McKinsey mencatat bahwa AI dapat menurunkan level inventory sebesar 20–30% melalui peningkatan demand forecasting barang, seperti dynamic segmentation dan machine learning, serta optimasi inventory dengan tools yang lebih efisien.
Angka tersebut menunjukkan bahwa kualitas prediksi dan cara bisnis menerjemahkannya ke keputusan stok memang berdampak langsung ke kebutuhan persediaan.
Bagian berikut merangkum konsep forecast barang, pilihan metode yang umum dipakai, strategi peningkatan akurasi, serta contoh penerapannya.
Key Takeaways
|
Daftar Isi:
Apa itu Forecast Barang?
Forecast barang adalah perkiraan kebutuhan stok di masa depan berdasarkan data penjualan, tren pasar, dan pola permintaan pelanggan. Proses ini dilakukan dengan menganalisis data historis dan faktor eksternal untuk menentukan jumlah barang yang tepat agar operasional lebih efisien.
Tujuan utama forecast barang adalah memastikan ketersediaan stok yang cukup untuk memenuhi permintaan tanpa kelebihan dan mengurangi risiko kehabisan stok yang bisa mengganggu penjualan serta mengoptimalkan modal kerja.
Selain berperan dalam pengelolaan inventaris, forecast barang juga menjadi alat penting dalam pengambilan keputusan strategis bisnis sehingga bisnis dapat meningkatkan layanan pelanggan sekaligus mengoptimalkan biaya operasional.
Sumber Data yang Dipakai untuk Forecast Barang
Forecast barang yang rapi hampir selalu dimulai dari data yang siap pakai. Di bawah ini sumber data yang paling umum dipakai tim inventory untuk menyusun forecast.
1. Histori penjualan per SKU dan per kanal
Data transaksi penjualan jadi fondasi utama untuk melihat pola permintaan. Idealnya dipisah per SKU, per cabang/gudang, serta per kanal (offline, marketplace, B2B) karena ritmenya sering berbeda.
2. Kalender promosi dan perubahan harga
Promo bundling, diskon periode tertentu, cashback, sampai price change biasanya mengubah demand secara signifikan. Data ini penting supaya lonjakan permintaan tidak terbaca sebagai tren normal dan tidak menyesatkan forecast periode berikutnya.
3. Data stockout dan lost sales
Saat stok habis, penjualan tercatat nol, padahal demand bisa saja tetap ada. Catatan stockout (tanggal/jam, SKU, lokasi) membantu tim memperkirakan demand yang hilang agar baseline forecast tidak turun karena data ‘nol’ yang misleading.
4. Lead time supplier dan reliabilitas pengiriman
Forecast dipakai untuk menentukan kapan order harus dibuat, jadi data lead time wajib masuk. Selain rata-rata lead time, catat juga variasinya (sering molor atau tidak) untuk menentukan safety stock yang realistis.
5. Data inventory on-hand, inbound, dan reserve
Jumlah stok tersedia, stok dalam perjalanan, serta stok yang sudah di-reserve untuk sales order memengaruhi keputusan replenishment. Data ini membantu tim membedakan kebutuhan order karena demand versus order karena stok tersangkut.
6. Retur, refund, dan barang rusak
Retur bisa kembali jadi stok layak jual, atau masuk kategori reject. Kalau retur tinggi dan tidak dipisahkan statusnya, sales forecasting bisa meleset karena supply yang terlihat naik, padahal yang layak jual tidak bertambah.
7. Pola musiman dan event operasional
Musim liburan, Ramadan, tahun ajaran baru, sampai event industri (pameran, campaign brand) sering membentuk pola berulang. Data musiman yang dicatat rapi memudahkan pemilihan metode (misalnya seasonal model) dan penentuan stok untuk periode puncak.
8. Rencana bisnis: target penjualan, ekspansi, dan perubahan assortment
Launch produk baru, stop produk lama, buka cabang baru, atau perubahan paket bundling perlu masuk sebagai catatan asumsi. Ini biasanya datang dari tim sales/marketing/operational planning agar forecast tidak hanya mengikuti pola masa lalu.
Metode Forecast Barang yang Tepat untuk Setiap Pola Permintaan
Berikut adalah beberapa metode forecasting yang umum yang dapat Anda gunakan dalam pengelolaan stok:
1. Pola permintaan stabil dan volume relatif rata
Untuk SKU dengan penjualan yang cenderung konsisten dari periode ke periode, metode seperti moving average atau exponential smoothing (simple) biasanya cukup.
Moving average cocok saat Anda ingin membaca pola dari beberapa periode terakhir (3–6 periode), sedangkan smoothing lebih enak dipakai kalau ingin data terbaru punya pengaruh lebih besar.
2. Ada tren naik atau turun yang konsisten
Kalau permintaan terlihat meningkat atau menurun secara bertahap, pakai exponential smoothing dengan komponen tren (Holt) atau regresi linier agar proyeksi mengikuti arah pergerakannya.
Supaya hasilnya tidak bias, pastikan histori datanya cukup panjang dan ada catatan perubahan harga atau promo yang bisa mengubah pola permintaan.
3. Musiman dan berulang tiap periode
Untuk demand yang sering naik di momen tertentu seperti Ramadan, liburan, atau back-to-school, metode seasonal time-series (keluarga ARIMA/seasonal model) lebih relevan karena bisa menangkap pola musiman.
Pada tahap eksekusi, data promo dan event sebaiknya dicatat jelas supaya baseline permintaan tidak tercampur dengan efek campaign.
4. Demand lumpy (jarang laku, tetapi sekali laku bisa besar)
Pada SKU seperti sparepart, item proyek, atau barang slow-moving, pendekatan intermittent demand lebih cocok karena fokusnya ada di pola permintaan yang tidak rutin. Praktiknya sering dimulai dari klasifikasi SKU lalu diturunkan ke aturan reorder, termasuk minimum order, service level, dan safety stock yang disesuaikan dengan variasi lead time.
5. Produk baru atau data historis minim
Untuk SKU baru atau saat masuk channel baru, forecast biasanya dimulai dari judgment/Delphi lalu dibandingkan dengan produk analog yang punya karakter permintaan mirip. Setelah transaksi mulai terkumpul, update forecast secara berkala (misalnya mingguan) agar asumsi awal cepat terkoreksi dan lebih dekat dengan demand aktual.
Banyak faktor eksternal yang memengaruhi demand
Kalau permintaan sangat dipengaruhi harga, promo, musim, channel, atau perbedaan lokasi, gunakan regresi atau model berbasis variabel supaya faktor-faktor tersebut masuk ke perhitungan.
Berikut ringkasan metode forecast barang yang umum digunakan untuk memprediksi kebutuhan stok secara lebih akurat:
| Metode Forecast | Penjelasan Singkat |
| Moving Average | Menghitung rata-rata penjualan dari beberapa periode sebelumnya, cocok untuk tren stabil. |
| Exponential Smoothing | Memberi bobot lebih pada data terbaru, ideal untuk tren naik/turun bertahap. |
| Regresi Linier | Menghubungkan permintaan dengan variabel lain seperti harga atau promosi. |
| ARIMA | Menganalisis tren dan musiman dalam data deret waktu untuk prediksi jangka menengah. |
| Delphi Method | Berdasarkan opini para ahli melalui diskusi berulang, cocok untuk produk baru. |
Strategi Membuat Forecast Barang Lebih Akurat
Setelah mengetahui metode forecasting yang pas, Anda juga perlu mengetahui bagaimana mengimplementasinya dengan tepat dan tidak asal-asalan.
1. Rapikan data historis per SKU dan per lokasi
Pastikan histori penjualan tersimpan rapi per SKU, per cabang/gudang, dan per kanal penjualan. Pakai periode yang cukup representatif agar pola mingguan dan bulanan kebaca, termasuk perubahan saat musim tertentu.
2. Catat promo, perubahan harga, dan event operasional
Kalender promo, bundling, diskon periode, serta price change perlu masuk sebagai catatan data. Anda bisa membedakan demand normal dengan lonjakan akibat campaign, jadi forecast periode berikutnya tetap realistis.
3. Pisahkan demand dengan penjualan yang terhambat stockout
Saat stok kosong, penjualan bisa terlihat turun padahal permintaan masih ada. Simpan data stockout (tanggal, durasi, SKU, lokasi) agar baseline forecast tidak ikut turun karena angka penjualan ‘nol’ yang sebenarnya bukan demand nol.
4. Masukkan data lead time dan variasinya
Forecast dipakai untuk menentukan kapan order dibuat, jadi lead time supplier perlu dihitung dan dipantau per pemasok. Selain rata-rata lead time, catat juga variasinya supaya safety stock dan reorder point bisa dihitung lebih masuk akal.
5. Gunakan segmentasi SKU untuk menentukan tingkat ketelitian
Terapkan analisis ABC agar item prioritas (A) diforecast dengan perhatian lebih detail, termasuk review lebih sering dan parameter yang lebih ketat. Item B dan C bisa memakai pendekatan yang lebih sederhana selama tetap ada batas minimum stok.
6. Tetapkan metrik evaluasi dan jadwal review
Tentukan metrik evaluasi forecast yang dipakai secara konsisten (mis. MAPE atau WAPE), lalu review rutin per periode. Dengan cara ini, tim bisa tahu metode mana yang paling mendekati realisasi untuk tiap kategori SKU.
7. Uji metode per kategori SKU
Metode yang cocok untuk demand stabil belum tentu cocok untuk musiman atau lumpy demand. Uji beberapa opsi per kategori, lalu pilih yang paling konsisten performanya berdasarkan hasil evaluasi.
8. Satukan input lintas tim
Libatkan sales, marketing, operasional, dan finance untuk mengisi asumsi yang berdampak langsung ke demand, seperti target campaign dan perubahan assortment. Catatan dari tim ini sebaiknya ditulis sebagai asumsi, bukan menggantikan data historis.
Pendekatan ini mencerminkan prinsip continuous improvement untuk memastikan sistem forecasting tetap presisi dan adaptif.
Cara Menghitung Forecast Barang
Forecast barang bisa dihitung dengan beberapa cara sederhana. Metode yang dipilih biasanya mengikuti pola demand: ada yang stabil, ada yang pelan-pelan naik, ada juga yang dipengaruhi banyak faktor.
Di bawah ini beberapa metode yang paling sering dipakai, lengkap dengan contoh hitungnya.
1. Metode moving average
Moving average menghitung rata-rata permintaan dari beberapa periode terakhir. Cara ini cocok kalau demand cenderung stabil dan fluktuasinya tidak ekstrem.
| Forecast = (Jumlah permintaan dalam n periode terakhir) / n |
Contoh:
Jika penjualan selama 3 bulan terakhir adalah 100, 120, dan 110 unit, maka:
Forecast = (100 + 120 + 110) / 3 = 110 unit
Angka 110 unit bisa dipakai sebagai estimasi kebutuhan bulan berikutnya. Metode ini praktis, tapi responsnya lebih lambat saat tren berubah cepat.
2. Metode exponential smoothing
Exponential smoothing memberi bobot lebih besar pada data terbaru. Metode ini enak dipakai kalau demand bergerak pelan, misalnya perlahan naik atau perlahan turun.
| Forecast= α × Permintaan terbaru + (1 − α) × Forecast sebelumnya |
Keterangan:
- α = smoothing constant (0 < α < 1)
- Forecast = proyeksi untuk periode saat ini
- Permintaan terbaru = data permintaan aktual periode terakhir
- Forecast sebelumnya = hasil peramalan periode sebelumnya
Contoh:
Jika permintaan terbaru adalah 120 unit, forecast sebelumnya 115 unit, dan α = 0.3:
Forecast = 0.3 × 120 + 0.7 × 115 = 116.5 unit
Exponential smoothing ideal untuk produk yang mengalami pertumbuhan atau penurunan bertahap, serta digunakan secara luas karena efisiensinya dalam pembaruan data.
3. Metode regresi linier
Regresi linier dipakai saat demand punya tren yang cukup konsisten, misalnya naik seiring waktu, atau dipengaruhi faktor tertentu seperti promosi dan harga. Metode ini membantu membaca hubungan antara variabel dan membuat proyeksi yang lebih terarah.
| Y = a + bX |
Keterangan:
- Y = permintaan yang diproyeksikan
- a = permintaan awal
- b = kenaikan rata-rata per periode
- X = periode waktu
Nilai a dan b biasanya dihitung dari data historis, dan praktiknya sering dibantu Excel. Metode ini cocok untuk tren yang relatif rapi dan tidak terlalu acak.
4. Penambahan safety stock (stok pengaman)
Setelah punya angka forecast, stok pengaman dipakai untuk berjaga kalau ada keterlambatan supplier atau lonjakan demand. Tujuannya sederhana: operasional tetap jalan meski ada deviasi.
| Safety Stock = (Maksimum Lead Time − Rata-rata Lead Time) × Rata-rata Permintaan Harian |
Contoh:
Jika lead time maksimum 6 hari, rata-rata lead time 3 hari, dan permintaan harian 20 unit:
Safety Stock = (6 − 3) × 20 = 60 unit
5. Total kebutuhan stok
Total stok yang disiapkan biasanya gabungan dari forecast dan safety stock. Angka ini bisa dipakai sebagai dasar rencana pemesanan.
| Total Stok = Forecast + Safety Stock |
Contoh:
- Forecast = 110 unit
- Safety Stock = 60 unit
Total Stok = 110 + 60 = 170 unit
Dari sini, tim bisa menentukan forecast order, seperti berapa yang perlu dipesan, dan kapan waktu pesan yang paling aman.
Contoh Forecast Barang
Agar konsep forecasting barang lebih mudah untuk Anda pahami, berikut adalah contoh perhitungan sederhana menggunakan metode moving average dan exponential smoothing. Contoh ini dapat membantu pelaku usaha kecil maupun menengah dalam mengambil keputusan pengadaan berdasarkan data historis yang tersedia.
Contoh 1: menggunakan metode moving average
Misalkan sebuah toko memiliki data penjualan produk A selama empat bulan terakhir:
| Periode | Unit |
| Januari | 100 |
| Februari | 120 |
| Maret | 110 |
| April | 130 |
| Total | 460 |
Untuk menghitung forecast bulan Mei menggunakan metode 3-period moving average, ambil rata-rata dari tiga bulan terakhir (Februari–April):
Forecast Mei = (120 + 110 + 130) / 3 = 360 / 3 = 120 unit
Artinya, estimasi kebutuhan stok produk A untuk bulan Mei adalah 120 unit. Jika toko memiliki sistem pengadaan rutin bulanan, angka ini bisa menjadi dasar untuk pemesanan.
Contoh 2: menggunakan metode exponential smoothing
Gunakan data yang sama, namun kali ini menggunakan metode exponential smoothing.
Asumsikan:
- Forecast April = 115 unit (dari periode sebelumnya)
- Permintaan April = 130 unit
- α (alpha) = 0.3
Forecast Mei = (0.3 × 130) + (0.7 × 115) = 39 + 80.5 = 119.5 unit
Dengan pembulatan, forecast untuk Mei adalah 120 unit. Nilai ini sangat mirip dengan hasil moving average, namun metode exponential smoothing lebih responsif terhadap perubahan tren.
Contoh 3: Menambahkan Safety Stock
Misalnya, toko menghadapi ketidakpastian dalam waktu pengiriman barang dari supplier.
- Lead time maksimum: 7 hari
- Rata-rata lead time: 5 hari
- Permintaan harian rata-rata: 25 unit
Safety Stock = (7 − 5) × 25 = 50 unit
Total kebutuhan stok
Jika mengambil forecast dari metode moving average, maka hasilnya adalah 120 unit dan safety stock yang dibutuhkan sebanyak 50 unit, maka:
Total Kebutuhan Stok = 120 + 50 = 170 unit
Jadi, untuk memastikan ketersediaan barang dan menghindari kehabisan stok, toko disarankan untuk memiliki 170 unit produk A selama bulan Mei.
Contoh-contoh ini menunjukkan bahwa forecasting merupakan proses terukur yang dapat membantu pengusaha dalam menyusun strategi pengadaan, mengurangi biaya penyimpanan, dan meningkatkan kepuasan pelanggan.
Bahkan, jika terintegrasi dengan software inventory, perhitungan seperti ini bisa Anda lakukan secara otomatis dengan tingkat akurasi yang tinggi.
Kesimpulan
Forecast barang membantu bisnis menentukan kebutuhan stok berdasarkan pola permintaan, lead time, dan momen musiman yang relevan. Dengan perencanaan yang rapi, tim bisa menjaga ketersediaan barang lebih konsisten tanpa menumpuk persediaan yang tidak perlu.
Akurasi forecast juga berpengaruh langsung ke biaya penyimpanan, ketepatan pengadaan, dan kelancaran operasional harian. Karena itu, penting untuk memakai data yang bersih, memilih metode yang sesuai pola permintaan, lalu mengevaluasi hasilnya secara rutin.
Jika volume SKU sudah banyak atau prosesnya melibatkan beberapa lokasi, pertimbangkan penggunaan tools yang memudahkan pencatatan, pembaruan data, dan kontrol parameter stok. Yang terpenting, forecasting perlu diperlakukan sebagai proses yang terus disempurnakan.
