Demand Forecasting: Cara Forecasting Penjualan dan Menentukan Metode yang Tepat

Demand forecasting merupakan salah satu proses penting dalam supply chain management. Keputusan mengenai berapa banyak produk yang harus diproduksi, dibeli, disimpan, dan didistribusikan sangat bergantung pada seberapa baik perusahaan memperkirakan permintaan di masa depan.

Forecast yang terlalu tinggi dapat menyebabkan overstock, excess inventory, dan modal kerja tertahan. Sebaliknya, forecast yang terlalu rendah dapat menyebabkan stockout, lost sales, kapasitas produksi tidak mencukupi, dan menurunnya customer service level.

Karena itu, demand forecasting bukan sekadar aktivitas memperkirakan angka penjualan. Demand forecasting adalah proses mengubah data historis, pola permintaan, informasi pasar, dan business knowledge menjadi estimasi demand yang dapat digunakan untuk mengambil keputusan.

Artikel ini membahas pengertian demand forecasting, metode yang dapat digunakan, contoh perhitungan, cara mengukur forecast accuracy, serta bagaimana memilih metode forecasting yang tepat untuk bisnis.

Apa Itu Demand Forecasting?

Demand forecasting adalah proses memperkirakan jumlah permintaan produk atau jasa pada periode mendatang berdasarkan data historis dan informasi yang relevan.

Forecast dapat digunakan untuk berbagai keputusan, seperti:

• Purchasing
• Inventory planning
• Production planning
• Warehouse capacity
• Manpower planning
• Transportation planning
• Budgeting
• Sales target
• Cash flow planning

Contohnya, jika perusahaan memperkirakan demand bulan depan sebesar 10.000 unit, maka informasi tersebut dapat digunakan oleh berbagai fungsi: Sales menggunakan forecast untuk menyusun target, Purchasing menentukan kebutuhan pembelian, Production menentukan production plan, Warehouse mempersiapkan kapasitas penyimpanan, Logistics mempersiapkan kebutuhan transportasi, dan Finance memperkirakan revenue dan kebutuhan cash flow.

Forecasting bukan hanya tanggung jawab sales atau planner. Forecast adalah input penting bagi seluruh supply chain.

Mengapa Demand Forecasting Penting?

Kesalahan forecasting dapat memberikan efek berantai terhadap supply chain.

Jika Forecast Terlalu Tinggi

Over Forecast → Production terlalu tinggi → Inventory meningkat → Excess / Slow Moving Inventory → Modal kerja tertahan → Holding Cost meningkat

Jika Forecast Terlalu Rendah

Under Forecast → Production / Purchasing terlalu rendah → Inventory tidak mencukupi → Stockout → Lost Sales → Customer Service menurun

Karena itu, perusahaan membutuhkan forecasting yang tidak hanya akurat, tetapi juga relevan dengan keputusan bisnis yang akan dibuat.

Forecasting Bukan Berarti Menebak Masa Depan

Forecasting sering disalahartikan sebagai usaha untuk mendapatkan angka masa depan yang pasti. Padahal, demand selalu mengandung ketidakpastian. Forecast sebaiknya dipahami sebagai estimasi terbaik berdasarkan informasi yang tersedia pada saat forecast dibuat.

Karena demand dapat berubah akibat faktor eksternal, forecast harus diperbarui secara berkala. Contohnya:

• Perubahan harga
• Promosi
• Perubahan kompetitor
• Seasonality
• Perubahan ekonomi
• Perubahan customer behavior
• Product launch
• Product discontinuation
• Perubahan distribusi

Karena itu, forecasting yang baik membutuhkan forecast review, bukan sekadar menjalankan rumus.

Jenis-Jenis Demand Forecasting

Secara umum, forecasting dapat dibedakan berdasarkan pendekatan yang digunakan.

1. Qualitative Forecasting

Metode qualitative digunakan ketika data historis terbatas atau ketika kondisi masa depan berbeda secara signifikan dari masa lalu. Sumber informasi dapat berasal dari sales team, marketing, customer, expert judgment, management, dan market research.

Metode ini berguna untuk produk baru, pasar baru, perubahan strategi, dan kondisi yang belum pernah terjadi sebelumnya. Kelemahannya adalah hasil forecast dapat dipengaruhi oleh subjektivitas.

2. Quantitative Forecasting

Quantitative forecasting menggunakan data historis dan model matematis/statistik. Beberapa metode yang umum digunakan antara lain:

• Moving Average
• Weighted Moving Average
• Exponential Smoothing
• Trend Analysis
• Regression
• Seasonal Forecasting

Metode quantitative sangat berguna ketika perusahaan memiliki historical demand yang cukup.

3. Time Series Forecasting

Time series forecasting menggunakan pola demand masa lalu untuk memperkirakan demand di masa depan. Pola yang biasanya dianalisis meliputi:

• Level → tingkat rata-rata demand
• Trend → kecenderungan demand meningkat atau menurun
• Seasonality → pola yang berulang pada periode tertentu
• Random Variation → fluktuasi yang tidak dapat dijelaskan oleh pola tertentu

Misalnya, perusahaan FMCG dapat memiliki demand yang meningkat secara konsisten setiap menjelang hari raya. Jika seasonality tersebut tidak diperhitungkan, forecast dapat menjadi bias.

Metode Demand Forecasting yang Umum Digunakan

1. Naive Forecast

Metode paling sederhana adalah menggunakan demand periode sebelumnya sebagai forecast periode berikutnya.

Forecast t+1 = Actual Demand t

Contoh: jika demand bulan April 10.000 unit, maka forecast Mei 10.000 unit. Metode ini sangat sederhana dan dapat digunakan sebagai baseline untuk membandingkan metode forecasting lainnya.

2. Moving Average

Moving Average menggunakan rata-rata demand dari beberapa periode sebelumnya.

F(t+1) = (D(t) + D(t-1) + ... + D(t-n+1)) / n

Forecast April menggunakan 3-month Moving Average: (900 + 1.000 + 1.100) / 3 = 1.000 unit. Maka forecast April adalah 1.000 unit.

Moving Average relatif mudah digunakan dan cocok untuk demand yang relatif stabil. Namun, metode ini memiliki kelemahan ketika demand memiliki trend yang kuat.

3. Weighted Moving Average

Weighted Moving Average memberikan bobot yang berbeda pada periode tertentu. Biasanya data terbaru diberikan bobot lebih besar karena dianggap lebih relevan. Misalnya: Januari = 20%, Februari = 30%, Maret = 50%, dengan demand Januari = 900, Februari = 1.000, Maret = 1.100.

Forecast April = (900 × 20%) + (1.000 × 30%) + (1.100 × 50%) = 180 + 300 + 550 = 1.030 unit

Weighted Moving Average dapat lebih responsif terhadap perubahan terbaru dibandingkan simple Moving Average.

4. Exponential Smoothing

Exponential Smoothing memberikan bobot lebih besar kepada data terbaru tanpa harus menentukan bobot secara manual untuk setiap periode. Formula dasarnya:

F(t+1) = αAt + (1 − α)Ft

Keterangan: F(t+1) = forecast periode berikutnya; At = actual demand periode sekarang; Ft = forecast periode sekarang; α = smoothing constant. Nilai α berada antara 0 dan 1.

Jika α tinggi, forecast lebih responsif terhadap perubahan terbaru. Jika α rendah, forecast lebih stabil dan tidak terlalu sensitif terhadap perubahan jangka pendek. Karena itu, pemilihan parameter α harus diuji berdasarkan performa forecast terhadap historical data.

5. Trend Forecasting

Jika demand menunjukkan kecenderungan meningkat atau menurun, metode berbasis trend dapat digunakan. Misalnya:

Terdapat indikasi trend peningkatan demand. Dalam kondisi seperti ini, Moving Average sederhana mungkin menghasilkan forecast yang terlambat mengikuti trend. Model trend dapat memberikan estimasi yang lebih sesuai.

6. Regression Forecasting

Regression dapat digunakan ketika demand dipengaruhi oleh variabel tertentu. Contohnya:

Demand = f(Harga, Promosi, GDP, Customer, Seasonality)

Misalnya perusahaan ingin mengetahui apakah promosi memengaruhi penjualan. Model sederhana dapat dituliskan:

Demand = a + b(Promotion)

Dengan regression, perusahaan tidak hanya menggunakan historical demand, tetapi juga dapat memasukkan causal factors. Metode ini lebih kompleks tetapi dapat memberikan insight yang lebih dalam.

Bagaimana Memilih Metode Forecasting yang Tepat?

Tidak ada satu metode forecasting yang selalu terbaik untuk semua produk. Metode yang tepat tergantung pada pola demand, jumlah data historis, tingkat variability, seasonality, trend, forecast horizon, business context, dan availability of causal variables.

Namun, tabel tersebut hanya merupakan starting point. Metode terbaik seharusnya ditentukan melalui pengujian forecast accuracy, bukan hanya berdasarkan asumsi.

Bagaimana Mengukur Forecast Accuracy?

Forecast yang terlihat masuk akal belum tentu akurat. Perusahaan perlu mengukur selisih antara actual demand dan forecast. Beberapa ukuran forecast accuracy yang umum digunakan adalah:

1. Forecast Error

Error = Actual − Forecast

Contoh: Actual = 1.000, Forecast = 900, maka Error = 1.000 − 900 = 100 unit. Forecast mengalami under-forecast sebesar 100 unit.

2. MAD → Mean Absolute Deviation

MAD = Σ|Actual − Forecast| / n

Semakin kecil MAD, semakin kecil rata-rata kesalahan forecast dalam satuan unit. MAD sangat mudah dipahami oleh planner dan operational team.

3. MAPE → Mean Absolute Percentage Error

MAPE = (Σ |Actual − Forecast| / Actual) / n × 100%

Contoh: Actual = 1.000, Forecast = 900, maka Absolute Percentage Error = |1.000 − 900| / 1.000 × 100% = 10%. MAPE kemudian dihitung untuk seluruh periode dan dirata-ratakan.

Secara umum, MAPE lebih mudah dikomunikasikan kepada manajemen karena menggunakan persentase. Namun, MAPE memiliki keterbatasan ketika actual demand bernilai nol atau sangat kecil.

4. Forecast Bias

Forecast accuracy saja belum cukup. Perusahaan juga perlu mengetahui apakah forecast cenderung over forecast atau under forecast.

Misalnya, jika actual selalu lebih tinggi daripada forecast, artinya perusahaan mungkin memiliki kecenderungan under-forecast. Jika kondisi ini terjadi terus-menerus, dampaknya dapat berupa stockout, lost sales, emergency purchasing, dan production shortage.

Karena itu, perusahaan sebaiknya memantau accuracy sekaligus bias.

Contoh Evaluasi Forecast

Misalkan perusahaan memiliki data:

Terlihat bahwa forecast selalu berada di bawah actual. Secara sekilas forecast mungkin terlihat cukup dekat. Namun ada indikasi kuat bahwa forecast memiliki systematic under-forecast bias.

Ini penting karena forecast bias dapat memengaruhi keputusan:

Forecast → Inventory → Purchasing → Production → Service Level

Jadi perusahaan tidak cukup hanya bertanya "Berapa persen forecast accuracy kita?", tetapi juga "Apakah forecast kita secara sistematis terlalu tinggi atau terlalu rendah?"

Forecast Accuracy Bukan Satu-Satunya Ukuran Forecast yang Baik

Forecast yang sangat akurat secara statistik belum tentu paling berguna bagi bisnis. Misalnya Forecast A memiliki MAPE 8% dan Forecast B memiliki MAPE 10%. Secara statistik, Forecast A lebih baik.

Namun jika Forecast A tidak mampu menangkap perubahan demand akibat campaign marketing, sementara Forecast B dapat mengantisipasi campaign tersebut, maka Forecast B mungkin lebih berguna untuk keputusan bisnis.

Karena itu, forecasting perlu menggabungkan statistical forecast dengan business knowledge. Pendekatan ini sering disebut sebagai collaborative forecasting atau bagian dari proses Sales & Operations Planning (S&OP).

Statistical Forecast vs Sales Adjustment

Dalam praktik perusahaan, forecast sering kali mengalami adjustment dari Sales atau Marketing. Misalnya Statistical Forecast = 10.000 unit, kemudian Sales memberikan informasi bahwa bulan depan ada campaign besar, sehingga forecast disesuaikan menjadi Final Forecast = 12.000 unit.

Proses ini dapat memberikan nilai tambah. Namun, adjustment sebaiknya berbasis data dan dapat ditelusuri. Perusahaan dapat membuat struktur:

Statistical Forecast → Sales / Marketing Input → Consensus Forecast → Final Forecast

Dengan demikian, perusahaan dapat membedakan apa yang dikatakan model, apa yang ditambahkan oleh business team, dan apa yang akhirnya digunakan sebagai planning number.

Forecasting dan Inventory Management

Demand forecasting memiliki hubungan yang sangat erat dengan inventory management.

Under Forecast → Inventory terlalu rendah → Stockout → Lost Sales

Over Forecast → Inventory terlalu tinggi → Excess Inventory → Capital Tied Up

Karena itu, forecast accuracy merupakan salah satu input penting dalam menentukan inventory policy. Forecast yang lebih baik dapat membantu perusahaan menentukan safety stock, reorder point, purchasing quantity, production plan, dan capacity requirement.

Forecasting dalam Supply Chain

Forecasting sebenarnya tidak berhenti pada penjualan. Forecast dapat digunakan untuk menghubungkan berbagai proses:

Demand Forecast → Sales Planning → Production Planning → Material Requirement Planning → Purchasing → Inventory Planning → Warehouse → Distribution

Dengan demikian, forecasting merupakan salah satu input utama dalam supply chain planning. Kesalahan pada forecast dapat menyebar ke seluruh rantai pasok. Fenomena ini sering disebut sebagai Bullwhip Effect, ketika variasi permintaan semakin besar ketika bergerak dari downstream menuju upstream supply chain.

7 Kesalahan Umum dalam Demand Forecasting

1. Menggunakan Satu Metode untuk Semua Produk

Tidak semua SKU memiliki demand pattern yang sama. Produk A mungkin stabil, Produk B mungkin seasonal, dan Produk C mungkin intermittent. Karena itu, satu metode untuk seluruh SKU belum tentu optimal.

2. Tidak Memperhatikan Seasonality

Demand beberapa produk dapat berubah signifikan berdasarkan bulan, hari raya, cuaca, musim, dan periode promosi. Seasonality yang tidak diperhitungkan dapat menyebabkan forecast bias.

3. Hanya Melihat Historical Sales

Historical data penting, tetapi tidak selalu cukup. Forecast juga perlu mempertimbangkan promotion, price change, competitor, customer project, new product, product discontinuation, dan market condition.

4. Tidak Mengukur Forecast Accuracy

Tanpa KPI, perusahaan tidak mengetahui apakah metode forecasting benar-benar membaik.

5. Tidak Mengukur Bias

Forecast dapat terlihat akurat tetapi secara konsisten terlalu tinggi atau terlalu rendah.

6. Sales Adjustment Tanpa Data

Business knowledge penting, tetapi adjustment yang tidak terukur dapat meningkatkan forecast error.

7. Menganggap Forecast sebagai Angka Pasti

Forecast selalu mengandung uncertainty. Karena itu, perusahaan perlu memikirkan forecast bersama variability dan risk, bukan hanya satu angka forecast.

Forecasting yang Baik Membutuhkan Proses, Bukan Sekadar Rumus

Perusahaan dapat membangun forecasting process sederhana sebagai berikut:

• Step 1 → Collect Data: kumpulkan historical sales, shipment, order, stockout, promotion, price, dan customer data
• Step 2 → Clean Data: identifikasi missing data, outlier, stockout period, abnormal sales, dan data error
• Step 3 → Analyze Demand Pattern: identifikasi level, trend, seasonality, variability, dan intermittency
• Step 4 → Select Forecasting Method: uji beberapa metode seperti Naive, Moving Average, Weighted Moving Average, Exponential Smoothing, Regression, dan Seasonal Model
• Step 5 → Measure Accuracy: gunakan MAD, MAPE, RMSE, dan Bias
• Step 6 → Generate Statistical Forecast: model menghasilkan baseline forecast
• Step 7 → Add Business Intelligence: Sales, Marketing, Operations, dan Supply Chain memberikan informasi mengenai faktor yang belum tercermin dalam historical data
• Step 8 → Consensus Forecast: tim menyepakati forecast yang akan digunakan
• Step 9 → Monitor: bandingkan forecast vs actual dan lakukan continuous improvement

Forecasting dan S&OP

Pada perusahaan yang lebih matang, forecasting menjadi bagian dari proses Sales & Operations Planning (S&OP). S&OP membantu menyelaraskan:

Demand ↔ Supply ↔ Inventory ↔ Capacity ↔ Financial Plan

Contohnya, Sales memperkirakan demand 100.000 unit, namun kapasitas produksi hanya 80.000 unit. Maka perusahaan harus mengambil keputusan seperti menambah shift, menggunakan third-party manufacturing, mengubah allocation, menambah inventory sebelumnya, atau memprioritaskan customer tertentu.

Di sinilah forecasting berubah dari sekadar aktivitas statistik menjadi strategic decision support.

Checklist Demand Forecasting

Gunakan checklist berikut untuk melakukan evaluasi awal:

Semakin banyak jawaban "belum", semakin besar peluang perusahaan untuk meningkatkan forecast maturity.

Kesimpulan

Demand forecasting merupakan salah satu fondasi penting dalam supply chain management. Forecast yang terlalu rendah dapat menyebabkan stockout, lost sales, dan customer service problem. Sedangkan forecast yang terlalu tinggi dapat menyebabkan overstock, excess inventory, dan capital tied up.

Karena itu, perusahaan perlu membangun forecasting process yang menggabungkan:

Data → Demand Pattern → Statistical Forecast → Business Intelligence → Consensus → Accuracy Measurement → Continuous Improvement

Tidak ada satu metode forecasting yang selalu paling baik. Moving Average dapat cocok untuk demand yang relatif stabil. Weighted Moving Average dapat digunakan ketika data terbaru lebih relevan. Exponential Smoothing dapat digunakan untuk meningkatkan responsiveness terhadap perubahan. Trend dan Regression dapat dipertimbangkan ketika terdapat trend atau causal factors. Sedangkan demand dengan pola seasonal membutuhkan pendekatan yang mampu menangkap seasonality.

Pada akhirnya, pertanyaan yang lebih tepat bukan "Metode forecasting apa yang paling bagus?", tetapi "Metode forecasting apa yang paling sesuai dengan karakteristik demand, horizon perencanaan, kualitas data, dan keputusan bisnis yang akan dibuat?"

Forecast yang baik bukan forecast yang sekadar menghasilkan angka. Forecast yang baik adalah forecast yang membantu perusahaan membuat keputusan supply chain yang lebih baik.

Ingin Meningkatkan Forecast Accuracy Perusahaan?

Kesalahan forecasting dapat berdampak langsung pada inventory, purchasing, production, cash flow, dan customer service.

LeanCore Consulting membantu perusahaan melakukan Demand Forecasting Assessment, Forecast Accuracy Analysis, Forecasting Model Development, Inventory Optimization, serta pengembangan Forecasting Dashboard.

Assessment dapat dimulai dengan menganalisis:

• Historical demand
• Demand pattern
• Forecast accuracy
• Forecast bias
• SKU segmentation
• Forecasting method
• Inventory impact
• Proses consensus forecasting

Forecasting bukan sekadar memprediksi penjualan. Forecasting adalah dasar untuk membuat keputusan supply chain yang lebih baik.

Apakah forecast perusahaan Anda sudah cukup akurat untuk menjadi dasar keputusan inventory dan supply chain?