RPS minggu 10 · 2x50 menit

Peramalan Permintaan dan Analitik Operasi

Pertemuan 9 — Manajemen Operasi dan Teknologi

Dari angka ramalan ke keputusan: memilih metode peramalan yang tepat, mengukur akurasinya secara disiplin, dan menghubungkannya ke keputusan persediaan, kapasitas, serta S&OP lintas fungsi.

Selamat datang di Pertemuan 9, Anda. Sesi hari ini adalah titik temu antara dua paruh mata kuliah — kita sudah membahas persediaan dan kapasitas secara analitis, dan sekarang kita masuk ke mesin yang menggerakkan semuanya, yaitu peramalan permintaan. Sebagai pembuka, tanyakan kepada kelas siapa yang di tempat kerjanya pernah kecewa karena forecast penjualan meleset jauh dari realisasi, lalu apa dampaknya terhadap stok atau kapasitas produksi. Ingatkan mereka bahwa sebagai manajer, tugas Anda bukan membuat ramalan sempurna — karena itu mustahil — melainkan memilih metode yang cukup baik, mengukur errornya secara jujur, dan merancang sistem yang tetap tangguh saat ramalan meleset. Sesi ini juga menjembatani ke Pertemuan 10 tentang desain proses dan otomasi, karena keputusan proses sering bergantung pada seberapa bisa diandalkan angka permintaan yang kita pakai.

Bagian 1 — Fondasi

Peramalan sebagai Input Keputusan, Bukan Ritual Administratif

Pertanyaan diskusi: Di organisasi Anda, siapa yang "memiliki" angka forecast — dan apakah metode di baliknya pernah dievaluasi ulang secara formal?

Peramalan sebagai Keputusan Strategis, Bukan Sekadar Administratif

Forecast yang buruk tidak hanya salah angka — ia mendistorsi keputusan persediaan, kapasitas, staffing, dan bahkan valuasi perusahaan lewat guidance ke investor.

Dampak ke Hilir

Overforecast → kelebihan stok, biaya simpan naik, risiko write-off.
Underforecast → stockout, kehilangan penjualan, kekecewaan pelanggan.
Bias sistematis (selalu terlalu optimis/pesimis) lebih berbahaya daripada error acak.

Pertanyaan Manajerial Kunci

Metode mana yang cocok untuk pola permintaan produk ini?
Seberapa akurat forecast kita dibanding periode lalu — membaik atau memburuk?
Siapa yang bertanggung jawab meninjau ulang metode secara berkala?

Spektrum Metode Peramalan: Kualitatif, Time Series, Kausal

Kualitatif

Delphi, riset pasar, opini tenaga penjual — cocok untuk produk baru tanpa data historis.

Time Series

Moving average, exponential smoothing — mengandalkan pola historis permintaan sendiri.

Kausal

Regresi dengan variabel pemicu (harga, iklan, cuaca, hari libur) — untuk hubungan sebab-akibat.

Keputusan metode bergantung pada horizon waktu, ketersediaan data historis, dan tingkat volatilitas permintaan — bukan preferensi pribadi analis.

Dekomposisi Deret Waktu: Empat Komponen Permintaan

Sebelum memilih metode, manajer perlu mengenali pola apa yang sesungguhnya membentuk data permintaan historisnya.

Hitung dari Nol: Moving Average vs Exponential Smoothing

Data penjualan unit sebuah distributor elektronik (ilustrasi untuk latihan kelas): Maret 1.000, April 1.050, Mei 1.080, Juni 1.120 unit. Forecast eksponensial untuk Juni sebelumnya adalah 1.060 unit.

Langkah	Perhitungan	Nilai
1. Rata-rata bergerak 3 bulan (forecast Juli)	(1.050 + 1.080 + 1.120) ÷ 3	1.083,3 unit
2. Error forecast Juni (exponential)	Aktual 1.120 − Forecast 1.060	60 unit
3. Forecast Juli — exponential smoothing (α=0,3)	1.060 + 0,3 x 60	1.078 unit
4. Selisih dua metode untuk Juli	1.083,3 − 1.078	5,3 unit

Keputusan Metode

Selisih kecil, tetapi exponential smoothing lebih responsif terhadap tren naik terbaru karena memberi bobot lebih besar pada data terkini — lebih disukai saat permintaan sedang bergerak, bukan stabil datar.

Jalankan tabel ini baris demi baris dan minta mahasiswa menghitung ulang secara lisan sebelum Anda membuka jawabannya, karena kesalahan paling umum adalah lupa bahwa moving average memberi bobot sama pada tiga bulan terakhir sedangkan exponential smoothing memberi bobot lebih besar pada data terbaru lewat parameter alfa. Tanyakan kepada mahasiswa dari sektor elektronik atau consumer durables, apakah pola penjualan mereka lebih mirip tren naik konsisten seperti contoh ini atau justru musiman tajam seperti gawai menjelang peluncuran model baru. Tekankan bahwa memilih alfa 0,3 bukan angka sembarang — semakin besar alfa, semakin cepat model bereaksi terhadap perubahan tetapi juga semakin rentan terhadap noise acak. Section ini memakai data-no-frag pada level section karena berfungsi sebagai latihan hitung bersama, namun tetap memakai fragment per baris untuk menjaga ritme reveal.

Coba Sendiri: Bandingkan Dua Metode Peramalan

Ubah data historis dan parameter alfa, lalu amati bagaimana hasil forecast moving average dan exponential smoothing berbeda saat permintaan sedang bergerak.

Mini-Kasus: Memilih Konstanta Smoothing (α) untuk Ritel Nasional

Sebuah jaringan minimarket skala Indomaret/Alfamart mengevaluasi α untuk meramalkan penjualan mi instan mingguan di 500 gerai. Bagaimana manajer rantai pasok memutuskan nilai α yang tepat?

α Kecil (mis. 0,1–0,2)

Forecast stabil, tidak mudah terpengaruh lonjakan sesaat (mis. promo satu minggu).
Cocok untuk produk kebutuhan pokok dengan permintaan relatif datar.
Risiko: lambat menangkap pergeseran tren nyata (mis. perubahan selera konsumen).

α Besar (mis. 0,4–0,6)

Cepat menyesuaikan diri dengan perubahan permintaan terbaru.
Cocok untuk produk musiman/tren cepat (mis. minuman kekinian).
Risiko: forecast "tersentak-sentak" mengikuti noise, sulit dipakai perencanaan produksi.

Rubrik Pemilihan Metode Peramalan per Konteks Bisnis

Langkah	Pertanyaan Analisis	Implikasi Pemilihan
1. Horizon waktu	Apakah forecast untuk jangka pendek (operasional) atau panjang (strategis)?	Jangka pendek → time series; jangka panjang → kausal/kualitatif
2. Ketersediaan data historis	Adakah data historis memadai (produk lama vs produk baru)?	Data minim → kualitatif (Delphi, riset pasar)
3. Volatilitas permintaan	Apakah pola stabil, musiman jelas, atau sangat fluktuatif?	Volatil → smoothing adaptif atau model kausal dengan pemicu
4. Ada tidaknya variabel pemicu terukur	Apakah harga, iklan, atau cuaca memengaruhi permintaan secara terukur?	Pemicu jelas → regresi kausal lebih unggul dari time series murni
5. Biaya kesalahan forecast	Seberapa mahal konsekuensi overforecast vs underforecast produk ini?	Biaya tinggi → investasi metode lebih canggih & review lebih sering

Aturan Keputusan

Tidak ada metode "terbaik" universal — kecocokan metode dengan konteks data dan biaya kesalahan yang menentukan, bukan kecanggihan algoritma semata.

Bagian 2 — Akurasi & Konsekuensi Rantai Pasok

Mengukur Error Forecast Secara Disiplin

Pertanyaan diskusi: Apakah organisasi Anda melacak akurasi forecast secara rutin (mis. bulanan) — atau hanya menyadari forecast meleset ketika stok sudah kosong/menumpuk?

Mengukur Akurasi: MAD, MSE, MAPE, dan Bias

Ukuran Besaran Error

MAD (Mean Absolute Deviation): rata-rata besar error, satuan sama dengan unit permintaan.
MSE (Mean Squared Error): menghukum error besar lebih berat — sensitif outlier.
MAPE (Mean Absolute Percentage Error): error dalam persentase — mudah dibandingkan lintas produk.

Ukuran Arah Error

Bias: rata-rata error TANPA nilai mutlak — positif berarti underforecast sistematis, negatif berarti overforecast.
Tracking Signal: rasio total error terhadap MAD — sinyal dini penyimpangan model dari kondisi normal.
Bias tak terdeteksi berbahaya karena forecast "tampak akurat" secara rata-rata absolut, padahal salah arah terus-menerus.

Hitung dari Nol: MAPE, Bias, dan Tracking Signal

Forecast vs aktual penjualan 4 periode terakhir (unit, ilustrasi kelas): P1 aktual 1.000/forecast 950; P2 aktual 1.050/forecast 1.000; P3 aktual 1.080/forecast 1.100; P4 aktual 1.120/forecast 1.090.

Langkah	Perhitungan	Nilai
1. Error per periode (Aktual − Forecast)	+50, +50, −20, +30	Total error = 110
2. Bias (rata-rata error, bertanda)	110 ÷ 4	27,5 (bias positif → cenderung underforecast)
3. MAD (rata-rata error mutlak)	(50+50+20+30) ÷ 4	37,5 unit
4. Tracking Signal	110 ÷ 37,5	2,93
5. MAPE (rata-rata persentase error mutlak)	(5% + 4,76% + 1,85% + 2,68%) ÷ 4	3,57%

Keputusan

2,93

Tracking Signal < ±4 (batas kendali umum) → model masih terkendali secara statistik, tetapi bias positif konsisten perlu dipantau agar tidak membesar di periode berikutnya.

Jalankan perhitungan ini baris demi baris dan minta mahasiswa memverifikasi sendiri persentase error tiap periode sebelum Anda menampilkan MAPE final, karena kesalahan umum adalah tertukar antara rata-rata error mutlak dalam unit dengan rata-rata dalam persentase. Tekankan bahwa MAPE 3,57 persen terdengar sangat baik, tetapi bias positif konsisten di tiga dari empat periode adalah sinyal peringatan yang tidak akan terlihat jika Anda hanya melaporkan MAPE tanpa bias. Tanyakan probing kepada mahasiswa dari sektor manufaktur atau distribusi, ambang batas tracking signal berapa yang dipakai di perusahaan mereka, dan siapa yang bertanggung jawab meninjau ulang model saat ambang itu terlampaui. Section ini data-no-frag pada level section karena berfungsi sebagai latihan hitung bersama, namun tetap memakai fragment per baris agar ritme reveal terjaga.

Dari Error Forecast ke Keputusan Safety Stock

Akurasi forecast bukan angka akademik — ia langsung menentukan berapa besar buffer persediaan (safety stock) yang harus disiapkan untuk menyerap ketidakpastian.

Safety Stock = z x σ_demand x √(Lead Time) — dan σ_demand membesar seiring MAD/bias forecast yang tidak terkendali

Implikasi manajerial: menurunkan error forecast (MAD lebih kecil) adalah cara MENGURANGI kebutuhan modal kerja pada persediaan — bukan sekadar urusan tim demand planning semata.

Jelaskan bahwa hubungan ini sering terlewat oleh manajer yang menganggap forecast dan persediaan sebagai dua dunia terpisah, padahal secara matematis keduanya terhubung langsung lewat variabilitas permintaan. Ajak mahasiswa dari sektor manufaktur atau distribusi menghitung secara kasar, berapa modal kerja yang bisa dihemat perusahaan mereka jika MAD forecast berhasil diturunkan sepuluh atau dua puluh persen melalui metode yang lebih baik. Tekankan bahwa investasi pada kapabilitas forecasting yang lebih baik — baik SDM, data, maupun sistem — sering kali punya ROI lebih tinggi daripada investasi pada gudang tambahan untuk menampung safety stock berlebih. Slide berikutnya akan memperlihatkan bagaimana error forecast yang tidak terkendali justru membesar saat merambat ke hulu rantai pasok lewat bullwhip effect.

Bullwhip Effect: Amplifikasi Error di Sepanjang Rantai Pasok

Jelaskan bahwa bullwhip effect adalah konsekuensi langsung dari forecast lokal yang tidak terkoordinasi — tiap simpul rantai pasok menambahkan buffer keamanannya sendiri di atas forecast yang sudah bias, sehingga variasi pesanan membesar drastis di hulu. Ceritakan pola umum di industri consumer goods Indonesia, di mana pesanan distributor ke pabrik bisa jauh lebih fluktuatif dibanding penjualan aktual di gerai ritel, karena setiap level menambah margin aman berdasarkan forecast mereka sendiri yang juga tidak sempurna. Tanyakan kepada mahasiswa yang bekerja di sisi manufaktur, apakah mereka pernah mengalami pesanan mendadak melonjak dari distributor padahal data penjualan konsumen akhir relatif stabil. Tekankan bahwa solusi utamanya bukan menambah buffer di setiap simpul, melainkan berbagi data permintaan aktual secara transparan lintas rantai pasok — inilah yang dipraktikkan lewat S&OP kolaboratif pada mini-kasus berikutnya.

Mini-Kasus: S&OP Kolaboratif di FMCG Nasional

Produsen barang konsumsi skala Unilever Indonesia/Wings Group menerapkan Sales & Operations Planning (S&OP) bulanan lintas fungsi. Bagaimana forum ini mengurangi distorsi forecast dibanding forecast per-departemen terpisah?

Sebelum S&OP Terintegrasi

Tim penjualan optimis (demi target insentif), tim produksi konservatif (demi efisiensi kapasitas).
Dua forecast berbeda beredar tanpa rekonsiliasi — keputusan produksi & alokasi budget tidak sinkron.

Setelah Forum S&OP Bulanan

Satu angka forecast disepakati lintas fungsi (penjualan, produksi, keuangan, rantai pasok).
Asumsi & risiko didiskusikan terbuka — bias masing-masing fungsi saling menetralkan.

Sampaikan bahwa forum S&OP pada dasarnya adalah mekanisme tata kelola untuk mengatasi masalah insentif yang berbeda antar fungsi — tim penjualan cenderung optimis karena insentif mereka terkait target, sementara tim produksi cenderung konservatif karena diukur dari efisiensi kapasitas dan biaya. Tanyakan kepada mahasiswa dari perusahaan FMCG atau manufaktur, apakah organisasi mereka punya forum serupa, dan seberapa sering forum tersebut benar-benar mengubah keputusan dibanding sekadar rapat formalitas bulanan. Tekankan bahwa keberhasilan S&OP bukan diukur dari seberapa sering rapat diadakan, melainkan dari seberapa konvergen satu angka forecast yang disepakati dan seberapa disiplin organisasi mengevaluasi akurasinya setiap bulan. Diskusi ini menjadi jembatan menuju pembahasan spektrum analitik operasi yang lebih luas pada bagian berikutnya.

Bagian 3 — Analitik Lanjutan & Tata Kelola

Dari Peramalan Klasik ke Analitik Operasi Modern

Pertanyaan diskusi: Jika organisasi Anda punya anggaran terbatas untuk satu inisiatif analitik operasi tahun depan, akan Anda pilih model prediksi permintaan yang lebih canggih, atau proses S&OP yang lebih disiplin — dan mengapa?

Spektrum Analitik Operasi: Deskriptif → Prediktif → Preskriptif

Deskriptif

"Apa yang terjadi?" — dashboard historis penjualan, tingkat stockout, utilisasi kapasitas.

Prediktif

"Apa yang akan terjadi?" — forecast permintaan, model risiko keterlambatan pemasok.

Preskriptif

"Apa yang harus dilakukan?" — optimasi alokasi kapasitas & rute distribusi otomatis.

Sebagian besar organisasi Indonesia masih kuat di deskriptif, mulai membangun prediktif — preskriptif masih langka karena butuh integrasi data & kepercayaan pada rekomendasi otomatis.

Jelaskan bahwa peramalan permintaan yang sudah kita bahas sepanjang sesi ini duduk di lapisan prediktif, tetapi nilai bisnis penuh baru terealisasi ketika hasil prediksi itu langsung memicu rekomendasi tindakan di lapisan preskriptif, misalnya sistem otomatis yang menyarankan realokasi stok antar-gudang. Tanyakan kepada mahasiswa dari sektor logistik atau e-commerce, sejauh mana perusahaan mereka sudah punya sistem yang benar-benar preskriptif dibanding sekadar dashboard deskriptif yang dilihat manual oleh manajer. Tekankan bahwa lompatan dari prediktif ke preskriptif sering terhambat bukan oleh teknologi, melainkan oleh kepercayaan manajemen untuk menyerahkan sebagian keputusan operasional ke rekomendasi algoritma. Slide berikutnya akan membahas trade-off ketika organisasi mempertimbangkan model machine learning dibanding model klasik untuk peramalan.

Machine Learning vs Model Klasik: Rubrik Trade-off Keputusan

Langkah	Pertanyaan Analisis	Implikasi Keputusan
1. Kompleksitas pola data	Apakah hubungan antar-variabel non-linear & melibatkan banyak faktor?	Pola kompleks → ML (random forest, gradient boosting) unggul
2. Kebutuhan interpretabilitas	Apakah hasil perlu dijelaskan ke direksi/regulator secara transparan?	Transparansi kritis → model klasik (regresi, smoothing) lebih mudah dipertanggungjawabkan
3. Volume & kualitas data	Apakah tersedia data historis besar & bersih untuk melatih model?	Data minim/kotor → ML berisiko overfitting, model klasik lebih tangguh
4. Kapabilitas SDM & infrastruktur	Apakah organisasi punya data scientist & pipeline MLOps untuk memelihara model?	Kapabilitas terbatas → mulai dari model klasik, migrasi bertahap ke ML

Aturan Keputusan

ML unggul akurasi pada data kompleks & melimpah, tetapi tanpa kapabilitas pemeliharaan model yang memadai, model klasik yang dipahami tim justru lebih andal secara operasional.

Ajak mahasiswa berdiskusi bahwa godaan mengadopsi machine learning untuk forecasting sering datang dari tekanan tren teknologi, padahal keputusan ini seharusnya berbasis kesiapan data dan kapabilitas organisasi, bukan sekadar mengikuti kompetitor. Tanyakan kepada mahasiswa dari sektor perbankan atau telekomunikasi yang biasanya punya data lebih besar, apakah mereka sudah memakai model ML untuk forecasting permintaan atau risiko, dan bagaimana mereka menjelaskan hasilnya ke manajemen senior yang mungkin tidak familiar dengan model kotak hitam. Tekankan bahwa banyak kegagalan proyek ML di operasi terjadi bukan karena model salah, melainkan karena tidak ada tim yang memelihara model tersebut setelah proyek awal selesai — fenomena yang dikenal sebagai model decay. Slide berikutnya membahas jebakan umum lain dalam tata kelola forecasting yang perlu diwaspadai manajer operasi.

Tata Kelola Peramalan: Jebakan Umum & Mitigasi

Jebakan Umum

Forecast dipakai sekaligus sebagai target insentif penjualan (bias optimisme melekat).
Model tidak pernah dievaluasi ulang setelah pola permintaan berubah (mis. pasca-pandemi).
Satu metode dipakai untuk semua produk tanpa memperhatikan karakteristik masing-masing.

Mitigasi Manajerial

Pisahkan forecast operasional dari target insentif komersial.
Jadwalkan tinjauan akurasi (MAPE, bias, tracking signal) secara rutin — bukan reaktif.
Segmentasi produk (ABC/XYZ) untuk menentukan metode & frekuensi review berbeda.

Jelaskan bahwa jebakan paling umum dan paling sulit diperbaiki adalah ketika angka forecast yang sama dipakai sekaligus sebagai target insentif tim penjualan, karena hal ini menciptakan konflik kepentingan struktural yang membuat forecast secara sistematis bias optimis. Tanyakan kepada mahasiswa apakah di organisasi mereka forecast operasional dan target insentif komersial sudah dipisahkan secara formal, atau masih menjadi angka yang sama yang dipakai untuk dua tujuan berbeda. Ingatkan bahwa perubahan pola permintaan pasca-pandemi adalah contoh nyata bagaimana model lama yang tidak dievaluasi ulang bisa memberikan forecast yang sangat menyesatkan untuk kondisi baru. Tekankan bahwa segmentasi produk berdasarkan nilai dan volatilitas, mirip logika ABC-XYZ pada manajemen persediaan yang sudah dibahas sebelumnya, membantu organisasi mengalokasikan usaha forecasting secara proporsional, bukan menyamaratakan semua produk.

Latihan Kelompok: Rancang Proses Peramalan Kolaboratif Organisasi Anda

Instruksi (15 menit, kelompok 3-4 orang): Pilih satu produk/lini bisnis di organisasi Anda. Tentukan metode peramalan yang paling sesuai (rubrik Bagian 1), metrik akurasi yang akan dipantau (Bagian 2), dan satu perubahan tata kelola untuk mengurangi bias forecast (Bagian 3).

Yang Harus Disiapkan

Nama produk/lini bisnis + karakteristik pola permintaannya.
Metode peramalan terpilih + alasan berbasis rubrik.
Satu perubahan tata kelola konkret (mis. pemisahan insentif, jadwal review).

Format Presentasi

3 menit per kelompok, lisan tanpa slide tambahan.
Siap ditantang kelompok lain (peer challenge) soal asumsi α atau metrik yang dipilih.

Penutup & Jembatan ke Pertemuan Berikutnya

Lima Takeaway Kunci

Pemilihan metode peramalan bergantung horizon, data, volatilitas — bukan kebiasaan.
MAPE saja tidak cukup — bias dan tracking signal mengungkap error sistematis tersembunyi.
Error forecast yang tidak terkendali langsung menaikkan kebutuhan safety stock & modal kerja.
Bullwhip effect mengamplifikasi error lokal di sepanjang rantai pasok — solusinya kolaborasi (S&OP), bukan buffer tambahan di tiap simpul.
ML unggul pada data kompleks & melimpah, tetapi butuh kapabilitas pemeliharaan model yang memadai.

Ke Depan

P10: desain proses & otomasi — forecast jadi input keputusan kapasitas proses.
P11: digitalisasi rantai pasok (Supply Chain 4.0).
P12: teknologi informasi & ERP dalam operasi.
P13: studi kasus transformasi digital operasi (analisis kelompok).

Tutup sesi dengan menegaskan bahwa peramalan permintaan bukan topik berdiri sendiri, melainkan fondasi yang akan terus dipakai saat kita membahas desain proses, digitalisasi rantai pasok, dan sistem ERP pada pertemuan-pertemuan berikutnya. Ingatkan mahasiswa untuk membawa hasil latihan kelompok mereka sebagai bahan refleksi, karena rubrik pemilihan metode dan metrik akurasi yang mereka rancang hari ini akan relevan untuk studi kasus transformasi digital di akhir semester. Sampaikan apresiasi atas keterlibatan aktif mereka berbagi pengalaman nyata dari berbagai sektor, karena perbandingan lintas industri inilah yang memperkaya diskusi kelas profesional seperti ini. Ingatkan mereka membaca ulang materi tentang manajemen kapasitas sebelum Pertemuan 10, karena desain proses dan otomasi akan langsung menyambung ke keputusan kapasitas yang bergantung pada akurasi forecast yang kita bahas hari ini.