Program Studi Manajemen • FEB

Pengantar Manajemen

Pertemuan 7 — Ilmu Manajemen & Peramalan (Forecasting)

Menerapkan pendekatan kuantitatif, optimasi (Operations Research), dan algoritma peramalan untuk mengambil keputusan bisnis yang presisi di era modern.

RPS MINGGU 7 • DURASI 2 × 50 MENIT

Tujuan Pembelajaran Hari Ini

Setelah mengikuti sesi ini, Anda diharapkan mampu memahami konsep ilmu manajemen dan cara kerjanya secara praktis.

CAPAIAN 1 — KONSEP OR

OPERATIONS RESEARCH

Memahami sejarah dan penggunaan Operations Research dalam pemecahan masalah bisnis, mulai dari linear programming hingga simulasi.

CAPAIAN 2 — FORECASTING

DASAR PERAMALAN

Mengidentifikasi berbagai metode Forecasting (kualitatif vs kuantitatif) dan mengapa prediksi akurat sangat krusial.

CAPAIAN 3 — STUDI KASUS

AMAZON & GOJEK

Menganalisis implementasi nyata peramalan tingkat lanjut melalui studi kasus Amazon (logistik) dan Gojek (marketplace).

CAPAIAN 4 — APLIKASI

INTEGRASI BISNIS

Menghubungkan hasil pemodelan matematis dengan pengambilan keputusan strategis di tingkat manajerial.

Bagaimana Gojek Tahu Harga Harus Naik Saat Hujan?

Pernahkah Anda menyadari bahwa saat hujan turun, tarif Gojek atau Grab seketika melonjak? Ini bukan tebakan acak admin.

MASALAH DUNIA NYATA

SUPPLY VS DEMAND

Saat hujan, permintaan (demand) melonjak karena orang enggan berjalan atau naik motor. Di saat yang sama, pasokan (supply) driver menurun drastis. Pasar menjadi tidak seimbang.

SOLUSI ILMU MANAJEMEN

ALGORITMA & MODELING

Algoritma secara otomatis menghitung seberapa besar harga harus dinaikkan (surge pricing) untuk menarik driver keluar sekaligus menyaring demand, menyeimbangkan pasar secara real-time.

Di sinilah peran Ilmu Manajemen (Management Science): menggunakan matematika, statistik, dan algoritma komputer untuk menyelesaikan masalah operasional kompleks.

Bagian 1 dari 4

Pendekatan Ilmu Manajemen

Lebih dikenal sebagai Operations Research (OR) — disiplin yang mengubah masalah bisnis ambigu menjadi persamaan matematika yang bisa dipecahkan.

Matematika Statistik Optimasi

Apa itu Operations Research (OR)?

Operations Research lahir dari kebutuhan militer pada Perang Dunia II, kini menjadi tulang punggung keputusan bisnis.

DEFINISI FORMAL

Operations Research (Management Science) adalah penerapan metode analitis tingkat lanjut untuk membantu membuat keputusan yang lebih baik. Ini mencakup pemodelan matematis, analisis statistik, dan optimasi.

AWAL MULA

PERANG DUNIA II

Diciptakan oleh ilmuwan Inggris & AS untuk mengoptimalkan rute kapal dan radar agar tidak terkena serangan kapal selam musuh.

EVOLUSI

ERA KOMPUTER

Setelah perang, teknik ini diadopsi oleh industri (minyak, maskapai). Penemuan komputer membuat OR berkembang sangat pesat.

HARI INI

AI & BIG DATA

Kini terintegrasi erat dengan Machine Learning dan Data Science untuk memproses jutaan data secara real-time.

4 Langkah dalam Ilmu Manajemen

Pendekatan ilmu manajemen selalu mengikuti metode ilmiah yang sangat terstruktur. Tidak ada tempat untuk sekadar "feeling".

1. FORMULASI MASALAH

Mengidentifikasi tujuan (misal: maksimalkan laba atau minimalkan biaya) dan mengenali batasan/kendala (misal: kapasitas mesin, jam kerja, budget).

2. PEMODELAN MATEMATIS

Menerjemahkan masalah tersebut ke dalam sistem persamaan matematis. Variabel keputusan ditentukan: X₁, X₂, dst.

3. MENCARI SOLUSI (OPTIMASI)

Menggunakan algoritma (biasanya dengan bantuan komputer/software) untuk menemukan nilai variabel yang memberikan hasil paling optimal.

4. VALIDASI & IMPLEMENTASI

Menguji model tersebut apakah sesuai dengan kenyataan. Jika ya, manajer akan menggunakan hasil tersebut untuk membuat kebijakan operasional.

Teknik Jagoan: Linear Programming (LP)

Dari sekian banyak alat di kotak peralatan Ilmu Manajemen, Linear Programming adalah yang paling populer dan aplikatif.

Tujuan LP: Mengalokasikan sumber daya yang terbatas sedemikian rupa sehingga mencapai hasil maksimum (profit/pendapatan) atau hasil minimum (biaya/waktu).

KOMPONEN 1

FUNGSI OBJEKTIF

Sebuah persamaan matematis yang mewakili apa yang ingin dicapai.

Contoh: Max Z = 50X + 40Y
(Z = Keuntungan, X dan Y adalah jumlah produk).

KOMPONEN 2

FUNGSI KENDALA

Keterbatasan yang mencegah keuntungan tanpa batas (budget, jam mesin, bahan baku).

Contoh: 2X + 3Y ≤ 100
(Jam mesin maksimal 100 jam).

Coba Sendiri: Baca Shadow Price Kendala LP

Geser batas fungsi kendala (jam mesin/bahan baku) dan amati berapa tambahan profit (shadow price) yang didapat dari menambah satu unit sumber daya itu.

Aplikasi Praktis Linear Programming

Perusahaan apa saja yang menggunakan pemodelan matematika seperti ini setiap hari?

1. PENJADWALAN MASKAPAI (AIRLINE PLANNING)

Maskapai menggunakan LP untuk Crew Pairing. Mereka meminimalkan biaya penugasan pramugari & pilot (fungsi objektif) dengan kendala regulasi jam terbang maksimal per minggu, kewajiban istirahat, dan jadwal pesawat.

2. PERGUDANGAN & LOGISTIK (TRANSPORTATION MODEL)

Perusahaan manufaktur menggunakan LP untuk menentukan produk dari pabrik A harus dikirim ke gudang B atau C agar total biaya logistik termurah, namun permintaan tiap kota tetap terpenuhi.

3. INVESTASI PORTOFOLIO

Manajer investasi menggunakan model ini untuk memilih campuran saham dan obligasi. Tujuannya: maksimalkan return (imbal hasil) dengan kendala batas risiko yang dapat diterima oleh investor.

Teknik Lainnya: Antrean & Simulasi

Selain Linear Programming, Operations Research memiliki metode lain untuk menangani ketidakpastian dunia nyata.

QUEUEING THEORY (TEORI ANTREAN)

MANAJEMEN BARISAN

Menganalisis probabilitas kedatangan ke kasir atau call center.

Tujuan: Menemukan keseimbangan antara biaya menambah kasir vs kerugian akibat pelanggan kabur karena antre lama.

SIMULASI KOMPUTER

UJI COBA VIRTUAL

Meniru operasi nyata dalam software sebelum benar-benar diimplementasikan.

Contoh: Mendesain tata letak mesin pabrik dalam komputer untuk melihat potensi bottleneck sebelum dibangun.

Tanpa alat bantu matematika ini, manajer hanya akan menebak-nebak (trial and error) yang mana bisa berakibat sangat mahal bagi perusahaan.

Coba Sendiri: Simulasikan Antrean M/M/1

Ubah tingkat kedatangan pelanggan dan kecepatan layanan, lalu amati bagaimana panjang antrean dan waktu tunggu rata-rata berubah drastis.

Bagian 2 dari 4

Peramalan (Forecasting)

Jantung dari operasi modern. Jika perusahaan tidak tahu apa yang akan terjadi besok, mereka tidak bisa merencanakan hari ini.

Prediksi Akurasi Data Historis

Apa Itu Peramalan Bisnis?

Forecasting adalah proses memprediksi kejadian masa depan berdasarkan pola masa lalu, data terkini, dan analisis tren.

PENDEKATAN KUALITATIF

OPINI & PENILAIAN

Digunakan saat data historis sangat sedikit atau peluncuran produk baru.

Metode: Delphi method (konsensus pakar), survei pasar. Lebih subjektif.

PENDEKATAN KUANTITATIF

DATA & STATISTIK

Mengandalkan angka masa lalu untuk memprediksi masa depan.

Metode: Time series, Moving Average, algoritma Machine Learning. Objektif.

Faktanya: Tidak ada ramalan yang 100% akurat. Tujuannya adalah meminimalkan tingkat kesalahan (error) sekecil mungkin.

Coba Sendiri: Ramal Penjualan dengan Rata-Rata Bergerak

Ubah panjang periode moving average pada data penjualan historis dan amati bagaimana garis ramalan menjadi lebih halus atau lebih responsif terhadap fluktuasi.

Faktor Eksternal (Eksogen) dalam Peramalan

Peramalan kuantitatif klasik sering gagal karena hanya melihat data penjualan masa lalu. Model modern wajib memasukkan faktor eksogen.

APA ITU FAKTOR EKSOGEN?

Variabel eksternal di luar sistem yang sangat mempengaruhi permintaan, namun tidak muncul dalam pola garis tren sederhana.

CUACA & IKLIM

HUJAN/PANAS

Bisnis es krim atau ride-hailing rentan terhadap cuaca harian yang mendadak.

KALENDER LOKAL

HARI LIBUR/CUTI

Lebaran atau Natal menciptakan lonjakan permintaan (spike) yang tidak biasa.

EVENT KHUSUS

KONSER/PROMO

Adanya konser atau promo diskon besar memicu distorsi data historis.

Bagian 3 dari 4

Studi Kasus Industri

Bagaimana raksasa teknologi seperti Amazon dan Gojek mengaplikasikan ilmu manajemen & peramalan tingkat lanjut di dunia nyata.

Amazon Logistics Gojek GO-FORECAST

Amazon: Predictive Inventory & Logistik

Rahasia pengiriman super cepat Amazon: Mereka sudah memindahkan barang ke gudang dekat Anda sebelum Anda mengklik "Beli".

MASALAH AMAZON

Dengan lebih dari 400 juta produk, Amazon harus memutuskan barang mana ditaruh di gudang mana. Jika salah tebak, ongkos kirim jarak jauh akan meledak dan pengiriman terlambat.

SOLUSI: ANTICIPATORY SHIPPING

Amazon menggunakan peramalan untuk mendeteksi minat beli lokal. Mereka mengirimkan barang menuju wilayah pelanggan meski transaksi resmi belum terjadi, murni berdasarkan probabilitas tinggi.

Pelajaran: Forecasting bukan sekadar "menebak penjualan akhir bulan", melainkan alat untuk mendekatkan rantai pasok ke konsumen akhir secara efisien.

Algoritma Amazon: Prediksi Probabilistik

Amazon tidak meramal dengan satu angka pasti. Mereka menggunakan konsep Probabilistik (peluang) untuk meminimalkan risiko kerugian.

SINGLE POINT FORECAST

TEBAKAN 1 ANGKA

Metode lama memprediksi: "Bulan depan produk X terjual tepat 1.500 unit."

Risiko: Jika meleset sedikit, terjadi kehabisan stok atau stok menumpuk.

PROBABILISTIC FORECAST

RENTANG PELUANG

Algoritma DeepAR Amazon memprediksi: "Ada peluang 90% permintaan di antara 1.200 - 1.800 unit."

Keuntungan: Manajer bisa menyeimbangkan tingkat persediaan.

DeepAR adalah model deep learning global. Ia bisa memprediksi penjualan produk baru (yang belum punya riwayat) dengan belajar pola dari ribuan produk serupa yang sudah ada.

Gojek: Dynamic Pricing & Marketplace Balancing

Gojek bukan sekadar transportasi; mereka adalah pasar dinamis (marketplace) yang mempertemukan mitra dan konsumen setiap detik.

TANTANGAN OPERASIONAL DI ASIA TENGGARA

Permintaan layanan Gojek sangat fluktuatif. Hal ini dipengaruhi oleh jam sibuk (rush hour), kemacetan mendadak, konser lokal, cuaca ekstrem tropis, dan libur panjang.

KONDISI NORMAL

SUPPLY = DEMAND

Driver melimpah, harga standar (base fare), waktu tunggu sangat singkat. Ekosistem berjalan stabil.

KONDISI SHOCK (MISAL: HUJAN)

DEMAND > SUPPLY

Banyak driver berteduh, sementara pesanan membeludak. Butuh penyesuaian otomatis agar sistem tidak hancur.

Algoritma Gojek: GO-FORECAST & XGBoost

Untuk mengatasi ketidakpastian pasar, Gojek membangun sistem peramalan terotomatisasi bernama GO-FORECAST.

KELEMAHAN MODEL KLASIK

Model statistik biasa (ARIMA/ETS) sangat lambat beradaptasi dan kesulitan memproses data "variabel eksogen" (hujan, lokasi macet) yang sangat penting di Indonesia.

MESIN XGBoost

Gojek menggunakan XGBoost (algoritma Machine Learning). Algoritma ini sanggup memproses ratusan variabel: historis pesanan, data cuaca real-time, lokasi polygon, hingga waktu hari.

Hasil Implementasi: Tim bisnis di Gojek bisa memprediksi lonjakan permintaan secara akurat di berbagai area, memungkinkan penentuan harga surge pricing beroperasi otomatis dalam hitungan detik.

Bagian 4 dari 4

Kesimpulan & Implementasi Manajerial

Ilmu Manajemen dan Peramalan tidak ada artinya jika hanya berakhir sebagai dashboard. Harus berdampak pada bottom line perusahaan.

Eksekusi Strategi Budaya Data ROI

Kunci Sukses Implementasi Science dalam Bisnis

Mengapa proyek prediksi sering gagal? Karena kesenjangan antara pembuat model dan pengambil keputusan (manajer).

1. KUALITAS DATA

GARBAGE IN, GARBAGE OUT

Model matematika terbaik akan gagal total jika disuapi data yang salah. Investasi infrastruktur data adalah fondasi utama.

2. DEMOKRATISASI DATA

AKSES BAGI MANAJER

Ilmu manajemen harus divisualisasikan dalam bentuk alat yang mudah dipahami. Manajer harus bisa membaca insight secara langsung.

3. MENGGABUNGKAN INTUISI & ALGORITMA

Mesin pintar melihat pola angka, tetapi manusia mengerti konteks bisnis tak terduga (misal: kondisi politik, perubahan budaya mendadak). Perusahaan hebat selalu mengandalkan insting manajer manusia sebagai penengah dari rekomendasi algoritma.

Ringkasan Pembelajaran Hari Ini

Operations Research (OR) mengubah masalah manajerial yang rumit menjadi pemodelan matematis untuk mendapatkan solusi optimal.
Peramalan (Forecasting) modern bergeser dari tebakan angka mati menjadi Probabilistic Forecasting yang memasukkan faktor eksogen, seperti praktik Gojek dan Amazon.
Tujuan Utama: Meminimalkan ketidakpastian, menyeimbangkan supply-demand, memangkas biaya logistik, dan menyokong keputusan strategis para eksekutif.

PERTANYAAN REFLEKSI

Sesi Tanya Jawab

Menurut Anda, posisi manajerial mana yang paling mungkin digantikan oleh algoritma prediksi di perusahaan 5 tahun dari sekarang?