Pertemuan 5 Artificial Intelligence
Regresi & Peramalan Bisnis
Mengeksplorasi penerapan Regresi Linier dan Berganda untuk Demand Forecasting (peramalan permintaan) serta optimalisasi perencanaan kapasitas industri.
Mulai Simulasi Interaktif ➔Bagian 1: Masalah Peramalan Permintaan di Industri
Mengapa perusahaan sangat bergantung pada prediksi permintaan sebelum mesin produksi dinyalakan?
Siklus Keputusan
Permintaan Pasar menentukan Penjualan. Penjualan menggerakkan Persediaan (Inventory), dan level persediaan mendikte Jumlah Produksi.
Intuisi vs Data
- Intuisi: "Bulan lalu laris, bulan ini pasti sama." (Bias, berisiko tinggi)
- Data-Driven: "Tren historis + faktor musiman menunjukkan kenaikan 15%." (Terukur, minim risiko)
Pabrik Minuman "Segar Bugar"
Pabrik harus menentukan target produksi bulan depan, namun angka pasti permintaan pasar belum diketahui. Pilih skenario tebakan di bawah ini untuk melihat konsekuensi bisnisnya:
Pertanyaan Pemantik:
Jika permintaan bulan depan diperkirakan meningkat, apakah perusahaan harus langsung menambah mesin dan tenaga kerja?
Bagian 2: Konsep Regresi untuk Peramalan
Memahami bagaimana hubungan statistik antarvariabel digunakan untuk memprediksi masa depan.
Regresi Linier Sederhana
Menggunakan satu variabel prediktor untuk memperkirakan permintaan. Misalnya: Memperkirakan jumlah penjualan (Y) berdasarkan Biaya Promosi (X).
- Ŷ (Y-hat): Permintaan yang diprediksi
- X: Variabel prediktor (cth: Biaya promosi)
- a: Konstanta (Nilai Y jika X = 0)
- b: Koefisien/Kemiringan (Perubahan Y setiap 1 unit X)
Regresi Linier Berganda
Menggunakan beberapa variabel prediktor sekaligus untuk prediksi yang lebih akurat di dunia nyata.
Contoh Variabel Prediktor (X):
- 🏷️ X1 = Harga jual produk
- 📢 X2 = Biaya promosi
- 🛒 X3 = Jumlah pesanan historis
Catatan: Hubungan statistik yang kuat tidak selalu berarti hubungan sebab-akibat (Korelasi ≠ Kausalitas).
🎮 Simulasi: Prediksi Penjualan vs Biaya Promosi
Geser slider biaya promosi di bawah ini untuk melihat bagaimana persamaan regresi meramalkan jumlah unit terjual berdasarkan data historis pabrik.
Proses Perhitungan Model:
Ŷ = 50 + ( 2.5 × 20 )
Ŷ = 50 + 50
Bagian 3: Praktik Demand Forecasting
Menerapkan model regresi pada data historis perusahaan untuk memprediksi masa depan dan merencanakan kapasitas operasional.
Tabel di bawah adalah ilustrasi biaya promosi (Variabel Prediktor / X) dan permintaan produk (Variabel Target / Y) dari bulan Januari hingga Juni.
| Bulan | Promo (Juta Rp) - X | Permintaan (Unit) - Y |
|---|---|---|
| Januari | 2 | 100 |
| Februari | 3 | 120 |
| Maret | 4 | 130 |
| April | 5 | 150 |
| Mei | 6 | 160 |
| Juni | 7 | 180 |
🔮 Prediksi Bulan Juli
Manajemen berencana mengalokasikan biaya promosi sebesar Rp 8 Juta bulan depan. Berapa unit yang harus diproduksi?
Bagian 4: Evaluasi Akurasi Peramalan
Memahami bahwa model yang menghasilkan angka prediksi belum tentu memiliki akurasi yang dapat diandalkan oleh perusahaan.
📏 Tiga Ukuran Kesalahan Peramalan (Forecast Error)
Kesalahan (Error) adalah selisih antara Permintaan Aktual (Y) dengan Hasil Prediksi (Ŷ).
Rata-rata besarnya kesalahan absolut. Mengukur seberapa jauh prediksi meleset secara rata-rata, tanpa melihat arah (positif/negatif).
Rata-rata dari kuadrat kesalahan. Karena dikuadratkan, metrik ini sangat menghukum/menyoroti kesalahan prediksi yang besar.
Menyatakan kesalahan dalam bentuk persentase (%). Sangat intuitif untuk presentasi ke manajemen.
⚖️ Aktivitas: Evaluasi & Pemilihan Model
Klik tombol "Analisis Error" untuk memvisualisasikan seberapa meleset dua model di bawah ini terhadap Data Aktual. Kemudian, pilih model mana yang layak digunakan pabrik!
Bagian 5: Dari Prediksi ke Perencanaan Kapasitas
Menerjemahkan angka hasil peramalan (Forecasting) menjadi keputusan operasional pabrik di dunia nyata.
A. Permintaan vs Kapasitas
Permintaan (Demand) adalah apa yang diinginkan pasar (hasil prediksi regresi Anda). Kapasitas adalah kemampuan maksimal pabrik memproduksi barang. Perbedaan keduanya disebut Kesenjangan (Gap).
B. Menghitung Kebutuhan
Contoh: Regresi memprediksi butuh 1.200 unit/hari. Kapasitas efektif pabrik hanya 1.000 unit/hari.
Pabrik kekurangan kapasitas 200 unit per hari.
C. Jebakan Pemula
Melihat kekurangan kapasitas, pemula sering langsung menyimpulkan: "Beli mesin baru!". Padahal investasi mesin butuh waktu dan biaya besar (CapEx). Bagaimana jika permintaan bulan depan turun lagi?
🎛️ Kalkulator Perencanaan Kapasitas Operasional
Geser nilai prediksi permintaan dan kapasitas pabrik saat ini. Amati kesenjangan yang terjadi dan lihat rekomendasi tindakan yang harus diambil manajer!
Tindakan Operasional yang Disarankan:
Bagian 6: Studi Kasus Terintegrasi
Misi Kelompok: Menggabungkan pemodelan matematis, evaluasi prediksi, dan pengambilan keputusan operasional.