Spontan, rapat jadi agak panas. Tim marketing langsung bereaksi:

“Kok bisa? Sales value kita cuma turun 15%, loh. Masa loyalisnya turun 27%? Pasti metode survey-nya yang kurang tepat.”

Saya hanya bisa tersenyum kecil di dalam hati. Fenomena ini sebenarnya sangat wajar. Bahkan fenomena ini bisa dijelaskan dengan matematika sederhana yang kita ketahui bersama. Sayangnya, di lapangan, banyak yang masih menganggap hubungan antara jumlah loyalist dan sales value itu linear.

Padahal tidak demikian.

Mari saya coba jelaskan dengan cara yang (semoga) mudah dipahami.

Kenapa Loyalist dan Sales Value Tidak Bisa Dibandingkan Satu Lawan Satu?

Pertama-tama, kita harus paham dulu struktur dari sales value itu sendiri. Secara matematis:

Sales Value = Jumlah Orang × Frekuensi Beli × Kuantitas per Beli × Harga per Unit

Atau kalau ditulis dalam notasi yang lebih rapi:

S = L x F x Q x H

Di mana:

• L = jumlah loyalist (atau pembeli secara umum)
• F = rata-rata frekuensi beli per periode
• Q = rata-rata kuantitas per transaksi
• H = rata-rata harga per unit

Nah, survey loyalist yang di lakukan oleh tim market research hanya mengukur satu variabel saja: yaitu L. Sedangkan sales value adalah hasil kali dari empat variabel sekaligus.

Selama tiga variabel lainnya (F, Q, H) tidak diam/diikat, maka perubahan pada L tidak akan pernah berbanding lurus dengan perubahan pada S. Ini matematika dasar, bukan masalah metode survey.

Simulasi Sederhana

Biar lebih jelas, saya buatkan skenario dengan angka-angka.

Skenario A: Semua Variabel Lain Tetap (Ilusi Linear)

Misalkan tahun lalu:

Sales tahun lalu = 100 × 4 × 2 × 25.000 = Rp20.000.000

Sekarang, loyalis turun 27%. L baru = 73 orang. Jika F, Q, H tetap:

Sales tahun ini = 73 × 4 × 2 × 25.000 = Rp14.600.000

Penurunan sales = (20jt - 14,6jt) / 20jt = 27%. Nah, ini baru linear.

Tapi ini skenario dunia ideal yang hampir tidak pernah terjadi di pasar nyata.

Skenario B: Yang Realistis (Ada Kompensasi dari Variabel Lain)

Di dunia nyata, ketika loyalist berkurang, yang tersisa biasanya adalah hardcore loyalist — mereka yang paling setia. Dan mereka cenderung berkompensasi dengan membeli lebih sering atau lebih banyak.

Coba lihat skenario ini:

Sales tahun ini = 73 × 5 × 2 × 25.000 = Rp18.250.000

Penurunan sales = (20jt - 18,25jt) / 20jt = 8,75%.

Lihat? Loyalist turun 27%, tapi sales cuma turun 8,75%. Dan ini belum memasukkan efek harga atau kuantitas.

Skenario C: Efek Harga Naik (Mix Shift ke Premium)

Kadang, loyalist yang pergi adalah mereka yang membeli SKU murah. Sementara yang tersisa beralih ke varian premium.

Sales tahun ini = 73 × 4 × 2 × 30.000 = Rp17.520.000

Penurunan sales = (20jt - 17,52jt) / 20jt = 12,4%.

Lagi-lagi, gap antara -27% dan -12,4%. Tanpa mengubah metode survey sama sekali.

Skenario D: Kombinasi (Paling Mendekati Realita)

Sekarang kita gabungkan semuanya; karena di pasar nyata, semuanya bergerak simultan:

Sales tahun ini = 73 × (4×1,15) × (2×1,10) × (25.000×1,05) = 73 × 4,6 × 2,2 × 26.250 = Rp19.399.725

Penurunan sales = (20jt - 19,4jt) / 20jt ≈ 3%.

Boom!

Loyalist ambles 27%, tapi sales value hampir tidak bergerak. Ini bukan rekayasa data tapi realita multivariat yang setiap hari terjadi di pasar FMCG.

Lalu, Siapa yang Salah? Tim Marketing, Tim Sales atau Tim Market Riset?

Jawabannya: tidak ada yang salah.

Hal yang perlu diluruskan adalah ekspektasi tentang hubungan antara dua metrik yang secara dimensional berbeda.

Survey loyalist mengukur L (jumlah loyalist). Itu adalah attitudinal metric, mengukur perilaku dan komitmen konsumen terhadap brand. Validitasnya tergantung pada metodologi sampling, instrumen kuesioner, sistem quality control, dan analisis yang digunakan. Dalam kasus kami, semua sudah melalui quality control yang ketat.

Sementara itu, sales value mengukur L × F × Q × H — itu adalah behavioral metric, hasil akhir dari interaksi kompleks antara jumlah orang, kebiasaan beli, dan harga.

Keduanya penting, tapi menjawab pertanyaan yang berbeda.

• Survey loyalist menjawab: “Apakah hubungan emosional dan perilaku konsumen terhadap brand kita mulai rapuh?”
• Sales value menjawab: “Berapa banyak uang yang masuk ke kas perusahaan?”

Dan yang lebih penting: loyalist adalah leading indicator, sedangkan sales adalah lagging indicator. Penurunan loyalist sebesar 27% adalah alarm yang berbunyi sekarang. Dampaknya ke sales mungkin baru akan terasa penuh satu atau dua kuartal ke depan, yakni ketika loyalist yang sudah pergi benar-benar tidak lagi membeli, dan tidak ada loyalist baru yang menggantikan.

Kalau saya jadi tim marketing, saya justru akan berterima kasih pada tim riset karena sudah memberikan peringatan dini. Karena menunggu sampai sales benar-benar turun 27% untuk bereaksi, itu sudah terlambat.

Selain itu, perlu dipahami bahwa omset di-generate tidak hanya dari loyalist! Masih ada occasional user dan new trialist yang sedikit banyak pembelian mereka pasti berdampak pada sales value.

Data Market Riset vs Data Sales: Dua Dunia yang Berbeda

Diskusi kami dengan tim marketing itu membuka mata saya akan satu hal: masih banyak yang belum paham bahwa data market riset dan data sales itu lahir dari filosofi yang berbeda. Mereka memang sama-sama angka, tapi cara membaca, memaknai, dan menghubungkannya tidak bisa disamakan.

Mari saya bedah perbedaan mendasarnya.

Sifat Data: Attitudinal vs Behavioral

Dari tabel di atas, jelas bahwa keduanya menjawab pertanyaan yang berbeda. Satu bicara soal mindset, satu lagi bicara soal outcome. Dan dalam ilmu apapun baik psikologi, ekonomi, maupun statistik, mindset dan outcome tidak pernah bergerak bersisian secara linear.

Oke, kalau masih bingung saya coba jelaskan dengan analogi sederhana sebagai berikut:

Analogi Sederhana: Cek Kesehatan vs Catatan Medis

Bayangkan kita periksa kesehatan ke dokter. Dokter melakukan serangkaian tes: cek gula darah, kolesterol, tekanan darah, dan EKG. Salah satu hasilnya menunjukkan bahwa kadar gula Anda naik 27% dibanding tahun lalu. Ini menjadi alarm pre-diabetes.

Dokter bilang:

“Hati-hati, ini tanda awal. Kalau tidak diubah pola makannya, risiko diabetes Anda tinggi.”

Tapi Anda menjawab:

“Ah, masa sih? Saya kan masih sehat, berat badan cuma naik 3 kg kok. Tes darah Anda pasti salah.”

Kedengarannya konyol, kan?

Nah, data market riset itu ibarat tes kesehatan. Data itu memberikan early warning tentang kondisi brand di benak konsumen. Sedangkan data sales itu ibarat catatan medis, ia mencatat apa yang sudah terjadi secara aktual. Dua-duanya penting, tapi tidak bisa saling menggantikan.

Lalu Bagaimana Cara Menghubungkannya dengan Benar?

Ini yang jarang diajarkan di bangku kuliah, atau paling tidak, jarang dipraktikkan di dunia kerja. Berikut pendekatan yang bisa kita gunakan:

1. Bangun Model Bridging, Bukan Korelasi Langsung

Jangan plot jumlah loyalist vs sales value lalu hitung R²-nya sambil berharap tinggi. Itu naif. Yang benar: bangun model yang menjembatani.

Secara konseptual:

Attitudinal Metrics (survei)
        ↓
Brand Health Index / Loyalty Score
        ↓
Dimediasi oleh: distribusi, harga, promosi, musiman
        ↓
Behavioral Outcomes (sales)

Jadi loyalist itu bukanlah predictor langsung dari sales dalam seminggu atau sebulan. Tapi loyalist adalah fondasi yang menentukan resilience sales terhadap shock, misal saat ada kompetitor masuk, krisis, kenaikan harga, dsb.

2. Gunakan Time Lag Analysis

Loyalist adalah leading indicator. Efek perubahan loyalist ke sales biasanya punya time lag, bisa 1-2 kuartal, tergantung kategori produk dan siklus pembelian.

Cara ilmiahnya: jangan regresikan sales Q1 dengan loyalist Q1. Tapi regresikan sales Q2 dan Q3 dengan loyalist Q1. Cari lag structure yang paling signifikan secara statistik. Ini bisa dilakukan dengan cross-correlation function (CCF) atau distributed lag models.

3. Kontrol Variabel Lain (Ceteris Paribus)

Kalau mau benar-benar mengisolasi efek loyalis ke sales, kita perlu mengontrol variabel-variabel lain:

• Aktivitas promosi & diskon
• Perubahan harga rata-rata (price mix)
• Distribusi & ketersediaan produk (out of stock rate)
• Aktivitas kompetitor
• Faktor musiman

Kalau semua itu tidak dikontrol, maka membandingkan persentase perubahan loyalist dengan persentase perubahan sales secara langsung adalah kesalahan ilmiah yang fundamental.

Teknik statistik seperti regresi berganda, GLM, atau mixed models bisa digunakan untuk ini.

4. Triangulasi, Bukan Konfrontasi

Pada akhirnya, data market riset dan data sales bukanlah dua hal yang harus dipertentangkan. Mereka adalah dua sisi mata uang yang sama.

Triangulasi adalah pendekatan ilmiah di mana kita menggunakan kedua sumber data secara komplementer:

Dengan pendekatan ini, tidak ada lagi budaya saling lempar tanggung jawab. Yang ada adalah budaya sense-making: memahami apa yang terjadi dari berbagai sudut pandang data, lalu mengambil keputusan berdasarkan gambaran utuh.

Epilog

Fenomena loyalist turun 27% tapi sales cuma -15% bukanlah anomali. Bukan juga akibat metode survey yang keliru. Ini adalah konsekuensi alami dari sistem multivariat dimana output (sales) adalah hasil perkalian dari beberapa inputs yang bergerak independen.

Selama variabel frekuensi (F), kuantitas (Q), dan harga (H) tidak dikontrol, tidak akan pernah ada hubungan linear antara jumlah loyalist dan sales value. Sesederhana itu.

Data market riset dan data sales adalah dua jenis data yang secara fundamental berbeda. Satu attitudinal dan satu lainnya behavioral. Satu forward-looking dan satu lainnya backward-looking. Menghubungkan keduanya secara langsung tanpa kerangka ilmiah yang tepat adalah kesalahan yang masih sering terjadi di industri kita.

Yang perlu dilakukan sekarang bukan saling menyalahkan, tapi duduk bersama memahami story di balik angka-angka ini:

1. Kenapa loyalist berkurang? Apakah ada masalah produk? Harga? Distribusi? Kompetitor?
2. Apa yang membuat yang tersisa tetap bertahan dan bahkan membeli lebih banyak?
3. Berapa lama efek kompensasi dari F, Q, dan H ini bisa bertahan?
4. Model bridging apa yang perlu dibangun agar tim riset dan marketing bicara dalam bahasa yang sama?

Karena kalau hanya mengandalkan sales value yang “masih OK”, tanpa menyadari bahwa fondasi loyalist-nya sudah jebol, kita sedang membangun istana di atas pasir.

if you find this article helpful, support this blog by clicking the ads.

“Benarkah rakyat Indonesia kurang konsumsi daging?”

Kemudian saya menelusuri beberapa data dan menguji dugaan saya hingga akhirnya mencoba merumuskan strategi untuk suatu produk nutrisi.

Awal Mula: Benarkah Indonesia Kurang Makan Daging?

Saya membaca sekilas laporan OECD yang menyebut konsumsi daging Indonesia rendah. Di benak saya langsung terbersit: seberapa rendah? Apakah ini masalah yang perlu dikhawatirkan, atau cuma statistik yang dibesar-besarkan?

Maka saya mulai mencari data tersebut.

Data 1: Konsumsi Daging per Kapita di ASEAN (2023)

Sumber: FAO via Our World in Data (2023)

Indonesia berada di posisi terendah bersama Myanmar. Konsumsi dagingnya hanya sekitar ~20 kg per orang per tahun. Bandingkan dengan Malaysia yang mencapai ~69 kg, lebih dari 3 kali lipat. Tapi apakah ini berarti kita kekurangan protein?

Jawabannya ternyata tidak sesederhana itu.

Paradoks Protein: Konsumsi Daging Rendah, Tapi Protein Total Terpenuhi

Inilah titik di mana data mulai bicara hal yang menarik.

Data 2: Pasokan Protein per Kapita per Hari (2023)

Sumber: FAO via Our World in Data (2023)

Perhatikan data Thailand:

Thailand konsumsi dagingnya 24,48 kg — lebih tinggi dari Indonesia 19,95 kg. Tapi protein total Thailand justru LEBIH RENDAH (68,6 g vs 77,8 g).

Kok bisa?

Jawabannya ada di ikan dan nabati.

Ikan: “Senjata Rahasia” Protein Indonesia

Indonesia punya konsumsi ikan yang sangat tinggi. Pada 2021:

Sumber: FAO via Our World in Data (2021)

Indonesia adalah konsumen ikan tertinggi kedua di ASEAN. Dengan 41,1 kg per kapita per tahun, ikan menjadi sumber protein hewani utama yang menggantikan peran daging.

Tahu Tempe: Pahlawan Protein Nabati

Ini yang membedakan Indonesia dari negara Asia Tenggara lainnya. Tahu dan tempe, terutama tempe hasil fermentasi, adalah makanan sehari-hari yang dikonsumsi lintas kelas sosial. Tempe memiliki 19-20 gram protein per 100 gram. Angka ini setara dengan daging! Selain itu tahu, meskipun kandungan airnya lebih tinggi, tetap menjadi sumber protein yang murah dan mudah diakses.

Dari total 77,8 gram protein per hari:

• 61% dari nabati (tahu, tempe, beras, kacang-kacangan)
• 39% dari hewani (ikan, unggas, telur, susu, daging)

Ini adalah paradoks protein Indonesia: meskipun konsumsi daging terendah di ASEAN, protein total kita sehat karena kombinasi ikan + nabati yang sudah mendarah daging dalam pola makan tradisional.

Bom Waktu Sarcopenia

“Kenyang protein belum tentu cukup untuk otot.”

Kalau data rata-rata nasional menunjukkan kecukupan, kenapa saya merasa ada sesuatu yang tidak beres?

Jawabannya terletak pada kualitas dan distribusi.

Protein hewani (dari ikan, daging, telur, susu) memiliki profil asam amino esensial yang lebih lengkap dan lebih mudah diserap oleh tubuh manusia, terutama untuk sintesis otot. Protein nabati, meskipun baik, memerlukan kombinasi yang cermat agar asam aminonya seimbang.

Dan inilah masalahnya: 30 gram protein hewani per hari itu tidak cukup untuk menjaga massa otot, terutama pada lansia.

Selain itu, saya kok merasa konsumsi protein pada data tersebut tidak mewakili keseluruhan populasi Indonesia. Tapi tentunya ini menurut keyakinan saya yah, semoga saja saya salah.

Sarcopenia: The Silent Epidemic

Sarcopenia adalah kondisi dimana seseorang mengalami penurunan massa, kekuatan, dan fungsi otot akibat penuaan. Sarcopenia adalah ancaman yang tidak banyak dibicarakan di Indonesia. Tahun lalu saya pernah menuliskan tentang hal ini di blog.

Dari hasil penelitian yang terbatas: Satu dari dua lansia Indonesia berisiko sarcopenia. Angka ini 2 kali lipat lebih tinggi dari rata-rata global.

Inilah yang saya sebut bom waktu demografis. Indonesia sedang menikmati bonus demografi (masa-masa di saat usia produktif mendominasi). Tapi 20-30 tahun lagi, tanpa intervensi pola makan dan gaya hidup, kita bisa menghadapi generasi lansia yang rapuh, rentan jatuh, kehilangan kemandirian. Akibatnya bisa membebani sistem kesehatan yang belum siap.

Ironisnya: hampir tidak ada yang peduli. Coba tanya orang di sekitar kita. Berapa banyak yang tahu istilah sarcopenia?

Harga Protein: Kenapa Solusi “Beli Daging Saja” Itu Tidak Realistis

Ketika saya membahas temuan ini dengan AI asisten saya, ia menantang premis saya tentang harga. Dan ini membuka mata saya.

Mari kita lihat biaya per gram protein dari berbagai sumber makanan:

Fakta mengejutkan: Tahu dan tempe justru lebih murah per gram protein daripada telur. Kemudia ikan kembung adalah sumber protein hewani termurah.

Ini wawasan penting untuk strategi intervensi: solusi yang paling realistis dan berkelanjutan bukanlah mengubah pola makan rakyat ke daging sapi atau susu mahal, melainkan mengoptimalkan apa yang sudah ada:

1. Optimalkan konsumsi ikan lokal (lele, kembung, tongkol, nila).
2. Maksimalkan tahu dan tempe — sumber protein nabati terbaik dan termurah.
3. Edukasi kombinasi protein — tidak perlu mahal untuk cukup.
4. Suplemen protein hewani untuk segmen spesifik — lansia perkotaan yang kesulitan mengunyah.

Semoga saja program intervensi seperti MBG bisa menggerakkan optimalisasi konsumsi asupan protein ini.

Refleksi Tentang Qurban

Sebagai muslim, dalam hitungan minggu kita akan melaksanakan ibadah qurban. Tentu saja Qurban ini berlangsung setiap tahunnya. Di komplek saya (dan hampir di semua daerah di Indonesia), daging sapi qurban dibagikan ke semua warga sekitar tanpa memandang agama. Tradisi ini mulia baik secara spiritual maupun sosial.

Dalam konteks sarcopenia, apakah qurban bisa menjadi solusi?

Jawabannya: tidak secara struktural.

Dengan ~1,8 juta ekor hewan qurban per tahun (~45.000 ton daging), dan penerima manfaat sekitar 20-25 juta jiwa, setiap penerima rata-rata mendapat ~2 kg daging. Jika dikonsumsi 50-100 gram per hari, itu hanya bertahan 20-40 hari. Setahun penuh ada 325 hari tanpa daging qurban.

Tapi ini bukan berarti qurban tidak penting. Justru sebaliknya — saya melihat potensi besar yang belum sepenuhnya tergarap:

Bagaimana jika kesadaran berqurban bisa meningkat? Bukan hanya sebagai ritual tahunan, tetapi sebagai gerakan sosial pangan yang lebih masif?

Di negara dengan 240 juta penduduk muslim terbesar di dunia, peningkatan jumlah qurban bahkan 10-20% per tahun bisa menambah pasokan protein hewani gratis ke puluhan juta penerima. Ini adalah instrumen redistribusi protein yang unik dan tidak dimiliki negara lain.

Qurban tetaplah solusi parsial tapi potensinya bisa ditingkatkan jauh lebih besar jika kesadaran umat akan dimensi gizi dan kesehatannya ikut tumbuh.

Jika tertarik membaca analisis lebih mendalam, saya pernah menulis tentang HiLo sebagai strategi mitigasi sarcopenia di tautan berikut: ikanx101.com/blog/sarcopenia-hilo

Dari Data ke Arah: Implikasi untuk Produk Nutrisi

Saya bekerja di bidang market research, sudah jadi naluri saya setelah melihat data kemudian bertanya: “Lalu apa yang bisa dilakukan?”

Masalah yang Teridentifikasi

1. Protein total cukup (77,8 g/hari) tapi kualitas kurang optimal karena 61% dari nabati. Selain itu distribusinya juga masih tanda tanya.
2. Protein hewani hanya 30 g/hari. Hal ini belum ideal untuk sintesis otot optimal.
3. Prevalensi sarcopenia 51% pada lansia. Hal ini mengindikasikan defisit kronis protein hewani yang baru terlihat di usia tua.
4. Akses terbatas, daging dan susu mahal, belum terjangkau semua lapisan.
5. Kesadaran rendah, sarcopenia bukan kosakata umum.

Peluang untuk Produk Seperti Susu HiLo

Dari paparan data di atas, menurut point of view saya ada beberapa hal yang bisa dipertimbangkan dalam konteks strategi marketing. Tentu saya bukan menggurui justru sebaliknya, saya hanya ingin berbagi perspektif saja.

Beberapa hal yang mungkin bisa dipertimbangkan:

Pertama, pertimbangkan untuk tidak menjual “sarcopenia”. Ini bahasa medis yang menakutkan dan tidak relevan untuk sebagian besar konsumen. Sebagai gantinya, jual “hidup aktif dan otot sehat untuk masa depan” — lebih aspiratif, lebih positif, lebih relevan untuk target usia 30-50 tahun yang punya daya beli.

Kedua, manfaatkan heritage brand yang sudah kuat. HiLo sudah dikenal sebagai “susu untuk gerak aktif” sejak awal 2000-an. Pivot ke high protein adalah langkah cerdas, tetapi jangan tinggalkan akar yang sudah dikenal itu. “Gerak aktif + protein cukup” adalah narasi yang lebih utuh daripada “cegah sarcopenia”.

Ketiga, bungkus dengan budaya makan Indonesia. Jangan memposisikan HiLo sebagai pengganti nasi, lauk, atau makanan tradisional. Justru sebisa mungkin ia hadir sebagai pelengkap yang praktis. Secara sederhana, bahasanya bisa dibuat seperti ini:

“Sudah makan tahu tempe? Bagus. Tapi otot juga butuh protein hewani yang cukup. HiLo bisa bantu.”

Keempat, sadari bahwa solusi sejati ada pada yang sudah tersedia: ikan murah, tahu, tempe, telur. HiLo bukan jawaban untuk seluruh Indonesia tapi ia adalah jawaban untuk segmen spesifik (urban, daya beli cukup, sudah sadar kesehatan) yang butuh suplemen protein hewani praktis.

Epilog

Ada tiga hal yang saya bawa pulang dari diskusi ini:

Pertama, data seringkali tidak sesederhana kelihatannya. “Konsumsi daging rendah” terdengar seperti masalah — sampai Anda lihat bahwa konsumsi ikan Indonesia adalah yang tertinggi kedua di ASEAN. Konteks mengubah segalanya.

Kedua, paradoks bukan kontradiksi. Bahwa konsumsi daging rendah tapi protein total mencukupi bukanlah kesalahan data — ini adalah ciri khas pola makan Indonesia yang unik dan layak dipahami lebih dalam.

Ketiga, dari problem framing, validasi data, sampai solusi — semuanya perlu dikerjakan dengan hati-hati. Sebagai data scientist, godaan terbesar adalah cepat menyimpulkan. Tapi semakin dalam saya menggali, semakin saya sadar bahwa pertanyaan yang tepat lebih penting daripada jawaban yang cepat.

if you find this article helpful, support this blog by clicking the ads.

Di hasil survei itu, peta persaingannya cukup jelas: ada Kapal Api di puncak, dan Torabika sebagai penantang terdekat di segmen kopi bubuk hitam (ground coffee). Dua brand ini seperti raja dan pangeran yang saling berhadapan. Saya kemudian menyimpan temuan itu di memory saya.

Belasan tahun kemudian, tepatnya kemarin, saya iseng membuka kembali memori lama itu. Lalu saya bertanya ke asisten AI saya:

“Coba carikan data market share untuk pasar kopi bubuk di Indonesia selama beberapa tahun terakhir.”

Dan dari situlah perjalanan rabbit hole ini dimulai. Saya menemukan bahwa peta persaingan yang saya ingat sudah berubah total. Kapal Api tetap kokoh di puncak, tapi Torabika yang dulu saya lihat sebagai penantang kuat sudah berganti meja. Dan yang lebih menarik: ada brand Top Coffee yang melakukan gebrakan paling dahsyat dalam sejarah periklanan Indonesia namun hasilnya tetap tidak mampu menggoyahkan singgasana.

Artikel ini adalah dokumentasi dari penelusuran itu.

Perlu saya tekankan bahwa tulisan ini adalah hasil penelurusan saya dibantu dengan AI. Semua analisa dan argumen yang saya lakukan tentu bersifat subjektif dan memiliki point fo view tersendiri. Satu lagi, saya tidak mengikutsertakan warung-warung kopi dan brand kopi siap minum yang sekarang ini menjamur dalam artikel ini.

So, enjoy the article.

Pertarungan Tiga Era

Pasar kopi bubuk Indonesia bisa dibagi ke dalam tiga era besar dalam 20 tahun terakhir.

Era 1 (2006-2011): Kapal Api dan Para Penantang Klasik

Data dari MARS Indonesia (via paper marketing Kapal Api) menunjukkan peta persaingan tahun 2006-2007:

Pada saat itu, Santos Jaya Abadi (induk Kapal Api) sudah menguasai lebih dari 60% pangsa pasar lewat dua merek andalannya.

Majalah SWA merilis data market share kopi bubuk (agregat) tahun 2009-2011:

Data ini menarik karena menunjukkan bahwa Torabika sebenarnya bukan co-leader di level agregat. Justru posisinya hanya 6-8%, jauh di bawah Kapal Api (35-44%) dan ABC (19-24%). Tapi di segmen spesifik ground coffee (kopi bubuk berampas), Torabika Roast & Ground memiliki posisi yang cukup kuat sebagai pemain nomor 2 atau 3.

Era 2 (2012-2016): Invasi Pendatang Baru

Tahun 2012 menjadi tahun yang sangat penting. Dua hal besar terjadi:

1. Top Coffee dari Wings Food masuk ke dalam market kopi dengan belanja iklan Rp 421,7 miliar di tahun pertama.
2. Luwak White Coffee mulai mengangkat kategori “White Coffee” yang kemudian menjadi tren. Hal ini sangat menarik karena nyatanya menurut saya kategori white coffee tak hanya sekedar hype tapi berhasil menjadi tren yang lama.

Dari perspektif data, sayangnya tahun 2012-2021 adalah lubang hitam data. Data TBI (Top Brand Index) untuk kategori kopi bubuk tidak tersedia secara gratis di publik. Data tahunan dari Frontier Research, Nielsen, dan Euromonitor umumnya berbayar.

Beberapa hal yang bisa kita rekonstruksi adalah:

• Torabika perlahan kehilangan share di kategori ground coffee. Jika kita lihat, produk ground coffee-nya (Torabika Roast & Ground) mulai tidak agresif dipasarkan, fokus bergeser ke instan/sachet.
• Luwak White Coffee tumbuh pesat dan menciptakan segmen baru yang tidak ada sebelumnya.
• Good Day (brand miliki Kapal Api - Santos Jaya Abadi) menguasai kopi instan dengan TBI konsisten di atas 40%.

Era 3 (2022-Sekarang): Multi-Brand vs Single-Brand

Data Top Brand Award kembali tersedia secara publik di tahun 2022 ke atas. Dan inilah yang mengejutkan:

Ground Coffee (Kopi Bubuk Berampas):

Kopi Bubuk Instan/Sachet:

Ada hal menarik yakni Torabika tidak lagi muncul di market ground coffee. Dia sudah sepenuhnya menjadi pemain di market kopi instan dengan pangsa yang masih jauh di bawah Good Day.

Brand yang Bertahan: Kapal Api

Strategi Multi-Brand yang Tak Terkalahkan

Kalau kita melihat perjalanan Kapal Api dari 2006 sampai 2026, ada satu kata kunci: konsistensi.

Data dari paper marketing Kapal Api yang saya temukan (di Scribd/pdfcoffee) mengungkap rahasia strategi mereka dari 2006-2007:

Ini yang disebut dengan strategi mengepung (encirclement strategy). Konsumen punya preferensi apapun, mulai dari tradisional, modern, murah, mahal, instan, seduh tapi kita bisa melihat bahwa uang konsumen tetap masuk ke kantong yang sama.

Strategi ini luar biasa efektifnya. Dari data paper tersebut:

Pangsa pasar 2006-2007 (MARS Indonesia):

Hampir 20 tahun kemudian (2025) angka total Santos Jaya Abadi masih konsisten di sekitar 60% (Kapal Api 49.7% + ABC 17.9% + Excelso 5.5% + brand lainnya).

Inilah kekuatan sebenarnya: bukan Kapal Api yang sulit dikalahkan, tapi Santos Jaya Abadi yang kuat dan pintar sebagai grup.

Mengapa Kapal Api Bisa Bertahan?

1. Brand Heritage; Kapal Api sudah ada sejak 1978. Tiga generasi konsumen Indonesia tumbuh dengan Kapal Api.
2. Distribusi Super Luas; PT Fastrata Buana (anak usaha Santos) menangani distribusi. Dari warung pinggir jalan sampai supermarket modern, Kapal Api selalu ada.
3. Rejuvenasi Tanpa Kehilangan Identitas; Kapal Api tidak berpuas diri. Mereka menggandeng Maudy Ayunda kemudian membuat podcast anak muda dengan citra “kopi bubuk asli Indonesia” tetap dijaga.
4. Multi-Brand Buffer; Kalau Kapal Api turun, ABC naik. Lihat data 2024-2025: Kapal Api turun dari 52.1% ke 49.7%, tapi ABC naik dari 11.1% ke 17.9%. Uangnya tetap dikuasai Santos.

Brand yang Bergeser: Torabika

Dari Ground Coffee ke Kopi Instan

Sekarang kita sampai ke kasus yang paling menarik buat saya pribadi karena ini yang paling kontras dengan memory saya dari tahun 2010.

Torabika tidak jatuh. Dia bergeser.

Dari penelusuran yang saya lakukan, PT Torabika Eka Semesta (anak usaha Mayora Group) sejak awal punya dua divisi: Instan dan Ground, dengan Ground terbagi menjadi dua bagian lagi (Ground 1 dan Ground 2). Fakta ini dikonfirmasi oleh sebuah paper akademik berjudul “Analisis Kemasan Produk Kopi Bubuk Merek Torabika Roast and Ground di PT Torabika Eka Semesta Divisi Ground 2” dari Politeknik ATI Padang.

Artinya, Torabika benar-benar bermain di dua market sekaligus.

Tapi kenapa kemudian Torabika menghilang dari ground coffee?

Analisa: Tiga Faktor Utama

1. Mayora Bukan Perusahaan Kopi tapi Perusahaan Makanan Ringan

Ini yang sering terlewat. Mayora Group punya puluhan produk: biskuit Roma, permen Kopiko, wafer Tango, Beng Beng, teh Pucuk, dan kopi Torabika hanyalah salah satu lini dari portofolio raksasa.

Bandingkan dengan Santos Jaya Abadi yang hanya fokus di kopi. Atau Wings Food yang menjadikan kopi sebagai lini strategis baru yang digeber habis-habisan.

Di Mayora, Torabika harus bersaing dengan lini produk lain untuk mendapat alokasi sumber daya. Ketika ground coffee tidak menunjukkan pertumbuhan yang menjanjikan, sumber daya dialihkan ke instan yang volumenya lebih besar.

2. Good Day Milik Santos Bukan Torabika

Ini ironis. Di segmen kopi instan/sachet, Torabika harus berhadapan dengan Good Day yang ternyata juga milik Santos Jaya Abadi. Dengan TBI 42-48% di kategori kopi instan, Good Day adalah raja yang hampir tidak tergoyahkan.

Torabika di instan cuma punya TBI 4-6%. Bertahan, tapi tidak pernah benar-benar menjadi ancaman.

3. Ground Coffee Stagnan (Tidak Ada Inovasi)

Produk Torabika Roast & Ground relatif tidak berubah dari dulu sampai sekarang. Bahkan hari ini — tahun 2026 — produk “Torabika Kopi Bubuk 6.5g Roast Ground” masih dijual di Tokopedia dan Shopee. Tapi tanpa inovasi, tanpa campaign besar, tanpa rejuvenasi.

Sementara Kapal Api terus mengeluarkan varian baru: Kapal Api Special Mix, Kapal Api Creamy Latte, Kapal Api Less Sugar kemudian semuanya dengan iklan gencar di TV dan media sosial.

Brand yang Mencoba: Top Coffee

Rp 421 Miliar yang Tidak Cukup

Nah, ini kasus yang paling dramatis. Top Coffee dari Wings Food masuk ke pasar pada Juli 2012 (dua tahun setelah survei 2010 yang saya lakukan). Dan cara masuknya… wow.

Data dari Mix.co.id (mengutip Nielsen Ad Index) menunjukkan:

Coba kita pikir bersama, Top Coffee, sebuah merek yang baru lahir langsung menjadi pembelanja iklan terbesar ke-4 di seluruh Indonesia, mengalahkan brands mapan seperti Indomie (Rp 339 miliar) dan hanya kalah dari Ponds White Beauty (Rp 510 miliar), Mie Sedaap (Rp 504 miliar), dan Partai Nasdem (Rp 425 miliar).

Menurut saya, Top Coffee sendiri tidak hanya besar secara nominal. Secara persentase, kenaikan H1 2012 ke H1 2013 adalah 190%.

Gebrakan Marketing Campaign yang Belum Pernah Ada Sebelumnya

1. Brand Ambassador: Iwan Fals; Bukan sekadar artis. Iwan Fals adalah ikon lintas generasi. Satu iklan, dua segmen: orang tua (nostalgia) dan anak muda (penasaran). Iwan bahkan memberikan testimoni: “Saya tidak merasakan nyeri lambung ketika minum ini.”
2. Model Iklan: Samuel Zylgwyn & Nikita Willy; Menarget anak muda dengan varian Kopi Susu & Mocca.
3. Tagline: “Kopinya Orang Indonesia”; Nasionalisme sebagai senjata pemasaran.
4. Klaim Diferensiasi; Pertama di Indonesia yang blend Robusta + Arabica untuk kopi instan.
5. Harga: Rp 7.500/dus (isi 10); Sangat terjangkau, langsung sasar pasar massal.
6. BTL Activity; Konser Iwan Fals di berbagai daerah sebagai ajang sampling.

Tapi Hasilnya? Hanya 3-4% Pangsa.

Data Top Brand Index untuk Top Coffee di kategori Ground Coffee:

Rp 421,7 miliar untuk 3,7% pangsa. Kurang lebih Rp 114 miliar per 1% pangsa pasar. Kenapa hanya “segitu”?

Analisa: Empat Alasan Top Coffee Gagal Mengguncang

1. Ambigu Positioning (Tidak Jelas Main di Market Mana)

Ini masalah fundamental. Produk Top Coffee adalah kopi instan (sachet) tapi positioning-nya seperti ground coffee tradisional. Menggunakan Iwan Fals (citra kopi hitam kental), tagline nasionalis, warna kemasan merah-hitam seperti kopi tubruk.

Akibatnya:

• Di kategori Ground Coffee: Dianggap kurang legit karena bentuknya instan. Kalah sama Kapal Api, ABC, dan Luwak.
• Di kategori Instan/Sachet: Tidak se-_modern_ Good Day, tidak serumit varian Torabika.

Kita bisa duga Top Coffee terjebak di antara dua kategori.

2. Gebrakan Iklan Tidak Diikuti Retensi

Data belanja iklan menunjukkan ledakan di tahun pertama tapi setelah itu? Tidak ada data publik yang menunjukkan bahwa agresivitas itu berlanjut. Sangat mungkin setelah tahun pertama, budget iklan diturunkan signifikan karena target awal tidak tercapai.

Ini berbeda dengan Kapal Api yang konsisten beriklan setiap tahun selama 40+ tahun. Atau Luwak White Coffee yang bertahap membangun brand.

3. Multi-Brand Santos Tetap Tak Terkalahkan

Bahkan dengan Rp 421 M, Top Coffee hanya mampu merebut sebagian kecil pangsa. Pasalnya:

Santos tetap di ~60%. Yang berubah hanyalah siapa yang mengisi 40% sisanya — dari yang dikuasai Torabika + Nescafe + Indocafe, bergeser ke Luwak + Top Coffee + Excelso.

4. Luwak White Coffee Mencuri Perhatian

Antara 2012-2014, ada brand yang benar-benar mengubah peta persaingan bukan Top Coffee tapi Luwak White Coffee yang sukses menciptakan kategori baru: “White Coffee”. Ini cerita selanjutnya.

Kemunculan White Coffee: Luwak White Coffee

Di tengah hiruk-pikuk perang iklan Top Coffee vs Kapal Api, ada pemain yang bergerak diam-diam tapi efektif: Luwak White Coffee.

Apa Itu White Coffee?

“White Coffee” bukanlah kopi dengan susu putih. Ini adalah metode pengolahan kopi di mana biji kopi disangrai dengan suhu lebih rendah dan waktu lebih singkat dari kopi biasa sehingga menghasilkan warna yang lebih terang, rasa yang lebih ringan, dan tingkat keasaman yang lebih rendah.

Di Indonesia, istilah “White Coffee” dipopulerkan oleh Luwak White Coffee dan mereka berhasil menciptakan kategori baru yang sebelumnya tidak ada di peta persaingan.

Dampak Luwak White Coffee pada Pasar

Luwak White Coffee mengambil pangsa dari mana? Dua sumber:

1. Dari ground coffee tradisional; konsumen yang bosan dengan rasa kopi hitam pahit beralih ke “white coffee” yang lebih ringan.
2. Dari kopi instan; konsumen yang ingin naik kelas dari sachet ke kopi bubuk “semi-premium”.

Inilah yang tidak dilakukan Top Coffee: menciptakan kategori baru. Top Coffee mencoba merebut pangsa dari pemain existing dengan uang; Luwak menciptakan pie baru dan memimpinnya.

Santos Jaya Abadi: Satu Induk, Banyak Merek

Saya rasa penting untuk mengakhiri bagian analisis dengan melihat gambaran besarnya: siapa sebenarnya yang menguasai kopi Indonesia?

Dari gambar di atas bisa dilihat bahwa Santos Jaya Abadi memiliki setidaknya enam merek yang mencakup semua segmen:

Total TBI tertinggi yang bisa dikumpulkan Santos: 62.8 + 24.4 + 48.4 + 5.5 + 2.2 + 1.0 = ~144% dari total indeks. Tapi ini tidak bisa dijumlahkan langsung karena kategori berbeda. Yang jelas: di setiap kategori kopi di Indonesia, Santos selalu ada di puncak.

Analisis Komparatif: Tiga Jalan Bertahan

Dari tiga brand yang saya analisis (Kapal Api, Torabika, dan Top Coffee) masing-masing mengambil jalan yang berbeda. Dan hasilnya berbeda pula.

Matriks Perbandingan

Pelajaran untuk Kita Semua

Uang bisa membeli awareness. Tapi loyalitas harus dibangun bertahun-tahun.

Top Coffee membuktikan bahwa Rp 421 miliar cuma cukup untuk menggebrak pintu tapi tidak untuk sampai duduk di kursi. Setelah gebrakan selesai, yang diperlukan adalah konsistensi, inovasi, dan distribusi yang merata.

Sementara Torabika walaupun yang punya modal lebih kecil tapi memilih bertahan dengan bergeser. Daripada mati di ground coffee, mereka pindah ke instan. Hasilnya: masih hidup, meski tidak pernah jadi pemimpin.

Kapal Api (Santos), di sisi lain mereka tidak melakukan satu hal besar, tapi ribuan hal kecil dengan benar setiap hari selama 40+ tahun. Multi-brand, distribusi, inovasi, dan konsistensi.

Kesimpulan

Perjalanan pasar kopi bubuk Indonesia dari 2006 sampai 2026 memberikan beberapa pelajaran yang, menurut keyakinan saya relevan untuk siapapun yang berkecimpung di industri FMCG:

1. Multi-brand strategy adalah benteng pertahanan terkuat. Satu brand bisa turun, tapi grup tetap kokoh. Santos membuktikan ini dengan enam mereknya.
2. Pergeseran bukan kejatuhan. Torabika tidak hilang tapi dia pindah ke meja yang lebih cocok. Ini keputusan bisnis yang rasional, meski secara brand positioning terkesan “menurun”.
3. Kategori baru lebih efektif daripada merebut pangsa existing. Luwak White Coffee menciptakan kategori “White Coffee” dan langsung memimpinnya. Top Coffee mencoba merebut pangsa Kapal Api dengan uang namun kurang berhasil.
4. Konsistensi > gebrakan. Rp 421 miliar di tahun pertama lebih rendah nilainya dari Rp 10 miliar per tahun selama 42 tahun.

Epilog

Saya menulis artikel ini sambil minum kopi, tentu saja hehe.

if you find this article helpful, support this blog by clicking the ads.

“Kalau harga kita naikkan 10%, kira-kira penjualan kita akan turun berapa persen?”

Sering kali, jawaban yang muncul pada saat meeting tersebut hanyalah tebakan berbasis intuisi: “Mungkin turun sedikit” atau “Kompetitor juga naik kok, harusnya aman”.

Padahal, data untuk menjawab pertanyaan ini dengan presisi sebenarnya sudah ada di sistem. Kita memiliki data transaksi harian yang tersimpan rapi tapi jarang diolah untuk keperluan ini. Itulah yang akan kita bahas hari ini: Price Elasticity of Demand, cara menghitungnya dari data transaksi, dan bagaimana hasilnya bisa langsung dipakai untuk keputusan pricing.

Apa Itu Price Elasticity of Demand?

Sebagaimana apa yang pernah saya ulas di tulisan saya sebelumnya, Price Elasticity of Demand (PED) adalah ukuran seberapa besar persentase perubahan sales quantity yang diminta ketika harga berubah sebesar satu persen.

Rumus dasarnya sederhana:

PED = (% Perubahan Kuantitas) / (% Perubahan Harga)  Atau dalam bentuk yang lebih operasional: PED = (dQ/Q) / (dP/P) = (dQ/dP) x (P/Q)

Karena kenaikan harga hampir selalu diikuti penurunan permintaan, nilai PED biasanya negatif. Tapi dalam praktiknya, kita sering bekerja dengan nilai absolutnya. Berikut cara membaca nilai PED:

Implikasi Langsung untuk Revenue

Inilah bagian yang paling actionable. Jika kita tahu nilai PED, maka kita bisa tahu apa yang akan terjadi pada revenue kalau harga kita ubah.

Kalau produk kamu inelastis (konsumen tidak terlalu sensitif harga), kenaikan harga justru meningkatkan revenue. Kalau elastis, kenaikan harga akan memangkas revenue karena konsumen langsung kabur ke kompetitor atau berhenti beli.

Metode Perhitungan

Salah satu metode perhitungan yang bisa digunakan adalah log-log regression. Metode ini paling populer dan paling mudah diinterpretasikan. Model ini dikenal sebagai constant elasticity model. Ide dasarnya adalah alih-alih meregresikan sales qty langsung terhadap price, kita meregresikan log(sales qty) terhadap log(price). Model log-log:

log(Qty) = α + β × log(Harga) + ε  

Di mana β adalah koefisien yang langsung bisa dibaca sebagai price elasticity. Jika β = -1.5 berarti setiap kenaikan harga 1% maka akan ada penurunan volume 1.5%.

Mengapa log-log lebih disukai dari regresi linier biasa? Ada tiga alasan utama:

1. Koefisien bisa langsung direpresentasikan sebagai indeks elastisitas. Tidak perlu melakukan konversi apapun.
2. Hubungan price dan sales qty di dunia nyata lebih sering bersifat multiplikatif (persentase) daripada aditif (unit absolut). Log-log menangkap ini lebih natural.
3. Transformasi logaritmik log( ) sering menstabilkan variansi (membuat data lebih compact) dan membuat distribusi residual lebih mendekati normal.

Case Study Menggunakan Data Simulasi

Untuk membantu menjelaskan tentang model ini, saya akan menggunakan data simulasi berdasarkan suatu skenario yang saya buat. Berikut adalah skenarionya:

Kita adalah data analyst di sebuah perusahaan FMCG minuman teh kemasan. Produk kita dijual di jaringan minimarket seluruh Jabodetabek. Selama 2 tahun terakhir, ada beberapa kali perubahan harga. Bisa naik maupun turun karena berbagai alasan seperti: kenaikan biaya produksi, promo periodik, dan penyesuaian kompetitif.

Data yang saat ini tersedia adalah sales qty harian per gerai beserta harga jual yang berlaku hari itu. Kita punya sekitar 730 hari data untuk 50 gerai. Berdasarkan banyaknya baris data yang kita miliki, seharunya data ini sudah cukup untuk estimasi yang robust.

Kita buat data transaksi yang realistis (lengkap dengan efek musiman, promosi, noise, dan beberapa kali kenaikan harga yang jelas).

Dimensi data: 36550 baris x 13 kolom

Periode: 19723 - 20453 

Rows: 36,550
Columns: 13
$ tanggal    <date> 2024-01-01, 2024-01-02, 2024-01-03, 2024-01-04, 2024-01-05…
$ gerai_id   <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
$ skala_base <dbl> 73, 73, 73, 73, 73, 73, 73, 73, 73, 73, 73, 73, 73, 73, 73,…
$ tipe       <chr> "Residensial", "Residensial", "Residensial", "Residensial",…
$ harga      <dbl> 5500, 5500, 5500, 5500, 5500, 5500, 5500, 5500, 5500, 5500,…
$ hari_ke    <dbl> 1, 2, 3, 4, 5, 6, 7, 1, 2, 3, 4, 5, 6, 7, 1, 2, 3, 4, 5, 6,…
$ efek_hari  <dbl> 1.0, 1.0, 1.0, 1.0, 1.1, 1.3, 1.2, 1.0, 1.0, 1.0, 1.0, 1.1,…
$ bln        <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
$ efek_bulan <dbl> 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15,…
$ harga_ref  <dbl> 5875, 5875, 5875, 5875, 5875, 5875, 5875, 5875, 5875, 5875,…
$ elas       <dbl> -1.35, -1.35, -1.35, -1.35, -1.35, -1.35, -1.35, -1.35, -1.…
$ qty_true   <dbl> 91.76809, 91.76809, 91.76809, 91.76809, 100.94490, 119.2985…
$ qty        <dbl> 81, 95, 79, 93, 100, 149, 126, 86, 86, 75, 97, 101, 140, 12…

Berikut adalah sampel datanya:

     tanggal gerai_id        tipe harga hari_ke bln qty
1 2024-01-01        1 Residensial  5500       1   1  81
2 2024-01-02        1 Residensial  5500       2   1  95
3 2024-01-03        1 Residensial  5500       3   1  79
4 2024-01-04        1 Residensial  5500       4   1  93
5 2024-01-05        1 Residensial  5500       5   1 100
6 2024-01-06        1 Residensial  5500       6   1 149

Jika digambarkan ke dalam line chart, berikut adalah total sales qty dari seluruh gerai di berbagai tipe harga:

Sebelum membangun model regresi, kita perlu mengeksplorasi data secara visual. Ini penting untuk memastikan apakah ada signal yang bisa ditangkap dan tidak ada anomali yang merusak analisis. Pertama-tama saya akan membuat analisa sederhana dan visualisasi distribusi sales qty per price level:

=== RINGKASAN VOLUME PER HARGA ===

# A tibble: 3 × 5
  harga n_observasi rata_qty median_qty sd_qty
  <dbl>       <int>    <dbl>      <dbl>  <dbl>
1  5500       18150    104.         104   31.3
2  6000        9200     86.0         86   25.4
3  6500        9200     77.6         77   23.2

Berikut adalah visualisasi scatterplot antara log(price) dan log(sales qty):

Sekarang kita akan membuat beberapa model price elasticity dengan log-log regression. Pada tulisan ini, saya tidak akan membahas tentang goodness of fit dan uji asumsi dari model regresi yang dihasilkan.

Model 1: Regresi Agregat (Baseline)

Kita mulai dari model paling sederhana dulu: regresikan log(sales qty) terhadap log(price) menggunakan seluruh data tanpa memisahkan per tipe gerai.

# ── Model 1: Log-log regresi sederhana ──────────────────────────
model1 <- lm(log_qty ~ log_harga, data = df_weekly)

=== MODEL 1: AGREGAT (tanpa kontrol) ===


Call:
lm(formula = log_qty ~ log_harga, data = df_weekly)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.97502 -0.14055  0.06608  0.20481  0.58363 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 20.08356    0.49624   40.47   <2e-16 ***
log_harga   -1.79761    0.05719  -31.43   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.2866 on 5248 degrees of freedom
Multiple R-squared:  0.1584,    Adjusted R-squared:  0.1583 
F-statistic:   988 on 1 and 5248 DF,  p-value: < 2.2e-16


Estimasi Elastisitas (Model 1): -1.798 

Interpretasi: kenaikan harga 1% -> -1.798 % perubahan volume

Model 2: Regresi dengan Kontrol Musiman dan Tipe Gerai

Model pertama mengabaikan faktor-faktor yang juga mempengaruhi sales qty seperti seasonal, hari dalam minggu, dan tipe gerai. Ini bisa membuat estimasi elastisitas bias (confounding). Kita tambahkan variabel kontrol seperti:

1. Apakah sedang bulan Ramadhan.
2. Apakah musim lbiuran?
3. Faktor tipe gerai dijadikan faktor.

# ── Persiapan variabel kontrol ───────────────────────────────────
df_weekly <- df_weekly %>%
  mutate(
    bulan       = month(minggu),
    # Dummy musiman
    is_ramadan  = as.integer(bulan %in% c(3, 4)),
    is_liburan  = as.integer(bulan %in% c(6, 7, 12, 1)),
    # Log gerai size: kontrol skala tiap gerai
    # Proxy: rata-rata volume saat harga paling rendah
    tipe        = factor(tipe, levels = c('Residensial',
                                           'Perkantoran', 'Sekolah'))
  )

# ── Model 2: Dengan kontrol lengkap ──────────────────────────────
model2 <- lm(
  log_qty ~ log_harga +
            tipe +                # Kontrol tipe gerai
            is_ramadan +          # Kontrol efek Ramadan
            is_liburan +          # Kontrol efek liburan
            factor(month(minggu)) # Kontrol musiman bulanan
  ,
  data = df_weekly
)

=== MODEL 2: DENGAN KONTROL LENGKAP ===


Call:
lm(formula = log_qty ~ log_harga + tipe + is_ramadan + is_liburan + 
    factor(month(minggu)), data = df_weekly)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.85994 -0.13123  0.07352  0.19132  0.51359 

Coefficients: (2 not defined because of singularities)
                         Estimate Std. Error t value Pr(>|t|)    
(Intercept)             15.390587   0.973631  15.807  < 2e-16 ***
log_harga               -1.262097   0.111339 -11.336  < 2e-16 ***
tipePerkantoran          0.043300   0.009124   4.746 2.13e-06 ***
tipeSekolah             -0.145998   0.009407 -15.520  < 2e-16 ***
is_ramadan               0.191213   0.023606   8.100 6.77e-16 ***
is_liburan               0.120815   0.023606   5.118 3.20e-07 ***
factor(month(minggu))2   0.005204   0.023606   0.220   0.8255    
factor(month(minggu))3   0.025775   0.018078   1.426   0.1540    
factor(month(minggu))4         NA         NA      NA       NA    
factor(month(minggu))5  -0.001068   0.023606  -0.045   0.9639    
factor(month(minggu))6  -0.033489   0.018211  -1.839   0.0660 .  
factor(month(minggu))7  -0.045685   0.023731  -1.925   0.0543 .  
factor(month(minggu))8  -0.010459   0.017966  -0.582   0.5605    
factor(month(minggu))9  -0.010680   0.017993  -0.594   0.5528    
factor(month(minggu))10 -0.010054   0.018526  -0.543   0.5873    
factor(month(minggu))11        NA         NA      NA       NA    
factor(month(minggu))12  0.004310   0.021556   0.200   0.8415    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.2695 on 5235 degrees of freedom
Multiple R-squared:  0.2579,    Adjusted R-squared:  0.256 
F-statistic:   130 on 14 and 5235 DF,  p-value: < 2.2e-16


Estimasi Elastisitas (Model 2): -1.262 

Interpretasi: kenaikan harga 1% -> -1.262 % perubahan volume

Model 3: Elastisitas per Tipe Gerai (Interaction Model)

Pertanyaan yang lebih dalam: apakah konsumen di gerai tipe yang berbeda punya sensitivitas harga yang berbeda juga? Gerai di dekat sekolah mungkin lebih sensitif karena konsumennya anak-anak dengan uang jajan terbatas sedangkan gerai di kawasan perkantoran mungkin lebih inelastis.

Oleh karena itu, kita tambahkan interaction term antara log(price) dan tipe gerai. Caranya adalah dengan mengalikan kedua variabel tersebut.

# ── Model 3: Interaksi harga x tipe gerai ────────────────────────
model3 <- lm(
  log_qty ~ log_harga * tipe +    # Interaksi: elastisitas berbeda per tipe
            is_ramadan +
            is_liburan +
            factor(month(minggu))
  ,
  data = df_weekly
)

=== MODEL 3: INTERAKSI HARGA x TIPE GERAI ===


Call:
lm(formula = log_qty ~ log_harga * tipe + is_ramadan + is_liburan + 
    factor(month(minggu)), data = df_weekly)

Residuals:
    Min      1Q  Median      3Q     Max 
-0.8317 -0.1315  0.0757  0.1910  0.5059 

Coefficients: (2 not defined because of singularities)
                           Estimate Std. Error t value Pr(>|t|)    
(Intercept)               15.731942   1.062017  14.813  < 2e-16 ***
log_harga                 -1.301438   0.121602 -10.702  < 2e-16 ***
tipePerkantoran           -4.103998   1.141809  -3.594 0.000328 ***
tipeSekolah                2.826712   1.177192   2.401 0.016375 *  
is_ramadan                 0.191213   0.023549   8.120 5.77e-16 ***
is_liburan                 0.120815   0.023549   5.130 3.00e-07 ***
factor(month(minggu))2     0.005204   0.023549   0.221 0.825113    
factor(month(minggu))3     0.025775   0.018034   1.429 0.153002    
factor(month(minggu))4           NA         NA      NA       NA    
factor(month(minggu))5    -0.001068   0.023549  -0.045 0.963816    
factor(month(minggu))6    -0.033489   0.018167  -1.843 0.065324 .  
factor(month(minggu))7    -0.045685   0.023674  -1.930 0.053685 .  
factor(month(minggu))8    -0.010459   0.017922  -0.584 0.559542    
factor(month(minggu))9    -0.010680   0.017950  -0.595 0.551858    
factor(month(minggu))10   -0.010054   0.018481  -0.544 0.586432    
factor(month(minggu))11          NA         NA      NA       NA    
factor(month(minggu))12    0.004310   0.021503   0.200 0.841157    
log_harga:tipePerkantoran  0.477974   0.131589   3.632 0.000284 ***
log_harga:tipeSekolah     -0.342603   0.135666  -2.525 0.011588 *  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.2688 on 5233 degrees of freedom
Multiple R-squared:  0.2618,    Adjusted R-squared:  0.2596 
F-statistic:   116 on 16 and 5233 DF,  p-value: < 2.2e-16


=== ELASTISITAS PER TIPE GERAI ===

   tipe_gerai elastisitas abs_elas  kategori
1 Residensial      -1.301    1.301   Elastis
2 Perkantoran      -0.823    0.823 Inelastis
3     Sekolah      -1.644    1.644   Elastis

Bagi gerai residensial, harga naik 10% mengakibatkan sales qty turun sekitar 13% sehingga revenue ikut turun. Kita harus hati-hati naikkan harga di gerai ini.

Bagi gerai perkantoran, harga naik 10% mengakibatkan sales qty turun sekitar 8% saja sehingga revenue bisa tetap naik. Gerai bertipe ini lebih aman untuk dinaikkan harganya sampai level harga tertentu.

Bagi gerai sekolah, paling sensitif. Harga naik 10% mengakibatkan sales qty turun sekitar 16%. Kita harus mempertimbangkan harga yang lebih kompetitif di sini.

Visualisasi Hasil Elastisitas

Berikutnya kita bisa melakukan simulasi jika harga naik X%, apa yang akan terjadi dengan sales qty? Inilah bagian yang paling langsung berguna pada saat meeting membahas pricing strategy. Kita buat kalkulator sederhana: berikan beberapa skenario kenaikan/penurunan harga, dan lihat dampaknya terhadap sales qty dan revenue. Perlu saya ingatkan kembali bahwa harga produk saat ini adalah Rp6.500.

Hasilnya, pertama-tama adalah visualisasi demand curve: Berapa Sales Qty pada Tiap Level Harga?

Kemudian dari grafik di atas, kita bisa menghitung harga optimal sehingga revenue yang dihasilkan tinggi. Revenue curve: Harga Berapa yang Memaksimalkan Pendapatan?

=== HARGA OPTIMAL PER TIPE GERAI ===

# A tibble: 3 × 4
# Groups:   tipe [3]
  tipe        harga qty_pred revenue_per_gerai
  <fct>       <dbl>    <dbl>             <dbl>
1 Residensial  4500      116            520638
2 Perkantoran  8000       66            530207
3 Sekolah      4500      109            492672

Bentuk lain dari grafik di atas, saya bisa membuat revenue index vs persentase perubahan harga.

Keterbatasan yang Harus Diakui

1. Ceteris paribus. Model elastisitas mengasumsikan faktor lain konstan. Di dunia nyata, kompetitor ikut bereaksi, kondisi ekonomi berubah, dan konsumen bisa menemukan substitusi. Estimasi elastisitas adalah baseline, bukan prediksi deterministik.
2. Endogeneity. Kalau harga ditentukan berdasarkan kondisi permintaan (misalnya dinaikkan saat demand sedang tinggi), ada masalah endogeneity yang membuat estimasi OLS bias. Solusinya adalah Instrumental Variables (IV) regression. Tentunya hal ini merupakan topik yang lebih advanced.
3. Elastisitas tidak konstan sepanjang waktu. Sensitifitas harga konsumen bisa berubah seiring meningkatnya pendapatan, munculnya kompetitor baru, atau perubahan preferensi. Model log-log mengasumsikan elastisitas konstan (constant elasticity). Untuk mengecek stabilitas, bisa dilakukan rolling regression.
4. Tidak memperhitungkan cross-price elasticity. Perubahan harga produk kita mempengaruhi penjualan kompetitor, dan sebaliknya. Model ini hanya mengukur own-price elasticity, bukan reaksi kompetitif.
5. Granularitas data. Analisis ini bekerja pada level gerai per minggu. Untuk keputusan pricing yang lebih presisi, idealnya ada data SKU-level dan kompetitor price yang dikumpulkan secara sistematis.

if you find this article helpful, support this blog by clicking the ads.

Tiba-tiba pagi ini, iklan-iklan yang muncul di gadget saya dipenuhi bukan hanya iklan Macbook, tapi juga aksesoris iPad (kebetulan saya juga pengguna iPad).

Saya rasa rekan-rekan semua pasti pernah mengalami saat membeli charger HP, lalu tiba-tiba kalian malah membeli juga casing, kabel data, dan powerbank? Atau saat kalian membuka Netflix untuk nonton satu film, tapi berakhir marathon tiga film atau series karena rekomendasi berikutnya selalu tepat sasaran?

Di dunia digital dimana data bisa ditambang dari user secara tak disadari, rekomendasi-rekomendasi itu bukan kebetulan belaka. Di balik setiap rekomendasi itu ada algoritma yang bekerja dan algoritma itu jauh lebih sederhana dari yang kita bayangkan.

Tidak ada sihir, tidak ada AI yang “membaca pikiran”. Fondasinya hanyalah satu premis sederhana, yakni:

Orang yang berperilaku serupa di masa lalu cenderung menyukai hal yang serupa di masa depan. Lalu produk yang sering dibeli bersama-sama kemungkinan besar saling melengkapi.

Di tulisan ini, saya akan membangun sistem rekomendasi dari nol menggunakan R tanpa library khusus yang menyembunyikan mekanismenya. Kita akan mencoba memahami cara kerja sistem rekomendasi melalui dua pendekatan utama:

• User-Based Collaborative Filtering dan
• Item-Based Collaborative Filtering.

Kemudian saya akan coba bandingkan keduanya.

Studi kasusnya: data transaksi toko online FMCG fiktif untuk produk-produk seperti minuman, snack, dan produk perawatan diri. Tentunya pendekatan ini bisa langsung diaplikasikan ke konteks e-commerce atau modern trade. Oke, saya mulai ya.

Beberapa Pendekatan Sistem Rekomendasi

Sebelum masuk ke algoritma, saya akan coba paparkan terlebih dahulu 2 + 1 pendekatan yang bisa digunakan untuk membangun sistem rekomendasi:

Di tulisan ini saya hanya fokus ke Collaborative Filtering karena lebih bergantung pada data transaksi yang biasanya sudah tersedia dan tidak butuh deskripsi atribut produk yang lengkap. Collaborative Filtering sendiri punya dua variasi:

• User-Based CF: Cari user yang mirip dengan target user, lalu rekomendasikan apa yang mereka beli tapi target user belum beli.
• Item-Based CF: Cari item yang sering dibeli bersama dengan item yang sudah dibeli target user, lalu rekomendasikan item tersebut.

Mana yang Lebih Baik?

Item-Based CF umumnya lebih stabil dan lebih mudah di-upscale di dunia nyata karena hubungan antar produk lebih konsisten dibanding preferensi antar user. Netflix sendiri beralih dari User-Based ke Item-Based di awal 2000-an karena alasan ini. Tapi keduanya tetap relevan dan kita akan buat algoritma keduanya.

Matematika di Balik Sistem Rekomendasi

Di beberapa kesempatan, saat saya kembali ke kampus untuk sharing kepada mahasiswa, saya sering bilang bahwa:

Dunia ini dijalankan melalui aljabar.

Salah satu aplikasi aljabar yang nyata adalah sistem rekomendasi yang menggunakan prinsip matriks dalam aljabar.

Semua Collaborative Filtering bekerja di atas satu struktur data yang disebut User-Item Matrix. Baris menandakan user, Kolom menandakan item atau produk, dan Nilai menandakan rating dari produk tersebut atau jumlah pembelian.

Coba lihat contoh ilustrasi matriks berikut ini:

           Teh Botol   Indomie   Oreo   Pocari   Pringles 
  Andi          3          1        0       2         0 
  Budi          0          2        3       0         2 
  Citra         2          0        1       3         0 
  Dewi          0          3        2       0         3

Angka 0 berarti belum pernah beli (atau rating tidak diketahui). Ini disebut sparse matrix karena mayoritas nilainya 0. Pada kondisi real di e-commerce, seorang user mungkin hanya pernah beli 0.1% dari semua produk yang tersedia.

Beberapa tahun yang lalu, saya sempat menuliskan tentang kemiripan sepasang data. Salah satu metode untuk mengukur kemiripan adalah menggunakan cosine simmilarity. Kunci dari Collaborative Filtering adalah mengukur seberapa mirip dua user atau dua item menggunakan cosine simmilarity.

Secara teknis, saya memperlakukan histori pembelian setiap user sebagai sebuah vektor di ruang N-dimensi (N = jumlah produk). Dua users disebut mirip kalau vektor mereka menunjuk ke arah yang sama (maksudnya adalah mereka beli produk yang sama dalam proporsi yang serupa).

Lift dan Support: Cara Alternatif untuk Item-Based CF

Untuk Item-Based CF, ada metode yang lebih populer yang bisa digunakan, yakni: association rules (Market Basket Analysis). Dua metrics penting yang bisa didapatkan dari analisa ini adalah:

• Support(A → B), artinya P(A dan B dibeli bersama). Jumlah transaksi yang berisi A dan B per total transaksi. Seberapa sering keduanya (A dan B) muncul bersamaan.
• Lift(A → B) = P(A dan B) / (P(A) × P(B)). Nilai lift > 1 berarti produk A dan B lebih sering ditemui bersama dari yang diharapkan secara acak (ada asosiasi positif yang nyata). Begitu pula sebaliknya, lift < 1 berarti produk A dan B jarang ditemui bersama.

Memulai Simulasi

Membuat Katalog Produk

Pertama-tama, saya akan membuat katalog produk berisi:

Jumlah produk dalam katalog: 30 

        kategori  n
1        Minuman 10
2 Perawatan Diri 10
3          Snack 10

Ini sampel katalog produknya:

   item_id             nama_item       kategori harga
9        9          Good Day RTD        Minuman  7000
14      14 Chitato Sapi Panggang          Snack 15000
23      23       Sunsilk Shampoo Perawatan Diri 18000
25      25       Vaseline Lotion Perawatan Diri 20000

Membuat Simulasi Transaksi

Selanjutnya saya akan membuat 500 orang users dengan masing-masing 5-20 transaksi. Agar realistis, saya akan tanamkan polas asosiasi secara eksplisit pada algoritma simulasinya. Misalkan: “Indomie sering dibeli bersamaan degan Teh Botol atau sabun sering dibeli bersamaan dengan shampoo”.

Total baris transaksi: 19432 

Jumlah transaksi unik: 6218 

Jumlah user: 500 

Rata-rata item per transaksi: 3.13 

Berikut adalah beberapa sampel transaksinya:

[1] user_id      transaksi_id item_id      nama_item    kategori    
[6] harga       
<0 rows> (or 0-length row.names)

  user_id transaksi_id item_id      nama_item kategori harga
1      81     T0081_04       4   Sprite 390ml  Minuman  5000
2      81     T0081_04       5 Kopi Kapal Api  Minuman  2500
3      81     T0081_04       8    Yakult 5pcs  Minuman 12000

  user_id transaksi_id item_id       nama_item kategori harga
1      78     T0078_01      17     Choki-Choki    Snack  1000
2      78     T0078_01      10        Milo RTD  Minuman  7000
3      78     T0078_01       1 Teh Botol 500ml  Minuman  5500
4      78     T0078_01       2      Aqua 600ml  Minuman  3000
5      78     T0078_01      10        Milo RTD  Minuman  7000
6      78     T0078_01      11  Indomie Goreng    Snack  3500

Berikut ini adalah visualisasi dari top 15 produk yang paling sering dibeli:

Membangun User-Item Matrix

Dimensi User-Item Matrix: 500 30 

( 500 user x 30 item)

Sparsity matrix: 30.9 %

Ini adalah sampelnya:

# A tibble: 4 × 31
  user_id   `3`   `4`   `5`   `7`   `9`  `10`  `15`  `21`  `23`  `24`  `25`
    <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
1       9     2     2     0     2     2     1     0     1     0     0     3
2      14     0     1     2     1     1     0     1     0     1     0     3
3      23     2     2     3     5     0     2     0     2     2     0     0
4      25     1     3     3     2     0     1     1     3     1     0     1
# ℹ 19 more variables: `29` <int>, `1` <int>, `2` <int>, `6` <int>, `8` <int>,
#   `11` <int>, `12` <int>, `13` <int>, `16` <int>, `17` <int>, `18` <int>,
#   `20` <int>, `22` <int>, `26` <int>, `27` <int>, `28` <int>, `14` <int>,
#   `30` <int>, `19` <int>

Jika saya buat heatmap dari matrix tersebut, begini bentuknya:

User-Based Collaborative Filtering

Hitung Cosine Similarity Antar User

Pertama-tama, saya akan menghitung kesamaan antar user dan membuat simmilarity matrix.

Dari matrix itu, saya bisa mengecek user mana yang paling mirip dengan user 1.

Menghitung user similarity matrix...

Dimensi user similarity matrix: 500 500 


Top 5 user paling mirip dengan User 1:

      290         3       203       248        44 
0.7365895 0.7212280 0.7202966 0.7172191 0.7045639 

Fungsi Rekomendasi User-Based

Dari data-data di atas, saya akan membuat function untuk memberikan rekomendasi produk apa saja yang bisa ditawarkan kepada user 1

# ── Fungsi rekomendasi User-Based CF ─────────────────────────────
rekomendasi_user_based <- function(target_user,
                                    n_neighbor = 20,
                                    n_rekomendasi = 5) {
  # 1. Temukan N user paling mirip (neighbor)
  sim_scores  <- user_sim_matrix[as.character(target_user), ]
  top_neighbor <- names(sort(sim_scores, decreasing = TRUE))[1:n_neighbor]

  # 2. Item yang sudah dibeli target user
  sudah_dibeli <- which(mat_ui[as.character(target_user), ] > 0)

  # 3. Hitung skor rekomendasi: weighted sum of neighbor ratings
  #    Bobot = similarity score neighbor tersebut
  skor_item <- rep(0, ncol(mat_ui))
  names(skor_item) <- colnames(mat_ui)

  for (neighbor in top_neighbor) {
    sim_w <- sim_scores[neighbor]
    # Tambahkan weighted rating dari neighbor
    skor_item <- skor_item + sim_w * mat_ui[neighbor, ]
  }

  # 4. Nolkan item yang sudah pernah dibeli target user
  skor_item[sudah_dibeli] <- 0

  # 5. Ambil top N rekomendasi
  top_items <- sort(skor_item, decreasing = TRUE)[1:n_rekomendasi]

  data.frame(
    item_id    = as.integer(names(top_items)),
    skor_ub    = as.numeric(top_items)
  ) %>%
    left_join(katalog, by = 'item_id') %>%
    select(item_id, nama_item, kategori, harga, skor_ub)
}

Berikut adalah histori pembelian untuk user 1:

=== HISTORI PEMBELIAN USER 1 ===

           nama_item       kategori n
1       Pocari Sweat        Minuman 2
2    Deterjen Attack Perawatan Diri 1
3       Good Day RTD        Minuman 1
4     Kopi Kapal Api        Minuman 1
5     Lifebuoy Sabun Perawatan Diri 1
6           Milo RTD        Minuman 1
7   Rexona Deodorant Perawatan Diri 1
8         Roma Marie          Snack 1
9       Sprite 390ml        Minuman 1
10   Sunsilk Shampoo Perawatan Diri 1
11 Ultra Milk Coklat        Minuman 1
12   Vaseline Lotion Perawatan Diri 1

Dan berikut ini adalah produk yang bisa direkomendasikan kepada user 1:

=== REKOMENDASI USER-BASED CF UNTUK USER 1 ===

  item_id             nama_item kategori harga  skor_ub
1      12         Oreo Original    Snack  8500 20.40432
2       8           Yakult 5pcs  Minuman 12000 19.24507
3      14 Chitato Sapi Panggang    Snack 15000 18.50356
4       6        Energen Coklat  Minuman  6500 18.46504
5       2            Aqua 600ml  Minuman  3000 17.62897

Item-Based Collaborative Filtering

Hitung Cosine Similarity Antar Item

Berbeda dengan bagian sebelumnya, sekarang saya akan menghitung kebalikan POV. Yakni dengan menghitung antar item. Selanjutnya akan disimpan sebagai simmilarity matrix per item.

Dimensi item similarity matrix: 30 30 

Fungsi Rekomendasi Item-Based

Berdasarkan matrix tersebut, saya bisa membuat function untuk mengeluarkan item rekomendasi dengan sudut pandang item-based.

# ── Fungsi rekomendasi Item-Based CF ─────────────────────────────
rekomendasi_item_based <- function(target_user,
                                    n_rekomendasi = 5) {
  # 1. Item yang sudah dibeli target user
  profil_user   <- mat_ui[as.character(target_user), ]
  sudah_dibeli  <- which(profil_user > 0)
  belum_dibeli  <- which(profil_user == 0)

  if (length(sudah_dibeli) == 0) {
    cat('User belum punya histori pembelian.\n')
    return(NULL)
  }

  # 2. Untuk setiap item yang belum dibeli, hitung skor:
  #    skor(item_baru) = sum(sim(item_baru, item_lama) * frekuensi_beli)
  skor_item <- sapply(belum_dibeli, function(target_item) {
    sim_ke_sudah_dibeli <- item_sim_matrix[
      as.character(target_item),
      as.character(sudah_dibeli)
    ]
    sum(sim_ke_sudah_dibeli * profil_user[sudah_dibeli])
  })
  names(skor_item) <- belum_dibeli

  # 3. Ambil top N
  top_items <- sort(skor_item, decreasing = TRUE)[1:n_rekomendasi]

  data.frame(
    item_id    = as.integer(names(top_items)),
    skor_ib    = as.numeric(top_items)
  ) %>%
    left_join(katalog, by = 'item_id') %>%
    select(item_id, nama_item, kategori, harga, skor_ib)
}

Berikut adalah rekomendasi untuk user 1:

=== REKOMENDASI ITEM-BASED CF UNTUK USER 1 ===

  item_id             nama_item kategori harga  skor_ib
1      14 Chitato Sapi Panggang    Snack 15000 8.364571
2      13     Pringles Original    Snack 25000 8.250580
3      16   Khong Guan Assorted    Snack 35000 8.222321
4      19               Richoco    Snack  2000 8.126354
5      15            Roma Marie    Snack  8000 8.054033

Market Basket Analysis: “Juga Sering Dibeli Bersama”

Di luar Collaborative Filtering berbasis user, ada pendekatan lain yang sangat intuitif dan langsung actionable, yakni Market Basket Analysis. Saya pernah mengulas metode ini di blog saya yang lama. Ini yang menghasilkan fitur “Frequently Bought Together” di Amazon atau “Orang juga membeli” di beberapa e-commerce lokal.

Menghitung Support dan Lift

Metodenya adalah dengan menghitung nilai support dan lift.

Total transaksi unik: 6218 

Menghitung support dan lift untuk semua pasangan item...


=== TOP 15 PASANGAN PRODUK DENGAN LIFT TERTINGGI ===

              nama_A                nama_B n_bersama support  lift
1    Sunsilk Shampoo        Lifebuoy Sabun       159  0.0256 3.879
2     Indomie Goreng       Teh Botol 500ml       450  0.0724 3.358
3     Lifebuoy Sabun       Pepsodent 190gr       124  0.0199 3.269
4     Indomie Goreng         Oreo Original       266  0.0428 2.402
5    Teh Botol 500ml            Aqua 600ml       334  0.0537 2.010
6    Sunsilk Shampoo       Pepsodent 190gr        99  0.0159 1.911
7       Sprite 390ml Chitato Sapi Panggang       149  0.0240 1.784
8  Ultra Milk Coklat        Energen Coklat       179  0.0288 1.720
9       Softex 10pcs     Tisu Paseo 200lbr        53  0.0085 1.690
10      Good Day RTD           Yakult 5pcs       167  0.0269 1.680
11     Oreo Original     Pringles Original       139  0.0224 1.590
12 Ultra Milk Coklat          Pocari Sweat       135  0.0217 1.420
13 Ultra Milk Coklat          Sprite 390ml       137  0.0220 1.378
14       Choki-Choki     Tisu Paseo 200lbr        57  0.0092 1.274
15   Teh Botol 500ml         Oreo Original       163  0.0262 1.264

Berikut adalah visualisasi untuk pasangan produk yang memiliki nilai lift > 1.

Rekomendasi “Juga Sering Dibeli Bersama” per Produk

Dari perhitungan lift tersebut, saya bisa membuat function rekomendasi produk apa yang bisa ditawarkan saat user membeli produk tertentu.

# ── Fungsi: rekomendasi 'frequently bought together' ─────────────
rekomendasi_fbt <- function(nama_produk, n_rek = 5, lift_min = 1.0) {
  # Temukan item_id dari nama produk
  id_target <- katalog %>%
    filter(grepl(nama_produk, nama_item, ignore.case = TRUE)) %>%
    pull(item_id)

  if (length(id_target) == 0) {
    cat('Produk tidak ditemukan.\n'); return(NULL)
  }

  # Cari semua pasangan yang melibatkan produk ini
  df_rek <- df_asosiasi %>%
    filter((item_A %in% id_target | item_B %in% id_target),
           lift >= lift_min) %>%
    mutate(
      item_partner = ifelse(item_A %in% id_target, item_B, item_A),
      nama_partner = ifelse(item_A %in% id_target, nama_B, nama_A)
    ) %>%
    filter(!item_partner %in% id_target) %>%
    arrange(desc(lift)) %>%
    select(nama_partner, n_bersama, support, lift) %>%
    head(n_rek)

  cat('=== Sering Dibeli Bersama:', toupper(nama_produk), '===\n')
  print(df_rek)
  invisible(df_rek)
}

Berikut ini adalah contoh produk yang rekomendasikan jika user membeli produk:

rekomendasi_fbt('Indomie')

=== Sering Dibeli Bersama: INDOMIE ===
     nama_partner n_bersama support  lift
1 Teh Botol 500ml       450  0.0724 3.358
2   Oreo Original       266  0.0428 2.402
3      Aqua 600ml       161  0.0259 1.128

rekomendasi_fbt('Lifebuoy')

=== Sering Dibeli Bersama: LIFEBUOY ===
     nama_partner n_bersama support  lift
1 Sunsilk Shampoo       159  0.0256 3.879
2 Pepsodent 190gr       124  0.0199 3.269
3         Richoco        42  0.0068 1.134

rekomendasi_fbt('Teh Botol')

=== Sering Dibeli Bersama: TEH BOTOL ===
    nama_partner n_bersama support  lift
1 Indomie Goreng       450  0.0724 3.358
2     Aqua 600ml       334  0.0537 2.010
3  Oreo Original       163  0.0262 1.264

Evaluasi Model: Seberapa Bagus Rekomendasi Kita?

Business question yang kemudian muncul dan perlu dijawab adalah: “Seberapa bagus sistem rekomendasi yang kita buat?”

Sistem rekomendasi yang sudah jadi tetap perlu dievaluasi secara kuantitatif. Metode standar yang bisa digunakan adalah dengan membagi data menjadi train dan test, sembunyikan sebagian histori pembelian user di test set, lalu ukur apakah rekomendasi berhasil memprediksi item yang disembunyikan itu

Metrics yang bisa digunakan adalah precision@K dan recall@K.

Precision@K berarti: “Dari K item yang direkomendasikan, berapa banyak yang relevan?”

Contoh: Sistem merekomendasikan 10 film (K=10) kepada user:

• User sebenarnya menyukai 4 film dari 10 itu.
• Precision@10 = 4/10 = 0.4 (40%).
• 40% dari rekomendasi top-10 adalah relevan.

Recall@K. berarti: “Dari semua item yang relevan untuk user, berapa banyak yang muncul di K rekomendasi teratas?”

Contoh: User memiliki 20 film favorit di database:

• Sistem merekomendasikan 10 film (K=10).
• Sebanyak 4 Dari 10 film itu adalah film favorit user.
• Recall@10 = 4/20 = 0.2 (20%).
• Sistem berhasil menemukan 20% dari film favorit user dalam 10 rekomendasi teratas.

Precision@K adalah tentang membuat user happy dengan apa yang mereka lihat, Recall@K adalah tentang menemukan semua yang bisa membuat user happy.”

Saya akan hitung precision@5 dan recall@5 dari rekomendasi item-based CF.

Mengevaluasi model...


=== HASIL EVALUASI (Item-Based CF, K=5) ===

Precision@5: 0.3112 

Recall@5   : 0.3565 


Interpretasi Precision@5 = 0.XX: 
Rata-rata ada X dari 5 rekomendasi yang benar-benar dibeli user

Artinya: Dari 5 rekomendasi teratas yang diberikan sistem:

• Hanya 1.56 item (rata-rata) yang relevan untuk user.
• 3.44 item lainnya tidak relevan.

Dalam bahasa sederhana: “Hanya 31% dari 5 rekomendasi utama yang benar-benar disukai user.”

1. Recall@5 = 35.65%

Artinya: Dari semua item yang sebenarnya relevan untuk user:

• Sistem hanya berhasil menemukan 35.65% dalam 5 rekomendasi teratas.
• 64.35% item relevan lainnya terlewatkan.

Dalam bahasa sederhana: “Sistem hanya menemukan 36% dari semua item yang user sukai.”

Oke, jadi sekarang kita sudah memiliki metrics yang cukup untuk memutuskan apakah sistem rekomendasi yang kita buat sudah baik atau belum.

Membandingkan Rekomendasi User-Based vs Item-Based

Sekarang saya akan bandingkan hasil rekomendasi antara user-based dengan item-based:

Kita bandingkan hasil untuk user 1:

 ======================================================= 
USER: 1 
======================================================= 
HISTORI PEMBELIAN:
        nama_item n
1    Pocari Sweat 2
2 Deterjen Attack 1
3    Good Day RTD 1
4  Kopi Kapal Api 1
5  Lifebuoy Sabun 1

REKOMENDASI USER-BASED CF:
              nama_item kategori  skor_ub
1         Oreo Original    Snack 20.40432
2           Yakult 5pcs  Minuman 19.24507
3 Chitato Sapi Panggang    Snack 18.50356
4        Energen Coklat  Minuman 18.46504
5            Aqua 600ml  Minuman 17.62897

REKOMENDASI ITEM-BASED CF:
              nama_item kategori  skor_ib
1 Chitato Sapi Panggang    Snack 8.364571
2     Pringles Original    Snack 8.250580
3   Khong Guan Assorted    Snack 8.222321
4               Richoco    Snack 8.126354
5            Roma Marie    Snack 8.054033

Overlap (rekomendasi dari keduanya): 1 item
Chitato Sapi Panggang 

Kita bandingkan hasil untuk user 42:

 ======================================================= 
USER: 42 
======================================================= 
HISTORI PEMBELIAN:
       nama_item n
1     Aqua 600ml 3
2 Lifebuoy Sabun 3
3 Energen Coklat 2
4   Good Day RTD 2
5  Oreo Original 2

REKOMENDASI USER-BASED CF:
          nama_item kategori  skor_ub
1   Teh Botol 500ml  Minuman 23.87841
2 Pringles Original    Snack 21.78656
3    Kopi Kapal Api  Minuman 19.52340
4       Yakult 5pcs  Minuman 17.98266
5    Indomie Goreng    Snack 17.33572

REKOMENDASI ITEM-BASED CF:
            nama_item kategori  skor_ib
1       Oreo Original    Snack 19.73584
2        Pocari Sweat  Minuman 19.14616
3             Richoco    Snack 18.71345
4   Pringles Original    Snack 18.61522
5 Khong Guan Assorted    Snack 18.52100

Overlap (rekomendasi dari keduanya): 1 item
Pringles Original 

Kita bandingkan hasil untuk user 137:

 ======================================================= 
USER: 137 
======================================================= 
HISTORI PEMBELIAN:
            nama_item n
1       Oreo Original 5
2        Good Day RTD 4
3 Khong Guan Assorted 4
4        Sprite 390ml 4
5     Vaseline Lotion 4

REKOMENDASI USER-BASED CF:
          nama_item       kategori  skor_ub
1   Teh Botol 500ml        Minuman 24.95373
2 Pringles Original          Snack 18.63394
3   Deterjen Attack Perawatan Diri 15.57189
4 Tisu Paseo 200lbr Perawatan Diri 14.12167
5  Rexona Deodorant Perawatan Diri 12.49974

REKOMENDASI ITEM-BASED CF:
          nama_item       kategori  skor_ib
1     Oreo Original          Snack 29.58868
2          Milo RTD        Minuman 29.03123
3 Pringles Original          Snack 28.29720
4           Richoco          Snack 28.26768
5   Pepsodent 190gr Perawatan Diri 27.89602

Overlap (rekomendasi dari keduanya): 1 item
Pringles Original 

Seberapa besar perbedaannya? Secara rata-rata:

=== RATA-RATA OVERLAP UB vs IB REKOMENDASI ===

Rata-rata: 26.3 %

(dari top-10 rekomendasi, rata-rata 2.6 item sama antara UB dan IB)

Bagaimana Jika Cold Start?

Salah satu kelemahan terbesar Collaborative Filtering adalah cold start problem: apa yang terjadi kalau user baru yang belum punya histori pembelian sama sekali datang? Atau produk baru yang belum pernah dibeli siapapun?

Beberapa alternatif strategi yang bisa langsung diimplementasikan:

1. Strategi 1: popularitas global, kita rekomendasikan saja semua produk yang paling populer.
2. Strategi 2: popularitas per segmen. Misalkan user baru dari Bekasi dan umur 25-35 maka rekomendasikan produk terpopuler di segmen itu. Artinya kita membutuhkan data demografis.
3. Strategi 3: sabar menunggu hingga user baru membeli satu produk. Rekomendasi berbasis satu produk pertama yang dibeli kemudian bisa dilanjutkan menggunakan Market Basket Analysis.

Business Action dari Algoritma

Ada tiga cara mengimplementasikan algoritma sistem rekomendasi, yakni:

1. Cross-selling di halaman produk. Pasang widget ‘Sering Dibeli Bersama’ di halaman detail produk. Gunakan hasil Market Basket Analysis (lift tertinggi) sebagai datanya. Ini bisa langsung diimplementasikan tanpa sistem real-time.
2. Email/push notification personal. Setiap minggu, jalankan Item-Based CF untuk semua user aktif. Kirim notifikasi ‘Produk yang mungkin kamu suka’ berdasarkan histori pembelian mereka. Sederhana tapi efektif.
3. Planogram dan bundling. Pasang produk dengan lift tinggi berdekatan di rak toko fisik atau halaman kategori. Buat bundle package dari pasangan dengan support dan lift tertinggi.

Keterbatasan yang Perlu Diperhatikan

1. Scalability. Algoritma di atas menggunakan full matrix multiplication. Kondisi ini bagus untuk ratusan user dan puluhan item. Untuk jutaan user, dibutuhkan approximate nearest neighbor (ANN) atau matrix factorization (SVD, ALS) yang jauh lebih efisien secara komputasi.
2. Popularity bias. Algoritma berbasis frekuensi cenderung merekomendasikan item populer terus-menerus. Produk niche yang sebenarnya sangat relevan untuk segmen tertentu bisa terus tersembunyi. Solusi: normalisasi skor atau tambahkan exploration factor.
3. Data sparsity. Semakin jarang user berinteraksi dengan produk, semakin sulit menemukan user yang benar-benar ‘mirip’. Di tahap awal, Market Basket Analysis (tidak membutuhkan histori panjang) lebih robust.
4. Temporal dynamics. Preferensi berubah seiring waktu. Pembelian 2 tahun lalu tidak selalu relevan hari ini. Solusi: beri bobot lebih tinggi ke transaksi yang lebih baru (time-decay weighting).
5. Tidak menangkap konteks. Membeli minuman dingin di musim panas berbeda konteksnya dengan di musim hujan. Collaborative Filtering murni tidak menangkap konteks ini. Oleh karena itu, dibutuhkan Contextual Bandits atau session-based recommendation.

if you find this article helpful, support this blog by clicking the ads.

Tapi ada pertanyaan yang lebih besar: Apakah tren ini akan bertahan 5 tahun ke depan? Ataukah ini hanya efek sementara dari kampanye kesehatan pemerintah? Di sinilah saya mulai memahami perbedaan mendasar antara market insights (pemahaman tentang apa yang terjadi sekarang) dan market foresight (kemampuan untuk melihat apa yang akan terjadi di masa depan).

Sebagai seorang matematikawan yang terjun ke dunia market research dan data science, saya sering melihat bagaimana perusahaan-perusahaan besar (termasuk tempat saya bekerja) dalam membuat keputusan strategis berdasarkan data historis semata. Padahal, di era VUCA (Volatility, Uncertainty, Complexity, dan Ambiguity) seperti sekarang, kemampuan untuk melihat ke depan sama pentingnya dengan kemampuan untuk memahami sekarang. Untuk lebih jelasnya, akan saya coba bedah berikut ini:

MEMAHAMI DASAR-DASAR

Market Insights: Memahami “What Is”

Market insights adalah pemahaman mendalam tentang situasi pasar saat ini berdasarkan analisis data historis dan real-time. Ini adalah tentang menjawab pertanyaan: “Apa yang sedang terjadi di pasar kita saat ini?”

Definisi formal: Market insights adalah interpretasi data pasar yang memberikan pemahaman tentang perilaku konsumen, dinamika kompetitif, tren penjualan, dan faktor-faktor lain yang mempengaruhi kinerja bisnis saat ini.

Metodologi utama yang biasanya dipakai antara lain:

1. Analisis data historis (sales data, market share, dan customer feedback).
2. Survei dan penelitian kuantitatif.
3. Analisis kompetitif.
4. Social listening dan sentiment analysis.
5. A/B testing dan eksperimen pasar.

Market Foresight: Memahami “What Could Be“

Market foresight adalah disiplin yang berfokus pada identifikasi, analisis, dan interpretasi sinyal-sinyal lemah tentang masa depan pasar. Ini adalah tentang menjawab pertanyaan: “Apa yang mungkin terjadi di pasar kita 3, 5, atau 10 tahun ke depan?”

Definisi formal: Market foresight adalah proses sistematis untuk mengembangkan pemahaman tentang kemungkinan masa depan pasar, mengidentifikasi peluang dan ancaman yang muncul, dan menginformasikan pengambilan keputusan strategis jangka panjang.

Metodologi utama yang biasa dipakai antara lain:

1. Horizon scanning (pemindaian cakrawala).
2. Scenario planning (perencanaan skenario).
3. Trend analysis dan extrapolation.
4. Delphi method (konsensus ahli).
5. Weak signal detection.

Analogi untuk Membantu Memahami Perbedaan

Jika rekan-rekan masih bingung tentang perbedaan keduanya, perhatikan analogi berikut ini:

Bayangkan Anda adalah seorang kapten kapal:

• Market insights adalah seperti radar dan sonar Anda. Alat-alat ini menunjukkan apa yang ada di sekitar Anda sekarang: kapal lain, karang, cuaca saat ini.
• Market foresight adalah seperti teleskop dan peta cuaca jangka panjang. Alat-alat ini membantu Anda melihat apa yang ada di cakrawala, memprediksi badai yang akan datang, dan merencanakan rute optimal untuk minggu depan.

Atau dalam bahasa formula matematika yang lebih teknis:

• Market insights = f(t) di mana t adalah waktu sekarang.
• Market foresight = ∫ f'(t) dt dari t sekarang ke t masa depan, dengan f’ adalah turunan (perubahan) dari kondisi pasar.

PERBEDAAN MENDASAR

Tabel Perbandingan: Insights vs Foresight

Perspektif Timeline: Looking Back vs Looking Forward

Market insights bekerja pada domain waktu yang sudah terjadi. Ketika kita menganalisis data penjualan kuartal terakhir, kita melihat ke belakang. Ketika kita melakukan survei kepuasan pelanggan, kita mengukur sentimen saat ini. Perspektifnya adalah reaktif dan adaptif.

Market foresight bekerja pada domain waktu yang belum terjadi. Ketika kita memindai teknologi emerging, kita melihat ke depan. Ketika kita membangun skenario untuk 2030, kita membayangkan masa depan. Perspektifnya adalah proaktif dan kreatif.

Kebutuhan Data: Historical vs Future-Oriented

Dalam proyek data science yang saya kerjakan selama ini di Nutrifood, saya menemukan pola menarik:

1. Data untuk insights biasa saya dapatkan dengan karakteristik:
   • Structured data (databases, CRM, ERP, hasil survey, dll).
   • High volume dan high velocity.
   • Clear metrics and KPIs.
   • Contoh: data sales harian dengan 1 juta baris transaksi.
2. Data untuk foresight biasa saya dapatkan dengan karakteristik:
   • Unstructured data (news articles, patents, social media, dll).
   • Low volume dan high variety.
   • Ambiguous signals and weak correlations.
   • Contoh: data nama-nama produk makanan dan minuman emerging yang ada di e-commerce.

Dampak Pengambilan Keputusan: Reactive vs Proactive

Baik market insights dan market foresight memiliki perbedaan dalam hal dampak saat pengambilan keputusan bisnis. Sebagai contoh decisions based on insights biasanya seperti ini:

• “Kita harus meningkatkan stok produk X karena penjualan naik 30% bulan lalu”.
• “Kita perlu memperbaiki layanan pelanggan karena rating turun dari 4.5 ke 4.2”.
• “Kita harus menyesuaikan harga karena kompetitor menurunkan harga 10%”.

Sedangkan decisions based on foresight contohnya seperti ini:

• “Kita harus berinvestasi dalam teknologi plant-based karena regulasi akan ketat tahun 2027”.
• “Kita perlu membangun partnership dengan startup AI karena akan mengubah customer service dalam 3 tahun”.
• “Kita harus diversifikasi supply chain karena risiko geopolitik di region A meningkat”.

NILAI POSITIF MASING-MASING

Nilai Market Insights: The Power of Now

Validasi Keputusan

Market insights memberikan dasar empiris untuk keputusan bisnis. Di perusahaan saya saat ini, sebelum meluncurkan varian baru dari suatu brand, kami selalu melakukan:

• Concept testing dengan 300+ responden.
• Price sensitivity analysis menggunakan metode tertentu.
• dan riset lainnya.

Hasilnya? Tingkat keberhasilan product launch bisa terjaga persentasenya.

Optimasi Operasional

Dengan analytics yang tepat, insights bisa menghemat biaya yang dikeluarkan perusahaan. Contoh konkret:

• Route optimization untuk distribusi bisa mengurangi biaya logistik.
• Optimisasi production schedulling yang bisa mengefesienkan waktu dan biaya produksi.
• Marketing mix modeling untuk meningkatkan ROI iklan dan budget marketing.

Competitive Intelligence

Memahami kompetitor bukan hanya tentang harga, tapi tentang:

• Product portfolio gaps: Di mana kompetitor lemah?
• Pricing strategy patterns: Kapan mereka biasanya menaikkan/menurunkan harga?
• Marketing channel effectiveness: Channel mana yang paling efektif untuk mereka?

Customer Understanding

Ini adalah jantung dari market insights. Dengan teknik seperti:

• Customer segmentation (RFM analysis, clustering, segmentation, dll),
• Journey mapping (touchpoint analysis).
• Sentiment analysis (NLP pada reviews dan social media posts).

Kita bisa memahami bukan hanya apa yang dibeli pelanggan, tapi mengapa mereka membeli.

Nilai Market Foresight: The Power of Tomorrow

Strategic Advantage

Perusahaan dengan foresight yang baik bisa melakukan “skate to where the puck is going to be” (Wayne Gretzky). Contoh:

• Netflix melihat tren streaming sebelum Blockbuster.
• Tesla berinvestasi di EV ketika OEM tradisional masih ragu.
• Amazon membangun AWS ketika cloud masih konsep akademis.

Risk Mitigation

Foresight membantu mengidentifikasi risiko sebelum menjadi krisis. Framework yang bisa digunakan:

Risk Probability = f(signal strength, time horizon, impact magnitude)
Risk Mitigation Cost = g(early detection advantage, mitigation complexity)

Innovation Direction

Foresight menjawab pertanyaan: “Apa yang harus kita bangun/buat/develop?”. Di Nutrifood, foresight membantu:

• Mengidentifikasi health & wellness sebagai megatrend.
• Memprediksi plant-based protein sebagai next big thing.
• Mengantisipasi personalized nutrition via AI.

Future-proofing Business

Ini adalah nilai tertinggi dari foresight, yakni memastikan bisnis tetap relevan di masa depan. Komponen kunci:

• Business model innovation: Dari product-centric ke solution-centric.
• Capability building: Skill dan teknologi apa yang dibutuhkan?
• Ecosystem positioning: Di mana kita dalam value chain masa depan?

CASE STUDIES KONKRET

Case Study 1: Personal Care Industry Transformation

Disadari atau tidak, kita sedang mengalami perubahan drastis di industri personal care pasca-pandemi. Ada beberapa insights sepanjang 2020 hingga 2021 sebagai berikut:

• Sales data: Penjualan skincare naik 35% sedangkan make-up turun 40%.
• Social listening: #skinfirst menjadi trending topic.
• Survey: 72% konsumen lebih peduli ingredients daripada brand.

Hal tersebut berasal dari foresight yang sudah dikembangkan sejak 2018 dan 2019, yakni:

• Megatrend identification: Healthification of beauty.
• Weak signal: Microbiome research dalam dermatology.
• Demographic shift: Aging population dengan disposable income tinggi.

Beberapa perusahaan yang berhasil:

• The Ordinary: Transparansi ingredients dan edukasi science-based.
• Cerave: Dermatologist-recommended dengan harga affordable.
• K-beauty brands: Innovation dalam formulation dan delivery system.

Beberapa learning points yang bisa diambil:

• Perusahaan yang hanya mengandalkan insights (reacting to sales data) cenderung akan ketinggalan.
• Perusahaan dengan foresight (anticipating health-beauty convergence) memimpin.

Case Study 2: Tech Industry Disruption Patterns

Jika kita perhatikan dalam tech industry, ada pola disruption yang berulang dalam 20 tahun terakhir. Sebagai contoh:

1. Mainframe → PC (IBM vs Microsoft/Apple).
2. Desktop → Web (Microsoft vs Google).
3. Web → Mobile (Google vs Apple/Android).
4. Mobile → AI/Cloud (Current transition).

Ada satu framework yang bisa digunakan untuk melakukan foresight di tech industry, yaitu:

Disruption Probability = (Technology Maturity × Market Readiness) / (Incumbent Inertia × Switching Cost)

Contoh aplikasi:

• AI disruption dalam creative industries: Midjourney, ChatGPT.
• Blockchain dalam finance: DeFi, smart contracts.
• Quantum computing dalam pharma: Drug / vaccines discovery acceleration.

Case Study 3: FMCG Market Shifts Post-Pandemic

Ada beberapa temuan menarik yang saya kumpulkan dari berbagai data hasil survey yang dijalankan lembaga publik pada tahun 2025:

Dari temuan di atas, kita bisa meramu foresight sebagai berikut:

1. Digital shelf menjadi sama pentingnya dengan physical shelf.
2. Health claims perlu scientific backing yang kuat.
3. “Local for local” bukan lagi opsional, tapi mandatory.
4. Circular economy akan menjadi competitive advantage.

MENGAPA MARKET FORESIGHT PENTING DEWASA INI

Velocity of Change (VUCA World)

Dunia bisnis sekarang beroperasi dalam kondisi VUCA:

• Volatility: Perubahan yang cepat dan tidak terduga.
• Uncertainty: Ketidakpastian tentang masa depan.
• Complexity: Banyak variabel yang saling terkait.
• Ambiguity: Kurangnya kejelasan tentang realitas.

Sebagai contoh nyata, pandemi COVID-19 mengajarkan kita bahwa black swan events bukan lagi sekadar teori tapi bisa menjadi realitas. Perusahaan dengan foresight capabilities yang baik (memindai weak signals dari Wuhan pada Desember 2019) bisa bertindak lebih cepat.

Digital Transformation Acceleration

Berdasarkan IMD World Digital Competitiveness Ranking 2025, kecepatan adopsi teknologi digital meningkat 3 kali lipat dibanding dekade sebelumnya. Implikasi untuk foresight:

• Technology convergence: AI + IoT + Blockchain = new business models.
• Data explosion: Dari 33 zettabytes (2018) ke 175 zettabytes (2025).
• Algorithmic competition: Bukan lagi company vs company, tapi algorithm vs algorithm.

Consumer Behavior Shifts

Dari pengalaman saya beberapa tahun terakhir, ada perubahan (shifting) yang terjadi pada konsumen pasca pandemi:

1. Digital-first mindset: 73% transaksi via mobile (naik dari 45% dari sebelum pandemi).
2. Health consciousness: 70% konsumen prioritaskan wellness (naik dari 52%).
3. Value-conscious spending: 30% increase in “pay later” searches.
4. Sustainability demand: 62% willing to pay more for eco-friendly products.
5. Local preference: Supply chain disruptions memperkuat national pride.

Challenge selanjutnya adalah jika trends ini berlanjut, seperti apa pasar FMCG pada 2030? Menarik untuk dinantikan.

Competitive Landscape Evolution

Sejak dahulu, kita belajar bahwa kompetitor kita datang dari industri yang sama. Namun hal ini runtuh dalam satu dekade terakhir. Banyak new competitors datang dari unexpected places, seperti:

• Tech companies masuk industri:
  • FMCG (Amazon Fresh, Google shopping, dll).
  • Transportasi (Gojek, Grab, Uber, dll).
• D2C brands disrupt traditional distribution (Warung Pintar, Sayurbox, Astro, dll).
• Platform ecosystems create walled gardens (Shopee, Tokopedia, dll).

Strategic foresight membantu perusahaan untuk:

• Identify white space opportunities sebelum kompetitor.
• Anticipate disruption vectors (technology, business model, regulation).
• Build strategic options (real options theory applied to business).

Regulatory and Sustainability Pressures

Regulatory trends yang perlu diantisipasi:

1. Carbon taxation: EU CBAM sudah dimulai, ASEAN akan menyusul.
2. Plastic regulations: Extended Producer Responsibility (EPR) schemes.
3. Health claims standardization: BPOM, FDA, EMA alignment.
4. Data privacy: PDP Law Indonesia dan global equivalents.
5. Sugar taxation: rencana pemberlakuan pajak makanan dan minuman gula di Indonesia dalam beberapa tahun ke depan.

Ada satu framework foresight untuk regulatory analysis:

Regulatory Impact = Σ(Probability of Regulation × Business Impact × Time to Implementation)

FRAMEWORK MARKET FORESIGHT

Ada beberapa framework market foresight yang bisa digunakan oleh perusahaan. Saya akan coba tulis lima di antaranya:

Framework 1: Three Horizons Model (McKinsey)

Konsep: Mengelola inovasi di tiga horizon waktu yang berbeda:

Sebagai contoh aplikasi praktis di perusahaan makanan dan minuman:

• H1: reformulasi produk menjadi rendah gula.
• H2: Launch produk-produk plant-based protein line (kategori baru).
• H3: Develop personalized nutrition platform (AI + IoT).

Framework 2: STEEP/PESTLE Analysis

STEEP categories untuk systematic scanning:

Framework 3: Scenario Planning

Framework ini saya rasa sudah sering dilakukan oleh berbagai perusahaan yang melakukan market riset tapi bisa jadi mereka hanya tidak menyadari bahwa hal yang mereka lakukan sejatinya adalah market foresight. Ada empat tahapan yang biasa dilaukan:

1. Identify driving forces (predetermined elements vs critical uncertainties).
2. Develop scenario frameworks (2 x 2 matrix based on key uncertainties).
3. Flesh out scenarios (narrative, quantitative models).
4. Identify implications and options (strategic responses).

Contoh untuk FMCG di tahun 2030, kita bisa mendefinisikan driving forces-nya adalah:

• Axis 1: Health consciousness (Low vs High).
• Axis 2: Technology adoption (Slow vs Fast).

Kemudian kita akan membuat beberapa skenario seprti “Traditional Wellness”, “Tech-Enabled Health”, dan seterusnya. Selanjutnya kita bisa membuat beberapa simulasi bisnis berdasarkan skenario tersebut.

Framework 4: Delphi Method

Framework keempat ini juga biasanya pernah dilakukan oleh beberaa perusahaan. Caranya adalah melakukan structured approach untuk expert consensus:

1. Select experts (diverse backgrounds, 10-15 people).
2. Develop questionnaire (open-ended questions about future).
3. Multiple rounds dengan anonymized feedback.
4. Build consensus atau identify fundamental disagreements.

Contohnya hal ini bisa dilakukan untuk melihat beberapa hal seperti:

1. Forecasting regulatory changes.
2. Technology adoption curves.
3. Consumer trend evolution.

Framework 5: Trend Extrapolation & Wild Cards

Framework terakhir ini diturunkan dari pendekatan matematika. Bisa saya bilang, “formula”-nya mirip dengan time series, yakni dengan melakukan “ekstrapolasi” terhadap tren dan mengidentifikasi wild cards sedini mungkin.

Trend(t) = Baseline(t) + Σ(TrendComponent_i(t)) + ε(t)

Dimana:

• Baseline(t) = business as usual projection.
• TrendComponent_i(t) = individual trend effects (S-curve, exponential, dll).
• ε(t) = wild card/black swan events.

Wild card identification matrix:

IMPLEMENTASI PRAKTIS

How to Start dengan Resources Terbatas

Minimum Viable Foresight (MVF) framework:

1. Dedicate 4 hours/month untuk foresight activities.
2. Assign 1 person sebagai “foresight champion” (bisa part-time).
3. Use free tools: Google Trends, Twitter analytics, patent databases.
4. Start with 1 trend: Pilih trend paling relevan untuk bisnis Anda.
5. Create simple output: 1-page future brief setiap bulan.

Tools & Technologies yang Accessible

Free/Open Source Tools:

• Horizon scanning: Feedly, Google Alerts, Talkwalker Alerts.
• Trend analysis: Google Trends, AnswerThePublic, Exploding Topics.
• Scenario planning: Miro (free tier), Lucidchart.

Low-cost Professional Tools:

• Social listening: Brandwatch (starter plan), Mention.
• Market intelligence: Statista, Euromonitor Passport.
• Patent analysis: Google Patents, Lens.org.
• Academic research: Google Scholar, ResearchGate.

Building Foresight Capability di Perusahaan

Kita bisa menggunakan pendekatan tiga fase:

Phase 1: Awareness (Months 1-3)

• Workshop “Introduction to Foresight”.
• Create trend radar for your industry.
• Identify 2-3 early adopters in organization.

Phase 2: Capability (Months 4-12)

• Train foresight champions (2-3 days training).
• Establish monthly foresight meetings.
• Develop first set of scenarios.

Phase 3: Integration (Year 2+)

• Incorporate foresight into strategic planning.
• Establish foresight KPI (e.g., “strategic surprise index”).
• Create foresight governance (who owns it, how funded).

Integrating dengan Existing Insights Processes

Jika perusahaan sudah memiliki tim untuk mencari market insight, kita bisa membuat jembatan antara insights dan foresight dengan flow seperti ini:

Current State (Insights) → Gap Analysis → Future State (Foresight) → Strategic Options

Practical integration points:

1. Monthly business review: Add “future signals” section (10 minutes).
2. Annual planning: Include scenario planning workshop (1 day).
3. Innovation pipeline: Reserve 20% budget for H3 projects.
4. Risk management: Include foresight-derived risks in risk register.

Tool integration sebagai contoh:

• Sales BI dashboard: Add “future trends” tab.
• CRM system: Tag customers interested in emerging categories.
• Product roadmap: Color-code features by horizon (H1/H2/H3).

EPILOG

Summary Key Takeaways

1. Market insights dan market foresight adalah complementary, bukan mutually exclusive. Insights memberi Anda peta untuk navigasi hari ini; foresight memberi Anda kompas untuk arah masa depan.
2. Dalam dunia VUCA, mengandalkan insights saja seperti menyetir sambil melihat ke spion. Anda perlu melihat ke depan (foresight) untuk menghindari tabrakan dan menemukan jalan terbaik.
3. Framework yang tepat (Three Horizons, STEEP, Scenario Planning) membuat foresight bukanlah seni mistis, tapi disiplin yang bisa dipelajari dan diterapkan secara sistematis.
4. Start small but think big. Anda tidak perlu tim foresight dedicated dengan budget besar. Mulai dengan 4 jam/bulan, 1 trend, dan 1 orang champion.
5. Integration adalah kunci. Foresight yang terisolasi tidak berguna. Integrasikan ke dalam proses bisnis yang ada: planning, innovation, risk management.

Market insights membantu Anda beroperasi dengan optimal hari ini, sementara market foresight mempersiapkan Anda untuk bertahan dan berkembang di masa depan. Dan dalam dunia bisnis yang berubah dengan kecepatan eksponensial, mengabaikan salah satunya adalah resep untuk kegagalan.

if you find this article helpful, support this blog by clicking the ads.

“Coba test dulu di Jabodetabek, kalau laku di sini baru kita launch nasional.”

Bahkan di awal-awal saya bergabung di perusahaan tempat saya bekerja sekarang, semua proyek survey market research hanya dilakukan di Jabodetabek saja tanpa melibatkan kota-kota lain. Tapi seberapa akurat Jabodetabek mewakili Indonesia?

Setelah mencari data sekunder di BPS, laporan industri, dan berbagai sumber terbaru, saya menemukan beberapa fakta menarik yang mungkin bikin saya berpikir dua kali sebelum mengandalkan Jabodetabek sebagai proxy bagi keseluruhan Indonesia. Begini analisanya:

Jabodetabek: Punya 11% Populasi, Tapi…

Dari segi jumlah orang, Jabodetabek memiliki 32.3 juta jiwa (2025) dibanding total seluruh Indonesia 282.2 juta jiwa (2025). Secara proporsi Jabodetabek hanya memiliki 11.4% populasi nasional.

Tapi tunggu dulu, ada hal yang menarik:

• Populasi urban Jabodetabek: 41.9 juta.
• Populasi urban Indonesia: 158.0 juta.
• Proporsi urban: 26.5% populasi urban Indonesia ada di Jabodetabek!

Artinya Jabodetabek itu konsentrasi orang kota. Kalau kita punya produk dengan target market adalah masyarakat urban, maka pemilihan Jabodetabek mungkin akan relevan. Tapi jika target marketnya adalah market yang lebih luas dan mass, maka pemilihan Jabodetabek perlu dilakukan secara hati-hati.

Faktor Skala Ekonomi: Kontribusi yang Sangat Besar!

Sekarang saya akan tunjukan data PDB (Produk Domestik Bruto). Jabodetabek memiliki PDB sebesar Rp 5,164.6 triliun sedangkan Indonesia sebesar Rp 23,821.1 triliun. Secara proporsi, Jabodetabek memiliki kontribusi 21.7% PDB nasional.

Selain itu, secara data PDB Per kapita, Jabodetabek memiliki nilai Rp 149.2 juta/tahun sedangkan Indonesia Rp 83.7 juta/tahun. Perbandingannya Jabodetabek 78% lebih tinggi dari rata-rata nasional.

Secara sederhana bisa disimpulkan bahwa masyarakat Jabodetabek punya daya beli hampir dua kali rata-rata Indonesia. Makanya jangan kaget kalau produk-produk premium bisa laku di sini tapi mentok di daerah lainnya.

Pasar FMCG: Jabodetabek 20% Share Nasional

Dari data yang saya dapatkan dari berbagai sumber, estimasi pasar FMCG Indonesia 2025-2026 adalah sebesar $100 miliar (sekitar Rp 1.500 triliun) dengan pertumbuhan: 7.6% per tahun.

Berapa Porsi Jabodetabek?

Berdasarkan tiga metode perhitungan:

1. Berdasarkan populasi (11.4%): $11.4 miliar.
2. Berdasarkan PDB (21.7%): $21.7 miliar.
3. Berdasarkan pengeluaran: $18-22 miliar.

Konsekuensinya, Jabodetabek punya proporsi sebesar 18-22% dari keseluruhan pasar FMCG nasional.

Data Pengeluaran Makanan

Pengeluaran Bulanan Per Kapita

• DKI Jakarta: Rp 2.79 juta
• Jawa Barat: Rp 1.42 juta
• Banten: Rp 1.38 juta
• Rata-rata Nasional: Rp 0.96 juta
• NTT (terendah): Rp 0.96 juta

DKI Jakarta menghabiskan 2.9x lebih banyak untuk makanan dibanding rata-rata nasional! Makanya jangan heran kalau harga produk di Jakarta lebih mahal dan orang masih beli.

Karakteristik Konsumen yang Beda

Jika kita bandingkan karakteristik konsumen di Jabodetabek dengan Indonesia, kita pasti yakin bahwa ada perbedaan di antara keduanya. Saya menduga perbedaan ini disebabkan oleh beberapa faktor seperti berikut:

1. Toko Modern: 65% retail modern Indonesia ada di Jabodetabek.
2. E-commerce: 78% penetrasi vs 52% nasional.
3. Produk Premium: 45% penjualan vs 15% nasional.
4. Adopsi Produk Baru: 3x lebih cepat.

Sedikit banyak, faktor-faktor di atas mempengaruhi dan shaping karakteristik konsumen di Jabodetabek. Konsekuensinya masyarakat di Jabodetabek sangat mewakili konsumen urban, digital savvy, dan premium segment tapi kurang mewakili rural consumption, mass market, dan price sensitive.

Dari paparan di atas, saya bisa membuat beberapa poin penting berikut ini:

Kelebihan Memakai Jabodetabek sebagai Proxy

1. Efisiensi testing - populasi padat, akses mudah.
2. Feedback cepat - konsumen lebih responsive.
3. Trendsetter - apa yang laku di sini biasanya menyebar.
4. Infrastruktur lengkap - distribusi, retail, digital semua ada.

Kekurangan Memakai Jabodetabek sebagai Proxy

1. Over-represent daya beli - 2.9x rata-rata nasional.
2. Zero rural representation - 100% urban vs 56% nasional.
3. Different consumption pattern - lebih modern, lebih digital.
4. Competition intensity - persaingan lebih ketat.

Jadi kapan kita bisa menggunakan data Jabodetabek sebagai proxy? Yakni saat:

• Testing produk inovasi.
• Analisis segment premium.
• Perilaku konsumen urban.
• Strategi e-commerce.
• Benchmarking kompetitor.
• Forecasting trend.

Tapi kurang cocok digunakan untuk melakukan hal-hal berikut ini:

• Pricing mass market.
• Strategi penetrasi rural.
• Produk bottom pyramid.
• Klaim market share nasional.
• Analisis price sensitivity.
• Strategi traditional trade.

Rekomendasi Strategis untuk Market Research

Kita boleh saja menggunakan Jabodetabek untuk melakukan survey untuk produk premium dan inovatif tapi jangan hanya mengandalkan Jabodetabek untuk mass market. Idealnya kita bisa memadukan Jabodetabek dengan dua sampai tiga kota lain yang memiliki tier di bawahnya. Jika diperlukan, kita juga bisa menambahkan sampling khusus di area rural.

Best practices yang bisa dilakukan kira-kira seperti ini:

1. Untuk product launch:
   • Phase 1: Jabodetabek (validasi pasar dan brand building).
   • Phase 2: Kota besar Jawa (Surabaya, Bandung, Semarang).
   • Phase 3: Nasional dengan penyesuaian harga/varian.
2. Untuk business planning kita bisa membuat formula konversi dari nilai-nilai berikut ini di Jabodetabek ke angka nasional:
   • Revenue Projection.
   • Market Share.
   • Growth Rate.

Beberap formula yang bisa digunakan:

Volume Penjualan:

Penjualan Nasional = Penjualan Jabodetabek × 4.5

(Margin error: ±15%)

Market Share:

Market Share Nasional = Market Share Jabodetabek ÷ 1.8  

(Margin error: ±20%)

Growth Rate:

Growth Nasional = Growth Jabodetabek × 0.75

(Margin error: ±25%)

Product Adoption:

Adoption Nasional = Adoption Jabodetabek × 0.35

(Margin error: ±30%)

Formula ini diturunkan dengan cara menghitung beberapa aproksimasi berdasarkan data serta asumsi yang saya dapatkan.

Epilog

“Jabodetabek adalah microcosm canggih dari pasar Indonesia, tapi bukan miniatur yang akurat. Ia lebih mewakili masa depan (trend, digital, premium) daripada mewakili realitas saat ini (mass market, rural, traditional).

Jabodetabek over-represents dalam hal daya beli, konsumsi modern, dan adopsi digital tapi under-represents dalam hal rural consumption dan price sensitivity.

Data sumber: BPS 2024-2025, laporan industri FMCG 2026, berbagai publikasi terkini.

if you find this article helpful, support this blog by clicking the ads.

Awal 2026, berita tentang wabah campak kembali muncul di berbagai media Indonesia. Beberapa provinsi melaporkan lonjakan kasus. Banyak di antaranya menyerang anak-anak yang belum mendapat vaksinasi lengkap. Padahal, campak adalah penyakit yang sebenarnya sudah sangat bisa dicegah dengan vaksin yang sudah ada sejak 1960-an.

Sebagai seseorang yang berkecimpung di dunia data, saya jadi bertanya-tanya:

Bagaimana sebenarnya penyakit ini menyebar? Mengapa ia bisa menjadi wabah dengan begitu cepat? Dan apa yang angka-angka di balik campak ini ceritakan kepada kita?

Untuk itu, saya akan coba melakukan simulasi untuk memahami dinamika penyebaran campak secara matematis. Akan ada dua pendekatan yang mau saya coba, yakni:

1. Memodelkan dengan SIR,
2. Menggunakan Agent Based Modelling.

Dari kedua pendekatan tersebut, saya akan melihat seberapa berbahaya penyebaran campak ini dibandingkan dengan penyakit virus lainnya.

Oh iya, perlu saya tekankan bahwa saya bukan dokter dan tulisan ini bersifat edukatif. Saya menggunakan data serta parameter yang bersumber dari literatur epidemiologi. Simulasi yang disajikan adalah penyederhanaan untuk tujuan pemahaman, bukan model prediksi resmi. Untuk informasi kesehatan, selalu rujuk ke Kementerian Kesehatan RI dan tenaga medis profesional.

Apa itu campak?

Campak (Measles) disebabkan oleh Measles Morbillivirus. Virus tersebut menyebar lewat udara, yakni melalui tetesan pernapasan dan partikel aerosol yang bisa bertahan di udara sampai dua jam setelah penderita meninggalkan ruangan. Inilah yang membuatnya sangat berbeda dari banyak penyakit menular lain. Gejala khasnya:

• Demam tinggi,
• Batuk,
• Pilek,
• Mata merah, dan
• Ruam merah yang menyebar dari wajah ke seluruh tubuh.

Komplikasi yang menyertai campak bisa serius: pneumonia, ensefalitis (radang otak), bahkan kematian — terutama pada anak-anak di bawah 5 tahun dengan gizi buruk.

Dalam epidemiologi, kita mengenal angka R0. Saya sudah pernah menjelaskannya pada tulisan model Covid saya yang pertama kali. R0 adalah satu angka yang paling menentukan seberapa ‘berbahaya’ sebuah penyakit. R0 (dibaca R-naught) bisa kita sebut dengan basic reproduction number.

R0 adalah rata-rata jumlah orang yang akan tertular dari SATU penderita, dalam populasi yang sepenuhnya rentan (belum kebal). R0 > 1 berarti wabah bisa terjadi. Semakin besar R0, semakin agresif penyebarannya.

Tabel berikut inilah yang membuat campak luar biasa:

Dengan R0 antara 12 hingga 18, campak adalah salah satu penyakit menular paling infeksius yang dikenal manusia. Artinya: satu orang yang terinfeksi, dalam populasi tanpa imunitas, rata-rata bisa menginfeksi 12 sampai 18 orang lain. Bandingkan dengan influenza yang hanya 2-3. Implikasi langsungnya sangat mengejutkan: untuk mencapai herd immunity dari campak, setidaknya 95% populasi harus kebal. Kalau cakupan vaksinasi turun di bawah angka itu karena hoaks, keengganan, atau kesulitan akses terhadap vaksin maka wabah bisa meledak dengan cepat.

Mengapa Wabah Bisa Terjadi Meski Vaksin Ada?

Fenomena ini dikenal sebagai immunity gap. Selama beberapa tahun terakhir, cakupan vaksinasi MMR (Measles, Mumps, dan Rubella) di Indonesia mengalami penurunan, salah satu penyebabnya adalah disrupsi layanan kesehatan saat pandemi COVID-19 dan meningkatnya gerakan anti-vaksin di berbagai daerah. Ketika cakupan vaksinasi turun dari 95% ke, katakanlah menjadi 85% maka ada gap 10% populasi yang tiba-tiba menjadi rentan. Dalam populasi besar seperti Indonesia dengan 280 juta jiwa, 10% itu berarti 28 juta orang yang tidak terlindungi. Dengan R0 campak yang setinggi 12-18, celah sekecil itu sudah cukup untuk memicu wabah.

Model SIR: Fondasi Matematika dalam Epidemi

Memahami Model SIR

Sebelum masuk ke simulasi Agent Based Modelling, kita perlu memahami model SIR. Yakni suatu model yang merupakan fondasi matematis dalam epidemiologi. Ini adalah model kompartemen klasik yang dikembangkan oleh Kermack dan McKendrick pada 1927 dan masih menjadi tulang punggung epidemiologi modern. Dalam Model SIR, setiap individu berada di salah satu dari tiga kompartemen:

• S (Susceptible): Rentan yakni kumpulan orang-orang yang belum terinfeksi dan belum kebal.
• I (Infectious): Infeksius yakni kumpulan orang-orang yang sedang terinfeksi dan bisa menularkan.
• R (Recovered): Pulih yakni kumpulan orang-orang yang sudah sembuh dan kini kebal, atau meninggal.

Pergerakan antar kompartemen diatur oleh dua parameter utama:

• Beta (β): Laju transmisi, yakni seberapa cepat penyakit menyebar dari I ke S.
• Gamma (γ): Laju recovery, yakni seberapa cepat individu pindah dari I ke R.

Dari kedua parameter ini, kita bisa menghitung R0 = β / γ.

Simulasi Model SIR dengan R

Untuk bisa melihat penyebaran penyakit, saya akan membuat function dari model SIR sebagai berikut:

# ── Fungsi Model SIR deterministik ───────────────────────────────
# Menggunakan persamaan diferensial biasa (ODE) diskret

simulasi_SIR <- function(N,          # Ukuran populasi
                          I0,         # Kasus awal
                          beta,       # Laju transmisi
                          gamma,      # Laju recovery
                          vaksinasi,  # Proporsi yang sudah divaksin (0-1)
                          n_hari = 365) {
  # Populasi awal: yang sudah divaksin langsung masuk R
  S <- N * (1 - vaksinasi) - I0
  I <- I0
  R <- N * vaksinasi

  hasil <- data.frame(
    hari = 0, S = S, I = I, R = R,
    kasus_baru = I0
  )

  for (t in 1:n_hari) {
    # Persamaan SIR diskret
    dS <- -beta * S * I / N
    dI <-  beta * S * I / N - gamma * I
    dR <-  gamma * I

    S <- max(0, S + dS)
    I <- max(0, I + dI)
    R <- R + dR

    hasil <- rbind(hasil, data.frame(
      hari = t, S = S, I = I, R = R,
      kasus_baru = beta * (hasil$S[nrow(hasil)]) * I / N
    ))

    if (I < 0.5) break  # Wabah padam
  }
  hasil
}

Berikutnya saya akan membandingkan penyakit campak dengan influenza dan cacar air. Berikut adalah beberapa parameter dari ketiga penyakit ini yang kelak akan saya masukkan ke dalam model:

# ── Parameter penyakit dari literatur ────────────────────────────
#
# Campak: R0 = 15, masa infeksius = 8 hari -> gamma = 1/8
#         beta = R0 * gamma = 15 * (1/8) = 1.875
#
# Cacar Air: R0 = 9, masa infeksius = 7 hari
#
# Influenza: R0 = 2.5, masa infeksius = 5 hari

penyakit <- list(
  Campak = list(
    beta  = 15 * (1/8),   # R0=15, gamma=1/8
    gamma = 1/8,
    R0    = 15,
    warna = '#C0392B'
  ),
  `Cacar Air` = list(
    beta  = 9 * (1/7),    # R0=9, gamma=1/7
    gamma = 1/7,
    R0    = 9,
    warna = '#E67E22'
  ),
  Influenza = list(
    beta  = 2.5 * (1/5),  # R0=2.5, gamma=1/5
    gamma = 1/5,
    R0    = 2.5,
    warna = '#2980B9'
  )
)

Saya juga akan membuat kondisi awal sebagai berikut:

1. Populasi awal: 10.000 orang.
2. Kasus awal: 5 orang.
3. Cakupan vaksin: 80% (di bawah angka persentasi herd immunity campak yang disarankan literatur).

Oke, sekarang saya akan jalankan simulasinya:

# ── Jalankan SIR untuk ketiga penyakit ───────────────────────────
df_SIR_all <- lapply(names(penyakit), function(nm) {
  p <- penyakit[[nm]]
  sim <- simulasi_SIR(
    N          = N_pop,
    I0         = kasus_awal,
    beta       = p$beta,
    gamma      = p$gamma,
    vaksinasi  = cakupan_vaksin,
    n_hari     = 365
  )
  sim$penyakit <- nm
  sim
}) %>% bind_rows()

# Ringkasan puncak wabah
df_puncak <- df_SIR_all %>%
  group_by(penyakit) %>%
  summarise(
    hari_puncak    = hari[which.max(I)],
    puncak_kasus   = round(max(I)),
    total_terinfeksi = round(max(R) - N_pop * cakupan_vaksin),
    .groups = 'drop'
  )

Berikut adalah visualisasi dari simulasi yang telah dijalankan.

=== RINGKASAN PUNCAK WABAH ===

# A tibble: 3 × 4
  penyakit  hari_puncak puncak_kasus total_terinfeksi
  <chr>           <dbl>        <dbl>            <dbl>
1 Cacar Air          50          246             1481
2 Campak             29          633             1896
3 Influenza           0            5                9

Analisis data dari ketiga penyakit:

1. Cacar Air
   • Interpretasi: Penyebaran relatif lambat, mencapai puncak setelah 50 hari, tetapi memiliki dampak yang cukup signifikan dengan total 1.481 kasus.
2. Campak
   • Interpretasi: Penyebaran sangat cepat dan agresif! Mencapai puncak hanya dalam 29 hari dengan jumlah kasus puncak tertinggi (633 orang). Total kasus juga paling tinggi di antara ketiga penyakit.
3. Influenza
   • Interpretasi: Penyebaran sangat terbatas. Kemungkinan ini menunjukkan penyakit dengan tingkat penularan rendah atau populasi yang sudah sebagian besar kebal.

Agent Based Modelling: Simulasi yang Lebih Realistis

Mengapa ABM Lebih Menarik dari SIR Biasa?

Model SIR di atas mengasumsikan populasi yang perfectly mixed dimana setiap orang punya peluang yang sama untuk bertemu orang lain. Di dunia nyata, ini tidak terjadi. Kita berinteraksi dalam jaringan sosial: keluarga, tetangga, teman sekolah, rekan kerja. Agent Based Modelling (ABM) mensimulasikan setiap individu sebagai ‘agen’ yang bergerak, berinteraksi, dan berubah statusnya secara mandiri. Hasilnya jauh lebih kaya, yakni:

1. Kita bisa melihat cluster wabah,
2. Efek jaringan sosial, dan
3. Bagaimana kebijakan seperti karantina atau vaksinasi massal berpengaruh.

Berbeda dengan model SIR, Dalam ABM “penyakit” tidak dimodelkan secara langsung. Yang dimodelkan adalah PERILAKU setiap individu: bergerak, berinteraksi, menulari, sembuh. Pola wabah yang muncul adalah hasil emergent dari interaksi ribuan agen sehingga persis seperti yang terjadi di dunia nyata.

Membangun ABM Campak di R

Kita akan membangun ABM sederhana dengan 500 agen yang bergerak di ruang dua dimensi. Setiap agen mewakili satu individu dengan status S, I, atau R. Agen bergerak secara acak dan bisa menulari agen lain yang berada dalam jarak tertentu.

Pertama-tama, saya akan membuat data awal sebagai berikut:

# ══════════════════════════════════════════════════════════════════
# AGENT-BASED MODEL — Penyebaran Campak
# ══════════════════════════════════════════════════════════════════

# ── Inisialisasi populasi agen ────────────────────────────────────
buat_populasi <- function(n_agen     = 500,
                           pct_vaksin = 0.80,
                           n_infeksi_awal = 5) {
  data.frame(
    id      = 1:n_agen,
    x       = runif(n_agen, 0, 100),   # Posisi x (0-100)
    y       = runif(n_agen, 0, 100),   # Posisi y (0-100)
    # Status: S=Susceptible, I=Infectious, R=Recovered, V=Vaccinated
    status  = c(
      rep('V', round(n_agen * pct_vaksin)),
      rep('I', n_infeksi_awal),
      rep('S', n_agen - round(n_agen * pct_vaksin) - n_infeksi_awal)
    ) %>% sample(),  # Acak posisi status
    hari_infeksi = ifelse(
      sample(c(TRUE, FALSE), n_agen, replace = TRUE,
             prob = c(n_infeksi_awal/n_agen, 1 - n_infeksi_awal/n_agen)),
      0, NA
    ),
    # Kecepatan gerak acak per agen
    vx = rnorm(n_agen, 0, 0.8),
    vy = rnorm(n_agen, 0, 0.8)
  )
}

Untuk sekali langkah (atau sekali iterasi waktu), saya akan buat function berikut ini:

# ── Satu langkah simulasi ABM ─────────────────────────────────────
langkah_ABM <- function(pop, hari,
                         radius_infeksi = 3,    # Jarak menular (unit)
                         prob_infeksi   = 0.35, # Prob menular per kontak
                         masa_infeksius = 8) {  # Hari infeksius

  # 1. Gerakkan semua agen (dengan boundary reflection)
  pop$x <- pop$x + pop$vx + rnorm(nrow(pop), 0, 0.3)
  pop$y <- pop$y + pop$vy + rnorm(nrow(pop), 0, 0.3)

  # Pantulkan di batas
  pop$x <- pmax(0, pmin(100, pop$x))
  pop$y <- pmax(0, pmin(100, pop$y))
  pop$vx <- ifelse(pop$x <= 0 | pop$x >= 100, -pop$vx, pop$vx)
  pop$vy <- ifelse(pop$y <= 0 | pop$y >= 100, -pop$vy, pop$vy)

  # 2. Proses penularan: cek agen I ke agen S di sekitarnya
  agen_I <- which(pop$status == 'I')
  agen_S <- which(pop$status == 'S')

  if (length(agen_I) > 0 && length(agen_S) > 0) {
    for (i in agen_I) {
      # Hitung jarak ke semua agen S
      dx <- pop$x[agen_S] - pop$x[i]
      dy <- pop$y[agen_S] - pop$y[i]
      jarak <- sqrt(dx^2 + dy^2)

      # Agen S dalam radius infeksi
      dalam_radius <- agen_S[jarak <= radius_infeksi]

      # Tularkan dengan probabilitas prob_infeksi
      if (length(dalam_radius) > 0) {
        tertular <- dalam_radius[runif(length(dalam_radius)) < prob_infeksi]
        if (length(tertular) > 0) {
          pop$status[tertular]       <- 'I'
          pop$hari_infeksi[tertular] <- hari
        }
      }
    }
  }

  # 3. Recovery: agen I yang sudah melewati masa infeksius
  sudah_waktunya <- !is.na(pop$hari_infeksi) &
                    (hari - pop$hari_infeksi) >= masa_infeksius
  pop$status[pop$status == 'I' & sudah_waktunya] <- 'R'

  pop
}

Sekarang saya akan jalankan modelnya untuk 120 hari dan berikut adalah hasilnya:

Visualisasi Hasil Simulasi ABM

Plot pertama akan memperlihatkan kurva epidemi antara ketiga penyakit:

Berikut adalah perbandingan lainnya:

=== PERBANDINGAN HASIL ABM ===

# A tibble: 3 × 6
  penyakit  puncak_kasus hari_puncak durasi_wabah total_terinfeksi attack_rate
  <chr>            <int>       <int>        <int>            <int>       <dbl>
1 Cacar Air           11           6          120               36          36
2 Campak              12           6          120               53          53
3 Influenza           10           0          120               19          19

Analisa Mendalam tentang Campak

Plot berikutnya akan menampilkan di mana wabah campak terjadi dalam ruang dua dimensi:

Plot berikutnya akan menampilkan komposisi populasi sepanjang waktu:

Simulasi Intervensi: Apa yang Terjadi Kalau Kita Bertindak?

Model yang kita bentuk di atas bukan hanya bisa digunakan untuk melihat penyebaran tapi juga untuk menguji pertanyaan:

Bagaimana kalau kita melakukan sesuatu?

Kita akan simulasikan empat skenario vaksinasi berbeda untuk campak.

Berikut adalah perbandingannya:

Terlihat bahwa perbedaan imunitas komunal membentuk penyebaran yang berbeda-beda.

Apa yang Bisa Kita Pelajari dari Simulasi Ini?

• Pelajaran 1: Campak Bergerak Lebih Cepat dari yang Kita Bayangkan
  • Dari simulasi ABM, campak mencapai puncak wabah jauh lebih cepat dari cacar air atau influenza. Dalam kondisi cakupan vaksin 80%, puncak kasus aktif campak muncul dalam hitungan beberapa minggu (lebih cepat) dibandingkan influenza yang butuh lebih lama karena R0-nya lebih rendah.
  • Ini berarti window of opportunity untuk intervensi dini sangat sempit. Ketika otoritas kesehatan baru menyadari ada klaster wabah, boleh jadi sudah ada puluhan atau ratusan kasus baru yang sedang dalam masa inkubasi.
• Pelajaran 2: 5% Perbedaan Vaksinasi = Ratusan Nyawa
  • Dari simulasi skenario intervensi, perbedaan cakupan vaksin 80% vs 95% menghasilkan perbedaan korban yang sangat signifikan dalam populasi kecil 500 orang. Bayangkan skala ini diperbesar ke kota dengan 500 ribu atau 5 juta penduduk.
  • Pada 95% vaksinasi (herd immunity threshold campak), wabah padam sendiri dengan sangat cepat walaupun ada kasus awal. Ini karena setiap penderita tidak berhasil menemukan cukup orang rentan untuk ditulari. Inilah esensi dari herd immunity, yakni melindungi yang tidak bisa divaksin (bayi, immunocompromised) melalui perlindungan kolektif.
• Pelajaran 3: Pola Spasial Penting
  • Dari snapshot spasial ABM, kita bisa melihat sesuatu yang tidak tertangkap oleh model SIR biasa: wabah tidak menyebar merata. Ia bermula dari klaster, yakni sekelompok agen rentan yang berdekatan kemudian meledak dari sana.
  • Di dunia nyata, klaster ini adalah sekolah, pesantren, pasar tradisional, atau kampung dengan cakupan vaksin rendah. Inilah mengapa surveilans berbasis geografis dan respon cepat di tingkat klaster sangat krusial.

Keterbatasan Model yang Perlu Diingat

1. Populasi kecil dan homogen. Model ini menggunakan 500 agen di ruang dua dimensi yang homogen. Populasi nyata ratusan ribu jiwa, dengan struktur usia, jaringan sosial, dan kepadatan yang sangat beragam.
2. Tidak ada struktur umur. Campak paling mematikan pada bayi dan balita. Model ini tidak membedakan agen berdasarkan umur, sehingga tidak menangkap vulnerability yang berbeda per kelompok usia.
3. Gerak acak vs gerak terstruktur. Manusia tidak bergerak acak. Kita pergi ke tempat yang sama berulang kali (rumah, kantor, sekolah). Model dengan network structure akan lebih realistis tapi jauh lebih kompleks.
4. Parameter dari literatur. Nilai beta, gamma, dan R0 yang digunakan adalah estimasi dari berbagai studi (bukan data spesifik Indonesia 2026). Konteks lokal (kepadatan, nutrisi, akses kesehatan) bisa mengubah parameter ini secara signifikan.
5. Tidak ada re-introduksi. Model ini tidak memodelkan kasus impor dari daerah lain. Di Indonesia dengan mobilitas antardaerah yang tinggi, re-introduksi kasus bisa terus memicu wabah baru.

Epilog

Campak bukan penyakit masa lalu. Penyakit ini masih ada, masih berbahaya, dan dengan R0 antara 12-18, penyakit tersebut adalah salah satu patogen paling agresif yang pernah kita hadapi. Hal yang membuat frustrasi adalah: kita punya alat untuk mengalahkannya (vaksin MMR yang sudah terbukti aman dan sudah sangat efektif selama lebih dari enam dekade) namun cakupan vaksinasinya masih belum maksimal.

Simulasi di atas, walau sederhana tapi bisa menunjukkan dengan jelas bahwa perbedaan antara wabah yang meledak dan wabah yang padam sendiri hanyalah beberapa persen cakupan vaksin.

if you find this article helpful, support this blog by clicking the ads.

“Kira-kira kita bakal hit target bulan ini nggak? Angka akhir bulan kita bakal di mana?”

Bagi sebagian orang, pertanyaan ini bisa dijawab dengan insting: “Kayaknya sih bisa” atau “Agak berat nih”. Tapi apakah ada cara saintifik untuk menjawabnya? Menggunakan data yang sudah tersedia, kemudian melakukan estimasi angka sales di akhir bulan.

Inilah yang disebut Nowcasting.

Apa Itu Nowcasting ?

Kata nowcasting adalah gabungan dari “now” (sekarang) dan “forecasting” (meramalkan). Kalau forecasting memprediksi masa depan yang jauh (bulan depan, tahun depan), nowcasting menjawab pertanyaan yang lebih dekat. Sehingga definisi sederhananya adalah mengestimasi nilai suatu indikator pada periode SEKARANG (yang belum selesai), menggunakan data parsial yang sudah tersedia hari ini.

Teknik ini awalnya populer di dunia makroekonomi. Bank sentral menggunakannya untuk mengestimasi GDP kuartal ini sebelum data resmi dirilis yang biasanya butuh berbulan-bulan setelah kuartal berakhir. Mereka tidak mau menunggu; mereka butuh estimasi sekarang untuk membuat kebijakan.

Konsep ini yang sangat relevan di dunia sales dan marketing, contohnya:

• Melakukan estimasi total sales bulan ini berdasarkan data 20 hari pertama. • Melakukan estimasi revenue Q3 di pertengahan Juli. • Membuat prediksi apakah campaign iklan akan hit target sebelum campaign berakhir. • Melakukan estimasi stok yang dibutuhkan berdasarkan tren order masuk hari ini.

Perbedaan Nowcasting vs Forecasting

Sekarang saya akan coba buat satu study case tentang estimasi sales produk minuman di Jabodetabek.

Studi Kasus: Estimasi Sales Minuman di Jabodetabek

Misalkan kita adalah data analyst di sebuah perusahaan FMCG yang menjual minuman buah kemasan. Setiap bulan ada target penjualan (dalam satuan kuantitas yakni karton). Data penjualan harian tersedia di sistem IT kantor dan bersifat update real time harian. Hari ini tanggal 20 dan tim managerial sales bertanya: berapa estimasi total sales sampai akhir bulan?

- Produk: Minuman buah kemasan 500ml 
- Area: Jabodetabek
- Target bulan ini: 50.000 karton 
- Data tersedia: Penjualan harian hari ke-1 sampai hari ke-20
- Yang ingin diestimasi: Total penjualan hari ke-1 sampai hari ke-31

Kita memiliki 547 baris data harian (mulai 1 Januari 2024 hingga 30 Juni 2025) dan ini adalah sampel data yang dimiliki:

Sedangkan berikut ini adalah rekapan sales bulanan dari data sales harian:

# A tibble: 18 × 3
   label    total_penjualan rata_harian
   <chr>              <dbl>       <dbl>
 1 Jan 2024           57289        1848
 2 Feb 2024           53868        1858
 3 Mar 2024           60884        1964
 4 Apr 2024           57799        1927
 5 May 2024           59654        1924
 6 Jun 2024           59870        1996
 7 Jul 2024           62292        2009
 8 Aug 2024           64379        2077
 9 Sep 2024           61284        2043
10 Oct 2024           63149        2037
11 Nov 2024           62300        2077
12 Dec 2024           66288        2138
13 Jan 2025           66598        2148
14 Feb 2025           58706        2097
15 Mar 2025           68292        2203
16 Apr 2025           65420        2181
17 May 2025           68090        2196
18 Jun 2025           68734        2291

Sedangkan berikut ini adalah data sales 20 hari pertama di bulan Juli 2025:

Penjualan Juli (hari 1-20): 44955 karton

Sisa hari yang belum ada datanya: 11 hari

Persentase bulan yang sudah terlewati: 64.5 %

Catatan: Saya sebenarnya sudah membuat data lengkap 1 - 31 Juli 2025 yang kemudian nanti akan digunakan sebagai benchmark seberapa bagus model nowcasting yang dibuat.

Aktual penjualan Juli 2025 (full bulan): 70413 karton

Pendekatan Nowcasting yang Akan Dicoba

Kita akan membangun tiga model nowcasting dari yang paling sederhana sampai yang lebih canggih, lalu membandingkan hasilnya:

1. Model 1 — Simple Scaling: Extrapolasi linier dari data parsial.
2. Model 2 — Regression-based: Pakai pola historis untuk koreksi.
3. Model 3 — MIDAS-lite: Manfaatkan leading indicator harian.

Model 1 — Simple Scaling (Paling Sederhana)

Model paling sederhana. Konsepnya sama seperti melakukan ekstrapolasi harian: asumsikan sisa hari akan berjalan seperti rata-rata hari yang sudah ada. Kalau 20 hari pertama rata-ratanya X karton/hari, maka 11 hari sisanya juga X karton/hari.

Estimasi Total = Penjualan Parsial + (Rata-rata Harian Parsial × Sisa Hari)

=== MODEL 1: SIMPLE SCALING ===

Rata-rata harian (H1-H20)  : 2248 karton/hari

Estimasi total Juli 2025   : 69680 karton

Aktual total Juli 2025     : 70413 karton

Error                      : -1.04 %

Model ini cepat, mudah, dan sangat sederhana tapi ada kelemahan. Model ini tidak mempertimbangkan bahwa hari-hari tertentu (misalnya akhir bulan atau akhir pekan) ada pola berbeda dari rata-rata.

Model 2 — Regression-Based Nowcasting

Model ini lebih “cerdas” dibanding sebelumnya. Idenya adalah kita punya data historis 18 bulan. Dari setiap bulan itu, kita tahu berapa penjualan di hari ke-1 sampai ke-20 (parsial), dan berapa total penjualan akhir bulan (penuh). Kemudia kita akan membuat model regresi:

total_penuh ~ parsial_20_hari

Lalu gunakan model itu untuk memprediksi Juli 2025 dari data parsialnya.

Kalau kita tahu bulan-bulan sebelumnya bahwa ‘penjualan 20 hari pertama biasanya 64% dari total bulan’, maka kita bisa balik hitung:

total estimasi = parsial / 0.64

Regresi adalah cara ilmiah untuk menemukan angka 0.64 itu — plus memperhitungkan faktor lain seperti momen gajian.

Oke, pertama-tama saya akan hitung berapa rasio parsial dari semua data yang ada:

Rata-rata rasio parsial/total: 0.6462 

Range rasio: 0.6214 - 0.7171 

Berikut adalah visualisasi dari rasio 20 hari vs total hari dari semua data bulanan:

Perlu saya ingatkan kembali bahwa kita punya data dua tahun pada bulan Januari - Juni, maka dari itu bentuk grafik pada bulan-bulan tersebut berbeda dengan bulan lainnya.

Oke, sekarang saatnya kita membuat model regresinya. Akan ada dua model regresi sebagai berikut:

1. Model sederhana berisi total_penuh ~ parsial_20.
2. Model lengkap berisi total_penuh ~ parsial_20 + factor(bulan) + hariraya.
   • Kita tambahkan variabel bulan biasa dan bulan hari raya (lebaran dan natal).

R-squared model simple  : 0.7706 

R-squared model lengkap : 0.9775 


Call:
lm(formula = total_penuh ~ parsial_20 + factor(bulan) + hariraya, 
    data = df_historis_regresi)

Residuals:
    Min      1Q  Median      3Q     Max 
-1323.5  -114.5     0.0   114.5  1277.9 

Coefficients: (1 not defined because of singularities)
                  Estimate Std. Error t value Pr(>|t|)    
(Intercept)      6.861e+03  4.691e+02  14.628  < 2e-16 ***
parsial_20       1.395e+00  1.171e-02 119.129  < 2e-16 ***
factor(bulan)2  -5.567e+03  1.140e+02 -48.843  < 2e-16 ***
factor(bulan)3   1.020e+03  1.124e+02   9.074  < 2e-16 ***
factor(bulan)4  -1.494e+03  1.129e+02 -13.235  < 2e-16 ***
factor(bulan)5   4.182e+02  1.123e+02   3.725 0.000216 ***
factor(bulan)6  -3.252e+02  1.147e+02  -2.835 0.004752 ** 
factor(bulan)7   5.243e+02  1.366e+02   3.838 0.000139 ***
factor(bulan)8  -3.089e+02  1.385e+02  -2.230 0.026182 *  
factor(bulan)9  -1.893e+02  1.382e+02  -1.370 0.171267    
factor(bulan)10  1.758e+02  1.369e+02   1.284 0.199559    
factor(bulan)11 -2.061e+03  1.396e+02 -14.766  < 2e-16 ***
factor(bulan)12  1.106e+03  1.393e+02   7.941 1.19e-14 ***
hariraya                NA         NA      NA       NA    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 621.1 on 534 degrees of freedom
Multiple R-squared:  0.9775,    Adjusted R-squared:  0.977 
F-statistic:  1937 on 12 and 534 DF,  p-value: < 2.2e-16

Dari nilai , kita dapatkan kedua model baik dan sangat baik. Berdasarkan itu, saya akan buat prediksi nowcasting dari model lengkap.

=== MODEL 2: REGRESSION-BASED ===

Estimasi total Juli 2025   : 70108 karton

Interval bawah (95%)       : 68862 karton

Interval atas (95%)        : 71354 karton

Aktual total Juli 2025     : 70413 karton

Error                      : -0.43 %

Model 3 — MIDAS-lite: Menggunakan Leading Indicator

Model ketiga ini sedikit lebih canggih. Kita manfaatkan leading indicator, yakni sinyal-sinyal yang muncul lebih awal dan berkorelasi dengan penjualan untuk meningkatkan akurasi estimasi.

MIDAS (Mixed Data Sampling) adalah teknik formal untuk menggabungkan data dengan frekuensi berbeda (misalnya: data harian dan data bulanan). Di sini kita buat versi sederhananya. Leading indicator yang kita gunakan dalam simulasi ini:

1. Search index: Proxy dari Google Trends untuk kata kunci terkait produk kita.
2. Cuaca: Suhu rata-rata harian (minuman lebih laku saat panas).
3. Momentum awal bulan: Apakah 5 hari pertama lebih tinggi dari rata-rata historis?

Indikator pertama dan kedua akan saya simulasikan datanya, sedangkan indikator ketiga akan dihitung dari data yang ada.

Korelasi indikator vs total penjualan:

  total_penuh    parsial_20     suhu_rata  search_index momentum_awal 
        1.000         0.878        -0.194        -0.040         0.750 

Sekarang kita buat model MIDAS-nya menjadi: total_penuh ~ parsial_20 + suhu_rata + search_index + momentum_awal + factor(bulan) + hariraya.

Berikut ini hasilnya:

R-squared model MIDAS-lite: 0.9958 


=== MODEL 3: MIDAS-LITE ===

Estimasi total Juli 2025   : 67099 karton

Interval bawah (95%)       : 66506 karton

Interval atas (95%)        : 67692 karton

Aktual total Juli 2025     : 70413 karton

Error                      : -4.71 %

yang dihasilkan sangat bagus.

Perbandingan Tiga Model Nowcasting

Dari ketiga model yang sudah dibuat, kita bisa dapatkan:

1. Ketiga model memberikan estimasi yang berada di bawah nilai aktual (under estimate).
   • Menurut keyakinan saya, under estimasi justru memberikan rasa aman pada tim sales pada laporannya dibandingkan nilai yang over estimate.
2. Ternyata model kedua (regresi) memberikan estimasi dengan persentase error terkecil.

Model Keempat: Nowcasting Rolling

Ada model nowcasting keempat yang bisa kita buat, yakni model yang bisa melakukan update estimasi setiap hari sejak awal bulan. Hasilnya adalah kurva yang semakin lama semakin akurat seiring lebih banyak data tersedia.

Ada dua model yang akan kita coba, yakni:

1. Simple scaling, sama seperti model pertama tapi di-update rasio parsial secara harian.
2. Regresi, sama seperti model kedua tapi di-update rasio parsial secara harian.

Berikut ini hasilnya:

Model regresi memberikan nowcasting total penjualan akhir bulan yang selalu under estimate dibandingkan dengan model simple scaling yang pada awal-awal nowcasting selalu over estimate. Namun kedua model tersebut memberikan konvergensi yang ke satu nilai yang mirip-mirip dan mendekati nilai aktual bulanannya.

Langkah Strategic dari Hasil Nowcasting

Bagi tim managerial sales, angka estimasi hasil nowcasting bisa dijadikan langkah strategic bagi mereka untuk memastikan sales berjalan sesuai dengan target yang sudah ditetapkan. Bagaimana caranya? Perhatikan tabel berikut ini:

Pertanyaan berikutnya adalah:

Kapan kita harus mempercayai hasil estimasi dari nowcasting?

Dari grafik rolling nowcasting, kita bisa lihat bahwa estimasi biasanya cukup stabil setelah hari ke-10 (sekitar 30% bulan terlewati). Sebelum itu, masih terlalu banyak noise. Idealnya, mulai jadikan nowcasting sebagai acuan keputusan mulai hari ke-10, dan jadikan dasar eskalasi mulai hari ke-15.

Limitasi

Tentu sebagaimana yang sering saya katakan, setiap model perhitungan (termasuk prediksi dan nowcasting) pasti memiliki limitasi yang perlu kita perhatikan saat menyimpulkan hasil dan mengambil keputusan. Berikut ini adalah beberapa limitasi dari nowcasting:

1. Nowcasting bukan sulap.
   • Jika ada kejadian tak terduga di sisa bulan, seperti: bencana alam, kompetitor tiba-tiba diskon besar, atau produk kita viral di TikTok maka model tidak akan bisa memprediksinya dari data parsial.
2. Kualitas model bergantung data historis.
   • Model regresi kita butuh setidaknya 12 bulan historis agar pola musiman tertangkap dengan baik.
   • Untuk produk baru yang belum punya riwayat panjang, Model menggunakan Simple Scaling mungkin lebih aman.
3. Perhatikan perubahan pola. Kalau ada perubahan besar dalam bisnis (ekspansi ke kota baru, ganti distributor, launching SKU baru), pola historis mungkin tidak lagi relevan. Model perlu di-update.
4. Bukan pengganti judgment.
   • Nowcasting adalah alat bantu, bukan pengganti pengetahuan lapangan.
   • Sales manager yang tahu ada event besar di akhir bulan tetap harus memasukkan informasi itu secara manual ke dalam estimasi.

if you find this article helpful, support this blog by clicking the ads.

“Mungkin masih ada yang lebih dekat ke pintu masuk.”

Saya terus melaju dan ternyata tidak ada slot kosong. Akhirnya saya kembali ke slot yang pertama kali saya lihat dan alhamdulillah masih ada.

Di bulan lalu, perusahaan saya membuka vacancy untuk posisi management trainee. Kebetulan saya dan beberapa rekan mendapatkan kesempatan untuk mewawancarai beberapa kandidat yang diproyeksikan bisa di-assign ke tim market riset. Kandidat pertama bagus, kandidat kedua juga oke, kandidat berikutnya juga bagus, berikutnya juga bagus banget. Saya dan rekan-rekan belum yakin apakah harus langsung pilih yang sudah ada atau terus mencari.

Bisa jadi terlalu cepat memilih mengakibatkan kami menyesal karena mungkin ada kandidat setelahnya yang lebih baik. TAPI terlalu lama mencari bisa mengakibatkan kami membuang waktu dan bisa kehilangan kandidat bagus yang sudah lewat.

Kedua contoh dilema ini sebenarnya adalah satu problem matematika yang sudah punya jawaban optimal. Dan jawabannya mengandung angka yang mengejutkan:

37% atau lebih tepatnya 1/e ≈ 0.3679.

Ini adalah proporsi optimal untuk fase ‘hanya observasi’ sebelum Anda mulai membuat keputusan. Aturan ini berlaku di banyak situasi kehidupan nyata yang punya struktur serupa. Bagaimana penjelasannya? Simak paparan berikut ini ya.

Apa itu Aturan 37%

Asal usul the Secretary Problem

Aturan 37% berasal dari sebuah problem klasik matematika yang dikenal dengan beberapa nama: Secretary Problem, Marriage Problem, atau Optimal Stopping Problem. Problem ini pertama kali dipublikasikan secara luas pada tahun 1960 oleh Martin Gardner di kolom Mathematical Games-nya di Scientific American.

Ini adalah formulasi awalnya: kita ingin merekrut satu sekretaris terbaik dari N kandidat. Kandidat datang satu per satu dalam urutan acak. Setelah mewawancarai setiap kandidat, Anda harus langsung memutuskan: terima atau tolak. Kandidat yang ditolak tidak bisa dipanggil kembali.

Bagaimana strategi optimal untuk memaksimalkan probabilitas mendapat kandidat terbaik?

Ternyata, jawaban matematisnya adalah strategi dua fase yang sangat elegan:

1. Fase Eksplorasi: Amati (dan tolak) 37% kandidat pertama. Catat siapa yang terbaik sejauh ini. List kandidat ini jadi patokan kita.
2. Fase Eksploitasi: Mulai dari kandidat ke-38%, terima kandidat PERTAMA yang lebih baik dari patokan tadi.

Dengan strategi ini, probabilitas Anda mendapat kandidat terbaik secara keseluruhan adalah tepat 1/e ≈ 37%. Menariknya, ini adalah probabilitas tertinggi yang bisa dicapai — tidak ada strategi lain yang bisa mengalahkannya.

Mengapa 1/e ?

Angka 1/e muncul dari kalkulus optimasi. Ketika N cukup besar, batas optimal r/N (di mana r adalah jumlah kandidat yang diobservasi dulu) konvergen ke 1/e.

Asumsi yang Perlu Dipahami

Sebelum lanjut ke simulasi di R, penting untuk memahami asumsi di balik aturan ini agar kita tidak salah aplikasikan:

Di dunia nyata, asumsi-asumsi ini jarang terpenuhi sempurna. Tapi aturan 37% tetap berguna sebagai panduan heuristik mengambil keputusan yang masuk akal meski tidak optimal secara persis.

Pembuktian dengan Simulasi di R

Agar lebih jelas lagi, maka saya akan buatkan satu simulasi untuk memperlihatkan bahwa aturan 37% adalah strategi pengambilan keputusan terbaik.

Saya akan menggunakan beberapa study cases sebagai bahan simulasi.

KASUS I: Simulasi Wawancara Kandidat

Bayangkan kita harus memilih 1 orang terbaik dari 100 pelamar. Pelamar datang satu per satu. Kita simulasikan 10.000 kali (prinsip Monte Carlo) dengan berbagai nilai r (berapa yang diobservasi dulu) dan lihat berapa probabilitas mendapat kandidat terbaik.

Pertama-tama, saya akan membuat beberapa function berikut ini:

Sekarang saya akan mulai simulasinya dengan flow sebagai berikut:

1. Saya akan buat 100 orang kandidat.
2. Saya akan definisikan r tertentu, mulai dari 1 hingga 99.
   1. Misalkan r = 10, artinya saya akan mewawancarai 10 orang kandidat pertama. Lalu kandidat terbaik dari 10 orang tersebut akan saya jadikan basis.
   2. Kemudian saya akan mewawancarai kandidat ke 11, jika kandidat tersebut lebih baik dari basis, maka saya akan hire kandidat tersebut.
   3. Jika kandidat ke 11 tidak lebih baik dari basis, saya akan wawancarai kandidat selanjutnya. Kandidat dengan kualitas lebih baik dari basis akan langsung saya hire.

Proses ini akan diulang-ulang dengan berbagai nilai r sebanyak 10 ribu kali.

# ── Simulasi untuk berbagai nilai r ──────────────────────────────
N         <- 100     # Jumlah kandidat
n_sim     <- 10000   # Jumlah simulasi per nilai r
r_values  <- 1:(N-1) # Coba semua kemungkinan r

# Untuk setiap nilai r, hitung probabilitas dapat kandidat terbaik
hasil_sim <- sapply(r_values, function(r) {
  sukses <- replicate(n_sim, {
    # Buat urutan acak: nilai kandidat dari distribusi uniform
    kandidat <- runif(N)
    # Jalankan strategi
    pilihan  <- optimal_stopping(kandidat, r)
    # Apakah yang dipilih adalah yang terbaik?
    dapat_terbaik(kandidat, pilihan)
  })
  mean(sukses)  # Proporsi sukses = probabilitas estimasi
})

df_hasil <- data.frame(
  r           = r_values,
  pct_r       = r_values / N * 100,
  prob_sukses = hasil_sim
)

# Temukan r optimal dari simulasi
r_optimal_sim <- df_hasil$r[which.max(df_hasil$prob_sukses)]
prob_optimal  <- max(df_hasil$prob_sukses)

Berikut hasilnya:

r optimal (simulasi)  : 37 dari 100 kandidat

Persentase            : 37 %

Probabilitas sukses   : 0.3741 

Nilai teoritis 1/e    : 0.3679 

Hasil simulasi memberikan informasi bahwa pada r = 37, kita mendapatkan peluang tertinggi (sebesar 37%) bahwa kandidat selanjutnya adalah kandidat terbaik compared to kandidat terbaik dari 37 yang dijadikan basis.

KASUS II: Simulasi Pencarian Apartemen

Misalkan Anda pindah kerja ke Dubai dan harus menyewa apartemen. Ada 20 unit yang sudah masuk shortlist dan bisa dilihat satu per satu. Begitu Anda menolak satu unit, Anda tidak bisa kembali (unit tersebut sudah diambil orang lain). Kapan Anda harus mulai memutuskan? Berdasarkan aturan 37%, maka:

Banyaknya apartemen yang harus dilihat dulu tanpa dipilih sama sekali adalah: (20 × 0.37) ~ 8 unit. Maka setelah melihat 8 unit pertama, catat unit apartemen terbaik sejauh ini. Mulai dari unit ke-9, pilih unit PERTAMA yang lebih baik dari 8 unit tadi.

Saya juga akan bandingkan saat:

1. Anda terburu-buru mengambil keputusan dengan r = 2. Lihat 2 unit apartemen, lalu langsung memilih.
2. Anda terlalu lama mengambil keputusan dengan r = 15. Lihat 15 unit apartemen, lalu langsung memilih.

Oke, sekarang saya buat skrip simulasinya:

# ── Kasus 2: Mencari Apartemen ────────────────────────────────────
# Simulasi: 20 apartemen, nilai kualitas dari 1-100

simulasi_apartemen <- function(n_apartemen = 20, n_sim = 50000) {
  r_optimal <- ceiling(n_apartemen / exp(1))

  # Bandingkan tiga strategi:
  # 1. Aturan 37% (r = ceiling(N/e))
  # 2. Terlalu cepat (r = 2, hanya lihat 2 dulu)
  # 3. Terlalu lama  (r = 15, lihat 15 dulu baru pilih)

  hasil <- replicate(n_sim, {
    apt <- sample(1:n_apartemen, n_apartemen)  # Urutan acak

    pilih_37  <- optimal_stopping(apt, r_optimal)
    pilih_awal <- optimal_stopping(apt, 2)
    pilih_lama <- optimal_stopping(apt, 15)

    c(
      terbaik_37   = apt[pilih_37]  == max(apt),
      terbaik_awal = apt[pilih_awal] == max(apt),
      terbaik_lama = apt[pilih_lama] == max(apt),
      rank_37      = rank(-apt)[pilih_37],   # Rank 1 = terbaik
      rank_awal    = rank(-apt)[pilih_awal],
      rank_lama    = rank(-apt)[pilih_lama]
    )
  })

  data.frame(
    strategi = c('Aturan 37% (r=7)',
                 'Terlalu Cepat (r=2)',
                 'Terlalu Lama (r=15)'),
    prob_terbaik = c(mean(hasil['terbaik_37',]),
                     mean(hasil['terbaik_awal',]),
                     mean(hasil['terbaik_lama',])),
    rata_rank    = c(mean(hasil['rank_37',]),
                     mean(hasil['rank_awal',]),
                     mean(hasil['rank_lama',]))
  )
}

set.seed(101)
hasil_apt <- simulasi_apartemen()

=== SIMULASI CARI APARTEMEN (N=20) ===

             strategi prob_terbaik rata_rank
1    Aturan 37% (r=7)        38.3%      5.36
2 Terlalu Cepat (r=2)        25.3%      4.54
3 Terlalu Lama (r=15)        22.4%      8.53

Aturan 37% memberikan peluang terbaik kita akan mendapatkan unit terbaik dari 20 unit yang ada di shortlist.

KASUS III: Simulasi Pencarian Vendor

Tim procurement sedang memilih vendor untuk proyek IT senilai Rp 2 miliar. Ada 15 vendor yang sudah diundang untuk mengajukan penawaran. Penawaran datang satu per satu. Mereka ingin memilih vendor dengan harga dan kualitas terbaik, tapi vendor yang sudah ditolak tidak bisa diajak kembali ke meja negosiasi. Bagaimana cara terbaik memilihnya? Dengan aturan 37%:

r sebesar (15 × 0.37) = 6 vendor. Evaluasi 6 penawaran pertama, tolak semua (tapi catat yang terbaik sebagai benchmark / basis). Mulai dari penawaran ke-7, pilih penawaran pertama yang lebih baik dari basis tersebut.

Pada simulasi ini, saya berikan juga nilai random masing-masing vendor untuk kemudian saya bandingkan juga strategi pemilihan jika terburu-buru atau terlalu lama:

# ── Kasus 3: Seleksi Vendor ───────────────────────────────────────

# Dalam seleksi vendor, 'nilai' adalah kombinasi harga dan kualitas
# Kita simulasikan nilai gabungan (semakin tinggi semakin baik)

simulasi_vendor <- function(n_vendor = 15, n_sim = 50000) {
  r_37 <- ceiling(n_vendor / exp(1))

  hasil <- replicate(n_sim, {
    # Setiap vendor punya nilai gabungan harga-kualitas
    nilai_vendor <- runif(n_vendor, 50, 100)

    pilihan_37   <- optimal_stopping(nilai_vendor, r_37)
    pilihan_awal <- optimal_stopping(nilai_vendor, 1)
    pilihan_lama <- optimal_stopping(nilai_vendor, 12)

    # Hitung nilai (skor) vendor yang dipilih
    c(
      nilai_37   = nilai_vendor[pilihan_37],
      nilai_awal = nilai_vendor[pilihan_awal],
      nilai_lama = nilai_vendor[pilihan_lama],
      terbaik_37 = nilai_vendor[pilihan_37] == max(nilai_vendor)
    )
  })

  data.frame(
    strategi     = c('Aturan 37% (r=6)', 'Terlalu Cepat (r=1)', 'Terlalu Lama (r=12)'),
    rata_nilai   = c(mean(hasil['nilai_37',]),
                     mean(hasil['nilai_awal',]),
                     mean(hasil['nilai_lama',])),
    prob_terbaik = c(mean(hasil['terbaik_37',]), "-", "-")
  )
}

set.seed(101)
hasil_vendor <- simulasi_vendor()

=== SIMULASI SELEKSI VENDOR (N=15) ===

             strategi rata_nilai prob_terbaik
1    Aturan 37% (r=6)      86.43      0.38898
2 Terlalu Cepat (r=1)      85.82           -
3 Terlalu Lama (r=12)      78.12           -

Ternyata didapatkan bahwa aturan 37% memberikan peluang terbaik bagi tim procurement untuk menemukan vendor dengan expected nilai kualitas dan harga tertinggi.

Berapa Nilai r untuk N yang Berbeda-beda?

Salah satu pertanyaan yang selalu muncul adalah jika N saya bukan 100 tapi hanya 10 atau 20, apakah masih pakai 37%?

Jawaban singkatnya: ya karena prinsipnya sama.

TAPI untuk N kecil, tentu ada penyesuaian karena bilangan bulat tidak bisa mewakili 37% secara persis. Berikut tabel referensi yang bisa digunakan:

    N r_teoritis r_praktis pct_r sisa_pilih
1   5   1.839397         2  40.0          3
2  10   3.678794         4  40.0          6
3  15   5.518192         6  40.0          9
4  20   7.357589         8  40.0         12
5  30  11.036383        12  40.0         18
6  50  18.393972        19  38.0         31
7 100  36.787944        37  37.0         63
8 200  73.575888        74  37.0        126
9 500 183.939721       184  36.8        316

Bagaimana Jika Nilai N Tidak Diketahui?

Asumsi terberat dari aturan 37% adalah kita harus tahu N di awal. Tapi di kehidupan nyata, seringkali kita tidak tahu berapa banyak total pilihan yang tersedia. Misalnya: berapa lama Anda harus mencari pasangan hidup sebelum memutuskan untuk berkomitmen? Anda tidak tahu akan bertemu berapa orang sepanjang hidup Anda.

Untuk kasus ini, ada ekstensi aturan 37% yang menggunakan waktu sebagai pengganti jumlah N. Bagaimana caranya? Prinsipnya seperti ini:

Kalau Anda berencana mencari selama T tahun (atau bulan, atau hari), habiskan 37% waktu pertama hanya untuk mengobservasi dan membandingkan. Setelah itu, pilih opsi pertama yang lebih baik dari semua yang sudah Anda lihat.

Misalkan jika kita berencana mencari karyawan selama 3 bulan, gunakan 5-6 minggu pertama hanya untuk wawancara tanpa menerima siapapun.

Berikut adalah skrip untuk men-simulasikan hal tersebut:

Misalkan kita memiliki waktu pencarian kandidat karyawan selama 12 bulan.

# ── Simulasi: ketika N tidak diketahui (pakai batas waktu) ───────

# Asumsi: kandidat datang dengan laju Poisson,
# kita punya waktu T satuan, dan kandidat datang rata-rata lambda per satuan

simulasi_waktu <- function(T_total = 12,   # 12 bulan
                            lambda  = 4,    # rata-rata 4 kandidat/bulan
                            n_sim   = 30000) {
  t_37 <- T_total / exp(1)  # 37% dari total waktu

  hasil <- replicate(n_sim, {
    # Simulasi waktu kedatangan kandidat (Poisson process)
    n_total    <- rpois(1, lambda * T_total)
    if (n_total < 2) return(c(sukses_37=FALSE, sukses_50=FALSE))

    waktu_datang <- sort(runif(n_total, 0, T_total))
    nilai        <- runif(n_total)  # Kualitas kandidat

    # Strategi 37% waktu
    observasi_37 <- waktu_datang <= t_37
    if (sum(observasi_37) == 0) return(c(sukses_37=FALSE, sukses_50=FALSE))

    patokan_37 <- max(nilai[observasi_37])
    kandidat_eksploitasi <- which(!observasi_37)

    pilih_37 <- n_total  # default: kandidat terakhir
    for (i in kandidat_eksploitasi) {
      if (nilai[i] > patokan_37) { pilih_37 <- i; break }
    }

    # Strategi 50% waktu (untuk perbandingan)
    observasi_50 <- waktu_datang <= T_total * 0.5
    if (sum(observasi_50) == 0) return(c(sukses_37=FALSE, sukses_50=FALSE))

    patokan_50 <- max(nilai[observasi_50])
    kandidat_eks50 <- which(!observasi_50)

    pilih_50 <- n_total
    for (i in kandidat_eks50) {
      if (nilai[i] > patokan_50) { pilih_50 <- i; break }
    }

    c(
      sukses_37 = nilai[pilih_37] == max(nilai),
      sukses_50 = nilai[pilih_50] == max(nilai)
    )
  })

  data.frame(
    strategi     = c('37% waktu (t = 4.4 bln)', '50% waktu (t = 6 bln)'),
    prob_sukses  = c(mean(hasil['sukses_37',]),
                     mean(hasil['sukses_50',]))
  )
}

set.seed(101)
hasil_waktu <- simulasi_waktu()