Tinggalkan Komentar / OSCM, POM / Oleh
OSCM · SESI 06

Prediksi dan Perencanaan Permintaan

Forecasting & Demand Planning

Mengubah pola data dan judgment menjadi keputusan kapasitas, inventory, produksi, dan supply chain yang lebih siap menghadapi ketidakpastian.

Time SeriesPrediksi ErrorS&OPCPFR
ACTUAL → PREDIKSI
Historical demandPrediksi
Data → Model → Decision

Tujuan Pembelajaran

  • Memahami prinsip fundamental prediksi dan keterbatasannya.
  • Membedakan metode kualitatif dan kuantitatif dalam prediksi.
  • Menerapkan moving average, exponential smoothing, trend projection, dan seasonality.
  • Mengukur akurasi prediksi dengan MAD, MSE, MAPE, dan tracking signal.
  • Memahami demand planning, S&OP, CPFR, dan collaborative forecasting.
  • Menganalisis peran prediksi dalam kapasitas, inventory, dan scheduling.
  • Workshop: menerapkan fase Define dalam Design Thinking.

🎥 Video Kuliah: Prediksi & Demand Planning

Video 1: Konsep Dasar & Metode Prediksi

Video 2: Demand Planning, S&OP & CPFR

📝 Panduan Menonton:
  • Video 1: Fokus pada prinsip prediksi, time series, moving average, exponential smoothing, dan pengukuran error (MAD, MSE, MAPE).
  • Video 2: Fokus pada penerapan demand planning, Sales & Operations Planning (S&OP), dan Collaborative Planning, Forecasting & Replenishment (CPFR).
  • Siapkan catatan: untuk diskusi & workshop Define Phase setelah menonton.
1. Fondasi Prediksi

Apa itu Prediksi?

Prediksi adalah seni dan ilmu memperkirakan kejadian di masa depan berdasarkan data historis, pola, tren, dan pertimbangan ahli. Dalam OSCM, prediksi merupakan input untuk hampir seluruh keputusan operasi.

Prediksi menjadi fondasi bagi:

  • Strategic planning: fasilitas, ekspansi, investasi.
  • Demand planning: berapa banyak yang perlu diproduksi atau disediakan.
  • Inventory management: kebutuhan safety stock.
  • Scheduling: kapan produksi dijalankan dan bagaimana tenaga kerja dijadwalkan.
  • Capacity planning: apakah kapasitas cukup memenuhi demand.
  • Budgeting: proyeksi revenue, cost, dan profit.

Tujuh Prinsip Prediksi

PrinsipPenjelasanImplikasi
Prediksi selalu mengandung errorTidak ada model yang 100% akurat.Siapkan buffer seperti safety stock atau capacity cushion.
Prediksi agregat lebih akuratTotal kategori lebih mudah diprediksi dibanding SKU individual.Prediksi pada level keluarga produk bila sesuai.
Jangka pendek lebih akuratKetidakpastian meningkat seiring horizon waktu.Gunakan rolling forecast dan update berkala.
Prediksi butuh ukuran errorTanpa ukuran error, kualitas model tidak diketahui.Gunakan MAD, MSE, MAPE, dan tracking signal.
Jangan andalkan satu metodeSetiap metode punya kelemahan.Bandingkan beberapa metode.
Bias harus diantisipasiData historis tidak selalu mewakili masa depan.Sesuaikan untuk promo, event, dan perubahan pasar.
Prediksi adalah proses kolaboratifSales, marketing, dan operations perlu sinkron.Gunakan S&OP secara rutin.
“All models are wrong, but some are useful.” — George Box
Tujuannya bukan prediksi sempurna, melainkan prediksi yang cukup baik untuk pengambilan keputusan.

Dua Kategori Metode Prediksi

AspekMetode KualitatifMetode Kuantitatif
DasarJudgment, intuisi, opini ahliData historis dan model matematika
Kapan dipakaiProduk baru, data belum ada, perubahan drastisData historis tersedia dan pola relatif stabil
SubjektivitasLebih tinggiLebih rendah, tetapi tetap memerlukan judgment
MetodeDelphi, market research, sales force composite, executive opinionTime series, causal models, machine learning
ContohPeluncuran brand baruPrediksi penjualan rutin dan demand planning
2. Metode Kualitatif

Kapan Metode Kualitatif Dipakai?

  • Produk baru yang belum memiliki data historis.
  • Perubahan besar di pasar, regulasi, atau teknologi.
  • Prediksi jangka panjang.
  • Konteks unik yang tidak tertangkap oleh data historis.

Empat Metode Utama

1. Delphi Method

Panel ahli memberi opini secara anonim dan iteratif hingga pendapat semakin konvergen.

2. Market Research

Survey, focus group, in-depth interview, dan test market untuk memahami minat dan perilaku pelanggan.

3. Sales Force Composite

Estimasi dari tenaga penjualan di lapangan diagregasikan ke level wilayah dan nasional.

4. Executive Opinion

Eksekutif senior menyatukan judgment lintas fungsi menjadi prediksi bersama.

Contoh Indonesia: Indomie Varian Baru

Market research dapat menggabungkan focus group, uji rasa, willingness to pay, dan test market sebelum peluncuran nasional.

3. Time Series Models

Apa itu Time Series?

Time series adalah data yang dikumpulkan secara berurutan menurut waktu. Observasi dalam data ini saling bergantung, dan ketergantungan ini sering kali muncul dari pola-pola yang mendasarinya. Memahami struktur ini adalah langkah fundamental sebelum menerapkan teknik pemodelan apa pun.

Empat Komponen Utama Time Series

Empat Komponen Utama Time Series

Empat pola time series: Trend, Cycle, Seasonal Pattern, dan Trend with Seasonal Pattern

(a) Trend — Pergerakan jangka panjang dengan fluktuasi acak | (b) Cycle — Fluktuasi jangka panjang (periode tidak tetap) | (c) Seasonal Pattern — Pola berulang dengan periode tetap | (d) Trend with Seasonal Pattern — Kombinasi trend dan musiman

Catatan Penting: Dalam praktik nyata, data time series sering merupakan kombinasi dari beberapa komponen. Misalnya, penjualan ritel bisa memiliki trend naik (pertumbuhan bisnis) + pola musiman (naik saat Lebaran/Natal) + fluktuasi acak (cuaca, event tak terduga). Proses memisahkan komponen-komponen ini disebut dekomposisi.

Trend (Tt)

Arah atau pergerakan jangka panjang dalam data. Menangkap pertumbuhan atau penurunan yang mendasar dalam periode yang diperpanjang, mengabaikan fluktuasi jangka pendek.

Contoh: Peningkatan adopsi kendaraan listrik di Indonesia secara bertahap selama satu dekade.

🔄 Seasonality (St)

Pola yang berulang dalam periode yang tetap dan diketahui (tahunan, kuartalan, bulanan, mingguan, atau harian). Fluktuasi yang dapat diprediksi.

Contoh: Lonjakan penjualan e-commerce setiap tanggal 11.11 atau Lebaran, lalu turun di bulan berikutnya.

Cyclical (Ct)

Fluktuasi jangka menengah hingga panjang yang tidak memiliki periode tetap atau diketahui. Sering dikaitkan dengan kondisi ekonomi atau bisnis yang lebih luas (bisa 2–10 tahun atau lebih).

Contoh: Siklus bisnis (ekspansi diikuti kontraksi) atau fluktuasi jangka panjang harga komoditas (sawit/nikel).

🎲 Irregular / Noise (It)

Fluktuasi acak dan tidak dapat diprediksi yang tidak dapat dijelaskan oleh trend, seasonality, atau cyclical. Merupakan “sisa” setelah komponen sistematis dihilangkan.

Contoh: Dampak tiba-tiba bencana alam, pemogokan kerja, atau kesalahan pengukuran data.

💡 Perbedaan Kunci: Seasonality memiliki periode yang tetap dan dapat diprediksi (misal: selalu naik setiap Desember), sedangkan Cyclical memiliki durasi yang variabel dan tidak tetap (misal: resesi ekonomi yang bisa terjadi setiap 5 atau 8 tahun).

Menggabungkan Komponen (Decomposition Models)

Komponen-komponen ini biasanya digabungkan dengan cara tertentu untuk membentuk deret waktu yang diamati (yt). Dua model paling umum adalah:

Model Aditif (Additive)

yt = Tt + St + Ct + It

Kapan dipakai: Ketika besarnya fluktuasi musiman/siklus relatif konstan dari waktu ke waktu, terlepas dari level tren.

Model Multiplikatif (Multiplicative)

yt = Tt × St × Ct × It

Kapan dipakai: Ketika besarnya fluktuasi musiman meningkat atau menurun seiring dengan naik/turunnya level tren.
(Bisa diubah jadi aditif dengan logaritma: log(yt) = log(Tt) + log(St) + log(Ct) + log(It))

Proses memisahkan deret waktu menjadi komponen-komponen ini disebut dekomposisi. Memahami komponen ini sangat penting karena kehadiran tren dan seasonality secara signifikan memengaruhi pilihan model prediksi (misalnya, ARIMA vs. SARIMA) dan langkah pra-pemrosesan yang diperlukan.

4. Mengukur Akurasi Prediksi

Mengapa Error Harus Diukur?

Pengukuran error digunakan untuk mengevaluasi model, membandingkan metode, menyetel parameter, dan mendeteksi bias.

MAD

MAD = Σ|A−F| / n

Rata-rata error absolut. Mudah diinterpretasikan.

MSE

MSE = Σ(A−F)² / n

Memberi penalti lebih besar pada error besar (outlier).

MAPE

MAPE = Σ(|A−F|/A) × 100% / n

Error dalam persentase. Mudah dibandingkan antarproduk.

Tracking Signal

TS = RSFE / MAD

Membantu mendeteksi apakah prediksi secara konsisten bias (terlalu tinggi/rendah).

PeriodeActualPrediksiError|Error|Error²|Error|/A
1100105−55250.050
2120110+10101000.083
3110115−55250.045
4130120+10101000.077
5140130+10101000.071
Σ+20403500.326

Hasil contoh

MAD = 8 · MSE = 70 · MAPE = 6.52% · Tracking Signal = +2.5.

5. Demand Planning & Collaborative Forecasting

Dari Prediksi ke Demand Planning

Prediksi
“Bulan depan demand kemungkinan 10.000 unit.”
Demand Planning
“Karena prediksi 10.000 unit, produksi, bahan baku, kapasitas, dan buffer harus disiapkan.”

Sales & Operations Planning (S&OP)

  • Data gathering.
  • Demand planning.
  • Supply planning.
  • Pre-S&OP meeting.
  • Executive S&OP meeting.
  • Execution, monitoring, dan feedback.

Collaborative Planning, Forecasting & Replenishment (CPFR)

CPFR menghubungkan retailer dan supplier melalui berbagi data, penyelarasan prediksi, penyelesaian exception, dan replenishment yang lebih terkoordinasi.

Contoh Global: Walmart & P&G

Kolaborasi berbasis data POS membantu retailer dan supplier menyusun prediksi dan replenishment bersama.

Demand Sensing & Advanced Analytics

TeknologiAplikasi
Machine LearningPattern recognition dan hubungan non-linear.
POS Data Real-timeMendeteksi perubahan demand lebih cepat.
Social Media AnalyticsTrend dan sentiment detection.
IoT & Sensor DataMonitoring consumption secara real-time.
Weather DataPrediksi untuk demand sensitif terhadap cuaca.
6. Workshop Define Round 01

Transisi dari Empathize ke Define

Setelah empat round Empathize, mahasiswa menyintesis user persona, journey map, stakeholder map, worker perspective, insights, dan HMW questions menjadi problem statement yang tajam.

Sesi 02Empathy: operasi
→
Sesi 03Empathy: customer
→
Sesi 04Empathy: supply chain
→
Sesi 05Empathy: worker
→
Sesi 06Define: problem statement

Tools Define Phase

POV Statement

[User] needs to [verb] because [insight].

How Might We

How might we [action] for [user] so that [outcome]?

Affinity Diagram

Kelompokkan insight menjadi tema besar.

5 Whys

Gali akar masalah, bukan hanya gejalanya.

Langkah Workshop

  • Review output empat round Empathize.
  • Buat affinity diagram.
  • Susun minimal tiga POV statement.
  • Lakukan analisis 5 Whys.
  • Generate 5–10 HMW questions.
  • Identifikasi constraints dan assumptions.
  • Presentasikan POV, root cause, HMW, constraints, dan assumptions.

Key Takeaways Sesi 06

  1. Prediksi selalu mengandung error; tujuan utamanya adalah mendukung keputusan.
  2. Metode kualitatif cocok ketika data historis terbatas atau perubahan besar terjadi.
  3. Time series harus disesuaikan dengan pola level, trend, seasonality, dan random variation.
  4. MAD, MSE, MAPE, dan tracking signal membantu mengevaluasi kualitas prediksi.
  5. Demand planning menerjemahkan prediksi menjadi keputusan nyata.
  6. S&OP menyelaraskan demand dan supply lintas fungsi.
  7. CPFR memperkuat kolaborasi retailer dan supplier.
  8. Workshop Define menyintesis temuan Empathize menjadi problem statement.

Diskusi & Tugas Kelompok

Tugas 1 — Pemilihan Metode Prediksi

Pilih tiga produk/jasa dan tentukan metode prediksi yang paling sesuai serta alasannya.

Tugas 2 — Perhitungan Time Series

Hitung 3-month moving average, exponential smoothing α=0.3, trend projection, lalu bandingkan MAD dan MAPE.

Tugas 3 — Simulasi S&OP

Lakukan role-play sales, operations, finance, dan supply chain untuk menyelesaikan gap demand-capacity.

Tugas 4 — Output Workshop

Kumpulkan affinity diagram, POV statement, 5 Whys, tiga HMW questions, constraints, dan assumptions.

Referensi

  • APX Machine Learning. (2024). Time Series Analysis and Forecasting: Components. Diakses dari apxml.com.
  • Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts.
  • Russell, R. S. & Taylor, B. W. Operations and Supply Chain Management — Chapter 09.
  • Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. Forecasting: Methods and Applications.

FAQ Prediksi & Demand Planning

Apa perbedaan prediksi dan demand planning?

Prediksi memperkirakan apa yang kemungkinan terjadi; demand planning menentukan apa yang perlu dilakukan berdasarkan prediksi tersebut.

Kapan moving average digunakan?

Moving average cocok untuk data relatif stabil yang ingin dihaluskan dari variasi acak.

Apa fungsi MAPE?

MAPE menyatakan rata-rata error absolut dalam persentase sehingga relatif mudah dibandingkan antarproduk atau periode.

Mengapa S&OP penting?

S&OP menyelaraskan demand plan dengan kapasitas, supply, keuangan, dan prioritas bisnis.

Tinggalkan Komentar

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

🎧 Audio Reader + Karaoke
Gaya BicaraNormal
SuaraMemuat…
Kecepatan1.0x
⏳ Memuat script…