Program Studi Bisnis Digital • FEB

Manajemen Rantai Pasok

Pertemuan 4 — Peramalan Permintaan dalam Rantai Pasok

Sebelum barang, uang, atau informasi mengalir di rantai pasok — semuanya bermula dari satu pertanyaan: seberapa besar permintaan yang akan datang?

RPS MINGGU 4 • 2 × 50 MENIT

Selamat pagi/siang, Anda semua sudah sampai di pertemuan keempat mata kuliah Manajemen Rantai Pasok. Tiga pertemuan lalu kita membahas konsep dasar rantai pasok, kinerja fit strategis efficient versus responsive, dan desain jaringan distribusi termasuk pola untuk e-commerce. Hari ini kita mundur satu langkah ke titik paling awal dari semua keputusan itu: bagaimana perusahaan seperti Tokopedia atau sebuah UMKM fesyen di Semarang tahu berapa banyak produk yang harus disiapkan minggu depan. Tanpa peramalan permintaan yang baik, keputusan jaringan distribusi yang sudah kita rancang minggu lalu bisa salah total — gudang bisa kosong saat promo besar, atau menumpuk stok yang tidak terjual. Hari ini Anda akan belajar menghitung ramalan permintaan langkah demi langkah dengan dua metode kuantitatif yang paling umum dipakai.

Bagian 1 dari 3

Dasar Peramalan Permintaan

Mengapa peramalan menjadi jantung setiap keputusan rantai pasok, dan apa saja yang membentuk pola permintaan.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menyusun dan mengevaluasi ramalan permintaan untuk mendukung keputusan rantai pasok. Secara rinci:

CAPAIAN 1

KOMPONEN

Mengenali empat komponen pola permintaan — level, tren, musiman, siklus — dan faktor acak.

CAPAIAN 2

METODE

Membedakan metode kualitatif, deret waktu, kausal, dan simulasi dalam peramalan.

CAPAIAN 3

HITUNG

Menghitung ramalan dengan rata-rata bergerak & pemulusan eksponensial.

CAPAIAN 4

EVALUASI

Mengukur akurasi ramalan (MAD, MAPE) & mengaitkannya dengan koordinasi rantai pasok.

Mengapa Peramalan adalah Titik Awal Segalanya

Setiap keputusan rantai pasok — jaringan distribusi, persediaan, transportasi — bergantung pada satu asumsi awal: perkiraan permintaan.

TANPA RAMALAN

GUDANG SALAH

Desain jaringan distribusi (Pertemuan 3) jadi salah kapasitas — kurang atau berlebih.

RAMALAN TERLALU RENDAH

STOK HABIS

Pelanggan kecewa, penjualan hilang — misalnya saat kampanye 11.11 di marketplace.

RAMALAN TERLALU TINGGI

STOK MENUMPUK

Biaya penyimpanan naik, produk berisiko kedaluwarsa atau usang.

Ramalan permintaan tidak pernah 100% tepat — tujuan peramalan bukan mencari angka sempurna, melainkan mengurangi ketidakpastian seakurat dan sesistematis mungkin.

Bayangkan Anda adalah manajer rantai pasok sebuah UMKM fesyen yang berjualan di Tokopedia dan Shopee. Setiap keputusan besar yang sudah kita bahas di pertemuan sebelumnya — berapa gudang yang dibutuhkan, di mana lokasinya, berapa banyak stok yang disiapkan — semuanya bermula dari satu angka: perkiraan berapa unit yang akan terjual bulan depan. Kalau ramalan terlalu rendah, saat kampanye belanja besar seperti 11.11 stok bisa habis dan pelanggan kecewa, bahkan berpindah ke kompetitor. Sebaliknya kalau ramalan terlalu tinggi, gudang menumpuk barang yang tidak laku, biaya penyimpanan membengkak, dan modal kerja tertahan. Penting untuk Anda pahami sejak awal: tidak ada ramalan yang pernah tepat seratus persen, tujuan kita bukan mencari angka sempurna, melainkan membuat perkiraan yang sistematis dan seakurat mungkin dengan metode yang bisa dipertanggungjawabkan.

Empat Komponen Pola Permintaan

Data permintaan historis biasanya merupakan gabungan dari beberapa komponen berikut — peramalan yang baik memisahkan pola dari "derau" acak.

LEVEL

RATA-RATA DASAR

Nilai dasar permintaan saat ini — mis. rata-rata 100 pesanan/hari sebuah toko daring.

TREN

NAIK/TURUN JANGKA PANJANG

Pertumbuhan pengguna marketplace tahun demi tahun secara konsisten.

MUSIMAN

POLA BERULANG

Lonjakan permintaan tiap tahun pada Ramadan, Harbolnas, atau tahun ajaran baru.

SIKLUS & ACAK

TAK TERJADWAL

Siklus ekonomi jangka panjang, ditambah fluktuasi acak yang tidak bisa diprediksi.

Sebelum memilih metode peramalan, kita perlu bisa membaca data permintaan historis dan memisahkan empat komponen ini. Level adalah nilai dasar permintaan saat kondisi normal, misalnya sebuah toko daring biasanya menerima seratus pesanan per hari. Tren adalah kecenderungan naik atau turun dalam jangka panjang, seperti pertumbuhan jumlah pengguna aktif marketplace dari tahun ke tahun. Musiman adalah pola yang berulang pada periode tertentu setiap tahunnya — di Indonesia, lonjakan belanja daring paling jelas terlihat menjelang Ramadan dan Lebaran, atau saat kampanye Harbolnas di bulan Desember. Komponen terakhir, siklus dan faktor acak, jauh lebih sulit diprediksi karena tidak berulang pada jadwal tetap, misalnya dampak resesi ekonomi atau kejadian tak terduga seperti pandemi. Semakin jelas Anda mengenali pola-pola ini dalam data, semakin tepat metode peramalan yang bisa dipilih.

Peramalan sebagai Penggerak Aliran Rantai Pasok

Ramalan permintaan menentukan seberapa jauh perusahaan bisa mendorong (push) produksi sebelum menarik (pull) sesuai pesanan aktual.

Makin akurat ramalan, makin jauh batas push-pull bisa digeser ke arah produksi berbasis ramalan — makin tidak akurat, makin perusahaan harus menunggu pesanan pasti (lebih responsif, tapi lebih lambat).

Kalau Anda ingat pertemuan kedua tentang fit strategis efficient versus responsive, peramalan permintaan adalah salah satu penentu utamanya. Tahap push adalah keputusan yang dibuat berdasarkan ramalan sebelum pesanan aktual masuk — misalnya memproduksi stok dasar. Tahap pull adalah keputusan yang menunggu pesanan aktual pelanggan, seperti perakitan sesuai pesanan. Batas antara keduanya, yang disebut push-pull boundary, bisa digeser tergantung seberapa Anda percaya pada akurasi ramalan: kalau ramalan sangat akurat, perusahaan berani memproduksi lebih banyak di muka berdasarkan ramalan itu; kalau ramalannya tidak bisa diandalkan, perusahaan lebih memilih menunggu pesanan pasti meski risikonya pengiriman jadi lebih lambat. Inilah sebabnya peramalan bukan sekadar tugas administratif, melainkan keputusan strategis yang menentukan struktur seluruh rantai pasok.

Empat Kategori Metode Peramalan

Pemilihan metode tergantung ketersediaan data historis, horizon waktu, dan tingkat akurasi yang dibutuhkan.

Kategori	Cara Kerja Singkat
1. Kualitatif	Mengandalkan penilaian ahli/pakar & riset pasar — cocok untuk produk baru tanpa data historis.
2. Deret Waktu (time-series)	Menggunakan pola permintaan masa lalu untuk memprediksi masa depan — mis. rata-rata bergerak.
3. Kausal	Mengaitkan permintaan dengan faktor lain yang berhubungan, mis. harga, cuaca, promosi.
4. Simulasi	Meniru perilaku konsumen & interaksi pasar secara komputasi untuk skenario kompleks.

Fokus pertemuan hari ini: dua metode deret waktu paling umum — rata-rata bergerak & pemulusan eksponensial — karena paling sering diujikan dan paling mudah diterapkan dengan data penjualan yang biasanya sudah dimiliki perusahaan.

Ada empat kategori besar metode peramalan. Metode kualitatif mengandalkan penilaian ahli dan riset pasar, cocok dipakai saat perusahaan meluncurkan produk benar-benar baru sehingga belum ada data historis sama sekali — misalnya sebuah startup fintech baru memperkirakan permintaan layanan pembayaran digitalnya. Metode deret waktu memakai pola data penjualan masa lalu untuk memproyeksikan masa depan, dan inilah yang paling umum dipakai karena kebanyakan perusahaan sudah punya data penjualan historis. Metode kausal mengaitkan permintaan dengan faktor lain yang memengaruhinya, seperti harga atau cuaca — misalnya penjualan payung yang naik saat musim hujan. Metode simulasi memakai model komputasi untuk meniru interaksi pasar yang kompleks, biasa dipakai perusahaan besar dengan data sangat banyak. Hari ini kita fokus pada dua metode deret waktu yang paling praktis dan paling sering diujikan: rata-rata bergerak dan pemulusan eksponensial.

Bagian 2 dari 3

Metode Peramalan Deret Waktu

Dua metode kuantitatif yang paling sering dipakai untuk memproyeksikan permintaan dari data historis.

Metode Rata-Rata Bergerak (Moving Average)

Ramalan periode berikutnya dihitung sebagai rata-rata dari n periode terakhir — makin baru datanya, makin diperhitungkan.

Ramalan = (D₁ + D₂ + ... + Dₙ) ÷ n

D = permintaan aktual periode tertentu, n = jumlah periode yang dirata-ratakan (mis. 3 bulan terakhir). Semakin besar n, ramalan makin "halus" tapi makin lambat merespons perubahan tren.

Kelemahan: memberi bobot yang sama ke semua periode dalam jendela n — tidak membedakan data bulan lalu dengan data tiga bulan lalu.

Metode rata-rata bergerak adalah metode deret waktu paling sederhana: ramalan untuk periode berikutnya dihitung dengan merata-ratakan sejumlah periode terakhir, misalnya tiga bulan terakhir. Setiap kali periode baru selesai, jendela rata-ratanya "bergerak maju" — data paling lama dikeluarkan, data terbaru dimasukkan, itulah asal nama moving average. Semakin banyak periode yang dirata-ratakan, semakin halus ramalannya karena fluktuasi acak saling meredam, tapi konsekuensinya ramalan jadi lebih lambat menangkap perubahan tren yang sesungguhnya. Kelemahan utamanya, metode ini memberi bobot yang sama persis untuk semua periode dalam jendela — data bulan lalu dianggap sama pentingnya dengan data tiga bulan lalu, padahal secara intuisi data yang lebih baru biasanya lebih relevan untuk memprediksi masa depan. Mari kita hitung contohnya dengan data penjualan nyata.

Hitung dari Nol: Ramalan Penjualan dengan Rata-Rata Bergerak

Penjualan sepatu daring sebuah UMKM (unit/bulan): Januari 120, Februari 150, Maret 180, April 210. Ramalkan penjualan Mei dengan rata-rata bergerak 3 bulan.

LANGKAH PERHITUNGAN

Langkah	Perhitungan	Nilai
Ambil 3 bulan terakhir	Feb, Mar, Apr	150 • 180 • 210
Jumlah 3 bulan	150 + 180 + 210	540 unit
Jumlah periode (n)	—	3 bulan
Rata-rata bergerak	540 ÷ 3	180 unit

RAMALAN PENJUALAN MEI

180 unit

(150 + 180 + 210) ÷ 3 = 180 — lebih rendah dari penjualan April karena Januari yang rendah masih "menyeret" rata-rata

Mari hitung bersama, langkah demi langkah. Karena kita memakai rata-rata bergerak tiga bulan, kita ambil tiga data terakhir sebelum Mei, yaitu Februari seratus lima puluh, Maret seratus delapan puluh, dan April dua ratus sepuluh unit. Kita jumlahkan ketiganya: seratus lima puluh ditambah seratus delapan puluh ditambah dua ratus sepuluh, sama dengan lima ratus empat puluh unit. Karena jumlah periodenya tiga bulan, kita bagi lima ratus empat puluh dengan tiga, hasilnya seratus delapan puluh unit — itulah ramalan penjualan sepatu untuk bulan Mei. Perhatikan bahwa angka ini lebih rendah dari penjualan aktual April yang dua ratus sepuluh unit, karena data Januari yang tidak lagi terpakai justru sudah keluar dari jendela, tapi rata-rata tiga bulan tetap "meredam" tren kenaikan yang sedang terjadi. Inilah yang dimaksud kelemahan rata-rata bergerak: metode ini agak lambat mengikuti tren naik yang jelas terlihat dari Januari ke April.

Coba Sendiri: Ramalan Rata-Rata Bergerak Berbagai Jendela n

Geser data penjualan bulanan dan ubah panjang jendela n, amati bagaimana ramalan berubah lebih halus atau lebih responsif.

Metode Pemulusan Eksponensial (Exponential Smoothing)

Memberi bobot lebih besar pada data terbaru lewat konstanta pemulusan α (alpha), tanpa perlu menyimpan seluruh data historis.

Fₜ₊₁ = Fₜ + α(Aₜ − Fₜ)

Fₜ & Aₜ

RAMALAN vs AKTUAL

Fₜ = ramalan periode ini, Aₜ = permintaan aktual periode ini.

α (0 – 1)

KONSTANTA PEMULUSAN

α besar → ramalan lebih responsif terhadap perubahan terbaru; α kecil → ramalan lebih stabil.

Pemulusan eksponensial mengatasi kelemahan rata-rata bergerak dengan cara yang elegan: metode ini memberi bobot lebih besar pada data yang paling baru, dan bobot itu meluruh secara eksponensial untuk data yang lebih lama, tanpa perlu menyimpan seluruh riwayat data. Rumusnya sederhana: ramalan periode berikutnya, F kecil t plus satu, sama dengan ramalan periode ini F kecil t, ditambah alpha dikali selisih antara permintaan aktual A kecil t dengan ramalan F kecil t tadi. Alpha adalah konstanta pemulusan bernilai antara nol dan satu yang harus dipilih oleh perencana. Kalau alpha dipilih besar, misalnya 0,5, ramalan akan sangat responsif dan cepat mengikuti perubahan permintaan terbaru, cocok untuk produk dengan permintaan fluktuatif seperti barang musiman. Kalau alpha dipilih kecil, misalnya 0,1, ramalan menjadi lebih stabil dan tidak mudah terpengaruh lonjakan sesaat, cocok untuk produk dengan permintaan yang relatif konstan. Mari kita hitung contohnya.

Hitung dari Nol: Pemulusan Eksponensial dengan α = 0,3

Ramalan bulan lalu (Fₜ) = 180 unit; permintaan aktual bulan lalu (Aₜ) = 210 unit; α = 0,3. Hitung ramalan bulan depan.

LANGKAH PERHITUNGAN

Langkah	Perhitungan	Nilai
Selisih aktual − ramalan	210 − 180	30 unit
α × selisih	0,3 × 30	9 unit
Ramalan baru (Fₜ₊₁)	180 + 9	189 unit

RAMALAN BULAN DEPAN

189 unit

Lebih responsif dari rata-rata bergerak (180 unit) karena "menangkap" sebagian kenaikan aktual bulan lalu

Mari hitung bersama. Langkah pertama, kita cari selisih antara permintaan aktual bulan lalu dengan ramalan bulan lalu: dua ratus sepuluh dikurangi seratus delapan puluh, sama dengan tiga puluh unit — artinya ramalan kita meleset tiga puluh unit terlalu rendah. Langkah kedua, kita kalikan selisih ini dengan alpha: nol koma tiga dikali tiga puluh, sama dengan sembilan unit. Angka sembilan ini adalah "koreksi" yang akan kita tambahkan ke ramalan lama. Langkah ketiga, ramalan baru sama dengan ramalan lama seratus delapan puluh ditambah koreksi sembilan, hasilnya seratus delapan puluh sembilan unit. Bandingkan dengan hasil rata-rata bergerak di slide sebelumnya yang hanya seratus delapan puluh unit — pemulusan eksponensial memberi angka yang sedikit lebih tinggi karena metode ini lebih responsif terhadap kenaikan permintaan yang baru saja terjadi bulan lalu, meski tidak seagresif mengikuti tren seperti kalau kita memilih alpha yang lebih besar, misalnya 0,5.

Diskusi: Kapan Memilih Rata-Rata Bergerak vs Pemulusan Eksponensial?

Berpasangan, 5 menit. Diskusikan tiga situasi berikut dan tentukan metode mana yang lebih cocok, lalu jelaskan alasannya.

Situasi	Karakteristik Permintaan
Kasus A	Kebutuhan pokok (mis. beras kemasan) — permintaan relatif stabil dari bulan ke bulan.
Kasus B	Produk fesyen musiman — permintaan melonjak tajam mendekati Lebaran, lalu turun drastis.
Kasus C	Toko baru buka di marketplace — baru punya data penjualan 2 bulan terakhir.

Petunjuk: pertimbangkan seberapa cepat metode perlu "bereaksi" terhadap perubahan, dan berapa banyak data historis yang tersedia.

Sekarang giliran Anda berdiskusi berpasangan selama lima menit untuk tiga kasus di layar. Untuk kasus A, kebutuhan pokok dengan permintaan stabil, pikirkan apakah kita perlu metode yang sangat responsif atau justru metode yang stabil dan tidak mudah terpengaruh fluktuasi kecil. Untuk kasus B, produk fesyen musiman dengan lonjakan tajam menjelang Lebaran, pikirkan metode mana yang bisa lebih cepat "mengejar" perubahan permintaan yang mendadak itu — apakah rata-rata bergerak dengan jendela pendek, atau pemulusan eksponensial dengan alpha besar. Untuk kasus C, toko baru dengan data terbatas, pikirkan metode mana yang tetap bisa dipakai walau riwayat datanya sangat pendek. Setelah lima menit, saya akan meminta beberapa pasangan membacakan jawaban dan alasannya di depan kelas, karena tidak ada jawaban tunggal yang mutlak benar — yang penting adalah alasan logis di balik pilihan Anda.

Bagian 3 dari 3

Akurasi & Penerapan dalam Rantai Pasok

Cara mengukur seberapa baik ramalan kita, dan bagaimana peramalan yang buruk memicu masalah di sepanjang rantai pasok.

Mengukur Akurasi Ramalan: MAD & MAPE

Setiap ramalan pasti punya kesalahan (error) = permintaan aktual − ramalan. Dua ukuran umum untuk merangkum kesalahan ini:

MAD

MEAN ABSOLUTE DEVIATION

Rata-rata dari nilai absolut kesalahan — dalam satuan unit yang sama dengan data (mis. unit produk).

MAPE

MEAN ABSOLUTE % ERROR

Rata-rata kesalahan dalam bentuk persentase — memudahkan perbandingan antar-produk dengan skala berbeda.

Semakin kecil MAD & MAPE, semakin akurat ramalan. Sebagai patokan kasar: MAPE <10% tergolong sangat akurat, 10–20% cukup baik, di atas 30% perlu dievaluasi ulang metodenya.

Setelah membuat ramalan, langkah berikutnya yang sering dilupakan adalah mengevaluasi seberapa akurat ramalan itu dibandingkan dengan permintaan aktual yang terjadi. Kesalahan atau error dihitung sederhana: permintaan aktual dikurangi ramalan pada periode yang sama. MAD, atau mean absolute deviation, merata-ratakan nilai absolut dari semua kesalahan itu, hasilnya dalam satuan yang sama dengan data asli, misalnya unit produk. MAPE, atau mean absolute percentage error, mengubah kesalahan itu menjadi persentase terhadap permintaan aktual, sehingga kita bisa membandingkan akurasi ramalan produk yang volumenya kecil dengan produk yang volumenya besar secara adil. Sebagai patokan kasar yang biasa dipakai praktisi, MAPE di bawah sepuluh persen tergolong sangat akurat, sepuluh sampai dua puluh persen masih cukup baik, tapi di atas tiga puluh persen sebaiknya metode atau parameternya dievaluasi ulang. Mari kita hitung contohnya.

Hitung dari Nol: MAD & MAPE dari 4 Minggu Ramalan

Permintaan aktual konstan 100 unit/minggu. Ramalan yang dibuat: Minggu 1 = 90, Minggu 2 = 110, Minggu 3 = 95, Minggu 4 = 105.

LANGKAH PERHITUNGAN (4 MINGGU)

Langkah	Perhitungan	Nilai
Kesalahan absolut per minggu	\|100−90\|, \|100−110\|, \|100−95\|, \|100−105\|	10 • 10 • 5 • 5
Total kesalahan absolut	10+10+5+5	30 unit
MAD	30 ÷ 4	7,5 unit
Total persentase kesalahan	10%+10%+5%+5%	30%
MAPE	30% ÷ 4	7,5%

KESIMPULAN

MAPE = 7,5%

Di bawah 10% → ramalan tergolong sangat akurat, layak dipakai untuk perencanaan persediaan

Mari hitung bersama. Karena permintaan aktual konstan seratus unit setiap minggu, kesalahan absolut minggu pertama adalah selisih seratus dengan sembilan puluh, sama dengan sepuluh; minggu kedua, seratus dengan seratus sepuluh, juga sepuluh; minggu ketiga, seratus dengan sembilan puluh lima, sama dengan lima; minggu keempat, seratus dengan seratus lima, sama dengan lima. Totalnya sepuluh tambah sepuluh tambah lima tambah lima, sama dengan tiga puluh unit. MAD kita dapat dari tiga puluh dibagi empat minggu, sama dengan tujuh koma lima unit. Untuk MAPE, kita ubah tiap kesalahan absolut jadi persentase terhadap permintaan aktual seratus: sepuluh persen, sepuluh persen, lima persen, lima persen, totalnya tiga puluh persen, dibagi empat minggu, sama dengan tujuh koma lima persen. Karena di bawah sepuluh persen, ramalan ini tergolong sangat akurat dan layak dipakai sebagai dasar keputusan persediaan — inilah cara Anda membuktikan secara kuantitatif bahwa metode peramalan yang dipakai benar-benar bisa diandalkan, bukan sekadar tebakan.

Coba Sendiri: Uji Alpha pada Pemulusan Eksponensial & Cek MAD/MAPE

Geser nilai α dan lihat langsung bagaimana ramalan bereaksi terhadap data aktual, plus MAD & MAPE yang dihitung otomatis.

Ramalan yang Tidak Terkoordinasi & Efek Bullwhip

Kalau tiap pihak di rantai pasok meramalkan sendiri-sendiri tanpa berbagi data, kesalahan kecil di hilir bisa membesar drastis di hulu.

Fenomena ini disebut bullwhip effect — akan dibahas mendalam di Pertemuan 7. Salah satu penyebab utamanya: setiap eselon rantai pasok meramalkan permintaan secara independen berdasarkan pesanan dari eselon di bawahnya, bukan permintaan konsumen akhir yang sebenarnya.

Peramalan yang buruk atau tidak terkoordinasi punya dampak yang jauh lebih besar daripada sekadar satu perusahaan salah menyiapkan stok. Perhatikan grafik ini: variasi kecil dalam permintaan konsumen akhir di tingkat ritel bisa membesar drastis begitu setiap eselon rantai pasok — distributor lalu pabrik — meramalkan kebutuhannya sendiri-sendiri berdasarkan pesanan yang mereka terima dari eselon di bawahnya, bukan dari data permintaan konsumen akhir yang sebenarnya. Fenomena pembesaran variasi ini disebut bullwhip effect, dan akan kita bahas secara mendalam di pertemuan ketujuh. Untuk sekarang, cukup Anda pahami bahwa peramalan bukan aktivitas yang berdiri sendiri di satu perusahaan — kalau setiap pihak menyembunyikan data dan meramalkan sendiri-sendiri, kesalahan kecil di ritel bisa berubah menjadi kekacauan besar di tingkat pabrik.

Solusinya: Berbagi Data & Peramalan Kolaboratif

Rantai pasok modern mengatasi masalah ini dengan berbagi data permintaan aktual ke seluruh pihak, bukan hanya meneruskan pesanan.

TANPA KOLABORASI

DATA TERSEKAT

Tiap pihak hanya melihat pesanan dari pihak di bawahnya — ramalan makin bias di hulu.

DENGAN KOLABORASI

DATA BERSAMA

Ritel, distributor & pabrik melihat data permintaan konsumen akhir yang sama — ramalan lebih konsisten.

Pendekatan ini dikenal sebagai CPFR (Collaborative Planning, Forecasting and Replenishment) — akan kita bahas lebih dalam sebagai bagian dari Perencanaan Agregat di Pertemuan 5.

Solusi terhadap masalah peramalan yang tidak terkoordinasi tadi adalah berbagi data secara transparan di sepanjang rantai pasok. Alih-alih setiap pihak hanya melihat pesanan dari pihak di bawahnya lalu meramalkan sendiri berdasarkan angka yang sudah terdistorsi itu, pendekatan modern membuat ritel, distributor, dan pabrik sama-sama melihat data permintaan konsumen akhir yang asli — misalnya data penjualan real-time dari kasir toko atau dari platform e-commerce seperti Tokopedia yang bisa dibagikan ke pemasoknya. Pendekatan formal untuk ini dikenal dengan nama CPFR, singkatan dari Collaborative Planning, Forecasting and Replenishment, di mana mitra dagang merencanakan dan meramalkan bersama, bukan sendiri-sendiri. Kita akan membahas CPFR ini lebih mendalam minggu depan sebagai bagian dari perencanaan agregat, karena peramalan yang baik hari ini hanyalah input pertama — langkah berikutnya adalah menerjemahkan ramalan itu menjadi rencana produksi dan persediaan yang terkoordinasi.

Latihan: Hitung Sendiri dengan Data Baru

Kerjakan berpasangan, 10 menit. Data penjualan camilan UMKM digital (unit/bulan):

4 BULAN TERAKHIR

80 • 100 • 120 • 140

Bulan 1 hingga Bulan 4 (unit terjual)

PARAMETER

α = 0,4

Ramalan Bulan 4 sebelumnya (Fₜ) = 125 unit

Hitung: (1) ramalan Bulan 5 dengan rata-rata bergerak 3 bulan (Bulan 2–4), (2) ramalan Bulan 5 dengan pemulusan eksponensial (Aₜ = Bulan 4, Fₜ = 125, α = 0,4), (3) bandingkan kedua hasil — mana yang lebih responsif terhadap tren naik?

Sekarang giliran Anda mempraktikkan sendiri. Berpasangan dengan teman sebangku, dalam sepuluh menit ke depan hitung dua hal menggunakan data penjualan camilan UMKM digital di layar. Pertama, hitung ramalan Bulan 5 dengan metode rata-rata bergerak tiga bulan, memakai data Bulan 2 sampai Bulan 4. Kedua, hitung ramalan Bulan 5 dengan pemulusan eksponensial, di mana permintaan aktual bulan lalu adalah data Bulan 4, ramalan sebelumnya seratus dua puluh lima unit, dan alpha nol koma empat. Setelah mendapatkan kedua angka, bandingkan mana yang lebih tinggi dan diskusikan mengapa — ingat bahwa data ini menunjukkan tren naik yang cukup jelas dari bulan ke bulan. Saya akan berkeliling membantu pasangan yang kesulitan, dan di akhir latihan beberapa pasangan akan saya minta membacakan hasilnya di depan kelas untuk kita cocokkan bersama.

Rangkuman & Persiapan Pertemuan Berikutnya

CHEAT SHEET — PERAMALAN PERMINTAAN

Konsep	Inti
4 Komponen Permintaan	Level, tren, musiman, siklus/acak
Rata-Rata Bergerak	Rata-rata n periode terakhir, bobot sama rata
Pemulusan Eksponensial	Fₜ₊₁ = Fₜ + α(Aₜ−Fₜ), lebih responsif
MAD & MAPE	Ukuran akurasi ramalan — MAPE <10% sangat akurat

MINGGU DEPAN (P5)

Perencanaan Agregat & Kolaborasi — S&OP dan CPFR, menerjemahkan ramalan menjadi rencana produksi.

TUGAS

SELESAIKAN LATIHAN

Rapikan hasil perhitungan latihan kelas & kumpulkan sebelum pertemuan berikutnya.

Mari kita rangkum pertemuan hari ini. Kita mulai dari memahami empat komponen yang membentuk pola permintaan — level, tren, musiman, dan siklus atau acak — sebagai dasar memilih metode peramalan yang tepat. Kita hitung langsung dua metode deret waktu paling umum: rata-rata bergerak yang sederhana namun kurang responsif, dan pemulusan eksponensial yang lebih responsif terhadap perubahan terbaru lewat parameter alpha. Kita juga belajar mengukur akurasi ramalan dengan MAD dan MAPE, serta melihat bagaimana ramalan yang tidak terkoordinasi antar-pihak bisa memicu bullwhip effect yang akan kita dalami di pertemuan ketujuh. Kemampuan meramalkan permintaan inilah yang minggu depan akan menjadi input utama untuk perencanaan agregat, di mana kita akan menerjemahkan angka ramalan menjadi rencana produksi, tenaga kerja, dan persediaan yang nyata, termasuk konsep S&OP dan CPFR yang tadi disinggung. Sebagai tugas, rapikan hasil perhitungan latihan berpasangan tadi dan kumpulkan sebelum pertemuan berikutnya. Terima Kasih, sampai jumpa di pertemuan kelima.