Di dunia bisnis yang semakin kompetitif dan tidak pasti, akurasi peramalan menjadi hal yang sangat penting, terutama dalam pengelolaan rantai pasokan. Ketika peramalan permintaan tidak akurat, berbagai masalah bisa muncul, mulai dari pelayanan pelanggan yang buruk hingga kelebihan stok dan inefisiensi operasional. Salah satu cara yang banyak digunakan untuk meningkatkan akurasi peramalan adalah dengan menggabungkan peramalan AI dan keahlian manusia. Meskipun strategi ini efektif, tantangan utamanya adalah bagaimana memilih strategi yang tepat sesuai dengan kondisi pasar yang ada.
Penelitian yang dilakukan oleh Budhi Wibowo, Yoga Janu Prakoso, dan Nur Aini Masruroh (2023) memberikan wawasan baru dengan menilai efektivitas strategi gabungan peramalan berdasarkan konfigurasi produk-pasar yang terdapat dalam matriks Ansoff. Matriks Ansoff, yang pertama kali diperkenalkan oleh Igor Ansoff pada tahun 1957, digunakan untuk merencanakan strategi pertumbuhan perusahaan. Matriks ini membagi peluang pertumbuhan menjadi empat kategori berdasarkan dua dimensi utama: produk dan pasar. Keempat strategi tersebut adalah:
- Penetrasi Pasar: Fokus pada peningkatan penjualan produk yang sudah ada di pasar yang sudah ada. Perusahaan berusaha meningkatkan pangsa pasar melalui promosi, harga yang lebih kompetitif, atau perluasan distribusi.
- Pengembangan Lini Produk: Perusahaan menawarkan produk baru kepada pasar yang sudah ada, baik melalui inovasi produk atau perbaikan produk yang sudah ada.
- Ekspansi Pasar: Menjual produk yang ada ke pasar baru. Ini bisa melibatkan ekspansi geografis atau penargetan segmen pasar yang berbeda.
- Diversifikasi Produk: Mengembangkan produk baru untuk pasar yang baru, yang sering kali melibatkan risiko lebih tinggi karena perusahaan memasuki area yang belum dikenal.
Ketidakakuratan dalam peramalan permintaan dapat menyebabkan dampak negatif yang besar dalam rantai pasokan. Untuk mengatasinya, salah satu strategi yang umum digunakan adalah menggabungkan peramalan AI dan manusia. Masing-masing peramalan ini berasal dari sumber informasi yang berbeda, yang dapat saling melengkapi. Namun, tantangannya adalah tidak semua strategi gabungan peramalan dapat bekerja dengan efektif di semua kondisi pasar atau produk. Oleh karena itu, penting untuk memilih strategi yang tepat berdasarkan karakteristik pasar dan produk yang sedang dianalisis.
Penelitian ini menguji empat strategi gabungan peramalan yang berbeda, yaitu: (i) penyesuaian judgmental, (ii) koreksi statistik, (iii) kombinasi mekanis, dan (iv) input judgmental. Keempat strategi ini diuji dalam empat konfigurasi produk-pasar yang berbeda, yang mencakup berbagai kondisi dalam matriks Ansoff. Berikut adalah penjelasan singkat mengenai masing-masing strategi gabungan peramalan:
- Penyesuaian Manusia: Dalam strategi ini, peramalan AI digunakan terlebih dahulu, kemudian diperbaiki atau disesuaikan oleh manusia berdasarkan analisis subjektif mereka. Penyesuaian ini didasarkan pada pengetahuan dan pengalaman ahli yang mungkin tidak tercermin dalam data statistik.
- Koreksi AI: Di sini, peramalan manusia dikoreksi menggunakan AI. Koreksi ini bertujuan untuk mengurangi bias dalam peramalan manusia, terutama jika ada kecenderungan untuk terlalu optimis.
- Kombinasi sederhana: Dalam strategi ini, peramalan statistik dan judgmental digabungkan dengan rumus atau metode tertentu, seperti rata-rata sederhana. Metode ini bertujuan untuk mengurangi bias yang ada pada masing-masing jenis peramalan.
- Input Manusia: Strategi ini menggunakan peramalan manusia sebagai input dalam model AI. Pengetahuan manusia dimasukkan ke dalam model statistik untuk memberikan informasi tambahan yang mungkin tidak tersedia hanya dari data historis.
Hasil penelitian menunjukkan bahwa strategi gabungan peramalan dapat meningkatkan akurasi, tetapi tidak semua strategi efektif di setiap kondisi pasar atau produk. Dari keempat strategi yang diuji, strategi input manusia dan kombinasi sederhana terbukti memberikan peningkatan akurasi yang konsisten di semua konfigurasi produk-pasar. Sebaliknya, penyesuaian manusia dan koreksi AI hanya memberikan hasil yang baik ketika peramalan dilakukan di pasar yang sudah dikenal.
Penelitian ini memberikan wawasan penting bagi pengembangan ilmu peramalan operasional. Dengan menguji efektivitas gabungan peramalan di bawah konfigurasi produk-pasar, hasilnya menunjukkan bahwa peramalan judgmental dan statistik memiliki karakteristik yang saling melengkapi. Peramalan judgmental cenderung menghasilkan bias positif, sementara peramalan statistik lebih sering mengalami bias negatif. Dengan menggabungkan keduanya, bias-bias tersebut dapat dikurangi, dan akurasi peramalan dapat meningkat secara keseluruhan.
Bagi para manajer yang ingin meningkatkan akurasi peramalan dalam rantai pasokan mereka, penelitian ini menawarkan beberapa implikasi praktis. Pertama, daripada memilih hanya satu metode peramalan, lebih baik jika perusahaan mempertahankan kedua jenis peramalan—judgmental dan statistik—untuk saling melengkapi. Gabungan kedua metode ini bisa memberikan manfaat yang signifikan bila diterapkan dengan tepat.
Namun, penerapan strategi ini harus dilakukan dengan hati-hati. Dalam beberapa kasus, penyesuaian manusia yang tidak didasarkan pada pengetahuan yang cukup justru bisa merugikan akurasi peramalan. Oleh karena itu, penting bagi organisasi untuk melibatkan para ahli yang memiliki pemahaman mendalam tentang pasar dan produk dalam proses penyesuaian ini.
Secara keseluruhan, penelitian ini menekankan pentingnya menyesuaikan strategi peramalan dengan kondisi pasar dan produk tertentu. Dengan pendekatan yang tepat, organisasi dapat meningkatkan ketepatan peramalan mereka dan mengurangi risiko yang terkait dengan operasi rantai pasokan.
Sumber: Budhi S. Wibowo, Yoga J. Prakoso & Nur Aini Masruroh (2023) Performance of judgmental–statistical forecast combination strategies under product-market configurations, International Journal of Management Science and Engineering Management, 18:2, 104-117, DOI: 10.1080/17509653.2021.2015472
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 pada kepala tulisan. Gambar lain merupakan karya asli penulis. Penulis tetap melakukan pengecekan dan pengeditan atas semua konten untuk memastikan akurasi, relevansi, serta kesesuaian dengan sumber aslinya.
