalan
Berdasarkan Jacobs & Chase (2016)
istilah jangka waktu peramalan
menengah adalah selama 3 bulan atau
kurang dari 2 tahun.
1. Metode Exponential Smoothing
Terdapat beberapa jenis dari teknik
exponential smoothing dengan
masing-masing kriteria penggunaan.
Untuk pola data berjenis trend
biasanya cenderung menggunakan
teknik peramalan exponential
smoothing Holt/ Double Exponential
Smoothing.
𝑆𝑡 = 𝛼(𝑥𝑡 − 𝑆𝑡−1 − 𝑏𝑡−1) + 𝑆𝑡−1 +𝑏𝑡−1
= 𝛼𝑥𝑡 − 𝛼𝑆𝑡−1 − 𝛼𝑏𝑡−1 + 𝑆𝑡−1 + 𝑏𝑡−1
Pola Data Horisontal Pola Data Musiman
Pola Data Siklis Pola Data Trend
7
= 𝛼𝑥𝑡 + (1 − 𝛼)𝑆𝑡−1 + (1 − 𝛼)𝑏𝑡−1
= 𝛼𝑥𝑡 + (1 − 𝛼)(𝑆𝑡−1 + 𝑏𝑡−1)
Untuk menghitung pemulusan unsur
trend digunakan persamaan sebagai
berikut:
𝑏𝑡 = 𝛾(𝑆𝑡 − 𝑆𝑡−1) + (1 − 𝛾)𝑏𝑡−1
2. Metode Dekomposisi
Metode dekomposisi diapakai untuk
memecah data deret berkala dalam
komponen-komponen trend,
seasonal, cyclical, dan irregular.
Terdapat beberapa jenis teknik dalam
dekomposisi, untuk melengkapi jenis
pola data yang ada, maka digunakan
metode dekomposisi deret waktu
dengan rumus:
F = TxM
Dengan :T = trend M = musiman
- Uji Forecast Error
Untuk mengetahui akurasi peramalan
yang paling kecila atau mendekati
kebenaran, maka digunakan tiga teknik
uji kesalahan peramalan :
1. MAD (Mean Average Deviation)
Untuk teknik uij MAD pada
umumnya digunakan pada
keseluruhan jenis model peramalan
dengan berbagia pola persebaran data.
Berikut rumus yang digunakan :
𝑀𝐴𝐷 = ∑ |𝐴𝑡
𝑛𝑡=1 − 𝐹𝑡|
𝑛
Keterangan : t = nomor periode
At = permintaan aktual untuk periode t
Ft = ramalan untuk periode t
n = total jumlah periode
|| = simbol yang digunakan untuk
menunjukkan nilai absolut yang tidak
memerhatikan tanda positif dan negatif
2. MSE (Mean Squared Error)/MSD
(Mean Squared Deviation)
MSE/mean squared error atau
disebut juga MSD/mean squared
deviation dihitung berdasarkan pada
nilai kesalahan yang ada kemudian
mengkuadratkannya secara langsung
dengan penilaian mutlak. Rumusnya
yakni sebagai berikut :
𝑀𝑆𝐸 = ∑ |𝐾𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛|2
𝑛
3. MAPE (Mean Absolute Percent
Error)
Dikarenakan perhitungan MAD dan
MSE bergantung pada volume barang
sehingga nilai kesalahan bernilai
besar, maka untuk mengatasi hal
tersebut MAPE digunakan sebagai
berikut :
𝑀𝐴𝑃𝐸 = ∑ 100|𝐴𝑘𝑡𝑢𝑎𝑙𝑖 − 𝐴𝑘𝑡𝑢𝑎𝑙𝑖 |/ 𝐴𝑘𝑡𝑢𝑎𝑙𝑖
𝑛𝑖−𝐼
𝑛
HASIL PENELITIAN DAN
PEMBAHASAN
Analisis Pola Data Permintaan
Periode waktu terletak pada absis (sumbu
X) yang mewakili variabel T dan jumlah
permintaan darah ditunjukkan pada
ordinat (sumbu Y) yang mewakili
variabel Y untuk masing-masing
golongan darah.
- Golongan Darah A
Berdasarkan hasil plot dengan Minitab
17, terlihat permintaan darah untuk
golongan darah A di UTD PMI Kota
Malang memiliki unsur trend. Pola
terlihat acak tanpa ada unsur musiman
atau siklis.
Berdasarkan pengujian time series-trend
analysis, semakin menguatkan bahwa
adanya trend naik. Persamaan regresi
pada diagram trend analysis yakni Yt =
8
1094,3 + 4,98t. Data permintaan
golongan darah A berpola trend-slope
positif.
- Golongan Darah B
Berdasarkan hasil plot terlihat
permintaan darah untuk golongan darah
B di UTD PMI Kota Malang memiliki
unsur pola trend, dari pola menunjukkan
peningkatan dari tahun ke tahun. Unsur
musiman tidak terlihat karena pola
bergerak acak dari waktu ke waktu dan
unsur siklus tidak terlihat mengingat
kebutuhan untuk melihat data siklus lebih
jelas memerlukan jangka waktu yang
sedikit panjang.
Berdasarkan pengujian time series-trend
analysis, menunjukkan adanya trend
naik. Persamaan regresi pada diagram
trend analysis yakni Yt = 1552,4 + 4,76t.
Tidak terdapat unsur musiman atau
siklus, tingkat ketidakpastian dalam
permintaan golongan darah B termasuk
tinggi.
- Golongan Darah O
Berdasarkan hasil plot terlihat dari
permintaan darah untuk golongan darah
O di UTD PMI Kota Malang terjadi
penurunan dan kenaikan. Pola
teridentifikasi sangat acak karena terjadi
beberapa kali kenaikan dan penurunan
yang ekstrim, namun tetap terjadi pola
trend kenaikan dari tahun ke tahun.
Pergerakan pola data bergerak sangat
cepat. Menunjukkan kenaikan
permintaan darah secara perlahan dengan
masih bersifat fluktiatif.
Berdasarkan pengujian time series-trend
analysis, terbukti ada pola trend naik
meskipun terjadi trend penurunan di awal
data tahun 2014 sampai dengan tahun
2015. Persamaan regresi pada diagram
trend analysis yakni Yt = 1781,0 + 9,83t.
- Golongan Darah AB
Berdasarkan hasil plot terlihat
permintaan darah untuk golongan darah
AB di UTD PMI Kota Malang terjadi
penurunan dan kenaikan yang terkadang
terjadi secara ekstrim. Terjadi pola data
acak untuk permintaan golongan darah
AB dengan tingkat fluktuasi yang tinggi
untuk setiap penurunan dan kenaikannya.
Selain adanya unsur trend yang naik,
kemungkinan adanya unsur siklis juga
ada di data permintaan golongan darah
AB. Namun menurut Makridakis (1999)
unsur siklis sangat sulit dicari, dan untuk
setidaknya menganalisis sebuah pola
data berjenis siklus atau tidak, paling
tidak ada 3 pola berulang dalam kuartal
yang bersamaan. Hasil nilai persamaan
linearnya adalah Yt = 365,2 + 1,407t.
9
Permintaan golongan darah AB
merupakan permintaan darah terkecil di
UTD PMI Kota Malang dengan kenaikan
terkecil setiap satu kali terjadi kenaikan
permintaan.
Peramalan Permintaan dengan
Metode Exponential Smoothing
Berdasarkan pada analisis pola data
dijelaskan bahwa data mengalami
kecenderungan trend naik dan pola acak
tanpa pola siklis dan musiman. Menurut
Makridakis & Wheelwright (1994)
dengan pola data trend dan acak maka
digunakan metode Double Exponential
Smoothing-Holt. Perhitungan dilakukan
dengan bantuan software Minitab 17
dengan konstanta alpha dan gamma dari
optimum ARIMA (Autoregresif
Integrated Moving Average) yang telah
tersedia dalam software.
- Golongan Darah A
Nilai alpha 0,69 dan nilai gamma 0,056
dengan pemilihan optimum ARIMA.
Plot Hasil Peramalan Permintaan
Golongan Darah A
Sumber : Data diolah, 2018
Hasil Peramalan, Batas Atas, Batas
Bawah Permintaan Goldar A
Bulan Peramalan Batas
Bawah
Batas
Atas
Mei 2018 1450,70 1164,41 1737,00
Juni 2018 1459, 64 1099,65 1819,63
Juli 2018 1468,57 1028,42 1908,73
Agustus 2018 1477,51 953,70 2001,32 Sumber : Data diolah, 2018
- Golongan Darah B
Nilai alpha 0,49 dan nilai gamma 0,069
dengan pemilihan optimum ARIMA.
Plot Hasil Peramalan Permintaan
Golongan Darah B
Sumber : Data diolah, 2018
Hasil Peramalan, Batas Atas, Batas
Bawah Permintaan Goldar B
Bulan Peramalan Batas
Bawah
Batas
Atas
Mei 2018 1890,85 1455,99 2325,71
Juni 2018 1901,70 1410,77 2392,62
Juli 2018 1912,54 1359,69 2465,39
Agustus 2018 1923,39 1304,51 2542,26
Sumber : Data diolah, 2018
- Golongan Darah O
Nilai alpha 0,66 dan nilai gamma 0,056
dengan pemilihan optimum ARIMA.
10
Plot Hasil Peramalan Permintaan
Golongan Darah O
Sumber : Data diolah, 2018
Hasil Peramalan, Batas Atas, Batas
Bawah Permintaan Goldar O
Sumber : Data diolah, 2018
- Golongan Darah AB
Nilai alpha 0,66 dan nilai gamma 0,056
dengan pemilihan optimum ARIMA.
Plot Hasil Peramalan Permintaan
Golongan Darah AB
Sumber : Data diolah, 2018
Hasil Peramalan, Batas Atas, Batas
Bawah Permintaan Goldar AB
Bulan Peramalan Batas
Bawah
Batas
Atas
Mei 2018 484,269 375,055 593,483
Juni 2018 488,116 355,307 620,925
Juli 2018 491,963 333,340 650,585
Agustus 2018 495,809 310,078 681,540
Sumber : Data diolah, 2018
Peramalan Permintaan dengan
Metode Dekomposisi
Unsur siklis dan irregular yang diteliti
dalam metode dekomposisi memiliki
nilai dari perhitungan Trend (T),
Seasonal/Musiman (S) yang akan
menunjukkan nilai dari perhitungan
Siklis (Cyclical/ C) dan Irregular (I).
- Golongan Darah A
Plot Data Time Series –Dekomposisi
Permintaan Golongan Darah A
Sumber : Data diolah, 2018
Hasil peramalan dekomposisi dalam
bentuk kuartalan, untuk menghitung
peramalan dalam bulanan, maka
persamaan pada trend yakni Yt=3290,3 +
40,77t dirubah dalam bentuk bulanan,
sehingga didapatkan persamaan baru
pada trend yakni Yt = 1096,76667 +
4,53t.
Bulan Peramalan Batas
Bawah
Batas
Atas
Mei 2018 2238,68 1774,05 2703,30
Juni 2018 2241,51 1667,33 2815,69
Juli 2018 2244,35 1550,64 2938,05
Agustus 2018 2247,18 1428,34 3066,03
11
Hasil Ramalan Dekomposisi
Permintaan Goldar A
Sumber : Data diolah, 2018
- Golongan Darah B
Plot Data Time Series –Dekomposisi
Permintaan Golongan Darah B
Sumber : Data diolah, 2018
Hasil peramalan dekomposisi dalam
bentuk kuartalan, untuk menghitung
peramalan dalam bulanan, maka
persamaan pada trend yakni Yt=4656 +
38, 3t dirubah dalam bentuk bulanan,
sehingga didapatkan persamaan baru
pada trend yakni Yt = 1552 + 4,256t.
Hasil Ramalan Dekomposisi
Permintaan Goldar B
Sumber : Data diolah, 2018
- Golongan Darah O
Plot Data Time Series –Dekomposisi
Permintaan Goldar O
Sumber : Data diolah, 2018
Hasil peramalan dekomposisi dalam
bentuk kuartalan, untuk menghitung
peramalan dalam bulanan, maka
persamaan pada trend yakni Yt=4656 +
38, 3t dirubah dalam bentuk bulanan,
sehingga didapatkan persamaan baru
pada trend yakni Yt = 1748,3 + 10,83t.
Hasil Ramalan Dekomposisi
Permintaan Golongan Darah O
Sumber : Data diolah, 2018
- Golongan Darah AB
Plot Data Time Series –Dekomposisi
Golongan Darah AB
Sumber : Data diolah, 2018
Bulan Metode Dekomposisi
Mei 1336,857
Juni 1341,387
Juli 1345,917
Agustus 1350,447
Bulan Hasil Peramalan
Mei 1777,54
Juni 1781,824
Juli 1786,08
Agustus 1790,336
Bulan Hasil Peramalan
Mei 2322,29
Juni 2333,12
Juli 2343,95
Agustus 2354,78
12
Hasil peramalan dekomposisi dalam
bentuk kuartalan, untuk menghitung
peramalan dalam bulanan, maka
persamaan pada trend yakni Yt=1087,4 +
12,56t dirubah dalam bentuk bulanan,
sehingga didapatkan persamaan baru
pada trend yakni Yt = 362,467 + 1,395t.
Hasil Ramalan Dekomposisi
Permintaan Golongan Darah AB
Sumber : Data diolah, 2018
Pembahasan Hasil Peramalan
- Golongan Darah A
Perbandingan Hasil Peramalan
Golongan Darah A
Bulan
Peramalan Permintaan
(satuan unit)
Exponential
Smoothing Dekomposisi
Mei 2018 1450,70 1336,857
Juni 2018 1459, 64 1341,387
Juli 2018 1468,57 1345,917
Agustus 2018 1477,51 1350,447
Sumber : Data diolah, 2018
Perbandingan Forecast Error
Peramalan Golongan Darah A
Sumber : Data diolah, 2018
Berdasarkan hasil dari pengolahan data
program aplikasi Minitab 17, metode
peramalan terbaik menggunakan
exponential smoothing-Holt dengan nilai
MAD dan MSD yang berturut-turut
sebesar 116,9 dan 21000,4 lebih kecil
dibandingkan dekomposisi. Metode
dekomposisi memiliki nilai MAPE yang
lebih kecil sebesar 3,4 dibandingkan
exponential smoothing. Pola data dengan
unsur trend yang acak sesuai dengan
rekomendasi Makridakis (1999)
menggunakan metode peramalan Double
Exponential Smoothing-Holt.
Pergerakan data yang terlihat pada grafik
hasil peramalan exponential smoothing
dan dekomposisi menunjukkan
kecenderungan yang berbeda. Grafik
metode exponential smoothing lebih bisa
mengikuti pergerakan pola data trend.
Grafik metode dekomposisi yang
bergerak secara kuartal terlihat ada gap
antara garis realita dan garis perkiraan,
namun pergerakan hasil peramalan
memperlihatkan peramalan metode
dekomposisi terletak tidak akan jauh dari
garis trend.
- Golongan Darah B
Perbandingan Hasil Peramalan
Golongan Darah B
Sumber : Data diolah, 2018
Perbandingan Forecast Error
Peramalan Golongan Darah B
Sumber : Data diolah, 2018
Berdasarkan hasil dari pengolahan data
program aplikasi Minitab 17 atas data
permintaan golongan darah B di PMI
Kota Malang, metode peramalan terbaik
menggunakan exponential smoothing-
Holt dengan nilai MAD dan MSD yang
berturut-turut sebesar 177,5 dan 44849,6
lebih kecil dibandingkan dekomposisi.
Metode dekomposisi memiliki nilai
MAPE yang lebih kecil sebesar 4,0
dibandingkan exponential smoothing.
Nilai MAPE yang kecil pada metode
dekomposisi dikarenakan formulasi dari
MAPE yang membagi jumlah MAD
dengan permintaan rata-rata, sehingga
Bulan Hasil Peramalan
Mei 436,402
Juni 437,797
Juli 439,192
Agustus 440,587
Bulan
Peramalan Permintaan
Exponential
Smoothing Dekomposisi
Mei 2018 1890,85 1777,54
Juni 2018 1901,70 1781,824
Juli 2018 1912,54 1786,08
Agustus 2018 1923,39 1790,336
Forecast
Error
Exponential
Smoothing
Metode
Dekomposisi
MAPE 10,7 4,0
MAD 177,5 197,9
MSD/MSE 44849,6 58187,0 Forecast
Error
Exponential
Smoothing
Metode
Dekomposisi
MAPE 9,8 3,4
MAD 116,9 128,1
MSD/MSE 21000,4 29461,7
13
bisa dikatakan pada data permintaan
darah, penilaian menggunakan rata-rata
tidak sesuai.
Pergerakan data yang terlihat pada grafik
hasil peramalan exponential smoothing
dan dekomposisi menghasilkan
kecenderungan yang hampir sama, yakni
tingkat keperbedaan/gap antara titik
realita dan titik perkiraan mengalami
ketidakcocokan. Tingkat gap yang tinggi
terlihat dari grafik hasil peramalan
metode dekomposisi dibandingkan
metode exponential smoothing, hal ini
dikarenakan metode pengelompokan
pada metode dekomposisi yang bisa lebih
memperlihatkan pergerakan data.
Pergerakan nilai ramalan dari metode
dekomposisi tidak bergerak jauh dari
garis trend yang ada pada pola data
permintaan darah B.
- Golongan Darah O
Perbandingan Hasil Peramalan
Golongan Darah O
Sumber : Data diolah, 2018
Perbandingan Forecast Error
Peramalan Golongan Darah O
Sumber : Data diolah, 2018
Berdasarkan hasil dari pengolahan data
program aplikasi Minitab 17 terhadap
data permintaan golongan darah O di
PMI Kota Malang, metode peramalan
terbaik menggunakan exponential
smoothing-Holt dengan nilai MAD dan
MSD yang berturut-turut sebesar 189,6
dan 61029 lebih kecil dibandingkan
dekomposisi. Metode dekomposisi
memiliki nilai MAPE yang lebih kecil
sebesar 7 dibandingkan exponential
smoothing. Dibangdingkan dengan nila
MAPE metode dekomposisi permintaan
golongan darah A, B dan AB, pada nilai
MAPE metode dekomposisi nilai
tertinggi, menunjukkan tingkat
keakuratan terendah dibandingkan
peramalan golongan darah lainnya. Hal
ini disebabkan persebaran data pada
permintaan golongan darah O bervariatif
dalam tingkat keacakan, trend, musiman
maupun cyclical.
Pergerakan data yang terlihat pada grafik
hasil peramalan exponential smoothing
dan dekomposisi menghasilkan
kecenderungan yang berbeda. Tingkat
keperbedaan/gap antara titik realita dan
titik perkiraan mengalami
ketidakcocokan tinggi pada grafik hasil
peramalan metode dekomposisi, namun
pada grafik hasil peramalan metode
exponential smoothing tingkat gap tidak
terlalu tinggi, bahkan mampu
menyesuaikan dengan titik realita.
Perbandingan hasil peramalan dari kedua
metode juga memiliki selisih yang tidak
terlalu banyak. Pergerakan nilai ramalan
dari metode dekomposisi yang bergerak
tidak jauh dari garis trend pada
peramalan golongan darah O terjadi sama
dengan pergerakan nilai ramalan metode
exponential smoothing-Holt.
- Golongan Darah AB
Perbandingan Hasil Peramalan
Golongan Darah AB
Sumber : Data diolah, 2018
Bulan
Peramalan Permintaan
Exponential
Smoothing Dekomposisi
Mei 2018 2238,68 2322,29
Juni 2018 2241,51 2333,12
Juli 2018 2244,35 2343,95
Agustus 2018 2247,18 2354,78
Forecast
Error
Exponential
Smoothing
Metode
Dekomposisi
MAPE 9,7 7
MAD 189,6 403
MSD/MSE 61029 280315
Bulan
Peramalan Permintaan
Exponential
Smoothing Dekomposisi
Mei 2018 484,269 436,402
Juni 2018 488,116 437,797
Juli 2018 491,963 439,192
Agustus 2018 495,809 440,587
14
Perbandingan Forecast Error
Peramalan Golongan Darah AB
Sumber : Data diolah, 2018
Berdasarkan hasil dari pengolahan data
program aplikasi Minitab 17 terhadap
data permintaan golongan darah AB di
PMI Kota Malang, metode peramalan
terbaik menggunakan exponential
smoothing-Holt dengan nilai MAD dan
MSD yang berturut-turut sebesar 44,58
dan 3109,47 lebih kecil dibandingkan
dekomposisi. Metode dekomposisi
memiliki nilai MAPE yang lebih kecil
sebesar 5,58 dibandingkan exponential
smoothing. Nilai MAPE metode
exponential smoothing permintaan
golongan darah AB merupakan nilai
MAPE tertinggi dibandingkan golongan
darah A, B, dan O. Hal tersebut
menunjukkan bahwa permintaan darah
AB cenderung kurang bisa menggunakan
dasar rata-rata untuk menggambarkan
permintaan, karena formulasi MAPE
yang memasukkan unsur permintaan
rata-rata.
Pergerakan data pada grafik hasil
peramalan exponential smoothing dan
dekomposisi menghasilkan
kecenderungan yang berbeda. Tingkat
keperbedaan/gap antara titik realita dan
titik perkiraan mengalami
ketidakcocokan yang tinggi pada grafik
hasil peramalan dekomposisi, namun
pada grafik hasil peramalan metode
exponential smoothing tingkat gap tidak
terlalu tinggi, bahkan bisa menyesuaikan
dengan titik realita. Grafik pada hasil
peramalan metode exponential
smoothing permintaan golongan darah
AB memiliki nilai batas atas yang sangat
jauh dari nilai peramalan, menunjukkan
tingkat ketidakpastian yang tinggi pada
pola data permintaan golongan darah AB.
Perencanaan Persediaan Darah
Berdasarkan Peramalan
Perencanaan persediaan darah dalam
penelitian ini merupakan langkah yang
digunakan untuk menyesuaikan antara
kemampuan stock dengan jumlah
permintaan darah yang sudah diramalkan
sebelumnya. Peramalan permintaan
dijadikan acuan untuk perencanaan
persediaan bulanan selama setidaknya 4
bulan kedepan. Perencanaan persediaan
yang dimaksud ialah menentukan berapa
banyak stock harus dimaksimalkan dan
direncanakan berdasarkan permintaan
dan persediaan yang melalui data historis
dan hasil peramalan.
- Golongan Darah A
Peramalan Permintaan dan Historis
Persediaan Golongan Darah A
Sumber : Data diolah, 2018
Adanya perbedaan hasil peramalan
permintaan bisa dijadikan acuan kisaran
permintaan. Pada bulan Mei 2018
peramalan permintaan antara 1337-1451
permintaan, sedangkan persediaan rata-
rata 1346 kantong, maka setidaknya
persediaan sebanyak 1394 kantong. Dari
data historis, bisa terjadi kekurangan
persediaan untuk bulan Mei sebanyak 48
kantong darah. Pada bulan Juni 2018
peramalan permintaan antara 1341-1460
permintaan, sedangkan persediaan rata-
rata 1356, setidaknya persediaan
sebanyak 1401 agar persediaan aman.
Kemungkinan terjadi kekurangan
persediaan bulan Juni sebesar 45 kantong
darah. Pada bulan Juli 2018 peramalan
permintaan antara 1346-1469
permintaan, sedangkan persediaan rata-
rata 1291, setidaknya persediaan
sebanyak 1407 agar persediaan aman.
Kemungkinan kekurangan persediaan
Forecast
Error
Exponential
Smoothing
Metode
Dekomposisi
MAPE 11,39 5,58
MAD 44,58 66,56
MSD/MSE 3109,47 6335,89
Bulan
(2018)
Peramalan Permintaan Persediaan
Darah
Rata-Rata 4
Tahun
Exponential
Smoothing Dekomposisi
Mei 1450,70 1336,857 1346
Juni 1459, 64 1341,387 1356
Juli 1468,57 1345,917 1291
Agustus 1477,51 1350,447 1440
15
sebesar 116 kantong darah. Pada bulan
Agustus 2018 peramalan permintaan
berkisar antara 1350-1478, sedangkan
persediaan rata-rata 1440, setidaknya
persediaan sebanyak 1414. Pada bulan
Agustus 2018 bisa terjadi kelebihan
persediaan untuk golongan darah A.
- Golongan Darah B
Peramalan Permintaan dan Historis
Persediaan Golongan Darah B
Sumber : Data diolah, 2018
Perbedaan hasil peramalan permintaan
bisa dijadikan acuan kisaran permintaan.
Pada bulan Mei 2018 peramalan
permintaan antara 1777-1891
permintaan, sedangkan persediaan rata-
rata berkisar 1911, setidaknya persediaan
sebanyak 1834 kantong darah. Menurut
data historis, pada bulan Mei untuk
golongan darah B terjadi kelebihan
pasokan persediaan. Pada bulan Juni
2018 peramalan permintaan antara 1782-
1902 permintaan, sedangkan persediaan
rata-rata 1821, setidaknya persediaan
sebanyak 1842 agar persediaan aman.
Menurut data historis persediaan, bisa
terjadi kekurangan persediaan sebanyak
21 kantong darah pada bulan Juni 2018.
Pada bulan Juli 2018 peramalan
permintaan antara 1786-1913
permintaan, sedangkan persediaan rata-
rata berkisar 1699, setidaknya persediaan
sebanyak 1849 agar persediaan sangat
aman. Menurut data historis persediaan,
kemungkianan akan terjadi kekurangan
sebesar 150 kantong darah. Pada bulan
Agustus 2018 peramalan permintaan
berkisar antara 1790-1924, sedangkan
persediaan rata-rata 2103, setidaknya
persediaan sebanyak 1857 agar
persediaan aman. Menurut data historis
persediaan, akan terjadi kelebihan
persediaan sebesar 246 kantong darah
pada bulan Agustus 2018.
- Golongan Darah O
Peramalan Permintaan dan Historis
Persediaan Golongan Darah O
Sumber : Data diolah, 2018
Perbedaan hasil peramalan permintaan
bisa dijadikan acuan kisaran permintaan.
Pada bulan Mei 2018 peramalan
permintaan antara 2239-2322
permintaan, sedangkan persediaan rata-
rata berkisar 2366, setidaknya persediaan
sebanyak 2280 sudah sangat mencukupi
persediaan. Menurut data historis
persediaan, bisa terjadi kelebihan
persediaan sebanyak 86 kantong darah.
Pada bulan Juni 2018 peramalan
permintaan antara 2241-2333
permintaan, sedangkan persediaan rata-
rata 2283, setidaknya persediaan
sebanyak 2287 persediaan terpenuhi.
Menurut data historis bulan Juni,
kemungkinan terjadi kekurangan
persediaan sebesar 4 kantong darah. Pada
bulan Juli 2018 peramalan permintaan
antara 2244-2344 permintaan, sedangkan
persediaan rata-rata berkisar 2247,
setidaknya persediaan sebanyak 2294
agar persediaan aman. Menurut data
historis persediaan bulan Juli, bisa terjadi
kekurangan persediaan sebesar 47
lantong darah. Pada bulan Agustus 2018
peramalan permintaan berkisar antara
2247-2355, sedangkan persediaan rata-
rata 2564, setidaknya persediaan
sebanyak 2301 agar aman. Menurut data
historis bulan Agustus, bisa terjadi
kemungkinan kelebihan persediaan darah
sebesar 263 kantong darah.
Bulan
(2018)
Peramalan Permintaan Persediaan
Darah
Rata-Rata 4
Tahun
Exponential
Smoothing Dekomposisi
Mei 2238,68 2322,29 2366
Juni 2241,51 2333,12 2283
Juli 2244,35 2343,95 2247
Agustus 2247,18 2354,78 2564
Bulan
(2018)
Peramalan Permintaan Persediaan
Darah
Rata-Rata
4 Tahun
Exponential
Smoothing Dekomposisi
Mei 1890,85 1777,54 1911
Juni 1901,70 1781,824 1821
Juli 1912,54 1786,08 1699
Agustus 1923,39 1790,336 2103
16
- Golongan Darah AB
Peramalan Permintaan dan Historis
Persediaan Golongan Darah AB
Sumber : Data diolah, 2018
Perbedaan hasil peramalan permintaan
bisa dijadikan acuan kisaran permintaan.
Pada bulan Mei 2018 peramalan
permintaan antara 436-484 permintaan,
sedangkan persediaan rata-rata berkisar
412, setidaknya persediaan sebanyak 460
agar persediaan aman. Menurut data
historis bulan Mei, bisa terjadi
kekurangan persediaan darah sebesar 48
kantong darah. Pada bulan Juni 2018
peramalan permintaan antara 438-488
permintaan, sedangkan persediaan rata-
rata 436, setidaknya persediaan sebanyak
463 agar persediaan aman. Menurut data
historis bulan Juni, bisa terjadi
kekurangan sebesar 27 kantong darah.
Pada bulan Juli 2018 peramalan
permintaan antara 439-492 permintaan,
sedangkan persediaan rata-rata berkisar
416, setidaknya persediaan sebanyak 465
agar persediaan aman. Menurut datah
historis bulan Juli, bisa terjadi
kekurangan persediaan darah sebanyak
49 kantong darah. Pada bulan Agustus
2018 peramalan permintaan berkisar
antara 440-496, sedangkan persediaan
rata-rata 374, setidaknya persediaan
sebanyak 468 agar persediaan aman.
Menurut data historis bulan Agustus,
maka bisa terjadi kekurangan persediaan
darah AB sebesar 94 kantong darah.
Keterbatasan Penelitian
Penelitian yang dilakukan saat ini masih
memiliki banyak kekurangan dan
keterbatasan, diantaranya sebagai
berikut:
1. Penelitian ini membahas dua metode
peramalan, yaitu metode exponential
smoothing dan metode dekomposisi
untuk meramalkan permintaan
golongan darah A, B, O dan AB
berdasarkan data permintaan darah
dari bulan Januari 2014 sampai April
2018 di UTD PMI Kota Malang.
2. Data permintaan dan persediaan darah
yang digunakan adalah data
permintaan dan persediaan golongan
darah A, B, O dan AB yang tidak
dibedakan berdasarkan jenis
komponen darah, umur, jenis kelamin
pasien, rhesus atau darah yang rusak.
3. Adanya unsur biaya dalam kegiatan
permintaan hingga persediaan darah
tidak dipertimbangkan dalam
penelitian ini.
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan penelitian yang telah
dilakukan terkait peramalan permintaan
pada UTD PMI Kota Malang, adapun
kesimpulan diantaranya sebagai berikut :
1. Penggunaan metode exponential
smoothing yang memiliki pola data
trend - acak adalah metode Double
Exponential Smoothing-Holt.
Kesesuaian terlihat dari forecast error
untuk MAD dan MSD yang kecil
dibandingkan metode dekomposisi.
2. Penggunaan metode dekomposisi
didapatkan hasil peramalan metode
dekomposisi dilakukan secara manual
dengan mengubah persamaan trend
dekomposisi menjadi bulanan.
3. Metode peramalan yang paling sesuai
ialah metode exponential smoothing-
Holt untuk golongan darah A, B, O
dan AB dengan nilai forecast error
MSD dan MAD yang relatif kecil
dibandingkan metode dekomposisi,
sedangkan nilai MAPE terkecil semua
terjadi pada metode dekomposisi.
4. Pola data untuk keempat golongan
darah A, B, O dan AB pada umumnya
berjenis trend dengan slope positif
dan tingkat pola acak yang berbeda-
beda.
Bulan
(2018)
Peramalan Permintaan Persediaan
Darah
Rata-Rata
4 Tahun
Exponential
Smoothing Dekomposisi
Mei 484,269 436,402 412
Juni 488,116 437,797 436
Juli 491,963 439,192 416
Agustus 495,809 440,587 374
17
5. Pergerakan grafik peramalan metode
dekomposisi bergerak sesuai dengan
pola kuartal, sehingga hasil ramalan
tidak terlalu jauh dari garis trend,
sedangkan grafik peramalan metode
exponential smoothing bergerak
sesuai pola yang yang telah terjadi di
masa lampau dan bergerak mendekati
titik realita.
6. Hasil peramalan permintaan golongan
darah A, B, O dan AB pada bulan
Mei-Agustus 2018 berdasarkan data
historis 4 tahun sebelumnya bisa
digunakan perencananaan persediaan
4 bulan yang akan datang.
Saran
Beberapa saran diberikan dari penelitian
ini setelah mempertimbangkan hasil dan
pembahasan serta kesimpulan :
1. Seharusnya ada penerapan peramalan
permintaan darah untuk perencanaan
persediaan yang strategis agar
mengetahui kebutuhan darah dimasa
mendatang untuk meminimalisir
terjadinya kekurangan (stockout) atau
kelebihan (overstock) darah.
2. Peningkatan permintaan golongan
darah A, B, O dan AB untuk setiap
tahun terus meningkat, hendaknya
diperlukan antisipasi peningkatan
permintaan setiap tahun dengan
optimalisasi perencanaan, sosialisasi
dan edukasi pentingnya mendonorkan
darah secara rutin.
3. Penelitian peramalan permintaan
perlu mempertimbangkan bisa
melakukan analisis penggunana
metode kualitatif, berupa judgment,
opini atau pengalaman dari ahli untuk
dijadikan tambahan masukan bagi
peneliti dibidang peramalan di masa
mendatang.
4. Diperlukan pengembangan sistem
perencanaan persediaan berdasarkan
teori peramalan permintaan untuk
mengantisipasi adanya perlonjakan
permintaan darah pada waktu-waktu
tertentu.
DAFTAR PUSTAKA
Agung, Anak, Putu Agung. (2012).
Metodologi Penelitian Bisnis.
Malang : Universitas Brawijaya
Press.
Akhdemila, Wanda. (2009). Analisis
Pengenalian Persediaan Darah
pada Palang Merah Indonesia
(PMI) Unit Transfusi Darah
Cabang (UTDC) Kota Depok.
Skripsi dipublikasi. Departemen
Manajemen, Fakultas Ekonomi
dan Manajemen. Institut Pertanian
Bogor. Bogor.
Amru, Ahmad Muiz., Fatkhulalami.
(2016). Surya Malang :PMI
Malang Raya Kehabisan Stok
Darah, Ini Langkah yang
Dilakukan. Berita Online
(http://suryamalang.tribunnews.co
m/2016/07/15/pmi-malang-raya-
kehabisan-stok-darah-ini-langkah-
yang-dilakukan), diakses pada
tanggal 11 April 2018.
Aritonang R, Lerbin. (2002). Peramalan
Bisnis. Jakarta : Ghalia Indonesia.
Baroto, Teguh. (2002). Perencanaan dan
Pengendalian Produksi, Cetakan
Pertama. Jakarta : Ghalia
Indonesia.
Christiyaningsih, Andi Nur Aminah.
(2017). Republika : PMI Malang
Cari Cara Atasi Krisis Stok
Darah Selama Ramadhan. Berita
Online
(http://nasional.republika.co.id/be
rita/nasional/daerah/17/05/30/oqr
gqx384-pmi-malang-cari-cara-
atasi-krisis-stok-darah-selama-
ramadhan), diakses pada tanggal
11 April 2018.
Firmansyah, Rikky., Agus Mawardi H.,
M. Umar Riandi. (2007). Mudah
dan Aktif Belajar Biologi.Setia
Purna Inves. Bandung.
Handayani, Wiwik., & Andi Sulistyo
Hariwibowo. (2008). Asuhan
18
Keperawatan pada Klien dengan
Gangguan Sistem Hematologi.
Salemba Medika. Jakarta.
Hansen, Mowen. (2005). Akuntansi
Manajerial, buku 1 ed. 8.
Salemba Empat. Jakarta.
Hardiyanti, Wenny Pratiwi. (2017).
Sistem Informasi Peramalan
Jumlah Permintaan Darah
Menggunakan Metode
Exponential Smoothing: Studi
Kasus di UTD PMI Kabupaten
Jember. Skripsi Dipublikasi.
Jember : Program Studi Sistem
Informasi, Universitas Jember.
Heizer, Jay., Barry Render. (2015).
Manajemen Operasi, Manajemen
Keberlangsungan dan Rantai
Pasokan. Jakarta : Salemba
Empat.
Iriawan, Nur & Septin Puji Astuti. 2006.
Mengolah Data Statistik dengan
Mudah Menggunakan Minitab 14.
Yogyakarta : Penerbit Andi
Ismoko, T. (2013). Analisis Model
Peramalan Permintaan Darah
pada Palang Merah Indonesia
Unit Transfusi Darah Kota
Yogyakarta. Skripsi dipublikasi.
Teknik Mesin dan Industri,
Universitas Gadjah Mada.
Yogyakarta.
Jacobs, F Robert., Richard B. Chase.
(2016). Manajemen Operasi dan
Rantai Pasokan, edisi 14. Jakarta :
Salemba Empat.
Kemenkes RI. (2014). Pusat Data dan
Informasi Kementerian Kesehatan
RI, Situasi Donor Darah di
Indonesia. Jakarta : Kemenkes RI.
___________. (2015). Pusat Data dan
Informasi Kementerian Kesehatan
RI, Situasi Pelayanan Darah di
Indonesia. Jakarta : Kemenkes RI.
Makridakis, Spyros., Steven C.
Wheelwright. (1994). Metode-
metode Peramalan untuk
Manajemen. Jakarta Barat :
Binarupa Aksara.
Makridakis, Spyros., Steven C.
Wheelwright., Victor E M. (1999).
Metode dan Aplikasi Peramalan,
edisi kedua. Jakarta : Penerbit
Erlangga.
Malang Voice. (2018). Ratusan
Pengemudi Ojol Donor Darah,
Anon Beri Apresiasi. Diakses
Online
(https://malangvoice.com/ratusan-
pengemudi-ojol-donor-darah-
anton-beri-apresiasi/), pada
tanggal 10 Maret 2018.
Mulyono, Sri. (2000). Peramalan Bisnis
dan Ekonometrika, edisi pertama.
Yogjakarta : BPFE Yogjakarta.
PMI. (2008). Donor Darah Sukarela,
Ayo Siapkan Dirimu!. Jakarta.
PMI Pusat.
Rusman, Muhammad., Mulyadi.,
Retnari Dian M. (2014).
Perencanaan Optimasi Distribusi
Darah di Kota Makassar.
Seminar Nasional Teknik Industri
BKSTI. Universitas Hasanuddin.
Makassar.
Purnamasari, D. (2012). Analisis Sistem
Pengendalian Pesediaan Darah
di Palang Merah Indonesia Kota
Yogyakarta. Skripsi dipublikasi.
Jurusan Teknik Mesin dan
Industri, Fakultas Teknik.
Universitas Gadjahmada.
Yogyakarta.
Wardhani, Parwita Setya. (2015).
Perencanaan dan Pengendalian
Persediaan dengan Metode EOQ.
Media Mahardhika. Vol. 13 No.
3. Hal. 310-328.