Kapan Demand Planner Perlu Mengubah Hasil Peramalan dari Software?

Dalam konteks perencanaan rantai pasok, peramalan permintaan yang akurat adalah kunci keberhasilan operasional yang optimal. Salah satu tantangan utama adalah penggabungan hasil peramalan statistik dengan penyesuaian judgmental dari tim Sales & Marketing. Meskipun peramalan statistik mengandalkan metode kuantitatif berbasis data historis, penyesuaian judgmental sering kali dilakukan untuk mempertimbangkan faktor-faktor eksternal yang mungkin tidak tercakup dalam model statistik. Namun, sering kali, intervensi ini justru merugikan akurasi peramalan, terutama jika dilakukan tanpa pertimbangan yang tepat. Penelitian ini menggali kapan dan bagaimana seharusnya penyesuaian tersebut dilakukan dengan menggunakan salah satu pendekatan machine learning, yaitu “policy tree”.

Dalam banyak organisasi, demand planner harus memutuskan apakah mereka akan mengikuti peramalan statistik yang dihasilkan perangkat lunak atau mengubahnya berdasarkan penilaian pribadi yang didorong oleh wawasan mereka. Praktik ini, meskipun banyak diadopsi, tidak selalu mengarah pada peningkatan akurasi peramalan. Penelitian ini mengidentifikasi bahwa dengan menggunakan pendekatan pembelajaran kebijakan berbasis pohon kebijakan, perusahaan dapat menentukan kebijakan yang lebih baik untuk menyesuaikan peramalan statistik. Dengan menggunakan data lebih dari 12.000 titik peramalan dari lima perusahaan di Asia-Pasifik, hasil eksperimen menunjukkan bahwa kebijakan ini dapat menghasilkan peningkatan akurasi yang signifikan, antara 3 hingga 11 poin persentase lebih baik dibandingkan dengan kebijakan dasar.

Hasil dari pembelajaran data menunjukkan terdapat dua fitur utama yang menentukan kapan dan bagaimana demand planner perlu mengubah peramalan, yaitu “arah judgmental” dan “akurasi peramalan statistik”. Ketika arah judgmental dan peramalan statistik bertentangan, kebijakan ini menyarankan untuk tetap menggunakan peramalan statistik tanpa penyesuaian. Sebaliknya, jika kedua jenis peramalan menunjukkan kesesuaian, maka kebijakan ini menyarankan untuk menggunakan rata-rata sederhana antara keduanya. Pendekatan ini terbukti lebih efektif dibandingkan dengan pendekatan tradisional yang hanya mengandalkan penilaian subjektif atau sekadar mengambil rata-rata.

Penelitian ini menawarkan solusi baru yang dapat diterapkan dalam proses Sales and Operations Planning (S&OP). Dengan mengadopsi kebijakan yang direkomendasikan oleh pohon kebijakan, manajer dapat meningkatkan efisiensi dan akurasi dalam perencanaan permintaan. Namun, pengimplementasiannya tidaklah tanpa tantangan. Salah satu tantangan terbesar adalah kemungkinan hilangnya rasa tanggung jawab para peramal terhadap kualitas data yang mereka hasilkan jika mereka tahu bahwa peramalan mereka akan disesuaikan secara otomatis.

Implikasi manajerial dari penelitian ini cukup signifikan. Organisasi perlu memahami bahwa penyesuaian peramalan tidak selalu memberikan hasil yang diinginkan, terutama jika dilakukan dengan cara yang tidak sistematis. Oleh karena itu, penting bagi perusahaan untuk membangun kebijakan penyesuaian yang lebih terstruktur dan berbasis data untuk meningkatkan akurasi peramalan mereka. Dengan menggunakan pendekatan berbasis pembelajaran kebijakan ini, perusahaan dapat menciptakan kebijakan yang lebih personal dan relevan dengan kondisi pasar serta karakteristik permintaan mereka.

Solusi yang ditawarkan oleh penelitian ini, meskipun sederhana, memberikan wawasan baru tentang bagaimana teknologi machine learning dapat digunakan untuk mengoptimalkan proses peramalan dalam rantai pasokan. Hal ini membuka peluang bagi manajer untuk mengimplementasikan kebijakan berbasis data yang lebih efektif, mengurangi bias manusia, dan pada akhirnya meningkatkan kinerja perencanaan rantai pasokan mereka.

Sumber: Budhi S. Wibowo (2023): When and how to adjust statistical forecasts in supply chains? Insight from causal machine learning, Journal of Business Analytics, DOI:10.1080/2573234X.2023.2248203
Disclaimer: Sebagian konten dalam tulisan dikembangkan dengan bantuan teknologi kecerdasan buatan (AI) dari platform OpenAI ChatGPT. AI digunakan untuk mengkonversi artikel ilmiah yang merupakan karya asli penulis ke dalam bahasa artikel populer. AI juga digunakan untuk membuat ilustrasi tulisan. Penulis tetap melakukan pengecekan dan pengeditan atas semua konten untuk memastikan akurasi, relevansi, serta kesesuaian dengan sumber aslinya.

Mengapa driver ojol lebih baik ‘mangkal’ daripada berkeliling?

Siapa sih yang tidak kenal dengan layanan ojek online seperti Uber atau Grab? Dalam penggunaan layanan tersebut, kadangkala kita harus menunggu beberapa menit untuk mendapatkan sopir yang menerima permintaan kita. Namun, apakah kamu pernah bertanya-tanya apa yang dilakukan sopir selama menunggu penumpang berikutnya?

Belum lama ini, sebuah penelitian yang dilakukan oleh Maraya Aghnia Suharno dan Budhi Wibowo dari UGM membahas pertanyaan tersebut dan menemukan bahwa sopir ojek online lebih baik memarkir kendaraannya dan menunggu permintaan berikutnya daripada berkeliling mencari penumpang baru.

Ketika seorang sopir menyelesaikan tugasnya mengantar penumpang, ia mungkin harus menunggu beberapa menit sebelum mendapatkan permintaan berikutnya. Beberapa sopir memilih untuk berkeliaran di sekitar kota mencari penumpang berikutnya, sementara yang lain lebih memilih untuk memarkir mobilnya dan menunggu permintaan berikutnya.

Penelitian tersebut menemukan bahwa sopir yang memarkir kendaraannya dan menunggu permintaan berikutnya mendapatkan penghasilan yang lebih baik dan menjangkau penumpang dengan waktu yang lebih singkat dibandingkan dengan sopir yang berkeliaran mencari penumpang baru. Ketika sopir berkeliling di sekitar kota, mereka harus menempuh jarak yang lebih jauh dan membakar lebih banyak bahan bakar, yang tentu saja mengeluarkan biaya lebih banyak, menciptakan polusi, dan dapat mempengaruhi kesejahteraan dan risiko kecelakaan mereka.

Penelitian dilakukan dengan menggunakan simulasi berbasis agen dengan memanfaatkan data terbuka dari taksi kuning di kota New York sebagai proksi pola permintaan dan penawaran dalam sistem ojek online. Simulasi tersebut dibangun untuk memperkirakan dampak parkir dan berkeliaran pada sopir, penumpang, dan perusahaan ojek online. Temuan penelitian menyarankan bahwa perusahaan ojek online dapat mengambil manfaat dengan mendorong sopir mereka untuk memarkir kendaraan mereka di area yang ramai dan menunggu permintaan berikutnya, daripada berkeliaran tanpa tujuan.

Berbagai manfaat nyata dapat diperoleh jika perusahaan ojek online mendorong sopirnya untuk memarkir kendaraannya dan menunggu permintaan berikutnya. Pertama, dapat mengurangi kemacetan lalu lintas dan polusi udara karena sopir tidak berkeliaran terlalu jauh. Kedua, dapat mengurangi waktu tunggu penumpang karena sopir akan lebih dekat dengan penumpang ketika permintaan datang. Ketiga, dapat menghemat uang sopir karena mereka tidak perlu berkeliaran terlalu jauh, yang akan menghasilkan keuntungan yang lebih tinggi. Terakhir, hal ini juga dapat mengurangi kelelahan, meningkatkan kesejahteraan dan fokus, sehingga mengurangi risiko kecelakaan saat mengemudi.

Lalu, apa yang dapat dilakukan perusahaan ojek online untuk mendorong sopirnya memarkir kendaraannya dan menunggu permintaan berikutnya?

  • Pertama, perusahaan ojek online bisa menyediakan lebih banyak tempat parkir bagi sopir di daerah-daerah sibuk. Hal ini akan memudahkan sopir untuk mencari tempat parkir dan menunggu permintaan selanjutnya.
  • Solusi lainnya adalah dengan menjalin kerja sama dengan tempat parkir yang sudah ada, seperti mal atau parkir gedung, untuk menyediakan tempat parkir yang dapat digunakan secara bersama-sama oleh para sopir ojek online. Hal ini akan memungkinkan sopir untuk memarkir kendaraan di lokasi yang lebih terpusat sehingga lebih mudah bagi penumpang untuk menemukan mereka dan mengurangi waktu yang dihabiskan sopir untuk mencari penumpang.
  • Perusahaan ojek online juga dapat memberikan edukasi kepada para sopir mengenai manfaat memarkir kendaraan dan menunggu permintaan berikutnya, baik bagi diri mereka sendiri maupun lingkungan sekitar. Hal ini dapat membantu meningkatkan kesadaran para sopir mengenai pentingnya tindakan yang ramah lingkungan dan juga mengurangi risiko kecelakaan akibat kelelahan karena berkendara terus-menerus.

Sebagai kesimpulan, para sopir ojek online sebaiknya memarkir kendaraannya dan menunggu permintaan berikutnya daripada berkendara secara terus-menerus. Hal ini akan memberikan banyak manfaat, termasuk mengurangi kemacetan lalu lintas, polusi udara, waktu tunggu penumpang, dan meningkatkan keuntungan para sopir. Dengan bekerja sama dengan penyedia tempat parkir, perusahaan ojek online dapat menciptakan praktik ojek online yang lebih efisien dan berkelanjutan yang menguntungkan semua pihak yang terlibat.

Sumber: Maraya Agnia, Budhi Wibowo (2023) Analyzing the Impact of Cruising and Parking by Drivers to Ride Hailing Service's Quality using SImulation. Skripsi, Teknik Industri, Universitas Gadjah Mada (private library collection).
Disclaimer: Sebagian konten dalam tulisan dikembangkan dengan bantuan teknologi kecerdasan buatan (AI) dari platform OpenAI ChatGPT. AI digunakan untuk mengkonversi artikel ilmiah yang merupakan karya asli penulis ke dalam bahasa artikel populer. AI juga digunakan untuk membuat ilustrasi tulisan. Penulis tetap melakukan pengecekan dan pengeditan atas semua konten untuk memastikan akurasi, relevansi, serta kesesuaian dengan sumber aslinya.

Mengoptimalkan Kolaborasi Horizontal dalam Sistem Logistik Perkotaan

Di tengah persaingan yang ketat di pasar pengiriman perkotaan, banyak tantangan yang harus dihadapi oleh perusahaan logistik. Persaingan yang semakin sengit antara penyedia jasa pengiriman sering kali memunculkan dampak negatif seperti ketidakefisienan operasional, kemacetan lalu lintas, dan polusi lingkungan. Masalah ini semakin diperparah dengan adanya peningkatan permintaan yang dipicu oleh e-commerce, yang mengharuskan perusahaan untuk memperluas jaringan mereka dengan tujuan mencapai lebih banyak pelanggan. Namun, strategi ekspansi ini justru membawa dampak buruk, terutama pada penggunaan kapasitas transportasi yang tidak optimal dan berujung pada konsumsi energi yang lebih besar dan peningkatan emisi karbon.

Penelitian ini menawarkan solusi yang dapat mengatasi berbagai masalah tersebut melalui penerapan kolaborasi horizontal dalam operasi pengambilan barang (pick-up) di sistem pengiriman perkotaan. Kolaborasi horizontal di sini merujuk pada kemitraan antara perusahaan-perusahaan yang menawarkan layanan serupa untuk saling berbagi sumber daya dan meraih keuntungan bersama. Pendekatan ini tidak hanya berpotensi mengurangi biaya operasional tetapi juga mengurangi dampak negatif terhadap lingkungan, terutama emisi gas rumah kaca yang berasal dari kendaraan pengiriman yang berlebihan.

Di perkotaan, banyak perusahaan pengiriman yang beroperasi dengan armada kendaraan yang sering kali tidak terisi penuh, sehingga menyebabkan pemborosan sumber daya dan meningkatkan jarak tempuh kendaraan. Pada banyak kasus, kendaraan yang digunakan untuk pengambilan barang tidak maksimal dalam mengangkut muatan, yang mengarah pada efisiensi rendah dalam operasional. Selain itu, ketidakefisienan ini juga berdampak pada kemacetan lalu lintas, meningkatkan konsumsi bahan bakar, dan akhirnya memperburuk polusi udara di kota-kota besar.

Penelitian ini mengusulkan bahwa solusi terhadap masalah ini adalah dengan mendorong kolaborasi horizontal di antara perusahaan pengiriman. Dengan berbagi armada kendaraan dan depot, perusahaan dapat mengoptimalkan rute pengambilan dan mengurangi jumlah kendaraan yang beroperasi di jalan, yang pada gilirannya akan mengurangi kemacetan dan emisi karbon. Penelitian ini mengembangkan model matematika yang berbasis pada Multi-Depot Vehicle Routing Problem (MDVRP) untuk merencanakan rute optimal bagi perusahaan yang terlibat dalam kolaborasi.

Studi kasus yang dilakukan di Pekanbaru, Indonesia, melibatkan dua perusahaan pengiriman yang sepakat untuk berbagi data dan menguji potensi kolaborasi ini. Hasil simulasi menunjukkan bahwa melalui kolaborasi ini, kedua perusahaan bisa menghemat biaya operasional hingga 33% dan mengurangi emisi karbon hingga 29%. Dengan demikian, model ini tidak hanya menguntungkan secara ekonomi, tetapi juga mendukung keberlanjutan lingkungan.

Penelitian ini memberikan kontribusi signifikan pada literatur logistik dan transportasi perkotaan dengan menawarkan solusi praktis melalui kolaborasi horizontal. Berbeda dengan banyak studi sebelumnya yang hanya berbasis pada model teoretis, penelitian ini mengimplementasikan model kolaborasi menggunakan data nyata dari perusahaan di Pekanbaru. Selain itu, penelitian ini juga memberikan wawasan baru tentang mekanisme pembagian biaya yang adil antara perusahaan yang berkolaborasi, dengan menawarkan berbagai metode pembagian biaya seperti proportional to pick-up, proportional to payload, dan metode Shapley.

Bagi para perencana kota dan penyedia jasa logistik, penelitian ini memberikan beberapa implikasi manajerial yang penting. Pertama, kolaborasi horizontal dapat menjadi strategi yang efektif untuk meningkatkan efisiensi operasional di perkotaan, yang pada gilirannya dapat mengurangi beban kemacetan dan dampak lingkungan. Kedua, perusahaan perlu mempertimbangkan potensi kolaborasi ini sebagai bagian dari strategi keberlanjutan mereka, yang tidak hanya mendukung efisiensi biaya tetapi juga berkontribusi pada tujuan pembangunan berkelanjutan (SDGs).

Namun, meskipun kolaborasi horizontal menawarkan banyak keuntungan, tantangan implementasi seperti koordinasi antar perusahaan, masalah kepercayaan, dan perlunya sistem informasi yang lebih baik tetap menjadi perhatian utama. Oleh karena itu, bagi manajer logistik dan pemangku kebijakan, penting untuk menciptakan kebijakan yang memfasilitasi kolaborasi semacam ini dengan membangun sistem yang mendukung transparansi dan kepercayaan antar pihak yang terlibat.

Kolaborasi horizontal dalam pengambilan barang di sistem pengiriman perkotaan terbukti memberikan manfaat yang signifikan baik dari segi ekonomi maupun lingkungan. Meskipun penerapannya membutuhkan perhatian pada mekanisme pembagian biaya yang adil, pendekatan ini dapat menjadi strategi jangka panjang yang efektif untuk mengatasi masalah kemacetan, polusi, dan pemborosan sumber daya di kota-kota besar. Bagi perusahaan logistik, kolaborasi ini tidak hanya mengurangi biaya tetapi juga meningkatkan kinerja keberlanjutan yang semakin penting di mata konsumen dan pemangku kepentingan.

Sumber: Justiani, S., & Wibowo, B. S. (2022). The economic and environmental benefits of collaborative pick-up in urban delivery systems. LOGI: Scientific Journal on Transport and Logistics13(1), 245-256.
Disclaimer: Sebagian konten dalam tulisan dikembangkan dengan bantuan teknologi kecerdasan buatan (AI) dari platform OpenAI ChatGPT. AI digunakan untuk mengkonversi artikel ilmiah yang merupakan karya asli penulis ke dalam bahasa artikel populer. Penulis tetap melakukan pengecekan dan pengeditan atas semua konten untuk memastikan akurasi, relevansi, serta kesesuaian dengan sumber aslinya. Ilustrasi merupakan karya orisinal penulis.