Peramalan dan Perancangan Skenario Permintaan untuk ...

Peramalan dan Perancangan Skenario Permintaan untuk Kategori Produk Stroller dalam Bisnis Baby Gift Registry Berbasis E-Commerce

Inaki Maulida Hakim1, Rizacky Hendratama2

Industrial Engineering Department Faculty of Engineering Universitas Indonesia Email: 1......, [email protected]

Abstrak Penelitian ini membahas tentang perancangan model peramalan dan skenario permintaan untuk sebuah perusahaan startup bernama Dearmothers yang memiliki fokus bisnis pada penyediaan jasa baby gift registry. Gifi registry merupakan sebuah inovasi di industri e-commerce yang belum pernah diterapkan di Indonesia sebelumnya di mana dalam inovasi ini seorang pengguna jasa gift registry dapat membuat daftar keinginan akan produk yang ingin ia dapat sebagai hadiah. Pengguna lain yang bisa melihat daftar keinginan tersebut dapat membelikan hadiah yang dimaksud. Model peramalan dalam penelitian ini dikembangkan dengan menggunakan metode artificial neural network. Dengan menggunakan data historis penjualan dari sebuah website e-commerce yang menjadi kandidat potensial partner Dearmothers sebagai data pelatihan, model peramalan yang dibuat menghasilkan nilai mean square error sebesar 93,002. Permintaan untuk enam bulan pertama operasi diramalkan menggunakan model tersebut. Namun demikian, dengan pertimbangan bahwa nilai input untuk model peramalan didapat dari target perusahaan, terdapat kemungkinan nilai permintaan aktual akan jauh berbeda terutama jika performa perusahaan tidak mencapai target. Oleh karena itu, dikembangkan skenario permintaan dalam penelitian ini. Empat skenario yang dikembangkan menunjukkan bahwa tingkat permintaan yang diramalkan sangat mudah dipengaruhi oleh perubahan nilai input. Berbagai strategi diusulkan dalam penelitian ini sebagai masukan bagi perusahaan jika harus menghadapi situasi sebagaimana diprediksikan oleh skenario yang dikembangkan.

Kata Kunci: Analisis Sensitivitas, Baby Gift Registry, Peramalan Permintaan, Perancangan Skenario, Strategi Manajemen Permintaan

Abstract This study discusses the design of a demand-forecasting model and develops scenarios of possible demand based on the proposed model for a startup company called Dearmothers which focuses on providing a baby gift registry service. The gift registry is an innovation in e-commerce industry that has never been applied in Indonesia before in which a user of this service will be able make a wish list for products he/she wants to get as a gift. Other users who get to see the list can buy him/her the gift as requested. The demand-forecasting model was developed using artificial neural network method. Using sales historical data from an e-commerce company which has the potentials to be the future partner of Dearmothers as training data, the neural network model yields a mean-square error value of 93.002. Demand for the first six months of operations were forecasted. However, as the input values for the model to get the forecasted demand were acquired based on Dearmothers’ optimistic target, the actual value in the future may differ especially when the company’s performance does not meet the target. Four scenarios of possible demand were developed. Those scenarios showed that the forecasted demand values were influenced very much by even the slight changes to input values. Various strategies were proposed as countermeasures for the company in case they have to face such challenges in demand management as predicted by the scenarios.

Keywords: Baby Gift Registry, Demand Forecasting, Demand Management Strategy, Scenario Development, Sensitivity Analysis

Peramalan dan ..., Rizacky Hendratama, FT UI, 2016

Pendahuluan

Indonesia merupakan salah satu pasar yang menjanjikan bagi e-commerce. Nilai transaksi e-

commerce di Indonesia terus meningkat setiap tahunnya, dengan estimasi bahwa pada tahun

2018 porsi penjualan melalui e-commerce di Indonesia akan mencapai 1,8% dari total

penjualan ritel menurut portal statistik Statista. Meski angka estimasi ini menunjukkan selisih

yang masih sangat besar dibandingkan negara-negara maju seperti Amerika Serikat di mana

porsi penjualan e-commerce mampu mencapai angka 5,2% pada tahun 2012, nilai transaksi e-

commerce di Indonesia menunjukkan pertumbuhan yang signifikan. Insideretail mencatat

pada tahun 2014 penjualan e-commerce dari skema B2C (Business to Customer) mencapai

nilai $ 2,6 miliar atau setara dengan Rp 34 triliun. Angka tersebut menunjukkan peningkatan

sebesar 45% dibanding tahun sebelumnya yang mencapai nilai $ 1,79 miliar atau setara

dengan Rp 23 triliun. Mempertimbangkan besarnya pasar ritel Indonesia, tidak menutup

kemungkinan pasar e-commerce Indonesia akan mampu berkembang hingga menyusul

negara-negara lain di Asia maupun di dunia.

Seiring dengan perkembangan bisnis online, bermunculan berbagai macam website e-

commerce dengan fitur uniknya masing-masing yang menjadikan kegiatan berbelanja

menjadi lebih mudah. Kemudahan-kemudahan tersebut menjadi strategi tersendiri bagi setiap

website e-commerce untuk bersaing di dalam pasar digital. Hal ini memunculkan beraneka

ragam inovasi yang mungkin terjadi dalam skema bisnis e-commerce, setiap website e-

commerce dapat bersaing secara sehat satu dengan yang lain dan tidak menutup kemungkinan

bagi pemain baru untuk masuk ke dalam pasar e-commerce, meski untuk dapat bersaing para

pemain baru di ranah e-commerce tersebut harus bisa menawarkan suatu inovasi yang

berbeda.

Salah satu inovasi yang cukup menjanjikan untuk diimplementasikan di pasar e-commerce di

Indonesia adalah integrasi layanan gift registry ke website-website e-commerce. Gift registry

bekerja dengan cara seorang pengguna membuat daftar keinginan akan barang-barang yang

ingin ia dapatkan sebagai hadiah terkait acara atau kepentingan yang akan berlangsung,

sehingga kolega sang pengguna tidak perlu repot untuk mencari hadiah seperti apa yang

diinginkan oleh sang pengguna. Para kolega hanya perlu mengakses daftar keinginan tersebut

dan membeli seketika itu juga selama layanan gift registry yang digunakan terkoneksi dengan

sistem e-commerce. Gift registry telah hadir sejak lama di negara-negara maju dan adanya

layanan tersebut mampu melahirkan inovasi di pasar e-commerce.


Munculnya beragam website e-commerce yang fokus pada penjualan produk-produk

perlengkapan bayi membuka peluang untuk integrasi layanan gift registry dalam website-

website e-commerce produk perlengkapan bayi melalui pihak ketiga. Hingga saat ini, belum

ada satu pun di antara website-website tersebut yang menawarkan layanan gift registry.

Padahal, saat ini semakin banyak wanita hamil di perkotaan terutama dari kelas menengah ke

atas yang mengadakan perayaan 7 bulan kehamilan atau biasa disebut baby shower di mana

kerabat terdekat sang calon ibu umumnya membawa hadiah yang dapat digunakan oleh sang

bayi ketika lahir. Di luar tren baru seperti baby shower, wanita Indonesia sendiri pada

umumnya memiliki kebiasaan untuk memberikan hadiah kepada kerabatnya yang baru

melahirkan. Belum adanya layanan yang memfasilitasi pemberian hadiah kepada ibu

hamil/baru melahirkan membuka peluang lebar bagi masuknya layanan gift registry, yang

akan digarap oleh sebuah perusahaan startup bernama Dearmothers.

Kehadiran layanan gift registry khususnya di dalam e-commerce produk perlengkapan bayi

membutuhkan adanya penelitian mendalam yang akan menjadi dasar perancangan layanan

tersebut mengingat belum adanya skema bisnis gift registry yang terintegrasi dengan e-

commerce di Indonesia. Salah satu penelitian yang penting untuk dilakukan, terkait

manajemen rantai pasok yang mencakup aliran informasi, barang, dan uang, adalah

peramalan permintaan yang akan muncul melalui layanan gift registry beserta skenario-

skenario yang dapat muncul dari perkiraan permintaan baik dalam kondisi permintaan tinggi

maupun rendah.

Penelitian ini berfokus pada peramalan permintaan dan perancangan skenario permintaan

yang dapat terjadi pada suatu bisnis baby gift registry. Kategori produk stroller menjadi objek

penelitian dengan mempertimbangkan bahwa kategori tersebut merupakan kategori yang

paling banyak dibeli di website e-commerce yang dijadikan acuan oleh perusahaan. Melalui

penelitian ini, diharapkan perusahaan penyedia layanan gift registry yang dijadikan tempat

studi kasus dalam penelitian mendapatkan acuan untuk menjalankan bisnisnya dan

mengembangkannya di masa mendatang.

Landasan Teori

Guna mendapatkan hasil peramalan yang akurat, diperlukan teknik-teknik peramalan yang

sesuai dengan kebutuhan. Terdapat beberapa teknik peramalan dalam manajemen rantai

pasok, yang secara umum dapat diklasifikasikan menjadi empat kategori: (1) metode

kualitatif; (2) metode time series; (3) metode kausal; dan (4) metode simulasi (Figueiredo,

2008). Sebagian besar peramalan yang dilakukan di masa lampau dengan berdasarkan pada


metode time series dan metode kausal. Termasuk di antara metode time series yang banyak

digunakan adalah moving average, exponential smoothing, dan Box-Jenkins method.

Sedangkan, metode peramalan yang termasuk dalam metode kausal mencakup di antaranya

regresi dan model ekonometrik.

Kendala yang sering dialami dalam melakukan peramalan dengan metode-metode yang

disebutkan di atas adalah keterbatasan dari penggunaannya, meski mampu memberikan hasil

yang cukup baik (Figueiredo, 2008). Keterbatasan-keterbatasan metode peramalan

konvensional menjadikan model peramalan tidak dapat memprediksi kemungkinan adanya

perubahan yang memang tidak ditunjukkan dalam data historis, tetapi mungkin terjadi, yang

disebabkan oleh pola permintaan yang nonlinier (Hong dkk, 2010).

Dalam penelitian ini, peneliti mencoba membandingkan model peramalan dengan

menggunakan metode artificial neural network (ANN) dan regresi linier berganda. Kedua

metode ini sering digunakan sebagai teknik peramalan. Keduanya mampu menghasilkan

peramalan yang tidak hanya berasal dari identifikasi pola data historis saja, tetapi juga

mempertimbangkan adanya faktor-faktor yang mempengaruhi hasil peramalan dengan

memberikan bobot kepada setiap faktor tersebut.

1. Artificial Neural Network (ANN)

ANN bekerja dengan cara meniru sistem syaraf manusia. Secara garis besar, terdapat tiga

komponen utama dalam ANN, yaitu neuron input, neuron hidden layer, dan neuron output.

Dalam penggunaannya untuk peramalan, neuron input merupakan variabel independen yang

mempengaruhi output hasil peramalan.

Penetapan input yang akan digunakan dapat berbeda-beda tergantung jenis produk dan

kondisi pasarnya. Kemudian, terdapat neuron hidden layer yang merupakan sekumpulan

bobot pengali neuron input yang menentukan pengaruh terhadap neuron output. Penetapan

jumlah hidden layer ini sendiri juga tidak pasti, bahkan cenderung tergantung pada penilaian

sang pengguna. Untuk dapat menentukan jumlah hidden layer yang ideal, dapat digunakan

acuan pengukuran error seperti Mean-Square Error (MSE), di mana jumlah hidden layer

yang paling ideal adalah yang menghasilkan nilai MSE paling kecil. Terakhir, terdapat

neuron output yang merupakan variabel dependen atau hasil dari peramalan. Menggabungkan

konsep sistem syaraf manusia dengan konsep peramalan, penggunaan model ANN diawali

dengan pelatihan model untuk mengenali pola hingga kemudian pengguna dapat menghitung


nilai peramalan sesuai dengan parameter-parameter model yang paling sesuai untuk

menghasilkan pola yang sesuai dengan pola permintaan yang diramalkan.

Secara sederhana, penggunaan ANN dapat dijelaskan melalui konsep pencocokan kurva

polinomial (polynomial curve fitting). Bishop (1995) menyatakan bahwa yang dilakukan

dengan menggunakan ANN untuk menyelesaikan kebanyakan permasalahan adalah

mencocokkan suatu polinomial dengan satu set titik data sejumlah N dengan teknik

meminimalkan fungsi error. Fungsi polinomial ini dapat dinyatakan sebagai berikut.

(1)

Fungsi tersebut dapat dianggap sebagai pemetaan nonlinier yang menggunakan x sebagai

input dan y sebagai output. Nilai dari fungsi y(x) ditentukan dari parameter (w0, ...,wM) atau

dapat juga disebut sebagai vektor w yang merupakan bobot yang diberikan untuk suatu model

ANN. Dengan demikian, polinomial tersebut juga dapat ditulis sebagai sebuah pemetaan

fungsi y = y(x;w).

2. Regresi Linier Berganda

Regresi linier merupakan salah satu metode statistik yang digunakan untuk menganalisis

hubungan antar beberapa variabel. Yan & Gang Su (2009) mendefinisikan analisis regresi

sebagai sebuah metode untuk menemukan hubungan antara satu atau beberapa variabel

respons (variabel dependen, umumnya dinotasikan dengan y) dengan prediktor atau variabel

yang mempengaruhi (variabel independen, umumnya dinotasikan dengan x1, x2, ...., xp).

Analisis dengan menggunakan regresi linier membutuhkan model yang dibuat untuk bersifat

linier dalam hal hubungan antar parameter.

Regresi linier berganda umumnya memiliki bentuk persamaan seperti yang dinyatakan oleh

Yan & Gang Su (2009) sebagai berikut.

(2)

Regresi linier ditandai dengan hanya variabel dependen y dan variabel independen x.

merupakan titik potong y, merupakan gradien garis regresi yang tergambar pada plot 2

dimensi, dan merupakan random error. Untuk regresi linier, biasanya diasumsikan bahwa

nilai error terdistribusi normal dengan E( ) = 0 dan variansi konstanta Var( ) =


Metode Penelitian

Metodologi penelitian yang dilakukan untuk mendapatkan strategi pemenuhan permintaan

produk perlengkapan bayi dijelaskan secara sistematis sebagai berikut. Gambar 1.4

mengilustrasikan metodologi penelitian dalam bentuk diagram alir berdasarkan tahapan-

tahapan yang akan dijelaskan lebih rinci di bagian berikutnya.

Gambar 1. Metodologi Penelitian

1. Tahap Awal Penelitian

Dalam tahapan awal, ditentukan topik berdasarkan latar belakang, diagram keterkaitan

masalah, rumusan, dan tujuan penelitian yang disesuaikan dengan target perusahaan tempat


penelitian dilakukan hingga kemudian ditentukan batasan-batasan penelitian agar sesuai

dengan tujuan yang ingin dicapai. Selain itu, dalam tahapan ini juga dilakukan studi

pendahuluan berupa penyebaran kuesioner untuk mendapat gambaran umum objek

penelitian.

2. Tahap Pengumpulan dan Pengolahan Data

Tahap pengumpulan dan pengolahan data diawali dengan studi literatur untuk memastikan

langkah apa saja yang diperlukan dalam penelitian dan perbandingan dengan penelitian-

penelitian terdahulu untuk mendapatkan gambaran data seperti apa yang diperlukan dalam

penelitian. Data yang dibutuhkan merupakan data terkait peramalan permintaan melalui

layanan gift registry. Data tersebut didapatkan dari website e-commerce lainnya yang

dijadikan benchmark dan berpotensi untuk dijadikan mitra oleh perusahaan penyedia layanan

gift registry. Kemudian, data yang telah didapatkan digunakan untuk meramalkan permintaan

dengan langkah pengerjaan sebagai berikut.

a. Penentuan variabel-variabel independen yang mempengaruhi tingkat permintaan sebagai

variabel dependen.

b. Perancangan struktur ANN dengan menggunakan bantuan perangkat lunak Matlab untuk

mengenali pola permintaan yang dipengaruhi oleh variabel-variabel independen.

c. Peramalan permintaan dengan variabel independen yang disesuaikan dengan target dan

kondisi perusahaan penyedia layanan gift registry dari hasil pola yang dikenali oleh ANN.

d. Verifikasi dan validasi hasil pengolahan untuk mendapatkan hasil peramalan terbaik.

3. Perancangan Strategi

Tahap ini diawali dengan analisis sensitivitas peramalan permintaan guna mengetahui

variabel-variabel independen yang paling berpengaruh terhadap tingkat permintaan yang

diramalkan. Dengan demikian, selanjutnya dapat dirancang skenario-skenario yang

menggambarkan ketika terjadi perubahan pada variabel-variabel independen tersebut.

Simulasi skenario-skenario tersebut akan memberikan hasil peramalan yang berbeda-beda.

Pada bagian akhir tahapan ini, dapat dirancang strategi-strategi yang akan dilakukan oleh

perusahaan penyedia layanan gift registry untuk menghadapi situasi-situasi yang mungkin

terjadi dari skenario yang dikembangkan.


4. Penyelesaian

Setelah dilakukan analisis dan didapatkan hasil yang diinginkan, dilakukan penarikan

kesimpulan dan penyajian saran dari penelitian yang telah dilakukan.

Hasil Penelitian dan Pembahasan

Secara garis besar, data yang dikumpulkan dibagi menjadi dua kategori, yakni data input dan

data target, dengan total terdapat 9 jenis data. Selain data inflasi, seluruh data yang diperoleh

berhubungan dengan data yang menunjukkan popularitas website dan performa penjualan

suatu website e-commerce produk perlengkapan bayi yang dijadikan acuan dalam pembuatan

model peramalan. Data input merupakan variabel independen yang dianggap sebagai faktor-

faktor yang dapat mempengaruhi tingkat permintaan, sedangkan data target merupakan

variabel dependen yakni data historis permintaan yang dipengaruhi oleh variabel-variabel

independen. Data target nantinya digunakan sebagai acuan bagi model peramalan untuk

menghasilkan output yang nilainya mendekati data target dengan diketahui data input.

Data input dibagi menjadi 8 kategori, yaitu bounce rate, time on site, search visits, daily

pageviews, daily pageviews/user, daily reach, average monthly searches, dan inflasi. Selain

inflasi, ketujuh jenis data lainnya merupakan istilah yang berasal dari ukuran kepopuleran

sebuah website. Inflasi merupakan satu-satunya jenis data yang tidak berhubungan secara

langsung dengan popularitas website tetapi masuk ke dalam model peramalan karena mampu

merepresentasikan kondisi ekonomi secara makro. Inflasi dipilih dibandingkan indikator

ekonomi lainnya atas dasar beberapa pertimbangan seperti ketersediaan data dan adanya

simplifikasi model.

Data target merupakan data historis penjualan kategori stroller oleh website e-commerce

perlengkapan bayi yang dijadikan acuan. Data historis website tersebut dijadikan acuan bagi

model peramalan dengan mempertimbangkan tiga hal: (1) layanan gift registry Dearmothers

yang dijadikan objek penelitian ini belum berjalan sehingga belum ada data historis

penjualan dan oleh karena itu diperlukan data dari sumber lain untuk dijadikan acuan dalam

mengembangkan model peramalan; (2) website yang dimaksud memiliki segmen pasar yang

hampir serupa dengan segmen pasar Dearmothers sehingga dapat dijadikan acuan; (3) adanya

potensi untuk menjadikan website e-commerce produk perlengkapan bayi sebagai mitra yang

nantinya akan menjadi penyedia barang (penjual) dalam platform Dearmothers di mana

dalam layanan gift registry ini Dearmothers sepenuhnya tidak akan berperan sebagai penjual


melainkan lebih sebagai perantara antara pembeli dengan penjual (toko perlengkapan bayi

dan website e-commerce penyedia produk perlengkapan bayi).

1. Penentuan Model Peramalan

Dari 9 jenis data input yang didapat, diketahui bahwa berdasarkan hasil uji korelasi, variabel

search visits memiliki tingkat signifikansi yang rendah dalam korelasi terhadap tingkat

permintaan. Oleh karena itu, variabel tersebut selanjutnya tidak dimasukkan ke dalam model

peramalan. Selanjutnya, dibuat 2 jenis model peramalan dengan menggunakan pendekatan

regresi linier dan ANN. Untuk menentukan model mana yang memberikan hasil peramalan

terbaik, terlebih dahulu dilakukan pencocokan (fitting) yang membandingkan data historis

aktual dengan data hasil peramalan untuk jangka waktu yang sama dengan data historis.

Hasil pencocokan data dari kedua jenis metode ditunjukkan masing-masing dalam Gambar 2

dan gambar 3.

Hasil pencocokan dari kedua metode menunjukkan bahwa model peramalan ANN

memberikan hasil yang lebih baik. Hasil perhitungan MSE dari kedua model juga

mendukung pernyataan tersebut. Model peramalan dengan menggunakan metode regresi

menghasillkan MSE sebesar 1014,45 sementara metode ANN menghasilkan MSE sebesar

93,002. Selisih terbesar dari pencocokan data menggunakan metode regresi dapat mencapai

144 unit, sedangkan dengan metode ANN hanya sebesar 28 unit. Fakta-fakta tersebut

mengarahkan peneliti untuk memutuskan bahwa akan digunakan model ANN sebagai model

peramalan permintaan Dearmothers dalam penelitian ini.

2. Hasil Peramalan

Model ANN yang digunakan dalam peramalan merupakan model dengan struktur ANN

terbaik dari 50 struktur berbeda yang diusulkan. Alasan perlunya dirancang hingga 50

struktur yang berbeda adalah untuk mengetahui struktur mana yang memberikan performa

terbaik, yang diukur dari MSE yang dihasilkan dari pencocokan data. Semakin kecil MSE

yang dihasilkan, semakin baik. Seluruh struktur yang diusulkan memenuhi kriteria sebagai

berikut.

• Merupakan multi layer perceptron neural network

• Jumlah neuron input sebanyak 7

• Jumlah hidden layer adalah 1 atau 2


• Jumlah hidden neuron untuk hidden layer antara 1-10

• Algoritma pembelajaran yang digunakan ANN adalah optimasi Levenberg-Marquardt

• Alternatif fungsi transfer yang digunakan adalah tansig atau logsig (fungsi transfer

sigmoid)

• Jumlah epoch sebanyak 1000 dengan maksimal kegagalan sebanyak 1000

• Pelatihan pola ANN menggunakan aturan feed-forward backpropagation

• Pelatihan berhenti ketika telah mencapai epoch maksimal atau mencapai nilai kesalahan

minimal (0)

Gambar 2. Pencocokan dengan Metode Regresi Linier

Gambar 3. Pencocokan dengan Metode ANN


Didapat bahwa model ANN dengan struktur 7 neuron input, 1 hidden layer, 2 hidden neuron,

dan fungsi aktivasi logsig yang menghasilkan performa terbaik dan digunakan sebagai model

peramalan seperti yang telah disebutkan sebelumnya. Kemudian, nilai dari variabel-variabel

input yang digunakan untuk menghasilkan model peramalan berdasarkan data acuan diubah

sesuai dengan target perusahaan sedemikian hingga diperoleh perkiraan permintaan

berdasarkan target-target pencapaian perusahaan terkait popularitas website-nya di masa

mendatang ketika layanan gift registry yang diusung telah beroperasi. Hasil dari peramalan

berdasarkan target-target tersebut ditunjukkan dalam Gambar 4.

Dari hasil peramalan menggunakan model tersebut, didapat bahwa ramalan permintaan untuk

periode Oktober 2016 hungga Maret 2017 berturut-turut adalah 20, 20, 21, 23, 31, dan 40

unit.

Gambar 4. Hasil Peramalan Permintaan Produk Stroller dengan Menggunakan Model

ANN

4.3 Perancangan Skenario

Untuk menyimulasikan kondisi-kondisi yang mungkin terjadi, dibuat skenario di mana

parameter-parameter input dimodifikasi dengan dinaikkan nilainya maupun diturunkan

nilainya. Skenario-skenario tersebut menyimulasikan kondisi-kondisi ketika pencapaian

melebihi target dan ketika pencapaian di bawah target. Terdapat 2 jenis skenario yang

menggambarkan pencapaian melebihi target dan 2 jenis skenario yang menggambarkan

pencapaian kurang dari target. Keempat skenario yang dibuat dirangkum dalan Tabel 1. Hasil


peramalan dari perancangan skenario ini dirangkum dalam Gambar 5 Bagian berikutnya dari

penelitian ini akan menyajikan usulan-usulan strategi yang dapat diterapkan oleh perusahaan

dengan mengacu kepada kondisi yang mungkin terjadi berdasarkan skenario-skenario yang

telah dirancang. Keempat skenario dan target yang telah ditetapkan dapat dijadikan acuan

untuk gambaran awal perusahaan beroperasi dan dapat dikembangkan lebih lanjut sesuai

dengan opini dari pihak perusahaan akan kondisi yang lebih mungkin untuk terjadi.

Demikian pula dengan usulan strategi dalam penelitian ini, perusahaan dapat menjadikannya

acuan untuk manajemen permintaan di masa mendatang.

Tabel 1 Rangkuman Tipe Skenario

Tipe Skenario Deskripsi

I (Optimis – pencapaian melampaui target tetapi tidak signifikan)

• -Website sedikit lebih populer dari target tingkat popularitas, kondisi mendukung untuk tercapainya tingkat permintaan yang lebih tinggi

- -Bounce rate -2%, time on site +15%, daily reach +20%, pageviews/user +20%, pageviews +20%, monthly searches +150% dari target

- -Inflasi lebih rendah 5% dibandingkan hasil peramalan untuk periode tersebut

II (Optimis – pencapaian jauh melampaui target)

• -Website menncapai tingkat popularitas yang jauh lebih tinggi dari target, kondisi mendukung untuk tercapainya tingkat permintaan yang sangat tinggi

- -Bounce rate -10%, time on site +50%, daily reach +50%, pageviews/user +100%, pageviews +50%, monthly searches +400% dari target

- -Inflasi lebih rendah 5% dibandingkan hasil peramalan untuk periode tersebut

III (Pesimis – pencapaian lebih rendah dari target tetapi tidak signifikan)

• -Website sedikit kurang populer dari target tingkat popularitas, kondisi memaksa tingkat permintaan yang lebih rendah

- -Bounce rate +2%, time on site -15%, daily reach -20%, pageviews/user -20%, pageviews -20%, monthly searches -50% dari target

- -Inflasi lebih tinggi 5% dibandingkan hasil peramalan untuk periode tersebut

IV (Pesimis – pencapaian jauh lebih rendah dari target hingga nyaris mengalami kegagalan)

• -Website menncapai tingkat popularitas yang jauh lebih rendah dari target, cenderung tidak dapat mendatangkan pengunjung, kondisi memaksa tingkat permintaan yang sangat rendah

- -Bounce rate +10%, time on site -50%, daily reach -50%, pageviews/user -50%, pageviews -50%, monthly searches -80% dari target

- -Inflasi lebih tinggi 5% dibandingkan hasil peramalan untuk periode tersebut


Gambar 5. Rangkuman Skenario Permintaan Produk Stroller dengan Menggunakan

Model ANN

4.4 Perancangan Strategi

Usulan strategi dalam penelitian ini dapat diterapkan dalam manajemen permintaan

perusahaan terkait tindakan-tindakan yang perlu dilakukan dalam mengantisipasi tingkat

permintaan yang tinggi maupun rendah. Selain itu, usulan strategi ini juga mencakup hal-hal

yang dapat menjadi pertimbangan bagi perusahaan terkait usaha untuk peningkatan dan

stabilisasi pertumbuhan permintaan. Tipe strategi yang diusulkan dirangkum dalam Tabel 2

berikut.


Tabel 2. Rangkuman Strategi

Kategori Strategi Rincian

A (hubungan dengan mitra) 1. Mempertahankan hubungan dengan mitra dan berusaha untuk meningkatkan kapasitas mitra dalam memenuhi permintaan mendatang

2. Mengekspansi bisnis dengan menjalin mitra baru berdasarkan lokasi asal permintaan terbanyak, atau dapat mengandalkan mitra franchise yang memiliki toko/gudang offline di berbagai tempat

3. Mempertahankan hubungan dengan mitra yang sudah ada dan berusaha untuk mencapai target yang ditetapkan bersama

B (tindakan manajemen untuk meningkatkan popularitas website)

1. Meningkatkan pemasaran melalui layanan optimasi pencarian di mesin pencari (search engine optimization)

2. Mempertahankan pencapaian yang tinggi dan membentuk brand awareness yang kuat kepada konsumen

3. Mengevaluasi kembali efektivitas strategi pemasaran

4. Melakukan simulasi dan penelitian pasar untuk menghasilkan strategi pemasaran yang lebih baik

C (evaluasi sistem) 1. Mengevaluasi sistem baik dari sisi front end maupun back end untuk mengidentifikasi apakah calon konsumen mengalami kesulitan dalam navigasi di dalam website

2. Mengevaluasi sistem untuk mengidentifikasi apakah ada kesalahan sistem yang fatal yang dapat menyebabkan gagalnya transaksi

D (Pemerataan permintaan) 1. Pemerataan permintaan di setiap bulannya untuk memastikan tingkat permintaan yang stabil

Setiap tipe strategi yang diusulkan dicocokkan dengan jenis skenario yang dirancang.

Pencocokan strategi dengan skenario yang berlaku disajikan dalam Gambar 6.


Gambar 6. Matriks Skenario dan Strategi

Kesimpulan

Penelitian ini memberikan masukan kepada sebuah perusahaan startup yang akan

menjalankan sebuah bisnis online gift registry untuk kategori produk perlengkapan bayi

dalam bentuk ramalan permintaan untuk 6 bulan pertama beroperasi, pengembangan

skenario-skenario yang menyimulasikan kondisi yang mungkin terjadi serta dampaknya

terhadap ramalan permintaan, dan usulan strategi yang dapat diterapkan dalam menghadapi

kondisi-kondisi yang mungkin terjadi tersebut.

Hasil peramalan permintaan dengan menggunakan metode ANN selama 6 bulan (Oktober

2016-Maret 2017) berturut-turut setiap bulannya adalah 20, 20, 21, 23, 31, dan 44 unit.

Untuk menyimulasikan kondisi yang mungkin terjadi, dikembangkan empat jenis skenario

permintaan. Hasil peramalan berdasarkan kondisi yang digambarkan melalui keempat

skenario tersebut menunjukkan selisih hasil peramalan yang kecil antar skenario untuk bulan

pertama di mana tiga skenario menghasilkan nilai peramalan yang sama dengan target yaitu

20 dan satu skenario menghasilkan nilai peramalan yang lebih rendah yaitu 18. Hasil

peramalan berdasarkan kondisi yang digambarkan melalui keempat skenario tersebut

menunjukkan selisih hasil peramalan yang besar antar skenario untuk bulan keenam di mana

skenario terbaik menghasilkan nilai peramalan tertinggi yaitu 70 unit per bulan sedangkan

skenario terburuk hanya menghasilkan peramalan permintaan sebesar 30 unit per bulan


Model peramalan yang dikembangkan dalam penelitian ini memiliki kemungkinan untuk

dikembangkan lebih lanjut mengingat hanya digunakan beberapa faktor saja dalam

peramalan yang belum merepresentasikan kondisi sesungguhnya. Praktiknya, banyak faktor

seperti pemasaran, kebijakan harga, jumlah konsumen, dan lain sebagainya yang dapat

mempengaruhi tingkat permintaan. Oleh karena itu, penelitian-penelitian selanjutnya dapat

mengembangkan model peramalan yang lebih kompleks dan akurat dengan melibatkan lebih

banyak faktor. Selain itu, jika usaha yang diteliti sudah berjalan dan terdapat data historis

yang cukup untuk dijadikan acuan, peramalan akan menjadi semakin akurat karena pola

permintaan berasal dari layanan gift regisry sendiri, bukan dari data historis mitra yang

dijadikan acuan.

Saran

Dalam penelitian ini, faktor-faktor yang berpengaruh terhadap tingkat permintaan yang

dijadikan variabel input dalam model peramalan hanya berasal dari faktor popularitas website

dan tingkat inflasi semata sehingga akurasi peramalan masih belum optimal. Mengacu pada

penelitian-penelitian terdahulu, sebaiknya terdapat faktor-faktor lain yang lebih

mencerminkan perilaku konsumen dalam berbelanja seperti harga, ketersediaan barang,

pertumbuhan ajang baby shower di wilayah yang dijadikan ruang lingkup penelitian, dan

sebagainya. Akan tetapi, minimnya data yang tersedia dalam penelitian ini memaksa

terbatasnya jenis variabel input yang dapat digunakan. Selain itu, pengembangan skenario

yang dilakukan dalam penelitian ini tidak didasarkan pada kondisi yang sudah terjadi,

melainkan diestimasi berdasarkan penyimpangan terhadap target yang mungkin terjadi

sehingga pengembangan skenario yang dilakukan belum sepenuhnya mencerminkan kondisi

yang dapat terjadi di dunia nyata. Mempertimbangkan banyaknya keterbatasan dalam

penelitian ini, peneliti memberikan saran untuk penelitian-penelitian selanjutnya sebagai

berikut.

1. Peramalan dengan menggunakan metode ANN dapat dikembangkan lebih lanjut dengan

melibatkan faktor-faktor lainnya yang merepresentasikan faktor yang mempengaruhi

perilaku calon konsumen untuk membeli barang melalui layanan gift registry serta

menghasilkan ramalan untuk beragam kategori produk lainnya dengan karakteristik

ramalan masing-masing sesuai kategori.


2. Penelitian menggunakan lebih banyak metode yang relevan untuk perancangan strategi

dengan kondisi perusahaan sudah mengoperasikan bisnisnya dan dengan demikian

terdapat data historis yang dapat dijadikan bahan evaluasi.

3. Pengembangan skenario didasarkan pada kondisi aktual yang terjadi di dunia nyata yang

dapat dilakukan dengan melakukan penelitian terhadap kondisi pasar sebelum

mengembangkan skenario.

4. Memberikan usulan strategi yang lebih bersifat kuantitatif dan dapat diukur

pencapaiannya dengan mengacu pada skenario yang lebih baik.

Daftar Pustaka

Asosiasi Penyelenggara Jasa Internet Indonesia. (2015). Profil Pengguna Internet Indonesia

2014. Jakarta: Asosiasi Penyelenggara Jasa Internet Indonesia.

Badan Kependudukan dan Keluarga Berencana Nasional. (2012, December 31). Angka

Kelahiran Menurut Umur (ASFR) DKI Jakarta. Diambil kembali dari Badan Kependudukan

dan Keluarga Berencana Nasional: http://www.bkkbn.go.id/

Badan Pusat Statistik. (2012). Angka Fertilitas Total menurut Provinsi 1971, 1980, 1990,

1991, 1994, 1997, 2000, 2002, 2007, 2010, dan 2012. Diambil kembali dari Badan Pusat

Statistik: http://www.bps.go.id

Cacuci, D. G., Ionescu-Bujor, M., & Navon, I. M. (2005). Sensitivity and Uncertainty

Analysis Volume II. Boca Raton: CRC Press.

Chernick, M. R., & Friis, R. H. (2003). Correlation, Linear Regression, and Logistic

Regression. Dalam N. N. Pharmaceuticals, & C. S. University, Introductory Biostatistics for

the Health Sciences: Modern Applications Including Bootstraps (hal. 251-283). John WIley

& Sons.

Consumer Barometer. (2014). Consumer Barometer with Google. Diambil kembali dari

https://www.consumerbarometer.com/en/trending/?countryCode=ID&category=TRN-

NOFILTER-ALL

Deloitte. (2015). Deloitte Consumer Insights: Capturing Indonesia's Latent Market. Jakarta:

Delitte South East Asia Ltd.


Figueiredo, M. C. (2008). E-Commerce: Forecasting Demand for New Products. IADIS

International Conference e-Commerce, (hal. 102-112).

Günay, M. E. (2016). Forecasting Annual Gross Electricity Demand by Artificial Neural

Networks Using Predicted Values of Socio-Economic Indicators and Climatic Conditions:

Case of Turkey. Energy Policy 90, 92-101.

Hongkong Trade Development Council. (2014, February 27). Targeting Indonesia’s Female

Shoppers – Prime Products and Channels. Diambil kembali dari HKTDC Research:

http://economists-pick-research.hktdc.com/business-news/article/Research-

Articles/Targeting-Indonesia-s-female-shoppers-prime-products-and-

channels/rp/en/1/1X000000/1X09WODN.htm

Hunter, A., Kennedy, L., Henry, J., & Ferguson, I. (2000). Application of Neural Networks

and Sensitivity Analysis to Improved Predicition of Trauma Survival. Computer Methods

and Programs in Biomedicine 62, 11-19.

Kantar Worldpanel. (2015). FMCG Monitor: An Integrated View of Indonesia FMCG

Market. Jakarta: Kantar Worldpanel Indonesia.

Mahmud Nasapi, I. S. (2014). Peramalan Permintaan Susu Pasteurisasi Menggunakan

Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon,

Malang).

Makridakis, S. G., Wheelwright, S. C., & Hyndman, R. J. (1997). Forecasting: Method and

Applications. Wiley-Interscience.

María Ortiz, O. U. (2016). Price Forecasting and Validation in the Spanish Electricity Market

Using Forecasts as Input Data. Electrical Power and Energy Systems 77, 123-127.

Ross, S. M. (2004). Introduction to Probability and Statistics for Engineers and Scientists,

Third Edition. Burlington: Elsevier Academic Press.

Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., . . . Tarantola, S.

(2008). Global Sensitivity Analysis. The Primer. Chichester: Wiley-Interscience.

Seber, G. A., & Lee, A. J. (2003). Linear Regression Analysis, Second Edition. New Jersey:

Wiley-Interscience.


Statista. (2014). E-commerce Share of Total Retail Sales in Indonesia from 2013 to 2018.

Diambil kembali dari The Statistics Portal: http://www.statista.com/statistics/379170/e-

commerce-share-of-retail-sales-in-indonesia/

Tug˘ba Efendigil, S. Ö. (2008). A Decision Support System for Demand Forecasting with

Artificial Neural Networks and Neuro-Fuzzy Models: A Comparative Analysis. Expert

System with Applications.

Yan, X., & Su, X. G. (2009). Linear Regression Analysis: Theory and Computing.

Singapore: World Scientific Publishing.


Peramalan dan Perancangan Skenario Permintaan untuk ...

Documents

Transcript of Peramalan dan Perancangan Skenario Permintaan untuk ...