Demand Forecasting: Pengertian, Metode, dan Contoh Hitungan

Demand forecasting adalah proses memprediksi jumlah permintaan produk di masa mendatang berdasarkan data historis, tren pasar, dan pola musiman. Tanpa forecasting yang terukur, pabrik beroperasi atas dasar tebakan: persediaan bahan baku menumpuk atau justru habis, lini perakitan menganggur atau mengalami bottleneck, dan jam kerja operator membengkak melebihi batas legal lembur.

Forecasting yang baik tidak menuntut akurasi mutlak 100 persen. Nilai utama demand forecasting terletak pada tersedianya angka proyeksi yang dapat dihitung, diuji galatnya secara statistik, lalu dijadikan dasar konkret untuk menyusun jadwal induk produksi (MPS), titik pemesanan ulang bahan baku (reorder point), serta alokasi shift kerja dan tenaga kerja pabrik.

Perbedaan Demand Forecasting, Demand Planning, dan Workforce Forecasting

Tiga istilah ini sering disamakan dalam percakapan operasional, padahal memiliki fungsi dan keluaran yang berbeda:

1. Demand Forecasting (Peramalan Permintaan): Menjawab pertanyaan “Berapa unit produk yang kemungkinan besar diinginkan pasar pada periode depan?” Keluaran proses ini adalah angka estimasi permintaan murni tanpa memperhitungkan kendala internal pabrik.
2. Demand Planning (Perencanaan Permintaan): Menjawab pertanyaan “Bagaimana perusahaan merespons angka ramalan tersebut?” Demand planning mengambil angka ramalan, lalu mencocokkannya dengan kapasitas gudang, ketersediaan kas, jadwal pengadaan vendor, dan target finansial perusahaan.
3. Workforce Forecasting (Peramalan Tenaga Kerja): Menjawab pertanyaan “Berapa operator dan jam kerja yang dibutuhkan untuk memproduksi volume tersebut?” Proses ini merupakan turunan langsung dari rencana produksi untuk menentukan jumlah staf tetap, jadwal lembur, dan kebutuhan tenaga kerja musiman.

Mengapa Demand Forecasting Penting bagi Perusahaan Manufaktur

Bagi industri manufaktur, kesalahan demand forecasting berdampak langsung pada struktur biaya dan kepatuhan hukum:

• Mengendalikan Biaya Persediaan (Holding Cost): Penumpukan bahan baku akibat forecasting yang terlalu optimis menyerap modal kerja dan meningkatkan risiko kerusakan barang di gudang. Menurut benchmark industri manufaktur dan rantai pasok (Wholesale Inventory Report 2025), overstocking terbukti meningkatkan biaya penyimpanan gudang (carrying costs) sebesar 20–30%, di mana rata-rata bisnis menanggung timbunan persediaan berlebih hingga 38% dari total inventaris mereka.
• Mencegah Hilangnya Peluang Penjualan (Stockout Cost): Permintaan yang meleset ke bawah menyebabkan lini produksi kekurangan stok barang jadi, pengiriman terlambat, dan hilangnya kepercayaan distributor. Studi global rantai pasok tahun 2025 (IHL Group) mencatat bahwa stockout menimbulkan potensi kehilangan penjualan hingga hampir $1 triliun per tahun secara global, dan riset perilaku pembeli menunjukkan sekitar 69% konsumen yang mendapati barang habis langsung beralih membeli dari kompetitor.
• Menjaga Efisiensi Waktu Siklus Produksi: Rencana produksi yang stabil memungkinkan pembelian bahan baku terjadwal, sehingga mengurangi biaya pengiriman darurat (rush order). Tinjauan literatur operasional manufaktur oleh Khan et al. (2025) menegaskan bahwa peningkatan akurasi peramalan permintaan sebesar 10–20% berkorelasi langsung dengan penghematan biaya rantai pasok (supply chain cost saving) sebesar 15–30% serta optimalisasi modal kerja sebesar 12–20%.
• Menghindari Pelanggaran Batas Lembur Karyawan: Lonjakan produksi yang tidak terantisipasi memaksa pabrik memberlakukan lembur berlebih, yang berisiko melanggar batas maksimal lembur sesuai ketentuan pemerintah. Berdasarkan survei global tren rantai pasok 2025/2026, sekitar 62% pemimpin industri menempatkan keterbatasan tenaga kerja sebagai tantangan utama operasional; tanpa forecast yang terukur, ketimpangan beban kerja langsung memicu pembengkakan biaya upah lembur dan risiko kepatuhan ketenagakerjaan.

Jenis-Jenis Demand Forecasting

Demand forecasting dikelompokkan ke dalam beberapa dimensi tergantung horizon waktu, tingkat kedalaman pasar, dan sumber data yang dipakai:

Metode Demand Forecasting

Metode ini terbagi menjadi dua kategori utama: metode kualitatif yang mengandalkan penilaian pakar dan metode kuantitatif yang bertumpu pada formula matematis atas data historis.

Metode Kualitatif

Metode kualitatif digunakan ketika perusahaan meluncurkan produk baru yang belum memiliki riwayat penjualan, atau ketika kondisi pasar mengalami disrupsi struktural sehingga data masa lalu tidak lagi relevan.

Metode Kuantitatif dan Rumusnya

Metode kuantitatif mengasumsikan bahwa pola data masa lalu mengandung pola yang akan berulang di masa depan. Terdapat lima kelompok rumus standar yang menjadi acuan industri:

1. Metode Naif (Naive Forecast): Mengasumsikan permintaan periode berikutnya persis sama dengan permintaan periode terakhir yang telah terjadi.
   Rumus: F(t) = A(t-1)
   Keterangan: F(t) adalah nilai forecast untuk periode t, dan A(t-1) adalah nilai aktual periode t-1.
2. Rata-Rata Bergerak Sederhana (Simple Moving Average / SMA): Menghitung rata-rata aritmatika dari n periode historis terakhir untuk menghaluskan fluktuasi acak.
   Rumus: F(t) = [A(t-1) + A(t-2) + … + A(t-n)] / n
   Keterangan: n adalah jumlah periode pengamatan yang dipilih.
3. Pemulusan Eksponensial Sederhana (Simple Exponential Smoothing / SES): Memberikan bobot eksponensial yang menurun pada data masa lalu, di mana data terbaru mendapat bobot lebih tinggi.
   Rumus: F(t) = α · A(t-1) + (1 – α) · F(t-1)
   Keterangan: α adalah konstanta pemulusan antara 0 dan 1. Nilai α mendekati 1 membuat model sangat responsif terhadap perubahan terkini, sedangkan nilai mendekati 0 membuat ramalan lebih stabil.
4. Tren Linear (Regresi Kuadrat Terkecil / Ordinary Least Squares): Membentuk garis lurus matematis yang memproyeksikan kenaikan atau penurunan permintaan sepanjang waktu.
   Rumus: F(t) = a + b · t
   Keterangan rumus koefisien:
   – Slope (kemiringan): b = [n · Σ(t · A(t)) – Σt · ΣA(t)] / [n · Σ(t²) – (Σt)²]
   – Intercept (titik potong): a = [ΣA(t) – b · Σt] / n
5. Dekomposisi Musiman Berbasis Tren (Seasonal Trend Decomposition): Menggabungkan garis tren linier dengan indeks musiman untuk menangkap pola berulang pada bulan-bulan tertentu.
   Rumus: F(t) = (a + b · t) · S(m)
   Keterangan: S(m) adalah indeks musiman untuk bulan m, yang dihitung dari rata-rata permintaan bulan bersangkutan dibagi rata-rata permintaan keseluruhan periode pada data latih.

Contoh Hitungan: Membandingkan Lima Metode dengan Data 24 Bulan

Untuk membuktikan perbedaan hasil forecasting, berikut simulasi data 24 bulan dari pabrik manufaktur komponen plastik. Periode dibagi menjadi dua: Bulan 1 hingga 18 sebagai data latih (training set) untuk membentuk model, dan Bulan 19 hingga 24 sebagai data uji (testing set) untuk menguji keakuratan proyeksi.

Data Historis Aktual (Unit):

• Bulan 1–6: 1.000, 1.020, 1.050, 1.080, 1.150, 1.250
• Bulan 7–12: 1.220, 1.140, 1.120, 1.160, 1.280, 1.300
• Bulan 13–18: 1.100, 1.130, 1.160, 1.200, 1.270, 1.380
• Bulan 19–24 (Data Uji): 1.350, 1.260, 1.240, 1.290, 1.420, 1.450

Dari data latih (Bulan 1–18), diperoleh persamaan tren linear: F(t) = 1.021 + 16 · t
Serta indeks musiman: Juli (1,02), Agustus (0,94), September (0,92), Oktober (0,95), November (1,01), Desember (1,03).

Tabel Perbandingan Hasil Proyeksi pada Data Uji (Bulan 19 sampai 24)

Cara Mengukur Akurasi dan Memilih Metode

Model forecasting tidak dievaluasi dari seberapa rumit rumusnya, melainkan dari seberapa kecil galat yang dihasilkan terhadap data uji. Galat pada periode t didefinisikan sebagai e(t) = Aktual(t) – Forecast(t).

Empat metrik evaluasi standar:

• Mean Absolute Deviation (MAD): Rata-rata dari nilai absolut seluruh galat. Menunjukkan seberapa besar deviasi ramalan dalam satuan fisik unit. [MAD = Σ|e(t)| / n]
• Root Mean Squared Error (RMSE): Aakar kuadrat dari rata-rata kuadrat galat. Metrik ini memberikan penalti berat pada galat yang bernilai ekstrem. [RMSE = √[Σ(e(t)²) / n]]
• Mean Absolute Percentage Error (MAPE): Rata-rata persentase galat terhadap nilai aktual. Memberikan gambaran tingkat kesalahan dalam skala persen yang mudah dipahami manajemen. [MAPE = [Σ|e(t) / Aktual(t)| / n] · 100%]
• Forecast Bias (Rata-Rata Galat): Menunjukkan arah kecenderungan model. Jika Bias bernilai positif, model cenderung meramal terlalu rendah (underforecasting). Jika negatif, model cenderung meramal terlalu tinggi (overforecasting). [Bias = Σe(t) / n]

Sebagaimana ditekankan dalam literatur peramalan rantai pasok terkini (seperti tinjauan empiris manajemen operasi 2025/2026), pemilihan model tidak boleh sekedar menguji kecocokan pada data historis masa lalu (in-sample error), melainkan wajib dibuktikan melalui data uji independen (out-of-sample testing) guna menghindari bias dan overfitting yang sering menipu perencana produksi saat menghadapi volatilitas pasar riil.

Tabel Evaluasi Akurasi 5 Metode pada Data Uji

Metode Dekomposisi Indeks Musiman dikali Tren terbukti paling unggul dengan nilai MAPE hanya 0,56 persen dan nilai bias hampir nol (-0,83). Metode ini dipilih untuk menyusun proyeksi produksi tiga bulan ke depan:

• Bulan 25: (1.021 + 16 · 25) · 0,85 = 1.421 · 0,85 = 1.208 unit
• Bulan 26: (1.021 + 16 · 26) · 0,86 = 1.437 · 0,86 = 1.236 unit
• Bulan 27: (1.021 + 16 · 27) · 0,88 = 1.453 · 0,88 = 1.279 unit

Langkah Menyusun Demand Forecast

Proses forecasting di lingkungan manufaktur mengikuti enam tahap berurutan:

1. Menentukan Tujuan dan Horizon Waktu: Tetapkan apakah forecasting ditujukan untuk pengadaan material mingguan (jangka pendek) atau ekspansi kapasitas tahunan (jangka menengah).
2. Mengumpulkan dan Membersihkan Data Historis: Himpun data penjualan masa lalu, lalu pisahkan anomali seperti lonjakan insidental akibat pesanan khusus proyek yang tidak akan berulang.
3. Mengidentifikasi Pola Permintaan: Buat grafik runtun waktu untuk melihat apakah data menunjukkan pola horizontal murni, tren menanjak, atau siklus musiman tahunan.
4. Memilih dan Menguji Berbagai Metode: Terapkan beberapa rumus forecasting pada data training, lalu uji kinerjanya pada data pengujian independen.
5. Mengevaluasi Metrik Galat: Pilih metode dengan nilai MAD, RMSE, dan MAPE terendah serta nilai bias yang seimbang mendekati nol.
6. Mengintegrasikan Angka Ramalan ke Eksekusi: Masukkan hasil proyeksi ke dalam sistem MRP untuk menghitung kebutuhan bahan baku dan kebutuhan tenaga kerja.

Dari Forecast ke Rencana Produksi dan Persediaan

Angka forecasting permintaan barang jadi harus diterjemahkan menjadi kebutuhan bahan baku. Setiap unit barang jadi pada contoh di atas membutuhkan 2 kg Bahan Baku Plastik A.

Untuk Bulan 25, dengan proyeksi penjualan 1.208 unit barang jadi, kebutuhan kotor Bahan Baku A adalah 1.208 · 2 kg = 2.416 kg.

Parameter Operasional Persediaan:

• Hari kerja sebulan: 21 hari kerja (sistem 5 hari kerja seminggu)
• Permintaan harian rata-rata (d): 2.416 kg / 21 hari = 115 kg per hari
• Waktu tunggu pengiriman vendor (Lead Time / L): 5 hari kerja
• Permintaan harian maksimum: 150 kg per hari
• Lead time pengiriman maksimum dari vendor: 7 hari kerja

1. Perhitungan Safety Stock (Persediaan Pengaman):
   Safety stock sederhana dihitung untuk mengantisipasi keterlambatan pasokan atau lonjakan permintaan harian di atas rata-rata:
   Safety Stock = (Permintaan Harian Maks · Lead Time Maks) – (Permintaan Harian Rata-rata · Lead Time Rata-rata)
   Safety Stock = (150 kg · 7 hari) – (115 kg · 5 hari) = 1.050 kg – 575 kg = 475 kg
2. Perhitungan Reorder Point (Titik Pemesanan Kembali):
   Reorder point menentukan batas stok fisik di gudang yang memicu penerbitan surat pesanan pembelian (Purchase Order) baru:
   ROP = (Permintaan Harian Rata-rata · Lead Time Rata-rata) + Safety Stock
   ROP = (115 kg · 5 hari) + 475 kg = 575 kg + 475 kg = 1.050 kg
   Ketika persediaan Bahan Baku Plastik A di gudang menyentuh angka 1.050 kg, divisi pengadaan wajib memesan kembali kepada pemasok agar stok tidak habis sebelum kiriman berikutnya tiba.

Dari Forecast ke Kebutuhan Operator, Lembur, dan Pekerja Musiman

Forecast permintaan juga menentukan alokasi sumber daya manusia melalui manpower planning di lantai perakitan. Jika konversi volume ke jam kerja diabaikan, perusahaan berisiko menghadapi penumpukan pekerjaan yang berujung pada pelanggaran jam kerja.

Parameter Analisis Beban Kerja (Bulan 25):

• Volume target produksi: 1.208 unit barang jadi
• Waktu standar per unit: 2,5 jam kerja per unit
• Total jam kerja dibutuhkan: 1.208 unit · 2,5 jam = 3.020 jam kerja
• Hari kerja sebulan: 21 hari kerja
• Jam kerja efektif per operator: 21 hari · 7,5 jam produktif (8 jam shift dikurangi 30 menit jeda pemeliharaan dan persiapan) = 157,5 jam kerja per operator per bulan

1. Menghitung Jumlah Operator Reguler:
   1. Jumlah operator = Total jam kerja / Jam kerja efektif per operator
   2. Jumlah operator = 3.020 jam / 157,5 jam = 19,17 operator
   3. Pabrik menetapkan 19 operator reguler penuh waktu. Kapasitas reguler yang dihasilkan adalah 19 orang · 157,5 jam = 2.992,5 jam kerja. Terjadi defisit kapasitas sebesar: 3.020 jam – 2.992,5 jam = 27,5 jam kerja.
2. Pengujian Batas Lembur (Kepatuhan Regulasi PP 35/2021):
   Defisit 27,5 jam kerja dalam satu bulan dialokasikan kepada 19 operator reguler.
   Rata-rata jam lembur per operator = 27,5 jam / 19 orang = 1,45 jam per operator DALAM SEBULAN
   Berdasarkan ketentuan PP 35/2021 Pasal 26, waktu kerja lembur paling banyak 4 jam dalam 1 hari dan 18 jam dalam 1 minggu. Rata-rata 1,45 jam per bulan per orang berada jauh di bawah ambang batas maksimal hukum. Pabrik cukup mengelola cara hitung lembur karyawan untuk jadwal lembur singkat tanpa perlu menambah tenaga kerja baru.
3.  Kasus Lonjakan Produksi (Bulan 24 – 1.450 unit):
   Ketika produksi melonjak ke 1.450 unit (kebutuhan 3.625 jam kerja), defisit terhadap 19 operator reguler mencapai 632,5 jam kerja.
   – Bila seluruh defisit ditutup dengan lembur 19 operator, setiap operator harus lembur sekitar 33,3 jam per bulan (sekitar 8,3 jam per minggu). Meski secara legal mingguan masih di bawah 18 jam, tingkat lembur ini memicu kelelahan fisik, risiko kecelakaan kerja, dan pembengkakan upah lembur sesuai skema pengali PP 35/2021 Pasal 32 (jam pertama 1,5 kali upah sejam, jam berikutnya 2 kali).
   – Solusi Kepatuhan Operasional: Perusahaan merekrut 3 pekerja dengan Perjanjian Kerja Waktu Tertentu (PKWT) musiman berdasarkan PP 35/2021 Pasal 7 (pekerjaan tambahan untuk memenuhi pesanan atau target tertentu). Menggunakan sistem HRIS pekerja musiman manufaktur, ketiga pekerja musiman ini menyumbang 3 · 157,5 jam = 472,5 jam kerja reguler. Sisa defisit sebesar 160 jam dibagi rata ke seluruh pekerja, sehingga beban lembur kembali ke angka yang wajar dan aman (sekitar 1,7 jam per minggu per operator).

Kesalahan Umum dalam Demand Forecasting

Dalam implementasi di industri manufaktur, terdapat beberapa kekeliruan berulang yang merusak keandalan hasil forecasting:

1. Memilih Metode Berdasarkan Kebiasaan, Bukan Pengujian Galat: Menggunakan metode rata-rata bergerak sederhana (SMA) untuk data yang memiliki tren musiman kuat akan menghasilkan proyeksi yang selalu tertinggal dari angka riil.
2. Mengabaikan Penilaian Bias: Model dengan MAD rendah tetapi bias positif tinggi akan menyebabkan perusahaan terus-menerus mengalami kekurangan persediaan tanpa disadari.
3. Menyamakan Angka Ramalan dengan Target Penjualan: Target penjualan adalah angka aspirasi komersial tim pemasaran, sedangkan demand forecast adalah proyeksi realistis yang menjadi acuan pengadaan material dan kapasitas mesin.
4. Menyerahkan Forecasting Sepenuhnya pada Firasat: Menentukan volume produksi berdasarkan intuisi tanpa dasar formula matematis membuat operasional rentan terhadap pergantian personel kunci.
5. Memutus Hubungan Antara Forecast dan Jam Kerja: Menyusun angka proyeksi produk jadi tanpa menghitung batasan kapasitas operator, sehingga pabrik terbentur masalah kekurangan tenaga kerja atau pembengkakan biaya lembur mendadak.

Peran Sistem ERP dan HRIS dalam Demand Forecasting

Demand Forecasting membutuhkan keterhubungan data hulu dan hilir yang tidak mungkin dikelola secara manual lewat lembar kerja spreadsheet yang terpisah.

Sistem ERP menyatukan data pesanan pelanggan, riwayat persediaan material di gudang, dan Bill of Materials (BOM) menjadi rencana kebutuhan bahan baku yang terstruktur. Ketika data penjualan diperbarui, sistem ERP secara otomatis menghitung penyesuaian titik pemesanan ulang (ROP) dan jadwal produksi induk. Publikasi tren teknologi rantai pasok dari Gartner (2025) menegaskan bahwa sinkronisasi data terpusat antara perencanaan produksi dan tenaga kerja terhubung (augmented connected workforce) menjadi kunci utama bagi perusahaan manufaktur untuk mengeliminasi bottleneck operasional dan menjaga resiliensi rantai pasok.

Di hilir operasional, sistem Human Resource Information System (HRIS) menerjemahkan jadwal produksi tersebut ke ranah ketenagakerjaan. Weefer memiliki rekam jejak lebih dari 20 tahun dalam mendampingi perusahaan manufaktur di Indonesia mengintegrasikan proses bisnis dan teknologi informasi.

Melalui solusi HRIS Haermes, data kebutuhan shift kerja dan alokasi operator dapat diatur secara sistematis. Sistem mencatat presensi operator multi-shift, memantau batas akumulasi lembur agar tidak melanggar ketentuan PP 35/2021, serta menghubungkan perhitungan lembur dan upah operator secara otomatis ke modul payroll pabrik.

Ingin menghubungkan perencanaan rantai pasok dan tata kelola tenaga kerja pabrik Anda secara presisi? Hubungi tim konsultan Weefer untuk mendiskusikan integrasi sistem ERP dan HRIS yang dirancang khusus untuk karakteristik industri Anda.