Program Studi Manajemen • FEB

Start-up Bisnis

Pertemuan 9 — Studi Kasus: Identifikasi Peluang dan Analisis Pasar Nyata

Membedah kasus nyata start-up Indonesia — dari Gojek sampai UMKM digital — untuk melatih cara berpikir identifikasi peluang dan analisis ukuran pasar yang bisa dipertanggungjawabkan.

RPS MINGGU 10 • 2 × 50 MENIT

Tujuan Pembelajaran Hari Ini

Pertemuan ini menekankan aplikasi — mengambil kerangka identifikasi peluang dan analisis pasar dari Pertemuan 2–3, lalu mengujinya pada kasus nyata. Setelah pertemuan ini, Anda diharapkan mampu:

Kemampuan Analisis

Mengidentifikasi sinyal peluang dalam sebuah kasus start-up nyata
Menghitung estimasi ukuran pasar (TAM–SAM–SOM) secara bertahap
Mengenali sumber data yang layak dipakai untuk analisis pasar Indonesia

Kemampuan Evaluasi

Membedakan analisis pasar yang kuat dari yang penuh asumsi ngawur
Mengenali tanda peringatan (red flags) kegagalan analisis pasar
Menyiapkan kerangka kerja untuk studi kasus tugas kelompok Anda sendiri

Bagian 1

Identifikasi Peluang dalam Kasus Nyata

Dari pengamatan masalah sehari-hari sampai perhitungan ukuran pasar pertama.

Recap: Kerangka Identifikasi Peluang

Di Pertemuan 2, kita pelajari tiga sinyal utama yang menandakan sebuah masalah layak menjadi peluang bisnis. Kerangka ini yang akan kita pakai membedah kasus hari ini.

Sinyal 1

Pain Point Nyata

Masalah yang benar-benar dirasakan, bukan diasumsikan — diverifikasi lewat observasi atau wawancara langsung.

Sinyal 2

Kesenjangan Pasar

Solusi yang ada saat ini mahal, lambat, atau tidak menjangkau segmen tertentu.

Sinyal 3

Momentum Pendukung

Tren teknologi, regulasi, atau perilaku konsumen yang membuat solusi baru menjadi mungkin sekarang.

Kerangka Analisis Pasar: TAM–SAM–SOM

Sebelum masuk kasus, kita samakan alat ukurnya. Ukuran pasar dipecah menjadi tiga lapisan konsentris, dari yang paling luas ke yang paling realistis dicapai.

Aturan main: setiap lapisan harus punya asumsi eksplisit — darimana angkanya, kenapa persentasenya segitu. Tanpa itu, TAM–SAM–SOM cuma angka karangan.

Studi Kasus A: Gojek — Observasi Jadi Peluang

Tahun 2010, Nadiem Makarim mengamati ojek pangkalan di Jakarta — sebagian besar tukang ojek menghabiskan waktu menunggu penumpang, sementara warga kesulitan mendapat ojek saat macet parah.

Pain Point

Warga Jakarta butuh transportasi cepat menembus macet, tapi sulit menemukan ojek saat dibutuhkan.

Kesenjangan

Ojek pangkalan menganggur menunggu penumpang — pasokan dan permintaan tidak bertemu efisien.

Momentum

Penetrasi smartphone dan GPS murah mulai naik pesat di kota besar Indonesia sejak 2010-an.

Gojek awalnya beroperasi lewat call center, baru meluncurkan aplikasi pada 2015 — peluangnya sudah tervalidasi dulu sebelum teknologinya matang.

Kasus Gojek ini penting karena menunjukkan bahwa peluang besar tidak selalu lahir dari teknologi canggih dulu, melainkan dari observasi masalah yang teliti. Nadiem melihat ada dua sisi masalah yang belum terhubung dengan baik: tukang ojek yang menganggur menunggu penumpang di satu sisi, dan warga Jakarta yang kesulitan mencari ojek saat macet di sisi lain. Ini contoh klasik ketidakefisienan pasar yang bisa diselesaikan dengan mempertemukan pasokan dan permintaan lebih baik. Menariknya, Gojek tidak langsung meluncurkan aplikasi canggih di awal — mereka mulai dengan call center sederhana untuk memvalidasi bahwa orang benar-benar mau memesan ojek lewat telepon, baru setelah terbukti ada permintaan, aplikasi dibangun. Ini pelajaran penting: validasi peluang dulu sebelum investasi besar di teknologi.

Hitung dari Nol #1: TAM–SAM–SOM Layanan Ojek Online

Mari kita simulasikan perhitungan yang mungkin dilakukan tim Gojek di awal — angka ini ilustratif untuk latihan, disederhanakan dari kondisi pasar transportasi urban Indonesia.

Langkah	Perhitungan	Nilai
TAM — pasar transportasi urban (~50 juta orang × Rp300.000/bulan × 12 bulan)	50.000.000 × Rp300.000 × 12	~Rp180 triliun/tahun
SAM — segmen terjangkau smartphone & infrastruktur (~40% dari TAM)	40% × Rp180 triliun	~Rp72 triliun/tahun
SOM — target realistis tahun pertama (~5% dari SAM)	5% × Rp72 triliun	~Rp3,6 triliun/tahun

SOM Tahun Pertama (Ilustrasi)

~Rp3,6 T

5% × Rp72 triliun SAM

Perhatikan cara kerja perhitungan ini bergerak dari umum ke spesifik. Kita mulai dari asumsi lima puluh juta orang di area urban Indonesia yang berpotensi memakai transportasi on-demand, dengan pengeluaran transportasi rata-rata tiga ratus ribu rupiah per bulan — ini menghasilkan TAM sekitar seratus delapan puluh triliun rupiah setahun. Lalu kita persempit ke SAM, yaitu segmen yang benar-benar terjangkau infrastruktur dan punya smartphone, kita asumsikan empat puluh persen dari TAM, menghasilkan sekitar tujuh puluh dua triliun rupiah. Terakhir SOM, target realistis yang bisa direbut di tahun pertama operasi dengan mempertimbangkan kompetisi, kita asumsikan lima persen dari SAM, menghasilkan sekitar tiga koma enam triliun rupiah. Ingat, ini angka ilustratif untuk latihan — yang penting bukan angka persisnya, tapi logika penurunannya bisa Anda pertanggungjawabkan.

Coba Sendiri: Persempit Pasar Anda dari TAM ke SOM

Ubah ukuran populasi, pengeluaran rata-rata, dan persentase penyaringan SAM-SOM, lalu amati corong pasar mengecil dari triliunan ke target realistis.

Studi Kasus B: Digitalisasi Warung — Peluang di Segmen Terabaikan

Warung tradisional adalah tulang punggung ritel Indonesia, tapi selama bertahun-tahun luput dari sentuhan teknologi — menjadi peluang bagi start-up seperti Warung Pintar dan sejenisnya.

Mengapa Ini Peluang, Bukan Sekadar Ide

Pain point: pemilik warung kesulitan akses modal kerja karena tidak punya riwayat kredit formal di bank
Kesenjangan: jutaan warung tersebar di seluruh Indonesia, tapi belum ada satu pun pemain yang melayani mereka secara sistematis dengan data dan pasokan terintegrasi
Momentum: maraknya dompet digital (OVO, GoPay, Dana) membuat transaksi warung mulai tercatat digital, membuka jalan bagi credit scoring alternatif

Pelajaran kunci: peluang besar sering ada di segmen yang terlalu kecil dan tersebar untuk dilayani institusi besar secara individual, tapi sangat besar bila digabungkan.

Analisis Kompetitor: Empat Pertanyaan Bertahap

Sebelum yakin sebuah peluang layak dikejar, telusuri kompetisi secara bertahap — bukan cuma "siapa pesaing langsung saya".

Langkah	Pertanyaan	Contoh (Warung Pintar)
1. Pesaing langsung	Siapa yang menawarkan solusi serupa ke segmen yang sama?	Pemain digitalisasi warung lain yang sudah beroperasi
2. Pesaing tidak langsung	Solusi lain apa yang dipakai pelanggan sekarang untuk masalah ini?	Warung tetap pakai catatan manual, pinjam ke rentenir/koperasi
3. Barrier to entry	Seberapa sulit pemain baru meniru model ini?	Butuh jaringan logistik & kepercayaan warung yang dibangun bertahun-tahun
4. Diferensiasi	Apa yang membuat solusi Anda sulit ditiru dalam jangka panjang?	Data transaksi terkumpul jadi keunggulan credit scoring yang makin akurat

Bagian 2

Analisis Pasar Mendalam

Menghitung pasar lokal dari bawah ke atas, dan mengenali analisis pasar yang keliru.

Studi Kasus C: Kopi Kenangan — Ekspansi Berbasis Data Lokal

Kopi Kenangan (berdiri 2017) berekspansi cepat ke banyak kota Indonesia dengan strategi grab-and-go harga terjangkau — keputusan buka gerai baru selalu didasari perhitungan pasar per kota, bukan sekadar insting.

Pola pikir ekspansi berbasis data: sebelum membuka gerai di kota baru, tim menaksir jumlah penduduk usia produktif, kepadatan perkantoran/kampus di lokasi, dan daya beli rata-rata — baru menentukan target omzet gerai per bulan.

Sekarang giliran Anda menghitung: berapa estimasi omzet pasar kopi kekinian di sebuah kota seperti Semarang?

Hitung dari Nol #2: Market Sizing Kopi Kenangan di Semarang

Pendekatan bottom-up — mulai dari data populasi kota, lalu dipersempit ke perilaku konsumen. Semua asumsi dinyatakan eksplisit dan bisa ditelusuri.

Langkah	Perhitungan	Nilai
Populasi usia 15–40 tahun peminum kopi kekinian (~25% dari ~1,8 juta jiwa penduduk Kota Semarang, estimasi BPS)	25% × 1.800.000	~450.000 orang
Pengeluaran per orang per bulan (~2 kali beli × harga rata-rata Rp22.000/cup)	2 × Rp22.000	~Rp44.000/bulan
Estimasi omzet pasar kopi kekinian kota per bulan	450.000 × Rp44.000	~Rp19,8 miliar/bulan

Estimasi Omzet Pasar Bulanan

~Rp19,8 M

450.000 orang × Rp44.000

Perhatikan bedanya dengan perhitungan Gojek tadi — di sini kita mulai dari data populasi kota yang lebih konkret dan mudah diverifikasi lewat data BPS, baru dipersempit ke perilaku konsumsi yang spesifik. Kita asumsikan seperempat dari satu koma delapan juta penduduk Semarang adalah target utama peminum kopi kekinian usia produktif, menghasilkan sekitar empat ratus lima puluh ribu orang. Lalu kita kalikan dengan pengeluaran rata-rata, kita asumsikan dua kali pembelian per bulan dengan harga dua puluh dua ribu rupiah per cup, menghasilkan empat puluh empat ribu rupiah per orang per bulan. Kalikan keduanya, kita dapat estimasi omzet pasar kopi kekinian kota Semarang sekitar sembilan belas koma delapan miliar rupiah per bulan. Ini baru estimasi total pasar — pangsa yang bisa direbut satu merek tentu jauh lebih kecil, tergantung jumlah pesaing dan lokasi gerai.

Dari Mana Data Analisis Pasar Berasal?

Angka TAM–SAM–SOM yang meyakinkan selalu bersandar pada sumber data yang bisa ditelusuri. Untuk konteks Indonesia, ini sumber yang paling sering dipakai:

Data Sekunder (Cepat, Gratis)

BPS — sensus penduduk, pengeluaran rumah tangga, data per provinsi/kota
Bank Indonesia & OJK — statistik transaksi digital, inklusi keuangan
Laporan asosiasi industri & riset pasar (misal APJII untuk penetrasi internet)

Data Primer (Lambat, Akurat)

Survei singkat ke calon pelanggan (Google Form, wawancara langsung)
Observasi lapangan — datang langsung ke lokasi target pasar
Wawancara mendalam dengan 5–10 calon pengguna sebelum menyimpulkan pola

Sumber data ini kita bagi dua kategori karena masing-masing punya kelebihan berbeda. Data sekunder seperti BPS, Bank Indonesia, dan OJK cepat didapat dan gratis, cocok untuk membangun TAM dan SAM di tahap awal karena mereka punya angka populasi dan statistik ekonomi yang kredibel dan resmi. Namun data sekunder tidak selalu spesifik untuk produk Anda, misalnya BPS punya data pengeluaran rumah tangga secara umum tapi tidak spesifik untuk kopi kekinian. Di sinilah data primer berperan — survei singkat, observasi lapangan, dan wawancara langsung ke calon pelanggan memberi Anda angka yang lebih relevan meski butuh waktu lebih lama mengumpulkannya. Praktik terbaik adalah menggabungkan keduanya: pakai data sekunder untuk kerangka besar, lalu validasi dengan data primer untuk detail spesifik produk Anda.

Studi Kasus D: Ketika Analisis Pasar Meleset

Fabelio, start-up furnitur daring Indonesia, tutup operasional pada 2022 setelah bertahun-tahun ekspansi agresif — salah satu pelajaran yang sering dikutip: proyeksi pasar yang terlalu optimistis dibanding realita perilaku belanja furnitur.

Apa yang Bisa Dipelajari

Furnitur adalah pembelian low-frequency, high-consideration — konsumen ingin melihat dan menyentuh fisik barang sebelum membeli
Skala TAM nasional terlihat besar di atas kertas, tapi SAM yang benar-benar nyaman belanja daring jauh lebih kecil dari asumsi awal
Ekspansi cepat (banyak showroom fisik) menambah biaya besar sebelum model bisnis benar-benar tervalidasi di skala kecil

Tidak semua kasus yang kita bahas hari ini berakhir sukses, dan itu justru penting untuk dipelajari. Fabelio pada masanya adalah salah satu pemain besar e-commerce furnitur di Indonesia dengan pendanaan cukup besar, tapi akhirnya menghentikan operasional pada 2022. Salah satu pelajaran yang banyak dibahas komunitas start-up adalah soal karakter produk furnitur itu sendiri — ini barang yang jarang dibeli, mahal, dan konsumen Indonesia masih cenderung ingin melihat dan menyentuh fisiknya dulu sebelum memutuskan membeli, terutama dulu sebelum kebiasaan belanja daring semasif sekarang. Artinya, walau TAM pasar furnitur nasional terlihat sangat besar di atas kertas, SAM yang benar-benar nyaman dan siap membeli secara daring ternyata jauh lebih kecil dari yang diasumsikan di awal. Ditambah lagi ekspansi showroom fisik yang cepat menambah beban biaya besar sebelum model bisnisnya benar-benar teruji di skala kecil.

Empat Sinyal Peringatan Analisis Pasar yang Lemah

Sebelum Anda menyusun analisis pasar untuk tugas akhir semester, kenali dulu pola kesalahan yang paling sering terjadi — termasuk yang berkontribusi pada kasus seperti Fabelio.

Langkah	Tanda Peringatan	Cara Menghindarinya
1. TAM digelembungkan	Memakai angka populasi nasional/global tanpa penyaringan segmen relevan	Selalu turunkan ke SAM dengan asumsi eksplisit
2. Mengabaikan kompetisi	Menganggap "belum ada yang melakukan ini" tanpa riset mendalam	Cek pesaing langsung & tidak langsung (Slide 9)
3. Tanpa validasi primer	Semua angka dari laporan sekunder, tak pernah bicara ke calon pelanggan	Wawancara/survei minimal 5–10 calon pengguna
4. Bias konfirmasi	Hanya mencari data yang mendukung ide, mengabaikan sinyal negatif	Secara aktif cari alasan mengapa ide ini bisa gagal

Keempat sinyal peringatan ini saling berkaitan dan sering muncul bersamaan dalam kasus start-up yang gagal. TAM yang digelembungkan biasanya terjadi karena pendiri terlalu bersemangat dan malas melakukan penyaringan segmen yang benar-benar relevan. Mengabaikan kompetisi sering muncul dari rasa percaya diri berlebihan bahwa idenya orisinal, padahal riset yang lebih dalam biasanya menemukan pesaing yang tidak terlihat di permukaan. Tanpa validasi primer artinya semua kesimpulan dibangun dari data sekunder atau bahkan asumsi pribadi, tanpa pernah benar-benar berbicara dengan calon pelanggan sungguhan. Bias konfirmasi adalah yang paling berbahaya karena sifatnya psikologis — pendiri secara tidak sadar hanya mencari informasi yang mendukung keyakinannya dan mengabaikan sinyal yang bertentangan. Ingat keempat hal ini baik-baik, karena akan jadi salah satu kriteria penilaian tugas akhir semester Anda.

Bagian 3

Latihan Terapan

Menyiapkan kerangka kerja Anda sendiri untuk studi kasus dan tugas kelompok.

Kerangka Kerja: Canvas Analisis Pasar

Pakai empat kotak ini sebagai kerangka kerja setiap kali Anda menganalisis peluang dan pasar — baik untuk studi kasus di kelas maupun tugas rencana bisnis Anda sendiri.

1. Sinyal Peluang

Pain point, kesenjangan pasar, momentum pendukung (Slide 4)

2. Ukuran Pasar

TAM–SAM–SOM dengan asumsi eksplisit & sumber data (Slide 5–13)

3. Peta Kompetisi

Pesaing langsung, tidak langsung, barrier to entry, diferensiasi (Slide 9)

4. Uji Realitas

Cek empat sinyal peringatan sebelum menyimpulkan (Slide 15)

Pasar B2B vs B2C: Beda Cara Menghitungnya

Cara mengestimasi ukuran pasar berbeda tergantung siapa pelanggan Anda. Bandingkan dua start-up lokal berikut.

B2C — Tokopedia

Pelanggan: jutaan individu konsumen
Ukuran pasar: jumlah penduduk × daya beli × frekuensi belanja
Validasi: survei sampel besar, data perilaku aplikasi

B2B — Mekari (SaaS akuntansi)

Pelanggan: ribuan hingga puluhan ribu perusahaan/UMKM
Ukuran pasar: jumlah perusahaan target × nilai kontrak tahunan rata-rata
Validasi: wawancara mendalam dengan segelintir perusahaan representatif

Prinsip umum: makin sedikit dan besar pelanggan (B2B), makin penting wawancara mendalam per pelanggan dibanding survei masif ala B2C.

Latihan Kelompok: Analisis Peluang UMKM Lokal

Kerjakan bersama kelompok Anda (4–5 orang) dalam 25 menit, lalu siapkan 2 menit untuk presentasi singkat ke kelas.

Instruksi

Pilih satu UMKM/warung/jasa lokal di sekitar kampus Anda (nyata, bukan hipotetis)
Identifikasi sinyal peluang memakai kerangka Slide 4 — apa pain point pelanggannya?
Hitung estimasi TAM–SAM–SOM sederhana memakai pendekatan bottom-up seperti Slide 12 — nyatakan setiap asumsi Anda
Sebutkan minimal 1 pesaing langsung dan 1 pesaing tidak langsung
Tuliskan hasilnya di kertas/slide sederhana untuk dipresentasikan

Dosen akan berkeliling memantau — siapkan pertanyaan bila kelompok Anda buntu di tahap perhitungan pasar.

Ringkasan & Menuju Pertemuan 10

Hari ini kita membedah empat kasus nyata start-up Indonesia untuk melatih dua keterampilan inti: mengenali sinyal peluang, dan menghitung ukuran pasar secara bertanggung jawab.

Yang Sudah Kita Kuasai

Kerangka TAM–SAM–SOM (top-down & bottom-up)
Sumber data pasar Indonesia (BPS, OJK, survei primer)
Empat sinyal peringatan analisis pasar yang lemah

Pertemuan 10: Validasi Pasar & Iterasi Produk

Studi kasus lanjutan — bagaimana start-up menguji asumsi pasar dengan produk nyata
Bawa hasil analisis UMKM hari ini, akan dipakai lagi minggu depan

Sebagai penutup, mari kita rangkum apa yang sudah kita pelajari hari ini. Kita mulai dari kerangka identifikasi peluang yang sudah Anda kenal sejak Pertemuan 2, lalu mengujinya pada kasus nyata seperti Gojek dan digitalisasi warung. Kita juga berlatih dua kali menghitung ukuran pasar dari nol, satu dengan pendekatan top-down untuk Gojek dan satu lagi bottom-up untuk Kopi Kenangan di Semarang. Kita tutup dengan kasus Fabelio sebagai pengingat bahwa analisis pasar yang lemah punya konsekuensi nyata, dan empat sinyal peringatan yang perlu Anda waspadai. Minggu depan di Pertemuan 10, kita lanjutkan ke studi kasus validasi pasar dan iterasi produk — dan hasil analisis UMKM yang Anda kerjakan hari ini akan kita pakai lagi sebagai bahan latihan. Tolong simpan baik-baik hasil kerja kelompok Anda. Sampai jumpa minggu depan.