Demand Forecasting: Fondasi Kecerdasan Rantai Pasok
Prediksi permintaan bukan sekadar tebakan statistik. Sesi ini mengupas teknik prediksi (Time Series & Causal) sebagai input vital bagi perencanaan operasi dan mitigasi Bullwhip Effect.
Semua keputusan strategis Supply Chain Management—mau bangun pabrik, mau stok berapa, mau rekrut orang—dimulai dari satu pertanyaan sederhana tapi sulit: “Berapa banyak yang akan dibeli pelanggan?”
“Prediksi selalu salah. Kunci sukses bukan membuat prediksi sempurna, tapi meminimalkan error dan membangun rantai pasok yang responsif terhadap kesalahan prediksi tersebut.”
Sebelum menghitung, pahami dulu sifat alami dari demand forecasting:
- Forecasts are Always Wrong
Selalu sertakan margin of error (misal: 1000 ± 50 unit). - Long-term is Less Accurate
Memprediksi besok lebih akurat daripada memprediksi tahun depan. - Aggregate is More Accurate
Memprediksi “Total Penjualan Toyota” lebih akurat daripada “Total Penjualan Toyota Avanza Veloz Merah”. - Bullwhip Effect
Semakin ke hulu (pabrik/supplier), distorsi informasi semakin parah.
Pilih metode berdasarkan ketersediaan data dan karakteristik permintaan:
| Metode | Karakteristik | Kapan Digunakan? |
|---|---|---|
| Kualitatif | Subjektif, opini pakar, survei pasar. | Produk baru, data historis tidak ada. |
| Time Series | Menggunakan data masa lalu untuk memprediksi masa depan. (Moving Average, Exponential Smoothing). | Permintaan stabil, data historis banyak. |
| Kausal (Causal) | Mencari hubungan sebab-akibat (Regresi). Misal: Demand vs Harga. | Saat ada promosi harga atau perubahan ekonomi makro. |
| Simulasi | Meniru perilaku konsumen dengan model komputer. | Skenario kompleks. |
Komponen Permintaan:
Berikut tiga model eksponensial yang paling sering digunakan:
🧮 1. Simple Exponential Smoothing
Digunakan saat tidak ada tren dan tidak ada musiman.
Ft+1: Prediksi periode depanDt: Permintaan aktual periode iniFt: Prediksi periode iniα (Alpha): Faktor penghalusan (0 < α < 1). Makin besar α, makin responsif terhadap data baru.
🧮 2. Holt’s Model (Trend Corrected)
Digunakan saat data memiliki TREN (naik/turun terus).
Terdiri dari dua persamaan: Level (L) dan Trend (T).
🧮 3. Winter’s Model (Seasonal)
Digunakan saat data memiliki TREN dan MUSIMAN — paling kompleks & akurat.
Menambahkan faktor ketiga: Seasonal Index (S).
Bagaimana kita tahu prediksi kita bagus? Gunakan metrik ini:
- MAD (Mean Absolute Deviation)
Rata-rata kesalahan absolut (dalam unit).
Contoh: Rata-rata selisih absolut antara prediksi dan aktual. - MAPE (Mean Absolute % Error)
Rata-rata kesalahan dalam persen (%). Paling mudah dipahami manajemen.
MAPE = (|Aktual – Prediksi| / Aktual) × 100% - Bias (Tracking Signal)
Apakah prediksi kita konsisten terlalu tinggi (over) atau terlalu rendah (under)?
Tracking signal = Σ(Et) / MAD
Saksikan video penjelasan visual mengenai konsep dasar prediksi permintaan.
Tonton di YouTube- Input Strategis: Tanpa prediksi, S&OP dan MPS (Jadwal Produksi) tidak bisa berjalan.
- Method Selection: Jangan pakai Moving Average untuk data musiman. Pilih metode yang sesuai pola data.
- Adaptive: Perbarui parameter (alpha, beta, gamma) secara berkala seiring perubahan pasar.
- Collaboration: Prediksi terbaik datang dari kolaborasi data (statistik) dan intuisi pasar (marketing).
Chopra, S., & Meindl, P. (2023). Supply chain management: Strategy, planning, and operation (8th ed.). Pearson.
Demand Forecasting: Fondasi Kecerdasan Rantai Pasok
Deskripsi Sesi: Ramalan permintaan bukan sekadar tebakan statistik. Sesi ini mengupas teknik peramalan (Time Series & Causal) sebagai input vital bagi perencanaan operasi dan mitigasi Bullwhip Effect.
Pendahuluan: The Starting Point
Semua keputusan strategis SCM—mau bangun pabrik, mau stok berapa, mau rekrut orang—dimulai dari satu pertanyaan sederhana tapi sulit: “Berapa banyak yang akan dibeli pelanggan?”
“Ramalan selalu salah. Kunci sukses bukan membuat ramalan sempurna, tapi meminimalkan error dan membangun rantai pasok yang responsif terhadap kesalahan ramalan tersebut.”
1. Empat Hukum Peramalan
Sebelum menghitung, pahami dulu sifat alami dari demand forecasting:
Selalu sertakan margin of error (misal: 1000 ± 50 unit).
Meramal besok lebih akurat daripada meramal tahun depan.
Meramal “Total Penjualan Toyota” lebih akurat daripada “Total Penjualan Toyota Avanza Veloz Merah”.
Semakin ke hulu (pabrik/supplier), distorsi informasi semakin parah.
2. Taksonomi Metode Peramalan
| Metode | Karakteristik | Kapan Digunakan? |
|---|---|---|
| Kualitatif | Subjektif, opini pakar, survei pasar. | Produk baru, data historis tidak ada. |
| Time Series | Menggunakan data masa lalu untuk memprediksi masa depan. (Moving Average, Exponential Smoothing). | Permintaan stabil, data historis banyak. |
| Kausal (Causal) | Mencari hubungan sebab-akibat (Regresi). Misal: Demand vs Harga. | Saat ada promosi harga atau perubahan ekonomi makro. |
| Simulasi | Meniru perilaku konsumen dengan model komputer. | Skenario kompleks. |
3. Bedah Rumus Time Series (Adaptive)
Komponen Permintaan
Demand = (Level + Trend + Seasonality) + Random Error
🧮 1. Simple Exponential Smoothing
Digunakan saat tidak ada tren dan tidak ada musiman.
Ft+1 = α(Dt) + (1-α)(Ft)
- Ft+1: Ramalan periode depan
- Dt: Permintaan aktual periode ini
- Ft: Ramalan periode ini
- α (Alpha): Faktor penghalusan (0 < α < 1). Makin besar α, makin responsif terhadap data baru.
🧮 2. Holt’s Model (Trend Corrected)
Digunakan saat data memiliki TREN (naik/turun terus).
Terdiri dari dua persamaan: Level (L) dan Trend (T).
- Level: Lt = α(Dt) + (1-α)(Lt-1 + Tt-1)
- Trend: Tt = β(Lt – Lt-1) + (1-β)(Tt-1)
- Forecast: Ft+n = Lt + n(Tt)
🧮 3. Winter’s Model (Seasonal)
Digunakan saat data memiliki TREN dan MUSIMAN (Paling Kompleks & Akurat).
Menambahkan faktor ketiga: Seasonal Index (S).
(Studi Kasus Tahoe Salt di buku Chopra membuktikan bahwa Model Winter memberikan error terendah untuk produk musiman).
4. Mengukur Kesalahan (Forecast Error)
Bagaimana kita tahu ramalan kita bagus? Gunakan metrik ini:
Rata-rata kesalahan absolut (dalam unit).
Rata-rata kesalahan dalam persen (%). Paling mudah dipahami manajemen.
Apakah ramalan kita konsisten terlalu tinggi (over) atau terlalu rendah (under)?
🎥 Video: Dasar-Dasar Peramalan
Ringkasan Eksekutif Sesi 07
- Input Strategis: Tanpa ramalan, S&OP dan MPS (Jadwal Produksi) tidak bisa berjalan.
- Method Selection: Jangan pakai Moving Average untuk data musiman. Pilih metode yang sesuai pola data.
- Adaptive: Perbarui parameter (alpha, beta, gamma) secara berkala seiring perubahan pasar.
- Collaboration: Ramalan terbaik datang dari kolaborasi data (statistik) dan intuisi pasar (marketing).
Chopra, S., & Meindl, P. (2023). Supply chain management: Strategy, planning, and operation (8th ed.). Pearson.