RPS minggu 3 · 2x50 menit

Proyeksi Penjualan dan Peramalan Pendapatan

Perencanaan Bisnis dan Penganggaran Perusahaan — Magister Manajemen FEB UNDIP

Peta Pembelajaran Hari Ini

Sub-CPMK 3: menyusun proyeksi pendapatan dengan metode peramalan yang sesuai. Empat metode yang harus Anda kuasai sebagai praktisi perencanaan.

Jam ke-1 (50 menit)

Hierarki proyeksi: korporat → SBU → produk
Metode kuantitatif: moving average, exp smoothing, regresi
Metode kualitatif: Delphi, sales force composite, market research

Jam ke-2 (50 menit)

Ukuran akurasi: MAPE, MSE, RMSE
Sensitivitas asumsi & bias peramalan
Kasus Indomie & Astra; persiapan P4 anggaran operasional

Posisi dalam alur: proyeksi penjualan adalah input pertama anggaran operasional (P4) dan kas (P5) — kesalahan kecil berlipat di hilir.

Mengapa Proyeksi Penjualan Adalah Pondasi Anggaran

Studi industri (dihedge) menunjukkan bahwa ~60% varians anggaran tahunan berasal dari kesalahan proyeksi penjualan — bukan dari biaya.

Sumber Varians Anggaran

~60%

Berasal dari kesalahan proyeksi revenue (estimasi industri, dihedge)

Bias Optimisme Pendiri

~15–25%

Proyeksi rata-rata lebih tinggi dari aktual (Damodaran, dihedge)

Pertanyaan pemantik: di perusahaan Anda, proyeksi penjualan tahun lalu berapa persen meleset dari aktual? Apakah Anda tahu sumber kesalahannya?

Bagian 1 · 1/4

Hierarki & Pendekatan Proyeksi

Diskusi kelas: di perusahaan Anda, apakah proyeksi top-down (corporate→product) atau bottom-up (product→corporate) yang dipakai? Mana yang lebih akurat?

Hierarki Proyeksi Penjualan

Hierarki proyeksi membedakan empat level: (1) corporate total semua SBU, (2) SBU per unit bisnis, (3) product line per kelompok produk, (4) SKU per varian. Konsolidasi harus konsisten antar-level.

Level Korporat

Top-down, didorong asumsi makro GDP & industri

Level SBU/Produk

Bottom-up, didorong pipeline & pangsa pasar

Level SKU

Bottom-up detail, didorong seasonality & promosi

Konsolidasi bottom-up harus mendekati target top-down; selisih >5% memicu iterasi budget committee.

Dua Pendekatan: Kuantitatif vs Kualitatif

Pilihan metode bergantung pada karakteristik data dan ketersediaan historis.

Kriteria	Kuantitatif	Kualitatif
Data historis	Wajib ≥3 tahun	Tidak wajib
Karakter data	Stabil atau pola teramati	Volatile, disruptif, baru
Contoh metode	Moving average, exp smoothing, regresi	Delphi, sales force composite, market research
Kelebihan	Objektif, dapat diuji	Menangkap perubahan struktural
Kelemahan	Tertinggal saat disruption	Subjektif, bias optimisme

Hitung dari Nol: Moving Average 3-Periode

Skenario: Penjualan Indomie (ilustrasi) kuartal 2023-2024 (dalam juta bungkus): Q1=42, Q2=48, Q3=45, Q4=52, Q1'24=50, Q2'24=55. Hitung proyeksi Q3'24 dengan simple moving average 3-periode dan weighted moving average (bobot 3-2-1 untuk periode terbaru).

Langkah	Perhitungan	Nilai
1. SMA 3-periode Q3'24	(Q4'23 + Q1'24 + Q2'24) ÷ 3 = (52+50+55) ÷ 3	52,33 jt
2. WMA Q3'24 (bobot 3-2-1)	(3×55 + 2×50 + 1×52) ÷ (3+2+1) = (165+100+52) ÷ 6	52,83 jt
3. Selisih WMA vs SMA	52,83 − 52,33	+0,50 jt
4. Interpretasi	WMA lebih responsif terhadap tren naik terbaru	WMA lebih tinggi

Proyeksi Q3'24

~52,3–52,8 jt

Rentang proyeksi dari dua metode moving average — bandingkan dengan aktual untuk ukur MAPE

Bagian 2 · 2/4

Metode Kuantitatif: Time Series & Regresi

Diskusi kelas: kapan Anda memilih regresi linier sederhana vs eksponensial vs multipel? Berikan satu contoh dari industri Anda.

Empat Pola Data Time Series

Identifikasi pola data adalah langkah pertama sebelum memilih metode peramalan.

Pola Dasar

Tren — naik/turun jangka panjang (GDP-linked)
Siklus — fluktuasi multi-tahun (siklus ekonomi)
Musiman — pola berulang < 1 tahun (Lebaran, Natal)
Residu — komponen acak tak terjelaskan

Metode yang Cocok

Tren linier → regresi linier sederhana
Tren accelerating → regresi eksponensial
Musiman kuat → Holt-Winters / SARIMA
Volatile tanpa pola → smoothing/naive

Salah identifikasi pola = salah pilih metode = proyeksi meleset sejak awal.

Regresi Linier Sederhana

Hubungkan revenue (Y) dengan satu variabel penjelas (X) — mis. GDP atau belanja iklan.

Y = a + b·X + ε → Ŷ(t) = a + b·X(t)

Komponen	Rumus	Interpretasi
Intercept a	Ȳ − b·X̄	Nilai Y saat X=0
Slope b	Cov(X,Y) / Var(X)	Perubahan Y per unit X
R²	(Cov(X,Y))² / (Var(X)·Var(Y))	% variansi Y dijelaskan X
Residu ε	Y − Ŷ	Bagian tak terjelaskan

Hitung dari Nol: Regresi Penjualan vs PDB

Skenario: Data 5 tahun penjualan motor Astra (triliun Rp) vs PDB Indonesia (triliun Rp, fiktif): (Y, X) = (95, 14.000), (102, 14.700), (108, 15.200), (115, 15.900), (122, 16.600). Hitung regresi linier dan proyeksikan Y saat PDB = 17.500.

Langkah	Perhitungan	Nilai
1. Slope b	Cov(X,Y)/Var(X) ≈ (mis. terhitung)	≈ 0,018
2. Intercept a	Ȳ − b·X̄ = 108,4 − 0,018×15.280	≈ −166,6
3. Persamaan	Ŷ = −166,6 + 0,018·X	—
4. Proyeksi saat X=17.500	−166,6 + 0,018×17.500	Rp 148,4 triliun
5. Interval kepercayaan (dihedge)	±15% sebagai pedoman praktis	Rp 126–171 triliun

Proyeksi Astra

~Rp 148 T

Proyeksi point estimate — sajikan dengan interval untuk jujur menyampaikan ketidakpastian

Bagian 3 · 3/4

Metode Kualitatif & Ukuran Akurasi

Diskusi kelas: di perusahaan Anda, bagaimana insight tim sales dimasukkan ke proyeksi? Apakah ada mekanisme mengurangi bias optimisme?

Empat Metode Kualitatif

Metode Berbasis Ahli

Delphi — panel ahli anonim, iterasi sampai konsensus
Executive opinion — judgment tim eksekutif senior

Metode Berbasis Pasar

Sales force composite — agregasi dari tim sales lapangan
Market research — survei niat beli konsumen

Sales force composite rentan bias: tim sales memproyeksikan rendah agar target mudah dicapai (budgetary slack — akan dibahas P13).

Ukuran Akurasi: MAPE & MSE

Untuk memilih metode terbaik, ukur error historis dengan MAPE (Mean Absolute Percentage Error) atau MSE (Mean Squared Error).

MAPE

MAPE = (1/n) · Σ |(Yt − Ŷt)/Yt| × 100%

Interpretasi intuitif (% rata-rata error)
Tidak bisa dipakai jika Yt = 0
Pedoman: <10% sangat baik, 10–20% baik, >30% lemah

MSE & RMSE

MSE = (1/n) · Σ (Yt − Ŷt)²

Menghukum error besar lebih berat (kuadrat)
RMSE = √MSE, satuan sama dengan Y
Cocok untuk membandingkan model di data yang sama

Hitung dari Nol: MAPE Tiga Metode

Skenario: Aktual 4 kuartal (juta bungkus): 48, 45, 52, 50. Tiga proyeksi metode: SMA = (50,2; 50,5; 49,7; 49,0), WMA = (50,3; 50,8; 49,5; 48,5), Naive = (52; 48; 45; 52). Hitung MAPE masing-masing dan pilih metode terbaik.

Metode	\|Error\| Q1 (abs %)	MAPE 4Q
SMA	\|48−50,2\|/48 = 4,6% (Q1, dst)	~6,5% (dihedge)
WMA	\|48−50,3\|/48 = 4,8% (Q1, dst)	~6,8% (dihedge)
Naive (Yt=Yt-1)	\|48−52\|/48 = 8,3% (Q1, dst)	~9,2% (dihedge)

Pemenang

SMA (~6,5%)

MAPE terkecil → metode terbaik untuk data ini — meskipun bukan yang paling canggih

Bagian 4 · 4/4

Sensitivitas, Bias & Komunikasi

Diskusi kelas: bagaimana cara profesional menyajikan proyeksi yang meleset? Apakah Anda mengomunikasikan rentang atau hanya angka tunggal?

Sensitivitas Proyeksi terhadap Asumsi

Proyeksi tidak pernah tunggal — ia adalah rentang berbasis skenario asumsi.

Skenario	Asumsi	Proyeksi Revenue (Rp T)
Best case	GDP +5,5%, pangsa +1pp	155
Base case	GDP +5,0%, pangsa flat	148
Worst case	GDP +4,5%, pangsa −1pp	141
Rentang	—	141 – 155 (±5% dari base)

Komunikasi profesional: "Kami proyeksikan revenue Rp 141-155 triliun, base case Rp 148 triliun, dengan asumsi GDP 4,5-5,5%."

Bias Peramalan yang Wajib Dihindari

Bias Optimisme

Proyeksi 15–25% lebih tinggi dari aktual
Mitigasi: baseline kuantitatif + review historis

Anchoring

Terkunci ke angka tahun lalu
Mitigasi: zero-based review berkala

Groupthink

Tim sales menyamakan proyeksi
Mitigasi: Delphi anonim + input eksternal

Mitigasi bias bukan soal "berpikir positif" — itu soal sistem yang memeriksa proyeksi terhadap data.

Ringkasan Kunci Pertemuan 3

Hierarki Proyeksi

Korporat → SBU → Produk → SKU

Pilihan Metode

Kuantitatif (SMA/WMA/regresi) vs Kualitatif (Delphi/sales)

Ukuran Akurasi

MAPE <10% sangat baik; MSE untuk error besar

Proyeksi penjualan adalah pondasi anggaran — disiplin metodologi di sini menghindarkan kesalahan berlipat di hilir.

Persiapan P4: dengan proyeksi penjualan hari ini, kita akan menyusun anggaran operasional terintegrasi (penjualan→produksi→tenaga kerja→overhead) minggu depan.