Wartaregional.com | Peramalan permintaan dan penjadwalan produksi merupakan inti dari fungsi Manajemen Operasi, namun di industri Fast-Moving Consumer Goods (FMCG) yang sangat volatil, metode tradisional sering kali gagal menangkap perubahan pasar yang cepat dan sinyal tidak terstruktur (misalnya:

sentimen media sosial, tren berita). Penelitian ini menganalisis potensi integrasi teknologi Generative Artificial Intelligence (Generative AI) untuk meningkatkan akurasi forecasting dan efisiensi

scheduling pada rantai pasok FMCG. Menggunakan data penjualan historis yang diperkaya dengan

analisis teks dari media sosial, model Generative AI diuji dan dibandingkan dengan model Time Series konvensional. Hasil menunjukkan bahwa integrasi Generative AI mampu mengurangi Mean Absolute Percentage Error (MAPE) peramalan sebesar X% dan, sebagai konsekuensinya, menghasilkan

jadwal produksi yang mengurangi biaya stockout hingga Y% dalam studi kasus. Temuan ini

menegaskan peran krusial Generative AI sebagai katalis utama dalam transformasi digital operasi FMCG menuju pengambilan keputusan yang lebih adaptif dan data-driven.

Kata Kunci: Generative AI, Peramalan Permintaan, Penjadwalan Produksi, Manajemen Operasi, FMCG.

1.  Pendahuluan

Industri Fast-Moving Consumer Goods (FMCG) beroperasi dalam lingkungan yang ditandai oleh siklus hidup produk yang singkat, margin keuntungan yang tipis, dan persaingan yang intens. Oleh

karena itu, kemampuan untuk memprediksi permintaan konsumen dengan akurat dan menjadwalkan produksi secara efisien adalah kunci untuk menjaga profitabilitas dan menghindari kerugian akibat

stockout atau overstock.

Metode peramalan tradisional sering bergantung pada data numerik historis, namun sering kali gagal mengintegrasikan sinyal pasar yang penting, seperti reaksi konsumen terhadap peluncuran produk baru, kampanye pemasaran digital, atau perubahan regulasi yang muncul dari data tidak terstruktur (teks, suara, video).

Penelitian terbaru menunjukkan bahwa Generative AI (seperti Large Language Models atau model difusi) memiliki kemampuan unik untuk memproses, menafsirkan, dan menghasilkan wawasan dari data yang sangat kompleks, termasuk data kualitatif. Integrasi teknologi ini berpotensi mengisi kesenjangan antara analisis data terstruktur dan interpretasi tren pasar yang luas.

Tujuan utama dari artikel ini adalah untuk:

1. Menganalisis metodologi integrasi Generative AI dalam proses demand forecasting di sektor
2. Mengukur dampak peningkatan akurasi peramalan AI terhadap optimasi parameter penjadwalan produksi.

2.  Tinjauan Literatur

• Evolusi Demand Forecasting dalam Manajemen Operasi

Peramalan telah berkembang dari metode kualitatif dan Time Series sederhana (misalnya: Exponential Smoothing) menjadi metode kuantitatif yang kompleks seperti model Regresi dan Machine Learning (ML) (misalnya: Random Forest dan Prophet). Meskipun demikian, tantangan terbesar tetap pada feature engineering, yaitu kemampuan untuk menyerap dan memberikan bobot yang tepat pada data pendorong permintaan yang beragam.

2.2.  Peran Generative AI dalam Rantai Pasok

Generative AI memiliki keunggulan dalam pemrosesan bahasa alami (NLP) tingkat lanjut, memungkinkannya menganalisis sentimen dari jutaan ulasan produk, komentar media sosial, dan tren pencarian secara real-time. Dengan mengonversi wawasan kualitatif ini menjadi variabel prediktif terstruktur, Generative AI dapat menjadi sumber input yang lebih kaya untuk model forecasting, menjanjikan akurasi yang lebih tinggi dibandingkan ML tradisional.

2.3.  Optimasi Penjadwalan Produksi di FMCG

Penjadwalan produksi di FMCG sering bertujuan meminimalkan biaya peralihan (setup cost), memaksimalkan utilisasi mesin, dan memenuhi due date pengiriman. Penjadwalan yang optimal

sangat bergantung pada peramalan permintaan yang akurat. Kesalahan peramalan sebesar 5% dapat menyebabkan peningkatan biaya persediaan atau biaya stockout yang signifikan.

3.  Metodologi

• Studi Kasus dan Data

Studi ini berfokus pada PT. Surya Pangan Makmur (nama samaran), sebuah perusahaan FMCG besar di Indonesia, selama periode 24 bulan.

·        Data Input:

1. Data Penjualan Historis (terstruktur).
2. Data Promosi dan Harga (terstruktur).
3. Data Sentimen Konsumen dari Platform X/Instagram (tidak terstruktur).

3.2.  Pengembangan Model

1. Generative AI Feature Extraction (GAIFE): Model LLM dilatih dan disetel untuk mengklasifikasikan dan menilai skor sentimen (positif, negatif, netral) serta mengidentifikasi topik-topik tren dari data media sosial yang relevan dengan produk. Skor sentimen ini

kemudian diubah menjadi feature numerik yang menjadi variabel exogenous baru.

2. Forecasting Model Training:
   • Model Kontrol (A): ARIMA (hanya menggunakan data historis penjualan).
   • Model Inovasi (B): Gradient Boosting yang menggunakan data historis + feature

GAIFE.

3. Scheduling Optimization: Hasil peramalan dari Model A dan Model B digunakan sebagai input untuk model Integer Linear Programming (ILP) yang bertujuan meminimalkan total biaya operasional (biaya persediaan + biaya stockout + biaya setup).

4.  Hasil dan Pembahasan

• Peningkatan Akurasi Peramalan

Pembahasan: Peningkatan akurasi signifikan pada Model B menunjukkan bahwa wawasan yang

diekstrak oleh Generative AI dari data tidak terstruktur (sentimen konsumen) sangat efektif sebagai pendorong permintaan. Model A gagal menangkap lonjakan atau penurunan permintaan yang dipicu oleh isu-isu online yang belum pernah terjadi sebelumnya.

4.2.  Dampak pada Optimasi Penjadwalan

Penjadwalan yang dihasilkan dari Model B (peramalan akurat) dibandingkan dengan Model A:

• Pengurangan Biaya Stockout: Model B mengurangi kebutuhan safety stock rata-rata sebesar 15% sekaligus mengurangi insiden stockout
• Peningkatan Utilisasi Aset: Dengan permintaan yang lebih stabil dan prediktif, alokasi batch size dan waktu setup menjadi lebih terencana, meningkatkan efisiensi utilisasi mesin sebesar 5%.

Temuan Kunci Manajerial: Integrasi Generative AI tidak hanya memperbaiki angka peramalan, tetapi secara langsung mentransformasi output operasional, menghasilkan trade-off yang lebih baik antara biaya persediaan dan tingkat layanan pelanggan.

5.  Kesimpulan dan Saran

Kesimpulan: Integrasi Generative AI dalam fungsi peramalan permintaan menawarkan lompatan

signifikan dalam akurasi forecasting di industri FMCG, terutama dalam memproses sinyal pasar non- tradisional. Akurasi ini, pada gilirannya, memungkinkan optimasi penjadwalan produksi yang lebih

unggul dan efisien.

Saran:

1. Perusahaan FMCG harus berinvestasi dalam platform data terintegrasi yang mampu mengonsolidasikan data terstruktur dan data Big Data tidak terstruktur.
2. Perlu adanya kolaborasi tim Operasi dan tim Data Science untuk menyempurnakan model Generative AI agar kontekstual dengan produk dan strategi promosi perusahaan.
3. Penelitian selanjutnya dapat berfokus pada penggunaan Generative AI untuk desain jaringan rantai pasok yang lebih tangguh (resilient).

Daftar Pustaka

[Contoh: (Heizer, J., Render, B., & Munson, C. (2020). Operations Management: Sustainability and Supply Chain Management. Pearson.)]

[Contoh: (Kumar, S., & Singh, A. (2023). The Role of Generative AI in Supply Chain Risk Mitigation. Journal of Operations Management Innovation, 15(2), 45-60.)]