peramalan permintaan golongan darah a, b, o dan ab dengan

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

[email protected]

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

mailto:[email protected]

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.


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


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.


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


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




Golongan Darah B



Bawah Permintaan Goldar B


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


- Golongan Darah O



10


Golongan Darah O



Bawah Permintaan Goldar O


- Golongan Darah AB




Golongan Darah AB



Bawah Permintaan Goldar AB


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


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


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.


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


- Golongan Darah B


Permintaan Golongan Darah B





persamaan pada trend yakni Yt=4656 +

38, 3t dirubah dalam bentuk bulanan,


pada trend yakni Yt = 1552 + 4,256t.


Permintaan Goldar B


- Golongan Darah O


Permintaan Goldar O





persamaan pada trend yakni Yt=4656 +

38, 3t dirubah dalam bentuk bulanan,


pada trend yakni Yt = 1748,3 + 10,83t.


Permintaan Golongan Darah O


- Golongan Darah AB


Golongan Darah AB


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


Mei 2322,29

Juni 2333,12

Juli 2343,95

Agustus 2354,78

12




persamaan pada trend yakni Yt=1087,4 +

12,56t dirubah dalam bentuk bulanan,


pada trend yakni Yt = 362,467 + 1,395t.


Permintaan Golongan Darah AB


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


Perbandingan Forecast Error

Peramalan Golongan Darah A


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


Golongan Darah B



Peramalan Golongan Darah B



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


Mei 436,402

Juni 437,797

Juli 439,192

Agustus 440,587

Bulan


Exponential


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.



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


Golongan Darah O



Peramalan Golongan Darah O



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.



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


Golongan Darah AB


Bulan


Exponential


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


Exponential


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


Peramalan Golongan Darah AB



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


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



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




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


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


Persediaan Golongan Darah B


Perbedaan hasil peramalan permintaan

bisa dijadikan acuan kisaran permintaan.

Pada bulan Mei 2018 peramalan



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


Menurut data historis persediaan, bisa

terjadi kekurangan persediaan sebanyak

21 kantong darah pada bulan Juni 2018.

Pada bulan Juli 2018 peramalan




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


Persediaan Golongan Darah O








sebanyak 2280 sudah sangat mencukupi

persediaan. Menurut data historis

persediaan, bisa terjadi kelebihan

persediaan sebanyak 86 kantong darah.

Pada bulan Juni 2018 peramalan




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-


sebanyak 2301 agar aman. Menurut data

historis bulan Agustus, bisa terjadi

kemungkinan kelebihan persediaan darah

sebesar 263 kantong darah.

Bulan

(2018)


Darah

Rata-Rata 4

Tahun

Exponential


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)


Darah

Rata-Rata

4 Tahun

Exponential


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


Persediaan Golongan Darah AB





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



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


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)


Darah

Rata-Rata

4 Tahun

Exponential


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

http://suryamalang.tribunnews.com/2016/07/15/pmi-malang-raya-kehabisan-stok-darah-ini-langkah-yang-dilakukan




http://nasional.republika.co.id/berita/nasional/daerah/17/05/30/oqrgqx384-pmi-malang-cari-cara-atasi-krisis-stok-darah-selama-ramadhan





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.

peramalan permintaan golongan darah a, b, o dan ab dengan

Documents