# Metode Peramalan Inventaris: 5 Cara Memprediksi Permintaan

> Pelajari 5 metode peramalan inventaris yang teruji, cara kerja masing-masing, dan kapan menggunakannya. Bandingkan pendekatannya dan pilih yang tepat untuk bisnis Anda.

Source: https://www.electe.net/id/post/inventory-forecasting-methods

Site guide: https://www.electe.net/id/llms.txt

Pesan terlalu banyak, kas Anda terkuras. Pesan terlalu sedikit, penjualan jatuh ke pesaing yang stoknya tersedia di rak. Setiap bisnis yang menyimpan stok berada di antara dua kegagalan itu, dan selisih di antara keduanya bergantung pada satu keputusan: metode peramalan inventaris mana yang melandasi pesanan pembelian Anda.

Tanyakan kepada sekelompok operator metode apa yang mereka pakai, dan jawabannya berupa nama produk. Sebuah spreadsheet. Modul ERP. Aplikasi tambahan yang dibeli seseorang di bagian keuangan. Tak seorang pun menyebut matematikanya. Di situlah celah yang perlu ditutup. Alat peramalan hanyalah sarana untuk menjalankan sebuah metode, dan metodelah yang menentukan apakah stok pengaman Anda dihitung berdasarkan kenyataan atau angan-angan.

Berikut lima metode peramalan inventaris, yang disajikan sebagai tangga keputusan, bukan kubu yang saling bersaing. Setiap metode menjadi tolok ukur yang harus dikalahkan oleh metode berikutnya. Untuk tiap metode, Anda akan mengetahui apa yang dibutuhkan, di mana kelemahannya, dan kondisi persis di mana metode itu layak dipakai.

## 1. Peramalan Rata-Rata Bergerak

Rata-rata bergerak adalah titik awal yang umum, dan memang pantas berada di posisi itu. Anda memilih satu jendela (3, 6, atau 12 periode), merata-ratakan permintaan aktual di dalamnya, lalu memakainya sebagai ramalan periode berikutnya. Saat satu periode ditutup, jendela bergeser ke depan dan angkanya diperbarui dengan sendirinya.

[Studi rantai pasok University of Arkansas](https://scholarworks.uark.edu/cgi/viewcontent.cgi?article=1003&context=scmtwscp) menyebut peramalan deret waktu sebagai dasar sebagian besar sistem replenishment, dengan tujuan mengidentifikasi tren dan musiman di balik noise penjualan. Rata-rata bergerak menjalankan versi paling sederhana dari tugas itu: ia menyingkirkan lonjakan sesaat tanpa memerlukan model.

### Jendela sederhana versus berbobot

Rata-rata bergerak sederhana memberi bobot yang sama pada setiap periode. Rata-rata bergerak berbobot memberi pengaruh lebih besar pada periode terbaru, yang penting ketika permintaan sedang naik atau turun, bukan datar. Gunakan versi berbobot saat bulan lalu lebih menggambarkan bulan depan daripada kuartal lalu.

Misalnya, toko alat tulis daring merata-ratakan penjualan buku catatan tiga bulan terakhir untuk menetapkan titik pemesanan ulang bagi lini yang stabil, sementara toko roti merata-ratakan penjualan roti empat minggu setiap Senin untuk menentukan pesanan tepung. Metodenya sama, jendelanya berbeda, dan keduanya mudah dijelaskan kepada bagian pembelian.

> Uji tiga panjang jendela terhadap data dua belas bulan terakhir sebelum memilih satu. Jendela terbaik biasanya lebih pendek daripada perkiraan naluri Anda.

- **Bandingkan dengan metode naif:** jika penjualan periode lalu meramalkan sama baiknya dengan rata-rata Anda, rata-rata itu tidak sepadan dengan kerumitannya.
- **Padukan dengan stok pengaman:** penghalusan menghilangkan lonjakan dari ramalan, bukan dari permintaan.
- **Pisahkan keluarga produk:** buku catatan dan planner musiman tidak seharusnya memakai jendela yang sama.

Gunakan metode ini ketika barang Anda terjual stabil, Anda memiliki riwayat minimal enam periode yang bersih, dan Anda membutuhkan tolok ukur yang bisa dipahami semua pemangku kepentingan. Ini juga angka yang harus dikalahkan setiap metode berikutnya. [Uji coba inventaris 30 hari untuk pengecer](https://www.electe.net/post/inventory-optimization-for-retail) menunjukkan seberapa cepat tolok ukur seperti ini mengungkap SKU mana yang memerlukan lebih dari sekadar rata-rata.

## 2. Eksponensial Smoothing (Metode Holt-Winters)

Eksponensial smoothing mempertahankan kebiasaan merata-ratakan, tetapi tidak lagi memperlakukan data lama dan baru sama. Setiap observasi mendapat bobot yang menurun secara eksponensial seiring usianya, sehingga ramalan bergeser ke arah kondisi saat ini tanpa bereaksi berlebihan terhadap satu minggu yang janggal.

Holt-Winters menambahkan dua komponen: suku tren dan suku musiman, yang diterapkan secara aditif atau multiplikatif tergantung apakah fluktuasi musiman membesar seiring volume. Itulah sebabnya katalog ritel musiman menghabiskan sebagian besar waktunya di metode ini.

### Mengapa taruhan akurasinya lebih tinggi

Memberi bobot pada data terbaru menghasilkan responsivitas, dan responsivitas ada harganya. [Studi tentang riset perdagangan grosir dan pengendalian stok](https://www.sciencedirect.com/science/article/abs/pii/S0925527310001805) melaporkan temuan Syntetos dan rekan bahwa **penurunan akurasi ramalan sebesar 1%** dapat setara dengan **kenaikan biaya inventaris sebesar 10-15%** bila tingkat layanan yang sebanding dipertahankan. Parameter yang diatur terlalu lambat membuat Anda kelebihan stok saat permintaan bergeser; yang terlalu cepat membuat Anda mengejar noise hingga memicu efek bullwhip.

Tiga kebiasaan menjaga model tetap jujur:

- **Minimal dua tahun:** beri model setidaknya dua siklus musiman penuh, atau komponen musimannya hanya menebak.
- **Periksa hasil optimizer:** biarkan perangkat lunak menghitung konstanta penghalusan, lalu pastikan pola musimannya sesuai dengan tahun yang Anda alami.
- **Tandai promosi sebagai peristiwa:** kampanye tiga minggu dapat mendistorsi baseline selama berbulan-bulan jika dibiarkan masuk ke riwayat.

Gunakan metode ini ketika permintaan memiliki pola musiman yang berulang dan Anda bisa menyediakan dua siklus yang bersih. Untuk melihat bagaimana model smoothing dijalankan dan dibandingkan dalam praktik, baca [memperkirakan tingkat gagal bayar dengan model smoothing](https://www.electe.net/post/exponential-smoothing).

## 3. Model Deret Waktu ARIMA dan SARIMA

Smoothing memperlakukan riwayat sebagai rata-rata berbobot. ARIMA mengajukan pertanyaan yang lebih sulit atas data yang sama: apakah permintaan hari ini bergantung pada kemarin, pada minggu yang sama tahun lalu, dan pada kesalahan yang sebelumnya dibuat model? Langkah integrasi melakukan diferensiasi pada deret hingga tren menjadi stabil, dan SARIMA menambahkan suku musiman untuk siklus mingguan dan tahunan. Jika Holt-Winters memberi Anda garis yang lebih halus, ARIMA memberi Anda model dari proses permintaan itu sendiri.

Interval di sekitar ramalan adalah keluaran yang paling bernilai.

### Rentang lebih baik daripada satu angka

Sebuah [studi tentang optimasi replenishment](https://www.tandfonline.com/doi/full/10.1080/00207543.2025.2527957) memodelkan permintaan SKU, lead time retur, dan lead time replenishment sebagai variabel acak, menggunakan perkiraan kuantil alih-alih satu estimasi, dan mengusulkan Ratio of Forecast Uncertainty untuk melacak bagaimana ketidakpastian menyebar antartahap rantai pasok. Perbedaan ini penting saat membuat purchase order. Perkiraan 1.000 unit punya arti yang berbeda ketika rentang yang masuk akal adalah 850 sampai 1.150 dibandingkan 500 sampai 1.700.

Dua pembeli bisa membaca perkiraan yang sama dan mengambil keputusan yang berlawanan. Jaringan grosir regional memodelkan permintaan produk susu mingguan dengan musiman mingguan dan tahunan, sehingga lonjakan hari libur sudah tampak di pesanan, bukan setelahnya. Distributor elektronik menetapkan stok pengaman komponen pada persentil ke-90 dari interval, ditentukan oleh target layanan, bukan sekadar cadangan tetap dua minggu. Perangkatnya sama, pertanyaan kebijakannya berbeda.

Menjalankannya dengan baik membutuhkan disiplin:

- **Uji stasioneritas** dengan plot dan uji formal, lalu lakukan differencing hanya sejauh yang diperlukan. Differencing berlebihan menambah noise yang kemudian harus dijelaskan oleh model.
- **Sisihkan tiga bulan terakhir** dan nilai model pada periode itu sebelum Anda memercayainya.
- **Terjemahkan interval menjadi kebijakan:** pilih persentil yang dibenarkan oleh margin, posisi kas, dan komitmen layanan Anda.
- **Otomatiskan pemilihan model** untuk katalog besar. Penyetelan pesanan secara manual tidak akan bertahan pada 400 SKU.

Konsekuensinya adalah upaya. ARIMA membutuhkan data stasioner, pemilihan orde yang cermat, dan riwayat yang cukup untuk mengestimasi komponen musimannya, dan ia tetap hanya membaca masa lalu dari deret itu sendiri. Karena itu ARIMA menjadi standar yang harus dilampaui metode kausal: faktor seperti harga atau promosi layak masuk ke model hanya jika menghasilkan perkiraan yang lebih baik daripada riwayat permintaan itu sendiri.

Gunakan metode ini ketika deret data Anda memiliki autokorelasi yang tidak tertangkap oleh smoothing dan Anda memerlukan rentang yang jujur untuk menentukan stok pengaman terhadap target tingkat layanan.

## 4. Peramalan Regresi Kausal

Semua metode sejauh ini membaca permintaan dari riwayatnya sendiri. Regresi kausal mengajukan pertanyaan lain: apa yang menggerakkan permintaan, dan seberapa besar? Anda memasukkan faktor yang sudah dilacak tim Anda, seperti harga, besar diskon, promosi, hari libur, cuaca, dan aktivitas pesaing, lalu model memperkirakan dampak yang dihasilkan masing-masing.

Hasilnya adalah koefisien yang bisa Anda pertanyakan, dan di situlah gunanya. Diskon tidak sekadar menaikkan perkiraan, tetapi menaikkannya sebesar angka tertentu, dan angka itulah yang dibutuhkan purchase order Anda.

### Masukkan kalender promosi ke dalam model

Misalnya peritel perlengkapan rumah ingin tahu bagaimana diskon 20 persen ditambah kampanye email akhir pekan akan memengaruhi penjualan peralatan dapur. Regresi memperkirakan efek gabungannya, sehingga pembeli memesan berdasarkan acara yang direncanakan, bukan rata-rata bulanan tahun lalu. Distributor minuman yang memasukkan perkiraan suhu dapat menyetok lebih awal sebelum gelombang panas, alih-alih bereaksi setelahnya.

> **Aturan praktis:** uji satu faktor dalam satu waktu pada periode holdout. Faktor yang tidak meningkatkan akurasi pada data yang belum dilihat model hanyalah cerita, bukan sinyal.

- **Mulai dari yang sudah Anda catat:** penanda promosi, perubahan harga, dan kalender hari libur. Banyak tim memiliki faktor yang bisa dipakai lebih banyak daripada yang mereka kira.
- **Perbarui koefisien:** respons pelanggan bergeser setelah perubahan harga atau kehadiran pemain baru, dan koefisien yang usang dapat menyebabkan kelebihan stok.
- **Pisahkan yang direncanakan dari yang tidak:** kampanye masuk sebagai input; unggahan viral atau pemulihan setelah kehabisan stok masuk sebagai penanda peristiwa.

Gunakan metode ini ketika promosi dan harga mendorong porsi besar volume Anda, dan ketika Anda perlu menentukan stok untuk kampanye sebelum berjalan, bukan sesudahnya.

## 5. Peramalan Permintaan dengan Machine Learning

Machine learning mengubah unit pemodelan. Alih-alih mencocokkan satu model per produk, Anda melatih satu model untuk ribuan kombinasi SKU-toko dan membiarkannya mempelajari pola bersama: item mana yang responsif terhadap cuaca, mana yang terhadap siklus gajian, mana yang terhadap promosi dua minggu sebelumnya.

Gradient boosting bekerja baik pada data penjualan tabular. Jaringan saraf berguna ketika katalognya sangat besar dan sinyalnya berinteraksi dengan cara yang tidak bisa Anda tentukan secara manual.

### Ketika argumen soal akurasi menjadi rumit

Sebuah [studi yang mengevaluasi 7.500 deret permintaan dan 13 metode peramalan](https://www.ajol.info/index.php/jriie/article/download/340188/319463/763962) menemukan bahwa nilai presisi perkiraan bergantung pada karakteristik produk, kebijakan persediaan, biaya penyimpanan, biaya kehilangan penjualan, interval peninjauan, dan lead time. Studi yang sama mencatat bahwa UKM farmasi sering mengandalkan peramalan berbasis penilaian, bahkan dengan banyak pesanan intermiten, dengan alasan data historis yang tidak akurat, staf spesialis yang terbatas, dan rendahnya adopsi teknologi sebagai hambatan.

Implikasinya tidak nyaman bagi siapa pun yang mengejar papan peringkat. Model yang unggul pada metrik galat bisa kalah pada biaya ketika biaya penyimpanan rendah dan kehabisan stok mahal. Dan metode yang tampak kuat pada item intermiten bisa saja hanya terlihat bagus karena sebagian besar periode berisi permintaan nol.

- **Kalahkan baseline:** rata-rata bergerak atau Holt-Winters adalah kontrol Anda. Jika machine learning tidak mengalahkannya pada data holdout, jangan diluncurkan.
- **Validasi berdasarkan waktu, bukan acak:** latih pada periode lama, uji pada periode baru.
- **Nilai per segmen:** galat pada 50 SKU teratas lebih penting daripada galat pada ekor panjang.
- **Perlakukan intermitensi secara terpisah:** item dengan banyak nol membutuhkan aturan evaluasi tersendiri.

Electe, platform analitik data berbasis AI untuk UKM, menjalankan enam metode peramalan pada data Anda, membandingkan skornya satu sama lain, dan memilih yang paling akurat, sehingga menggantikan uji coba manual. Untuk katalog dengan banyak promosi, lihat [memperhitungkan lonjakan permintaan saat flash sale](https://www.electe.net/post/ecommerce-demand-forecasting).

Gunakan metode ini ketika Anda memiliki riwayat yang padat dan rinci pada banyak produk serta bukti bahwa metode ini mengalahkan baseline Anda dalam biaya dan layanan, bukan hanya di atas kertas.

## 5 Metode Peramalan Persediaan Sekilas

MetodePaling Cocok UntukData yang DibutuhkanMenangani MusimanTingkat KesulitanPeramalan Rata-Rata BergerakPermintaan stabil dan baseline sederhanaRiwayat penjualan terbaru dalam jumlah kecilTidakMudahExponential Smoothing (Metode Holt-Winters)Permintaan dengan tren dan pola musimanData penjualan minimal dua siklus musimanYaMenengahModel Deret Waktu ARIMA dan SARIMAPermintaan dengan autokorelasi dan pola temporalDeret waktu historis yang panjang dan bersihYa, dengan SARIMALanjutanPeramalan Regresi KausalMemperkirakan dampak promosi, harga, dan faktor pendorong lainnyaRiwayat penjualan dan data faktor pendorong yang andalBisa, dengan variabel musimanMenengahPeramalan Permintaan dengan Machine LearningKatalog besar dengan faktor pendorong permintaan yang kompleksRiwayat penjualan besar dan bersih serta data input yang relevanYa, dengan fitur kalender atau musimanLanjutan

## Poin Utama: Pilih Metode yang Sesuai dengan Data Anda

Anggap setiap anak tangga sebagai baseline yang harus dikalahkan oleh tangga berikutnya. Rata-rata bergerak murah dan transparan, sehingga menjadi angka acuan yang harus dilampaui setiap model berikutnya. Tambahkan Holt-Winters ketika pola musiman yang sama terus berulang; gunakan ARIMA atau SARIMA ketika Anda membutuhkan interval yang dapat dipertanggungjawabkan untuk tingkat layanan; beralihlah ke regresi kausal ketika promosi dan perubahan harga menggerakkan volume; gunakan machine learning hanya setelah terbukti unggul pada data holdout.

Jalankan tahapan tersebut dengan cara yang sama setiap siklus:

- Audit riwayat penjualan: hitung periode yang bersih dan SKU dengan rangkaian nol yang panjang.
- Pilih metode paling sederhana yang sesuai dengan pola permintaan.
- Validasi pada tiga bulan terakhir, tanpa pembagian acak.
- Otomatiskan perbandingan agar baseline terbaik ikut berubah seiring perubahan kondisi.

[ELECTE](https://www.electe.net) menghubungkan sumber data akuntansi, perbankan, dan spreadsheet, menjaganya tetap mutakhir, menjalankan enam metode peramalan pada angka terkini, menilai semuanya satu sama lain, dan memilih yang paling akurat. Anda mendapatkan perkiraan permintaan, kas, dan penggajian dengan dasbor yang bisa diekspor atau dibagikan dalam satu klik. Kunjungi ELECTE untuk melihat peramalan riwayat penjualan Anda sendiri dalam hitungan menit.
