Program Studi Manajemen • FEB UNDIP

Manajemen Permintaan dan Peramalan Kolaboratif

Pertemuan 4 — Forecasting untuk Perencanaan Rantai Pasok

Mata Kuliah Manajemen Rantai Pasokan — dari menebak-nebak menuju meramal secara sistematis, lalu berbagi ramalan itu lintas perusahaan agar seluruh rantai pasok bergerak selaras.

RPS minggu 4 · 2x50 menit

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menyusun dan mengevaluasi peramalan permintaan, serta memahami mengapa peramalan kolaboratif lebih unggul dibanding peramalan sendiri-sendiri.

CAPAIAN 1 — KONSEP DASAR

KOMPONEN PERMINTAAN

Mampu menjelaskan peran peramalan dalam rantai pasok dan komponen pembentuk pola permintaan.

CAPAIAN 2 — METODE

MENGHITUNG PERAMALAN

Mampu menghitung peramalan dengan rata-rata bergerak dan pemulusan eksponensial, serta mengukur akurasinya.

CAPAIAN 3 — KOLABORASI

MEMAHAMI CPFR

Mampu menjelaskan kerangka peramalan kolaboratif (CPFR) dan manfaatnya bagi seluruh rantai pasok.

CAPAIAN 4 — KONTEKS INDONESIA

STUDI KASUS RITEL

Mampu menganalisis penerapan peramalan kolaboratif pada praktik ritel dan FMCG di Indonesia.

Mengapa Peramalan yang Buruk Bisa Merugikan Miliaran Rupiah?

Bayangkan Anda manajer rantai pasok Indomaret menjelang Lebaran. Ramalan permintaan sirup dan minyak goreng Anda meleset — apa yang terjadi?

PERAMALAN TERLALU RENDAH

KEHABISAN STOK

Rak kosong saat permintaan memuncak, pelanggan kecewa, penjualan hilang, dan pelanggan beralih ke gerai kompetitor.

PERAMALAN TERLALU TINGGI

KELEBIHAN STOK

Gudang penuh barang tak terjual, modal kerja tertahan, risiko produk kedaluwarsa, dan biaya diskon besar-besaran.

Peramalan permintaan adalah titik awal dari seluruh perencanaan rantai pasok — keputusan produksi, persediaan, dan distribusi semuanya bersandar pada angka ramalan ini.

Bagian 1 dari 3

Dasar Peramalan Permintaan

Memahami definisi, karakteristik, dan komponen pola permintaan yang menjadi fondasi setiap metode peramalan.

Definisi Karakteristik Komponen Pola

Apa Itu Peramalan Permintaan?

Peramalan permintaan (demand forecasting) adalah proses memprediksi kuantitas produk atau jasa yang akan diminta pelanggan di masa depan, sebagai dasar seluruh keputusan rantai pasok.

Empat Sifat Peramalan yang Selalu Berlaku

Peramalan selalu salah — pertanyaannya seberapa besar selisihnya, bukan apakah ada selisih.
Peramalan jangka panjang kurang akurat dibanding jangka pendek karena ketidakpastian menumpuk.
Peramalan agregat lebih akurat daripada per-item tunggal (total penjualan minimarket vs satu rasa mi instan).
Semakin jauh dari titik konsumsi (hulu rantai pasok), semakin besar distorsi informasi permintaan.

Implikasi Praktis

Selalu sertakan ukuran kesalahan (bukan hanya satu angka tunggal) saat menyampaikan ramalan.
Gunakan cakrawala waktu sependek mungkin yang masih relevan untuk keputusan.
Ramalkan pada level yang lebih agregat (misal per kategori) lalu pecah proporsional ke SKU.
Bagikan data permintaan asli ke hulu rantai pasok agar distorsi berkurang.

Komponen Pembentuk Pola Permintaan

Data permintaan historis dapat diuraikan menjadi empat komponen yang harus dikenali sebelum memilih metode peramalan yang tepat.

Komponen Sistematis (bisa diramalkan)

Level — rata-rata dasar permintaan saat ini.
Tren (trend) — kecenderungan naik atau turun jangka panjang.
Musiman (seasonality) — pola berulang pada periode tetap, misal Ramadan tiap tahun.
Siklus (cyclic) — fluktuasi lebih panjang terkait siklus ekonomi.

Komponen Acak (tidak bisa diramalkan)

Variasi tak terduga di sekitar pola sistematis (random/noise).
Metode peramalan yang baik hanya menangkap komponen sistematis, bukan komponen acak.
Sisa selisih antara aktual dan ramalan (setelah komponen sistematis ditangkap) disebut galat peramalan (forecast error).

Dua Keluarga Besar Metode Peramalan

Pemilihan metode bergantung pada ketersediaan data historis, cakrawala waktu, dan tujuan penggunaan ramalan.

KUALITATIF

BERBASIS JUDGMENT

Mengandalkan opini ahli dan riset pasar. Cocok untuk produk baru tanpa data historis, misal peluncuran ponsel model terbaru. Contoh: survei pasar, panel ahli (Delphi), riset kualitatif konsumen.

KUANTITATIF

BERBASIS DATA

Mengandalkan data historis dan model statistik. Cocok saat pola masa lalu diperkirakan berlanjut. Terbagi dua: metode deret waktu (time series) dan metode kausal (menghubungkan permintaan dengan variabel lain seperti harga atau cuaca).

Fokus pertemuan hari ini adalah metode kuantitatif deret waktu — rata-rata bergerak dan pemulusan eksponensial — karena paling umum dipakai untuk perencanaan rantai pasok jangka pendek-menengah.

Hitung dari Nol: Rata-Rata Bergerak (Moving Average)

Toko kelontong mencatat penjualan mi instan (dus) 6 minggu terakhir: 120, 135, 150, 140, 160, 155. Ramalkan penjualan minggu ke-7 menggunakan rata-rata bergerak 3 periode.

Langkah	Perhitungan	Nilai
1. Ambil 3 data terakhir (minggu 4, 5, 6)	140, 160, 155	—
2. Jumlahkan ketiga data	140 + 160 + 155	455
3. Bagi dengan jumlah periode (3)	455 ÷ 3	151,67

Ramalan minggu ke-7 ≈ 152 dus

Rata-rata bergerak memberi bobot yang sama pada setiap periode dalam jendela data — kelebihannya sederhana, kelemahannya lambat merespons perubahan tren terbaru.

Coba Sendiri: Kalkulator Peramalan Moving Average

Masukkan data penjualan Anda sendiri & ubah jumlah periode jendela — amati bagaimana ramalan berubah antara jendela pendek (responsif) dan jendela panjang (stabil).

Bagian 2 dari 3

Metode Kuantitatif & Ukuran Akurasi

Memperdalam metode pemulusan eksponensial dan belajar mengukur seberapa baik sebuah ramalan, menggunakan MAD dan MAPE.

Pemulusan Eksponensial MAD & MAPE Musiman

Hitung dari Nol: Pemulusan Eksponensial (Exponential Smoothing)

Minggu lalu, ramalan penjualan adalah 150 dus, namun aktualnya 160 dus. Gunakan konstanta pemulusan α = 0,3 untuk menghitung ramalan minggu ini.

F_t = F_t-1 + α × (A_t-1 − F_t-1)

Langkah	Perhitungan	Nilai
1. Hitung galat ramalan minggu lalu (aktual − ramalan)	160 − 150	10
2. Kalikan galat dengan konstanta α	0,3 × 10	3
3. Tambahkan ke ramalan minggu lalu	150 + 3	153

Ramalan minggu ini = 153 dus

α besar (mendekati 1) → ramalan lebih responsif terhadap perubahan terbaru. α kecil (mendekati 0) → ramalan lebih stabil, kurang bereaksi pada lonjakan sesaat.

Mengukur Akurasi Peramalan: MAPE

MAPE (Mean Absolute Percentage Error, rata-rata persentase kesalahan absolut) membandingkan aktual dan ramalan 4 minggu terakhir sebuah SKU sabun cuci piring.

Langkah	Perhitungan	Nilai
1. Hitung %galat minggu 1 (aktual 120, ramalan 110)	\|120−110\| ÷ 120 × 100%	8,33%
2. Hitung %galat minggu 2 (aktual 135, ramalan 130)	\|135−130\| ÷ 135 × 100%	3,70%
3. Hitung %galat minggu 3 & 4 (150 vs 145; 140 vs 150)	3,33% dan 7,14%	—
4. Rata-ratakan keempat %galat	(8,33+3,70+3,33+7,14) ÷ 4	5,63%

MAPE = 5,63%

Semakin kecil MAPE, semakin akurat metode peramalan. Sebagai patokan kasar industri ritel, MAPE <10% umumnya dianggap sangat baik untuk peramalan permintaan SKU.

Menyesuaikan Ramalan dengan Pola Musiman

Ramalan dasar (rata-rata bergerak atau pemulusan eksponensial) perlu disesuaikan dengan indeks musiman untuk periode berpola khas, seperti Ramadan di Indonesia.

Walkthrough — Menentukan Indeks Musiman

Langkah 1: Hitung rata-rata penjualan bulanan selama beberapa tahun terakhir sebagai garis dasar.
Langkah 2: Bandingkan penjualan bulan Ramadan terhadap garis dasar tersebut, misal 1,4 kali lipat.
Langkah 3: Angka 1,4 inilah indeks musiman bulan Ramadan — simpan untuk dipakai tiap tahun.

Walkthrough — Menerapkan Indeks pada Ramalan

Langkah 1: Hitung ramalan dasar bulan tersebut dengan metode biasa, misal 1.000 dus sirup.
Langkah 2: Kalikan ramalan dasar dengan indeks musiman periode itu (1.000 × 1,4).
Langkah 3: Hasil 1.400 dus inilah ramalan musiman final yang dipakai untuk perencanaan stok Ramadan.

Studi Kasus: Peramalan Menjelang Ramadan di Ritel Indonesia

Jaringan minimarket nasional (Indomaret/Alfamart) menghadapi tantangan peramalan permintaan yang unik setiap tahun.

TANTANGAN

TANGGAL BERGESER

Ramadan mengikuti kalender Hijriah, sehingga posisinya bergeser 10–11 hari tiap tahun terhadap kalender Masehi — indeks musiman harus disesuaikan tiap tahun, bukan dipakai statis.

SOLUSI

DATA + JUDGMENT

Menggabungkan metode kuantitatif (data historis 3–5 tahun) dengan masukan kualitatif dari tim merchandising dan pemasok tentang tren tahun berjalan.

Hasilnya: ribuan gerai dapat menyesuaikan stok minyak goreng, gula, sirup, dan kue kering jauh sebelum Ramadan tiba, mengurangi risiko rak kosong sekaligus kelebihan stok pasca-Lebaran.

Bagian 3 dari 3

Peramalan Kolaboratif (CPFR)

Mengapa peramalan yang dibuat sendiri-sendiri gagal, dan bagaimana kolaborasi antar-mitra rantai pasok memperbaikinya.

Efek Bullwhip Kerangka CPFR Studi Kasus

Kenapa Peramalan Sendiri-Sendiri Memperbesar Kesalahan?

Ketika tiap eselon rantai pasok meramalkan permintaan hanya berdasarkan pesanan dari eselon di bawahnya, distorsi informasi membesar menuju hulu — fenomena ini disebut efek bullwhip.

Penyebab Utama

Tiap eselon hanya melihat pesanan eselon di bawahnya, bukan permintaan konsumen asli.
Pemesanan dalam jumlah banyak (batching) dan promosi harga memperbesar fluktuasi.

Akibat bagi Rantai Pasok

Persediaan berlebih di sebagian eselon, kekurangan di eselon lain pada waktu bersamaan.
Biaya produksi dan logistik membengkak karena kapasitas naik-turun tak menentu.

Kerangka CPFR: Peramalan sebagai Kerja Bersama

CPFR (Collaborative Planning, Forecasting, and Replenishment — Perencanaan, Peramalan, dan Pengisian Ulang Kolaboratif) adalah kerangka kerja peritel dan pemasok menyusun satu ramalan bersama.

Inti CPFR: peritel dan pemasok berbagi data POS (Point of Sale, data transaksi kasir) dan rencana promosi, lalu menyusun satu ramalan tunggal yang disepakati bersama — bukan dua ramalan terpisah yang saling meleset.

Teknologi & Proses Pendukung Peramalan Kolaboratif

CPFR tidak berjalan tanpa infrastruktur data dan proses tata kelola yang menghubungkan mitra rantai pasok secara real-time.

DATA POS

VISIBILITAS PERMINTAAN ASLI

Data transaksi kasir dibagikan ke pemasok agar mereka melihat permintaan konsumen langsung, bukan hanya pesanan yang sudah terdistorsi.

ERP TERINTEGRASI

SATU SUMBER DATA

Enterprise Resource Planning (sistem perencanaan sumber daya perusahaan) yang terhubung antar-mitra memastikan semua pihak melihat angka yang sama, mengurangi kesalahpahaman data.

S&OP

RAPAT PERENCANAAN BERKALA

Sales and Operations Planning (perencanaan penjualan dan operasi) — rapat lintas fungsi bulanan yang menyelaraskan ramalan penjualan dengan kapasitas produksi dan distribusi.

Studi Kasus: Kolaborasi Peritel-Pemasok FMCG di Indonesia

Kemitraan antara peritel modern (Alfamart/Indomaret) dan produsen FMCG besar (Unilever, Wings, atau Indofood) mengadopsi prinsip CPFR meski belum tentu memakai nama itu secara formal.

SEBELUM KOLABORASI

RAMALAN TERPISAH

Pemasok meramalkan dari data pesanan historis peritel, sering meleset saat ada promosi mendadak atau perubahan pola belanja konsumen, menyebabkan kekurangan/kelebihan stok bergantian.

SETELAH KOLABORASI

RAMALAN BERSAMA

Berbagi data penjualan kasir dan kalender promosi jauh lebih awal, memungkinkan pemasok menyiapkan produksi dan persediaan tepat waktu, mengurangi kejadian rak kosong saat momen tertentu.

Pelajaran utama: keberhasilan CPFR bergantung pada kepercayaan antar-mitra untuk berbagi data yang dianggap sensitif secara komersial — bukan sekadar kecanggihan teknologi.

Latihan Mandiri: Hitung dan Analisis Peramalan

Kerjakan latihan berikut sebagai persiapan diskusi pada pertemuan berikutnya.

Instruksi Tugas

Bagian A (Hitung): Sebuah toko roti mencatat penjualan roti tawar (bungkus) 4 minggu: 80, 95, 90, 100. Hitung ramalan minggu ke-5 dengan rata-rata bergerak 3 periode, lalu hitung dengan pemulusan eksponensial (α = 0,4, ramalan minggu ke-4 sebelumnya = 92).
Bagian B (Ukur Akurasi): Bandingkan kedua ramalan tersebut dengan aktual minggu ke-5 (misal 105 bungkus) — hitung %galat masing-masing metode dan simpulkan metode mana yang lebih akurat untuk kasus ini.
Bagian C (Analisis): Identifikasi satu perusahaan ritel/FMCG Indonesia dan jelaskan bagaimana penerapan CPFR (atau ketiadaannya) memengaruhi ketersediaan produk mereka di rak.

Kumpulkan jawaban Bagian A dan B dalam bentuk perhitungan lengkap (tunjukkan tiap langkah), bukan hanya angka akhir — bawa hasilnya untuk didiskusikan di awal pertemuan berikutnya.

Ringkasan Pertemuan 4

Hari ini Anda telah mempelajari perjalanan dari peramalan individual menuju peramalan kolaboratif dalam rantai pasok.

Yang Sudah Anda Kuasai

Empat sifat dasar peramalan dan empat komponen pola permintaan.
Menghitung ramalan dengan rata-rata bergerak dan pemulusan eksponensial.
Mengukur akurasi peramalan menggunakan MAPE.
Memahami efek bullwhip dan kerangka kerja CPFR sebagai solusinya.

Menuju Pertemuan Berikutnya

Ramalan permintaan yang sudah akurat menjadi input utama keputusan persediaan.
Pertemuan 5 akan membahas manajemen persediaan lintas eselon — bagaimana ramalan ini diterjemahkan menjadi keputusan stok konkret.

Ingat: peramalan yang baik bukan tentang mencari metode yang "sempurna", melainkan tentang berbagi informasi dan terus memperbaiki akurasi dari waktu ke waktu.